PFPG 121019122902 Phpapp01 PDF

UNED
PROYECTO FIN DE POSTGRADO
Estudio de mejora del

mantenimiento mediante la
aplicacin de la distribucin de
Weibull a un histrico de fallos.
Eduardo Romero Lpez

Ingeniero Tcnico Industrial (Mecnica)
4 de septiembre de 2012
ndice general
1 Introduccin y objetivo de este estudio.
1.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
1
2 Fundamentos Tericos.
2.1 Evolucin histrica sobre el desarrollo de fallos . . . . .
2.1.1 Curva de Baera o de Davies . . . . . . . . . . . . .
2.1.2 Curvas de Fallos actuales . . . . . . . . . . . . . . .
2.2 Fiabilidad, Mantenibilidad y Disponibilidad . . . . . . .
2.2.1 Fiabilidad . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Mantenibilidad . . . . . . . . . . . . . . . . . . . . .
2.2.3 Disponibilidad . . . . . . . . . . . . . . . . . . . . . .
2.3 Distribuciones estadsticas aplicadas al mantenimiento
2.3.1 Distribucin Normal . . . . . . . . . . . . . . . . . .
2.3.2 Distribucin Lognormal . . . . . . . . . . . . . . . .
2.3.3 Distribucin Rayleigh . . . . . . . . . . . . . . . . .
2.3.4 Distribucin Exponencial . . . . . . . . . . . . . . .
2.3.5 Distribucin de Gamma . . . . . . . . . . . . . . . .
2.3.6 Distribucin de Weibull . . . . . . . . . . . . . . . .
2.3.6.1 Caracterstica de vida, . . . . . . . . . . . . .
2.3.6.2 Caractersticas de la distribucin Weibull . . .
2.4 Clculo de los parmetros Weibull . . . . . . . . . . . . .
2.4.1 Rango de la mediana . . . . . . . . . . . . . . . . . .
2.4.2 Clculo de los parmetros y . . . . . . . . . . .
2.4.3 Clculo del parmetro . . . . . . . . . . . . . . . .
2.4.4 Consideraciones sobre el parmetro . . . . . . . .
2.5 Verificacin del modelo . . . . . . . . . . . . . . . . . . . .
2.5.1 Test 2 . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.2 Test de Kolmogorov-Smirnov (KS) . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
2
3
5
5
6
7
7
8
9
10
12
13
14
16
17
18
18
19
20
21
21
22
23
3 Aplicacin del mtodo de Weibull.

3.1 Ejemplo biparamtrico . . . . . .
3.3 Ejemplo triparamtrico . . . . .
3.4 Ejemplo triparamtrico . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
27
28
29
33
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Conclusiones
36
Apndices
37
A Diagrama del proceso de trabajo
38
B Software de estadstica aplicada, R

B.1 Solucin distribucin biparamtrica .
B.2 Clculo del parmetro . . . . . . . .
B.3 Solucin distribucin triparamtrica .
B.4 Paquete Weibull toolkit . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
40
41
42
44
46
NDICE GENERAL
Bibliografa
Fundacin UNED
NDICE GENERAL
49
II
ndice de figuras
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
Curva de Baera. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diferentes curvas de Fallos . . . . . . . . . . . . . . . . . . . . .
Curva que componen la Curva de Baera. . . . . . . . . . . . .
Soluciones posibles segn tipo de Fallos. . . . . . . . . . . . . .
Representacin de los estados TBF y TTR. . . . . . . . . . . . .
Distribucin Normal con = 0 y = 1. . . . . . . . . . . . . . .
Distribucin Lognormal con distintos parmetros . . . . . . .
Distribucin de Rayleigh para distintos valores de . . . . . . .
Distribucin Exponencial para distintos valores de . . . . . . .
Funcin de densidad y distribucin para distintos valores de .
Distribucin de Weibull para distintos valores de . . . . . . . .
Representacin de la tasa de fallo para distintos valores de . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
4
5
6
8
10
11
12
14
15
16
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
Grfico Weibull, ejercicio 1. . . . . . . . . . . . . .

Funcin de Distribucin y Fiabilidad, ejercicio 1.
Grfico de Weibull ejercicio 2. . . . . . . . . . . . .
Grfico de fiabilidad y tasa de fallo, ejercicio 4. .
Grfico del ejercicio 5. . . . . . . . . . . . . . . . .
Fiabilidad y tasa de fallo del ejercicio 5. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
27
28
30
30
32
34
35
B.1
B.2
B.3
B.4
B.5
Captura de pantalla del cdigo R, corriendo sobre la plataforma RStudio.

Grfico de Weibull obtenido a travs de la compilacin del programa. . .
Grfico del Ecm frente a . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Grfico del parmetro y su grfico de Weibull asociado. . . . . . . . . .
Grfico de Weibull obtenido del paquete Weibulltoolkit. . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
40
43
44
47
48
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice de tablas
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
Datos ejercicio 1. . . . . . .
Resultados ejercicio 1, TBF.
Resultados ejercicio 1, TTR.
Resultados ejercicio 2. . . .
Resultados del ejercicio 3. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
IV
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
25
27
29
29
31
31
33
33
1
Introduccin y objetivo de este
estudio.
1.1.
Introduccin
La realizacin de un estudio de mejora de los mantenimientos preventivos, basndonos para

ello en tcnicas estadsticas en concreto la distribucin de Weibull.
Para la realizacin del mismo utilizaremos el software libre R. Siendo ste un lenguaje y
entorno de programacin orientado a objetos para anlisis estadstico y grfico.
1.2.
Objetivo
El objetivo es hallar mediante la aplicacin estadstica en que etapa de la vida se encuentra

el equipo o conjunto de equipos.
Nos interesa conocer los que se encuentran en etapa de mortalidad infantil, para no aplicarles mantenimiento preventivo con el consiguiente ahorro que producir y los que se encuentren
en la etapa de vida til para optimizar los periodos de mantenimiento preventivo y as obtener un
ahorro en cuanto a frecuencia de preventivo como en mejora de la disponibilidad.
2
Fundamentos Tericos.
2.1.
Evolucin histrica sobre el desarrollo de fallos
En este apartado veremos como ha ido evolucionando el desarrollo de fallos a lo largo de

la historia del mantenimiento. Partiendo de la conocida Curva de la Baera vlida para equipos
relativamente simples en los que la aparicin de fallos se deba principalmente a desgastes.
Con el avance de la tecnologa cada vez los equipos son ms complejos y poseen ms componentes elctricos - electrnicos. Dichos equipos no se ajusten a la teora de la curva de la baera.
Muchos estudios, sobre todo del sector de la aviacin han demostrado que existen al menos
seis curvas con diferente modo de aparicin de los fallos y slo un porcentaje muy pequeos de
ellos se ajustan fielmente a la curva de la baera.
2.1.1.
Curva de Baera o de Davies
La curva de la baera es un grfica que representa los fallos durante el perodo de vida til
de un sistema o mquina. Se llama as porque tiene la forma una baera cortada a lo largo.
Figura 2.1: Curva de Baera.

En ella se pueden apreciar tres etapas:
2. Fundamentos Tericos.
2.1. Evolucin histrica sobre el desarrollo de fallos
Mortalidad Infantil o Fallos infantiles: esta etapa se caracteriza por tener una elevada tasa
de fallos que desciende rpidamente con el tiempo. Estos fallos pueden deberse a diferentes
razones como equipos defectuosos, instalaciones incorrectas, errores de diseo del equipo,
desconocimiento del equipo por parte de los operarios o desconocimiento del procedimiento
adecuado.
Fallos normales: etapa con una tasa de errores menor y constante. Los fallos no se producen debido a causas inherentes al equipo, sino por causas aleatorias externas. Estas causas
pueden ser accidentes fortuitos, mala operacin, condiciones inadecuadas u otros.
Fallos por desgastes: etapa caracterizada por una tasa de errores rpidamente creciente. Los
fallos se producen por desgaste natural del equipo debido al transcurso del tiempo.
2.1.2.
Curvas de Fallos actuales
Muchos de los planes de mantenimiento se han basado en la curva de la baera clsica

para definir los mismo pero estudios ms actuales procedente del sector de la aviacin y militar
han demostrado que los mecanismos de formacin de fallos no tienen porque seguir las pautas de
la curva de baera.
A continuacin se muestran en la Figura 2.2 las distintas curvas fallos a lo largo del tiempo
y el porcentaje de cada uno ellos segn un estudio de la aviacin:
Figura 2.2: Diferentes curvas de Fallos

Curva A La curva de baera: Alta mortalidad infantil, seguida de un bajo nivel de fallos aleatorios,
terminado en una zona de desgaste. Slo un 4 % de los fallos siguen esta curva. Coincide con
equipos mecnicos histricos.
Curva B El tradicional punto de vista: Pocos fallos aleatorios, terminando en una zona de desgaste.
Slo un 2 % de los fallos siguen esta curva. Coincide con Equipos o Sistemas sometidos a
fatiga y no diseados para vida infinita como por ejemplo sistemas electrnicos discretos.
Fundacin UNED
2.1. Evolucin histrica sobre el desarrollo de fallos
Curva C Un constante incremento en la probabilidad de fallo. Slo un 5 % de los fallos siguen esta
curva. Coincide con equipos o sistemas sometidos a corrosin.
Curva D Un rpido incremento en la probabilidad de fallo, seguido de un comportamiento aleatorio.
Slo un 7 % de los fallos siguen esta curva. Coincide con equipos electrnicos digitales.
Curva E Fallos aleatorios: No hay relacin entre la edad funcional de los equipos y la probabilidad
de que fallen. Slo un 14 % de los fallos siguen esta curva. Coincide con fallos en rodamientos
bien diseados.
Curva F Alta mortalidad infantil, seguida de un comportamiento aleatorio de la probabilidad de
fallos. El 68 % de los fallos siguen esta curva. Coincide con fallos en equipos o sistemas hidrulicos y neumticos de diseo actual.
La conclusin obtenida del estudio de la aviacin fue que slo un 6 % siguen el desarrollo
de fallos segn las curvas A+B, y slo en stas, ser efectivo la aplicacin de los mantenimientos
preventivos.
Por lo tanto, existe otro 94 % de fallos que debido a su alta componente aleatoria de aparicin
de los fallos no merece la pena hacerle mantenimiento preventivo. ste slo inducir en la aparicin
de nuevos fallos por la manipulacin innecesaria de los equipos y producir un aumento en los
costes por mantenimiento preventivo.
Por ltimo se muestra en la Figura 2.31 la curva de la baera formada por las tres curvas
que la componen y a continuacin de sta en la Figura 2.42 aparece en una matriz las posibles
soluciones en funcin del tipo de fallo producido.
Figura 2.3: Curva que componen la Curva de Baera.
1 La
2 La
imagen de las composicin de la curva de la baera ha sido obtenida de la bibliografa nmero [2].
imagen de la matriz de tipo de fallo - solucin ha sido obtenida de la bibliografa nmero [2].
Fundacin UNED
2.2. Fiabilidad, Mantenibilidad y Disponibilidad
Figura 2.4: Soluciones posibles segn tipo de Fallos.
2.2.
2.2.1.
Fiabilidad, Mantenibilidad y Disponibilidad

