UN MODELO DE ESTUDIO PARA DEFINIR NIVELES DE CONFIABILIDAD EN UNA LÍNEA DE PRODUCCION.

Tamaño: px
Comenzar la demostración a partir de la página:

Download "UN MODELO DE ESTUDIO PARA DEFINIR NIVELES DE CONFIABILIDAD EN UNA LÍNEA DE PRODUCCION."

Transcripción

1 FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA MECANICA UN MODELO DE ESTUDIO PARA DEFINIR NIVELES DE CONFIABILIDAD EN UNA LÍNEA DE PRODUCCION. FERNANDO ESPINOSA FUENTES

2 INTRODUCCION. U sistema productivo icluye u cojuto de máquias ejecutado diferetes operacioes, todas ellas relacioadas etre sí por el flujo de productos e distitas etapas de elaboració. Debido a este exo es que la deteció de ua de las máquias repercute, e distitos grados, e forma egativa e todo el sistema de producció. Cuado la tasa de producció es crítica, para cumplir co los requerimietos del demadate de los servicios o bie para respoder a ecesidades estacioales, estudiar la alterativa de ivertir e mejoras del equipo o de la líea de producció para aumetar la cofiabilidad del sistema productivo pasa a ser u tema relevate para el tomador de decisioes. El modelo que se platea etrega u procedimieto para el estudio, aálisis y simulació de diferetes alterativas de arquitectura de los equipos y del layout de la plata, que facilite la toma de decisioes sobre la itroducció de mejoramietos e la máquia y/o líea, basado e la relació beeficio-costo CONFIABILIDAD. Se defie la cofiabilidad de u equipo o ítem como la probabilidad de que fucioe detro de límites dados al meos durate u período determiado e codicioes ambietales específicas. E geeral, se supoe que, salvo si se efectúa ua reparació o u reemplazo, el desempeño o fucioamieto adecuado e el tiempo t implica u bue fucioamieto durate el itervalo. Fució estructural de u sistema. U sistema se puede dividir e compoetes (subsistemas). El desempeño de cada compoete se puede deotar por ua variable aleatoria, X i =1 si el compoete fucioa satisfactoriamete durate el tiempo deseado, y X i =0 si el compoete falla durate este tiempo. E geeral, etoces, X i, es ua variable aleatoria biaria defiida por : X i = 1 si el fucioamieto del compoete es satisfactorio durate el itervalo [0,t ]. 0 si el compoete falla durate el itervalo [ 0,t ]. La fució de estructura de u sistema que cotiee compoetes es ua variable aleatoria biaria que toma el valor 0 ó 1. Más aú, la cofiabilidad (R) de este sistema se puede expresar como: { ( ) } R = P φ X 1, X 2,..., X = 1 (2.1)

3 A meos que se especifique lo cotrario, se supodrá que los fucioamietos de los compoetes so idepedietes. Por tato, la distribució de probabilidad de la variable aleatoria biaria X i se puede defiir como: { } P X i = 1 = p (2.2) i { } P X = 0 = 1 p i i Etoces, para sistemas cuyas compoetes so idepedietes, la cofiabilidad se covierte e ua fució de p; es decir: ( ) R = R p1, p2,..., p (2.3) ANALISIS DE MODOS DE FALLAS. El aálisis de los modos de falla es u proceso iductivo, dode el pricipio fudametal es aalizar para cada compoete las cosecuecias de los errores que puede allí producirse, de forma de idetificar de maera sistemática el cojuto de modos de fallas de ese compoete, así como las cosecuecias de esas fallas a ivel del sistema. Costruyedo u diagrama de bloques fucioal de la operació del equipo, se le agrega las iteraccioes e iterdepedecias de las etidades fucioales e detalle y se idica todas las iterfaces del sistema. Para este efecto, es útil emplear la metodología del aálisis del árbol de falla. Este aálisis geeralmete se apoya e la estructura fucioal del sistema, lo que permite despreder las evetuales debilidades de la arquitectura o diseño frete a la seguridad (e el setido de la iocuidad). Puede ser utilizado e todos los iveles del diseño o descomposició del equipo e estudio, pero es recomedable aplicarlo durate toda la vida operacioal, para teer e cueta los cambios realizados e la estructura operacioal del equipo, a fi de miimizar los costos de todas estas modificacioes. Las causas o fuetes de fallas, se idetifica a partir del estudio de: Las restriccioes: cómo ifluye e el comportamieto del susbsistema las restriccioes impuestas al fucioamieto, e especial lo relacioado co los flujos de etrada y salida, y que puede geerar fallas a causa de icompatibilidades. Los dispositivos: cómo ifluye la idoeidad del dispositivo co respecto a la fució que debe cumplir, tomado e cueta la calidad, oportuidad y seguridad de éstos. Las características del etoro: cómo ifluye el medio ambiete sobre la vida útil del dispositivo y los posibles errores e el maejo del dispositivo. Estas fuetes, por separado o e cojuto, geera efectos al ivel de fucioes y de prestacioes, los cuales debe explicitarse co el fi de proveer las facilidades correspodietes,

4 para miimizar sus efectos e u marco de optimizació de los recursos. El bloque de costrucció básico del AMF es el mostrado e la figura 2.1. ARBOL FUNCIONAL FUNCIONES PRESTACIONES SERVICIOS ACCIONES MODOS DE LA FALLA EFECTOS DE LA FALLA RESTRICCIONES DISPOSITIVOS PARTES MATERIALES CAUSA DE LA FALLA CARACTERISTICAS DEL ENTORNO Fig. 2.1: Bloque básico para el aálisis de los modos de falla y criticidad. El AMF se cofeccioa a partir de las diferetes fucioes a satisfacer. Los modos de fallas se aaliza y se poe e evidecia e la ivestigació de los evetos que puede coducir a la ausecia, la pérdida, la degradació o la decliació itempestiva de la fució cosiderada. El pricipio geeral de la aplicació de la metodología del AMF cosiste, después de realizar u recueto de los diversos modos de fallas sobre la base de la descripció fucioal o estructural del sistema, para u elemeto e particular y para el cojuto e su totalidad, e detallar e u cuadro para cada modo de falla de cada compoete : Sus causas posibles. Su efecto: el cual puede actuar simplemete sobre el comportamieto del compoete (efecto local) o propagarse hasta otro ivel (efecto grado ). Los medios de detecció usados. Las accioes correctoras que se poe e marcha, e particular cuado se preseta la falla de u modo catastrófico. La criticidad del modo de falla: este aspecto está relacioado co el aálisis de criticidad. Cuado se realiza e cojuto co el aálisis de falla, a este método se le deomia AMFYC (aálisis de los modos de falla y su criticidad).

5 Cuado se itera la aplicació del método sobre u sub-sistema, se puede revelar la omisió de ciertos modos de falla del compoete que forma parte. E efecto, los modos de falla del compoete de ivel superior aparece ahora como ua combiació de los modos de falla de los subsistemas. E particular, los modos de falla de los subsistemas que tiee efectos globales debe ecesariamete correspoder a los modos de falla de los compoetes de ivel superior. Los atecedetes resultates de AMF so útiles para el diseño, e la guía de ciertas seleccioes y para permitir la detecció (y modificació) de todas las posibles laguas del diseño. Además, este aálisis permite, e cierta forma, validar la cofiabilidad requerida del equipo, ya que idetifica los putos críticos que debe ser verificados más a meudo y así mateer su fucioamieto cotiuo. Para el desarrollo ormal del mateimieto, etrega pautas de trabajo ya que asocia ua causa a u modo ormal de falla del compoete. El método de falla se iicia e el ivel superior seleccioado y se debe proceder a través de los distitos iveles iferiores, hasta llegar al detalle plateado como subsistema termial. La evaluació de las iterdepedecias se realiza a partir del ivel iferior, el más desagregado, y se va subiedo e el orde jerárquico aglutiado subsistemas hasta llegar al primer ivel, o sea el equipo e su totalidad. El esquema geerado se muestra e la figura 2.2. El ivel de detalle co que se desarrolla este aálisis es iflueciado por la experiecia previa. U ivel bajo de detalles se puede justificar para u subsistema que tiee u bue registro de cofiabilidad. Al cotrario, u alto ivel de detalle es recomedable para u subsistema que tiee u historial de cofiabilidad cuestioable o para u diseño que aú o ha sido probado. XXXX Sistema o Equipo XXXX Subsistem a XXXX Subsistema XXXX Subsistema Parte Parte Fució Parte Parte fució prob. cofiabilidad fució prob. cofiabilidad fució prob. cofiabilidad fució prob. cofiabilidad Fig. 2.2: Diagrama de jerarquizació de los subsistemas y sus relacioes de falla.

