RS 401 Analisis de Datos de Vida PDF

MSMT Foundations
Foundations:: Sesin 1
Sesin
MSMT Foundations - RS401
Ingenier a de Confiabilidad
Ingeniera
y Anlisis de Datos de Vida
Anlisis
Verso/Revisin 7.0.0
Language Version: Spanish 1992-2005 ReliaSoft Corporation - ALL RIGHTS RESERVED

6/26/2007
2
Prefacio
1998-2005 ReliaSoft Corporation

www.ReliaSoft.com.br Verso: 8.0.0 Language: Portugus
3 MSMT Foundations Series: RS401
Foundations Series
Da 1-2 Da 3 Dia 4 Dia 5

Anlisis de Datos Intro a Intro al Intro al
de Vida la Reliab. Anlisis Anlisis de
Anlisis Weibull Growth Cuantitativo Confiabilidad,
Mantenibilidad
de Ensayos
y Disponibilidad
Acelerados
Verso: 1.02 Language/Region: Spanish
de Vida
www.ReliaSoft.com.br
4
MSMT Sries
MSMT Foundations Series: RS401
Referencias de Apoyo
Estas notas son destinadas a
facilitar el entendimiento del
material usado en la presentacin.
La mayora son derivaciones
matemticas y otras tienen
detalles secundarios, por lo tanto,
no son consideradas.
Textbook el estilo de la tapa del

material se puede encontrar en

referencias tericas de ReliaSoft.
Referencias Adicionales para esta Seccin

Este material de referencia fue
desarrollado por ReliaSoft Life
Data Analysis Reference
Este material est includo en el
paquete del software Weibull++.
Tambin est disponible on-line en
el sitio www.weibull.com.
7
Por que Confiabilidad?

Ingeniera de la Confiabilidad
Una definicin formal
La Ingeniera de Confiabilidad entrega

herramientas tericas y prcticas que
permiten especificar, proyectar, probar y
demostrar la probabilidad y la capacidad
segn la cual componentes, productos,
equipamientos y sistemas desempearn
sus funciones, por perodos determinados
de tiempo, en ambientes especficos y sin

presentar fallas.
Qu es Confiabilidad?
Confiabilidad es una de las caractersticas
de calidad mas importante para
componentes, productos y sistemas
complejos.
Es una metodologa cientfica aplicada para
conocer el desempeo de vida de
productos, equipamientos, plantas o
procesos; para asegurar que estos ejecuten

su funcin, sin fallar, por un perodo de
tiempo en una condicin especfica.
Ingeniera de Confiabilidad
una Definicin Gerencial
Cual es la expectativa de vida de un

producto/ equipamiento/sistema ?
Cuantos retornos/fallas son esperados para
el prximo ao?
Cuanto costar desarrollar y dar soporte a
este producto?
Podemos optimizar los costos involucrados?

Propsito de la Confiabilidad
Para que la empresa sea exitosa en el
ambiente actual de alta competitividad y
complejidad tecnolgica, es ESENCIAL que
conozca la Confiabilidad de su producto y
que sea capaz de controlarla.
Solamente un nivel ptimo de Confiabilidad
llevar a un gasto mnimo en el ciclo de
vida del producto y a un costo mnimo de

produccin, sin que se comprometa la
Confiabilidad y la Calidad de ste.
12
Por que la Confiabilidad es

Importante?

Consumidores Exigen Confiabilidad
Experience
Factor Rated for
Critically/Very Meets
New Vehicle
Important % /Exceeds
Purchase
Expectations%
Reputation of
81.9% 96.0%
Manufacturer
Quality of
92.8% 92.9%
Products
Reliability 94.0% 96.3%

Innovation of
59.9% 96.6%
Products
Source: Polk's Manufacturer Loyalty ExceleratorTM
First Half 2000 Model Year
Por que Ingeniera de Confiabilidad?
Una investigacin
realizada en los aos 80
mostr que cuando un
cliente est satisfecho con
un producto, comenta su
satisfaccin a 8 personas,
mientras que un cliente
insatisfecho lo dir a 22
personas.
Como sera el resultado de esta

investigacin hoy en da. . .
Por que Ingeniera de Confiabilidad?
El consumidor de hoy es mas inteligente

e informado sobre el producto.
En el futuro, sobrevivirn solamente las
empresas que sean capaces de controlar la
Confiabilidad de sus productos.
La responsabilidad por un producto no
confiable puede ser muy alta.
Lnea de Montaje de un Utilitario

un gran fabricante de automviles gana
USD 4.300 de lucro bruto por cada utilitario
fabricado.
Cada lnea de montaje produce 60 carros
utilitarios por hora, cuando la produccin
fluye sin problemas. Por lo tanto, un lucro
bruto de USD 260.000 por hora.
Si una lnea de montaje para, la empresa deja de
facturar millares de dlares por hora.

Lnea de Montaje de un Utilitario

Actualmente las lneas de montaje producen
mucho menos que 75% de su capacidad
mxima.
El costo por la No Confiabilidad, para cada lnea,
sobrepasa USD 500.000 por turno.
Esto excede USD 1,5 millones por da, para tres
turnos por da..
Garanta de Routers
Un gran proveedor de routers de Internet
model la disponibilidad utilizando
modelos exponenciales (actualmente tienen
un problema grave de mortalidad infantil).
Como para modelar los retornos en garanta se
basaron en modelos exponenciales, sus
resultados estaban muy optimistas y en la
realidad estaban experimentando una

disponibilidad muy baja de los routers dentro

del perodo de garanta.
Altos costos con reclamos por garanta.
Ensayo de Durabilidad
una gran empresa de autopiezas redujo la
inversin en ensayos de bancos de prueba.
Para demostrar sus metas de Confiabilidad ellos
hacen algunas pruebas de Confiabilidad en
componentes.
Ej: Ellos prueban cilindros de freno en bancos y
los aprueban si el tiempo de prueba acumulado
de los tems en prueba pasaron de 1.000.000 km.

Este tipo de ensayo de Confiabilidad: Es una

buena estrategia para la empresa?
Responsabilidad del producto

Considere el caso Firestone.
El problema fue la Confiabilidad en
condiciones extremas de operacin y la
interaccin entre los factores peso,
temperatura, velocidad y calibrado.
Fue evaluado correctamente el perfil de
uso del cliente?
Quin paga por esto y cunto ?

Mantencin
El costo medio de reparacin de una bomba es de
$8.000 en una industria petroqumica.
El Tiempo Medio Hasta la Falla de esta bomba es
de 18 meses.
Dado el gran nmero de bombas existentes en la
empresa, los costos de reparacin podran
representar millones de dlares.
El conocimiento del Comportamiento de Vida de

este componente permiti la implementacin de

acciones de mejora que generaron una reduccin
de 30% de las fallas.
Las fallas pueden tener muchos efectos, desde

un desagrado hasta una catstrofe!
Confiabilidad es dinero!
A pesar de que la Confiabilidad
es una metodologa Matemtica
y Estadstica, su aplicacin en
productos y equipamientos tiene
impacto directo en el
desempeo de las empresas!
Confiabilidad es dinero! (cont.)

En una visin general, todos sabemos que
no se puede administrar una empresa sin
los datos, informes y pronsticos
financieros precisos.
No deberan ser debidamente analizados,
los datos de confiabilidad de su empresa y
divulgados, dado que la Confiabilidad
genera lucro o perjuicio?

26
Conceptos de Confiabilidad

27
compra envasada...
Lamentablemente la Confiabilidad no se
Actividades Mltiples
Standards
Standards
FMEAs
FMEAs Based
Based Reliability
Reliability
Preliminary
Preliminary Centered
Centered
Predictions
Predictions Maintenance
Maintenance
FRACAS Life
Life Data
Data
FRACAS
Analysis
Analysis System
System
Reliability
Reliability
Analysis
Analysis
Reliability
Reliability Accelerated
Accelerated
Growth
Growth Testing
Testing Other
Other
Verso: 1.02 Language/Region: Spanish Balance de la Confiabilidad

La Confiabilidad debe estar balanceada con los otros

aspectos de negocio de la empresa, como costos de
produccin, ventas, caractersticas del producto y
satisfaccin del cliente.
Quien debe estar involucrado?
Personal de produccin Gerentes y Ejecutivos

Tcnicos Ingenieros
Quien debe estar involucrado?

en resumen, TODO EL MUNDO.
Concentrando los intereses y los esfuerzos de todos

en la organizacin, para que el programa de
Confiabilidad sea un xito.
Cundo se debe aplicar la Confiabilidad?
Desde el nacimiento hasta la muerte.

(Todo el ciclo de vida del producto.)
Cundo se debe aplicar la Confiabilidad?

Inicio del Proyecto Pruebas de Confiabilidad (piezas).
Fase Intermediaria del Desarrollo Pruebas de
Confiabilidad de los prototipos.
Fase Final del Desarrollo Demostracin previa de la
Confiabilidad de las pruebas de desarrollo.
Fase de la Produccin Inicial Determinacin de la
variacin de la Confiabilidad debido a los efectos del
inicio de produccin.
Fase de Produccin Determinacin de los efectos de
los cambios de proyecto y el proceso, en la

Confiabilidad.
Ps Venta Determinacin de la Confiabilidad a lo
largo de la utilizacin del producto, para subsidiar
nuevos proyectos.
Ingeniera de Confiabilidad X
Control de calidad
La Ingeniera de Confiabilidad estudia el
comportamiento de la tasa de falla en el
tiempo.
El Control de Calidad estudia Cuantos
productos estn fuera de las
especificaciones, o presentan defectos en
un instante dado en la lnea de produccin.
La Confiabilidad es la calidad en el tiempo.

Costo del producto X Confiabilidad

Si un fabricante aumenta la Confiabilidad
de su producto, el (generalmente)
aumentar el costo del proyecto y/o
produccin de un producto semejante.
De cualquier modo, una baja produccin y
costo del proyecto no significa un bajo costo en
el producto final.
El costo del producto deber ser determinado
no solamente por el costo del producto hasta la

puerta de la fbrica, sino tambin incluyendo el
costo total del producto durante el tiempo de
vida.
Costo del producto X Confiabilidad

El costo total del producto es la suma del
costo del proyecto, costo de fabricacin y
otros costos ps-embarque.
Aumentando la Confiabilidad del producto,
usted puede aumentar el costo de su
producto, pero reducir el costo en soporte.
un costo total mnimo ptimo del producto puede
ser determinado a travs de la definicin de la

Confiabilidad ptima para este producto.
37
Costo del producto x Confiabilidad

Confiabilidades Bsicas
El anlisis de Confiabilidad requiere una buena
comprensin del comportamiento de la tasa de
falla del producto.
La mayora de los productos comenzarn sus vidas con
alta tasa de falla y despus presentarn una reduccin a
partir de un determinado punto.
La tasa de falla entonces se estabiliza y se mantiene
constante durante la vida til del producto.
Con el paso del tiempo el producto envejece, se

desgasta y la tasa de falla comienza a aumentar

rpidamente con el tiempo.
39
Failure Rate (aka Hazard Rate)
Early
Useful
Life (miles)
Wea
ro ut
Curva de la Baera Idealizada
40
Failure Rate
Life (miles)
Curva de la Baera para un Auto
41
Early
tBurn-in?
Useful
Life (miles)
Wea
ro ut
Ilustracin Burn-in
42
PM
Life (miles)
Wea
ro ut
Wea
ro ut
Mantencin Preventiva
43
Cuantificando la Confiabilidad

Cuantificando la Confiabilidad
La probabilidad de que un tem, desempee una
funcin dada, sin fallar por un determinado perodo
de tiempo y dentro de ciertas condiciones de uso.
Funcin del tiempo
Funcin de las condiciones
Definicin precisa del Modo de Falla...
El Control de Calidad tradicional, garantiza que

el producto funcionar despus del montaje si est
conforme con su especificacin. La Confiabilidad
observa el perodo de duracin en que el producto
funcionar.
Cmo se calcula la Confiabilidad?

Necesita de Datos
Necesita de Modelos
Necesita un diagnstico para la eleccin
del modelo apropiado.
Necesita de medios para ser comunicada.
Grficos
Informaciones Numricas
Costos
Compaa de Seguros como Ejemplo
Su objetivo es crear una pliza de seguro

de vida para hombres chilenos.
Usted quiere una pliza que maximice su lucro!
An cuando la mayora de las empresas no son
compaas de seguros, ellas tienen la misma
responsabilidad dado que subscriben porque todo
producto posee un perodo de garanta.
A diferencia de un tpico seguro de vida, adems de
la responsabilidad financiera (garanta), las

empresas tambin temen la legalidad y los riesgos

sobre la imagen de la empresa asociada a las fallas.
Ejemplo: Compaa de Seguro

Para alcanzar de forma inteligente su
objetivo, usted necesita saber la vida de los
hombres chilenos.
Usted necesita de datos de mortalidad.
Necesita saber como describirlos (un modelo).
Los Modelos deben describir adecuadamente la
vida de los hombres chilenos!
Ejemplo: Compaa de Seguros

Los siguientes datos fueron obtenidos:
Muestra de datos de mortalidad (edad):
48, 58, 65, 68, 72, 74, 81, 82, 83, 88
Es suficiente decir que la vida promedio

(basada en estos datos) es 71,9 aos de
edad?
Si el objetivo es entregar un seguro de vida para 20

hombres con 50 aos de edad y otros 20 hombres

con 40 aos: Esta media me ayudar en la
determinacin de Cuanto cobrar ?

Usted necesita mas informacin que
solamente la media.
Usted necesita de una estimacin de Cuantos
asegurados sobrevivirn en el prximo ao,
dado sus edades actuales.
Necesita cuantificar:
Como la tasa de mortalidad varia de grupo para grupo,
cambiando la faja etria.

El nmero de bitos esperados en cada

grupo por faja etria.
Si estamos analizando
productos/equipamientos, la tasa de mortalidad
puede ser entendida como tasa de falla.

Usted necesita de un modelo que pueda
generar los resultados deseados.
En la mayora de los casos, ser un modelo
probabilstico entregando informaciones de
probabilidad, tales como:
La expectativa es que 99,9% de los hombres con
40 aos de edad sobrevivan un ao mas.
La expectativa es que 99,3% de los hombres con

50 aos de edad sobrevivan un ao mas.

El modelo describir la probabilidad de
sobrevivencia (Confiabilidad).
Modelos
Estos modelos entregan la estimacin de
tasa de falla del producto en funcin del
tiempo, ellos estiman la probabilidad de
falla (sobrevivir) del producto para una
dada edad, o para un dado perodo de
tiempo.
Los modelos son representaciones
matemticas de los datos, dado por

funciones continuas, las que permiten
interpolaciones y algunas extrapolaciones.
Modelos
Estos modelos probabilsticos estn
basados en distribuciones estadsticas.
las mas utilizadas son denominadas
distribuciones de vida.
Lognormal
Exponencial
t
,
R(t ) = e
or MTBF
t
R (t ) = 1
Weibull

t
,

R(t ) = e
Modelos para Datos de Vida

Primero necesitamos definir el modelo.
Nosotros caracterizamos modelos por el
comportamiento de la falla de los mismos.
Tasa de falla es la chance de fallar en la prxima y
menor unidad de tiempo, dado que el tem funcion
hasta entonces.
Tasas de falla pueden ser crecientes, decrecientes,
constantes, en forma de baera o ninguno de los
citados anteriormente.
Tasa de falla creciente (desgaste, vejez).

Tasa de falla decreciente (mortalidad infantil).
Curva de la baera (mortalidad infantil seguida de
desgaste).
Curva de la Tasa de Falla

Failure Rate vs Time Plot
0.01
Multi-Plot
Data 1
W-2 MLE - SRM MED
F=0 / S=0
8.00E-3 Data 2
W-2 MLE - SRM MED
F=0 / S=0
Data 3
Failure Rate, f(t)/R(t)
6.00E-3 W-2 MLE - SRM MED

F=0 / S=0
Data 4
W-2 MLE - SRM MED
4.00E-3 F=0 / S=0

2.00E-3
Dr.Dave Olwell
RSPS
07:44 9/19/00
0
0 160.00 320.00 480.00 640.00 800.00
Time, (t)
1=1.00, 1=300.00
2=0.50, 2=300.00
3=2.00, 3=300.00
4=3.00, 4=300.00
Un conjunto de datos, Cuatro Modelos

0.04
0.03
0.02
0.02
8.00E-3
0
0 100.00 200.00 300.00 400.00 500.00
Time, (t)
Los Modelos son Construidos a partir de Datos
Bancos de Pruebas Datos de terreno (campo)

Bancos de Pruebas
Ensayo Durante el Desarrollo del Proyecto
Ensayo de Calificacin
Ensayos de Vida
Ensayos acelerados de Vida Cuantitativos
Ensayos de Crecimiento de la Confiabilidad

Buenos Datos+ Modelo Apropiado = Buen Resultado

Datos de Terreno
Recolectados a partir de centrales
telefnicas, reclamos de garantas,
inspecciones de tems desarrollados.
Pueden contener Datos sesgados.
Reflejan las condiciones actuales de uso
(y abuso).
Requiere sistema de colecta y anlisis de

datos:
FRACAS / RS-QTMS
Preparacin de Datos
90% de los esfuerzos!!
Obteniendo los datos
Calificando los datos
Entrada Correcta
Representatividad
Sin Desvos
Tabulando Datos de forma correcta

Ejemplo Vehculos 4x4

En los aos 60, pruebas en un
vehculo 4x4 decan que el chofer
no excedera 80.km/hr.
En la comercializacin la tasa de
falla en terreno fue mucho mayor
que la prevista.
Futuras evaluaciones con
clientes revelaron que,
frecuentemente, conductores
dirigan modelos 4x4 por sobre
los 80.km/hr.
Los ensayos en banco de
pruebas fueron rediseados para
reflejar esta nueva realidad.
Ejemplo inverso
Ensayos en bancos de prueba
indicaron que los compresores de
refrigeradores eran extremamente
confiables.
Sin embargo, los compresores
estaban retornando en garanta en
gran cantidad.
El reembolso del servicio prestado por
los tcnicos de mantencin de los
refrigeradores estaba correlacionado
con el valor de las partes cambiadas.

