View
234
Download
0
Category
Preview:
Citation preview
8/17/2019 Tema 1. Muestreo Aleatorio
1/70
Estadística GeneralIntroducción a la Estadística
Concepto de Estadística.Es la ciencia encargadadel desarrollo técnico
HENRYVILLARROEL
de organizar, analizar einterpretar lainformación generadasa partir de los datosrecolectados
8/17/2019 Tema 1. Muestreo Aleatorio
2/70
Estadística GeneralIntroducción a la EstadísticaClasificación de la Estadística.Estadística Descriptiva. Se
refiere a la recolección,resentación descri ción
HE !" #I$$%!!&E$
an'lisis e interpretación deuna colección de datos.Esencialmente consiste enresumir los datos a travésde uno o dos m'selementos de información(medidas descriptivas)
8/17/2019 Tema 1. Muestreo Aleatorio
3/70
8/17/2019 Tema 1. Muestreo Aleatorio
4/70
8/17/2019 Tema 1. Muestreo Aleatorio
5/70
8/17/2019 Tema 1. Muestreo Aleatorio
6/70
8/17/2019 Tema 1. Muestreo Aleatorio
7/70
Estadística GeneralIntroducción a la Estadística HE !" #I$$%!!&E$Variable Cuantitativa
(Numérica)Variable Cualitativa
(No numérica )
Continua Discreta Ordinal Nominal
Puede tomarcualquier valoren un intervalo
dado. (Procesos demedición)
Toma sólo ciertosvalores.
(procesos decontar)
Ingreso, talla,
peso, volumen degas producido,etc.
Nº de trabajadorespor oficina,
nº de alumnospor curso etc.
Tienen un ordenpredeterminado:
No tienen un ordenpredeterminado:
-Nivel de Educación-Estrato socioeconómico-Categoría de ocupación.
Sexo,ocupación,
Condición deempleo (nombrado
o contratado)
8/17/2019 Tema 1. Muestreo Aleatorio
8/70
8/17/2019 Tema 1. Muestreo Aleatorio
9/70
Estadística GeneralEstadística Descriptivaedia ( edia aritmética)
Es el cociente entre la suma de todos los datos - el n5mero de ellos - denotamatem'ticamente6
1 n
HE !" #I$$%!!&E$
edianaEs el valor ue separa por la mitad, las o*servaciones ordenadas de menor a ma-or detal forma ue el 789 son menores ue la mediana - el otro 789 son ma-ores. Si elnumero de datos es impar la mediana ser' el valor central - si es par tomaremos comomediana la media aritmética de los dos valores centrales
1i
in ==
8/17/2019 Tema 1. Muestreo Aleatorio
10/70
Estadística GeneralEstadística Descriptivaoda
Es el valor de la varia*le ue m's se repite, es decir, a uella cu-a frecuencia a*soluta esma-or. o tiene por ue ser 5nica
HE !" #I$$%!!&E$
edidas de dispersión
$as medidas de dispersión cuantifican la separación, la dispersión, la varia*ilidad de losvalores de la distri*ución con respecto al valor central. Entre las medidas de dispersióntenemos6$a varianza$a desviación est'ndar
Coeficiente de variación.
8/17/2019 Tema 1. Muestreo Aleatorio
11/70
Estadística GeneralEstadística Descriptiva$a #arianza uestralEs el promedio del cuadrado de las distancias entre cada o*servación - la media
aritmética del con2unto de las o*servaciones
HE !" #I$$%!!&E$
2
2 1( )
1
n
ii
X
X X
nσ =
−=
−∑
$a Desviación Standard uestralSe define como la raíz cuadrada positiva de la varianza
2
1
( )
1
n
ii
X
X X
n
σ =−
=−
∑
8/17/2019 Tema 1. Muestreo Aleatorio
12/70
Estadística GeneralEstadística DescriptivaCoeficiente de variación
Se define como el cociente entre la desviación est'ndar - el valor a*soluto de la mediaaritmética
HE !" #I$$%!!&E$
El C# representa el numero de veces ue la desviación est'ndar contiene la media
aritmética - por lo tanto cuanto ma-or es C# ma-or es la desviación - menor larepresentatividad de la media
X CV X σ =
8/17/2019 Tema 1. Muestreo Aleatorio
13/70
Estadística GeneralEstadística DescriptivaPROBLEMA TIPO.El gerente de mantenimiento de Otinsa, esta preparando un mantenimiento mayor (Overhaul) de las bombas centrifugas delsistema de enfriamiento de la planta de fraccionamiento de GLP. Para esta propósito utiliza los tiempos obtenidos de las 20reparaciones similares realizadas en la planta y los registros se muestran en la tabla I. El gerente de mantenimiento desearealizar un informe que responda las siguientes interrogantes:
• Realizar la tabla de datos agrupado y graficar la tendencia
• ¿Cuál será el tiempo promedio para reparar las bombas centrifugas ?
