You are on page 1of 72

MMVIIIM1C01:Fiabilidad

Captulo:AnlisisdeDatos

2014
BlasGalvnGonzlez*,
AndrsCarrinGarca**,NievesMartnezAlzamora**
*ComputacinEvolutivayAplicacionesNumricasenIngeniera(CEANI)
UniversidaddeLasPalmasdeGranCanaria,Espaa

**DepartamentoEstadsticaeInvestigacinOperativaAplicadasyCalidad
UniversidadPolitcnicadeValencia,Espaa

ULPGC SIANI CEANI

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

NDICE

1. INTRODUCCIN

1.1.
1.2.
1.2.1
1.2.2

5
6
6
7

MARCOCONTEXTUAL
ASPECTOSGENERALESDELANLISISDEDATOS(AD)
ETAPASPRINCIPALESDELANLISISDEDATOS
NATURALEZADELOSDATOSDEFALLO

2. RECOLECCINDEDATOSPARAANLISISDEFIABILIDAD

2.1. DATOS
2.1.2. DATOSOBTENIDOSAPARTIRDEENSAYOS
2.1.3. DATOSDEOPERACIN
2.2. PLANDEADQUISICINDEDATOS(PLANDECALIDAD)
2.3. RESUMENCONCEPTUAL

9
10
11
11
14

3. TIPOSDEDATOS

15

3.1. NOTACIN
3.2. DATOSCOMPLETOS
3.3. DATOSCENSURADOS
3.3.1. CENSURAALADERECHA
3.3.2. CENSURAALAIZQUIERDA
3.3.3. CENSURAENINTERVALOS
3.4. RESUMENCONCEPTUAL

15
15
16
16
16
17
17

4. MODELADODEDATOS

18

4.1. NOTASDEESTADSTICADESCRIPTIVABSICA(MEDIDASDETENDENCIACENTRALYDEDISPERSIN)
4.1.1. MEDIDASDETENDENCIACENTRAL
4.1.2. MEDIDASDEDISPERSIN
4.2. DESDELOSDATOSHASTALOSMODELOS:UNAVISINMETODOLGICA
4.3. FUNCIONESCONTINUAS
4.3.1. FUNCINDEDENSIDADDEPROBABILIDAD
4.3.2. ESPERANZADEUNAVARIABLEALEATORIA(VALORMEDIO)
4.3.3. FUNCINDEDISTRIBUCINDEPROBABILIDAD
4.3.4. FUNCINDESUPERVIVENCIA
4.3.5. FUNCINDERIESGO

18
18
20
21
23
23
24
24
24
25

Pg.2de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.3.6.
4.3.7.
4.3.8.
4.3.9.

EXPONENCIAL
WEIBULL
NORMAL
LOGNORMAL

25
30
37
40

4.3.10. DISTRIBUCINCHICUADRADO( 2 )

44

4.3.11. DISTRIBUCINTSTUDENT
4.4. FUNCIONESDISCRETAS
4.4.1. BINOMIAL
4.4.2. POISSON
4.4.3. MULTINOMIAL
4.5. RESUMENCONCEPTUAL

44
45
45
46
48
50

5. ESTIMACINPARAMTRICA

51

5.1. MTODODEMNIMOSCUADRADOS
5.2. MTODODEMXIMAVEROSIMILITUD
5.2.1. INTERVALODECONFIANZADELOSPARMETROSDELMODELOAPARTIRDESUSESTIMADORESDEMXIMA
VEROSIMILITUD
5.3. RESUMENCONCEPTUAL

51
53
54
55

6. ESTIMACINNOPARAMTRICA

57

6.1. ESTIMACINDELAFRECUENCIA
6.2. ESTIMADORDEBNARD
6.3. NMERODEORDEN
6.4. KAPLANMEIERS
6.4.1. INTERVALODECONFIANZA
6.5. RESUMENCONCEPTUAL

57
58
59
59
59
61

7. PRUEBASDEHIPTESISYBONDADDEAJUSTE

62

7.1. TESTCHICUADRADO
7.2. TESTKOLMOGOROVSMIRNOV
7.3. COEFICIENTEDECORRELACINDEPEARSON

63
64
67

7.3.1. COEFICIENTEDEDETERMINACIN( r 2 )
7.4. TESTDEGRFICOQQ
7.4.1. ESTIMACINDELOSCUANTILESDELAMUESTRA

68
70
70

Pg.3de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

ndiceFiguras
Figura1:TiposdedatosenIngenieradeConfiabilidad _____________________________________________9
Figura2:DistribucindeasignacionesenelPlandeAdquisicindeDatos _____________________________11
Figura3:Modelodereadeinventarioenuninformedemantenimiento _____________________________12
Figura4:Modelodereadedatosdefalloenuninformedemantenimiento___________________________13
Figura5Modelodereadedatosdeoperacionalesenuninformedemantenimiento ___________________13
Figura6Muestradedatoscompleta___________________________________________________________16
Figura7muestradedatoscensuradaaladerechaparacuatrobombas_______________________________16
Figura8Muestradedatoscensuradaalaizquierda_______________________________________________17
Figura9Muestradedatoscensuradosenintervalos ______________________________________________17
Figura10Diferenciaentrepoblacinymuestra__________________________________________________18
Figura11:HistogramadeFrecuenciasAbsolutas _________________________________________________22
Figura12Histogramafecuenciasabsolutasyacumuladas__________________________________________22
Figura13EfectodeenlafuncindedensidadExponencial________________________________________27
Figura14EfectodeenlafuncindedensidadExponencial________________________________________27
Figura15EfectodeenlafuncindesupervivenciaExponencial ____________________________________28
Figura16EfectodeenlafuncindesupervivenciaExponencial ____________________________________28
Figura17EfectodeenlafuncindedensidadWeibull ___________________________________________33
Figura18EfectodeenlafuncinderiesgoWeibull______________________________________________33
Figura19EfectodeenlafuncindedensidadWeibull ___________________________________________33
Figura20EfectodeenlafuncindedensidadWeibull ___________________________________________33
Figura21EfectodesobrelafunciondedensidadNormal_________________________________________37
Figura22EfectodesobrelafunciondedensidadNormal_________________________________________37
Figura23EfectodesobrelafunciondedensidadLognormal______________________________________41
Figura24EfectodesobrelafunciondedensidadLognormal______________________________________41
Figura25Distribucindefrecuenciasrelativasacumuladas_________________________________________57
Figura26:GrficoQQPlotmuestraWeibull2P__________________________________________________71

Pg.4de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

1.

INTRODUCCIN

1.1. MarcoContextual
LaIngenieradeConfiabilidadtalycomoladefineAENORenEspaa,tambinconocidacomoIngenierasRAMS
enuncontextointernacional,versa,entreotrascuestiones,sobrelagestindelciclodevidadelossistemas
tcnicos de cualquier compaa o industria. El ciclo de vida incluye distintas fases entre las que pueden
diferenciarse:lafasedediseo,fabricacin,fasedeexplotacininicial,vidatilyfasedeenvejecimiento.
La imagen de una empresa est estrechamente relacionada a cmo gestione cada una de las fases de sus
activos. As pues, una empresa o industria encontrar deseable que los diseos de sus productos o activos
satisfagan los requerimientos para los cuales fueron diseados. Adems, demandar que los procesos de
fabricacinnoalterendeformasignificativalaspropiedadesycaractersticasdelactivodiseado,detalforma
que no ponga en riesgo la integridad del mismo y su funcionalidad. Estos dos conceptos dan lugar a las
especificacionesdecalidad.
Asimismolaindustriaesperaquesusactivossostengansusnivelesdecalidadduranteundeterminadoperiodo
detiempo,elsuficientecomoparaqueesosactivosdesempeenycompletenlaactividadparalacualfueron
diseados. Por ejemplificar un caso crtico vase como, aunque la tecnologa aeroespacial ha evolucionado
muchodurantelosltimosaos,esdeseablequeunasondaounanaveSoyuzpuedancompletarsusmisiones
sinincidenciastantopormotivosdecostecomodeseguridad.Estassonlasespecificacionesdefiabilidad.
Por otro lado, durante la explotacin de un sistema tcnico se requiere que los sistemas o activos estn
operativoscuandoselesnecesita.Vanse,porejemplo,lossistemasdeproteccindeunaCentraldePotencia
(Nuclear o Trmica) o de estaciones de transformacin. En estos, como en otros muchos casos, la
disponibilidadesunaespecificacinvitalquedebesatisfacerunactivo.
Estosconceptosintroducidos,juntoconmuchosotrosylosque,ademandadelanecesidaddeseguimientoy
controldelosactivos,sevayangenerando,tienengranrelevanciaenlagestindelosrecursosdecualquier
industria. Por una parte son indicadores del desempeo de la misma, influyendo sobre los mrgenes de
beneficio as como en los requerimientos de seguridad, pero adems, cuando son interpretados por el
consumidordelservicio(eloutputdeunaactividadindustrialeselinputdeotra),soncriteriosdesatisfaccin
delaactividadrealizaday,endefinitiva,delaimagencorporativa.
Losindicadoresson,portanto,herramientasquesustentanconcriterioscientficosydeingenieralatomade
decisiones en una industria permitiendo la gestin ptima de los recursos de explotacin y la seguridad del
funcionamiento. De esto debe desprenderse que los indicadores debern representar, de la forma ms
fidedignaposible, el desempeode los activos paraquelas accionesque sederivende su interpretacin no
comprometanelcostedeexplotacin,laseguridadyotrosobjetivosplanteados.
Lacuestinsubsiguienteserpues,cmosintetizarlosindicadores;qufuentesdeinformacinseemplearn
paradefinirlos.Seentiendeque,durantelafasedeexplotacindeunactivo(inicial,vidatilyenvejecimiento),
cuandoesteseencuentraenunestadotalqueleimpidecumplirconlosrequerimientosparaloscualesfue
diseado, posee un estado de avera. Esta condicin est precedida por un evento no deseado denominado
fallo. El concepto de fallo es central en la ingeniera de confiabilidad dado que es uno de los causantes de
ineficienciasenlaproduccin,problemasdeseguridad,medioambientales,desostenibilidadydelacreacin
deunamalaimagendelacorporacinenrelacinacmoespercibidaalexterior.

Pg.5de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Noobstante,esaceptadodeformageneralquelosfallossoninevitablesyqueportanto,tardeotemprano,los
activos de una empresa o industria no estarn disponibles para desempear su misin. En consecuencia, la
eficienciaimplcitaylaimagenqueunaempresaproyectahaciaelexteriorestestrechamenterelacionadacon
cmo gestiona los malfuncionamientos derivados de su actividad. De alguna forma se espera que el
funcionamiento de la industria est lo menos sujeto posible a interrupciones y que,de ocurrir alguna, fuese
solventada eficazmente en cortos mrgenes de tiempo. Para programar planes de gestin adecuados que
garanticen estos estndares de funcionamiento se deber disponer de informacin acerca de los periodos
destinadosamantenerlasinstalaciones.Estossonlosconocidosprocesosderecuperacin
Larecoleccinyeltratamientodelosdatosdefalloyrecuperacinjueganunpapelfundamentalenlasntesis
delosindicadoresquemonitorizaneldesempeodelossistemastcnicos.Enestoconsisteelanlisisdedatos
yeseltemaqueocuparesteylossiguientescaptulos.
1.2. AspectosgeneralesdelAnlisisdeDatos(AD)
1.2.1

Etapas principales del anlisis de datos

Elanlisisdedatosposeeprincipalmentedosetapas:

Definicindeestrategiasderecoleccindelosdatos
Anlisisdelosdatosquepermitanextraermodelosrepresentativosdelosmismosconlosquepuedan
efectuarseprediccionessobrealgunadelaspropiedadesdeesosdatos

En el mbito del anlisis de datos de confiabilidad se recaban datos de fallo o datos de recuperacin de un
determinadosistemaoactivo.Engeneralsueleemplearselamtricadetiemposhastaelfallootiemposentre
fallos1.Noobstante,enciertosmbitosesconvenienteelempleodeotrasmedidasdelavidadeunproducto,
porejemplo:nmerodecicloshastaelfallo(empleadaenmbitosenlosquelosactivostrabajenmediante
ciclosdecarga),kilometrajehastaelfallo(entornoferrovialytransporteengeneral),etc.
Larecoleccindedatosestestrechamenterelacionadaconlosobjetivosqueseplanteen,laprofundidaddel
anlisis de confiabilidad que pretenda llevarse a cabo y, por supuesto, de la disponibilidad existente de los
mismos. En consecuencia, la poltica de adquisicin de datos establecida jugar un papel esencial en la
consecucin de los objetivos planteados. La cualificacin de los datos de fallo mediante la asignacin de un
cdigoquerepresentelosmodosdefalloqueunsistemapuedetenerpermitirobtenermodelosmsprecisos
yrepresentativossobrelaevolucindelfuncionamiento/fallodelsistemaencomparacinconotraestrategia
de cualificacin que no contemple esa tarea. De la misma manera, los datos de recuperacin deben ir
acompaadosdeinformacincualitativaquepermitacaracterizarmejorlosindicadores
Porsuparte,elanlisisdelosdatosdeberconsiderarloscriteriosderecoleccinseleccionadosparaemplear
aquellosprocedimientosqueposibilitenlaobtencindemodelosyqueminimicenelniveldesesgosobrela
representacin de los datos. A saber: tipo de muestras empleadas, naturaleza de los datos, propiedades
cualitativasdelosmismos,etc.

Entemasposterioresserevisarnlasimplicacionesrelativasaunauotradefinicin.

Pg.6de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

1.2.2

Naturaleza de los datos de fallo

Aunqueesteaspectoserampliadoentemasposterioresconmayorprofusin,sepresentaenestepuntouna
anotacingeneralsobrelanaturalezadelosdatosdeentradaalosAnlisisdeDatosparajustificareldesarrollo
delpresentematerial.
Elnmerodefactoresfsicoqumicosambientalesydelpropiosistemaoactivoqueinfluyenenelprocesode
fallo es tan grande y tan difcilmente controlable, que confieren al proceso de fallo un carcter altamente
aleatorio.Sibienelsucesodefalloesuneventoseguro(esteocurrirsiempre,mstempranoomstarde),
actualmenteresultaimposiblecontotalniveldecertezarealizarunaprediccinsobreelinstantedeunfallo.
Puedenrealizarseestimacionesprobablesperosiempreexistirunciertogradodeconfianzaoincertidumbre
acercadelaestimacin.
Por tanto, en trminos tericos y prcticos, se considera el proceso de fallo un suceso aleatorio, y todas las
mtricas que lo describen, como variables aleatorias. En consecuencia los modelos que describen el
comportamiento del sistema tendrn naturaleza estocstica y tratarn de ser representados mediante
funcionesdedistribucindeprobabilidad.
En este sentido, la estadstica descriptiva y la inferencia estadstica aportan un marco cientficotcnico
propicioparaobtenermodelosquerepresentenlosindicadoresqueevalanlafuncionabilidaddelossistemas
tcnicosyquesoportanunprocesodetomadedecisionesenlagestindeactivos.
Enelpresentematerialsepretende,portanto,darunavisindelanlisisdedatosorientadosalagestinde
activosutilizandolaestadsticadescriptivaylainferenciaestadstica.
La naturaleza de los datos de fallo y recuperacin, qu fuentes existen y cmo deben gestionarse para ser
capaces de extraer informacin significativa de los mismos en forma de modelos. Esto ser revisado en el
captulo 2. Adems, en este captulo, se aportan anotaciones sobre la correcta planificacin y gestin de la
recogidadedatos:basesdelastcnicasderecoleccin,correctadocumentacinytransmisinderesultados.
Enelcaptulo3seanalizalatipologadelosdatosdefiniendolosconceptosdecensuraysustipos.Elcaptulo4
trata sobre los modelos paramtricos ms comunes en el mbito del anlisis de datos de fiabilidad que
representan los datos. En este captulo se describen las propiedades de dichos modelos y funciones
caractersticas ms importantes. El captulo 5 aborda los procedimientos de ajuste de de los modelos a los
datosmuestralesobtenidosbajoelttuloEstimacinParamtrica.Seintroducenlosestimadorespuntualesy
porintervalos.Elcaptulo6introducelosmodelosdeestimacinnoparamtrica,presentandoalgunosdelos
estimadores empleados con ms frecuencia (Bnard, kaplanMeiers,). En el captulo 7 se abordan los
contrastesdehiptesisorientadosalabondaddelajuste.Cuandolaestimacinesparamtricaelanlisisde
los datos comienza con la hiptesis de que estos pertenecen a una u otra distribucin. En este captulo se
razonasiexistenevidenciassignificativasdequelashiptesisseanverdaderasofalsas.
Estos siete captulos componen el material principal del curso, no obstante a modo de formacin
complementariaseproponenunaseriedeapndicesdondesepodrprofundizarmsenmateriadeanlisisde
datos. Por ejemplo, se aborda la problemtica del tratamiento de muestras nohomogneas y su influencia
sobrelosprocesosdeestimacin.TambinsefacilitaunaguasobreelmododeusodelaherramientaExcel
creadaparadarsoportealosclculos.

Pg.7de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Los ejercicios de este documento estn basados en casos de estudio que reflejan la problemtica industrial
actual en diversos sectores (industria de procesos, aeroespacial, transporte, minera, etc.) y cuya descripcin
detalladapodrconsultarseeneldocumentoAnexoDescripcindeSistemas.pdf.

Pg.8de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

2.

RECOLECCINDEDATOSPARAANLISISDEFIABILIDAD

Lagestinadecuadadeactivosempiezapordiscernirqumodosdefallosoncrticosypriorizarlasactividades
demantenimientosobrelosmismos.Paraelloesnecesariocontarconbuenosmodelosquepermitanconstruir
indicadoreslomsfidedignosposible.Enconsecuencia,losfallosdebenestartodolobiendocumentadosque
se pueda. Toda esta documentacin relativa al proceso de fallo debe quedar reflejada en los informes de
mantenimientoparaqueelanalistapuedahacerbuenusodeella.
Elprocesoderecopilacindedatosdefallotieneunpapelmuyimportanteenlosestudiosdefiabilidad,como
ya se dej entrever en el captulo anterior. Estos se requieren fundamentalmente en dos reas: para la
prediccin y optimizacin de la fiabilidad de nuevos diseos y para la evaluacin (y validacin de las
predicciones,encasodequesehicieraneneldiseo)delafiabilidaddesistemasenoperacin.

