Confiabilidad - Funciones y Metodos

CURSO DE CONFIABILIDAD
P. REYES / DIC. 2006
Elabor: Dr. Primitivo Reyes Aguilar

Diciembre de 2006
Pgina 1
CONTENIDO
1. Introduccin a la confiabilidad
2. Distribuciones de probabilidad
3. Modelos de distribuciones de probabilidad para el tiempo

de falla
4. Estimacin de parmetros del modelo
5. Determinacin de la confiabilidad
6. Pruebas de vida aceleradas
7. Confiabilidad de sistemas
8. Mantenabilidad y disponibilidad
Pgina 2
1. Introduccin a la confiabilidad
No es suficiente que un producto cumpla las especificaciones y criterios de
calidad establecidos sino que adems es necesario que tenga un buen
desempeo durante su vida til es decir que sea confiable. Esto cada vez cobra
una importancia mayor dado que cambia la tecnologa, los productos son cada
vez ms complejos, los clientes se tornan cada vez ms exigentes y la
competencia es alta.
Confiabilidad es la probabilidad de que un componente o sistema desempee
satisfactoriamente la funcin para la que fue creado durante un periodo
establecido y bajo condiciones de operacin establecidos. La confiabilidad es
calidad en el tiempo.
Falla de un producto sucede cuando deja de operar, funcionar o no realiza
satisfactoriamente la funcin para la que fue creado. El tiempo de falla es el
tiempo que transcurre hasta que el producto deja de funcionar.
Las razones de estudio de la confiabilidad de productos son las siguientes:
1. Determinar el tiempo tp hasta el cual se espera que falle una proporcin p
dada de los productos en operacin. Esto es til para determinar tiempos de
garanta apropiados as como sus costos.
2. Encontrar el tiempo tp al cual se espera que sobreviva una proporcin 1-p
dada de los productos en operacin. Es una estimacin de la confiabilidad de
los productos.
3. Determinar la propensin a fallar que tienen el producto en un tiempo dado.
Para comparar dos o ms diseos o procesos, o lo que se publicita por un
proveedor.
4. Dado que un artculo ha sobrevivido un tiempo T0, encontrar la probabilidad
de que sobreviva un tiempo un tiempo t adicional. Para planear el reemplazo de
los equipos.
5. Los puntos anteriores se pueden hacer de manera comparativa para
diferentes materiales, proveedores o modos de falla.
La informacin para los estudios de confiabilidad tienen diferentes
denominaciones: datos de tiempos de vida, datos de tiempos de falla, datos de
tiempo a evento, datos de degradacin, etc.
Entre las caractersticas que tienen los estudios de confiabilidad se encuentran
los siguientes:
1. Los tiempos de falla son positivos con comportamiento asimtrico y sesgo
positivo, por tanto las distribuciones para modelar estos tiempos de falla son la
Weibull, lognormal, exponencial y gamma, la distribucin normal casi no se
utiliza.
Pgina 3
2. Mientras que en estadstica lo que interesa son los parmetros de la

poblacin media y desviacin estndar, en la confiabilidad lo que interesa son
las tasas de falla, las probabilidades de falla y los cuantiles. Un cuantil es el
tiempo tp hasta el cual se espera que falle una proporcin p de artculos.
3. Para tener datos es necesario tener datos a travs de pruebas las que en
algunas ocasiones son costosas.
4. A veces el tiempo para observar las fallas es muy largo y es necesario cortar
el tiempo de prueba, dando lugar a observaciones censuradas. Normalmente
se requiere extrapolar los resultados, por ejemplo al estimar la tasa de falla a
las 10,000 horas con pruebas de funcionamiento durante 1,000 horas.
5. Cuando es necesario acortar el tiempo de prueba se pueden hacer pruebas
de vida acelerada utilizando condiciones estresantes.
Ejemplo:
Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura
de 80C y se observaron 40 con falla. Al finalizar la prueba 960 chips
funcionaban adecuadamente.
Entre las preguntas que se pueden contestar se encuentran las siguientes:
Cul es la probabilidad de que fallen los chips antes de las 500 horas?
Cul es el riesgo de falla a las 300 horas?
Cul es la proporcin de chips que fallarn antes de 250 horas?
Datos censurados
Censura
Pgina 4
Se tienen datos censurados cuando no se conocen los tiempos de falla de las

unidades de manera exacta, sino solo los intervalos de tiempo donde
ocurrieron o hubieran ocurrido las fallas. Es informacin parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:
Tiempo fijo de terminacin de la prueba

Tiempos de inspeccin (lmites superiores e inferiores en T)
Modos de falla mltiples (tambin conocidos como riesgos en
competencia, y dando por resultado censura por la derecha),
Independiente (simple) y no independiente(difcil).
TIPOS DE CENSURA
Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

unidades sin falla limitando el tiempo de observacin o censura por
tiempo. Cuando se limita el tiempo hasta que fallan r unidades, se tiene
censura tipo II para las unidades sobrevivientes (n-r).
Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

despus de un periodo de tiempo se encuentra que algunas fallaron,
pero no se sabe el momento de su ocurrencia.
Pgina 5
Censura por intervalo cuando se inspecciona en intervalos de tiempo y

se observan fallas en cierto intervalo pero no se conoce exactamente en
que momento ocurrieron, se censuran los productos sobrevivientes.
Censura mltiple: Cuando en el mismo estudio se tienen diferentes tipos

de censura.
Ejemplo:
A
B
C
D
Fig. 1 Tipos de censura: A sin censura; B Censura por la izquierda; C Censura por la derecha;
D censura por intervalo.
2. Distribuciones de probabilidad
Pgina 6
Verosimilitud (probabilidad de los datos)

La Verosimilitud proporciona un mtodo general y verstil de estimacin, se
prefieren las combinaciones de Modelo/Parmetros con Verosimilitud grande.
Permite censura, intervalos, y datos truncados.
La forma de la verosimilitud depender del: propsito del estudio, modelo
asumido, sistema de medicin e identificacin y parametrizacin.
La contribucin por diferentes tipos de censura es como sigue:
Por ejemplo para la funcin de distribucin:
La verosimilitud en censura por intervalo es:
Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

Li =F(1.5) - F(1) = 0.231
La verosimilitud de censura por la izquierda es:
Si una falla se detecta en la primera inspeccin a un tiempo t=0.5,
Pgina 7
Li = F(0.5) = .265
La verosimilitud de censura por la derecha es:
Si una unidad continua operando en la ultima inspeccin en el tiempo T=2.0,

Li =1 - F(2) = 0.0388
Para una tabla de tiempos de vida se tiene:
Los datos son: el nmero de las fallas (di), censuradas por la derecha (ri), y
censuradas por la izquierda (li) en cada uno de los intervalo (no traslapadas)
(ti-1, ti ], i = 1. . . m, m+1, t0 = 0. La verosimilitud (probabilidad de los datos)
para una sola observacin, en (t i-1, ti ] es:
Si se supone que la censura es en ti:
Tipo de
censura
Izquierda de
tIntervalo
i
T > ti
li
Verosimilitud de
los datos L(i)
[F(ti)]li
ti-1 < T < ti
di
[F(ti)-F(ti-1)]di
Derecha de ti
T>ti
ri
[1-F(ti)]ri
Caracterstica
Numero de
casos
Pgina 8
Anlisis no paramtrico de los tiempos de falla

Para la estimacin no paramtrica de F(ti) con base en la teora binomial para
datos con censura simple de intervalo se tiene:
Con los datos:
n = tamao de muestra
Di = # de fallas en el iesimo intervalo
De la distribucin binomial se tiene:
i
#
d
fa
h
e
ti
t
e
i
j
n
j
F
(
t
)
Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

d1 = 2 fallas, en el segundo periodo se obtienen d2 = 2 fallas y en el periodo
d3 = 2 fallas, entonces:
F
(
1
)
1
100
,
F
(
2
)
3
100
,
F
(
3
)
5
100
est definida slo al final del intervalo
Pgina 9
Es el estimador de mxima verosimilitud de F(t).

El incremento en
a cada valor de ti es
El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

especfico contiene la cantidad de inters.
La probabilidad de cobertura es la probabilidad de que el procedimiento dar
lugar a un intervalo que contiene la cantidad de inters. Un intervalo de
confianza es aproximado si el nivel especificado de la confianza no es igual a la
probabilidad real de la cobertura.
Con datos censurados la mayora de los intervalos de confianza son
aproximados, para mejorar las aproximaciones se requieren ms clculos.
El intervalo de confianza de F(ti) con base en la distribucin binomial es:
Donde
es el cuantil 100(1-/2) de
la distribucin F con (1, 2) grados de libertad.

Usando la aproximacin normal del intervalo de confianza para F(ti), el intervalo
aproximado del cuantil 100(1-) en % para F(ti) esta dado por:
Es el cuantil 100(1-/2) de la distribucin normal estndar.
Es una estimacin de la desviacin
estndar de
Del ejemplo para un nivel de confianza del 95% se tiene:
Pgina 10
Cuando el nmero de inspecciones se incrementa, el ancho del intervalo (ti-1,

ti) tiende a cero y los tiempos de falla son exactos.
F(t) est definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de
censura F(t) es el estimador de mv de F(t). La estimacin es una funcin
escalonada con un paso del tamao 1/n en cada tiempo de falla, algunas
veces es mltiplo de 1/n porque hay tiempos de falla similares. Cuando no hay
censura, el F(t) es el fda emprico bien conocido.
Para la estimacin no paramtrica de F(ti) con base en datos por intervalo y
censura mltiple por la derecha se tiene:
n=tamao de muestra
di = numero de fallas en el intervalo i
ni = conjunto bajo riesgo al tiempo t-1
ri = numero de observaciones censuradas al tiempo ti
En el lmite, si el numero de intervalos aumenta, el ancho del intervalo tiende a
0 y obtenemos el estimador Kaplan Maier o producto limite. Las fallas se
concentran en intervalos con ancho de intervalo infinitesimal. El estimador ser
constante sobre todos los intervalos que no tienen fallas. La funcin cambia
cuando existe alguna falla,
Pgina 11
Funcin de densidad de probabilidad

