UNED      PROYECTO FIN DE POSTGRADO     Estudio de mejora del  mantenimiento mediante laaplicación de la distribución deWe...
Índice general1 Introducción y objetivo de este estudio.                                                                  ...
ÍNDICE GENERAL   ÍNDICE GENERALBibliografía                49Fundación UNED                II
Índice de figuras 2.1    Curva de Bañera. . . . . . . . . . . . . . . . . . . . . . . . . . . .                    .   .   ...
Índice de tablas 3.1    Datos ejercicio 1. . . . . . .   .   .   .   .   .   .   .   .    .   .   .   .   .   .   .   .   ...
1           Introducción y objetivo de este                      estudio.1.1. Introducción         La realización de un es...
2                    Fundamentos Teóricos.2.1. Evolución histórica sobre el desarrollo de fallos        En este apartado v...
2. Fundamentos Teóricos.                         2.1. Evolución histórica sobre el desarrollo de fallos     Mortalidad Inf...
2. Fundamentos Teóricos.                                      2.1. Evolución histórica sobre el desarrollo de fallosCurva ...
2. Fundamentos Teóricos.                                            2.2. Fiabilidad, Mantenibilidad y Disponibilidad      ...
2. Fundamentos Teóricos.                                2.2. Fiabilidad, Mantenibilidad y Disponibilidad                  ...
2. Fundamentos Teóricos.                  2.3. Distribuciones estadísticas aplicadas al mantenimientoes el MTTR (Mean Time...
2. Fundamentos Teóricos.                                               2.3. Distribuciones estadísticas aplicadas al mante...
2. Fundamentos Teóricos.                  2.3. Distribuciones estadísticas aplicadas al mantenimiento                     ...
2. Fundamentos Teóricos.                                                    2.3. Distribuciones estadísticas aplicadas al ...
2. Fundamentos Teóricos.                                 2.3. Distribuciones estadísticas aplicadas al mantenimientovalor ...
2. Fundamentos Teóricos.                                                    2.3. Distribuciones estadísticas aplicadas al ...
2. Fundamentos Teóricos.                  2.3. Distribuciones estadísticas aplicadas al mantenimiento         Su Esperanza...
2. Fundamentos Teóricos.                                          2.3. Distribuciones estadísticas aplicadas al mantenimie...
2. Fundamentos Teóricos.                                                    2.3. Distribuciones estadísticas aplicadas al ...
2. Fundamentos Teóricos.                           2.3. Distribuciones estadísticas aplicadas al mantenimiento         Sie...
2. Fundamentos Teóricos.                  2.3. Distribuciones estadísticas aplicadas al mantenimiento                     ...
2. Fundamentos Teóricos.                                                     2.4. Cálculo de los parámetros Weibull       ...
2. Fundamentos Teóricos.                                                2.4. Cálculo de los parámetros Weibull       Dada ...
2. Fundamentos Teóricos.                                             2.4. Cálculo de los parámetros Weibull        De la e...
2. Fundamentos Teóricos.                                                 2.5. Verificación del modelo        En este estudi...
2. Fundamentos Teóricos.                                                  2.5. Verificación del modelo2.5.1. Test χ2       ...
2. Fundamentos Teóricos.                                                     2.5. Verificación del modelo                  ...
2. Fundamentos Teóricos.                                                        2.5. Verificación del modelo       frente a...
3       Aplicación del método de Weibull.3.1. Ejemplo biparamétrico       El comportamiento de una máquina en el tiempo se...
3. Aplicación del método de Weibull.                                                                                      ...
3. Aplicación del método de Weibull.                                                               3.2. Ejemplo biparamétr...
3. Aplicación del método de Weibull.                                                                                    3....
3. Aplicación del método de Weibull.                                                 3.4. Ejemplo triparamétrico          ...
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Estudio de mejora del mantenimiento mediante la aplicación de la distribución de Weibull a un histórico de fallos.
Upcoming SlideShare
Loading in …5
×

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

18,737 views
18,493 views

Published on

1 Comment
10 Likes
Statistics
Notes
  • gracias por compartir la información
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total views
18,737
On SlideShare
0
From Embeds
0
Number of Embeds
100
Actions
Shares
0
Downloads
1,030
Comments
1
Likes
10
Embeds 0
No embeds

No notes for slide

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

  1. 1. UNED PROYECTO FIN DE POSTGRADO Estudio de mejora del mantenimiento mediante laaplicación de la distribución deWeibull a un histórico de fallos. Eduardo Romero López Ingeniero Técnico Industrial (Mecánica) 4 de septiembre de 2012
  2. 2. Índice general1 Introducción y objetivo de este estudio. 1 1.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 Fundamentos Teóricos. 2 2.1 Evolución histórica sobre el desarrollo de fallos . . . . . . . . . . . . . . . . . . . . . . . . 2 2.1.1 Curva de Bañera o de Davies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2.1.2 Curvas de Fallos actuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Fiabilidad, Mantenibilidad y Disponibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2.1 Fiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2.2 Mantenibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.3 Disponibilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3 Distribuciones estadísticas aplicadas al mantenimiento . . . . . . . . . . . . . . . . . . . 7 2.3.1 Distribución Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.3.2 Distribución Lognormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2.3.3 Distribución Rayleigh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3.4 Distribución Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.3.5 Distribución de Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.3.6 Distribución de Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3.6.1 Característica de vida, η . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.3.6.2 Características de la distribución Weibull . . . . . . . . . . . . . . . . . . . . . . 