You are on page 1of 55

UNED

PROYECTO FIN DE POSTGRADO

Estudio de mejora del
mantenimiento mediante la
aplicación de la distribución de
Weibull a un histórico de fallos.

Eduardo Romero López
Ingeniero Técnico Industrial (Mecánica)

4 de septiembre de 2012

Índice general
1 Introducción y objetivo de este estudio.
1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1
1
1

2 Fundamentos Teóricos.
2.1 Evolución histórica sobre el desarrollo de fallos . . . . .
2.1.1 Curva de Bañera 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 estadísticas aplicadas al mantenimiento
2.3.1 Distribución Normal . . . . . . . . . . . . . . . . . .
2.3.2 Distribución Lognormal . . . . . . . . . . . . . . . .
2.3.3 Distribución Rayleigh . . . . . . . . . . . . . . . . .
2.3.4 Distribución Exponencial . . . . . . . . . . . . . . .
2.3.5 Distribución de Gamma . . . . . . . . . . . . . . . .
2.3.6 Distribución de Weibull . . . . . . . . . . . . . . . .
2.3.6.1 Característica de vida, η . . . . . . . . . . . . .
2.3.6.2 Características de la distribución Weibull . . .
2.4 Cálculo de los parámetros Weibull . . . . . . . . . . . . .
2.4.1 Rango de la mediana . . . . . . . . . . . . . . . . . .
2.4.2 Cálculo de los parámetros β y η . . . . . . . . . . .
2.4.3 Cálculo del parámetro γ . . . . . . . . . . . . . . . .
2.4.4 Consideraciones sobre el parámetro γ . . . . . . . .
2.5 Verificación del modelo . . . . . . . . . . . . . . . . . . . .
2.5.1 Test χ2 . . . . . . . . . . . . . . . . . . . . . . . . . .
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 Aplicación del método de Weibull.
3.1 Ejemplo biparamétrico . . . . . .
3.2 Ejemplo biparamétrico . . . . . .
3.3 Ejemplo triparamétrico . . . . .
3.4 Ejemplo triparamétrico . . . . .
3.5 Ejemplo biparamétrico . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

25
25
27
28
29
33

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

4 Conclusiones

36

Apéndices

37

A Diagrama del proceso de trabajo

38

B Software de estadística aplicada, R
B.1 Solución distribución biparamétrica .
B.2 Cálculo del parámetro γ . . . . . . . .
B.3 Solución distribución triparamétrica .
B.4 Paquete Weibull toolkit . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

I

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

40
41
42
44
46

ÍNDICE GENERAL

Bibliografía

Fundación UNED

ÍNDICE GENERAL

49

II

Índice 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 Bañera. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diferentes curvas de Fallos . . . . . . . . . . . . . . . . . . . . .
Curva que componen la Curva de Bañera. . . . . . . . . . . . .
Soluciones posibles según tipo de Fallos. . . . . . . . . . . . . .
Representación de los estados TBF y TTR. . . . . . . . . . . . .
Distribución Normal con µ = 0 y σ = 1. . . . . . . . . . . . . . .
Distribución Lognormal con distintos parámetros σ. . . . . . .
Distribución de Rayleigh para distintos valores de σ. . . . . . .
Distribución Exponencial para distintos valores de θ. . . . . . .
Función de densidad y distribución para distintos valores de θ.
Distribución de Weibull para distintos valores de β. . . . . . . .
Representación de la tasa de fallo para distintos valores de β. .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

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

Gráfico Weibull, ejercicio 1. . . . . . . . . . . . . .
Función de Distribución y Fiabilidad, ejercicio 1.
Gráfico de Weibull ejercicio 2. . . . . . . . . . . . .
Gráfico de Weibull ejercicio 3. . . . . . . . . . . . .
Gráfico de Weibull ejercicio 4. . . . . . . . . . . . .
Gráfico de fiabilidad y tasa de fallo, ejercicio 4. .
Gráfico 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 código R, corriendo sobre la plataforma RStudio.
Gráfico de Weibull obtenido a través de la compilación del programa. . .
Gráfico del Ecm frente a γ. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Gráfico del parámetro γ y su gráfico de Weibull asociado. . . . . . . . . .
Gráfico de Weibull obtenido del paquete Weibulltoolkit. . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

40
43
44
47
48

III

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

Índice 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. . . .
Datos ejercicio 3. . . . . . .
Resultados del ejercicio 3. .
Datos ejercicio 4. . . . . . .
Resultados ejercicio 4. . . .
Datos ejercicio 5. . . . . . .
Resultados ejercicio 5. . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

IV

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

25
25
25
27
29
29
31
31
33
33

basándonos para ello en técnicas estadísticas en concreto la distribución de Weibull. 1. Siendo éste un lenguaje y entorno de programación orientado a objetos para análisis estadístico y gráfico.2. 1. Introducción La realización de un estudio de mejora de los mantenimientos preventivos. Objetivo El objetivo es hallar mediante la aplicación estadística en que etapa de la vida se encuentra el equipo o conjunto de equipos.1 Introducción y objetivo de este estudio. 1 . Nos interesa conocer los que se encuentran en etapa de mortalidad infantil. Para la realización del mismo utilizaremos el software libre R.1. para no aplicarles mantenimiento preventivo con el consiguiente ahorro que producirá y los que se encuentren en la etapa de vida útil para optimizar los periodos de mantenimiento preventivo y así obtener un ahorro en cuanto a frecuencia de preventivo como en mejora de la disponibilidad.

2. sobre todo del sector de la aviación han demostrado que existen al menos seis curvas con diferente modo de aparición de los fallos y sólo un porcentaje muy pequeños de ellos se ajustan fielmente a la curva de la bañera.1. Con el avance de la tecnología cada vez los equipos son más complejos y poseen más componentes eléctricos . Figura 2. 2. Evolución histórica 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.2 Fundamentos Teóricos. Curva de Bañera o de Davies La curva de la bañera es un gráfica que representa los fallos durante el período de vida útil de un sistema o máquina.1.1. Se llama así porque tiene la forma una bañera cortada a lo largo. Muchos estudios.electrónicos. Partiendo de la conocida “Curva de la Bañera” válida para equipos relativamente simples en los que la aparición de fallos se debía principalmente a desgastes. En ella se pueden apreciar tres etapas: 2 . Dichos equipos no se ajusten a la teoría de la curva de la bañera.1: Curva de Bañera.

Fallos por desgastes: etapa caracterizada por una tasa de errores rápidamente creciente.2 las distintas curvas fallos a lo largo del tiempo y el porcentaje de cada uno ellos según un estudio de la aviación: Figura 2. sino por causas aleatorias externas. terminando en una zona de desgaste. Fundamentos Teóricos. Coincide con Equipos o Sistemas sometidos a fatiga y no diseñados para “vida infinita” como por ejemplo sistemas electrónicos discretos. Fallos normales: etapa con una tasa de errores menor y constante. Fundación UNED 3 .1. 2.2: Diferentes curvas de Fallos Curva A La curva de bañera: Alta mortalidad infantil. Los fallos no se producen debido a causas inherentes al equipo. mala operación.1. Sólo un 4 % de los fallos siguen esta curva. instalaciones incorrectas. Coincide con equipos mecánicos históricos. desconocimiento del equipo por parte de los operarios o desconocimiento del procedimiento adecuado. Curvas de Fallos actuales Muchos de los planes de mantenimiento se han basado en la curva de la bañera clásica para definir los mismo pero estudios más actuales procedente del sector de la aviación y militar han demostrado que los mecanismos de formación de fallos no tienen porque seguir las pautas de la curva de bañera. A continuación se muestran en la Figura 2. Sólo un 2 % de los fallos siguen esta curva. terminado en una zona de desgaste. errores de diseño del equipo. 2.2. seguida de un bajo nivel de fallos aleatorios. Evolución histórica sobre el desarrollo de fallos Mortalidad Infantil o Fallos infantiles: esta etapa se caracteriza por tener una elevada tasa de fallos que desciende rápidamente con el tiempo. Estos fallos pueden deberse a diferentes razones como equipos defectuosos.2. condiciones inadecuadas u otros. Estas causas pueden ser accidentes fortuitos. Curva B El tradicional punto de vista: Pocos fallos aleatorios. Los fallos se producen por desgaste natural del equipo debido al transcurso del tiempo.

La conclusión obtenida del estudio de la aviación fue que sólo un 6 % siguen el desarrollo de fallos según las curvas A+B. El 68 % de los fallos siguen esta curva. seguida de un comportamiento aleatorio de la probabilidad de fallos. y sólo en éstas. Por lo tanto. Curva D Un rápido incremento en la probabilidad de fallo. imagen de la matriz de tipo de fallo . Sólo un 5 % de los fallos siguen esta curva. Por último se muestra en la Figura 2.3: Curva que componen la Curva de Bañera. Evolución histórica sobre el desarrollo de fallos Curva C Un constante incremento en la probabilidad de fallo. 1 La 2 La imagen de las composición de la curva de la bañera ha sido obtenida de la bibliografía número [2]. Curva F Alta mortalidad infantil. será efectivo la aplicación de los mantenimientos preventivos. Fundamentos Teóricos.42 aparece en una matriz las posibles soluciones en función del tipo de fallo producido. Éste sólo inducirá en la aparición de nuevos fallos por la manipulación innecesaria de los equipos y producirá un aumento en los costes por mantenimiento preventivo. Fundación UNED 4 . Coincide con equipos o sistemas sometidos a corrosión. seguido de un comportamiento aleatorio.1. Sólo un 14 % de los fallos siguen esta curva. Coincide con equipos electrónicos digitales.31 la curva de la bañera formada por las tres curvas que la componen y a continuación de ésta en la Figura 2. Sólo un 7 % de los fallos siguen esta curva.2. Coincide con fallos en equipos o sistemas hidráulicos y neumáticos de diseño actual. Curva E Fallos aleatorios: No hay relación entre la edad funcional de los equipos y la probabilidad de que fallen.solución ha sido obtenida de la bibliografía número [2]. Coincide con fallos en rodamientos bien diseñados. existe otro 94 % de fallos que debido a su alta componente aleatoria de aparición de los fallos no merece la pena hacerle mantenimiento preventivo. Figura 2. 2.

