Cálculo de los parámetros de la distribución de Weibull

El presente artículo presenta, paso a paso, el método de los Mínimos Cuadrados para calcular los parámetros de forma y escala de la distribución de Weibull. Para el cálculo del parámetro de localización se emplea el complemento Solver de Excel. También se presentan dos ecuaciones para calcular el estimador Rango de mediana (ecuaciones 5 y 6), siendo esta última una forma aproximada y la que generalmente se usa en la literatura técnica. Ya que la ecuación (5) es más exacta, ésta es la que se emplea; para ello, y debido a su complejidad, se presenta el código fuente — en el lenguaje VBA (Visual Basic para Aplicaciones) — para crear una función definida por el usuario en Excel. Igualmente se usan las funciones PENDIENTE e INTERSECCIÓN.EJE, de Excel, para calcular la pendiente y el intercepto de la línea de regresión.

Introducción

La distribución de Weibull es una distribución continua y triparamétrica, es decir, está completamente definida por tres parámetros y es la más empleada en el campo de la confiabilidad.

A pesar de la popularidad de esta distribución, en la revisión bibliográfica efectuada, la mayoría de los artículos y literatura técnica consultados se remiten a una distribución biparamétrica y, más aún, los ejemplos allí desarrollados presentan como datos conocidos los dos parámetros, generándose, así, las siguientes preguntas: ¿Cómo se calculan los parámetros? y ¿por qué se omite el cálculo del tercer parámetro? El tercer parámetro es el parámetro de localización, es decir, el parámetro que localiza la abscisa a partir del cual se inicia la distribución.

El objetivo del presente artículo es responder a las dos preguntas anteriores, presentando una de las cinco metodologías — analíticas — existentes para el cálculo de los parámetros y algunos criterios para determinar si es necesario tener en cuenta el tercer parámetro.

El método que se presenta es el método de los Mínimos Cuadrados, por tres razones: la primera, es un método simple y expedito de aplicar; la segunda, la gráfica de los datos sirven como una prueba de bondad de ajuste de la distribución y, la tercera, da un indicio sobre si se debe calcular o no el parámetro de localización.

Para una metodología gráfica, la cual hace uso del papel especial llamado papel de probabilidad de Weibull, véanse las referencias.

Expresión matemática de la distribución

La función de densidad de la distribución de Weibull para la variable aleatoria t está dada por la siguiente expresión:

El parámetro beta, como su nombre indica, determina la forma — o perfil— de la distribución, la cual es función del valor de éste.

El parámetro theta indica la escala de la distribución, es decir, muestra que tan aguda o plana es la función.

El parámetro delta indica, en el tiempo, el momento a partir del cual se genera la distribución.

Una distribución biparamétrica está completamente definida por los parámetros de forma y de escala.

La función confiabilidad R (t) de Weibull se determina por la siguiente expresión:

La función distribución acumulativa F (t) es el complemento de la función confiabilidad y se define de la siguiente manera:

De la expresión anterior, se concluye que la función distribución acumulativa se puede interpretar como la probabilidad de falla.

La relación entre la función confiabilidad y la función probabilidad de falla se muestra en la figura 1.

Figura 1. Relación entre la función confiabilidad y la función probabilidad de falla.
Figura 1. Relación entre la función confiabilidad y la función probabilidad de falla.

Determinación de los parámetros por el método de los mínimos cuadrados

Como se mencionó en el numeral uno, existen cinco métodos para calcular los parámetros de la distribución de Weibull. Ellos son:

  • Mínimos cuadrados.
  • Gráfico de la función tasa de falla.
  • Máxima similitud.
  • Estimación de momentos.
  • Estimadores lineales.

Para ilustrar el método de los mínimos cuadrados, se desarrollará paso a paso un ejemplo.

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 (ecuación 3). El cálculo del parámetro de localización es más complejo, empleándose para ello rutinas de cálculo, como el programa Solver de Excel.

La transformación doble logarítmica permite transformar la función de distribución acumulativa en una ecuación lineal de regresión.

