Ajuste de Distribuciones de Vida til

Comparacin de Rendimientos de
Confiabilidad
 Tipos de Datos de Confiabilidad
Datos de confiabilidad pueden clasificarse como censurados o no
censurados
Datos Censurados: el tiempo exacto que la unidad fallo es desconocido
Datos no censurados o completos: el tiempo exacto de falla es conocido
Datos Censurados a la derecha o Suspensin
La unidad sobrevivi hasta y despus de tiempo t1. El tiempo de falla
desconocido pero debe ser mayor que t1
0 t1 Unidad falla despus del
tiempo t1

Datos Censurados por intervalo o Readout

La unidad fallo entre dos tiempos conocidos t1 y t2.
Unidad falla entre los
0 t1 t2 tiempos t1 & t2

2
 Tipos de Datos de Confiabilidad

En el Men Reliability Statistics:

Usar la opcin Right Censoring para datos consistentes de:
Tiempos exactos de fallas o
Tiempos exactos de falla y tiempos de falla censurados a la derecha .
Usar la opcin Arbitrary Censoring para datos consistentes
de:
Datos censurados por intervalo o
Datos censurados por intervalo y datos censurados por la derecha o
Datos censurados por intervalo y tiempos exactos de falla o
Datos censurados por intervalo y datos censurados por la
derecha y tiempo exactos de falla.

Si se tiene cualquier dato por intervalo,

se debe usar censura arbitraria

3
 Ajustar una Distribucin de Vida til

El primer paso antes de ajustar una distribucin de vida til

es seleccionar el tipo de distribucin de vida til.

Cmo ajustar una distribucin de vida til asumida y cmo

interpretar los parmetros ajustados.

4
 Ajustar una Distribucin de Vida til

Por qu se ajusta una distribucin de vida til a los datos?

Para analizar el rendimiento de la confiabilidad .
Para estimar parmetros importantes y caractersticas de
rendimiento.
Para evaluar la funcin de riesgo h(t)

Se usa la distribucin de vida ajustada para contestar

preguntas tales como:
Cul es el percentil 50avo, 0.50?
Cul es la confiabilidad a 62,000 horas (7 aos)?
Cul es el tiempo al cual el 3% de la unidades fallaran?

5
Maximum Likelihood vs. Least Squares

6
Maximum Likelihood vs. Least Squares

7
Maximum Likelihood vs. Least Squares

8
Traduccin: Maximum Likelihood vs. Least Squares

Mnimos cuadrados (LSXY)

Mnimos cuadrados se calculan ajustando una lnea de regresin a los puntos en una grfica de probabilidad. La
lnea est formada por una regresin de tiempo (X) a un fallo (Y) o log (tiempo de falla) para el porcentaje
transformado.

Mxima verosimilitud (MLE)

estimaciones de mxima verosimilitud de los parmetros se calculan mediante la maximizacin de la funcin de
probabilidad con respecto a los parmetros. La funcin de probabilidad se describe, para cada conjunto de
parmetros de la distribucin, la posibilidad de que la verdadera distribucin tiene esos parmetros basados en
los datos de la muestra.

El algorithm1 Newton-Raphson se utiliza para calcular las estimaciones de mxima

verosimilitud de los parmetros que definen la distribucin. El algoritmo de Newton-
Raphson es un mtodo recursivo para calcular el mximo de una funcin. Todas las
funciones resultantes, tales como los percentiles y las probabilidades de supervivencia, se
calculan a partir de que la distribucin.

