Presentación Final

PROGRAMA DE EXTENSIN PARA
PROFESIONALES EN INGENIERIA
DEL MANTENIMIENTO
Herramientas de anlisis de la
Confiabilidad
Contenido
Introduccin
Unidad 1: Fundamento Estadstico
Unidad 2: Datos y Tipo de Datos
Unidad 3: Distribucin Exponencial
Unidad 4: Distribucin Normal
Unidad 5: Distribucin Weibull
Unidad 6: Limites de Confianza
INTRODUCCIN
Qu es Confiabilidad?
Es la probabilidad de que un producto realice su funcin
prevista durante su periodo de uso, en condiciones
especificadas de funcionamiento, de manera que cumpla o
supere las expectativas de los clientes.
Discusin
Probabilidad:
La confiabilidad es un fenmeno probabilstico. Depende de:
Los materiales y componentes suministrados
Como el producto es elaborado y ensamblado
Como el cliente usa el producto.
La exposicin a esfuerzos que afecta el rendimiento
Interaccin entre subsistemas a nivel de sistema
Es una gran preocupacin para las organizaciones aceptar el
concepto probabilstico de la confiabilidad: admitir la
posibilidad de fallas.
Discusin
Probabilidad:
Muchas organizaciones temen que la versin pblica de
la confiabilidad pueda dar lugar a abusos, especialmente
en el caso de lesiones causadas por las demandas de
funcionamiento del producto o la seguridad.
Algunas empresas estn adoptando terminologa
alternativa como "cumplimiento del desafo" o "deterioro
de la funcin" con el fin de evitar el uso de palabras tales
como "falla" o "defecto", que el pblico pudiera
malinterpretar.
Discusin
Funcin prevista del producto:
Debe ser identificada en el proceso de diseo para
asegurar que las necesidades del cliente se ha
incorporado en el producto.
Por ello, es importante que el cumplimiento de cada
funcin debe ser entendida en trminos de las
expectativas del cliente
Discusin
Periodo de uso: (vida til)
Una organizacin miope elige simplemente el diseo de un
producto para sea confiable durante el perodo de garanta
establecido.
Una organizacin proactiva elegira una vida que sea
proporcional al tiempo previsto en el que el producto ser
utilizado.
La especificacin de vida podra basarse en alguno de los
siguientes criterios:
La vida econmica estimada del producto.
El tiempo de garanta
Vida de diseo
Discusin
Condiciones de operacin
Un producto debe ser diseado para realizar las funciones
previstas en condiciones que representen cmo el cliente
utilizar el producto.
Se debe usar el mtodo del producto robusto.
Factores que influyen:
Ambientales
Esfuerzos fsicos
Contacto superficial
Variaciones en el proceso de fabricacin.
Discusin
La voz del cliente:
Es responsabilidad del cliente decidir si el rendimiento de
un producto es o no aceptable.
Cuando un cliente experimenta un rendimiento sin
problemas, esto conduce a mayores niveles de
satisfaccin y atrae nuevos negocios.
Por otro lado, la escasa confiabilidad se traduce en una
erosin de la satisfaccin y lealtad del cliente, que tiene
el efecto opuesto.
Propsito de la Confiabilidad
Determinar el nivel ptimo de Confiabilidad y ser capaces
de controlarla.
La Confiabilidad permite gasto mnimo durante el ciclo de
vida y costo mnimo de produccin, sin comprometer la
Calidad.
Ingeniera de Confiabilidad
Metodologas y tcnicas para caracterizar el estado actual y
predecir el comportamiento futuro de equipos, sistemas y/o
procesos.
Analiza el historial de fallas, para identificar las acciones
correctivas y proactivas que puedan efectivamente optimizar
costos a travs de la sistemtica reduccin de la ocurrencia de
fallas y minimizar su impacto en el negocio.
Permitir responder las siguientes preguntas:
Cul es la expectativa de vida de un producto/
equipo/sistema?
