Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
=
=
+ + +
=
n
i
i
n
x
n n
x x x
x
1
2 1
1 ...
La media muestral
La media de la poblacin
=
=
N
i
i
x
N
1
1
La media geomtrica
n
n
n
n
i
i
x x x x Mg ...
2 1
1
= =
[
=
La varianza
2
1
2
1
2 2
1
) (
1
x x
n
x x
n
s
n
i
i
n
i
i n
|
.
|
\
|
= =
= =
La varianza muestral
La varianza de la poblacin
=
=
N
i
i
x
N
1
2 2
) (
1
o
Varianzas muestrales, Covarianza
muestral y correlacin muestral
2
1
2
1
2 2
1
) (
1
x x
n
x x
n
s
n
i
i
n
i
i x
|
.
|
\
|
= =
= =
2
1
2
1
2 2
1
) (
1
y y
n
y y
n
s
n
i
i
n
i
i y
|
.
|
\
|
= =
= =
y x y x
n
y y x x
n
s
n
i
i i
n
i
i i xy
|
.
|
\
|
= =
= = 1 1
1
) )( (
1
y x
xy
xy
S S
S
r =
La cuasi-varianza muestral
(
(
|
.
|
\
|
= =
=
2
1 1
2
1
2
2
1
1
1
1
1
) (
n
i
i
n
i
i
n
i
i
n
x
n
x
n n
x x
s
Esta medida de dispersin tiene la propiedad de insesgadez
La moda
El valor de mayor frecuencia
Si hay dos, la distribucin es bi-modal
El rango dinmico
La diferencia entre el mximo y el
mnimo de los valores de la poblacin
Sesgo y Curtosis
3
1
3
) (
) 2 )( 1 ( s
x x
n n
n
sesgo
n
i
i
=
=
4
1
4
) (
) 3 )( 2 )( 1 (
) 1 (
s
x x
n n n
n n
curtosis
n
i
i
=
+
=
Regresin lineal
Es una tcnica estadstica para investigar la relacin
entre dos o mas variables
Se utiliza para realizar predicciones de una variable
(respuesta) en trminos de otras (regresivas)
El trmino regresin fue acuado por el frances
Francis Galton quien lo us en sus estudios de la
herencia
La regresin simple o bivariada consiste de hacer
predicciones de una variable en trminos de otra
solamente
En la regresin mltiple, la prediccin se hace
tomando en cuenta a varias variables
Regresin lineal simple
Asumimos que la relacin entre la variable
respuesta y la variable regresiva es una lnea
recta
Cada observacin cumple
La suma de los cuadrados de los errores es
x x y E
1 0
] | [ | | + =
c | | + + =
i i
x y
1 0
= =
=
n
i
n
i
i i
x y
1 1
2
1 0
2
) ( | | c
Regresin lineal simple
Para minimizar el error derivamos e
igualamos a cero respecto a
De la misma manera derivando respecto a
Simplificando estas dos ecs:
0
|
0 ) ( 2
1 0
1
=
=
i
n
i
i
x y | |
1
|
0 ) ( 2
1 0
1
=
=
i i
n
i
i
x x y | |
= =
= +
n
i
i
n
i
i
y x n
1 1
1 0
| |
= = =
= +
n
i
i i
n
i
i
n
i
i
x y x x
1 1
2
1
1
0
| |
Regresin lineal simple
Reconociendo que
La ecuacin
Se convierte en
Esto lo reemplazamos en
Para obtener
= =
= +
n
i
i
n
i
i
y x n
1 1
1 0
| |
=
=
n
i
i
x
n
x
1
1
x y
1 0
| | =
= = =
= +
n
i
i i
n
i
i
n
i
i
x y x x
1 1
2
1
1
0
| |
= = =
= +
n
i
i i
n
i
i
n
i
i
x y x x x y
1 1
2
1
1
1
) ( | |
=
=
n
i
i
y
n
y
1
1
Regresin lineal simple
De la ecuacin
Despejamos
Para obtener
= = =
= +
n
i
i i
n
i
i
n
i
i
x y x x x y
1 1
2
1
1
1
) ( | |
= = = =
=
(
+ +
n
i
i i
n
i
i
n
i
i
n
i
i
x y x x x x y
1 1
2
1
1
1
|
1
|
= =
= =
+
=
n
i
i
n
i
i
n
i
i
n
i
i i
x x x
x y x y
1
2
1
1 1
1
|
Regresin lineal simple
Es lo mismo que
= =
= =
+
=
n
i
i
n
i
i
n
i
i
n
i
i i
x x x
x y x y
1
2
1
1 1
1
|
xx
xy
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i i
S
S
x x
x x y
x
n
x
x y
n
x y
=
=
(
=
=
= =
= = =
2
1
1
2
1 1
2
1 1 1
1
) (
) (
1
1
|
Ejemplo
Un Ingeniero est investigando el efecto de
la temperatura sobre el rendimiento de un
producto, sus experimentos arrojan los
siguientes resultados
Temp 100 110 120 130 140 150 160 170 180 190
Rend 45 51 54 61 66 70 74 78 85 89
La grfica de dispersin
Esta grfica nos indica una fuerte suposicin de que
la relacin entre las dos variables puede ser lineal
Haciendo los clculos
=
=
10
1
673
i
i
y
=
=
10
1
1450
i
i
x
10 = n
=
=
10
1
2
500 , 218
i
i
x
=
=
10
1
2
225 , 47
i
i
y
=
=
10
1
570 , 101
i
i i
y x
145 = x
3 . 67 = y
= =
= = |
.