Nota
Para algunos datos, la funcin de verosimilitud es ilimitada y por lo tanto produce estimaciones inconsistentes
para los modelos de tres parmetros. En tales casos, el mtodo de estimacin de mxima verosimilitud de
costumbre se puede romper. Cuando esto sucede, Minitab asume un parmetro umbral fijo utilizando un algoritmo
de correccin de sesgo y encuentra las estimaciones de mxima verosimilitud de los otros dos parmetros. Ver
referencias 2, 3, 4, y 5 para ms informacin.
9
Ruta: Minitab/Help/Glosary

10
Mtodo Newton Raphson

11
Maximum Likelihood vs. Least Squares
Maximum Likelihood Estimation (MLE) Mxima Verosimilitud
Mtodo general para estimar parmetros, construir intervalos de confianza
y pruebas de hiptesis para todas las distribuciones y tipos de datos
censurados.

Least Squares Estimation (LSXY) Mnimos Cuadrados

Un mtodo alternativo que estima los parmetros de una distribucin
basado en un ajuste lineal a los datos en un grafico de probabilidad.

Cuando sea posible, ambos mtodos deben realizados. Si los

resultados son consistentes, entonces hay ms soporte para las
conclusiones. De otro modo, se deseara estimados ms
conservadores o considerar las ventajas de ambos planteamientos
basados en su problema.

12
Maximum Likelihood vs. Least Squares

Mnimos Cuadrados (LSXY)

El grfico de probabilidad tiene un mejor despliegue grfico porque
la lnea es ajustada a los puntos.
Basado en ajustar un modelo de regresin lineal
Coeficiente de correlacin (til al inicio)
Para muestras pequeas cuando se hace un anlisis de
Reliability/Survival, LSXY es ms exacto que MLE.
MLE tiende a sobre estimar el parmetro de forma para la
distribucin Weibull y a subestimar el parmetro de escala en otras
distribuciones. Por tanto, MLE tender a sobre estimar los
percentiles bajos.

13
Maximum Likelihood vs. Least Squares

Mxima Verosimilitud (MLE)

Para muestras fuertemente censuradas cuando se hace
un anlisis de Reliability/Survival, MLE es ms exacto
que LSXY.
Los estimados de los parmetros de la distribucin son ms
precisos que LSXY.
Cuando no hay fallas, cuando se hace un anlisis de
Reliability/Survival, MLE le permite realizar los anlisis. Cuando hay
solo una falla y algunas observaciones censuradas por la derecha,
los estimados de parmetros con MLE pueden existir.
MLE tiene calidades matemticas atractivas.

14
 Ajustar una Distribucin de Vida til

Para los tipos mas comunes de distribuciones y tipos

diferentes de datos se demostrara el uso de MLE para:
Ajustar la distribucin asumida
Evaluar el ajuste usando un grafico de probabilidad
Estimar los parmetros y construir intervalos de confianza
Estimar confiabilidad y percentiles con intervalos de confianza

Las distribuciones de vida til mas comnmente usadas

son
Exponencial
Weibull
Lognormal
Normal
15
 Usando el Probability Plots
Probability Plots
Usados para evaluar el ajuste apropiado de una
distribucin escogida.
Los ejes del probability plot son transformados para que
la CDF de los datos se grafique como una lnea recta.
Solo los datos de fallas exactas aparecen
Tiempo o ciclos estn en el eje x
Si datos estn aleatoriamente dispersos sobre la lnea
recta es un buen ajuste .
Si hay puntos en una forma curvilneal o todos en un
lado de la lnea es un mal ajuste.

16
 Conceptos de Confiabilidad
Percentil
El percentil 100p-th es el tiempo o ciclos al cual (100 p)% de la
poblacin fallara. Es denotado como tp.
F(tp) = p
R(tp) = 1 - p
En ciertas reas se conocen como la vida B. (B10 de un producto es el
tiempo al cual el 10% de la unidades han fallado.
Por ejemplo, si p=0.05, se dice que el percentil 5avo es el
tiempo o ciclos al cual el 5% de las unidades fallaran.
F(t0.05) = 0.05
R(t0.05) = 1 0.05 = 0.95
Percentiles son expresados en unidades de tiempo o ciclos.