Cuntos retornos/fallas son esperados para el prximo ao?
Cunto costar desarrollar y dar soporte a este producto?
Podemos optimizar los costos involucrados?
Por qu la Confiabilidad
es Importante?
Consumidores exigenConfiabilidad
Factores valorados
para compra de
vehculos nuevos
Critico/muy
importante
Experiencia/
excede
expectativa
Prestigio del fabricante
81.9% 96.0%
Calidad del producto
92.8% 92.9%
Confiabilidad
94.0% 96.3%
Innovacin del producto
59.9% 96.6%
Fuente: Polks manufacturer Loyalty Excelerator. First half 2000 Model Year
Por qu la Confiabilidad es ?
El consumidor de hoy es mas inteligente y esta mas
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 producto
Un fabricante de automviles tiene $4.300 de utilidad
bruta por cada vehculo fabricado.
Cada lnea de montaje produce 60 vehculos por hora,
cuando la produccin fluye sin problemas.
Qu sucede si una lnea de montaje para?.
Lnea de Montaje de un producto
Actualmente las lneas de montaje producen mucho
menos del 75% de su capacidad mxima.
El costo por la No Confiabilidad, para cada lnea,
sobrepasa los $500.000 por turno.
Esto excede los $1,5 millones por da, y en tres
turnos por da...
Ensayo de Durabilidad
Una gran empresa de autopartes redujo la inversin en
ensayos experimentales.
Para demostrar sus metas de Confiabilidad hicieron
algunas pruebas en componentes.
Ejm.: Realizaron pruebas en cilindros de freno y
aprobaron los que pasaron el tiempo de prueba
acumulado de 1.000.000 km.
Este tipo de ensayo de Confiabilidad: Es una buena
estrategia para la empresa?
Mantenimiento
El costo medio de reparacin de una bomba es de
U$ 8.000 en una industria petroqumica.
El MTTF de esta bomba es de 18 meses.
Dado el gran numero de bombas existentes, los
costos de reparacin podran ser muy altos.
El anlisis de datos de vida permiti tomar 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
cientfica, su aplicacin en productos y equipos tiene
impacto directo en el desempeo de las empresas!
Confiabilidad es dinero!
Todos sabemos que no se puede administrar una
empresa sin datos, informes y pronsticos financieros
precisos.
Los datos de confiabilidad de su empresa no deberan
ser debidamente analizados y divulgados, dado que la
Confiabilidad permite generar lucro o prejuicio?
Importancia del estudio de la
Confiabilidad
- El aumento de la complejidad de los sistemas tcnicos con
gran cantidad de componentes.
- La intensidad de los regmenes de trabajo (altas
temperaturas, altas presiones, altas velocidades,...)
- Las duras condiciones de explotacin (temperaturas
extremas, humedad elevada, vibraciones, radiacin,...)
- Exigencia en la calidad del trabajo (precisin, efectividad,..)
Importancia del estudio de la
Confiabilidad
- Aumento de la responsabilidad de las funciones desarrolladas por
el sistema (alto valor econmico asociado a una falla, riesgo de
vidas humanas,...)
- La creciente competencia en todos los sectores industriales y la
necesidad consecuente de diferenciar los productos respecto de
los competidores: diseo, fiabilidad, garanta,..
- Exigencias de los consumidores y existencia de regulaciones y
normativas en algunos campos de actividad concretos.
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.
Quines deben estar
involucrados?
Gerencia
Ejecutivos
Operaciones
Tcnicos
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 Intermedia del Desarrollo Pruebas de Confiabilidad
de los prototipos.
Fase final del desarrollo Demostracin previa de la
Confiabilidad de las pruebas de desarrollo.
Fase de Produccin Inicial Determinacin de la variacin de
la Confiabilidad debido a los efectos del inicio de produccin.
Fase de Produccin Determinacin de efectos de los
cambios de proyecto y del proceso, en la Confiabilidad.
