Acceso usuarios
La distribución de Weibull es una distribución de probabilidad ampliamente utilizada en el campo de la ingeniería y en otras disciplinas relacionadas. Se utiliza principalmente para modelar y analizar la vida útil de los sistemas y componentes, así como para describir la distribución de tiempos de falla, el presente estudio se enfoca en determinar una distribución de Weibull mediante un modelo computacional basado en aprendizaje profundo. Actualmente existen varios métodos para determinar si un conjunto de datos sigue esta distribución, entonces, se realizó un análisis comparativo entre el la Prueba de bondad de ajuste y las técnicas de IA, para ello, se entrenó una red neuronal artificial (ANN) con miles de distribuciones utilizando la metodología de muestreo estratificado. En la fase de entrenamiento se obtuvo una precisión del 98.5%, mientras que en la fase de tes se obtuvo una precisión del 97%. Estos resultados representaron una mejora significativa del 17.7% frente al metro tradicional. Después de varias simulaciones, los resultados obtenidos evidencian que la ANN es mucho más efectiva para determinar si un conjunto de datos sigue una distribución de Weibull. La precisión obtenida por la ANN fue del 97%, mientras que el método tradicional logró una precisión del 79.25%. En conclusión, este estudio confirma que las técnicas de aprendizaje automático son más efectivas que el método tradicional para clasificar una distribución de Weibull. Además, la precisión alcanzada por la ANN en la clasificación de esta distribución es altamente prometedora para futuros estudios en los que se necesite clasificar distribuciones de datos complejos y variables.
The Weibull distribution is a widely used probability distribution in the field of engineering and other related disciplines. It is primarily used to model and analyze the lifetime of systems and components, as well as to describe the distribution of failure times. The present study focuses on determining a Weibull distribution using a computational model based on deep learning. Currently, there are several methods to determine if a dataset follows this distribution. Therefore, a comparative analysis was conducted between the goodness-of-fit test and AI techniques. For this purpose, an artificial neural network (ANN) was trained with thousands of distributions using the stratified sampling methodology. In the training phase, an accuracy of 98.5% was achieved, while in the testing phase, an accuracy of 97% was obtained. These results represented a significant improvement of 17.7% compared to the traditional method. After several simulations, the obtained results demonstrate that the ANN is much more effective in determining if a dataset follows a Weibull distribution. The accuracy achieved by the ANN was 97%, whereas the traditional method achieved an accuracy of 79.25%. In conclusion, this study confirms that machine learning techniques are more effective than the traditional method for classifying a Weibull distribution. Additionally, the accuracy achieved by the ANN in classifying this distribution is highly promising for future studies where the classification of complex and variable data distributions is needed.