6 La simbología de los elemetos mostrados e el árbol tiee el siguiete sigificado (ver figura 2.3: fució Item primario cuyas causas o se ha desarrollado por cualquier razó (falta de iformació, falta de iterés,etc.) subsistema Item primario totalmete coocido que o requiere desarrollo posterior XXXX Subsistema Acotecimieto secudario resultate de la combiació lógica de otros acotecimietos. Fig. 2.3: Simbología usada e el diagrama de jerarquizació. Para u ítem que ejecuta ua fució crítica, es ecesario teer u ivel más profudo de detalles. Estos datos debe estar coteidos e el sistema de iformació que apoya este desarrollo. Al cotrario, u ivel meor de detalle puede ser idicado para u ítem auxiliar, el cual o ifluye de forma sigificativa e el desempeño del sistema. Iterrelacioes de los Subsistemas. La meta del diseño del sistema es valorar la cofiabilidad del equipo, o sea la probabilidad de que el sistema ejecute las fucioes especificadas, e u ivel aceptable bajo codicioes dadas para u período específico de tiempo. El sistema de iformació debe recoger esta característica y proveer ua base de datos ecesaria para caracterizar la distribució de probabilidades, la iterrelació etre los subsistemas y los atecedetes para el mejoramieto de la cofiabilidad del equipo. La iterrelació etre los subsistemas se puede especificar mediate la coveció de símbolos especificada e la tabla 2.1. Tales símbolos se idica e el cuadro que idetifica cada subsistema (la marca XXXX e la figura 2.2.) El aálisis realizado e esta parte del procedimieto puede agregar uevas partes compoetes a las ya defiidas, depediedo del grado de sofisticació que el aalista desee obteer. Tabla 2.1: Símbolos para especificar iterrelacioes etre subsistemas SIMBOLO AND OR KOFN SIGNIFICADO La falla ocurre si todos los subsistemas y/o partes que cocurre a él falla simultáeamete. La falla ocurre si alguo de los subsistemas y/o partes cocurretes a este subsistema falla. La falla del subsistema ocurre si k de los elemetos cocurretes a él falla.

7 Cofiabilidad de sistemas relacioados segú OR. La fució de estructura de u sistema que cotiee compoetes es ua variable aleatoria biaria que toma el valor 0 ó 1. Más aú, la cofiabilidad de este sistema se puede expresar como : { ( ) } R = P φ X 1, X 2,..., X = 1 (2.4) por: Así para u sistema defiido e sus iterrelacioes por OR la cofiabilidad estará dada { } { } R = P X X X... X = 1 = P X = 1, X = 1,...; X = 1 (2.5) Esto cuado se emplea los térmios ormales de la probabilidad codicioal, { 1 1 } { 2 1 \ 1 1 } { 3 1 \ 1 1, 2 1 }... { 1 \ 1 1,..., 1 1 } R = P X = P X = X = P X = X = X = P X = X = X = Como ya se idicó, para esta estructura la cofiabilidad estará dada por: { ( 1, 2,..., ) = φ ( 1, 2,..., ) = 1 } {( ) 1 } { 1 1, 2 1,..., 1 } 1 1 } 2 1 }... { 1 } R p p p P X X X = P X X X = = P X = X = X = { { = P X = P X = P X = = p p p Cofiabilidad de sistemas relacioados segú AND. La fució estructural de u sistema descrito por AND es : y la cofiabilidad está dada por: (,,..., ) (,,..., ) (2.6) (2.7) φ X X X = max X X X (2.8) { ( 1, 2,..., ) = ( 1, 2,..., ) = 1 } P{ X i } P{ X 1, X 2,..., X 0} ( p )( p )...( p ) R p p p P max X X X = 1 = 0 = 1 = 0 = 0 = = (2.9) Cofiabilidad de sistemas relacioados segú KOFN. La fució estructural de u sistema co k compoetes de es : 1, si X i k i = 1 Φ ( X, X,..., X ) (2.10) 1 2 = 0, si X i < k i = 1

8 y la cofiabilidad está dada por: R( p1, p2,..., p = P Xi k i = 1 (2.11) La evaluació de esta expresió casi siempre es bastate difícil, excepto e el caso de que p 1 = p 2 =... = p = p. Co esta suposició X i, tiee ua distribució biomial co parámetros y p de maera que: i R( p1, p2,..., p ) = p ( 1 p) i i (2.12) Distribucioes del tiempo de falla. La cofiabilidad de u sistema o compoete a meudo depede del itervalo de tiempo que ha estado e servicio. Así, es de primordial importacia e estudios de cofiabilidad la distribució del tiempo de falla; esto es, la distribució del tiempo de falla de u compoete e codicioes ambietales determiadas. Ua maera útil de caracterizar esta distribució cosiste e recurrir a su razó de falla istatáea asociada. Co el objeto de presetar este cocepto, e primer lugar se hace que f(t) represete la desidad de probabilidad del tiempo de falla de u compoete dado, o sea que la probabilidad de que el compoete falle etre los tiempos t y t +Δt, está dada por f () t Δ t. Etoces, la probabilidad de que el compoete falle e el itervalo 0 y t está dada por Ft t () ( ) = 0 f xdx (2.13) La fució de cofiabilidad que expresa la probabilidad de que dure más del tiempo t, está dada por: ( ) = Ft ( ) Rt 1 (2.14) Así, la probabilidad de que el compoete caiga e el itervalo etre t y t + Δ t es Ft ( + Δ t) Ft ( ), y la probabilidad codicioal de falla durate este itervalo, dado que el compoete duró más del tiempo t, se expresa mediate: ( + Δ ) ( ) Rt () Ft t Ft (2.15) Dividiedo etre Δ t, se ecuetra que la razó promedio de falla e el itervalo de t a t +Δt, dado que el compoete duró más que el tiempo t, es

9 ( + Δ ) ( ) Ft t Ft Δt 1 R () t (2.16) Tomado el límite cuado Δt 0, se obtiee etoces la razó de falla istatáea o simplemete la razó de falla: () Zt = ( ) () F t Rt (2.17) dode F (t) es la derivada de F(t) co respecto a t. Por último, como f () t = F () t se obtiee la relació: () Z t ( ) () f t = = Rt 1 ( ) F() t f t (2.18) que expresa la razó de falla (llamada tambié tasa de fallas) e térmios de la distribució del tiempo de falla. Ua curva para la razó de falla que caracteriza a ua gra variedad de equipos electromecáicos, es la que se muestra e la figura 2.4: Razó de fallas Primeras Fallas accidetales Fallas por fallas desgaste 0 t Fig Curva típica de la tasa de fallas de u equipo. La curva está dividida e tres partes. La primera se caracteriza por ua razó de fallas decreciete y represeta el período durate el cual los compoetes de mala calidad so elimiados. La seguda parte, que a meudo se caracteriza por ua razó de fallas costate, se cosidera el período de vida útil e que sólo ocurre fallas accidetales. La tercera parte se caracteriza por u icremeto e la razó de fallas, y es el período durate el cual las fallas se debe pricipalmete al desgaste.