17 2.4 Cálculo de los parámetros Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4.1 Rango de la mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.4.2 Cálculo de los parámetros β y η . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.4.3 Cálculo del parámetro γ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.4.4 Consideraciones sobre el parámetro γ . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5 Verificación del modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.1 Test χ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5.2 Test de Kolmogorov-Smirnov (KS) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233 Aplicación del método de Weibull. 25 3.1 Ejemplo biparamétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2 Ejemplo biparamétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.3 Ejemplo triparamétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.4 Ejemplo triparamétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.5 Ejemplo biparamétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334 Conclusiones 36Apéndices 37A Diagrama del proceso de trabajo 38B Software de estadística aplicada, R 40 B.1 Solución distribución biparamétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 B.2 Cálculo del parámetro γ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 B.3 Solución distribución triparamétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 B.4 Paquete Weibull toolkit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 I
  3. 3. ÍNDICE GENERAL ÍNDICE GENERALBibliografía 49Fundación UNED II
  4. 4. Índice de figuras 2.1 Curva de Bañera. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2.2 Diferentes curvas de Fallos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.3 Curva que componen la Curva de Bañera. . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.4 Soluciones posibles según tipo de Fallos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.5 Representación de los estados TBF y TTR. . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.6 Distribución Normal con µ = 0 y σ = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.7 Distribución Lognormal con distintos parámetros σ. . . . . . . . . . . . . . . . . . . . . 10 2.8 Distribución de Rayleigh para distintos valores de σ. . . . . . . . . . . . . . . . . . . . . 11 2.9 Distribución Exponencial para distintos valores de θ. . . . . . . . . . . . . . . . . . . . . 12 2.10 Función de densidad y distribución para distintos valores de θ. . . . . . . . . . . . . . . 14 2.11 Distribución de Weibull para distintos valores de β. . . . . . . . . . . . . . . . . . . . . . 15 2.12 Representación de la tasa de fallo para distintos valores de β. . . . . . . . . . . . . . . . 16 3.1 Gráfico Weibull, ejercicio 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Función de Distribución y Fiabilidad, ejercicio 1. . . . . . . . . . . . . . . . . . . . . . . 27 3.3 Gráfico de Weibull ejercicio 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.4 Gráfico de Weibull ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.5 Gráfico de Weibull ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.6 Gráfico de fiabilidad y tasa de fallo, ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . 32 3.7 Gráfico del ejercicio 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.8 Fiabilidad y tasa de fallo del ejercicio 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 B.1 Captura de pantalla del código R, corriendo sobre la plataforma RStudio. . . . . . . . . 40 B.2 Gráfico de Weibull obtenido a través de la compilación del programa. . . . . . . . . . . 43 B.3 Gráfico del Ecm frente a γ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 B.4 Gráfico del parámetro γ y su gráfico de Weibull asociado. . . . . . . . . . . . . . . . . . 47 B.5 Gráfico de Weibull obtenido del paquete Weibulltoolkit. . . . . . . . . . . . . . . . . . . . 48 III
  5. 5. Índice de tablas 3.1 Datos ejercicio 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2 Resultados ejercicio 1, TBF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3 Resultados ejercicio 1, TTR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4 Resultados ejercicio 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.5 Datos ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.6 Resultados del ejercicio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.7 Datos ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.8 Resultados ejercicio 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.9 Datos ejercicio 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.10 Resultados ejercicio 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 IV
  6. 6. 1 Introducción y objetivo de este estudio.1.1. Introducción La realización de un estudio de mejora de los mantenimientos preventivos, basándonos paraello en técnicas estadísticas en concreto la distribución de Weibull. Para la realización del mismo utilizaremos el software libre R. Siendo éste un lenguaje yentorno de programación orientado a objetos para análisis estadístico y gráfico.1.2. Objetivo El objetivo es hallar mediante la aplicación estadística en que etapa de la vida se encuentrael equipo o conjunto de equipos. Nos interesa conocer los que se encuentran en etapa de mortalidad infantil, para no apli-carles mantenimiento preventivo con el consiguiente ahorro que producirá y los que se encuentrenen la etapa de vida útil para optimizar los periodos de mantenimiento preventivo y así obtener unahorro en cuanto a frecuencia de preventivo como en mejora de la disponibilidad. 1
  7. 7. 2 Fundamentos Teóricos.2.1. Evolución histórica sobre el desarrollo de fallos En este apartado veremos como ha ido evolucionando el desarrollo de fallos a lo largo dela historia del mantenimiento. Partiendo de la conocida “Curva de la Bañera” válida para equiposrelativamente simples en los que la aparición de fallos se debía principalmente a desgastes. Con el avance de la tecnología cada vez los equipos son más complejos y poseen más com-ponentes eléctricos - electrónicos. Dichos equipos no se ajusten a la teoría de la curva de la bañera. Muchos estudios, sobre todo del sector de la aviación han demostrado que existen al menosseis curvas con diferente modo de aparición de los fallos y sólo un porcentaje muy pequeños deellos se ajustan fielmente a la curva de la bañera.2.1.1. Curva de Bañera o de Davies La curva de la bañera es un gráfica que representa los fallos durante el período de vida útilde un sistema o máquina. Se llama así porque tiene la forma una bañera cortada a lo largo. Figura 2.1: Curva de Bañera. En ella se pueden apreciar tres etapas: 2