Pos venta Determinacin de la Confiabilidad a lo largo de la
utilizacin del producto, para subsidiar nuevos proyectos.
vs
Control de Calidad
Ingeniera de Confiabilidad estudia el comportamiento de la
tasa de fallas en el tiempo.
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 a lo largo del tiempo.
Costo del producto
vs
Confiabilidad
Un aumento de la Confiabilidad del producto, aumentar el costo
del proyecto.
Una baja produccin y costo del proyecto no significa un bajo
costo en el producto final.
El costo del producto deber ser determinado no solo por el
costo hasta la puerta de la fabrica, si no tambin incluyendo
el costo total del producto durante el tiempo de vida.
Costo del Producto vs. Confiabilidad
Cuantificando la
Confiabilidad
Cuantificando la Confiabilidad
La Confiabilidad caracteriza el periodo de tiempo en que el
producto funcionara.
Funcin del tiempo
Funcin de las condiciones
Definicin precisa del Modo de Falla...
El Control de Calidad tradicional, garantiza que el producto
funcionara despus del montaje si esta conforme con su
especificacin.
Cuantificando la Confiabilidad
Necesita de:
Datos
Modelos
Un diagnostico para la eleccin del modelo apropiado.
Medios para ser comunicada:
Grficos
Informaciones
Costos
Ejemplo : Compaa de Seguro
Se obtuvieron los siguientes datos de mortalidad (edad):
48, 58, 65, 68, 72, 74, 81, 82, 83, 88
Ser suficiente decir que la vida media (basada en estos datos)
es de 71,9 aos de edad?
Si el objetivo es entregar un seguro de vida para 20 hombres
con 50 aos de edad y otro 20 hombres con 40 aos: Esta
media me ayudara a determinar cuanto cobrar?
Ejemplo : Compaa de seguros
Se necesita mas informacin que solo la media.
Se necesita una estimacin de cuantos asegurados
sobrevivirn el prximo ao, dado sus edades actuales.
Necesita cuantificar:
Como la tasa de mortalidad varia de grupo en grupo,
cambiando la franja de edad.
El numero de defunciones esperados en cada grupo
por franja de edad.
Si estamos analizando productos/equipos, la tasa de
mortalidad puede ser entendida como tasa de falla.
Ejemplo : Compaa de seguros
Se necesita de un modelo que pueda generar los resultados
deseados.
ser un modelo probabilstico entregando informacin de
probabilidad, tales como:
La expectativa es que el 99,9% de los hombres con 40 aos
de la edad sobrevivirn un ao mas.
La expectativa es que el 99,3% de los hombres con 50 aos
de edad sobrevivirn un ao mas.
El modelo describir la probabilidad de sobrevivencia
(Confiabilidad).
Modelos
Entregan la estimacin de tasa de falla del producto en funcin
del tiempo.
Los modelos son representaciones matemticas de los datos,
(funciones continuas).
Modelos
Estn basados en distribuciones estadsticas.
Las mas utilizadas son las distribuciones de vida.
Distribucin Weibull
Distribucin Exponencial
Distribucin Normal
Modelos para datos de Vida
1. Definir el modelo.
2. Caracterizar el modelo por el comportamiento de la falla.
Tasa de falla (probabilidad Instantnea)
Es la chance de fallar en la prxima y menor unidad de
tiempo, dado que el tem funciono hasta entonces.
Tasas de falla decreciente: (mortalidad infantil, infancia)
Tasa de falla constante: (Vida til).
Tasa de falla creciente: (desgaste, vejez)
Curva de la baera : (infancia + vida til + vejez)
Curva de la Baera
Idealizada
Diferentes patrones de tasa de falla
Curva de la Baera para un
Auto
T
a
s
a

d
e

F
a
l
l
a
s
Vida (Km)
Mantenimiento Preventivo
D
e
s
g
a
s
t
e
D
e
s
g
a
s
t
e
Nuevo periodo
t = ?