Fiabilidad
La fiabilidad R(t) se define como la probabilidad de que un bien funcione adecuadamente

durante un perodo determinado bajo condiciones operativas especficas (por ejemplo, condiciones
de presin, temperatura, velocidad, tensin o forma de una onda elctrica, nivel de vibraciones,...
etc).
La fiabilidad se suele representar con la letra R (de la palabra inglesa Reliability), una medida
de la fiabilidad es el MTBF (Mean Time Between Failures), sta se relaciona con la duracin media
entre fallos.
Z
M T BF =
R(t)dt
(2.1)
En la prctica, la fiabilidad se mide como el tiempo medio entre ciclos de mantenimiento o el

tiempo medio entre dos fallos consecutivos MTBF. Se puede medir en general por horas, kilmetros,
horas de vuelo, piezas producidas,... etc.
En la Figura 2.53 se aprecia los distintos TBF que hacen referencia al tiempo de funcionamiento de un activo de mantenimiento y los TTR que se refieren a los tiempos de paradas por
reparacin.
3 La
imagen que representa los estados TBF y TTR ha sido obtenida de la bibliografa nmero [1].
Fundacin UNED
2.2. Fiabilidad, Mantenibilidad y Disponibilidad
Figura 2.5: Representacin de los estados TBF y TTR.

R(t) la Funcin de Fiabilidad, o dicho de otro modo, la probabilidad de que un componente
nuevo sobreviva ms del tiempo t, donde T se define como la vida del bien o componente.
R(t) = P (T > t) = 1 F (t)
(2.2)
F (t) es la Funcin de Distribucin Acumulada siendo la probabilidad de que un componente nuevo no sobreviva ms del tiempo t.
F (t) = P (T t)
(2.3)
Derivando esta ltima obtenemos la Funcin de Densidad f (t). sta nos da una idea de la
dispersin de la vida del componente.
f (t) =
d
F (t)
dt
(2.4)
Dividiendo la ecuacin 2.4 entre la ecuacin 2.2 obtenemos la Tasa de Fallos (t).
(t) =
f (t)
R(t)
(2.5)
(t) es una caracterstica de fiabilidad del componente. No tiene interpretacin fsica directa.
Es bastante comn que el comportamiento de fallos de un componente sea descrito en trminos de
su tasa de fallos.
2.2.2.
Mantenibilidad
Se define mantenibilidad M (t) como la propiedad de que el equipo, despus de un fallo o

avera sea puesto en estado de funcionamiento en un tiempo dado. Una medida de la mantenibilidad
Fundacin UNED
2.3. Distribuciones estadsticas aplicadas al mantenimiento
es el MTTR (Mean Time To Repair) o como se conoce en castellano Tiempo Medio de Reparacin.
En la Figura 2.5 aparece su ecuacin y la representacin de los distintos TTR que componen el
MTTR.
Es la propiedad de un sistema que representa la cantidad de esfuerzo requerida para conservar su funcionamiento normal o para restituirlo una vez se ha presentado un evento de fallo.
Se dir que un sistema es Altamente mantenible cuando el esfuerzo asociado a la restitucin sea
bajo. Sistemas poco mantenibles o de Baja mantenibilidad requieren de grandes esfuerzos para
sostenerse o restituirse.
Su Tasa de Reparacin es (t):
(t) =
2.2.3.
1
MTTR
(2.6)
Disponibilidad
Se define la disponibilidad D(t) como la probabilidad en el tiempo de asegurar un servicio

requerido.
Otra definicin comn en mantenimiento para la disponibilidad es: el porcentaje de equipos
o sistemas tiles en un determinado momento, frente al parque total de equipos o sistemas.
La ecuacin de la disponibilidad est en funcin de la fiabilidad y de la mantenibilidad,
siendo esta:
D(t) =
2.3.
M T BF
R(t)
=
R(t) + M (t)
M T BF + M T T R
(2.7)
Distribuciones estadsticas aplicadas al mantenimiento
Las distribuciones de probabilidad son funciones matemticas tericas que se utilizan para
realizar previsiones, que describen la forma en que se espera que varen los resultados de un
experimento. Por lo tanto son tiles en mantenimiento, debido a que, ayudan a tomar decisiones en
condiciones de incertidumbre.
Las distribuciones que explicaremos para la aplicacin de este proyecto son:
Distribucin Normal o de Gauss

Distribucin Lognormal
Distribucin Rayleigh
Distribucin Exponecial
Distribucin Gamma
Distribucin de Weibull
Fundacin UNED
Existen otras pero en este estudio nos centraremos en la nombradas anteriormente, por ser
las que estn relacionadas con la distribucin de Weibull.
2.3.1.
Distribucin Normal
Es una de las distribuciones de probabilidad de variable continua que con ms frecuencia

aparece aproximada en fenmenos reales.
0.6
0.4
Distribucin de probabilidad
0.2
0.0
0.0
0.2
0.1
Distribucin de densidad
0.3
0.8
1.0
0.4
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss. La
importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales,
sociales y psicolgicos.
Figura 2.6: Distribucin Normal con = 0 y = 1.

Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros
y y se denota XN(,) si su funcin de densidad est dada por:
f (x) =
1 x 2
1
e 2 ( )
2
(2.8)
es la media
es la desviacin estndar
Su funcin de distribucin es:
Fundacin UNED
,2 (x) =
(u)2
2 2
du
(2.9)
Esta funcin se puede expresar en trminos de la funcin especial llamada funcin de error
(erf ) de la siguiente forma:

1
x
,2 (x) =
1 + erf ( )
2
2
(2.10)
Algunas propiedades de la distribucin normal son:
Es simtrica respecto de su media,

La moda y la mediana son ambas iguales a la media,
Los puntos de inflexin de la curva se dan para x = y x = +
El intervalo [ , + ] se encuentra comprendida, aproximadamente, el 68,26 % de la distribucin
El intervalo [ 2, + 2] se encuentra comprendida, aproximadamente, el 95,44 % de la
distribucin
El intervalo [ 3, + 3] se encuentra comprendida, aproximadamente, el 99,74 % de la
distribucin
2.3.2.
Distribucin Lognormal
Es la distribucin de probabilidad de cualquier variable aleatoria con su logaritmo normalmente distribuido. Si x es una variable aleatoria con una distribucin normal, entonces ex tiene
una distribucin lognormal.
Una variable puede ser modelada como lognormal si puede ser considerada como un producto multiplicativo de muchos pequeos factores independientes. Un ejemplo tpico es un retorno
a largo plazo de una inversin: puede considerarse como un producto de muchos retornos diarios.
La distribucin lognormal tiende a la funcin densidad de probabilidad:
f (x; , ) =
x 2
e(ln x)
/2 2
(2.11)
Para x > 0 donde y son la media y la desviacin estndar del logaritmo de variable. En
la Figura 2.7 se puede ver como vara la funcin para distintos parmetros de .
Su funcin de distribucin tambin se puede poner en funcin de la funcin de error (erf ):
,2 (x) =
Fundacin UNED

1
ln(x)
1 + erf
2
2
(2.12)
0.6
1.0
0.3
0.4
=3
0.4
=2
=0
= 0.5
0.2
0.2
0.5
= 0.5
0.6
0.8
=0
0.1
=2
0.0
0.0
=3
Figura 2.7: Distribucin Lognormal con distintos parmetros .

Representando la funcin de distribucin y dndole distintos valores de , como se puede
ver en la Figura 2.7.
Algunas propiedades de la distribucin lognormal son:
La media geomtrica, y la desviacin estndar geomtrica estn relacionadas. En este caso, la

media geomtrica es igual a e y la desviacin estndar geomtrica es igual a e .
1
1
]
, geo geo
El intervalo [ , + ] es equivalente a [geo /geo
2
2
]
, geo geo
El intervalo [ 2, + 2] es equivalente a [geo /geo
3
3
El intervalo [ 3, + 3] es equivalente a [geo /geo
, geo geo
]
La distribucin Lognormal tiene su tasa de fallo creciente y suele utilizarse para modelar la
fiabilidad de componentes estructurales y electrnicos.
Su desventaja es que es bastante difcil tratarla de forma algebraica, pero su ventaja es
que surge naturalmente como la convolucin de distribuciones exponenciales. Por tanto, tiene un
inters prctico considerable con relacin a los procesos de fallos fsicos.
2.3.3.
Distribucin Rayleigh
Es una funcin de distribucin continua. Se suele presentar cuando un vector bidimensional tiene sus dos componentes, ortogonales, independientes y siguen una distribucin normal. Su
Fundacin UNED
10
1.2
1.0
valor absoluto seguir entonces una distribucin de Rayleigh.
0.8
1.0
= 0.5
Distribucin
= 0.5
0.4
=2
0.6
0.6
= 1.5
=1
0.4
Densidad
0.8
=1
0.2
0.2
= 1.5
0.0
0.0
=2
Figura 2.8: Distribucin de Rayleigh para distintos valores de .