La funcin de densidad f(t) es continua si cumple para f(t) >= 0 el rea bajo la
curva es igual a 1, en confiabilidad el intervalo es de cero a infinito o sea:
f (t )dt 1
Para el caso de la distribucin exponencial se tiene que:

f (t )e t ; t 0
Funcin de distribucin acumulada

Esta funcin se define como la integral de la funcin de densidad desde cero
hasta el tiempo t y representa la probabilidad de fallar antes del tiempo t
(P(t) t), es decir:
t
P(T t ) F (t ) f ( x)dx 1
0
Para el caso de la distribucin exponencial se tiene:

t
P(T t ) F (t ) e x dx e x
t
0
1 e t , t 0
Funcin de confiabilidad
Es una funcin decreciente denominada tambin funcin de supervivencia es la
probabilidad de sobrevivir hasta el tiempo t, se representa como:
R(t)= 1 F(t)
Para el caso de la funcin exponencial es:
R(t ) e t
f(t)
tiempo
F(t)
tiempo
Pgina 12
R(t)
tiempo
Fig.2 Funcin de densidad
Funcin de distribucin
Acumulada
Funcin de
confiabilidad
Funcin de riesgo / Tasa de riesgo / Tasa instantnea de riesgo

Se define como:
h(t )
f (t )
R(t )
Es el resultado del siguiente lmite:
h(t ) lim
P(t T T T t )
Representa la probabilidad de falla instantnea en el tiempo t + t dado que la

unidad ya sobrevivi hasta el tiempo t.
Vida til de un producto

La vida til de un producto se puede representar por una curva de la baera,
como sigue:
f(t)
Mortalidad
Infantil o
Fallas tempranas
Vida til o fallas

aleatorias
tiempo
Envejecimiento
o fallas por desgaste
Fig. 3 La curva de la baera con el ciclo de vida de un producto
La mortalidad infantil representa las fallas debidas a problemas de

diseo o ensamble con tasa de falla decreciente respecto al tiempo.
Normalmente se hace un quemado a las unidades durante un tiempo
razonable para eliminar este tipo de fallas al usuario del producto.
La zona de fallas aleatorias representa una tasa de falla constante

respecto al tiempo.
Pgina 13
La zona de desgaste o envejecimiento representa la zona de tasa de

falla creciente cuando el componente est llegando a su vida til.
Funcin de riesgo acumulado

Es la integral hasta el tiempo t de la funcin de riesgo como sigue:
t
H (t ) h( x)dx 1
0
Por medio de esta funcin tambin se puede calcular la confiabilidad como

sigue:
R(t ) e H (t )
Vida promedio o tiempo medio entre falla (MTBF)

La vida media es el valor esperado o media de la variable T como sigue:
t
E (t ) tf (t )dt
0
La vida media para el caso de la distribucin exponencial es:
Por tanto para la distribucin exponencial la vida media es la inversa de la tasa

de riesgo.
Funcin cuantil
El cuantil p es el tiempo tp al cual falla una porcin de las unidades. Se define
en trminos de la distribucin acumulada como:
t p F 1 ( p)
La funcin F-1(p) es la funcin inversa de F(t). En el caso exponencial resulta

de despejar t como sigue:
1
1
t p F 1 ( p) ln(1 F (t )) ln(1 p)
Ejemplo:
Se someten 20 componentes a una prueba de vida y las horas transcurridas
hasta la falla fueron las siguientes:
Pgina 14
Unidad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Horas
3.70
3.75
12.18
28.55
29.37
31.61
36.78
51.14
108.71
125.21
125.35
131.76
158.61
172.96
177.12
185.37
212.98
280.40
351.28
441.79
Si las horas de falla siguen la distribucin exponencial, estimar las funciones de

densidad de probabilidad, funcin de distribucin acumulada, funcin de
confiabilidad y funcin de riesgo.
Como no hay censura la media concuerda con las media de las observaciones
o sea 133.43.
La funcin de densidad es:
1
t
1
f (t )
e 133.43
133.43
La funcin de distribucin acumulada es la siguiente:
F (t ) 1 e
1
t
133.43
La probabilidad de que los componentes fallen antes de las 20 horas es:

F(20) = 0.139
La funcin de confiabilidad es la siguiente:
R(t ) e
1
t
133.43
Pgina 15
Y la funcin de riesgo es:
h(t )
1
133.43
3. Modelos (distribuciones de probabilidad) para el

tiempo de falla
Los modelos que se utilizan para el tiempo de falla son: Weibull, Valor extremo,
exponencial, normal y lognormal. Aqu se mostrarn sus funciones de densidad
f(t), distribucin acumulada F(t), funcin de confiabilidad R(t) y funcin o tasa
de riesgo h(t). Tambin se incluyen la vida media y la funcin cuantil de cada
distribucin.
Distribucin exponencial de un parmetro
Modelo de confiabilidad para tasa de riesgo constante, de componentes de
muy larga vida y alta calidad que no envejecen durante su vida til. Se dice
que esta distribucin tiene falta de memoria ya que no importa el tiempo que
haya transcurrido, su probabilidad de falla es la misma que cuando estaba
nuevo. Es muy aplicable a componentes electrnicos ya que no exhiben
desgaste o mejora en el tiempo (por ejemplo los transistores, los resistores, los
circuitos integrados y los condensadores). No es aplicable a componentes con
desgaste como las balatas o bateras cuya tasa de falla se incrementa con el
tiempo.
Sus funciones bsicas son:
f (t ) e t , F (t ) 1 e t , R(t ) e t , h(t )
La funcin cuantil y la vida media son:
t p (1/ ) ln(1 p), E (T ) 1/

En funcin de la media se tiene (MTBF = ):
f t
1
exp
E T T
h t
Pgina 16
f(t)
tiempo
Fig.4 Funcin de densidad
F(t)
tiempo
Acumulada
.008
Funcin de riesgo
El efecto de la tasa de falla en la pdf es:
Pgina 17
R(t)
tiempo
Funcin de
confiabilidad
Distribucin exponencial de dos parmetros

Para:
Donde > 0 es un parmetro de escala y

es un parmetro
localizacin y frontera. Cuando = 0 se tiene la distribucin exponencial
de un parmetro.
Los cuantiles son:

Tp = - log (1-p)
Los Momentos son.
Pgina 18
Distribucin Weibull de dos parmetros

Es una distribucin flexible donde su tasa de falla puede ser decreciente,
constante o creciente dependiendo de sus parmetros. Normalmente se define
con dos parmetros: el de forma que tiene efecto sobre la forma de la
distribucin y el de escala que afecta la escala del tiempo de vida.
La teora de valores extremos demuestra que la distribucin de Weibull se
puede utilizar para modelar el mnimo de una gran cantidad de variables
aleatorias positivas independientes de cierta distribucin: tales como falla de un
sistema con una gran cantidad de componentes en serie y con los mecanismos
de falla aproximadamente independientes en cada componente.
Sus funciones bsicas son:
t
f (t )

F (t ) 1 e
R(t ) e
Distribucin de densidad
Distribucin acumulada
t
h(t )

1
Funcin de riesgo
La vida media y la funcin cuantil son las siguientes:
E (T ) (1 1/ )
t p ln(1 p)
1/
La funcin gamma se define como:
( x) t x 1e t dt
Generalizacin del factorial de un nmero
( x) ( x 1)( x 1)
Para cualquier nmero
(n) (n 1)!
Para nmeros enteros
Pgina 19
=0.5
=1
=2
Tiempo
Figura 5. Funciones de densidad
Funciones de riesgo
En general cuando el para valores de beta 0<<1 la funcin de riesgo es

decreciente y para valores de >1 la funcin de riesgo es creciente. tambin
se conoce como pendiente.
Pgina 20
Pgina 21
Pgina 22
Esta distribucin se aplica a productos con varios componentes de vida similar,

donde cuando falla un componente falla el producto.
Pgina 23
Distribucin Weibull de tres parmetros

En ocasiones las fallas no empiezan a observarse desde el tiempo cero sino
hasta despus de un periodo , es decir hasta despus de este tiempo la
probabilidad de falla es mayor a cero. Para esto se introduce en la distribucin
un parmetro de localizacin que recorre el inicio de la distribucin a la
derecha, quedando las funciones de densidad, de distribucin, de confiabilidad
y de riesgo para la distribucin de Weibull (, , ) como sigue:
t
f (t )

F (t ) 1 e
R(t ) e
Distribucin de densidad
Distribucin acumulada
t
h(t )

Funcin de riesgo
Donde t>=
E (T ) (1 1/ )
t p ln(1 p)
1/
En el caso de =1 se tiene la distribucin exponencial.
Pgina 24
Ejemplo:
Sea la funcin de riesgo de Weibull dada por:
h(t ) (0.5 / 1000 )(t / 1000 ) 0.5
t se expresa en aos
Si se implementa un periodo de quemado (burn-in) de 6 meses (tb=0.5), a que

tiempo las unidades sobrevivientes tendrn una confiabilidad de 90%.
De la funcin de riesgo, el parmetro de forma =0.5 y el parmetro de escala
es =1000.
Sustituyendo estos valores en la funcin de confiabilidad de Weibull se tiene:
R(t ) 0.9 e
1000
0.5
t 1000 ln( 0.90) 11.1

2
A seis meses la confiabilidad de las unidades sobrevivientes estar dada por la

probabilidad condicional siguiente:
Pgina 25
C (t t t b ) 0.90
R(t t b ) exp ((t 0.5) / 1000 ) 0.5
R(t b )
exp (0.5) / 1000 ) 0.5
Igualando a 90% y despejando para t se obtiene t = 15 aos, es decir el

periodo de quemado eliminara unidades dbiles que fallaran pronto y las
unidades sobrevivientes tienen mayor confiabilidad.
Distribucin Valor extremo para mnimos
Se utiliza para describir la vida de productos cuya duracion est determinada
por la vida mnima de sus componentes:
f (t )
t
t
exp
exp
Funcin de densidad
t
F (t ) 1 exp exp
t
R(t ) exp exp
h(t )
t
exp
Funcin de riesgo
E (T ) 0.5772
0.5772 constante de Euler
t p ln ln(1 p)
=1
=2
=3
Tiempo
Funciones de riesgo
La distribucin Valor extremo se relaciona con la distribucin Weibull donde si

la variable T sigue una distribucin Weibull (, ), su logartimao ln(T) sigue una
Pgina 26
distribucin valor extremo con parmetros de escala =1/ y parmetro de

localizacin =ln().
Para:
Donde
Son fdp y fda para una normal estndar es el parmetro de localizacin y

es el parmetro de escala.
Los cuantiles son:
Donde
es el cuantil p de una normal estndar.
Los Momentos son:
Pgina 27
Distribucin de los valores extremos mximos

Para
Donde:
Son fdp y fda para una distribucin

es el parmetro de localizacin y es el parmetro de escala.
Los cuantiles son:
La media y la varianza son las siguientes:
Pgina 28
Distribucin normal
No es muy utilizada en confiabilidad dado su comportamiento simtrico, el
comportamiento del tiempo de vida es asimtrico, sin embargo es un modelo
adecuado cuando muchos componentes tienen un efecto aditivo en la falla del
producto. Aqu es el parmetro de localizacin y es el parmetro de
escala.
Sus funciones bsicas de densidad, distribucin y confiabilidad son las
siguientes:
1 t

1
f (t )
e 2
2
F (t )
Funcin de densidad
f ( x)dx
R(t ) 1
f ( x)dx 1
La vida media y la funcin cuantil estan dadas por:
E (T )
t p 1 ( p)
Donde -1 es la funcin inversa de la distribucin normal estndar acumulada.

