Documente Academic
Documente Profesional
Documente Cultură
0,1
0,01
10000 100000
TIEMPODEFA
1
Anlisis de Confiabilidad
Introduccin
El Anlisis de Confiabilidad de componentes, equipos y sistemas es el conjunto de
modelos matemticos y grficos que se usan para representar el comportamiento de los
sistemas y equipos y para modificar y mejorar el diseo, la operacin y el
mantenimiento de los sistemas, equipos o componentes.
Para realizar esta validacin, se usa una serie de medidas y ensayos que provn una
estimacin cuantitativa de la confiabilidad, estas medidas, que se calculan a partir del
histrico de mantenimiento y fallas del equipo, expresan una serie de factores tales
como: la fiabilidad esperada a lo largo del tiempo, la mantenibilidad, y los niveles de
disponibilidad del equipo durante su vida operativa.
2
este depende de la determinacin y el conocimiento del ndice de fallas de los equipos
que participan en el sistema de mantenimiento.
Un sistema confiable es aquel que puede continuar procesando las solicitudes del
usuario an cuando el sistema sobre el que opera no es confiable, aun cuando los
componentes de un sistema fallen, un sistema confiable debe seguir ejecutando las
solicitudes de usuario sin violar la consistencia de la base de datos.
3
Modelos para predecir la Confiabilidad
El desarrollo de las concepciones y tcnicas del Anlisis de Confiabilidad de
componentes, equipos y sistemas ha estado estrechamente asociado al desarrollo de
tecnologas complejas y de alto riesgo
Los anlisis de Weibull pueden indicar si ms piezas viejas o ms piezas nuevas son
ms probables fallar.
Las tcnicas del anlisis de Weibull se utilizan para analizar datos del campo o del
laboratorio.
la confiabilidad.
Los estudios de confiabilidad se realizan a partir de dos tipos de anlisis
Los ingenieros tienen en la MCC una herramienta clara y efectiva, un lenguaje tcnico
comn y un sistema de trabajo conjunto para la Produccin y el Mantenimiento
La Confiabilidad en un MCC
La confiabilidad es la capacidad de un producto de realizar la funcin para
la cual fue diseado, la confiabilidad es la probabilidad de que un producto
realizar su funcin prevista sin fallas por un perodo especificado y bajo
condiciones establecidas. Un anlisis de la confiabilidad en un equipo o
un sistema incluye la realizacin de diversos ensayos para determinar cuan
confiable es el equipo o el sistema.
5
Realizados estos ensayos, es posible anticipar los efectos de los cambios y
de las correcciones que se deben hacer al diseo para mejorar la
confiabilidad.
Los diversos estudios realizados al producto se relacionan y examinan
para determinar su confiabilidad bajo diversas perspectivas, para detectar
posibles problemas en el diseo, construccin o funcionamiento del
equipo y para facilitar la bsqueda de correcciones y mejoras.
Definiciones
La confiabilidad se puede interpretar de varias formas, la confiabilidad se puede ver
como una medida con la cual un sistema conforma su comportamiento a alguna
especificacin y tambin se puede interpretar como la probabilidad de que un sistema
no haya experimentado ninguna falla dentro de un periodo de tiempo dado.
Un sistema confiable
Es aquel que puede continuar funcionando aun cuando el sistema sobre el que opere no
sea confiable, aun cuando los componentes de un sistema fallen, un sistema confiable
debe seguir funcionando adecuadamente sin violar la consistencia del sistema.
La Disponibilidad.
Es la fraccin del tiempo que un sistema satisface su especificacin, es la probabilidad
de que el sistema sea operacional en un instante dado de tiempo.
El Sistema
Un sistema se refiere a un mecanismo que consiste de una coleccin de componentes y
sus interacciones con el medio ambiente que responden a estmulos que provienen del
mismo con un patrn de comportamiento reconocible, cada componente de un sistema
puede ser as mismo un sistema, llamado comnmente subsistema.
6
Un estado interno es la respuesta del sistema a un estmulo interno, desde el punto de
vista de confiabilidad, es conveniente definir a un estado interno como la unin de
todos los estados externos de las componentes que constituyen el sistema, el cambio
de estado interno se da como respuesta a los estmulos del medio ambiente. Las faltas
del sistema se pueden clasificar como severas (Hard) y no severas (Soft). Las faltas
severas casi siempre son de tipo permanente y conducen a fallas del sistema severas.
Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas
no severas y representan, por lo general, el 90 % de todas las fallas.
La Falla
Cualquier desviacin de un sistema del comportamiento descrito en su especificacin
se considera como una falla, cada falla necesita ser rastreada hasta su causa, en un
sistema confiable los cambios van de estados vlidos a estados vlidos.
En un sistema no confiable, es posible que el sistema caiga en un estado interno el cual
no obedece a su especificacin; a este tipo de estados se les conoce como estados
errneos, las transiciones a partir de este estado pueden causar una falla.
La parte del estado interno que es incorrecta se le conoce como error del sistema,
cualquier error en los estados internos de las componentes del sistema se le conoce
como una falta en el sistema, una falta causa un error lo que puede inducir una falla del
sistema.
. Las faltas del sistema se pueden clasificar como severas (Hard) y no severas (Soft).
Las faltas severas casi siempre son de tipo permanente y conducen a fallas del sistema
severas.
Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas
no severas y representan, por lo general, el 90 % de todas las fallas.
7
{0 fallas en el tiempo [0, t]} =
donde m (t) se le conoce como la funcin de riesgo la cual proporciona el rango de
fallas de la componente dependiente del tiempo y se define como
m(t) =
El nmero esperado de fallas en el intervalo [0,t] puede ser calculado como
R(t) = Ri(t)
RSYS(t) = Ri(t)
Un nmero de fallas pueden haber ocurrido antes del tiempo t, pero si todas ellas han
sido reparadas, el sistema es disponible en tiempo t.
La disponibilidad se refiere a sistemas que pueden ser reparados. Si se supone que las
fallas siguen una distribucin de Poisson con una media de fallas, y el tiempo de
reparacin es exponencial con un tiempo de reparacin medio de 1/ la disponibilidad
de un estado estable del sistema se puede escribir como:
A lim A(t )
t 0
MTBF = R(t)dt
El MTTR est relacionado al rango de reparacin de la misma forma que el MTBF est
relacionado al rango de fallas.
8
Usando estas dos medidas, la disponibilidad (A) de un estado estable de un sistema
con rangos de falla y reparacin exponencial se puede especificar como
9
1. TIEMPO DE ENFRIAMIENTO
Es el intervalo de tiempo transcurrido desde que el equipo es
desconectado hasta el momento en que las condiciones permitan
que se ejecuten las acciones de mantenimiento
correspondiente.
4. TIEMPO ADMINISTRATIVO
Es el intervalo de tiempo empleado en los diferentes trmites para
la consecucin de los diferentes recursos necesarios para
la ejecucin de la accin.
5. TIEMPO DE REPARACIN PROPIAMENTE DICHA
Es el intervalo de tiempo utilizado en la ejecucin de la accin
de mantenimiento.
6. TIEMPO DE ARRANQUE, PRUEBAS Y CALENTAMIENTOS
Es el intervalo de tiempo utilizado en preparar el SP para ser
entregado al grupo de operaciones, despus que todos los trabajos
han concluido y no existen ms
10
El TPEF o MBTF , es el tiempo promedio entre fallas e indica el
intervalo de tiempo ms probable que ocurre entre el arranque la
ocurrencia de la primera falla, mientras mayor sea este valor mayor es la
confiabilidad del equipo, este parmetro se expresa en horas o das.
2. Probabilidad de Supervivencia
Es el complemento de la probabilidad de falla y expresa la
probabilidad de que el equipo sobreviva un tiempo t.
Ps(t) = 1- Pf(t).
3. Rata de Fallas
La rata de fallas o la frecuencia de ocurrencia de las fallas se definen como
la probabilidad inmediata de un equipo al llegar a t horas de operacin.
r(t) = p(t)/Ps(t)
r(t) = p(t)/Ps(t) =
= - ln(Ps(t)) Ps(t) =
11
1-. Periodo de Arranque o de Mortalidad Infantil
Durante el periodo de arranque se presenta un ndice de fallas
descendiente, la rata de falla disminuye con el tiempo, en el la
probabilidad de falla de maana es menor que la de hoy, en este periodo
estn los equipos recin arrancados y la confiabilidad es muy baja, las
fallas en el periodo de arranque las cubre la garanta del equipo y la
correccin de las fallas corresponde al grupo de arranque.
12
Las polticas de mantenimiento a dictarse deben estar orientadas
fundamentalmente por el anlisis de fallas para prever las fallas de los
equipos y eventuales paradas y hacia la aplicacin conjuntamente de un
mantenimiento rutinario, programado, circunstancial (si es el caso)que
identifique las averas y las repare hasta que el estudio econmico lo
indique.