Su funcin de densidad de probabilidad es:
f (x; ) =
xe
x2
2 2
(2.13)
Donde es un factor de escala.

Su funcin de distribucin de probabilidad es:
F (x; ) = 1 e
x2
2 2
(2.14)
Su esperanza matemtica es:
r
E(x) =
Fundacin UNED
(2.15)
11
2.3.4.
Distribucin Exponencial
0.5
1.0
En estadstica la distribucin exponencial es una distribucin de probabilidad continua con

un parmetro > 0 cuya funcin de densidad es:
0.8
0.6
= 0.5
=1
0.2
0.2
0.3
= 1.5
0.4
=1
0.1
Densidad de probabilidad
0.4
= 0.5
0.0
0.0
= 1.5
10
10
Figura 2.9: Distribucin Exponencial para distintos valores de .

f (x) =
ex
0
x0
de otro modo
(2.16)
Su funcin de distribucin es:

F (x) = P (X x) =
0
1 ex
para x < 0
para x 0
(2.17)
Su tasa de fallo:
(x) =
(2.18)
Su funcin de Fiabilidad R(t):
R(x) = ex
Fundacin UNED
(2.19)
12
Su Esperanza matemtica o media:
E(x) = M edia =
(2.20)
La funcin de distribucin que se utiliza ms a menudo para modelar la fiabilidad es la

exponencial. El motivo es que:
Es sencilla de tratar algebraicamente

Se considera adecuada para modelar el intervalo de vida funcional del ciclo de vida del dispositivo
la distribucin exponencial aparece cuando la tasa de fallos es constante, (t) =
La tasa de fallos se considera constante, entonces la funcin de distribucin de los fallos es

exponencial. De las propiedades de sta se deduce que la probabilidad de que una unidad que est
trabajando falle en el prximo instante es independiente de cunto tiempo ha estado trabajando.
Esto implica que la unidad no presenta sntomas de envejecimiento: es igualmente probable que
falle en el instante siguiente cuando est nueva o cuando no lo est.
2.3.5.
Distribucin de Gamma
Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias

continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de sucesos
a la izquierda de la media que a la derecha. En su expresin se encuentran dos parmetros, siempre
positivos, y de los que depende su forma y alcance por la derecha, y tambin la funcin Gamma
(), responsable de la convergencia de la distribucin.
El primer parmetro sita la mxima intensidad de probabilidad y por este motivo en
algunas fuentes se denomina la forma de la distribucin: cuando se toman valores prximos a cero
aparece entonces un dibujo muy similar al de la distribucin exponencial. Cuando se toman valores
ms grandes de el centro de la distribucin se desplaza a la derecha y va apareciendo la forma
de una campana de Gauss con asimetra positiva. Es el segundo parmetro el que determina
la forma o alcance de esta asimetra positiva desplazando la densidad de probabilidad en la cola
de la derecha. Para valores elevados de la distribucin acumula ms densidad de probabilidad
en el extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabilidad a lo
largo del plano. Al dispersar la probabilidad la altura mxima de densidad de probabilidad se va
reduciendo; de aqu que se le denomine escala. Valores ms pequeos de conducen a una figura
ms simtrica y concentrada, con un pico de densidad de probabilidad ms elevado.
La funcin de densidad de la distribucin Gamma es:
f (x) =
1
()
x1 ex/
(2.21)
donde x > 0 y , son parmetros positivos. En la Figura 2.10 se muestra la funcin de

densidad.
La funcin de distribucin es,
Fundacin UNED
13
1.0
2.0
1.0
=5
0.6
=3
=1
0.4
1.5
=2
=2
=3
0.2
0.5
0.8
=1
0.0
0.0
=5
Figura 2.10: Funcin de densidad y distribucin para distintos valores de .
F (x) = P [X x] =
()
u1 eu/ du
(2.22)
como se puede ver en la Figura 2.10.

La esperanza matemtica es,
E(x) =
2.3.6.
(2.23)
Distribucin de Weibull
La distribucin de Weibull es una distribucin continua y triparamtrica, es decir, est

completamente definida por tres parmetros y es la ms empleada en el campo de la Fiabilidad.
En la literatura tcnica est muy extendida utilizacin de la distribucin de Weibull biparamtrica (, ), debido a que, el tercer parmetro es el parmetro de localizacin, es decir, el
parmetro que localiza la abscisa a partir del cual se inicia la distribucin. Trabajando de forma
biparamtrica se asume un error, por eso en este estudio se explicar el clculo de la distribucin
triparamtrica (, , ), debido a que sta es ms exacta.
La distribucin de Weibull es una distribucin de probabilidad continua. La funcin de
densidad de una variable aleatoria:
Fundacin UNED
14

1
x
x

e( )
f (x; , , ) =
x0
(2.24)
para x < 0
0.8
2.5
Donde > 0 es el parmetro de forma y > 0 es el parmetro de escala o caracterstica de

vida y el > 0 parmetro de localizacin de la distribucin.
1.5
= 1.5
= 2.5
=5
0.6
= 0.5
=1
0.4
=1
= 1.5
= 2.5
0.5
0.2
1.0
Densidad de probabilidad
2.0
= 0.5
0.0
0.0
=5
0.0
0.5
1.0
1.5
2.0
2.5
Figura 2.11: Distribucin de Weibull para distintos valores de .

La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es
proporcional a una potencia del tiempo:
Un valor < 1 indica que la tasa de fallos decrece con el tiempo.

Cuando = 1, la tasa de fallos es constante en el tiempo.
Un valor > 1 indica que la tasa de fallos crece con el tiempo.
Su funcin de distribucin de probabilidad es:
F (x; , , ) = 1 e(
(2.25)
Para valores de x 0, siendo nula en x < 0.

En la Figura 2.11 se ve como vara la funcin de distribucin para distintos valores de .
Fundacin UNED
15
Siendo su tasa de fallo:
(x; , , ) =
1
(2.26)
En la Figura 2.12 se puede como vara la tasa de fallo para distintos valores de y .
0.014
0.016
TASA DE FALLO
<1
0.012
=1
>1
0.008
= 170
= 90
0.002
0.004
0.006
0.010
= 1000
20
40
60
80
100
Figura 2.12: Representacin de la tasa de fallo para distintos valores de .

El parmetro de forma nos indica el tipo de fallo que es, as como el tipo de distribucin
probabilstica que podemos seguir.
Su funcin de Fiabilidad R(t):
R(x) = e(
(2.27)
Su Esperanza matemtica o media:

1
E(x) = M edia = + 1 +
(2.28)
Donde ( ) es la funcin Gamma 4 .
2.3.6.1.
Caracterstica de vida,
La Vida Caracterstica es el valor del dato que corresponde al 63,2 % del valor del Rango
Medio de la lnea recta o dicho de otro modo, la edad a la cual el 63,2 % de las unidades podran
fallar. Este 63,2 % es,
4 La explicacin en detalle de esta funcin queda fuera del objetivo de este proyecto para ms informacin puede consultar
el siguiente enlace: Funcin Gamma.
Fundacin UNED
16
F (x = , ) = 1 e(x/) = 1 e(1) = 1
1
= 0,632 = 63,2 %
e1
En el Grfico de Weibull, puede hacer estimaciones de probabilidades utilizando la lnea

recta, o simplemente leyendo la probabilidad en el eje de ordenadas, para un dato. En este estudio
leeremos los siguientes puntos en el eje de ordenada:
beta1: El 1 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 99 %

de la muestra fallar despus de dicho tiempo. Para hallarlo trazamos una paralela al eje de
abscisas hasta que corte la recta de regresin y donde corte trazamos una paralela al eje de
ordenadas que marcar el tiempo de fallo. Estas lneas en los grficos se trazarn en trazos
discontinuos y de color negro.
beta5: El 5 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 95 % de
la muestra fallar despus de dicho tiempo. Estas lneas en los grficos se trazarn en trazos
beta10: El 10 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 90 % de
la muestra fallar despus de dicho tiempo. Estas lneas en los grficos se trazarn en trazos
2.3.6.2.
Caractersticas de la distribucin Weibull
La distribucin de Weibull nos ayuda a conocer:
El tipo de mecanismos de fallo que ha sido el causante del mismo.

Cantidad de fallos que se pueden esperar en un futuro.
Fiabilidad de un equipo existente.
Tipo de fallos que se pueden dar:
0 < < 1 Mortalidad infantil.

= 1 Tasa de fallo constante.
Fallos aleatorio independiente del tiempo.
Errores humanos.
Errores de Mantenimiento.
Sistemas de varios componentes.
Combinacin de dos o tres modos de fallos diferentes.
1 < < 4 Tasa de creciente.
Implica desgastes tempranos.
Fatiga de baja frecuencia, con = 2,5 hasta = 4.
Fallos en rodamientos de bolas = 2.
Fallos en rodamientos de rodillos = 1,5.
Corrosin o erosin con = 3 hasta = 4.
Fundacin UNED
17
2.4. Clculo de los parmetros Weibull
Corrosin o esfuerzos con = 5 o mayor.