Tiposdedatos
Datos
genricos

Datosde
ensayos

Datosde
operacin

Figura1:TiposdedatosenIngenieradeConfiabilidad

Para cada caso la fuente de datos disponibles es sustancialmente diferente. Cuando un activo es de nuevo
diseo no se dispone de informacin de operacin y la obtencin de modelos que permitan caracterizar su
futurofuncionamientonopodrrealizarseapartirdeestainformacin.Msansielsistemaesradicalmente
nuevo, ya que no podrn extrapolarse los modelos obtenidos para elementos similares dado que estos no
existirn.Enestecontextoseemplearnlosdatosdisponiblesdesistemasoequipossimilares(porejemplode
proyectos anteriores), los denominados datos genricos (datos publicados por asociaciones y que fijan el
estado del arte en relacin con la fiabilidad esperada para cada tipo de equipo o tecnologa) o, de forma
alternativa, datos obtenidos a partir de ensayos. Por el contrario, conforme se va adquiriendo experiencia
sobre el funcionamiento de un sistema es necesario verificar que se estn alcanzando los niveles de
desempeo concebidos en cada etapa. En estos casos la coleccin de datos de operacin puede emplearse
paragarantizarlaconformidaddelosactivosconlosrequerimientosdefiabilidadeidentificarposiblesvasde
mejoradeldesempeodelosmismos.
Enlosiguiente,sedarunavisingeneralsobrelascaractersticasdecadaunadelasfuentesdedatoscitadas
y se finalizar con definicin de un procedimiento sistemtico de recogida de datos de fallo, a partir de los
cuales pueda extraerse informacin valiosa sobre el desempeo de los sistemas tcnicos, en lo que se
denominaPlandeCalidad.
2.1. Datos
2.1.1.

Datosgenricos

Este tipo de datos permitirn realizar una primera estimacin sobre el posible nivel de desempeo de los
sistemas de una industria y posibilitarn el estudio de debilidades, robustez e importancia relativa de
determinados modos de fallo. Consiguientemente, ms que valores numricos precisos de las funciones

Pg.9de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

caractersticas,conestetipodedatossepersigueobtenerinformacincualitativavaliosasobrelaadecuacino
nodeldiseoenrelacinalasespecificacionesplanteadas.
Habitualmente, los datos genricos no estarn en la forma de tiempos hasta el fallo/tiempos de reparacin,
sino que estarn resumidos en una mtrica indicadora de conveniencia como la tasa de fallos/reparacin,
conceptosobreelcualsediscutirmsprofundamenteenmateriasposteriores.Enelmejordeloscasoslas
bases de datos ofrecen un valor medio para esta mtrica e incluirn informacin sobre los modos de fallo
principalesdelsistema.Otrasmscompletas,comoOREDA2,ofrecenademsciertasmedidasdedispersine
intervalosdeconfianzaparalasestimaciones.
No obstante, los datos genricos acusan con cierta frecuencia la falta de informacin cualitativa de inters,
comoporejemplolascondicionesoperacionalesbajolascualesfueronrecopiladosesosdatosascomodelas
ambientales.Eldesconocimientodeestascondicionesllevaaparejadociertosnivelesdeincertidumbrecuando
sehacenextrapolacionesdesdeestasfuentesalossistemasinstaladosennuestraempresa.Enconsecuencia,
esimportanteempleardatosgenricoscuandolascondicionesdefuncionamientosonsimilares.
Existen varias fuentes de datos de contrastada validez que contienen numerosos registros de parmetros
relacionadosconelprocesodefallo.Entreellassepuedencitarlassiguientes:

MILHDBK217F: Probablemente la fuente ms conocida de tasas de fallo para componentes


electrnicos. Se basa en datos genricos de tasas de fallo recopiladas durante aos por el
DepartamentodeDefensadelosEstadosUnidos
TelecordiaSR332:Esotrafuentedeprediccindetasasdefallopublicadaporunorganismono
militar. Ofrece procedimientos para predecir tasas de fallos basadas en datos genricos,
combinacindedatosgenricoscondatosdeensayosydatosgenricoscondatosdeoperacin.
OREDA Handbook: Se aportan modos de fallo, tasas de fallo y tiempos de reparacin de
equipamientocuyaoperacinserealizaenelmbitopetrolferooffshore.
TBook:Elprincipalobjetivodeestabasededatoseseldesuministrardatosdefalloparaclculo
defiabilidad,elcualformapartedelanlisisdeseguridaddelasCentralesNuclearesdePotencia
Nrdicas.
EIREDA (European Industry Reliability Data Bank): Provee datos de fallo de componentes que
formanpartedelossistemasdeseguridaddelascentralesnucleares.
NSWC06/LE10: Provee de modelos para estimar la tasa de fallos de componentes mecnicos
afectados por diferentes condiciones de carga y operacin como temperatura, estrs, caudal,
etc.

2.1.2. Datos obtenidos a partir de ensayos


La prediccin de los parmetros relacionados con el indicador de fiabilidad tambin puede llevarse a cabo
medianteensayos.Unensayoconsisteensometeraunamuestradeundeterminadocomponenteoequipoa
unascondicionesdetrabajomsomenosparecidasalasqueestosvanadesempearalolargodesuvida.Las
condiciones del ensayo deben estar estrictamente controladas para no inducir modos de fallo que en la
operacinnormaldelosequiposnoocurriran,aunqueestoltimonoessiemprealcanzable.
Losresultadosquearrojaunensayosonunconjuntodevaloresindividualesodiscretosdealgunavariableque
estemos estudiando (pudiendo esta ser: tiempo hasta/entre el fallo, kilmetros (distancia) hasta el fallo o

2
OREDA(OffshoreREliabilityDAtahandbook)

Pg.10de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

alguna otra medida relacionada con el fallo). En lo sucesivo se analizar, mayoritariamente, la variable
aleatoria, tiempo hasta el fallo. El parmetro a conocer se denomina Vida media, , y representa el tiempo
medioquetranscurrehastaqueocurreunfallo.
Hayocasionesenlasquedesarrollarunensayosobreuncomponenteoequipoesinviableporqueeltiempode
realizacin de la prueba, bajo condiciones normales, es excesivamente largo. En estos casos se recurre a un
procedimientoespecialdenominadoEnsayoAcelerado.
Los Ensayos Acelerados lo que hacen es provocar que el fallo aparezca antes, como consecuencia de las
condiciones de trabajo impuestas al componente. Estas condiciones de estrs hacen que se aceleren los
mecanismosdefallo.Deestamanerasepuedenobtenerresultadosmsrpidamentequellevandoacabolos
ensayossinacelerar.
2.1.3.

Datos de operacin

Los datos de planta u operacin son aquellos que se recopilan durante la explotacin de una instalacin,
sistemaoequipo.Enrelacinalapartadoanteriorsonlosquepermitenevaluarelgradodeconformidadenel
funcionamientodelossistemasenrelacinalosrequerimientosestablecidos.Enlamedidaenquesepueda
debenemplearselosdatosdeplantasiemprequelacalidaddelosdatosrecopiladosestasegurada.
Los datos de planta aparecen en forma de informes de mantenimiento u rdenes de trabajo que debern
convertirseaunformatoapropiadoparasuposterioranlisis.
2.2. Plandeadquisicindedatos(PLANdeCalidad)
Todo plan de adquisicin de datos debe quedar bien definido por la organizacin gestora de la planta o
instalacin, adquiriendo, esta ltima, el compromiso de formar a los ingenieros o tcnicos de planta
encargadosdelasupervisinymantenimiento.Lacomunicacindelosobjetivosdelplandeadquisicinydela
metodologa a seguir debe quedar bien comprendida por aquellos que vayan a ejecutarlo para asegurar la
calidadyadecuacindelosdatosrecolectados.

Asignacionesenel
PlandeAdquisicindeDatos
IngenierosoTcnicos
deplanta

Organizacin
Objetivosdel
plan

Entrenaral
personal

Asignar
actividades
degestin

Ejecutarel
Plansegn
prescripcin

Redactar
informesde
Mto.

Aportar
conocimiento
Emprico

Figura2:DistribucindeasignacionesenelPlandeAdquisicindeDatos

Pg.11de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Por su parte, las personas encargadas de ejecutar el plan, debern desempear su funcin en base a las
directrices estipuladas en el mismo y sern los responsables de facilitar al equipo de gestin los informes
cumplimentados con la frecuencia que se haya acordado. Es remarcable el que, frecuentemente, los
encargados de interaccionar con los sistemas tcnicos poseen un conocimiento emprico sobre su
funcionamiento que desde el rea de gestin no se tiene. Por ello, siempre que se estime, deben
complementar los informes con valoraciones personales que estimen relevantes. La honestidad en la
realizacin de los informes es un requisito indispensable para que la gestin de activos pueda realizarse
eficientemente.Elpersonalencargadodeejecutarelplandebeestarmotivadoeinvolucradoenlosvaloresde
la organizacin de tal forma que no se vean incentivados a adoptar posturas defensivas (no compartir
informacinrelevante)yotroscomportamientospocoticos.Laveracidaddelainformacinrecogidaenlos
informesesvital.Todoello,mejorarenormementelacapacidaddegestindelosactivos.
Engeneral,unanlisisdefiabilidadrequierelossiguientestiposdedatos,quedebenquedarcontenidosenel
informedemantenimiento:datosdeinventario,losdatosdefalloydatosdetiempodeoperacin.
Los datos de inventario son aquellos que establecen las especificaciones tcnicas del equipo o elemento
analizado, fecha de instalacin, la localizacin del mismo dentro del sistema, el operario que lleva a cabo la
ordendetrabajo,elsupervisorquelarevisa,sufuncin,lascondicionesrealesdeoperacinenelmomentode
laintervencin,lascondicionesdelentornodondeopera,etc.Unmodeloaceptabledecmocontemplaresta
informacinenuninformedemantenimientosemuestraenlasiguientefigura:
HOJADESEGUIMIENTO
Sistema:CursoDisponibilidad

Condicionesdeservicio

Operario:
Fluido:R134a
Parmetro
Flujovolum.
Presinent.
Presinsal.
DiferencialP
Temp.Entr.
Temp.sal
Entalpa
Viscosidad
Vaporfrac.Sal.

Subsistema:SVEA
FechaInstalacin:
Funcin:Proceso/seguridad
Supervisor:
Unidades
m3/h
MPa
MPa
MPa
K
K
kJ/kg
Pas
N/A

Valor
200
1,0166
0,23428
0,78232
313
267
256,41
163,4
0,317

CondicionesAmbientales

tem: Vlvula

Clase:termosttica
Modelo:
Aplicacin:Expansin fluidorefrigerante
Tiempotesteado: 2/01/201112/07/2011
Parmetro
Unidades
Valor
Temperatura
K

Humedad
%

Niveldeestrs
N/A

Figura3:Modelodereadeinventarioenuninformedemantenimiento

Disponerdedatosdeinventariocompletosesfundamentalpararealizarlosanlisisdedatosparafiabilidadya
queestosaseguranquelamuestraescogidaparaelestudioestcompuesto,agrandesrasgos,porelementos
desimilarcredibilidad.
Los datos de eventos de fallo son los datos asociados al proceso de fallo, y de reparacin del elemento
analizado. En l se pueden detallar aspectos como el modo de fallo, el mecanismo, la causa siempre que

Pg.12de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

proceda,losefectos,lafechaenlaquesedetectaelfallo,lafechaenlacualsesubsanaelmismoylafechaen
lacualserestauralaoperacin.Tambinsereflejalaaccincorrectorayelmtododedeteccin.
Lamayorcantidaddeinformacinreflejadaenesteapartadopermitirunamejorcaracterizacindelestadode
saluddelossistemas.Naturalmente,aliniciodelaoperacinencualquierinstalacin,lacantidaddisponiblede
datos es poca e incluso tras varios aos de operacin puede ocurrir que los datos recabados sigan siendo,
igualmente, pocos. No obstante, cuanta ms informacin se posea mejor ser la capacidad de gestin de
nuestrosactivos.

Mododefallo
Efectodelfallo
MododeDeteccin
Mododereparacin

Deteccindelfallo

Hora

Fecha

Mantenimiento

Historialdefallo

Este tipo de informacin se representa, generalmente en forma de texto. Sin embargo la creacin de una
codificacinespecficayestandarizadaessiempretilparaunagestinmseficientedelasbasesdedatosy
paraevitarerrorestipogrficosduranteelregistrodeloseventosdefallo.
Concepto
Fechainicio
Fechafin
Listoparaoperar

Hora

Fecha

Resume
Tiempo activo de
reparacin
Tiempodeespera

Figura4:Modelodereadedatosdefalloenuninformedemantenimiento

DatosOperacionales

Losdatosdetiempodeoperacingeneralmentequedanreflejadosenalgunodelosdosapartadosanteriores.
No obstante, en ciertos casos es adecuado que exista una seccin especfica para detallar los intervalos de
tiempoenqueundeterminadoequipoosistemaestenfuncionamiento.Estoesespecialmentetilparael
anlisisdelosequiposcuyofuncionamientopresentadiscontinuidadeseneltiempo.Estopuedeapreciarseen
sistemas de backup o sistemas de proteccin cuya operacin se realiza a demanda. En prximos temas se
abordarladistincinentrelosconsideradostiemposdecalendarioydeoperacin.

Modohabitualdeoperacin
Tiempo transcurrido desde
instalacin
Tiempodeservicio

Comentario:
Incidencias con paro de la
actividadnormal

Figura5Modelodereadedatosdeoperacionalesenuninformedemantenimiento

Pg.13de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

2.3. Resumenconceptual
En este captulo se ha abordado la descripcin de las diversas fuentes de datos de fallo y de protocolos un
protocolo para garantizar la calidad de los datos recopilados. Los procedimientos para recabar datos de
recuperacinguardanunagrananalogaconlospreviamentedescritosyporellonosehaprofundizadoeneste
sentido. En todo caso, cada actividad de mantenimiento o reparacin debe ir acompaada de informacin
cualitativarelevanteparacaracterizarlosindicadoresdemantenimientodelosactivos.Sobreellosedisertar
msampliamenteenlasmateriasdeMantenimientoymantenibilidaddeactivosindustriales.
Enelanlisisdeldesempeodelosactivosdurantelafasedeexplotacin,losdatosdeplantadebenemplearse
prioritariamente frente a cualquier otra fuente de informacin. Estos son los nicos que puede reflejar
fielmente el desempeo real de los sistemas del entorno industrial en el que se est operando y por tanto
permitirnsintetizarindicadoresdeanticipacinrepresentativos.
Losobjetivosdelplandeadquisicindebernserlomsrealistasposible,ponderandolosrecursosdisponibles
parasuejecucin.Deestamaneraseevitarplantearmetasinabordablesyqueprobablementeconcluyancon
menos informacin relevante de la que se podra haber obtenido de haber propuesto unos objetivos ms
adecuados.
Deberformarsealequipotcnicodeejecucindelplanexplicando,nosololasmetodologassinoelporqude
lastareas.Untrabajadorquesesientemotivadoporeltrabajoquehaceyqueconoceelfinporelcualtrabaja
ofrecermejoresresultadosqueaquelquenodisponedeesainformacin.
Elequipotcnicoencargadodeejecutarelplandeberceirsealaestrategiaestablecida.Deellodependeque
losdatosregistradosseanrepresentativosylosindicadoresdeFiabilidadseanlosmsfidedignosposible.

Pg.14de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

3.

TIPOSDEDATOS

En Estadstica existen muchas clasificaciones del tipo de variables y muestras estudiadas. Estas pueden ser
Cuantitativas o Cualitativas, Ordinales o Cardinales, Continuas o Discretas, entre otras. Sin embargo, este
captulo se centrar en la clasificacin de los datos como completos o censurados. La censura estadstica
consisteenelconocimientoparcialdelvalordeunavariableobservada.
Habitualmente la censura sobreviene cuando no es posible medir con precisin un evento concreto, por
ejemploeltiempohastaelfallodeunactivo.Adems,algunosautoresincluyenenladefinicindecensurael
concepto de truncamiento, que ocurre cuando se decide observar una cierta variable hasta que adopta un
ciertovalor.Porestemotivo,generalmentelacensuraseclasificaendosgrupos:CensuradeTipoIyCensura
de Tipo II (truncamiento). Para clarificar el significado de ambos tipos de censura vanse los dos supuestos
siguientes:

Censura Tipo I: Considrese que en un subsistema de bombeo de crudo se detecta durante un


procedimiento de inspeccin que una de las bombas se encuentra funcionando al 15% de sus
especificacionesdeoperacin.Sesabeademsque,segnelhistorialdefuncionamiento,labomba
funcionaba correctamente durante la inspeccin previa. Por tanto la bomba habr fallado en el
intervalodetiempoentreambasinspeccionesperonosesabecundoexactamente.Esteesuntipo
decensuraporintervalocomosedescribirposteriormente.

Censura Tipo II: En un ensayo de demostracin de la fiabilidad se testean 15 unidades de unos


rodamientos.Elensayosedetienecuandocincodeesoscomponenteshayanfallado.Elobjetivoes
relacionareldesgasteconelfallo.Alfinalslosetendrinformacinprecisadelarelacinentreel
espesor(desgaste)yelfalloparacincounidades.ElrestodeellasestarnsujetasacensuradeTipoII.

Hayquedestacarquelacensuranoesexclusivadelosprocesosdefallo,tambinsemanifiestaenlosdatosde
recuperacinenformadeinformesdemantenimientomalcumplimentadosoensayosdedemostracindela
mantenibilidad.
A continuacin se analizan con ms detenimiento las definiciones relativas a datos completos y a datos
censuradosconCensuraTipoI.
3.1. Notacin
Enadelanteseemplearlasiguientenotacinparaidentificardatoscensurados:

NotacinDatoCensurado (X)

CensuraalaIzquierda
*X

CensuraalaDerecha
X*

CensuraporIntervalo
*X*

3.2. DatosCompletos
Los datos completos son aquellos de los cuales se conoce toda la informacin al finalizar el anlisis. Por
ejemploconsidreseunestudiodesupervivenciaenelquesevaaestudiareltiempoquetardaunaresistencia
enromperseparaellosedisponedesistemaautomticoderegistrodeltiempotranscurridohastaelfallopor
loqueseconocesinningunadudaelmomentoexactoenelquefallelmismo.
Siademsendichapruebaseensayaron4resistenciasyseconoceeltiempoexactodefallodecadaunade
ellassediceentoncesquesedisponedeunamuestradedatoscompletos.

Pg.15de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Figura6Muestradedatoscompleta

3.3. DatosCensurados
De forma general pueden identificarse tres esquemas diferentes de censura, a saber: censura a la derecha,
censuraalaizquierdaocensuraporintervalos.
3.3.1.

Censura a la derecha

Seobservacuandoeleventoovariableestudiadanoocurreduranteeltiempodeanlisis.Estecasodecensura
esmuycomnenlaspruebashastaelfallorealizadassobreproductosdondeelanlisistieneuntiempofijo.Si
nollegaseadarselasituacindefalloenelproducto,estetiempoestaracensurado,yaquesedesconoceel
tiempoenelquefall.
Porejemplosiseobservaelsiguienteesquema,dondesetestearonunconjuntodebombasseobservaque
unadelasbombasnopresenteleventoderoturaduranteelperiododeobservacinmientrasquetresdelas
bombasslopresentaron.