|
\
|
=
10
1
2
2
10
1
2
250 , 8
10
) 1450 (
500 , 218
10
1
i i
i i xx
x x S
= = =
= = =
10
1
10
1
10
1
985 , 3
10
) 673 )( 1450 (
570 , 101
10
1
i i
i
i
i i i xy
y x y x S
Finalmente
483 . 0
8250
3985
1
= = =
xx
xy
S
S
|
739 . 2 ) 145 )( 483 . 0 ( 3 . 67
1 0
= = = x y | |
x x y 483 . 0 739 . 2
1 0
+ = + = | |
48
Perspectiva histrica de la teora de la fiabilidad
Estudios para poder evaluar la mortalidad derivada de las
epidemias.
Compaas de seguros, para determinar los riesgos de sus plizas
de seguro de vida.
Tablas de vida: La primera tabla de vida data de 1693 y es
debida a Edmund Halley
Orgenes:
se utilizaban los mtodos actuariales tanto para estimar la
supervivencia de pacientes sometidos a distintos tratamientos
como para estudiar la fiabilidad de equipamientos, en particular de
los ferrocarriles.
Siglo XX:
En 1939 Waloddi Weibulll, cuando era profesor del Royal Institute
of Technology en Suiza, propuso una distribucin para describir la
duracin de materiales, que ms tarde llevara su nombre.
En 1951 Epstein y Sobel empezaron a trabajar con la distribucin
exponencial como modelo probabilstico para estudiar el tiempo de vida
de dispositivos
49
Fiabilidad y Mantenimiento
Desde el punto de vista de la ingeniera, la fiabilidad es la
probabilidad de que un aparato, dispositivo o persona desarrolle
una determinada funcin bajo condiciones fijadas durante un
periodo de tiempo determinado.
La confiabilidad de un elemento puede ser caracterizada a travs
de distintos modelos de probabilidades.
Podemos describir varias distribuciones de fallas comunes y ver
qu podemos aprender de ellas para gestionar los recursos de
mantenimiento. Convirtiendo el conocimiento ganado de ellas en
acciones PROACTIVAS de Mantenimiento y aplicarlas en el Diseo.
50
Herramientas de Fiabilidad
Se estudia mediante el anlisis estadstico de datos de
supervivencia.
ISO define fiabilidad como la probabilidad de que un
componente o sistema, desarrolle durante un periodo de
tiempo dado, la tarea que tiene encomendada sin fallos, y en
las condiciones establecidas.
Estudiar Duraciones de Procesos que es comn en muchas ciencias:
Duracin de un componente (Fiabilidad)
Supervivencia de un paciente a un tratamiento (Medicina)
Duracin del desempleo (Economa)
Edad de las personas (Demografa y sociologa)
51
Veamos, a partir de un histograma podemos desarrollar las cuatro
funciones de importancia para la caracterizacin de la fiabilidad.
0
1
2
3
4
5
6
7
8
9
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE
Meses
F
a
l
l
o
s
Serie1
Serie2
MES
fallas
ENERO
2
FEBRERO
5
MARZO
7
ABRIL
8
MAYO
7
JUNIO
6
JULIO
5
AGOSTO
4
SEPTIEMBRE
3
OCTUBRE
1
TOTAL
48
52
En estudios de mantenimiento necesitamos pasar del anterior histograma a funciones
continuas, debido que la variable tiempo de fallo es continua. Esta funciones nos dan una
idea clara de la distribucin de fallos. Empezamos por la f(t) pdf que indica la densidad
probable de fallas en cada intervalo t.
Serie1
0
1
2
3
4
5
6
7
8
9
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE
Meses
f(t)
Pudiendo llamar a t1 y t2, - y respectivamente
2
1
( ) ( ) ( )
t
t
f t f t d t =
}
53
F(t) CDF Cumulative Density Function:
aqu de - a Tiempo t, seria la probabilidad de que la falla ocurra
antes del tiempo t.
0
1
2
3
4
5
6
7
8
9
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE
Meses
f(t)
el rea bajo la curva - transcurrido t (Funcin Reparticin ) cdf=14/48
Intervalo - a t, la acumulacin de fallas
Tiempo t
( ) ( )
t
F t f t dt =
}
54
R(t) Reliability (confiabilidad)
Esta es la probabilidad de xito o sea que no ocurra la falla antes de t.
Representando por el rea bajo la curva desde t hasta infinito.