=1
=2
=3
Pgina 29
Tiempo
Funciones de riesgo
Pgina 30
Pgina 31
Distribucin lognormal
Esta distribucin es apropiada cuando los tiempos de falla son el resultado de
muchos efectos pequeos que actan de manera multiplicativa. Esto hace que
al sacar el logaritmo de dichos efectos acten como de manera aditiva sobre el
logaritmo del efecto global o logaritmo del tiempo de falla, se aplica a procesos
de degradacin por ejemplo de fatiga de metales y de aislantes elctricos.
La distribucin lognormal es un modelo comn para los tiempos de la falla, se
justifica para una variable aleatoria obtenida como el producto de un nmero
variables aleatorias positivas, independientes e idnticamente distribuidas. Se
se puede aplicar como modelo de el tiempo de falla causado por un proceso de
degradacin con tazas aleatorias que se combinan multiplicativamente.
La distribucin lognormal se relaciona con la normal ya que si T sigue una
distribucin lognormal, su logaritmo sigue una distribucin normal. O si T tiene
una distribucin normal, Y=exp(T) sigue una distribucin lognormal.
Sus funciones bsicas son las siguientes:

1 1
f (t )
e 2
t 2
1 ln(t )
Funcin de densidad
ln( t )
F (t )
f ( x)dx
R(t ) 1
ln( t )
f ( x)dx 1
La vida media y la funcin cuantil estan dadas por:

E (T ) exp( 2 / 2)
t p exp( 1 ( p)
Pgina 32
Pgina 33
Pgina 34
Donde el cuantil para la distribucin normal es
La media y el cuantil es:
Pgina 35
Distribucin logstica
Para:
es el parmetro de localizacin y > 0 es el parmetro de escala

Donde
son fdp y fda para una logistica estandarizada dada por:
Los cuantiles son:
Con
es el p esimo cuantil para una distribucin logstica estndar.

La media y la varianza son:
Pgina 36
Ejemplos:
Distribucin Loglogstica
Si
entonces
Con:
Donde
y
son fdp y fda para una logistica estndar . Exp() es el
parmetro de localizacin y > 0 es el parmetro de escala.
La media para sigma > 1 es:
Y para sigma < es:
Pgina 37
Pgina 38
4. Estimacin de parmetros del modelo

Los modelos paramtricos complementan a las tcnicas no paramtricas. Los
modelos paramtricos se pueden describir con precisin con apenas algunos
parmetros, en vez de tener que reportar una curva entera.
Es posible utilizar un modelo paramtrico para extrapolar (en tiempo) a la cola
inferior a o superior de una distribucin. En la prctica a menudo es til
comparar varios anlisis paramtricos y no paramtricos de un conjunto de
datos.
Funciones de los parmetros
Funcin de distribucin acumulativa
El p cuantil es el valor mas pequeo de tp tal que
La funcin de Riesgo
El tiempo medio de falla, MTTF, de T (tambin conocida como esperanza de

T).
Si esta integral no converge, se dice que la media no existe.

La varianza (o el segundo momento central) de T y la desviacin estndar son:
El coeficiente de variacin es:
Pgina 39
Distribuciones con parmetros de localizacin y escala

Para las distribuciones de esta familia su fda se puede expresar como.
Dnde - < <

de escala.
>0 es un parmetro
es la fda de Y cuando = 0 y = 1 y no depende de ningn parmetro

desconocido. Como en la distribucin de Z = (Y- ) / que no depende de
ningn parmetro desconocido.
Las distribuciones estadsticas de esta clase de distribuciones son las
siguientes: distribuciones exponenciales, normales, Weibull, lognormal,
loglogistica, logsticas, y de valor extremos. Su teora es relativamente simple.
Resumen de modelos de confiabilidad

En la tabla siguiente se relaciona la distribucin de los tiempos de falla T con:
1) Las transformaciones idneas para Tp , y
2) Las distribuciones que siguen los residuos.
Pgina 40
Especificacin de la distribucin de vida y estimacin grfica de sus

parmetros
Un primer paso en un estudio de confiabilidad es identificar la distribucin que
mejor modela los tiempos de falla (o vida) de los productos.
Linearizacin de la funcin de distribucin acumulada (fda)
Esto es necesario para determinar la confiabilidad usando papel deprobailidad
de Weibull:
Para el caso de la distribucin exponencial se tiene:
F (t )1 e
Se deduce que:
1 F (t )
ln 1 F (t )
Es la ecuacin de la recta y = ax con y = -ln(1-F(t)) y x = t. La pendiente de la

recta es 1/. Por tanto se pueden graficar los pares ordenados (t(i), -ln(1F^(t(i))) con F^(t(i)) = (i-0.5)/n, en papel ordinario o graficar en papel
exponencial los pares (t(i), (i-0.5)/n).
t
1 exp

Exponencial
log(1 p(i ) )
t(i )
Para el caso de Weibull dela funcin cuantil:
t p ln(1 p)
1/
Tomado logaritmos naturales de ambos lados y sustituyendo p por F(ft) (es lo

mismo), se obtiene:
ln( t ) ln( )
ln ln(1 F (t )
Reacomodando la ecuacin queda como:
ln ln(1 F (t ) ln( ) ln( t )

Ecuacin de la foirma y = ax + b, con y = ln (-ln(1-F(t)), a = - ln() y x = ln(t).
Pgina 41
Se puede graficar en papel ordinario (ln(t(i), ln (-ln(1-F(t)), o graficar en papel

logartmico de Weibull (t(i), (i-0.5)/n).
Ejemplo:
Se prueban seis unidades similares en un estudio de confiabilidad, las cuales
presentaron fallas como sigue:
Tiempo de
falla (Hrs.)
16
34
53
75
93
120
Orden de
fallas, i
1
2
3
4
5
6
Posicin en grfica
(i-0.5)/6
0.083
0.250
0.416
0.583
0.750
0.916
Utilizando Minitab con las siguientes instrucciones:

1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis
2. Variables t; Assumed distribution Weibull
3. OK
Los resultados son los siguientes:
Distribution Analysis: t
Variable: t
Censoring Information Count
Uncensored value
6
Estimation Method: Least Squares (failure time(X) on rank(Y))
Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
1.43966
76.1096
Standard
Error
0.770081
23.0668
95.0% Normal CI
Lower
Upper
0.504604 4.10744
42.0206 137.853
Log-Likelihood = -29.977
Goodness-of-Fit
Anderson-Darling (adjusted) = 1.980
Correlation Coefficient = 0.996
Characteristics of Distribution
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Interquartile Range(IQR)
Estimate
69.0792
48.7161
59.0032
32.0329
95.4934
63.4604
Standard
Error
21.6192
31.6088
19.5515
17.6650
31.2532
32.7893
Pgina 42
95.0% Normal CI
Lower
Upper
37.4070 127.568
13.6579 173.765
30.8190 112.962
10.8690 94.4070
50.2794 181.366
23.0514 174.707
Table of Percentiles
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
3.11703
5.06250
6.73318
8.25196
9.67027
11.0159
12.3060
13.5521
14.7626
15.9435
26.8511
37.1916
47.7313
59.0032
71.6255
86.5837
105.925
135.843
140.131
144.857
150.135
156.128
163.088
171.433
181.936
196.302
219.854
Standard
Error
5.40393
7.48720
8.95519
10.1030
11.0465
11.8452
12.5347
13.1381
13.6715
14.1466
16.9820
18.1019
18.6733
19.5515
21.8154
26.9542
37.2835
59.0936
62.6511
66.6766
71.2939
76.6846
83.1306
91.1043
101.493
116.288
141.853
95.0% Normal CI
Lower
Upper
0.104239 93.2077
0.278920 91.8864
0.496722 91.2696
0.748881 90.9288
1.03062 90.7361
1.33886 90.6365
1.67146 90.6017
2.02681 90.6153
2.40367 90.6672
2.80105 90.7505
7.77351 92.7483
14.3268 96.5476
22.1717 102.756
30.8190 112.962
39.4287 130.114
47.0382 159.376
53.1361 211.156
57.9098 318.656
58.3405 336.587
58.7677 357.060
59.1935 380.792
59.6209 408.847
60.0537 442.898
60.4981 485.788
60.9642 542.951
61.4723 626.862
62.0763 778.651
Probability Plot for t
Weibull - 95% CI
Complete Data - LSXY Estimates
Percent
99
Table of S tatistics
S hape
1.43966
S cale
76.1096
M ean
69.0792
S tDev
48.7161
M edian
59.0032
IQ R
63.4604
F ailure
6
C ensor
0
A D*
1.980
C orrelation
0.996
90
80
70
60
50
40
30
20
10
5
3
2
1
0.1
1.0
10.0
t
100.0
1000.0
La confiabilidad a las 15 horas por medio de la distribucin de Weibull es:

> Estimate Estimate survival probabilities for these times (values) 15
Table of Survival Probabilities
Time
15
Probability
0.908008
95.0% Normal CI
Lower
Upper
0.276139 0.992789
Pgina 43
Por clculo manual se tiene con Shape
1.43966
y Scale
76.1096:
1.43966
R(15) e
15
76.1096
0.9080
Por tanto el 90.8% de los componentes duran ms de 15 horas.