. 2.1. etc). Fiabilidad.. Fundación UNED 5 . En la Figura 2. Se puede medir en general por horas. Mantenibilidad y Disponibilidad Figura 2..2..2. Z M T BF = ∞ R(t)dt (2. tensión o forma de una onda eléctrica. velocidad. ésta se relaciona con la duración media entre fallos.. la fiabilidad se mide como el tiempo medio entre ciclos de mantenimiento o el tiempo medio entre dos fallos consecutivos MTBF. 2.2. etc. nivel de vibraciones. Mantenibilidad y Disponibilidad Fiabilidad La fiabilidad R(t) se define como la probabilidad de que un bien funcione adecuadamente durante un período determinado bajo condiciones operativas específicas (por ejemplo.. 2.1) 0 En la práctica. Fundamentos Teóricos. kilómetros. piezas producidas. La fiabilidad se suele representar con la letra R (de la palabra inglesa Reliability).4: Soluciones posibles según tipo de Fallos. temperatura. 3 La imagen que representa los estados TBF y TTR ha sido obtenida de la bibliografía número [1]. condiciones de presión. Fiabilidad. una medida de la fiabilidad es el MTBF (Mean Time Between Failures).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 reparación. horas de vuelo.

2. Mantenibilidad Se define mantenibilidad M (t) como la propiedad de que el equipo.4) Dividiendo la ecuación 2. Mantenibilidad y Disponibilidad Figura 2.5) λ(t) es una característica de fiabilidad del componente. la probabilidad de que un componente nuevo sobreviva más del tiempo t.2) F (t) es la Función de Distribución Acumulada siendo la probabilidad de que un componente nuevo no sobreviva más del tiempo t. después de un fallo o avería sea puesto en estado de funcionamiento en un tiempo dado. R(t) = P (T > t) = 1 − F (t) (2. Ésta nos da una idea de la dispersión de la vida del componente.2. Una medida de la mantenibilidad Fundación UNED 6 .4 entre la ecuación 2.2. 2.5: Representación de los estados TBF y TTR.2.3) Derivando esta última obtenemos la Función de Densidad f (t). Fundamentos Teóricos. f (t) = d F (t) dt (2. Fiabilidad. o dicho de otro modo. Es bastante común que el comportamiento de fallos de un componente sea descrito en términos de su tasa de fallos. donde T se define como la vida del bien o componente.2. R(t) la Función de Fiabilidad. λ(t) = f (t) R(t) (2. F (t) = P (T ≤ t) (2.2 obtenemos la Tasa de Fallos λ(t). No tiene interpretación física directa.

M T BF R(t) = R(t) + M (t) M T BF + M T T R (2.2. 1 MTTR (2.7) Distribuciones estadísticas aplicadas al mantenimiento Las distribuciones de probabilidad son funciones matemáticas teóricas que se utilizan para realizar previsiones.2. Distribuciones estadísticas aplicadas al mantenimiento es el MTTR (Mean Time To Repair) o como se conoce en castellano “Tiempo Medio de Reparación”. 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. Su Tasa de Reparación es µ(t): µ(t) = 2. Sistemas poco mantenibles o de “Baja mantenibilidad” requieren de grandes esfuerzos para sostenerse o restituirse. Fundamentos Teóricos. 2. que describen la forma en que se espera que varíen los resultados de un experimento. Se dirá que un sistema es “Altamente mantenible” cuando el esfuerzo asociado a la restitución sea bajo.6) Disponibilidad Se define la disponibilidad D(t) como la probabilidad en el tiempo de asegurar un servicio requerido. siendo esta: D(t) = 2. debido a que. En la Figura 2. Por lo tanto son útiles en mantenimiento. Otra definición común en mantenimiento para la disponibilidad es: el porcentaje de equipos o sistemas útiles en un determinado momento. La ecuación de la disponibilidad está en función de la fiabilidad y de la mantenibilidad.5 aparece su ecuación y la representación de los distintos TTR que componen el MTTR. frente al parque total de equipos o sistemas.3. Las distribuciones que explicaremos para la aplicación de este proyecto son: Distribución Normal o de Gauss Distribución Lognormal Distribución Rayleigh Distribución Exponecial Distribución Gamma Distribución de Weibull Fundación UNED 7 . ayudan a tomar decisiones en condiciones de incertidumbre.3.3.

0.0 0.3 0.2 0.3. sociales y psicológicos.σ) si su función de densidad está dada por: f (x) = x∈ 1 x−µ 2 1 √ e− 2 ( σ ) σ 2π (2. −4 −2 0 2 4 −4 x −2 0 2 4 x Figura 2. Distribuciones estadísticas aplicadas al mantenimiento Existen otras pero en este estudio nos centraremos en la nombradas anteriormente. Fundamentos Teóricos.0 0.2 0. 2. Se dice que una variable aleatoria continua X sigue una distribución normal de parámetros µ y σ y se denota X∼N(µ. La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales. 2.1 Distribución de densidad 0.8 1. Esta curva se conoce como campana de Gauss.1.2. Distribución Normal Es una de las distribuciones de probabilidad de variable continua que con más frecuencia aparece aproximada en fenómenos reales. por ser las que están relacionadas con la distribución de Weibull.6: Distribución Normal con µ = 0 y σ = 1.6 0.8) R µ es la media σ es la desviación estándar Su función de distribución es: Fundación UNED 8 .4 La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de un determinado parámetro estadístico.3.0 0.4 Distribución de probabilidad 0.

σ2 (x) = 1 + erf ( √ ) 2 σ 2 (2. Distribución Lognormal Es la distribución de probabilidad de cualquier variable aleatoria con su logaritmo normalmente distribuido.σ2 (x) = e− (u−µ)2 2σ 2 du (2.2. aproximadamente. Su función de distribución también se puede poner en función de la función de error (erf ): Φµ.7 se puede ver como varía la función para distintos parámetros de σ. En la Figura 2. σ) = 1 √ xσ 2π 2 e−(ln x−µ) /2σ 2 (2. µ Los puntos de inflexión de la curva se dan para x = µ − σ y x = µ + σ El intervalo [µ − σ. Un ejemplo típico es un retorno a largo plazo de una inversión: puede considerarse como un producto de muchos retornos diarios.11) Para x > 0 donde µ y σ son la media y la desviación estándar del logaritmo de variable.44 % de la distribución El intervalo [µ − 3σ. µ.2.26 % de la distribución El intervalo [µ − 2σ.74 % de la distribución 2.3. µ + 2σ] se encuentra comprendida. el 95.9) −∞ Esta función se puede expresar en términos de la función especial llamada función de error (erf ) de la siguiente forma:   1 x−µ Φµ. Si x es una variable aleatoria con una distribución normal. µ + 3σ] se encuentra comprendida. aproximadamente.12) 9 .10) Algunas propiedades de la distribución normal son: Es simétrica respecto de su media. el 99. Fundamentos Teóricos. entonces ex tiene una distribución lognormal. aproximadamente.σ2 (x) = Fundación UNED    1 ln(x) − µ √ 1 + erf 2 σ 2 (2. µ La moda y la mediana son ambas iguales a la media. 2. Distribuciones estadísticas aplicadas al mantenimiento Z x Φµ. µ + σ] se encuentra comprendida.3. Una variable puede ser modelada como lognormal si puede ser considerada como un producto multiplicativo de muchos pequeños factores independientes. el 68. La distribución lognormal tiende a la función densidad de probabilidad: f (x.

Algunas propiedades de la distribución lognormal son: La media geométrica.4 σ=3 0. Representando la función de distribución y dándole distintos valores de σ.0 2.0 σ=3 0 1 2 3 4 5 6 7 0 1 2 x 3 4 5 6 x Figura 2. Su desventaja es que es bastante difícil tratarla de forma algebraica. Por tanto.5 0. Su Fundación UNED 10 . µgeo ∗ σgeo El intervalo [µ − σ. µgeo ∗ σgeo ] La distribución Lognormal tiene su tasa de fallo creciente y suele utilizarse para modelar la fiabilidad de componentes estructurales y electrónicos.7: Distribución Lognormal con distintos parámetros σ.3. Se suele presentar cuando un vector bidimensional tiene sus dos componentes.8 σ=0 0. independientes y siguen una distribución normal. Distribuciones estadísticas aplicadas al mantenimiento 0.1 σ=2 0. tiene un interés práctico considerable con relación a los procesos de fallos físicos.3. y la desviación estándar geométrica están relacionadas. µ + σ] es equivalente a [µgeo /σgeo 2 2 ] .0 0. pero su ventaja es que surge naturalmente como la convolución de distribuciones exponenciales.2 Distribución de densidad 0. µgeo ∗ σgeo El intervalo [µ − 2σ. ortogonales.4 Distribución de probabilidad σ=2 σ=0 σ = 0.2. 0.6 0. la media geométrica es igual a eµ y la desviación estándar geométrica es igual a eσ . Fundamentos Teóricos. µ + 2σ] es equivalente a [µgeo /σgeo 3 3 El intervalo [µ − 3σ. como se puede ver en la Figura 2. 1 1 ] . Distribución Rayleigh Es una función de distribución continua.3 0. En este caso.3. µ + 3σ] es equivalente a [µgeo /σgeo . 2.6 1.5 σ = 0.2 0.5 0.7.

2 0.0 valor absoluto seguirá entonces una distribución de Rayleigh.4 Densidad 0. 0.0 0.2.3. σ) = 1 − e −x2 2σ 2  (2.13) σ2 Donde σ es un factor de escala.6 0.2 σ = 1.8 1.14) Su esperanza matemática es: r E(x) = σ Fundación UNED π 2 (2.0 σ=2 0 1 2 3 4 5 0 1 x 2 3 4 5 x Figura 2. Distribuciones estadísticas aplicadas al mantenimiento 1. 2.6 σ = 1.0 σ = 0.5 0. σ) = xe −x2 2σ 2  (2.5 σ=1 0.8 σ=1 0.2 1.5 0.15) 11 .4 σ=2 0. Fundamentos Teóricos.8: Distribución de Rayleigh para distintos valores de σ. Su función de distribución de probabilidad es:  F (x.5 Distribución σ = 0. Su función de densidad de probabilidad es:  f (x.