Figura7muestradedatoscensuradaaladerechaparacuatrobombas

3.3.2.

Censura a la izquierda

Estetipodecensurasepresentacuandosedesconoceeliniciodeleventoqueseestestudiando.Porejemplo
dadalasiguientesituacin:
Supngasequesehaadquiridounlotedeequiposdesegundamano,conunavidatotalde12000h,delcualse
conoce que algunos han tenido un fallo durante este periodo. Dado que el vendedor no llevaba un control
exhaustivosedesconoceenqumomentoseprodujo.
Paraconocerelestadodeloteserealizaunanlisisdesupervivenciadelmismoperodelosdatosobtenidosse
deben marcar como censurados aquellos tiempos hasta el fallo de los equipos que previamente han fallado

Pg.16de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

dadoquenoseconocesuverdaderovalor,pueseliniciodelsegundoperiododevidapuedeencontrarseentre
0y12000h.

Figura8Muestradedatoscensuradaalaizquierda

3.3.3.

Censura en intervalos

Estetipodecensurareflejalaincertidumbreasociadaalaocurrenciadelevento.Setienendoscotas,superior
einferiorcomoestimacinperosedesconoceconexactitudelvalordelmismo.Un ejemplodeestetipode
censurayaseenuncienapartadosanteriores.

Figura9Muestradedatoscensuradosenintervalos

3.4. Resumenconceptual
Lainformacindisponiblesobreunamuestradedatoscondicionaelanlisisposteriordelamisma.Aspues,es
de gran importancia que cada uno de los datos de la muestra est correctamente cualificado. Se han
identificado dos tipos de censura: Tipo I y Tipo II. Para el primer tipo la medida u observacin del evento
estudiadonohasidototalmenteprecisadebidaalaslimitacionesdelmuestreo.Porsuparte,elsegundotipo
sedebealasestrategiasdemuestreoespecificadas.
Lacensurapuedemanifestarsesegntresesquemasdiferentes:lacensuraaladerechatienelugarcuandola
ocurrenciadeleventodeinterstienelugartrasfinalizarelperiododemonitorizacin.Lacensuraalaizquierda
refleja el desconocimiento sobre los eventos que han acontecido previos a la monitorizacin. Por ltimo, la
censura por intervalos considera aquellos eventos para los que solo ha podido identificarse un intervalo
acotadoenrelacinasuocurrencia.
Enlosiguienteseespecificanlasfuncionesomodelosprobabilistasmsdestacablesparaelanlisisdedatosen
laingenieradeconfiabilidad,tantoparaanalizarelprocesodereparacincomoelderecuperacin.

Pg.17de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.

MODELADODEDATOS

En muchas ocasiones, los datos obtenidos, suelen mostrar patrones (modelos o tendencias). Es objeto del
anlisisdedatosencontrar(inferir)lospatrones(leyesmatemticas)deunaciertapoblacinenfuncindelos
valores muestrales observados de variables aleatorias (los datos obtenidos de algn componente). En el
mbitodelaingenieradeConfiabilidadestosmodelostienencarcterprobabilistaypermitencaracterizarla
distribucindelavariablealeatoriadeinters(tiemposhastaelfallo,tiemposdereparacin,etc).

Figura10Diferenciaentrepoblacinymuestra

As pues, el modelado de datos resulta esencial para caracterizar matemticamente la tendencia en el


comportamiento de los componentes que definen un sistema. Algunos de los datos de relevancia son los
relacionadosconelprocesodefallo(tiemposhastaelfallo,tiemposentrefallos,desgastehastaelfallo,etc.)
de un activo, as como los asociados a los procesos de recuperacin (Tiempo de reparacin, tiempo de
inspeccin,etc.).Segnelsectorsobreelcualserealiceelestudiodeconfiabilidadlavariabledeinterspuede
diferir.
Enlosiguiente,sedarnprimerounasnotasdelaestadsticaelementalquesonclaveparacualquieranlisisde
datospreliminarafindeobtenerinformacininicialrpidasobrelamuestradeestudio.
4.1. Notasdeestadsticadescriptivabsica(Medidasdetendenciacentralydedispersin)
4.1.1.

Medidasdetendenciacentral

Lasmedidasdetendenciacentralsonaquellasquedescribenelcomportamientodeunconjuntodedatosde
formapromedio.Portanto,suelenubicarsehaciaelcentrodelconjuntodedatosordenados.
Aunque el conjunto de medidas de tendencia central es muy diverso, este documento solo tratar la media
aritmtica,lamedianaylamodacomomedidasbsicasmsrepresentativas.
4.1.1.1. Mediaaritmtica

PROMEDIO

Lamediaaritmticasedefinecomolasumadelosvaloresdeunconjuntodedatosdivididoentreelnmerode
datosqueconformandichoconjunto:
n

xi
i 1

n
,dondeneselnmerodedatosy xi elvalorpuntualdecadadato.

Pg.18de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.1.1.2. Mediana
La mediana de un conjunto de datos ordenados, se corresponde con el valor de aquel dato que divide al
conjuntoendospartesiguales.Enparticular:

Encasodequeelconjuntotengaunnmerodedatosimpar,entonceslamedianaeselvalorcentral.
Estoes:

Me x( n /2) 0,5

Sielnmerodedatosespar,lamedianaseramediadelosdosvalorescentrales.Estoes:
Me

1
x( n / 2 1) )
(x
2 ( n /2)

4.1.1.3. Moda
Lamoda( Mo )deunconjuntodedatoseselvalormsrepetido,esdecir,elqueocurreconmayorfrecuencia.
Lamodapuedenosernicaeinclusonoexistir.
Ejemplo:
Eltiempodereparacindeunabombatienelossiguientesresultados,expresadosenhoras:
12,7,4,5,4,9,7,4,8,2.
Calcularmedia,medianaymoda.
Resolucin:
Enprimerlugar,seordenarnlosdatos,paratenerunadisposicindemenoramayor.
2,4,4,4,5,7,7,8,9,12
Ahora,secontarnelnmerodemuestras.Alhaber10datos,n=10.
Lamediaeslasiguiente:
n

xi
i 1

(2 4 4 ... 9 12)
6, 2
10

Lamedianaserlasiguiente:
Me x( n / 2) 0,5 x5,5

x5 x6 5 7

6
2
2

Lamodacorrespondealvalormsrepetido,porloque:

Mo 4

Pg.19de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.1.2.

Medidasdedispersin

Las medidas de dispersin reflejan el grado de desviacin que los valores del conjunto de datos (muestra)
tienen respecto al valor de tendencia central. De entre los que existen, este captulo se centrar en la
descripcindelavarianza,ladesviacintpicayelrangointercuartlico.
4.1.2.1. Varianza
La varianza de una serie de datos representa la desviacin cuadrtica de los datos respecto de la media
aritmtica.Estdefinidaporlaexpresinsiguiente:
n

( xi )2
i 1

4.1.2.2. Desviacintpica
La desviacin tpica se define formalmente como la raz cuadrada de la varianza. Este arreglo permite
representarlamedidadedispersinenelmismoordendemagnitudquelosdatosdelamuestra.
n

( xi )2
i 1

4.1.2.3. Rangointercuartlico
Paradefinirestamedidadedispersinesconvenienterecordarquesuncuartilyengeneralquesuncuantil.
Uncuartilesunaparticularizacindeuncuantil,detalformaqueenprimerlugarsedefinirelconceptoms
generalyposteriormentelasparticularizaciones.
Sedenominacuantil(quantileeningls)alvalorquedividelamuestraenkporcionesconelmismonmerode
valores.Loscuartilesson,portanto,losvaloresquedividenencuatropartesiguales(k=4)lamuestradedatos.
Haycuatrocuartiles,elprimercuartil Q1 eselquealojael25%dedatosdelamuestra,elsegundocuartil Q2 ,
contieneel50%delosdatosdelamuestra,eltercercuartil Q3 el75%yelcuartocuartil, Q4 ,el100%,esdecir,
latotalidaddelamuestra.Ntesecomoelsegundocuartilcoincideconlamedianadelamuestra,explicada
anteriormente.
Portanto,elrangointercuartlicosedefinecomoladiferenciaentreelterceryelprimercuartil.Estoes:

IQ Q3 Q1
Loscuartiles,seobtienenapartirdelasiguienteexpresin:

Qk x k ( n 1) k 1, 2,3
(

Sielsubndice k (n 1) / 4 nofueseunnmeroentero,entoncesdeberinterpolarselinealmenteelvalordel
cuartilconsiderandoelsiguientevalormsbajoymsaltoalrededordelmismo.Vaseelejemplosiguiente:
Ejemplo:
Calcularlavarianzayladesviacintpicadelosdatosdereparacindelejemploanterior.

Pg.20de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Resolucin:
Lavarianzasecalculadelasiguientemanera:
n

( xi )2
i 1

(2 6, 2) 2 (4 6, 2)2 ... (9 6, 2) 2 (12 6, 2) 2


7,96
10

Ladesviacintpicaes:

2 7,96 2,821
Elrangointercuartlicoes:
k (n 1) 1 (10 1) 11

2, 75
4
4
4
Q1 x2,75
Q1

Comoelndicenoesentero,elvalordeestecuartilseinterpolarconsiderandolosdatos x2 4 y x3 4 ,as
pues:
xi xi1 xi2 xi x2,75 x2 x3 x2,75
44

(2, 75 2)
44
:
:x
i i1
i2 i1 2, 75 2
3 2, 75 2,75
3 2, 75
Q1 x2,75 4

Calculamosahoraeltercercuartil:
k ( n 1) 3 (10 1) 33

8, 25

4
4
4
Q1 x8,25
Q1

xi xi1 xi2 xi1 x8,25 x8 x9 x8


98

8 8, 25
:
: x8,25 (8, 25 8)
i i1
i2 i1 8, 25 8
98
98

Q1 x8,25 8, 25

Portantoelrangointercuartlicoes:
IQ Q3 Q1 8, 25 4 4, 25

4.2. Desdelosdatoshastalosmodelos:unavisinmetodolgica
Lo primero con lo que se encontrar un ingeniero de confiabilidad cuando desee obtener modelos de los
indicadoresdesussistemasser,generalmente,algoparecidoalosregistrosdeoperacinquesemostraron
en el apartado 2.2. A partir de esa informacin primaria, se debern extraer los valores de la variable
estudiada,porejemplo,tiemposdereparacindeunactivo.Enconsecuencia,elanalistahabrsintetizadotoda
esainformacinenunaseriederegistrosdetiemposdereparacinomuestradetiemposdereparacin.Vase
latablasiguiente:

Pg.21de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Tiemposdereparacin(h)
9
12

13

15

21

35

A continuacin, para obtener una primera aproximacin a las probabilidades de reparacin se realizar un
anlisisdefrecuenciasdelosvaloresmuestreados.Paraello,primeroserealizarnagrupacionesdelosdatos
muestreadosmediantealgntipoderegla.Enestedocumento,sedescribenenelcaptulo6.Lasreglasdela
razcuadradaySturgescomoprocedimientosistemticoparalaagrupacin.Supngasequeparaelconjunto
devaloresobtenidos(muestra),losgrupos(clases)sonlossiguientes:

Clases

Marcade
Clase

010h
5
1020h
15
2030h
25
3035h
32,5
A continuacin se asignan las frecuencias de ocurrencia a cada clase identificada y se crea el diagrama de
frecuenciasabsolutas.

Ocurrencias

6
5
4
3
Frecuencia
absoluta

2
1
0
010

1020
2030
Tiempodereparacin

3035

Figura11:HistogramadeFrecuenciasAbsolutas

Sicadacolumnadelgrficoanterior(querepresentalasfrecuenciasdecadaclase)sedivideentreelnmero
total de datos de la muestra, se obtiene el conocido grfico de frecuencias relativas. Esto se conoce como
aproximacin a priori de la funcin de densidad (apartado4.3.1) de una variable aleatoria (en este caso, el
tiempoderecuperacin).

Figura12Histogramafecuenciasabsolutasyacumuladas

Pg.22de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Si estas frecuencias relativas se suman y su resultado se acumula se obtiene la Figura 12, conocida como
diagramadefrecuenciasrelativasacumuladas.Estegrficorepresentalaprimeraestimacinnoparamtrica
delafuncindedistribucin(apartado4.3.3).
Por tanto, actualmente a efectos del anlisis se dispondr de una pareja de valores del tipo marca de clase
(valor medio de las clases) y una probabilidad (frecuencia relativa acumulada) de reparacin. El objeto del
analistaserobteneralgnmodelomatemtico,tambinllamadofuncindedistribucinodistribucinconla
quepoderestimarculserlaprobabilidaddereparacinencadainstantedetiempo.
Laobtencindedichomodelosedenominaajuste,ypuederealizarsemediantediferentesmetodologas,como
porejemplo,ajustelinealmediantemnimoscuadrados(apartado5.1)oelmtododemximaverosimilitud
(apartado5.2),entreotros.
Enlosiguienteseexpondrnlasfuncionesdeprobabilidadcontinuasydiscretasdemsampliaaplicacinen
los anlisis de Confiabilidad para la caracterizacin de indicadores. Se har nfasis en las distintas funciones
ms relacionadas con la ingeniera RAMS (supervivencia, probabilidad de fallo, densidad, etc) y en sus
parmetroscaractersticos.Otrasfuncionesmenosfrecuentesseexponenenlosanexosdeestedocumento.
Ademsseexplicarnalgunasdistribucionesque,sibiennoseempleanfrecuentementeenlacaracterizacin
deindicadores,ssonextensamenteusadasenlosprocesosdecontrastedehiptesisybondaddelajuste.
Segn el tipo de variable aleatoria estudiada, los modelos o funciones de probabilidad anteriormente
mencionados se clasifican en continuos o discretos. Por ejemplo, la probabilidad de que un rel sufra cinco
fallosenunintervalodetiempovienedescritaporalgnmodelodiscretoquebienpodraserunadistribucin
de Poisson. Por su parte, laprobabilidadde que una bomba no falle antes de un tiempo determinado viene
descritaporalgunadistribucindeprobabilidadcontinua,comounaWeibull2P.Ntesequeenelprimerode
los casos se est estudiandoel nmerodefallos (variable aleatoriadiscreta)y en el segundocasoel tiempo
hastaelfallo(variablealeatoriacontinua).
4.3. Funcionescontinuas
Se han seleccionado como distribuciones ms relevantes, la funcin exponencial, la funcin de Weibull, la
funcinNormalylafuncinLognormal.
Enprincipioseaportanlasbasestericassobrealgunasdelasfuncionesmsdestacadasasociadasconcada
modelodedistribucindeprobabilidad.
4.3.1.

Funcin de densidad de Probabilidad

LaFuncindedensidadasociadaaunavariablealeatoria,eslaprobabilidadrelativasegnlacualdichavariable
(tiempohastaelfallo,tiempodereparacin,etc)tiendaaadoptarvaloresentornoaundeterminadovalort.
Habitualmentesedenotapor f (t ) ,ycumplelasiguientepropiedad:

D f (t )dt 1 .
, donde D es el dominio de la variable aleatoria. En el mbito del anlisis de confiabilidad el dominio est
contenidoenelconjuntodelosnmerosrealesoenterospositivos,estoes:
D [0, )

Pg.23de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Supongamosunrodamientoenunejegirandocontinuamenteconelfuncionamientodeunmotor.Lafuncin
dedensidadpuedeestablecerconquprobabilidadelrodamientofallaraalas1000horasdefuncionamiento,
alas5000horas,oalahoraqueseledefinaenlafuncin.
4.3.2.

Esperanza de una variable aleatoria (Valor Medio)

Laesperanzamatemticaovalormedio( E )deunavariablealeatoriaconunadeterminadadistribucines
aquelvalorque,dealgunamanera,defineelcentrodemasasdeladistribucindeprobabilidad.Encierto
sentidoproveedeunamedidadelvalorpromedioqueadoptardichavariable.Sedefinecomo:

D t f (t )dt

Et T

Enlosanlisisdeconfiabilidad,generalmente,elvalorde T estasociadoalasvariablesTiempoHastaelFallo
(TTF)oTiempodeReparacin(TTR)omtricassimilares.
Siguiendoelejemplodelrodamiento,lamediabuscarelinstanteintermediodetiempoenelquesuelefallar
elrodamiento.Aunqueunrodamientofallealas20000horasyotroalas5horas,cuandofallannrodamientos,
seapreciaquehayunvalormediodetiemposobreelquesuelefallarelrodamiento,yesloquesebuscabajo
estafuncin.
4.3.3.

Funcin de Distribucin de Probabilidad

LaFuncindedistribucindeunavariablealeatoriadefinelaprobabilidaddequeestaseamenorqueuncierto
valordereferenciat..Sedefinecomo:
F (t )

0 f (t )dt

ContinuandoconelejemplodelanlisisdeRAMSdelrodamiento,laprobabilidaddequestesufraalmenos
un fallo durante el periodo de 10000 horas de funcionamiento viene descrita mediante la funcin de
distribucinaplicandoenellaestetiempo.
4.3.4.

Funcin de Supervivencia

LaFuncindesupervivenciadeunadeterminadavariablealeatoriadefinelaprobabilidaddequeestaadopte
unvaloralmenostanbajocomoundeterminadovalordereferenciat.
Sedefinecomo:
R (t )

f (t )dt

Lafuncindesupervivenciaescomplementariaalafuncindedistribucin.Portanto:
R(t ) F (t ) 1

,oloqueeslomismo:
t

R (t ) 1 F (t ) 1 f (t )dt
0

Trabajando sobre el ejemplo anterior, la probabilidad de que el rodamiento no haya fallado durante las
primeras10000horasdeoperacinsepuedecalcular,obienconlafuncindesupervivencia,obienrestandoa
1laprobabilidaddequenofalle(calculadaconlafuncindedistribucin).

Pg.24de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Valorndolonumricamente,silaprobabilidaddequenofalle(calculadaconlafuncindesupervivencia)alas
10000horasesdel65%(0,65),laprobabilidaddequefalleesdel35%.
4.3.5.

Funcin de Riesgo

LaFuncinderiesgoeslaprobabilidaddequeelsucesoconsideradoocurraenelsiguienteinstantedetiempo,
condicionadodequenohasucedidoantes.
Sedefineporlasiguienteproporcin:

(t )

f (t )
R (t )

Recurriendoalejemplodelrodamiento,siseconocequehanpasado5000horasyannohafallado,conla
funcinderiesgoseestablecelaprobabilidaddequefalleacontinuacin
4.3.6.