La poltica de reembolso fue
modificada y posteriormente fue
confirmado el bajo nmero de fallas.
Ejemplo: Sistema de Inyeccin de

Combustible
Sistemas de inyeccin de combustible son
proyectados para no necesitar de servicio
durante las primeras 160.000 km de uso.
Cuando el vehculo va a la primera visita
programada a las concesionarias piden hacer
ajustes en la inyeccin.
Ningn tem es retornado al fabricante!
Ejemplo Cartuchos para Impresora

Cartuchos para impresora poseen
garanta.
Muchos fabricantes poseen poltica
libre de retorno.
Estimulados por distribuidores.
Algunos cartuchos son retornados
vacos y a esto son asociados
costos de garanta, an cuando no
hayan fallas.
Tal tipo de datos deben ser

cuidadosamente analizados
para determinar si el origen de la
causa est en el proceso o en el
producto.
63
Ingeniera de Confiabilidad y
Estadstica
Break Point

Anlisis de Datos de Vida
El Anlisis de Datos de
Vida utiliza
metodologas
estadsticas para
construir modelos
probabilsticos, a partir
de Datos de vida.
Los modelos son

utilizados para realizar
previsiones precisas.
Estimaciones & Previsiones

En el Anlisis de Datos de Vida y en la
Ingeniera de Confiabilidad todo est
basado en estimaciones.
El valor real de la Confiabilidad de un
producto nunca ser conocido.
El valor real de la Confiabilidad solo ser
conocido cuando todos los productos ya hayan
fallado.
El objetivo de la Ingeniera de Confiabilidad
es prevenir con precisin el valor real.
Para Ilustrar...
Tenemos una piscina con bolitas negras y rojas.
Calcule el porcentaje de bolitas negras, P.
Tome una muestra de 20 bolas
8/20 negras
12/20 rojas
40% son negras & 60% son rojas

Tome otra muestra de 20 bolas
11/20 negras
9/20 rojas

Verso: 1.02 Language/Region: Spanish Tome una muestra de 200 bolas

108/200 - negras 92/200 - rojas

Verso: 1.02 Language/Region: Spanish Tome otra muestra de 200 bolas

105/200 - negras 95/200 - rojas

52.5% son negras & 47.5% son rojas
Tipos de Datos de Confiabilidad
Los tipos de datos afectan el proceso de

estimacin de la Confiabilidad.
Es de fundamental importancia la correcta
clasificacin del tipo de dato.
1 5 10
X<
<X
<3
X= 0
10 X=
15 X>30
Censurado (Olvidando la Historia)
La mayora de los Datos de Confiabilidad

contiene censuras (informacin incompleta).
nuestros modelos y Anlisis deben ser
capaces de tratar esos casos!
?
?
?
? ?
Datos Completos y Censurados

Datos Completos
Datos Censurados
Censura a Derecha
?
Censura en Intervalo
?
Censura a Izquierda
?
Datos Censurados a Derecha

100 bombas operando por tres meses.
una fallo durante el primer mes.
una fallo durante el segundo mes.
Dos fallaron en el tercer mes.
Cual es el tiempo medio de falla?
1(1) + 1(2) + 2(3)

= 2.25 ?
4
Datos Censurados a Derecha

Si usted fabric 100 unidades y tres
retornan en el primer mes, Dos en el mes
siguiente, Cual es la media de retorno?
3(1) + 2(2)
= 1.4?
5
usted puede ignorar las unidades que no
retornan?
usted no puede responder esta cuestin
sin utilizar un modelo apropiado para
este tipo de datos.
Datos Censurados a Derecha, Suspensiones

Suspensiones son tems donde los tiempos de
falla solo sern conocidos cuando excedemos
ciertos valores de tiempo.
Las 95 unidades restantes fueron suspendidas.
Nosotros solo sabemos que el tiempo de falla de ellas es
mayor que 2 meses.
Las Suspensiones no agregan tanta informacin
como los tiempo de falla exactos.
Las Suspensiones requieren tratamientos

estadsticos especiales.
Las Suspensiones no deben ser ignoradas.
77
Estadstica Bsica

Variables Aleatorias
En general, la mayora de los problemas en
Ingeniera de Confiabilidad son problemas
referentes a cuantificacin de medidas, tales como
el tiempo hasta la falla de un componente, o si un
componente fall o no.
Evaluando un componente para saber si es defectuoso
o no, tendremos solamente dos posibilidades. Se puede
denotar con la variable aleatoria X con las posibles
salidas (defectuoso o no defectuoso). En este caso, X es
una variable aleatoria que solo puede poseer uno de
estos valores.
En el caso donde tenemos tiempo hasta la falla, nuestra

variable aleatoria X puede poseer el valor de tiempo
hasta la falla del producto o componente y su valor va
de 0 hasta el infinito (en el caso donde no tenemos el
tiempo exacto).
Varibles Aleatorias Discretas

Si la variable aleatoria contiene solamente
informaciones de valores pr definidos,
entonces se denomina variable aleatoria
discreta.
Por ejemplo, el resultado del lanzamiento de
un dado honesto, (con seis lados), puede
ser:
1, 2, 3, 4, 5 6.
Variables Aleatorias Continuas

Si nuestra variable aleatoria puede asumir
cualquier valor en una escala continua, entonces
esta se define como una variable aleatoria
continua.
Kilmetros hasta la falla, para un neumtico
puede tomar cualquier valor a partir de 0 hasta
infinito, o 10.000 kilmetros, 17.523 kilmetros,
etc.
En esta presentacin, vamos a

trabajar casi exclusivamente
con variables aleatorias continuas.
Funcin de Densidad de Probabilidad y

Funcin de Distribucin Acumulada
A partir de la probabilidad y de la estadstica, dada
una variable aleatoria continua X, denotamos:
La funcin densidad de probabilidad (distribucin), pdf,
como f(x).
La funcin distribucin acumulada, cdf, como F(x).
La pdf y la cdf dan una descripcin completa de la
distribucin de la probabilidad de la variable
aleatoria.
ellas describen la probabilidad de esta variable aleatoria.

Definiciones: pdf
Considere un conjunto de Datos
representando 100 variables aleatorias
continuas, obtenidas de una misma
poblacin, como muestra la siguiente tabla:
32.8 148.7 53.9 53.4 28.2 45.6 106.5 65.3 188.0 37.6
15.1 18.2 85.8 101.4 116.5 96.5 110.6 55.1 104.9 22.2
22.4 82.3 44.6 5.1 9.2 48.2 130.8 20.6 34.6 57.4
77.9 38.1 44.9 26.7 67.5 129.2 44.2 94.3 211.3 181.2
46.7 89.1 93.9 46.9 22.3 52.3 74.2 35.4 58.7 19.6
28.2 144.7 32.7 8.9 91.5 70.8 35.6 64.0 26.3 161.6
83.5 30.5 97.3 21.1 88.6 48.8 23.6 38.6 24.1 71.7
124.8 120.1 147.1 72.0 31.2 28.8 178.0 16.6 20.2 21.5
30.1 82.2 60.3 102.7 82.1 65.4 89.8 41.9 57.0 44.8
68.9 103.0 41.9 78.1 38.6 35.0 75.7 28.5 53.9 49.4
Definiciones: pdf
Supongamos que queremos saber el
comportamiento de estos datos.
Podramos clasificar los Datos separndolos
por intervalos y visualizar la proporcin de
Datos en cada intervalo.
Cambiando el tamao del intervalo, podemos
obtener una representacin grfica del
comportamiento de los Datos de manera mas

refinada.
Una representacin grfica de esta clasificacin
es llamada histograma.
Histogram of Data
Range Size=50
50%
45% X<=50, 47%
40%
Proportion in Range
35%
30%
25%
20%
15%
10%
5%
0%
1-50 51-100 101-150 151+
Range of Data
Histogram of Data
Range Size=25
0.35
X<=50, 16% +31%

0.3
Proportion in Range
0.25
0.2
0.15
0.1
0.05
0
1-25 26-50 51-75 76-100 101-125 126-150 151+
Range of Data
Histogram of Data
Range Size=25
0.35
X<=50, 16% +31%

0.3
Proportion in Range
0.25
0.2
0.15
0.1
0.05
0
1-25 26-50 51-75 76-100 101-125 126-150 151+
Range of Data
A medida que vamos disminuyendo cada vez mas el

intervalo, podremos finalmente obtener un histograma
que podr parecerse a una funcin continua (siempre
que existan suficientes datos).
X<=50
f (X )
88
X<=50
f ( X )dX
pdf
Definiciones: pdf
Si X es una variable aleatoria continua, entonces la funcin de
densidad de probabilidad, pdf de X, es una funcin f(X) tal que,
para dos nmeros, a y b con a < b resulta:
f(x)
b
P (a X b) = a
f ( x ) dx
a b
Esto es, la probabilidad de X tener un valor en el intervalo
[a,b] es el rea de la funcin densidad entre a y b.
La probabilidad de X tener un valor menor que a es el rea de 0
hasta a.
Definiciones: cdf
Para obtener la probabilidad a partir de la pdf, es
necesario calcular el rea bajo la curva.
La funcin de distribucin acumulativa, cdf, entrega
este valor directamente.
La cdf es una funcin F(X) de la variable aleatoria X,
definida por:
a
F (a ) = P ( X a ) = f ( X )dX
0 ,
donde, para una variable aleatoria X, F(a) es la probabilidad

de que el valor observado X ser en el mximo a.
91
P( X a) =
a
P( X a)
f ( X )dX
Relacin Matemtica entre la pdf y la cdf
La relacin matemtica entre la pdf y la cdf

est dada por:
x
F (x) =
f (s)ds
Invirtiendo:
d ( F ( x ))
f ( x) =
dx
Relacin Matemtica entre la pdf y la cdf
Simplificando, la cdf es el rea formada por

la funcin densidad de probabilidad, hasta
un valor escogido de x.
Esto significa que el rea total bajo la pdf es
siempre igual a 1, o matemticamente:
f(x)

f ( x ) dx = 1
Area = 1 = 100%
La pdf es dada por una Ecuacin

un ejemplo de funcin densidad de probabilidad es
la conocida distribucin normal, cuja pdf es dada
por:
2
1 t
1
2
f (t ) = e
t 2
donde es la media y es la desviacin estndar.
La distribucin normal es una distribucin con dos

parmetros.
Observe que, a partir de los Anlisis de Confiabilidad la variable aleatoria
generalmente es tiempo, t, Nosotros usamos f(t) en vez de f(x) en esta
pgina y las subsecuentes.
La Funcin de Confiabilidad
f(t)
Probability of Failure
(Unreliability) Probability of Success
(Reliability)
F (t ) = Q(t )
R(t )
P(ta)
Random Variable t, time-to-failure.

a
La funcin Confiabilidad es obtenida a
travs de la probabilidad de xitos, o de la
probabilidad de que no se observe la falla,
en el tiempo t.
Definiendo Desconfiabilidad como Q(t)
entonces:
t

F (t ) = Q (t ) = f ( s ) ds
0
tenemos:
Q(T ) + R(t ) = 1
R(t ) = 1 Q(t )
R(t ) = 1 f (s )ds
t
0

R(t ) = 1 f (s )ds
t
Derivando:
d ( R ( t ))
f (t ) =
dt
Terminologa de la Confiabilidad
La Confiabilidad no puede ser especificada sin la asociacin con el
tiempo. en otras palabras, usted no puede decir que un tem posee
una Confiabilidad de 90% sin decir para que intervalo de tiempo.
Para ser mas preciso deberamos siempre especificar la Confiabilidad, el
tiempo y los limites de confianza.
ReliaSoft's Weibull++ 6.0 - www.Weibull.com
Reliability vs Time
1.00
Weibull
Data 1
W2 RRX - SRM MED

F=0 / S=0
R(t=140 hr)=80%
0.80
Reliability, R(t)=1-F(t)
0.60
R(t=280 hr)=42%
0.40
0.20
Pantelis
ReliaSoft
1/27/01 14:24
0
0 140.00 280.00 420.00 560.00 700.00
Time, (t)
=2.0000, =300.0000, =0
La funcin tasa de falla

La funcin tasa de falla permite la
determinacin del nmero de fallas
ocurridas por unidad de tiempo. Esta es
dado matemticamente por:
f (t )
(t ) =
R (t )
La tasa de falla se expresa en fallas por

unidad de tiempo.
tiempo puede ser cualquier medida que pueda ser
cuantificado. Tales como: minutos, horas, ciclos,
actuaciones, etc.
El termino Hazard Rate es sinnimo de tasa de falla.
La funcin Confiabilidad Condicional

La funcin Confiabilidad condicional permite la
determinacin de la Confiabilidad Condicional.
En otras palabras, la probabilidad de que un tem
sobreviva a una nueva misin de duracin t, dado
que ya ha completado con xito una misin de
duracin T.
R(T + t )
R(T , t ) =
R(T )
T t
Un Ejemplo Simple
Para un vuelo de Los Angeles a Nueva York, si la
aeronave ya lleg a Denver, ella tiene mayor
probabilidad de completar el vuelo (Confiabilidad)
sin problemas, que la que tiene una aeronave que
an est en Los Angeles.
La funcin Vida Media (MTTF)

La funcin vida media entrega la medida del tiempo medio de
operacin hasta la falla, dada por:

T =m= 0
t f ( t ) dt
Este valor se refiere al valor esperado del tiempo hasta la falla

medio, y generalmente se denota como MTTF (Mean Time-to-
Failure).
Este valor tambin es denominado, por muchas personas,
como el MTBF (Mean Time Between Failures). Esto es

incorrecto en la mayora de los casos.

El nico caso donde esto podra ser verdadero (y correcto) es
cuando la tasa de falla fuese constante, y sta suposicin en
la mayora de las veces, es cuestionable.
Ejemplo para Distribucin Simtrica - Normal

Probability Density Function
4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)
Ejemplo para Distribucin Asimtrica - Weibull
1.90E-3
1.52E-3
Mean=450
1.14E-3
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
Vida Mediana
(
La vida mediana, T , es el valor de la variable
aleatoria que divide la pdf por la mitad, dejando
tanto para el lado izquierdo como para el derecho
la mitad del rea. La mediana es obtenida por:
(
T

f ( t ) dt = 0 . 5
Ejemplo de una muestra de datos:
11 ,12 ,13 , 20 , 21 , 24 ,145

La mediana es el punto central de estos valores,
que en este caso es 20.
4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)

1.90E-3
1.52E-3
Median=400
1.14E-3
Mean=450
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
Vida Media y Vida Mediana

Observe que la vida media es igual a la mediana (o
el 50o percentil) en el caso de la distribucin
normal y otras distribuciones simtricas.
Para las distribuciones asimtricas, la media
puede variar, pudiendo ser mayor o menor que la
mediana.
Para la distribucin exponencial, la vida media siempre
corresponder al percentil 63,2, o el tiempo en que
63,2% de las unidades fallarn.
Para la distribucin Weibull, no hay un valor fijo. Este

porcentaje es funcin de los parmetros del modelo.
Media x Mediana
Muchas personas usan la media y mediana como si fuesen lo
mismo. Esto est errado!. Solamente en los casos donde
tenemos distribuciones simtricas es que la media y la
mediana poseen el mismo valor. En la mayora de los casos,
la diferencia entre los valores de la media y mediana pueden
ser muy grande. Por ejemplo, considere un conjunto de
Datos con cinco valores:
(1, 2, 3, 4, 100)
La media es:
(1 + 2 + 3 + 4 + 100) 110
= = 22
5 5
Sin embargo, la mediana de este conjunto de Dato es el valor
3, o sea el valor central de los datos.
Moda
A vida modal (o moda), es el valor mximo de t que satisfaga:
d [ f (t )]
=0
dt
Para distribuciones continuas, la moda corresponde al
mximo valor de la densidad de probabilidad, o sea el valor
donde la pdf tiene su mximo (pico).

4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)

1.90E-3
Mode=280
1.52E-3
Median=400
Mean=450
1.14E-3
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
113
Distribuciones
Break Point

Distribuciones
La distribucin estadstica es descrita por la pdf (o funcin
densidad de probabilidad). En las secciones anteriores
utilizamos la definicin de la pdf para mostrar como todas las
otras funciones mas comnmente utilizadas en la Ingeniera
de la Confiabilidad permiten el Anlisis de datos de vida,
tales como: funcin confiabilidad, funcin tasa de falla,
funcin vida media y funcin vida mediana. Todas estas
pueden ser determinadas directamente la partir de las
definiciones de la pdf, o f(t).
Distribuciones
Existen diferentes distribuciones, tales como la
Normal, Exponencial, Weibull, Lognormal, Gama
Generalizada, etc., y cada una de ellas tiene la f(t)
predefinida (y pueden ser encontradas en la
mayora de los libros y referencias estadsticas).
Estas distribuciones fueron formuladas por estadsticos,
matemticos e ingenieros para modelar
matemticamente o representar un comportamiento
poblacional. Por ejemplo, la distribucin Weibull fue
formulada por Waloddi Weibull y por lo que recibi su

nombre.
Muchas de las distribuciones que tienden representar
mejor los datos de vida son comnmente llamadas
distribuciones de vida.
Distribuciones Comnmente Usadas

Modelos de Vida
Exponencial Normal
tasa de falla constante tasa de falla Creciente
Weibull Otros
puede ser creciente, Gama
decreciente o de tasa Gama Generalizada
de falla constante Logstica
Monotnica Log-logstica
Lognormal Gumbell
Creciente, y luego Modelos Mixtos (ex:

decreciente Weibull Mixta)

asintticamente hacia Modelos de Modos de
cero falla Competitivos (CFM)
Resumen: Mtricas Comunes

Confiabilidad, R(t): Probabilidad de que la falla no
ocurrir hasta el tiempo t.
Desconfiabilidad, Q(t): Probabilidad de que la falla
ser observada hasta el tiempo t.
Vida BX : tiempo en que la desconfiabilidad es
igual a X% (ex: B10 tiempo en que 10% de las fallas
irn a ocurrir).
Vida Mdia (MTTF): tiempo medio hasta la falla.
Vida Mediana: tiempo en que 50% de las fallas son

esperadas.
Confiabilidad Condicional (T,t): Probabilidad de
que una falla no ser observada por un tiempo
adicional t, dado que el tem vivi con xito por un
tiempo T.
Distribuciones
Una de las distribuciones mas simples, (y frecuentemente
errneamente utilizada debido a su facilidad), es la
distribucin exponencial.
La pdf de la distribucin exponencial es matemticamente
definida como:
t
f (t ) = e
donde:
t es la variable aleatoria que representa el tiempo.

La letra griega (lambda) representa el parmetro de la

distribucin.
Parmetros de la Distribucin
Los parmetros de la distribucin
describen y definen esta distribucin en
particular.
Por ejemplo, en la distribucin exponencial,
dependiendo del valor de lambda, , f(t)
exhibir diferentes caractersticas.
Para algunas distribuciones, el parmetro o los
parmetros de la distribucin son estimados

(obtenidos) a partir de datos.
La pdf Exponencial
ReliaSoft Weibull++ 7 - www.ReliaSoft.com
1.000E-4
Pdf
Data 1
Exponential-1P
RRX SRM MED FM
Func Line
8.000E-5
6.000E-5
f(t)
4.000E-5
2.000E-5
Name
Company
8/8/2005
0.000 1:18:51 PM
0.000 7000.000 14000.000 21000.000 28000.000 35000.000
Time, (t)
=0.0001
Obteniendo otras Funciones Relacionadas

con la Confiabilidad
Dada la representacin matemtica de la distribucin
(pdf), podemos obtener tambin todas las funciones
necesarias para el Anlisis de datos de vida.
Por ejemplo, dado que para la distribucin
exponencial la pdf es dada por:
f (t ) = e t
Por lo tanto la funcin Confiabilidad puede ser
obtenida por: t

s
R (t ) = 1 e
ds
0
t
= 1 [1 e ]
= e t
Funcin tasa de falla

La funcin tasa de falla es dada por:
f (t ) e (t )
(t ) = = (t ) =
R (t ) e
0.10
0.08
0.06
0.04
0.02
0
0 40.00 80.00 120.00 160.00 200.00
Time, (t)
Media o MTTF
O tiempo Medio hasta la falla (MTTF) es dado por:

T = t
0
f ( t ) dt

1
t
t
= e dt =
0

Esta misma metodologa puede ser aplicada para cualquier

distribucin, dada la pdf, con varios grados de dificultad

dependiendo de la complejidad de la f (t).
Observe que en el caso de la distribucin exponencial esta

tambin es MTBF.
La Distribucin Weibull
La distribucin Weibull es una propuesta
general para Anlisis de Confiabilidad
(modelo).
Es una distribucin muy flexible, y por esta
razn, ampliamente utilizada.
El comportamiento de la tasa de falla en la
Weibull puede ser creciente, decreciente o
constante.
Esta pdf puede tener diferentes formatos, y
consecuentemente aproximarse a las otras
distribuciones.
Weibull 2-Parmetros
La forma mas popular (y mas simple) de la distribucin
Weibull es la Weibull de dos-parmetros, o:
Weibull pdf with 0 < < 1, = 1, and > 1

1 t
t

0.0100
f (t ) = e
0.0080
0.0060
f(t)
0.0040
0.0020
0
0 200.00 400.00 600.00 800.00 1000.00
Time, (t)
Distribucin Lognormal
La distribucin lognormal es comnmente utilizada
en el Anlisis de Confiabilidad, en ciclos hasta la
falla, para fatiga, resistencia de materiales y, en el
proyecto probabilstico con cargas variables.
Cuando el logaritmo natural de los tiempos hasta
la falla son normalmente distribuidos, entonces
decimos que los datos siguen una distribucin log
normal.
L pdf de la distribucin lognormal es dada por:

2
1 T ' '
1
2 '
f (T ) = e
T ' 2
Lognormal pdf
Mientras la
distribucin normal 2.40E-4
es simtrica, la
distribucin 1.92E-4
lognormal es
asimtrica y 1.44E-4
desplazada hacia la
f(t)
Izquierda, 9.60E-5
permitiendo una 4.80E-5
mejor adecuacin
para el modelado 0
0 4000.00 8000.00 12000.00 16000.00 20000.00
de datos de vida. Time, (t)
Distribucin Normal
La distribucin normal es ReliaSoft's Weibull++ 6.0 - www.Weibull.com
utilizada comnmente en el 0.0200
Anlisis de Confiabilidad,
para tiempos hasta la falla 0.0160
de componentes
electrnicos y mecnicos,
0.0120
equipamientos o sistemas.
f(t)
La pdf de la distribucin
0.0080
normal es dada por:
2 0.0040
1 T
1
2
f (T ) = e
2
0
0 60.0000 120.0000 180.0000 240.0000 300.0000
Time, (t)
Distribucin Weibull Mixta (Mixed Weibull)

Normalmente utilizada para componentes o sistemas que
presentan mltiples modos de falla.
La distribucin Weibull mixta, es aplicada para representar
poblaciones mixtas con mltiples modos de falla. Ella
muestra la imagen global de la vida del producto, mezclando
diferentes distribuciones de Weibull para diferentes estadios
de la vida del producto, dada por:
f (T ) = p1 f 1 (T ) + p 2 f 2 (T ) + ... + p S f S (T ),
i
i 1 T
S
i T

i
f (T ) = pi e
i =1 i i
donde, para 2 subpoblaciones, S=2; para 3, S=3; y para 4, S=4.
Observe que:
p1 + p2 + ::: + ps = 1
La pdf de una Weibull Mixta

1.00E-3
Weibull
Data 1
W8 RRX - SRM MED

F=100 / S=0
8.00E-4
6.00E-4
f(t)
4.00E-4
2.00E-4
Pantelis
ReliaSoft
0 1/27/01 14:11
0 600.00 1200.00 1800.00 2400.00 3000.00
Time, (t)
[1]=3.2201, [1]=512.2561, [1]=0.2233 ; [2]=4.7349, [2]=1032.6110, [2]=0.5191

[3]=7.6325, [3]=2197.0271, [3]=0.2577
La Distribucin Gama Generalizada

No es tan utilizada como las otras distribuciones de vida ya
presentadas. La distribucin gama generalizada posee la capacidad
de imitar otras distribuciones, como la Weibull o la Lognormal,
dependiendo de los parmetros de su distribucin.
La distribucin Gama Generalizada posee tres parmetros y su pdf
es dada por:
In ( t )
1
+ In 2 e

In ( t )

2

1
e

f ( t ) = t 12

1 In ( t )
2
1
2

e k if = 0
t 2
132
Estimacin de los Parmetros


Para ajustar un modelo a los datos, es
necesario realizar una estimacin de los
parmetros del modelo escogido
(distribucin).
Esta estimacin es realizada basndose en
el conjunto de datos.