3.5 θ=1 0.6 θ = 0.17) Su tasa de fallo: λ(x) = 1 θ (2.  f (x) = θe−θx 0 x≥0 de otro modo (2.2 0. Distribuciones estadísticas aplicadas al mantenimiento Distribución Exponencial 0.19) 12 . 2.4.0 θ = 1.0 0.5 0 2 4 6 8 10 0 2 4 x 6 8 10 x Figura 2.18) Su función de Fiabilidad R(t): R(x) = e−θx Fundación UNED (2.5 0.3 θ = 1.4 θ = 0.16) Su función de distribución es:  F (x) = P (X ≤ x) = 0 1 − e−θx para x < 0 para x ≥ 0 (2.5 0.3.9: Distribución Exponencial para distintos valores de θ.8 0.1 Densidad de probabilidad 0.2.5 1. 2.0 En estadística la distribución exponencial es una distribución de probabilidad continua con un parámetro θ > 0 cuya función de densidad es: 0. Fundamentos Teóricos.4 Distribución de probabilidad θ=1 0.2 0.

En la Figura 2.2.3. α y β de los que depende su forma y alcance por la derecha. Distribución de Gamma Es una distribución adecuada para modelizar el comportamiento de variables aleatorias continuas con asimetría positiva.21) donde x > 0 y β.20) La función de distribución que se utiliza más a menudo para modelar la fiabilidad es la exponencial. Cuando se toman valores más grandes de α el centro de la distribución se desplaza a la derecha y va apareciendo la forma de una campana de Gauss con asimetría positiva. 2. Para valores elevados de β la distribución acumula más densidad de probabilidad en el extremo derecho de la cola. Al dispersar la probabilidad la altura máxima de densidad de probabilidad se va reduciendo. siempre positivos. 2.3. Es el segundo parámetro β el que determina la forma o alcance de esta asimetría positiva desplazando la densidad de probabilidad en la cola de la derecha. con un pico de densidad de probabilidad más elevado. variables que presentan una mayor densidad de sucesos a la izquierda de la media que a la derecha. y también la función Gamma Γ(α). 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 distribución exponencial aparece cuando la tasa de fallos es constante. Valores más pequeños de β conducen a una figura más simétrica y concentrada. En su expresión se encuentran dos parámetros. Esto implica que la unidad no presenta síntomas de envejecimiento: es igualmente probable que falle en el instante siguiente cuando está nueva o cuando no lo está. Fundación UNED 13 . alargando mucho su dibujo y dispersando la probabilidad a lo largo del plano. de aquí que se le denomine “escala”. La función de densidad de la distribución Gamma es: f (x) = 1 β α Γ(α) xα−1 e−x/β (2. El primer parámetro α sitúa la máxima intensidad de probabilidad y por este motivo en algunas fuentes se denomina “la forma” de la distribución: cuando se toman valores próximos a cero aparece entonces un dibujo muy similar al de la distribución exponencial. λ(t) = λ La tasa de fallos se considera constante.10 se muestra la función de densidad. La función de distribución es. entonces la función de distribución de los fallos es exponencial. Es decir. Fundamentos Teóricos. responsable de la convergencia de la distribución. α son parámetros positivos. De las propiedades de ésta se deduce que la probabilidad de que una unidad que está trabajando falle en el próximo instante es independiente de cuánto tiempo ha estado trabajando.5. Distribuciones estadísticas aplicadas al mantenimiento Su Esperanza matemática o media: E(x) = M edia = θ (2.

Trabajando de forma biparamétrica se asume un error.0 β=5 0.23) Distribución de Weibull La distribución de Weibull es una distribución continua y triparamétrica. En la literatura técnica está muy extendida utilización de la distribución de Weibull biparamétrica (β.0 0.5 Distribución de densidad 0. E(x) = αβ 2. La distribución de Weibull es una distribución de probabilidad continua. es decir.22) 0 como se puede ver en la Figura 2. η).4 Distribución de probabilidad 1.1. es decir.8 β=1 0.2 0.10.5 β=2 β=2 β=3 0. está completamente definida por tres parámetros y es la más empleada en el campo de la Fiabilidad.0 2.6 β=3 β=1 0. La esperanza matemática es.0 2. La función de densidad de una variable aleatoria: Fundación UNED 14 . Fundamentos Teóricos. η. Distribuciones estadísticas aplicadas al mantenimiento 2. por eso en este estudio se explicará el cálculo de la distribución triparamétrica (β. γ). el parámetro que localiza la abscisa a partir del cual se inicia la distribución.6. (2.10: Función de densidad y distribución para distintos valores de θ. debido a que ésta es más exacta. F (x) = P [X ≤ x] = 1 α β Γ(α) Z x uα−1 eu/β du (2. debido a que. el tercer parámetro es el parámetro de localización.0 β=5 0 1 2 3 4 5 6 0 1 2 x 3 4 5 6 x Figura 2.3. 1.3.

24) para x < 0 0.3.5 β=1 0.0 β = 0.2.5 Donde β > 0 es el parámetro de forma y η > 0 es el parámetro de escala o característica de vida y el γ > 0 parámetro de localización de la distribución. Su función de distribución de probabilidad es: F (x. Fundamentos Teóricos.4 Distribución de probabilidad β=1 β = 1.0 1.5 1. En la Figura 2.5 β = 2. γ) = 1 − e−( x−γ η β ) (2. η. β. Un valor β > 1 indica que la tasa de fallos crece con el tiempo.6 β = 0.8 2.5 0.5 β = 2. siendo nula en x < 0.25) Para valores de x ≥ 0.5 2. 1. La distribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos es proporcional a una potencia del tiempo: Un valor β < 1 indica que la tasa de fallos decrece con el tiempo. γ) = η  η 0 x≥0 (2.5 β=5 0. la tasa de fallos es constante en el tiempo. η. β. Fundación UNED 15 .11 se ve como varía la función de distribución para distintos valores de β. Distribuciones estadísticas aplicadas al mantenimiento   β−1 x−γ β x−γ  β · · e−( η ) f (x.0 2.0 0.0 β=5 0. Cuando β = 1. 2.0 0.2 1.5 0 1 2 x 3 4 5 x Figura 2.5 0.5 0.0 Densidad de probabilidad 2.5 β = 1.11: Distribución de Weibull para distintos valores de β.

008 α = 170 α = 90 0. γ) = β η  x−γ η β−1 (2. así como el tipo de distribución probabilística que podemos seguir. η La Vida Característica η es el valor del dato que corresponde al 63. 2. El parámetro de forma β nos indica el tipo de fallo que es.004 0. 0.014 0.010 α = 1000 0 20 40 60 80 100 x Figura 2. Fundación UNED 16 .3.002 0. 4 La explicación en detalle de esta función queda fuera del objetivo de este proyecto para más información puede consultar el siguiente enlace: Función Gamma. Fundamentos Teóricos.28) Donde Γ(· · · ) es la función Gamma 4 .006 λ 0.2. Este 63.012 β=1 β>1 0. 2.12 se puede como varía la tasa de fallo λ para distintos valores de η y β. la edad a la cual el 63.2 % del valor del Rango Medio de la línea recta o dicho de otro modo.6.2 % es. η. Distribuciones estadísticas aplicadas al mantenimiento Siendo su tasa de fallo: λ(x.26) En la Figura 2.12: Representación de la tasa de fallo para distintos valores de β.016 TASA DE FALLO β<1 0. Característica de vida. Su función de Fiabilidad R(t): R(x) = e−( x−γ η β ) (2. β.3.27) Su Esperanza matemática o media:   1 E(x) = M edia = γ + η · Γ 1 + β (2.1.2 % de las unidades podrían fallar.

puede hacer estimaciones de probabilidades utilizando la línea recta.5 hasta β = 4. • Sistemas de varios componentes. beta5: El 5 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 95 % de la muestra fallará después de dicho tiempo. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro. β = 1 Tasa de fallo constante. 1 < β < 4 Tasa de creciente.2.632 = 63. Fundación UNED 17 . • Combinación de dos o tres modos de fallos diferentes. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro. con β = 2. Distribuciones estadísticas aplicadas al mantenimiento β β F (x = η.3. • Implica desgastes tempranos. • Fallos en rodamientos de rodillos β = 1. beta10: El 10 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 90 % de la muestra fallará después de dicho tiempo.2. • Fallos en rodamientos de bolas β = 2. • Errores de Mantenimiento.3. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro.5. Fundamentos Teóricos. • Fatiga de baja frecuencia. En este estudio leeremos los siguientes puntos en el eje de ordenada: beta1: El 1 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 99 % de la muestra fallará después de dicho tiempo. 2. Para hallarlo trazamos una paralela al eje de abscisas hasta que corte la recta de regresión y donde corte trazamos una paralela al eje de ordenadas que marcará el tiempo de fallo.2 % e1 En el Gráfico de Weibull. β) = 1 − e−(x/η) = 1 − e−(1) = 1 − 1 = 0.6. Cantidad de fallos que se pueden esperar en un futuro. 2. • Fallos aleatorio independiente del tiempo. para un dato. Características de la distribución Weibull La distribución de Weibull nos ayuda a conocer: El tipo de mecanismos de fallo que ha sido el causante del mismo. Tipo de fallos que se pueden dar: 0 < β < 1 Mortalidad infantil. o simplemente leyendo la probabilidad en el eje de ordenadas. Fiabilidad de un equipo existente. • Errores humanos. • Corrosión o erosión con β = 3 hasta β = 4.

2. • Algunos tipos de erosión.2(n−i+1). 2. • Corrosión por esfuerzos. • Pérdida de propiedades de los materiales. Este aspecto implica que la muestra de datos se debe organizar de menor a mayor (en forma ascendente). es un estimador no paramétrico basado en el orden de las fallos.4.5. Este estimador.2i + i n−i+1 (2. evaluada en el nivel de significancia α y con grados de libertad v1 = 2(n − i + 1) y v2 = 2i. Cálculo de los parámetros Weibull • Corrosión o esfuerzos con β = 5 o mayor.2(n−i+1). • Materiales frágiles como la cerámica. 2. 4 < β Tasa de creciente. llamado Rango de la mediana. La expresión matemática para este estimador es: Wα (xi ) = i n−i+1 F1−α.4. donde α es el nivel de significancia y toma el valor de 0.2i Valor crítico de la distribución F de Snedecor 5 .29) Donde: Wα (xi ) Rango de mediana para un nivel de confianza (1−α). Fundación UNED 18 . Distribución que pueden ser aproximadas a través de la distribución de Weibull: β = 1 Distribución Exponencial. β = 2 Distribución de Rayleigh. 5 La explicación en detalle de esta función queda fuera del objetivo de este proyecto para más información puede consultar el siguiente enlace: Distribución F de Snedecor.4. Fundamentos Teóricos. i Orden del fallo n Número total de la muestra F1−α. 3 6 β 6 4 Distribución Normal.2.5 para este estimador. • Fallos en correas β = 2. se debe calcular un estimador para la función de distribución acumulativa F (x).1. • Envejecimiento operacional. Cálculo de los parámetros de Weibull por el método de los mínimos cuadrados Rango de la mediana Para poder trazar la recta de regresión.