T
a
s
a

d
e

F
a
l
l
a
s
Vida (Km)
Curva de la Tasa de Falla
Construccin de Modelos:
Datos de campo
Banco de Pruebas (inducir fallas y realizar un anlisis rpido)
Ensayo Durante el Desarrollo del Proyecto
Ensayo de Calificacin
Ensayos de Vida
Ensayos Acelerados de Vida Cuantitativos
Ensayo de Crecimiento de la Confiabilidad.
Datos de Campo
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.
Preparacin de Datos
90% de los esfuerzos!!
Obtener los datos (cuanto mas automatizado mejor)
Calificar los datos
Entrada Correcta
Representatividad
Sin Desvos (Viciados o Ficticios)
Tabular los datos de forma correcta.
Anlisis de datos de Vida
Utiliza metodologas estadsticas para
construir modelos probabilsticos a
partir de Datos de vida.
Los modelos son utilizados para
realizar predicciones precisas.
Estimaciones & Predicciones
En el anlisis de Datos de Vida y en la Ingeniera de
Confiabilidad todo esta 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 predecir
con precisin el valor real.
Para Ilustrar
Tenemos una piscina con bolitas negras y rojas.
Calcule el porcentaje de bolitas negras.
Se toma una muestra de 20
bolas
8/20 negras
12/20 rojas
40% son negras y 60% son rojas
Se toma otra muestra de 20
bolas
11/20 negras
9/20 rojas
Se toma una muestra de 200
bolas
108/200 negras
92/200 rojas
Se toma otra muestra de 200 bolas
105/200 negras
95/200 rojas
52.5% son negras y 47.5% son rojas
UNIDAD 1
Fundamentos Estadsticos
Variables Aleatorias
Los problemas en Ingeniera de Confiabilidad ser refieren a la
cuantificacin de medidas.
Se puede denotar con la variable aleatoria X con las posibles
salidas (defectuoso o no defectuoso).
En el caso del tiempo hasta la falla, nuestra variable aleatoria
X puede poseer el valor de tiempo hasta la falla del producto
o componente y el valor va de 0 hasta el infinito (en el caso
donde no tenemos el tiempo exacto).
Variables Aleatorias Discretas
Si la variable aleatoria contiene solo informaciones de valores
pre-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 la variable aleatoria puede asumir cualquier valor en una
escala continua, entonces esta se define como una variable
aleatoria continua.
Para un neumtico, Kilmetros hasta la falla, puede tomar
cualquier valor desde 0 hasta infinito (p.e.10.000 kilmetros,
17.523 kilmetros, etc.).
Estadstica Discreta
Definiciones
La estadstica es una herramienta metodolgica de investigacin.
Se basa en:
Recolecta de datos
Clasificarlos
Representarlos.
Resumirlos.
Hacer inferencias cientficas, es decir, sacar conclusiones
Definiciones
Poblacin: Elementos de una clase
Muestra: Subconjunto de la poblacin
Tabulacin de datos: Ordena los datos segn:
Frecuencia: # de veces que se repite el dato
Distribucin de frecuencias: Conjunto de clases
predeterminadas y su frecuencia
Definiciones
Histogramas:
Agrupar los valores de las variables en intervalos.
El eje de ordenadas estar comprendido por las frecuencias
(ya sean absolutas o relativas).
Las columnas se levanta teniendo en cuenta que el rea de
cada columna ha de ser proporcional a la frecuencia, por lo
que la altura se calcula como sigue:
altura=frecuencia/amplitud
Definiciones
Medidas de Tendencia Central
Coeficiente de variacin de Pearson (CV):
Es el porcentaje que la desviacin tpica representa la media aritmtica.
Recuerde que la media poblacional y la media muestral son prcticamente
iguales mientras que la desviacin estndar muestral difiere de la
poblacional.
A mayor valor de CV mayor heterogeneidad de los valores de la variable; y
a menor CV, mayor homogeneidad en los valores de la variable.
