Especificaciones de la distribucin de vida y estimacin grafica de

sus parmetro
Estimacin por mnimos cuadrados y por mxima verosimilitud

Agero De La Cruz Mario Ivn

Gonzlez Mercado Ana Laura
Jimnez Hernndez Joletl
Tapia Robledo Luis Ricardo

Confiabilidad:
Especificaciones de la distribucin de vida y estimacin grafica de sus
parmetro
Graficas en papel de probabilidad.
Liberalizacin de la funcin de distribucin acumulada.
Estimador se Kaplan-Meier .
Resumen de formulas para graficas .

Estimacin por mnimos cuadrados y por mxima verosimilitud .

Mnimo cuadrados.
Mxima verosimilitud.

Un aspecto fundamental en cualquier estudio de

confiabilidad es identificar cul es la distribucin que
mejor modela el tiempo de falla (o vida) de los
productos.
A continuacin presentamos tcnicas grficas que
sirven para especificar la distribucin de un conjunto de
datos de confiabilidad, y que tambin permiten estimar
los parmetros de la distribucin seleccionada.

f(t)

Especificacin de la distribucin de vida y

estimacin grfica de sus parmetros

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de
sus parmetros
Grficas en papel de probabilidad

Dados los tiempos de falla t(1), t(2),..., t(n) en orden

ascendente, si los tiempos de falla son diferentes, la funcin
F(t) es una funcin escalonada con saltos de magnitud 1/n en
cada tiempo de falla, de modo que al evaluarla en un tiempo t
arbitrario F (t) # de tiempos de falla menores o iguales a t total
de tiempos de falla La funcin

F(t) se obtiene sin suponer algn modelo y es un estimador de

la distribucin de la cual provienen los datos..

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de
sus parmetros
Grficas en papel de probabilidad
En los llamados papeles de probabilidad se grafican las parejas de

puntos (tiempo a la falla, posicin de graficacin) = [t (i), (i 0.5)/n],

donde n es el total de tiempos de falla y t (i) es el i-simo tiempo de
falla. Los valores de (i 0.5)/n se llaman posiciones de graficacin y
resultan de la altura promedio de la funcin de distribucin emprica
entre los tiempos t (i 1) y t (i), como se muestra en la figura 13.9. No
se utilizan los vrtices de la distribucin emprica porque se inducira
un sesgo

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de
sus parmetros
Grficas en papel de probabilidad

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de
sus parmetros
linealizacion de la funcin de distribucin acumulada.

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de sus
parmetros
Estimador de Kaplan-Meier de la funcin de confiabilidad
Una manera de tomar en cuenta la censura al graficar
el papel de probabilidad es utilizar posiciones de
graficacin basadas en un estimador de la funcin de
distribucin emprica que s toma en cuenta ese hecho,
como es el estimador de Kaplan-Meier (KM) de la
funcin de confiabilidad que esta definido por:

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de sus
parmetros
Estimador de Kaplan-Meier de la funcin de confiabilidad

donde f(j) son las unidades que fallan en el j-simo intervalo (tj 1, tj], y n(j)
son las unidades en riesgo justo antes del tiempo j (vase el ejemplo 13.7),
con j = 1, 2, ..., i. Estas unidades en riesgo son iguales al total de unidades
menos las que han fallado hasta antes de ese tiempo, menos las que fueron
censuradas hasta ese tiempo

Confiabilidad:
Especificacin de la distribucin de vida y estimacin grfica de sus
parmetros
Estimador de Kaplan-Meier de la funcin de confiabilidad

es decir:

donde r j denota el nmero de unidades que fueron censuradas en el tiempo t j ;

adems, f(0) = 0

y r 0 = 0. El estimador de Kaplan-Meier toma en cuenta la censura contando las

unidades en riesgo un instante antes del tiempo j

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud

Los mnimos cuadrados (MC) y la verosimilitud(L) corresponden a un grupo

de tcnicas que se especializan en la estimacin de parmetros, siendo los

MC, los mas ampliamente utilizados. Al emplear los MC como tcnica para
estimar parmetros.

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal

Ventajas adicionales

Es objetivo, slo depende de los

resultados experimentales.

Restricciones

Slo sirve para ajustar modelos lineales

Es reproducible, proporciona la
misma ecuacin no importa quin
realice el anlisis.

Requiere tener, al menos, diez

mediciones bajo las mismas
circunstancias experimentales.

Proporciona una estimacin

probabilstica de la ecuacin que
representa a unos datos
experimentales.

Tales resultados deben estar descritos por

una distribucin de probabilidad
conocida. La ms comn es la distribucin
normal o gaussiana.

Proporciona intervalos pequeos de

error.

Se requiere de algn equipo de clculo, de

lo contrario, es muy engorroso.

Definiciones Preliminares
El

mtodo de los mnimos cuadrados nos permite encontrar la

ecuacin de una recta a partir de los datos experimentales.

Es

decir, utilizando solamente las mediciones experimentales se

obtendr la pendiente y la ordenada al origen de la recta que
mejor se ajuste a tales mediciones

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Definiciones Preliminares

AS PUES, SOLAMENTE NOS SIRVE PARA AJUSTAR

MODELOS LINEALES

SI ESTE NO ES EL CASO, SE DEBE BUSCAR OTRO MTODO DE AJUSTE

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Definiciones Preliminares
El mtodo de los mnimos cuadrados se calcula en base al

siguiente
CRITERIO

La distancia del punto experimental a la mejor recta es mnima.