La estimacin de los parmetros de la
distribucin normal para datos completos
es trivial.
0.0005
3,000, 4,000, 5,000

2
1 T 0.0004
1
2
f (T ) = e
2
0.0003
f(t)
= 4, 000
0.0002
= 1, 000 0.0001
0
0 2000.0000 4000.0000 6000.0000 8000.0000 10000.0000
Time, (t)
Mtodo de Estimacin de Parmetros

Hay varios mtodos para la estimacin de
los parmetros.
Dos de estos mtodos son comnmente
utilizados para datos de vida.
Esta seccin presentar una visin general
de estos mtodos, comenzando con el mas
conocido, el mtodo del Ploteo de
Probabilidades (probability plotting)

combinado con el mtodo de los mnimos

cuadrados (least squares) y el mtodo de la
Mxima Verosimilitud (maximun likelihood).
Ploteo de Probabilidades
El mtodo mas conocido (de uso manual)
para distribuciones complejas, tal como la
distribucin Weibull, es el mtodo de la
Ploteo de Probabilidades (probability
plotting).
El Ploteo de Probabilidades considera el ploteo
de los Datos en un grfico especialmente
construido para estos tipos de datos.
Consiguiendo el papel grfico especial de

probabilidades, s puede fcilmente aplicar este
mtodo manual.
Ploteo de Probabilidades
Con lgebra bsica, se
puede fcilmente 45
X Y
obtener la ecuacin de 40
1 12
2 18
una recta a partir del 3 33
35
ploteo (y=mx+b). 4 39
30
La ecuacin es
definida por una 25
inclinacin (m) y una 20

posicin (b).
15
El mismo concepto es
10 y = 9.6x + 1.5
utilizado en el ploteo
de probabilidad. 5
0
0 1 2 3 4 5
Ploteo de Probabilidades (cont.)

El Ploteo de Probabilidades es realizada
por la linealizacin de la cdf por la
utilizacin de un papel especialmente
construido.
Por ejemplo, en el caso de la distribucin
Weibull con dos-parmetros, la cdf
(probabilidad de falla Q(T)) es dada por:

T

F (T ) = Q(T ) = 1 e

Esta funcin puede ser linealizada como se
muestra a continuacin:

T

ln(1 Q(T )) = ln e

T
ln( ln(1 Q(T ))) = ln

1
ln ln = ln(T ) ln( )
1 Q(T )

1
Obtenemos entonces: y = ln ln
1 Q(T )
x = ln(T )
La ecuacin puede ser re-escrita como:
y = x ln ()
Resultando una ecuacin lineal de dos parmetros,

correspondientes a una inclinacin y un valor de
posicin ln().

El prximo objetivo es construir un grfico con las coordenadas Y y
X apropiadas.
La abscisa X ser dada por una transformacin
logartmica simple.
La ordenada Y sin embargo, ser representada por:
1
y = ln ln
1 Q (T )
donde Q(T) es la desconfiabilidad.

Grficos semejantes han sido creados por diferentes proveedores y

son denominados Papeles de Probabilidad Weibull.
x = ln(T )
Q (T )
1
1

y = ln ln

2 Cy cle Weibull Probability Plottin g Paper Created Using ReliaSof t's Weibull++ www.ReliaSoft.com 1-888-886-0410 1999 ReliaSoft Corporation
0.5
0.6
0.7
0.8
0.9
1.0
1.2
1.4
1.6
2.0
3.0
4.0
6.0
142


Este grfico es construido basndose en las transformaciones
de Y y X, ya mencionadas, donde la coordenada y representa la
probabilidad de falla, y la coordenada x representa el tiempo.
Estos dos valores deben ser conocidos para cada punto (o
tiempo de falla) para que se les pueda plotear.
Entonces, dado los valores de Y y X para cada punto, podremos

fcilmente localizarlos en el grfico.

Determinando Posiciones para los Pontos X e Y
Los puntos ploteados representan nuestros datos,

o mas especficamente hablando en Anlisis de
vida, datos de tiempo hasta la falla.
Entonces si, por ejemplo ensayamos cuatro tems
hasta la falla y obtenemos los siguientes
resultados: 10, 30, 50 y 60 horas. Usaramos estos
tiempos hasta la falla como nuestros valores de x o
valores de tiempo.
La determinacin de la posicin y, o sea, la
probabilidad de falla, es un poco mas complicada.

Para determinar la posicin de y, deberemos primero
determinar el valor de la categora mediana (median
rank) para cada tiempo hasta la falla.

una vez ploteados los puntos, (en el papel
de probabilidades), debemos trazar la mejor
lnea recta que pasa ellos.
Dibujada la recta, podemos obtener una
inclinacin (Para facilitar, la mayora de los
papeles de probabilidad incluyen un
indicador de inclinacin), o sea, el

parmetro (en el caso de la distribucin

Weibull).
Categoras Medianas
Las categoras medianas son utilizadas para obtener una
estimacin de la desconfiabilidad, Q(Tj), para cada tiempo
hasta la falla.
La categora puede ser encontrada para cualquier
porcentaje P, mayor que cero y menor que uno, por la
resolucin de la distribucin binominal acumulada
(cumulative binominal) para Z ( para la categora de la
j-sima falla):
N
N k
P = Z (1 Z )N k
k= j k
donde N es el tamao de la muestra y j el nmero de orden.
Categorias Medianas
Especficamente, la categora mediana es obtenida por la
resolucin de la siguiente ecuacin en relacin a Z:
N
N k
0.50 = Z (1 Z ) N k
k= j k
Por ejemplo, s N = 4 y nosotros tenemos cuatro fallas,

resolveremos la ecuacin de la categora mediana, cuatro veces,
una para cada tiempo hasta falla, con j = 1, 2, 3 y 4, para
encontrar el valor de Z. Este resultado puede entonces ser
utilizado como la desconfiabilidad para cada tiempo hasta la falla,
sea la posicin de y.
Observe que la ecuacin no incluye nada respecto del tiempo

hasta la falla, solamente su orden o categora. es por eso que es
denominado el mtodo de la categora mediana.
La resolucin de la ecuacin para Z requiere la utilizacin de
mtodos numricos.
Categoras Medianas
una rpida y menos precisa aproximacin de la
categora mediana es dada por:
j 0.3
MR =
N + 0.4
Esta aproximacin de la categora mediana es
conocida tambin como aproximacin de Bernard.
149
10, 15.9%
60, 84.1%
30, 38.6%
50, 61.4%

Para determinar el parmetro de escala, (tambin
llamado vida caracterstica), se requiere un poco mas
de trabajo; sigamos el clculo matemtico usado.
Para la cdf Weibull.

T

Q(T ) = 1 e
entonces tenemos T= :

Q(T = ) = Q( ) = 1 e
= 1 e 1 = 0.632 = 63.2%
151
Ploteo de Probabilidades para otras

Distribuciones
Esta misma metodologa puede ser
aplicada para otras distribuciones (las que
puedan ser linealizadas).
Existen diferentes grficos para cada
distribucin.
Weibull++ crea automticamente estos
ploteos cuando usted escoge una
distribucin en particular.
153
Estimacin de Parmetros Mnimos

Cuadrados (Anlisis de Regresin)
Con el mismo concepto de ploteo de las
probabilidades, pero ahora utilizando la estimacin
de los parmetros por el Anlisis de regresin,
conseguimos obtener la mejor adherencia de la
recta a los datos.
Los trminos: regresin lineal y mnimos cuadrados son
sinnimos, y ambos sern utilizados en este manual. El
termino categora de regresin (rank regression) es
utilizado en el lugar de mnimos cuadrados, o regresin

lineal, porque la representacin de la regresin es el

valor de la categora. Mas especficamente el valor de la
categora mediana (representado por la coordenada y).

Mnimos Cuadrados
El mtodo de los mnimos cuadrados permite el
alineamiento de la recta sobre los puntos, de manera tal
que la suma de las diferencias al cuadrado de los puntos a
la recta sea minimizada. Si la regresin fuese en Y, ser
escogido el alineamiento que minimiza la suma de los
cuadrados de los desvos verticales entre los puntos y la
recta (RRY). Si la regresin fuera en X, ser escogido el
alineamiento que minimiza la suma de los cuadrados de
los desvos horizontales (RRX).
(RRY) (RRX)
El Coeficiente de Correlacin
La medida que muestra la adecuacin del modelo lineal a los
datos, es el coeficiente de correlacin denotado por .
En el caso del Anlisis de datos de vida, esta
medida muestra la relacin lineal (correlacin)
entre la categora mediana y los datos.
La variacin es de -1 a 1.
El mejor valor es 1 y significa mejor alineamiento. Observe
que 1 indica un perfecto alineamiento (los pares
cartesianos (xi, yi) quedan sobre una lnea recta); con una
inclinacin positiva o negativa segn el signo.
0
+1 -1
MLE Estimacin de los Parmetros

Mtodo estadstico de estimacin (no grfico).
Dado un conjunto de datos, estimar los parmetros
que maximizan la probabilidad de que el dato
pertenezca a esta distribucin y al conjunto de
parmetros.
Construye la funcin de verosimilitud como producto de las
densidades, asumiendo independencia.
Utiliza el clculo para determinar los valores que maximizan la
funcin de verosimilitud.
Tiene propiedades estadsticas interesantes cuando el tamao

de la muestra es grande.
Se sabe que para muestras pequeas es sesgado.
Se ajusta bien cuando tenemos datos censurados
Concepto MLE
Cual modelo es mas probable si dos valores son
observados: -3 y 3?
MLE - Estimador de Parmetros de la Mxima

Verosimilitud para datos Completos
Si x es una variable aleatoria continua con pdf:
f ( x;1 , 2 , K , k )
donde 1, 2, , k son k parmetros constantes, desconocidos, los
cuales necesitan ser estimados, y conducimos un experimento y
obtuvimos N observaciones independientes, x1, x2, , xN, entonces
la funcin de verosimilitud es dada por:
N
L(1 , 2 ,K , k x1 , x2 , K, xk ) = f ( xi ;1 , 2 ,K , k )
i =1
Para una distribucin con un parmetro simple y datos de 10, 20,

30, la verosimilitud de la funcin podra ser:
L( 10,20,30) = f (10) f (20) f (30)
MLE (Maximun Likelihood) Estimacin de

Parmetros (cont.)
La funcin logartmica de la verosimilitud es:
= ln L(1 , 2 ,K , k x1 , x2 , K, xk )
N
= ln( f ( xi ;1 , 2 ,K , k ))
i =1
Los estimadores de mxima verosimilitud (MLE) de 1, 2, , k son
obtenidos por la maximizacin de L o .
Por la maximizacin de , que es mucho ms fcil de trabajar que
con L. Los estimadores de mxima verosimilitud (MLE) de 1, 2, ,

k son soluciones simultneas de K ecuaciones, de modo que:

= 0, i = 1,2,...k
i
MLE (Maximun Likelihood) Estimacin

de Parmetros (cont.)
Aunque sea una prctica comn plotear la solucin por la MLE
utilizando la categora mediana ( los puntos son ploteados de
acuerdo con la categora mediana y el alineamiento de acuerdo
con la solucin dada por la MLE), sta no es completamente
precisa.
Como se puede observar en las ecuaciones anteriores, el
mtodo de la MLE es independiente de cualquier tipo de
categora. Por esta razn, muchas veces la solucin por la MLE

aparenta no ajustarse bien a los datos (puntos ploteados).

Esto es perfectamente aceptable siempre que los dos mtodos
sean independientes entre s, y no indica que la solucin pueda
estar errada.
Unreliability, F(t)
162
1.00
5.00
10.00
50.00
90.00
99.00
10.00
RR
MLE
Time, (t)
Probability - Weibull
100.00
MLE - Usando la distribucin Normal

Para obtener el estimador de la media, , y la desviacin estndar, ,
por el mtodo MLE, de la distribucin normal, comenzamos con la
pdf de esa distribucin, dada por:
2
1 T
1
f (T ) = e 2
2
Si T1, T2, , TN son tiempos hasta la falla, conocidos (sin
suspensiones), esta funcin de la verosimilitud es dada por:
1
2
1 T
N i
L(T , T | T1 , T2 ,..., TN ) = L = 2
,
e
i =1 2

2
1 Ti
N
1
2 i =1
L= e
( 2 )
N
MLE - Usando la Distribucin Normal

(cont.)
entonces:
1 N Ti
2
N
= ln L = ln(2 ) N ln( )
2 2 i =1
Aplicando la derivada parcial de en relacin a cada uno de los
parmetros e igualando a cero, obtenemos:
1 N
= 2

(T ) = 0
i =1
i
y:
2
N 1 N
= + 3 (Ti ) = 0
i =1
MLE - Usando la Distribucin Normal

Resolviendo simultneamente, obtendremos:
N
1
=
N
(T )
i =1
i
y:
N
1
= (T )
2
i
N i =1
Notas sobre Sesgo

En estadstica, un estimador sesgado es
aquel que, por alguna razn, su media es
sobre o subestimada en relacin a la que
est siendo estimada (calculada).
un estimador cuyo valor medio difiere del valor
de la cantidad que est siendo estimada.
La MLE puede ser sesgada.
Este error es ms significativo cuando usamos

muestras pequeas.
167
Datos y Tipos de datos
Break Point

Tipos de Datos de Vida, Introduccin

Datos Completos
Datos Censurados
Censura a Derecha (Suspensin)
Censura en Intervalos
Censura a Izquierda
Datos Completos
Por ejemplo, s ensayan cinco tems y si todos fallasen,
tendramos todas las informaciones de la muestra, como
tiempo hasta la falla de cada tem.
Datos Censurados a Derecha (Suspensos)

Si nosotros ensayamos cinco tems, pero solo tres fallan. En
este caso, nuestros datos son compuestos por tres tems
que fallaron, o sea, tems de los que conocemos los tiempos
hasta la falla, y dos tems que no fallaron.
Este es el tipo mas comn de datos censurados.
Frecuentemente utilizado en el Anlisis de Datos de
terreno.
Datos Censurados en el Intervalo

Si ejecutramos un ensayo con cinco tems y realizsemos
inspecciones cada 100 horas. Si el tem fall entre las inspecciones
nosotros no sabremos el momento exacto en que la falla ocurri,
pero sabemos que la falla ocurri dentro del intervalo de
inspeccin. Esto tambin es llamado por varios autores de
Inspeccin de Datos Intervalar.
Datos Censurados a Izquierda

Datos censurados a Izquierda son situaciones donde el tem es
encontrado en estado de falla solamente despus un cierto perodo
de tiempo, y tambin es desconocido el momento exacto de la falla.
Regla del Pulgar con Relacin a los

Datos de Intervalo
Alguien puede afirmar que todos los tipos
de Datos son Datos en intervalo.
Nosotros trataremos los datos como
datos en intervalo cuando el perodo de
observacin sea mayor que el del perodo
requerido como resultado.
Si el resultado deseado es en meses y mis
datos estn en meses entonces,
consideraremos el conjunto de datos como
datos completos.
Si el resultado deseado es en das y mis

datos estn en meses, entonces nosotros
consideraremos el conjunto de Datos como
datos de intervalo.
Ploteando las Probabilidades de Datos

Censurados (Suspensin)
Cuando utilizamos el Anlisis de regresin
para considerar el hecho de que tems no
fallaron, o quedaron en suspensin,
necesitamos ajustar su probabilidad de
falla, o desconfiabilidad (lo que fue
computado utilizando la categora
mediana).
una metodologa, basada en la metodologa

de Leonard Johnson ser mostrada a
continuacin.
Plotando la Probabilidad de Datos

Censurados a Derecha (Suspensin)
Para ilustrar mejor esta metodologa,
consideremos el ejemplo siguiente, donde
cinco tems fueron ensayados y se obtuvo
tres fallas y dos suspensiones.
Item Number State, Life of item,
(Position) F or S cycles
1 F1 5,100
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000
Ploteando la Probabilidad de Datos

En esta secuencia, F1 es la primera de
cinco fallas.
Item Number State, Life of item, Failure
(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000

Surgen algunas dificultades cuando
intentamos realizar el calculo para
determinar el nmero de fallas restante de
los tems.
Item Number State, Life of item, Failure
(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000 ?
4 S2 22,000
5 F3 40,000 ?

El Nmero actual de Orden de falla (o posicin) de la
segunda falla F2, es una incgnita. Ella podra ser de
posicin 2 o de posicin 3.
Si S1 no hubiese sido retirado del ensayo en 9.500 h, es
posible que hubiera podido operar con xito mas all de las
15.000 h y por lo tanto, F2 quedara en la posicin 2.
Por otro lado, S1 tambin podra haber fallado antes de
15.000 h, y en este caso F2 quedara en la posicin 3.
As, el Nmero de Orden de falla F2 estar en algn lugar
entre 2 y 3.

Para determinar los valores de orden, primero listamos todas
las secuencias de posibilidades de las fallas. En todos los
casos F1 ser la primera observacin, siempre que ella
ocurra primero. Nosotros podemos encontrar una cantidad
de diferentes posibilidades en que la falla F2 puede ocurrir,
Nmero de Orden 2 (posicin 2) o Nmero de Orden 3
(posicin 3). Estas posibilidades son listadas en las
siguientes tablas.
F2 in Position 2 F2 in Position 3
1 2 3 4 5 6 1 2
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 F2 F2 F2 F2 S1 S1
S1 S2 F 3 S 1 S2 F3 F2 F2
S2 F 1 S1 F 3 F 3 S2 S2 F3
F3 S3 S2 S 2 S1 S1 F3 S2

Se puede ver que la falla F2 puede ocurrir en la
segunda posicin de seis maneras diferentes, y en
la tercera posicin de dos maneras diferentes.
La posicin mas probable es la media de estos
posibles caminos, o la Media del Nmero de Orden
(MON), dada por:
(6 2) + (2 3)
F2 = MON 2 = = 2.25
6+2

Utilizando la misma lgica, la tercera falla puede ser
localizada en la Posicin 3, 4 5, como muestran las tablas
siguientes.
F3 in Position 3 F3 in Position 4 F3 in Position 5

1 2 1 2 3 1 2 3
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 S1 F2 F2 S1 F2 F2
F3 F3 F2 S1 S2 F2 S1 S2
S1 S2 F3 F3 F3 S2 S2 S1
S2 S1 S2 S2 S1 F3 F3 F3
entonces, la Media del Nmero de Orden de la tercera falla

F3, ser:
(2 3) + (3 4) + (3 5)
MON 3 = = 4.125
2+3+3

Una vez que la Media del Nmero de Orden para cada falla es
establecida, usted entonces necesitar obtener posiciones
de la categora mediana para las fallas en la Media del
Nmero de Orden. Simplificando, usted debe obtener la
Categora Mediana de los Nmeros de Orden 1, 2.25 y 4.125
para una muestra de tamao 5, como muestra la tabla abajo.
Plotting Positions for the Failures (Sample Size = 5)

Failure Number MON Median Rank Position (%)
1 : F1 1 13%
2 : F2 2.25 36%
3 : F3 4.125 71%

99.000
Probability-Weibull
Data 1
Weibull-2P
RRX SRM MED FM
Data Points
Susp Points
Data Line
90.000
Unreliability, F(t)
50.000
Name
Company
8/8/2005
10.000 10:41:48 AM
1000.000 10000.000 100000.000
Time, (t)
=1.0627, =3.2508+4, =0.9999
Errores del Mtodo de Ajuste del Rank

An cuando este mtodo de ajuste sea el mas
utilizado en el Anlisis de Datos suspendidos, nos
gustara de indicar algunos de los posibles errores
que pueden ocurrir con el.
Como se puede percibir, solamente la posicin en que la
falla ocurri es tomada en cuenta en los clculos, y los
tiempos exactos de suspensin no son considerados.
Esta metodologa nos dara exactamente el mismo
resultado para el Caso 1, como para el Caso 2 que
veremos a continuacin.