HE !" #I$$%!!&E$
• ¿ Cual es el tiempo aproximado en horas que existe entre cada reparación mayor?
•¿ Cual es la mediana de los tiempos de las tareas de mantenimiento?
Numero de
reparación
Tiempo (en
Horas)
Numero de
reparación
Tiempo (en
Horas)
Numero de
reparación
Tiempo (en
Horas)
Numero de
reparación
Tiempo (en
Horas)
1 11 6 12 11 9 16 11.5
2 6.5 7 13 12 12 17 13
3 12 8 6 13 12 18 7
4 14 9 6.5 14 12 19 10
5 8.5 10 11.5 15 12 20 9.5
Tabla I
8/17/2019 Tema 1. Muestreo Aleatorio
14/70
Estadística GeneralEstadística Descriptiva
max min 14 6 8 Rango X X horas= − = − =1 3.33 1 3.33 20 5.33 5 intK Logn Log ervalos= + = + = ≅
Números de intervalos:
HE !" #I$$%!!&E$
Realizar la tabla de datos agrupado y graficar la tendencia
Intervalos de Clase (horas) Frecuenciade Clase
FrecuenciaRelativa
(%)
Frecuenciaacumulada
Frecuencia Acumulada (%)
6.0 - 7.6 4 0.20 4 0.207.7 - 9.3 2 0.10 6 0.309.4 - 11.0 3 0.15 9 0.45
11.1 - 12.7 8 0.40 17 0.85
12.8 - 14.4 3 0.15 20 1.00
Tamaño de los Intervalos :
/a*la de Datos %grupados
81.6
5 R
I horasK
= = =
8/17/2019 Tema 1. Muestreo Aleatorio
15/70
Estadística GeneralEstadística Descriptiva HE !" #I$$%!!&E$Histograma de Mantenimiento Mayor de la Torre
Desbutanizadora
810
s e
4
23 3
0
2
4
6
8
6.0 - 7.6 7.7 - 9.3 9.4 - 11.0 11.1 - 12.7 12.8 - 14.4
Intervalos de Clase (Horas)
F r e c u e n c i a
d e C
l a
8/17/2019 Tema 1. Muestreo Aleatorio
16/70
Estadística GeneralEstadística Descriptiva HE !" #I$$%!!&E$¿Cuál será el tiempo promedio para reparar las bombas centrifugas ?
20
1
110.45i
i
Media X X horasn =
= = =∑
¿ u ser e t empo aprox ma o en oras que ex ste entre ca a reparac n mayor
2horas20
2 2
1 1
( ) ( )
1 20 1
n
i ii i
X
X X X X
nσ = =
− −
= =− −
∑ ∑ 20 2 2 2 21
( ) (11 10.45) (6.5 10.45) ...... (9.5 10.45) 112.358ii
X X =
− = − + − + + − =∑
112.3582.431
20 1 X horasσ = =
−
Desviación Estándar:
8/17/2019 Tema 1. Muestreo Aleatorio
17/70
Mediana
6.0, 6.5, 6.5, 7.0, 8.5, 9, 9.5, 10, 11, 11.5 , 11.5 , 12, 12, 12, 12, 12, 12, 13, 13, 14
Estadística GeneralEstadística Descriptiva HE !" #I$$%!!&E$¿Cuál es la mediana de los tiempos de las tareas de mantenimiento?