17
 Minitab Reliability Stats Menu
Menu Items Descripcion
Distribution ID Genera probability plots para las distribuciones mas
Plot comunes de vida util. Usado para comparar y
determinar cual distribucion ajusta mejor los datos.
Distribution Genera los graficos de pdf, R, probability plot, y riesgo
Overview Plot en una sola pagina para ver la distribucion de vida util
en maneras diferentes.
Parametric Genera probability plots, reliability plots y hazard plots
Distribution para una sola distribucin para ajustar y estimar
Analysis percentiles, probabilidades de sobrevivencia y evaluar
el ajuste de la distribucin.
Nonparametric Usado solo cuando no hay una distribucin conocida
Distribution que ajuste los datos. Genera los reliability plot y hazard
Analysis plot para estimar las probabilidades de sobrevivencia y
tasas de riesgo.

18
Seleccionar una Distribucin de Vida til
Seleccionar una distribucin de vida til para un conjunto
de datos de vida til involucra un numero importante de
consideraciones.
Cual distribucin de vida til es tpicamente usada para este
mecanismo de falla ?
Cual distribucin de vida til ajusta mejor los datos?

En general, las siguientes observaciones pueden ser

hechas :
La distribucin Normal algunas veces ajustan los datos pero no es
deseable ya que permite tiempos negativos de falla y generalmente
no provee una explicacin mecanstica.
La Weibull y la Lognormal son las distribuciones mas comnmente
usadas en la industria electrnica.

19
 Seleccin Weibull vs. Lognormal

Las distribuciones Weibull & Lognormal a veces ajustan los datos

igualmente bien, especialmente sobre la porcin de la mitad de la
distribucin.
Sin un tamao de muestra grande y tiempos exactos de falla es difcil
validar cual distribucin ajusta mejor en la cola baja (bajos percentiles)

La distribucin Weibull tiende a tener una cola baja mas rpido.

Weibull percentiles < Lognormal percentiles, ms conservador.

Histricamente y basados en derivaciones matemticas:

Weibull es usada para modelar mecanismos del eslabn mas
dbil
Lognormal es usada para modelar mecanismos de degradacin. Tiempo de
reaccin en procesos qumicos.

20
 Seleccionar una Distribucin de Vida til:
Determinar el Default
Es importante mantener continuidad y simplicidad al
ajustar el mismo tipo de distribucin de vida til.
La distribucin de vida til default es determinada al
considerar lo siguiente:
1. Cul distribucin de vida til es usada en la industrial para esta
clase de mecanismo de falla ?
2. Cul distribucin de vida til tiene el mejor ajuste para este
mecanismo de falla en anlisis previos?
3. Si no tenemos experiencia previa con el anlisis de datos de este
mecanismo de falla particular entonces cul distribucin de vida
til se esperara basado en la clasificacin como el eslabn mas
dbil o el mecanismo de degradacin?
Si no podemos contestar ninguna de las preguntas
anteriores entonces no se tiene una distribucin default de
vida til.
21
Seleccionar una Distribucin de Vida til

Despus de determinar la distribucin de vida til default, se procede

a los pasos del anlisis de datos de ajustar una distribucin .

1. Usar probability plots para evaluar el ajuste de la distribucin

Examinar el ajuste de la distribucin en la cola menor de inters.
2. Si los tiempos de falla exactos estn disponibles, entonces examine el
estadstico de bondad de ajuste Anderson-Darling (AD).
AD mide el rea entre la lnea ajustada y el paso de la funcin no
paramtrica basada en los puntos graficados.
Valores menores indican un mejor ajuste de la distribucin.
Solo es una medida relativa del ajuste para comparar
distribuciones.
No puede comparar datos a travs de conjunto de datos.
Precaucin con datos censurados en intervalos.
22
Seleccionar una Distribucin de Vida til
Do What If: Conducir una comparacin para ver si las
decisiones y conclusiones cambian dependiendo en la
distribucin seleccionada.
Investigar: Determinar porque la distribucin de vida til
default no ajusta bien los datos.
Posibles explicaciones a investigar:
Datos corruptos o metrologa
Nuevos o inesperados mecanismos de falla
Mecanismos de falla mltiples
Si nada obvio es encontrado: Do What If
Si la decisiones son no afectadas, continuar el uso de la
distribucin default .
Futuras distribuciones default puede cambiar.