Estimador de Kaplan Meyer
Si se consideran los datos censurados por la derecha, para graficar en papel
de probabilidad, se utilizan las posiciones estimadas por Kaplan Meyer (KM) de
la funcin de confiabilidad definido como:
R(t (i ) ) 1
f (1)
n (1)
x1 .....1
f ( 2)
n ( 2)
f (i )
n (i )
Donde f(j) son las unidades que fallan en el j-simo intervalo de tiempo (ti-1, ti)
y n(j) son las unidades en riesgo justo antes del tiempo j. Las unidades en
reisgo son iguales al total de unidades menos las que han fallado hasta antes
de ese tiempo, menos las que fueron censuradas hasta ese tiempo, es decir.
i 1
i 1
j 0
j 0
n ( j ) n f ( j ) rj
Donde rj denota el nmero de unidades que fueron censuradas en el tiempo tj,
y adems f(0) = 0 y r(0) = 0.
El estimador de Kaplan Meyer toma en cuenta la censura contando las
unidades en riesgo un instante antes del tiempo j.
Ejemplo:
t(i)
Fallas f(j)
Posicin en grfica
(i-0.5)/6
16
1
0.083
34
2
0.250
53
3
0.416
75
4
0.583
93
5
0.750
120
6
0.916
De aqu siguen las lienalizaciones
Estimacin por mnimos cuadrados
Pgina 44
Es un mtodo para estimar los parmetros de las distribuciones de probabilidad

que se basa en ajustar un modelo de regresin lineal simple a los datos,
graficados en el papel de probabilidad correspondiente.
Las ecuaciones linealizadas
acumuladas son las siguientes:
para
las
distribuciones
de
probabilidad
Distribucin
fda, F(t)
fda en forma de y = a + bx
Exponencial
t
1 exp

log(1 p(i ) )
Weibull
t
1 exp

log log(1 p(i ) log( ) log(t(i ) )
Valor extremo
t
1 exp exp
log log(1 p(i ) )
Normal
1 ( p(i ) )
t (i )
Lognormal
log(t )
1 ( p(i ) )
log(t (i ) )
t(i )
t(i )
En las ecuaciones de la ltima columna se aprecian la pendiente de la recta y

la ordenada al origen.
Por ejemplo para la distribucin exponencial, se hace una regresin simple
entre las parejas de coordenadas (t(i), ln(1-P(i)) para i = 1, 2, , n.
La pendiente de la recta es un estimador del parmetro 1/.
Por ejemplo para los datos anteriores se tiene:
Tiempo de
falla (Hrs.)
16
34
53
75
93
120
Orden de
fallas, i
1
2
3
4
5
6
Posicin en grfica
P(i) = (i-0.5)/6
0.083
0.250
0.416
0.583
0.750
0.916
Pgina 45
Ln(1-P(i))
-0.08664781
-0.28768207
-0.5378543
-0.87466906
-1.38629436
-2.47693848
Fitted Line Plot
Y = 0.4929 - 0.02201 t
S
R-Sq
R-Sq(adj)
0.0
0.268099
92.6%
90.7%
-0.5
-1.0
-1.5
-2.0
-2.5
20
40
60
80
100
120
As 1/ = -0.022 por tanto el MTBF = 45.45

Para la distribucin Weibull las parejas a ajustar son:
(log(t(i)), log(-log(1-p(i)).
Tiempo
de
falla
(Hrs.)
16
34
53
75
93
120
Orden
de
fallas, i
Posicin
en Log(t(i)
grfica
P(i) = (i-0.5)/6
log(-log(1-P(i))
1
2
3
4
5
6
0.083
0.250
0.416
0.583
0.750
0.916
-2.44590358
-1.24589932
-0.62016758
-0.13390968
0.32663426
0.90702331
2.77258872
3.52636052
3.97029191
4.31748811
4.53259949
4.78749174
Pgina 46
Fitted Line Plot
log(-log(1-P(i)) = - 6.955 + 1.611 Log(t(i)

1.0
S
R-Sq
R-Sq(adj)
log(-log(1-P(i))
0.5
0.108555
99.3%
99.2%
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
3.0
3.5
4.0
Log(t(i)
4.5
5.0
Y la pendiente b estima a y se obtiene con exp(-a/b).

Por tanto = 1.611 y = 74.978 similar al obtenido arriba.
Mxima verosimilitud
Es un mtodo para estimar los parmetros del modelo que provee los
estimadores que maximizan la probabilidad de haber observado los datos bajo
tal modelo.
Es ms recomendado para estimar los parmetros del modelo, consiste en
maximizar la funcin de verosimilitud.
Con los datos se desea estimar el valor del parmetro . Los datos son un
evento E en el espacio muestral del modelo y la probabilidad de E ser funcin
de los valores desconocidos de los parmetros del modelo, P(E;). El
estimador de mxima verosimilitud (emv) de es el valor de que maximiza
P(E;), y se denota por ^. La funcin de verisimilitud L() se define como la
probabilidad conjunta de los datos:
L( ) cP( E; )
c es una constante que no depende de .
Para el caso de una variable aleatoria discreta como P(T=ti) la da la funcin de

probabilidad P(T=ti), la funcin de verosimilitud estar dada por:
L( , ti ) P(T t; ) f (ti , )
Por ejemplo para el caso de la distribucin binomial se tiene:
Pgina 47
n
L( p; x) f ( x; p) p x (1 p) n x
x
Donde x es el nmero de xitos observados, p es la probailidad. Por lo que

dado x, L(p) toma distintos valores en funcin de p. El valor de p que maximice
L(p) es el (evm).
Para el caso de una variable continua, si se tienen n observaciones no
censuradas e independientes: t1, t2, t3,., tn, la informacin que paortan esos
datos sobre lo proporciona la funcin de verosimilitud dada por:
n
L( ; datos) c f (t i ; )
i 1
Los estimadores de mxima verosimilitud son los valores de los parmetros

que maximizan la funcin L(), que maximizan la probabilidad de ahaber
observado esos datos bajo el modelo propuesto.
Para el caso de una observacin censurada por la derecha, el artculo no haba
fallado al tiempo t, o sea T > t, por lo tanto la verosimilitud de este evento es
proporcional a la probabilidad del mismo, es decir:
L( ;T t ) P(T t; ) R(t; )
Para el caso de una observacin censurada por la izquierda, lo que se sabe es

que T < t, por tanto la verosimilitud de este evento es proporcional a la
probabilidad del mismo;
L( ;T t ) P(T t; ) F (t; )
Funcin de distribucin acumulada
Para el caso de censura por intervalo, o por resolucin baja del instrumento, se
sabe que el evento ocurri entre: ti 1 T ti y su verosimilitud est dada por:
L( ) P(t i 1 t t i )
ti
f (t; )dt F (t ) F (t
i
i 1
t 1
Si se tienen cuatro datos: uno completo ti, uno censurado por la derecha tder,
otro por la izquierda tizq y el ltimo por intervalo (tbajo, talto), la funcin de
verosimilitud para el modelo es:
L( ; datos) f (ti ; ) xC (t der ; ) xF (tizq ; ) x F (t alto ; ) F (tbajo ; )
En general la maximizacin de esta funcin para obtener los estimadores de

mxima verosimilitud para algunos de los modelos se hace por clculo
diferencial (derivando e igualando a cero). Para el caso exponencial con
parmetro , considerando n tiempos de falla exactos,
Pgina 48
t
1
n
1 i 1 ti
L( ; datos) e n e
i 1

Maximizar esta funcin equivale a maximizar su logaritmo dado por:
ln L( ; datos) n ln( )
t
i 1
Derivando respecto a e igualando a cero se tiene:
d ln( L( )) n 1
d
2
t
i 1
Despejando para obtener el estimados de mxima verosimilitud se tiene:
ti
i 1
Varios tipos de falla

Las unidades de prueba de un estudio de confiabilidad pueden fallar de
diversas maneras, no solo del tipo de falla que ms interesa en un momento
dado. Si los modos de falla son independientes, cada uno debe analizarse por
separado, para lo cual las otras unidades que fallaron debido a otros modos de
falla se toman como censuradas. Si Ri(t) es la funcin de confiabilidad para el
modo de falla i, entonces la confiabilidad global del producto al tiempo t
consiuderando los k modos de falla del producto es:
R g (t ) R1 (t ) xR2 (t ) x.......xRk (t )
O sea que para sobrevivir al tiempo t se debe sobrevivir a todos los modos de
falla.
Ejemplo: Vida de conexiones con dos modos de falla
Los datos de la tabal siguiente son esfuerzos de ruptura de 20 conexiones de
alambre, con un extremo soldado sobre un semiconductor y el otro al poste
Terminal. Cada falla consiste en la ruptura del alambre (modo de falla 1 = A) o
de una soldadura (modo de falla 2 = S). En este caso el esfuerzo hace las
veces de tiempo de falla:
Esfuerzo
550
750
950
950
Modo de
falla
S
A
S
A
Pgina 49
1150
1150
1150
1150
1150
1250
1250
1350
1450
1450
1450
1550
1550
1550
1850
2050
A
S
S
A
A
S
S
A
S
S
A
S
A
A
A
S
Interesa estudiar la distribucin del esfuerzo de las conexiones, considerando

que se requiere que menos del 1% debe tener un esfuerzo menor a 500 mg. O
sea que al menos el 99% de las conexiones resista un esfuerzo de mayor a
500 mg. Se desea estimar el esfuerzo que resultara de eliminar uno de los
modos de falla.
Primero se hace un anlisis sin distinguir los modos de falla, identificando la
distribucin que ajuste a los datos:
Con Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right censoring) >
Distribution ID Plot
2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal, Exponential,
Normal)
3. Options > Estimation Maximum likelihood
4. OK
Pgina 50
Probability Plot for Esfuerzo

ML Estimates-Complete Data
Weibull
A nderson-Darling (adj)
Weibull
1.011
Lognormal
1.123
E xponential
5.561
N ormal
0.970
Lognormal
99
90
50
P er cent
P er cent
90
10
50
10
500
1000
Esfuer zo
2000
1000
Esfuer zo
E xponential
2000
N ormal
99
90
50
P er cent
P er cent
90
10
50
10
10
100
1000
Esfuer zo
10000
500
1000
1500
Esfuer zo
2000
3. Options > Estimation Least squares