  8. 8. 2. Fundamentos Teóricos. 2.1. Evolución histórica sobre el desarrollo de fallos Mortalidad Infantil o Fallos infantiles: esta etapa se caracteriza por tener una elevada tasa de fallos que desciende rápidamente con el tiempo. Estos fallos pueden deberse a diferentes razones como equipos defectuosos, instalaciones incorrectas, errores de diseño del equipo, desconocimiento del equipo por parte de los operarios o desconocimiento del procedimiento adecuado. Fallos normales: etapa con una tasa de errores menor y constante. Los fallos no se produ- cen debido a causas inherentes al equipo, sino por causas aleatorias externas. Estas causas pueden ser accidentes fortuitos, mala operación, condiciones inadecuadas u otros. Fallos por desgastes: etapa caracterizada por una tasa de errores rápidamente creciente. Los fallos se producen por desgaste natural del equipo debido al transcurso del tiempo.2.1.2. Curvas de Fallos actuales Muchos de los planes de mantenimiento se han basado en la curva de la bañera clásicapara definir los mismo pero estudios más actuales procedente del sector de la aviación y militarhan demostrado que los mecanismos de formación de fallos no tienen porque seguir las pautas dela curva de bañera. A continuación se muestran en la Figura 2.2 las distintas curvas fallos a lo largo del tiempoy el porcentaje de cada uno ellos según un estudio de la aviación: Figura 2.2: Diferentes curvas de FallosCurva A La curva de bañera: Alta mortalidad infantil, seguida de un bajo nivel de fallos aleatorios, terminado en una zona de desgaste. Sólo un 4 % de los fallos siguen esta curva. Coincide con equipos mecánicos históricos.Curva B El tradicional punto de vista: Pocos fallos aleatorios, terminando en una zona de desgaste. Sólo un 2 % de los fallos siguen esta curva. Coincide con Equipos o Sistemas sometidos a fatiga y no diseñados para “vida infinita” como por ejemplo sistemas electrónicos discretos.Fundación UNED 3
  9. 9. 2. Fundamentos Teóricos. 2.1. Evolución histórica sobre el desarrollo de fallosCurva C Un constante incremento en la probabilidad de fallo. Sólo un 5 % de los fallos siguen esta curva. Coincide con equipos o sistemas sometidos a corrosión.Curva D Un rápido incremento en la probabilidad de fallo, seguido de un comportamiento aleatorio. Sólo un 7 % de los fallos siguen esta curva. Coincide con equipos electrónicos digitales.Curva E Fallos aleatorios: No hay relación entre la edad funcional de los equipos y la probabilidad de que fallen. Sólo un 14 % de los fallos siguen esta curva. Coincide con fallos en rodamientos bien diseñados.Curva F Alta mortalidad infantil, seguida de un comportamiento aleatorio de la probabilidad de fallos. El 68 % de los fallos siguen esta curva. Coincide con fallos en equipos o sistemas hi- dráulicos y neumáticos de diseño actual. La conclusión obtenida del estudio de la aviación fue que sólo un 6 % siguen el desarrollode fallos según las curvas A+B, y sólo en éstas, será efectivo la aplicación de los mantenimientospreventivos. Por lo tanto, existe otro 94 % de fallos que debido a su alta componente aleatoria de apariciónde los fallos no merece la pena hacerle mantenimiento preventivo. Éste sólo inducirá en la apariciónde nuevos fallos por la manipulación innecesaria de los equipos y producirá un aumento en loscostes por mantenimiento preventivo. Por último se muestra en la Figura 2.31 la curva de la bañera formada por las tres curvasque la componen y a continuación de ésta en la Figura 2.42 aparece en una matriz las posiblessoluciones en función del tipo de fallo producido. Figura 2.3: Curva que componen la Curva de Bañera. 1 La imagen de las composición de la curva de la bañera ha sido obtenida de la bibliografía número [2]. 2 La imagen de la matriz de tipo de fallo - solución ha sido obtenida de la bibliografía número [2].Fundación UNED 4
  10. 10. 2. Fundamentos Teóricos. 2.2. Fiabilidad, Mantenibilidad y Disponibilidad Figura 2.4: Soluciones posibles según tipo de Fallos.2.2. Fiabilidad, Mantenibilidad y Disponibilidad2.2.1. Fiabilidad La fiabilidad R(t) se define como la probabilidad de que un bien funcione adecuadamentedurante un período determinado bajo condiciones operativas específicas (por ejemplo, condicionesde presión, temperatura, velocidad, tensión o forma de una onda eléctrica, nivel de vibraciones,...etc). La fiabilidad se suele representar con la letra R (de la palabra inglesa Reliability), una medidade la fiabilidad es el MTBF (Mean Time Between Failures), ésta se relaciona con la duración mediaentre fallos. ∞ M T BF = R(t)dt (2.1) 0 En la práctica, la fiabilidad se mide como el tiempo medio entre ciclos de mantenimiento o eltiempo medio entre dos fallos consecutivos MTBF. Se puede medir en general por horas, kilómetros,horas de vuelo, piezas producidas,... etc. En la Figura 2.53 se aprecia los distintos TBF que hacen referencia al tiempo de funcio-namiento de un activo de mantenimiento y los TTR que se refieren a los tiempos de paradas porreparación. 3 La imagen que representa los estados TBF y TTR ha sido obtenida de la bibliografía número [1].Fundación UNED 5
  11. 11. 2. Fundamentos Teóricos. 2.2. Fiabilidad, Mantenibilidad y Disponibilidad Figura 2.5: Representación de los estados TBF y TTR. R(t) la Función de Fiabilidad, o dicho de otro modo, la probabilidad de que un componentenuevo sobreviva más del tiempo t, donde T se define como la vida del bien o componente. R(t) = P (T > t) = 1 − F (t) (2.2) F (t) es la Función de Distribución Acumulada siendo la probabilidad de que un compo-nente nuevo no sobreviva más del tiempo t. F (t) = P (T ≤ t) (2.3) Derivando esta última obtenemos la Función de Densidad f (t). Ésta nos da una idea de ladispersión de la vida del componente. d f (t) = F (t) (2.4) dt Dividiendo la ecuación 2.4 entre la ecuación 2.2 obtenemos la Tasa de Fallos λ(t). f (t) λ(t) = (2.5) R(t) λ(t) es una característica de fiabilidad del componente. No tiene interpretación física directa.Es bastante común que el comportamiento de fallos de un componente sea descrito en términos desu tasa de fallos.2.2.2. Mantenibilidad Se define mantenibilidad M (t) como la propiedad de que el equipo, después de un fallo oavería sea puesto en estado de funcionamiento en un tiempo dado. Una medida de la mantenibilidadFundación UNED 6