Fallos en correas = 2,5.
4 < Tasa de creciente.
Envejecimiento operacional.
Corrosin por esfuerzos.
Prdida de propiedades de los materiales.
Materiales frgiles como la cermica.
Algunos tipos de erosin.
Distribucin que pueden ser aproximadas a travs de la distribucin de Weibull:
= 1 Distribucin Exponencial.
= 2 Distribucin de Rayleigh.
3 6 6 4 Distribucin Normal.
2.4.
2.4.1.
Clculo de los parmetros de Weibull por el mtodo de los

mnimos cuadrados
Rango de la mediana
Para poder trazar la recta de regresin, se debe calcular un estimador para la funcin de
distribucin acumulativa F (x). Este estimador, llamado Rango de la mediana, es un estimador no
paramtrico basado en el orden de las fallos. Este aspecto implica que la muestra de datos se debe
organizar de menor a mayor (en forma ascendente).
La expresin matemtica para este estimador es:
W (xi ) =
i
ni+1
F1,2(ni+1),2i +
i
ni+1
(2.29)
Donde:
W (xi ) Rango de mediana para un nivel de confianza (1), donde es el nivel de significancia
y toma el valor de 0,5 para este estimador.
i Orden del fallo
n Nmero total de la muestra
F1,2(ni+1),2i Valor crtico de la distribucin F de Snedecor 5 , evaluada en el nivel de significancia y con grados de libertad v1 = 2(n i + 1) y v2 = 2i.
5 La explicacin en detalle de esta funcin queda fuera del objetivo de este proyecto para ms informacin puede consultar
el siguiente enlace: Distribucin F de Snedecor.
Fundacin UNED
18
Dada la complicacin de la ecuacin 2.29 en la literatura tcnica est muy extendido utilizar
para aproximar el rango de la mediana la siguiente expresin:
RM (xi ) =
i 0,3
n + 0,4
(2.30)
Aunque la ecuacin 2.30 es menos exacta que la ecuacin 2.29. En este estudio se utilizar
la ecuacin 2.29.
2.4.2.
Clculo de los parmetros y
El mtodo de los mnimos cuadrados permite calcular los parmetros de forma y escala,
mediante la transformacin doble logartmica de la funcin de distribucin acumulativa.
Partimos de la funcin de distribucin de Weibull y operando con ella llegamos:
F (x)
e(x/)
1
e(x/)
1
1 F (x)

1
ln
1 F (x)

1
ln
1 F (x)

1
ln ln
1 F (x)

1
ln ln
1 F (x)

1
ln ln
1 F (x)

1
ln ln
1 F (x)
1 e(x/)
1 F (x)
1 F (x)
= e(x/)
=

ln e(x/)
(x/)
ln(x/)
= ln(x/)
= (ln(x) ln())
= ln(x) ln()
La expresin anterior representa una ecuacin lineal de la forma:
y = ax + b
La cual es una recta de regresin con los siguientes parmetros:

y = ln ln
Fundacin UNED
1
1 F (x)

; a = ; x = ln(x) ; b = ln()
(2.31)
19
De la expresin anterior se concluye que el parmetro de forma, , es la pendiente de la

recta de regresin. F (x) toma los valores del Rango de Mediana (ecuacin 2.29).
Tambin se observa que el parmetro de escala , est en funcin del intercepto b de la recta
de regresin y del parmetro de forma , por lo tanto:
b = ln()
b
= ln()
e(b/)
eln()
Quedando como:
= eb/
2.4.3.
(2.32)
Clculo del parmetro
El parmetro indica en el tiempo, el momento a partir del cual se genera la distribucin.

Este parmetro se halla por mtodos de estimacin. El proceso que se ha seguido es el siguiente:
1. Se va dando valores a y para cada uno de ellos se repetir el proceso. Donde x es el vector
de los datos de la muestra, que para nuestro caso por ejemplo sern T BF y T T R.
x0i = xi i
2. Se calcula los valores del eje de abscisas y ordenadas como:
Abscisas: ln(x0i )
Ordenadas: ln(ln( 1F1 (x) )) donde F (x) son los valores del Rango de Mediana.
n
o
Conjunto de puntos: Conjunto = ln(x0i ); ln(ln( 1F1 (x) ))
3. Clculo de la lnea de regresin del conjunto de puntos anteriores mediante mnimos cuadrados.
4. Clculo del error o residuo para cada punto del conjunto anterior.
ei = yi yDe
la linea regresion
5. Clculo del Error Cuadrtico Medio para cada valor de .

rP
e2i
Ecm =
n
6. Se representa grficamente el Ecm frente al valor de con el que ha sido calculado.
7. La solucin ser el valor de que hace mnimo el Error Cuadrtico Medio.
Fundacin UNED
20
2.5. Verificacin del modelo
En este estudio se ha calculado mediante el cdigo de R que puedes encontrar en el apndice B.2, en el que vienen todas las operaciones detalladas.
Una vez obtenido el valor de habra que reajustar los parmetros de y de la seccin 2.4.2, teniendo en cuenta ahora que en la ecuacin 2.31 el valor introducido no ser x sino el
x0 definitivo, una vez calculado el min .
2.4.4.
Consideraciones sobre el parmetro
Si al graficar los puntos de la muestra partiendo de una distribucin de Weibull biparamtrica

( = 0), aparece una cola de puntos hacia arriba o hacia abajo, separndose de la recta de
regresin entonces es un indicativo de que el parmetro de localizacin debe ser calculado.
Una cola hacia abajo es indicativo de que un parmetro de localizacin positivo est presente.
Una cola hacia arriba es indicativo de que un parmetro de localizacin negativo est presente.
Un parmetro de localizacin negativo se presenta cuando hay unidades con fallas en servicio,
o unidades en servicio con defectos que causarn fallos. Ejemplos:
Defectos originados durante el ensamble.
Defectos originados durante el transporte.
Defectos originados durante la instalacin o montaje.
Defectos originados durante el almacenamiento.
Valores grandes del parmetro de forma ( > 10) son otro indicativo de que el parmetro de
localizacin debe ser calculado.
2.5.
Verificacin del modelo
Para verificar la ley que describe la fiabilidad de los equipos, tomamos un conjunto de
observaciones y proponemos una hiptesis de que ellas siguen una determinada distribucin de
probabilidad (Normal, Exponencial, Weibull,...). Luego obtenemos los parmetros asociados a tal
distribucin de probabilidad.
La calidad del proceso anterior debe ser verificada. Para ello primero aceptamos que al
imponer una distribucin dada se incurre en algn error, pero queremos de que el riesgo de que
ello ocurra sea lo menor posible. Para contrastar los modelos elegidos utilizaremos:
El Test
2 , cuando el tamao de la muestra n sea n > 50.
El Test de Kolmogorov-Smirnov (KS), cuando el tamao de la muestra n sea n 50.
Los dos contrastes de hiptesis pueden aplicarse a cualquier tipo de variables aunque estn
especialmente indicados para variables de tipo discreto o cualitativo en el caso del primero de ellos
(test de 2 bondad de ajuste) y para variables de tipo continuo en el segundo (test de KolmogorovSmirnov).
Fundacin UNED
21
2.5.1.
Test 2
supongamos que tenemos una muestra de tamao N de una variable aleatoria discreta o
cualitativa, X, ajustada a un modelo dado por una distribucin.
Consideremos una particin del conjunto de valores que puede tomar la variable: S1 , ..., Sn .
En principio, esta particin podran ser simplemente todos y cada uno de los valores que toma la
variable X, pero, como veremos, es posible que tengamos que agrupar algunos de ellos.
Seguidamente, consideremos la probabilidad, segn la distribucin dada por el ajuste que
queremos evaluar, de cada una de estas partes.
pi = P [X Si /H0 ] > 0
(2.33)
De igual forma, calculemos Oi , el nmero de observaciones de la muestra que caen en cada

conjunto Si .
La idea del test es comparar el nmero de observaciones Oi que caen realmente en cada
conjunto Si con el nmero esperado de observaciones que deberan caer en Si si el ajuste es el dado
por nuestro modelo, que sera N pi . Para ello, una medida que compara estas dos cantidades:
D=
r
X
(Oi N pi )2
N pi
i=1
(2.34)
Si, para una muestra dada, esta variable aleatoria toma un valor d muy alto, indica que
los valores observados no cuadran con el ajuste que hemos propuesto (con lo cul se rechazara
la hiptesis nula en favor de la alternativa); si, por el contrario, toma un valor d bajo, indica que
nuestro ajuste corresponde bien con los datos de la muestra, por lo que es aceptable la hiptesis
nula.
El problema final es decidir cundo el valor de la variable aleatoria D y d, es lo suficientemente alto como para que nos resulte inaceptable el ajuste. Para decidirlo hay que tener en cuenta
que cuando N es razonablemente alto y la hiptesis H0 es cierta, la distribucin de probabilidad de
D es 2 con r k 1 grados de libertad, es decir,
N >>
D/H0 2rk1
(2.35)
donde k es el nmero de parmetros que han sido estimados en el ajuste y su valor es segn
la distribucin tomada:
k = 1 para la distribucin Exponencial

k = 2 para la distribucin Normal
k = 3 para la distribucin de Weibull
Teniendo en cuenta este resultado, se calcula bajo esta distribucin la probabilidad de que
se de un valor todava ms alto que d (el p-valor, por tanto).
Fundacin UNED
22
p = P [D > d/H0 ]
(2.36)
Si esta probabilidad es inferior al 5 %, se rechaza la hiptesis nula en favor de la alternativa

con un 95 % de confianza. Dicho de otra forma, se acepta la hiptesis nula slo si el valor de D entra
dentro del 95 % de resultados ms favorables a ella.
Resumen esquemtico del proceso:
1. Se enuncia el test definiendo H0 y H1 .