10 Ahora se puede etoces derivar ua importate relació que expresa la desidad del tiempo de falla e térmios de la fució tiempo de falla. Apoyádose e el hecho de que Rt () = 1 Ft () y, e cosecuecia, que F ( t) = R ( t ), se puede escribir: () Zt = ( ) () R t Rt d = [ l R( t) ] dt (2.19) Al resolver la ecuació diferecial para, se obtiee: () R t = e t 0 Z ( ) x dx (2.20) Al utilizar la relació f () t = Z( t) R( t) se obtiee por último la ecuació geeral para la distribució tiempo de falla: () () f t = Z t e t 0 ( ) Z x dx (2.21) Como se advierte e la figura 2.4, a meudo se supoe que la razó de fallas es costate durate el período de vida útil del compoete. Deotado esta razó de fallas costate por α, co α >0, y sustituyedo α por Zt ( ) e la fórmula para f ( t), se obtiee: ( ) α f t = α e t t>0 (2.22) Así se tiee ua distribució de tiempo de falla expoecial cuado puede supoerse que la razó de falla es costate. El tiempo promedio de espera etre fallas sucesivas es α, o sea el recíproco de la razó de falla. De esta maera, la costate 1/α suele deomiarse tiempo promedio etre fallas y se abrevia MTBF. Hay situacioes e que la suposició de ua razó de fallas costate o es realista, y muchas de ellas se supoe e cambio que la fució razó de fallas crece o decrece suavemete co el tiempo. Se supoe que o hay discotiuidades o putos críticos. Ua fució útil que suele usarse para aproximar tales curvas está dada por: Z( t) = αβt β 1 t > 0 (2.23) dode α, β so costates positivas. Si β < 1 la razó de falla decrece co el tiempo; si β > 1 se icremeta co el tiempo; y si β = 1 la razó de fallas es igual a α. Nótese que la suposició de ua razó de falla costate, o sea la suposició expoecial, queda icluida de esta maera como u caso especial.

11 Si se sustituye la expresió aterior de Zt ( ) e la fórmula para f ( t ) se obtiee: () β f t = α β t e 1 α t β t>0 (2.24) dode α, β so costates positivas. Esta fució de desidad, o distribució, es la distribució de Weibull. Modelo expoecial de cofiabilidad. Si se hace la suposició expoecial acerca de la distribució de tiempos de falla, la relació para medir la cofiabilidad de u sistema o compoete e fució de su tiempo de servicio t, será: Obteiédose: () 1 () 1 ( ) Rt = Ft = f xdx t Rt ()= 1 αe xt dx= e 0 t 0 αt (2.25) (2.26) para la fució de cofiabilidad del modelo expoecial. Por lo tato, si u compoete tiee ua razó de falla de 0,05 por mil horas, la probabilidad de que dure al meos horas es e -(0,05)10 = 0,607. Modelo de Weibull e pruebas de vida. Si bie la prueba de vida de los compoetes durate el período de vida útil se basa casi siempre e el modelo expoecial, sucede tambié que la razó de falla de u compoete o siempre es costate a lo largo del período que se está ivestigado. E alguos casos, el período de falla iicial puede ser ta largo que el uso de la mayor parte de los compoetes se hace e él, e tato que e otros el propósito pricipal de la prueba de vida puede ser determiar el tiempo de falla por desgaste y o el tiempo de falla evetual. E tales situacioes, el modelo expoecial e geeral o se aplica y es ecesario reemplazar la razó de falla costate por ua suposició más geeral. Si se tiee los parámetros α y β la distribució de Weibull que describe los tiempo de falla de los compoetes cuado sus razoes de falla crece o decrece co el tiempo, tiee la forma: () t f t = αβt β 1 e α β t>0, y la fució de cofiabilidad co la distribució de Weibull está dada por: α >0, β >0 (2.27) Rt () t = e α β (2.28) La razó de fallas predomiate de la distribució de Weibull está dada por:

12 Z( t) = αβt β 1 (2.29) La media de la distribució de Weibull co los parámetros α y β puede obteerse evaluado la itegral: μ αβ β = t t 1 e α t β dt o (2.30) la cual al resolverla, etrega el tiempo promedio de falla del modelo de Weibull: 1 β 1 μ = α Γ ( 1 ) (2.31) β La gama de formas que puede tomar la gráfica de ua desidad de Weibull es muy amplia y depede pricipalmete del valor del parámetro β. Variació estadística y aálisis de la toleracia, usado simulació de Mote Carlo. La cofiabilidad de u diseño de igeiería es ua fució de varios parámetros de diseño y variables aleatorias. La eficiecia del diseño puede ser expresada como ua fució de estas variables de diseño y de los parámetros. El modelo para simular el comportamieto del sistema debe ser lo suficietemete acertado para obteer resultados cofiables sobre el rago de operació. Se asume que la eficiecia del sistema Y es ua fució de variable aleatorias y/o parámetros X 1, X 2, K, X, por ejemplo: (,,..., ) Y = f X 1 X 2 X Se desea determiar las propiedades de la variable aleatoria Y. Si se cooce la fució desidad de probabilidad de las variables aleatorias, se podría ecotrar la fució desidad de probabilidad de la variable aleatoria Y, la cual puede ser complicada. E muchas situacioes de diseño, solamete los mometos de primer orde de las variables aleatorias X 1, X 2, K, X, so coocidos, y es ecesario ecotrar los correspodietes mometos de la variable aleatoria Y. E el método de Mote Carlo, u gra úmero de réplicas del sistema es simulado por modelos matemáticos. Los valores de las variables y de los parámetros so aleatoriamete seleccioado basádose e su distribució de probabilidades. La eficiecia del sistema completo puede ser comparada co u cojuto dado de especificacioes. El alto úmero de valores que se obtiee de la ejecució del sistema so usados para desarrollar ua distribució de frecuecias del comportamieto del sistema. E la figura 2.5 se muestra u diagrama de bloques que idica el procedimieto a seguir para los casos e que se desee obteer ua curva de dispoibilidad o la dispoibilidad para u puto e el tiempo.

13 Distribució de probabilidad para cada ua de las partes Listado completo de las partes y sus iterrelacioes Datos de etrada y subrutia computacioal a) Para ua curva de dispoibilidad (proceso de selecció aleatorio) b) Para u puto de fucioamieto (proceso para u tiempo escogido) Repetir u úmero especificado de veces Modelo matemático Igreso de los límites de las especificacioes caracteristicas Cálculo de los valores caracteristicos Ordeamieto e las celdas Coteo de las fallas, deteer si es excesivo. Imprimir datos de etrada y salida Verificació de la fucioalidad No dispoible Dispoible Valor esperado y desviació estadar Costrucció de las distribucioes características Calcular primer y segudo mometo Fig. 2.5: Diagrama de pasos para obteer estados de cofiabilidad. Cofiabilidad para u determiado puto. La cofiabilidad R 0 (t) deota la probabilidad de ocurrecia del eveto pricipal para u puto dado e el tiempo. Este cálculo puede realizarse ya sea para u sólo puto o ua serie de valores de tiempo solicitados. Los resultados se preseta e ua lista acompañada de u gráfico de probabilidades e fució del tiempo para el eveto pricipal. Curva de dispoibilidad. Para simular observacioes de variables aleatorias cotiuas geeralmete se comieza co úmeros aleatorios y estos se relacioa co la fució de iterés. La mayoría de los paquetes computacioales que se comercializa cueta co u geerador

14 cotiuo y uiforme de úmeros aleatorios. Esto es, produce aproximacioes a úmeros aleatorios de la distribució uiforme f ( x) 1 0< x < 1 = 0 e los demas putos (2.32) El dato que se ecesita para la elaboració de la curva de dispoibilidad es el valor del tiempo máximo que se desea simular y el úmero de iteracioes del proceso. El resultado es presetado e forma de u gráfico más el valor esperado y su desviació. CONFIABILIDAD DE LA LINEA. Como se mecioó, la cofiabilidad es la probabilidad de que u sistema esté operacioal e u tiempo de iterés. La cofiabilidad de u sistema se calcula como la probabilidad total de los estados operacioales del sistema. La forma de calcular la cofiabilidad del sistema productivo, es similar al cálculo para u equipo aislado. Aquí se usa los datos de probabilidad obteidos para cada equipo itegrate de la líea, (ver figura 6), se traslada su distribució de probabilidades global a esta ueva distribució y se aplica la teoría de cofiabilidad al cojuto de equipos. XXXX sistema XXXX subsistem subsistem XXXX subsistem cofiabilidad cofiabilidad fució de la f ió de la f ió subsistem XXXX o parte subsistema XXXX o parte cofiabilidad cofiabilidad de la de la Cofiabilidad del equipo Equipo 1 Equipo i 2/3 Equipo LINEA DE EQUIPOS Fig.6: Diagrama para el cálculo de la cofiabilidad de ua líea de producció. La medida geeral de la cofiabilidad se obtiee como : RL() t = R () t i i= 1 (2.32)