Como n=20 registros es par, la mediana es la media aritmética de los términos centrales
11.5 11.511.5
2mediana
+= = horas
8/17/2019 Tema 1. Muestreo Aleatorio
18/70
ES/%D:S/IC% GE E!%$!egresión $inealEs una técnica estadística depronostico ue se utilizapara desarrollar unaecuación matem'tica uemuestra como se relacionan
HENRYVILLARROEL
dos varia*lesEl an'lisis de regresión linealinclu-e una varia*leindependiente - una varia*ledependiente para las cualesla relación entre varia*les sepuede apro3imar a una línearecta
8/17/2019 Tema 1. Muestreo Aleatorio
19/70
ES/%D:S/IC% GE E!%$!egresión $ineal
y a bx y
x
= +=
=
Variabledependiente
HENRYVILLARROEL
ab
=
=
independiente
Pendiente de la recta
Intercepción con el eje y
Este método ajusta una línea a las observaciones de manera que miniminice la suma de lasdistancias al cuadrado con respecto a la media:
( )( )
( )( )
2
1
2
1
0
0
n
i ii
n
i ii
y a bxa
y a bxb
=
=
∂ = − + = ∂
∂ = − + =
∂
∑
∑
8/17/2019 Tema 1. Muestreo Aleatorio
20/70
ES/%D:S/IC% GE E!%$!egresión $ineal
1 1 12
2
n n n
i i i ii i i
n n
i i
n x y x yb
n x x
= = =
−=
−
∑ ∑ ∑∑ ∑
HENRYVILLARROEL
1 1i i= =
2
1 1 1 12
2
1 1
n n n n
i i i i ii i i i
n n
i ii i
x y x y xa
n x x
= = = =
= =
−
=
−
∑ ∑ ∑ ∑
∑ ∑
(Pendiente de la recta de aproximación)
(Intercepción de la recta de aproximación con el eje y)
8/17/2019 Tema 1. Muestreo Aleatorio
21/70
ES/%D:S/IC% GE E!%$!egresión $ineal
Coeficiente de Correlación (r)Es la medida ue e3presa la situaciónrelativa de un numero de sucesosrespecto a dos varia*les (dependiente e
HENRYVILLARROEL
.
r;8 (valores cercanos)< no e3iste relaciónde asociación entre las dos varia*lesr ;=> (valores cercanos)< la relación deasociación de las varia*les es decrecienter ; > (valores cercanos)< la relación deasociación de las varia*les de creciente
1 1 1
2 2
2 2
1 1 1 1
n n n
i i i ii i i
n n n n
i i i i
i i i i
n x y x yr
n x x n y y
= = =
= = = =
−
=
− −
∑ ∑ ∑
∑ ∑ ∑ ∑
8/17/2019 Tema 1. Muestreo Aleatorio
22/70
8/17/2019 Tema 1. Muestreo Aleatorio
23/70
ES/%D:S/IC% GE E!%$!egresión $ineal
B7
8
7Estacion de Flujo T !"#
HENRYVILLARROEL
8
7>8
>7
A8
A7
B8
8 > A B 7 F
F a
l l a s
$ r e s e n
t a d
a s
%oras Trabajadas
#alor real
8/17/2019 Tema 1. Muestreo Aleatorio
24/70
ES/%D:S/IC% GE E!%$!egresión $inealy= numero de fallas presentadas , Variable dependientex= numero de horas trabajadas en las tareas de mantenimientopreventivo, variable independiente
Ecuación de Pronostico : y a bx= +
HENRYVILLARROEL
1 1 12
2
1 1
n n n
i i i ii i i
n n
i ii i
n x y x yb
n x x
= = =
= =
−=
−
∑ ∑ ∑∑ ∑
2
1 1 1 12
2
1 1
n n n n
i i i i ii i i i
n n
i ii i
y x y xa
n x x
= = = =
= =
−=
−
∑ ∑ ∑ ∑∑ ∑
4
1
1
4
536
20
i ii
n
i
i
n
x y
x
=
=
=
=
=
∑
∑
42
1
4
1
2
1
120
81
2509
ii
ii
n
ii
x
y
y
=
=
=
=
=
=
∑∑
∑
8/17/2019 Tema 1. Muestreo Aleatorio
25/70
ES/%D:S/IC% GE E!%$!egresión $ineal
Sustituyendo los valores, se obtienen las constantes de laecuación de pronostico
( )( ) ( )( )2
4 536 20 816.55b
−= =
( )( ) ( )( )( )( ) ( )2
120 81 536 2012.5
4 120 20a
−= = −
−
HENRYVILLARROEL
−
1 1 1
2 2
2 2
1 1 1 1
n n n
i i i ii i i
n n n n
i i i i
i i i i
n x y x yr
n x x n y y
= = =
= = = =
−
=
− −
∑ ∑ ∑
∑ ∑ ∑ ∑
12.5 6.55 y x= − +
( )( ) ( )( )
( )( ) ( ) ( )( ) ( )2 24 536 20 81
0.994 120 20 4 2509 81
r −
= = − −
Ecuación de Pronostico :
(Relación Lineal Positiva)
Coeficiente de correlación (r) :
8/17/2019 Tema 1. Muestreo Aleatorio
26/70
ES/%D:S/IC% GE E!%$!egresión $ineal
12.5 6.55 y x= − +Ecuación de Pronostico :
¿Cuál será el numero de fallas que se presentaran si las tareas de mantenimiento preventivo alcanzanlas 20 horas?