Efectividad de Sistemas
La Disponibilidad, la Confiabilidad, la Mantenibilidad y la Capacidad son los
componentes de la de efectividad de los sistemas, un estudio de la efectividad
del proceso consiste en determinar cules de estos componentes de la
efectividad influyen negativamente en la valoracin del desempeo, en
muchas plantas con procesos continuos la confiabilidad de un componente es
el factor ms importante en la determinacin del desempeo de toda la planta.
La Eficiencia est definida mediante una ecuacin que es el producto de estos
cuatro componentes, estos cuatro componentes de la eficiencia varan
aleatoriamente.
E = D*C*M*CA
Disponibilidad:
La oportunidad del equipo o sistema de estar disponible para desempear su
trabajo,
Confiabilidad
El equipo i operar por un tiempo dado sin falla.
Mantenibilidad
El equipo es reparado sin prdidas excesivas de tiempo de Mantenimiento
Capacidad
El equipo puede desempear su actividad productiva para la cual fue
creado, de acuerdo a estndares determinados.
13
En las refineras y en plantas qumicas que son plantas de procesos
continuos, la disponibilidad es alta (80- 98%), la confiabilidad es baja ( 0.001-
10%), y la mantenibilidad es alta (50 - 90%) , y la productividad es alta (60 -
90%).
AI = MTBF/(MTBF + MTTR)
La Confiabilidad de la Efectividad
La Confiabilidad R se define como la probabilidad de tener una
operacin sin fallas, durante un intervalo de tiempo dado, y es expresada
como:
Si se desea una alta confiabilidad, se requiere un MTBF bastante grande, por ejemplo
para un tiempo de corrida de un ao con un equipo, el cual tiene un tiempo medio entre
fallas de 30 aos, da una confiabilidad del 96.72% que es la probabilidad de cumplir
un intervalo de tiempo de un ao sin fallas y una probabilidad de falla de 3.378%.
15
Anlisis grafico de la confiabilidad
Modelos para ajustar los tiempos de falla
Linearizacion de las distribuciones
La PPCC
La grafica de probabilidad
El anlisis Weibull
Funcion de Densidad
(X 0,001)
15 Distribution
Exponential
Lognormal
12 Normal
Weibull (3-Parameter)
9
Densidad
0
0 30 60 90 120 150 180
FALLAS
Weibull
99,9
99
PORCENTAJE ACUMULADO
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
16
En muchas ocasiones ser posible identificar la distribucin que mejor se ajusta a las
observaciones mediante el uso de grficos de probabilidad.
Si los datos de los tiempos de falla se ajustan a una distribucin, estos valores deberan,
tericamente, caer sobre la lnea recta que representa la f.d.p linealizada de una
distribucin terica, por lo que cuanto ms se aproxime la nube de puntos a la recta
que aparece en el grfico, tanto mejor ser el ajuste
1-.Modelo Exponencial
La Funcin de distribucin exponencial negativa se escribe como:
ln [1/ 1-F(t)] = t
Sea y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con
una pendiente de ln10. De esta manera podemos construir un papel de
probabilidades exponencial usando un papel semilogaritmico estndar.
Para cada valor de t se determina el par (t, F (t)), si la data se ajusta a una
distribucin exponencial, los pares de puntos graficados deben caer sobre de la lnea
recta de pendiente / ln10.
17
Exponential Probabilidad
18000,00
{G}
15000,00
Time
12000,00
9000,00
6000,00
0,00 0,88 1,75 2,63 3,50
Exponential Quantile
Para cada valor de t se determina el par (t, F (t)), Si la data se ajusta a una distribucin
Lognormal, los pares graficados deben caer sobre la lnea recta con pendiente log(t).
Lognormal Probabilidad
9,80
{G}
9,50
Ln(Time)
9,20
8,90
8,60
-2,00 -1,00 0,00 1,00 2,00
Lognormal Quantile
18
El primer paso ser pues encontrar la transformacin adecuada para t y F(t) de modo
que al representar t vs. F(t) se obtenga una funcin lineal.
Si y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una
pendiente de
Una vez conocidas las transformaciones que permiten linealizar la f.d.p asociada a una
distribucin Weibull, se puede construir una escala loglog estandard sobre la cual se
representa una nube de puntos que contenga cada uno de los tiempos de fallo
observados (eje x), de esta manera podemos construir nuestro propio papel de
probabilidades Weibull usando un papel loglog estndar
GRAFICA WEIBULL
99,9
99
MLE
PORCENTAJE ACUMULADO
90
FORMA= 3,160
70
ESCALA=27718
50
LOCAELIZACION=0.0
30
20
10
5
1
0,5
0,1
1000 10000 100000
TIEMPO DE FALLAS
19
Se representa grficamente la f.d.p de una Weibull (con escala = 10 y forma = 4 y
su versin linealizada:
SOLUCION:
Se elabora la grafica de la CDF basada en un estimado de estos tiempos de falla y luego
se construye una grafica de probabilidad con nuestro propio papel Weibull
20
F(t) Estimada F(t)
(i-.5)/30.2 ln(1/(1-F(t))
18.83 0.016556291 0.016694879 PAPEL WEIBULL
20.8 0.049668874 0.050944802 (i-.5)/30.2 ln(1/(1-F(t)) Lineal (ln(1/(1-F(t)))
21.657 0.082781457 0.086409511 4
ln(1/(1-F(t))
2
25.5 0.248344371 0.285477
25.52 0.281456954 0.330529664 1.5
44 0.943708609 2.877213673
-1
45 0.976821192 3.764516868
ln-ln1-F(x) = (x-)/
Con la funcin F(t), para cada valor de t determinamos el par (t, y), si la data es
consistente con una Distribucin de valores Extremos-Tipo I para mnimo, los punto
s (pares) graficados deben caer sobre o muy cerca de la lnea recta con pendiente 1e
intercepto
La Grafica PPCC
La grafica de probabilidad del coeficiente de correlacin (PPCC) es una
tcnica grafica que se utiliza para identificar y estimar el valor del parmetro de
forma de la distribucin que mejor describe una data.
21
son definidas solamente por un parmetro de escala y por un parmetro de
localizacin.
4.
Se usa el grafico PPCC para determinar un buen parmetro de forma y con este
parmetro se construye el grafico de probabilidad para estimar los parmetros de
localizacin y de escala de la distribucin.
La Data
La data que se utilizara en el estudio es el tiempo de falla en horas de un equipo.
18.830 20.800 21.657 23.030
23.230 24.050 24.321 25.500
25.520 25.800 26.690 26.770
26.780 27.050 27.670 29.900
31.110 33.200 33.730 33.760
33.890 34.760 35.750 35.910
36.980 37.080 37.090 39.580
44.045 45.290 45.381
22
ANALISIS GRAFICO
1-. Histograma
El primer paso de este estudio grafico es la construccin y anlisis del histograma
de frecuencia de la data.
0
17 22 27 32 37 42 47
Tiempos de Fallas (X 1000)
95
80
50
20
5
1
0,1
18 23 28 33 38 43 48
Tiempos de Falla (X 1000)
1
Existe un amplio numero de distribuciones candidatas para ajustar la data de
tiempos de falla pero el estudio se restringe a estudiar aquellas distribuciones que
mas frecuentemente se usan en los estudios de confiabilidad , estas distribuciones
son las siguientes:Normal, Exponencial, Weibull, Lognormal, Gamma y
Gumbel
Normal
Mx. PPCC = 0.980
Estimado de Localizacin = 30.81
Estimado de Escala = 7.38
Weibull
Mx. PPCC = 0.988
Estimado de Forma = 2.13
Estimado de Localizacin = 15.9
Estimado de Escala = 16.92
Lognormal
Mx. PPCC = 0.986
Estimado de Forma = 0.18
Estimado de Localizacin = -9.96
Estimado de Escala = 40.17
Gamma
Mx. PPCC = 0.987
Estimado de Forma = 11.18
Estimado de Localizacin = 5.19
Estimado de Escala = 2.17
Gumbell
Mx. PPCC = 0.987
Estimado de Forma = 0.11
Estimado de Localizacin = 20.19
Estimado de Escala = 3.3
Estos resultados indican que varias de estas distribuciones ajustan
adecuadamente la data tiempo de fallas. La distribucin de Weibull de 3
parmetros seria una buena eleccin para ajustar la data, pues ella presenta un
buen balance de simplicidad y ajuste preciso.
Aplicacin
2
Se usara la distribucin de Weibull con los valores de los parmetros de forma,
escala y localizacin estimados para calcular el tiempo para el cual han fallado
el: 1%, 2%, 95%, 97 y 99%. de los equipos.