15 dode R L (t) = cofiabilidad del sistema de maufactura e el tiempo t. R i (t) = cofiabilidad del equipo i e el tiempo t. = úmero total de equipos e la líea cosiderada. Para el cálculo de la cofiabilidad hay que modelar previamete la líea de producció, idetificado la disposició de los equipos (serie, paralelos y redudates), la relació de cotiuidad etre ellos y la distribució de probabilidad de la cofiabilidad para cada uo de los itegrates. Para el caso de equipos que tiee colchoes de seguridad, o sea, que su tasa de producció les permite geerar u excedete que se acumula e recipietes de acopio, se simula esta situació mediate u equipo ficticio e paralelo, pero co ua tasa de falla co pediete mayor. Co todos estos atecedetes se puede simular la cofiabilidad e fució del tiempo. De acuerdo a los resultados, se podrá decidir dejar la líea tal como está, ya que cumple co sus objetivos, o bie iterveirla para mejorar su cofiabilidad colocado equipos similares e paralelo u otros co mejor tecología para aquellas área que se cosidera coflictivas. Además, hay que apoyar a estas decisioes co ídices de eficiecia, ya que ellos idividualiza al equipo y su ifluecia e el comportamieto global de la líea. UN EJEMPLO DE APLICACIÓN. Se tiee cico equipos e ua líea de producció y u subcojuto de ellos forma ua celda de trabajo. La descomposició jerárquica mostrada e la figura 2.2 se represeta e ua plailla electróica e la forma mostrada e la figura 2.7. Fig. 2.7: Hoja para la descomposició jerárquica para el equipo 2.

16 Esta represetació es similar para cada equipo y e cada descomposició se idividualiza las iterrelacioes etre subsistemas, descritos e la tabla 2.1, más las ecuacioes para el cálculo de la cofiabilidad cada iterrelació (Ec. 2.5, Ec. 2.7, Ec. 2.9) a medidas que se agrega subsistemas, hasta completar el equipo. La distribució de probabilidad para la cofiabilidad (Ec y Ec. 2.28) de la descomposició jerárquica deomiada parte se reúe e ua sola, y cuado e la plailla se explícita que el coeficiete β=1 se idica que la parte tiee ua distribució expoecial y e caso cotrario se está e presecia de ua distribució de probabilidades de Weibull. El cojuto de equipos de la líea de producció se caracteriza e la siguiete hoja mostrada e la figura 2.8. Fig. 2.8: Hoja para la líea de producció. E la líea de producció hay ua celda de trabajo compuesta por tres equipos iguales para los cuales la regla de fucioamieto (2/3) idica que se ecesita al meos dos de los tres equipos fucioado para etregar la producció defiida como estádar. El cálculo de la cofiabilidad de la celda de trabajo se determia segú la ecuació 2.11 y para la líea e su totalidad segú la ecuació E la figura 2.8 se muestra el cálculo de cofiabilidad para u tiempo de operació de seis períodos. El aálisis se cetra e defiir si coviee o o implemetar mejores arquitecturas de los equipos de tal forma que la cofiabilidad total de la líea de producció aumete. El aumeto de la cofiabilidad de la líea pasa por aumetar la cofiabilidad del equipo que se cosidere meos cofiable y para tal efecto hay que geerar escearios comparativos.

17 E la figura 2.9 se muestra dos situacioes para la distribució de cofiabilidad para la misma líea. E el caso del esceario 1 (Cof.1) se estimó que el equipo 2 teía ua cofiabilidad baja co respecto al resto de los compoetes de la líea. Se simula e este caso la itroducció de mejoramieto de la cofiabilidad cambiado las partes y por otras co ua meor tasa de fallas (cof.2). Fig. 2.9: Distribucioes de cofiabilidad para dos situacioes de aálisis. La ueva cofiguració del equipo 2 ifluye e la cofiabilidad de la líea, pero este valor hay que cotrastarlo co el costo de implemetar estas mejoras y el beeficio esperado que se logrará. E la figura 2.10 se muestra las dos situacioes graficadas y la distribució ajustada para cada curva cuya expresió será de utilidad para el cálculo del beeficio esperado por la itroducció de mejoras e los equipos. La plailla electróica tiee la facilidad de ajustar curvas a u cojuto de datos y mostrar además la bodad del ajuste. Esto es muy útil ya que permite medir el desplazamieto de la curva de cofiabilidad (positivo o egativo), producto de las mejoras itroducidas e el modelo de simulació, para u valor dado de cofiabilidad que le iteresa estudiar al admiistrador de la líea de producció. Este ivel se estima como bueo si está sobre el 85% ya que exige ua cofiabilidad alta a cada equipo y es u ivel que permite esperar u alto redimieto del equipo.

18 Fig. 2.10: Curva de cofiabilidad para los dos escearios de aálisis. Las curvas ajustadas que etrega la plailla electróica so del tipo: y = ae bt (2.32) de dode despejado el tiempo de cada ecuació para cada esceario se realiza la diferecia y se tiee la ecuació para determiar la variació del tiempo esperado de bue fucioamieto de la líea, para u valor dado de cofiabilidad: l Υ l a2 l Υ l a Δt = b b (2.33) dode Υ es el valor dado de la cofiabilidad esperada de la líea y los subídices 1 y 2 se refiere a cada esceario de estudio. U ejemplo del cálculo se muestra e la figura 2.11.

19 Fig. 2.11: Cálculo de la variació de tiempo esperado de bue fucioamieto para dos escearios de aálisis. E el cálculo del beeficio esperado se cosidera los costos de reposicioes, de mao de obra y el costo de itroducir u uevo equipo e la líea de producció. El costo se especifica para cada parte de la descomposició jerarquica del equipo La plailla co los datos se muestra e la figura 2.12: Fig. 2.12: Plailla de costos de repuestos y mao de obra.

20 El beeficio se platea e base a la gaacia esperada por mayor producció al teer u equipo fucioado por más tiempo si detecioes (e base a la diferecia de tiempo calculado e la ec. 2.33). El resultado fial se muestra e la figura Fig. 2.13: Plailla para el cálculo del beeficio esperado. CONCLUSION. E este modelo dode hay que prestar mayor ateció es e la descomposició jerárquica del equipo para esta refleje co u alto grado de certeza la arquitectura del equipo. Es importate ya que la fialidad de este estudio es platearse escearios de cofiguracioes de equipo y plata, y por tato si o es adecuado el modelo coceptual puede llevar a resultados que o será satisfactorios ua vez que se implemete y se icurra e los gastos de adquisició y motaje. Lo mostrado e los párrafos ateriores es u ejemplo de cómo se puede atacar este estudio, pero queda e maos del aalista esquematizar su real estructura de costos y así teer ua herramieta eficaz de apoyo a la decisió de itroducir cambios e las facilidades de producció. U apoyo fudametal que se debe poseer es u sistema de iformació, e especial de las matecioes de cada equipo para teer, especialmete, ua tasa real de fallas de cada parte y u valor de los costos que se icurre e el mateimieto.

DETERMINACION DEL COSTO POR ALUMNO EGRESADO DE EDUCACION PRIMARIA

DETERMINACION DEL COSTO POR ALUMNO EGRESADO DE EDUCACION PRIMARIA DETERMINACION DEL COSTO POR ALUMNO EGRESADO DE EDUCACION PRIMARIA U Modelo de Costeo por Procesos JOSE ANTONIO CARRANZA PALACIOS *, JUAN MANUEL RIVERA ** INTRODUCCION U aspecto fudametal e la formulació

Más detalles

CAPÍTULO I. Conceptos Básicos de Estadística

CAPÍTULO I. Conceptos Básicos de Estadística CAPÍTULO I Coceptos Básicos de Estadística Capítulo I. Coceptos Básicos de Estadística. CAPÍTULO I CONCEPTOS BÁSICOS DE ESTADÍSTICA Para realizar estudios estadísticos es ecesario registrar la ocurrecia

Más detalles

Parámetros de tiempo para

Parámetros de tiempo para Parámetros de tiempo para cotrol y diagóstico INTRODUCCIÓN. Ua de las actividades importates a ivel de sistemas que se debe desarrollar e toda etidad que cuete co u recurso computacioal de soporte para

Más detalles

ORGANIZACIÓN DE LOS DATOS.