2.31) 19 . Cálculo de los parámetros Weibull Dada la complicación de la ecuación 2. 2. b = −β ln(η) (2. Cálculo de los parámetros β y η El método de los mínimos cuadrados permite calcular los parámetros de forma y escala.4 (2. x = ln(x) .29.29.30) Aunque la ecuación 2. En este estudio se utilizará la ecuación 2.4.4.2.29 en la literatura técnica está muy extendido utilizar para aproximar el rango de la mediana la siguiente expresión: RM (xi ) = i − 0. Fundamentos Teóricos.3 n + 0. a = β .2.30 es menos exacta que la ecuación 2. mediante la transformación doble logarítmica de la función de distribución acumulativa. Partimos de la función de distribución de Weibull y operando con ella llegamos: F (x) β e−(x/η) 1 e(x/η)β 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/η) = 1 − F (x) = 1 − F (x) β β = e(x/η) =   β ln e(x/η) = (x/η)β = ln(x/η)β = β ln(x/η) = β(ln(x) − ln(η)) = β ln(x) − β ln(η) La expresión anterior representa una ecuación lineal de la forma: y = ax + b La cual es una recta de regresión con los siguientes parámetros:   y = ln ln Fundación UNED 1 1 − F (x)  .

2. x0i = xi − γi 2. Se representa gráficamente el Ecm frente al valor de γ con el que ha sido calculado.3. F (x) toma los valores del Rango de Mediana (ecuación 2. 2. es la pendiente de la recta de regresión. Cálculo de la línea de regresión del conjunto de puntos anteriores mediante mínimos cuadrados. Cálculo de los parámetros Weibull De la expresión anterior se concluye que el parámetro de forma. Donde x es el vector de los datos de la muestra. Fundamentos Teóricos. El proceso que se ha seguido es el siguiente: 1.4. La solución será el valor de γ que hace mínimo el Error Cuadrático Medio. Este parámetro se halla por métodos de estimación. Se va dando valores a γ y para cada uno de ellos se repetirá el proceso. está en función del intercepto b de la recta de regresión y del parámetro de forma β. ln(ln( 1−F1 (x) )) 3. que para nuestro caso por ejemplo serán T BF y T T R. el momento a partir del cual se genera la distribución.29). ei = yi − yDe la linea regresion 5. Fundación UNED 20 . β.4. Se calcula los valores del eje de abscisas y ordenadas como: Abscisas: ln(x0i ) Ordenadas: ln(ln( 1−F1 (x) )) donde F (x) son los valores del Rango de Mediana. 4. (2. rP e2i Ecm = n 6. Cálculo del Error Cuadrático Medio para cada valor de γ. por lo tanto: b = −β ln(η) b − = ln(η) β e(−b/β) = eln(η) Quedando η como: η = e−b/β 2. También se observa que el parámetro de escala η.32) Cálculo del parámetro γ El parámetro γ indica en el tiempo. Cálculo del error o residuo para cada punto del conjunto anterior. n o Conjunto de puntos: Conjunto = ln(x0i ). 7.

2.4.2. 2. cuando el tamaño de la muestra n sea n ≤ 50. Para ello primero aceptamos que al imponer una distribución dada se incurre en algún error.5. en el que vienen todas las operaciones detalladas.). Los dos contrastes de hipótesis pueden aplicarse a cualquier tipo de variables aunque están especialmente indicados para variables de tipo discreto o cualitativo en el caso del primero de ellos (test de χ2 bondad de ajuste) y para variables de tipo continuo en el segundo (test de KolmogorovSmirnov). Luego obtenemos los parámetros asociados a tal distribución de probabilidad.4. pero queremos de que el riesgo de que ello ocurra sea lo menor posible. cuando el tamaño de la muestra n sea n > 50. tomamos un conjunto de observaciones y proponemos una hipótesis de que ellas siguen una determinada distribución de probabilidad (Normal. teniendo en cuenta ahora que en la ecuación 2. Un parámetro de localización negativo se presenta cuando hay unidades con fallas en servicio. • Defectos originados durante el transporte. • Defectos originados durante la instalación o montaje.2. Verificación del modelo En este estudio se ha calculado mediante el código de R que puedes encontrar en el apéndice B.2.4. El Test de Kolmogorov-Smirnov (KS). Fundación UNED 21 . Consideraciones sobre el parámetro γ Si al graficar los puntos de la muestra partiendo de una distribución de Weibull biparamétrica (γ = 0). una vez calculado el γmin . • Defectos originados durante el almacenamiento. Weibull. 2. Ejemplos: • Defectos originados durante el ensamble.5. Verificación del modelo Para verificar la ley que describe la fiabilidad de los equipos.31 el valor introducido no será x sino el x0 definitivo. Valores grandes del parámetro de forma (β > 10) son otro indicativo de que el parámetro de localización debe ser calculado. aparece una cola de puntos hacia arriba o hacia abajo. o unidades en servicio con defectos que causarán fallos. Fundamentos Teóricos. Exponencial. Para contrastar los modelos elegidos utilizaremos: El Test χ2 . Una cola hacia arriba es indicativo de que un parámetro de localización negativo está presente.. Una cola hacia abajo es indicativo de que un parámetro de localización positivo está presente.. Una vez obtenido el valor de γ habría que reajustar los parámetros de β y η de la sección 2. separándose de la recta de regresión entonces es un indicativo de que el parámetro de localización debe ser calculado.. La calidad del proceso anterior debe ser verificada.

Seguidamente. Fundamentos Teóricos. es posible que tengamos que agrupar algunos de ellos. calculemos Oi . Sn . X.34) Si. por el contrario. 2. si. . Para decidirlo hay que tener en cuenta que cuando N es razonablemente alto y la hipótesis H0 es cierta. Verificación del modelo Test χ2 supongamos que tenemos una muestra de tamaño N de una variable aleatoria discreta o cualitativa.35) donde k es el número de parámetros que han sido estimados en el ajuste y su valor es según la distribución tomada: k = 1 para la distribución Exponencial k = 2 para la distribución Normal k = 3 para la distribución de Weibull Teniendo en cuenta este resultado. El problema final es decidir cuándo el valor de la variable aleatoria D y d. la distribución de probabilidad de D es χ2 con r − k − 1 grados de libertad.5.1. pero. indica que nuestro ajuste corresponde bien con los datos de la muestra.33) De igual forma. consideremos la probabilidad. una medida que compara estas dos cantidades: D= r X (Oi − N ∗ pi )2 N ∗ pi i=1 (2. La idea del test es comparar el número de observaciones Oi que caen realmente en cada conjunto Si con el número esperado de observaciones que deberían caer en Si si el ajuste es el dado por nuestro modelo. por lo que es aceptable la hipótesis nula. como veremos. se calcula bajo esta distribución la probabilidad de que se de un valor todavía más alto que d (el p-valor.. según la distribución dada por el ajuste que queremos evaluar. Fundación UNED 22 . Consideremos una partición del conjunto de valores que puede tomar la variable: S1 . pi = P [X ∈ Si /H0 ] > 0 (2.2. ajustada a un modelo dado por una distribución. para una muestra dada. N >> D/H0 −→ χ2r−k−1 (2. 2. Para ello. es lo suficientemente alto como para que nos resulte inaceptable el ajuste. por tanto). indica que los valores observados no cuadran con el ajuste que hemos propuesto (con lo cuál se rechazaría la hipótesis nula en favor de la alternativa). esta partición podrían ser simplemente todos y cada uno de los valores que toma la variable X.. que sería N × pi . es decir. En principio. toma un valor d bajo. de cada una de estas partes. esta variable aleatoria toma un valor d muy alto.5.. el número de observaciones de la muestra que caen en cada conjunto Si .

se agrupa con alguna de la más cercana hasta que sumen una frecuencia mayor o igual a 5. cuyas frecuencias esperadas son todas mayores o iguales a 5. XN una muestra de una variable aleatoria X. En realidad. con un 95 % de confianza.. Concretamente.. si tenemos X1 . 2. . se concluye que no hay evidencias en contra de alarmar que los datos se ajustan a la distribución dada.37) x A la hora de calcular este máximo debemos tener en cuenta que la variable x es de tipo continuo. 3. se calculan las frecuencias esperadas según el ajuste propuesto de cada valor xi .5. Se basa en la comparación de la función de distribución teórica propuesta por el modelo cuyo ajuste estamos evaluando con la función de distribución empírica de los datos. se acepta la hipótesis nula sólo si el valor de D entra dentro del 95 % de resultados más favorables a ella.05.. 2. Si alguna de estas frecuencias es inferior a 5. se rechaza la hipótesis nula en favor de la alternativa..2. 4. Fundación UNED 23 . si notamos por F (x) a la función de distribución del modelo propuesto y por SN (x) a la función de distribución empírica asociada a la muestra.5. se rechaza la hipótesis nula en favor de la alternativa con un 95 % de confianza. Se construye así la partición del conjunto de valores posibles para X. Se calcula el estadístico del test d.. no es especialmente grave. Test de Kolmogorov-Smirnov (KS) En este caso el test es aplicable sobre todo a variables de tipo continuo.. y lo notamos como Oi . . 2. Se calcula el p-valor asociado al valor del estadístico. Se calculan las frecuencias observadas de cada Si . . Se toma la decisión (para un nivel de confianza del 95 %): Si p < 0. Dicho de otra forma. m. 6. N × P [X = xi ]. Verificación del modelo p = P [D > d/H0 ] (2. Si en la muestra se dan los valores x1 .Sr . Resumen esquemático del proceso: 1.36) Si esta probabilidad es inferior al 5 %. Si p ≥ 0. 5. S1 . .. La hipótesis nula a contrastar es: H0 : los datos de la muestra se ajustan a la distribución dada por F (x).. esto es sólo una recomendación que puede relajarse: si alguna frecuencia esperada es sólo ligeramente inferior a 5.. xm .05.2. el estadístico que se utiliza para este contraste viene dado por: DN = Sup|F (x) − SN (x)| (2.. i = 1. Fundamentos Teóricos. Se enuncia el test definiendo H0 y H1 ..