Exponencial

Elmodelodedatosexponencialseverepresentadocomounasencillacurvadecreciente,enbaseexponencial.
Secaracteriza,deformageneral,porestardefinidopordosparmetrosyportenerunanicaformacualquiera
que sean sus parmetros. Como se ver posteriormente con ms detalle, se trata de un caso particular del
modeloWeibull.
4.3.6.1. Funcindedensidad
Lafuncindedensidadexponencialvienedeterminadaporlasiguienteecuacin:
f (t ) e (t )

Estdefinidapor y ,porloqueseconocecomolafuncindedensidadexponencialde2parmetros(E
2P),dondeseverificaque:
f (t ) 0 , 0 ,

t0 0
t 0

El parmetro es el parmetro de localizacin. Con valores positivos, desplaza la curva hacia la derecha,
representandoqueeleventomodelado(fallo,reparacin,etc)comienzaaocurrirapartirdeunciertovalor
,nopudiendotenerlugaravaloresinferiores.
4.3.6.2. Esperanza(valormedio)deladistribucinexponencial
Laesperanzadeladistribucinexponencialsecalculaapartirdelaexpresindelapartado4.3.2.

T t f (t )dt t e (t ) dt

4.3.6.3. Funcionesdedistribucinysupervivencia
Lafuncindedistribucinexponencialseobtieneintegrandolafuncindedensidadexponencial.Vienedada
por:
F (t ) 1 e (t )

Pg.25de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Como las funciones de supervivencia de cualquier distribucin son uno menos la funcin de distribucin, se
obtieneque:
R (t ) 1 F (t ) e (t ) .

4.3.6.4. Funcinderiesgo
Otra funcin importante en el anlisis de datos es la funcin de riesgo (del ingls, hazard). Es la proporcin
entrelafuncindedensidadylafuncindesupervivencia:

(t )

f (t ) e (t )
( t )
R (t )
e

Enestadistribucin,lafuncinderiesgoesconstante,ydevalor .
Una caracterstica interesante de esta funcin es la llamada falta de memoria. Esta propiedad se verifica
cuando la funcin de riesgo es constante y en consecuencia la probabilidad de ocurrencia del evento es
independientedelresto.
Formalmenteestefenmenoestasociadoconlaprobabilidadcondicionadadequeeleventoocurraprevioal
instante t+s tal que no haya ocurrido previo al instante de tiempo t. Si se verifica la propiedad de falta de
memoria, entonces la probabilidad de ocurrencia del evento (por ejemplo el fallo de un equipo) previo al
instantet+scondicionadoaquenohayaocurridoantesdetesequivalenteaestudiarlaprobabilidaddequeel
eventoocurraantesdelinstantet+s.:
P[T (t s ) | T t ] P (T s )

Supngaseelcasoenquesedeseaanalizarlaprobabilidaddefallodeuncondensadorinstaladoenlaplaca
base de una unidad de procesamiento. Si el fallo de dicho condensador est definido por una distribucin
exponencial, entonces, segn la propiedad de falta de falta de memoria, la probabilidad de fallo del
componenteenunperiodode1000hesigualtantosiseconsideraelperiododespusdesuinstalacincomo
si se considera que ya ha funcionado un nmero de horas determinado previamente. Vase en la siguiente
demostracin:
Ejemplo:
Supnganselossiguientesdosescenariosy=0,00075.Porunapartesequieredeterminarlaprobabilidadde
queunactivofalleantesdelas1000horasdefuncionamiento.Porotrapartesedeseacalcularlaprobabilidad
de que habiendo el equipo operado durante 200 horas, cul es la probabilidad de que falle en las siguientes
1000horas.Sesabequelaleyasociadaaltiempohastaelfalloesunaexponencial.
Para el primer caso se desea calcular P (T 1000) mientras que en el segundo caso se trata de hallar
P (T 1000 200 | T 200) .Silapropiedaddefaltadememoriasecumpleambasprobabilidadesdebenser

iguales,aspues:
P (T 1000) F (1000) 1 e 0,000751000 0, 52763

Pg.26de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Porotraparte,tambinsehademostradoque:
P (T 1000 200 | T 200) P (T 1000) 1 e 0,000751000 0,52763

Cuandoelvalordegammaesigualacero,seobtieneladistribucinexponencialdeunparmetro(E1P),cuyas
propiedadessemuestranenlatablasiguiente:

FuncindeDensidad
f (t ) e t

ModeloExponencialdeunParmetro(E1P)
FuncindeDistribucin
FuncinSupervivencia FuncindeRiesgo ValorMedio
1

F (t ) 1 e t
R(t ) e t

Lainfluenciaqueejercen y sobrelafuncindedensidadexponencialesnotable:
En el modelo exponencial el parmetro determina el valor inicial de ordenadas asociado a la funcin de
densidad.Asimismorepresentalatasadevariacin(crecimientoodecrecimiento)asociadaalasfuncionesde
distribucin, densidad y supervivencia. En las figuras Figura 13 y Figura 15 puede observarse el efecto que
ejerce el valor del parmetro . Por su parte, el parmetro es un factor de localizacin que desplaza a la
distribucinsobreelejedecoordenadas.Cuandoesigualaceroseobservaqueelfenmenoestudiadotiene
lugardesdeelprincipio(t=0).Asimismo,cuandogammaesmayorqueceroocurrequeeleventocomienzaa
manifestarse con un cierto retraso en relacin al instante inicial. Los valores de pueden ser tambin
negativos, habiendo en este caso cierta discusin sobre su posible significado, cuando la distribucin es
empleada en el anlisis de la fiabilidad de activos. Algunos autores argumentan que el valor negativo del
parmetro de localizacin puede deberse a fallos durante el proceso de manufactura del activo o fallos en
general producidos previamente a la fase de explotacin (transporte, almacenado, etc). Otros, en cambio,
consideranqueelvalordenegativoesexclusivamenteunaevidenciarazonableparadescartarelmodeloya
que la funcin de supervivencia (fiabilidad en este caso) por convenio es igual a uno al inicio de la vida del
activo.

0,01

=0,001

0,008

=0,005

0,006

=0,009

Funcindedensidad
f(t)

Funcindedensidadf(t)

En las figuras se han contemplado cuatro posibles escenarios. La Figura 13 y Figura 14 representan las
funciones de densidad. La primera considera el efecto del parmetro manteniendo el otro constante,
mientrasquelasegundamuestracurvasparalasquesevaraelparmetromanteniendoelotroconstante.
En la Figura 15 y Figura 16 se representan casos anlogos a los anteriores pero sobre la funcin de
supervivencia.

0,004
0,002
0
0

200

400

600

0,01
0,008
0,006

=0
=100

0,004
0,002
0
0

200

400

600

Tiempot

Tiempot

Figura14EfectodeenlafuncindedensidadExponencial

Figura13EfectodeenlafuncindedensidadExponencial

Pg.27de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

=0,001

1,2
1
0,8
0,6
0,4
0,2
0

Funcindesupervivencia
R(t)

Funcindesupervivencia
R(t)

=0,005
=0,009

200

400

600

1,2
1
0,8
0,6
0,4
0,2
0

=0
=100

Tiempot

Figura15EfectodeenlafuncindesupervivenciaExponencial

200

400

600

Tiempot

Figura16EfectodeenlafuncindesupervivenciaExponencial

Como se aprecia del anlisis de las grficas conforme aumenta el valor del parmetro , las funciones de
densidadysupervivenciatiendenadecrecerdeformamsrpida,observndoseelefectocomplementarioen
lafuncindedistribucin.
4.3.6.5. LinealizacindeladistribucinExponencial
La expresin linealizada de la distribucin exponencial se usa de forma frecuente para ajustar unos datos
muestralesalmodelo,osea,paraobtenerlosvaloresdeymsapropiadossegnlosdatosdados.Paraello
serecurreaunatransformacindelosdatosapartirdelafuncinlogaritmoneperiano:
F (t ) 1 e (t )
ln(1 F (t )) ln(e (t ) ) (t )
ln(1 F (t )) t

Si los datos transformados pueden ajustarse razonablemente a una recta entonces no se puede refutar la
hiptesisdequeelmodeloquelosrepresentaesunafuncinexponencial.
y mx b
xt
y ln(1 F (t ))
m
b

Bajoestatransformacin,sepuedenestimarlosparmetrosconelmtododelosmnimoscuadrados,comose
verposteriormente.

4.3.6.6. DerivadasparcialesdelafuncindeVerosimilitud
Acontinuacinsepresentaladerivadaparcialrespectodelparmetrodelafuncindelogverosimilituddela
distribucinexponencial.
e

1
N i [ (ti )] 0

i 1

min(ti )
,donde min(ti ) denotaelmnimovalordelamuestradedatosobtenida.

Pg.28de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Resolviendoelsistemadeecuaciones,sepuedendeterminarlosparmetros y deacuerdoalmtodode
estimacinparamtricademximaverosimilitudqueserevisarenelcaptulo5.
4.3.6.7. Aplicaciones
Algunas aplicaciones de esta distribucin se encuentran en algunos fenmenos naturales, cuyo riesgo es
constante.Porejemplo,latasadellegadadelaspartculasalfaderayoscsmicosolasmedidasdeunContador
Geigerseamoldanaestadistribucin.
La distribucin ha encontrado amplia aplicacin en la caracterizacin de la fiabilidad de componentes
electrnicos durante su vida til. Tambin como primera estimacin la fiabilidad de nuevos diseos para los
cualesnosedisponedeotrotipodeinformacin.Noobstante,enlaprcticalahiptesisexponencialhasido
ampliamente discutida y no exenta de controversia. Para que se verifique, el componente o activo debe ser
insensiblealaedadyeldesgaste.Adems,trasunfallolarecuperacindeberdejarlocomosifueranuevo,lo
queseconocecomomodeloGAN(GoodAsNew)derecuperacin.
Asimismo,ladistribucinsehaempleadoextensamenteenelanlisisdelamantenibilidaddesistemasenla
queseasumeunatasaconstantedereparacin.
Ejemplo:
Trasanalizarunconjuntodedatosdefallodelsistema,sehadeterminadoquelaleyquedefinesutendenciaes
unmodeloexponencial,caracterizadoporlossiguientesparmetros:
0, 003

40
Lasunidadesempleadasdetiemposondas.
Sequiereestudiarcmoinfluyelaprobabilidaddefallodelsistematras10das,100dasy500das,analizando
lasfuncionesdedensidad,distribucin,supervivenciayriesgo.Tambinsepretendeobtenerlamediadedatos
defallo.

Resolucin:

Si se sustituyen los valores las funciones que definen el modelo exponencial, se pueden obtener las
probabilidadesbuscadas.
Para10das,sedalacaractersticadequeeltiempoesmenorqueelparmetro : t .Porello,losvalores
probabilsticosnoentrancomotalenlafuncin.Porellos,secumpleque:
f (t ) 0
F (t ) 0

R (t ) 1
(t ) 0
Para100das,elvalordelasfuncionesyaaportavalores,yaqueeltiempoesmayorqueelparmetro :

f (t ) e (t )
f (100) 0, 003e0,003(100 40) 0, 00250581

Pg.29de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

F (t ) 1 e (t )
F (100) 1 e0,003(100 40) 0,16472979
R(t ) e (t )
R(100) e0,003(100 40) 0,83527021

(t )

(100) 0, 003
Parauntiempot=500,losvaloresson:
f (500) 0, 003e 0,003(500 40) 0, 00075474
F (500) 1 e 0,003(500 40) 0, 74842145
R (500) e 0,003(500 40) 0, 25157855

(500) 0, 003
Analizandolosvaloresobtenidos,sepuedeconcluirque:
Laprobabilidaddefalloenelinstante,usandolosdatosdelsistema,disminuyeconeltiempo.
Laprobabilidaddequeelsistemahayafalladopreviamentealensayoaumentaconeltiempo.
Laprobabilidaddequeelsistemanohayafallado,portanto,disminuye.
Laprobabilidaddequeseproduzcaunfalloconcretoacontinuacindeltiempomedidoessiempre
constante,ydevalor .
Analizandolamediadefallo:

40

1
373,33
0, 003

Lamediadefalloseproducealos373,33das.
Unacosadestacabledelamediadefalloesquenocoincideconquelaprobabilidaddequehayafalladoseadel
50%.Dehecho,laprobabilidaddequehayafalladoyaesdeun63,21%.Enconsecuencia,laprobabilidadde
quenohayafalladoyaesdeun36,79%.
Porltimo,porlamismarazndeantes,laprobabilidaddequeelfalloseproduzcaacontinuacindehaber
pasado373,33das,sinohafalladoan,esde0,003.
4.3.7. Weibull
ElmodelodedatosdeWeibullesunafuncinmuchomsflexiblequelaexponencial,adaptndoseamuchas
msmuestrasdedatosgraciasalainclusindelparmetrodeforma .Dehecho,lacurvaexponencialesuna
particularizacindeestemodelo,donde adoptavalor1.
4.3.7.1. Funcindedensidad
LafuncindedensidaddeWeibullsedefinecomo:
t

t 1 ( )

(
) e

Ladefinen , y ,porloqueseconocecomolafuncindedensidaddeWeibullde3parmetros(Weibull
f (t )

3P),paralacualpuedecomprobarseque:

Pg.30de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

f (t ) 0 , 0 , 0 ,

t0 0

t 0

El parmetro es el parmetro de forma, representa el parmetro de escala, y es el parmetro de


localizacin.Cadaunoafectadedistintamaneraalafuncindedensidad,comoseverdespus.
4.3.7.2. Esperanza(valormedio)deladistribucindeWeibull
LamediadelafuncindeWeibulldependedelafuncingammatalycomosereflejaacontinuacin:

t 1 (
T t f (t )dt t (
) e

dt (

1)

,donde:

1) e x x dx
0

Los valores de la funcin Gamma se pueden obtener con relativa facilidad mediante software de clculo
numrico(R,Matlab,Weibull++)uotrosdeusogeneralcomoExcel.
4.3.7.3. Funcindedistribucinysupervivencia
LafuncindeWeibulldedistribucin,integrandolafuncindedensidaddeWeibull,es:

F (t ) f (t ) 1 e

Apartirdesta,lafuncindesupervivenciadeWeibulles:
R (t ) 1 F (t ) e

4.3.7.4. Funcinderiesgo
Lafuncinderiesgoseexponeenlaexpresinsiguiente.Comopuedeapreciarse,enestecasolafuncinnoes
constante en el tiempo como ocurra con la distribucin exponencial. Puede demostrarse que en procesos
modeladossegnunadistribucinWeibulllapropiedaddefaltadememorianoseverifica.

(t )

f (t )

R (t )

t 1 (
(
) e

(

t 1
(
)

e
LaWeibullposeeunaseriedeparticularizacionessegnlosvaloresqueadoptenlosparmetrosdelamisma.
PorunladoyasehamencionadopreviamentequelaWeibullconparmetroiguala1secorrespondecon
unadistribucinexponencial(deunoodosparmetrossegnelvalorde).Porotraparte,ocurrequecuando
2 ,seobtieneladistribucindeRayleight.Unejemplodelusodeestadistribucineslamagnituddelerror

radialusandovaloresdeerrordecoordenadasxey.
OtrocasodestacableeslaaproximacindelaNormalapartirdeladistribucinWeibull.Estoocurrecuandoel
parmetrodeformaadoptavaloresprximosa 3, 5 .Ntesequelasemejanzaesaproximada,noexacta.

Pg.31de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

LaflexibilidaddeladistribucinWeibullsedebealostresparmetros(escala,formaydesplazamiento)quela
definen. Con ellos se pueden caracterizar una gran variedad de procesos relacionados con la ingeniera de
confiabilidad, desde tasas de envejecimiento, probabilidades de fallo en cualquiera de las etapas de
explotacindelosactivos3,probabilidadesderecuperacin,etc.
El valor del parmetro de forma determina en cierto grado la distribucin de la funcin de densidad de
probabilidad asociada a unavariable aleatoria. El efecto sobre la funcin de riesgo ((t)) tambin es notable
observndoseloscomportamientossiguientes:

Si 1 ,lafuncinderiesgo (t ) muestraunatendenciadecreciente.

Si 1 , (t ) serconstante.Dehecho,separticularizaa (t ) 1 .

Si 1 , (t ) ser creciente. Como caso particular, adems, si lo analizamos como distribucin de


Rayleight( 2 ),lafuncinserlineal.

Elparmetrodeescala,,conjuntamenteconeldecaracterizanlamedia,varianzaydispersindelafuncin
dedensidad.Enla
Figura20puedeobservarsecmovaralafuncindedensidaddeprobabilidadconelparmetro
Porltimo,elparmetrodedesplazamiento,,determinalaseparacinrespectoalorigendeladistribucin,
expresandounintervaloparaelcualseesperaquelavariablealeatorianotomevalores.
Lasfigurassiguientesmuestranlasdependenciasentreladistribucinysusparmetros.LaFigura17presenta
la relacin con el parmetro de forma manteniendo el resto constantes. En la Figura 18 se presenta la
dependenciadelafuncinderiesgoconelparmetrodeforma.Porltimo,laFigura19y
Figura20exponenlasrelacionesconlosparmetrosdeescalaydesplazamiento,respectivamente.

Comoseverenmsadelante,estoestrelacionadoconladescripcindelciclodevidadeunactivomedianteelmodelodelacurvade
labaera.