La expresión (*) representa una ecuación lineal de la forma:

La cual es una recta de regresión, con:

De la expresión (**) se concluye que el parámetro de forma, β, es la pendiente de la recta de regresión.

De la expresión (***) se observa que el parámetro de escala, θ, está en función del intercepto b de la recta de regresión y del parámetro de escala; por lo tanto:

Definición de logaritmo:

Rango de mediana

Para poder trazar la recta de regresión, se debe calcular un estimador para la función de distribución acumulativa F(x). Este estimador, llamado Rango de mediana, es un estimador no paramétrico basado en el orden de las fallas. Este aspecto implica que la muestra de datos se debe organizar de menor a mayor (en forma ascendente). La expresión matemática para este estimador es:

Dada la complejidad de la ecuación (5), generalmente el rango de mediana se aproxima mediante la ecuación de Bernard, exacta dentro de 0.005 [1]:

Dado que la ecuación (5) es más exacta, en los cálculos se empleará ésta. Para facilitar su empleo, a continuación se presenta el código fuente para crear una función definida por el usuario en Excel.

Para crear la función, síganse los siguientes pasos:

  • Abra Excel.
  • Hágase la combinación de teclas Alt +F11.

Esta acción abrirá el editor de Visual Basic.

  • En el menú insertar de VB, selecciónese la opción Módulo.
  • En el panel derecho, cópiese el siguiente código fuente:
  • Hágase clic en guardar del menú Archivo del editor de VB para guardar la función.
  • Hágase clic en Cerrar y volver a Excel del editor de VB. Esta acción cierra el editor de VB.
  • Para usar la función creada, selecciónese Función del menú Insertar de Excel. Se abre la ventana Insertar función.
  • En la ventana Insertar función, en la lista desplegable O seleccionar una categoría, selecciónese la categoría Definidas por el usuario.
  • En el cuadro de lista Seleccionar una función, hágase clic en RangoMediana.
  • Hágase clic en el botón Aceptar.
  • En la ventana Argumentos de función, digítese los valores de los argumentos. Téngase en cuenta que el valor del argumento alfa siempre es 0.5.

Pasos

A continuación se presenta la secuencia que se debe seguir en la aplicación del método de los Mínimos Cuadrados.

Paso 1

Asuma δ (parámetro de localización) igual cero y ordene los datos de menor a mayor. El criterio de ordenación debe ser el tiempo entre fallas. Véase la tabla 1.

Tabla 1. Historial de paros.
Tabla 1. Historial de paros.

Paso 2

Calcule el rango de mediana para cada observación usando la ecuación (5) ó (6). En nuestro caso se usará la ecuación (5), empleando la función definida por el usuario RangoMediana. Véase la figura 2.

Figura 2. Cálculo del rango de mediana.
Figura 2. Cálculo del rango de mediana.

Los argumentos de la función RangoMediana toman los siguientes valores:

Alfa=0.5; n=140 (total de puntos de la muestra); i= toma el valor indicado en la columna A. Los valores calculados se muestran en la tabla 2.

Tabla 2. Valores del rango de mediana.
Tabla 2. Valores del rango de mediana.

Paso 3

Calcule el logaritmo natural del tiempo entre fallas para cada observación. Véase la figura 3.

Figura 3. Cálculo de la abscisa x.
Figura 3. Cálculo de la abscisa x.

Obsérvese que en la función LN(número) de la columna D, el parámetro de localización, el cual se obtiene de la celda L8, vale cero. Esto es importante, ya que la celda que contiene el parámetro de localización será la celda cambiante de Solver, en el caso que sea necesario calcular este parámetro. Los valores de la abscisa x se muestran en la tabla 3.

Tabla 3. Valores de la abscisa x de la recta de regresión.
Tabla 3. Valores de la abscisa x de la recta de regresión.

Paso 4

Calcule el valor de la ordenada y, es decir, el logaritmo del logaritmo del inverso de uno menos el rango de mediana para cada uno de las observaciones de la muestra. Véase la figura 4.

Figura 4. Cálculo de la ordenada y.
Figura 4. Cálculo de la ordenada y.