Fundamentos Teóricos. |F (x(i) ) − S(N(i−1) )|}} 1≤i≤N (2.5. N 3. En el Apéndice A se puede ver un diagrama de flujo completo.38) 4.. Construimos la función de distribución empírica. .2. Se rechazará la hipótesis nula en favor de la alternativa si p = P [DN > dN ] < 0. El valor del estadístico se calcula como: dN = m´ ax {m´ax{|F (x(i) ) − S(N(i) )|. Resumen esquemático del proceso: 1.05. 2. Fundación UNED 24 .. Se rechazará la hipótesis nula en favor de la alternativa cuando el p-valor asociado al valor que tome DN sea inferior a 0. 2.. con un (1 − p) ∗ 100 % de confianza. que en cada valor de la muestra viene dado i por SN (x(i) ) = . x(N ) . Verificación del modelo frente a la hipótesis alternativa: H1 : los datos de la muestra no se ajustan a la distribución dada por F (x).05. Ordenamos los valores de la muestra de menor a mayor: x(1) . de la forma de trabajar con la distribución de Weibull aplicada al mantenimiento.

795 alpha 15.3 Aplicación del método de Weibull.373 beta10 91.05 aceptamos con un nivel de confianza del 95 % que la muestra de datos proviene de una distribución de Weibull y damos por bueno los parámetros obtenidos.1.valor 0.1: Datos ejercicio 1.049 beta5 0. TTR.976 R2 0.929 r 0. Ejemplo biparamétrico El comportamiento de una máquina en el tiempo se muestra en la siguiente Tabla 3.1).987 beta5 67.1 donde aparecen los distintos TBF y TTR.942 Tabla 3. TBF.144 Tabla 3.81957 beta1 33.2: Resultados ejercicio 1. i 1 2 3 4 5 6 TBF(Horas) 110 330 120 220 225 218 TTR(Horas) 2 26 34 3 9 Tabla 3. 3. Partiendo de los datos de TBF compilamos el programa en R para hallar los parámetros de Weibull así como su gráfico (Figura 3.382 alpha 234.1) .888 r 0.3: Resultados ejercicio 1. Ahora calculamos el MTBF :   1 M T BF = η ∗ Γ 1 + β 25 (3.991232 beta1 0.valor 0. Y para los TTR: n 5 beta 0.381 beta10 0. Se desea conocer cuál fue la disponibilidad de la máquina.435 R2 0. Se puede ver que el coeficiente de determinación R2 y el coeficiente de correlación r no están en el rango que aconseja el método A por poca diferencia pero como el p − valor > 0.942 p. los resultados son los siguientes: n 6 beta 2.964 p.

382 de fiabilidad R(x. Ahora calculamos el MTTR:   1 MTTR = η ∗ Γ 1 + β (3.345) y la función 2. 234. 234.00 TTR Figura 3. 2.50 5.345) como se muestra en la Figura 3.382) = 1 − e−(x/234. Obteniéndose un M T BF = 207.345.382 Representando la función de distribución F (x.00 50.01 0.1: Gráfico Weibull.90 3.794 Horas. Ejemplo biparamétrico 90 3.05 TBF 0. ● 75 75 ● ● 40 55 ● 3 2 1 1 2 3 5 ● ● 25 Infiabilidad (%) 7 10 15 ● ● 7 10 15 40 55 25 ● 5 Infiabilidad (%) ● ● 50 100 150 200 300 0.2) Obteniéndose un M T T R = 18. Fundación UNED 26 .2 podemos calcular la probabilidad de que la máquina dure más de T horas sin fallos.182 Horas. 2.345. ejercicio 1.1. Con los datos anteriores podemos calcular la disponibilidad de la máquina como: D(t) = M T BF = 0.382) = e−(x/234.919 ' 92 % M T BF + M T T R 2. Aplicación del método de Weibull.

Se desea conocer la fiabilidad a las 600 Horas y el M T BF .8 Distribución 0.6 Fiabilidad 0 100 200 300 400 500 Tiempo Figura 3. 0.105 Horas es del 1 %. Cargamos los datos en el programa R y obtenemos los siguientes resultados: n 9 beta 2. 1.725 Tabla 3.3.999999 beta1 71.389 beta10 230.2 0.591) = P [T > 371. 3.2: Función de Distribución y Fiabilidad.591 Horas es del 5 %.105) = P [T > 445.591] = 5 % Probabilidad de que la máquina dure más del 371. Aceptamos los datos de la muestra que sigue una distribución de Weibull con un nivel de confianza del 95 %.0 0.725 Horas es del 10 %. 940. R(371.999 p.725] = 10 % Probabilidad de que la máquina dure más del 332. 1150.2.2. Fundación UNED 27 .998 r 0. Ejemplo biparamétrico Un grupo de rodamientos han durado: 801.276 R2 0. ejercicio 1.105] = 1 % Probabilidad de que la máquina dure más del 445. 570. Ejemplo biparamétrico R(t) = P [T > t] = 1 − PF uncion de Distribucion (T ) Por ejemplo: R(445.58 %. Aplicación del método de Weibull. 205.0 R(200) = P [T > 200] = 49.844 beta5 161. 3. R(332.value 0. 402.58 % Probabilidad de que la máquina dure más del 200 Horas es del 49. 495.725) = P [T > 332.014 alpha 705.4 0.4: Resultados ejercicio 2. 312. 671.

R(7594.  1 M T BF = γ + η ∗ Γ 1 + β  = 7594.276 ) 600 = 0. se muestran los tiempos de operación libre de fallos de una máquina.014 R(600) = P [T > 600] = 1 − e−( 705. Aplicación del método de Weibull. 2. b) M T BF . Se desea conocer: a) Los parámetros de Weibull.479 Horas c) La fiabilidad cuando t = M T BF .6. Ejemplo triparamétrico Gráfico de Weibull 90 ● 40 55 ● ● ● 25 ● 7 10 15 ● ● 1 2 3 5 Infiabilidad (%) 75 ● ● 50 100 200 500 1000 2000 TBF Figura 3.3.5.9588 Horas M T BF = η ∗ Γ 1 + β 3.3 y obtenemos los resultados en la siguiente Tabla 3. Ejemplo triparamétrico En la Tabla 3. 3. así como el gráfico 3.3: Gráfico de Weibull ejercicio 2.43 %   1 = 624.42 % 28 .479−1462 6776.3.46 1.5143 = 51.479) = e−( Fundación UNED 7594.471 ) = 0.4.264158 ' 26. Aplicamos a los datos el código de programación de la sección B.3.

5.683 Horas despejando t de la ecuación obtenemos.3 y obtenemos los resultados en la Tabla 3. Observando la Tabla 3.7: Aplicamos a los datos el código de programación de la sección B. t−1462 1.446702 beta1 297.value 0.min 1462 R2 0.46 ) = 0. t − γ = η · (− ln(0.95))1/β + γ = 2361.6: Resultados del ejercicio 3.4.8.95 = 95 % En el gráfico 3. así como el gráfico 3.999 p.4 se puede ver con línea negra discontinua la beta5 y la beta10 que coincide con el valor del gráfico cuando se tiene en cuenta γ.5: Datos ejercicio 3.471 eta 6776.95))1/β = 899.3. 3.607 Tabla 3.471 R(t) = e−( 6776. para asegurarnos con una probabilidad 95 % de que la máquina trabaje sin fallos.4. d) Establecer los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.8 se puede ver como el P − valor < 0. Aplicación del método de Weibull. 3.683 Horas por lo que establecemos el intervalo de mantenimiento preventivo cada 2361 Horas.46 gamma. Ejemplo triparamétrico 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 Tabla 3. t = η · (− ln(0.683 beta10 1467. Ejemplo triparamétrico Los tiempos de fallos de una máquina empaquetadora son los que aparecen en la siguiente tabla 3.999 r 0. n 19 beta 1.05 por lo tanto rechazamos la hipótesis de que este registro de datos provenga de una distribución de Weibull con parámetros Fundación UNED 29 .075 beta5 899.

3.1 ● 0 50 100 Gamma 150 200 4 5 7 1. Gráfico de Weibull 1.2 7 ● ● 3 ● 0 500 1000 1500 1000 2000 Gamma 3500 6000 11000 TBF Figura 3. Fundación UNED 30 .4 ● ● ● ● 15 20 0.5 γ(min) = 1462 ● ● 9 0.2 9 ● ● 50 100 200 400 TBF Figura 3. Aplicación del método de Weibull.4: Gráfico de Weibull ejercicio 3. 3.4 1.7 95 ● 85 ● ● 70 1.5: Gráfico de Weibull ejercicio 4. Ejemplo triparamétrico Gráfico de Weibull 95 ● 0.5 γ(min) = 207 1.3 Error Cuadrático Medio ● ● 1.3 Error Cuadrático Medio ● 4 5 0.6 ● ● 55 ● ● 40 ● ● 30 ● ● ● 15 20 Infiabilidad (%) ● 1.4.6 85 ● ● ● 70 ● ● 55 ● 40 ● ● ● 30 Infiabilidad (%) 0.

Calculamos el M T BF . con una tasa de fallo creciente.331. t−207 1.min 207 R2 0.3.282 R(t) = e−( 226.6357 Horas La curva de fiabilidad con los parámetros obtenidos es.  1 M T BF = γ + η ∗ Γ 1 + β  = 416.331 ) Así como la curva de la tasa de fallo es.12 Tabla 3. El valor de β > 1 indica que el equipo se encuentra en una etapa de madurez o vejez. 3. En este caso habría que comprobar si dichos datos siguen otra distribución.942 r 0. γ = 207).282 eta 226. 331  t − 207 226. Sustituyendo el valor M T BF en las ecuaciones anteriores obtenemos el valor de fiabilidad y su tasa de fallo para el mismo.7: Datos ejercicio 4. (β = 1. Aplicación del método de Weibull.971 p.257 beta5 22. Suponemos que si siguen una distribución de Weibull con los parámetros antes nombrados. η = 226. 331 1.8: Resultados ejercicio 4.value 4.282−1 como se puede ver en gráfico 3. n 17 beta 1. λ(t) = 1. Ejemplo triparamétrico 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 Tabla 3. siendo estos: Fundación UNED 31 . pero para nuestro ejemplo los tomaremos como válidos.4.78E-07 beta1 6.331 gamma.282.313 beta10 39.6 los gráficos de ambas curvas. 282 226.