Coeficiente de Asimetra de Fisher (g):
Se refiere a si la curva de la distribucin presenta la misma forma a
izquierda y derecha de un valor central. Se puede calcular empleando la
siguiente expresin:
Donde n es el nmero de datos, x
i
son los datos y x
m
la media aritmtica.
Los resultados que podemos obtener son los que siguen:
g
1
= 0 Distribucin simtrica
g
1
< 0 la mayor concentracin de datos est a la izquierda del valor central.
g
1
> 0 la mayor concentracin de datos est a la derecha del valor central.
Calculo de la funcin densidad de fallas
Calculo de la funcin acumulada de fallas
Calculo de la funcin Confiabilidad
Calculo de la funcin Tasa de fallas
Calculo de la probabilidad condicional de fallas
Ejercicio
Considere un conjunto de datos representando 100 variables
aleatorias continuas, obtenidas de una misma poblacin, como
se muestra en 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
Ejemplo
Cul es el comportamiento de esos datos?.
Podramos clasificar los datos separndolos por intervalos y
visualizar la porcin de datos en cada intervalo.
Probemos con los siguientes # de intervalos:
I = 5
I = 11
I = 15
Ejemplo
0
10
20
30
40
50
60
50 100 150 200 250
Histograma
Tamao del Rango =50
Ejemplo
0
5
10
15
20
25
30
20 40 60 80 100 120 140 160 180 200 220
0 21 41 61 81 101 121 141 161 181 201
Histograma
Tamao del Rango = 20
Ejemplo
Histograma
Tamao del Rango= 15
0
2
4
6
8
10
12
14
16
18
20
15 30 45 60 75 90 105 120 135 150 165 180 195 210 225
0 16 31 46 61 76 91 106 121 136 151 166 181 196 211
Ejemplo
DISTRIBUCION WEIBULL
Funcion Densidad
0.000
0.020
0.040
0.060
0.080
0.100
0.120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tiempo
f
(
t
)
Ejercicios
Parte 1
ESTADSTICA CONTINUA
Funciones Bsicas: pdf y cdf
Para una variable aleatoria continua X:
La funcin densidad de probabilidad, pdf, es f(x).
La funcin distribucin acumulada, cdf, es F(x).
La pdf y la cdf dan una descripcin completa de la distribucin
de probabilidad de la variable aleatoria.
Funcin Densidad de
Probabilidad
Si X es 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:
La probabilidad de que X tenga un valor en el intervalo [a,b] es
el rea de la funcin densidad entre a y b.
}
> = s s
b
a
x todo para 0 f(x) y f(x)dx b) X P(a
Funcin de Distribucin
Acumulada
Para obtenido la probabilidad a partir de la pdf, es necesario
calcular el rea bajo la curva.
La funcin de distribucin acumulada, cdf, entrega este valor
directamente.
La cdf es una funcin F(X) de la variable aleatoria X, definida
por:
donde, para una variable aleatoria X, F(a) es la probabilidad
de que el valor observado X ser a lo mas a.
}
= s =
a
dX X f a X P a F
, 0
) ( ) ( ) (
Relacin entre la pdf y la cdf
P(Xa)
}

= s =
a
dx x f a x P a F
, 0
) ( ) ( ) (
La relacin matemtica entre la pdf y la cdf esta dada por:
Derivando:
}

=
x
dx x f x F ) ( ) (
dx
x F d
x f
)) ( (
) ( =
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:
}
+

=1 ) ( dx x f
La pdf es una ecuacin
Un ejemplo de una funcin densidad de probabilidad es la
distribucin Normal, cuya pdf esta dada por:
Donde es la media y es la desviacin estndar.
La distribucin normal es una distribucin con dos
parmetros.
2
2
1
2
1
) (
|
.
|
\
|

=
o
t o
t
e t f
La funcin de Confiabilidad
R(t)
La funcin de Confiabilidad es obtenida a travs de la
probabilidad de xito, o de la probabilidad de que no se observe
la falla, en el tiempo t.