ORGANIZACIÓN DE LOS DATOS. ORGANIZACIÓN DE LOS DATOS. La toma de datos es ua de las partes de mayor importacia e el desarrollo de ua ivestigació. Así los datos obteidos mediate u primer proceso recibe el ombre de datos si tratar

Más detalles

DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS)

DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) DISTRIBUCIONES DE PROBABILIDAD.- DISTRIBUCIÓN BINOMIAL (BERNOULLI) DISTRIBUCIÓN NORMAL (GAUSS) www.cedicaped.com DISTRIBUCIÓN DE PROBABILIDAD Recordemos que el Espacio Muestral es el cojuto de todos y

Más detalles

Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides

Problemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos

Más detalles

Slide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.

Slide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad. Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació

Más detalles

Prueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11)

Prueba Integral Lapso / Área de Matemática Fecha: MODELO DE RESPUESTA (Objetivos del 01 al 11) Prueba Itegral Lapso 016-1 175-176-177 1/7 Uiversidad Nacioal Abierta Matemática I (Cód 175-176-177) Vicerrectorado Académico Cód Carrera: 16 36 80 508 51 54 610 611 61 613 Fecha: 19 11 016 MODELO DE RESPUESTA

Más detalles

Gráficos de control por atributos

Gráficos de control por atributos Gráficos de cotrol por atributos por Felipe de la Rosa Los gráficos de cotrol por variables so istrumetos sumamete útiles para moitorear y mejorar la calidad, si embargo, preseta al meos dos limitacioes

Más detalles

MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO

MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA MECANICA MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO FERNANDO ESPINOSA FUENTES Necesidad del reemplazo. Si se matiee u riesgo durate u tiempo

Más detalles

ESTADISTICA UNIDIMENSIONAL

ESTADISTICA UNIDIMENSIONAL ESTADISTICA UIDIMESIOAL La estadística estudia propiedades de ua població si recurrir al sufragio uiversal. El estudio estadístico tiee dos posibilidades (1) Describir lo que ocurre e la muestra mediate

Más detalles

Unidad 1: Las Ecuaciones Diferenciales y Sus Soluciones

Unidad 1: Las Ecuaciones Diferenciales y Sus Soluciones Uidad : Las Ecuacioes Difereciales y Sus Solucioes. Itroducció. Tato e las ciecias como e las igeierías se desarrolla modelos matemáticos para compreder mejor los feómeos físicos. Geeralmete, estos modelos

Más detalles

CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA

CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA CAPÍTULO I CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA El campo de la estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Motgomery

Más detalles

Series Numéricas. Una forma de definir e es a través de la suma: 1. 1 0! + 1 1! + 1 2! + 1 3! + 1 4! + + 1 n. cuyo límite es e, es decir:

Series Numéricas. Una forma de definir e es a través de la suma: 1. 1 0! + 1 1! + 1 2! + 1 3! + 1 4! + + 1 n. cuyo límite es e, es decir: Capítulo Series Numéricas Las series uméricas so sucesioes muy particulares ya que se defie (o se geera) a partir de otra sucesió. Dos ejemplos secillos aparece e la defiició de e y el la Paradoja de Zeó.

Más detalles

Otro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como:

Otro ejemplo es la tasa de cambio del tamaño de una población (N), que puede expresarse como: SOLUCIÓN DE ECUACIONES DIFERENCIALES Autor: Keith Gregso Traducció: José Alfredo Carrillo Salazar Muchos sistemas diámicos puede represetarse e térmios de ecuacioes difereciales. Por ejemplo, la tasa de

Más detalles

INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS

INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS INFERENCIA ESTADÍSTICA CONCEPTOS BÁSICOS Població E el cotexto de la estadística, ua població es el cojuto de todos los valores que puede tomar ua característica medible e particular, de u cojuto correspodiete

Más detalles

En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo:

En el tema anterior se estudió que muchas decisiones se toman a partir de resultados muestrales. Por ejemplo: TEMA 6. Estimació putual. E muchos casos o será posible determiar el valor de u parámetro poblacioal descoocido, aalizado todos los valores poblacioales, pues el proceso a seguir puede ser destructivo,

Más detalles

Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA

Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA. Ingenierías RH-Amb-Ag TEORÍA Uiversidad Nacioal del Litoral Facultad de Igeiería Ciecias Hídricas ESTADÍSTICA Igeierías RH-Amb-Ag TEORÍA Mg. Susaa Valesberg Profesor Titular INFERENCIA ESTADÍSTICA TEST DE HIPÓTESIS INTRODUCCIÓN Geeralmete

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Funciones de una variable. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación

Matemáticas 1 1 EJERCICIOS RESUELTOS: Funciones de una variable. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación Matemáticas EJERCICIOS RESUELTOS: Fucioes de ua variable Elea Álvarez Sáiz Dpto. Matemática Aplicada y C. Computació Uiversidad de Catabria Igeiería de Telecomuicació Fudametos Matemáticos I Ejercicios:

Más detalles

Análisis de resultados. Independencia de las muestras

Análisis de resultados. Independencia de las muestras Aálisis de resultados Clase ro. 8 Curso 00 Idepedecia de las muestras Los resultados de ua corrida de simulació, so muestras de algua distribució. Esos resultados los llamamos "respuestas". Las respuestas

Más detalles

CUADRATURA GAUSSIANA

CUADRATURA GAUSSIANA CUADRATURA GAUSSIANA Este método de basa e muestrear el itegrado de la fució cuya itegral se desea ecotrar, a valores que represeta raíces de poliomios ortogoales Los más populares de éstos so los poliomios

Más detalles

Slide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad.

Slide 1. Slide 2. Slide 3. Universidad Diego Portales Facultad de Economía y Negocios. Capítulo 4 Introducción a la Probabilidad. Slide 1 Uiversidad Diego Portales Facultad de Ecoomía y Negocios Martes 13 de Abril, 2010 Slide 1 Slide 2 Capítulo 4 Itroducció a la Probabilidad Temas Pricipales: Experimetos, Reglas de Coteo, y Asigació

Más detalles

Estimadores Puntuales: Propiedades de estimadores Sebastián Court

Estimadores Puntuales: Propiedades de estimadores Sebastián Court Estadística Estimadores Putuales: Propiedades de estimadores Sebastiá Court 1.Motivació Cosideremos ua variable aleatoria X co ciertas características, como por ejemplo, u parámetro θ, y ua muestra aleatoria

Más detalles

Qué es la estadística?

Qué es la estadística? Qué es la estadística? La estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Qué es la estadística? U agete recibe iformació e forma

Más detalles

Se utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación

Se utilizan los datos puntuales de altura de precipitación o intensidades máximas de lluvia registradas en una estación .. Tormetas putuales Aspectos geerales Se utiliza los datos putuales de altura de precipitació o itesidades máximas de lluvia registradas e ua estació So válidas para áreas cuya extesió este defiida por

Más detalles

TRANSFORMADA RAPIDA DE FOURIER (FFT)

TRANSFORMADA RAPIDA DE FOURIER (FFT) Capítulo 6 TRASORADA RAPIDA DE OURIER (T) Los temas a tratar e el presete capítulo so: 6. Algoritmo T 6. T Iversa. 6.3 Implemetació Televisió Digital 6- La implemetació de la ec. (4.5) ivolucra u úmero

Más detalles

ANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la

ANEXO B. Se define como Regresión al estudio de la fuerza, consistencia o grado de asociación de la ANEXO B B.. Regresió Se defie como Regresió al estudio de la fuerza, cosistecia o grado de asociació de la correlació de variables idepedietes [6]. B... Regresió Lieal Simple El objeto de u aálisis de

Más detalles

ÍNDICE. Prólogo Capítulo 1. Ecuaciones diferenciales ordinarias. Generalidades.. 11 Introducción teórica Ejercicios resueltos...

ÍNDICE. Prólogo Capítulo 1. Ecuaciones diferenciales ordinarias. Generalidades.. 11 Introducción teórica Ejercicios resueltos... ÍNDICE Prólogo... 9 Capítulo 1. Ecuacioes difereciales ordiarias. Geeralidades.. 11 Itroducció teórica... 13 Ejercicios resueltos.... 16 Capítulo 2. itegració de la ecuació de primer orde. La ecuació lieal...................................................................