3.2 0.6: Gráfico de fiabilidad y tasa de fallo.282−1 = 0.004 0. Ejemplo triparamétrico 0.95 = 95 % En el gráfico 3.6357) = 416.6357−207 226.001 0.003 Tasa de fallo 0. 331 1. 282 226.000 0.00554 por último estableceremos los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.282 R(t) = e−( 226.331 ) = 0. R(416.006 1. t−207 1.4. Aplicación del método de Weibull.331 1.282 = 0. t − γ = η · (− ln(0.002 0.5 se puede ver con línea negra discontinua la beta5 y la beta10 que coincide con el valor del gráfico cuando se tiene en cuenta γ. 331  ) 1. t = η · (− ln(0.40 % 416.31265 Horas despejando t de la ecuación obtenemos. 200 300 400 500 600 200 300 Tiempo 400 500 600 Tiempo Figura 3.8 0.6357 − 207 226.6 0.4 R(t) 0.4039619 = 40.6357) = e−( λ(416. ejercicio 4.95))1/β + γ = 229.95))1/β = 22.005 0.3126 Horas Fundación UNED 32 .0 3.

10: Resultados ejercicio 5.9 r 0. Ejemplo biparamétrico En la tabla 3.1 y obtenemos los resultados en la Tabla 3. 3.307 beta5 9662. para asegurarnos con una probabilidad 95 % de que la máquina trabaje sin fallos.983 beta10 15767.10.787486 beta1 3188. n 33 beta 1. Aplicamos a los datos el código de programación de la sección B.3.7. Se desea conocer las características de fiabilidad de dicho parque de trenes.12 R2 0.5.5.3126 Horas.47 eta 72882.98 Tabla 3. Aplicación del método de Weibull.949 p.9: Datos ejercicio 5. Ejemplo biparamétrico por lo que establecemos el intervalo de mantenimiento preventivo cada 229.value 0. 3. 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 Tabla 3. así como el gráfico 3. 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 > 0.9 se puede ver los tiempos entre fallos de 10 trenes en kilómetros.05 nos confirma que procede de una Fundación UNED 33 .

12) al 95 % de confianza. Obviaremos esa consideración anterior y seguiremos trabajando con este ejercicio como si fuese biparamétrico. Ejemplo biparamétrico distribución de Weibull con parámetros (β = 1.7: Gráfico del ejercicio 5. 47.85 Km/f allo β la fiabilidad asociada al M T BF .   1 M T BF = η ∗ Γ 1 + = 65961.4216457 = 42.5.85) = e−( 72882.85 η β−1 = 1.3.7 en el que se ha marcado las coordenadas con puntos y líneas para remarcar como a la izquierda del mismo existe una cola de datos hacia abajo lo que es indicativo de que existe el parámetro de localización γ y para que los cálculos estuvieran ajustados habría que calcular este ejercicio de forma triparamétrica.12 ) = 0.85 1. 65961. Aplicación del método de Weibull.47 R(65961.924563e − 05 34 . λ(65961. hay que observar el gráfico 3. Gráfico de Weibull ● ● 90 ● ● ● ● 40 55 ● ● ● ● ● ● ● ● ● ● ● ● ● 25 ● ● ● ● 7 10 15 ● ● ● ● 5 Infiabilidad (%) 75 ● ● ● ● ● 1 2 3 ● 14000 18000 23000 30000 39000 50000 70000 90000 120000 160000 220000 TBF Figura 3.16 % Siendo su tasa de fallo. Ahora vamos a calcular el M T BF . 3. η = 72882. Aunque hasta ahora todo parece normal.85) = Fundación UNED β η  65961.

5e−05 2.5e−05 0.5.6 0. Ejemplo biparamétrico 0. en ambos viene marcado el valor obtenido para t = M T BF .3. 50000 150000 Tiempo 50000 150000 Tiempo Figura 3.8: Fiabilidad y tasa de fallo del ejercicio 5.8 3.5e−05 En la imagen 3.8 podemos ver tanto el gráfico de fiabilidad como la tasa de fallos. Aplicación del método de Weibull.0 2.0e−05 0.0e−05 3. 3.4 R(t) Tasa de fallo 0.0e−05 1.2 1. Fundación UNED 35 .

Optimizar el uso de los recursos físicos y del equipo humano. Este es el punto más importante pero en este estudio no se ha desarrollado ningún ejemplo porque no se ha explicado la teoría de costes de mantenimiento. Conociendo el parámetro β sabemos en que zona de la vida del equipo o del conjunto de equipos se encuentra.3 etapa normal. Optimización de los costes del departamento mantenimiento. • Calcular el intervalo óptimo de sustitución económica de equipos. • 0. Aplicando weibull junto con la teoría de costes nos permite conocer: • calcular los intervalos óptimos de mantenimiento preventivo asociado al mínimo coste económico. • β > 1. entorno al 50 o al 55 %.4 Conclusiones Como se ha demostrado el cálculo de la distribuciones estadísticas especialmente la de Weibull aplicado a la fiabilidad y al mantenimiento son muy útiles y nos sirven para: Nos ayuda a definir políticas de mantenimiento para el futuro.3 etapa de desgaste.99 ≤ β ≤ 1. entorno al 10 o al 15 %.99 mortalidad infantil. Para un periodo de tiempo dado nos dice la fiabilidad de nuestro equipo o conjunto de equipos. 36 . Nos permite estimar el tiempo medio en el que se producirá el siguiente fallo. podemos tomar como referencia: • β < 0. entorno al 20 o al 25 %. Nos ayuda a definir programas de mantenimiento preventivo más eficientes mejorando las periodicidades establecidas por los fabricantes. Nos permite conocer la disponibilidad en función del M T BF y M T T R calculados.

Apéndices 37 .

A Diagrama del proceso de trabajo de la distribución de Weibull aplicada al mantenimiento 38 .

Diagrama del proceso de trabajo Fundación UNED 39 .A.

siendo además muy populares en el campo de la investigación biomédica. R R1 es un lenguaje y entorno de programación para análisis estadístico y gráfico. los dos lenguajes más utilizados en investigación por la comunidad estadística. LA figura B. R se distribuye bajo la licencia GNU GPL. corriendo sobre la plataforma RStudio. resultado de la implementación GNU del premiado lenguaje S. 1 Para 2 Para los interesados en este software pueden descargarlo del siguiente enlace: www.rstudio.B Software de estadística aplicada. R y S-Plus -versión comercial de S.son. Figura B. A esto contribuye la posibilidad de cargar diferentes bibliotecas o paquetes con finalidades específicas de cálculo o gráfico.org los interesados en esta plataforma pueden descargarla en el siguiente enlace: www.1: Captura de pantalla del código R. la bioinformática y las matemáticas financieras.1 es una captura de pantalla de la plataforma de trabajo de RStudio2 . probablemente.org 40 . Se trata de un proyecto de software libre.r-project.

1150.1 . plot ( x=datosOrdenados . squared . R B.500 . datos <− c(801. y ) para e l g r á f i c o .495.1. ygrid . lwd=2 . lwd=2) abline ( l t y =2 .1500 .312. Una vez i n t r o d u c i d o nuevos datos hay que modificar las #### coordenadas de x .B. y=Y (RM) . su comprobación mediante ajuste por mínimos cuadrados. 3 ) beta5 <− round ( exp ( ( Y(5/100)−i n t e r c e p t o ) /beta ) . 2 ∗ ( n−i +1) . Si la muestra n es n > 50 realizaremos el test de χ2 y si la muestra es 50 ≥ n realizaremos el test de Kolmogorov-Smirnov. 3 ) eta <− round(1/exp ( i n t e r c e p t o /beta ) .h=Y(1−exp( −1) ) .2000) . n <− length ( datos ) # 4− Calcula e l RANGO DE MEDIANA. datosOrdenados <− sort ( datos ) # 3− c a l c u l a e l número de datos .5) ) axis ( 2 . Software de estadística aplicada. h=Y ( ygrid/100) . 3 ) R2 <− round (summary( e ) $r . RM <− a/ ( Fs+a ) # Rango de Mediana . Y (RM) ) . col= " blue " . seq (10 . Y <− function ( d ) { y <− log ( log (1/(1−d ) ) ) . beta∗log ( x )−beta∗log ( eta ) . lab =1. 5 . 3 ) beta10 <− round ( exp ( ( Y(10/100)−i n t e r c e p t o ) /beta ) . Solución distribución biparamétrica Cálculo de los parámetros y gráfico solución para una distribución de Weibull biparamétrica A continuación mostraremos el código de programación utilizado para calcular los parámetros de Weibull. xlab= "TBF" . 3 ) beta1 <− round ( exp ( ( Y(1/100)−i n t e r c e p t o ) /beta ) . axes=F .402.100) . xlim=c(50 . e <− lm ( Y (RM) ~ X) beta <− round ( coef ( e ) [ 2 ] . i <− 1:n a <− i / ( n−i +1) Fs <− qf ( 0 . X. col= " red " ) ygrid <− c ( 1 : 1 0 . col= " grey " ) abline ( l t y =2 . Tabla <− data .500) ) # Una vez modificado l o s datos hay que ajustar ###### las l í n e a s de d i v i s i ó n v e r t i c a l del g r á f i c o .671. la obtención del coeficiente de determinación R2 y el coeficiente de correlación r. Y (RM) ) # 7− Calcula l i n e a de regresión y todos l o s parámetros .Y ( ygrid/100) . main= " Gráfico de Weibull " . ###### ################################################# # 1− Introduce l o s datos de l a muestra . frame ( i . ylab= " I n f i a b i l i d a d ( %) " .940. y por último se realizaremos un test de la bondad del ajuste.1. 0 1 .2∗ i ) # D i s t r i b u c i ó n F de Snedecor . seq(500 .100 . a traves de la orden xlim ( ) dentro de l o s parámetros de p l o t . type= " p " . lwd=2) xgrid <− c ( seq(100 . " y " es una función . que dependerá del tamaño de la muestra. h=Y ( 0 .205.570) # 2− Ordena de menor a mayor l o s datos . ################################################# ########### CÁLCULO WEIBULL BIPARAMÉTRICA . log= " x " . # 5− Valores de ( x . lwd=2) Fundación UNED 41 . axis ( 1 . cex =1 . cex . ylim=Y ( c ( 0 . 3 ) i n t e r c e p to <− round ( coef ( e ) [ 1 ] . B. pch=20) curve ( add=TRUE. datosOrdenados .RM. 3 ) r <− round ( cor ( X. 0 . y } X <− log ( datosOrdenados ) # 6− Crea tabla de datos . col= " red " . lwd=2) abline ( v=xgrid . 3 ) # 7− Dibuja e l g r á f i c o . lwd=2 . 9 9 ) ) . 1 ) . col= " black " .