Probabilidad
0.95 42667,3 0,6
0
2 2,5 3 3,5 4 4,5 5
(X 10000)
TIEMPO (horas)
Conclusiones
A partir de graficas de probabilidad y de la grafica del Coeficiente de
Correlacin de la recta de Probabilidad (PPCC) de la funcin de Weibull
podemos arribar a las siguientes conclusiones:
1. El valor del parmetro gamma que proporciona un mayor probabilidad en
el grafico de probabilidad normal es de = 2.13
2. Para un valor optimo del parmetro de forma , el valor de la PPCC es de
0.988
3. Para un valor optimo del parmetro de forma, el estimado del parmetro
de localizacin es 15.90 y el estimado del parmetro de escala es 16.92.
4. Ajustando el valor del estimado de gamma alrededor de 2 a 2.12 se
obtiene un mnimo impacto sobre el valor la PPCC.
Se pueden usar como graficas alternativas para realizar este anlisis en lugar de
las graficas las graficas de probabilidad y de la grafica PPCC, las graficas de
densidad de Weibull y la grafica de riesgo Weibull.
3
Probabilidad Weibull de TIEMPODEFA
FORMA = 4,635 ESCALA = 33.674,2
10
-log[1-F(t)]
1
0,1
0,01
10000 100000
TIEMPODEFA
1 1
0,995
0,99
0,985
PPCC
0,965 1 3,5
0,96
0 1 2 Gamma 3 4
4
Funcin de riesgo acumulativa Funcin de riesgo
12
9E-4
10 8E-4
7E-4
8
6E-4
H(x)
h(x)
6 5E-4
4E-4
4 3E-4
2E-4
2
1E-4
0 0
0 20000 40000 0 20000 40000
x x
Weibull (4,6; 3,37E+4) Weibull (4,6; 3,37E+4)
5
Funcin de distribucin acumulativa
Funcin de supervivencia 1
1 0,9
0,9 0,8
0,8 0,7
0,7 0,6
F(x)
0,6 0,5
S(x)
0,5 0,4
0,4 0,3
0,3 0,2
0,2 0,1
0,1 0
0 0 20000 40000
0 20000 40000 x
x
Weibull (4,6; 3,37E+4)
Weibull (4,6; 3,37E+4)
2,5E-5
2E-5
1,5E-5
1E-5
5E-6
0
0 20000 40000
x
Weibull (4,6; 3,37E+4)
Grfico de probabilidad
El grfico de probabilidad es una tcnica grfica, utilizada para contrastar la
distribucion que ajusta adecuadamente a un conjunto de datos, permite comparar la
distribucin emprica de una muestra de datos, con una distribucin teorica.
El grafico de probabilidad es un caso particular de grfico de probabilidad.
Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q, la
diferencia radica en que en los grficos P-P se confrontan las proporciones acumuladas
de una variable, con las de una distribucin teorica
6
Los grficos Q-Q se obtienen de modo anlogo, esta vez representando los cuantiles
respecto a los cuantiles de la distribucin teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme,
Weibull, Lognormal, Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de seleccin de la distribucin que mejor
ajusta a la
Uniforme
10
Lognormal
O
D
80 99,9
LA
PORCENTAJE ACUMULADO
U
99
MU
60 95
C
A
80
E
JA
40 50
T
N
20
CE
20
R
5
PO
1
0
0.1
18 23 38 4
10000 100000
DAT (X10,) DATA
data.
Weibull
99,9
99
PORCENTAJE ACUMULADO
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
7
VAORES EXTREMOS
99,9
99
PORCENTAJE ACUMULADO 90
70
50
30
20
10
5
1
0.5
0.1
-6 4 14 24 34 44 54
DATA (X 1000,0)
Logistica
99,9
99,5
PORCENTAJE ACUMULADO
99
95
90
70
50
30
10
5
1
0.5
0.1
0 1 2 3 4 5 6
(X 10000,0)
DATA
8
Para construir el grfico de probabilidad normal para un conjunto de
datos se representan:
Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q. La
diferencia es que en los grficos P-P se confrontan las proporciones acumuladas de una
variable, con las de una distribucin normal. Los grficos Q-Q se obtienen de modo
anlogo, esta vez representando los cuantiles respecto a los cuantiles de la distribucin
normal.
Uniforme
100
PORCENTAJE ACUMULADO
80
60
40
20
0
18 23 28 33 38 43 48
DATA (X 1000,0)
9
Normal Lognormal
99,9 99,9
PORCENTAJE ACUMULADO
99 99
PORCE N TAJE ACUM ULADO
95 95
80 80
50 50
20 20
5 5
1 1
0.1 0.1
18 23 28 33 38 43 48 10000 100000
(X 1000,0)
DATA DATA
Weibull
99,9
99
PORCENTAJE ACUMULADO
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
VAORES EXTREMOS
99,9
99
90
PORCENTAJE ACUMULADO
70
50
30
20
10
5
1
0.5
0.1
-6 4 14 24 34 44 54
(X 1000,0)
DATA
10
Ajuste de una data y calculo de la supervivencia
En el anlisis de la confiabilidad y la supervivencia la variable de inters es el tiempo
hasta que ocurre un suceso, este anlisis suponer que esos tiempos siguen una
determinada distribucin de probabilidades o funcin matemtica.
Si la tasa de mortalidad vare en funcin del tiempo transcurrido desde el comienzo del
estudio, en este caso, un modelo muy utilizado, es el de Weibull que se representa
como:
1-.Ejemplo
El objetivo de este anlisis es determinar un modelo de distribucin para ajustar
adecuadamente la Data y calcular estimaciones de la supervivencia.
DATA
18.830 35.910
20.800 36.980
21.657 37.080
23.030 37.090
23.230 39.580
24.050 44.045
24.321 45.290
25.500 45.381
25.520
25.800
26.690
26.770
26.780
27.050
27.670
29.900
31.110
33.200
33.730
33.760
33.890
34.760
35.750
11
Distribuciones consideradas
Se analizaron los datos mediante el mtodo descrito anteriormente para los siguientes modelos de
distribucin:
1. Distribucin normal
2. Distribucin Exponencial
3. Distribucin de Weibull
4. Distribucin lognormal
Grfico de probabilidad
El grfico de probabilidad es una tcnica grfica, utilizada para contrastar la distribucion que ajusta
adecuadamente a un conjunto de datos, permite comparar la distribucin emprica de una muestra de
datos, con una distribucin teorica..
Es un caso prticular de grfico de probabilidad.
La idea bsica consiste en representar, en un mismo grfico, los datos empricos observados, frente a
los datos que se obtendran en una distribucin terica.
Si la distribucin de la variable es del tipo de la distribucin considerada, los puntos quedarn cerca
de una lnea recta.
Es frecuente observar una mayor variabilidad (separacin) en los extremos.de la grafica, el grfico
de probabilidad normal es un caso especial de grfico de probabilidad.
Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q, la diferencia radica
en que en los grficos P-P se confrontan las proporciones acumuladas de una variable, con las de una
distribucin teorica
Los grficos Q-Q se obtienen de modo anlogo, esta vez representando los cuantiles respecto a los
cuantiles de la distribucin teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme, Weibull,
Lognormal, Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de seleccin de la distribucin que mejor ajusta a la
data.
1
Normal
Uniforme 99,9
100
99
80 95
80
60
50
40 20
5
20
1
0 0.1
18 23 28 33 38 43 48 18 23 28 33 38 43 48
(X 1000,0) (X 1000,0)
DATA DATA
Lognormal Weibull
99,9 99,9
99
99
PORCENTAJE ACUM ULADO
90
70
95 50
30
80 20
50 10
5
20
5 1
0.5
1
0.1 0.1
10000 100000 1000 10000 100000
DATA DATA
Logistica
VAORES EXTREMOS 99,9
99,9
99 99,5
PORCENTAJE ACUM ULADO
90 99
PORCEN TAJE ACUM ULADO
70 95
50 90
30
20 70
10 50
30
5
10
5
1
0.5 1
0.5
0.1 0.1
-6 4 14 24 34 44 54 0 1 2 3 4 5 6
(X 1000,0) (X 10000,0)
DATA DATA
2
Calculo de los Parmetros
El resultado del clculo de los parmetros se resumen a continuacin.
Distribucin Normal
MxPPCC = 0,980
Estimacin de la ubicacin = 30,81
Estimacin de escala = 7,38
Distribucin de Weibull
Mx. PPCC = 0,988
Estimacin de la forma = 2,13
Estimacin de la ubicacin = 15,9
Estimacin de escala = 16,92
Distribucin lognormal
MxPPCC = 0,986
Estimacin de la forma = 0,18
Estimacin de la ubicacin = -9,96
Estimacin de escala = 40,17
Estos resultados indican que varias de estas distribuciones pueden proporcionar un modelo de
distribucin adecuado de los datos.