Más detalles

TEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas

TEMA 5: Gráficos de Control por Atributos. 1. Gráfico de control para la fracción de unidades defectuosas TEMA 5: Gráficos de Cotrol por Atributos 1 Gráfico de cotrol para la fracció de uidades defectuosas 2 Gráfico de cotrol para el úmero medio de discoformidades por uidad Selecció del tamaño muestral 3 Clasificació

Más detalles

UNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios

UNIDAD 9. PROBABILIDAD Matemáticas II. Ies do Barral.Curso 2017/ Experimentos aleatorios 1. Experimetos aleatorios U experimeto se llama aleatorio cuado o se puede predecir su resultado; además, si se repitiese el mismo experimeto e codicioes aálogas, los resultados puede diferir. a) El resultado

Más detalles

) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1

) se obtiene un valor específico del estimador que recibe el nombre de estimación del parámetro poblacional θ y lo notaremos por = g ( x 1 ESTIMACIÓN PUNTUAL. ESTIMACIÓN POR INTERVALOS DE CONFIANZA. 1. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA El objetivo básico de la iferecia estadística es hacer iferecias o sacar coclusioes sobre la població

Más detalles

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor.

Trata de describir y analizar algunos caracteres de los individuos de un grupo dado, sin extraer conclusiones para un grupo mayor. 1 Estadística Descriptiva Tema 8.- Estadística. Tablas y Gráficos. Combiatoria Trata de describir y aalizar alguos caracteres de los idividuos de u grupo dado, si extraer coclusioes para u grupo mayor.

Más detalles

4.- Aproximación Funcional e Interpolación

4.- Aproximación Funcional e Interpolación 4- Aproximació Fucioal e Iterpolació 4 Itroducció Ua de las mayores vetajas de aproximar iformació discreta o fucioes complejas co fucioes aalíticas secillas, radica e su mayor facilidad de evaluació y

Más detalles

es un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t.

es un proceso de conteo si representa el número de eventos ocurridos hasta el tiempo t. PROCESOS ROBABILIDADES ESTOCÁSTICOS (ITEL-3005) (80807) Tema 4. Los Procesos Tema. de Fudametos Poisso y otros de Estadística procesos asociados Descriptiva Semaa Distribució 5 Clase 07 de frecuecias Lues

Más detalles

Capítulo I. La importancia del factor de potencia en las redes. eléctricas

Capítulo I. La importancia del factor de potencia en las redes. eléctricas La importacia del factor de potecia e las redes eléctricas. Itroducció Las fuetes de alimetació o geeradores de voltaje so las ecargadas de sumiistrar eergía e las redes eléctricas. Estas so de suma importacia,

Más detalles

Cód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11.

Cód. Carrera: Área de Matemática Fecha: MODELO DE RESPUESTAS Objetivos 1 al 11. rueba Itegral Lapso 03-7-76-77 /0 Uiversidad Nacioal Abierta Matemática I (Cód. 7-76-77) icerrectorado Académico Cód. Carrera: 6-36-80-08- -60-6-6-63 Fecha: 0 0-0 MODELO DE RESUESTAS Objetivos al. OBJ

Más detalles

Medidas de tendencia central

Medidas de tendencia central Medidas de tedecia cetral Por: Sadra Elvia Pérez Las medidas de tedecia cetral tiee este ombre porque so valores cetrales represetativos de los datos. Las medidas de tedecia cetral que se estudia e esta

Más detalles

Intervalo de confianza para µ

Intervalo de confianza para µ Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo

Más detalles

M arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para

M arcelo, de vez en vez, usa una reata de 10 m de largo y 2 cm de grueso para GEOMETRÍA, TRIGONOMETRÍA Y SERIES Tema 4 Series uméricas M arcelo, de vez e vez, usa ua reata de 10 m de largo y cm de grueso para medir el cotoro de los terreos que fumiga. Para que la reata que usa o

Más detalles

SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN

SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN SESIÓN 8 DESCRIPCIONES DE UNA RELACIÓN I. CONTENIDOS: 1. Regresió lieal simple.. Iterpretació de gráficas de regresió. 3. Cálculo de coeficiete de correlació. 4. Iterpretació del coeficiete de correlació.

Más detalles

Ejemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis

Ejemplo Solución. 2) Datos p 1 =253/300 p 2 =196/300 n 1 =n 2 =300 α= ) Ensayo de hipótesis Ejemplo Solució ) Se trata de ua distribució muestral de diferecia de proporcioes. Se evalúa dos tipos diferetes de solucioes para pulir, para su posible uso e ua operació de pulido e la fabricació de

Más detalles

EJERCICIOS RESUELTOS SOBRE SISTEMAS DE 1er y 2do ORDEN

EJERCICIOS RESUELTOS SOBRE SISTEMAS DE 1er y 2do ORDEN EJERCICIOS RESUELTOS SOBRE SISTEMAS DE 1er y do ORDEN A cotiuació se resuelve tres problemas sobre sistemas de primer y segudo orde. El primer problema es sobre sistemas de primer orde co codicioes iiciales

Más detalles

Mg. Ing. Susana Vanlesberg Profesor Titular

Mg. Ing. Susana Vanlesberg Profesor Titular Uiversidad Nacioal del Litoral Facultad de Igeiería y Ciecias Hídricas ESTADÍSTICA Igeierías: Recursos Hídricos-Ambietal-Agrimesura- Iformática Mg. Ig. Susaa Valesberg Profesor Titular MODELOS PARA VARIABLES

Más detalles

Medidas de Tendencia Central

Medidas de Tendencia Central 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los valores observados e la muestra, dividida

Más detalles

Teorema del límite central

Teorema del límite central Teorema del límite cetral Carles Rovira Escofet P03/75057/01008 FUOC P03/75057/01008 Teorema del límite cetral Ídice Sesió 1 La distribució de la media muestral... 5 1. Distribució de la media muestral

Más detalles

Práctica 7 CONTRASTES DE HIPÓTESIS

Práctica 7 CONTRASTES DE HIPÓTESIS Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua

Más detalles

Métodos Numéricos. La solución es una relación funcional entre dos variables. No todas las ecuaciones diferenciales tienen solución analítica.

Métodos Numéricos. La solución es una relación funcional entre dos variables. No todas las ecuaciones diferenciales tienen solución analítica. Métodos Numéricos Métodos aalíticos Solució de ecuacioes difereciales Métodos Numéricos Métodos aalíticos: La solució es ua relació fucioal etre dos variables. No todas las ecuacioes difereciales tiee

Más detalles

2 FUNDAMENTOS DE PROBABILIDAD

2 FUNDAMENTOS DE PROBABILIDAD 2 FUNDAMENTOS DE PROBABILIDAD T al vez el estudio de la probabilidad toma setido cuado se percibe y se acepta la existecia de la aleatoriedad e diversos aspectos de la vida diaria. Si embargo, si cosideramos

Más detalles

DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS

DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS ESPACIO MUESTRAL. El cojuto de todos los resultados posibles de u eperimeto estadístico deotado por S o Ω VARIABLE. Se deomia variable a la

Más detalles

Ingeniería Industrial. Curso 2009-2010. Departamento de Matemática Aplicada II. Universidad de Sevilla. Lección 5. Series.

Ingeniería Industrial. Curso 2009-2010. Departamento de Matemática Aplicada II. Universidad de Sevilla. Lección 5. Series. CÁLCULO Igeiería Idustrial. Curso 2009-200. Departameto de Matemática Aplicada II. Uiversidad de Sevilla. Lecció 5. Series. Resume de la lecció. 5.. Sucesioes y series. Sucesió covergete. Se de e ua sucesió

Más detalles

CAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica.