Cálculo del parámetro γ Código de programación que nos permite obtener el parámetro γ así como su gráfica (Figura B. pvalorks . Cálculo del parámetro γ h=Y( 0 . lwd=2) v=exp ( ( Y(1/100)−i n t e r c e p t o ) /beta ) .725 [ 1 ] " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0. " ) } } else { # 8.844 161. Los datos NO siguen una d i s t r i b u c i ó n de Weibull con parámetros eta y beta . 0 5 ) . beta5 . row .998 0.999 0. datos <− c(2175. Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta y beta . r .276 0. beta1 . en la que podemos ver como varía el Ecm .05) { resultados <− data .2800.5840. beta10 . datosOrdenados <− sort ( datos ) # 3− c a l c u l a e l número de datos . row .05. R abline ( l t y =2 . Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta y beta . beta5 . ks <− ks . lwd=2) v=exp ( ( Y(10/100)−i n t e r c e p t o ) /beta ) . i f ( n<=50) { # 8. col= " black " . value beta1 beta5 beta10 Resultados 9 2. abline ( l t y =2 . ################################################ ####### CÁLCULO DEL PARÁMETROS GAMMA. 0 1 ) .3300.05.12600. lwd=2) v=exp ( ( Y(63.3).names= " Resultados " ) print ( resultados ) print ( " Se RECHAZA l a HIPOTESIS NULA p−v a l o r < 0.05) { resultados <− data . eta . frame ( n . beta .2. n <− length ( datos ) Fundación UNED 42 .014 705. r .2− Realiza t e s t de bondad de ajuste de Chi−cuadrado .05. frame ( n .4250.names= " Resultados " ) print ( resultados ) print ( " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0. 7800. eta ) pvalorks <− ks [ 2 ] i f ( pvalorks > 0. beta . ########### ################################################# # 1− Introduce l o s datos de l a muestra .B. col= " black " . R2. pvalorchi . " ) } } El código anterior cuando es compilado. row . beta .15800) # 2− Ordena de menor a mayor l o s datos . beta1 .05.8500. R2. frame ( n . lwd=2) v=exp ( ( Y(5/100)−i n t e r c e p t o ) /beta ) . beta5 . eta . col= " blue " . Los datos NO siguen una d i s t r i b u c i ó n de Weibull con parámetros eta y beta . Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta y beta . beta1 .9999995 71. beta . muestra por pantalla los siguientes resultados y genera el siguiente gráfico: Figura B. R2.3800.4650.6300.2/100)−i n t e r c e p t o ) /beta ) . beta5 . beta10 . t e s t ( datos ) pvalorchi <− chi [ 3 ] i f ( pvalorchi > 0. r . " pweibull " . pvalorks . " ) } else { resultados <− data . beta .14000. t e s t ( datos . abline ( l t y =2 .7150.1− Kolmogorov−Smirnov . chi <− chisq . beta10 . col= " black " . R2.10500. eta .6700. col= " black " .05.389 230. frame ( n . row .2. abline ( l t y =2 . beta10 . " B.names= " Resultados " ) print ( resultados ) print ( " Se RECHAZA l a HIPOTESIS NULA p−v a l o r < 0. beta1 . abline ( l t y =2 .11000. r . Software de estadística aplicada. " ) } else { resultados <− data .9200. B. lwd=2) h=Y( 0 . col= " black " . lwd=2) # 8− Realiza t e s t de bondad de ajuste . eta . pvalorchi .names= " Resultados " ) print ( resultados ) print ( " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0. abline ( l t y =2 .2 n beta eta R2 r p .5250.

gamma[ i ] <− i # Gamma. resta<− datosOrdenados−i X <− log ( resta ) regr <− lm ( Y (RM) ~X) ecm [ i ] <− sqrt (sum( regr$residuals ^2)/length ( residuals ) ) # Error Cuadrático Medio . 2 ∗ ( n−i +1) .2∗ i ) # D i s t r i b u c i ó n F de Snedecor . y } # 6− Cálculo del v e c t o r Error Cuadrático Medio . i <− 1:n a <− i / ( n−i +1) Fs <− qf ( 0 . Software de estadística aplicada. siendo este e l que l o hace mínimo . gamma <−0 ecm<−0 max <− 2000 for ( i in 1:max) { # El í n d i c e " i " es gamma y es e l v a l o r que va estimando .2. Cálculo del parámetro γ Gráfico de Weibull 90 ● 40 55 ● ● ● 25 ● 7 10 15 ● ● 1 2 3 5 Infiabilidad (%) 75 ● ● 50 100 200 500 1000 2000 TBF Figura B. " y " es una función . y ) para e l g r á f i c o .2: Gráfico de Weibull obtenido a través de la compilación del programa. 5 .B. # 5− Valores de ( x . # 4− Calcula e l RANGO DE MEDIANA. Y <− function ( d ) { y <− log ( log (1/(1−d ) ) ) . i<−1 while ( ecm [ i +1]<ecm [ i ] ) { i<− i +1 gamma. RM <− a/ ( Fs+a ) # Rango de Mediana . R B.min <− i } # 8− Dibuja e l g r á f i c o y e l punto s o l u c i ó n . } # 7− Busca e l mínimo v a l o r del Error cuadrático Medio y e l v a l o r de Gamma # solución . Fundación UNED 43 .

Cálculo de los parámetros y gráfico solución para una distribución de Weibull triparamétrica A continuación se muestra el código utilizado así como los resultado obtenidos y su gráfico (Figura B. lwd=2 . RM <− a/ ( Fs+a ) # Rango de Mediana .2) points (gamma. col= " blue " ) text (1500 . cex .2 0.15800) # 2− Ordena de menor a mayor l o s datos .5 γ(min) = 1462 0.8 plot (gamma.5250. # 5− Valores de ( x . R B. pos=2 .6300.3: Gráfico del Ecm frente a γ. ecm. i i <− 1:n a <− i i / ( n−i i +1) Fs <− qf ( 0 . expression ( substitute (gamma(min) ==c .4) para una distribución de Weibul triparamétrica.8500.3300. 2 ∗ ( n−i i +1) .3 Error Cuadrático Medio 0.9200.5 . min( ecm ) .11000.3. Fundación UNED 44 . pch=20.12600. col= " black " .10500. 0.2∗ i i ) # D i s t r i b u c i ó n F de Snedecor . y ) para e l g r á f i c o . xlab= "Gamma" .min . col= " blue " ) ● 0 500 1000 1500 2000 Gamma Figura B.3800. datos <− c(2175.3. n <− length ( datos ) # 4− Calcula e l RANGO DE MEDIANA. Solución distribución triparamétrica 0. lab =1. type= " l " .7 0.6 0.4650. ################################################ ########### CÁLCULO WEIBULL TRIPARAMÉTRICA .B. ###### ################################################# # 1− Introduce l o s datos de l a muestra .5840. 5 .6700. " x " e " y " son funciones . as .14000.4 0. ylab= " Error Cuadrático Medio " . Software de estadística aplicada. 7800.4250. datosOrdenados <− sort ( datos ) # 3− c a l c u l a e l número de datos . l i s t ( c= i ) ) ) . B.7150.2800.

Software de estadística aplicada. col= " grey " ) Fundación UNED 45 . lwd=2 . lwd=2) xgrid <− c ( seq(500 . ecm.Y ( ygrid/100) . gamma <−0 ecm<−0 max <− max( datos ) /10 for ( i in 1:max) { resta<− datosOrdenados−i 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 mínimo e l e r r o r cuadrático medio .Y (RM) ) # 7− Calcula l i n e a de regresión y todos l o s parámetros .B. xlab= "Gamma" . 3 ) eta <− round(1/exp ( i n t e r c e p t o /beta ) . ygrid . l i s t ( c= j ) ) ) . axis ( 1 . as . axes=F . Solución distribución triparamétrica Y <− function ( d ) { y <− log ( log (1/(1−d ) ) ) .500) . pch=20) abline ( e . y=Y (RM) . 0 1 . a traves de la orden xlim ( ) dentro de l o s parámetros de p l o t . plot ( x=X( datosCorregidos ) . ylab= " Error Cuadrático Medio " . #xlim=c (500 . lwd=2) abline ( v=X( xgrid ) . 3 ) beta63 . 2 ) ) plot (gamma.20000) . lwd=2 . #l o g =" x " . pch=20. squared . R B. seq(5000. col= " black " . 3 ) beta1 <− round ( exp ( ( Y(1/100)−i n t e r c e p t o ) /beta ) . datosOrdenados . ylab= " I n f i a b i l i d a d ( %) " . Tabla <− data . col= " blue " ) text (max. expression ( substitute (gamma(min) ==c .1000) ) # Una vez modificado l o s datos hay que ajustar ###### las l í n e a s de d i v i s i ó n v e r t i c a l del g r á f i c o .20000. pos=2 . 3 ) i n t e r c e p to <− round ( coef ( e ) [ 1 ] . h=Y ( ygrid/100) .1 . 3 ) r <− round ( cor (X( datosCorregidos ) .min <− j } datosCorregidos <− datosOrdenados − gamma. RM. col= " blue " ) # 7− Dibuja e l g r á f i c o . lwd=2) ygrid <− c ( 1 : 1 0 . lab =1.2/100)−i n t e r c e p t o ) /beta ) .X( datosCorregidos ) . e <− lm ( Y (RM) ~ X( datosCorregidos ) ) beta <− round ( coef ( e ) [ 2 ] .3.5000 . cex . j<−1 while ( ecm [ j +1]<ecm [ j ] ) { j<− j +1 gamma. datosCorregidos . type= " p " . Una vez i n t r o d u c i d o nuevos datos hay que modificar las #### coordenadas de x . #ylim=Y ( c ( 0 . col= " red " . 3 ) par ( mfrow=c ( 1 . 0 . cex =1 . xlab= "TBF" . cex . 3 ) beta10 <− round ( exp ( ( Y(10/100)−i n t e r c e p t o ) /beta ) . main= " Gráfico de Weibull " . lab =1.Y (RM) ) . type= " l " . 0. 9 9 ) ) .2 <− round ( exp ( ( Y(63. xgrid .100 .min # 6− Crea tabla de datos . 3 ) R2 <− round (summary( e ) $r . y } X <− function ( g ) { y <− log ( g ) . col= " red " .5 . y } # 2 − Calcula e l e r r o r cuadratico medio .5) ) axis ( 2 .2) points (gamma. X( xgrid ) .min . seq (10 . min( ecm ) . frame ( i . 3 ) beta5 <− round ( exp ( ( Y(5/100)−i n t e r c e p t o ) /beta ) .

