Unidad - 4 - Optativa - 1 - Estadística Industrial - Ene - 2019
Unidad - 4 - Optativa - 1 - Estadística Industrial - Ene - 2019
Unidad - 4 - Optativa - 1 - Estadística Industrial - Ene - 2019
ANTOLOGÍA DE
OPTATIVA I
ESTADÍSTICA INDUSTRIAL
Enero 2019
0
Dr. Gustavo Herrera Sánchez
Objetivo de la asignatura
El alumno planteará diseños de experimentos estadísticos mediante el procesamiento
de datos, así como su análisis de los factores que intervienen para la toma de
decisiones.
Competencias a desarrollar
Plantear y solucionar problemas con base en los principios y teorías de física, química y
matemáticas, a través del método científico para sustentar la toma de decisiones en los
ámbitos científico y tecnológico.
CONTENIDO
Horas
Unidades Temáticas
Prácticas Teóricas Totales
I. Regresión 10 5 15
II. ANOVA 15 5 20
III. Diseño de Experimentos (DOE) 15 5 20
IV. Confiabilidad 15 5 20
Totales 55 20 75
1
Dr. Gustavo Herrera Sánchez
Unidad 4 Confiabilidad
5.1 Mantenibilidad
Para que un sistema o equipo sea susceptible de ser mantenido deben cumplirse una
serie de condiciones ver siguiente figura. Condiciones para que un equipo o sistema
sea mantenido.
Si las condiciones necesarias para que un equipo o sistema sea susceptible de ser
mantenido se cumplen en su totalidad entonces es posible estimar la mantenibilidad.
2
Dr. Gustavo Herrera Sánchez
Logonormal: Para casos en los que el tiempo total de reparación está constituido por
varios tiempos diferentes, diagnóstico, desarme y armado, disponibilidad de los
repuestos y herramientas, etc.; y, además, cuando la relación entre ellos no sigue un
patrón definido.
Weibull: En particular esta distribución es la más flexible para adaptarse a los datos,
por contar tres parámetros (forma, escala & posición)
Tabla resumen que relaciona el tipo de distribución con el rango de posibles valores
disponibles en función de K
Período Ratio de fallas Mecanismo de falla Distribución
Arranque o Paradas administrativas
Descendente Weibull
inicio Esfuerzo
Operación Fatiga Exponencial y
Constante
normal Corrosión Weibull
Desgaste Normal.
Reparación Ascendente Desgaste Weibull y
general Lognormal
Donde:
3
Dr. Gustavo Herrera Sánchez
𝑡 𝛼
−( )
Distribución de Weibull 𝑀(𝑡) = 1 − 𝑒 𝛽
Donde:
En minitab
4
Dr. Gustavo Herrera Sánchez
Gráfica de distribución
Exponencial, Escala=2.5, Valor umbral=0
0.4
0.3 0.4512
Densidad
0.2
0.1
0.0
0 1.5
X
5
Dr. Gustavo Herrera Sánchez
Gráfica de distribución
Weibull, Forma=2, Escala=1.2, Valor umbral=0
0.8
0.7
0.6 0.9870
0.5
Densidad
0.4
0.3
0.2
0.1
0.0
0 2.5
X
Ejemplo 47. Un técnico en mantenimiento tiene que reparar una línea de pintura
industrial. Los datos históricos muestran que provienen de una distribución normal con
una media de 2.75 horas y una desviación estándar de 0.95 horas. Encuentre las
siguientes probabilidades:
6
Dr. Gustavo Herrera Sánchez
7
Dr. Gustavo Herrera Sánchez
8
Dr. Gustavo Herrera Sánchez
9
Dr. Gustavo Herrera Sánchez
Variable: Fallas
Distribución: Normal
Log-verosimilitud = -7.417
Bondad de ajuste
Anderson-Darling (ajustado) = 3.659
Características de distribución
Tabla de percentiles
10
Dr. Gustavo Herrera Sánchez
IC normal de 95.0%
Tiempo Probabilidad Inferior Superior
12 0.986402 0.543864 0.99999
Ejemplo 49. El jefe de mantenimiento de una empresa del sector automotriz, está
analizando los indicadores de CDM de los últimos años para un laminador de barras de
fierro. Para recolectó la siguiente información:
Determinar lo siguiente:
A) TMEF
B) TMPR
C) La disponibilidad
D) De acuerdo a los datos de operación establezca que tipo de distribución de
probabilidad para la confiabilidad.