CAPITULO 0 CONCEPTOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Algebra lineal Notación básica. 5 CAPIULO 0 CONCEPOS BASICOS DE ALGEBRA Y PROGRAMACION LINEAL Este capítulo proporcioa u pequeño resume acerca de coceptos básicos de álgebra y programació lieal que resulta fudametales para el bue etedimieto

Más detalles

Teorema del Muestreo

Teorema del Muestreo Teorema del Muestreo Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice 1.1. Itroducció 1.2. Coversió aalógico-digital y digital-aalógico 1.3. Proceso

Más detalles

1. Propiedades de los estimadores

1. Propiedades de los estimadores . Propiedades de los estimadores.. Eficiecia relativa. Defiició: Dados dos estimadores isesgados, ˆ y ˆ, de u parámetro, co variazas V ( ˆ ) y V ( ˆ ), etoces la eficiecia (eff) de ˆ respecto a ˆ, se defie

Más detalles

SOLUCIÓN EXAMEN I PARTE II

SOLUCIÓN EXAMEN I PARTE II Nombre: Apellido: C.I.: Fecha: Firma: MÉTODOS ESTADÍSTICOS I EXAMEN I Prof. Gudberto Leó PARTE I: (Cada respuesta correcta tiee u valor de 1 puto) E los siguietes gráficos se represeta distitas distribucioes

Más detalles

TRABAJO PRACTICO Nº 1

TRABAJO PRACTICO Nº 1 TRABAJO PRACTICO Nº 1 DEMANDA DE TRANSPORTE: ELASTICIDAD OFERTA DE TRANSPORTE: COSTOS AJUSTE DE FUNCIONES ANÁLISIS DE REGRESIÓN Objetivo: Aplicar a u caso práctico utilizado las herramietas básicas de

Más detalles

Preguntas más Frecuentes: Tema 2

Preguntas más Frecuentes: Tema 2 Pregutas más Frecuetes: Tema 2 Pulse sobre la preguta para acceder directamete a la respuesta 1. Se puede calcular la media a partir de las frecuecias absolutas acumuladas? 2. Para calcular la media aritmética,

Más detalles

ECUACIONES DIFERENCIALES (0256)

ECUACIONES DIFERENCIALES (0256) ECUACIONES DIFERENCIALES (056) SEMANA 0 CLASE 0 LUNES 09/04/. Presetació de la asigatura. Coteido programático, pla de evaluació, software de apoyo, bibliografía recomedada. Se sugiere ver los archivos

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL MEDIDAS DE TENDENCIA CENTRAL Las medidas de tedecia cetral so los valore que se ubica e el cetro de u cojuto de datos estos puede estar ordeados o o. Geeralmete se utiliza cuatro de estos valores coocidos

Más detalles

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS Divisió de Plaificació, Estudios e Iversió MIDEPLAN Curso: Preparació y Evaluació de Proyectos EVALUACIÓN DE PROYECTOS: Coceptos Básicos Temario Matemáticas

Más detalles

Sucesiones. Se denomina sucesión a una función cuyo dominio es el conjunto de los números naturales.

Sucesiones. Se denomina sucesión a una función cuyo dominio es el conjunto de los números naturales. Sucesioes Sucesió Se deomia sucesió a ua fució cuyo domiio es el cojuto de los úmeros aturales. Para deotar el -ésimo elemeto de la sucesió se escribe a e lugar de f(). Ejemplo: a = 1/ a 1 = 1, a 2 = 1/2,

Más detalles

Se utilizan tres enunciados para básicos para definir los procesos de Poisson. Sea t un t 0, entonces se tiene:

Se utilizan tres enunciados para básicos para definir los procesos de Poisson. Sea t un t 0, entonces se tiene: 9 TEORÍA DE TRÁFIO La teoría de tráfico es ua herramieta ampliamete utilizada para el aálisis del comportamieto de las redes de comuicacioes, las cuales puede ser de comutació de circuitos, como las redes

Más detalles

SESION 15 DISTRIBUCIONES DE MUESTREO

SESION 15 DISTRIBUCIONES DE MUESTREO SESION 15 DISTRIBUCIONES DE MUESTREO I. CONTENIDOS: 1. Distribució de muestreo. 2. Distribucioes de muestreo de la media 3. Media, mediaa y moda, así como su relació co la desviació estádar de las distribucioes

Más detalles

TEORÍA DE LA ESTIMACIÓN

TEORÍA DE LA ESTIMACIÓN TEORÍA DE LA ESTIMACIÓN Objetivo: El objetivo de la estimació putual es usar ua muestra para obteer úmeros (estimacioes putuales) que sea la mejor represetació de los verdaderos parámetros de la població.

Más detalles

Identificación de Sistemas

Identificación de Sistemas Departameto de Electróica Facultad de Ciecias Eactas Igeiería y Agrimesura Uiversidad Nacioal de osario Idetificació de Sistemas Coceptos Fudametales de robabilidad Variables Aleatorias y rocesos Aleatorios

Más detalles

LAS SUCESIONES Y SU TENDENCIA AL INFINITO

LAS SUCESIONES Y SU TENDENCIA AL INFINITO LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció

Más detalles

UNIDAD 1 Ecuaciones Diferenciales de Primer Orden

UNIDAD 1 Ecuaciones Diferenciales de Primer Orden UNIDAD UNIDAD Ecuacioes Difereciales de Primer Orde Defiició lasificació de las Ecuacioes Difereciales Ua ecuació diferecial es aquélla que cotiee las derivadas o difereciales de ua o más variables depedietes

Más detalles

Determinación del tamaño de una muestra (para dos o más muestras)

Determinación del tamaño de una muestra (para dos o más muestras) STATGRAPHICS Rev. 457 Determiació del tamaño de ua muestra (para dos o más muestras) Este procedimieto determia el tamaño de muestra apropiado para estimar o realiar pruebas de hipótesis respecto a alguo

Más detalles

C. INDICADORES DE EVALUACION DE PROYECTOS

C. INDICADORES DE EVALUACION DE PROYECTOS C. INDICADORES DE EVALUACION DE PROYECTOS 1. Matemáticas Fiacieras 1.1 Iterés simple e iterés compuesto Iterés simple es aquel que se calcula siempre sobre el capital origial, y por tato excluye itereses

Más detalles

Monto de una anualidad anticipada a interés simple

Monto de una anualidad anticipada a interés simple 1 13. ANUALIDADES ANTICIPADAS Los compromisos de pagos o solamete se efectúa al fial de los periodos, sio tambié a iicio de cada periodo, tal es el caso de los alquileres de terreos, edificios, oficias,

Más detalles

PROCESAMIENTO DIGITAL DE SEÑALES

PROCESAMIENTO DIGITAL DE SEÑALES PROCESAMIENTO DIGITAL DE SEÑALES TEMA : FUNDAMENTOS DE SISTEMAS DE TIEMPO DISCRETO. Señales y Sistemas de Tiempo Discreto Se itroducirá coceptos de señales y sistemas de tiempo discreto. Para ello se detallará

Más detalles

14. Técnicas de simulación mediante el método de Montecarlo

14. Técnicas de simulación mediante el método de Montecarlo 4. Técicas de simulació mediate el método de Motecarlo 4. Técicas de simulació mediate el método de Motecarlo Qué es la simulació? Proceso de simulació Simulació de evetos discretos Números aleatorios

Más detalles

NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011.

NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA. José G. Ríos Alejandro. Abril del 2011. NOTAS SOBRE INFERENCIA ESTADÍSTICA BAYESIANA José G. Ríos Alejadro Abril del 11. INTRODUCCIÓN E los cursos de estadística usualmete se estudia la estadística co efoque frecuetista, la cual alguos autores

Más detalles

una sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente:

una sucesión de funciones de A. Formemos una nueva sucesión de funciones {S n } n=1 de A de la forma siguiente: Tema 8 Series de fucioes Defiició 81 Sea {f } ua sucesió de fucioes de A Formemos ua ueva sucesió de fucioes {S } de A de la forma siguiete: S (x) = f 1 (x) + f 2 (x) + + f (x) = f k (x) Al par de sucesioes

Más detalles

Topografía 1. II semestre, José Francisco Valverde Calderón Sitio web:

Topografía 1. II semestre, José Francisco Valverde Calderón   Sitio web: II semestre, 2013 José Fracisco Valverde Calderó Email: geo2fra@gmail.com Sitio web: www.jfvc.wordpress.com José Fracisco Valverde C Cualquier actividad técica dode se requiera recopilar iformació espacial,

Más detalles

Tema 4. Estimación de parámetros

Tema 4. Estimación de parámetros Estadística y metodología de la ivestigació Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 4. Estimació de parámetros 1. Estimació putual 1 1.1. Estimació de la proporció e la distribució Bi(m, p).......................