HENRYVILLARROEL
=
12.5 6.55(20)
118.5 119
y
y
= − +
= ≅ Fallasaproximadas
8/17/2019 Tema 1. Muestreo Aleatorio
27/70
ES/%D:S/IC% GE E!%$!egresión $ineal
B7
8
7 Estacion de Flujo T !"#
HENRYVILLARROEL
8
7
>8
>7
A8
A7
B8
8 > A B 7 F
F a
l l a s
$ r e s e n
t a
d a s
%oras Trabajadas
valor realvalor pronosticado$ineal (valor pronosticado)
8/17/2019 Tema 1. Muestreo Aleatorio
28/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
LINEALIZAR LA ECUACIÓN DE LA DISTRIBUCIÓN DE WEIBULL
( ) β α / )( t et R −=
β =− t
( ) b
Lnt Lnt n
t R Ln Ln Lnt
t R Ln Ln Lnt n
i
ii
=−
−
=∑∑
∑ ∑ ∑22.
))(
1.)
)(1
(..
β
α
α β β Ln Lnt t R
Ln Ln ..)(
1 −=
a xb y += . β
α −
= a Ln
−
= β
α
a
e
Aplicando Regresión Lineal a laecuación
( ) a
Lnt Lnt n
Lnt t R
Ln Ln Lnt t R
Ln Ln Lnt
Lni
ii
=−
−
=−∑ ∑
∑ ∑ ∑∑22
2
.
.)(
1(.
)(
1(.
. α β
8/17/2019 Tema 1. Muestreo Aleatorio
29/70
Confiabilidad. ConceptoEs la ciencia que se encarga de la
predicción, estimación u optimización de
HENRYVILLARROEL
CONFIABILIDADTEMA No.3
supervivencias de los componentes osistemas (Elsayed, 1996)
Probabilidad de que unequipo, maquinaria o sistema realicen
sus funciones satisfactoriamente bajocondiciones especificas dentro de ciertoperiodo de tiempo, medido por MTBF”.(Mackenna, 1997)
8/17/2019 Tema 1. Muestreo Aleatorio
30/70
HENRYVILLARROEL
CONFIABILIDADTEMA No.3
ConfiabilidadTiempo promedio entre
fallas (MTBF)
8/17/2019 Tema 1. Muestreo Aleatorio
31/70
PROBABILIDAD:
• ES UNA MEDIDA DE LA POSIBILIDAD DE OCURRENCIA DE UN EVENTO
CONCEPTOS BASICOSCONCEPTOS BASICOS
PROBABILIDAD
• LA FRECUENCIA ES UN INDICADOR DE PROBABILIDAD:
SI EL EVENTO “A” ES MUY FRECUENTE => PROBABILIDAD DE “A” (P(A)) ES ALTA
SI EL EVENTO “A” ES POCO FRECUENTE=> PROBABILIDAD DE “A” (P(A)) ES BAJA
DEFINICION “FRECUENTISTA” DE LA PROBABILIDAD
P(A)=No DE VECES QUE SE PRESENTA EL EVENTO “A”
No DE VECES QUE SE REALIZA EL EXPERIMENTO ALEATORIO
8/17/2019 Tema 1. Muestreo Aleatorio
32/70
% /E I IE /& +!&0%0I$IS/IC&DIS/!I01CI& ES DE +!&0%0I$ID%D
Estudio delMantenimiento
TribologiaVibraciones
END
En base a la condicióndel equipo
Estadistica IEstadistica IIOpt. del Mtto
En base a laEstadistica y la confiabilidad
8/17/2019 Tema 1. Muestreo Aleatorio
33/70
DISTRIBUCION NORMAL
DISTRIBUCIONES PROBABILISTICAS PARAMETRICASDISTRIBUCIONES PROBABILISTICAS PARAMETRICAS
% /E I IE /& +!&0%0I$IS/IC&DIS/!I01CI& ES DE +!&0%0I$ID%D
VARIABLES ALEATORIASVARIABLES ALEATORIASDISCRETASDISCRETAS
VARIABLES ALEATORIASVARIABLES ALEATORIASCONTINUASCONTINUAS
DISTRIBUCION EXPONENCIAL
DISTRIBUCION DE WEIBULL
DISTRIBUCION BINOMIAL
DISTRIBUCION HIPERGONOMETRICA
DISTRIBUCION DE POISSON
8/17/2019 Tema 1. Muestreo Aleatorio
34/70
$O&'(CION1 ID%DES DE I /E!ES
)*E+TR(
% /E I IE /& +!&0%0I$IS/IC&DIS/!I01CI& ES DE +!&0%0I$ID%D
+E 1EJ% +%!/E !E+!ESE /%/I#% DE $% +&0$%CI&
D(T( DE CONFI(&I'ID(D
% %$ISIS ES/%DIS/IC& DE C& KI%0$ID%D
INFOR)(CION
%CE!C% DE $% +&0$%CI&
%CCI&
8/17/2019 Tema 1. Muestreo Aleatorio
35/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Es la distri*ución ueme2or modela la tasa defalla constante o vida