Definiendo la no confiabilidad como Q(t) entonces:
}
= =
t
dt t f t Q t F
0
) ( ) ( ) (
R(t)
Tenemos:
R(0) = 1
R() = 0
Derivando:
}
}
=
=
=
= +
t
t
dt t f t R
dt t f t R
t F t R
t R t F
) ( ) (
) ( 1 ) (
) ( 1 ) (
1 ) ( ) (
0
dt
t R d
t f
)) ( (
) ( =
Terminologa de la
Confiabilidad
La Confiabilidad no puede ser especificada sin la asociacin
con el tiempo, en otras palabras, no puede decir que un tem
posee una Confiabilidad de 90% sin decir para que intervalo
de tiempo.
Funcion de Supervivencia
0.000
0.200
0.400
0.600
0.800
1.000
1.200
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tiempo
R
(
t
)
Funcin Confiabilidad
La funcin Tasa de falla
Permite determinar el nmero de fallas ocurridas por unidad
de tiempo. Esta es dado matemticamente por:
La tasa de falla se expresa en fallas por unidad de tiempo.
El tiempo puede ser cualquier medida que pueda ser
cuantificada. Ejm.: minutos, horas, ciclos, actuaciones.
El termino Hazard Rate es sinnimo de tasa de falla
) (
) (
) (
t R
t f
t =
La funcin Confiabilidad
Condicional
Permite determinar la probabilidad de que un tem sobreviva
a una nueva misin de duracin t, dado que ya han
completado con xito una misin de duracin T.
) (
) (
) / (
T R
t T R
T t R
+
=
Ejemplos:
Un vuelo de Lima a Tacna, si la aeronave lleg a Arequipa,
tiene mayor probabilidad de completar el vuelo
(Confiabilidad) sin problemas, que la que tiene una
aeronave que an est en Lima.
Se tiran los dados. La probabilidad de que salga 3 es 1/6.
La probabilidad que salga 3 habiendo salido un numero
impar es: .?
Vida Media (MTTF)
Representa el equilibrio de toda la poblacin. Se le denomina
tambin Expectativa de Vida y Esperanza Matemtica. Esta
dada por:
Es el valor medio esperado del tiempo hasta la falla y
Generalmente se denota como : MTTF (Mean Time-to-
Failure).
Tambin se denomina MTBF (Mean Time Between Failures).
Esto es incorrecto en la mayora de los casos.
Solo es valido cuando la tasa de falla es constante.
MTTF = MTBF (solo cuando h(t) = cte )
} }

= = =
0
0
) ( ) ( . dt t R dt t f t m
Ejemplo de una distribucin
Simtrica
Media
pdf
Distribucin Normal
Ejemplo de una distribucin
Asimtrica
Funcion Densidad
0.000
0.020
0.040
0.060
0.080
0.100
0.120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tiempo
f
(
t
)
Media = 12 hrs.
Vida Mediana
Es el valor que divide la pdf por la mitad. La mediana es
obtenida por:
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.
}

=
T
dt t f 5 , 0 ) (
Ejemplo para una distribucin
Simtrica
La media, mediana
y moda tienen el
mismo valor
Asimtrica
Funcion Densidad
0.000
0.020
0.040
0.060
0.080
0.100
0.120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tiempo
f
(
t
)
Mediana = 11
Media = 12
Vida Media y Vida Mediana
Observe que la vida media es igual a la mediana en el caso de
que la distribucin es simtrica.
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 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 vs. Mediana
A veces se usa las media y mediana como si fuesen lo mismo. Esto
no es correcto!.
En el resto de los casos, la diferencia entre los valores de la media y
la mediana puede ser muy grande.
Ejemplo: considere un conjunto de cinco datos:
(1, 2, 3, 4, 100)
La media es:
Sin embargo. La mediana de este conjunto de datos es el valor 3, o
sea el valor central de los datos.