E) Establezca los parámetros pertinentes de la distribución de probabilidad
F) Cuál es la probabilidad de que el laminador cumpla una misión de 250 horas
G) De acuerdo a los datos de reparación establezca que tipo de distribución de
probabilidad para la mantenibilidad
H) Establezca los parámetros pertinentes de la distribución de probabilidad
I) Cuál es la probabilidad de que el laminador sea reparado en 5 horas.
11
Dr. Gustavo Herrera Sánchez
Operación 143
Reparación Contaminación de fluido (fuga por los tubos) 5 Corrosividad 3500
Operación 272
Reparación Contaminación de fluido (remandrilaje) 3 Limpieza de los “groves” 2000
Operación 186
Reparación Pérdida de eficiencia térmica (limpieza) 2 Fluido sucio 1200
Operación 256
Operación 142
Operación 244
Operación 146
Operación 312
A) TMEF
B) TMPR
C) La disponibilidad
D) De acuerdo a los datos de operación establezca que tipo de distribución de
probabilidad para la confiabilidad.
E) Establezca los parámetros pertinentes de la distribución de probabilidad
F) Cuál es la probabilidad de que el laminador cumpla una misión de 300 días
G) De acuerdo a los datos de reparación establezca que tipo de distribución de
probabilidad para la mantenibilidad
H) Establezca los parámetros pertinentes de la distribución de probabilidad
I) Cuál es la probabilidad de que el laminador sea reparado en 1 día
12
Dr. Gustavo Herrera Sánchez
• Fallas iníciales o mortalidad infantil: esta etapa se caracteriza por tener una
elevada tasa de fallas que desciende rápidamente con el tiempo. Estas fallas
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, ajuste difícil,
que es preciso revisar en las condiciones reales de funcionamiento hasta dar con
la puesta deseada.
• Fallas normales o madurez o vida útil: etapa con una tasa de errores menor y
constante. Las fallas no se producen debido a causas inherentes al equipo, sino
por causas aleatorias externas. Estas causas pueden ser accidentes fortuitos,
mala operación, condiciones inadecuadas u otros.
• Fallas de desgaste o envejecimiento: etapa caracterizada por una tasa de
errores rápidamente creciente. Las fallas se producen por desgaste natural del
equipo debido al transcurso del tiempo.
13
Dr. Gustavo Herrera Sánchez
Estado de
funcionamiento
TTF TBF
parta
Disponibilidad
Genérica
UT
SoFu SoFu SoFu SoFu SoFu
UT1 f1 UT2 f2 UT3 f3 UT4 f4 UTn fi
Ready Ready
TBF Time 1 Time 2
parta se le suma se le suma
Disponibilidad al UT más al UT más
Inherente o cercano en cercano en
Intrínseca. tiempo tiempo
t
SoFa SoFa SoFa SoFa SoFa
Donde
TTF = Time To Failure = Tiempo hasta Fallar (se usa en equipos que solo fallan una vez, no reparables)
fi = Falla i-ésima
n = número de fallas ocurridas en el tiempo que se revisa, desde f1 hasta fi.
TTR = Time To Repair = Tiempo que demora la reparación neta, sin incluir demoras ni tiempos logísticos, ni tiempos invertidos en
suministros de repuestos o recursos humanos
MTTR = Mean Time To Repair = Tiempo Medio para Reparar = TTR / n
TBF = Time Between Failures = Tiempo entre Fallas
m = número de eventos de tiempos útiles que ocurren durante el tiempo que se evalúa
MTBF = Mean Time Between Failures = Tiempo Medio entre Fallas = TBF / m
UT = Up Time = Tiempo Útil en el que equipo funciona correctamente.