2. Si en la muestra se dan los valores x1 , ..., xm , se calculan las frecuencias esperadas segn el
ajuste propuesto de cada valor xi , N P [X = xi ], i = 1, ..., m. Si alguna de estas frecuencias es
inferior a 5, se agrupa con alguna de la ms cercana hasta que sumen una frecuencia mayor
o igual a 5. Se construye as la particin del conjunto de valores posibles para X, S1 , ...Sr ,
cuyas frecuencias esperadas son todas mayores o iguales a 5. En realidad, esto es slo una
recomendacin que puede relajarse: si alguna frecuencia esperada es slo ligeramente inferior
a 5, no es especialmente grave.
3. Se calculan las frecuencias observadas de cada Si , y lo notamos como Oi .
4. Se calcula el estadstico del test d.
5. Se calcula el p-valor asociado al valor del estadstico.
6. Se toma la decisin (para un nivel de confianza del 95 %):
Si p < 0,05, se rechaza la hiptesis nula en favor de la alternativa, con un 95 % de confianza.
Si p 0,05, se concluye que no hay evidencias en contra de alarmar que los datos se
ajustan a la distribucin dada.
2.5.2.
Test de Kolmogorov-Smirnov (KS)
En este caso el test es aplicable sobre todo a variables de tipo continuo. Se basa en la
comparacin de la funcin de distribucin terica propuesta por el modelo cuyo ajuste estamos
evaluando con la funcin de distribucin emprica de los datos.
Concretamente, si tenemos X1 , ..., XN una muestra de una variable aleatoria X, si notamos
por F (x) a la funcin de distribucin del modelo propuesto y por SN (x) a la funcin de distribucin
emprica asociada a la muestra, el estadstico que se utiliza para este contraste viene dado por:
DN = Sup|F (x) SN (x)|
(2.37)
A la hora de calcular este mximo debemos tener en cuenta que la variable x es de tipo
continuo.
La hiptesis nula a contrastar es:
H0 : los datos de la muestra se ajustan a la distribucin dada por F (x).
Fundacin UNED
23
frente a la hiptesis alternativa:
H1 : los datos de la muestra no se ajustan a la distribucin dada por F (x).
Se rechazar la hiptesis nula en favor de la alternativa cuando el p-valor asociado al valor

que tome DN sea inferior a 0,05.
Resumen esquemtico del proceso:
1. Ordenamos los valores de la muestra de menor a mayor: x(1) , ..., x(N ) .

2. Construimos la funcin de distribucin emprica, que en cada valor de la muestra viene dado
i
por SN (x(i) ) = .
N
3. El valor del estadstico se calcula como:
dN = m
ax {max{|F (x(i) ) S(N(i) )|, |F (x(i) ) S(N(i1) )|}}
1iN
(2.38)
4. Se rechazar la hiptesis nula en favor de la alternativa si p = P [DN > dN ] < 0,05, con un
(1 p) 100 % de confianza.
En el Apndice A se puede ver un diagrama de flujo completo, de la forma de trabajar con

la distribucin de Weibull aplicada al mantenimiento.
Fundacin UNED
24
3
Aplicacin del mtodo de Weibull.
3.1.
Ejemplo biparamtrico
El comportamiento de una mquina en el tiempo se muestra en la siguiente Tabla 3.1 donde

aparecen los distintos TBF y TTR. Se desea conocer cul fue la disponibilidad de la mquina.
i
1
2
3
4
5
6
TBF(Horas)
110
330
120
220
225
218
TTR(Horas)
2
26
34
3
9
Tabla 3.1: Datos ejercicio 1.

Partiendo de los datos de TBF compilamos el programa en R para hallar los parmetros de
Weibull as como su grfico (Figura 3.1), los resultados son los siguientes:
n
6
beta
2,382
alpha
234,435
R2
0,888
r
0,942
p.valor
0,81957
beta1
33,987
beta5
67,373
beta10
91,144
Tabla 3.2: Resultados ejercicio 1, TBF.

Se puede ver que el coeficiente de determinacin R2 y el coeficiente de correlacin r no estn
en el rango que aconseja el mtodo A por poca diferencia pero como el p valor > 0,05 aceptamos
con un nivel de confianza del 95 % que la muestra de datos proviene de una distribucin de Weibull
y damos por bueno los parmetros obtenidos.
Y para los TTR:
n
5
beta
0,795
alpha
15,976
R2
0,929
r
0,964
p.valor
0,991232
beta1
0,049
beta5
0,381
beta10
0,942
Tabla 3.3: Resultados ejercicio 1, TTR.

Ahora calculamos el MTBF :

1
M T BF = 1 +
25
(3.1)
90
3.1. Ejemplo biparamtrico
90
3. Aplicacin del mtodo de Weibull.
75
75
40 55
3
2
1
25
Infiabilidad (%)
7 10 15
7 10 15
40 55
25
Infiabilidad (%)
50
100
150
200
300
0.01
0.05
TBF
0.50
5.00
50.00
TTR
Figura 3.1: Grfico Weibull, ejercicio 1.
Obtenindose un M T BF = 207,794 Horas.

Ahora calculamos el MTTR:

1
MTTR = 1 +
(3.2)
Obtenindose un M T T R = 18,182 Horas.

Con los datos anteriores podemos calcular la disponibilidad de la mquina como:
D(t) =
M T BF
= 0,919 ' 92 %
M T BF + M T T R
2,382
Representando la funcin de distribucin F (x; 234,345; 2,382) = 1 e(x/234,345)

y la funcin
2,382
de fiabilidad R(x; 234,345; 2,382) = e(x/234,345)
como se muestra en la Figura 3.2 podemos calcular
la probabilidad de que la mquina dure ms de T horas sin fallos.
Fundacin UNED
26
R(t) = P [T > t] = 1 PF uncion
de Distribucion (T )
Por ejemplo:
R(445,105) = P [T > 445,105] = 1 % Probabilidad de que la mquina dure ms del 445,105 Horas
es del 1 %.
es del 5 %.
es del 10 %.
1.0
R(200) = P [T > 200] = 49,58 % Probabilidad de que la mquina dure ms del 200 Horas es del
49,58 %.
0.8
Distribucin
0.0
0.2
0.4
0.6
Fiabilidad
100
200
300
400
500
Tiempo
Figura 3.2: Funcin de Distribucin y Fiabilidad, ejercicio 1.
3.2.
Un grupo de rodamientos han durado: 801, 312, 402, 205, 671, 1150, 940, 495, 570. Se desea conocer la fiabilidad a las 600 Horas y el M T BF .
Cargamos los datos en el programa R y obtenemos los siguientes resultados:
n
9
beta
2,014
alpha
705,276
R2
0,998
r
0,999
p.value
0,999999
beta1
71,844
beta5
161,389
beta10
230,725
Tabla 3.4: Resultados ejercicio 2.

Aceptamos los datos de la muestra que sigue una distribucin de Weibull con un nivel de
confianza del 95 %.
Fundacin UNED
27
3.3. Ejemplo triparamtrico
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
50
100
200
500
1000
2000
TBF
Figura 3.3: Grfico de Weibull ejercicio 2.
2,014
R(600) = P [T > 600] = 1 e( 705,276 )

600
= 0,5143 = 51,43 %

1
= 624,9588 Horas
M T BF = 1 +
3.3.
Ejemplo triparamtrico
En la Tabla 3.5, se muestran los tiempos de operacin libre de fallos de una mquina. Se
desea conocer:
a) Los parmetros de Weibull.

Aplicamos a los datos el cdigo de programacin de la seccin B.3 y obtenemos los resultados en
la siguiente Tabla 3.6, as como el grfico 3.4.
b) M T BF .

1
M T BF = + 1 +

= 7594,479 Horas
c) La fiabilidad cuando t = M T BF .
R(7594,479) = e(
Fundacin UNED
7594,4791462
6776,46
1,471
= 0,264158 ' 26,42 %
28
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Tiempo (Horas)
2175
2800
3300
3800
4250
4650
5250
5840
6300
6700
7150
7800
8500
9200
10500
11000
12600
1400
15800

n
19
beta
1,471
eta
6776,46
gamma.min
1462
R2
0,999
r
0,999
p.value
0,446702
beta1
297,075
beta5
899,683
beta10
1467,607
Tabla 3.6: Resultados del ejercicio 3.

d) Establecer los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.
t1462
1,471
R(t) = e( 6776,46 )
= 0,95 = 95 %
En el grfico 3.4 se puede ver con lnea negra discontinua la beta5 y la beta10 que coincide con el
valor del grfico cuando se tiene en cuenta ,
t = ( ln(0,95))1/ = 899,683 Horas
despejando t de la ecuacin obtenemos,
t = ( ln(0,95))1/ + = 2361,683 Horas
por lo que establecemos el intervalo de mantenimiento preventivo cada 2361 Horas, para asegurarnos con una probabilidad 95 % de que la mquina trabaje sin fallos.
3.4.
Ejemplo triparamtrico
Los tiempos de fallos de una mquina empaquetadora son los que aparecen en la siguiente
tabla 3.7:
Aplicamos a los datos el cdigo de programacin de la seccin B.3 y obtenemos los resultados en la Tabla 3.8, as como el grfico 3.5.
Observando la Tabla 3.8 se puede ver como el P valor < 0,05 por lo tanto rechazamos la
hiptesis de que este registro de datos provenga de una distribucin de Weibull con parmetros
Fundacin UNED
29
Grfico de Weibull
95
0.6
85
70
55
40
30
Infiabilidad (%)
0.4
15 20
0.5
(min) = 1462
0.3
Error Cuadrtico Medio
4 5
0.2
500
1000
1500
1000
2000
Gamma
3500 6000
11000
TBF
Grfico de Weibull
1.7
95
85
70
1.6
55
40
30
15 20
Infiabilidad (%)
1.4
1.5
(min) = 207
1.3
1.1
50
100
Gamma
150
200
4 5
1.2
50
100
200
400
TBF
Fundacin UNED
30
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Tiempo (Horas)
225
255
259
317
320
323
326
327
330
332
457
485
501
594
599
625
640

n
17
beta
1,282
eta
226,331
gamma.min
207
R2
0,942
r
0,971
p.value
4,78E-07
beta1
6,257
beta5
22,313
beta10
39,12

( = 1,282, = 226,331, = 207). En este caso habra que comprobar si dichos datos siguen otra
distribucin, pero para nuestro ejemplo los tomaremos como vlidos. Suponemos que si siguen una
distribucin de Weibull con los parmetros antes nombrados.
El valor de > 1 indica que el equipo se encuentra en una etapa de madurez o vejez, con
una tasa de fallo creciente.
Calculamos el M T BF ,
1
M T BF = + 1 +

= 416,6357 Horas
La curva de fiabilidad con los parmetros obtenidos es,
t207
1,282
R(t) = e( 226,331 )
As como la curva de la tasa de fallo es,
(t) =
1, 282
226, 331
t 207
226, 331
1,2821
como se puede ver en grfico 3.6 los grficos de ambas curvas.