N0 Distribucin Parmetros
Kolmogorov Anderson
Chi-cuadrado
N0 Distribucin Smirnov Darling
3
Kolmogorov Anderson
Chi-cuadrado
N0 Distribucin Smirnov Darling
Bondad de ajuste -
Lognormal
Kolmogorov-Smirnov
Tamao de la muestra 31
Estadstica 0,12458
Valor P 0,67591
Rango 2
Rechaza No No No No No
Anderson-Darling
Tamao de la muestra 31
Estadstica 0,41357
Rango 2
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadstica 1,6585
Valor P 0,6462
Rango 1
Rechaza No No No No No
Kolmogorov Anderson
Chi-cuadrado
N0 Distribucin Smirnov Darling
Bondad de ajuste
Normal
4
Kolmogorov-Smirnov
Tamao de la muestra 31
Estadstica 0,1514
Valor P 0,43346
Rango 3
Rechaza No No No No No
Anderson-Darling
Tamao de la muestra 31
Estadstica 0,53219
Rango 3
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadstica 2,2899
Valor P 0,51447
Rango 3
Rechaza No No No No No
Kolmogorov Anderson
Chi-cuadrado
N 0
Distribucin Smirnov Darling
Bondad de ajuste
Weibull (3P)
Kolmogorov-Smirnov
Tamao de la muestra 31
Estadstica 0,11708
Valor P 0,74574
Rango 1
Rechaza No No No No No
Anderson-Darling
Tamao de la muestra 31
Estadstica 0,33806
5
Rango 1
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadstica 1,6917
Valor P 0,63878
Rango 2
Rechaza No No No No No
Esta tabla compara la bondad de ajuste cuando varias distribuciones se adapten a la data.
Segn la tabla el mejor ajuste es el de la distribucin Weibull
Conclusin
Al realizar el estudio comparativo de los tests de ajuste para las tres distribuciones, se concluye que
la distribucin de Weibull de tres parmetros ajusta adecuadamente la data.
DATA WEIBULL
6
51000 0,007 0 0,046
54000 0,003 0 0,029
Grafica de Probabilidad
CDF
1
1
Exponencial
Probabilidad Acumulada
0,8
Probabi li dad Acumul ada
Lognormal
0,8
Normal
Weibull (3-Parameter) 0,6
Weibull -3p
0,6
0,4
Exponencial
0,4 Gumbell
0,2 Lognormal-3p
Normal
0,2 Weibull-3p
0
260 300 340 380 420 460 500
0 Fallas
0 30 60 90 120 150 180
FALLAS
HISTOGRAMAS
3 Histograma de Fallas
HISTOGRAMAS DE DATA
EXPONENCIAL 16
2,5 GUMBELL
LOGNORMAL-3P Exponencial
Normal Lognormal
FRECUENCIA
2 WEIBUL-3-P 12 Normal
Frec ue nc ia
Weibull
1,5
8
1
4
0,5
0 0
240 280 320 360 400 440 480 0 40 80 120 160 200
DATA FALLAS
Funcin de supervivencia
0,6 3,6
3,2
0,5
S(x)
2,8
0,4
H(x)
2,4
0,3 2
0,2 1,6
1,2
0,1
0,8
0 0,4
-0,1 0
25 30 35 40 45 20 25 30 35 40 45
x x
7
Cuantil-Cuantil
44
42
Grafica de Probabilidad
40
1
38
Cuantil (Modelo)
36
Probabilidad Acumulada
0,8
34
32
0,6
30
28
0,4
26
Exponencial
24 Gumbell
0,2 Lognormal-3p
22
Normal
20 Weibull-3p
0
20 25 30 35 40 45 260 300 340 380 420 460 500
x Fallas
Weibull
Quantile-Quantile Plot
500 Distribution
Exponential
Lognormal
400 Normal
Weibull (3-Parameter)
FALLAS
300
200
100
0
0 100 200 300 400 500
Exponential distribution
8
Funcion de Densidad
(X 0,001)
15 Distribution
Exponential
Lognormal
12 Normal
Weibull (3-Parameter)
9
Densidad
0
0 30 60 90 120 150 180
FALLAS
Exponencial
99,9
PORCENTAJE ACUMULADO
99,5
99
95
90
80
70
50
0.1
0 2 4 6 8
(X 10000,0)
DATA
9
Confiabilidad y Supervivencia
Paramtricas
1. Modelos paramtricos usados en los estudios de Confiabilidad y
Supervivencia
2. El nivel de significacin P (o P valor)
3. Las pruebas de ajuste: Chi-cuadrado, Kolmogorov-Smirnov y
Anderson-Darling.
4. Contrastes de hiptesis.Comparacinentre mtodos paramtricos y
no paramtricos.
5. Los modelos:
exponencial,Weibull ylognormal.
6. Ajuste de datas a la distribucin Weibull, a la distribucin
exponencial ya la distribucin lognormal.
Lognormal Hazard Rate GRAFICA
0,001
{G}
0,001
Hazard Rate
0,001
0,000
0,000
0,0 5000,0 10000,0 15000,0 20000,0
TIEMPOSUP
Mtodosparamtricos en
10
Los estudios de Confiabilidad y Supervivencia
Si se asume como conocida la funcin de probabilidad que gobierna la variable tiempo
de vida y si las pruebas de bondad de ajuste muestran que la asuncin del tipo de
funcin de probabilidad que gobierna la variable tiempo de vida es aceptable, entonces
se pueden usar mtodos paramtricos para estudiar la supervivencia
Un valor alto del p-valor representa una menor confianza en que los resultados obtenidos
con la manipulacin de la muestra sean equiparables a los de la poblacin.
11
Un nivel de significancia de 5% indica que se debe esperar hasta 20 repeticiones para
que aparezca un experimento donde existan entre las variables relaciones mucho ms
significativas que las que se pudieran encontrar en las anteriores replicas del
experimento.
.
PRUEBA CHI-CUADRADO DE BONDAD DE AJUSTE
La prueba basada en la ji-cuadrado se realiza distribuyendo el periodo de observacin
en k intervalos y calculando el estadstico:
La prueba Chi - cuadrado se utiliza para comprobar si una muestra de los datos
procedede una poblacin con una distribucin especfica.
Hiptesis
12
Estadstica Para calcular el estadstico de bondad de ajuste (Chi-
cuadrado), los datos se dividen en k cajas y la
de prueba estadstica del ensayo se define como
Regla de Decisin:
Se acepta H0 cuando .
Donde t representa el valor proporcionado por las tablas, segn el nivel de significacin
estadstica elegido.
La regin crtica
La regin crtica estar situada en el extremo superior de la distribucin Chi-cuadrado con
k-1 grados de libertad.
La prueba de Kolmogorov-Smirnov.
Caractersticas de la prueba
La prueba de KolmogorovSmirnov es una prueba de bondad de ajuste que permite
determinar si razonablemente las mediciones mustrales provienen de una poblacin
que tiene esa distribucin de probabilidad terica
La prueba de una muestra de K-S puede en todos los casos en que se aplique ser ms
poderosa que su prueba alternativa, la prueba de 2
13
La prueba compara la distribucin de frecuencia acumulativa de la distribucin terica
con la distribucin de frecuencia acumulativa observada determinando el punto en el
que estas dos distribuciones muestran la mayor divergencia.
Hiptesis
Ho: La distribucin observada se ajusta a la distribucin terica.
H1: La distribucin observada no se ajusta a la distribucin terica.
Estadgrafo de prueba
Para dos colas el estadstico de prueba viene dado por
Regla de Decisin
Si Dn+ > W1- Rechazamos Ho o si
LA PRUEBA ANDERSON-DARLING
La prueba Anderson-Darling se utiliza para comprobar si una muestra de los datos
proceden de una poblacin con una distribucin especfica.
Los valores crticos en la prueba A-D debern calcularse para cada distribucin y se
dispone
de las tablas de valores crticos para la normal, lognormal, exponencial, Weibull y las
del valor extremo de tipo I y tipo II
14
Estadstico
El estadstico de prueba de Anderson-Darling se define
de prueba como:
A2 = N S
N
(2i 1)
S ln F (Yi ) ln(1 F (YN 1 i )))
i 1 N
Regla de decisin
El estadstico de la prueba se compara con las distribuciones del estadstico de prueba:
Regin crtica:
Los valores crticos para la prueba de Anderson-Darling dependen de la distribucin
especfica que se est probando.