LSXY Estimates-Complete Data
Weibull
C orrelation C oefficient
Weibull
0.981
Lognormal
0.958
E xponential
*
N ormal
0.981
Lognormal
99
90
50
P er cent
P er cent
90
10
50
10
500
1000
Esfuer zo
2000
1000
Esfuer zo
E xponential
2000
N ormal
99
90
50
P er cent
P er cent
90
10
50
10
10
100
1000
Esfuer zo
10000
500
1000
1500
Esfuer zo
2000
Se puede observar que la distribucin normal y la de Weibull dan un ajuste

parecido y los datos parecen provenir de una misma poblacin donde las fallas
se presentan por la liga ms dbil que favorece al modelo Weibull donde .
Determinado los parmetros de la distribucin Weibull por medio de Minitab:
Pgina 51
Distribution Overview Plot
2. En Variables Esfuerzo Parametric analysis - distribution Weibull
4. OK
Distribution Overview Plot for Esfuerzo
LSXY Estimates-Complete Data
P robability Density F unction
S hape
3.96368
S cale
1416.71
M ean
1283.45
S tDev
363.046
M edian
1291.59
IQ R
503.809
F ailure
20
C ensor
0
A D*
0.998
C orrelation
0.981
Weibull
0.0012
90
P DF
P er cent
0.0008
0.0004
0.0000
500
1000
1500
Esfuer zo
50
10
2000
500
S urv iv al F unction
1000
Esfuer zo
2000
Hazard F unction
100
Rate
P er cent
0.0075
50
0.0050
0.0025
0.0000
500
1000
1500
Esfuer zo
2000
500
1000
1500
Esfuer zo
2000
Se obtiene una distribucin Weibull con parmetro de forma o aspecto Beta =

3.96368 y parmetro de escala Etha = 1416.71.
5. Determinacin de la confiabilidad
Haciendo un anlisis de confiabilidad considerando los dos tipos de falla se
tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
2. En Variables Esfuerzo Assumed distribution - Weibull
Pgina 52
4. OK
Los resultados se muestran a continuacin:

Weibull - 95% CI
Percent
99
S hape
3.96368
S cale
1416.71
M ean
1283.45
S tDev
363.046
M edian
1291.59
IQ R
503.809
F ailure
20
C ensor
0
A D*
0.998
C orrelation
0.981
90
80
70
60
50
40
30
20
10
5
3
2
1
0
30
0
40
0
50
0
60
0
0 0 0
70 80 90 100
00
15
00
20
Esfuerzo
Estimado la confiabilidad para 500 mg. Se tiene:

3. Estimate > Estimate survival probailities for these times 500 OK
Distribution Analysis: Esfuerzo
Variable: Esfuerzo
Censoring Information
Uncensored value
Count
20

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
3.96368
1416.71
Standard
Error
0.708783
84.2759
95.0% Normal CI
Lower
Upper
2.79182 5.62743
1260.80 1591.91
Goodness-of-Fit
Pgina 53
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1283.45
363.046
1291.59
1034.60
1538.40
503.809
Standard
Error
80.9684
53.1580
85.3243
95.8025
87.8896
77.9169
95.0% Normal CI
Lower
Upper
1134.17 1452.37
272.475 483.722
1134.73 1470.13
862.880 1240.48
1375.44 1720.68
372.069 682.196
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
443.865
529.362
587.135
632.155
669.641
702.091
730.908
756.969
780.860
802.995
970.366
1092.26
1195.86
1291.59
1385.81
1484.64
1597.44
1748.50
1768.35
1789.78
1813.20
1839.16
1868.53
1902.70
1944.24
1998.66
2082.63
Standard
Error
102.702
106.405
107.635
107.983
107.910
107.604
107.159
106.628
106.042
105.420
98.8486
93.0318
88.4357
85.3243
84.1349
85.6630
91.5272
106.332
108.820
111.634
114.856
118.600
123.044
128.478
135.440
145.109
161.124
95.0% Normal CI
Lower
Upper
282.032 698.558
356.990 784.963
409.915 840.973
452.296 883.535
488.287 918.353
519.920 948.091
548.361 974.223
574.349 997.655
598.382 1018.98
620.818 1038.63
794.742 1184.80
924.324 1290.70
1034.51 1382.39
1134.73 1470.13
1230.34 1560.92
1325.89 1662.40
1427.75 1787.29
1552.03 1969.84
1567.43 1995.03
1583.83 2022.52
1601.50 2052.88
1620.80 2086.94
1642.28 2125.94
1666.84 2171.94
1696.11 2228.68
1733.56 2304.30
1789.61 2423.63

Time
500
Probability
0.984016
95.0% Normal CI
Lower
Upper
0.920465 0.996872
Y el porcentaje de falla ser 100 98.40 = 1.6% que es mayor al objetivo del
1%, por lo que se tratar de eliminar uno de los modos de falla.
Obteniendo el anlisis separado por modo de falla se tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
Pgina 54
2. En Variables Esfuerzo By Variable Modo de falla Assumed distribution Weibull

4. OK
Los resultados son:
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = A
Uncensored value
Count
10

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
4.27142
1414.58
Standard
Error
1.20349
110.427
95.0% Normal CI
Lower
Upper
2.45892 7.41995
1213.90 1648.45
Goodness-of-Fit
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1287.02
340.225
1298.27
1056.70
1527.00
470.298
Standard
Error
107.337
79.4624
112.923
133.092
115.966
116.703
95.0% Normal CI
Lower
Upper
1092.94 1515.57
215.258 537.739
1094.78 1539.58
825.550 1352.58
1315.82 1772.08
289.168 764.885
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
Percentile
481.849
567.416
624.664
668.990
705.726
737.405
765.450
790.745
813.878
835.265
995.688
1111.24
1208.74
Standard
Error
159.303
162.268
162.391
161.599
160.416
159.046
157.585
156.082
154.565
153.050
139.088
127.738
118.942
95.0% Normal CI
Lower
Upper
252.056 921.140
323.949 993.862
375.287 1039.75
416.684 1074.07
452.015 1101.84
483.188 1125.37
511.303 1145.92
537.058 1164.26
560.927 1180.90
583.249 1196.17
757.214 1309.27
887.082 1392.05
996.715 1465.86
Pgina 55
50
60
70
80
90
91
92
93
94
95
96
97
98
99
1298.27
1385.93
1477.41
1581.30
1719.60
1737.71
1757.25
1778.57
1802.19
1828.88
1859.90
1897.55
1946.79
2022.57
112.923
110.342
112.463
121.743
144.914
148.743
153.056
157.969
163.649
170.351
178.497
188.861
203.138
226.538
1094.78
1185.69
1272.65
1359.82
1457.79
1469.32
1481.47
1494.41
1508.37
1523.70
1540.98
1561.25
1586.72
1623.92
1539.58
1619.98
1715.13
1838.86
2028.43
2055.12
2084.36
2116.77
2153.25
2195.18
2244.81
2306.28
2388.56
2519.08

Modo A
Time
500
Probability
0.988299
95.0% Normal CI
Lower
Upper
0.841829 0.999196
Distribution Analysis: Esfuerzo by Modo de falla

Variable: Esfuerzo
Modo de falla = S
Uncensored value
Count
10

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
3.32722
1425.91
Standard
Error
0.953840
142.915
95.0% Normal CI
Lower
Upper
1.89697 5.83582
1171.60 1735.43
Goodness-of-Fit
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1279.60
423.801
1277.18
980.548
1573.00
592.449
Standard
Error
133.140
103.468
141.540
157.439
155.189
149.699
Pgina 56
95.0% Normal CI
Lower
Upper
1043.53 1569.06
262.633 683.874
1027.83 1587.03
715.811 1343.20
1296.43 1908.56
361.053 972.145
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
357.805
441.349
499.313
545.250
583.983
617.849
648.177
675.802
701.288
725.033
908.468
1045.99
1165.24
1277.18
1388.94
1507.73
1645.16
1832.13
1856.94
1883.78
1913.18
1945.86
1982.93
2026.21
2079.02
2148.52
2256.48
Standard
Error
152.934
162.918
167.355
169.647
170.836
171.372
171.486
171.314
170.939
170.416
162.047
153.087
145.843
141.540
141.628
148.293
165.486
203.940
210.156
217.141
225.082
234.251
245.065
258.210
274.954
298.080
336.193

95.0% Normal CI
Lower
Upper
154.819 826.932
214.078 909.895
258.866 963.098
296.317 1003.31
329.150 1036.11
358.745 1064.09
385.917 1088.66
411.190 1110.70
434.927 1130.78
457.390 1149.29
640.438 1288.67
785.145 1393.50
911.751 1489.20
1027.83 1587.03
1137.33 1696.20
1243.38 1828.28
1350.79 2003.69
1473.02 2278.80
1487.52 2318.09
1502.85 2361.28
1519.19 2409.34
1536.88 2463.67
1556.35 2526.41
1578.38 2601.10
1604.30 2694.21
1636.99 2819.90
1685.05 3021.71
Modo S
Time
500
Probability
0.969865
95.0% Normal CI
Lower
Upper
0.762180 0.996558
Pgina 57

Weibull - 95% CI
Percent
99
Modo
de
falla
A
S
90
80
70
60
50
40
30
S hape
S cale C orr F C
4.27142 1414.58 0.986 10 0
3.32722 1425.91 0.962 10 0
20
10
5
3
2
1
100
1000
Esfuerzo
Combinado los dos se tiene:

Rg = RA x RS =0.988299
x 0.969865
= 0.95851661
En este caso se observa que para tener menos de 1% de falla en 500 mg. Es
necesario eliminar los dos modos de falla, uno no es suficiente.
Pgina 58
6. Pruebas de vida acelerada

Los fabricantes desean tener resultados de confiabilidad para sus productos,
ms rpidamente, que bajo condiciones de funcionamiento normal. Para lo
cual, se trata de acelerar las fallas sometiendo los productos a niveles altos de
esfuerzo, para despus, extrapolar la confiabilidad a condiciones normales de
operacin.
Se tienen los tipos de Pruebas de vida aceleradas cualitativas y cuantitativas:
Pruebas Cualitativas
Las pruebas de vida aceleradas cualitativas (tales como las pruebas de tortura)
se utilizan sobre todo para revelar los modos de falla probables para el
producto con objeto de mejorar su diseo. Una prueba acelerada que slo da
Informacin de Falla ( Modos de Falla), comnmente se llama Prueba de
Tortura, Prueba de Elefante, Prueba Cualitativa, etc.
Sobre-esforzar a los productos para obtener fallas ms rpido es la forma
ms antigua de Pruebas de Confiabilidad. Normalmente no se obtiene
informacin sobre la distribucin de la vida (Confiabilidad). Los tipos de
esfuerzo son en: Temperatura, Voltaje, Humedad, Vibracin o, cualquier otro
esfuerzo que afecte directamente la vida del producto.
Las pruebas de Tortura se realizan sobre muestras de tamao pequeo y los
productos se someten a un ambiente agresivo (niveles severos de esfuerzo)
Si el producto sobrevive, pas la prueba. Muchas veces los datos de las
pruebas de tortura no pueden ser extrapolados a las condiciones de uso
Como beneficios de las pruebas de tortura se aumenta la Confiabilidad por la
revelacin de modos probables de falla, aunque quedan en el aire diversos
cuestionamientos como son: Cul es la Confiabilidad del Producto?, se
mantendrn los mismos Modos de Falla durante la vida del producto bajo uso
normal?
Pruebas Cuantitativas
Las pruebas de vida aceleradas cuantitativas (QALT) se disean para
cuantificar la vida til del producto.
La Prueba de Vida acelerada, a diferencia de la Prueba de Tortura, est
diseada para proveer Informacin de la Confiabilidad del producto,
componente o sistema, como dato bsico se tiene el Tiempo de Falla, puede
estar en cualquier medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.
Los modelos de tiempos de vida de escala acelerada (TAEF) se definen como:
T ( x) T ( x0 ) FA( x); FA( x) 0, FA( x0 ) 1