e n c
i a r e
l a t i v a
( % )
uc?os componentes
electrónicos tales comocircuitos, transistores
muestran uncomportamiento de fallae3ponencial
F r e c
Intervalos de Clase(tiempo)
8/17/2019 Tema 1. Muestreo Aleatorio
36/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Modelo matemático
t t f e λ λ −=)( u e n c
i a r e
l a t i v a
( % )
t t R e
−=)(
λ λ
λ λ =−
−==
t
t
t R
t f t h
ee
)(
)()(
∫ ∫∞ ∞
=−==0 0
1)(
λ λ λ dt t dt t R MTBF e
F
r e
Intervalos de Clase(tiempo)
T a s a
d e
F a l l a
( % )
Intervalos de Clase
8/17/2019 Tema 1. Muestreo Aleatorio
37/70
Modelo matemático
t t R e λ −=)(
t )
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
λ == MTBF t
368.01
1
)( =−=
−
= eet R λ λ
haciendo
C o n
f i a
b i l i d a d R
Intervalos de tiempo
0.368
MTBF
2
2 1
λ σ =
DIS/!I01CI& ES DE !&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
38/70
Procedimiento para la predicción del MTBF y tasa de falla en ladistribución exponencial:Agrupar los datos y graficar f(t) vs. TiempoOrdenar la información de los tiempos de operación en ordenascendente (de menor a mayor)
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Calcular la probabilidad de falla estadística por:
i= numero de orden de observaciónN=numero total de observacionesCalcular la probabilidad de supervivencia R(t)=1-F(t)Construir la recta de confiabilidad versus tiempos de operaciónDeterminar el MTBF con R(t)=37% aprox en la grafica
1)(
+=
N i
t F 4.0
3.0)(
+
−=
N i
t F 50≥ N 20≤ N 5020 ≤≤ N
N i
t F =)(
8/17/2019 Tema 1. Muestreo Aleatorio
39/70
8/17/2019 Tema 1. Muestreo Aleatorio
40/70
EJEMPLO DE DISTRIBUCION EXPONENCIALEn la tabla siguiente se muestran las horas de operación antes de fallar de unmontacargas de la empresa Otinsa. Se desea determinar el MTBF
%oras antes de fallar Causa de la falla
DISTRIBUCIONES DE PROBABILIDADUNIDAD IIIDISTRIBUCION EXPONENCIAL
>> cauc?o> Car*uraciónA Sistema ?idr'ulico>7 Sistema de elevación
7 Sistema de direcciónSistema de dirección
A Cauc?oF Sistema ?idr'ulico
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
41/70
EJEMPLO DE APLICACIÓN DISTRIBUCION EXPONENCIAL (Cont.)
2min = X
49max = X
47249minmax =−=−= X X Rango
1 3.33 8. 4.00K = + = 1275.114
47≅== I
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Intervalos (?oras) Kr f (t) o. Deso*revivientes ? (t)
A = > 8.78 8.78
>7 = AF A 8.A7 8.78
A = 8 > 8.>A7 A 8.78
> = 7B > 8.>A7 > >.88
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
42/70
Grafica de f(t) montacargas
Grafica de h(t) del Montacargas
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
0.5
0.25
0.125 0.125
0
0.1
0.2
0.3
0.4
0.5
.
O2 - 14 15 - 27 28 - 40 41 - 53
Intervalos de Clase
F r e c u e n c
i a r e
l a t i v a
( % )
0
0.1
0.2
0.3
0.4
0.5
0.6
2.0 - 14.0 15.0 - 27.0 28.0 - 40.0
Intervalos de Clase
T a s a
d e
f a l l a ( % )
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
43/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Ordinal Tiempo F,t- R,t- R,t- .
