Realizar conclusiones de los principales resultados, nuevas lneas de trabajo

y recomendaciones.
1 FUNDAMENTOS

1.1 OBJETIVO 1

Fundamentar los conceptos bsicos de simulaciones de Monte Carlo y confiabilidad
en mantenimiento.


1.2 INTRODUCCIN

El captulo busca estructurar las bases de las simulaciones de Monte Carlo y
confiabilidad en mantenimiento, involucrando la interaccin con Excel, los
beneficios, propiedades, aplicaciones y dems caractersticas necesarias para el
desarrollo del proyecto.


1.3 DESARROLLO

La herramienta objetivo del desarrollo en Excel apunta hacia un enfoque total del
sistema mientras se trabaja con sistemas o componentes individuales. Esto le
permite al usuario disear objetivos puntuales por separado, con respecto a la
seleccin de componentes, incrementar la confiabilidad sin comprometer en exceso
la operatividad. El usuario puede analizar la confiabilidad de componentes o del
sistema completo.

17
1.3.1 La simulacin de Monte Carlo
La metodologa de Monte Carlo es un conjunto de datos que dependen de unas
variables probabilsticas de entrada siguiendo una distribucin especfica cuyo
propsito es estimar unas variables de salida; adems, es el desarrollo de un
modelo lgico matemtico de un sistema, que con la ayuda de la simulacin permite
que se obtenga una imitacin de un proceso a travs del tiempo. De esta manera se
genera una historia artificial, y la observacin de sta se desarrolla mediante la
manipulacin experimental.

La simulacin es un proceso cuantitativo utilizado en la toma de decisiones, pues
sirve para observar lo relacionado con un sistema real mediante la experimentacin
con el modelo que lo representa (Daz,1992,57).

El objetivo consiste en crear un entorno en el cual se pueda obtener informacin
sobre posibles acciones alternativas a travs de la experimentacin y el uso de los
computadores. En administracin, los modelos matemticos se construyen y se
utilizan para comprobar los resultados de decisiones antes de aplicarlas a la
realidad.

1.3.1.1 Beneficios de la simulacin
Los modelos de simulacin son ms fciles de entender que muchos
modelos analticos.
Se gana experiencia a un menor costo en tanto se simulan en el computador
sin correr riesgos reales.
Se obtienen resultados de manera rpida.
Con los modelos de simulacin es posible analizar de manera rpida,
sistemas complejos.

18
1.3.1.2 Simulacin de Monte Carlo en Excel
La capacidad de los modelos de simulacin para tratar con la complejidad, manejar
la variabilidad de las medidas de desempeo y reproducir el comportamiento a corto
plazo permite que la simulacin sea una herramienta eficaz. Adems, la potencia de
los computadores porttiles hace posible que el administrador use hojas de clculo
para evaluacin del riesgo de inversiones financieras, evaluacin de proyectos,
planes de retiro y otros tipos de decisiones de negocios.

Lo anterior se debe a la flexibilidad y capacidad estadstica de la hoja de clculo, la
cual la torna especial para el desarrollo de los modelos, particularmente en el uso
del mtodo de Monte Carlo (Azofeifa,1995,99).

La simulacin de Monte Carlo es una tcnica que hace uso de la estadstica y los
ordenadores para imitar, mediante modelos matemticos, el comportamiento
aleatorio de sistemas reales no dinmicos (por lo general, cuando se trata de
sistemas cuyo estado va cambiando con el paso del tiempo, se recurre bien a la
simulacin de eventos discretos o bien a la simulacin de sistemas continuos).

El procedimiento aplicado a Excel se basa en la generacin de muestras aleatorias
(valores concretos) con ayuda del ordenador, mediante unas variables
probabilsticas de entrada, y en el anlisis del comportamiento del sistema ante los
valores generados. Despus de repetir n veces ste, se dispone de n observaciones
sobre el comportamiento del sistema, lo cual es de utilidad para entender el
funcionamiento del mismo. El anlisis es tanto ms preciso, cuanto mayor es el
nmero n de experimentos que se lleven a cabo (Fauln@2005).

1.3.1.3 Utilizacin de las simulaciones de Monte Carlo
El estudio de confiabilidad requiere una idea de los resultados que de l se esperan.
La informacin de planeacin es utilizada para evaluar las propiedades de los
19
planes de ensayo propuestos, empleando uno o dos de los siguientes mtodos de
evaluacin:

Mtodo directo de las propiedades: requiere el uso de aproximaciones
basadas en muestras grandes, las cuales se comportan adecuadamente si la
probabilidad de cero fallas es pequea.
Mtodo de planes de ensayo por medio de simulacin: para la utilizacin de
este mtodo se debe simular un plan de ensayo propuesto un nmero amplio
de veces. Cuando se est trabajando en procesos dinmicos y el tiempo es
un factor importante, se necesitan por lo menos 1000 simulaciones en
estudios complicados y 5000 simulaciones en estudios sencillos
(Escobar y otros@2005).

1.3.2 Confiabilidad
Una definicin de confiabilidad es la probabilidad de que un equipo desempee
satisfactoriamente las funciones para las cuales es diseado, durante un periodo de
tiempo especificado y bajo las condiciones de operacin ambientales, y de entorno
adecuadas (Mora,2005,62).

La confiabilidad se refiere al funcionamiento adecuado de equipos y sistemas, lo
cual incluye factores como software, hardware, humanos y ambientales. ste es un
concepto ms amplio y muestra la complejidad de lo que se entiende por este
trmino, su evaluacin, el mantenimiento y su mejora (Escobar y otros@2005).

La medida de confiabilidad de un sistema es la frecuencia con la que ocurren los
fallos en un tiempo determinado. Para esto se definen los equipos en confiables si
su tasa de fallos es baja o en un mejor caso si esta es de cero interrupciones y en
no confiables si su frecuencia de fallos es muy alta (Mora,2005,62).

20
Un producto confiable es aquel que hace lo que el usuario quiere y cuando lo
dispone. De acuerdo con esto, es calidad a travs del tiempo, por lo tanto un
producto confiable debe permanecer dentro de sus lmites de especificacin durante
su vida tecnolgica. Esto significa que, la buena calidad es necesaria pero no
suficiente para garantizar una buena confiabilidad.

La evaluacin y pronstico de la confiabilidad se puede dar mediante el uso de
mtodos estadsticos que proporcionan herramientas importantes para la mejora, el
diseo y el mantenimiento de la misma. El inconveniente radica en que la
confiabilidad de un producto se puede evaluar acertadamente despus de que ha
estado en servicio por algn tiempo (Escobar y otros@2005).

1.3.2.1 Curva de confiabilidad
La curva de confiabilidad es la forma grfica como se representa el funcionamiento
de un equipo despus de transcurrido un intervalo de tiempo dentro de un perodo
de tiempo total. sta se puede interpretar de dos maneras: la primera consiste en
representar la probabilidad de confiabilidad o vida til de un sistema en un tiempo
determinado; la otra forma consiste en analizar en varios elementos no reparables
expresando el porcentaje de estos que an funcionen despus de un tiempo
determinado (Mora,2005,62).

1.3.2.2 Datos y modelos de confiabilidad
La confiabilidad propone dos grandes e importantes reas: (a) sistemas reparables
y (b) componentes o unidades reemplazables. En general, para el anlisis y la
modelacin de datos de estas dos reas se requieren diferentes supuestos acerca
de los datos y de diferentes esquemas de muestreo para obtenerlos. Se debe tener
precaucin para no confundir estos dos tipos de datos de confiabilidad, lo cual
puede ocasionar un anlisis incorrecto de los mismos.