Obsérvese la anidación de la función logaritmo. El valor del rango de mediana se obtiene de los datos calculados en la columna C. Los valores de la ordenada y se muestran en la tabla 4.

Tabla 4. Valores de la ordenada y de la recta de regresión.
Tabla 4. Valores de la ordenada y de la recta de regresión.

Paso 5

Genere un gráfico con los datos de las columna D y E.

Figura 5. Trazado de la recta de regresión con δ=0
Figura 5. Trazado de la recta de regresión con δ=0

Al trazar estos puntos, se genera la recta de regresión. Para ello selecciónese Gráfico del menú Insertar de Excel; aparece la ventana Asistente para gráficos. En ésta, escójase la opción XY (Dispersión) en la lista Tipo de gráfico y síganse las instrucciones en pantalla. Véase la figura 5.

Para hallar la ecuación de la recta de regresión, empléense las funciones: PENDIENTE (conocido_y; conocido_x) donde: conocido_y son los valores dependientes (valores de la columna E) y conocido_x son los valores independientes (valores de la columna D) para estimar la pendiente de la recta; INTERSECCIÓN.EJE (conocido_y; conocido_x) para estimar el intercepto de la recta. Para determinar el grado de correlación lineal de los puntos, empléense las funciones: PEARSON (matriz1; matriz2) donde matriz 1 son los valores dependientes (columna E) y matriz2 son los valores independientes (columna D). Esta función devuelve el coeficiente de correlación r. COEFICIENTE.R2 (conocido_y; conocido_x) devuelve el cuadrado del coeficiente de correlación. Estos valores, en sí, representan una especie de prueba de bondad de ajuste de la recta de regresión. El coeficiente de correlación está indicando que tan fuerte o débil es la relación lineal entre los datos; si este valor es más cercano a uno, hay una fuerte dependencia lineal. Por otro lado, el coeficiente de determinación, r2, está indicando el porcentaje de los puntos que están relacionados linealmente.

Aplicando las anteriores funciones de Excel, se obtiene la siguiente recta de regresión:

De donde:

El coeficiente de correlación, r, indica que hay una excelente relación (dependencia) lineal de los datos, ya que su valor está muy próximo a uno. El coeficiente de determinación, r2, indica que el 94.64% de los datos están relacionados linealmente. En conclusión, estos valores indican que la muestra se comporta conforme a la función de densidad de Weibull.

Paso 6

Estime el valor del parámetro de forma y de escala. Dado que el parámetro de forma es la pendiente de la recta de regresión, de la ecuación (7) se obtiene:

De la ecuación (4), numeral 3.1, se obtiene el valor del parámetro de escala:

Consideraciones sobre el parámetro de localización

Las siguientes consideraciones se deben tener en cuanta al momento de analizar un parámetro de localización diferente de cero.

a) Si al graficar los puntos de la muestra aparece una cola de puntos hacia arriba o hacia abajo, es un indicativo de que el parámetro de localización debe ser calculado.

b) Una cola hacia abajo o una reducción súbita de la pendiente son indicativos de que un parámetro de localización positivo está presente. Véase la figura 5.

c) Una cola hacia arriba o un incremento súbito de la pendiente son indicativos de que un parámetro de localización negativo está presente. Este punto está de acuerdo con el intervalo de validez de δ. Véase el numeral 2. Un parámetro de localización negativo se presenta cuando hay unidades con fallas en servicio, o unidades en servicio con defectos que causarán fallas. Ejemplos:

  • Defectos originados durante el ensamble.
  • Defectos originados durante el transporte.
  • Defectos originados durante la instalación o montaje.
  • Defectos originados durante el almacenamiento.

d) Valores grandes del parámetro de forma (β>10) son otro indicativo de que el parámetro de localización debe ser calculado.

Teniendo en cuanta las consideraciones anteriores, y analizando la figura 5, se procederá a calcular el parámetro de localización.

Cálculo del parámetro de localización δ

Para el cálculo del parámetro δ se usará el complemento Solver de Excel, ya que debe ser determinado por ensayo y error.