  12. 12. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimientoes el MTTR (Mean Time To Repair) o como se conoce en castellano “Tiempo Medio de Reparación”.En la Figura 2.5 aparece su ecuación y la representación de los distintos TTR que componen elMTTR. Es la propiedad de un sistema que representa la cantidad de esfuerzo requerida para con-servar su funcionamiento normal o para restituirlo una vez se ha presentado un evento de fallo.Se dirá que un sistema es “Altamente mantenible” cuando el esfuerzo asociado a la restitución seabajo. Sistemas poco mantenibles o de “Baja mantenibilidad” requieren de grandes esfuerzos parasostenerse o restituirse. Su Tasa de Reparación es µ(t): 1 µ(t) = (2.6) MTTR2.2.3. Disponibilidad Se define la disponibilidad D(t) como la probabilidad en el tiempo de asegurar un serviciorequerido. Otra definición común en mantenimiento para la disponibilidad es: el porcentaje de equiposo sistemas útiles en un determinado momento, frente al parque total de equipos o sistemas. La ecuación de la disponibilidad está en función de la fiabilidad y de la mantenibilidad,siendo esta: R(t) M T BF D(t) = = (2.7) R(t) + M (t) M T BF + M T T R2.3. Distribuciones estadísticas aplicadas al mantenimiento Las distribuciones de probabilidad son funciones matemáticas teóricas que se utilizan pararealizar previsiones, que describen la forma en que se espera que varíen los resultados de unexperimento. Por lo tanto son útiles en mantenimiento, debido a que, ayudan a tomar decisiones encondiciones de incertidumbre. Las distribuciones que explicaremos para la aplicación de este proyecto son: Distribución Normal o de Gauss Distribución Lognormal Distribución Rayleigh Distribución Exponecial Distribución Gamma Distribución de WeibullFundación UNED 7
  13. 13. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento Existen otras pero en este estudio nos centraremos en la nombradas anteriormente, por serlas que están relacionadas con la distribución de Weibull.2.3.1. Distribución Normal Es una de las distribuciones de probabilidad de variable continua que con más frecuenciaaparece aproximada en fenómenos reales. La gráfica de su función de densidad tiene una forma acampanada y es simétrica respec-to de un determinado parámetro estadístico. Esta curva se conoce como campana de Gauss. Laimportancia de esta distribución radica en que permite modelar numerosos fenómenos naturales,sociales y psicológicos. 0.4 1.0 0.8 0.3 Distribución de probabilidad Distribución de densidad 0.6 0.2 0.4 0.1 0.2 0.0 0.0 −4 −2 0 2 4 −4 −2 0 2 4 x x Figura 2.6: Distribución Normal con µ = 0 y σ = 1. Se dice que una variable aleatoria continua X sigue una distribución normal de parámetrosµ y σ y se denota X∼N(µ,σ) si su función de densidad está dada por: 1 1 x−µ 2 f (x) = √ e− 2 ( σ ) (2.8) σ 2π x∈ R µ es la media σ es la desviación estándar Su función de distribución es:Fundación UNED 8
  14. 14. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento x (u−µ)2 Φµ,σ2 (x) = e− 2σ 2 du (2.9) −∞ Esta función se puede expresar en términos de la función especial llamada función de error(erf ) de la siguiente forma: 1 x−µ Φµ,σ2 (x) = 1 + erf ( √ ) (2.10) 2 σ 2 Algunas propiedades de la distribución normal son: Es simétrica respecto de su media, µ La moda y la mediana son ambas iguales a la media, µ Los puntos de inflexión de la curva se dan para x = µ − σ y x = µ + σ El intervalo [µ − σ, µ + σ] se encuentra comprendida, aproximadamente, el 68,26 % de la distri- bución El intervalo [µ − 2σ, µ + 2σ] se encuentra comprendida, aproximadamente, el 95,44 % de la distribución El intervalo [µ − 3σ, µ + 3σ] se encuentra comprendida, aproximadamente, el 99,74 % de la distribución2.3.2. Distribución Lognormal Es la distribución de probabilidad de cualquier variable aleatoria con su logaritmo normal-mente distribuido. Si x es una variable aleatoria con una distribución normal, entonces ex tieneuna distribución lognormal. Una variable puede ser modelada como lognormal si puede ser considerada como un pro-ducto multiplicativo de muchos pequeños factores independientes. Un ejemplo típico es un retornoa largo plazo de una inversión: puede considerarse como un producto de muchos retornos diarios. La distribución lognormal tiende a la función densidad de probabilidad: 1 2 /2σ 2 f (x; µ, σ) = √ e−(ln x−µ) (2.11) xσ 2π Para x > 0 donde µ y σ son la media y la desviación estándar del logaritmo de variable. Enla Figura 2.7 se puede ver como varía la función para distintos parámetros de σ. Su función de distribución también se puede poner en función de la función de error (erf ): 1 ln(x) − µ Φµ,σ2 (x) = 1 + erf √ (2.12) 2 σ 2Fundación UNED 9
  15. 15. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento 1.0 0.6 σ=0 0.8 0.5 σ = 0.5 σ=2 Distribución de probabilidad Distribución de densidad σ=3 0.6 0.4 0.3 0.4 σ=0 0.2 σ = 0.5 0.2 σ=2 0.1 σ=3 0.0 0 1 2 3 4 5 6 7 0.0 0 1 2 3 4 5 6 x x Figura 2.7: Distribución Lognormal con distintos parámetros σ. Representando la función de distribución y dándole distintos valores de σ, como se puedever en la Figura 2.7. Algunas propiedades de la distribución lognormal son: La media geométrica, y la desviación estándar geométrica están relacionadas. En este caso, la media geométrica es igual a eµ y la desviación estándar geométrica es igual a eσ . 1 1 El intervalo [µ − σ, µ + σ] es equivalente a [µgeo /σgeo , µgeo ∗ σgeo ] 2 2 El intervalo [µ − 2σ, µ + 2σ] es equivalente a [µgeo /σgeo , µgeo ∗ σgeo ] 3 3 El intervalo [µ − 3σ, µ + 3σ] es equivalente a [µgeo /σgeo , µgeo ∗ σgeo ] La distribución Lognormal tiene su tasa de fallo creciente y suele utilizarse para modelar lafiabilidad de componentes estructurales y electrónicos. Su desventaja es que es bastante difícil tratarla de forma algebraica, pero su ventaja esque surge naturalmente como la convolución de distribuciones exponenciales. Por tanto, tiene uninterés práctico considerable con relación a los procesos de fallos físicos.2.3.3. Distribución Rayleigh Es una función de distribución continua. Se suele presentar cuando un vector bidimensio-nal tiene sus dos componentes, ortogonales, independientes y siguen una distribución normal. SuFundación UNED 10
  16. 16. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimientovalor absoluto seguirá entonces una distribución de Rayleigh. 1.0 1.2 σ = 0.5 1.0 0.8 σ=1 0.8 σ = 1.5 0.6 Distribución Densidad σ=2 0.6 σ = 0.5 0.4 σ=1 0.4 σ = 1.5 0.2 0.2 σ=2 0.0 0.0 0 1 2 3 4 5 0 1 2 3 4 5 x x Figura 2.8: Distribución de Rayleigh para distintos valores de σ. Su función de densidad de probabilidad es: −x2 xe 2σ 2 f (x; σ) = (2.13) σ2 Donde σ es un factor de escala. Su función de distribución de probabilidad es: −x2 F (x; σ) = 1 − e 2σ 2 (2.14) Su esperanza matemática es: π E(x) = σ (2.15) 2Fundación UNED 11