21
El mantenimiento busca el buen funcionamiento de los equipos y extender su
tiempo de funcionamiento con el menor nmero de interrupciones posible, para esto
se buscan soluciones ptimas como puede ser la reparacin de los sistemas o el
cambio de unidades segn sea el procedimiento mas acertado de mantenimiento,
apoyado en datos y modelos de confiabilidad que permitan obtener la solucin
adecuada para los equipos (Ponce@2005).

Los datos requieren herramientas estadsticas especiales y pueden surgir, por
ejemplo, del monitoreo de un conjunto de unidades reparables, donde el evento de
inters puede ser la falla de las unidades (para evaluar su confiabilidad), el costo de
reparacin (para evaluar el costo de operacin/mantenimiento) o ambos. Datos de
componentes o unidades reemplazables describen tiempos de falla o degradacin
de unidades que no son reparadas.

La unidad es no reparada, entre otras razones, porque es ms prctico o econmico
reemplazarla, o es costosa su reparacin o no se cuenta con el suficiente tiempo
para esto por motivos de tiempo de trabajo del equipo. Fuentes de estos datos son:
ensayos de laboratorio de materiales o componentes y datos de componentes o
subsistemas reemplazables obtenidos de ensayos por monitoreo de sistemas. Aun
cuando de una naturaleza distinta, tambin se incluyen en esta categora datos de
vida correspondientes a la primera falla de un sistema.

1.3.2.3 Caractersticas de los datos de confiabilidad
Los estudios de confiabilidad obtienen resultados positivos en su gran mayora:
tiempos de falla, niveles de degradacin, resistencia de materiales, nmero de
eventos en un perodo de tiempo, etc. Es en estos donde la modelacin y la
estadstica juegan un papel fundamental para que dichos estudios arrojen
resultados ptimos y poder mejorar la confiabilidad de los equipos.

22
La modelacin supone usualmente una distribucin no normal debido a que los
valores observados son positivos. Es comn el uso de otras distribuciones como la
lognormal, la de Weibull, la uniforme, la gama, la de Poisson, etc. En el presente
proyecto se utilizan cinco distribuciones de las mencionadas anteriormente como
son: la de Weibull, la exponencial, la normal, la lognormal y la uniforme. La
modelacin se basa en una combinacin de mtodos grficos y estadsticos que
permiten la obtencin de datos que reducen la probabilidad de fallas y aumentan la
confiabilidad de los equipos.
Las distribuciones anteriormente mencionadas manejan cada una parmetros de
entrada que simulan el comportamiento de unas variables de salida que permitan la
toma adecuada de decisiones en los estudios de confiabilidad. Para el clculo de
estos es necesario recurrir a mtodos de extrapolacin que permitan tener valores
ms acertados y acordes a la realidad. Con el uso de las distribuciones se pueden
obtener tasas de falla, probabilidades de falla, confiabilidades, tasas de recurrencia,
optimizar los planes de mantenimiento, entre otras.

1.3.2.4 Software para estudios de confiabilidad
La utilidad de los estudios de confiabilidad y la interpretacin de los datos hacen
necesario la utilizacin de software que le permitan al usuario un conocimiento de
los equipos. Estos presentan datos y modelos de manera compleja, por lo cual los
mtodos estadsticos y el software necesario para el anlisis apropiado no estn tan
desarrollados como otros software de otros temas. Existen programas con alguna
capacidad para el anlisis de datos de confiabilidad, por ejemplo (Escobar y
otros@2005):

JMPTM (www.jmpdiscovery.com)
SAS (www.sas.com/statistics)
MINITAB (www.minitab.com)
ReliaSoft's ALTA 6 (www.ReliaSoft.com)

23

1.4 CONCLUSIN

La seccin plantea los conceptos bsicos de las simulaciones de Monte Carlo y
confiabilidad en mantenimiento necesarios para la comprensin de las teoras
empleadas en el desarrollo del proyecto.


2 METODOLOGA

2.1 OBJETIVO 2

Describir la metodologa de funcionamiento del modelo de Monte Carlo.


2.2 INTRODUCCIN

La seccin desarrolla la metodologa de operacin del modelo de Monte Carlo con
base en algunos conceptos bsicos estadsticos y mediante un ejemplo simple de
mantenimiento, a travs de la simulacin en Excel, y busca aproximarse al
comportamiento real de un sistema por medio de mltiples iteraciones aleatorias. El
proceso se realiza en Excel en la distribucin uniforme y del mismo modo se
presenta el desempeo de las dems distribuciones.


2.3 DESARROLLO

La simulacin es bsicamente el anlisis de un sistema, proceso o actividad por
medio de un planteamiento matemtico, el cual modela el comportamiento aleatorio
de unas entradas previamente identificadas, obteniendo una serie de salidas que
24
imitan el comportamiento real del sistema completo. La metodologa de las
simulaciones de Monte Carlo consiste en (Azofeifa,1995,97):

Generacin de nmeros aleatorios, o entradas, por medio de una distribucin
determinada.
Ejecucin del planteamiento matemtico que modele el comportamiento del
sistema.

Obtencin de resultados, o salidas, de acuerdo a la modelacin de las
entradas dentro del modelo matemtico.

2.3.1 Conceptos previos
El proceso de simulacin involucra diferentes conceptos en su desarrollo, tales
como las funciones que ofrecen los lenguajes de programacin, las diferentes
distribuciones y dems nociones estadsticas necesarias en el proceso.

2.3.1.1 Generacin de nmeros aleatorios
Las hojas de clculo como Excel, y muchos otros lenguajes de programacin, son
capaces de generar nmeros pseudo-aleatorios
5
provenientes de una distribucin
uniforme entre el cero (0) y el uno (1). Este tipo de nmeros son elementos bsicos
a partir de los cuales se desarrolla cualquier simulacin por ordenador. En Excel, es
posible obtenerlos usando la funcin ALEATORIO, provenientes de una distribucin
uniforme entre cero y uno.

Los nmeros generados mediante esta funcin tienen dos propiedades que los
hacen equiparables a nmeros completamente aleatorios:


5
Es el resultado de una variable cualquiera especificada por una distribucin.
25
Cada vez que se usa, cualquier nmero real entre cero y uno tiene la misma
probabilidad de ser generado, razn por la cual se denomina distribucin
uniforme.

Los diferentes nmeros generados son estadsticamente independientes
unos de otros, es decir, el valor generado en un momento dado no depende
de los generados con anterioridad.
La funcin ALEATORIO es una funcin voltil de Excel. Esto significa que cada vez
que se pulsa la tecla F9 o se cambia alguno de los inputs
6
del modelo, todas las
celdas donde aparezca la funcin sern recalculadas de forma automtica. Los
nmeros pseudos-aleatorios son generados de esta manera, y se arrastra la casilla
para obtener cuantos sea necesario. La ilustracin 1 presenta la obtencin de un
nmero mediante la funcin ALEATORIO en Excel (Fauln@2005).

Ilustracin 1. Funcin aleatorio en Excel


2.3.1.2 Media aritmtica
La media es la suma de todos los datos dividido por el nmero total de ellos. Es lo
que se conoce como "promedio". Se define mediante la siguiente ecuacin
(Wikipedia@2006):

Ecuacin 1. Media aritmtica

=
=
+ + +
=
k
n
k
n
X
n n
X X X
X
1
2 1
1 ....