Case 1 Case 2
Item State*, Life of item, Item State*, Life of item,
number F or S hr number F or S hr
1 F1 1, 000 1 F1 1, 000
2 S1 1, 100 2 S1 9, 700
3 S2 1, 200 3 S2 9, 800
4 S3 1, 300 4 S3 9, 900
5 F2 10, 000 5 F2 10, 000
*F - Failed, S - Suspended. F - Failed, S - Suspended.
obtenemos la misma Media de los Nmeros de

Orden en ambos casos y, por lo tanto, los resultados
de la categora mediana sern los mismos.
Sin embargo, los resultados MLE sern diferentes.

Este tipo de error es significativo cuando el
nmero de fallas es pequeo y el nmero de
suspensiones es grande y no uniformemente
distribuidos entre las fallas, como en estos datos.
En casos como este, lo recomendable es utilizar el
mtodo del estimador de la mxima verosimilitud
(MLE), en vez del mtodo de los mnimos
cuadrados, dado que la mxima verosimilitud no
lleva en consideracin las categoras o posiciones
de ploteado, sino que por el contrrio, ella utiliza

cada tiempo hasta la falla o suspensiones.

La Funcin Verosimilitud Completa

despus completada el Anlisis de diferentes tipos de datos,
la funcin de verosimilitud (sin la constante) puede ser
expresada ahora en su forma completa.
R M
L = f (Ti ; 1 , 2 ,..., k ) 1 F ( S j ; 1 , 2 ,..., k )
i =1 j =1
P
( ) ( )
F I li ; 1 , 2 ,..., k F I li1 ; 1 , 2 ,..., k

l =1
donde L L(1, , k|T1, ,TR, S1, , SM, I1, , IN)

Regla del Pulgar para Escoger el Mtodo de

Anlisis
Use el Mtodo de la Regresin (RRX)
Datos Completos y pequeas muestras.
Use MLE
Grandes cantidades y/o mezclados con
censura
Grandes muestras (30+ fallas)
Ejemplo de Datos en Intervalos

Sea Water Acetic Acid Test (SWAAT)
10 Headered Tube & Center Condensers
Duracin del ensayo: 30 das
SWAAT Desempeo y Anlisis de
Confiabilidad Requerida: R (15 das) = 90%
o B10 de 15 das
Condiciones del ensayo SWAAT

Cure/Dry Duration Condenser properly cured for minimum
duration of 2 weeks prior to test
Charge Conditions Sealed and charged to 1379 kPa [200
psi] with dry nitrogen
SWAAT Test Conditions Refer to ASTM Standard Practice G85
Annex A3 and ASTM Test Method
G-43-75
Glacial Acetic Acid Concentration 10.34 mol/L [39.14 mol/gal]
Sea Water Concentration 53.9 kg/m 3 [0.45 lb/gal]
Cabinet Temperature 49 C [120.2 F]
Charge Monitoring Monitor for charge loss either manually
or automatically
Charge Monitoring Duration Intervals not exceeding 24 hours

(exceptions may include holidays and

weekends)
Charge Loss Action Unit should be recharged to determine
if the condenser has the ability to hold
a charge
Test Duration Until failure or 30 days (whichever
comes first) unless otherwise directed
by the engineer
Monitoreando el ensayo SWAAT

tems son chequeados manualmente a las
8:00 de la maana, en da til.
Si la presin de nitrgeno cae abajo de la
inicial (200 psi), el tem es removido del
ensayo.
El tem es removido para verificar s el
condensador an cumple su funcin.
Si el condensador removido no cumple su

funcin, ser considerado en falla.

Eventos del ensayo SWAAT

Inicio del ensayo: martes, 31 de agosto de 1999.
tem #2 encontrado con falla el martes, 14 de
septiembre.
tem #4 encontrado con falla el mircoles, 15 de
septiembre.
tem #5 removido por Anlisis metalrgico el
viernes, 24 de septiembre.
tems #6 & #10 encontrados con falla el lunes, 27
de septiembre.
ensayo suspendido el jueves, 30 de septiembre.

Start
#2 Found Failed #4 Found Failed

#5 Removed
#6 & #10
Found Failed
End
194
Entrada de Datos en Weibull++

Resultados de Confiabilidad
Analizando con el MLE,
obtenemos una Confiabilidad,
para 15 das, de :
91.1%
RESULTADO DENTRO DE
ESPECIFICACIONES
La metodologa MLE debe ser
utilizada, porque el mtodo de
Anlisis de regresin no
contabiliza completamente las

suspensiones cuando los
valores de tiempo son
mayores que el mayor valor de
tiempo de falla.
Datos de Mortalidad Humana

State Age State Age State Age
S 23 S 39 S 74
S 25 S 40 F 75
S 27 S 41 F 77
S 28 S 41 F 78
S 29 S 41 F 82
S 29 S 43 F 88
S 29 F 46
S 31 F 51
S 34 S 52 Legend
F 35 S 53 S Alive
S 36 F 54 F Deceased
S 36 S 54
S 36 S 55
S 37 S 55
F 38 F 58
S 38 S 59
S 38 F 61
S 39 S 63
S 39 F 64
S 39 F 68
S 39 F 69
S 39 F 72
HmMortality.rw6

1 t
t

f (t ) = e

t
f (t ) = e
1 t 2
1
1 ln(t ) 2 2
1
2
f (t ) = e
f (t ) = e 2

t 2
Usando el Modelo Weibull

99.00

t

F (t ) = 1 e
90.00
50.00
Unreliability, F(t)
10.00
5.00
Weibull
Data 1
W2 RRX SRM MED

F=16 S=34
1.00
10.00 100.00
Time, (t)
Data 1 =5.1754, =74.0855, =0.9956

Modelo Weibull
Reliability vs Time
1.00 Weibull
Data 1
W2 RRX SRM MED ReliaSoft's Weibull++ 6.0 - www.Weibull.com

F=16 S=34 Unreliability vs Time Plot
1.00
0.80
0.80
0.60
Unreliability, F(t)=1-R(t)
0.40 0.60
0.20 0.40
0 0.20
0 20.00 40.00 60.00 80.00 100.00
Time, (t) Weibull
Data 1
Data 1 =5.1754, =74.0855, =0.9956
W2 RRX SRM MED
F=16 S=34
0
0 20.00 40.00 60.00 80.00 100.00
Time, (t)
Data 1 =5.1754, =74.0855, =0.9956

Modelo Weibull
0.25
0.20
0.15
0.10
0.05
Weibull
Data 1
W2 RRX SRM MED

F=16 S=34
0
0 20.00 40.00 60.00 80.00 100.00
Time, (t)
Data 1 =5.1754, =74.0855, =0.9956

Clculos de Confiabilidad
Probabilidad de que
una persona vivir
hasta los 60 aos:

t

R (t ) = e
71.48%
Vida Media* 68.15

T = t f (t )dt
0
1
T = + 1

con 90% Intervalos
de Confianza
*Based on this sample data set.

Outros Resultados
Probabilidad de que una persona con 40 aos de
edad sobrevivir un ao mas (hasta 41 aos )
99.44%.

T +t

e
R (T , t ) =
T

e
Por lo tanto, el premio para un ao

en el caso de ser humanos con 40

aos de edad podra ser 0,56% del
valor de la pliza para mantener el
equilibrio financiero (break even).
en otras palabras, podra ser
cobrado $560 en el ao ($46,60 por
mes) para una pliza de 100.000.
Modelando Componentes de fallas

Se asume informaciones de
falla/reparacin para una flota de 10
camiones que estn siendo monitoreados y
registrados.
Ms an, suponga que un componente simple
es de inters.
T ruck Ev e nt M ile age M ile s-to-failure M ile s w/out Failure
First Replacement 62874 62874
1 Sec ond Replacement 95777 32903

Current Mileage 113266 17489

4
Sec ond Replacement 57760 9760
5
Third Replacement 83538 25778
6
7
Sec ond Replacement 66446 20432
9
10
T ruck Event Mileage Miles-to-failure Miles w/out Failure

1 Second Replacement 95777 32903
4
Second Replacement 57760 9760
5
6
7


Second Replacement 66446 20432
9
10
Obteniendo un Conjunto de
Datos de Vida
Camin 1:
falla con 62.874 millas.
Operando sin fallas: 17.489 millas.
camin 2:

Operando sin fallas: 42.834 millas.

Y, entonces..
State Mileage
S 2,220 Legend
S 3,528 S Operation w/out Failure
F 5,811 F Failure
F 9,760
S 13,061
F 14,563
S 17,489
F 20,432
F 24,589
F 25,778
F 28,020
F 28,234
F 31,017
F 32,903
F 33,094
S 36,181
S 38,414
F 42,141
S 42,834
F 46,014
F 48,000
F 62,874 Data 1 =6.0000, =10000.0000, =0
F 65,165
Time, (t)
0 4000.00 8000.00 12000.00 16000.00 20000.00
0
0.20
S 65,489 0.40
)t(F-1=)t(R ,ytilibaileR
S 72,047 0.60
0.80
F 74,354 1.00
Reliability vs Time
F=0
W2
Data 1
Weibull
RRX
S=0
SRM MED
F 86,432
S 110,401
208
Truck Data.rw6
Entrada de Datos en el Software
Weibull++

2.00E-5

1 t
t

f (t ) = e

1.60E-5 = 1.6
= 57,505
1.20E-5
f(t)
8.00E-6
4.00E-6
Weibull
Data 1
W2 MLE SRM MED

F=18 S=10
0
0 40000.00 80000.00 120000.00 160000.00 200000.00
Time, (t) Pantelis
ReliaSoft
Data 1 =1.5937, =5.7505+4 2/28/2003 09:04

6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00
90.00
50.00
Unreliability, F(t)
10.00
5.00
Weibull
Data 1
W2 MLE SRM MED

F=18 S=10
1.00
1000.00 10000.00 100000.00 1000000.00
Time, (t) Pantelis
ReliaSoft
Data 1 =1.5937, =5.7505+4 2/28/2003 09:05
Cuestiones Bsicas
Probabilidad de falla/xito en cualquier
tiempo.
Confiabilidad:
10.000 = 94.3%
20.000 = 83%

50.000 = 44.92%
Millas Mdia hasta la falla = 51.567

Millas Mediana hasta la falla = 45.690

Proyeccin de fallas
un resultado de inters puede ser la
proyeccin del nmero esperado de fallas
de un componente de la flota, para un
perodo de tiempo futuro, dado el millaje
actual de la flota.
La Probabilidad Condicional puede ser
utilizada para determinar la probabilidad de
fallas de cada componente, dado su millaje
actual.
Basado en el modelo ajustado Weibull.
Proyeccin de fallas (cont.)

Dada las millas actuales de la flota, cuantas
fallas mas debera esperar para las 10.000
millas siguientes?
camin 1
Millaje actual del componente: 17.489.
Probabilidad de falla del componente para las 10.000
millas siguientes = 0.1465%.

T +t

e
R (T , t ) =
T


e

17 , 489 +10 , 000

e
= = 0.8535
17 , 489

e
Proyeccin de la Flota
Current Conditional
Truck
Mileage Prob. of Failure
1 17489 0.146492296
2 42834 0.219898901
3 38414 0.208969512
4 110401 0.342328013
5 2220 0.076085267
6 72047 0.280826757
7 65489 0.268518869
8 3528 0.084178763
9 36181 0.203214765
10 13061 0.129693571
1.960206716
216
Intervalos de Confianza
(Limites de Confianza)
Break Point

Que es Intervalo de Confianza?

El intervalo de confianza presenta una estimacin
del rango de valores que probablemente pueden
contener el parmetro desconocido de la
poblacin. El intervalo estimado es calculado a
partir de un conjunto de datos de la muestra.
Si las muestras son tomadas independientemente una de
otras, de la misma poblacin y para el intervalo de confianza
calculado para cada muestra, entonces con un determinado
porcentaje de certeza (nivel de confianza) el intervalo
contendr el parmetro estimado.
La amplitud del intervalo de confianza nos da una idea

sobre la incertidumbre del parmetro desconocido.

Un intervalo muy grande indica que se necesita recolectar
mas datos antes de tomar cualquier decisin sobre los
parmetros.
Que es el Intervalo de Confianza?

El Intervalo de Confianza nos da un
intervalo de valores reales para un
parmetro desconocido.
Los Limites de Confianza son las fronteras
para los intervalos de confianza, es decir,
los valores que definen el intervalo para los
limites de confianza.
Que es el Intervalo de Confianza?

Los Limites de Confianza generalmente son
definidos como:
Unilateral (One sided)
Bilaterales (Two sided)

Estimando los Parmetros Utilizando

muestras de Diferentes Tamaos
En este ejemplo, utilizando el mtodo Monte Carlo,
generamos 1000 datos para cada tamao de
muestra (3, 10, 100 y 1000) a partir de la
distribucin Weibull con = 1.5 y = 100.
Para cada tamao de muestra, los 1000 conjuntos
de datos generados fueron analizados y sus
resultados ploteados en el grfico siguiente.
Tamao de la muestra = 3
Nmero de Simulaciones = 1000
Weibull Probability Plot
99.9
Weibull Dist.
MLE
Runs=1000
Samples=3
=1.5
90 =100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
99.9
Weibull Dist.
MLE
Runs=1000
Samples=10
=1.5
90 =100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable

99.9
Weibull Dist.
MLE
Runs=1000
Samples=100
=1.5
90 =100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable

99.9
Weibull Dist.
MLE
Runs=1000
Samples=1000
=1.5
90 =100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
Grfico de Probabilidad para Distribucin

Weibull
99.9
Weibull Dist.
MLE
Runs=1000
Samples=10
=1.5
90 =100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
Limites Bilaterales (Two-Sided

Bounds)
Cuando utilizamos los limites (o intervalos) de
confianza bilaterales, estamos observando donde
la mayora de la poblacin est situada.
Por ejemplo, cuando utilizamos 90% bilateral (two-
sided), estamos diciendo que 90% de la poblacin est
entre X e Y con 5% menor que X y 5% mayor que Y.
X Y
90%
5% 5%
Limites Unilaterales (One-sided Bounds)

cuando usamos los intervalos
unilaterales, estamos observando el
porcentaje mayor o menor (superior
o inferior) en un cierto punto X.
Por ejemplo, 95% unilateral significa
que 95% de la poblacin es mayor
que X, siendo X el limite inferior, o
95% de la poblacin es menor que
X, siendo X el limite superior.
cuando estimamos la Confiabilidad,
frecuentemente nos preocupamos si
la Confiabilidad es mayor que la

estimada solamente nos

preocupamos con el limite inferior.
entonces, tenderemos a utilizar el
limite unilateral inferior.
228
Limites Unilaterales (cont.)

Observaciones
Los Lmites Bilaterales (two-sided) significan que,
dado un nivel de confianza, el valor real estar
entre estos lmites (X% del tiempo).
Mientras que en el lmite unilateral inferior
tendremos X% de certidumbre que el valor es
mayor del que la lnea lmite ploteada, y en el caso
del lmite unilateral superior tendremos X% de
certidumbre que el valor es menor que la lnea
limite ploteada.
Limites de Confianza Matriz de Fisher
Esta seccin presentar una visin general de la

teora involucrada en la obtencin de los limites de
confianza con Datos suspendidos (censuras
mltiples).
La metodologa utilizada es denominada Matriz de
Fisher, descrita en Nelson y Lloyd & Lipow.
Estos limites son utilizados en muchas
estadsticas y paquetes de Anlisis de Datos de
vida, tal como los aplicativos de la Reliasoft.
En general, estos limites tienden a ser mas

optimistas (apretados) que los limites de la beta-
binominal no paramtrica o de la verosimilitud.
Limites de Confianza del tiempo (Tipo 1)

Estos son los limites de confianza considerando el tiempo. Por
ejemplo, cuando utilizamos la distribucin exponencial con dos
parmetros, el tiempo correspondiente a un dado percentil
Exponencial (ex: ordenada y o desconfiabilidad, Q = (1 R)) es
determinada por medio de la resolucin de la funcin
desconfiabilidad para el valor T, o:
1
T (Q) = [ ln(1 Q)]

Limites del tipo 1 son utilizados cuando se quiere leer los
valores en el eje X (ej: dado un valor de desconfiabilidad

correspondiente al tiempo).
Limites de Confianza del tiempo (Tipo 1)

(cont.)
Probability Plot
99.00
Type 1 (Time)
90.00
50.00
Unreliability, F(t)
Uncertainty
10.00
5.00
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza de la Confiabilidad

(Tipo 2)
Estos son los limites de confianza considerando la
Confiabilidad. Por ejemplo, cuando utilizamos una
distribucin exponencial con dos parmetros, la funcin
Confiabilidad es:
R(T ) = e (T )
Los limites del tipo 2 son utilizados cuando queremos leer

los valores en el eje Y (dado un valor de tiempo

correspondiente a la desconfiabilidad).
Limites de Confianza de la Confiabilidad

(Tipo 2) (cont.)
Probability Plot
99.00
90.00
Type 2 (Reliability)
50.00
Unreliability, F(t)
10.00
Uncertainty
5.00
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza de la Confiabilidad y

del tiempo (Tipos 1 y 2)
Probability Plot
99.00
90.00 Type 2 (Reliability)
50.00
Unreliability, F(t)
10.00
5.00
Type 1 (Time)
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza Beta Binominal

Una aproximacin no-paramtrica para los clculos del
intervalo de confianza involucra el uso de tablas de categora
(conocidas como limites de la beta-binominal).
Recordando la discusin de la categora mediana donde
utilizamos la ecuacin binominal para calcular la categora
para el nivel de confianza de 50% ( o medios), por la
resolucin de la distribucin acumulada de la binominal para
Z (categora de la j-sima falla j), resulta:
N
N k
P = Z (1 Z ) N k
k= j k
donde N es el tamao de la muestra y j el nmero de orden.


(cont.)
La categora mediana fue obtenida por la resolucin, para Z,
de la ecuacin:
N
N k
0.50 = Z (1 Z ) N k
k= j k
Repitiendo la misma metodologa, pero alterando el valor P

de 0.50 (50%) para el nivel de confianza deseado. Para P=90%
formularamos la ecuacin como:
N
N k
0.90 = Z (1 Z ) N k
k= j k

(cont.)
Utilizando esta metodologa, con las categoras
apropiadas, dependiendo de los niveles de
confianza deseados, podemos obtener y plotear
los puntos.
Estos puntos son unidos por una leve curva para
obtener as los limites de confianza.
Esta metodologa no-paramtrica es utilizada
solamente por el software cuando ploteamos los
limites de confianza para la distribucin Weibull
mixta.
Las ecuaciones binominales pueden ser

nuevamente transformadas utilizando el beta y la
distribucin F, por eso el nombre de limites de
confianza beta-binominales.
Limites de Confianza Razn de

Verosimilitud
Un tercer mtodo para calcular los limites de
confianza es el mtodo de la razn de verosimilitud
(Likelihood Ratio LR).
Conceptualmente, este mtodo es mas simple que
el mtodo de Matriz de Fisher, pero exige mucho
mas clculos computacionales y el tiempo
necesario para el ploteado es mucho mayor.
Los limites de confianza de la razn de
verosimilitud (LR) tiende a ser mas conservador

que el mtodo de la Matriz de Fisher (FM), y el
mtodo LR es ms adecuado que el mtodo de la
FM en situaciones donde hay muestras menores.
La Razn de verosimilitud- LR
L( )
2 ln ) x ;k
2
L( )
donde:
L() : Funcin Verosimilitud para el parmetro vectorial desconocido , ,
L() : Funcin Verosimilitud calculada para el vector estimado

Qui-cuadrada con y k grados de libertad, donde k es el nmero de

x2 ;k : uniones
estimadas.
Si es el lmite de confianza, entonces = para los lmites bilaterales, y

= (2.-1) para los lmites unilaterales.
La Relacin de verosimilitud (cont.)

El trmino,
L( )
)
L( )
Es la proporcin entre la funcin verosimilitud de los parmetros
an no determinados, con la funcin verosimilitud de los
parmetros estimados para los datos en cuestin.
El valor del denominador de la funcin verosimilitud es conocido; el
valor del numerador de la funcin verosimilitudes es

desconocido.
O valor de la relacin de verosimilitud puede ser manejado por
medio de la variacin de los valores de los parmetros del
numerador para satisfacer la desigualdad.
Ploteo de Contorno
Para distribuciones con dos parmetros, f(t|1,2), la
desigualdad puede ser representada grficamente en dos
dimensiones, por el grfico de contorno.
Example Contour Plot
2.50
2.00
1.50
2
1.00
0.50
0
0 1.00 2.00 3.00 4.00 5.00
1
Limites de Confianza de los Parmetros
Escogiendo el nivel de confianza en el termino de la qui-

cuadrada, los limites de confianza de los parmetros pueden
ser determinados por los bordes del grfico de contorno.
Observe que no existe ecuacin cerrada.
Weibull Parameter Contour Plot

4.5
u
4
3.5
3
2.5
Beta
1.5
1
L
0.5
L u
0
20 25 30 35 Eta 40 45 50 55
Ploteo de Contorno (cont.)