  17. 17. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento2.3.4. Distribución Exponencial En estadística la distribución exponencial es una distribución de probabilidad continua conun parámetro θ > 0 cuya función de densidad es: 1.0 0.5 θ = 0.5 0.8 0.4 θ=1 Distribución de probabilidad Densidad de probabilidad θ = 1.5 0.6 0.3 0.4 0.2 θ = 0.5 0.2 θ=1 0.1 θ = 1.5 0.0 0.0 0 2 4 6 8 10 0 2 4 6 8 10 x x Figura 2.9: Distribución Exponencial para distintos valores de θ. θe−θx x≥0 f (x) = (2.16) 0 de otro modo Su función de distribución es: 0 para x < 0 F (x) = P (X ≤ x) = (2.17) 1 − e−θx para x ≥ 0 Su tasa de fallo: 1 λ(x) = (2.18) θ Su función de Fiabilidad R(t): R(x) = e−θx (2.19)Fundación UNED 12
  18. 18. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento Su Esperanza matemática o media: E(x) = M edia = θ (2.20) La función de distribución que se utiliza más a menudo para modelar la fiabilidad es laexponencial. El motivo es que: Es sencilla de tratar algebraicamente Se considera adecuada para modelar el intervalo de vida funcional del ciclo de vida del dispo- sitivo la distribución exponencial aparece cuando la tasa de fallos es constante, λ(t) = λ La tasa de fallos se considera constante, entonces la función de distribución de los fallos esexponencial. De las propiedades de ésta se deduce que la probabilidad de que una unidad que estátrabajando falle en el próximo instante es independiente de cuánto tiempo ha estado trabajando.Esto implica que la unidad no presenta síntomas de envejecimiento: es igualmente probable quefalle en el instante siguiente cuando está nueva o cuando no lo está.2.3.5. Distribución de Gamma Es una distribución adecuada para modelizar el comportamiento de variables aleatoriascontinuas con asimetría positiva. Es decir, variables que presentan una mayor densidad de sucesosa la izquierda de la media que a la derecha. En su expresión se encuentran dos parámetros, siemprepositivos, α y β de los que depende su forma y alcance por la derecha, y también la función GammaΓ(α), responsable de la convergencia de la distribución. El primer parámetro α sitúa la máxima intensidad de probabilidad y por este motivo enalgunas fuentes se denomina “la forma” de la distribución: cuando se toman valores próximos a ceroaparece entonces un dibujo muy similar al de la distribución exponencial. Cuando se toman valoresmás grandes de α el centro de la distribución se desplaza a la derecha y va apareciendo la formade una campana de Gauss con asimetría positiva. Es el segundo parámetro β el que determinala forma o alcance de esta asimetría positiva desplazando la densidad de probabilidad en la colade la derecha. Para valores elevados de β la distribución acumula más densidad de probabilidaden el extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabilidad a lolargo del plano. Al dispersar la probabilidad la altura máxima de densidad de probabilidad se vareduciendo; de aquí que se le denomine “escala”. Valores más pequeños de β conducen a una figuramás simétrica y concentrada, con un pico de densidad de probabilidad más elevado. La función de densidad de la distribución Gamma es: 1 f (x) = xα−1 e−x/β (2.21) β α Γ(α) donde x > 0 y β, α son parámetros positivos. En la Figura 2.10 se muestra la función dedensidad. La función de distribución es,Fundación UNED 13
  19. 19. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento 2.0 1.0 β=1 0.8 β=2 1.5 Distribución de probabilidad Distribución de densidad β=3 0.6 β=5 1.0 β=1 0.4 β=2 0.5 β=3 0.2 β=5 0.0 0 1 2 3 4 5 6 0.0 0 1 2 3 4 5 6 x x Figura 2.10: Función de densidad y distribución para distintos valores de θ. x 1 F (x) = P [X ≤ x] = α Γ(α) uα−1 eu/β du (2.22) β 0 como se puede ver en la Figura 2.10. La esperanza matemática es, E(x) = αβ (2.23)2.3.6. Distribución de Weibull La distribución de Weibull es una distribución continua y triparamétrica, es decir, estácompletamente definida por tres parámetros y es la más empleada en el campo de la Fiabilidad. En la literatura técnica está muy extendida utilización de la distribución de Weibull bi-paramétrica (β, η), debido a que, el tercer parámetro es el parámetro de localización, es decir, elparámetro que localiza la abscisa a partir del cual se inicia la distribución. Trabajando de formabiparamétrica se asume un error, por eso en este estudio se explicará el cálculo de la distribucióntriparamétrica (β, η, γ), debido a que ésta es más exacta. La distribución de Weibull es una distribución de probabilidad continua. La función dedensidad de una variable aleatoria:Fundación UNED 14
  20. 20. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento β−1   β x−γ x−γ β f (x; η, β, γ) = · · e−( η ) x≥0 (2.24)  η η 0 para x < 0 Donde β > 0 es el parámetro de forma y η > 0 es el parámetro de escala o característica devida y el γ > 0 parámetro de localización de la distribución. 2.5 0.8 β = 0.5 2.0 β=1 Distribución de probabilidad Densidad de probabilidad 0.6 β = 0.5 β = 1.5 1.5 β=1 β = 2.5 0.4 β = 1.5 β=5 1.0 β = 2.5 0.2 0.5 β=5 0.0 0.0 0.0 0.5 1.0 1.5 2.0 2.5 0 1 2 3 4 5 x x Figura 2.11: Distribución de Weibull para distintos valores de β. La distribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos esproporcional a una potencia del tiempo: Un valor β < 1 indica que la tasa de fallos decrece con el tiempo. Cuando β = 1, la tasa de fallos es constante en el tiempo. Un valor β > 1 indica que la tasa de fallos crece con el tiempo. Su función de distribución de probabilidad es: x−γ β F (x; η, β, γ) = 1 − e−( η ) (2.25) Para valores de x ≥ 0, siendo nula en x < 0. En la Figura 2.11 se ve como varía la función de distribución para distintos valores de β.Fundación UNED 15
  21. 21. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento Siendo su tasa de fallo: β−1 β x−γ λ(x; η, β, γ) = (2.26) η η En la Figura 2.12 se puede como varía la tasa de fallo λ para distintos valores de η y β. TASA DE FALLO 0.016 0.014 β<1 β=1 0.012 β>1 α = 1000 0.010 α = 170 λ 0.008 α = 90 0.006 0.004 0.002 0 20 40 60 80 100 x Figura 2.12: Representación de la tasa de fallo para distintos valores de β. El parámetro de forma β nos indica el tipo de fallo que es, así como el tipo de distribuciónprobabilística que podemos seguir. Su función de Fiabilidad R(t): x−γ β R(x) = e−( η ) (2.27) Su Esperanza matemática o media: 1 E(x) = M edia = γ + η · Γ 1 + (2.28) β Donde Γ(· · · ) es la función Gamma 4 .2.3.6.1. Característica de vida, η La Vida Característica η es el valor del dato que corresponde al 63,2 % del valor del RangoMedio de la línea recta o dicho de otro modo, la edad a la cual el 63,2 % de las unidades podríanfallar. Este 63,2 % es, 4 La explicación en detalle de esta función queda fuera del objetivo de este proyecto para más información puede consultarel siguiente enlace: Función Gamma.Fundación UNED 16