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal.
Resolucin mtodo mnimo cuadrados.
y

DIBUJAMOS
UNOS EJES
DE COORDENADAS

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Definiciones Preliminares
y

+
+

GRAFICAMOS
LOS PUNTOS
EXPERIMENTALES

+
+
+

+
+
+

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Definiciones Preliminares
y

TRAZA-MOS
LA MEJOR
RECTA DE
TAL MANERA
QUE:

L
+
+
+
+
+

+
+
+

GRFICAMENTE
CRITERIO: La
distancia, y, del
punto
experimental a la
mejor recta, L,
es mnima.

L
+
+
+
y

y = yi y(xi)
+

+
+

GRFICAMENTE
y

CRITERIO: La
distancia, y, del
punto experimental
a la mejor recta,
L, es mnima.

L
+
+

Para todos los puntos

+
y
yi

y = yi y(xi)
+

y(xi)

y = yi (mxi + b)

+
+

xi

GRFICAMENTE
y

CRITERIO: La
distancia, y, del
punto experimental a
la mejor recta, L, es
mnima.

L
+
+

Esta distancia se
tomar al cuadrado.

+
y
yi

y = yi y(xi)
+

y(xi)

y = yi (mxi + b)

+
+

y2 =[ yi (mxi + b)]2... Ec. 1

0

xi

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Calculando los valores de la pendiente, m, y de la ordenada, b.
Al efectuar la minimizacin de la ecuacin uno respecto a todos
los puntos experimentales bajo el criterio de los mnimos cuadrados,
el procedimiento nos arroja el valor de la pendiente con su error
m

n x i y i x i y i
n x x i
2
i

Sm S y

Sy

n x x i

2
i

y mx
i

n-2

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Calculando los valores de la pendiente, m, y de la ordenada, b.
Al efectuar la minimizacin de la ecuacin uno respecto a
todos los puntos experimentales bajo el criterio de los mnimos
cuadrados, el procedimiento nos arroja el valor de la pendiente
con su error, y de la ordenada al origen
m

n x i y i x i y i
n x x i

2
i

2
x
i yi x i x i yi

n x x i
2
i

Sm S y

Sy

n x i2 x i

m
x

b
i
i

n-2

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Calculando los valores de la pendiente, m, y de la ordenada, b.
Al efectuar la minimizacin de la ecuacin uno respecto a todos los
puntos experimentales bajo el criterio de los mnimos cuadrados, el
procedimiento nos arroja el valor de la pendiente con su error, y de la
ordenada al origen con su error; de la mejor recta:
m

n x i y i x i y i
n x i2 x i

x y x x y
n x x
2
i

2
i

Sm S y

Sb S y

Sy

n x x i

2
i

x
n x x
2
i

2
i

y mx
i

n-2

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Escribiendo la ecuacin del modelo
AL OBTENER LOS VALORES DE LA PENDIENTE Y DE LA
ORDENADA AL ORIGEN, PODEMOS ENTONCES ESCRIBIR LA
ECUACIN DE LA RECTA EN LA FORMA USUAL:

VD = pendiente VI + ord. al origen

y = (m Sm) x + (b Sb); donde la y est en las

unidades u, y la x est en las
unidades u.
Al reportar de esta manera, conocemos la ecuacin del modelo con un
68% de probabilidad asumiendo que los resultados se distriubuyen
normalmente

oo
oo
oo

Confiabilidad:
Estimacin por mnimos cuadrados y por mxima verosimilitud
Mnimos cuadrados o regresin lineal
Ejemplo.
Se tomaron diferentes valores de masa y volumen de agua para determinar
su relacin, y la densidad del agua. Se control la masa obtenindose los
siguientes resultados:
#/CANT.

M, 0.1, g

V, 0.6, ml

10

9.9

15

15.3

20

19.8

25

25.2

30

29.9

35

35.3

40

39.8

45

45.2

50

49.9

10

55

55.1

EJEMPLO
SE TOMARON DIFERENTES VALORES DE MASA Y VOLUMEN
DE AGUA PARA DETERMINAR SU RELACIN, Y LA
DENSIDAD DEL AGUA. SE CONTROL LA MASA
OBTENINDOSE LOS SIGUIENTES RESULTADOS:
#/CANT.

M, 0.1, g

V, 0.6, ml

10

9.9

15

15.3

20

19.8

25

25.2

30

29.9

35

35.3

40

39.8

45

45.2

50

49.9

10

55

55.1

Se desea encontrar la
ecuacin que ajusta estos
datos utilizando el mtodo de
los Mnimos Cuadrados y
Determinar el valor de la
densidad del agua.

EJEMPLO
Utilizando una hoja de clculo obtenemos:
La pendiente:
m = 1.000 0.005 g/ml.
La ordenada al origen:

b = 0.032 0.167 g.

La ecuacin ser:
M = (1.000 0.005) V + (0.0 0.2),
donde M est en g, y V est en ml.
Comparando los modelos terico y experimental, sabemos que la densidad es el
inverso de la pendiente: = 1/m. Calculando obtenemos:
2
2

x x Smx xSmy
2
y y y y

2
2
1 1
0 (1)(0.005)
1.000 0.005 g / ml


2
m 1.000
1
(
1
)

EJEMPLO
Utilizando una hoja de clculo obtenemos:
La pendiente:

m = 1.000 0.005 g/ml.

La ordenada al origen:

b = 0.032 0.167 g.

La ecuacin ser:
M = (1.000 0.005) V + (0.0 0.2),
donde M est en g, y V est en ml.
Comparando los modelos terico y experimental, sabemos que la densidad es el
inverso de la pendiente: = 1/m. Calculando obtenemos:

x x

y y

S mx

x S my
2
y

2
2

1
1
0 (1)(0.005)
1.000 0.005 g / ml


2
m 1.000
1 (1)

As pues, la densidad ser: = 1.000 0.005 g/ml.