MUT = Mean Up Time = Tiempo Medio de Funcionamiento entre Fallas = UT / m
DT = Down Time = Tiempo no operativo
MDT = Mean Down Time = Tiempo Medio de Indisponibilidad o no funcionamiento entre Fallas = DT / n
ADT = Administrative Delay Time = retrasos administrativos exógenos a la actividad propia de reparación, diferentes al tiempo activo
neto de la reparación; ejemplos de estos son: suministro de personal especializado, entrenamiento de recursos humanos
requeridos para esa reparación, revisión de manuales de mantenimiento u operación, localización de herramientas,
cumplimiento de procesos y/o procedimientos internos, etc.
LDT’ = Logistics Delay Time = retrasos logísticos la obtención de insumos para la reparación, en los procesos de
mantenimiento o de producción, en los tiempos de suministros, etc. como por ejemplo el tiempo requerido para transporte de
repuestos, o el tiempo que hay que esperar a que se construya un repuesto especial por parte de los fabricantes, etc.
LDT = ADT + LDT’ = Logistic Down Time = Tiempo total logístico que demora la acción propia de reparación o mantenimiento. Son
todos los tiempos exógenos al equipo que retrasan el tiempo activo
MLDT = Mean Logistics Down Time = Tiempo Medio de Tiempos Logísticos de demora
SoFa = State of Failure = Estado de Falla, el equipo no funciona correctamente
SoFu = State of Functioning = Estado de Funcionamiento correcto
MP = PM = Planned Maintenances = Mantenimientos Planeados, pueden ser preventivos o predictivos.
Ready Time = Tiempo de Alistamiento = el equipo o sistema está disponible, opera pero no produce, no está en carga operativa;
funciona mas no produce
Figura que muestra la relación entre tiempos y los eventos en una máquina
Tiempo promedio entre fallas TMEF (MTBF, mean time between failures). En la
práctica, la fiabilidad o confiabilidad se mide como el tiempo promedio entre ciclos de
mantenimiento o el tiempo promedio entre dos fallas consecutivas. Por ejemplo, si
disponemos de un producto de N componentes operando durante un periodo de tiempo
T, y suponemos que en este periodo han fallado varios componentes, algunos en varias
ocasiones, para este caso el componente i-ésimo habrá tenido 𝑛𝑖 fallas, luego el
número promedio de fallas para el producto será:
14
Dr. Gustavo Herrera Sánchez
𝑁
𝑛𝑖
𝑇𝑀𝐸𝐹 = 𝑀𝑇𝐵𝐹 = ∑
𝑁
𝑖=0
Tiempo promedio hasta la falla TMHF (MTTF, mean time to failure). Es otro
parámetro utilizado junto con la tasa de fallas 𝜆(𝑡) para especificar la calidad de un
componente o de un sistema. Por ejemplo, si se ensayan N elementos idénticos desde
el instante 𝑡 = 0, y se miden los tiempos de funcionamiento de cada uno hasta que se
produzca alguna falla. Entonces el MTTF será el promedio de los tiempos 𝑡𝑖 medidos,
es decir:
∑𝑁
𝑖=1 𝑡𝑖
𝑇𝑀𝐻𝐹 = 𝑀𝑇𝑇𝐹 =
𝑁
Tiempo promedio de reparación o restauración de la falla TMPR (MTTR, mean
time to repair). La tasa promedio de reparación r-ésimo 𝑟𝑖 , es el tiempo en que un
componente, equipo o máquina son reparados.
𝑟𝑖
𝑇𝑀𝑃𝑅 = 𝑀𝑇𝑇𝑅 =
𝑁
Ejemplo 52. Un ingeniero en mantenimiento industrial ha recolectado el tiempo entre
fallas y el tiempo de reparación de la falla de cierta línea de producción. Se desea
determinar los valores MTBF y MTTR.