Pg.32de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

0,015

=0,4

0,01

=1
=2

0,005
0
0

200

400

0,025

Funcindedensidadf(t)

Funcindedensidadf(t)

600

Tiempohastaelfallot

=40

0,02

=100

0,015

=200

0,01
0,005
0
0,005 0

200
400
Tiempohastaelfallot

600

Figura19EfectodeenlafuncindedensidadWeibull

5
4
3
2
1
0

=0,4
Funcindedensidad
f(t)

Funcinderiesgo(t)

Figura17EfectodeenlafuncindedensidadWeibull

=1
=2
=3
0

50

100

150

Tiempohastaelfallot

0,01
0,008
0,006
0,004
0,002
0

=0
=50
=100
0

200

400

600

Tiempohastaelfallot

Figura18EfectodeenlafuncinderiesgoWeibull

Figura20EfectodeenlafuncindedensidadWeibull

Enmltiplesocasionesseverificaqueelparmetrodedesplazamientotiendeavaloresbastantecercanosa
cero.Esms,enocasioneslasmuestrasdedatoscaracterizadasmedianteWeibull3Ppuedenaproximarsede
forma razonable empleando exclusivamente los parmetros de forma y escala. Por tanto, si se particulariza
haciendo 0 ,seobtienelafuncindedensidaddeWeibulldedosparmetros(Weibull2P),quehasido
empleadaconmayorprofusinquelaanterior.Porunapartelaflexibilidadperdidaalprescindirdelparmetro
es, en muchos casos, no significativa y, por otro lado, la expresin posee un tratamiento numrico
sensiblementemssimple.
t

f (t )

t 1 ( )
( ) e

Enadelantelossubapartadossereferirnaladistribucindeweibull2P
4.3.7.5. Linealizacindeladistribucindeweibull

El clculo de los valores de , por medio de mnimos cuadrados buscar de nuevo representar la curva
comounarecta:

Pg.33de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

F (t ) 1 e

t
( )

ln(1 F (t )) ln(e

t
( )

t
) ( )

t
t
ln( ln(1 F (t ))) ln(( ) ) ln( ) ln( ) ln(t )

Si lo dejamos notificado como una recta, se hara un cambio de variable, dejando tambin una escala
logartmicaenelejedeabscisas:
y mx b

1
y ln(ln(
))
1 F (t )
x ln(t )

m
b ln( )
4.3.7.6. Derivadasparcialesdelafuncindeverosimilitud
e
e
1 e
t
t
t
Ni N i ln( i ) Ni ( i ) ln( i ) 0
i 1

i 1
i 1

t
Fe
Ni Ni (i ) 0
i 1
i 1
Fe

Resolviendolasexpresiones,sepuedendeterminarlosparmetros , .
4.3.7.7. Aplicaciones
LadistribucinWeibullhaencontradonumerosasaplicacionesendiversoscamposdeestudio.Elestudiodela
distribucindevelocidadesdeviento,decorrientesyalturadeoleajeenelmarsonalgunosdelosejemplos
ms significativos en el mbito del modelado probabilista de fenmenos meteorolgicos. Tambin ha sido
empleadaconprofusinenlosanlisisdesupervivenciaempleadosenestudiosmdicos.
En la ingeniera de Confiabilidad es una de las distribuciones que ms aceptacin hatenidodebidoa que su
versatilidad ha permitido el modelado de muchos modos de fallos y procesos de mejora de la fiabilidad
(ModelosCrowAMSAA).Laflexibilidaddesuformaharesultadoserpropiciaparaanalizarelprocesodefallo
encualquieradelasetapasdeexplotacindeunactivo(fallosprematuros,vidatilyenvejecimiento),siendo
unaalternativafactible,enciertoscasos,aladistribucinlognormalparaanalizarlosfallospordesgastedonde
intervienenmltiplesmecanismosdefallooaladistribucinexponencialparacaracterizarlosfallosdurantela
vida til. En sistemas reparables cuando no existe independencia entre la ocurrencia de fallos consecutivos,
esta distribucin es un modelo adecuado para lo que se denominan Procesos NoHomegneos de Poisson
(NonHomogeneousPoissonProcess,NHPP).Debidoaestaseriedepropiedades,ladistribucinWeibull,esuna
delasmscomnmenteaceptadasparaelmodeladodemaquinariarotativa(bombas,compresores,mquinas
elctricas,etc).
Adems,estadistribucintambinrepresentaadecuadamente,enmuchoscasos,losprocesosdereparacin,
envejecimiento o capacidad de recuperacin. Por todo lo anterior, puede observarse la magnitud de
importanciaqueestadistribucintieneenlosAnlisisdeConfiabilidad.

Pg.34de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Enlosiguientesolosedefinirnlasdistribucionesyseanalizarnsusvariacionesenfuncindelosparmetros
de la misma y se expondrn los casos de xito ms relevantes en sus aplicaciones. Una descripcin ms
profundaserecogeenelAnexoDistribucionescomplementarias.pdf
Ejemplo:
Tras analizar los ciclos hasta el fallo del eje de un sistema, se ha definido el comportamiento en base a una
distribucindeWeibulldedosparmetros,conlossiguientesparmetros:
1,8

55
Enladistribucin,lasunidadesempleadassonmilesdeciclos.
Se pretende estudiar grficamente la probabilidad de fallo, realizando grficas de las funciones de densidad,
distribucin,supervivenciayriesgo.
Resolucin:
Para representar grficamente las funciones, se han establecido puntos cada 10 miles de ciclos, desde 0 a
100000.Losclculoshanempleadolassiguientesecuaciones:
n

1,8
n

n 1
1,8 n 1,81 55
f (n) e
e


55 55
F ( n)

1 e

R ( n)

( n)

1,8

n

1 e 55

1,8

n

e 55

n 1 1,8 n 1,81


55 55

Ntese que como es una distribucin Weibull de dos parmetros, es un caso especial de Weibull de tres
parmetros,donde 0 .Deahestasecuaciones.
Para n 0 ciclos:
1,8
0

1,8 0 1,81 55
f (0)
e
55 55

1,8

F (0)

0

1 e 55

R(0)

(0)

0 1,8

55

0
1

1,81

1,8 0
55 55

Paran=10milesdeciclos:
1,8

10

1,8 10 1,81 55
f (10)
e
55 55

0, 007988

Pg.35de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

1,8

F (10)

10

1 e 55

0, 045425

1,8

R(10) e

(10)

10

55

0,954575

1,8 10 1,81
0, 008368
55 55

Siaplicamosesteprocesoextrayendovariospuntos,podemosrepresentargrficamentelosresultados:
Milesdeciclos
Densidad
Distribucin
Supervivencia
Riesgo
0
0
0
1
0
10
0,007988
0,045425
0,954575
0,008368
20
0,012392
0,149459
0,850541
0,014569

90
0,004287
0,911656
0,088344
0,04853
100
0,00281
0,946776
0,053224
0,052798
Losresultadosdelasfuncionesrespectoalnmerodemilesdecicloseselsiguiente:
FuncindesupervivenciaR(n)

Funcindedensidadf(n)

0,016
0,014
0,012
0,01
0,008
0,006

Densidadf(n)

0,004
0,002
0
0

50

100

1,2
1
0,8
0,6
Supervivenci
aR(n)

0,4
0,2
0
0

50

150

100

150

Cicloshastaelfallo

Cicloshastaelfallo

Funcinderiesgo(n)

FuncindedistribucinF(n)

0,06
1
0,8
0,6
0,4

Distribucin
F(n)

0,2
0

0,05
0,04
0,03
Riesgo(n)

0,02
0,01
0

50

100

150

Cicloshastaelfallo

50

100

150

Cicloshastaelfallo

Pg.36de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.3.8.

Normal

UnodelosmodelosmsusualesenlacaracterizacindefenmenosaleatorioseselmodelodedatosNormal,
tambinllamadoGaussiano.Difieredelasdistribucionesanterioresenque,entreotrosaspectos,estdefinida
sobre todo el dominio real mientras que las anteriores solo lo est para los valores reales positivos. Por lo
tanto, la distribucin normal puede representar variables aleatorias como la temperatura en un estudio
trmicoolaposicin,quepuedentomarvaloresnegativos.
Uno de los motivos de su extensa aplicacin es la tendencia normal que exhiben los fenmenos aleatorios
cuando su comportamiento est afectado por mltiples causas aleatorias. Esto se conoce como teorema
centraldellmite.
Ladistribucinnormalestcaracterizadapordosparmetros,lamediayladesviacinestndar.
4.3.8.1. Funcindedensidaddeprobabilidad
LafuncindedensidadNormalsedefinecomo:
f (t )

1 t

(
1
e 2
2

)2

Donde:
f (t ) 0 , t , , 0

La forma en que los parmetros (media) y la (desviacin tpica) afectan el modelo normal puede verse
grficamenteenlasfigurassiguientes:
0,05

=7,5

0,05

Funcindedensidadf(t)

Funcindedensidadf(t)

0,06

=10

0,04

=15

0,03
0,02
0,01

0
50
0,01

50

150

250

Tiempohastaelfallot

Figura21EfectodesobrelafunciondedensidadNormal

=150

0,03

=200

0,02
0,01

0
50
0,01

350

=50

0,04

50

150

250

350

Tiempohastaelfallot

Figura22EfectodesobrelafunciondedensidadNormal

Elparmetroestrelacionadoconelgradodedispersindelosvaloresrespectodelamedia,mientrasqueel
parmetrodefineelcentrodeladistribucinyporende,delejedesimetra.
4.3.8.2. Aplicaciones
Ladistribucinestpresenteenmultituddereastantodelafsica,economa,cienciassocialesytambindela
ingeniera. Concretamente en la ingeniera de confiabilidad varios autores relacionan esta funcin de
distribucinamodosdefallodebidosaldesgastedeloscomponentes.Estostiendenadistribuirseentornoa
un tiempo medio de desgaste, especialmente si no existe ms de un modo de fallo claramente significativo.
Cuando hay ms de un mecanismo de desgaste la funcin de distribucin tiende a perder su simetra y

Pg.37de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

entonces estos pueden aproximarse mediante otras funciones, que bien podra ser una Weibull o una log
normal.
Ladistribucinnormalsueleestarrelacionadatambinenelmodeladodelprocesodereparaciny,engeneral,
entodoprocesoderecuperacin,yaseapormantenimientopreventivoocorrectivo.
Hay que destacar que el dominio del modelo Gaussiano puede incluir algunas incongruencias cuando se
analizan variables relacionadas con los anlisis de fiabilidad o mantenibilidad. En estos casos, la variable
aleatoria estudiada no puede tomar valores negativos y sin embargo estos valores son posibles cuando se
modelanmediantelanormal.Noobstante,cuandoelceroseencuentraaunadistanciade,almenos,4en
relacinalvalormedio,laprobabilidaddequetomevaloresinferioresalmismoesmuypequeaylosdefectos
de esta distribucin son, en general, despreciables. Diferentes autores sugieren fronteras distintas, as pues
algunosconsideranque3essuficiente[Warleta]4mientrasqueotrossonmsconservadores.Elusodeesta
distribucinestsujetoacriteriodelanalista.
Ejemplo:
Traselfallodeunsistema,elprocesodereparacindelmismollevauntiempoasociado,quevarasegnla
ocasin.Analizandoestostiempos,sehadeterminadoqueladistribucinquelocaracterizaesunaNormal,con
lossiguientesparmetros:
16

60
Lasunidadesdetiempoempleadassonhoras.
Sepretendeestudiarlasprobabilidadesasociadasalosdatosdereparacinparalamedia.
Resolucin:
En primer lugar, se procede a calcular la media. En distribuciones normales, coincide con uno de los
parmetros:

T 60
Ahora, se estudiarn las probabilidades extradas de las funciones de densidad, distribucin, supervivencia y
riesgo.Paraladensidad:

f (t )

T 2

1 t 2

e 2 T

1 t 60 2
16

e 2
16 2

1 60 60 2
16


1
f (60)
e 2
16 2

0, 024934

Para las funciones de distribucin, supervivencia y riesgo, se debe recurrir a la solucin de integrales por
mtodosnumricos.
F (t )

f (t )dt T

1
2

1 t 2

e 2 T dt

Para resolver este problema, habr que recurrir a mtodos de integracin numrica, como la regla de los
trapecios.

[Warleta] J. Warleta, 1973. Fiabilidad, bases tericas y prcticas. INTA, Madrid. 1973

Pg.38de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Mediante este mtodo, se realiza una aproximacin de una funcin continua tomando n+1 valores de la
funcin,yhaciendounaaproximacinintermediadeestosvalores.Matemticamente,consisteen:

ba
[ f ( x0 ) 2 f ( x1 ) 2 f ( x2 )... 2 f ( xn 1 ) f ( xn )]
2n
Dondeaybrepresentanloslmitesdelaintegracin,ynelnmerodedivisionesparaanalizarlaintegral.
Como a tendra que adoptar un valor a , se recurre a una aproximacin en la que f(a)=0, y que la
aportacinde [, a '] seapocosignificativa.
b

f ( x)dx

Enelproblemaanalizado,siserecogea=60pararesolverlafuncindedistribucin:
f ( x)

T 2

1 x 2

e 2 T

1 x 60 2
16

e 2
16 2

1 60 60 2

e 2 16

1
1,521 1014
16 2
Ahoraseharnn=4divisiones,desdea=60hastab=60.Cadadivisinabarcar30unidades:
a ' x0 60
x1 30

x2 0
f (60)

x3 30
b x4 60 xn

Resolviendolafuncinparacadadivisin:
1 30 60 2
16


1
f (30)
e 2
16 2

1 0 60 2
16


1
f (0)
e 2
16 2

f (30)

1
16 2

3,358 109

2, 204 105

1 30 60 2

e 2 16

0, 004777

1 60 60 2
16

0, 024934


1
f (60)
e 2
16 2
Aplicandolaregladeltrapecioentonces:
1 t 60 2

1 t 60 2



60

1
1
F (60)
e 2 16 dt
e 2 16 dt
16 2
60 16 2
60 (60)
[1,521 1014 2 3,358 109 2 2, 204 105 2 0, 004299 0, 024934]

24
F (60) 0,503644
60

Sisehicieranmuchasmsdivisiones,severaconmenorerrorquerealmenteF(60)=0,5.Estosedebeaqueen
ladistribucinnormal,laecuacindedistribucin,yenconsecuencialadesupervivencia,comoseverahora,
respondenaqueenlamedia,sehacumplidoconel50%delossucesos,enestaocasinreparaciones.
Hayquedestacarquehayotrosmtodosnumricosparahallarestevalor,quepuedensermsprecisos,como
laCuadraturadeGaussoelMtododeRomberg.

Pg.39de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Teniendo el valor de la funcin de distribucin para la media, ya no hace falta recurrir a los mtodos de
integracinnumrica,aquenospodemosapoyarenotraspropiedades:
R (t )

T 2

1 t 2

e 2 T dt

1 F (t ); R (60) 1 F (60) 0,5

1 t 2

e 2 T

(t )

1 t 2
2
e T dt
t

(60)

f (t )
R (t )

f (60) 0, 024934

0, 049868

R (60)
0,5

Otra alternativa al mtodo numrico es emplear programas de clculo, como el Excel. La funcin para la
funcindedistribucinnormales:
DISTR.NORM ( x; ; ;VERDADERO)
Dondexeselvaloraaplicar,enestecasox=60.
4.3.9. Lognormal
ElmodelodedatoslognormalpartedelmodelodedatosNormal.Subaseeslamisma,perolavariableusada
esellogaritmodesta,porloquelacurvaresultantevaranotablemente.
4.3.9.1. Funcindedensidad
Lafuncindedensidadlognormalsedefinecomo:
1 t ' '

(
)2
1
e 2
2
Siendo t ' ln(t ) .Elparmetro ' eslamediadeloslogaritmosdelosdatosdeentrada,y ' esladesviacin

f (t ')

tpicadelosmismoslogaritmos.PartiendodelacondicindequelasreasbajolascurvasdedensidadNormal
ylognormalsoniguales.Desarrollandoesacondicin,sellegaaestaconclusin:
f (t )

1
t ' 2

1 ln( t ) ' 2
(
)
2
'

Donde:
f (t ) 0 , t 0 , ' , ' 0

Laformaenquelosparmetrosyafectanelmodelolognormalpuedeversegrficamenteenlasfiguras
siguientes:

Pg.40de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

0,03
0,025
0,02
0,015
0,01
0,005
0
0,005 0

'=0,6
'=1

100

200

300

'=3

0,04

'=0,3
Funcindedensidadf(t)

Funcindedensidadf(t)

400

'=5

0,02
0,01
0
0,01

Tiempohastaelfallot

'=4

0,03

100

200

300

400

Tiempohastaelfallot

Figura23EfectodesobrelafunciondedensidadLognormal

Figura24EfectodesobrelafunciondedensidadLognormal

Enlasfigurasanterioressemuestraelefectodesobrelafuncindedensidad(Figura23)ascomoelefecto
de(Figura24)sobrelamisma.Enelprimercaso,almantenerconstanteymodificarseobservaqueal
aumentaresta,lafuncindedensidadtiendeaachatarseydesplazarsehaciaelorigen.Elefectocontrariose
observaparaelparmetro.
4.3.9.2. Aplicaciones
Eningenieradeconfiabilidadladistribucinlognormalhasidoempleadaconxitoencasosenlosqueelmodo
defallomanifestadohasidocausadopormecanismosdedesgaste(corrosin,migracin,agrietamiento,etc.).
AdemsestdistribucinpresentaunaventajaadicionalsobreelmodeloGaussiano,yesqueeldominiodelas
variables aleatorias no incluye valores negativos. Por tanto, es apropiada para modelar variables como el
nmerodecicloshastaelfallootiemposhastaelfallo.
Quizs, el rea donde esta distribucin ha encontrado mayor aceptacin es en los estudios de recuperacin
(mantenimiento correctivo, preventivo, etc.) en los que los valores de los tiempos de recuperacin
(caracterizados como variables aleatorias) tienden a agruparse en torno a la media pero en ciertos casos se
prolonganeneltiempodeunaformaquequedabienrepresentadaporlacoladerechadelalognormal.
En la siguiente pgina se muestra una tabla resumen que recoge todas las funciones destacadas de las
distribuciones
Ejemplo:
Trasanalizarlostiemposdefallodelsistema,sehadeterminadoquelaleyquedefinesusfallosesunmodelo
lognormal,caracterizadoporlossiguientesparmetros:
' 0, 4

' 3, 2
Lasunidadesempleadasdetiemposondas.
Sequiereestudiarcmoseveafectadoelsistematras80dasdefuncionamiento,analizandolasfuncionesde
densidad,distribucin,supervivenciayriesgo.
Resolucin:
Aplicandolasdistintasfunciones,seobtienenlossiguientesresultados.Paralafuncindedensidad:

Pg.41de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

f (t )

1
t T ' 2

1 ln( t ) ' 2

e 2 T '
1 ln(80) 3,2 2

0,4


1
f (80)
e 2
80 0, 4 2

0, 000158

Paralafuncindedistribucin,sehaacudidoalasiguientefuncindeExcel.
DISTR.LOG.NORM ( x; '; ')

Donde x es el valor analizado. En este caso x=80. No obstante, se debe recordar que se puede emplear la
integracinnumrica.
EnbasealresultadomostradoenExcel:
F (80) 0,998437

Porltimo,lasfuncionesdesupervivenciayriesgoseharnenbasealosdatosqueyasehanobtenido:
R (80) 1 F (80) 0, 001563

f (80) 0, 000158

0,101293
(80)
R (80) 0, 001563
.

Pg.42de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Funcin

Densidad

Exponencial

f (t ) e (t )

Weibull

Normal

f (t )

t 1
(
) e

f (t )

f (t ')

T 2

T ' 2

Media

T (
)

1 t 2
(
)
2 T

f (t )

1
t T ' 2

1 t ' ' 2
(
)
2 T '

Supervivencia

Riesgo

F (t ) 1 e (t )

R (t ) e (t )

(t )

1)

F (t ) 1 e

1) e x x dx

R (t ) e

(t )

t 1
(
)

1 ln(t ) ' 2
(
)
2 T '

F (t )

1
2

e ' T2 '

t ' ln(t )

Lognormal

Distribucin

' ln

1 T2 '
ln( 2
2

1)

F (t )

t'

T'

1 t 2
(
)
2 T

1 t ' 2
(
)
2 T '

R(t )

dt

dt

T 2

t'

T ' 2

R(t )

1 t 2
(
)
2 T

dt

T 2

(t )

1 t ' 2
(
)
2 T '

T 2
1

dt

(t )

t T ' 2

t ' T '

1
2

1 t 2
(
)
2 T

1 t 2
(
)
2 T

dt

1 t ' ' 2
(
)
2 T '

1 t ' 2
(
)
2 T '

Tabla1Esquemaresumendelasprincipalesfuncionescontinuas

Pg.43de72

dt

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.3.10. Distribucin Chicuadrado ( 2 )


La distribucin 2 con k>0 grados de libertad describe el comportamiento de la suma de los cuadrados de n
variables aleatorias independientes que estn normalmente distribuidas. La forma de la distribucin 2 est
condicionadaporelnmerodegradosdelibertadpudiendooscilardesdelaformadeunaexponencial(k=2)
hastaunadistribucinnormal.
Lapropiedaddelasvariablesaleatorias2hacequeestadistribucinseaespecialmentepropiciaenlostestde
bondaddeajustesoparalasntesisdeintervalosdeconfianzacomosevermsadelante.
Sufuncindedensidades:
1

t ( k /2) 1e t /2
k /2
f (t ) 2 (k / 2)

t0
t0

Donde:

k,sonlosgradosdelibertad
()eslafuncingamma
teslavariablealeatoriadeinters.