DATA LOGNORMAL
2 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7
8 8 8 8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9 9 9 10 10 10 10 10
10 10 10 10 10 10 10 10 10 10 10 10 11 11 11 11 11 11 11 11 11 11 11 11 12 12 12
12 12 12 12 12 13 13 14 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 17 17 17 17
19 19 21 22 24 24 24 27 32 35
Solucin
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si la data:
LOGNORMAL puede ser adecuadamente modelada con una distribucin lognormal
La data LOGNORMAL presenta 121 valores
El rango de valores es de 2 hasta 35
Una lognormal con: Media 11,3259 y Desviacin Estndar 5,45928
15
rea bajo 9,04463 = 0,396064
rea bajo 10,1752 = 0,497662
rea bajo 11,3058 = 0,588879
rea bajo 12,4364 = 0,667559
rea bajo 13,5669 = 0,733538
Por ser el P-valor mayor o igual a 0.10, no podemos rechazar la hiptesis de que
Tiempos de Fallas provenga de una distribucin Normal con un 90% o ms de
confianza, para este caso aceptamos la hiptesis alternativa de que la variable
LOGNORMAL se ajusta a una distribucin lognormal.
16
Si aceptamos que el modelo lognormal es adecuado para ajustar la data LOGNORMAL
podemos calcular la supervivencia a 8 meses y la mediana de supervivencia.
En la grfica se observa que para T=8, S (t) es aproximadamente 0,7 y que S (t)=0,5
para t=10 aproximadamente.
S (t)=0,5 y
17
Debido a la censura, sin una buena conjetura sobre el valor de uno de los parmetros,
cualquier test planeado posiblemente falle, con un parmetro conocido es posible
desarrollar un test aceptable para los tiempos de fallas.
Siempre es posible establecer una buena conjetura sobre el valor de uno de los
parmetros, generalmente esta conjetura se establece sobre el parmetro de forma (para
la Lognormal)
Se disea un plan de muestreo que tome n unidades bajo prueba por T horas
consecutivas y acepte el lote de n unidades si fallan r unidades o menos.
Para desarrollar este test se supone que la distribucin de los tiempos es Lognormal, que
es conocida de pruebas anteriores y no varia de lote a lote y que la Confiabilidad del
lote varia porque T50 (la mediana lognormal del 50avo percentil) difiere de lote a lote.
El mximo valor del factor de aceleracin es A, el valor de Tu, se determina con la CDF
y es la probabilidad (Ho) de que sobreviva 100,000 horas.
Tu = 1000.000 e-(p0 )
donde es la inversa de la distribucin normal estndar.
El factor de aceleracin A se usa para calcular una proporcin de fallas aceptable pa y
una proporcin de inaceptable referida como pb:
0,001
2,625
Hazard Rate
Hazard Fn
0,001
1,750
0,000
0,875
0,000
0,000 0,0 5000,0 10000,0 15000,0 20000,0
6000,0 9000,0 12000,0 15000,0 18000,0 TIEMPOSUP
TIEMPOSUP
18
Lognormal Survival GRAFICA Lognormal Probabilidad
1,000 9,80
{G} {G}
0,750 9,50
Ln(Time)
Survival
0,500 9,20
0,250 8,90
0,000 8,60
6000,0 9000,0 12000,0 15000,0 18000,0 -2,00 -1,00 0,00 1,00 2,00
TIEMPOSUP Lognormal Quantile
Modelo Exponencial
La Funcin de distribucin exponencial negativa se escribe como:
Sea y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una pendiente de ln10.
De esta manera podemos construir nuestro propio papel de probabilidades exponencial usando un papel
semilogaritmico estndar.
Si la data se ajusta a una distribucin exponencial, los puntos (pares) graficados deben caer sobre de la
lnea recta con pendiente / ln10.
Se desea conocer si la ley que rige los tiempos de falla de estos componentes es una distribucin
exponencial negativa.
19
Estadstica descriptiva
0,004
0,0035
0,003
0,0025
Densidad
0,002
0,0015
0,001
0,0005
0
0 200 400 600 800 1000 1200 1400
10
10 Exponencial(0,004)
20
Distribucin Parmetros
1 Exponencial =0,00383
Anlisis Estadstico
Se presentan los resultados de las pruebas estadsticas para determinar si la data puede
ser adecuadamente modelada por una distribucin exponencial.
Prueba de Kolmogorov-Smirnov:
D 0,085
p-valor 0,929
Alfa 0,05
Interpretacin de la prueba:
H0: La muestra sigue una distribucin Exponencial
Ha: La muestra non sigue una distribucin Exponencial
Como el p-valor calculado es mayor que el nivel de significacin alfa=0,05, se puede
aceptar la hiptesis nula H0.
El riesgo de rechazar la hiptesis nula H0 cuando es verdadera es de 92,85%.
Graficas de Densidad y de Supervivencia
21
Funcin de distribucin acumulativa
Funcin de supervivencia
1
1
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
F(x)
S(x)
0,5 0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
x x
Probabilidad-Probabilidad
Histogramas
1
0,004 0,9
0,0035 0,8
0,003 0,7
P (Modelo)
0,0025 0,6
Densidad
0,002 0,5
0,0015 0,4
0,001 0,3
0,0005 0,2
0 0,1
0 200 400 600 800 1000 1200 1400
Parametro de Forma-B
El parametro de forma de la funcin de densidad de esta distribucin, el rango de
variacin tpica de este parmetro es entre 0.5 y 8.0. y el valor ms comn es 2.0.
22
Una de las razones del amplio uso de esta distribucin es que ella incluye otras
distribuciones como casos especiales de Weibull para distintos valores del parmetro de
forma B, as si:
.
B = 1 La distribucin Weibull es idntica a la distribucin exponencial.
B = 2 La distribucin Weibull es idntica a la distribucin Rayleigh.
B = 2.5 La distribucin Weibull se aproxima a la distribucin lognormal.
B = 3.6 La distribucin Weibull se aproxima a la distribucin normal
Parmetro de Escala - C
El parmetro C de escala controla la escala de la funcin de densidad Weibull en el eje
de la variable tiempo, un cambio en este parmetro tiene el mismo en la distribucin
como un cambio de escala de tiempo sin cambiar la forma original de la distribucin. El
parmetro C es conocido como la vida caracterstica de la poblacin que sigue la
Weibull.
Parmetro de Localizacin - D
El parmetro D de localizacin es el valor mnimo de la variable aleatoria t, cuando D
es cero tenemos la Weibull de dos parmetros.
Si la variable aleatoria t sigue una distribucin de Weibull, entonces la variable x = ln(t) sigue
una distribucin de Valores Extremos
Las variables aleatorias no negativas como es el caso del tiempo de vida de un equipo tienen a la
distribucin Weibull de dos parmetros como una buena representante, la distribucin Weibull
hace una interpretacin fsica bastante verosmil de los tiempos d e falla de los equipos
industriales.
23
f(t) = t) = ctes > 0
f ( x) x ( 1) exp( ( x ) x 0 0
DENSIDAD DE WEIBULL
24
2 Forma,Escala
0,5,1
1,6 1,1
La funcin de probabilidad Acumulada de Weibull
La formula de la funcin de probabilidad Acumulada de la distribucin Weibull es:
F(t) = 1 exp(- x) x 0 ; 0
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
0 5 10
X
25
Funcion Riesgo Weibull
100 Forma,Escala
0,5,1
80 1,1
2,1
Riesgo
60 5,1
40
20
0
0 1 2 3 4 5
11,250
7,500
3,750
0,000
15000,0 26250,0 37500,0 48750,0 60000,0
TIEMPO DE FALLA
26
Supervivencia Weibull
1 Forma,Escala
Prob. Supervivencia
0,5,1
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
0 5 10
Weibull Distribucin
Prob. logSupervivencia
3 Forma,Escala
0,5,1
1,1
-7
2,1
5,1
-17
-27
-37
0 5 10 15
27
La siguiente muestra de tamao 50 ha sido obtenida de una poblacin que registra la
vida til (en unidades de tiempo) de bateras alcalinas tipo AAA. Prubese la hiptesis
nula de que la variable aleatoria vida til de las bateras sigue una distribucin
exponencial negativa. Considrese un nivel de significancia alfa de 5%.
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
Estadstica descriptiva
Estadstica Valor Percentil Valor
Tamao de la muestra 50 Min 0,023
Rango 8,2 5% 0,20745
Media 2,2679 10% 0,2979
Varianza 3,7343 25% (Q1) 0,742
Desviacin estndar 1,9324 50% (Mediana) 1,7135
Coef. de variacin 0,85207 75% (Q3) 3,2652
Error estndar 0,27329 90% 5,057
Asimetra 1,2494 95% 6,9156
Curtosis 1,4013 Max 8,223
28
0,2 0,1 0,05 0,02 0,01
Valor crtico 1,3749 1,9286 2,5018 3,2892 3,9074
Rechazar? No No No No No
Chi-cuadrado
Grados de libertad 5
Estadstica 1,5277
Valor P 0,90985
Rango 16
0,2 0,1 0,05 0,02 0,01
Valor crtico 7,2893 9,2364 11,07 13,388 15,086
Rechazar? No No No No N
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
Solucin
La tabla presenta las estadsticas de la data tiempo de vida
Estadstica descriptiva
Estadstica Valor Percentil Valor
Tamao de la muestra 50 Min 0,023
Rango 8,2 5% 0,20745
Media 2,2679 10% 0,2979
Varianza 3,7343 25% (Q1) 0,742
Desviacin estndar 1,9324 50% (Mediana) 1,7135
Coef. de variacin 0,85207 75% (Q3) 3,2652
Error estndar 0,27329 90% 5,057
29
Asimetra 1,2494 95% 6,9156
Curtosis 1,4013 Max 8,223
30
En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son
mayores que 0,05 lo que indica que la data tiempo de vida proviene de la distribucin
Weibull 3P.