Fuente: Wikipedia@2006

6
Inputs: entradas del sistema
26

2.3.1.3 Teora de probabilidad con enfoque frecuencial
La teora de la probabilidad es la frecuencia relativa observada de un evento
durante un gran nmero de intentos, o la fraccin de veces que un evento se
presenta a la larga, cuando las condiciones son estables. Este mtodo utiliza la
frecuencia relativa de las presentaciones pasadas de un evento como una
probabilidad. Se determina qu tan frecuentemente ha sucedido algo en el pasado y
se usa esa cifra para predecir la probabilidad de que suceda de nuevo en el futuro
(Southlink@2006).

2.3.1.4 Variable aleatoria
La variable aleatoria se define como el resultado numrico de un experimento
aleatorio. Matemticamente, es una aplicacin X: R que da un valor numrico,
del conjunto de los reales R, a cada suceso en el espacio de los resultados
posibles del experimento.

Variable aleatoria discreta
La variable aleatoria discreta es la que puede asumir una cantidad medible
numerable de valores, es decir, que solo puede tomar un nmero limitado de
valores. Un ejemplo de este tipo de variable es el valor que puede salir al lanzar un
dado, el cual es un valor entre uno y seis.

Variable aleatoria continua
La variable aleatoria continua es la que puede asumir una cantidad innumerable de
valores, es decir, que puede tomar cualquier valor dentro de un intervalo dado de
valores, por ejemplo, el tiempo (Johnson y Kuby,1999,194).

2.3.1.5 Distribucin de Weibull
La distribucin de Weibull se utiliza cuando un componente est en un perodo de
investigacin y la razn de falla de ste puede no ser constante durante dicho
27
tiempo, lo que podra hacer pensar que el perodo de vida inicial del componente fue
usado slo para la investigacin; es entonces donde el tiempo de falla se determina
por desgaste y no de manera aleatoria como se necesita.

El modelo exponencial no es aplicable y se hace necesario utilizar una razn de
falla ms general. El modelo de Weibull sera entonces la distribucin con una razn
de falla ms general aplicable en estas circunstancias, ya que describe los tiempos
de falla de componentes cuando sus razones de falla crecen o decrecen con el
tiempo (Weibull@2006).

La distribucin de Weibull tiene como parmetros a y a donde alfa es la escala y
beta el parmetro de forma y se determina por la siguiente expresin matemtica:

Ecuacin 2. Funcin de densidad de la distribucin de Weibull
0 , 0 , 0 , ) (
1
> > > =




t e t t f
t
Fuente: Weibull@2006

La funcin de confiabilidad de Weibull R(t) deduce que la funcin asociada con la
distribucin de tiempos de falla de Weibull es:

Ecuacin 3. Funcin de confiabilidad de Weibull

t
e t R

= ) (
Fuente: Weibull@2006


2.3.1.6 Distribucin exponencial
La distribucin exponencial devuelve la probabilidad de una variable aleatoria
continua que sigue una distribucin exponencial. Se usa para la planeacin del
tiempo entre dos sucesos. Esta distribucin se puede usar en diversos casos tales
como el tiempo que tardar una mquina de cajero automtico en entregar efectivo.
28
Esta funcin puede usarse, por ejemplo, para determinar la probabilidad de que el
proceso tarde como mximo un minuto.

Ecuacin 4. Funcin de densidad de la distribucin exponencial


( )
x
e x f



= ;
Fuente: Mlaga@2006



Ecuacin 5. Ecuacin de la distribucin acumulada
. ( )
x
e x F

=1 ;
Fuente: Mlaga@2006

Siendo el valor del parmetro y x el valor de la variable.

2.3.1.7 Distribucin normal
La distribucin se utiliza frecuentemente en las aplicaciones estadsticas. Su propio
nombre indica su extendida utilizacin, justificada por la frecuencia o normalidad con
la que ciertos fenmenos tienden a parecerse en su comportamiento a esta
distribucin. Los parmetros que la definen son la media () y la desviacin tpica
(), y se representa (,) (Mlaga@2006).

La distribucin normal puede tomar cualquier valor ( , + ). Son ms probables
los valores cercanos al valor central que se conoce como media ; conforme se
separa de ese valor , la probabilidad va decreciendo de igual forma de derecha a
izquierda (es simtrica). A medida que se sigue separando de su media la
probabilidad va decreciendo de forma mas o menos rpida dependiendo del
parmetro o desviacin tpica.

La desviacin estndar es un valor que representa la variabilidad existente en un
conjunto de datos, ya que por ejemplo dos conjuntos pueden presentar la misma
29
media aritmtica, pero poseer distinta variabilidad; por eso ste parmetro permite
saber acerca de la variabilidad o dispersin de los datos. Matemticamente se
define como la raz cuadrada del promedio de los cuadrados de las desviaciones
medias de cada valor de la variable con respecto de la media aritmtica y se
expresa mediante la siguiente ecuacin (Wikipedia@2006):




Ecuacin 6. Ecuacin desviacin estndar

2
s s =
Fuente: Wikipedia@2006

2.3.1.8 Distribucin lognormal
La distribucin lognormal se obtiene cuando los logaritmos de una variable se
describen mediante una distribucin normal. Es el caso en el que las variaciones en
la confiabilidad de una misma clase de componentes tcnicos se representan
considerando la tasa de fallos aleatoria en lugar de una variable constante.

Es la distribucin natural por utilizar cuando las desviaciones a partir del valor del
modelo estn formadas por factores, proporciones o porcentajes ms que por
valores absolutos como es el caso de la distribucin normal. La distribucin
lognormal tiene dos parmetros: (media aritmtica del logaritmo de los datos o
tasa de fallos) y (desviacin estndar del logaritmo de los datos o tasa de fallos)
(Mlaga@2006).

2.3.2 Simulacin de Monte Carlo de una distribucin uniforme
El procedimiento de la simulacin se puede comprender recurriendo a un ejemplo
que permita identificar los pasos por seguir en una modelacin en particular. El
30
ejemplo se realiza en Excel; no obstante, muchos otros lenguajes de programacin
estndar pueden ejecutar una simulacin de acuerdo con el modelo matemtico y
las entradas aleatorias.

El ejemplo es un caso de mantenimiento, en el cual se aplica una simulacin de una
variable aleatoria discreta, con base en la obtencin de nmeros pseudo-aleatorios
provenientes de una distribucin uniforme, utilizando las herramientas ofrecidas por
Excel.
El caso consiste en analizar los datos que se tienen de un equipo cualquiera que
normalmente falla entre las semanas 10 y 15 en operacin continua, con el fin de
determinar el tiempo ptimo en el cual se debe realizar el respectivo mantenimiento
preventivo.

Los datos histricos son utilizados para calcular la media o el promedio de la
semana en que es necesario realizar dicho mantenimiento. En primera instancia se
obtienen de acuerdo con la teora de la probabilidad a travs de la ecuacin
correspondiente, y posteriormente, se realiza mediante el uso de la simulacin de
Monte Carlo.

2.3.2.1 Clculo de la media con la definicin terica
La media se calcula con base en el registro histrico del equipo, de acuerdo con la
ecuacin de la teora de la probabilidad.

Probabilidad de ocurrencia del fallo
La ilustracin 2 muestra el anlisis histrico de 50 fallos, la tabla incluye el nmero
de semanas que opera el equipo antes de fallar (10, 11,, 15), junto con las
frecuencias absolutas (nmero de fallos que se producen en las semanas 10, 11,,
15), las frecuencias relativas (7/50 = 0.14, 6/50 = 0.12,, 8/50 = 0.16), y las
frecuencias relativas acumuladas.