TBF
tiempo en horas
110 2 110 110 110 26 120 34 110 110 3 110 110 9 110 110
TTR
Solución.
15
Dr. Gustavo Herrera Sánchez
𝑇𝑀𝐸𝐹
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =
𝑇𝑀𝐸𝐹 + 𝑇𝑀𝑃𝑅
Ejemplo 53. Con los datos del ejemplo 52, determine la disponibilidad de la línea de
producción.
203.33
𝐷𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = = 93.21%
203.33 + 14.8
Si la confiabilidad la definimos como 𝐶(𝑡), también indica por la notación 𝑅(𝑡) o 𝐹(𝑡),
sea 𝑃(𝑡) la probabilidad de falla entre 0 y t; entonces:
𝐶(𝑡) = 1 − 𝑃(𝑡)
Para el cálculo de la fiabilidad de los equipos se tiene que conocer qué tipo de
distribución de probabilidad. Esto se realiza mediante la observación estadística de los
datos obtenidos de TMEF y TMPR.
De acuerdo a Mora (2009), los criterios para el uso de las distribuciones de probabilidad
para estimar CMD (Confiabilidad, Mantenibilidad y Disponibilidad) son las siguientes:
Distribución Criterios
Normal - Describe fenómenos de envejecimiento de equipos
16
Dr. Gustavo Herrera Sánchez
Aumentando TMEF
• Reduciendo el mantenimiento preventivo al mínimo necesario
• Adoptando técnicas predictivas donde sea posible
• Practicando desarrollo de ingeniería de mantenimiento
Minimizando TMPR
• Practicando desarrollo de ingeniería de mantenimiento
• Mejorando la capacitación de personal (propio y contratado)
• Practicando una buena planificación y coordinación de servicios
17
Dr. Gustavo Herrera Sánchez
La siguiente figura muestra la relación que existe entre los conceptos mencionados en
este apartado.
1
=
𝑇𝑀𝐸𝐹
Sistemas en serie
Se denomina sistema en serie a aquél por el cual la falla del sistema equivale al de un
sólo componente, es decir, el sistema funciona sí, todos los componentes funcionan
correctamente.
1 2 3
18
Dr. Gustavo Herrera Sánchez
Ejemplo 54. Sean 𝑃1 = 5%, 𝑃2 = 10% y 𝑃3 = 15% las probabilidades de falla de cada
componente del sistema. ¿Cuál es la confiabilidad del sistema en serie?
Este sistema opera mientras todos operen. Por tanto, sus confiabilidades se multiplican.
𝑅1 = 1 – 𝑃1 = 1 – 0.05 = 0.95
𝑅2 = 1 – 𝑃2 = 1 – 0.10 = 0.90
𝑅3 = 1 – 𝑃3 = 1 – 0.15 = 0.85
𝑅𝑡 = 𝑅1 x 𝑅2 x 𝑅3 = 0.95 x 0.90 x 0.85 = 0.72675 = 72.675%
Sistemas en paralelo
Un sistema en paralelo se caracteriza porque el sistema falla si todos los componentes
fallan en su operación. Siendo la probabilidad de que se presente este evento el
producto de probabilidades de los eventos componentes. Así, en el caso de sistemas
en paralelo tenemos una ley del producto de inestabilidades:
𝑛
Ejemplo 55. Sean 𝑃1 = 5%, 𝑃2 = 10% y 𝑃3 = 15% las probabilidades de falla de cada
componente del sistema. ¿Cuál es la probabilidad del sistema en paralelo?
19
Dr. Gustavo Herrera Sánchez
Este sistema opera hasta que todos los componentes fallen. Por lo tanto, las
probabilidades de falla se multiplican.
o Totalmente inactivo.
o Energizado total o parcialmente.
