UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERIA PESQUERA Y ALIMENTOS

ESCUELA PROFESIONAL DE INGENIERIA PESQUERA

“DISTRIBUCION DE WEIBULL (PROBLEMAS)”

MANTENIMIENTO DE EQUIPOS Y FLOTAS

PESQUERAS

PRESENTADA POR
***********

PROFESOR:
DAVID CAMPOSANO.

CALLAO-PERU

2019
 DESCRIPCIÓN DEL MODELO

La función de distribución de Weibull es un modelo estadístico que representa la

probabilidad de fallo después de un tiempo t(R(t)) en función del tiempo
transcurrido o de una variable análoga.
Dicho de otra manera, R(t) es la probabilidad de que los componentes de un
conjunto sobrevivan hasta el momento ¨t¨.
La función viene dada por:

• Como vemos, depende de 2 parámetros:

α> 0 ; β>0
Donde:
- α: parámetro de escala
- β: parámetro de forma

 α: es el parámetro de escala o vida característica. Este parámetro

representa el tiempo (o el valor de la variable análoga usada) para el cual
la probabilidad de fallo acumulada es de 63,2%. Por tanto, cuando mayor
sea α, mayor será el intervalo de tiempo en que se producirán los fallos.

 β: es el parámetro de forma o perfil y determina la forma de la distribución.

En la representación gráfica del modelo, este parámetro coincide con la
pendiente de la recta y da una idea de la dispersión de la muestra.

La función de distribución se obtiene por la integración de la función de densidad:

Como vemos, depende de dos parámetros alfa y beta mayores que cero, donde
alfa es un parámetro de escala y beta un parámetro de forma (lo que proporciona
una gran flexibilidad a este modelo).
La función de distribución se obtiene por la integración de la función de densidad
y vale: (tomando que lambda es igual a alfa y alfa igual a beta según la notación
que se lleva anteriormente).

PROPIEDADES DE LA DISTRIBUCIÓN DE WEIBULL:

1. Si tomamos beta = 1 tenemos una distribución exponencial.

2. Su esperanza y su varianza vale: (tomando que lambda es igual a beta

según la notación que se lleva anteriormente).
 DISTRIBUCIÓN WEIBULL DE DOS PARÁMETROS

Es una distribución flexible donde su tasa de falla puede ser decreciente,

constante o creciente dependiendo de sus parámetros. Normalmente se define
con dos parámetros: el de forma  que tiene efecto sobre la forma de la
distribución y el de escala  que afecta la escala del tiempo de vida.
La teoría de valores extremos demuestra que la distribución de Weibull se puede
utilizar para modelar el mínimo de una gran cantidad de variables aleatorias
positivas independientes de cierta distribución: tales como falla de un
sistema con una gran cantidad de componentes en serie y con los mecanismos
de falla aproximadamente independientes en cada componente.

Sus funciones básicas son:


 1 t
t  
 
f (t )    e
   Distribución de densidad

t
 
 
F (t )  1  e Distribución acumulada


t
 
 
R(t )  e Función de confiabilidad

 1
t
h(t )   
   Función de riesgo

La vida media y la función cuantil son las siguientes:

E (T )  (1  1 /  )

t p    ln( 1  p)
1/ 
La función gamma se define como:


( x)   t x1e t dt
0 Generalización de la factorial de un número

( x)  ( x  1)( x  1) Para cualquier número

(n)  (n  1)! Para números enteros

=0.5 =1 =2

1

Tiempo
Funciones de densidad Funciones de riesgo

En general cuando el para valores de beta 0<<1 la función de riesgo es

decreciente y para valores de >1 la función de riesgo es creciente.  también
se conoce como pendiente.
 PROBLEMAS

1. Si se sabe que la distribución del tiempo transcurrido antes de que se dé

un fallo en un sistema hidráulico viene dada por una Weibull de
parámetros α=2 ; β=½. Calcular su esperanza y varianza.

SOLUCIÓN

X = tiempo transcurrido

1
− 1 2!
• E(x) = α β . r (1 + β1 ) = 2−2 . r (1+2) = . r (3) =
4 4

1
= 2 tiempo de esperanza

2
− 1
• Var(x) = α β ( r (1 + β2 ) − r(1 + 𝛽)2 )

1
= 2−4 ( r (5)- r(3) )2 ) = 16(4!-2!)

24−4 5
= = 4 tiempo de variación
16

2. Suponga que la vida útil de cierto elemento es una variable aleatoria que
tiene distribución Weibull con parámetros α=0.5; β=0.01. Calcular la vida
media útil y la variación de vida útil de este artículo.

SOLUCIÓN

1
• E(x) =0.01 r (3) = 200m de vida media útil

1
• Var(x) = (0.01)2 ( r(1 + 0.5
2
) − 𝑟 2 (3)

= 200000= 𝛼 2 = 447,21 m de variación de vida útil

3. Suponga que X tiene una distribución Weibull con β= 0.2 y λ=100 horas.
Determina la varianza y la esperanza de X.

SOLUCIÓN

1
• E(x) = 100 r ( 1+ 0.2 ) = 100 x 5! = 1200 horas
2
• Var(x) = 1002 r(1 + 0.2)2 − 1002 ( r(1 + 0.2
1
) = 3,61 𝑥 106

4. Sea X una variable aleatoria de Weibull de parámetro β > 1 que representa

la duración de un componente hasta que se averíe. Para montar un
circuito, buscamos componentes que nos duren al menos 500 unidades
de tiempo. Para seleccionar esos componentes nos dan a elegir entre 2
tipos. Los componentes del Tipo 1 están sin estrenar, mientras que los
componentes del Tipo 2 no son nuevos. ¿Qué tipo de componentes es el
más adecuado para nosotros?

SOLUCIÓN

 Si X es una Weibull de parámetro β > 1, el componente envejece.

 Cada vez le resulta más difícil sobrevivir; es decir,

Pr (X > t0 + t|X > t0) < Pr (X > t).

 Por tanto, nos interesa el componente sin estrenar.

5. El tiempo T en segundos que tarda en conectarse a un servidor durante

un día laborable sigue una distribución de Weibull de parámetros α = 0.6
y β = 1/4, mientas que un fin de semana es una Weibull de parámetros α
= 0.24 y β = 1, donde la densidad de la Weibull se escribe como:

𝛽 𝑡
f (t) = . 𝑡 𝛽−1 . exp {(− )}
𝛼𝛽 𝛼

Se quiere saber:
(a) Tiempo medio que tardaremos en conectarnos en ambos tipos de día

(b) Calcula, para ambos tipos de día, la probabilidad de tardar más de 10

segundos en realizar la conexión

(c) Si llevamos ya 5 segundos esperando a que se efectué la conexión,

¿cuál es la probabilidad de que la conexión se demore aun 10
segundos más?

(d) ¿Era de esperar el resultado que se obtiene en (c)?

SOLUCIÓN

L = laborable F= fin de semana

(a) µL = 14.4 seg., µF = 0.24 seg.

(b) Pr(TL > 10) = 0.133, Pr(TF > 10) ≈ 0

(c) Pr(TL > 15|TL > 5) = 0.5845, Pr(TF > 15|TF > 5) = Pr(TF > 10)

(d) El resultado era previsible al ser βL < 1