R(t)= 1- F(t)
0
1
2
3
4
5
6
7
8
9
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE
Meses
f(t)
( ) ( ) R t f t dt
t
=
}
Tiempo t
(
=
1 2 1
2 1
2 1
1
) (
) ( ) (
) , (
t t t R
t R t R
t t TF
La tasa de falla del intervalo t1 a t2 se define como
Es la probabilidad de que ocurra una falla en el intervalo
de t1 a t2 dado que no ha habido falla al tiempo t1
la funcin de Riesgo, o tasa de mortalidad h(t) es
) (
) ( '
) (
1 ) ( ) (
lim
1
) (
) ( ) (
lim ) (
0 0
t R
t R
t R t
t R t t R
t t R
t t R t R
t h
t t
=
A
A +
=
A
A +
=
A A
) ( 1
) (
) (
) (
) (
t F
t f
t R
t f
t h
= =
Y como R(t)=1-F(t), entonces
R(t)=-F(t)=-f(t), de ah
Es muy comn asumir que las fallas tienen una distribucin exponencial, entonces:
= = =
t
t
e
e
t R
t f
t h
) (
) (
) (
Y entonces se dice que la tasa de falla es constante, la constante
56
(t)
constante
Hiptesis exponencial
desarrollo
Madurez (fallos aleatorios)
Inicio utilizacin
obsolescencia
desclasificacin
1
2
3
Edad t
DOMINIO ELECTRONICO
Funcin de Riesgo tpica
57
(t)
Curva debida a los
fallos precoces
rodaje
Madurez
obsolescencia
desclasificacin
1
2
3
Edad t
Puesta en servicio
Influencia del desgaste
sobre (t)
DOMINIO MECANICO
( ) ( )
( )
( ) 1 ( )
f t f t
h t
R t F t
| | | |
= =
| |
\ . \ .
Funcin de Riesgo tpica
58
Cuando la tasa de fallo del elemento responde a la curva de la baera es
conveniente realizar un ensayo acelerado del mismo (en condiciones de stress)
para que supere la zona de mortalidad infantil o fallas infantiles.
determinar cuando comienza la vida til del producto y ofrecer a los clientes una
garanta de funcionamiento durante ese periodo de funcionamiento problemtico.
Una vez superado el periodo crtico, la empresa est razonablemente segura de que el
producto tiene una posibilidad de fallos reducida
59
La distribucin de fallas de diferentes tipos de maquinaria no son las
mismas. Aun varan en una misma maquina durante su operacin. Sus
formas pueden ser estudiadas a partir de las funciones pdf, cdf y tasa de
falla de los datos reales de mantenimiento o de ensayos de fiabilidad. Estos
dan forma a determinadas expresiones matemticas conocidas como
distribuciones obteniendo:
Dist. Exponencial
Dist. Normal
Dist. Lognormal
Dist. Weibull
60
f (t) = exp (-t), t > 0
F(t) = 1 - exp(-t), t > 0
R(t) = exp (-t ), t > 0
EL MODELO EXPONENCIAL
pdf
cdf
R(t)
= h(t)
61
f
(x)
|=1
x)
|=2
x)
|=5
x)
|=3,6
|=2,
5x)
f (t)
t
|=0,
5x)
t
(t)
2
1
0,
5
|=4
3
2
1,5
0,5t
1
EL MODELO DE WEIBULL
( )
1
( )
t
t
f t e
| |
q
|
q q
| || |
=
| |
\ .\ .
| parmetro de forma | > 0;
q parmetro de escala q > 0;
parmetro de posicin - < < +
( )
( ) 1
t
F t e
|
=
62
Las caractersticas de la distribucin de Weibull
63
Las caractersticas de la distribucin de Weibull
64
f(t)
t
2 < 0
2 = 0
2 > 0
- El parmetro de posicin (en unidad de tiempo)
Se llama tambin parmetro de diferenciacin o de
localizacin.
Significado: indica la fecha de inicio de los fallos.
-- si > 0, hay supervivencia total entre t = 0 y t = ;
-- si = 0, los fallos empiezan en el origen del tiempo;
-- si < 0, los fallos han empezado antes del origen del
tiempo.
Las caractersticas de la distribucin de Weibull
65
Ejemplo
Obtencin de la fiabilidad de neumticos a travs del
Anlisis de la degradacin
Siete marcas de neumticos fueron controlados en su desgaste cada
5.000 millas, midiendo la profundidad de cada uno. La tabla que
contiene las mediciones desde su inicio hasta las 30.000 millas
Degradacin Critica y= 2 mm
f (t) = exp (-t), t > 0
F(t) = 1 - exp(-t), t > 0
R(t) = exp(-t ), t > 0
66
Ejemplo
67
Ejemplo
68
Ejemplo
69
Ejemplo
Diagrama de Ishikawa
El diagrama de Ishikawa conocido tambin como causa-efecto, es una forma de
organizar y representar las diferentes teoras propuestas sobre las causas de un
problema. Nos permite, por tanto, lograr un conocimiento comn de un problema
complejo, sin ser nunca sustitutivo de los datos.