31








Ilustracin 2. Datos histricos del equipo
Tiemp. Op. (sem) Frec. Abs. (fallos) Frec. Relat. Frec. Relat. Acum.
10 7 0,14 0,14
11 6 0,12 0,26
12 12 0,24 0,50
13 10 0,20 0,70
14 7 0,14 0,84
15 8 0,16 1,00
Total 50 1,00

La frecuencia relativa es la probabilidad de que ocurra el suceso asociado, en este
caso, la probabilidad de que el equipo falle en una determinada semana, por
ejemplo, la probabilidad que se presente el incidente en la semana 13 es de 0.20, o
lo que es lo mismo, del 20%. La tabla de la Ilustracin 2 proporciona la distribucin
de probabilidad asociada a una variable aleatoria discreta (la variable aleatoria es el
nmero de semanas, que slo puede tomar valores enteros entre 10 y 15).

Teora de Probabilidad
32
La teora de probabilidad es una manera de conocer la semana esperada (o media)
en que se va a presentar el fallo. Denotando por X a la variable aleatoria que
representa la semana en la que ocurre el problema, se tiene que (Fauln@2005):

Ecuacin 7. Teora de probabilidad
[ ] ) (
5
0
i
i
i
x X P x X E

=
= =
Fuente: Fauln@2005

[ ] 16 . 0 15 14 . 0 14 20 . 0 13 24 . 0 12 12 . 0 11 14 . 0 10 + + + + + = X E
[ ] 56 . 12 = X E

La teora de probabilidad obtiene el valor exacto de la semana en la cual ocurre el
fallo, con lo cual se puede concluir que el equipo tendr problemas en el transcurso
de la semana 12 y que es conveniente realizar el mantenimiento preferiblemente
antes de esta semana. No obstante, no siempre es factible realizar esta estimacin,
por lo cual se requiere la simulacin de Monte Carlo.

2.3.2.2 Clculo de la media utilizando el mtodo de Monte Carlo
El procedimiento comienza al identificar los intervalos de nmeros aleatorios
asociados a cada suceso; en este caso se utiliza la distribucin de probabilidad
asociada a la variable aleatoria discreta y la columna de frecuencias relativas
acumuladas de la ilustracin 2, con lo cual se obtienen los siguientes intervalos:

Intervalos de nmeros aleatorios:
[0.00 , 0.14) para el suceso 0
[0.14 , 0.26) para el suceso 1
[0.26 , 0.50) para el suceso 2
[0.50 , 0.70) para el suceso 3
[0.70 , 0.84) para el suceso 4
33
[0.84 , 1.00) para el suceso 5

Los intervalos se presentan en un grfico donde se aprecia la relacin existente
entre la probabilidad de cada suceso y el rea que ste ocupa. La ilustracin 3
permite identificar, mediante el rea ocupada, las semanas con mayor probabilidad
de fallo, que para el caso, son las semanas 12 y 13.




Ilustracin 3. Probabilidad de la semana de fallo
SEMANA DE FALLO
0,14 0,12 0,24 0,20 0,14 0,16
0,00 0,20 0,40 0,60 0,80 1,00
Pr obabilidad
Semana 10
Semana 11
Semana 12
Semana 13
Semana 14
Semana 15


Generacin de nmeros pseudo-aleatorios de una distribucin uniforme
La ilustracin 4 muestra que dada una distribucin de probabilidad es posible
generar un nmero pseudo-aleatorio con el ordenador, proveniente de una
distribucin uniforme entre cero y uno, y asociarlo a un suceso en particular, es
decir, a una semana de fallo. De esta manera, si se obtiene el nmero aleatorio
0.6124, se puede suponer que ese fallo ocurre en la semana 13.

34











Ilustracin 4. Generacin de nmeros pseudos-aleatorios


Asociacin de los nmeros a la variable
La semana de fallo es asociada a cada nmero de acuerdo con la distribucin de
probabilidad por medio de la funcin SI de Excel, tal como se muestra en la
ilustracin 5.

Ilustracin 5. Semana de fallo asociada a cada nmero aleatorio
35





Clculo de la media en Excel
La ilustracin 6 muestra el clculo de la media de los valores de la columna donde
se encuentra la semana de fallo asociada, por medio de la funcin PROMEDIO de
Excel.

Ilustracin 6. Media de la semana de fallo


Observaciones
36
El valor obtenido es muy similar al calculado anteriormente con la definicin
terica de la media. La componente aleatoria intrnseca al modelo hace que
los valores sean cercanos al valor real, siendo stos diferentes unos de otros,
pues cada simulacin proporciona sus propios resultados. Esto se
comprueba pulsando repetidamente la funcin F9; cada vez que se pulsa la
tecla, Excel genera nuevos valores aleatorios y, por tanto, nuevos valores en
la semana asociada y un nuevo promedio de la semana de fallo.

La simulacin se hace cada vez ms precisa en la medida en que se tenga
una muestra aleatoria mayor, es decir, el resultado de la media se hace ms
cercano al valor real cuando se generan 10.000 muestras que si se tienen
nicamente diez nmeros pseudo-aleatorios (Fauln@2005).
2.3.3 Simulacin de Monte Carlo con otras distribuciones
La generacin de nmeros aleatorios puede ser realizada a partir de otras
distribuciones diferentes a la uniforme. Excel proporciona una serie de
funcionalidades estadsticas, como el anlisis de datos, que permite la generacin
de nmeros provenientes de estas distribuciones. Las opciones posibilitan de
manera fcil la obtencin de observaciones provenientes de distribuciones de
variable discreta o de variable continua, como son, la uniforme y la normal.

La teora estadstica ofrece el mtodo de la transformada inversa para derivar las
frmulas que permiten obtener valores pseudo-aleatorios provenientes de
distribuciones como la Weibull o la lognormal. La ilustracin 7 presenta algunas
frmulas que, implementadas en celdas de Excel, permiten obtener valores pseudo-
aleatorios de algunas de las distribuciones continuas ms usadas.

Ilustracin 7. Distribuciones continuas
37
Distribucin Parmetros Frmula Excel
Exponencial Media = b = -LN(ALEATORIO( ))*b
Weibull
Escala = b
Forma = a
= b*(-LN(ALEATORIO( ))^(1/a))
Normal
Media =
Desv. Estndar =
= DISTR.NORM.INV(ALEATORIO( ), ,
)
Lognormal
Media de Ln(X) =
Desv. Est. de Ln(X) =

= DISTR.LOG.INV(ALEATORIO( ), , )
Uniforme entre a y b
Extremo inferior = a
Extremo superior = b
= a + (b-a)*ALEATORIO( )
Fuente: Fauln@2005




2.4 CONCLUSIN

El captulo comprende los conceptos bsicos de la simulacin de Monte Carlo y el
procedimiento general por medio de un ejemplo bsico en Excel, explicando de
forma secuencial la metodologa de funcionamiento del modelo a partir de una
distribucin uniforme. Igualmente, expone la funcin de otras distribuciones en el
proceso de la modelacin a partir de diferentes parmetros.
38
3 APLICACIN

3.1 OBJETIVO 3

Aplicar en base Excel la metodologa de Monte Carlo a la confiabilidad del sistema
de bombeo de EAFIT (GEMI), explicando de manera clara y concisa cada uno de
los procedimientos de la aplicacin, que le permita al usuario una implementacin
eficiente de la metodologa en Excel.