4. chi <− chisq . frame ( n . min .471 6776. v=X( beta5 ) . h=Y( 0 . Este paquete puede ser descargado del siguiente enlace: The FATIMAT project. frame ( n . row .h=Y(1−exp( −1) ) . beta5 . Paquete Weibull toolkit R es un software muy flexible y con una gran repertorios de paquetes.4. col= " black " .names= " Resultados " ) print ( resultados ) print ( " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0. Existe un paquete llamado weibulltoolkit que calcula los parámetros de Weibull y realiza su gráfica.05. beta1 . beta10 .names= " Resultados " ) print ( resultados ) print ( " Se RECHAZA l a HIPOTESIS NULA p−v a l o r < 0. Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta . beta . " ) } } else { # 8. beta5 .gamma.gamma. col= " black " .min.2− Realiza t e s t de bondad de ajuste de Chi−cuadrado . beta1 . beta y gamma. beta . r . pvalorks . col= " black " . " ) } else { resultados <− data . 0 1 ) . 1 ) . beta5 . R B. beta1 . " pweibull " . " ) } else { resultados <− data . beta10 . Los datos NO siguen una d i s t r i b u c i ó n de Weibull con parámetros eta . Los datos NO siguen una d i s t r i b u c i ó n de Weibull con parámetros eta . v=X( beta63 . Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta . pvalorchi .min R2 r p . beta10 . beta . frame ( n . i f ( n<=50) { # 8. value beta1 beta5 Resultados 19 1. beta . lwd=2) abline ( l t y =2 . R2.075 899. lwd=2) abline ( l t y =2 . " ) } } n beta eta gamma.683 beta10 Resultados 1467. r .names= " Resultados " ) print ( resultados ) print ( " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0.46 1462 0. min . 2 ) . row . lwd=2) abline ( l t y =2 .607 [ 1 ] " Se ACEPTA l a HIPOTESIS NULA p−v a l o r > 0. sólo hay que ejecutar el siguiente código: ######################################################## ######## WEIBULL TOOLKIT ############################## ####################################################### Fundación UNED 46 . beta y gamma. h=Y ( 0 . col= " black " . pvalorks .05. que pueden ser utilizado. R2. min .4467021 297.gamma. beta10 .1− Kolmogorov−Smirnov .05) { resultados <− data . Software de estadística aplicada.999 0.05. " B. eta ) pvalorks <− ks [ 2 ] i f ( pvalorks > 0. ks <− ks .min. beta1 . eta . h=Y( 0 . R2. t e s t ( datos ) pvalorchi <− chi [ 3 ] i f ( pvalorchi > 0.05. v=X( beta10 ) . beta . min . v=X( beta1 ) . lwd=2) abline ( l t y =2 .min. col= " black " . r . row .05) { resultados <− data . lwd=2) # 8− Realiza t e s t de bondad de ajuste .min. pvalorchi . beta y gamma. Paquete Weibull toolkit abline ( l t y =2 . t e s t ( datos . 0 5 ) .05. beta y gamma. eta . min .999 0. Una vez obtenido e instalado el paquete. col= " black " . col= " blue " . row . col= " blue " .B. lwd=2) abline ( l t y =2 . eta . continuamente actualizado por sus creadores. frame ( n . lwd=2) abline ( l t y =2 .gamma. eta . Los datos SI siguen una d i s t r i b u c i ó n de Weibull con parámetros eta . r . R2. beta y gamma.names= " Resultados " ) print ( resultados ) print ( " Se RECHAZA l a HIPOTESIS NULA p−v a l o r < 0. beta5 . lwd=2) abline ( l t y =2 .

library ( " w e i b u l l t o o l k i t " ) # 2− Introduce l o s datos . legend . plot . plot . grid= " grey " .220. i s . Software de estadística aplicada. i s .wb( d .440.5 γ(min) = 1462 ● ● 5 0. t i t l e = " Parameters " . lwd . lwd=2 . R B. event=e ) # 3− Dibuja e l g r á f i c o y c a l c u l a sus parámetros .620. Fundación UNED 47 . Paquete Weibull toolkit Gráfico de Weibull 0.4: Gráfico del parámetro γ y su gráfico de Weibull asociado. legend .5 .R=1000. col= " blue " .4 Infiabilidad (%) 0. También porque este paquete utiliza el método MLE (Maximin Likelihood Estimation) para realizar la recta de regresión y Monte Carlo Pivotal Confidence Bounds para realizar el intervalo de confianza. text .1000) n <− length ( data ) e <− rep ( 1 . pch=1 .2 2 3 ● 1500 500 Gamma 1000 2000 5000 10000 TBF Figura B.300. i s .5 de mayor calidad. Aunque este paquete calcula los parámetros por métodos más robustos y fiables. bbb= FALSE. he decidido utilizar el programa desarrollado por mi porque incluye en el código los test de bondad del ajuste y el cálculo de la distribución triparamétrica de Weibull. legend=T . s i z e =0. legend .6 90 ● ● ● 75 ● ● ● 40 55 ● ● ● ● ● ● 25 ● ● ● 7 10 15 0.850.530.n ) d <− Surv ( time=data .1200. # 1− Carga e l paquete . s i g n i f =4 .B. data <− c(400.710.4.140. points=2 . p o s i t i o n = " bottomright " . col . plot . plot .3 Error Cuadrático Medio ● ● 0 500 1000 1 0. cb=TRUE) Obteniéndose el gráfico B. Ambas técnicas no han sido explicadas en este proyecto y quedan fuera del objetivo del mismo.

5 beta (shape.69 | 118.4.2 | 251.8 B5 = 32. Software de estadística aplicada. level = 90 [%] R = 1000 r^2 | CCC^2 = 0.5: Gráfico de Weibull obtenido del paquete Weibulltoolkit.3 Conf. 48 ● 1000 ● ● ● 1000 Time To Failure 500 ● ● ● 500 Weibull Plot 5000 ● 5000 B1 = 6.98 90 50 20 10 5 2 1 10 10 50 50 100 100 ● ● ● ● Figura B.9 B10 = 63.76 | 140.9982 | NA n (fail | cens.) = 11 (11 | 0) eta (scale) = 665.6 | 332.246 | 45. Unreliability [%]) Parameters 50000 98 90 50 20 10 5 2 Fundación UNED 1 B. R B.718 curve (MRR. Paquete Weibull toolkit Unreliability [%] .48 | 179. X on Y) 50000 (Time To Failure .slope) = 1.

: Teoría y Práctica del Mantenimiento Industrial Avanzado. [18] Documento electrónico Universidad de Santiago de Compostela: Prácticas de Estadística en R. Rodrigo Pascual J.: REDUCCIÓN de COSTES y MEJORA de RESULTADOS en MANTENIMIENTO. [17] Documento electrónico Universidad de Jaen: Apuntes de estadísticas para ingenieros. Edición Noviembre 2005.: Ingeniería y Gestión del Mantenimiento en el Sector Ferroviario. Germany. Santiago.A. [13] Documento electrónico de www. J. [7] Documento electrónico wikipedia: Fiabilidad de Sistemas. [4] Mora Gutiérrez L. [11] Documento electrónico wikipedia: Distribución Exponencial. [5] Arques Patón J. Ing. Ediciones Díaz de Santo 2009. [14] Documento electrónico de www. U. Ing.mantenimientoplanificado.Bibliografía [1] González Fernández. [8] Documento electrónico wikipedia: Distribución Normal. [2] González Fernández. [16] Documento electrónico wikipedia: Mantenibilidad. F.0. Versión 2. J. de Chile.industrialtijuana. FUNDACIÓN CONFEMETAL 2010. Rodrigo Pascual J.com: La distribución de Weibull. [19] Documento electrónico: Distribución Gamma.confiabilidad.com: FUNDAMENTOS DEL ANÁLISIS DE WEIBULL.L.net: Cálculo de los Parámetros de la Distribución de Weibull. 49 . [15] Dr.: The Weibull Distribution A Handbook. 2009. [9] Documento electrónico wikipedia: Distribución Lognormal.: Mantenimiento Estratégico para empresas de servicios o industriales. Horst Rinne. JustusLiebig-University. julio 2002. 4a edición. [20] Documento electrónico de www. Fifth Edition. [3] Dr. Giessen. Gestión Moderna del Mantenimiento. [12] Documento electrónico wikipedia: Distribución de Weibulll. [10] Documento electrónico wikipedia: Distribución Rayleigh. Maintainability . F. FUNDACIÓN CONFEMETAL.: Manual del Ingeniero de Mantenimiento.and Risk. [6] David J Smith: Reliability.

com: CONFIABILIDAD Y ANÁLISIS ESTADÍSTICO PARA LA PREDICCIÓN DE FALLAS. RIESGO. [22] Documento electrónico blog: Optimización del Mantenimiento PIMM/PIT de U.B. SEGURIDAD.N.M.E. COSTO Y GARANTÍAS DE LOS EQUIPOS. Fundación UNED 50 .R.rcmingenieria.BIBLIOGRAFÍA BIBLIOGRAFÍA [21] Documento electrónico de www. SUPERVIVENCIA.