23
 Seleccionando una Distribucin

Escogiendo una distribucin

Cuando las conclusiones no cambian basado en la
escogencia de la distribucin, entonces se debe
utilizar otros criterios para escoger la distribucin,
como por ejemplo se podra escoger una
distribucin que:
Es ms conocida a la administracin
Fue usada en situaciones similares
Provee los estimados ms conservadores

24
 Ejemplo 1: Vida til de un Producto

Un fabricante de bebidas necesita colocar una fecha de

expiracin en las botellas que contienen la bebida
carbonatada. La bebida es aceptable hasta que cierta
descoloracin ocurra. Al fabricante le gustara asegurarse
que solo un 5% de las bebidas se descoloren antes de la
fecha de expiracin.
Treinta lotes del producto son hechos durante un periodo
de tres semanas. La vida til, la cul es el nmero de das
hasta que la descoloracin ocurra, es registrada para cada
lote.
Archivo: Vida Util.MPJ

25
 Ejemplo 2: Impresora Dot Matrix

Informacin:
Siete impresoras son probadas hasta la falla.
El tiempo de falla se sospecha que sigue una distribucin Exponencial.
Objetivos:
Evaluar el ajuste de la distribucin Exponencial.
Estimar el parmetro de la Exponencial y el intervalo de confianza del 95%.
Estimar el percentil 50avo, 0.50
Estimar la confiabilidad a las 9,000 horas.
Estimar el tiempo al cual el 5% de las unidades fallaran.
Respuesta: Tiempo de falla en horas
Tamao de muestra: 7 unidades
Conjunto de datos: Impresora.mpj

26
 Ejemplo 2: Impresora Dot Matrix

Session Output

Parameter Estimates

Standard 95.0% Normal CI

Parameter Estimate Error Lower Upper
Mean 5368.57 2029.13 2559.38 11261.1

MLD
Interpretacin:
El parmetro de la Exponencial, , o MTTF es 5369 horas.
El intervalo de confianza del 95% para el MTTF es 2559 a 11261 horas

27
 Ejemplo 2: Impresora Dot Matrix

Session Output
Table of Percentiles

Standard 95.0% Normal CI

Percent Percentile Error Lower Upper
1 53.9559 20.3934 25.7226 113.178
2 108.460 40.9939 51.7064 227.506
3 163.522 61.8057 77.9567 343.006
4 219.156 82.8331 104.479 459.703
5 275.372 104.081 131.279 577.621
. . . . .
. . . . .
50 3721.21 1406.49 1774.03 7805.63
60 4919.17 1859.27 2345.14 10318.5
Interpretacin:
5avo percentil de la poblacin de impresoras es estimado a estar en 275 hrs.
Intervalo de confianza del 95% para el percentil 5avo,0.05 es <131, 578> hrs.
50avo percentil de la poblacin de impresoras es estimado a estar en 3,721 hrs.
Intervalo de confianza del 95% para el percentil 50th ,0.50 es <1,774 , 7,806> hrs.

