FUNCIONES DE FIABILIDAD

INTRODUCCIÓN

La ingeniería de la fiabilidad es una disciplina que necesita de la probabilidad y

de la estadística. Tanto es así, que el objetivo fundamental de la misma no es
otro que la obtención de un modelo matemático capaz de estimar y predecir
la fiabilidad del sistema. Este modelo se obtiene por medio de funciones
estadísticas que se ajustan a los datos disponibles, normalmente datos
históricos o ensayos realizados.
Del elevado número de funciones estadísticas existentes en la literatura,
apenas cinco de ellas, cuya selección dependerá de la naturaleza de los datos,
parecen suficientes para modelar la mayor parte de los fenómenos de este
tipo.
 INTRODUCCIÓN

Es importante para el ingeniero de mantenimiento ser consciente del

hecho de que un dispositivo sea muy fiable, no invalida que pueda
ocurrir el suceso contrario aunque éste sea de muy baja
probabilidad. Por ejemplo, la probabilidad de que toque la lotería es
muy baja, del orden de 10-5 (1 entre 100.000), y sin embargo a
alguien le toca en cada sorteo. Por este motivo se debe estar
preparado para actuar en cualquier momento con la respuesta
adecuada.
 INTRODUCCIÓN

Como ya indicó Galileo (1564-1642): “Hay que medir todo lo que es

medible y hacer medible lo que no lo es”. Por tanto, la mera descripción
de los fenómenos naturales no basta, hay que expresarlos mediante
modelos matemáticos que permitan realizar cálculos y predicciones
fiables. Lo cuantitativo (cantidad) supone un avance sobre lo cualitativo
(cualidad), pues si no podemos interpretar la calidad (bueno, malo,
regular, etc.) en forma de intervalos medibles y comparables las
estimaciones y predicciones se hacen más difíciles.
 DESCRIPTORES ESTADÍSTICOS: MEDIA, MEDIANA,
VARIANZA Y DESVIACIÓN TÍPICA

1) Población o Universo: Conjunto completo de individuos, objetos, o

medidas los cuales poseen una característica común observable y que
serán considerados en un estudio.
2) Muestra: Es un subconjunto o una porción de la población.
3) Variable: Característica o fenómeno de una población o muestra que
será estudiada, la cual puede tomar diferentes valores.
4) Datos: Números o medidas que han sido recopiladas como resultado
de la observación.
5) Estadístico: Es una medida, un valor que se calcula para describir
una característica a partir de una sola muestra.
6) Parámetro: Es una característica cuantificable de una población.
 Medidas características de una distribución

Entre las medidas características de una distribución destacan las

llamadas medidas de centralización, que nos indicarán el valor promedio
de los datos, o en torno a que valor se distribuyen estos.

La media aritmética ( también denominada media ) es la medida de

tendencia central que se utiliza con mayor frecuencia. Se calcula
sumando todas las observaciones de un conjunto de datos, dividiendo
después ese total entre el número total de elementos involucrados.
 Mediana

Una medida de centralización

importante es la mediana Me. Se
define ´esta como una medida
central tal que, con los datos
ordenados de menor a mayor, el
50% de los datos son inferiores a
su valor y el 50% de los datos
tienen valores superiores. Es decir,
la mediana divide en dos partes
iguales la distribución de
frecuencias o, gráficamente, divide
el histograma en dos partes de
áreas iguales.
 Moda
Se define la moda Mo de una muestra como aquel valor de la variable que
tiene una frecuencia máxima. En otras palabras, es el valor que más se
repite. Hay que indicar que puede suceder que la moda no sea única, es
decir que aparezcan varios máximos en la distribución de frecuencias. En
ese caso diremos que tenemos una distribución bimodal, trimodal, etc.
Evidentemente, en el caso de una variable discreta que no toma valores
repetidos, la moda no tiene sentido. Cuando sı existen valores repetidos su
cálculo es directo ya que puede leerse directamente de la tabla de
distribución de frecuencias.
 Medidas de dispersión
Las medidas de centralización vistas anteriormente reducen la información
recogida de la muestra a un solo valor. Sin embargo, dicho valor central, o
medio, será más o menos representativo de los valores de la muestra
dependiendo de la dispersión que las medidas individuales tengan
respecto a dicho centro. Para analizar la representatividad de las medidas
de centralización se definen las llamadas medidas de dispersión. Estas nos
indicarán la variabilidad de los datos en torno a su valor promedio, es decir
si se encuentran muy o poco esparcidos en torno a su centro.
 Varianza y desviación típica