Sustituyendo el valor M T BF en las ecuaciones anteriores obtenemos el valor de fiabilidad y
su tasa de fallo para el mismo, siendo estos:
Fundacin UNED
31
0.004
0.003
Tasa de fallo
0.002
0.6
0.000
0.2
0.001
0.4
R(t)
0.8
0.005
0.006
1.0
200
300
400
500
600
200
300
Tiempo
400
500
600
Tiempo
Figura 3.6: Grfico de fiabilidad y tasa de fallo, ejercicio 4.
R(416,6357) = e(
(416,6357) =
416,6357207
226,331
1, 282
226, 331
1,282
= 0,4039619 = 40,40 %
416,6357 207
226, 331
1,2821
= 0,00554
por ltimo estableceremos los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.
t207
1,282
R(t) = e( 226,331 )
= 0,95 = 95 %
En el grfico 3.5 se puede ver con lnea negra discontinua la beta5 y la beta10 que coincide
con el valor del grfico cuando se tiene en cuenta ,
t = ( ln(0,95))1/ = 22,31265 Horas
despejando t de la ecuacin obtenemos,
t = ( ln(0,95))1/ + = 229,3126 Horas
Fundacin UNED
32
por lo que establecemos el intervalo de mantenimiento preventivo cada 229,3126 Horas, para
asegurarnos con una probabilidad 95 % de que la mquina trabaje sin fallos.
3.5.
En la tabla 3.9 se puede ver los tiempos entre fallos de 10 trenes en kilmetros. Se desea
conocer las caractersticas de fiabilidad de dicho parque de trenes.
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
km/fallo
15570
17323
17034
16809
16246
17741
15990
21001
22587
36090
33877
39644
44003
44799
52300
54980
58921
57443
59657
64016
64812
72313
74993
78934
77456
84005
97565
101334
116432
187543
133676
160450
223940

Aplicamos a los datos el cdigo de programacin de la seccin B.1 y obtenemos los resultados en la Tabla 3.10, as como el grfico 3.7.
n
33
beta
1,47
eta
72882,12
R2
0,9
r
0,949
p.value
0,787486
beta1
3188,307
beta5
9662,983
beta10
15767,98

Como se puede ver en los resultados arrojados por el programa se observa que los datos
del ajustes (r, R2 ) no son muy buenos pero el p valor > 0,05 nos confirma que procede de una
Fundacin UNED
33
distribucin de Weibull con parmetros ( = 1, 47, = 72882, 12) al 95 % de confianza. Aunque hasta
ahora todo parece normal, hay que observar el grfico 3.7 en el que se ha marcado las coordenadas
con puntos y lneas para remarcar como a la izquierda del mismo existe una cola de datos hacia
abajo lo que es indicativo de que existe el parmetro de localizacin y para que los clculos
estuvieran ajustados habra que calcular este ejercicio de forma triparamtrica. Obviaremos esa
consideracin anterior y seguiremos trabajando con este ejercicio como si fuese biparamtrico.
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
14000
18000 23000
30000
39000
50000
70000
90000
120000
160000
220000
TBF
Figura 3.7: Grfico del ejercicio 5.
Ahora vamos a calcular el M T BF ,

1
M T BF = 1 +
= 65961,85 Km/f allo
la fiabilidad asociada al M T BF ,
65961,85
1,47
R(65961,85) = e( 72882,12 )
= 0,4216457 = 42,16 %
Siendo su tasa de fallo,
(65961,85) =
Fundacin UNED
65961,85
1
= 1,924563e 05
34
0.0
2.5e05
2.0e05
1.0e05
0.2
1.5e05
0.4
R(t)
Tasa de fallo
0.6
0.8
3.0e05
3.5e05
En la imagen 3.8 podemos ver tanto el grfico de fiabilidad como la tasa de fallos, en ambos
viene marcado el valor obtenido para t = M T BF .
50000
150000
Tiempo
50000
150000
Tiempo
Figura 3.8: Fiabilidad y tasa de fallo del ejercicio 5.
Fundacin UNED
35
4
Conclusiones
Como se ha demostrado el clculo de la distribuciones estadsticas especialmente la de

Weibull aplicado a la fiabilidad y al mantenimiento son muy tiles y nos sirven para:
Nos ayuda a definir polticas de mantenimiento para el futuro.

Nos ayuda a definir programas de mantenimiento preventivo ms eficientes mejorando las
periodicidades establecidas por los fabricantes.
Nos permite estimar el tiempo medio en el que se producir el siguiente fallo.
Para un periodo de tiempo dado nos dice la fiabilidad de nuestro equipo o conjunto de equipos.
Nos permite conocer la disponibilidad en funcin del M T BF y M T T R calculados.
Conociendo el parmetro sabemos en que zona de la vida del equipo o del conjunto de
equipos se encuentra, podemos tomar como referencia:
< 0,99 mortalidad infantil, entorno al 20 o al 25 %.
0,99 1,3 etapa normal, entorno al 50 o al 55 %.
> 1,3 etapa de desgaste, entorno al 10 o al 15 %.
Optimizar el uso de los recursos fsicos y del equipo humano.
Optimizacin de los costes del departamento mantenimiento. Este es el punto ms importante
pero en este estudio no se ha desarrollado ningn ejemplo porque no se ha explicado la teora de costes de mantenimiento. Aplicando weibull junto con la teora de costes nos permite
conocer:
calcular los intervalos ptimos de mantenimiento preventivo asociado al mnimo coste
econmico.
Calcular el intervalo ptimo de sustitucin econmica de equipos.
36
Apndices
37
A
Diagrama del proceso de trabajo de la
distribucin de Weibull aplicada al
mantenimiento
38
A. Diagrama del proceso de trabajo
Fundacin UNED
39
B
Software de estadstica aplicada, R
R1 es un lenguaje y entorno de programacin para anlisis estadstico y grfico. Se trata de

un proyecto de software libre, resultado de la implementacin GNU del premiado lenguaje S. R y
S-Plus -versin comercial de S- son, probablemente, los dos lenguajes ms utilizados en investigacin por la comunidad estadstica, siendo adems muy populares en el campo de la investigacin
biomdica, la bioinformtica y las matemticas financieras. A esto contribuye la posibilidad de cargar diferentes bibliotecas o paquetes con finalidades especficas de clculo o grfico. R se distribuye
bajo la licencia GNU GPL.
Figura B.1: Captura de pantalla del cdigo R, corriendo sobre la plataforma RStudio.
LA figura B.1 es una captura de pantalla de la plataforma de trabajo de RStudio2 .
1 Para
2 Para
los interesados en este software pueden descargarlo del siguiente enlace: www.r-project.org
los interesados en esta plataforma pueden descargarla en el siguiente enlace: www.rstudio.org
40
B. Software de estadstica aplicada, R
B.1.
B.1. Solucin distribucin biparamtrica
Clculo de los parmetros y grfico solucin para una distribucin de Weibull biparamtrica
A continuacin mostraremos el cdigo de programacin utilizado para calcular los parmetros de Weibull, su comprobacin mediante ajuste por mnimos cuadrados, la obtencin del
coeficiente de determinacin R2 y el coeficiente de correlacin r, y por ltimo se realizaremos un
test de la bondad del ajuste, que depender del tamao de la muestra. Si la muestra n es n > 50
realizaremos el test de 2 y si la muestra es 50 n realizaremos el test de Kolmogorov-Smirnov.
#################################################
########### CLCULO WEIBULL BIPARAMTRICA . ######
#################################################
# 1 Introduce l o s datos de l a muestra .
datos < c(801,312,402,205,671,1150,940,495,570)
# 2 Ordena de menor a mayor l o s datos .
datosOrdenados < sort ( datos )
# 3 c a l c u l a e l nmero de datos .
n < length ( datos )
# 4 Calcula e l RANGO DE MEDIANA.
i < 1:n
a < i / ( ni +1)
Fs < qf ( 0 . 5 , 2 ( ni +1) ,2 i ) # D i s t r i b u c i n F de Snedecor .
RM < a/ ( Fs+a ) # Rango de Mediana .
# 5 Valores de ( x , y ) para e l g r f i c o . " y " es una funcin .
Y < function ( d ) {
y < log ( log (1/(1d ) ) ) ; y
}
X < log ( datosOrdenados )
# 6 Crea tabla de datos .
Tabla < data . frame ( i , datosOrdenados ,RM, X, Y (RM) )
# 7 Calcula l i n e a de regresin y todos l o s parmetros .
e < lm ( Y (RM) ~ X)
beta < round ( coef ( e ) [ 2 ] , 3 )
i n t e r c e p to < round ( coef ( e ) [ 1 ] , 3 )
eta < round(1/exp ( i n t e r c e p t o /beta ) , 3 )
R2 < round (summary( e ) $r . squared , 3 )
r < round ( cor ( X, Y (RM) ) , 3 )
beta1 < round ( exp ( ( Y(1/100)i n t e r c e p t o ) /beta ) , 3 )
# 7 Dibuja e l g r f i c o . Una vez i n t r o d u c i d o nuevos datos hay que modificar las
#### coordenadas de x , a traves de la orden xlim ( ) dentro de l o s parmetros de p l o t .
plot ( x=datosOrdenados , y=Y (RM) , log= " x " , axes=F , lwd=2 , cex =1 , type= " p " , cex . lab =1.1 ,
main= " Grfico de Weibull " ,
xlim=c(50 ,2000) ,
ylim=Y ( c ( 0 . 0 1 , 0 . 9 9 ) ) ,
xlab= "TBF" ,
ylab= " I n f i a b i l i d a d ( %) " , col= " red " , pch=20)
curve ( add=TRUE, lwd=2 , betalog ( x )betalog ( eta ) , col= " red " )
ygrid < c ( 1 : 1 0 , seq (10 ,100 ,5) )
axis ( 2 ,Y ( ygrid/100) , ygrid , lwd=2)
xgrid < c ( seq(100 ,500 ,100) , seq(500 ,1500 ,500) ) # Una vez modificado l o s datos hay que ajustar
###### las l n e a s de d i v i s i n v e r t i c a l del g r f i c o .
axis ( 1 , lwd=2)
abline ( v=xgrid , h=Y ( ygrid/100) , col= " grey " )
abline ( l t y =2 ,h=Y(1exp( 1) ) , col= " blue " , lwd=2)
abline ( l t y =2 , h=Y ( 0 . 1 ) , col= " black " , lwd=2)
Fundacin UNED
41
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
B.2. Clculo del parmetro
h=Y( 0 . 0 5 ) , col= " black " , lwd=2)

h=Y( 0 . 0 1 ) , col= " black " , lwd=2)
v=exp ( ( Y(1/100)i n t e r c e p t o ) /beta ) , col= " black " , lwd=2)
v=exp ( ( Y(63.2/100)i n t e r c e p t o ) /beta ) , col= " blue " , lwd=2)
# 8 Realiza t e s t de bondad de ajuste .