Ejemplo 56. Las bombas A, B, C y D son bombas de carga de una unidad. Para operar
en plena capacidad, es necesario que dos de ellas estén en operación. La probabilidad
de falla de cada componente es de 10%. ¿Cuál es la confiabilidad de la planta con
plena capacidad?
20
Dr. Gustavo Herrera Sánchez
Sistemas mixtos
1 2 3
4 5
R1 = 1 – 0.10 = 0.90
R2 = 1 – 0.05 = 0.95
R3 = 1 – 0.15 = 0.85
R4 = 1 – 0.02 = 0.98
R5 = 1 – 0.20 = 0.80
P123 = 0.27325
P45 = 0.216
21
Dr. Gustavo Herrera Sánchez
22
Dr. Gustavo Herrera Sánchez
𝑡
𝑅(𝑡) = 1 − 𝐹(𝑡) = 1 − ∫ 𝑓(𝑡)𝑑𝑡
0
𝑓(𝑡) 𝑓(𝑡)
ℎ(𝑡) = =
𝑅(𝑡) 1 − 𝐹(𝑡)
𝑡
La tasa de fallas acumulada se define como 𝐻(𝑡) = ∫0 ℎ(𝑡)𝑑𝑡
Con esta función se decide si un componente tiene IFR, DFR o CFR, es decir, esta
función se caracteriza por ser una línea recta en caso de CFR, crece más rápido que
una recta si el modelo es IFR y más despacio si es DFR.
𝑒 −𝑡/𝜃
𝑓(𝑡) = , para t > 0,
𝜃
23
Dr. Gustavo Herrera Sánchez
Donde:
La media es E (T) = θ,
La varianza es V (T) = θ2,
La función de confiabilidad es R (t) = e−t /θ,
La función de riesgo es h (t) = 1/θ
Con θ > 0. Observe que la función de riesgo es constante [h (t) = 1/θ] lo cual significa
que la tasa de falla instantánea es la misma en todo tiempo. Por tal razón se dice que
esta distribución de probabilidad es tal que el producto “no se hace viejo” o no tiene
memoria ya que siempre está igual que nuevo. La figura muestra la gráfica de la función
de densidad de la distribución exponencial.
𝜃=1
𝜃=2
Ejemplo 59. Suponer que un aparato electrónico, es tal que el tiempo para fallar (en
horas) se modela con una distribución exponencial. Se sabe que el tiempo medio para
fallar es 1000 horas.
a) Calcular la probabilidad de que el aparato cumpla con una misión de 700 horas.
b) Qué garantía debe dar el fabricante, para que se aplique en el 10% de los
compradores.
Datos:
t = 700 horas
= 1000 horas
10% es la probabilidad de fallar
Ejemplo 60. Un sistema usa un componente cuya duración en años es una variable
aleatoria con distribución exponencial con media de 4 años. Si se instalan 3 de estos
componentes y trabajan independientemente, determine la probabilidad que al cabo de
6 años, sigan funcionando y la probabilidad de falla.
Datos:
t = 6 años
= 4 años
10
8
Frequency
0
0 1 20 240 360 480
E 80
25
Dr. Gustavo Herrera Sánchez
Observando la gráfica, la distribución que mejor ajusta los datos es la lognormal, porque
la mayoría de los puntos están sobre la línea recta. También, mediante el coeficiente
Anderson – Darling tiene el menor valor de 0.887.
Ejemplo 62. Un transistor tiene una distribuci6n de tiempo de falla exponencial con
tiempo medio de falla de 20,000 horas. El transistor ha durado 20,000 horas en una
26
Dr. Gustavo Herrera Sánchez
𝛼 𝑡 𝛼−1 𝑡 𝛼
𝑓(𝑡) = ( ) 𝑒𝑥𝑝 [− ( ) ], para t > 0
𝛽 𝛽 𝛽
1
= E(T) = [1 + ∝]
2 1
2 = V [X] = V (T) = 2 1 + − 2 1 +
27
Dr. Gustavo Herrera Sánchez
𝛼 𝑡 𝛼−1
R (t) = exp [-(t/)] = e[-(t/)] y h (t) = 𝛽 (𝛽)
Ejemplo 63. Suponga que la vida útil en horas de un componente electrónico tiene
distribución de Weibull con = 0.1, = 0.5. Calcule la probabilidad que dure más de
300 horas.