El menor valor de P-valor es 0,971407. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hiptesis de que la data tiempo de vida provenga de una
distribucin Weibull 3P.
31
Funcin de Densidad
0,5
0,4
Distribucin
densidad
0,3
Lognormal
Normal
0,2 Weibull (3-Parmetros)
0,1
0
0 2 4 6 8 10
tiempo de vida
32
Comparacin de Distribuciones Alternas
Esta tabla compara la bondad de ajuste cuando varias distribuciones se ajustan a tiempo
de vida
De acuerdo con el estadstico log verosimilitud, la distribucin de mejor ajuste es la
distribucin Weibull de 3 parmetros.
33
34
46
La distribucion lognormal
El modelo de distribucin lognormal se usa para modelar los tiempos de fallas en los
estudios de la confiabilidad y la supervivencia.
La variable t sigue una distribucin lognormal si ln(t) tiene una distribucin normal de
media y varianza , en consecuencia, la variable y = ((ln(t) / es una
variable normal estndar, es decir de media igual a 0 y desviacin tpica igual a 1.
La funcin Lognormal est caracterizada por los dos parmetros y , que no son su
media y desviacin tpica.
( ln (( t )/m)2
e /( 2 2 ))
f(t)
(t ) 2
e / 2 2 )
((ln t ) 2
f (t )
t 2
35
La distribucion lognormal
El modelo de distribucin lognormal se usa para modelar los tiempos de fallas en los
estudios de la confiabilidad y la supervivencia.
La variable t sigue una distribucin lognormal si ln(t) tiene una distribucin normal de
media y varianza , en consecuencia, la variable y = ((ln(t) / es una
variable normal estndar, es decir de media igual a 0 y desviacin tpica igual a 1.
La funcin Lognormal est caracterizada por los dos parmetros y , que no son su
media y desviacin tpica.
( ln (( t )/m)2
e /( 2 2 ))
f(t)
(t ) 2
36
e / 2 2 )
((ln t ) 2
f (t )
t 2
La ecuacin de la distribucin general Lognormal se puede expresar en trminos de la
ecuacin de la distribucin Lognormal Estndar.
1,5
0,3
0
0 1 2 3 4 5
La funcin de distribucin Acumulada de la lognormal
La expresin de la distribucin acumulada de la distribucin Lognormal es:
ln( x )
F ( X ) ( )
0,8 1,0,5
1,1
0,6 1,2
1,5
0,4
0,2
37
0
0 5 10 15 20
1
h(t , ) t (
ln t
)
(
_ ln t
)
La siguiente es la grafica de la funcin de riesgo de la distribucin Lognormal, para los
mismos valores de la media 1 y para una desviacin tpica y es la
funcin de densidad de la Normal.
Las siguientes son 3 las graficas de la funcin de riesgo de la distribucin
Lognormal, para los mismos valores deMedia,Desv. Tp.una desviacin tpica de
la media 1 y para
1,0,5
y 2,5
5)
1,1
RIESGO
2 1,2
1,5 1,5
1
0,5
0
0 5 10 15 20 25 30
Supervivencia Lognormal
1
Media,Desv. Tp.
0,8 1,0,5
Prob. Sperv
1,1
0,6 1,2
1,5
0,4
0,2
0
0 5 10 15
x
38
INVERSA DE LA SUPERVIVENCIA
DE LA DISTRIBUCION LOGNORMAL
La expresin de la funcin Inversa de Supervivencia de la distribucin Lognormal es:
Z(p) = exp(-1(1-p)), donde es la funcin Inversa Acumulada de la distribucin
normal
La siguiente es la grafica de la funcin Inversa de Supervivencia de la distribucin
Lognormal, con los mismos valores de media 1 y para una desviacin tpica
y
Distribucion Lognormal
9
-1
1,5
-31
0 5 10 15 20 25 30
NMP/100 ml
11 9 3 15 3 4
7 28 28 28 75 75
39 75 120 390 460 210
280 28 39 28 11 14
20 20 43 43 28 64
64 39 110 75 43 93
150 43
Solucin
La tabla presenta las estadsticas de la data NMP/100 ml
Estadstica descriptiva
NMP/100 ml
39
Estadstica Valor Percentil Valor
Tamao de la muestra 38 Min 3
Rango 457 5% 3
Media 74,079 10% 6,7
Varianza 10386,0 25% (Q1) 18,75
Desviacin estndar 101,91 50% (Mediana) 39
Coef. de variacin 1,3757 75% (Q3) 75
Error estndar 16,533 90% 217,0
Asimetra 2,6175 95% 393,5
Curtosis 6,9198 Max 460
40
Estadstica 1,2247
Valor P 0,87401
Rango 14
a 0,2 0,1 0,05 0,02 0,01
Valor crtico 5,9886 7,7794 9,4877 11,668 13,277
Rechazar? No No No No No
En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son
mayores que 0,05 lo que indica que la data NMP/100 ml proviene de la distribucin
lognormal.
El menor valor de P-valor es 0,672761. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hiptesis de que la data NMP/100 ml provenga de una
distribucin lognormal.
La prueba chi-cuadrada
La prueba de chi-cuadrada divide el rango de la data NMP/100 ml en varios intervalos de clase
y compara el nmero de observaciones que caen en cada en cada clase con el nmero esperado
de observaciones que caen en estas clases en la distribucin lognormal ajustada.
Prueba Chi-Cuadrada de la data NMP/100 ml
41
Lmite Lmite Frecuencia Frecuencia
Inferior Superior Observada Esperada Chi-Cuadrada
menor o igual 37,5 17 19,04 0,22
37,5 75,0 13 8,15 2,89
75,0 112,5 2 3,83 0,87
112,5 150,0 2 2,12 0,01
150,0 225,0 1 2,16 0,62
mayor 225,0 3 2,70 0,03
Chi-Cuadrada = 4,64677 con 3 g.l. Valor-P = 0,199563
30 Distribucin
Lognormal
25
20
frecuencia
15
10
0
0 100 200 300 400 500 600
NMP/100 ml
Lognormal
1,2
0,8
riesgo
0,6
Media,Desv. Est.
3,62,1,21
0,4
0,2
0
0 2 4 6 8 10
x
42
Lognormal
1
probabilidad de supervivencia
0,8
Media,Desv. Est.
3,62,1,21
0,6
0,4
0,2
0
0 2 4 6 8 10
x
(X 0,001)
6
4
densidad
0
0 100 200 300 400 500
NMP/100 ml
43
La distribucin de valores extremos, referida como la distribucin de Gumbel,
tiene dos formas de expresin, una basada en el extremo inferior y otra basada en
el extremo superior.
La expresin general para la funcin de densidad de la distribucin Gumbell es:
x
x
1
f ( x) e e e
donde es el parmetro de localizacin y es el parmetro de escala. El caso
cuando = 0 y = 1 se refiere como la distribucin estndar de Gumbell.
La ecuacin de la distribucin estndar de Gumbel se expresa como:
f ( x) e x e e
x
5,1
0,2
0,1
0
-4 -2 0 2 4 6 8
x
44
La grafica presenta la funcin de densidad de la distribucin de Gumbel para el
caso del extremo inferior (mnimo) y parmetros 1 y 1.
Distribucion Gumbell
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
f ( x) e x e e
x
Distribucion Gumbell
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
45
Funcin de Distribucin Acumulada de Gumbel
La distribucin acumulada de Gumbel para el extremo inferior se expresa como:
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
-4 -2 0 2 4 6 8
x
La siguiente es una grafica de la funcin distribucin acumulada de la
distribucin Gumbel de extremo inferior con parmetros 1 y 1.
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
46
La siguiente es una grafica de la funcin distribucin acumulada de Gumbel para
el extremo superior y con parmetros 5 y 1.