4.3.11. Distribucin tStudent


La distribucin tStudent constituye todo un conjunto de funciones de distribucin continuas que surgi
originalmente del estudio de la media de poblaciones normalmente distribuidas cuando el tamao de las
muestrasespequeo(inferiora30)ylavarianzaesdesconocida,siendocentralenlaramadelaestadstica
conocidaporTeorademuestraspequeas.Estadistribucintieneunanotableimportanciaenlosanlisisde
significanciaestadstica(comprobarsilosresultadosobtenidosnosedebenaerroresaleatorios)ademspara
lasntesisdeintervalosdeconfianzaenpoblacionesqueseestimannormales(gaussianas).
X
s
N
DondeNeseltamaodelamuestra,usandounapoblacinnormaloaproximadamentenormal.Sumediaes
t

X
s

N 1

, X eslamediamuestralyladesviacintpicamuestralesso s .
Calculandoparacadamuestraelvalordet,seobtieneladistribucinmuestraldet.Estdadapor:

1
N


2
t
t2
2
2
) N /2
f (t )
(1
(1 ) ( 1) / 2

N 1

N 1
( N 1)

2
2
Aqu,()eslafuncingamma, sedenominanmerodegradosdelibertad,cumplindoseque:

N 1
Paravaloresde oNmayoresde30,lacurvadibujadatiendeaaproximarsealanormal.

Pg.44de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

4.4. Funcionesdiscretas
Cuando la variable aleatoriasolo puede tomar una serie de valores finitos o numerables se diceque esta es
discreta.Enestoscasoselmodeloquecaracterizadichavariablesedicequeesunmodelodiscretoofuncinde
probabilidad discreta. Algunos ejemplos relacionados con la ingeniera de confiabilidad son el anlisis del
nmero de fallos esperados en un determinado instante de tiempo, o la probabilidad de que durante tres
operacionesdearranqueunsistemafalleendemandaolaprobabilidaddequelosfallosdeunsistemaocurran
exclusivamentecuandosehadiagnosticadounestadodedegradacinodesgaste,etc.Tambinenprocesosde
controldecalidad,estimandoelnmerodecomponentesdefectuososporcadalote(batch)deproduccin.
A diferencia de los modelos de probabilidad continuos, la funcin de densidad de una variable aleatoria
discretacumple,entreotras,lasiguientepropiedad:

Sea X una variable aleatoria discreta, entonces la funcin de densidad asociada a dicha variable
cumplelasiguientepropiedad.
f ( x) P ( X x) 0 y P( X x) [0,1]
En entre las diferentes funciones de distribucin discretas pueden citarse: la funcin binomial, funcin de
Poisson,multinomial,geomtrica,hipergeomtrica,deBernouilliouniformediscreta.

Enestecaptulo,setratarnfundamentalmentelasfuncionesbinomial,dePoissonymultinomial.
4.4.1.

Binomial

Laprobabilidaddelafuncinbinomialbuscaelnmerodexitosennensayosindependientes.Serepresenta
comoB(n,p).
Lafuncindeprobabilidadbinomiales:
n
P (r ) p r (1 p) n r
r
Deestafuncin,laprobabilidadresultante,P(r),tambinpuedeversecomolaprobabilidaddequelavariable
adopte el valor de r. n es el nmero de ensayos realizados en un experimento que solamente puede dar
resultadospositivosonegativos(0o1,caraocruz,blancoonegro,xitoofracaso).renseselnmerode
xitosdelosnensayos.Porltimo,peslaprobabilidaddexitodecadaensayo.

Conesto,usandolosvaloresdenypparadefinirlafuncinbinomialN(n,p),sepuedeobtenerlaprobabilidad
decualquiervalorr.
Ejemplo:
Recientemente, el intercambiador de calor ha tenido un problema con los sensores que lo gobiernan,
consiguiendo que, segn los datos registrados de los lotes generados en la fbrica, solo un 45% de los lotes
generados en la fbrica hayan pasado por el proceso ptimo de temperatura que se ha establecido para la
carbonatacindelproducto.Evalalaposibilidaddeque,enlos5siguienteslotesaproducir,3deelloshayan
pasadoporelprocesoptimodetemperatura.
Resolucin:

Pg.45de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Este problema de aciertoerror puede ser evaluado bajo la funcin binomial. Usando como nmero de lotes
n 5 , probabilidad de temperatura correcta p 0, 45 , la probabilidad de que r 3 lotes hayan sido
carbonatadosalatemperaturacorrectaes:
5
P(3) 0, 453 (1 0, 45)53 0, 2757
3
Laprobabilidaddequedelos5lotestotales,3secarbonatenaesatemperaturaesde27,57%.
Hayquedestacarque,pararesolverelcoeficientebinomial,sedeberecordarque:
n!
n
k k ! (n k )!

Yasuvez,laoperacinfactoriales:
xi ! xi ( xi 1) ( xi 2) ... 3 2 1 .

Porello,eldesarrollodelcoeficientepropuestoes:
5!
5 4 3 2 1
5
3 3!(5 3)! (3 2 1)(2 1)

No obstante, ante nmeros muy grandes, se recomienda el desarrollo de esta operacin con programas de
clculo.
Haciendolaprobabilidaddeaciertovariandoelnmerodelotesfavorables,losvaloresdeprobabilidadvaran:
5
P (2) 0, 452 (1 0, 45)5 2 0,3369
2
5
P(4) 0, 454 (1 0, 45)5 4 0,1128
4
Repitiendolosclculosdeprobabilidadsobrelosaciertosdeloslotes,seapreciaunacurvadeprobabilidadde
lasiguienteforma:

ProbabilidadP(r)

0,4

P(r)

0,3
0,2
0,1
0
0

Nmerodeaciertos

Sobre esta curva, se aprecia que la mayor probabilidad de lotes correctamente carbonatados es 2, con un
33,69%.
4.4.2.

Poisson

La probabilidad de la funcin de Poisson representa el nmero de veces que ocurre un suceso aleatorio
concretoenunintervalodetiempode(0,t].Serepresentacomo P( ) .
LafuncindeprobabilidaddePoissones:

Pg.46de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

P(r )

( t ) r t
e
r!

Paraestudiosaislandotiempo,t=1.
En esta funcin, P(r) representa la probabilidad de que el suceso ocurra r veces. Este estudio, tal como se
introdujo antes, viene contextualizado para un tiempo t concreto, que influye en la funcin. Como ltimo
parmetrodestacado, eselnmeromediodeocurrenciasdeleventoaleatoriorespectoaltiempo.
HayquedestacarquePoissonmantienelapropiedadaditiva:bajonvariablesdesde X1 a X n aleatoriascon
n

sucorrespondientedistribucindePoisson,conparmetrosdesde 1 hasta n ,lavariable Y X i sigue


i 1

unadistribucindePoissoncon i .
i 1

TambinhayquetenerencuentaquelasfuncionesbinomialyPoissonsonaproximadamenteigualesbajodos
condiciones:

ndegranvalor( n 20 ).
pdebajovalor( p 0, 05 ).

Enesacircunstancia:
B (n, p) P ( )

np

Ejemplo:
Sepretendeevaluarlaprobabilidaddefallobajolaevaluacinde0,25fallosporhora(unfallocada4horas).
Paraello,sequierenbarajarlaprobabilidaddefalloalas48horas,enfuncindelnmerodefallos.
Resolucin:
Enestecaso,sevaarecurriralaprobabilidadobtenidaporPoisson:

P(r )

( t ) r t
e
r!

Donde xi ! xi ( xi 1) ( xi 2) ... 3 2 1 .
Ahora,sefijarnlosparmetros yt.

(0, 25 48) r 0,2548 12r 12


e
e

r!
r!
Elmododeaplicacinesponerenrelnmerodefallo,yseanalizarlaprobabilidaddeesenmerodefallos.
Parar=3fallos:
P(r )

P(3)

123 12
e
0, 0017695
3!

Parar=10fallos:

1210 12
e
0,10484
10!
Parasituacionesentre0y30fallos,Lasprobabilidadessedistribuyenformandolasiguientegrfica.
P(10)

Pg.47de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

0,14

ProbabilidaddePoisson

0,12
0,1
0,08
0,06

P(r)

0,04
0,02
0
0

10

15

20

25

30

35

Aciertos(r)

Alas48horas,esmsprobablequehayaentre9y14fallos,atendiendoalosresultadosdelagrfica.
4.4.3. Multinomial
Estadistribucinconstituyeunageneralizacindeladistribucinbinomial.Siguiendolamismaidea,ahoraen
lugardehabersolamenteposibilidaddexitoofracaso,seplanteanmsposibilidades,conprobabilidadesde
aparecer p1 , p2 ,..., pk ,asocindole x1 , x2 ,..., xk individuosdelosnindividuostotalesdeestudio.
Lafuncindeprobabilidadmultinomiales:
k

n!

xi n P( x1 ,..., xk ) x1 !...xk ! p1x ... pk x

i 1
k

xi n P( x1 ,..., xk ) 0
i 1

Paraqueestadistribucinestbiendefinida,hayquecontemplarque xi n ,yaquesinohayindividuos
i 1

que no se contemplan en la distribucin, o que sobrepasan los n individuos mximos (de ah la excepcin
k

contempladade probabilidad 0). Por otraparte, tambin se debecumplir que pi 1 , para que todas las
i 1

posibilidades queden contempladas. En estudios de muchos valores, se suele recurrir a juntar grupos
minoritarios de manera asociada, como otros, resto, o nombres categricos similares, para llegar a
mantenerlaunidad.
Ejemplo:
Sehandefinido4estadosdefuncionamientoparalasbombasempleadas:

Usonormal.
Inactividad.
Enesperadeuso.
Usoconruidoexcesivo.

Pg.48de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Tras tomar distintas muestras de cmo funcionan las distintas bombas, se establecieron los siguientes
porcentajesencadaestado:
p1=0,3
p2=0,2
p3=0,15
p4=0,35

Usonormal
Inactividad
Enesperadeuso
Usoconruidoexcesivo

Unavezcontempladoslosporcentajes,sehanhechodistintosensayossobrelosdistintosestadosenlosquese
encuentranlasbombas.Dichoensayo,de40muestras,aportalossiguientesresultados:
Usonormal
Inactividad
Enesperadeuso
Usoconruidoexcesivo

x1=12
x2=8
x3=7
x4=13

Sepretendebuscarlaprobabilidaddequesehayadadoestecasoconcreto.
Resolucin
Al haber ms de dos estados, la resolucin por el mtodo binomial se queda corta, y se debe recurrir a la
distribucinmultinomial,quenodejadeseruncasogeneraldeestaltima.Lafuncinquelodefinees:
P( x1 ,..., xk )

n!
p x1 ... pk xk
x1 !...xk ! 1

Ahora,expresndoloparaestecasoconcreto,laecuacinquedaas:
n!
p x1 p x2 p x3 p x4
x1 ! x2 ! x3 ! x4 ! 1 2 3 4

n!
x1
x2
x3
x4
P ( x1 , x2 , x3 , x4 )
0,3 0, 2 0,15 0,35
x1 ! x2 ! x3 ! x4 !
P ( x1 , x2 , x3 , x4 )

Hayquerecordarquelamaneradeefectuarlaoperacinfactoriales:
xi ! xi ( xi 1) ( xi 2) ... 3 2 1
Porejemplo:

100! 100 99 98 ... 3 2 1

45! 45 44 43 ... 3 2 1
Ahora,severlaprobabilidaddelensayo:
40!
P (12,8, 7,13)
0,312 0, 28 0,157 0,3513

12!8!7!13!
P (12,8, 7,13) 0, 0037008
Comosepuedenver,lasprobabilidadesdequeseobtengancasostanconcretossonmuypequeas,yaquese
pueden plantear muchsimas situaciones distintas de uso, que se alejen en mayor o menor medida de los
porcentajesestablecidosinicialmente.
Enresumenparaesteapartado,semuestraelcuadroresumendefuncionesdiscretas:

Funcin
Probabilidad

Pg.49de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

n
P (r ) p r (1 p) n r
r

Binomial

P(r )

Poisson

( t ) r t
e
r!

n!

xi n P( x1 ,..., xk ) x1 !...xk ! p1x ... pk x


i 1
k

Multinomial

xi n P( x1 ,..., xk ) 0
i 1

Tabla2Funcionesdiscretas

4.5. Resumenconceptual
Trasestecaptulohansidopresentadaslasfuncionesdedistribucincontinuasydiscretasmsrelevantesenel
contexto de la ingeniera de confiabilidad. Adems se han mostrado las funciones caractersticas de cada
distribucin.Conesto,elingenierodeconfiabilidadtieneunaseriedemodelosquelepermitirncaracterizar
indicadoresdedesempeoafindecualificarycuantificarelfuncionamientodelosactivos.
Adicionalmente debe notarse que las aplicaciones expuestas a lo largo de este captulo constituyen
exclusivamente casos de xito en el uso de los modelos. En ningn caso deben tomarse como regla general
para asociar un modelo con un determinado fenmeno. Es decir, no todos los fallos de desgaste son
lognormales o todos los fallos en equipos rotativos son Weibull, debiendo ser el analista quien decida qu
modeloesmsapropiadoencadaescenario.
Ladecisindeusarunmodelouotrodebeestarbasadaencriteriosobjetivosyelloserobjetodelosprximos
captulosdelpresentedocumento.Acontinuacinsevernlosmtodosdeestimacinparamtrica,luegola
estimacinnoparamtricayposteriormentelosmtodosdecontrastedehiptesisybondaddeajusteafinde
discriminarsilaseleccindeunmodeloesverdaderamenterepresentativodelosdatosobservados.

Pg.50de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

5.

ESTIMACINPARAMTRICA

Laestimacinparamtrica,oinferenciaparamtrica,sebasaenlasuposicindeuncomportamientogeneral
para una muestra de datos, es decir, se conoce de forma aproximada o se intuye, el comportamiento de la
funcindedistribucindelamuestraestudiadaporloqueseaplicaunmtodoquepermitalaaproximacinde
los distintos valores de sta a una curva que pertenezca a la familia de las funciones de distribucin que se
supuso.Elresultadofinalqueseobtienesonlosvaloresdelosparmetroscaractersticos,comoporejemplo,
elparmetrodeescalaodeformadelafuncindeWeibull.
Dentro de este apartado se desarrollarn dos mtodos comnmente empleados en la determinacin de
parmetrosdeestasfunciones,elmtododemnimoscuadradosyelmtododemximaverosimilitud.
5.1. Mtododemnimoscuadrados
Estemtodotieneunobjetivoprincipal,yeslaoptimizacindelosparmetrosdeunadeterminadafuncin
parahacermnimaladiferenciaresidualentreelvalorestimadoyelvalorrealobservado.Esporesteltimo
motivo que para realizar este mtodo es necesario disponer de tanto de la variable dependiente, como por
ejemplolaprobabilidaddefalloolafiabilidad,ylavariableindependiente,comoeltiempohastaelfallo.En
casodenodisponerdeestasparejasdevaloressepuedenobtenerporalgunodelosmtodosexplicadosenel
apartadoanterior.
En este proceso la diferencia es elevada al cuadrado, de ah el nombre del mtodo. La ecuacin general a
optimizares:
n

S yi f xi 2
i 1

Siendof(xi)lafuncinalaqueseajustalaparejadedatosobservada,esdecir,yiserlavariabledependientey
xilavariableindependiente.Amododeejemploparalasfamiliasdelneasrectas,polinomiosdeprimergrado,
setendr:
n

S yi axi b 2
i 1

Elresultadofinaldelaoptimizacindelafuncinanteriordacomoresultadolaobtencindeloscoeficientesa
ybenfuncindelosdatosobservados:
n
n
n
n xi yi xi yi
i 0
i 0 i 0
a
2
n

n xi2 xi
i 0 i 0
n
yi
i 0
b

n 2
xi
i 0

n
xi
i 0

n
xi yi
i 0
2

n
n

n xi2 xi
i 0 i 0
Dondenrepresentaelnmerodeparejas{xi;yi}dedatosobservadas.

Pg.51de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Ejemplo:
Se tienen las siguientes parejas de datos de tiempos de reparacin de una vlvula de control con su
probabilidaddereparacin.Sesabequesiguenunadistribucinexponencialdedosparmetros.Determinarlos
medianteelmtododelosmnimoscuadradosquelacaracterizan.
Tiemposdereparacint(horas)
2
3
5
8
12

ProbabilidaddereparacinF(t)
0,1296
0,3148
0,5
0,6852
0,8704
Tabla3Datosdelejemplo

Resolucin:
Elprocedimientoqueseseguirparalaresolucineslalinealizacindelafuncindedistribucinexponencial.
Primerosecalculaellogaritmodelaprobabilidaddefallo:
Xi=Tiempohastalareparacin
2
3

12

Yi=Ln(1F(t))
Ln(10,1296)=0,1388
Ln(10,3148)=0,3781
...
Ln(10,8704)=2,0431

Tabla4Variablesnecesariasparalalinealizacinexponencial

ParalaresolucinsepuedeusarsoftwarequerealiceajustepormnimoscuadradoscomopuedeserMicrosoft
Excel, Matlab. Pero en este caso se realizar mediante un mtodo analtico a mano, para ello se usarn las
expresionesdelmtododelosmnimoscuadrados:
9

X i 2 3 ... 12 30
i 1
9

Yi 0,1388 0,3781 ... 2, 0431 4, 4089


i 1
9

X 2 22 32 ... 122 246


i 1
9

X iYi 0,13882 0,37813 ... 2, 043112 38, 6407


i 1

Atendiendoaquesetrabajancon5datos,n=5,yconello:
n
Yi
i 0
a0

n 2
X i
i 0

n
X i
i 0

n
n X i2
i 0

n
X iYi
i 0

X i
i 0

-4,4089 246 -30 -38,6407 0, 2262


5 246 - 30 2

Pg.52de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

n
n
n
n X iYi X i Yi
i 0
i 0 i 0
a1
2
n

n X i2 X i
i 0
i 0

5 246 30 4, 4089 0,1847


5 246 30 2

Ln(Probabilidaddefallo)

0
0

10

15

0,5
1
1,5
2
2,5

y=0,1847x+0,2262
R=0,9936

Tiempohastaelfallo

Para el clculo del segundo parmetro de esta funcin exponencial se usa la ordenada en el origen de la
linealizacin:
0, 2262
0, 2262 0, 2262

1, 2247

0,1847
Porltimolaexpresinfinalparalaleyexponencialquerigelavlvuladecontroles:

F x 1 e

0,1847 x 1,2247

5.2. Mtododemximaverosimilitud
Estemtodoparamtricotambinpermiteladeterminacindelosparmetroscaractersticosdeunmodelo
estadstico.
Formalmente este mtodo consiste en encontrar aquellos parmetros que maximizan la probabilidad de
reproducirlosvaloresdelamuestra.Serepresentalafuncindeverosimilitudcomolasiguienteprobabilidad
condicionada:
f x1 ,..., xn j f x1 j ... f xn j

Setrata,pues,demaximizarlafuncinanterior,habindosepreviamentesupuestoelmodelomatemticoque
representalosvaloresdelamuestra.
Ejemplo:
Ladeduccindelvalordelestimadorparaunafuncindedensidaddeltiempohastaelfalloexponencialdeun
parmetro.
f t e t
Para esta funcin de densidad existe una envolvente de funciones de densidad que permitirn establecer el
valormsverosmilde:

Pg.53de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

i 1

i 1

Ln ln f ti ln ti

Ahoraaplicandoladefinicinanteriordemaximizacin:
d Ln
0
d
n

ti 0
1

i 1

ti 0

i 1

n
n

ti
i 1

Sepuedenconsultarlasfuncionesdeverosimilituddeotrasfuncionesdedistribucinenelcaptuloanterior.
5.2.1.