1. Ordenar en forma ascendente
2. Calculo de
3. Calculo de R(t)=1-F(t)4.0
3.0)(+
−= N it F
/ " 0102## 013/45 3/145" 6 01"0"# 015355 53155
# 5 01#"/7 014524 45124
7 // 017707 016634 66134
6 /6 016636 017706 77106
4 /3 014526 01#"/6 #"1/6
5 "2 015354 01"0"7 "01"7
2 73 013/44 0102#7 21#7
8/17/2019 Tema 1. Muestreo Aleatorio
44/70
MTBF=18 horas
DIS/!I01CI& ES DE !&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
45/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
Ordinal (i) Tiempo (horas)Tiempo (horas) R(t) Ln Ln R(t) R(t)
METODO ANALITICO
1.- Ordenar en forma ascendente y Ln R(t)
. -- ..
2 55 0.7977 --0.22600.2260
3 77 0.6786 --0.38770.3877
4 1111 0.5596 --0.58050.5805
5 1515 0.4405 --0.81980.8198
6 1919 0.3215 --1.13471.13477 2828 0.2024 --1.59751.5975
8 4949 0.0834 --2.48412.4841
2. Aplicar la regresión lineal para el calculo del MTBF
DIS/!I01CI& ES DE !&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
46/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EL+& E CI%$
METODO ANALITICO
Resumen Estadístico de la regresiónlineal8=n
1368
=∑=
it
Sustituyendo:
( ) ( ) 052061.0
1363970.8
)3172.7).(136()7105.210).(8(2
−=−
−−−=− λ
( ) ( )22.)(ln.)(ln..
∑∑ −−
=−
ii
i
t t n
t Rt t Rt ni
λ ∑=
−=8
1
3172.7)(i
it LnR
39708
1
2 =∑ it
7105.210)(.8
1
−=∑ t LnRt i20.19
1 ==λ
MTBF horas
8/17/2019 Tema 1. Muestreo Aleatorio
47/70
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
48/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
Es la distri*ución de vidamas ampliamente utilizadaen los an'lisis para descri*irla tasa de falla de los
, .
atem'ticamente se define6( ) β α
β
α α β / .
1
)( t et t f −−
=
1
)( −
= β β α
β t t h( ) β α / )( t et R −=
h(t)
β=Pendiente o parámetro de forma
α = Parámetro de escala (edad característica de falla)
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
49/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
Características6MN> tasa de falla decreciente( ortalidad infantil) ;
(vida 5til)M O > tasa de falla creciente(desgaste)
)
1
1(. β α +Γ =
MTBF
)1
1( β
+Γ = Función Gamma
Casos particulares:
1=
β α =
TBF 5.0= β .2=TBF
+Γ −
+Γ =
β β α σ
11
21. 222
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
50/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
β α / t −
METODO GRAFICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL
1= β
=t
3678.01)( =−== et R α
6322.0)(1)( ==−== α α t Rt F
Haciendo:
Intervalos de tiempo
0.6322
F(t)PAPEL WEIBULL
=t
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
51/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
METODO ANALITICO PARA DETERMINAR LA DISTRIBUCION DE WEIBULL
( ) β α / )( t et R −=
β =− t ( )
b Lnt Lnt n
t R Ln Ln Lnt
t R Ln Ln Lnt n
i
ii
=−
−
=∑ ∑ ∑
22.
))(
1.)
)(1
(..
β
α
α β β Ln Lnt t R
Ln Ln ..)(
1 −=
a xb y += . β
α −
= a Ln
−
= β α
a
e
Aplicando Regresión Lineal a laecuación
( )a
Lnt Lnt n
Lnt t R
Ln Ln Lnt t R
Ln Ln Lnt
Lni
ii
=−
−
=−∑ ∑
∑ ∑ ∑∑22
2
.
.)(
1(.
)(
1(.