Más detalles

CAPÍTULO 6 DISTRIBUCIONES MUESTRALES

CAPÍTULO 6 DISTRIBUCIONES MUESTRALES CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es saber acerca del comportamieto de parámetros poblacioales tales como: la media ( ), la variaza ( ) o la proporció ( p ). Para

Más detalles

CAPÍTULO 6 DISTRIBUCIONES MUESTRALES

CAPÍTULO 6 DISTRIBUCIONES MUESTRALES CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).

Más detalles

Cálculo de límites. 3.1. Sumas, productos y cocientes. Tema 3

Cálculo de límites. 3.1. Sumas, productos y cocientes. Tema 3 Tema 3 Cálculo de ites El presete tema tiee u iterés emietemete práctico, pues su pricipal fialidad es aportar los ejemplos que se echaba de meos e el tema aterior. Empezaremos estableciedo las reglas

Más detalles

Número de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces.

Número de personas que se forman en una fila en 1 hora Número de águilas que se obtienen al lanzar una moneda 5 veces. Statistics Review Variable Aleatoria o Ua variable aleatoria es ua variable cuyo valor está sujeto a variacioes que depede de la aleatoriedad. o Debe tomar valores uméricos, que depede del resultado del

Más detalles

FÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES. (Algunos conceptos importantes)

FÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES. (Algunos conceptos importantes) FÍSICA GENERAL 2º CUATRIMESTRE 2014 TT.PP. LABORATORIOS- TEORIA DE ERRORES (Alguos coceptos importates) 1. Error de apreciació. Lo primero que u experimetador debe coocer es la apreciació del istrumeto

Más detalles

Análisis de datos en los estudios epidemiológicos II

Análisis de datos en los estudios epidemiológicos II Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices

Más detalles

Tema 3. Series de Fourier. Análisis de Espectros

Tema 3. Series de Fourier. Análisis de Espectros Tema 3. Series de Fourier. Aálisis de Espectros Idice: Series de Fourier Serie Trigoométrica de Fourier Aálisis gráfico. Primeras compoetes de frecuecia Ejemplo Serie de Fourier e forma de Expoeciales

Más detalles

Algoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves.

Algoritmos y Estructuras de Datos II, Segundo del Grado de Ingeniería Informática, Test de Análisis de Algoritmos, marzo Test jueves. Algoritmos y Estructuras de Datos II, Segudo del Grado de Igeiería Iformática, Test de Aálisis de Algoritmos, marzo 017. Test jueves. Para cada problema habrá que justificar razoadamete la respuesta que

Más detalles

2.1. Concepto Monto, capital, tasa de interés y tiempo.

2.1. Concepto Monto, capital, tasa de interés y tiempo. 1 2.1. Cocepto El iterés compuesto tiee lugar cuado el deudor o paga al cocluir cada periodo que sirve como base para su determiació los itereses correspodietes. Así, provoca que los mismos itereses se

Más detalles

Límite y Continuidad de Funciones.

Límite y Continuidad de Funciones. Límite Cotiuidad de Fucioes. Eleazar José García. eleagarcia9@hotmail.com. Límite de ua fució.. Defiició de límite de ua fució.. Ifiitésimo.. Ifiitésimos equivalete.. Límite por la izquierda.. Límite por

Más detalles

UNIVERSIDAD CATÓLICA DE TEMUCO FACULTAD DE INGENIERÍA DEPTO. DE CIENCIAS MATEMÁTICAS Y FÍSICAS SERIES DE POTENCIAS

UNIVERSIDAD CATÓLICA DE TEMUCO FACULTAD DE INGENIERÍA DEPTO. DE CIENCIAS MATEMÁTICAS Y FÍSICAS SERIES DE POTENCIAS UNIVERSIDAD CATÓLICA DE TEMUCO FACULTAD DE INGENIERÍA DEPTO. DE CIENCIAS MATEMÁTICAS Y FÍSICAS Asigatura : Cálculo Numérico, MAT-23. Profesor : Emilio Cariaga L. Periodo : er. Semestre 205. SERIES DE POTENCIAS

Más detalles

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel

CLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la

Más detalles

MEDIDAS DE TENDENCIA CENTRAL. _ xi

MEDIDAS DE TENDENCIA CENTRAL. _ xi EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee

Más detalles

Guía 1 Matemática: Estadística NM 4

Guía 1 Matemática: Estadística NM 4 Cetro Educacioal Sa Carlos de Aragó. Sector: Matemática. Prof.: Ximea Gallegos H. 1 Guía 1 Matemática: Estadística NM 4 Nombre: Curso: Fecha. Uidad: Estadística y Probabilidades. Apredizajes Esperados:

Más detalles

Introducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)

Introducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales) Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto

Más detalles

Una sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc.

Una sucesión es un conjunto infinito de números ordenados de tal forma que se puede decir cuál es el primero, cuál el segundo, el tercero, etc. Sucesioes Sucesi o. Ua sucesió es u cojuto ifiito de úmeros ordeados de tal forma que se puede decir cuál es el primero, cuál el segudo, el tercero, etc. Los térmios de ua sucesió se desiga mediate a 1,

Más detalles

1. QUÉ ES LA ESTADÍSTICA?

1. QUÉ ES LA ESTADÍSTICA? 1. QUÉ ES LA ESTADÍSTICA? Cuado coloquialmete se habla de estadística, se suele pesar e ua relació de datos uméricos presetada de forma ordeada y sistemática. Esta idea es la cosecuecia del cocepto popular

Más detalles

APROXIMACIÓN DE FILTROS CAPÍTULO 2

APROXIMACIÓN DE FILTROS CAPÍTULO 2 APROXIMACIÓN DE FILTROS CAPÍTULO . Aproximacioes de Filtros E el capítulo se mecioaro los filtros ideales, e la realidad o se puede lograr ua aproximació ideal, por lo que los filtros reales sólo puede

Más detalles

Introducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales)

Introducción a las Funciones Vectoriales (Funciones de R R n ) 1. Funciones de R en R n (Funciones Vectoriales) Itroducció a las Fucioes Vectoriales (Fucioes de R R 1 Fucioes de R e R (Fucioes Vectoriales Llamaremos fució vectorial de variable real o simplemete fució vectorial, a aquellas co domiio e u subcojuto

Más detalles

INSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA. GUIA Nº 3: Sucesiones, Límite de Sucesiones y Límite de Funciones en R

INSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA. GUIA Nº 3: Sucesiones, Límite de Sucesiones y Límite de Funciones en R P á g i a INSTITUCIÓN EDUCATIVA JAVIERA LONDOÑO SEVILLA GUIA Nº 3: Sucesioes, Límite de Sucesioes y Límite de Fucioes e R GRADO: º AREA: MATEMÁTICAS PROFESORA: Ebli Martíez M. ESTUDIANTE: PERIODO: III

Más detalles

Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. 3.

Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. Tema 3: Introducción a la probabilidad. 3. Tema 3: Itroducció a la probabilidad Tema 3: Itroducció a la probabilidad 3.1 Itroducció Equiprobabilidad Métodos combiatorios Objetivos del tema: l fial del tema el alumo será capaz de: Compreder y describir

Más detalles

Convolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG

Convolución. Dr. Luis Javier Morales Mendoza. Procesamiento Digital de Señales Departamento de Maestría DICIS - UG Covolució Dr. Luis Javier Morales Medoza Procesamieto Digital de Señales Departameto de Maestría DICIS - UG Ídice.. Itroducció... Aálisis de Sistemas Discretos Lieales e Ivariates e el Tiempo.... Técicas

Más detalles

UNIDAD 4.- INFERENCIA ESTADÍSTICA II

UNIDAD 4.- INFERENCIA ESTADÍSTICA II UNIDAD 4.- INFERENCIA ESTADÍSTICA II. ESTIMACIÓN POR INTERVALOS DE CONFIANZA Cosideraremos ua variable aleatoria X co ua media µ descoocida y ua desviació típica coocida (parámetros poblacioales). Lo que

Más detalles

Capítulo VARIABLES ALEATORIAS

Capítulo VARIABLES ALEATORIAS Capítulo VI VARIALES ALEATORIAS. Itroducció Detro de la estadística se puede cosiderar dos ramas perfectamete difereciadas por sus objetivos y por los métodos que utiliza: Estadística Descriptiva o Deductiva

Más detalles