Intervalo de confianza de los parmetros del modelo a partir de sus estimadores de mxima
verosimilitud

Cuando se dispone de muestras de datos grandes es posible determinar los lmites asintticos superiores e
inferiores de los estimadores de mxima verosimilitud de la funcin. Para este caso se emplea la siguiente
ecuacin:

IC j j z /2 jj
Donde z /2 eselvalordelaabscisadelafuncindedensidaddeunadistribucinnormalytipificada(media0
ydesviacintpica1),paraelniveldeconfianzaqueseescoja.Porotrapartesetiene jj ,queeselvalorenla
posicin[j;j]deladiagonalprincipalenlainversadelamatrizhessiana(matrizdesegundasderivadas),dela
funcindeverosimilitud(j),designoopuesto:

jj H jj

Ejemplo(continuacin):
Para el caso de la exponencial de un parmetro, la matriz resultante solo tendr una posicin cuyo valor se
correspondeconlasegundaderivadadelafuncin:
d 2 Ln n
2

d2

Porloque11es:

n 1 2
n
2
De forma analtica, para un nivel de confianza del 95%, se podr estimar el intervalo de confianza segn la
expresin:

11

1, 96
1

n
n

Ntese que dada una funcin de distribucin compleja se hace necesario el uso de mtodos numricos y
clculoscomputacionalesparalaresolucindelosintervalosdecadaunodelosparmetrosdeladistribucin.
IC 1, 96

Pg.54de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Ejemplo:
Sedisponedelasiguientemuestradetiemposhastaelfallo.Realizarelajustemedianteelmtododemxima
verosimilitud,suponiendoqueseajustanaunadistribucinexponencialdeunparmetroascomosuintervalo
conun95%deconfianza.
Tiempohastaelfallo(h)
2
3
5
8
12
Resolucin:
Aplicandolaexpresindeducidaenlateora,secalcula,latasadefallodeestecomponente:
n
n

ti
i 1

5
0,1667 1
h
2 3 5 8 12
Ahora se procede a calcular el intervalo de confianza de este parmetro. Antes de proceder a ello, se
establecer el valor de z /2 , empleando en MS Excel la siguiente funcin, que calcula la confianza bajo una

curvanormaltipificada(media0ydesviacintpica1):
DISTR.NORM .ESTAND.INV ( / 2)

Paraun95%:

1 0,95
0, 975
2

DISTR.NORM .ESTAND.INV (0, 975)

z /2 1,96

Conociendoestedato,seprocedeacalcularelintervalodeconfianza:

z
1 /2
n
n

1,96

IC 0,1667 1
0, 0206; 0,3128
5

IC z / 2

5.3. ResumenConceptual
En este captulo se han abordado dos mtodos de estimacin paramtrica, el mtodo de los mnimos
cuadrados y el mtodo de mxima verosimilitud. Algunas indicaciones sobre su empleo han sido citadas en
[OConnor]5enrelacinatrabajosprevios.Porunladosehaobservadoqueelmtododemnimoscuadrados
se comporta mejor que el de mxima verosimilitud cuando el nmero de muestras es pequeo (inferior a
treinta datos) y no hay datos censurados en la muestra. El desempeo se ve bastante afectado conforme
aumentaelniveldecensuraenlamuestraloqueocasionaqueelnmeroefectivodedatosparallevaracabo
la regresin disminuya sensiblemente repercutiendo de esta manera sobre la incertidumbre en las

[OConnor] P. OConnor, A. Kleyner. Practical Reliability Engineering, 5th Edition, Wiley, 2012

Pg.55de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

estimaciones. En los casos donde la proporcin de datos censurados en la muestra es grande el mtodo de
mximaverosimilitudtieneunmejorcomportamientoqueelmtodoanterior.Noobstanteesnecesarioquela
muestrasealosuficientementegrandecomoparaqueelmtodonoseainestable.
Segn se recomienda en [OConnor], cuando no se tiene claro que metodologa dar lugar a mejores
resultadosesconvenienteemplearambosmtodosycompararlassalidasdecadauno.

Pg.56de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

6.

ESTIMACINNOPARAMTRICA

La estimacin no paramtrica se emplea cuando se desconoce la funcin de distribucin que representa la


muestra por lo que interesa obtener punto a punto la misma. De esta forma se puede estudiar el
comportamientodelconjuntodedatosobtenido.Eshabitualquetraslaobtencindeestasestimacionesse
procedaarealizarunaparametrizacindelconjuntodedatosconelfindeobtenerelmodeloquerepresenta
dichamuestra.
6.1. Estimacindelafrecuencia
En este caso es necesario disponer de una muestra lo suficientemente representativa del comportamiento
estudiado con el fin de poder extrapolar los resultados obtenidos de forma fiable. En esencia consiste en
realizarelcocienteentre,porejemploenunensayodetiemposhastaelfallo,elnmerodeelementosquehan
falladoshastaundeterminadotiempoyelnmerototaldeelementosensayados.
Para realizar esta operacin suele ser conveniente agrupar los datos en intervalos de clase. Ello se puede
realizarconalgunadelassiguientesreglas:
k 1 log 2 n
( Sturges )
k

( Regla Raz Cuadrada )

Dondekeselnmerodeintervalosyneselnmerodedatosdisponibles.
Paraelsiguientecuadroresumendeunconjuntodetreintadatosdetiemposhastaelfallosehaconstruidoel
diagramadefrecuenciasrelativasdelaFigura25.
Intervalodeclase
(0200]
(200400]
(400600]
(600800]
(8001000]

Marca
clase
100
300
500
700
900

de

Frecuencia

Frecuenciaacumulada

4
8
9
5
4

4
8+4=12
12+9=21
26
30

Frecuencia
acumuladarelativa
4/30=0,13
12/30=0,4
0,7
0,86
1

Figura25Distribucindefrecuenciasrelativasacumuladas

Pg.57de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Enlosensayoshastaelfalloseidentificalafrecuenciaacumuladarelativaconlaprobabilidaddefallodelactivo
estudiado,porloqueenconclusinseobtieneparejasdevaloresdetiemposhastaelfallo,marcasdeclase
(puntomediodelintervalodeclase),yprobabilidaddefallo,frecuenciaacumuladarelativa.
6.2. EstimadordeBnard
El prorrateo de la mediana,o tambinestimador deBnard, seutilizaampliamenteya quepermite obtener
buenosresultadosdeestimacin.Paramuestraspequeas,menoresde5,unerrormximode1%,queseva
mejorandoconformeaumentaeltamaodelamuestra,aspara50observacioneselerrormximocometido
serdel0,1%.Laexpresines:
i 0,3
n 0, 4
Donde i es la posicin del isimo evento ordenado de manera creciente de una poblacin n, y F es la
probabilidaddefalloeneseinstante.
Fi mediana

Ejemplo:
Enunafbricademotoresdecombustindieselsehaincrementadolaproduccin,yseestnestudiandolos
tiempos hasta el fallo de un grupo de equipos para conocer la probabilidad de fallo. Para realizar el test, se
ponen 5 motores nuevos a funcionar al mismo tiempo y en igualdad de condiciones de operacin. Los datos
obtenidossonlossiguientesexpresadoenhoras:
6019,05
4422,62
973,45
5436,42
14739,1
Resolucin:
Elprimerpasoconsisteenordenarlosdatosenordencreciente:
973,45
4422,62
5436,42
6019,05
14739,10
SeusarlaaproximacinoestimadordeBnard:
Fi mediana

i 0,3

n 0, 4

Comosetratanlosdatosde5motores,n=5.Paralaprimeraposicincorrespondienteconelmenortiempode
falloelestimadordeBnardda:
F1mediana

1 0,3
0,1296
5 0, 4

Enlasiguientetablasevenalgunosejemplosdelosclculosrealizados.

Pg.58de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Posicin

Tiempohastaelfallo
delosmotores(h)

F(t):Probabilidaddefallo
(estimadordelamediana)

1
2
3
4
5

973,45
4422,62
5436,42
6019,05
14739,10

(10,3)/(5+0,4)=0,1296
(20,3)/(5+0,4)=0,3148
(30,3)/(5+0,4)=0,5
(40,3)/(5+0,4)=0,6852
(50,3)/(5+0,4)=0,8704

Tabla5ResultadosparalaestimacindeBnard

6.3. NmerodeOrden
EstemtodoseusarjuntoconlaexpresindeBnardconelfindeadaptarestaltimaamuestrasdedatos
censuradas:
MOi 0,3
n 0, 4
DondeMOieslaposicindelisimodatonocensuradodeunamuestradencomponentes.
F (t )

n 1 MOi 1
1 si
Enlaexpresinanteriorsieselnmerodesujetossupervivientesjustoantesdelisimodatonocensurado.El
estimadorMO0es0,estoesunvalortericoasignadoporeldesarrolladordelmtodo.
MOi MOi 1

6.4. KaplanMeiers
Este estimador presenta la ventaja de poderse usar tanto para un conjunto de datos completos como
censurados, ya que tiene en cuenta la posibilidad de la existencia de datos censurados de manera implcita.
Paradeterminarcadadatodeprobabilidaddefallosesiguelasiguientesecuenciadeclculosapoyndoseenla
funcindesupervivencia:

Seordenanlosdatosdemenoramayor.
Seestipulaenunacolumnaapartelosdatosquepresentancensuraylosqueno(F[fallo],C[censura])
Asociaracadadato,elnmerosi,dondesiexpresaelnmerodeelementossupervivientesjustoantes
delfalloyrielnmerodefallosqueocurreneneseinstante
EstimarelvalordelafuncindesupervivenciaS1mediante:
S1

s1 ri
s1

Estimarlossucesivosvaloresdelafuncindesupervivenciamediante:

si ri

Si Si 1

si

EstimarelvalordelafuncindedistribucinFimediante1Siencasodenecesitarselamisma.

6.4.1.

Intervalo de confianza

GraciasalaformulacindeGreenwoodsepuedecalcularlavarianzadeesteestimadorpuntualmente,porlo
que es posible, para un tamao de muestra grande (suposicin de comportamiento normal) obtener el
intervalodeconfianzaencadapuntodelafuncindesupervivenciaestimada.Enconcreto,laecuacindela
varianzaes:

Pg.59de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

di
ti t ni ni d i

Var Si Si2

Enelinstantei,dieselnmerodeactivosquehanfalladoynieselnmerodesupervivientes.
Retomando la suposicin realizada anteriormente del comportamiento normal de la muestra se tiene por lo
tantolasiguienteformulacinparacadapunto:
ICi Si z /2 Var Si
Dondezeselvalordelaabscisadelafuncinnormaltipificadaparaelniveldeconfianzadeseado.

Ejemplo:
Unaempresaquiererealizarunanlisisdelosdatosdetiemposdefallodeunaturbinadegasoperandoenun
ciclo Brayton. Para ello, fija el evento estudiado en el bloqueo del eje principal de la turbina, y obtiene la
siguientelistadetiemposhastaelfallode5turbinasdevaporoperandoenigualdaddecondiciones:
2
3
5
8*
12
Los datos acompaados por * son datos censurados. Se usarn los dos mtodos que se conocen para la
estimacindelaprobabilidaddefallodelactivo.

Resolucin:
En el primero mtodo, nmero de orden, el procedimiento es el siguiente. Primero se ordenan los datos en
ordencreciente,sedeterminaelnmerodesupervivientesqueexistenenlamuestracuandoseproducecada
falloyseaplicalafrmulasiguiente.
MOi MOi 1

n 1 MOi 1
1 Si

Paralaprimeraposicinsetieneentonces:

5 1 MO0
5 1 0
0
1
1 S1
1 5
MOi 0,3
F (t )

n 0, 4

MO1 MO0

5 0,3
0,1296
5 0, 4
Lasegundaposicindependedelvalorobtenidoenlaposicinanterior:
F1

5 1 MO1
5 11
1
2
1 S2
1 4
2 0,3
F2
0,3148
30 0, 4
Cuando los datos son censurados, no se hace el clculo, ya que se prescinde de la informacin aportada.
Simplementesetendrencuentacomounsupervivientemenos,einfluirenelclculode MOi .
MO2 MO1

Lasiguientetablamuestralosvaloresobtenidostraselclculo:

Pg.60de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Tiempohastaelfallo
2
3
5
8*
12

Supervivientes
5
4
3

MOi
0+((5+10)/(1+5))=1
1+((5+11)/(1+4))=2
2+((5+12)/(1+3))=3

Fi
(10,3)/(5+0,4)=0,1296
(20,3)/(5+0,4)=0,3148
(30,3)/(5+0,4)=0,5

3+((5+13)/(1+1))=4,5

(4,50,3)/(5+0,4)=0,7778

Tabla6ResultadosdelestimadorNmerodeorden

Por otra parte, el mtodo de KaplanMeiers, como en el mtodo anterior se tiene que ordenar los datos de
forma creciente y para este caso aplicar las expresiones correspondientes a este mtodo. Para el primer
clculo:
S 1 5 1
R1 1

0,8
S1
5
F1 1 R1 1 0,8 0, 2

Paraelsegundoclculo:
R2 R1

S2 1
S2

0,8

4 1
0, 6
4

F2 1 R2 1 0, 6 0, 4
Denuevo,paradatoscensurados,elclculosepuededespreciar,simplementeteniendoencuentaquehayun
supervivientemenos.
Lasiguientetablamuestralosvaloresdefinitivosdeladistribucin:

Tiempohastaelfallo
2
3
5
8*
12

Supervivientes
5
4
3

Elementosquefallan
1
1
1

Ri
(51)/(5)=0,8
0,8*(41)/(4)=0,6
0,6*(31)/(3)=0,4

Fi
10,8=0,2
10,6=0,4
10,4=0,6

0,4*(11)/(1)=0

10=1

Tabla7ResultadosdelestimadorKaplanMeiers

6.5. ResumenConceptual
En este captulo se han abordado dos mtodos de determinacin de la probabilidad, mediante histogramas,
siemprequelamuestraseasuficientementerepresentativaomedianteaproximacionescomoladeBnardy
KaplanMeiers.Estaspermitenestimardichaprobabilidadexclusivamenteenbasealamuestradedatosquese
disponga.

Pg.61de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

7.

PRUEBASDEHIPTESISYBONDADDEAJUSTE

Losestudiosdemodeladodedatospermitenaproximacionesyajustesdeunosdatosconcretosaunafuncin
estadstica. Para ello, se ha abordado hasta ahora algunos modelos de datos, as como la estimacin de los
parmetrosquelosdefinen.
Una vez abordada esta problemtica, se buscar el siguiente paso: la comprobacin de que el modelo
seleccionadoesrepresentativodelamuestraquecaracteriza.Paraello,seanalizarnlasdiscrepanciasdelos
valorespredichosporelmodeloylosvaloresrealesmuestreadosmediantealgunametodologaquepermita
establecersidichasdiscrepanciassonsignificativas(enelsentidodelasignificanciaestadstica).
Duranteelprocesodepruebadehiptesisseformulaunasuposicin(hiptesis)sobrealgunacaractersticade
lamuestraquedebeserverificadaorechazada(contrastada).Porejemplo,puedeenunciarselahiptesisde
quelosdatosdeunamuestrahansidogeneradosapartirdeunadistribucinlognormal,oquelosdatosdedos
muestrasprovienendelamismapoblacin,oquenoexistediferenciaentrelasmediasdedosmuestras.Esta
hiptesis formulada se conoce como hiptesis nula (H0) y se construye para ser refutada en pos de una
hiptesisalternativa(H1)siexistieranevidenciasfuertesensucontra.
Enuncontrastedehiptesisesposiblecometerdostiposdeerror:

Sepuederechazarunahiptesisnulaquepuedeserrealmenteaceptable.Esteerrorseledenomina
comoerrordeprimeraespecie.

Se puede aceptar una hiptesis nula que realmente no es aceptable. Este error se denomina como
errordesegundaespecie.