3.2 INTRODUCCIN

El captulo consta de un breve marco terico del sistema de bombeo de la
Universidad EAFIT (GEMI), donde se presentan los equipos por estudiar, adems
se realiza la aplicacin de la metodologa de Monte Carlo en Excel al sistema de
acuerdo con las distribuciones previamente estudiadas, analizando confiabilidad
para obtener los resultados que permitan ejecutar un ptimo plan de mantenimiento.


3.3 DESARROLLO

La aplicacin del modelo a los equipos hidrulicos se hace necesaria en el
momento en que el procedimiento de mantenimiento actual deja de ser eficiente y
hace que se presenten fallos continuamente. Es ah donde la simulacin permite
imitar el comportamiento real del objeto de estudio por medio de una serie de
iteraciones, con la posibilidad de realizar modificaciones en los diferentes
parmetros involucrados en el proceso y, de acuerdo con esto, tomar las decisiones
adecuadas en un determinado momento.
39
3.3.1 Sistema de bombeo
El sistema de bombeo se encuentra en la parte exterior del cuarto de bombas del
Laboratorio de Hidrulica. Consta de seis bombas y motores de iguales
caractersticas para trabajar cinco simultneamente y uno en stand-by para entrar
en el momento en que se presente fallo de una de las bombas; cada equipo tiene
adems sus respectivas protecciones, elementos de arranque y parada, la red
hidrulica y el sistema automatizado de monitoreo continuo.

Ilustracin 8. Sistema de bombeo


El sistema de bombeo se puede dividir en dos partes o subsistemas, el primero el
sistema motor o el sistema que realiza el trabajo, compuesto por el motor y la
bomba, y el sistema de tuberas, que es el que transporta el agua, compuesto por la
tubera y los accesorios. El sistema de monitoreo controla las variables elctricas y
adems la variable de presin de cada una de las bombas mediante el uso de
censores de presin; igualmente, permite realizar las maniobras de apagado
automtico y registro de comportamiento diario.

40
3.3.2 Aplicacin en Excel
Las soluciones en mantenimiento deben ser acertadas y cercanas a la realidad, lo
cual hace que sea necesario poder recrear escenarios posibles para poder
identificarlas. Por tal razn se acude al mtodo de simulacin de Monte Carlo con el
fin de predecir el mayor nmero de fallos que se puedan presentar dentro un
sistema. Por medio de la generacin de nmeros aleatorios y, segn una
distribucin estadstica especfica, es posible tener un mejor conocimiento de los
equipos, y as tomar decisiones que permitan reducir costos en el mantenimiento y
optimizar el funcionamiento de stos.

El programa Excel se emplea como herramienta fundamental para realizar la mayor
parte del anlisis estadstico y matemtico requerido para la prediccin del
comportamiento de un sistema reparable a partir de datos reales. Adems, por la
capacidad de las hojas de clculo de generar nmeros aleatorios entre el cero y el
uno, los cuales son elementos bsicos para cualquier tipo de simulacin.

La simulacin del sistema de bombeo de la Universidad EAFIT se lleva a cabo por
medio de un archivo en Excel llamado Simulacin de Monte Carlo del Sistema de
Bombeo GEMI, el cual presenta la aplicacin del modelo para cada una de las
distribuciones previamente estudiadas, como lo son las distribuciones de Weibull,
exponencial, normal, lognormal y uniforme. En l se exponen los parmetros, datos,
resultados y grficos que ayudan a la toma de decisiones en el plan de
mantenimiento del sistema.

El archivo est compuesto por siete hojas de clculo. La primera es el contenido, del
cual se puede acceder a las dems hojas a travs de un hipervnculo. Las
siguientes cinco corresponden a la aplicacin del mtodo para cada una de las
distribuciones, y una ltima hoja donde se presentan los principales grficos
comparativos de los resultados obtenidos en las simulaciones.

41
Las cinco hojas de las distribuciones tienen la misma estructura, la cual se explica
con detalle posteriormente, y est compuesta por unos parmetros iniciales, una
tabla de datos y una tabla de resultados. Los parmetros difieren de acuerdo a cada
modelo y son las entradas necesarias para la generacin de la tabla de datos, la
cual presenta la informacin mediante unos modelos matemticos que arrojan
finalmente los resultados para cada caso.

3.3.2.1 Aplicacin en una distribucin de Weibull
Las distribuciones reales de ocurrencia de falla son difciles de tener a la mano en el
mundo real. Por lo tanto, se recomienda generalmente que cuando se tengan pocos
datos de falla disponibles de campo de un equipo o sistema, se opte inicialmente
por elegir enmarcar los datos de falla dentro de una distribucin de Weibull, en
donde los modelos de fallas se conciben mejor a travs del empleo de dicha
distribucin.

El modelo maneja dos tipos de parmetros que corresponden a las entradas o
inputs para la generacin de los nmeros aleatorios. El parmetro de forma Weibull,
comnmente designado como , indica si la tasa de fallo es, incremental si es
mayor que uno, constante si es igual a uno, o decreciente si es menor que uno. El
segundo parmetro conocido como la vida caracterstica de Weibull y designado
comnmente como , es una medida de escala o de extensin en la distribucin de
los datos (Navarro,2005,2).

La hoja de clculo de la distribucin de Weibull presenta en su primera parte los
parmetros =0,8
7
y =1906, y el tiempo de mantenimiento actual que se maneja
en el sistema, en horas o en das, correspondiente a 2160 horas o 90 das. Los
parmetros representan las variables de entrada para la generacin de los nmeros
aleatorios y, al igual que el tiempo de mantenimiento, pueden ser modificados de
acuerdo con la informacin que se tenga del sistema.

7
y Valores suministrados por el grupo de investigacin GEMI.
42
La ilustracin 9 presenta los parmetros de la distribucin de Weibull, as como el
tiempo de mantenimiento actual del sistema de bombeo.

Ilustracin 9. Parmetros distribucin de Weibull


La tabla de datos est compuesta por cinco columnas, tiempo de fallo esperado en
horas, tiempo de fallo esperado en das, tiempo de mantenimiento actual en horas,
existencia de fallo y tiempo operativo de fallo en horas, las cuales se enmarcan en
la ilustracin 10.

Ilustracin 10. Tabla de datos


La primera columna constituye el tiempo de fallo esperado en horas y representa los
nmeros aleatorios generados con la ecuacin en Excel de la distribucin de
Weibull, la cual utiliza los parmetros de forma y escala previamente identificados y
43
la funcin ALEATORIO. Dichos nmeros simbolizan el tiempo simulado en el que
ocurre un fallo en el sistema.

La frmula se arrastra con el fin de obtener una muestra de 1000 iteraciones, pues
entre ms datos se tengan ms precisa es la simulacin. La segunda columna
muestra los mismos datos en das para tener como referencia ambas unidades. En
la expresin de la ecuacin 8 = b y = a.

Ecuacin 8. Distribucin de Weibull en Excel
= b*(-LN(ALEATORIO( ))^(1/a))
Fuente: Fauln@2005

La ilustracin 11 expone la tabla de datos especificando la funcin para la columna
de tiempo de fallo esperado.

Ilustracin 11. Tiempo de fallo esperado distribucin de Weibull


La tercera columna presenta el tiempo de mantenimiento actual en horas, y significa
el perodo en el cual se realiza el mantenimiento preventivo en el sistema. Este
procedimiento se efecta cada 2160 horas o, lo que es lo mismo, 90 das, aunque
44
por lo general no se realiza exactamente de esta manera, y puede variar entre tres o
cuatro das dependiendo de las circunstancias.