Para empezar, se debe definir la celda cambiante que, como se mencionó en el paso 3 del numeral 3.3, debe ser la celda donde se asignó el valor cero. Esta celda debe estar involucrada en una función. Véase la figura 3.

El mejor estimador de δ es el valor de δ que proporcione el mejor ajuste de la línea de regresión de los datos muéstrales. El coeficiente de determinación, r2, proporciona esta medida , ya que éste mide la cantidad de puntos que están relacionados linealmente y, por lo tanto, la celda que contenga este valor será la celda objetivo a maximizar — pues el objetivo es mejorar el ajuste de la recta de regresión—. Para iniciar el cálculo se debe indicar al programa un punto de inicio, o punto semilla, en la celda cambiante. El mejor valor de inicio de δ es un valor ligeramente inferior al valor más bajo del tiempo entre fallas de la muestra. Para el ejemplo, el punto semilla sería 0.166 (es ligeramente inferior al valor más bajo del tiempo entre fallas de la muestra, el cual corresponde al dato de orden uno —0.167—. Véase la tabla 1). Este constituye la restricción en Solver. Véase la figura 6.

Es importante tener en cuenta que la celda objetivo debe contener una formula que relacione directa o indirectamente el valor de la celda cambiante. Para el ejemplo la formula sería COEFICIENTE.R2 (E3:E142, D3:D142). Obsérvese que el rango del segundo argumento involucra la celda cambiante L8. Véase la figura 3.

Al hacer clic en el botón Resolver de la ventana Parámetros de Solver, el programa genera la solución 0.161, siendo este el valor del parámetro de localización, y el coeficiente de correlación se maximiza a 0.9886; es decir, al tener en cuenta el parámetro de localización se mejora el ajuste de la recta de regresión. De igual manera, los parámetros de forma y escala, y los valores de las abscisas (Xi) y ordenadas (Yi) se actualizan. Véase la figura 7.

Para que los valores se actualicen automáticamente, éstos deben estar relacionados por fórmulas, tal y como se muestra en la figura 8.

Nótese que el valor del parámetro de localización es positivo, corroborando lo dicho en la parte b) del numeral 3.4. La figura 9 muestra el trazo de la nueva recta de regresión, siendo notable la agrupación de los puntos en forma de línea. Comparece esta figura con la figura 5.

Figura 6. Parámetros de Solver.
Figura 6. Parámetros de Solver.
Figura 7. Parámetro de localización por Solver.
Figura 7. Parámetro de localización por Solver.
Figura 8. Fórmulas en Excel para calcular los parámetros.
Figura 8. Fórmulas en Excel para calcular los parámetros.

En la figura 10 se muestra el gráfico de la función de densidad de Weibull para los parámetros calculados. Reemplazándolos en la ecuación (1) se obtiene la siguiente ecuación:

Figura 9. Trazado de la recta de regresión con δ=0.161
Figura 9. Trazado de la recta de regresión con δ=0.161
Figura 10. Gráfico de la función densidad para los parámetros calculados.
Figura 10. Gráfico de la función densidad para los parámetros calculados.

Conclusiones

  1. El método de los mínimos cuadrados facilita el cálculo de los parámetros de la distribución de Weibull cuando se emplean programas informáticos como Excel.
  2. El análisis del gráfico de la recta de regresión sirve de criterio para determinar si es necesario calcular el parámetro de localización.
  3. El parámetro de localización tiene un gran efecto en la recta de regresión; sin embargo, se debe analizar concienzudamente si un δ diferente de cero es necesario.
  4. El coeficiente de correlación, r, y el coeficiente de determinación, r2, se constituyen en una prueba de bondad de ajuste para la distribución de Weibull.

