Resumen del análisis estocástico y los métodos estadísticos en diseño

mecánico

Diseño Mecánico

Facultad de ingeniería Mecánica

Presentado por:

Presentado para:

Ing. Larry Yime

Universidad Del Atlantico

 Introducción

En este trabajo se realizara un resumen de la importancia y el uso del análisis estocástico y

de los métodos estadísticos en el diseño mecánico, veremos algunos casos especiales
como lo son el normal-normal y el lognormal-lognormal y se tratara de explicar con la
mayor de brevedad y de manera fácil la aplicación de estos en el diseño mecánico y de
esta manera medir la confiabilidad de sistemas y de componentes de máquinas.

Análisis estocástico.
En estadística, y específicamente en la teoría de la probabilidad, un proceso estocástico es
un concepto matemático que sirve para usar magnitudes aleatorias que varían con el
tiempo o para caracterizar una sucesión de variables aleatorias (estocásticas) que
evolucionan en función de otra variable, generalmente el tiempo. Cada una de las
variables aleatorias del proceso tiene su propia función de distribución de probabilidad y
pueden o no estar correlacionadas entre sí. Cada variable o conjunto de variables
sometidas a influencias o efectos aleatorios constituye un proceso estocástico. Un proceso
estocástico Xt puede entenderse como una familia uniparamétrica de variables aleatorias
indexadas mediante el tiempo t. Los procesos estocásticos permiten tratar procesos
dinámicos en los que hay cierta aleatoriedad.

En el diseño mecánico la estadística proporciona un método para tratar con características

cuyos valores son variables. Los productos que se fabrican en grandes cantidades
(automóviles, relojes, podadoras de césped, máquinas lavadoras, por ejemplo) tienen una
vida que es variable. Un automóvil puede tener tantos defectos que debe ser reparado
durante los primeros meses de funcionamiento mientras que otro puede funcionar
satisfactoriamente durante años, es decir, requerir sólo mantenimiento menor.
Los métodos para controlar la calidad se encuentran profundamente arraigados en el uso
de la estadística y los diseñadores ingenieriles necesitan un conocimiento estadístico para
cumplir con los estándares de control de calidad. La variabilidad inherente a límites y
ajustes en esfuerzos y resistencias, en holguras de cojinetes y en diversas otras
características se debe describir de manera numérica para que se pueda llevar a cabo un
control apropiado. No es convincente decir que se espera que un producto tenga una vida
larga y libre de problemas. Se deben expresar argumentos tales como la vida y la
confiabilidad del producto en forma numérica a fin de conseguir una meta de calidad
específica, abundan las incertidumbres que requieren de tratamiento cuantitativo. El
álgebra de los números reales, por sí misma, no es adecuada para describir la presencia de
variaciones.
Es claro que las consistencias en la naturaleza son estables, no en magnitud, sino en el
patrón de variación. La evidencia que se obtiene de la naturaleza mediante mediciones es
una mezcla de efectos sistemáticos y aleatorios. El papel de la estadística es separarlos y,
a través del uso racional de los datos, arrojar luz sobre la información.

En el diseño mecánico la confiabilidad es la probabilidad de que los sistemas y

componentes de máquinas realizaran su función específica de manera satisfactoria, sin
falla. Y ya que el esfuerzo y la resistencia son por naturaleza estadísticos y están muy
relacionados con la confiabilidad de los componentes esto hace que sea viable realizar
análisis estocásticos en el diseño mecánico.

Funciones de Densidad de Probabilidad

En la teoría de la probabilidad, la función de densidad de probabilidad, función de
densidad, o, simplemente, densidad de una variable aleatoria continua describe la
probabilidad relativa según la cual dicha variable aleatoria tomará determinado valor.

En este caso las funciones de densidad a tener en cuenta son:

Esta función de densidad de muestra la distribución del esfuerzo y de la resistencia y los

valores medios del esfuerzo y la resistencia que son µσ y µS respectivamente, la
superposición entre estas dos es llamada interferencia de σ y S y esta indica las partes
donde se espera ocurran fallas.

De esta grafica se obtiene un factor promedio de seguridad que es:

µ𝑆
𝑛𝑝𝑟𝑜𝑚 =
µσ

El margen de seguridad para cualquier valor del esfuerzo y de la resistencia S se define

como:

𝑚=𝑆−𝜎

La parte promedio tendrá un margen de seguridad de:

𝑚𝑝𝑟𝑜𝑚 = 𝜇𝜎 − 𝜇𝑠
Esta figura muestra la distribución de m, la cual depende obviamente de las distribuciones
del esfuerzo y la resistencia. La confiabilidad de que una parte se desempeñe sin falla, R es
el área de la distribución del margen de seguridad para m >0. La interferencia es el área
1 – R donde se espera que las partes fallen. En seguida se consideran algunos casos típicos
que involucran la interferencia esfuerzo-resistencia.

A continuación las explicaciones de los casos normal-normal y lognormal-logonormal

tomadas del libro de Shigley
 Interferencia: Generalidades
Este método es usando cuando las distribuciones no son las mismas es decir cuando no se
presentan los dos casos expuestos anteriormente, algunas veces resulta que la resistencia
tiene una distribución Weibull, mientras que el esfuerzo está distribuido de manera
lognormal. En realidad, es muy probable que los esfuerzos tengan una distribución
lognormal, porque la multiplicación de las variables que están distribuidas produce un
resultado que se aproxima a uno lognormal. Lo que todo esto significa es que se debe
esperar encontrar problemas de interferencia que involucran distribuciones mezcladas, así
que se necesita un método general para resolver el problema.

Es muy probable que se use la teoría de la interferencia para resolver problemas que
implican distribuciones diferentes a la resistencia y al esfuerzo. Por esta razón se emplea
el subíndice 1 para designar la distribución de la resistencia, y el subíndice 2 para designar
la distribución del esfuerzo. En la figura 5-32 se muestran estas dos distribuciones
alineadas de manera que se define una variable x para identificar puntos en ambas
distribuciones. Ahora se puede escribir:
La confiabilidad de todos los lugares geométricos posibles de la variable se obtiene
integrando x desde -∞ hasta ∞, lo cual corresponde a una integración de 1 a 0 en la
confiabilidad R1. Por lo tanto,
Para las distribuciones usuales que se encontraron, las gráficas de R1 contra R2 aparecen
como se muestra en la figura 5-33. Ambos casos se pueden someter a la integración
numérica y a la solución por computadora. Cuando la confiabilidad es alta, la mayor parte
del área de integración está bajo el pico de la derecha de la figura 5-33a).
 Conclusión

Se puede concluir del presente trabajo que los modelos estadísticos no son comúnmente
usados en el diseño mecánico para fines estudiantiles bien sea porque es algo complejo o
por que se necesitan una cantidad grandes de datos prácticos que solo empresas con un
gran poder económico son capaces de tener pero esto no quiere decir que el estudiante
deba desconocer estos modelos estadísticos porque en la industria puede llegar a toparse
con ellos por eso es muy recomendable para los estudiantes de diseño mecánico el
profundizar estos modelos estadísticos con el fin de a su debido momento si se presentase
el caso de tener que aplicar alguno tener las facultades y el conocimiento para poder
realizar esta tarea con su debido nivel de competencia.