. α β
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
52/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
+rocedimiento para la predicción edad característica de falla - modo defalla en la distri*ución ei*ull6 %grupar los datos - graficar f(t) vs. /iempo&rdenar la información de los tiempos de operación en ordenascendente (de menor a ma-or)Calcular la pro*a*ilidad de falla estadística por6
i ; numero de orden de o*servación;numero total de o*servaciones
Construir la recta de confia*ilidad versus tiempos de operaciónDeterminar la edad característica defalla( ) conK(t); B.AA9 apro3.en la grafica del papel ei*ullDeterminar
1)(
+=
N i
t F 4.03.0
)(+
−=
N i
t F 50≥ N 20≤ N 5020 ≤≤ N N i
t F =)(
α
β
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
53/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
EJEMPLO DE APLICACIÓN DE LA DISTRIBUCION DE WEIBULL
El gerente de mantenimiento de una planta eléctrica desea conocer el modo de falla y laedad característica de falla de un motor diesel. Para este propósito disponen de los tiemposde operación en horas del equipo hasta fallar: 6,16,23,163,282,215,2,46,503,92,12,46,20
Intervalos declase (?oras) Krecuencia declaseA P >8A
>8B P A8B >A8B P B8B A
B8 P 8 88 P 78 > 0
123456789
10
2 - 102 103 - 203 204 - 304 305 - 405 405 - 505
F r e c u e n c i a
d e
C l a s e
Intervalos de Clase (horas)
Histograma de Frecuencia Motor Diesel
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
54/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
4.03.0
)( +−
= N i
t F
RESOLUCION UTILIZANDO EL METODO GRAFICO
&rdinal /iempo K(t) K(t) 9 > " 8.87AB 61"#A 4 8.>A /"143B /" 8.A8>7 "01/6
/4 8.AF > "514/7 "0 8.B78F #6105
"# 8. A7 7"167F 74 8.788 60100
74 8.7F 651743" 8. A 4713"
>8 /4# 8.FAB 5"1#3>> "/6 8.F 7 53126>A "2" 8. FB> 251#/>B 60# 8. F 37152
Graficar la recta de confiabilidad F(t) vs. Tiempo en papel Weibull
8/17/2019 Tema 1. Muestreo Aleatorio
55/70
62.22 %
α = 85 horas
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
56/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
RESOLUCION UTILIZANDO EL METODO ANALITICO
&rdinal /iempo K(t) !(t) $n t $n($n(>Q!(t))) > A 8.87AB 8. FF 8. B =A. A 8A 8.>A 8. FB> >.F > =>. FA
B >A 8.A8>7 8.F 7 A. =>. >7> 8.AF > 8.FA 7 A.FFA =>.>A F
7 A8 8.B78F 8. B A. 7 =8. BAB 8. A7 8.7F B.>B7 =8.7 8
F 8.788 8.788 B. A =8.B 78.7F 8. A7 B. A =8.>7
A 8. A 8.B78 .7A> 8.8>8 > B 8.FAB 8.AF > 7.8 B 8.A7AB
>> A>7 8.F 7 8.A8>7 7.BF8 8. F>A>A A A 8. FB> 8.>A 7. > 8.FA
>B 78B 8. F 8.87AA .AA8 >.8 AF
Aplicando regresión lineal
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
57/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
( ) b Lnt Lnt n t R Ln Ln Lnt
t R
Ln Ln Lnt n
i
ii
=−
−
= ∑∑∑ ∑ ∑
22.
)
)(
1.)
)(
1(..
β
Resumen Estadístico
371.4813
1
=∑=i
i Lnt
113693.0
)371.48()3718.211).(13(
)9184.6)(371.48()9607.3).(13(2
=−
−−−= β
13=n
.)(1
−= =i t R
nn
371859.21113
1
2 =∑=i
Lnt
9607397.3))(
1(.
13
1
−=
∑
= t R Ln Ln Lnt
ii
493.4693.0114.3 =
−
−=α Ln
43.89493.4 == eα Sustituyendo en la ecuaciones de la regresiónlineal
114.3)371.48()3718.211).(13(
)371.48).(9607.3()9184.6).(3718.211(. 2 −=−
−−−=− α β Ln
horas
( )a
Lnt Lnt n
Lnt t R Ln Ln Lnt t R Ln Ln Lnt Ln
i
ii
=−
−
=−∑ ∑
∑ ∑ ∑∑22
2
.
.)(
1(.)(
1(.
. α β
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
58/70
DIS/!I01CI& ES DE +!&0%0I$ID%D1 ID%D IIIDIS/!I01CI& EI01$$
Comparación deresultados
Método Grafico Método Analítico
85
6.0=
=
α β
6.0
85)(
−
=
t
t R e
89
693.0
=
=
α
β
693.0
89)(
−
=
t
t R e
Mortalidad Infantil Mortalidad Infantil
horas horas
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
59/70
1nidad IIIDIS/!I01CI& &! %$
En mantenimientoesta distri*ucióndescri*e el periodo
e uipos/am*ién puede serutilizada para
modelar los tiemposde reparación de lose uipos
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
60/70
1nidad IIIDIS/!I01CI& &! %$
$a tasa de fallaaumenta aumentasostenidamente por uelos elemento del e uiposu ren un proceso edeterioro físicoSe define como unavaria*le aleatoriacontinua 3 ue esnormalmente distri*uidacon media -varianza
2
1
.2
1)( =
−−
σ
µ
π σ
xt
et f
∫∞
−=0
)(1)( dt t f t R xTBF =
x2σ
)(.