Engeneral,sedenomina:

P ( Error Tipo I ) P (Re chazar H 0 | H 0 es cierta )


P ( Error Tipo II ) P ( Aceptar H 0 | H 0 es falsa)
Laprobabilidad decometerunerrortipoIseconocecomoNiveldesignificacin delcontraste.Asimismo,la
probabilidaddenocometerunerrortipoII:
1 P (rechazar H 0 | H 0 es falsa )
, se conoce como Potencia del contraste. Ambas probabilidades, pues, miden la probabilidad de rechazar la
hiptesisnula,,cuandoesciertay1cuandoesfalsa.Lasituacinidealesquesealomspequeaposible
y1lomsgrandeposible.Elloenlaprcticasetraduceentenermuchainformacin(muchosdatos).Cuando
no es posible disponer de toda la informacin que ser deseable (situacin muy frecuente en los estudios
reales) en general se procurar que seapequea, ana costa de que pueda sergrande (yporende1
pequea).
En este punto estamos interesados en comprobar con un cierto Nivel de Significacin que la hiptesis nula
formulada(estoes,elmodeloseleccionado)searechazada.Enotraspalabras,setrataderefutarlahiptesis
formulada. En caso de que esto no sea posible, entonces diremos que no hay argumentos suficientes para
contradecirlahiptesisnulaynopodrnegarsequeelmodeloquemejorcaracterizalosdatoseselpropuesto.
AlgunosdelosmtodosdebondaddelajustesoneltestChicuadradoyeltestdeKolmogorovSmirnov,entre
otros.Estossevernacontinuacin:

Pg.62de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

7.1. TestChicuadrado
Estapruebaproporcionaunamedicindeladiferenciaestablecidaentreunaprobabilidadobservadamediante
unnuevoensayoylaesperada(segnladistribucin).Sedefinecomo:
( Fi ri ) 2

ri
i 1
n

2
sist

Donde Fi representa la probabilidad de que suceda el proceso y ri la probabilidad que se esperaba por la
funcindeajuste.
2
Si sist
0 ,lanuevamedidaseajustaperfectamentealacurva,yporello,alaprobabilidadesperada.Perolo

normalesquedeunvalor,queparaqueseacepte,debecumplirconlapremisade:
2
sist
i2.c,

EstevalorcondicionantesedeterminabajounNiveldeSignificacinoSignificancia.Sueleserfrecuente5y1%.
Noobstante,haytablasquedeterminanlosvaloreslmite,usandodeentradaelporcentajedeconfianzaylos
gradosdelibertad:
n 1 m
Dondencorrespondealoselementosdelamuestraestudiadaymalnmerodeparmetrosdeladistribucin
deprobabilidadempleada.
Unltimodetalleatenerencuentasonlosvalorescercanosa0,yaquepuededeberseaerrores,ygenerar
confusinyfalloenlaaplicacindelmtodo.Poreso,apartedesermeticulosos,sedeberealizarunaprueba
designificancia.
Ejemplo:
Usandolossiguientesdatos,sehallegadoaunafuncincaractersticaquelosdefine:
Tiempohastaelfallo
2
3
5
8
12

ProbabilidaddefalloF(t)
0,1296
0,3148
0,5
0,6852
0,8704

SeaplicareltestdeChicuadradoparacomprobarsilosdatoscumplenestetestconunniveldesignificancia
del1,5y10%.
Elconjuntodedatossiguelasiguienteleyexponencialdedosparmetros:
F x 1 e

0,1847 x 1,2247

Resolucin:
Primerosetienequecalcularlaprobabilidaddefalloestimadaconlafuncindedistribucin.
Datosnecesariosparalaresolucindeltest:

Pg.63de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Tiempo hasta el Fi:


Probabilidad
ri:Probabilidadobtenidadelafuncin%(100*F(x))
fallo
observada%
2

0,1296*100=12,96

100(1 e

0,1847 21,2247

0,3148*100=31,48

100(1 e

0,1847 31,2247

12

0,8704*100=87,04

100(1 e

) 100 0,1334 13,34


) 100 0, 2795 27,95

0,1847 121,2247

) 100 0,8633 86,33

Tabla8DatosdelaprobabilidadnecesariosparalaresolucindeltestChicuadrado

2 conlaexpresinsiguienteycomprobarsiladesigualdadsecumpleparaelo
Ahorasetienequecalcular sist

losintervalosdeconfianzaqueseestimen:
( Fi ri ) 2
ri
i 1
n

2
sist

2
sist

12,96 13,34 2

31, 48 27,95 2

...

87, 04 86,33 2

0,578
12,96
31, 48
87, 04
AhorasebuscaenlastablasdeladistribucinChicuadradacorrespondientea8gradosdelibertadyunnivel
de significancia que sequiera en estecaso se buscar para 1%,5% ypara 10%. Como opcin alternativa, se
puederecurrirasiguientefuncindeMSExcel:
PRUEBA.CHI .INV ( ; n 1 m)

Donde representalasignificanciaempleada,nelnmerodedatosempleadosymelnmerodeparmetros
estimados.Altratarunaleyexponencialdedosparmetros,m=2.Porejemplo,paralos5datosusados,con
unasignificanciadel10%,seemplear:
PRUEBA.CHI .INV (0,1; 2)

Comosecompruebalaseriededatosestudiadanocumplecontodoslosnivelesdeconfianzayaqueelvalor
2
de sist

esnomenorentodosloscasosa :
2

2
sist
0,578
2
2
2
01
9, 2103; sist
01
Cumple
2
2
2
05
5,9915; sist
05
Cumple
2
2
2
10
4, 6052; sist
10
Cumple

Porello,seconcluyeenquesecumplenlosnivelesdesignificanciaal1%,al5%ynisiquieraal10%,demodo
quesepuedeconcluirquelosdatosestudiadosseajustanbienalaleypropuesta,enbaseaestosvaloresde
significancia.
7.2. TestKolmogorovSmirnov
Estapruebatambincontemplalabsquedadeunbuenajustedeprobabilidaddeunosdatostomados,sobre
unacurvayadefinida.Enestaocasin,elparmetroquemarcaladiferenciaentreunoyotroesD:

Pg.64de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

D sup Fi dato Fi distribucin


Donde D es el valor mximo de desviacin obtenido de las diferencias de valores de probabilidad tomados
Fi dato ,frentealosdelafuncindedistribucin, Fi distribucin ,todoestoenvalorabsoluto.

Parasimplificarlosclculos,serealizansolodoscomprobaciones,usandoelvalordedistribucinenelpuntoy
enelinmediatamenteanterior:
D max Fi dato Fi distribucin
D max Fi dato Fi distribucin

Lamayordesviacinserlaempleada.
ElparmetroconelquesecomprobarDseextraedelasiguienteexpresin:
Da

Ca

k ( n)

Donde Ca esuncoeficientedependientedelafuncinempleada(elmodelousado)yelintervalodeconfianza,
y k (n) es un polinomio dependiente de nuevo de la distribucin a comprobar y del nmero de elementos
usados.
Lasiguientetablamuestradistintosvaloresde Ca :

Ca

Modelo
General
Normal
Exponencial
Weibull n 10
Weibull n 20
Weibull n 30
Weibull n

0,1
1,224
0,819
0,99
0,76
0,779
0,79
0,803

0,05
1,358
0,895
1,094
0,819
0,843
0,856
0,874

0,01
1,628
1,035
1,308
0,944
0,973
0,988
1,007

Porotraparte,estatablamuestralasdistintasfuncionesde k (n) :
Distribucinacomprobar

k ( n)

General.Parmetrosconocidos

n 0,12

0,11

Normal

n 0, 01

0,85

Exponencial

n 0,12

0,11

Weibull

Finalmente,sedebercorroborarque:

Pg.65de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

D Da

Ejemplo:
AhoraseaplicareltestdeKolmogorovSmirnovalosdatosdelejemploanteriorparadeterminarsilaseriede
datosestajustadacorrectamente.
Probabilidad
0,1296
0,3148
0,5
0,6852
0,8704

Probabilidadobtenidadelafuncindedistribucin
0,1334
0,2795
0,502
0,7138
0,8633

Tabla9DatosnecesariospararealizareltestdeKolmogorovSmirnov

Resolucin:
Primerosecalcularlamximadiferencia,D:

D max Fidato Fidistribucin

D max Fidato Fidistribucin

|0,12960,1334|=0,0038
|0,31480,2795|=0,0353
0,002
0,0286
|0,87040,8633|=0,0071

|0,12960|=0,1296
|0,31480,1334|=0,1814
0,2205
0,1832
|0,87040,7138|=0,1566

Tabla10Clculodelasdiferenciasparaestetest

Lamayordiferenciaexistenteenestatabladediferenciases0,2205.

D 0, 2205
Para determinar los lmites con los que comparar D, hace falta hallar los coeficientes Ca y el valor del
polinomiok(n).
Ladistribucinexponencialposeeunosvaloresde Ca concretos,peroserecurrirn,porsermsgenricos,a
valoresgenerales.Porello,losvaloresempleadosson:

C0,90 1, 224
C0,95 1,358
C0,99 1, 628
Para determinar el parmetro de referencia primero se calcula el polinomio k(n). Como se trata de una
distribucinexponencialsebuscaenlatabladelosapuntespolinomioquelecorresponde:

k ( n)

n 0,12

0,11
n

Paral,neselnmerodemuestras(n=5).Porello:

k ( n)

n 0,12

0,11

5 0,12

0,11
2, 4053
5

Pg.66de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Elparmetrodereferenciaparalostresnivelesdeconfianzaes:
C0,90
1, 224

0,5089
k (n) 2, 4053
C0,95
1,358

0,5646
D0,95
k (n) 2, 4053
C0,99
1, 628
D0,99

0, 6768
k (n) 2, 4053
ComoelvalorqueseobtuvodeDesmenorparatodoslosintervalosdeconfianzacalculado,losdatoscumplen
coneltestdeKolmogorovSmirnovparaunniveldeconfianzade99,95y90%:
D0,90

D D0,90
D D0,95
D D0,99
7.3. CoeficientedecorrelacindePearson
Estecoeficienterealizaunacomprobacindecunptimosehanajustadounosdatosalarelacinlineal.Su
valoroscilaentre1y1,siendolaunidadenvalorabsolutoloptimo.Alrespectodelsigno,stelodetermina
quelapendientedelarectaseapositivaonegativa.
ElcoeficientedePearsonsedefinecomo:

xy

x y

Lacovarianzaylasdesviacionestpicassecalculancomo:
n

xy

( xi x )( yi y )
i 1

n
n

( xi x )2
i 1

n
n

( yi y )2
i 1

Sisesustituyeysetrabajalaexpresin,sepuedellegaraunaversinreducida:
n

xi yi

i 1

xi yi i 1

xi
n 2 i 1
xi
n
i 1

i 1

2

n
n
yi

i 1
2
yi
n
i 1

Pg.67de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

7.3.1.

Coeficiente de determinacin ( r 2 )

Cuando el coeficiente de correlacin de Pearson se eleva al cuadrado, se obtiene el coeficiente de


determinacin que indica cuan bueno es el ajuste a una recta. Suele emplearse en lugar del coeficiente de
correlacinparacuantificarlabondaddelajuste.
2

n
n

n
xi yi
x y i 1 i 1
i i

n
i 1

r2
2
n

yi
i

n 2 i 1 n 2 i 1
xi
yi
n
n
i 1
i 1

Ejemplo:
Calcular el coeficiente de correlacin de Pearson para el siguiente conjunto de datos, para comprobar la
linealidaddelarepresentacingrfica.
x
2
3
5
8
12

y
0,1388
0,3781
0,6931
1,1558
2,0431

Resolucin:
Serealizarpordosmtodos,elcoeficientedePearsonymediantelafrmulaabreviada:
ParaelcoeficientedePearson,usandolaexpresinsiguiente:
n

xy

xi x yi y
i 1

representalamediadelosdatosanalizados:
n

xi
i 1

2 3 5 8 12
6
5

yi

0,1388 0,3781 ... 2, 0431

0,882
5
n
Ntesequeseemplean=5alhaber5datosanalizados.Conello:
y

i 1

Pg.68de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

xy

2 6 0,1388 0, 882 ... 12 6 2, 0431 0, 882


5
n

x
x

xi x

12,1873

i 1

2 6 2 3 6 2 ... 12 6 2
5
n

y
y

yi y

3, 6332

i 1

0,1388 0,882 2 0,3781 0,882 2 ... 2, 0431 0,882 2

0, 673

PortantoelcoeficientedePearsonser:

xy
12,1873

0,9968
x y 3, 63320, 673

Elotromtododeclculoesempleandolaecuacindirecta:
n

xi yi

i 1

xi yi

i 1 i 1
n

2
2

n

n

x
y

i 1 i n
i 1 i
n

2
2

xi
y
n
n
i 1
i 1 i

Calculandotodoslossubtrminos,sellegaalasolucindirectademanerasimplificada:

xi yi (2)(0,1388) (3)(0,3781) ... (12)(2, 0431) 38, 6407


i 1
n

xi (2) (3) ... (12) 30


i 1
n

yi (0,1388) (0,3781) ... (2, 0431) 4, 4089


i 1
n

xi2 (2)2 (3)2 ... (12)2 246


i 1
n

y 2 (0,1389)2 (0,3781)2 ... (2, 0431)2 6,1526


i 1

30 4, 4089
5
2

30
4, 4089 2
246
6,1526
5
5

38, 6407

0,9968

Alavistadeamboscoeficientessepuedeafirmarqueseajustaperfectamenteaunalnearecta.
ObteniendoelvalorRcuadrado:

Pg.69de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

R 2 0,9936
7.4. TestdegrficoQQ
Por el contrario a los mtodos analticos vistos para analizar la bondad de ajuste de las distribuciones, los
grficos QQ, donde Q alude al trmino quantile, (Cuantil), buscan analizar grficamente esta bondad,
medianteunarepresentacindeloscuantilesdeunadistribucin,enfuncindeloscuantilesdelahiptesis
nula.
Porello,serepresentaenelejedeabscisasloscuantilesdeladistribucin(modelo)supuesta,mientrasqueen
elejedeordenadassepondrnloscuantilesdelamuestraanalizada.Acontinuacin,seagruparnporpares
de datos, el cuantil n de la distribucin estimada y el cuantil n de la muestra: ( x1 , y1 ), ( x2 , y2 ),...( xn , yn ) .
RepresentadossobreunplanocartesianoseobtieneelgrficoQQ.
Si la correspondencia entre modelo y muestra es total, los puntos se distribuirn a lo largo de una recta de
pendienteiguala45yportantoseaceptarelmodelopropuesto.Encasodedesviaciones(comoesnormal)
corresponder al analista decidir si esta desviacin es lo suficientemente significativa como para rechazar el
modelo.Estetestdebeemplearsesolocomoaproximacinpreliminarparaaceptarodescartarlahiptesis.
7.4.1.

Estimacin de los cuantiles de la muestra

Apartirdelosvaloresmuestralesordenadosensentidocrecienteseobtendrnestimacionesdedelafuncin
de distribucin mediante algn estimador de la familia (k a) / (n 1 2a) . Algunos de los ms usados se
exponenacontinuacin:
k
n 1
k 1/ 2
n

k 0,3
( Bnard )
n 0, 4

,dondekrepresentaelnmerodeordendecadadatodelamuestraynelnmerodedatosquecomponenla
muestra.Obtenidaestaestimacin,acontinuacinsehallanloscuantilesasociadoaladistribucinqueseha
supuesto que representa a los datos. Para ello se calcula la funcin cuantil (la inversa de la funcin de
distribucin).EstopuedehacerseconunsoftwaredeclculocomoExcel,conlasllamadasfuncionesinversas.
AcontinuacinsemuestranunosgrficosQQplotdeunamuestrade150datosquefuegeneradadeforma
aleatoriamedianteunadistribucinWeibulldeparmetros=1,6y=250.
Trata de mostrarse en este ejemplo como, tras haber ajustado los modelos mediante alguno de los
procedimientos descritos en captulos previos, la forma en que se acepta o rechaza preliminarmente la
hiptesisformulada.Paraello,sesupondrquetresajustesrealizadosdanlossiguientesposiblesmodelos:

Pg.70de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

Gua

1200

1000

=1.65,=436

800

=1.8,=350

600

=2.1,=500

CuantilesdelaMuestra

W2P(=1,63,=300)
W2P(=1,8,=360)
W2P(=2,1,=500)

400
200

0
0

500

1000

CuantilesEstimados(Modelo)
Figura26:GrficoQQPlotmuestraWeibull2P

Dadoelgrfico,parecerazonableaceptarlaprimerahiptesis(=1,63,=300)yaquelasuperposicinconla
lneaguaescasitotal.Lahiptesis(=1,8,=360)tieneunadesviacinsensibleaunquecabralaposibilidad
deplantearsesipuedeseraceptadaono.Estodependerdelahabilidaddelanalistaylaexperienciaprevia
quehayapodidotenerenproblemassimilares.Porltimo,hayevidenciasrazonablespararechazarlahiptesis
(=2,1,=500)dadaladeviacinpresentada.
Ejemplo:
SeaplicareltestdeGrficoQQaunaseriededatosdefallodelsistema,paraloscualessehaestimadouna
probabilidaddefrecuencia,definidoporlasiguientefuncin:

F x 1 e

0,1847 x 1,2247

Losdatosempleadosson:
Tiempohastaelfallo
2
3
5
8
12

ProbabilidaddefalloF(t)
0,1296
0,3148
0,5
0,6852
0,8704

Tabla11:DatosnecesariospararealizareltestdeGrficoQQ

Resolucin:
Primero se calcular el valor de tiempo por el cual la probabilidad de la funcin de distribucin calculada
adoptara las probabilidades de fallo estimadas. Para ello, se proceder a realizar la funcin inversa,
despejandolavariabledetiempodelamisma.SillamamosalaprobabilidadobtenidacomoP:
0,1847 x 1,2247
P 1 e
1 P e

0,1847 x 1,2247

ln(1 P ) 0,1847 x 1, 2247


x

ln(1 P )
1, 2247
0,1847

Conestafuncin,secalculareltiempoconelqueselleganaesasprobabilidades:

Pg.71de72

CURSO:

MAESTRAENINGENIERADECONFIABILIDADYRIESGOVIIIEDICIN

MDULO:

1.IngenieradeFiabilidad

ASIGNATURA:

Fiabilidad

Captulo

AnlisisdeDatos

PROFESOR:

BlasGalvnGonzlez,AndrsCarrinGarca,NievesMartnezAlzamora

ProbabilidadP

Tiempocalculadoparaesaprobabilidad

0,1296

ln(1 0,1296)
1, 2247 1,9764
0,1847

0,3148

ln(1 0,3148)
1, 2247 3, 272
0,1847

0,5
0,6852

4,9785
7,4841

0,8704

ln(1 0,8704)
1, 2247 12, 2902
0,1847

Una vez realizado el clculo de los cuantiles que se corresponden a los tiempos de los datos, se procede a
representar grficamente las parejas de cuantiles formadas, usando los puntos ( x1 , y1 ), ( x2 , y2 ),...( xn , yn ) ,
donde x indica el cuantil n de la probabilidad observada e y indica el cuantil n de la probabilidad
posteriormentecalculadaconlaestimacin.Lasparejasdepuntosson:
Punto

x:Cuantil(T.calculado)

y:Cuantil(T.observado)

Puntoarepresentar

1,9764

(1,9764;2)

3,272

(3,272;3)

12,2902

12

(12,2902;12)

15

QQ

Tiemposhastaelfallo

Tiemposhastaelfallo

Surepresentacingrficaeslasiguiente.

10
5
0
0

10

15

15
10
QQ

Gua
0
0

Tiempocalculado

10

15

Tiempocalculado

Silaestimacinesperfecta,loscuantilesdelaprobabilidadobservadacoincidiranconladelacalculada,porlo
quesepuedeusarcomoreferenciaunalneadependienteunitaria,decaraacompararelresultadoptimo.

En esta resolucin, se aprecia grficamente que la coincidencia de los cuantiles es prcticamente perfecta,
dandoamostrarquelaestimacinhalladaesptima.

Pg.72de72