  22. 22. 2. Fundamentos Teóricos. 2.3. Distribuciones estadísticas aplicadas al mantenimiento β β 1 F (x = η, β) = 1 − e−(x/η) = 1 − e−(1) = 1 − = 0,632 = 63,2 % e1 En el Gráfico de Weibull, puede hacer estimaciones de probabilidades utilizando la línearecta, o simplemente leyendo la probabilidad en el eje de ordenadas, para un dato. En este estudioleeremos los siguientes puntos en el eje de ordenada: beta1: El 1 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 99 % de la muestra fallará después de dicho tiempo. Para hallarlo trazamos una paralela al eje de abscisas hasta que corte la recta de regresión y donde corte trazamos una paralela al eje de ordenadas que marcará el tiempo de fallo. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro. beta5: El 5 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 95 % de la muestra fallará después de dicho tiempo. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro. beta10: El 10 % de la muestra fallará antes del tiempo marcado en el eje de abscisas o el 90 % de la muestra fallará después de dicho tiempo. Estas líneas en los gráficos se trazarán en trazos discontinuos y de color negro.2.3.6.2. Características de la distribución Weibull La distribución de Weibull nos ayuda a conocer: El tipo de mecanismos de fallo que ha sido el causante del mismo. Cantidad de fallos que se pueden esperar en un futuro. Fiabilidad de un equipo existente. Tipo de fallos que se pueden dar: 0 < β < 1 Mortalidad infantil. β = 1 Tasa de fallo constante. • Fallos aleatorio independiente del tiempo. • Errores humanos. • Errores de Mantenimiento. • Sistemas de varios componentes. • Combinación de dos o tres modos de fallos diferentes. 1 < β < 4 Tasa de creciente. • Implica desgastes tempranos. • Fatiga de baja frecuencia, con β = 2,5 hasta β = 4. • Fallos en rodamientos de bolas β = 2. • Fallos en rodamientos de rodillos β = 1,5. • Corrosión o erosión con β = 3 hasta β = 4.Fundación UNED 17
  23. 23. 2. Fundamentos Teóricos. 2.4. Cálculo de los parámetros Weibull • Corrosión o esfuerzos con β = 5 o mayor. • Fallos en correas β = 2,5. 4 < β Tasa de creciente. • Envejecimiento operacional. • Corrosión por esfuerzos. • Pérdida de propiedades de los materiales. • Materiales frágiles como la cerámica. • Algunos tipos de erosión. Distribución que pueden ser aproximadas a través de la distribución de Weibull: β = 1 Distribución Exponencial. β = 2 Distribución de Rayleigh. 3 β 4 Distribución Normal.2.4. Cálculo de los parámetros de Weibull por el método de los mínimos cuadrados2.4.1. Rango de la mediana Para poder trazar la recta de regresión, se debe calcular un estimador para la función dedistribución acumulativa F (x). Este estimador, llamado Rango de la mediana, es un estimador noparamétrico basado en el orden de las fallos. Este aspecto implica que la muestra de datos se debeorganizar de menor a mayor (en forma ascendente). La expresión matemática para este estimador es: i Wα (xi ) = n−i+1 (2.29) i F1−α,2(n−i+1),2i + n−i+1 Donde: Wα (xi ) Rango de mediana para un nivel de confianza (1−α), donde α es el nivel de significancia y toma el valor de 0,5 para este estimador. i Orden del fallo n Número total de la muestra F1−α,2(n−i+1),2i Valor crítico de la distribución F de Snedecor 5 , evaluada en el nivel de signifi- cancia α y con grados de libertad v1 = 2(n − i + 1) y v2 = 2i. 5 La explicación en detalle de esta función queda fuera del objetivo de este proyecto para más información puede consultarel siguiente enlace: Distribución F de Snedecor.Fundación UNED 18
  24. 24. 2. Fundamentos Teóricos. 2.4. Cálculo de los parámetros Weibull Dada la complicación de la ecuación 2.29 en la literatura técnica está muy extendido utilizarpara aproximar el rango de la mediana la siguiente expresión: i − 0,3 RM (xi ) = (2.30) n + 0,4 Aunque la ecuación 2.30 es menos exacta que la ecuación 2.29. En este estudio se utilizarála ecuación 2.29.2.4.2. Cálculo de los parámetros β y η El método de los mínimos cuadrados permite calcular los parámetros de forma y escala,mediante la transformación doble logarítmica de la función de distribución acumulativa. Partimos de la función de distribución de Weibull y operando con ella llegamos: β F (x) = 1 − e−(x/η) β e−(x/η) = 1 − F (x) 1 = 1 − F (x) e(x/η)β 1 β = e(x/η) 1 − F (x) 1 β ln = ln e(x/η) 1 − F (x) 1 ln = (x/η)β 1 − F (x) 1 ln ln = ln(x/η)β 1 − F (x) 1 ln ln = β ln(x/η) 1 − F (x) 1 ln ln = β(ln(x) − ln(η)) 1 − F (x) 1 ln ln = β ln(x) − β ln(η) 1 − F (x) La expresión anterior representa una ecuación lineal de la forma: y = ax + b La cual es una recta de regresión con los siguientes parámetros: 1 y = ln ln ; a = β ; x = ln(x) ; b = −β ln(η) (2.31) 1 − F (x)Fundación UNED 19
  25. 25. 2. Fundamentos Teóricos. 2.4. Cálculo de los parámetros Weibull De la expresión anterior se concluye que el parámetro de forma, β, es la pendiente de larecta de regresión. F (x) toma los valores del Rango de Mediana (ecuación 2.29). También se observa que el parámetro de escala η, está en función del intercepto b de la rectade regresión y del parámetro de forma β, por lo tanto: b = −β ln(η) b − = ln(η) β e(−b/β) = eln(η)Quedando η como: η = e−b/β (2.32)2.4.3. Cálculo del parámetro γ El parámetro γ indica en el tiempo, el momento a partir del cual se genera la distribución.Este parámetro se halla por métodos de estimación. El proceso que se ha seguido es el siguiente: 1. Se va dando valores a γ y para cada uno de ellos se repetirá el proceso. Donde x es el vector de los datos de la muestra, que para nuestro caso por ejemplo serán T BF y T T R. xi = xi − γi 2. Se calcula los valores del eje de abscisas y ordenadas como: Abscisas: ln(xi ) 1 Ordenadas: ln(ln( 1−F (x) )) donde F (x) son los valores del Rango de Mediana. 1 Conjunto de puntos: Conjunto = ln(xi ); ln(ln( 1−F (x) )) 3. Cálculo de la línea de regresión del conjunto de puntos anteriores mediante mínimos cuadra- dos. 4. Cálculo del error o residuo para cada punto del conjunto anterior. ei = yi − yDe la linea regresion 5. Cálculo del Error Cuadrático Medio para cada valor de γ. e2 i Ecm = n 6. Se representa gráficamente el Ecm frente al valor de γ con el que ha sido calculado. 7. La solución será el valor de γ que hace mínimo el Error Cuadrático Medio.Fundación UNED 20