Por esta razn se crea la columna con una serie de datos que representan
diferentes tiempos de mantenimiento, simulando un comportamiento real, y se logra
mediante una distribucin normal, utilizando el dato de 2160
8
horas como media y
una desviacin estndar de 96 horas. En la ilustracin 12 se muestra los datos con
los diferentes tiempos de mantenimiento actual en horas y la ecuacin que se sigue
en Excel.

Ilustracin 12. Tiempo de mantenimiento actual


La columna siguiente se denomina existencia de fallo, y en sta se determina si se
presenta o no el suceso, se representa con un uno (1) si ocurre o con un cero (0) en
caso contrario. Para establecer esto es necesario comparar el tiempo de fallo
esperado con el tiempo de mantenimiento actual, columnas previamente explicadas,
de tal manera que si el tiempo de fallo esperado es menor que el tiempo en que se
realiza el mantenimiento el suceso efectivamente ocurre, debido a que se presenta
un dao antes de realizar el procedimiento preventivo, y de otro modo, si ocurre lo
opuesto, el fallo no sucede debido a un previo mantenimiento.


8
Media y desviacin estndar valores suministrados por el grupo de investigacin GEMI.
45
La existencia de fallo se calcula por medio de las funciones en Excel que permiten
comparar ambas columnas para determinar si se presenta o no el fallo. La
ilustracin 13 presenta la tabla con la respectiva ecuacin para la cuarta columna.

Ilustracin 13. Existencia de fallo


La columna final de la tabla de datos corresponde al tiempo operativo de fallo, y
significa el tiempo dentro del cual opera el sistema hasta que se produce un fallo o
existe una parada programada debido a labores preventivas de mantenimiento.

El clculo se realiza con la ayuda de las funciones en Excel para identificar la
existencia de fallo. En caso que ocurra, es decir, si hay un uno (1) en la columna de
existencia de fallo, el tiempo operativo es el mismo tiempo esperado en que el
equipo falla, que se encuentra en la primera columna, debido a que el sistema va a
parar por este suceso. Por el contrario, si se identifica un cero (0) en la columna de
existencia de fallo, el tiempo operativo es el tiempo de mantenimiento actual, pues
el sistema, si bien no falla, se interrumpe debido al mantenimiento que se realiza.

El tiempo operativo corresponde bsicamente al tiempo esperado (primera columna
de la tabla de datos) si existe fallo (cuarta columna), y al tiempo de mantenimiento
(tercera columna) si no existe. La ilustracin 14 expone los datos y el modelo
matemtico para el ltimo tem.
46
Ilustracin 14. Tiempo operativo de fallo


Los resultados constituyen la tercera parte de la hoja de clculo y es donde se
presentan los principales hallazgos de los clculos realizados en la tabla de datos.
En la ilustracin 15 se muestra la estructura de la tabla de resultados de una
simulacin para la distribucin de Weibull.

Ilustracin 15. Resultados distribucin de Weibull


47
Las primeras tres celdas de los resultados son el total de iteraciones, el nmero de
fallos y el porcentaje de estos. Las iteraciones se obtienen mediante una funcin en
Excel con un contador de toda la muestra de nmeros aleatorios que se generan en
la primera columna de la tabla de datos, que para este caso son 1000 en total. El
nmero de fallos se halla con un contador en la columna de existencia de fallo al
identificar la cantidad de unos (1), es decir, los fallos que ocurren durante las
iteraciones. Por ltimo se calcula el porcentaje de esta ltima cifra en el total de
iteraciones. La ilustracin 16 exhibe la primera parte de los resultados con la funcin
para obtener el nmero de fallos que se presenta durante el proceso.

Ilustracin 16. Nmero de fallos


La siguiente parte contiene la suma del tiempo operativo de fallo, la media de fallo
en horas y en das, y una celda con el nmero de fallos que se presentan en un
lapso de 10.000 horas. Este ltimo dato debido a que el grupo de investigacin
GEMI maneja con frecuencia este determinado tiempo para los diferentes anlisis.

La suma del tiempo operativo de fallo es la suma de los valores de toda la columna
que se encuentra en la tabla de datos con el mismo nombre. La celda de la media
de fallo es el promedio de este tiempo operativo dado en horas y resulta de dividir la
suma anterior por el nmero de iteraciones, y en la siguiente celda se calcula este
resultado en das. El nmero de fallos en 10.000 horas es el equivalente de sucesos
que ocurren en este tiempo, y resulta de una regla de tres simple entre el nmero de
fallos, la suma del tiempo operativo y las 10.000 horas.
48
La ilustracin 17 muestra la segunda parte de la tabla de resultados con la ecuacin
que corresponde al nmero de fallos en 10.000 horas.

Ilustracin 17. Nmero de fallos en 10.000 horas


Las dos celdas siguientes presentan una opcin que permite conocer el nmero de
fallos en el tiempo que se desee. La celda llamada X horas contiene un comentario
(esquina superior derecha de la celda) que pregunta por el nmero de horas en que
se quiere saber el nmero de fallos, y al insertar el tiempo deseado la siguiente
celda realiza el clculo en forma automtica. Dicha celda se denomina nmero de
fallos en X horas y se obtiene con una regla de tres, del mismo modo que la celda
del nmero de fallos en 10.000 horas. La ilustracin 18 exhibe el nmero de fallos
en un tiempo determinado con su respectiva ecuacin.

Ilustracin 18. Nmero de fallos en X horas

49
La ltima parte de los resultados representa el tiempo recomendado en que se debe
realizar las labores de mantenimiento preventivo de acuerdo a todo el proceso de
simulacin realizado en la hoja de clculo. Este valor corresponde a la media de
fallo calculada en la segunda parte de los resultados, despus de dividir el tiempo
operativo de fallo entre el nmero de iteraciones, debido a que este es un perodo
promedio en que el sistema opera sin problema, aunque esto no significa que no
puedan ocurrir fallos.

La ilustracin 19 presenta las celdas del tiempo de mantenimiento recomendado,
dado en horas y en das.

Ilustracin 19. Tiempo recomendado de mantenimiento


Las variables calculadas en la tabla de datos se procesan para obtener los
resultados y la informacin necesaria que permita al usuario tomar decisiones
acertadas y aumentar de manera considerable la confiabilidad de los equipos y al
mismo tiempo minimizar los costos en el mantenimiento del sistema.

50
3.3.2.2 Aplicacin en una distribucin exponencial
El procedimiento de simulacin de la distribucin exponencial es similar al de la
Weibull, as como el de los dems modelos, difiere nicamente en los parmetros y
en la ecuacin que se sigue para la generacin de los nmeros aleatorios. La
estructura de clculo se conserva en cada hoja para obtener los resultados que se
buscan. El parmetro de entrada es la media, designada con la letra b y tiene un
valor de 2160 horas. La ilustracin 20 presenta la primera parte de la hoja de
clculo.

Ilustracin 20. Parmetros distribucin exponencial


Los nmeros aleatorios se generan de acuerdo con la funcin de la distribucin
exponencial con base al parmetro inicial, y se encuentran, del miso modo, en la
primera columna de la tabla de datos correspondiente al tiempo esperado de fallo.
Los datos que se obtienen siguen la forma de la ecuacin 9 y son expuestos en la
ilustracin 21 con su correspondiente modelo matemtico.

Ecuacin 9. Distribucin exponencial en Excel
= -LN(ALEATORIO( ))*b
Fuente: Fauln@2005


51
Ilustracin 21. Tiempo de fallo esperado distribucin exponencial


La ilustracin 22 muestra todos los resultados que se obtienen segn una
distribucin exponencial.