Pgina 59
Cuando FA(x)>1, el modelo acelera el tiempo, esto es T(x) >T(x0); en caso

contrario, el modelo desacelera el tiempo.
En la grafica de T(x0) vs T(x):

El modelo TAEF se representa por lneas rectas a travs del origen.
El modelo TAEF acelerado se representa por lineas rectas por abajo de
la diagonal.
El modelo TAEF desacelerado se representa por lneas rectas por arriba
de la diagonal.
Para un modelo TFAE T(x) = T(x0)/FA(x), ((x) > 0), donde:
Si la cdf base est en x0 F(t; x0) entonces AF(x0) = 1
Tiempo escalado: F(t; x) = F [AF(x) t; x0]. Entonces las cdfs F(t; x) y F(t;
x0) no se cruzan.
Cuantiles proporcionales: tp(x) = tp(x0)/AF(x).

Entonces tomando
Logaritmos se tiene log[tp(x0)] log[tp(x)] = log[AF(x)]. Esto muestra que
cualquier grafica en escala log-tiempo tp(x0) y tp(x) son equidistantes.
En particular, en una grafica de probabilidad en escala log-tiempo F(t, x)
es una translacin de F(t, x0) a lo largo del eje log(t).
Pgina 60
Grafica de Probabilidad Weibull de dos miembros de una familia TFAE de

modelos con distribucin Lognormal
Note que para modelos con una sola variable de la familia log-localizacin
escala:
t p ( x)
exp( 1 x)
t p (0)
Por tanto pertenecen a la familia de modelos de tiempos de vida de escala
acelerada y,
FA( x) exp(1 x)
Pgina 61
Modelos de vida acelerada

Se han desarrollado modelos que relacionan el nivel de esfuerzo y la funcin
de densidad de los tiempos de falla como sigue:
Modelos de aceleracin
Los modelos de aceleracin se derivan a menudo de modelos fsicos o
cinticos relacionados al modelo de falla, por ejemplo:
Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Modelo Coffin-Manson de Crecimiento de Fracturas Mecnicas
Ley de la potencia inversa
L = medida cuantificable de vida, tal como la media, la mediana cuantiles, etc.,

S = nivel de estrs o esfuerzo
K = parmetros del modelo por determinar (K debe ser > 0), y,
n = es otro parmetro del modelo.
Para el caso de la distribucin de Weibull, se tiene:
Pgina 62
t
f (t ) e

1
L( S )
K Sn
e
f (t , S )
1 1
K Sn K Sn
K S n
f (t , S )
1 1
K Sn K Sn
K S n
Una vez que se estiman los parmetros b, K y n, se pueden hacer

predicciones de vida til para diferentes valores de t y S.
El modelo de Arrhenius se muestra a continuacin:
R = velocidad de reaccin,
A = constante desconocida,
EA = energa de activacin (eV),
K = constante de Boltzman, y
T = temperatura absoluta (Kelvin).
El modelo de Eyring es como sigue:
L = medida cuantificable de vida, tal como la media, la mediana, cuantiles, etc.,

V = nivel de estrs (temperatura medida en grados kelvin)
A = uno de los parmetros del modelo, y,
B = otro parmetro del modelo
Pgina 63
Los modelos de regresin lineales y log lineales vistos anteriormente pueden

ser tiles para modelar diversos efectos de estrs. Para distribuciones de la
familia log-localizacin escala (weibull, exponencial, lognormal):
ln( t )
P(T t ) F (t ; , ) F (t ; 0 , 1 , )

Con media:
( x) 0 1 x
Y modelo de regresin:
ln t p ( x) ( x) 1 ( p)
Sus residuos se definen como:
Para distribuciones de la familia localizacin-escala (Normal, Logstica, valores

extremos):
t
P(T t ) F (t ; , ) F (t ; 0 , 1 , )

Con media:
( x) 0 1 x
Y Tp:
t p ( x) 1 ( p)
Sus residuos se definen como:
Pgina 64
Como resumen de los modelos se tiene:
Los modelos ms utilizados son los siguientes:
El modelo de Arrhenius,
El modelo de Eyring y
El modelo de la ley de la potencia inversa
Pgina 65
7. Confiabilidad de sistemas
Cuando se estudia la confiabilidad de un sistema compuesto por componentes,
la falla de alguno de ellos hace que todo el sistema deje de funcionar, en este
caso el se dice que los componentes estn en serie. En caso de que la falla de
un componente particular no afecte al funcionamiento total del sistema dado
que otros componentes continan funcionando, se dice que estn conectados
en paralelo.
Sistemas Complejos
El estudio de sistemas complejos implica la subdivisin de un producto en sus
componentes individuales. Al modelar un sistema
complejo es crucial
especificar el nivel del detalle del modelo. La operacin del sistema se expresa
en funcin de la operacin de los componentes. La funcin de estructura
describe el lazo entre el estado del sistema y el estado de los n componentes
que forman el sistema.
El Estado del Sistema
El sistema se asume como una coleccin de n componentes. Tambin se
asume que hay dos estados posibles para los componentes del sistema:
funcionando o falla. El estado del componente i, denotado por Xi, es:
X i 0,
1,
si el componente ha fallado
si el componente funciona
para i = 1...,n.
Los estados de los n componentes se pueden escribir como el vector X=(X1...,
Xn). Hay n componentes, cada uno de los cuales puede tomar 2 valores,
entonces, hay 2n posibles estados del sistema.
Funcin de Estructura de un sistema
La funcin de estructura asocia los estados del sistema { X } al conjunto { 0.1 },
rindiendo el estado del sistema.
El estado del sistema es:
( X ) 0,
1,
si el sistema falla cuando esta en estado X,

si el sistema funciona cuando esta en estado X.
La forma de la funcin de estructura depende del diseo del sistema. Las

estructuras ms comunes que vemos son sistemas en series y sistemas en
paralelo.
Considere un sistema con k componentes y sea la variable xi (i=1, 2, 3,., k)
que toma el valor 1 si el i-simo componente funciona y el valor 0 si no
Pgina 66
funciona. En cierto momento el estado del sistema est determinado por el

vector X = (x1, x2, x3,., xk) de ceros y unos. La funcin de estructura del
sistema est definida en este espacio de vectores y toma valores:
1,
0
(x)
1 si el sistema funciona; 0 si no funciona
La funcin de estructura de un sistema serie es:

k
( x ) xi
i 1
La funcin de estructura de un sistema paralelo es:

k
( x) 1 (1 xi )
i 1
Cada vector X donde el sistema funciona se denomina trayectoria y cada vector

X donde el sistema no funciona se denomina corte. En total se tienen 2K
posibles estados sumando los cortes y las trayectorias. En el sistema serie solo
hay una trayectoria con un vector de unos X=(1,1,1,1) y 2 K-1 cortes y en el
sistema paralelo solo hay un corte cuando X=(0,0,0,,0) y 2K-1 trayectorias.
El nmero de componentes que funcionan en un estado se denominan tamao
de X, con valores desde 1 hasta k. La trayectoria mnima es un vector X con
todos los componentes funcionando.
Revisar la importancia estructural:
Qu importancia tienen los componentes en la estructura?
Si el componente i falla, dejar de operar el sistema?
Cuntos estados posibles hay del sistema?
En cuantos estados el componente i es funcional?
En que estados al fallar el componente i el sistema fallar?
Por ejemplo para el componente 1:
2
3
(1, 1, 1)
1
2
3
(1, 0, 1)
2
3
(1, 1, 0)
2
3
(1, 0, 0)
Ahora considere que el componente 1 falla.

El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Pgina 67
Entonces el componente 1 tiene una importancia estructural de 4/4.
2
3
(1, 1, 1)
1
2
3
(0, 1, 1)
2
3
2
3
(1, 1, 0)
(0, 1, 0)
Si falla el componente 2:
El sistema operara en el estado (1,1,1) y fallar en los estados (0,1,1) y (0,1,0)
y (1,0,1).
Entonces la importancia estructural del componente 2 es 1/4.
Por simetra, la importancia estructural del componente 3 es 1/4.
Pgina 68
Sistemas en Serie
Un sistema en serie tiene k componentes. Suponiendo que trabajan en modo
independiente, la confiabilidad del sistema es la probabilidad de que todos los
componentes funcionen.
Entonces (X) = 1 si todas los valores Xi toman el valor 1 y (X) = 0 de otra
manera. Por tanto:
( X ) 0, si i s.t. X i 0,
1, si X i 1 para toda i 1,..., n.
( X ) min{ X 1 ,..., X n },
n
Xi.
Regla de producto de probabilidades
i 1
Los diagramas de bloque son usados

para visualizar sistemas de
componentes. El diagrama de bloque que corresponde a un sistema de la
serie es:
El diagrama de bloque representa el lazo lgico de la operacin de los

componentes y el sistema. No representa su disposicin fsica. La idea es que
si se puede trazar un camino de izquierda a derecha a travs del sistema, el
sistema funciona.
Ejemplo:
Un producto electrnico tiene 40 componentes en serie. La confiabilidad de
cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:
Rs (0.999 ) 40 0.961
Si el producto se rediseara para tener solo 20 componentes, la confiabilidad

sera de Rs = 0.98.
Figura 7. Sistema con componentes en serie

Sistemas en paralelo
En este sistema, si tiene k componentes, basta con que uno funcione para que
siga en operacin. Se requiere que todos los componentes fallen para que falle
el sistema, o sea:
Pgina 69
( X ) 0, si X i 0 para todo i 1,..., n,