0,8 5,1
0,6
0,4
0,2
0
0 2 4 6 8
12
0
-4,5 -2,5 -0,5 1,5 3,5
47
Riesgo Valores Extremos
Extremo Superior
24
Extremo Superior
20
5,1
16
Riesgo
12
0
0 2 4 6 8
S 6
x 0.5772
Y
48
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
Solucin
Estadstica descriptiva
Estadstica Valor Percentil Valor
Tamao de la muestra 30 Min 195
Rango 305 5% 203,25
Media 300,03 10% 221,0
Varianza 4590,6 25% (Q1) 253,5
Desviacin estndar 67,754 50% (Mediana) 291
Coef. de variacin 0,22582 75% (Q3) 314,25
Error estndar 12,37 90% 397,5
Asimetra 1,258 95% 479,1
Curtosis 2,1516 Max 500
# Distribucin Parmetros
1 Gumbel Min =52,827 =330,53
Bondad de ajuste - Resumen
Kolmogorov Anderson
Chi-cuadrado
# Distribucin Smirnov Darling
Estadstica Rango Estadstica Rango Estadstica Rango
1 Gumbel Min 0,28077 1 3,3598 1 7,5917 1
Parmetro de Forma =330,53 y un parmetro de Escala de 52,8275.
49
Funcin de distribucin acumulativa
1
0,9
0,8
0,7
0,6
F(x)
0,5
0,4
0,3
0,2
0,1
Kolmogorov Anderson
Chi-cuadrado
# Distribucin Smirnov Darling
Estadstica Rango Estadstica Rango Estadstica Rango
1 Gumbel Min 0,28077 1 3,3598 1 7,5917 1
50
Por ser el P-valu menor de 0.05 podemos aceptar la hiptesis, con un 95% o
ms de confianza, de que la data GUMBEL proviene de una distribucin de
Gumbell con un 95% o ms de confianza
0,9
0,8
0,7
0,6
S(x)
0,5
0,4
0,3
0,2
0,1
0,9
0,8
0,7
P (Modelo)
0,6
0,5
0,4
0,3
0,2
0,1
51
La distribucin de valores extremos, referida como la distribucin de Gumbel,
tiene dos formas de expresin , una basada en el extremo inferior y otra basada
en el extremo superior.
f ( x) e x e e
x
Distribucion Gumbell
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
52
La ecuacin de la distribucin estndar de Gumbell para el extremo superior se
ex
expresa como: f ( x) e e x
Distribucion Gumbell
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
53
La siguiente es una grafica de la funcin distribucin acumulada de Gumbel para
el extremo superior y con parmetros 5 y 1.
0,8 5,1
0,6
0,4
0,2
0
0 2 4 6 8
54
La siguiente es una grafica de la funcin distribucin inversa acumulada de
Gumbell para el extremo superior.
12
0
-4,5 -2,5 -0,5 1,5 3,5
55
Riesgo Valores Extremos
Extremo Superior
24
Extremo Superior
20
5,1
16
Riesgo
12
0
0 2 4 6 8
56
La siguiente es una grafica de la funcin del riesgo de la distribucin de Gumbell
para el extremo superior.
57
La siguiente es una grafica de la funcin de Supervivencia de la distribucin de
Gumbel para el extremo superior.
58
La ecuacin de la funcin de la Inversa de la Supervivencia de la distribucin
de Gumbel para el extremo superior se expresa como:
59
La data GUMBEL el nmero de horas de operacin a las que se produjo la
primera falla en cada uno de los 30 equipos que componen un sistema de
transporte lacustre en el lago de Maracaibo. Se tratara de ajustar la data a una
distribucin de Valores Extremos - Gumbel
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
Solucin
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si
la data: GUMBEL puede ser adecuadamente modelada con una distribucin de
Valores Extremos Gumbel.
La data GUMBEL presenta 30 valores , el rango de valores es de 195 horas
hasta 500 horas y se ajusta a una distribucin de Valores Extremos - Gumbel
con: Parmetro de Forma de 330,526 y un parmetro de Escala de 52,8275.
Algunas reas de bajo esta distribucin son:
rea bajo 87,5117 = 0,01
rea bajo 211,645 = 0,1
rea bajo 311,164 = 0,5
rea bajo 374,586 = 0,9
rea bajo 411,203 = 0,99
Por ser el P-valu menor o igual a 0.05 podemos rechazar la hiptesis de que
GUMBEL provenga de una distribucin de Valores Extremos de Gumbel con un
95% o ms de confianza, para este caso aceptamos la hiptesis alternativa de que
la variable GUMBEL se ajusta a una distribucin de Valores Extremos de
Gumbel.
60
Si aceptamos que el modelo de Valores Extremos de Gumbel es adecuado para
ajustar la data GUMBEL podemos calcular la supervivencia a las 250 horas de
haber comenzado el estudio y la mediana de supervivencia en ese tiempo...
En la grfica se observa que para T=250 horas S(t) es aproximadamente 0,75 y
que S(t) = 0,5 para T = 300 horas aproximadamente.
Prediccin de la Confiabilidad
Ensayos de Demostracin de la Confiabilidad
Ensayos de vida acelerada en Confiabilidad
Modelo de aceleracin de Arrhenius
61
Significado del Mtbf de un dispositivo.
Calculo del MTBF
Los intervalos de confianza del MTBF
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
F exp H * 1160 *
1 1
t 273.16 t 273.16
1 2
Prediccin de la Confiabilidad
Para formular una prediccin de la confiabilidad, se debe estimar la fiabilidad del
equipo o del sistema en funcin de los datos de diseo y de la confiabilidad de los
componentes, a partir de esta prediccin de la confiabilidad se puede constatar el
cumplimiento de los requerimientos de confiabilidad y de mantenimiento.
62
La informacin de la confiabilidad de los componentes individuales y los mtodos de
clculo estn disponibles en normas y tablas, las tablas ms utilizadas son las normas
MIL- STANDAD y las normas de Bellcore.
Los modelos de pruebas de vida acelerada tiene las siguientes dos componentes: Una
distribucin de vida que representa la dispersin de la vida del producto y la relacin
vida esfuerzo.
Cuando el tiempo de la prueba se especifica y algunas unidades no han fallado hasta ese
momento, se dice que stas estn censuradas o que se tienen datos censurados por la
derecha.
63
Las pruebas aceleradas son muy usadas en la industria manufacturera, particularmente para obtener informacin de la
confiabilidad de sus componentes y materiales. Existe una gran variedad de mtodos estadsticos en la aceleracin de
la vida de un producto complicado que puede fallar de diferentes maneras. Generalmente, la informacin de las
pruebas a altos niveles de una o ms variables de aceleracin o esfuerzo (como pueden ser temperatura, voltaje o
presin) se utiliza para estimar la distribucin de vida del producto. El trmino aceleracin tiene varios significados
en el campo de la confiabilidad, pero el trmino generalmente implica ir ms rpido, de tal forma que la informacin
de la confiabilidad pueda obtenerse ms rpidamente. Existen diferentes tipos de pruebas de confiabilidad en las fases
del proceso de produccin del producto, las ms comunes son pruebas de vida acelerada y pruebas de degradacin
acelerada.
El objetivo que tienen estos ensayos es reducir el tiempo de prueba necesario para
determinar su fiabilidad.
64
Los ensayos acelerados se basan en acelerar mediante la aplicacin de un alto nivel de
esfuerzo o acelerar mediante la compresin en el tiempo.
tf = Aexp(H/kT)
El factor de aceleracin entre dos temperaturas una alta T2 y una baja T1 esta dado por:
F = exp.(H/k) [ 1/T1 - 1/T2 ]
65
De acuerdo con la ley de Arrhenius, la razn de una simple reaccin qumica (R)
depende de la temperatura como sigue R(T) = Aexp(-Ea/KbT ) donde Ea es la energa a
la cual se activa la reaccin, usualmente en volts (eV), KB = 8.6171 x 10-5 = 1/11605 es
la constante de Boltzmanns en electrn volts por C, T = TempC+ 273.15 es la
temperatura absoluta en la escala de Kelvin, A es una caracterstica de falla del producto
en condiciones de prueba, Ea y A son parmetros del modelo que deben estimarse.
Los parmetros 1, 2 y son caractersticas del producto y del mtodo de prueba, los
cuales son estimados de los datos.
Ley de Arrhenius
La ley de Arrhenius mide la velocidad de los procesos, expresa la velocidad de cambio
de una caracterstica por unidad de tiempo.
El modelo de Arrhenius es uno de los mas antiguos y eficientes modelos para describir
un modelo de aceleracin que predice como el tiempo de falla varia con la temperatura,
el modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas
que dependen de las reacciones qumicas, de los procesos de difusin o de los procesos
de emigracin, los cuales cubren la mayor parte de los modos de fallas de tipo no
mecnico que causan las fallas en los equipos electrnicos.
tf = Aexp(H/kT)
El factor de aceleracin entre dos temperaturas aumenta exponencialmente tanto como
crece H
El factor de aceleracin entre dos temperaturas una alta T2 y una baja T1 esta dado por:
66
F exp H * 1160 * 1
1
t 273.16 t 273.16
1 2
tf = Aexp(H/kT)
El factor de aceleracin entre dos temperaturas una alta T2 y una baja T1 esta dado por:
Grafica de Arrhenius
Mediante un ensayo acelerado se puede incrementar el nmero de fallas aumentando el
estrs causado por una o ms variables.