Los grficos de contorno pueden ser utilizados para comparar
conjuntos de datos. Considere dos conjuntos de datos, el proyecto
antiguo y el nuevo, en que los ingenieros desean determinar si los
dos proyectos son significativamente diferentes, y cual es el nivel
de confianza.
Por el ploteo del grfico de contorno para uno de los conjuntos de
datos, en el multiple plot (se debe escoger la misma distribucin
para ambos conjuntos de datos), podemos determinar s existen
diferencias significativas, con limites de confianza, entre los dos
conjuntos. Si, por ejemplo, no existe superposicin (no hay
interseccin entre los dos ploteos) entre los dos contornos a 90%
de confianza, entonces los conjuntos de datos son
significativamente diferentes entre si, con 90% de confianza.

Si hay una superposicin entre los dos contornos de 95%, entonces

los dos proyectos no son significativamente diferentes para un
limite de confianza de 95%.
Ploteo de Contorno (cont.)

Contour Plot
370.00
Normal
Data 1
N2 RRX - SRM MED
F=5 / S=0
Data 2
N2 RRX - SRM MED
F=5 / S=0
297.40
: 90%
224.80
Sigma
152.20
79.60
User's Name
Company
7.00 10/15/00 16:09
0 100.00 200.00 300.00 400.00 500.00
Mean
1=300.00, 1=181.67, =1.00

2=30.00, 2=18.17, =1.00
Limites de Confianza para el tiempo y la

Confiabilidad
El mtodo para determinar los limites de
confianza de la relacin de verosimilitud
para el tiempo (Tipo 1) y la Confiabilidad
(Tipo 2) es muy similar al utilizado para
determinar los limites de los parmetros.
Para determinar los limites Tipo 1 o Tipo 2,
la ecuacin de la verosimilitud debe ser
reescrita con el trmino del tiempo o de la
Confiabilidad y uno de los parmetros.

Intervalo Bayesiano
Asumiendo que se tiene un conocimiento previo
sobre la Confiabilidad del tem
Basado en datos histricos, experiencia de un ingeniero o
bien de la organizacin.
Expresada generalmente bajo parmetros de un modelo
En el Weibull++, las Prioris no-Informativas son asumidas
para los parmetros
Esta consideracin para generar la distribucin a
posteriori es procesada usando el teorema de Bayes
Y la distribucin a posteriori de los parmetros es

manipulada para encontrar la distribucin del valor de
inters
La matemtica necesaria, esta mas all del alcance
de esta presentacin
N=10, F=10
FM vs. LR vs. BSN
99.000
Probability-Weibull
CB@90% 2-Sided [R]
CB Example\BSN
90.000 Weibull-2P
MLE SRM MED BSN
Data Points
Data Line
Top CB-II
Bottom CB-II
CB Example\FM
Weibull-2P
50.000 MLE SRM MED FM
Data Points
Data Line
Top CB-II
Bottom CB-II
Unreliability, F(t)
CB Example\LRB
Weibull-2P
MLE SRM MED LR
Data Points
Top CB-II
Bottom CB-II
BSN
10.000
5.000 FM
LRB
Name
Company
8/8/2005
1.000 1:34:46 PM
10.000 100.000 1000.000
Time, (t)
CB Example\BSN: =2.5408, =109.0877
CB Example\FM: =2.5408, =109.0877
CB Example\LRB: =2.5408, =109.0877
N=100, F=100 FM vs. LR vs. BSN

99.900
Probability-Weibull
CB@90% 2-Sided [R]
CB Example\BSN
Weibull-2P
90.000 MLE SRM MED BSN
Data Points
Data Line
Top CB-II
Bottom CB-II
50.000 CB Example\FM
Weibull-2P
MLE SRM MED FM
Data Points
Data Line
Top CB-II
Bottom CB-II
Unreliability, F(t)
CB Example\LRB
Weibull-2P
10.000 MLE SRM MED LR
Data Points
Top CB-II
5.000 Bottom CB-II
BSN
FM
1.000
LRB
0.500
Name
Company
8/8/2005
0.100 1:39:55 PM
1.000 10.000 100.000 1000.000
Time, (t)
CB Example\BSN: =2.2440, =98.9826
CB Example\FM: =2.2440, =98.9826
CB Example\LRB: =2.2440, =98.9826
Orden de preferencia para los mtodos de

intervalo de confianza para muestras pequeas
Bayesian
Likelihood Ratio
Fisher Matrix
Non-Parametric (Binomial)
LDA: Anlisis Adicionales

Observando los camiones individualmente:
Los camiones 5 y 9 tuvieron, cada uno, tres
fallas, mientras que todos los otros camiones
tuvieron dos fallas solamente.
Esto es significativo?
Los componentes de estos camiones exhiben
diferentes caractersticas de fallas?
Existen otros mtodos no grficos para responder a esto (nosotros

no hablaremos de ellos, solo se menciona que existen).
Camiones 5 y 9

6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
Truck5
90.00 W2 RRX SRM MED

F=3 S=1
Truck9
W2 RRX SRM MED

F=3 S=1
50.00
Unreliability, F(t)
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
Truck5 1=1.1551, 1=3.3918+4, =0.9989

Truck9 2=2.4966, 2=3.8250+4, =0.9496
Poblacin, 5 y 9

6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
ALL
90.00 W2 MLE SRM MED

F=18 S=10
Truck5
W2 RRX SRM MED

F=3 S=1
50.00 Truck9
W2 RRX SRM MED

Unreliability, F(t)
F=3 S=1
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
ALL 1=1.5936, 1=5.7505+4

Truck5 2=1.1551, 2=3.3918+4, =0.9989
Truck9 3=2.4966, 3=3.8250+4, =0.9496
Camiones 5 y 9 con I.C.


6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00
90.00
50.00
Unreliability, F(t)
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
Camiones 5 y 9: Grfico de Contorno

Contour Plot
8.00
6.49
9
4.98
Beta
5
3.47
1.96
0.45
9440.00 33640.00 57840.00 82040.00 106240.00 130440.00
Eta
Poblacin 5 y 9: Grfico de Contorno

Contour Plot
8.00
6.49
9
4.98
5
Beta
3.47
P
1.96
0.45
9440.00 33640.00 57840.00 82040.00 106240.00 130440.00
Eta
LDA: Anlisis Adicionales

Reparaciones Efectivos:
La vida del componente es la misma para diferentes
ciclos de reparos?
Reparacin perfecta?
El proceso de reparacin/reposicin afecta la vida del
componente?
Truck State 1st State 2nd

1 F 62,874 F 32,903
2 F 33,094 F 31,017
3 F 5,811 F 42,141
4 F 74,354 S 110,401
5 F 48,000 F 9,760
6 F 28,234 S 72,047
7 F 14,563 S 65,489
8 F 28,020 F 86,432
9 F 46,014 F 20,432
10 F 65,165 S 13,061

6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
Rep1
90.00 W2 RRX SRM MED

F=10 S=0
Rep2
W2 RRX SRM MED

F=6 S=4
50.00 ReliaSoft's Weibull++ 6.0 - www.Weibull.com
Contour Plot
4.00
Unreliability, F(t)
Weibull
Rep1
W2 RRX SRM MED

F=10 S=0
Rep2
10.00 3.30
W2 RRX SRM MED
F=6 S=4
5.00 Level 1 : 90%
2.60
Beta
1.00
1000.00 10000.00 100000.00

1.90
Time, (t)
Rep1 1=1.4609, 1=4.7112+4, =0.9772

Rep2 2=1.3866, 2=6.5134+4, =0.9809
1.20
0.50
27390.00 74560.00 121730.00 168900.00 216070.00 263240.00
Eta
Rep1 1=1.4609, 1=4.7112+4, =0.9772

Rep2 2=1.3866, 2=6.5134+4, =0.9809
259
distribucin Weibull
Break Point

Funcin Densidad de Probabilidad Weibull
La distribucin Weibull es una de las

distribuciones mas utilizadas en la
Ingeniera de la Confiabilidad, debido a su
capacidad de cambiar de forma
dependiendo de la variacin del valor del
parmetro de forma .
ella puede modelar una gran variedad de
datos y caractersticas de vida.

La distribucin Weibull
La pdf de la distribucin Weibull con tres parmetros es dada por:

1 T
T
f (T ) = e

donde:
= parmetro de escala (tambin denominado vida caracterstica),
= parmetro de forma (o inclinacin),
= parmetro de localizacin (tambin denominado vida mnima).
Se = 0, entonces la pdf de la distribucin Weibull de dos
parmetros es dada por:


1 T
T
f (T ) = e

Analizando
Beta, , es el parmetro de forma o
inclinacin (en el papel de probabilidad
Weibull) de la distribucin Weibull.
Cambiando el valor de , la forma de la pdf
es alterada.
El parmetro es un nmero puro,
adimensional.
Weibull Reliability (1 - cdf) vs. Time with 0 < < 1, = 1, > 1
1.00
Efectos de
0.90
0.80
0.70
0.60
0.50
Weibull pdf with 0 < < 1, = 1, and > 1

0.40
0.0100
0.30
0.20
0.10
0 0.0080
0 100.00 200.00 300.00 400.00 500.00 600.00 700.00
Time, (t)
Weibull Failure Rate vs. Time with 0 < < 1, = 1, > 1

0.0200 0.0060
0.0180
f(t)
0.0160
0.0040
0.0140
0.0120
0.0100
0.0020
0.0080
0.0060
0.0040
0
0.0020 0 200.00 400.00 600.00 800.00 1000.00
Time, (t)
0
0 100.00 200.00 300.00 400.00 500.00 600.00 700.00
Time, (t)
Analizando
es el parmetro de escala de la distribucin Weibull, y tiene las
mismas unidades de T, como horas, millas, ciclos, actuaciones, etc.
0.0250 Weibull

P=2, A=MLE-S
F=100 | S=0
0.0200
P=2, A=MLE-S
F=100 | S=0

0.0150
P=2, A=MLE-S
f(t)
F=100 | S=0
0.0100
0.0050
0
0 80.0000 160.0000 240.0000 320.0000 400.0000
Time, (t)
[1] 1=3.0000, 1=50.0000

[2] 2=3.0000, 2=100.0000
[3] 3=3.0000, 3=200.0000
ReliaSoft Weibull++ 7 - www.weibull.com
Analizando
0.200
Data
Func Line

0.160
0.020
Data(1)
Func Line
0.120
0.016
f(t)
0.080
0.012
f(t)
0.040
0.008
Pantelis Vassilio
ReliaSoft
12/29/2004
0.000 10:47:02 AM
0.000 6.000 12.000 18.000
0.004 24.000 30.000
Time, (t)
=3.0000, =10.0000, =0
Pantelis Vassiliou
ReliaSoft
12/29/2004
0.000 10:47:07 AM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
=3.0000, =100.0000, =0
Ploteando Probabilidad: Ejemplo
Time-to- Median
failure, hr Rank, %
16 10.91
34 26.44
53 42.14
75 57.86
93 73.56
120 89.1
Analizando
es el parmetro de localizacin de la distribucin Weibull y tiene la
misma unidad de T.
El representa un desplazamiento en el eje-x, es decir, cambia el
punto de inicio de la distribucin para un valor diferente de cero.
Esto puede ser aplicable a otras distribuciones.
Positivo
un valor positivo para el parmetro de localizacin, , indica que las
fallas solo ocurrirn despus del tiempo equivalente a , en otras
palabras, hasta el tiempo la Confiabilidad es igual a 100%.
3-Parameter Reliability Plot
1.00
0.80
0.60
Reliability
0.40
0.20
0
Negativo
un valor negativo para el parmetro , indica que los tems poseen
una Confiabilidad menor que 100% para el tiempo igual a cero. Esto
puede ocurrir debido al mtodo utilizado para registrar el tiempo, o
puede indicar algn modo de falla que ocurre debido al transporte,
degradacin del tem por estar en stock, por cuestiones de
manufactura, etc.
3-Parameter Reliability Plot
1.00
0.80
0.60
0.40
0.20
0
0
Time, (t)
Ploteando la Probabilidad del Parmetro

de Localizacin,
El tercer parmetro de la distribucin Weibull es utilizado
cuando no es posible trazar una recta, y obtenemos un
desvo cncavo para abajo o para arriba. A continuacin
mostramos algunas consideraciones respecto del valor de :
Caso 1: si la curva para el MR v/s Tj es cncava para abajo y
la curva del MR v/s (Tj T1) es cncava para arriba, entonces
existe un tal que 0 < < T1 , o tiene un valor positivo.
Caso 2: si la curva para el MR v/s Tj y MR v/s (Tj T1) son
cncavas para arriba, entonces existe un negativo.
Caso 3: si no ocurre ninguno de los casos anteriores, o los

puntos no se adecuan a la pdf Weibull o el anlisis fue

realizado con una poblacin de datos donde hay fallas
mltiples (Weibull Mixta).
Ploteando Probabilidad (3P): Ejemplo

Seis tems idnticos, estn siendo probados en las
mismas condiciones de aplicacin y exigencia.
Todos los tems fallan durante el ensayo siguiendo
los siguientes nmeros de horas: 48; 66; 85;107;
125 y 152 horas.
Encuentre los parmetros de la distribucin
Weibull tres-parmetros usando el mtodo ploteo
de probabilidad.
Ploteando Probabilidad (3P): Ejemplo
17.26
Original Data
17.26
Adjusted for Gamma Data
17.26
distribucin Weibull con un Parmetro

La distribucin Weibull un-parmetro se obtiene con
= 0, y asumiendo = C = Constante = valor pr-conocido:
C
C 1 T
C T

f (T ) = e

donde el nico parmetro desconocido es el parmetro de escala, .

Note que esta formulacin de la Weibull un-parmetro asume que el

parmetro de forma es conocido a priori, para esta experiencia o

idntica o producto similar. La ventaja de esto es que se puede usar
con pocas o ninguna falla.
(Algunos autores lo denominan tambin de WeiBayes lo que implica
algn tipo de Anlisis Bayesiano. Esto no es necesariamente
correcto).
distribucin Weibull con un Parmetro

Supngase que usted quiere crear un grfico con informaciones de
la mortalidad humana.
Supngase que usted ha observado 10 personas con edad de hasta
45 aos y todos sus datos de vida.
ReliaSoft Weibull++ 7 - www.weibull.com ReliaSoft Weibull++ 7 - www.weibull.com
Reliability vs Time Plot Reliability vs Time Plot
1.000 1.000
Data(3) Data(3)
Func Line Func Line

Data Points Data Points
Susp Points Susp Points
0.800 0.800
0.600 0.600
0.400 0.400
0.200 0.200
Pantelis Vassiliou Pantelis Vassiliou

ReliaSoft ReliaSoft
12/29/2004 12/29/2004
0.000 10:56:30 AM 0.000 10:57:44 AM
0.000 800.000 1600.000 2400.000 3200.000 4000.000 10.000 48.000 86.000 124.000 162.000 200.000
Time, (t) Time, (t)
=0.0014 =6.0000, =78.0128
Exponential Model 1P Weibull Model (=6)

Weibull-Bayesiana
Aplicando el mtodo de Bayes en la distribucin
Weibull, se forma una estructura combinando la
informacin a priori sobre los parmetros con el
conjunto de datos, para realizar las inferencias
sobre el modelo.
La informacin a priori sobre los parmetros es
expresada en trminos de una pdf. La verosimilitud
de los datos se obtiene con L(,).
Entonces, el mtodo de Bayes, usando la

distribucin condicional de los parmetros dado el
conjunto de datos, entrega las informaciones
sobre los parmetros.
Weibull-Bayesiana
Esto se expresa como:

f (t | Data) = f (t , ) f ( | Data )d
0
donde:
L( , ) ( )
f ( | Data ) =

0
L( , ) ( )d
Weibull-Bayesiana
Ejemplo usando los datos a priori
Se asume que est disponible una informacin
a priori de los datos. La estimacin de los
parmetros de la Weibull, puede ser calculados
utilizando intervalos de confianza.
Los intervalos de confianza de los parmetros
puede ser utilizado para obtener la distribucin
de los parmetros.
278
Weibull-Bayesiana
279
Weibull-Bayesian
280
Weibull-Bayesiana
BSN Analysis.rwp
Weibull-Bayesiana
99.900
Probability-Weibull
CB@90% 2-Sided [T]
New
Weibull-Bayesian-2P
MLE MED MED BSN
Data Points
90.000 Data Line
Top CB-I
Bottom CB-I
50.000
Unreliability, F(t)
10.000
5.000
Name
Company
8/9/2005
4:41:52 PM
1.000
10.000 100.000 1000.000
Time, (t)
=0.8470, =0.1850, =56.7702
Mtodo Bayesiano v/s Mtodo Estndar

99.900
Probability-Weibull
CB@90% 2-Sided [T]
BSN Analysis\New
Weibull-Bayesian-2P
MLE MED MED BSN
Data Points
90.000 Data Line
Top CB-I
Bottom CB-I
STD Analysis\Data 1
Weibull-2P
RRX SRM MED FM
Data Points
50.000 Data Line
Top CB-I
Bottom CB-I
Unreliability, F(t)
10.000
5.000
Name
Company
8/9/2005
1.000 4:46:09 PM
10.000 100.000 1000.000
Time, (t)
BSN Analysis\New: =0.8470, =0.1850, =56.7702
STD Analysis\Data 1: =2.1753, =62.9813, =0.9844
Confiabilidad, R(t)

estadsticas Weibull T

R (T ) = e
tiempo, T(R) Condicional, R(T,t)

T + t

R(T + t ) e
T ( R) = + [ ln( R)]
1
R(T , t ) = =
R(T )

T

e
Media tasa de falla

1
1 T
MTTF = T = + + 1 (T ) =

La distribucin Weibull Mixta

99.99
90.00
50.00
10.00
Unreliability, F(t)
5.00
1.00
0.50
0.10
0.05
0.01
0.10 1.00 10.00 100.00 1000.00 10000.00
Time, (t)
La Confiabilidad y la pdf de la Weibull Mixta

Dependiendo de las sub-poblaciones escogidas, el aplicativo utiliza
las siguientes ecuaciones, para las funciones de Confiabilidad y
densidad de probabilidad:
i
T
S
Ni
R1 , 2 , 3 (T ) = i =1 N
e i
i
i 1 T
S
Nii T
f 1 , 2 , 3 (T ) =
Ni i
e i
i =1
donde S = 2, S = 3, y S = 4 para 2, 3 y 4 sub-poblaciones

respectivamente.
El problema para resolver los parmetros utilizando la regresin en
X o Y son algunos de los contenidos de esta seccin. Weibull ++
utiliza el mtodo de la regresin no lineal para alcanzar el resultado.
Weibull Mixta
0.005
Failure Rate
Data 1
Weibull-Mixed
RRX SRM MED FM
Func Line
0.004
0.003
0.003
0.002
Name
Company
8/9/2005
4:53:18 PM
0.001
0.000 120.000 240.000 360.000 480.000 600.000
Time, (t)
[1]=0.2000, [1]=100.0000, [1]=0.2500; [2]=1.0000, [2]=300.0000, [2]=0.5000; [3]=6.0000, [3]=600.0000, [3]=0.2500
287
Modos de Falla Competitivos

Modos de falla Competitivos

Frecuentemente, un grupo de productos fallar
debido a ms de un modo de falla. Los modos de
falla compiten entre s para generar la falla del
tem. Esto puede ser visto como un modelo de
sistema en serie, con cada bloque del sistema
representando un modo de falla. El mdulo
Competing Failure Modes analiza los modos de
falla separadamente y entonces combina los
resultados para proporcionar un modelamiento
completa del producto en cuestin.
Para comenzar el anlisis del conjunto de datos de

un modo de falla, primeo se debe hacer el anlisis

de cada modo de falla. Durante cada una de estos
anlisis, los tiempos de fallas para todos los otros
modos de falla que no estn siendo analizados son
considerados como suspensiones.
Modos de falla Competitivos (cont.)

Una vez terminado cada uno de los anlisis para cada modo de
falla, el resultado de la ecuacin de Confiabilidad para todos los
modos es el producto de la ecuacin de Confiabilidad de cada uno
de los modos, o:
R(t ) = R1 (t ) R2 (t ) ... Rn (t )
donde n es el nmero total de modos de falla considerados.

Este producto es vlido para la Confiabilidad de sistemas en serie,
con componentes con independencia estadstica, y la Confiabilidad
para un sistema en serie ser el producto de los valores de las

Confiabilidades de los componentes de este sistema.
Observe que Ri(t) es la funcin de confiabilidad basada en cualquier
supuesta distribucin de vida. En Weibull++, la distribucin de vida
puede ser la Weibull dos parmetros, la lognornal, la normal o la
exponencial con un parmetro.