1, si i s.t. X i 1 .
( X ) max{ X 1 ,..., X n },
n
1 (1 X i ).
i 1
Rs 1 P(todos fallen) 1 (1 R1 ) x(1 R2 ) x......x(1 Rk )
El diagrama de bloque para una estructura en paralela es
1
2
3
n
Entre ms componentes redundantes haya, la confiabilidad del sistema es
mayor, esto tambin est presente en los seres vivos, como por ejemplo en los
riones.
Ejemplo:
Considere 4 componentes A, B, C y D de un producto conectados en paralelo,
con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la confiabilidad
total es:
Rs 1 (1 0.93)(1 0.88)(1 0.95)(1 0.92) 1 0.0000336 0.9999664
B
A
C
D
Fig. 8 Sistema con 4 componentes en paralelo
Sistemas con componentes en serie o en paralelo (K de n)
Pgina 70
Los sistemas pueden tener componentes en serie y en paralelo, en algunos

casos es importante identificar cuales componentes son clave para incrementar
la confiabilidad del sistema.
Un sistema k de n funciona si cualesquier k de los n componentes del sistema
funcionan. Los sistemas en serie y en paralelo son casos especiales del
sistema k en n. Un sistema en serie es un sistema k de k. Un sistema en
paralelo es un sistema 1 de n.
Por ejemplo:
En los puentes algunos de los cables de la suspensin pueden fallar, y el
puente no cae. En las bicicletas algunos de los rayos pueden fallar.
La funcin de estructura es:
( X ) 0, if
X
i 1
1, if
k,
k.
X
i 1
Un ejemplo de diagrama de bloques para un sistema 2 de 3 donde con dos de

3 componentes que operen, el sistema continuar operando, es el siguiente:
1
2
1
2
3
3
( X ) 1 (1 X 1 X 2 )(1 X 2 X 3 )(1 X 1 X 3 ).
Ejemplo:
Para el caso de un avin continua volando si funcionan 2 de 4 motores.
Su diagrma de bloques es el siguiente:
1
2
3
4
Su funcin de estructura es la siguiente:
( X ) (1 (1 X 1 X 2 ))(1 (1 X 3 X 4 )).
Pgina 71
Ejemplo:
Se tienen los siguientes 7 componentes conectados en serie y en papralelo,
sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89; RE=0.95;
RF=0.88; RG=0.90.
G
C
D
E
B
Figura 9. Sistema con 7 componentes en serie y en paralelo
Rs = Rab x Rc x Rd x Refg
Rab = 1-(1-0.96)(1-0.92) = 0.9968
Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836
Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
Mtodo de trayectoria para calcular la confiabilidad de un sistema
Para calcular las confiabilidades de sistemas simples se aplican las frmulas de
estructuras serie o paralelo. Para sistemas ms complejos, es necesario
conocer las reglas siguientes:
Regla 1. Sean dos sistemas, uno con funcin de estructura 1(x)= 0(x) A(x) y
otro con funcin de estructura 2(x)= 0(x) B(x). Si se conectan en serie, la
funcin de estructura resultante es: (x)= 0(x) A(x) B(x) puesto que 02(x)=
0(x).
Regla 2. Si los mismos sistemas anteriores se conectan en paralelo, la funcin
de estructura resultante es: (x)= 0(x)[(1- A(x)) (1- B(x)) ].
Se siguen los pasos siguientes:
1. Encontrar todas las trayectorias mnimas posibles.
Pgina 72
2. Dado que para que el sistema funcione es necesario que funcione al menos
una de las trayectorias mnimas, se aplica la definicin de sistema paralelo a
dichas trayectorias.
3. Se simplifica la expresin resultante aplicando las reglas 1 y 2.
4. Se sustituyen las xi (i=1, 2, 3,., k) por las confiabilidades de las k
componentes y se resuelve.
Ejemplo:
Para el sistema de la figura 9, las trayectorias mnimas son: ACDEF, ACDG,
BCDEF y BCDG.
Aplicando la funcin de estructura en paralelo se tiene:
s(x) = 1 (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =
= BCD(EF + G + EFG) + ACD(EF BEF + G BG EFG + BEFG) = 0.82
Pgina 73
Estructuras de puente
Su diagrama de bloques es el siguiente:
4
3
El sistema funcionara si alguno de los siguientes conjuntos funciona: {1,3,5}

{1,4}
{2,3,4}
{2,5}. Estos conjuntos son denominados conjuntos de ruta
mnima, dando un diagrama equivalente a:
3
1
5
4
3
2
4
5
Redundancia
La redundancia a nivel componente es siempre proporciona una mayor
confiabilidad que a nivel sistema. Sea (X) la funcin de estructura para un
sistema coherente de n componentes. Para cualquier vector de estados X y Y
1
1
(1 (1 X 1 )(1 Y1 ),...,1 (1 X n )(1 Yn ))
1 (1 ( X ))(1 (Y )).
Sistema X
Sistema Y
Pgina 74
n
n
Uso de Minitab
Se capturan dos columnas, una para los tiempos de falla observados y otra
para indicar cuales tiempos son falla y cuales son censuras por la derecha. Se
puede escoger 1 para censuras y 0 para falla.
Cuando se tienen fallas por intervalos se construyen tres columnas, en dos de
ellas se seala el inicio y el final de cada intervalo de tiempo y en la tercera la
frecuencia de las fallas observadas en cada intervalo.
Para los anlisis se usa el men Stat > Relibility / Survival, en la primera opcin
se identifica la distribucin de manera grfica, en la segunda se hace una
exploaracin ms detallada (paramtrica o no paramtrica) de la distribucin
seleccionada, en la tercera opcin se hace el anlisis paramtrico detallado y
en la cuarta el anlisis no paramtrico. En el primer bloque se considera
censura por la derecha y en el segundo bloque se analiza lo mismo con otras
opciones de censura.
Pgina 75
8. Mantenabilidad y disponibilidad
Los sistemas reparables reciben Acciones de mantenimiento cuando fallan.
Estas acciones se deben ahora tomar en la consideracin al determinar el
comportamiento del sistema. La edad de los componentes del sistema ya no
es uniforme ni el tiempo de operacin del sistema es continuo.
Mantenimiento
El Mantenimiento se define como cualquier accin que restaure unidades
falladas a una condicin operacional, o conserve unidades que no estn en un
estado operacional. Para los sistemas reparables, el mantenimiento
desempea un papel vital en la vida de un sistema. Afecta la confiabilidad total
del sistema, la disponibilidad, el tiempo muerto, los costos de operacin, etc.
Generalmente, las acciones del mantenimiento se pueden dividir en tres tipos:
Mantenimiento correctivo, es la accion(es) tomado para restaurar un sistema
que ha fallado, al estado operacional.
Mantenimiento preventivo, es la prctica de susstituir componentes o
subsistemas antes de que fallen, para promover la operacin continua del
sistema. Son las Inspecciones que se utilizan para descubrir fallas ocultas
(tambin llamadas fallas inactivas).
Mantenabilidad
Es la capacidad de mantenimiento se define como la probabilidad de realizar
una accin acertada de reparacin dentro de un tiempo dado. Es decir la
capacidad de mantenimiento mide la facilidad y la velocidad con las cuales un
sistema se puede restaurar al estado operacional despus de que fallo.
Por ejemplo, se dice que un componente particular tiene una mantenabilidad o
capacidad de mantenimiento del 90% en una hora, esto significa que hay una
probabilidad del 90% que el componente ser reparado dentro de una hora.
La mantenabilidad puede incluir los eventos siguientes:
1. El tiempo que toma diagnosticar con xito la causa de la falla.
2. El tiempo que toma procurar o entregar las piezas necesarias para realizar
la reparacin.
4. El tiempo que toma quitar los componentes daados y substituirlos por los
buenos.
5. El tiempo que toma regresar el sistema a su estado de funcionamiento.
6. El tiempo que toma verificar que el sistema est funcionando dentro de lo
especificado.
7. El tiempo asociado de ajuste de un sistema para su operacin normal.
Para el caso de sistemas donde su mantenabilidad sigue la distribucin
exponencial se tiene:
Pgina 76
Donde = tasa de la reparacin.

La media de la distribucin se puede obtener con:
MTTR ( Mean Time to Re pair)
Para el caso de la distribucin de Weibull se tiene:
La tasa de reparacin es:
Disponibilidad
La disponibilidad, se define como la probabilidad que el sistema est
funcionando correctamente cuando se solicita para el uso. Criterio del
funcionamiento para los sistemas reparables que considera las caractersticas
de confiabilidad y de mantenabilidad o capacidad de mantenimiento de un
componente o sistema.
Por ejemplo, si una lmpara tiene una disponibilidad del 99.9%, habr una vez
fuera de mil que alguien necesite utilizar la lmpara y suceda que la lmpara no
opere.
Los conceptos de confiabilidad, mantenabilidad y disponibilidad se relacionan
como sigue:
Un sistema reparable que funciona adecuadamente un periodo de tiempo,

despus falla y es reparado para regresarlo a su condicin operacional puede
tener los siguientes comportamientos:
Pgina 77
El artculo funcion correctamente a partir de 0 a t con la probabilidad R(t)

o funcion correctamente desde la reparacin pasada en el tiempo u, 0 < u < t,
con probabilidad:
Con m(u) siendo la funcin de la densidad de la renovacin del sistema.