i f ( n<=50) {
# 8.1 KolmogorovSmirnov .
ks < ks . t e s t ( datos , " pweibull " , beta , eta )
pvalorks < ks [ 2 ]
i f ( pvalorks > 0.05) {
resultados < data . frame ( n , beta , eta , R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " Se ACEPTA l a HIPOTESIS NULA pv a l o r > 0.05. Los datos SI siguen una d i s t r i b u c i n de
Weibull con parmetros eta y beta . " )
} else {
resultados < data . frame ( n , beta , eta , R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( " Se RECHAZA l a HIPOTESIS NULA pv a l o r < 0.05. Los datos NO siguen una d i s t r i b u c i n de
}
} else {
# 8.2 Realiza t e s t de bondad de ajuste de Chicuadrado .
chi < chisq . t e s t ( datos )
pvalorchi < chi [ 3 ]
i f ( pvalorchi > 0.05) {
resultados < data . frame ( n , beta , eta , R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= " Resultados " )
} else {
resultados < data . frame ( n , beta , eta , R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= " Resultados " )
}
}
El cdigo anterior cuando es compilado, muestra por pantalla los siguientes resultados y
genera el siguiente grfico: Figura B.2
n beta
eta
R2
r
p . value beta1
beta5 beta10
Resultados 9 2.014 705.276 0.998 0.999 0.9999995 71.844 161.389 230.725
[ 1 ] " Se ACEPTA l a HIPOTESIS NULA pv a l o r > 0.05. Los datos SI siguen una d i s t r i b u c i n de Weibull con
parmetros eta y beta . "
B.2.
Clculo del parmetro
Cdigo de programacin que nos permite obtener el parmetro as como su grfica (Figura B.3), en la que podemos ver como vara el Ecm .
################################################
####### CLCULO DEL PARMETROS GAMMA. ###########
#################################################
datos < c(2175,2800,3300,3800,4250,4650,5250,5840,6300,6700,7150,
7800,8500,9200,10500,11000,12600,14000,15800)
Fundacin UNED
42
B.2. Clculo del parmetro
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
50
100
200
500
1000
2000
TBF
Figura B.2: Grfico de Weibull obtenido a travs de la compilacin del programa.

i < 1:n
a < i / ( ni +1)
Fs < qf ( 0 . 5 , 2 ( ni +1) ,2 i ) # D i s t r i b u c i n F de Snedecor .
# 5 Valores de ( x , y ) para e l g r f i c o . " y " es una funcin .
y < log ( log (1/(1d ) ) ) ; y
}
# 6 Clculo del v e c t o r Error Cuadrtico Medio .
gamma <0
ecm<0
max < 2000
for ( i in 1:max) { # El n d i c e " i " es gamma y es e l v a l o r que va estimando .
resta< datosOrdenadosi
X < log ( resta )
regr < lm ( Y (RM) ~X)
ecm [ i ] < sqrt (sum( regr$residuals ^2)/length ( residuals ) ) # Error Cuadrtico Medio .
gamma[ i ] < i # Gamma.
}
# 7 Busca e l mnimo v a l o r del Error cuadrtico Medio y e l v a l o r de Gamma
#
solucin , siendo este e l que l o hace mnimo .
i<1
while ( ecm [ i +1]<ecm [ i ] ) {
i< i +1
gamma.min < i
}
# 8 Dibuja e l g r f i c o y e l punto s o l u c i n .
Fundacin UNED
43
B.3. Solucin distribucin triparamtrica
0.6
0.4
0.5
(min) = 1462
0.2
0.3
0.7
0.8
plot (gamma, ecm, type= " l " , col= " black " , lwd=2 , xlab= "Gamma" ,
ylab= " Error Cuadrtico Medio " , cex . lab =1.2)
points (gamma.min , min( ecm ) , pch=20, col= " blue " )
text (1500 , 0.5 , as . expression ( substitute (gamma(min) ==c , l i s t ( c= i ) ) ) , pos=2 ,
col= " blue " )
500
1000
1500
2000
Gamma
Figura B.3: Grfico del Ecm frente a .
B.3.
Clculo de los parmetros y grfico solucin para una distribucin de Weibull triparamtrica
A continuacin se muestra el cdigo utilizado as como los resultado obtenidos y su grfico

(Figura B.4) para una distribucin de Weibul triparamtrica.
################################################
########### CLCULO WEIBULL TRIPARAMTRICA . ######
#################################################
datos < c(2175,2800,3300,3800,4250,4650,5250,5840,6300,6700,7150,
7800,8500,9200,10500,11000,12600,14000,15800)
i i < 1:n
a < i i / ( ni i +1)
Fs < qf ( 0 . 5 , 2 ( ni i +1) ,2 i i ) # D i s t r i b u c i n F de Snedecor .
# 5 Valores de ( x , y ) para e l g r f i c o . " x " e " y " son funciones .
Fundacin UNED
44
B.3. Solucin distribucin triparamtrica
y < log ( log (1/(1d ) ) ) ; y
}
X < function ( g ) {
y < log ( g ) ; y
}
# 2 Calcula e l e r r o r cuadratico medio .
gamma <0
ecm<0
max < max( datos ) /10
for ( i in 1:max) {
resta< datosOrdenadosi
Xgamma < log ( resta )
regr < lm ( Y (RM) ~Xgamma)
ecm [ i ] < sqrt (sum( regr$residuals ^2)/length ( residuals ) )
gamma[ i ] < i
}
# 9 Busca e l v a l o r de gamma que hace mnimo e l e r r o r cuadrtico medio .
j<1
while ( ecm [ j +1]<ecm [ j ] ) {
j< j +1
gamma.min < j
}
datosCorregidos < datosOrdenados gamma.min
# 6 Crea tabla de datos .
Tabla < data . frame ( i , datosOrdenados , datosCorregidos , RM,X( datosCorregidos ) ,Y (RM) )
# 7 Calcula l i n e a de regresin y todos l o s parmetros .
e < lm ( Y (RM) ~ X( datosCorregidos ) )
beta < round ( coef ( e ) [ 2 ] , 3 )
i n t e r c e p to < round ( coef ( e ) [ 1 ] , 3 )
eta < round(1/exp ( i n t e r c e p t o /beta ) , 3 )
R2 < round (summary( e ) $r . squared , 3 )
r < round ( cor (X( datosCorregidos ) ,Y (RM) ) , 3 )
beta63 .2 < round ( exp ( ( Y(63.2/100)i n t e r c e p t o ) /beta ) , 3 )
par ( mfrow=c ( 1 , 2 ) )
plot (gamma, ecm, type= " l " , col= " black " , lwd=2 , xlab= "Gamma" ,
ylab= " Error Cuadrtico Medio " , cex . lab =1.2)
points (gamma.min , min( ecm ) , pch=20, col= " blue " )
text (max, 0.5 , as . expression ( substitute (gamma(min) ==c , l i s t ( c= j ) ) ) ,
pos=2 , col= " blue " )
# 7 Dibuja e l g r f i c o . Una vez i n t r o d u c i d o nuevos datos hay que modificar las
#### coordenadas de x , a traves de la orden xlim ( ) dentro de l o s parmetros de p l o t .
plot ( x=X( datosCorregidos ) , y=Y (RM) ,
#l o g =" x " ,
axes=F , lwd=2 , cex =1 , type= " p " , cex . lab =1.1 ,
main= " Grfico de Weibull " ,
#xlim=c (500 ,20000) ,
#ylim=Y ( c ( 0 . 0 1 , 0 . 9 9 ) ) ,
xlab= "TBF" ,
ylab= " I n f i a b i l i d a d ( %) " , col= " red " , pch=20)
abline ( e , col= " red " , lwd=2)
ygrid < c ( 1 : 1 0 , seq (10 ,100 ,5) )
axis ( 2 ,Y ( ygrid/100) , ygrid , lwd=2)
xgrid < c ( seq(500 ,5000 ,500) , seq(5000,20000,1000) ) # Una vez modificado l o s datos hay que ajustar
###### las l n e a s de d i v i s i n v e r t i c a l del g r f i c o .
axis ( 1 , X( xgrid ) , xgrid , lwd=2)
abline ( v=X( xgrid ) , h=Y ( ygrid/100) , col= " grey " )
Fundacin UNED
45
B.4. Paquete Weibull toolkit
abline ( l t y =2 ,h=Y(1exp( 1) ) , col= " blue " , lwd=2)