En Meeker & Escobar, se da la tabla de tiempos
hasta la falla para un componente elctrico que
posee dos modos de falla.
Un modo de falla es debido a la cada aleatoria de
voltaje, lo que causa la falla por sobrecarga del
sistema (definido como V en la tabla). El otro modo
de falla se debe a las fallas por desgaste que
normalmente que ocurren solamente despus de
que el sistema funcione por muchos ciclos (este
modo de falla es definido como W en la tabla).
Considerando estos modos de falla, determine la

Confiabilidad total del componente en 100.000
ciclos.

Number Failure Failure Number Failure Failure
in State Time* Mode in State Time* Mode
1 2 V 1 147 W
1 10 V 1 173 V
1 13 V 1 181 W
2 23 V 1 212 W
1 28 V 1 245 W
1 30 V 1 247 V
1 65 V 1 261 V
1 80 V 1 266 W
1 88 V 1 275 W
1 106 V 1 293 W
1 143 V 8 300 suspended
*Failure times given are in thousands of cycles.
Modos de falla Competitivos(cont.)

Iniciaremos el anlisis de Weibull del modo de falla, caida de
voltaje (V). Para hacer esto debemos considerar todas las fallas de
desgaste como suspensiones.

Analizando los conjuntos de datos por el mtodo de la
mxima verosimilitud, (recomendado debido al nmero de
suspensiones), y asumiendo la distribucin Weibull,
obtenemos los parmetros:
V = 0.6711 and V = 449.4.
La confiabilidad para este modo de falla en t = 100 es
RV(100) = 0.694.
Seguimos el mismo procedimiento para el modo de falla por
desgaste, contando solamente las fallas W, y asumiendo
como suspensiones las fallas V, como se muestra a
continuacin.
Verso: 1.02 Language/Region: Spanish Modos de falla Competitivos (cont.)

una vez mas, analizando con la distribucin Weibull y el estimador de la

mxima verosimilitud, obtenemos los parmetros W = 4.337 y W = 340.4.
La Confiabilidad para este modo de falla en t = 100 es RW(100) = 0.995.

Ahora podemos, utilizar la ecuacin de Confiabilidad del
sistema, para determinar la Confiabilidad total de ste, hasta
100.000 ciclos:
Rsys (100) = RV (100) RW (100)

= 0.694 0.995
= 0.69053
La confiabilidad de la unidad (o sistema) que est sujeto a

ambos modos de falla es 69.053%.
Interpretacin de los Parmetros de la

Weibull
Se tiene considerado incluir una pequea bomba de vaco en
un gran sistema que est en desarrollo.
Diez de las bombas son separadas para un ensayo de
Confiabilidad. Los resultados sern usados para la
realizacin de un Anlisis de Confiabilidad del sistema en el
software BlockSim de la Reliasoft.
Los resultados del ensayo sern introducidos en el bloque
que representa la bomba en el RDB del sistema completo.
Pero, no existe un documento que contenga las
especificaciones de Confiabilidad para la bomba. Para que la
Confiabilidad global del sistema sea alcanzada, la

Confiabilidad de la bomba para 1.000 horas debe ser

aproximadamente 99%.

Weibull
Los resultados del ensayo fueron:
Las fallas ocurrieron a las 1.300, 1.400, 1.475, 1.610,
1.650 y 1.700 horas.
Adems de eso, hubieron suspensiones en 850 y 1.440
horas, y otras 2 en 1.700 horas.
Interpretacin del Parmetros de la Weibull

Plot of Vacuun Pump Data
99.00
90.00
Los anlisis indicaron que la
distribucin que mejor se
50.00
adecuo a los datos es la
Weibull con dos parmetros,
Unreliability, F(t)
donde:
= 1665 h y = 11,6.
10.00
Este valor de Beta es
relativamente alto.
5.00
1.00
100.00 1000.00 5000.00
Time, (t)
=11.58, =1665.45

Weibull
Inicialmente el ingeniero de
confiabilidad se asusta porque el
ha escuchado que altos valores de
son malos.
Sin embargo, el valor de tambin
es relativamente alto, y la
confiabilidad de la bomba para
1.000 horas es 99,7%.
Esto debera ser adecuado para el sistema como un todo.
Altos valores de indican que las fallas ocurren prximas,
pero esto no es necesariamente malo cuando el valor de

tambin es suficientemente grande.
Modos de falla Mixtos

Un producto fue ensayado y fueron encontrados
los siguientes tiempos hasta la falla:
Time-to-Failure Failure Mode
536 a El anlisis fue delineado
2000 a
2107 a para que todos los tems
2786 b
2963 a
fallasen, y se determin que
3280 b existan dos modos de falla
3477 a
4017 b potenciales.
4085 a
Cada falla fue clasificada
4297 b
4389 b
4900 a
como tipo a b.
4973 b
5183 b
5700 a
6890 b
7987 b
9518 b
10011 b
10272 b

Basado en los ensayos, responda lo siguiente:
Cual es la confiabilidad del producto para 3 aos?
Cual modo de falla debemos eliminar del Anlisis (del
punto de vista de la confiabilidad)?
Cual seria la confiabilidad del producto en 3 aos si
eliminsemos un modo de falla?

Probability Plot
99.00
Analizando todos 90.00

los modos de
falla juntos, no
conseguimos 50.00
observar en el
Unreliability, F(t)
grfico la
presencia o no de
mas de un modo 10.00
de falla.
5.00
No hay distincin
donde un modo
de falla termina y
1.00
otro comienza. 100.00 1000.00
Time, (t)
10000.00 100000.00
sin PANICO
Al contrario del dogma de algunos consultores de
Confiabilidad, es perfectamente CORRECTO analizar datos de
falla que contienen mas de un modo de falla. Esencialmente,

usted est considerando que todos los modos de falla

comprometen el funcionamiento del producto.
R(3 years ) = 95.9%


Cual modo de falla debemos eliminar de la anlisis, ej: Cual
modo de falla tiene mayor efecto sobre la confiabilidad del
producto?
Para descubrir quien tiene

mayor efecto sobre la
confiabilidad del producto
debemos separar los
modos de falla a y b y
realizar el anlisis de cada a b
modo de falla.
Como usted separa los

datos?
Time-to-Failure Failure Mode

2786 b
Time-to-Failure Failure Mode 3280 b
536 a 4017 b
2000 a 4297 b
2107 a 4389 b
2963 a 4973 b
3477 a 5183 b
4085 a 6890 b
4900 a 7987 b
5700 a 9518 b
10011 b
10272 b
No HAGA ESTO !
Cuando analizamos diferentes modos de falla, no podemos

simplemente separar los datos de falla.
Si usted est analizando un modo de falla, necesita tomar en
consideracin el hecho de que los otros tems que no fallaron
por este modo de falla en particular, en la verdad son datos
suspendidos.

Time-to-Failure Mode A Time-to-Failure Mode B
536 F 536 S
2000 F 2000 S
2107 F 2107 S
2786 S 2786 F
2963 F 2963 S
3280 S 3280 F
3477 F 3477 S
4017 S 4017 F
4085 F 4085 S
4297 S 4297 F
4389 S 4389 F
4900 F 4900 S
4973 S 4973 F
5183 S 5183 F
5700 S
5700 F
6890 S 6890 F
7987 S 7987 F
9518 S 9518 F
10011 S 10011 F
10272 S 10272 F
cuando analizamos un modo de falla especfico, todos los otros

modos de falla sern tratados como suspensiones.

Probability Plot
99.00
Weibull
Mode A
90.00
Analizando P=2, A=MLE-S
F=8 | S=12
separadamente, Mode B
podemos observar los 50.00 P=2, A=MLE-S

F=12 | S=8
diferentes efectos
Unreliability, F(t)
provocados pelos
modos de falla, sobre la
Confiabilidad del 10.00
producto. 5.00
Adamantios Mettas
ReliaSoft
1/16/00
1.00 3:59:18 PM
100.00 1000.00 10000.00 100000.00
Time, (t)
1=1.23, 1=10812.19
2=2.88, 2=7337.28

A continuacin observamos los diferentes valores
de confiabilidad para cada modo de falla:
Mode A Mode B
R (3 years) 0.94168 0.995792
Consecuentemente, el modo de falla a es el que

mas contribuye con la desconfiabilidad del
producto. En este caso, la confiabilidad en 3 aos

debera ser 99.58%.

309
Anlisis con Mltiples

Modos de falla

Modos Mltiples - Agregando Complejidad
Considere que un componente puede fallar

debido a seis modos de falla distintos: A, B,
C, D, E y F.
El componente falla si el modo de falla A, B
o C ocurriesen.
Si el modo D, y F ocurrieran aisladamente,
el componente no falla, mientras si
cualquiera de estos dos modos ocurrieran

simultneamente el componente fallar
(ej. D y E; D y F; E y F).
311
Utilizando la Metodologa RBD

Considere que los datos de cada Modo de

Class Modes.rwp Falla estn disponibles
Anlisis del Modelo Combinado

Reliability vs Time Plot

1.000
Reliability
CB@90% 2-Sided [R]
Func Line
Top CB-II
Bottom CB-II
0.800
0.600
0.400
0.200
Name
Company
8/10/2005
0.000 2:12:23 PM
10.000 708.000 1406.000 2104.000 2802.000 3500.000
Time, (t)
314
Especificaciones de
Confiabilidad

Especificaciones de Confiabilidad : Caso 1

Un producto posee una especificacin de Confiabilidad
donde el MTTF mnimo aceptable es de 100.000 ciclos.
Ocho unidades fueron ensayadas para cada uno de los tres
diferentes proyectos. El resultado fue:
Test Lot 1 Test Lot 2 Test Lot 3
Failure # 1 8664.8 3.1 59857.5
Failure # 2 22439.4 74.1 75933.3
Failure # 3 38713.4 456.6 87025.1
Failure # 4 57981.8 1755.2 96272.5
Failure # 5 82098.1 5595.1 105017.6
Failure # 6 113631.4 16533.2 113907.9

Failure # 7 160445 52213.7 124168.3

Failure # 8 248891.5 225630 138573.9

99.00
Weibull
Data 1
90.00 W2 RRX - SRM MED Las tres distribuciones
F=8 / S=0
Data 2
Weibull tuvieron
W2 RRX - SRM MED
50.00
F=8 / S=0
Data 3
variaciones en el valor
W2 RRX - SRM MED
F=8 / S=0
de y
Unreliability, F(t)
el valor de MTBF para

cada un de los
10.00
proyectos es
prcticamente el
5.00
mismo, 100.000 ciclos!
1.00 11/29/00 15:34

1.00 10.00 100.00 1000.00 10000.00100000.00
1000000.00
Time, (t)
1=1.0001, 1=9.9999+4, =1.0000

2=0.3000, 2=1.0797+4, =1.0000
3=4.0002, 3=1.1033+5, =1.0000

Reliability vs. Time Plot
1.00
Multi-Plot
Data 1
W2 RRX - SRM MED
F=8 / S=0
Data 2
0.80 W2 RRX - SRM MED
F=8 / S=0
Data 3
W2 RRX - SRM MED

F=8 / S=0
0.60
0.40
0.20
User's Name
Company
0 11/29/00 15:38
0 30000.00 60000.00 90000.00 120000.00 150000.00
Time, (t)
Segn la especificacin del MTTF = 100.000 ciclos, nosotros

deberamos aceptar el proyecto nmero 2, siendo que 85% de
la poblacin habra fallado con 100.000 ciclos!
MORALEJA # 1: no
es una buena
prctica utilizar
solamente el MTTF
como especificacin
de confiabilidad.
Muchas personas interpretan MTTF (MTBF) como el tiempo

en el cual 50% de la poblacin habr fallado, tal como la

mediana. Esto es incorrecto.
Dependiendo de la distribucin, mucho mas que el 50% de la
poblacin podr fallar en el tiempo de MTTF.

Una empresa que aprendi a no utilizar el MTTF como
especificaciones de Confiabilidad:
Para un nuevo proyecto de un

alternador, la especificacin de
Confiabilidad es de 90% en
3 aos.
R SPEC(3yr s) = 90%

Dos proveedores estn siendo considerados en el
caso del alternador. Cada proveedor present sus
resultados de ensayos de confiabilidad, para el
proyecto propuesto:
Vendor A Vendor B
Beta 2.1475 3.234
Eta 5063.6 days 8705.1 days
MTTF 4484.3 days 7800.7 days
(Considere que ambos proveedores proyectaron

con aproximadamente el mismo costo).

nosotros no estamos interesados particularmente
en el MTBF, ya que lo que importa es el retorno de
garanta para un perodo de 3 aos. Comparando la
Confiabilidad en 3 aos (1096 das):
Vendor A Vendor B
R (3yrs) 0.9633 0.9988
Basado en estas informaciones, la conclusin

lgica seria escoger el proveedor B. Cierto?


no necesariamente!
Despus de algunas investigaciones, se descubri
que el proveedor A prob 100 unidades, mientras
que el proveedor B prob solamente 2 unidades
(tiempo hasta la falla: 5000 y 10500).
Consecuentemente, tenemos mas confianza en las
estimaciones del proveedor A que en el proveedor
B.
Como podramos saber eso?

Limites de confianza!
Si el limite inferior de confianza fuese incluido en
la especificacin, ciertamente esto no habra
ocurrido.
Por ejemplo, re-escribiendo las especificaciones
como:
90% de Confiabilidad en 3 aos con lmite de
confianza en 90%
Vendor A Vendor B
R (3yrs) 0.9633 0.9988
90% CB 0.9458 0.7521
Tomando en consideracin los limites de

confianza, podemos observar que los resultados
de confiabilidad del proveedor A son bastante

mejores que los del proveedor B.


Probability Plot
Podemos observar que 99.90
los limites de confianza

90.00
para los datos del
proveedor A (lneas 50.00
rojas) son mucho mas
estrechos, debido al
Unreliability, F(t)
gran nmero de puntos. 10.00
En el proveedor B, que 5.00
solo posee dos puntos,

los resultados de limites

1.00
de confianza (lneas
0.50
verdes) son bastante
mas amplios.
0.10
100.00 1000.00 10000.00 100000.00
Time, (t)
MORALEJA # 2: Incluya
los limites de confianza
en sus especificaciones
de Confiabilidad de
tiempo.
Incluyendo los limites
de confianza en sus
especificaciones de
Confiabilidad, usted
podr conocer la calidad

de los datos que
generaron los
resultados.
327
La distribucin Exponencial
Break Point

La distribucin Exponencial
La distribucin exponencial es muy utilizada en la
Ingeniera de la Confiabilidad.
Debido a su simplicidad, ella ha sido utilizada
ampliamente en casos donde no seria aplicable.
La distribucin exponencial es utilizada para
describir tems que fallan con tasa de falla
constante.
Distribucin Exponencial con un

Parmetro
La pdf de la exponencial con un parmetro es dada por:
1
1 t
f (t ) = e = e
t m
m
donde:
= tasa de falla constante, en fallas por unidad de tiempo, por
ejemplo, fallas por hora, por ciclos, etc.
m = media entre fallas o hasta fallas.
t = tiempo de operacin, vida o edad, en horas, ciclos,

actuaciones, etc.
Esta distribucin requiere el conocimiento de solamente un
parmetro, , para esta aplicacin.
Esta pdf puede ser un caso especial de la pdf de la
Weibull con = 1.
La distribucin Exponencial con Dos

Parmetros
La pdf de la exponencial con dos
parmetros es dada por:
f (T ) = e(T ) , f (T ) 0, > 0,T
donde es el parmetro de localizacin.

Confiabilidad, R(t)
estadsticas de la T

R(T ) = e
Exponencial (T ) m
=e
tiempo, T(R) Condicional, R(T,t)
1
T ( R) = + [ ln( R)] R(T , t ) =
R(T + t ) e (T +t )
= ( T ) = e t
R(T ) e
Mdia tasa de falla

1
MTTF = T = +
(T ) =
El Efecto de en la pdf Exponencial

La pdf de la exponencial no tiene un parmetro de
forma, porque ella solo tiene una forma.
La pdf es siempre convexa, y tiene el
prolongamiento estirado a la derecha con el valor
de decremento .
El valor de la funcin pdf siempre ser igual al
valor de en T = 0 (o T = ).
El parmetro de localizacin, , si es positivo,
altera el incio de la distribucin en una distncia

a la derecha del origen, lo que significa que las

fallas tendrn chance de ocurrir solamente
despus de horas de operacin, es decir, sin
probabilidad de ocurrir antes de este tiempo.
El efecto de en la pdf Exponencial (cont.)

Effect of on Exponential pdf
0.01
=0.01
8.00E-3
6.00E-3
f(t)
4.00E-3
2.00E-3 =0.005
0
0 80.00 160.00 240.00 320.00 400.00
Time, (t)
El Efecto de en la Funcin Confiabilidad

Exponencial
1.00
=0.001
0.80 =2500
0.60 =0.001
=0
0.40
0.20
0
0 1600.00 3200.00 4800.00 6400.00 8000.00
Time, (t)
Ejemplo: Uso apropiado de la distribucin

Exponencial
Un nuevo producto est siendo
probado para determinar el
perodo de garanta. El tiempo
limite de ensayo es de 2 meses.
Despus de este tiempo,
solamente 1 en 100 unidades
fall (en 150 horas). Las otras 99
fueron suspendidas en 1.440
horas de ensayo.
Como debera ser determinado
el perodo de garanta?
Ejemplo: Uso apropiado de la

distribucin Exponencial (cont.)
Nosotros necesitamos determinar el perodo de garanta, el
cual est directamente relacionado con la tasa de falla.
Con una falla, como la tasa de falla puede ser asumida?
Analoga: s alguien le dijera que un automvil est
viajando a 60 km/hr, usted podra calcular su
aceleracin?
Si solamente una falla fue observada, la distribucin
exponencial es una buena opcin.
Si estn disponibles datos histricos, usted podra
utilizar la distribucin Weibull con un parmetro y asumir

el valor de beta.
Recordndose de las otras distribuciones que discutimos, la
tasa de falla debe asumir una tendencia.

Exponencial (cont.)
Usando la MLE, la tasa de falla constante es calculada y
obtenemos 0,000007 fallas por hora.
El rea de costos defini que solamente 10% de las fallas en el
mximo pueden ocurrir en el perodo de garanta. Nosotros
estamos ahora en condiciones de calcular el perodo apropiado
de garanta.
Utilizando el QCP, podemos

entrar con la Confiabilidad
deseada (10% de falla de la
poblacin es equivalente al
90% de Confiabilidad), y
determinar que el perodo de
garanta debera ser
aproximadamente 15.036
horas de uso.

Exponencial (cont.)
Cuando aceptamos la Failure Rate vs Time Plot
estimativa de 15.036 1.00E-5
horas, implica que la

tendencia de la tasa de
falla ser la de 8.00E-6
permanecer constante
hasta 36 horas.

6.00E-6
No es el caso, donde la Assumed Failure Rate
tasa de falla pudiese at 15,000 hrs
cambiar en algn
4.00E-6
tiempo entre el final del
ensayo (1.440 horas) y
la estimativa del
2.00E-6
perodo de garanta de
15.036 horas.
En este caso, ensayos 0
acelerados pueden ser 0 3000.00 6000.00 9000.00
Time, (t)
12000.00 15000.00
una alternativa mejor.