  26. 26. 2. Fundamentos Teóricos. 2.5. Verificación del modelo En este estudio se ha calculado mediante el código de R que puedes encontrar en el apén-dice B.2, en el que vienen todas las operaciones detalladas. Una vez obtenido el valor de γ habría que reajustar los parámetros de β y η de la sec-ción 2.4.2, teniendo en cuenta ahora que en la ecuación 2.31 el valor introducido no será x sino elx definitivo, una vez calculado el γmin .2.4.4. Consideraciones sobre el parámetro γ Si al graficar los puntos de la muestra partiendo de una distribución de Weibull biparamétrica (γ = 0), aparece una cola de puntos hacia arriba o hacia abajo, separándose de la recta de regresión entonces es un indicativo de que el parámetro de localización debe ser calculado. Una cola hacia abajo es indicativo de que un parámetro de localización positivo está presente. Una cola hacia arriba es indicativo de que un parámetro de localización negativo está presente. Un parámetro de localización negativo se presenta cuando hay unidades con fallas en servicio, o unidades en servicio con defectos que causarán fallos. Ejemplos: • Defectos originados durante el ensamble. • Defectos originados durante el transporte. • Defectos originados durante la instalación o montaje. • Defectos originados durante el almacenamiento. Valores grandes del parámetro de forma (β > 10) son otro indicativo de que el parámetro de localización debe ser calculado.2.5. Verificación del modelo Para verificar la ley que describe la fiabilidad de los equipos, tomamos un conjunto deobservaciones y proponemos una hipótesis de que ellas siguen una determinada distribución deprobabilidad (Normal, Exponencial, Weibull,...). Luego obtenemos los parámetros asociados a taldistribución de probabilidad. La calidad del proceso anterior debe ser verificada. Para ello primero aceptamos que alimponer una distribución dada se incurre en algún error, pero queremos de que el riesgo de queello ocurra sea lo menor posible. Para contrastar los modelos elegidos utilizaremos: El Test χ2 , cuando el tamaño de la muestra n sea n > 50. El Test de Kolmogorov-Smirnov (KS), cuando el tamaño de la muestra n sea n ≤ 50. Los dos contrastes de hipótesis pueden aplicarse a cualquier tipo de variables aunque estánespecialmente indicados para variables de tipo discreto o cualitativo en el caso del primero de ellos(test de χ2 bondad de ajuste) y para variables de tipo continuo en el segundo (test de Kolmogorov-Smirnov).Fundación UNED 21
  27. 27. 2. Fundamentos Teóricos. 2.5. Verificación del modelo2.5.1. Test χ2 supongamos que tenemos una muestra de tamaño N de una variable aleatoria discreta ocualitativa, X, ajustada a un modelo dado por una distribución. Consideremos una partición del conjunto de valores que puede tomar la variable: S1 , ..., Sn .En principio, esta partición podrían ser simplemente todos y cada uno de los valores que toma lavariable X, pero, como veremos, es posible que tengamos que agrupar algunos de ellos. Seguidamente, consideremos la probabilidad, según la distribución dada por el ajuste quequeremos evaluar, de cada una de estas partes. pi = P [X ∈ Si /H0 ] > 0 (2.33) De igual forma, calculemos Oi , el número de observaciones de la muestra que caen en cadaconjunto Si . La idea del test es comparar el número de observaciones Oi que caen realmente en cadaconjunto Si con el número esperado de observaciones que deberían caer en Si si el ajuste es el dadopor nuestro modelo, que sería N × pi . Para ello, una medida que compara estas dos cantidades: r (Oi − N ∗ pi )2 D= (2.34) i=1 N ∗ pi Si, para una muestra dada, esta variable aleatoria toma un valor d muy alto, indica quelos valores observados no cuadran con el ajuste que hemos propuesto (con lo cuál se rechazaríala hipótesis nula en favor de la alternativa); si, por el contrario, toma un valor d bajo, indica quenuestro ajuste corresponde bien con los datos de la muestra, por lo que es aceptable la hipótesisnula. El problema final es decidir cuándo el valor de la variable aleatoria D y d, es lo suficiente-mente alto como para que nos resulte inaceptable el ajuste. Para decidirlo hay que tener en cuentaque cuando N es razonablemente alto y la hipótesis H0 es cierta, la distribución de probabilidad deD es χ2 con r − k − 1 grados de libertad, es decir, N >> D/H0 −→ χ2 r−k−1 (2.35) donde k es el número de parámetros que han sido estimados en el ajuste y su valor es segúnla distribución tomada: k = 1 para la distribución Exponencial k = 2 para la distribución Normal k = 3 para la distribución de Weibull Teniendo en cuenta este resultado, se calcula bajo esta distribución la probabilidad de quese de un valor todavía más alto que d (el p-valor, por tanto).Fundación UNED 22
  28. 28. 2. Fundamentos Teóricos. 2.5. Verificación del modelo p = P [D > d/H0 ] (2.36) Si esta probabilidad es inferior al 5 %, se rechaza la hipótesis nula en favor de la alternativacon un 95 % de confianza. Dicho de otra forma, se acepta la hipótesis nula sólo si el valor de D entradentro del 95 % de resultados más favorables a ella. Resumen esquemático del proceso: 1. Se enuncia el test definiendo H0 y H1 . 2. Si en la muestra se dan los valores x1 , ..., xm , se calculan las frecuencias esperadas según el ajuste propuesto de cada valor xi , N × P [X = xi ], i = 1, ..., m. Si alguna de estas frecuencias es inferior a 5, se agrupa con alguna de la más cercana hasta que sumen una frecuencia mayor o igual a 5. Se construye así la partición del conjunto de valores posibles para X, S1 , ...Sr , cuyas frecuencias esperadas son todas mayores o iguales a 5. En realidad, esto es sólo una recomendación que puede relajarse: si alguna frecuencia esperada es sólo ligeramente inferior a 5, no es especialmente grave. 3. Se calculan las frecuencias observadas de cada Si , y lo notamos como Oi . 4. Se calcula el estadístico del test d. 5. Se calcula el p-valor asociado al valor del estadístico. 6. Se toma la decisión (para un nivel de confianza del 95 %): Si p < 0,05, se rechaza la hipótesis nula en favor de la alternativa, con un 95 % de confian- za. Si p ≥ 0,05, se concluye que no hay evidencias en contra de alarmar que los datos se ajustan a la distribución dada.2.5.2. Test de Kolmogorov-Smirnov (KS) En este caso el test es aplicable sobre todo a variables de tipo continuo. Se basa en lacomparación de la función de distribución teórica propuesta por el modelo cuyo ajuste estamosevaluando con la función de distribución empírica de los datos. Concretamente, si tenemos X1 , ..., XN una muestra de una variable aleatoria X, si notamospor F (x) a la función de distribución del modelo propuesto y por SN (x) a la función de distribuciónempírica asociada a la muestra, el estadístico que se utiliza para este contraste viene dado por: DN = Sup|F (x) − SN (x)| (2.37) x A la hora de calcular este máximo debemos tener en cuenta que la variable x es de tipocontinuo. La hipótesis nula a contrastar es: H0 : los datos de la muestra se ajustan a la distribución dada por F (x).Fundación UNED 23