67
A partir de la grafica de Arrhenius construida con la data a altas temperaturas, es posible
extrapolar los datos a una temperatura de funcionamiento normal
Grafica de Arrhenius
Porcentil =1.675 a 300 grados
10000000000
1000000000
100000000
10000000
Porcentil
1000000
100000
10000
1000
100
30 32 34 36 38 40
1/(k*degrees)
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
175 1770 0
175 1960 0
10000
200 220 0
P50
200 250 0
200 280 0 1000
200 330 0
200 370 0
200 380 0 100
24 25 26 27 28 29 30
200 460 0 1/(k*Juncti on Temp + 273.15)
200 460 0
200 510 0
69
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
Arrhenius Grafico
Percentil Estimado = 7,34999E8 a 300 K
1000000000
100000000
10000000
1000000
P50
100000
10000
1000
100
29 31 33 35 37 39
1/(k*degrees)
70
EL MTBF
1. Significado del MTBF de un dispositivo.
2. Calculo del MTBF
3. Ejemplo del clculo del MTBF
Determinacin de los intervalos de confianza del MTBF
VARIACION DEL MTBF EN FUNCION DEL
Aos LUGAR DE USO Y DE LA TEMPERATURA
180
160
Ambiente GB
140 Ambiente GF
Ambiente GM
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80
Temperatura en C
El valor del MTBF nos da una medida precisa de la Calidad del producto que
diseamos, fabricamos, vendemos o compramos
Los componentes de los circuitos, por ejemplo, estn sometidos a diversos tipos
de estrs que determinan su duracin.
71
CALCULO DEL MTBF
El tiempo medio antes de la falla o el MTBF es una de las medidas mas usada
para determinar la disponibilidad de un sistema.
Los datos censurados son una informacin valiosa para determinar los
parmetros de funcionamiento del sistema y ellos deben ser incluidos en la
determinacin del MTBF por medio del uso de mtodos estadsticos como el
anlisis de supervivencia.
N
MTBF R(t)dt R(t)(tj tj 1)
0
1
El numero de fallas que ocurre en un periodo fijo siguen una distribucin uniforme por
lo que el tiempo entre fallas (confiabilidad) responde a una distribucin exponencial. La
ocurrencia de fallas se expresa con la inversa del MTBF.
La unidad de fallas. FIT (Failure unIT) es equivalente a una falla cada 109 horas para
componentes elctricos
El MTBF puede ser radicalmente alterado por factores ambientales tales como uso
inadecuado de energa y enfriamiento. El MTBF puede ser bajado por el exceso de
vibraciones o de otras formas de abuso.
72
VARIACION DEL MTBF EN FUNCION DEL
Aos
LUGAR DE USO Y DE LA TEMPERATURA
180
160
Ambiente GB
140 Ambiente GF
Ambiente GM
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80
Temperatura en C
La tabla presenta los datos tiempos en das a los cuales se produce la primera
falla en la medicin en cada poso., la columna Status identifica con "1" a los
equipos que presentan fallas y con "0" a los equipos a los datos censurados.
TERMOCUPLA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
TIEMPO 120 252 125 1457 90 1231 837 133 512 657 753 818 315 123 1333
STATUS 0 1 0 1 1 0 1 0 1 1 0 0 0 0 0
Se requiere:
Calcular el MTBF
Hacer el grafico de la Confiabilidad Y de la Supervivencia.
Calcular el MTBF sin incluir el pozo 8
Calcular el MTBF considerando como falla el pozo 6.
Calcular el numero de fallas esperada en los 15 equipos en los prximos
365 das
73
Funcin de supervivencia acumulada
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 200 400 600 800 1000 1200 1400 1600
TIEM PO
Solucin
12 1213 1 199,39 0
13 1333 1 63,64 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
14 1457 0,5 0,26511 65,76
Respuesta
a-. MTBF (Mean Time Before Failure) = 1019,4 dias
b-. En la grafica
74
Si para el anlisis de supervivencia se incluye la termocupla del pozo numero 6
como falla se obtiene un MTBF de 989,1 das, resultado que es sensiblemente
diferente al obtenido cuando se considero como censurado. El dato de la
termocupla del pozo numero 6
-365
75
La expresin para calcular los intervalos de confianza es la siguiente:
MTBFx 2r MTBFx 2r
P 2 MTBF 2
/ 2, 2 ( r 1) 1 / 2, 2 r > 1-
Tx 2 Tx 2
P 2 MTBF 2
/ 2 , 2 r 1) 1 / 2 , 2 r > 1
Estas bandas son exactas en los casos de una o ms sistemas reparables probados
para un tiempo fijo.
Las bandas son exactas para los casos donde uno o mas sistemas no- reparables
son probados para un tiempo fijo y las unidades que fallan son reemplazadas con
nuevas unidades durante el curso de la prueba.
Cuando hay cero fallas durante el tiempo de operacin de la prueba, solo existe una
banda del MTBF, y esta viene dada por:
MTBF Inferior = T/(-ln)
60% 80%
nm. Fallas r Inferior para MTBF Superior para Inferior Sper para
MTBF MTBF MTBF
0 0.6213 - 0.4343 -
1 0.3340 4.4814 0.2571 9.4912
2 0.4674 2.4260 0.3758 3.7607
3 0.5440 1.9543 0.4490 2.7222
4 0.5952 1.7416 0.5004 2.2926
76
I N T E R V A L O D E C O N F IA N Z A S U P E R I O R D E L M T B F
6 0% 8 0% 90% 95 %
3 7.60 7 24 .26 0 56 .28 1 82 .5 73
IN T R V A L O S U P E R I O R M T B F
2 7.22 2 19 .54 3 36 .68 9 48 .4 91
60% 80% 90% 95%
2 2.92 6 17 .41 6 29 .27 6 36 .7 02
250000
2 0.55 4 16 .18 4 25 .37 9 30 .7 98
1 9.03 6 15 .37 0 22 .96 2 27 .2 49
1 7.97 4 14 .78 8 21 .30 7 24 .8 72
1 7.18 2 14 .34 7 20 .09 6 23 .1 63
200000
1 6.56 7 14 .00 0 19 .16 8 21 .8 69
1 6.07 4 13 .71 9 18 .43 2 20 .8 53
HO R AS
1 5.66 8 13 .48 5 17 .83 1 20 .0 32
1 5.32 7 13 .28 8 17 .33 0 19 .3 53 150000
1 5.03 6 13 .11 8 16 .90 6 18 .7 81
1 4.78 4 12 .97 0 16 .54 1 18 .2 91
1 4.56 4 12 .84 0 16 .22 3 17 .8 67
1 3.76 9 12 .36 7 15 .08 9 16 .3 71 100000
1 3.26 7 12 .06 3 14 .38 3 15 .4 52
1 2.91 5 11 .84 8 13 .89 3 14 .8 22
1 2.65 2 11 .68 7 13 .52 9 14 .3 57
50000
1 2.44 6 11 .56 0 13 .24 7 13 .9 97
1 2.28 0 11 .45 6 13 .02 0 13 .7 10
1 2.14 2 11 .37 1 12 .83 2 13 .4 73
1 1.69 4 11 .09 0 12 .22 6 12 .7 14
0
1 1.43 9 10 .92 9 11 .88 5 12 .2 90 1 3 5 7 9 11 13 15 17 19 21 23 25
1 0.60 3 10 .40 1 10 .78 1 10 .9 38
90% 0.95
Numero FallasInfer para MTBF
Sper para MTBF
95% 95.00%
0 0.1795 39.4978 Intervalos MTBF para 95%
1 0.2768 8.2573
2 0.3422 4.8491
6
3 0.3906 3.6702 Infer para MTBF
4 0.4285 3.0798
5 0.4594 2.7249 Sper para MTBF
6 0.4853 2.4872 5
7 0.5075 2.3163
8 0.5268 2.1869
9 0.5438 2.0853 4
10 0.5589 2.0032
11 0.5725 1.9353
12 0.5848 1.8781
3
13 0.596 1.8291
14 0.6063 1.7867
15 0.6475 1.6371
20 0.6774 1.5452 2
25 0.7005 1.4822
30 0.719 1.4357
35 0.7344 1.3997 1
40 0.7473 1.371
45 0.7585 1.3473
50 0.7978 1.2714 0
75 0.8222 1.229
1 3 5 7 9 11 13 15 17 19
100 0.9161 1.0938
500 0.9287 1,0781
77
78