28
 Ejemplo 2: Impresora Dot Matrix Dot
Matrix Printers
Session Output
Table of Percentiles

Standard 95.0% Normal CI

Percent Percentile Error Lower Upper
1 53.9559 20.3934 25.7226 113.178
2 108.460 40.9939 51.7064 227.506
3 163.522 61.8057 77.9567 343.006
4 219.156 82.8331 104.479 459.703
5 275.372 104.081 131.279 577.621
. . . . .
. . . . .
50 3721.21 1406.49 1774.03 7805.63
60 4919.17 1859.27 2345.14 10318.5

Interpretacin:
5avo percentil de la poblacin de impresoras es estimado a estar en 275 hrs.
Intervalo de confianza del 95% para el percentil 5avo,0.05 es <131, 578> hrs.
50avo percentil de la poblacin de impresoras es estimado a estar en 3721 hrs.
Intervalo de confianza del 95% para el percentil 50avo ,0.50 es <1774 , 7806> hrs.

29
 Ejemplo 2: Impresora Dot Matrix

Session Output
Table of Survival Probabilities

95.0% Normal CI
Time Probability Lower Upper
9000 0.187042 0.0297039 0.449685

Interpretacin:
La confiabilidad en 9000 horas es estimado como 0.187 (18.7%)
El intervalo de confianza del 95% para la confiabilidad a 9000 horas es de
0.03 (3%) a 0.45 (45%)

Los intervalos de confianza anchos indican una gran

incertidumbre en los estimados de los parmetros de inters.
Por ende, se obtener ms datos para mejorar los estimados. 30
 Comparacin de Rendimientos de
Confiabilidad
Una aplicacin importante en pruebas de vida til
es comparar el rendimiento de la confiabilidad a
travs de varios productos.
Ejemplo de aplicaciones:
Demostrar si el rendimiento de la confiabilidad de un producto
recin diseado es equivalente o mejor que el producto previo.
Comparar la confiabilidad de dos materiales diferentes y
seleccionar el material con el mejor rendimiento.
En el anlisis de conjuntos de datos recolectados sobre el tiempo,
confirmar que los parmetros del modelo no han cambiado.
Si los parmetros del modelo no cambian, entonces los datos
pueden ser pooled (agrupados) para obtener estimados de los
parmetros ms precisos.

31
 Pasos del Anlisis

1. Analice los datos (Qu tipo de datos de falla se

tienen?)

2. Seleccione una distribucin para cada producto.

3. Pruebe la igualdad de pendientes ( para la Lognormal,

para la Weibull, para la normal)

4. Pruebe la igualdad de los parmetros de ubicacin ( para

la Lognormal, para Weibull, para la normal) con
pendientes iguales.

32
 Comparacin de Rendimientos de
Confiabilidad
Estrategia del Anlisis
Validar el ajuste de la distribucin seleccionada
Revisar si todos los productos tienen la misma distribucin.

Validar que todos los productos tengan el mismo parmetro

de pendiente.
Los parmetros de pendiente son los mismos si las lneas en el grafico de probabilidad son
paralelos. Pruebas de hiptesis Chi-cuadrado pueden ser conducidos..
Pendientes equivalentes indican que los mismos modos de falla estn presentes.

Comparar los parmetros de ubicacin a travs de todos

los productos
Buscar por off-sets entre las lneas en los grficos de
probabilidad
Si las pendientes son equivalentes pero la ubicacin es diferente, entonces todos los percentiles
y probabilidades de sobrevivencia son probablemente diferentes. .

33
 Comparacin de Rendimientos de
Confiabilidad
Si los parmetros de pendiente y ubicacin son iguales
Combinar los datos de diferentes productos

Si la pendiente es igual y el parmetro de ubicacin no es

igual
Los datos no deben ser combinados

Si las pendientes no son equivalentes, entonces el anlisis

es mas complejo
Algunos percentiles o probabilidades de sobrevivencia pueden ser
la misma y algunos pueden ser diferentes.