Autor: Luis Hernando Palacio Palacio
Ingeniero Mecánico
Colombia

1 Comentario

  1. ralvarezc

    Excelente explicación

    Responder

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Edición 29 Predictiva21

ver todas las ediciones

Suscríbete a Predictiva21

Síguenos en Linkedin

Sistemas de Indicadores (KPI) para Evaluar la Gestión del Mantenimiento

  • Sistemas de medición del desempeño en mantenimiento
  • Balanced scorecard y la gestión de mantenimiento
  • Indicadores técnicos de mantenimiento
  • Overall equipment effectiveness (OEE) y el mantenimiento
  • Indicadores de la SMRP y de la EFNMS- en 15341
  • Sistema jerárquico-funcional de indicadores para mantenimiento

Taller de Análisis de Criticidad (Detección de Oportunidades)

  • Fundamentos del Análisis de Criticidad
  • Pasos para la realización de un Análisis de Criticidad
  • Modelos Cuantitativos
  • Modelos Cualitativos
  • Modelos Probabilisticos
  • Selección de Matriz de Criticidad

Fundamentos Técnicos de Tribología y Lubricación

  • Conocer los fundamentos de tribología y lubricación, así como su uso y aplicación.
  • Importancia de la Lubricación para mejorar la confiabilidad en los procesos.
  • Conocer características de los diferentes productos empleados en lubricación y criterios de uso.
  • Conocimientos para facilitar un proceso de cambio en el enfoque de mantenimiento.
  • Identificar el vinculo Mantenimiento-Lubricación-Diseño.
  • Identificar que una adecuada Lubricación contribuye en ahorrar energía y reduce costos.

Auto Evaluación de Mantenimiento

  • Formación del Comité de Análisis y Diagnostico.
  • Establecimiento de parámetros para evaluar el mantenimiento.
  • Elaboración y aplicación de cuestionarios.
  • Principios y reglas de investigación eficaz.
  • Grado de madurez del área de mantenimiento.
  • Establecimiento da la Matriz de Esfuerzos versus Impacto.

Análisis de Costo de Ciclo de Vida LCC

  • Comprender la teoría del Análisis del Costo del Ciclo de Vida acorde a las normas ISO 15663 y UNE EN 60300-3-3 para la selección de alternativas económicas.
  • Evaluar el impacto económico de la Confiabilidad y de la Mantenibilidad en los costos de ciclo de vida de un equipo industrial.
  • Identificar los puntos de atención, barreras y debilidades relacionados con la utilización de las técnicas de Análisis del Costo del Ciclo de Vida y Evaluación Costo Riesgo Beneficio.
  • Determinar la Vida Útil Económica para decidir cuándo es el momento oportuno para reemplazar un activo físico instalado en una planta industrial.

Gestión y Optimización de Inventarios para Mantenimiento

  • Aspectos claves en gestión de inventarios
  • Clasificación de inventarios en mantenimiento
  • Análisis de Criticidad jerarquización de repuestos
  • Cantidad económica de Pedido
  • Indicadores en la Gestión de Inventarios

Generación de Planes Óptimos de Mantenimiento Centrado en Confiabilidad RCM

  • Fundamentos del MCC
  • Desarrollo del MCC
  • Beneficios del MCC
  • Desarrollo del AMEF
  • Generación de Planes de Mantenimiento

Planificación, Programación y Costos de Mantenimiento

  • Modelo de la Gestión de Mantenimiento
  • Sistemas indicadores de la Gestión
  • Planificación del Mantenimiento
  • El sistema de Orden de Trabajo
  • Análisis de Mantenibilidad
  • Programación del Mantenimiento

Técnicas de Análisis de Fallas y Solución de Problemas a través del Análisis de Causa Raíz RCA

  • Fundamentos del falla
  • Modos de falla
  • Tipos de falla
  • Análisis Causa Raiz
  • Tipos de ACR
  • Aplicación de ACR con Árbol Logico
  • Jerarquización de Problemas
  • Desarollo de Hipótesis
  • Evaluación de resultados

Análisis de Confiabilidad, Disponibilidad y Mantenibilidad (RAM)

  • Definiciones y conceptos.
  • Relación de un análisis RAM con la vida del activo.
  • Información requerida para realizar un análisis RAM.
  • Etapas para efectuar un análisis RAM.
  • Construcción del modelo en el análisis RAM.
  • Ajuste de distribuciones de probabilidad.
  • Incorporación de la opinión de experto.
  • Combinación de fuentes (Teorema de Bayes).
  • Simulación Montecarlo.
  • Análisis de Resultados.
  • Jerarquización de activos según criticidad.