Sin lugar a dudas la medida más usada para estimar la dispersión de los
datos es la desviación típica. Esta es especialmente aconsejable cuando
se usa la media aritmética como medida de tendencia central. Al igual
que la desviación media, está basada en un valor promedio de las
desviaciones respecto a la media. En este caso, en vez de tomar valores
absolutos de las desviaciones, para evitar así que se compensen
desviaciones positivas y negativas, se usan los cuadrados de las
desviaciones. Esto hace además que los datos con desviaciones
grandes influyan mucho en el resultado final.
Modelos de Confiabilidad
 DISTRIBUCIÓN NORMAL

Esta distribución se ajusta normalmente a datos de dos tipos en

mantenimiento. En primer lugar a los fallos de elementos que
estén sometidos a desgaste, como pueden ser los fallos
mecánicos, y en el otro, en el estudio del cumplimiento de las
especificaciones por parte de los ítems fabricados.
DISTRIBUCIÓN NORMAL
Usos de la distribución normal para modelar datos de fiabilidad

Las aplicaciones industriales con frecuencia generan datos que están distribuidos
normalmente. Sin embargo, la distribución normal no se utiliza tan comúnmente
como otras distribuciones para modelar datos de fiabilidad, en parte debido a que
su cola izquierda se extiende hasta el infinito negativo, lo que podría ocasionar una
caracterización incorrecta de los tiempos de falla negativos. La mayoría de los
datos de fiabilidad se modelan usando distribuciones para variables aleatorias
positivas, como las distribuciones exponencial, de Weibull, gamma y lognormal.
Por lo tanto, son menos las aplicaciones que utilizan la distribución normal como
un modelo para la vida útil de los productos. Sin embargo, si la media de los datos
es mayor que 0 y su variación relativamente baja, la distribución normal puede ser
útil para modelar ciertos tipos de datos de vida útil. Note que la distribución normal
se aproxima bastante a la distribución de Weibull cuando 3 < β < 4.
La distribución normal a veces puede utilizarse para
modelar la vida útil de artículos consumibles, en los
cuales el riesgo de falla siempre va en aumento. Los
dispositivos con filamentos eléctricos, como las
bombillas incandescentes y las resistencias de las
tostadoras, son ejemplos de artículos cuyos datos de
falla podrían seguir una distribución normal. La fuerza
de la unión de un cable en los circuitos integrados es
otro ejemplo.
Ejemplo 1: Vida útil de las bebidas
Para evaluar la vida útil de las bebidas,
unos analistas registran el número de días
que transcurren antes de que una bebida
embotellada se decolore.
Ejemplo 2: Fiabilidad de la tostadora
Unos ingenieros realizan pruebas de vida
en una tostadora con un nuevo
componente.
Función de densidad de probabilidad y función de riesgo para la
distribución normal

Función de densidad de probabilidad

La función de densidad de probabilidad
para la distribución normal es simétrica y
en forma de campana.

Función de riesgo
La función de riesgo de la distribución
normal muestra un riesgo de falla
estrictamente creciente.
 Distribución Binomial

Consideremos un experimento consistente en n

intentos, cada intento puede resultar positivo o
negativo con probabilidades p y q respectivamente.
La probabilidad Pr de r positivos y (n − r) negativos
es:

𝑛
𝑃𝑟 = 𝑟
𝑝𝑟 1 − 𝑝 𝑛−𝑟

Donde:
𝑛 𝑛!
𝑟
=
𝑛−𝑟 !𝑟!
 Distribución Binomial

Si X denota el numero de positivos en n intentos, entonces X es una

variable discreta con valor medio de (np) y varianza de (npq).

Esta distribución se asocia al caso de n componentes con una

probabilidad p de falla, entonces la probabilidad de encontrar r
defectuosos de un total de n viene dado por Pr. En el caso de sistemas
redundantes donde se necesitan r componentes funcionando de un
total de n, la confiabilidad del sistema viene dada por

𝑛 𝑛
𝑅𝑟 𝑛 = 𝑖=𝑟 𝑖 𝑅𝑖 1 − 𝑅 𝑛−𝑖
 Distribución de Poisson

La distribución de Poisson representa la probabilidad de que

ocurra un determinado número de eventos durante un intervalo
de tiempo dado, basándose en una frecuencia de ocurrencia
media de parámetro (λ).