34
 Ejemplo 3: Vida til de un cable elctrico
de un tostador Datos Censurados
Un fabricante est considerando cambiar a un nuevo y
ms barato cable elctrico para sus tostadores y desea
comparar la confiabilidad de los cables nuevos y estndar.
Una maquina de pruebas simula el esfuerzo que se somete
un cable elctrico sobre el tiempo. La mquina reproduce
los movimientos realizados por un cliente cuando conecta y
desconecta el tostador.
Un ingeniero registra el tiempo de falla (en minutos) de
cable elctrico. Con el fin de hacer campo para otra prueba
algunos de los cables fueron removidos de la mquina de
pruebas antes que una fallar ocurriera. Como resultado, los
datos son censurados a la derecha.
Archivo: Cordon.MPJ
35
 Ejemplo 3: Rediseo de cordn de
tostador

Interpretacin Probability Plots

Los datos para el nuevo cordn y el estndar estn muy
cercanos a lneas rectas en el grafico de probabilidad
normal.

Todas las distribuciones, excepto la

Exponencial ajustan bien en el percentil 50.
La distribucin Normal ajusta mejor en los
percentiles bajos.

36
 Ejemplo 3: Rediseo de cordn de
tostador

Interpretacin Probability Plot

La suposicin de igualdad de escala no parece
razonable en este caso ya que las lneas no son
paralelas.
Note: Este es el mismo grafico de probabilidad Normal
visto con Distribution ID.

37
 Ejemplo 3: Rediseo de cordn de tostador

Interpretacin Session Output

Se concluye que los parmetros normales de escala () de los
cordones nuevos y estndar son significativamente diferentes.
P-value = 0.006 < 0.05/2 para la Prueba de Igualdad de Parmetros
de Escala.
El intervalo de confianza del 95% da la misma conclusin ya que no
contiene el 1.
En anlisis subsecuentes no se puede asumir que los parmetros
de escala son equivalentes.
Escala Nuevo/Escala Estndar. Un valor de 1 indica que los dos
parmetros son iguales.
Al hacer dos pruebas recordar usar /2

38
 Hagamos una
exploracin de pruebas
de medias y varianzas

39
Prueba de Medias

40
Prueba de Medias

41
 Two-Sample T-Test and CI: Cordon Estd;
Cordon Nuevo

Two-sample T for Cordon Estd vs Cordon Nuevo

N Mean StDev SE Mean

Cordon Estd 30 118,0 39,0 7,1
Cordon Nuevo 10 73,3 18,6 5,9

Difference = (Cordon Estd) - (Cordon Nuevo)

Estimate for difference: 44,73
95% CI for difference: (25,91; 63,55)
T-Test of difference = 0 (vs ): T-Value = 4,84 P-Value = 0,000
DF = 32

42
Prueba de Medias
Individual Value Plot of Cordon Estd; Cordon Nuevo
200

150
Data

100

50

Cordon Estd Cordon Nuevo

43
Prueba de Medias
Boxplot of Cordon Estd; Cordon Nuevo
200

150
Data

100

50

Cordon Estd Cordon Nuevo

44
Prueba de Varianzas
Stat/Basic statistics/ 2 Variances

45
46
Prueba de Varianzas

47
 Histogram of Cordon Estd; Cordon Nuevo
Cordon Estd
6,0

4,5

3,0

1,5
Frequency

0,0
Cordon Nuevo
4

0
40 80 120 160

48
 Ejemplo 3: Rediseo de cordn de tostador

Discusin
Ya que los parmetros de pendiente () no pueden ser
considerados iguales, esto implica que los percentiles
de un diseo no son necesariamente consistentemente
mayores o menores que los del otro diseo.
Esto puede ser observado en el probability plot.
Por tanto, con el fin de determinar si los percentiles 1ero
y el 50avo son diferentes de cada diseo, se debe ver
mas all de la sesin output.