339
La distribucin Normal
(Gausiana)

Funcin Densidad de Probabilidad Normal

La distribucin Normal (Gausiana) es una de las distribuciones
mas conocida y su pdf es dada por:
2
1 t
1
f (t ) = e 2
2
= media normal de los tiempos hasta la falla
= desviacin estndar de los tiempos hasta la falla
Es una distribucin con dos parmetros, con los parmetros y ,

como la media y la desviacin estndar, respectivamente.
Confiabilidad, R(T)
2
1 t

estadsticas de la Normal 1 2 T
R(T ) = e dt
T T 2
Mdia tasa de falla

2
1 T

1 2 T
e
MTTF = T 2
(T ) = 2
1 t

1 2 T

T T 2
e
dt
Comportamiento Normal
La tasa de falla de la Normal tiene comportamiento
creciente.
0.100
Data
Func Line
0.080
0.060
0.040
0.020
Pantelis Vassiliou
ReliaSoft
12/29/2004
0.000 12:30:39 PM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
=90.9088, =25.0973, =0.9911
Caractersticas de la distribucin
Normal
La pdf normal tiene la media 4.80E-3
que es igual a la mediana y
tambin a la moda.
La media, o vida media o el 3.84E-3
MTTF, tambin es el
parmetro de localizacin de
la pdf normal, es localizado
en la abcisa de la pdf. 2.88E-3
La pdf normal tiene la forma
f(t)
de una campana y es
simtrica en relacin a la 1.92E-3
mdia.
La pdf normal no tiene

parmetro de forma. Esto 9.60E-4
significa que la pdf Normal

posee solamente un
formato, el de una campana, 0
y esta forma no cambia. 0 240.00 480.00 720.00
Time, (t)
960.00 1200.00
Caractersticas de la distribucin Normal

(cont.)
La desviacin estndar, , es el parmetro de escala de la
pdf Normal.
Con la disminucin de , la pdf es empujada en direccin a la
media, o, en otras palabras, ella se torna mas estrecha y mas
alta.
con el aumento de , la pdf se distribuye en direccin
contraria de la media, es decir se torna mas ancha y mas
baja.
La desviacin estndar puede asumir valores entre 0 < < .
La variabilidad ser mayor a medida que el valor de crece,
y viceversa.
La desviacin estndar tambin es la distancia entre la media

y el punto de inflexin de la pdf, de cada lado de la media. El

punto de inflexin es el punto en la pdf donde el formato
cambia de decreciente para creciente, o donde la segunda
derivada de la pdf tiene valor cero.
Efecto de en la distribucin
Normal(pdf)
0.10
0.08 =100
=5
0.06
f(t)
0.04
=100
0.02
=15
0
0.005 70.00 90.00 110.00 130.00 150.00
Time, (t)
Observaciones para tiempos Negativos en

Weibull++
Una de las desventaja en utilizar la distribucin
Normal para clculos de Confiabilidad es el hecho
de que la distribucin Normal se inicia en el
negativo infinito. Esto puede generar algn valor
negativo para algunos resultados. Valores
negativos de tiempo no son aceptables para la
mayora de los componentes del Weibull++. Ciertos
componentes del aplicativo guardan valores
negativos para las suspensiones, o no retornarn

resultados negativos. Por ejemplo la Quick

Calculation Pad retornar un valor nulo, o sea, si el
resultado fuese negativo ella los presentar como
cero.
Ejemplo Usando la distribucin Normal
Veinte muestras de paletas de turbina

fueron probadas para determinar su
frecuencia natural, . Basados en esta
muestra, queremos determinar la
porcin de la poblacin que poseer
frecuencias fuera del intervalo de 7,8
hasta 8,2 kHz.

(cont.)
Medidas de las frecuencias naturales de las paletas de
turbina:
7.93 kHz 8.08 kHz 7.76 kHz 7.88 kHz
8.14 kHz 7.97 kHz 7.57 kHz 7.98 kHz
7.50 kHz 8.12 kHz 7.89 kHz 7.64 kHz

7.91 kHz 8.02 kHz 8.00 kHz 7.98 kHz

8.11 kHz 8.06 kHz 8.02 kHz 7.94 kHz

Exemplo Usando la distribucin Normal

(cont.)
T u r b i n e B la d e F r e q u e n c y D i s t r i b u t i o n
3 .0 0
2 .4 0
1 .8 0
f(t)
1 .2 0
0 .6 0
0
7 .0 0 7 .4 0 7 .8 0 8 .2 0 8 .6 0 9 .0 0
F re q u e n c y (k H z )

(cont.)
Porcin de la poblacin mayor que 8,2 kHz:
Turbine Blade Frequency Distribution
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
P( > 8.2) = 5.8%


(cont.)
Porcin de la poblacin mayor que 7,8 kHz:
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
P( > 7.8) = 76.3%


(cont.)
Porcin de la poblacin menor que 7,8 kHz:
3.00
2.40 P( < 7.8)

= 100% - P( > 7.8)
1.80
= 100% - 76.3%
f(t)
1.20 = 23.7%
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)

(cont.)
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
Porcin de la poblacin fuera de los limites especificados:

5.8% + 23.7%=29.5%
354
La distribucin Lognormal

Funcin Densidad de Probabilidad

Lognormal
Una variable aleatoria se distribuye lognormalmente si el
logaritmo de la variable aleatoria se distribuye normalmente.
Si la variable aleatoria es distribuida normalmente o
lognormalmente, la distribucin es dada por:
2
1 T ' '
1
2
f (T ' ) = e
2
donde,
T = ln(T) y T son tiempos hasta la falla.

es la media del logaritmo natural de los tiempos hasta la falla.
es la desviacin estndar del logaritmo natural de los tiempos
hasta la falla.
Funcin Densidad de Probabilidad

Lognormal (cont.)
Mientras la distribucin normal es simtrica, la
lognormal es desplazada positivamente, lo que da
mas sentido para modelamiento de datos de vida.
0.020
Data
Func Line
0.016
0.012
f(t)
0.008
0.004
Pantelis Vassilio
ReliaSoft
12/29/2004
0.000 1:00:42 PM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
=4.3069, =0.5793, =0.9815
Confiabilidad, R(T)
estadsticas de la
1 t '

1
Lognormal R(T ) = e 2
dt
T'
2
Mdia tasa de falla

2
1 T ' '
1
2
1 e

'+ 2
(T ) = T 2 1 t ' 2
MTTF = T = e 2
1

T ' 2 e
2
dt
tasa de falla Lognormal

La tasa de falla lognormal es inicialmente
creciente y luego decreciente.
4.00E-4
3.20E-4
2.40E-4
1.60E-4
8.00E-5
0
0 4000.00 8000.00 12000.00 16000.00 20000.00
Time, (t)
359
La distribucin Gama
Generalizada

Gama Generalizada
No es utilizada frecuentemente como las otras
distribuciones de vida ya presentadas.
La distribucin Gama Generalizada posee la capacidad
de imitar otras distribuciones, tales como la Weibull,
Lognormal o Exponencial, dependiendo de los
parmetros de su distribucin.
A pesar de que la distribucin Gama Generalizada no
es utilizada frecuentemente para modelar datos de vida
por si sola (en la mayora de los casos debido a su
complejidad matemtica, y su exigencia de tamaos de
muestras mayores que 30; para obtener convergencia),
su capacidad para comportarse como una distribucin

de vida (comn y utilizable) es usada algunas veces
para determinar cual de las distribuciones de vida
debera ser usada para modelar un conjunto de datos
en particular.
Funcin Densidad de Probabilidad Gama

Generalizada (cont.)
La funcin Gama Generalizada es una distribucin con tres
parmetros. Una versin de la distribucin Gama utiliza los
parmetros , y .
La pdf para este formato de distribucin es dada por:

1 t
t

f (t ) = e
( )
donde > 0 es el parmetro de escala, > 0 y > 0 son los
parmetros de forma e (x) es la funcin gama de x, definida
por:

( x) = 0
s x 1 e s ds
La pdf de la Gama Generalizada

Reparametrizada
con la versin de la distribucin dada, an surgen problemas de
convergencia, por lo que son utilizados muchos limites. An con
conjuntos de datos que contienen 200 o mas puntos, el mtodo de
la MLE puede fallar para converger.
Agregando otra complicacin, es el hecho de que la distribucin
con valores ampliamente diferentes de , y se pueden presentar
casi idnticos. Una vez vencidas estas dificultades, Weibull++ utiliza
la reparametrizacin con los parmetros , y donde:
1 1
= In ( ) + In 2

1
= , and ,

1
= ,

where < < , > 0 , and < <
La pdf de la Gama Generalizada

Reparametrizada(cont.)
Aunque esto hace la distribucin converger mucho mas fcilmente
(con el uso de computadores), ello no facilitar la manipulacin
manual de la ecuacin. la pdf de la distribucin parametrizada es
dada por:
ln( t )
1
+ In 2 e
ln( t )

| | 1

2

e for 0
t 1
f (t ) = 2

1 ln( t )
2
t 2 e 2
for = 0
Funcin Confiabilidad Gama Generalizada

ln( t )

e
1
1 I ; if > 0
2
2

ln( t )
R (t ) = 1 if = 0

ln( t )

e
1
I ; if < 0
2 2

Donde:
2
z x
1
( z ) =
2 e

2
dx y
x
1

k 1 s
I (k ; x) = s e ds (Funcin incompleta de gamma)
( k ) 0
Ploteando la distribucin Gama

Generalizada
El ploteo de probabilidades en Weibull++, para la
distribucin Gama Generalizada, es realizada en el
papel de probabilidades de la Lognormal.
Esto significa que el alineamiento no ser alcanzado, a
menos que = 0.
Probability - G-Gamma
99.00
G-Gamma
Data 1
G3 MLE - SRM MED
F=23 / S=0
CB[FM]@95.00%
2-Sided-B [ T1]
Unreliability, F(t)
50.00
10.00
5.00
ReliaSoft
10/23/00 20:23
1.00
10.00 100.00 1000.00
Time, (t)
=4.23, =0.51, =0.31

Caractersticas de la distribucin Gama

Generalizada
Como se ha mencionado anteriormente, la distribucin Gama
Generalizada incluye otras distribuciones como casos
especiales basados en los valores de sus parmetros:
La distribucin Weibull es un caso especial cuando = 1 y:
1
=

= ln ( )
En este caso, la distribucin generalizada tiene el mismo
comportamiento de la Weibull para > 1, = 1 and < 1
( < 1, = 1 and > 1 respectivamente).

Caractersticas de la distribucin Gama

Generalizada
La distribucin Exponencial es un caso especial cuando
= 1 and = 1.
La lognormal es un caso especial cuando = 0.
La distribucin Gama es un caso especial cuando = .
Permitiendo que tenga un valor negativo, la distribucin
Gama Generalizada puede ser extendida para incluir
distribuciones adicionales como casos especiales.
Por ejemplo, la distribucin de mximo de Frechet (conocida
como la Weibull recproca) es un caso especial cuando = -1.

Exemplo Utilizando la distribucin Gama

Generalizada
A pesar que la distribucin Gama Generalizada no es
utilizada ampliamente en el modelamiento de datos de vida,
es utilizada frecuentemente para determinar cual de las
distribuciones mas comnmente utilizadas puede ser la mas
apropiada para un cierto conjunto de datos.
Por ejemplo, un ingeniero de Confiabilidad tiene un conjunto
de datos de rodamientos que fallaron, y le gustara saber,
entre la Weibull o Lognormal, cual seria la distribucin, que
mejor modela sus datos. Puede ajustar la distribucin Gama
Generalizada a los datos, y puede establecer la seleccin

apropiada de la distribucin, basado en los valores
estimados de los parmetros de la distribucin Gama
Generalizada.
Ejemplo Utilizando la distribucin Gama

Los 23 datos de la muestra de rodamientos (obtenidos
arbitrariamente) son:
17.88 28.92 33 41.52 42.12 45.6 48.4 51.84 51.96

54.12 55.56 67.8 68.64 68.64 68.88 84.12 93.12 98.64
105.12 105.84 127.92 128.04 173.4
La distribucin Gama Generalizada es ajustada a los datos

utilizando MLE, y se obtienen los siguientes valores de los
parmetros:
= 4 . 23064
= 0 . 509982
= 0 . 307639
Ejemplo Utilizando la distribucin Gama

Observe que para estos datos, la Gama Generalizada ofrece
un comportamiento entre las distribuciones Weibull ( = 1) y
la Lognormal ( = 0).
El valor de indica que la distribucin Lognormal es la que
mejor se ajusta a los datos.
Por lo tanto, se puede hacer una mejor evaluacin, por la
observacin del limite de confianza de . Por ejemplo, los
limites de confianza bilaterales de 90% son:
L = 0.592087
U = 1.20736
Se puede conclur, entonces, que ambas distribuciones

(Weibull y Lognormal) se ajustan bien a los datos, siendo
mejor el ajuste de la lognormal.
371
Otras herramientas de
Confiabilidad
Break Point

Comparando Conjunto de Datos

Tensin vs. Resistencia
Una de las preguntas mas comunes en la
Ingeniera de la Confiabilidad es: Este
nuevo proyecto es mejor que el anterior?
Para responder esta cuestin, utilizaremos
el mtodo de proyecto probabilstico:
Interferencia Tensin vs. Resistencia.
Comparando Conjunto de Datos

Tensin vs. Resistencia
2.40E-3
1.92E-3
1.44E-3
f(t)
Probability
of
9.60E-4
Strength Failure
4.80E-4
0
0 800.00 1600.00 2400.00 3200.00 4000.00
Stress, kips
Comentarios sobre las

Comparaciones de datos
Este mtodo compara el conjunto de datos a lo
largo de todo el intervalo de la variable aleatoria
(de 0 hasta el ).
Las dos muestras deben ser de tamaos similares.
Una probabilidad de 50% indica que ambos
conjuntos de datos son de la misma muestra
poblacional. En otras palabras, indica que no hay
diferencias entre las muestras.
Con la probabilidad de 80%, o mayor, es

recomendable afirmar que un conjunto de datos es

mejor que el otro.
Comparando ensayos
Si nosotros queremos realizar una comparacin
entre dos proyectos similares provenientes de
diferentes proveedores, o entre un proyecto actual
y el anterior, podemos hacerlo comparando las
pdfs de cada conjunto de datos de vida.
Comparando los datos

EJEMPLO:
Vida de cilindros neumticos de sillones de
oficina.
Compare los Proveedores A y B.
10 cilindros neumticos del Prov. A.
10 cilindros neumticos del Prov. B.
Cilindros ensayados hasta la falla.
(1 cilindro suspenso con 350.000 ciclos).
Las fallas son determinadas en la inspeccin de
los cilindros cada 50.000 ciclos.

377
Datos en Weibull++
378
Datos en Weibull++ (cont.)

Comparando Datos Utilizando el

Comparison Wizard del Weibull++
Para cada conjunto de

datos, escoja el
mtodo de estimacin
de los parmetros (en
este ejemplo
utilizamos la MLE)
Ruede el Comparison
Wizard para
determinar la
probabilidad de que un
conjunto de dato sea

mejor que el otro.
Conclusiones & Notas

El Comparison Wizard de la ReliaSoft compara
dos conjuntos distintos de datos de cero hasta
el infinito, o sea, hasta alcanzar 100% de
desconfiabilidad para cada conjunto de datos.
Existe un 64% de probabilidad de que el Prov. B
sea mejor que el Prov. A (Cuando comparamos
el desempeo de ambos proveedores, la
desconfiabilidad es de 100%).
Regla del Pulgar

Cuando comparamos conjuntos de
datos con el Comparison Wizard de
la ReliaSoft, y obtenemos 80% de
probabilidad es recomendado que se
concluya que un conjunto de dato es
mejor que el otro.
Observe: con 67% de probabilidad
podemos interpretar que un conjunto
de datos es mejor que el otro en la
proporcin 2 para 1. Siendo que, 90%

significa 9 para 1.
50% de probabilidad significara que
ambos son estadsticamente iguales.
Recomendaciones
SI el perodo de garanta de los cilindros neumticos fuese conocido,
(por ejemplo 100.000 ciclos), una comparacin utilizando el grfico de
Confiabilidad y tiempo seria mucho mas apropiado que utilizar el
ReliaSofts Comparison Wizard.
El prximo slide contiene una comparacin entre los proveedores A y B
utilizando el grfico de Confiabilidad v/s tiempo.
en 100.000 ciclos, el proveedor A posee confiabilidad mayor que el
proveedor B.
Esta conclusin es opuesta a la obtenida en el Comparison Wizard.
CUIDADO: los datos del ensayo, de este ejemplo, estaban en intervalos.
Los intervalos de 50.000 ciclos es la mitad del perodo de garanta de

100.000 ciclos.
no es RECOMENDABLE hacer comparaciones con intervalos muy
grandes!
Obs: el mtodo del ensayo puede ser reescrito para realizar inspecciones
en intervalos menores, como por ejemplo 10.000 ciclos.
Comparacin de Confiabilidad X tiempo

Reliability vs Time
1.00
Multi-Plot
Vendor A
L2 MLE - RRM MED
F=10 / S=0
Vendor B
0.80 L2 MLE - RRM MED
F=9 / S=1
0.60
Vendor B
0.40
Vendor A
0.20
0
0 140000.00 280000.00 420000.00 560000.00 700000.00
Time, (t)
1=11.7452, 1=0.2285
2=11.9468, 2=0.6451
Comparando si Dos (o mas) Conjuntos son

de la Misma Poblacin
Otra aplicacin posible es determinar si dos
conjuntos de datos son de la misma poblacin.
Esto se puede hacer utilizando el grfico de
contorno.
Como ejemplo: considere dos conjuntos de
datos, cada cual con 100 datos, generados
aleatoriamente por una distribucin Weibull con
= 3 y = 100.

Contour Plot
4.000
1. Folio5\Data
2. Folio6\Data
1. 90%
2. 90%
3.600
3.200
Parameter 2
2.800
2.400
Pantelis Vassiliou
ReliaSoft
12/29/2004
2.000 2:09:48 PM
75.000 85.000 95.000 105.000 115.000 125.000
Parameter 1
Folio5\Data: =3.3982, =99.0575, =0.9924
Folio6\Data: =2.9837, =95.2763, =0.9974
Otros anlises
(Utilizando 5 Conjunto de datos)
La Vida B10 es igual en todos los conjuntos ?
BX Life with Conf. Limits
1000
900
800
700
600
500
400
DFolio!Data 1 DFolio!Data 2 DFolio!Data 3 DFolio!Data 4 DFolio!Data 5
Otros anlisis
(Utilizando 5 Conjunto de datos)
La Vida Media (MTTF) es igual en todos los
conjuntos ?
Means with Conf. Limits
1400
1300
1200
1100
1000
900
800
700
600
Set1 Set2 Set3 Set4 Set5
388
Anlisis Especficos
Anlisis de Degradacin

Anlisis de Degradacin (no-Catastrfica)

Otra manera de atribuir la confiabilidad con pocas
o ninguna falla es la utilizacin del anlisis de
degradacin.
El anlisis de degradacin involucra la medicin y
la extrapolacin de la degradacin, u obteniendo
datos que pueden ser relacionados directamente
con una supuesta falla del producto en cuestin.
Muchos mecanismos de falla pueden ser
relacionados directamente con la degradacin de

una parte del producto, y, el Anlisis de

degradacin permite que se extrapole el tiempo de
esta supuesta falla, basado en las medidas de
degradacin de su funcionamiento en el tiempo.
Anlisis de Degradacin (no-Catastrfica)

El anlisis de degradacin involucra la medicin y la extrapolacin de
la degradacin o el funcionamiento que puede estar relacionado con
una supuesta falla del producto en cuestin.
En algunos casos, es posible medir directamente la degradacin en el
tiempo, como en el caso de desgastes de pastillas de freno o en la
propagacin de fisuras (grietas) no-catastrficas.
En otros casos, es posible la medicin directa de la degradacin sin
la utilizacin de tcnicas de violacin o destruccin que podran
afectar directamente el funcionamiento del producto
catastrficamente. En estos casos, la degradacin del producto
puede ser estimada a travs de la medida de ciertas caractersticas de

funcionamiento, tales como el uso de la resistencia para medir la

degradacin de materiales dielctricos, medicin de vibraciones, etc.
El nivel de degradacin o funcionamiento, en el que supuestamente
ocurrir una falla, debe ser necesariamente definida.
Datos de Degradacin
Ejemplo: Tamao de Grieta
1.8 un ejemplo de datos de
Crack length (inches)
1.7
1.6 degradacin es el tamao de
1.5
1.4
las grietas en paletas de
1.3 turbina. una falla es definida
1.2
1.1 cuando una grieta fuese
1
0.9
igual, o mayor a 1,6 pulgadas.
0.8
0 50000 100000 150000 200000
Un tem es ensayado hasta
Cycles 120.000 ciclos, donde se
verifica una grieta con un
largo de 1,27 pulgadas.
1.8
An cuando el tem no haya
1.7
1.6
alcanzado el largo crtico de
1.5
desgaste, entonces,
1.4
1.3
1.2 extrapolamos el dato de
1.1
1
ensayo hasta que la
0.9 degradacin llegue a su nivel
0.8
0 50000 100000 150000 200000 crtico, y obtenemos 177.480
Cycles
177480 ciclos.
Datos de Degradacin
Ejemplo: Tamao de Grieta

1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1
0.9
0.8
0 50000 100000 150000 200000

Cycles
Este proceso puede ser repetido para todos los tems

ensayados, para los que encontramos la vida proyectada.
Luego, estos datos pueden ser analizados como cualquier otro
caso de confiabilidad.
Modelos de Extrapolacin Disponibles

en Weibull++
Weibull++ permite que el usuario defina su Anlisis de degradacin
utilizando modelos de extrapolacin, tales como, el modelo lineal,
exponencial, potencia o logaritmo.
La frmula de estos modelos sn:
Lineal: y = a.x + b
Exponencial: y = b.ea.x
Potncia: y = b.xa
Logartmico: y = a.ln(x) + b
x
Gompertz: y = a.b(c )
Lloyd-Lipow: y = la - b/x
donde y representa el funcionamiento o la mxima degradacin

permitida, x representa el tiempo, y a y b son parmetros de los
modelos a ser determinados.
Modelos de Extrapolacin Disponibles

en Weibull++
Podemos realizar la extrapolacin, estimando los
parmetros ai y bi , para cada muestra i, y un
tiempo, xi , para un nivel de degradacin definido
para la falla (y). Los xi pueden ser utilizados ahora
como tiempos hasta la falla en un Anlisis
subsiguiente de datos de vida.
Cualquier tipo de extrapolacin debe ser
cuidadosa para no extrapolar a valores muy
lejanos del intervalo actual de datos, ocasionando

gran imprecisin (errores de modelamiento).