Se emplea para tratar sucesos estadísticos en los cuales se

desconoce el tamaño de la muestra.
 Distribución de Poisson

Para eventos continuos que ocurren a una tasa de λ eventos por unidad de
tiempo, la probabilidad Px(t) de que ocurran exactamente x eventos en el
intervalo (0, t) esta dada por,

𝜆𝑡 𝑥 𝑒 −𝜆𝑡
𝑃𝑥 𝑡 =
𝑥!
El numero de eventos x en (0, t) es una variable discreta con valor medio de
(λt) y varianza de (λt). Esta distribución entrega la confiabilidad de un sistema
redundante pasivo

−𝜆𝑡 𝑛 𝜆𝑡 𝑟
𝑅𝑠 =𝑒 𝑟=0 𝑟!

Donde n es el numero de componentes redundantes

 Distribución Exponencial
La función de distribución, de uso generalizado para modelar
la fiabilidad de los equipos, es la exponencial. Ésta, además
de ser muy sencilla, se adapta muy bien a la zona central de
la curva de la bañera en la cual la tasa de fallos es constante
y aleatoria.

Durante esta etapa la unidad no presenta síntomas de

envejecimiento durante el periodo modelado, o lo que es lo
mismo, es igualmente probable que falle cuando está más
nueva que cuando no lo está. Empleando esta distribución
se considera que un elemento que aún no ha fallado es tan
bueno como un componente nuevo.
 Distribución Exponencial

Los componentes con tasa de falla constante tienen una distribución

exponencial. Si λ(t) =λ , la confiabilidad viene dada por:

𝑡
− 0𝜆
𝑡 𝑑𝑡
R(t)=𝑒 =𝑒 −𝜆𝑡

El tiempo medio entre fallas:

∞ ∞ −𝜆𝑡 1
𝑀𝑇𝑇𝐹 = 0
𝑅 𝑡 𝑑𝑡 = 0
𝑒 dt=
𝜆
 Distribución Exponencial

La probabilidad de falla es:

𝐹 𝑡 = 1 − 𝑅 𝑡 = 1 − 𝑒 −𝜆𝑡

Y por último la función densidad de probabilidad de fallas,

𝑑𝐹(𝑡)
f t = =𝜆𝑒 −𝜆𝑡
𝑑𝑡
Usos de la distribución exponencial para modelar datos de
fiabilidad
La distribución exponencial es una distribución simple con solo un parámetro
y comúnmente se utiliza para modelar datos de fiabilidad. La distribución
exponencial es en realidad un caso especial de la distribución de Weibull
con ß = 1.

La distribución exponencial ofrece un modelo adecuado para la fase de la

vida útil de un producto o elemento en la que es igual de probable que falle
en cualquier momento, sin importar si es totalmente nuevo o si tiene un año
o varios años de antigüedad. En otras palabras, la fase previa al inicio del
envejecimiento y desgaste durante su uso previsto.
•La distribución exponencial suele utilizarse para modelar componentes
electrónicos que por lo general no se desgastan hasta mucho después de la
vida útil esperada del producto en el que están instalados. Entre los ejemplos
están los componentes de los circuitos integrados de alta calidad, como
diodos, transistores, resistencias y condensadores.
•La distribución exponencial también se considera un modelo excelente para
el período largo y "plano" (relativamente constante) de bajo riesgo de falla que
caracteriza a la porción media de la curva de bañera. Esta fase se
corresponde con la vida útil del producto y se conoce como la porción de "falla
intrínseca" de la curva.
•Sin embargo, la distribución exponencial no debe utilizarse para modelar
componentes mecánicos o eléctricos que se espera que muestren fatiga,
corrosión o desgaste antes de que termine la vida útil del producto, como los
rodamientos de esferas o ciertos láseres o filamentos.
Una propiedad importante de la distribución exponencial es que no
tiene memoria. La propiedad de ausencia de memoria indica que la
vida útil restante de un componente no depende de su antigüedad
actual. Por ejemplo, un sistema que está sujeto a uso y desgaste y, por
lo tanto, tiene más probabilidades de fallar en una etapa más
avanzada de su vida útil no es un sistema sin memoria. Por lo tanto,
esta distribución debe utilizarse cuando la tasa de fallas sea constante
durante toda la vida útil del producto. El número de fallas por unidad
en el tiempo por lo general se expresa como un porcentaje de fallas
por unidad de tiempo, como por ejemplo el porcentaje de fallas por
cada mil horas.
Ejemplo 1: Transistores
Se sabe que un componente electrónico tiene una
tasa constante de fallas durante la vida útil
esperada de un producto. Los ingenieros registran
el tiempo para fallar del componente en condiciones
normales de funcionamiento.
Ejemplo 2: Filamentos
Una empresa de bombillas produce filamentos
incandescentes que no se espera que se desgasten
durante un período prolongado de uso normal.
Desean ofrecer una garantía de 10 años de
funcionamiento. Los ingenieros someten a esfuerzo
las bombillas para simular un uso prolongado y
registran los meses hasta la falla para cada
bombilla.
Función de densidad de probabilidad y función de riesgo para la
distribución exponencial