49
 Ejemplo 3: Session Output
Variable: Fail Time
Cord Type = NewCord
Table of Percentiles
Standard 95.0% Normal CI
Percent Percentile Error Lower Upper
1 1 29.2565 12.2146 5.31641 53.1967 3
. . . . .
. . . . .
2 50 74.2026 6.17153 62.1066 86.2985 4

Variable: Fail Time

Cord Type = StdCord
Table of Percentiles
Standard 95.0% Normal CI
Percent Percentile Error Lower Upper
5 1 22.2447 15.3631 -7.86637 52.3558 7
. . . . .
. . . . .
6 50 119.873 7.73132 104.720 135.026 8

50
 Ejemplo 3: Interpretacin
Median time to failure, MTTF, 0.50
Cordn Estndar es 119.9 min y el nuevo es 74.2 min.
Intervalos de Confianza
Estndar : < 104.7,135.0> min
Nuevo: < 62.1, 86.3> min
Conclusin:
Los intervalos de confianza no se traslapan lo cual
indica que las medianas son estadsticamente diferentes
para los dos tipos de cordones.
Un estimado de la desviacin estndar para el cordn
estndar es (84avo percentil 16avo percentil)/2 lo cual es
aproximado igual a (160 80)/2 = 40 minutos

51
 Ejemplo 3: Interpretacin

1er percentil t0.01

Cordn estndar es 22.2 min y el nuevo cordn es 29.3 min
El primer percentil para cordn nuevo es apenas mas alto que el
cordn estndar pero probablemente no estadsticamente
significativos .
Intervalos de Confianza para los 1eros percentiles:
Estndar : < 0 , 52.4> min
Nuevo: <5.3, 53.2> min
Conclusin:
Los intervalos de confianza se traslapan lo cual indica
que los 1eros percentiles no son estadsticamente
diferentes para los dos tipos de cordones elctricos.

52
 Ejemplo 3: Conclusiones

La distribucin del tiempo de falla para los dos tipos de cordones difieren
significativamente.
El MTTF y percentiles altos para el cordn estndar son mayores que las
mismos valores que el cordn nuevo. Esto quiere decir que el cordn estndar
dura ms.
Los primeros percentiles para ambos tipos de cordones son aproximadamente
los mismos.
El cordn estndar tiene ms variabilidad en los tiempos de falla que el nuevo
cordn.
El nuevo generalmente falla temprano y ms consistentemente que el cordn
estndar.
La funcin de riesgo indica que ambos tipos se desgastan conforme al tiempo.
La empresa decidi quedarse con el cordn estndar ya que les
preocupa que sus clientes noten la disminucin en calidad.

53
 Resumen del Procedimiento de Anlisis

Comparar rendimiento de la confiabilidad

1. Seleccionar distribucin. Minitab: Distribution ID plot
2. Probar igualdad de pendientes de los productos.
Minitab: Parametric Distribution Analysis
Test: Prueba de igualdad de parmetros
3. Si las pendientes son iguales entonces probar por igualdad de
parmetros de ubicacin asumiendo un parmetro comn de
pendiente.
Minitab: Parametric Distribution Analysis
TestProbar la igualdad de parmetros de ubicacin
EstimarAsumir un parmetro comn de forma
Si las pendientes no son iguales entonces estimar los percentiles o
confiabilidades de inters y hacer comparaciones de productos al analizar
si los intervalos de confianza se traslapan.
4. Determinar si los requerimientos se cumplen.

54
Resumen del Procedimiento de Anlisis

Comparar rendimiento de la confiabilidad Seleccionar distribucin.

Minitab: Distribution ID plot
1. Probar igualdad de pendientes de los productos.
Minitab: Parametric Distribution Analysis
Test: Prueba de igualdad de parmetros
2. Si las pendientes son iguales entonces probar por igualdad de
parmetros de ubicacin asumiendo un parmetro comn de
pendiente.
Minitab: Parametric Distribution Analysis
TestProbar la igualdad de parmetros de ubicacin
EstimarAsumir un parmetro comn de forma
Si las pendientes no son iguales entonces estimar los percentiles o
confiabilidades de inters y hacer comparaciones de productos al analizar
si los intervalos de confianza se traslapan.
3. Determinar si los requerimientos se cumplen.

55