Entonces la disponibilidad del punto es la adicin de estas dos probabilidades:
Se tienen diversos tipos de disponibilidad como sigue: Disponibilidad

instantnea; Disponibilidad media; Disponibilidad Limite; Disponibilidad
Inherente; y Disponibilidad Operacional.
Disponibilidad instantnea, A(t):
La disponibilidad instantnea es la probabilidad que un sistema (o el
componente) ser operacional (en servicio) en cualquier hora, t.
Pgina 78
Esto es muy similar a la funcin de la confiabilidad en que da una probabilidad

que un sistema funcione en el tiempo dado, t. La medida instantnea de la
disponibilidad incorpora la informacin de la mantenabilidad.
Disponibilidad media
La disponibilidad media es la proporcin de tiempo durante una misin o un
perodo de tiempo en que el sistema est disponible para el uso.
Representa el valor medio de la funcin instantnea de la disponibilidad sobre
el perodo (0, T ] y esta dada por:
Disponibilidad Limite
Disponibilidad inherente
Pgina 79
La disponibilidad inherente es la disponibilidad del estado constante al

considerar solamente el tiempo muerto correctivo del sistema. Para un solo
componente, esto se puede calcular como sigue:
Disponibilidad operacional
La disponibilidad operacional es una medida de la disponibilidad media durante
el tiempo e incluye todas las fuentes experimentadas del tiempo muerto, tales
como tiempo muerto administrativo, tiempo muerto logstico, etc.
Ejemplo:
Un generador de energa est proveyendo electricidad, sin embargo en los
ltimos seis meses, haba acumulado fallas por 1.5 meses. El generador tiene
un MTTF = 50 das (o 1200 horas) y MTTR = 3 horas. Se puede poner un
generador de viento alterno con una disponibilidad del 99.71% con sus
parmetros MTTF = 2,400 Horas y MTTR = 7 horas.
Pgina 80
Pgina 81
Problemas
1. Escribir y graficar la funcin de riesgo h(t) para una distribucin de Weibull
con parmetros a) Beta =1, Etha = 4; b) Beta = 2, Etha = 2; c) Beta = 3, Etha =
1. Comentar el efecto de cada parmetro.
2, La duracin t en horas de cierto componente electrnico es una variable
aleatoria con funcin de densidad f(t) = 0.001exp(-t/1000) para t >0.
a) Calcular F(t), R(t) y h(t)
b) Cul es la confiabilidad del componente a las 100 horas?
c) Si una unidad ha sobrevivido a las 100 horas, cul es la probabilidad de
que sobreviva a las 200 horas?
d) Graficar h(t) e interpretar los resultados.
2. Una unidad de disco tiene una falla temprana si ocurre antes del tiempo t =
alfa y una falla por desgaste si ocurre despus de t = beta. Si la vida del disco
se puede modelar con la distribucin f(t) = 1/(Beta alfa):
a) Obtener las ecuaciones de F(t) y R(t)
b) Calcular la tasa de riesgo h(t)
c) Graficar la tasa de riesgo si Alfa = 100 y Beta = 1500 horas.
d) Con los datos de c) cul es la confiabilidad de la unidad a las 500 horas?
3. Se realiz un estudio para estimar la vida media de locomotoras. Se

operaron 96 mquinas durante 135,000 millas o hasta que fallaron y de estas,
37 fallaron antes de cumplirse el periodo de 135,000 millas, la tabal siguiente
muestra las fallas de las 37. Las otras 59 no fallaron por tanto entran al estudio
en forma censurada.
22.5
37.5
46
48.5
51.5
53
54.5
57.5
66.5
68
69.5
76.5
77
78.5
80.0
81.5
82.0
83.0
84.0
91.5
93.5
102.5
107.0
108.5
112.5
Pgina 82
113.5
116.0
117.0
118.5
119.0
120.0
122.5
123.0
127.5
131.0
132.5
134.0
a) Utilizando Minitab identificar la distribucin que mejor aproxime a los datos.

b) Comparar las estimaciones por mnimos cuadrados y por mxima
verosimilitud.
c) Determinar la vida mediana de las locomotoras.
d) Cul es la confiabilidad de las locomotoras a las 200,000 millas?. Dar un
intervalo de confianza para esta confiabilidad e interpretarlo.
4. Un fabricante de balatas le da seguimiento al tiempo de falla de las mismas
en kilmetros recorridos. Al finalizar el estudio no todas las balatas haban
fallado pero por su desgaste se estim el tiempo de falla. Los datos obtenidos
para los 55 productos se muestran a continuacin:
9500
14951
17980
19451
23659
10512
15117
18508
19611
24165
12824
15520
18624
19708
25731
13514
15555
18699
20066
25961
14096
15912
18719
20546
25991
14128
16037
18773
20610
26553
14404
16481
19126
21599
14520
16622
19165
21978
14689
16626
19274
21978
14766
16689
19414
22386
14859
16935
19429
23592
a) Utilizando el Minitab, identificar la distribucin que siguen los datos.

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.
c) Cul es la confiabilidad de las balatas a los 10,000 kms.?
d) Si el fabricante no est dispuesto a reemplazar ms de 2% de las balatas
es razonable otorgar una garanta de 10,000 kms?.
e) Proporcionar un intervalo de confianza al 95% para los kilmetros en que
falla el 2% de las balatas e interpretarlo.
5. La vida de ventiladores se registra como ventiladores fallados y ventiladores
con censura a la derecha (1) indicando que su vida fue ms larga.
0-no censurado 1-censurado
450
460
1150
1150
1560
1600
1660
1850
1850
0
1
0
0
1
0
1
1
1
1850
1850
1850
2030
2030
2030
2070
2070
2080
1
1
1
1
1
1
0
0
0
2200
3000
3000
3000
3000
3100
3200
3450
3750
1
1
1
1
1
0
1
0
1
3750
4150
4150
4150
4150
4300
4300
4300
1
1
1
1
1
1
1
1
4300
4600
4850
4850
4850
4850
5000
5000
5000
1
0
1
1
1
1
1
1
1
6100
6100
6100
6100
6300
6450
6450
6700
7450
0
1
1
1
1
1
1
1
7800
7800
8100
8100
8200
8500
8500
8500
8750
1
1
1
1
1
1
1
1
1
8750
8750
9400
9900
10100
10100
10100
11500
El objetivo es determinar la proporcin de ventiladores que fallan antes de

tiempo de garanta que es de 8,000 horas.
Pgina 83
0
1
1
1
1
1
1
1
a) Estimar el modelo adecuado para los datos

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.
c) Graficar el estimador no paramtrico de la funcin de supervivencia.
c) Cul es la proporcin de ventiladores que fallan antes del tiempo de
garanta de 8,000 horas?
d) Ser necesario redisear los ventiladores para tratar de incrementar su
confiabilidad?
6. La duracin de un chip de computadora tiene una distribucin de Weibull.
Para estimar sus parmetros, se someten 100 chips a prueba y se registra el
nmero de supervivientes al final de cada ao, durante 8 aos. Los datos con
censura por intervalo son los siguientes:
Ao
1
2
3
4
5
6
7
8
Superv.
94
78
88
36
22
10
6
2
a) Utilizar el mtodo de mnimos cuadrados para obtener Beta y Etha.

b) Establcer un intervalote confianza del 95% para el percentil 1%.
c) Calcular la probabilidad de que un chip falle antes de 5 aos.
d) Estimar la confiabilidad de los chips en el tiempo de 7 aos.
e) Calcular la tasa de riesgo, h(t) y graficarla. Obtener la tasa de riesgo a t=4
aos e interpretar su valor.
7. Se toma una muestra de n = 138 baleros y se hace una prueba de vida. La
tabla siguiente muestra los que seguan funcionando al final de cada periodo de
100 horas hasta que todos fallaron.
Horas
4
5
6
7
8
9
Baleros
138
114
104
64
37
29
Horas
12
13
17
19
24
51
Pgina 84
Baleros
8
6
4
3
2
1
10
11
20
10
a) Ajustar un modelo de Weibull a estos datos.

b) Dar un intervalo de confianza al cual falla el 2% de los baleros.
c) Calacular la confiabilidad a las 400 horas.
d) Calacular la confiabilidad de que habiendo sobrevivido las primeras 300
horas, un balero sobreviva 100 horas ms.
8. El tiempo de vida en aos de un generador que se compra tiene una
distribucin Weibull con parmetros Etha = 13 aos y Beta = 2. El period de
garanta es de dos aos.
a) Cul es la confiabilidad del generador al fin del periodo de garanta?
b) Si se compran 1000 unidades cul es el nmero de reclamos al fabricante?
c) Cul es el periodo de garanta que debe ofrecerse si se quiere tener una
proporcin de reclamos a lo ms del 1%?
Pgina 85

Confiabilidad - Funciones y Metodos

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Confiabilidad - Funciones y Metodos

Încărcat de

Drepturi de autor:

Formate disponibile

CURSO DE CONFIABILIDAD

P. REYES / DIC. 2006

Elabor: Dr. Primitivo Reyes Aguilar

P. REYES / DIC. 2006

3. Modelos de distribuciones de probabilidad para el tiempo

4. Estimacin de parmetros del modelo

6. Pruebas de vida aceleradas

P. REYES / DIC. 2006

P. REYES / DIC. 2006

2. Mientras que en estadstica lo que interesa son los parmetros de la

P. REYES / DIC. 2006

Se tienen datos censurados cuando no se conocen los tiempos de falla de las

Tiempo fijo de terminacin de la prueba

Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

P. REYES / DIC. 2006

Censura por intervalo cuando se inspecciona en intervalos de tiempo y

Censura mltiple: Cuando en el mismo estudio se tienen diferentes tipos

P. REYES / DIC. 2006

Verosimilitud (probabilidad de los datos)

Por ejemplo para la funcin de distribucin:

La verosimilitud en censura por intervalo es:

Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

Si una falla se detecta en la primera inspeccin a un tiempo t=0.5,

P. REYES / DIC. 2006

Si una unidad continua operando en la ultima inspeccin en el tiempo T=2.0,

Si se supone que la censura es en ti:

ti-1 < T < ti

P. REYES / DIC. 2006

Anlisis no paramtrico de los tiempos de falla

Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

est definida slo al final del intervalo

P. REYES / DIC. 2006

Es el estimador de mxima verosimilitud de F(t).

El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

la distribucin F con (1, 2) grados de libertad.

Es el cuantil 100(1-/2) de la distribucin normal estndar.

Es una estimacin de la desviacin

P. REYES / DIC. 2006

Cuando el nmero de inspecciones se incrementa, el ancho del intervalo (ti-1,

P. REYES / DIC. 2006

Funcin de densidad de probabilidad

Para el caso de la distribucin exponencial se tiene que:

Funcin de distribucin acumulada

Para el caso de la distribucin exponencial se tiene:

P. REYES / DIC. 2006

Fig.2 Funcin de densidad

Funcin de riesgo / Tasa de riesgo / Tasa instantnea de riesgo

Es el resultado del siguiente lmite:

Representa la probabilidad de falla instantnea en el tiempo t + t dado que la

Vida til de un producto

Vida til o fallas

Fig. 3 La curva de la baera con el ciclo de vida de un producto

La mortalidad infantil representa las fallas debidas a problemas de

La zona de fallas aleatorias representa una tasa de falla constante

P. REYES / DIC. 2006

La zona de desgaste o envejecimiento representa la zona de tasa de

Funcin de riesgo acumulado

Por medio de esta funcin tambin se puede calcular la confiabilidad como

Vida promedio o tiempo medio entre falla (MTBF)

La vida media para el caso de la distribucin exponencial es:

Por tanto para la distribucin exponencial la vida media es la inversa de la tasa

La funcin F-1(p) es la funcin inversa de F(t). En el caso exponencial resulta