)(
)(
)()(
t R
Z
t R
t f t h
σ φ
==
DIS/!I01CI& ES DE +!&0%0I$ID%D
8/17/2019 Tema 1. Muestreo Aleatorio
61/70
1nidad IIIDIS/!I01CI& &! %$
Distri*ucion normalest'ndarDado ue - determinancom letamente la
σ x
distri*uciónnormal, entonces en ladistri*ución normal e3istenfamilias de distri*ucionesnormales, una de mas cualesla mas importante es ladistri*ución normalest'ndar( , )$a distri*ución normal sepuede estandarizar con6
0= x 1=σ
−=
σ
µ xt Z
−
=2
2
.2.
1)1,0,(
z
t f eπ σ
dt
z
zF e z
−
= ∫∞−
22
.2.
1)(
π σ
)(1)( zF z R −=
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
62/70
ES/%D:S/IC% GE E!%$Distri*ución ormal
Casos mas comunes de uso para el calculo de la probabilidad en la distribución normal
HENRYVILLARROEL
Caso No.1 Caso No.2
Caso No.3
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
63/70
ES/%D:S/IC% GE E!%$Distri*ución ormal
Es una distri*ución depro*a*ilidad continuade ma-or utilizaciónde*ido a ue la ma-oría
HE !" #I$$%!!&E$
aleatorios siguen estecomportamiento$a curva ue representala distri*ución depro*a*ilidad normal sedescri*e generalmentecomo en forma de unacampana
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
64/70
ES/%D:S/IC% GE E!%$Distri*ución ormal
Se define como unavaria*le aleatoriacontinua 3 ue es
HE !" #I$$%!!&E$
norma men edistri*uida conmedia - varianza
221
.2
1)( =
−−σ µ
π σ
xt
et f
x 2σ
HE !"
1
1 ni
i
X X n =
= ∑
2
1
( )
1
n
ii
X
X X
nσ =
−
=−
∑
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
65/70
EJEMPLO DE APLICACIÓNLa división de mercadeo de gas Otinsa desea realizar un estudio de probabilidad de laventa de gas propano en el mercado internacional el próximo mes. Para este propósitoposee los registros de venta de gas propano en MMPCM de los últimos 50 meses talcomo se muestra en la tabla I. La gerencia de mercadeo desea determinar las siguientes
HE !" #I$$%!!&E$
ES/%D:S/IC% GE E!%$Distri*ución ormal
a)¿Cuál será la probabilidad de vender propano el próximo mes entre 52 y 72 MMPCM?b)¿Cuál será la probabilidad de vender mas 80 MMPCM de gas propano el próximo mes?
Tabla 17> F> F7 F 7 7A > F
77 B FA B8 B 7 B BFF8 BF F> B 7F B FA
BB 7 F B F 78 7 B
F7 B 7> F7 7 7B 7 A
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
66/70
Ejemplo de aplicación (Continuación)
HE !" #I$$%!!&E$
ES/%D:S/IC% GE E!%$Distri*ución ormal
Intervalos deClase ( +C)
Krecuenciade clase
Krecuencia!elativa
Krecuencia!elativa
acumuladaB8 = 8 7 8.>8 8.>8
1 3.33K Logn= +
> P 7> 8.> 8.A
7A P A 8.> 8.
B = FB >F 8.B 8.F
F = F 8.> 8. A
7 = 7 B 8.8 8.
= >8 > 8.8A >.88
. .
max min97 30 67
679.57 10
7
og
R X X R
R I
K
= = ≅
= −= − =
= = = ≅
ES/%D:S/IC% GE E!%$
8/17/2019 Tema 1. Muestreo Aleatorio
67/70
Ejemplo de aplicación (Continuación)
HE !" #I$$%!!&E$
ES/%D:S/IC% GE E!%$Distri*ución ormal
8/17/2019 Tema 1. Muestreo Aleatorio
68/70
8/17/2019 Tema 1. Muestreo Aleatorio
69/70
HE !" #I$$%!!&E$
HE !"
8/17/2019 Tema 1. Muestreo Aleatorio
70/70
HE !" #I$$%!!&E$
HE !"
Recommended