Función de densidad de probabilidad

La función de densidad de probabilidad
indica que los datos de fallas son
asimétricos a la derecha

Función de riesgo
La función de riesgo indica que el riesgo
de falla es constante
 Distribución de Weibull
En teoría de la probabilidad y estadística, la
distribución de Weibull es una distribución de
probabilidad continua y multiparamétrica. En el
campo de la fiabilidad y el mantenimiento es la más
utilizada y una de las que aportan mayor precisión.
Puede ser usada con dos y tres parámetros, siendo
el tercer parámetro el tiempo To en que empieza la
función o aquel a partir del cual cambia de forma
importante el comportamiento del equipo. Se usa en
el estudio de fallos de los sistemas mecánicos
(análisis de la supervivencia)
 Distribución de Weibull

Mientras que la función de la distribución exponencial

modela la característica de vida de los sistemas, la de
Weibull modela las características de vida de los
componentes y partes. La distribución de Weibull modela la
fatiga y los ciclos de fallos con gran flexibilidad adaptándose
a un gran número de situaciones: sistemas que fallen
cuando lo hace el elemento más débil, elementos que se
desgastan hasta consumirse, fatiga de materiales y
tensiones de rotura, entre otros muchos.
 Distribución de Weibull
En una distribución de Weibull, la tasa de fallas viene dada por

𝛽−1
𝛽 𝑡−𝛾
𝜆 𝑡 =
𝜂 𝜂

Donde,
𝑡 − 𝛾, y 𝛾 es el parámetro de inicio
𝛽 > 0 es el parámetro de forma
𝜂> 0 es el parámetro de escala
Distribución de Weibull
 Usos de la distribución de Weibull para modelar datos de fiabilidad

La distribución de Weibull es la distribución que más se utiliza para modelar datos de

fiabilidad. Esta distribución es fácil de interpretar y muy versátil. En el análisis de fiabilidad,
esta distribución se puede usar para responder a preguntas tales como:

•¿Qué porcentaje de los elementos se espera falle durante el período de

quemado? Por ejemplo, ¿qué porcentaje de los fusibles se espera que
falle durante el período de quemado de 8 horas?

•¿Cuántos reclamos de garantía pueden esperarse durante la fase de

vida útil? Por ejemplo, ¿cuántos reclamos de garantía se espera recibir
durante la vida útil de 50,000 millas de este neumático?

•¿Cuándo se espera que se produzca un desgaste rápido? Por ejemplo,

¿cuándo debe programarse mantenimiento regular para evitar que los
motores entren en una fase de desgaste?
La distribución de Weibull puede modelar datos que son asimétricos
hacia la derecha, asimétricos hacia la izquierda o simétricos. Por lo tanto,
la distribución se utiliza para evaluar la fiabilidad en diversas
aplicaciones, incluyendo tubos de vacío, condensadores, rodamientos de
esferas, relés y resistencia de los materiales. La distribución de Weibull
también puede modelar una función de riesgo que sea decreciente,
creciente o constante, lo que le permite describir cualquier fase de la vida
útil de un elemento.
La distribución de Weibull podría no funcionar con la misma eficacia
cuando se trate de fallas de productos causadas por reacciones químicas
o un proceso de degradación como la corrosión, que puede ser la causa
de la falla de los semiconductores. Por lo general, este tipo de
situaciones se modelan usando la distribución lognormal.
 Distribución de Rayleigh

Cuando la distribución de Weibull tiene un parámetro de forma de 2,

se conoce como la distribución de Rayleigh. Esta distribución suele
utilizarse para describir datos de medición en el campo de la
ingeniería de comunicaciones, tales como las mediciones de la
pérdida de retorno de entrada, inyección, de la banda lateral de
modulación, supresión de portadora y atenuación de RF. Esta
distribución también se utiliza con frecuencia en las pruebas de vida
útil de los dispositivos de electrovacío.
Modelo del eslabón más débil