Datos:
t = 300 horas
= 0.5
= 0.1
Distribution Plot
Weibull, Shape=0.1 , Scale=0.5, Thresh=0
0.04
0.03
Density
0.02
0.01
0.1502
0.00
0 300
X
Ejemplo 64. Si un componente tiene la distribución del tiempo de falla de Weibull con
los parámetros α = 0.005 por hora y β = 0.80, encuentre la probabilidad de que
operarán exitosamente durante al menos 5,000 horas.
Ejemplo 65. El tiempo (en horas) de falla de un instrumento electrónico se ajusta a una
distribución Weibull, con = 0.7 y = 1000.
Datos:
28
Dr. Gustavo Herrera Sánchez
t = 800 horas
= 0.7
= 1000
1
(c) = E (T) = [1 + ∝]= 1000 [1+1/0.7] = 1265.824 horas, para calcular la
distribución gamma (), utilizar la función en excel =gamma.ln(1+1/) y el
resultado es el exponente del número e.
Para la desviación
2 1
2 = V[X] = V (T) = b2 1 + − 2 1 + = 10002{exp(gamma.ln(1+2/.07)) –
(exp(gamma.ln(1+1/0.7))2} = 3426835.553
= 1851.17 horas
Ahora se debe definir como estimar R. Se supone que se tienen n tiempos de vida. Sea
ti los tiempos, donde el subíndice i es el orden en que queda cada tiempo después de
ordenarlos de menor a mayor, luego Ri = 1 – Fi se estima con la formula
𝑖
𝑎. 𝐹𝑖 =
𝑛+1
𝑖 − 0.3
𝑏. 𝐹𝑖 =
𝑛 + 0.4
Para hacerlo se procede de la siguiente manera:
29
Dr. Gustavo Herrera Sánchez
3. Elección del modelo teórico (esto implica utilizar uno u otro tipo de papel probabilístico)
4. Representación de los datos en el papel del modelo teórico hasta que formen una línea
recta
5. Estimación de los parámetros del modelo a partir del gráfico
ln(t) lnln(1/R)
i t F R
x y
1 1.06 0.0673077 0.9326923 0.0582689 -2.663843
2 2.91 0.1634615 0.8365385 1.0681531 -1.723263
3 4.16 0.2596154 0.7403846 1.4255151 -1.202023
4 4.34 0.3557692 0.6442308 1.4678744 -0.821667
5 6.8 0.4519231 0.5480769 1.9169226 -0.508595
6 6.9 0.5480769 0.4519231 1.9315214 -0.230365
7 7.66 0.6442308 0.3557692 2.036012 0.032925
8 11.19 0.7403846 0.2596154 2.4150205 0.2990329
9 14.7 0.8365385 0.1634615 2.6878475 0.5939772
10 18.35 0.9326923 0.0673077 2.9096296 0.9926889
30
Dr. Gustavo Herrera Sánchez
Ejemplo 77
LSXY Estimates-Complete Data
C orrelation C oefficient
Weibull Lognormal
Weibull
99
0.990
90
Lognormal
90
0.973
50
E xponential
P er cent
P er cent
50 *
10 N ormal
0.964
10
1 1
0.1 1 10 1 10 100
C5 C5
E xponential N ormal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
0.1 1 10 100 0 10 20
C5 C5
Con minitab, se obtienen los valores correctos de = 1.34635 y = 8.84824. Con estos
valores ya se puede calcular la probabilidad de la vida del componente.