abline ( l t y =2 , h=Y ( 0 . 1 ) , col= " black " , lwd=2)
abline ( l t y =2 , h=Y( 0 . 0 5 ) , col= " black " , lwd=2)
abline ( l t y =2 , h=Y( 0 . 0 1 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta1 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta63 . 2 ) , col= " blue " , lwd=2)
# 8 Realiza t e s t de bondad de ajuste .
i f ( n<=50) {
# 8.1 KolmogorovSmirnov .
ks < ks . t e s t ( datos , " pweibull " , beta , eta )
pvalorks < ks [ 2 ]
i f ( pvalorks > 0.05) {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorks , beta1 ,
beta5 , beta10 , row .names= " Resultados " )
Weibull con parmetros eta , beta y gamma. min . " )
} else {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= "
Resultados " )
}
} else {
# 8.2 Realiza t e s t de bondad de ajuste de Chicuadrado .
chi < chisq . t e s t ( datos )
pvalorchi < chi [ 3 ]
i f ( pvalorchi > 0.05) {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= "
Resultados " )
} else {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= "
Resultados " )
}
}
n beta
eta gamma.min
R2
r
p . value
beta1
beta5
Resultados 19 1.471 6776.46
1462 0.999 0.999 0.4467021 297.075 899.683
beta10
Resultados 1467.607
[ 1 ] " Se ACEPTA l a HIPOTESIS NULA pv a l o r > 0.05. Los datos SI siguen una d i s t r i b u c i n de Weibull con
parmetros eta , beta y gamma. min . "
B.4.
Paquete Weibull toolkit
R es un software muy flexible y con una gran repertorios de paquetes, continuamente actualizado por sus creadores, que pueden ser utilizado. Existe un paquete llamado weibulltoolkit
que calcula los parmetros de Weibull y realiza su grfica. Este paquete puede ser descargado del
siguiente enlace: The FATIMAT project.
Una vez obtenido e instalado el paquete, slo hay que ejecutar el siguiente cdigo:
########################################################
######## WEIBULL TOOLKIT ##############################
#######################################################
Fundacin UNED
46
Grfico de Weibull
0.6
90
75
40 55
25
7 10 15
0.4
Infiabilidad (%)
0.5
(min) = 1462
0.3
500
1000
0.2
1500
500
Gamma
1000
2000
5000 10000
TBF
Figura B.4: Grfico del parmetro y su grfico de Weibull asociado.
# 1 Carga e l paquete .
library ( " w e i b u l l t o o l k i t " )
# 2 Introduce l o s datos .
data < c(400,140,300,220,440,530,620,710,850,1200,1000)
n < length ( data )
e < rep ( 1 ,n )
d < Surv ( time=data , event=e )
# 3 Dibuja e l g r f i c o y c a l c u l a sus parmetros .
plot .wb( d ,R=1000, legend . p o s i t i o n = " bottomright " , legend . text . s i z e =0.5 , legend . t i t l e = " Parameters " ,
s i g n i f =4 , i s . plot . legend=T , pch=1 , col= " blue " , lwd=2 , lwd . points=2 , col . grid= " grey " , i s . plot . bbb=
FALSE,
i s . plot . cb=TRUE)
Obtenindose el grfico B.5 de mayor calidad.

Aunque este paquete calcula los parmetros por mtodos ms robustos y fiables, he decidido
utilizar el programa desarrollado por mi porque incluye en el cdigo los test de bondad del ajuste
y el clculo de la distribucin triparamtrica de Weibull. Tambin porque este paquete utiliza el
mtodo MLE (Maximin Likelihood Estimation) para realizar la recta de regresin y Monte Carlo
Pivotal Confidence Bounds para realizar el intervalo de confianza. Ambas tcnicas no han sido
explicadas en este proyecto y quedan fuera del objetivo del mismo.
Fundacin UNED
47
98
90
50
20
10
10
10
50
50
100
100
Figura B.5: Grfico de Weibull obtenido del paquete Weibulltoolkit.
48
1000
1000
Time To Failure
500
500
Weibull Plot
5000
5000
B1 = 6.246 | 45.76 | 140.8
B5 = 32.69 | 118.2 | 251.9
B10 = 63.48 | 179.6 | 332.3
Conf. level = 90 [%]
R = 1000
r^2 | CCC^2 = 0.9982 | NA
n (fail | cens.) = 11 (11 | 0)
eta (scale) = 665.5
beta (shape,slope) = 1.718
curve (MRR, X on Y)
50000
(Time To Failure ; Unreliability [%])
Parameters
50000
98
90
50
20
10
5
2
Fundacin UNED

Unreliability [%]
Bibliografa
[1] Gonzlez Fernndez, F. J.: Teora y Prctica del Mantenimiento Industrial Avanzado, 4a
edicin, FUNDACIN CONFEMETAL.
[2] Gonzlez Fernndez, F. J.: REDUCCIN de COSTES y MEJORA de RESULTADOS en MANTENIMIENTO, FUNDACIN CONFEMETAL 2010.
[3] Dr. Ing. Rodrigo Pascual J.: Manual del Ingeniero de Mantenimiento. Gestin Moderna del
Mantenimiento, U. de Chile, Santiago, Versin 2.0, julio 2002.
[4] Mora Gutirrez L.A.: Mantenimiento Estratgico para empresas de servicios o industriales,
Edicin Noviembre 2005.
[5] Arques Patn J.L.: Ingeniera y Gestin del Mantenimiento en el Sector Ferroviario, Ediciones Daz de Santo 2009.
[6] David J Smith: Reliability, Maintainability - and Risk, Fifth Edition.
[7] Documento electrnico wikipedia: Fiabilidad de Sistemas.
[8] Documento electrnico wikipedia: Distribucin Normal.
[9] Documento electrnico wikipedia: Distribucin Lognormal.
[10] Documento electrnico wikipedia: Distribucin Rayleigh.
[11] Documento electrnico wikipedia: Distribucin Exponencial.
[12] Documento electrnico wikipedia: Distribucin de Weibulll.
[13] Documento electrnico de www.confiabilidad.net: Clculo de los Parmetros de la Distribucin de Weibull.
[14] Documento electrnico de www.industrialtijuana.com: La distribucin de Weibull.
[15] Dr. Ing. Rodrigo Pascual J.: The Weibull Distribution A Handbook, Horst Rinne, JustusLiebig-University, Giessen, Germany, 2009.
[16] Documento electrnico wikipedia: Mantenibilidad.
[17] Documento electrnico Universidad de Jaen: Apuntes de estadsticas para ingenieros.
[18] Documento electrnico Universidad de Santiago de Compostela: Prcticas de Estadstica en
R.
[19] Documento electrnico: Distribucin Gamma.
[20] Documento electrnico de www.mantenimientoplanificado.com: FUNDAMENTOS DEL ANLISIS DE WEIBULL.
49
BIBLIOGRAFA
BIBLIOGRAFA
[21] Documento electrnico de www.rcmingenieria.com: CONFIABILIDAD Y ANLISIS ESTADSTICO PARA LA PREDICCIN DE FALLAS, SEGURIDAD, SUPERVIVENCIA, RIESGO, COSTO
Y GARANTAS DE LOS EQUIPOS.
[22] Documento electrnico blog: Optimizacin del Mantenimiento PIMM/PIT de U.N.E.R.M.B.
Fundacin UNED
50

PFPG 121019122902 Phpapp01 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

PFPG 121019122902 Phpapp01 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

UNED

PROYECTO FIN DE POSTGRADO

Estudio de mejora del

Eduardo Romero Lpez

3 Aplicacin del mtodo de Weibull.

A Diagrama del proceso de trabajo

B Software de estadstica aplicada, R

Grfico Weibull, ejercicio 1. . . . . . . . . . . . . .

Captura de pantalla del cdigo R, corriendo sobre la plataforma RStudio.

La realizacin de un estudio de mejora de los mantenimientos preventivos, basndonos para

El objetivo es hallar mediante la aplicacin estadstica en que etapa de la vida se encuentra

Evolucin histrica sobre el desarrollo de fallos

En este apartado veremos como ha ido evolucionando el desarrollo de fallos a lo largo de

Curva de Baera o de Davies

Figura 2.1: Curva de Baera.

2.1. Evolucin histrica sobre el desarrollo de fallos

Curvas de Fallos actuales

Muchos de los planes de mantenimiento se han basado en la curva de la baera clsica

Figura 2.2: Diferentes curvas de Fallos

2.1. Evolucin histrica sobre el desarrollo de fallos

Figura 2.3: Curva que componen la Curva de Baera.

2.2. Fiabilidad, Mantenibilidad y Disponibilidad

Figura 2.4: Soluciones posibles segn tipo de Fallos.

Fiabilidad, Mantenibilidad y Disponibilidad

La fiabilidad R(t) se define como la probabilidad de que un bien funcione adecuadamente

En la prctica, la fiabilidad se mide como el tiempo medio entre ciclos de mantenimiento o el

2.2. Fiabilidad, Mantenibilidad y Disponibilidad

Figura 2.5: Representacin de los estados TBF y TTR.

R(t) = P (T > t) = 1 F (t)

Se define mantenibilidad M (t) como la propiedad de que el equipo, despus de un fallo o

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Se define la disponibilidad D(t) como la probabilidad en el tiempo de asegurar un servicio

Distribuciones estadsticas aplicadas al mantenimiento

Distribucin Normal o de Gauss

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Es una de las distribuciones de probabilidad de variable continua que con ms frecuencia

Figura 2.6: Distribucin Normal con = 0 y = 1.

Su funcin de distribucin es:

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Algunas propiedades de la distribucin normal son:

Es simtrica respecto de su media,

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Figura 2.7: Distribucin Lognormal con distintos parmetros .

La media geomtrica, y la desviacin estndar geomtrica estn relacionadas. En este caso, la

2.3. Distribuciones estadsticas aplicadas al mantenimiento

valor absoluto seguir entonces una distribucin de Rayleigh.

Figura 2.8: Distribucin de Rayleigh para distintos valores de .

Donde es un factor de escala.

Su esperanza matemtica es:

2.3. Distribuciones estadsticas aplicadas al mantenimiento

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con

Figura 2.9: Distribucin Exponencial para distintos valores de .

Su funcin de distribucin es:

Su funcin de Fiabilidad R(t):

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Su Esperanza matemtica o media:

La funcin de distribucin que se utiliza ms a menudo para modelar la fiabilidad es la

Es sencilla de tratar algebraicamente

La tasa de fallos se considera constante, entonces la funcin de distribucin de los fallos es

Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias

donde x > 0 y , son parmetros positivos. En la Figura 2.10 se muestra la funcin de

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Figura 2.10: Funcin de densidad y distribucin para distintos valores de .