La distribución de Weibull también puede modelar una distribución de vida

útil con muchos procesos idénticos e independientes que conducen a una
falla, donde el primero en llegar a una etapa crítica determina el tiempo de
falla. La teoría del valor extremo sirve de base para este modelo de
"eslabón más débil", donde muchos defectos compiten por ser el eventual
lugar de la falla. Debido a que la distribución de Weibull se puede derivar
teóricamente de la distribución de valor extremo más pequeño, también
puede proporcionar un modelo eficaz para aplicaciones de eslabón más
débil como las fallas de condensadores, rodamientos de esferas, relés y
resistencia de los materiales. Sin embargo, si la variable de interés puede
asumir valores negativos, la distribución de valor extremo más pequeño es
una mejor opción, porque la distribución de Weibull solo puede modelar
valores positivos debido a su límite inferior de 0.
Ejemplo 1: Condensadores
Unos condensadores fueron sometidos a un alto
nivel de esfuerzo para obtener datos de falla (en
horas). Los datos de falla se modelaron usando una
distribución de Weibull.
Ejemplo 2: Filamentos
Una empresa de bombillas produce filamentos
incandescentes que no se espera que se desgasten
durante un período prolongado de uso normal. Los
ingenieros de la empresa desean garantizar el
funcionamiento de las bombillas por 10 años. Los
ingenieros someten a esfuerzo las bombillas para simular
un uso prolongado y registran las horas hasta la falla para
cada bombilla.
Relación entre los parámetros de la distribución de Weibull, las
funciones de fiabilidad y las funciones de riesgo

Al ajustar el parámetro de forma, β, de la distribución de

Weibull, se puede modelar las características de muchas
distribuciones diferentes de vida útil.

0<ß<1

Las fallas prematuras se producen en el período inicial de la vida útil de un

producto. Estas fallas pueden requerir un período de "quemado" del producto
para reducir el riesgo de falla inicial.
Función de densidad de probabilidad
Decrecimiento exponencial desde lo infinito

Función de riesgo
Tasa de fallas inicialmente alta que disminuye con el
tiempo (primera parte de la función de riesgo en forma de
“bañera”)
ß=1

La tasa de fallas se mantiene constante. Fallas aleatorias,

fallas por múltiples causas. Modela la “vida útil” del
producto.

Función de densidad de probabilidad

Decrecimiento exponencial desde 1/α (α = parámetro de
escala)

Función de riesgo
Tasa de fallas constante durante la vida útil del producto
(segunda parte de la función de riesgo en forma de
"bañera")
ß = 1.5

Falla por desgaste prematuro

Función de densidad de probabilidad

Aumenta hasta el nivel máximo y luego disminuye

Función de riesgo
Tasa de fallas creciente, en la que el mayor aumento
ocurre en la etapa inicial
ß=2

El riesgo de falla por desgaste aumenta constantemente

durante la vida útil del producto

Función de densidad de probabilidad

Distribución de Rayleigh

Función de riesgo
Tasa de fallas de aumento lineal
3 ≤ ß ≤4

Fallas por desgaste rápido. Modela el período final de la

vida útil de un producto, cuando ocurre la mayoría de las
fallas.

Función de densidad de probabilidad

Con forma de campana

Función de riesgo
Aumenta rápidamente
ß > 10

Fallas por desgaste muy rápido. Modela el período final

de la vida útil de un producto, cuando ocurre la mayoría
de las fallas.

Función de densidad de probabilidad

Similar a la distribución de valor extremo

Función de riesgo
Aumento muy rápido
 Distribución lognormal en el análisis de fiabilidad