Ilustracin 22. Resultados distribucin exponencial



52
3.3.2.3 Aplicacin en una distribucin normal
La distribucin normal opera con la media, como el modelo anterior, e incorpora un
nuevo parmetro, la desviacin estndar. La ilustracin 23 presenta la hoja de
clculo en Excel con los valores iniciales necesarios para el desarrollo de esta
simulacin.

Ilustracin 23. Parmetros distribucin normal


La primera columna de la tabla de datos se genera mediante la funcin
correspondiente de la distribucin, con una media de 2160 horas y una desviacin
estndar igual a 90 horas. La ecuacin 10 representa el modelo que se sigue,
siendo la media y la desviacin estndar.

Ecuacin 10. Distribucin normal en Excel
= DISTR.NORM.INV(ALEATORIO( ), , )
Fuente: Fauln@2005

La ilustracin 24 expone la tabla de datos y la forma de obtener los nmeros
aleatorios en Excel correspondientes al tiempo de fallo esperado.



53
Ilustracin 24. Tiempo de fallo esperado distribucin normal


La tabla de resultados que se obtiene de acuerdo con la distribucin normal se
presenta en la ilustracin 25.

Ilustracin 25. Resultados distribucin normal

54
3.3.2.4 Aplicacin en una distribucin lognormal
La aplicacin de la distribucin se obtiene cuando los logaritmos de una variable se
describen mediante una distribucin normal. Para esta simulacin se utilizan los
mismos parmetros que en el anterior, calculando para cada valor su respectivo
logaritmo natural. stos se convierten en los nuevos valores de entrada, los cuales
se muestran la ilustracin 26.

Ilustracin 26. Parmetros distribucin lognormal


La generacin de los nmeros aleatorios se realiza con base en los parmetros
iniciales de entrada calculados en la primera parte de la hoja de clculo y mediante
la funcin correspondiente al modelo. En la ecuacin 11, as como en la distribucin
anterior, representa la media y la desviacin estndar.

Ecuacin 11. Distribucin lognormal en Excel
= DISTR.LOG.INV(ALEATORIO( ), , ).
Fuente: Fauln@2005

La columna del tiempo de fallo esperado ubicada en la primera columna de la tabla
de datos se expone en la ilustracin 27 con la respectiva funcin en Excel, donde se
identifican las celdas que contienen los valores necesarios en el clculo.

55
Ilustracin 27. Tiempo esperado de fallo distribucin lognormal


Los resultados se calculan de acuerdo con la tabla de datos y se exhiben en la
ilustracin 28.

Ilustracin 28. Resultados distribucin lognormal

56
3.3.2.5 Aplicacin en una distribucin uniforme
La distribucin uniforme representa, de algn modo, la incertidumbre ms completa
sobre una variable aleatoria continua. Tiene especial importancia en el mbito
computacional, puesto que a partir de ella se pueden realizar simulaciones de
cualquier otra variable aleatoria.

Los parmetros a utilizar en este caso son el extremo inferior y el extremo superior,
los cuales se rigen de acuerdo a la media aritmtica y la desviacin estndar con
que operan los modelos anteriores. La media es la base para obtener los valores,
de manera que al restarle la desviacin se obtiene el extremo inferior, que es 2064
horas, y al sumarla se obtiene el extremo superior, que es 2256 horas. La ilustracin
29 muestra las variables de entrada de la distribucin uniforme.

Ilustracin 29. Parmetros distribucin uniforme


La generacin de los nmeros aleatorios se realiza mediante la ecuacin 12 con
base en las variables iniciales, siendo a el extremo inferior y b el superior.

Ecuacin 12. Distribucin uniforme en Excel
= a+(b-a)*ALEATORIO()
Fuente: Fauln@2005
57
La tabla es expuesta en la ilustracin 30 con la funcin correspondiente en Excel.

Ilustracin 30. Tiempo de fallo esperado distribucin uniforme


La Ilustracin 31 presenta los resultados obtenidos con la distribucin uniforme.

Ilustracin 31. Resultados distribucin uniforme

58
3.3.2.6 Anlisis de resultados
La aplicacin en Excel del mtodo de Monte Carlo es realizada despus de un
previo estudio con el fin de optimizar el funcionamiento de los equipos y mejorar la
eficacia en los procedimientos de mantenimiento aplicados al sistema de bombeo
de EAFIT (GEMI). El estudio arroja resultados previamente mostrados para cada
una de las distribuciones analizadas en base a este mtodo.

Las simulaciones trabajadas revelan que el mayor nmero de fallos se obtiene
siguiendo una distribucin de Weibull, producto de los parmetros o entradas que
sta maneja, a diferencia de las otras distribuciones, que siguen parmetros
similares como la media y la desviacin estndar, las cuales arrojan resultados
equivalentes en cuanto al nmero de fallos. La ilustracin 32 muestra un cuadro
comparativo del nmero de fallos en cada una de las distribuciones trabajadas.

Ilustracin 32. Comparativo del nmero de fallos para cada distribucin
674
649
505
510
506
0
100
200
300
400
500
600
700
Fallos
NMERO DE FALLOS
Weibull
Exponecial
Normal
LogNormal
Uniforme




59
El nmero de fallos en un tiempo determinado es importante predecirlo cuando se
trabajan simulaciones en sistemas dinmicos, debido a que es necesario tener un
conocimiento adecuado de los equipos para implantar mejores polticas que
permitan un ptimo funcionamiento de stos. Para este caso se predice el nmero
de fallos en 10.000 horas, y se tiene nuevamente a la distribucin de Weibull con el
mayor nmero de interrupciones no programadas. La ilustracin 33 muestra un
cuadro comparativo del nmero de fallos para 10.000 horas en cada una de las
distribuciones trabajadas.

Ilustracin 33. Comparativo de fallos en 10.000 horas de cada distribucin
5,57
4,80
2,40
4,16
2,39
0,00
1,00
2,00
3,00
4,00
5,00
6,00
Fallos
NMERO DE FALLOS EN 10000 HORAS
Weibull
Exponecial
Normal
LogNormal
Unif orme


Los resultados se calculan finalmente para identificar el tiempo de mantenimiento
adecuado en cada una de las distribuciones con el fin de ejecutar planes
preventivos apropiados y aumentar la confiabilidad del sistema. En las ilustraciones
34 y 35 se muestra un cuadro comparativo en das y horas para cada una de las
distribuciones con el tiempo recomendado de mantenimiento.


60
Ilustracin 34. Comparativo del mantenimiento recomendado (horas)
2160
1211
1353
2106
1227
2114
0
500
1000
1500
2000
2500
Tiempo
(hor as)
TIEMPO DE MTTO. RECOMENDADO (horas)
Mtto. Actual
Weibull
Exponencial
Normal
LogNormal
Unif orme



Ilustracin 35. Comparativo del mantenimiento recomendado (das)
90
50
56
88
51
88
0
20
40
60
80
100
Tiempo
(das)
TIEMPO DE MTTO. RECOMENDADO (das)
Mtto. Actual
Weibull
Exponencial
Normal
LogNormal
Unif orme


61
Los grficos de los resultados demuestran que para las distribuciones normal,
lognormal y uniforme el plan de mantenimiento aplicado es bueno, el nmero de
fallos es reducido y el tiempo de mantenimiento recomendado es muy cercano al
que se maneja actualmente en el sistema. La simulacin con el resto de las
distribuciones, especialmente para la distribucin de Weibull, presenta un nmero
de paradas no programadas bastante elevado, y el tiempo de mantenimiento
recomendado difiere de manera considerable del seguido actualmente por la
Universidad.