Mantenimiento Productivo Total (TPM)

  • Evolución del mantenimiento.
  • Objetivos del TPM.
  • Eficiencia operacional global.
  • Pilares de sustentación del TPM.
  • Implementación del TPM.
  • Evaluación de la eficacia de los equipos.
  • Control administrativo (Las 5 S – housekeepig).

Introducción a la Confiabilidad Operacional

  • Los fundamentos de confiabilidad, así como su uso y aplicación.
  • Visión de Confiabilidad Operacional como estrategia para mejorar la confiabilidad en los procesos
  • Conocimientos para facilitar un proceso de cambio del enfoque de mantenimiento hacia un enfoque de Confiabilidad Operacional, que apunta hacia la reducción sistemática en la ocurrencia de fallas o eventos no deseados en los Sistemas.
  • Obtener criterios para aplicar la estrategia de Confiabilidad Operacional.
  • El diseño de estrategias y la selección de acciones técnicamente factibles y económicamente rentables en minimizar la ocurrencia de fallas.

Mantenimiento por Condición para Equipos Estáticos y Dinámicos (Mantenimiento Predictivo)

  • Mantenimiento por monitoreo de condición
  • Estimación de intervalos P-F
  • Costo riesgo beneficio
  • Planes de Monitoreo de Condición

Mantenibilidad y soporte a la Confiabilidad Operacional

  • Conocer conceptos que soportan el enfoque de Mantenibilidad.
  • Importancia de la Mantenibilidad para mejorar la confiabilidad en los procesos.
  • Entender y comprender los factores que influyen y afectan la Mantenibilidad en las operaciones.
  • Diferenciar función y funcionalidad para aplicar mejoras.
  • Identificar que una adecuada valoración de Mantenibilidad permite aumentar la rentabilidad.
  • Identificar el vinculo Mantenibilidad-Disponibilidad.
  • Mantenibilidad y los factores: personales, condicionales, del entorno organizacional y ambientales.

Análisis de Vibración Nivel I

  • Fundamentos de las vibraciones Mecánicas
  • Características de la vibración
  • Tipos de medición de vibración
  • Posición para medir vibración
  • Sistemas de monitoreo continuo y portátiles de vibración
  • Criterios para la selección de un sistema de medición y/o protección de vibración

Aplicación de la Norma ISO 14224 en sistemas CMMS para gestión de Activos

  • Protocolos para definición del Plan de Mantenimiento
  • Plan de Mantenimiento
  • Estándar Internacional ISO-14224
  • Sistemas de información para Gestión de Mantenimiento – CMMS
  • Administración de información de mantenimiento.
  • Limites jerárquicos de los equipos
  • Equivalencia taxonómica SAP-PM e ISO-14224.

Estándares de Planeamiento y Control de Mantenimiento

  • Formación del Comité de Análisis y Diagnostico.
  • Establecimiento de parámetros para evaluar el mantenimiento.
  • Elaboración y aplicación de cuestionarios.
  • Principios y reglas de investigación eficaz.
  • Grado de madurez del área de mantenimiento.
  • Establecimiento da la Matriz de Esfuerzos versus Impacto.

Administración del Mantenimiento

  • Identificación de los Activos.
  • Planificación y programación de mantenimiento
  • Plan / Programa maestro de mantenimiento
  • Las órdenes de trabajo, su evolución y metodologías de generación y recolección de registros
  • Los registros de materiales
  • Recolección de Datos de Mantenimiento

Gestión de Mantenimiento

  • Identificación de los Activos.
  • Planificación y programación de mantenimiento
  • Plan / Programa maestro de mantenimiento
  • Las órdenes de trabajo, su evolución y metodologías de generación y recolección de registros
  • Los registros de materiales
  • Recolección de Datos de Mantenimiento