Ejemplo de Anlisis de Degradacin

Dado un componente con una caracterstica
que generar una falla y una degradacin a lo
largo del tiempo que pueda ser medible:
Considere que la recoleccin de esta medicin de
degradacin no destruir el tem (degradacin no-
catastrfica) y que pueden ser realizadas
mediciones repetidas en cada tem.
Considere que la degradacin es una funcin uno

a uno, o sea monotnica.
LDA: Anlisis de Degradacin

Considere los siguientes datos de profundidad de
las ranuras para varios neumticos.
degradation.rwp
Tread depth by specimen (mm)

Mileage a b c d e f g
5000 6.1 5.9 5.9 6.1 6.3 5.7 5.5

10000 5 5.1 5 5 5.3 5.4 5.5

15000 4 3.8 3.7 3.5 3.4 3.3 3
20000 3.2 3.3 3.5 3.8 3.9 3.2 2.7
25000 2.8 2.9 3.1 3 3 2.6 2.9
30000 2.2 2.8 2.2 2.2 2.1 2 2
Degradation vs Time
10
1 Degradation vs Time
0 10
4000 13333.3 22666.7 32000 41333.3 50666.7 60000
Time 9
Data a &Exponential Fit a 8 Critical Degradation
6
5
0
4000 13428.6 22857.1 32285.7 41714.3 51142.9 60571.4 70000
Time
Data b &Exponential Fit b Critical Degradation

Degradation vs Time
10
6
5 Probability - Lognormal
10.010.110.210.310.410.510.610.710.810.9
4 99.00
0

0 10000 20000 30000 40000 50000 60000 70000
Unreliability, F(t)
Time
50.00
10.00
5.00 Lognormal
Data 1
L2 RRX SRM MED

F=7 S=0
1.00
10000.00 100000.00
Time, (t)
Data 1 =10.8431, =0.0898, =0.9642

399
Anlisis Especficos
Anlisis de Garanta

Anlisis de Garanta
La herramienta de Anlisis de garanta en el
Weibull++ no introduce ninguna nueva
metodologa de anlisis, pero automatiza el
proceso que normalmente consume mucho tiempo
y paciencia.
Las informaciones de terreno presentan los tems
producidos y/o entregados en un cierto perodo de
tiempo, con los datos de retorno para cada lote de
fabricacin en los perodos subsiguientes.
Esta informacin puede ser colocada en un cuadro

diagonal, algunas veces denominado -
dependiendo de su arreglo - de Nevada chart,
Idaho chart, etc.
401
Nevada Chart
Anlisis de Garanta (cont.)

Weibull++ permite al usuario automatizar el Anlisis de datos de garanta
que posean este formato, permitiendo an la previsin de las futuras fallas a
travs del uso del Anlisis de probabilidad condicional.
Para cada perodo de tiempo en el que una cantidad de productos son

producidos/entregados, habr un cierto nmero de retorno de fallas en los
perodos subsiguientes, donde el restante de la poblacin producida/enviada
continua operando en los meses siguientes.
Anlisis de Garanta (cont.)

Por ejemplo, si 500 unidades son entregadas en
mayo, 10 unidades retornan en garanta en junio,
tenemos el equivalente a 10 fallas en el perodo de
un mes.
Las otras 490 unidades continan operando y
tienen la probabilidad de fallar en los meses
siguientes.
Al final del perodo de anlisis, todas las unidades
que fueron enviadas y an no fallaron son
consideradas suspendidas.
Este proceso es repetido para cada entrega, de lo

que resulta una tabla para cada tiempo de falla y
suspensin en particular, en el Anlisis de
Confiabilidad.
Ejemplo de Anlisis de Garanta

Una empresa rastrea los lotes producidos y
observa los retornos en garanta, mes a mes. A
continuacin tenemos una tabla que contiene los
tems enviados en junio, julio y agosto, y, los
resultados de garanta hasta septiembre:
RETURNS
SHIP Jul. Aug. Sep.
Jun. 100 3 3 5
Jul. 140 2 4
Aug. 150 4
Basado en estas informaciones, se desea generar

las curvas de Confiabilidad de estos productos, y
realizar las previsiones del nmero de fallas en
garanta para octubre.
Determinando fallas & Suspensiones
RETURNS
SHIP Jul. Aug. Sep.
Jun. 100 3 3 5 89
5
Jul. 140 2 4 134
7
Aug. 150 4 146
9
406
Ejemplo de Anlisis de Garantas (cont.)

Previsiones de Retorno
Una vez analizados los datos de vida, esta
informacin puede ser utilizada para realizar la
previsin de cuantos retornos en garanta
tendremos en los perodos subsiguientes.
Esta metodologa utiliza los conceptos de la
Confiabilidad condicional para calcular la
probabilidad de falla de las unidades restantes
para cada perodo de venta.
Esta probabilidad de falla es multiplicada por el
nmero de unidades de riesgo (suspensiones),
para cada perodo de venda en particular, que an

estn en terreno, y entonces prevenir el nmero de
fallas o retorno en garanta esperados en los
prximos perodos.
Previsiones de Retorno (cont.)

Utilizamos los valores estimados de los parmetros de la
Weibull, encontrados anteriormente, para determinar la
probabilidad de falla condicional para cada perodo de venta,
y entonces multiplicar las probabilidades por los nmeros de
unidades de riesgo para cada perodo. La ecuacin de la
probabilidad de falla condicional es dada por:
R(T + t )
Q(t | T ) = 1 R(t | T ) = 1
R(T )
Entonces, para las unidades producidas en junio, hay 89
unidades que continan operando con xito hasta el final de

septiembre (T= 3 meses). La probabilidad de que una de

estas unidades falle en el mes siguiente (t = 1 mes) es dada
por: 4
2 , 49

R(4) e 6 , 70
0,7582
Q(1 | 3) = 1 = 1 = 1 = 0,132
R(3)
2 , 49
3 0,8735

e 6, 70

Una vez determinada la probabilidad de falla para el mes adicional
de operacin, el nmero de fallas esperadas durante el prximo
mes, para las ventas del mes de junio, es el producto de esta
probabilidad por el nmero de unidades de riesgo (SJUN,3 = 89):
FJUN, 4 = 89 0,132 = 11,748,

Esto se repite para el mes de julio, donde 134 unidades continan
operando hasta septiembre, con dos meses de exposicin. La
probabilidad de fallas para el prximo mes:
R(3)
0,8735
( )
Q 1| 2 = 1 = 1 = 0,0824
R(2) 0,9519
Este valor es multiplicado por SJUL,2 = 134 para determinar el nmero de

fallas:
FJUl ,3 = 134 0,0824 = 11,035,

Para el mes de agosto, hy 146 unidades an operando hasta
septiembre, con un mes de exposicin. La probabilidad de falla
para el prximo mes es:
R(2) 0,9519
Q(1 | 1) = 1 = 1 = 0,0397
R(1) 0,9913
Este valor es multiplicado por SAUG,1 = 146 para determinar el
nmero de fallas:
FAUG , 2 = 146 0,0397 = 5,796,

Entonces, el total de retorno por garanta, de estos lotes

vendidos, para el prximo mes es la suma de 12 unidades + 11
unidades + 6 unidades, lo que da 29 unidades. Este mtodo
puede ser fcilmente repetido para previsiones de diferentes
escalas de tiempo. la herramienta de Anlisis de garanta del
Weibull++ realiza este tipo de Anlisis automticamente.
411
Simple Warranty.rwp
Previsiones (Forecast)
Carta de Controle de Retornos

Chi Square Information for Return Periods
15.000
Chi Square Returns
Chi Square - Caution

Chi Square - Critical
Return period
Return period - Caution
Return period - Critical
12.000
9.000
Chi Square Value
6.000
3.000
Name
Company
8/10/2005
0.000 2:38:24 PM
2
4
Period
Alpha-Caution=0.1; Alpha-Critical=0.01
413
Carta de Control de Retornos

Verso: 1.02 Language/Region: Spanish Incorporando Mejoras

Dates Format with Different Models.rwp

Incorporando Mejoras
Expected Failures vs Period Plot
25.000
1. Model A
2. Model B
3. Model C
1. Data Points
2. Data Points
3. Data Points
20.000
15.000
Failures
10.000
5.000
Name
Company
6/24/2005
1:45:12 PM
0.000
Oct 2006
Jul 2006
Jun 2006
Jan 2007
Aug 2006
Dec 2006
May 2006
Sep 2006
Feb 2007
Nov 2006
Period
416
Anlisis Especficos
Anlisis de Eventos Recurrentes

Anlisis de Eventos Recurrentes (RDA)

hasta ahora, tratamos datos de tiempo hasta falla.
En esos casos, la metodologa de Anlisis de datos de
Vida trata tems que experimentaron un nico evento fin
de vida. En otras palabras, cada tem de la muestra posee
un nico valor observado, la edad de falla o la edad sin
falla (suspensin).
en contraste, otras aplicaciones involucran datos de eventos
repetidos, donde el tem de la muestra puede tener
acumulado algunos eventos a lo largo de su vida.
Como ejemplo podemos citar los diversas reparaciones
realizadas en un producto/equipamiento, episodios de

enfermedades recurrentes (ej. Tumor malgno), nacimientos

de hijos, divrcios.
Tales eventos repetidos son referenciados como Eventos
Recurrentes.
Abordaje
El RDA tal como el LDA puede ser:
no-Paramtrica
no es hecha ninguna suposicin sobre el
modelo.
Paramtrica
un modelo es adecuado a los datos y los
resultados de inters son obtenidos a partir de
el.
Reconsidere los datos de los Camiones

Truck Event Mileage
First Replacement 62874
1 Second Replacement 95777
Current Mileage 113266
4
Second Replacement 57760
5
Third Replacement 83538
6


7
Second Replacement 66446
9
Third Replacement 91035
Current Mileage 127216 Truckrda.rwp
10
RDA no Paramtrica
Mean Cumulative Function
5.000
MCF
CB@95%
MCF
Lower Limit
Upper Limit
Nmero Esperado de Eventos Acumulados
4.000
3.000
MCF
2.000
Millaje
1.000
Name
Company
8/10/2005
0.000 3:15:21 PM
5000.000 44000.000 83000.000 122000.000 161000.000 200000.000
Measurement
421
RDA no Paramtrica
General Renewal Process

RDA Paramtrica
q=0: Tan bueno como nuevo

(As good as new).
.
.
.
q=1: Tan bueno como viejo
(As good as old).
423
Anlisis Especficos
Diseo de experimentos (DOE)

Diseo de Experimentos (DOE)

cuando planeamos un ensayo la mayora
de las personas quieren:
1. Tamao Pequeo de muestras.
2. Corto tiempo para el Ensayo.
3. Buenos Resultados.
Infelizmente, usted puede escoger
solamente dos opciones.

usted no puede tener todas!

Diseo de experimentos - Demostracin

Siempre es una buena decisin planificar Ensayos de
Confiabilidad donde sern probados una cantidad
significativa de tems hasta la falla, sin embargo sabemos
que esto no siempre es viable.
Generalmente el tiempo disponible para ejecutar un ensayo,
que servir para demostrar la exigencia especificada de
confiabilidad, es relativamente corto.
Se le pedir entonces a los ingenieros que planifiquen
ensayos que posean una combinacin entre cantidad de
tems, tiempo de ensayo y cantidad de fallas aceptables que
demostrarn el objetivo de Confiabilidad deseado, con el

menor desembolso de recursos.

Existen diversos mtodos que pueden ser utilizados para
realizar la planificacin de los ensayos, dependiendo de las
suposiciones que el planificador est dispuesto a hacer.
Diseo de experimentos - Demostracin

un tipo comn de problema en la planificacin de
ensayos es aquel donde debe ser demostrada una
cierta confiabilidad para un determinado tiempo, y
con una cierta confianza especificada.
El ingeniero puede tener restricciones en cuanto a
la duracin del ensayo o en cuanto a la cantidad
de tems disponibles para el ensayo.
Generalmente, es deseable planificar ensayos en
que se demuestre la Confiabilidad especificada
con ninguna falla.
Como forma de hacer esto, es necesario hacer una

suposicin sobre la naturaleza de la distribucin
de falla del producto.
Se debe estar listo para especificar la distribucin y el
parmetro de forma a priori.
Demostracin & ensayo

tiempo & Confiabilidad
Demostracin tiempo tDEMO ensayo tiempo tTEST

Demostracin rel. RDEMO ensayo Confiabilidad RTEST
ESPECIFICADO TBD
Binomial Acumulada
La ecuacin binomial acumulada es utilizada para establecer
la relacin de la Confiabilidad del ensayo, RTEST , el nmero
de tems en ensayo, n, el nmero de fallas, f, y los limites de
confianza, CL. La ecuacin de la binomial acumulada es:
f
n!
1 CL = (1 RTEST ) (n i )
RTEST
i
i=0 i!(n i )!
donde:
CL = el limite de confianza adquirido,
f = el nmero de fallas permitido,

n = el nmero total de tems en el ensayo, e
RTEST = la Confiabilidad del ensayo.
Binomial Acumulada (cont.)
Observe que la ecuacin de la

sin tiempo! binomial acumulada no posee el
termino tiempo. Para traer el
tiempo al contexto, usted tendr
que utilizar la funcin
Confiabilidad para determinar el
RTEST.
Alternativamente, se fuese
deseado asumir que TTEST = TDEMO,
se puede utilizar la binomial
acumulada para planificar

ensayos sin hacer ninguna

suposicin sobre la distribucin
de falla.
Ecuacin de la Confiabilidad
Ejemplo Weibull
Si el TTEST no es igual al TDEMO , entonces se debe
utilizar una ecuacin de distribucin de falla de la
Confiabilidad para determinar RTEST .
Por ejemplo, supongamos que un ingeniero
necesita disear un ensayo que demuestre una
confiabilidad de 90% en t = 100 horas, con 95% de
confianza. El ingeniero supone una distribucin
Weibull con parmetro de forma = 1,5. El
ingeniero tambin define que ninguna falla ser
permitida durante el ensayo, o f = 0.
El objetivo del ejemplo es determinar el nmero de

combinaciones de tiempo de ensayo y unidades
testadas para demostrar la Confiabilidad deseada.
Ecuacin de Confiabilidad
Ejemplo Weibull
Las especificaciones consideradas de nmero de fallas y nivel de
confianza pueden ser substituidas dentro de la ecuacin de la
binominal acumulada:
f
n!
1 CL = ( ) ( n i )
1 RTEST RTEST
i
i = 0 i!(n i )!
donde:
f = 0 , CL = 0 , 95
La ecuacin de la binominal acumulada es ahora reducida para la
relacin entre la Confiabilidad demostrada en el ensayo, RTEST , y el
nmero de tems del ensayo, n :
0,05 = (1 RTEST ) RTEST

n
Para establecer la relacin entre el tiempo de ensayo y las unidades

probadas , debemos utilizar la ecuacin de Confiabilidad Weibull.
Ejemplo Weibull
(t / )
La ecuacin de Confiabilidad Weibull es dada por: R=e
t DEMO
Esto puede ser re-escrito como: = 1
( ln(RDEMO ))
Con las especificaciones:
R DEMO = 0,9, t DEMO = 100 , = 1,5

Y asumiendo el parmetro de forma , podemos determinar el valor
del parmetro de escala .

t DEMO 100
= 1
= 1
= 448,3
( ln(RDEMO )) ( ln(0.9))1.5
Ejemplo Weibull
Usando el valor de , la ecuacin de Confiabilidad Weibull puede ser
re-escrita como:
(tTEST / )
R TEST =e
Esto puede establecer una relacin entre el tiempo de ensayo y los
tems ensayados:
(
0,05 = 1 e (tTEST / )
) (e (tTEST / 448.3)1.5
)

Esta ecuacin puede ser resuelta iterativamente para generar el

nmero de combinaciones de tiempo de ensayo/tems de ensayo lo
que permitir obtener la Confiabilidad especificada.
Ejemplo Weibull
El grfico siguiente representa las combinaciones de tiempo y
tems de ensayos que pueden mostrar la Confiabilidad requerida
para cero falla durante el ensayo.
Test Time vs. Test Units
1000
900
800
700
600
500
400
300
200
0 1 2 3 4 5 6 7 8 9 10 11
Number of Test Units
0 Failures
Que puede ser Determinado?

Basados en las entradas, la combinacin entre las
ecuaciones de la binominal acumulada y la ecuacin de
Confiabilidad, pueden ser utilizadas para resolver algunas
variables:
Cuantas unidades deben ser probadas?

Cuanto tiempo debe durar el ensayo?
Cuantas fallas sern permitidas?
Cual es el nivel de confianza?
La solucin para algunas de estas combinaciones puede ser

bastante compleja y requerir mtodos numricos para llegar
a una solucin.
El Design Reliability Test del Weibull++

La resolucin de todas las posibles combinaciones de entrada de
variables para la binominal acumulada, y las ecuaciones de
Confiabilidad, pueden ser difciles y consumir bastante tiempo.
El mdulo Design of Reliability Test Weibull++ permite que el usurio
obtenga soluciones rpidamente y de manera bastante fcil.
437
Referencias

Referencias
Reliability Engineering Handbook
Vols 1 & 2, by Dimitri Kececioglu
Reliability and Life Testing Handbook
Vols 1 &2, by Dimitri Kececioglu
Stadistical Methods for Reliability Data
by William K. Meeker and Luis A. Escobar
Applied Life Data Analysis
by Wayne Nelson
Reliability Engineering
by Elsayed A. Elsayed
Additional books are listed at:
http://www.reliasoft.com/Books/index.html

RS 401 Analisis de Datos de Vida PDF

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

RS 401 Analisis de Datos de Vida PDF

Încărcat de

Drepturi de autor:

Formate disponibile

MSMT Foundations

Language Version: Spanish 1992-2005 ReliaSoft Corporation - ALL RIGHTS RESERVED

MSMT Foundations - RS401

1998-2005 ReliaSoft Corporation

Da 1-2 Da 3 Dia 4 Dia 5

Textbook el estilo de la tapa del

material se puede encontrar en

Referencias Adicionales para esta Seccin

MSMT Foundations - RS401

Por que Confiabilidad?

1998-2005 ReliaSoft Corporation

La Ingeniera de Confiabilidad entrega

de tiempo, en ambientes especficos y sin

procesos; para asegurar que estos ejecuten

Cual es la expectativa de vida de un

Podemos optimizar los costos involucrados?

vida del producto y a un costo mnimo de

MSMT Foundations - RS401

Por que la Confiabilidad es

1998-2005 ReliaSoft Corporation

Consumidores Exigen Confiabilidad

Reliability 94.0% 96.3%

Por que Ingeniera de Confiabilidad?

Como sera el resultado de esta

Por que Ingeniera de Confiabilidad?

El consumidor de hoy es mas inteligente

Lnea de Montaje de un Utilitario

facturar millares de dlares por hora.

Lnea de Montaje de un Utilitario

realidad estaban experimentando una

disponibilidad muy baja de los routers dentro

de los tems en prueba pasaron de 1.000.000 km.

Este tipo de ensayo de Confiabilidad: Es una

Responsabilidad del producto

Quin paga por esto y cunto ?

El conocimiento del Comportamiento de Vida de

este componente permiti la implementacin de

Las fallas pueden tener muchos efectos, desde

Confiabilidad es dinero! (cont.)

genera lucro o perjuicio?

MSMT Foundations - RS401

1998-2005 ReliaSoft Corporation

Verso: 1.02 Language/Region: Spanish Balance de la Confiabilidad

La Confiabilidad debe estar balanceada con los otros

Quien debe estar involucrado?

Personal de produccin Gerentes y Ejecutivos

Quien debe estar involucrado?

Concentrando los intereses y los esfuerzos de todos

Cundo se debe aplicar la Confiabilidad?

Desde el nacimiento hasta la muerte.

Cundo se debe aplicar la Confiabilidad?

los cambios de proyecto y el proceso, en la

La Confiabilidad es la calidad en el tiempo.

Costo del producto X Confiabilidad

no solamente por el costo del producto hasta la

Costo del producto X Confiabilidad

ser determinado a travs de la definicin de la

Costo del producto x Confiabilidad

Con el paso del tiempo el producto envejece, se

desgasta y la tasa de falla comienza a aumentar

Failure Rate (aka Hazard Rate)

Failure Rate (aka Hazard Rate)

Failure Rate (aka Hazard Rate)