La programacin desarrollada en Excel evidencia que el anlisis por medio de la
simulacin del comportamiento de tiempos operativos del equipo puede hacerse de
manera clara, verstil, y con resultados que simulan muy certeramente las
condiciones reales de operacin de los equipos.


3.4 CONCLUSIN

La seccin plantea la aplicacin de todos los conceptos previamente estudiados
para simulacin de Monte Carlo de un sistema de bombeo con datos de campos
reales, explicado de forma clara el procedimiento seguido para cada distribucin
estadstica utilizada y el anlisis respectivo de cada uno de los resultados obtenidos.
62
4 VENTAJAS Y DESVENTAJAS

4.1 OBJETIVO 4

Sintetizar las ventajas, limitaciones y usos del proceso de Monte Carlo para la
medicin de confiabilidad a partir del estado del arte desarrollado.


4.2 INTRODUCCIN

El captulo aborda las ventajas y limitaciones que ofrece el modelo de Monte Carlo
dentro de la medicin de confiabilidad, adems de los diferentes usos y aplicaciones
que puede tener en los procedimientos de mantenimiento.


4.3 DESARROLLO

La creciente capacidad de las computadoras y la inmensa investigacin en el
campo de la ciencia de la computacin posibilitan el empleo de nuevas
herramientas para apoyar el proceso de la toma de decisiones en diversas
disciplinas y reas de diseo y manejo de la industria.

La simulacin es una herramienta interdisciplinaria, puesto que combina ramas
importantes dentro de la ingeniera como son la programacin, el mantenimiento, el
diseo, la estadstica, etc. En pocas palabras, se puede decir que la simulacin se
realiza cuando la computadora finge ser un sistema dinmico y en donde el usuario
define las condiciones del sistema que desea simular.

63
Un modelo de simulacin puede ser ms acertado debido a que su
comportamiento ha sido comparado con el del sistema real o porque sta requiere
unas pocas suposiciones y abarca ms caractersticas reales del sistema.

4.3.1 Ventajas del mtodo de Monte Carlo
Una de las ventajas importantes de las simulaciones es que se pueden estudiar
nuevos diseos simulando el comportamiento de un sistema o de la mquina que
se esta diseando. As, se puede analizar el comportamiento futuro del sistema, o
ver cundo una parte o un mecanismo de este puede fallar en las condiciones
adversas del ambiente donde funcionar.

Las simulaciones de Monte Carlo permiten estudiar el comportamiento de
sistemas en operacin, nuevas polticas de mantenimiento o diseo, simular los
comportamientos de mecanismo y analizar sus causas de fallos sin invertir grandes
cantidades de dinero en dichos estudios. (Shannon,1998,7).

Se puede incrementar la experiencia en cmo modelar sistemas actualmente en
operacin y entender cules son las variables ms importantes para el
comportamiento de stos y de ese modo poder resolver grandes interrogantes en
cuanto a fallos, componentes crticos, polticas de mantenimiento, etc., de los
sistemas.

Los programas de simulacin pueden ser modulares, y ofrecen la posibilidad de
efectuar cambios en una parte del sistema sin necesidad de modificar en su
totalidad otras partes de este. Los sistemas matemticos frecuentemente, carecen
de esta versatilidad, por lo general, si presenta un cambio en alguna parte del
modelo matemtico debe ser remplazado por completo, o en muy alta proporcin.



64
El mtodo de Monte Carlo aplicado en Excel tiene un nmero considerable de
ventajas sobre los modelos analticos o matemticos para analizar sistemas,
debido a que es posible actualizar los campos para generar nuevas simulaciones y
obtener resultados precisos que se acerquen al comportamiento real del sistema.

Las simulaciones de Monte Carlo permiten controlar los tiempos de paro o de
operacin; de esta manera se puede tener un mejor control de los equipos.
Adems, con este mtodo se pueden medir de forma acertada la confiabilidad de
los sistemas y se posibilita tomar decisiones y sacar conclusiones acerca de los
planes de mantenimiento aplicados.

La metodologa es aplicable cuando el sistema que quiere ser modelado presenta
una combinacin de complejidad y aleatoriedad en las variables que estos
manejan; los modelos matemticos rpidamente se agotan como alternativa de
solucin, y es necesario acudir a la simulacin para encontrar soluciones al
problema, aunque no sean necesariamente las mejores (Ochoa@2006).

La simulacin por computador se consolida como una herramienta valiosa en el
diseo de estrategias de mantenimiento y le permite al proceso de optimizacin de
ste ser integrado dentro del proceso administrativo de metas trazadas del
negocio productivo en particular, mediante la prediccin de posibles eventos de
mantenimiento y sus consecuentes impactos y requerimientos de presupuesto.

Una ventaja es que es una herramienta integrada de optimizacin basada en la
simulacin puede ofrecer frente a antiguos enfoques de programacin y
planificacin del mantenimiento, es la posibilidad de actualizar la base de
decisiones con la historia ms reciente de datos de fallos.


65
Las simulaciones de Monte Carlo integran predicciones basadas en datos de
campo. A partir de los nuevos datos de campo ingresados a los modelos
estadsticos, se actualizan los valores de los parmetros correspondientes, y por
tanto, se actualiza el pronstico del comportamiento del sistema completo.

El programa desarrollado en Excel tiene la versatilidad suficiente para introducir
cualquier tiempo de programacin de trabajos preventivos y calcular nuevos
resultados. Puede generar contadores para las variables implicadas en el sistema
sobre cualquier tiempo meta o total que se introduzca para la simulacin. Esta
metodologa emplea un modelo lgico que comprende la inclusin del tiempo como
variable fundamental, donde se estiman los intervalos de tiempo en los cuales el
equipo puede presentar paradas no programadas y tomar acciones preventivas al
respecto (Navarro,2004,2).

4.3.2 Desventajas del mtodo de Monte Carlo
La implementacin de la simulacin requiere personal especializado, que conozca
del tema, con una formacin slida en probabilidad, estadstica, etc., y con
experiencia. Son necesarias herramientas computacionales generalmente costosas,
aunque en el mercado hay una gran variedad de opciones en la actualidad
(Ochoa@2006).

Los proyectos de simulacin son intensivos en informacin. Si no hay informacin
suficiente disponible, su consecucin puede ser tan costosa o tomar tanto tiempo
que puede acabar con los objetivos del proyecto (Produccin,2004,17).

4.3.3 Aplicaciones
Las aplicaciones de las simulaciones involucran el anlisis de riesgo en procesos
financieros mediante la imitacin repetida de la evolucin de las transacciones
involucradas para generar un perfil de posibles soluciones. Entre muchas
aplicaciones se encuentran:
66
Aplicacin al planeamiento de capacidad.
Aplicaciones para determinar polticas de mantenimiento ptimo.
Modelacin de intercambio de mercados.
Uso de simulacin en administracin de proyectos.
Simulacin de presupuestos en efectivo.
Cubrimiento con futuros.
Simulacin de precios de stocks y opciones.
Opciones exticas.
Determinacin de polticas ptimas de mantenimiento.
Estimacin de la distribucin del tiempo de concluir un proyecto.
Determinacin de la probabilidad de que una actividad sea crtica.
Determinacin de la tasa de riesgo asociado con un portafolio de bonos.
Clculo del riesgo en un anlisis financiero.
Proyeccin de ventas.
Anlisis de la tasa de retorno.
Anlisis de distribucin de estrategias.
Anlisis de mercadeo.
(Azofeifa,1995,98).











67