MTTR Fallas PLEX

Transcript

1. MTTR Fallas PLEX William Chavarría March 16, 2018
2. Distribución MTTR 0.0 0.1 0.2 0.3 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 Mean Time To Repair (Hrs) Observamos un sesgo hacia la derecha (asimetría positiva). Debe- mos realizar pruebas de bondad de ajuste para determinar a que tipo de distribución se ajusta mejor. Para un análisi más detallado revisar el informe completo
3. Prueba de Bondad de Ajuste Histogram and theoretical densities data Density 0 5 10 15 20 25 0.0 0.1 0.2 0.3 exponencial lognormal gamma 0 5 10 15 20 25 30 0 5 10 15 20 25 Q−Q plot Theoretical quantiles Empirical quantiles exponencial lognormal gamma 0 5 10 15 20 25 0.0 0.2 0.4 0.6 0.8 1.0 Empirical and theoretical CDFs data CDF exponencial lognormal gamma 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 P−P plot Theoretical probabilities Empirical probabilities exponencial lognormal gamma
4. MTTR: Log-Normal Goodness-of-fit statistics Exponencial log-normal Gamma Kolmogorov-Smirnov statistic 0.163 0.0408 0.042 Cramer-von Mises statistic 31.775 1.8914 1.571 Anderson-Darling statistic 185.266 10.9482 10.908 Goodness-of-fit criteria Exponencial log-normal Gamma Akaike s Information Criterion 14610 13704 13719 Bayesian Information Criterion 14617 13716 13731 Interpretación: La distribución que mejor se ajusta es la log-normal. Observamos que en el test de Kolmogorov-Smirnov se tienen menores valores de distancia CDF. Tambien el AIC y BIC le dan preferencia a la distribución log-normal. Una distribución log-normal es aquella cuyo logaritmo está normalmente distribuido. Lo que podemos concluir es que, según la definición de distribución exponencial, el MTBF en este caso y NO el MTTR sería el que mejor se ajustaría a una distribución exponencial, es decir, el tiempo que transcurre hasta la ocurrencia de una falla (evento de Poisson).
5. Análisis de Fiabilidad # tiempo total en producción (ttp) ttp <- as.numeric(difftime(max(ttk$fecha), min(ttk$fecha), units = hours )) ta <- sum(ttk$mttr) # tiempo de avería (ta) tef <- ttp - ta # tiempo entre fallas n <- length(ttk$ticketid) # cantidad de fallas MTBF <- tef/n # Mean Time Between Failures MTTR <- ta/n # Mean Time To Repair tf <- 1/MTBF # Tasa de Fallas Interpretación: Podemos ver que según el cálculo de arriba el MTTR es de 2.75 horas, con un MTBF de 2.443 y una tasa de fallos de 0.409 fallos por hora. O&M indica que el MTTR para fallas PLEX FO CORE es de 3 horas. Validemos este supuesto.
6. Contraste de Hipótesis H0 : MTTR = 3 H1 : MTTR = 3 mttr.core <- ttk$mttr[ttk$bu == CORE & ttk$departamento == GUATEMALA ] t.test(x = mttr.core, mu = 3, alternative = two.sided ) One Sample t-test data: mttr.core t = 5, df = 600, p-value = 4e-07 alternative hypothesis: true mean is not equal to 3 95 percent confidence interval: 3.36 3.81 sample estimates: mean of x 3.58 Interpretación: Existe suficiente evidencia para rechazar la H0 de que el tiempo promedio de reparacion es de 3 horas en CORE.