31
Dr. Gustavo Herrera Sánchez
P er cent
P DF
0.050 M edian 6.73954
IQ R 7.77046
10 F ailure 10
0.025 C ensor 0
A D* 1.334
C orrelation 0.990
0.000 1
0 10 20 30 0.1 1 10
C5 C5
0.15
Rate
50
0.10
0 0.05
0 10 20 30 0 10 20 30
C5 C5
1 −(ln 𝑡−𝜇)2
𝑓(𝑡) = 𝑒𝑥𝑝 [ ] para t > 0
𝑡𝜎√2𝜋 2𝜎2
𝜎2
𝐸(𝑇) = 𝑒𝑥𝑝 [𝜇 + ]
2
𝜎2
𝑉(𝑇) = 𝑒𝑥𝑝2 [𝜇 + ] [exp(𝜎 2 ) − 1]
2
𝑙𝑛𝑡 − 𝜇
𝑅(𝑡) = 𝑃𝑟𝑜𝑏 [𝑧 > ]
𝜎
∅[(𝑙𝑛𝑡 − 𝜇)/𝜎]
ℎ(𝑡) =
𝑡𝜎𝑅(𝑡)
Ejemplo 67. El tiempo en días que funciona un foco sigue una distribución lognormal
con = 2.8 y = 1.85.
32
Dr. Gustavo Herrera Sánchez
Datos:
= 2.8
= 1.85
P = 10%
t = 60 días
Solución
𝑙𝑛𝑡− 𝜇 ln(60)−2.8
a) 𝑅(𝑡) = 𝑃𝑟𝑜𝑏 [𝑧 > ] = [𝑧 > ] = [𝑧 > 0.6996], buscando en tablas el valor
𝜎 1.85
de z, obtenemos que P = 1- P (0.6996) = 0.2421.
b) Se debe encontrar un r tal que P (T < r) = 1 – R(r) = 0.10, entonces F(r) = 0.10,
luego tenemos que buscar una zr tal que su probabilidad acumulada sea 0.10.
entonces
zr = -1.2816.
ln 𝑟−2.8
−1.2816 = 1.85
(−1.2816)(1.85) = ln 𝑟 − 2.8
(−0.42904 = ln 𝑟 ) 𝑒
𝜎2
c) Para la media 𝐸(𝑇) = 𝑒𝑥𝑝 [𝜇 + ]= exp [2.8 + (1.85)2 / 2] = 91.036 días
2
𝜎2
𝑉(𝑇) = 𝑒𝑥𝑝2 [𝜇 + ] [exp(𝜎 2 ) − 1] = exp2 [91.036][exp(1.85)2 – 1 ] = 245689.787
2
= 495.67 días.
Ejemplo 68. Tres componentes deben funcionar para que un sistema simple funcione,
conectado en serie. Las variables aleatorias T1, T2 y T3 que representan el tiempo de
falla para los componentes son independientes. El primer componente tiene como datos
m = 2000 horas y s = 200 horas (distribución normal), segundo componente g = 0, b = 1
33
Dr. Gustavo Herrera Sánchez
34
Dr. Gustavo Herrera Sánchez
Bibliografía
Título del
Autor Año Ciudad País Editorial
Documento
Montgomery, Douglas Diseño y Análisis LIMUSA
(2004) México México
C. de Experimentos WILEY
Probabilidad y
Hines W.W.,
(2002) Estadística para México México CECSA
Montgomery D.C.
Ingeniería
Probabilidad y
Pearson
Miller I., Freud J. E. (2012) Estadística para México México
Educación
Ingenieros
Probabilidad y
Walpole R. E., Myers
estadística para Pearson
R. H., S. L. Myers, Ye (2007) México México
ingeniería y Educación
K.
ciencias
Probabilidad y
estadística para Pearson
Devore, Jay L. (2011) México México
ingeniería en Educación
ciencias
Probabilidad y
Murray Spiegel (2010) México México McGraw-Hill
estadística
Wackerly, Dennis
Estadística
D./Mendenhall, Pearson
(2010) Matemática con México México
Wililiam/Scheaffer Educación
Aplicaciones
Richard L.
35