  29. 29. 2. Fundamentos Teóricos. 2.5. Verificación del modelo frente a la hipótesis alternativa: H1 : los datos de la muestra no se ajustan a la distribución dada por F (x). Se rechazará la hipótesis nula en favor de la alternativa cuando el p-valor asociado al valorque tome DN sea inferior a 0,05. Resumen esquemático del proceso: 1. Ordenamos los valores de la muestra de menor a mayor: x(1) , ..., x(N ) . 2. Construimos la función de distribución empírica, que en cada valor de la muestra viene dado i por SN (x(i) ) = . N 3. El valor del estadístico se calcula como: dN = m´x {m´x{|F (x(i) ) − S(N(i) )|, |F (x(i) ) − S(N(i−1) )|}} a a (2.38) 1≤i≤N 4. Se rechazará la hipótesis nula en favor de la alternativa si p = P [DN > dN ] < 0,05, con un (1 − p) ∗ 100 % de confianza. En el Apéndice A se puede ver un diagrama de flujo completo, de la forma de trabajar conla distribución de Weibull aplicada al mantenimiento.Fundación UNED 24
  30. 30. 3 Aplicación del método de Weibull.3.1. Ejemplo biparamétrico El comportamiento de una máquina en el tiempo se muestra en la siguiente Tabla 3.1 dondeaparecen los distintos TBF y TTR. Se desea conocer cuál fue la disponibilidad de la máquina. i TBF(Horas) TTR(Horas) 1 110 2 2 330 26 3 120 34 4 220 3 5 225 9 6 218 Tabla 3.1: Datos ejercicio 1. Partiendo de los datos de TBF compilamos el programa en R para hallar los parámetros deWeibull así como su gráfico (Figura 3.1), los resultados son los siguientes: n beta alpha R2 r p.valor beta1 beta5 beta10 6 2,382 234,435 0,888 0,942 0,81957 33,987 67,373 91,144 Tabla 3.2: Resultados ejercicio 1, TBF. Se puede ver que el coeficiente de determinación R2 y el coeficiente de correlación r no estánen el rango que aconseja el método A por poca diferencia pero como el p − valor > 0,05 aceptamoscon un nivel de confianza del 95 % que la muestra de datos proviene de una distribución de Weibully damos por bueno los parámetros obtenidos. Y para los TTR: n beta alpha R2 r p.valor beta1 beta5 beta10 5 0,795 15,976 0,929 0,964 0,991232 0,049 0,381 0,942 Tabla 3.3: Resultados ejercicio 1, TTR. Ahora calculamos el MTBF : 1 M T BF = η ∗ Γ 1 + (3.1) β 25
  31. 31. 3. Aplicación del método de Weibull. 3.1. Ejemplo biparamétrico 90 90 q q 75 75 q q 40 55 40 55 q q qInfiabilidad (%) Infiabilidad (%) q 25 25 q 7 10 15 7 10 15 q q 5 5 3 3 2 2 1 1 50 100 150 200 300 0.01 0.05 0.50 5.00 50.00 TBF TTR Figura 3.1: Gráfico Weibull, ejercicio 1. Obteniéndose un M T BF = 207,794 Horas. Ahora calculamos el MTTR: 1 MTTR = η ∗ Γ 1 + (3.2) β Obteniéndose un M T T R = 18,182 Horas. Con los datos anteriores podemos calcular la disponibilidad de la máquina como: M T BF D(t) = = 0,919 92 % M T BF + M T T R 2,382 Representando la función de distribución F (x; 234,345; 2,382) = 1 − e−(x/234,345) y la función 2,382de fiabilidad R(x; 234,345; 2,382) = e−(x/234,345) como se muestra en la Figura 3.2 podemos calcularla probabilidad de que la máquina dure más de T horas sin fallos.Fundación UNED 26
  32. 32. 3. Aplicación del método de Weibull. 3.2. Ejemplo biparamétrico R(t) = P [T > t] = 1 − PF uncion de Distribucion (T ) Por ejemplo: R(445,105) = P [T > 445,105] = 1 % Probabilidad de que la máquina dure más del 445,105 Horas es del 1 %. R(371,591) = P [T > 371,591] = 5 % Probabilidad de que la máquina dure más del 371,591 Horas es del 5 %. R(332,725) = P [T > 332,725] = 10 % Probabilidad de que la máquina dure más del 332,725 Horas es del 10 %. R(200) = P [T > 200] = 49,58 % Probabilidad de que la máquina dure más del 200 Horas es del 49,58 %. 1.0 Distribución 0.8 Fiabilidad 0.6 0.4 0.2 0.0 0 100 200 300 400 500 Tiempo Figura 3.2: Función de Distribución y Fiabilidad, ejercicio 1.3.2. Ejemplo biparamétrico Un grupo de rodamientos han durado: 801, 312, 402, 205, 671, 1150, 940, 495, 570. Se desea cono-cer la fiabilidad a las 600 Horas y el M T BF . Cargamos los datos en el programa R y obtenemos los siguientes resultados: n beta alpha R2 r p.value beta1 beta5 beta10 9 2,014 705,276 0,998 0,999 0,999999 71,844 161,389 230,725 Tabla 3.4: Resultados ejercicio 2. Aceptamos los datos de la muestra que sigue una distribución de Weibull con un nivel deconfianza del 95 %.Fundación UNED 27
  33. 33. 3. Aplicación del método de Weibull. 3.3. Ejemplo triparamétrico Gráfico de Weibull q 90 q 75 q q 40 55 q q Infiabilidad (%) q 25 q 7 10 15 q 5 3 2 1 50 100 200 500 1000 2000 TBF Figura 3.3: Gráfico de Weibull ejercicio 2. 2,014 R(600) = P [T > 600] = 1 − e−( 705,276 ) 600 = 0,5143 = 51,43 % 1 M T BF = η ∗ Γ 1 + = 624,9588 Horas β3.3. Ejemplo triparamétrico En la Tabla 3.5, se muestran los tiempos de operación libre de fallos de una máquina. Sedesea conocer:a) Los parámetros de Weibull. Aplicamos a los datos el código de programación de la sección B.3 y obtenemos los resultados en la siguiente Tabla 3.6, así como el gráfico 3.4.b) M T BF . 1 M T BF = γ + η ∗ Γ 1 + = 7594,479 Horas βc) La fiabilidad cuando t = M T BF . 7594,479−1462 1,471 R(7594,479) = e−( 6776,46 ) = 0,264158 26,42 %Fundación UNED 28
  34. 34. 3. Aplicación del método de Weibull. 3.4. Ejemplo triparamétrico i Tiempo (Horas) 1 2175 2 2800 3 3300 4 3800 5 4250 6 4650 7 5250 8 5840 9 6300 10 6700 11 7150 12 7800 13 8500 14 9200 15 10500 16 11000 17 12600 18 1400 19 15800 Tabla 3.5: Datos ejercicio 3. n beta eta gamma.min R2 r p.value beta1 beta5 beta10 19 1,471 6776,46 1462 0,999 0,999 0,446702 297,075 899,683 1467,607 Tabla 3.6: Resultados del ejercicio 3.d) Establecer los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %. t−1462 1,471 R(t) = e−( 6776,46 ) = 0,95 = 95 % En el gráfico 3.4 se puede ver con línea negra discontinua la beta5 y la beta10 que coincide con el valor del gráfico cuando se tiene en cuenta γ, t − γ = η · (− ln(0,95))1/β = 899,683 Horas despejando t de la ecuación obtenemos, t = η · (− ln(0,95))1/β + γ = 2361,683 Horas por lo que establecemos el intervalo de mantenimiento preventivo cada 2361 Horas, para asegu- rarnos con una probabilidad 95 % de que la máquina trabaje sin fallos.3.4. Ejemplo triparamétrico Los tiempos de fallos de una máquina empaquetadora son los que aparecen en la siguientetabla 3.7: Aplicamos a los datos el código de programación de la sección B.3 y obtenemos los resulta-dos en la Tabla 3.8, así como el gráfico 3.5. Observando la Tabla 3.8 se puede ver como el P − valor < 0,05 por lo tanto rechazamos lahipótesis de que este registro de datos provenga de una distribución de Weibull con parámetrosFundación UNED 29

×