Usos de la distribución lognormal para modelar datos de fiabilidad

La distribución lognormal es una distribución flexible que se relaciona

estrechamente con la distribución normal. Esta distribución puede resultar
particularmente útil para modelar datos que sean aproximadamente simétricos o
asimétricos a la derecha. Al igual que la distribución de Weibull, la distribución
lognormal puede tener apariencias marcadamente diferentes dependiendo de su
parámetro de escala.
De hecho, a veces el modelo lognormal y el modelo de
Weibull pueden ajustarse de forma igualmente adecuada a
un conjunto específico de datos de prueba de vida útil. Sin
embargo, hay una diferencia importante que debe
considerarse. Al usar estas distribuciones para extrapolar
más allá del rango de datos de la muestra, la distribución
lognormal predecirá tasas promedio de fallas más bajas
que la distribución de Weibull en los primeros momentos.
La distribución lognormal se ha descrito como el modelo de distribución de datos de vida útil
más comúnmente utilizado para muchas aplicaciones de alta tecnología. La distribución se
basa en el modelo de crecimiento multiplicativo, lo que significa que en cualquier instante de
tiempo, el proceso sufre un incremento aleatorio de degradación que es proporcional a su
estado actual. El efecto multiplicador de todos estos incrementos independientes aleatorios
se acumula para generar la falla. Por lo tanto, la distribución suele utilizarse para modelar
partes o componentes que fallan principalmente debido a esfuerzo o fatiga, incluyendo las
siguientes aplicaciones:

•Falla debido a reacciones químicas o degradación, como corrosión, migración o difusión,

que es común en el caso de los semiconductores

•Tiempo para fractura en metales sujetos al crecimiento de roturas por fatiga

•Componentes electrónicos que presentan menor riesgo de falla después de cierto tiempo
Sin embargo, si no se espera que los
componentes fallen hasta mucho después
de que se complete la vida tecnológica del
producto en el que están instalados (es
decir, la tasa de fallas de un componente
es constante durante su vida útil
esperada), una distribución exponencial
podría ser más apropiada.
Ejemplo 1: Componentes electrónicos
Los ingenieros registran el tiempo para fallar de un
componente electrónico en condiciones normales de
funcionamiento. El componente muestra un menor
riesgo de falla con el paso del tiempo, lo cual podría
modelarse usando una distribución lognormal.
Ejemplo 2: Ventiladores de generadores diesel
Se registró el tiempo de falla durante la vida útil de
los ventiladores de generadores diesel. Se utilizó
una distribución lognormal para modelar los datos.
Función de densidad de probabilidad y función de riesgo para
la distribución lognormal

Función de densidad de probabilidad

Los datos presentan asimetría hacia la derecha.

Función de riesgo
El riesgo de falla aumenta rápidamente hasta un máximo,
luego disminuye.
 Funciones de riesgo en el análisis de fiabilidad

La función de riesgo es la tasa instantánea de fallas en un

tiempo dado. Las características de una función de riesgo
suelen estar asociadas con ciertos productos y aplicaciones.
Las funciones de riesgo diferentes se modelan con modelos de
distribución diferentes. Las funciones de riesgo también pueden
modelarse de un modo no paramétrico.
 Función de riesgo creciente

Indica que es más probable que los elementos fallen con el tiempo. Por ejemplo, muchos
elementos mecánicos que están expuestos a esfuerzo o fatiga tienen un mayor riesgo de
falla durante la vida útil del producto. Los ingenieros podrían usar una prueba para
simular el esfuerzo de desgaste. Por ejemplo, los ingenieros podrían simular el uso
prolongado de una bombilla y luego registrar el tiempo que transcurre hasta que se
produce una falla.

Una distribución de Weibull suele usarse para modelar este tipo de falla por desgaste.
 Función de riesgo decreciente

Indica fallas que es más probable que se produzcan temprano en la vida útil de un
producto. Un ejemplo son los productos o partes creados con metales que se
endurecen con el uso y, por consiguiente, se hacen más fuertes conforme pasa el
tiempo. Otro ejemplo son los errores en un programa de computadora, que son más
probables cerca del lanzamiento del nuevo programa, pero luego disminuyen a
medida que pasa el tiempo.
Con frecuencia, este tipo de datos se puede modelar usando una distribución de
Weibull con un parámetro de forma menor que 1.
 Función de riesgo constante

Indica fallas que es igual de probable que se produzcan en cualquier momento durante la
vida útil del producto. Este período relativamente constante de bajo riesgo de falla
caracteriza a la porción media de la curva de bañera.

Esta función se puede modelar usando la distribución exponencial.

 Función de riesgo en forma de bañera

Muchos productos tienen tasas de fallas que siguen la curva de la "bañera". La tasa de
riesgo suele ser alta al principio, baja en el medio y nuevamente alta al final de la vida útil.
Por esa razón, la curva resultante de los tres períodos de fallas se asemeja con frecuencia
a la forma de una bañera. Los televisores y las calculadoras portátiles son dos productos
que comúnmente presentan una función de riesgo en forma de bañera. También los
microprocesadores, que pueden fallar pronto después de su instalación en un sistema
informático.