22
5
110
5
) 100 4 3 2 1 (
= =
+ + + +
Moda
La vida modal o moda, es el valor mximo t que satisfaga:
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).
0
)] ( [
=
dt
t f d
Simtrica
Asimtrica
Funcion Densidad
0.000
0.020
0.040
0.060
0.080
0.100
0.120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31
Tiempo
f
(
t
)
Mediana = 11
Media = 12
Moda = 9
Varianza de la poblacin
Es una medida de la dispersin de la poblacin
Se calcula segn la expresin:
Resumen
Confiabilidad, R(t): Probabilidad de que la falla no ocurrir hasta
el tiempo t.
No Confiabilidad, Q(t): Probabilidad de que la falla ser
observada en el tiempo t.
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.
Vida B
X
: tiempo en que la no confiabilidad es igual a X%
Vida Media (MTTF): tiempo medio hasta la falla
Vida Mediana: tiempo en que el 50% de las fallas son esperadas.
Vida Modal: valor mximo de la pdf
Tasa de falla ()
Estimacin de Parmetros
Parmetros de una
Distribucin
Los parmetros de una distribucin describen y definen la
distribucin en particular, y son estimados (obtenidos) a partir de
datos. Ejemplo:
En la distribucin exponencial, dependiendo del valor de lambda,,
f(t) exhibir diferentes caractersticas.
Para ajustar un modelo a los datos, es necesario realizar un
estimacin de los parmetros del modelo escogido.
Esta estimacin se realiza basndose en el conjunto de datos.
La estimacin de parmetros
de la distribucin normal para
datos completos es trivial.
Ejemplo:
3,000, 4,000, 5,000
= 4,000
= 1,000
ReliaSoft Weibull++7 - www.ReliaSoft.com
Funcin de Densidad de Probabilidad
=4000.0001, o=1220.5112, =1.0000
Tiempo, ( t)
f
(
t
)
0.000 20000.000 4000.000 8000.000 12000.000 16000.000
0.000
4.000E-4
8.000E-5
1.600E-4
2.400E-4
3.200E-4
Pdf
Datos 1
Normal-2P
RRX MRE MED MF
F=3/S=0
Lnea de la Fdp
Juan Musayon
TECSUP
01/02/2008
02:46:30 p.m.
Mtodo de estimacin de
parmetros
Hay varios mtodos para la estimacin de parmetros. Los mas
conocidos son:
El mtodo del Ploteo de Probabilidades
(probability plotting)
El mtodo de los mnimos cuadrados
(least squares) y
El mtodo de la Mxima Verosimilitud (maximum
likelihood).
Ploteo de Probabilidades
Mtodo mas conocido (manual) para distribuciones
complejas (probability plotting).
Considera el ploteo de los datos en un papel especial
obtenindose el grafico de probabilidades.
El principio bsico es linealizar la cdf.
Con algebra bsica, se puede fcilmente obtener la
ecuacin de la recta (y=mx+b).
Ploteo de Probabilidades
Los puntos ploteados representan los datos de tiempo hasta la
falla. Estos tiempos son los valores del eje x.
Para determinacin la posicin y (probabilidad de falla), hay que
determinar el valor de la categora mediana (median rank) para
cada tiempo hasta la falla.
Categoras Medianas (MR)
Las categoras medianas son utilizadas para obtener una estimacin
de la no confiabilidad, Q(T), para cada tiempo hasta la falla.
La categora mediana esta dada por: (Aproximacin de Bernard)
MR = Rango Medio (Media Rank)
N = Tamao de la muestra
J = Numero de Orden (posicin de la falla)
4 . 0
3 . 0
+
= =
N
j
MR F
Categoras Medianas (MR)
1 2 3 4 5 6 7 8 9 10 11 12
1 50 29.289 20.630 15.910 12.945 10.910 9.428 8.300 7.412 6.697 6.107 5.613
2 70.711 50.000 38.573 31.381 26.445 22.849 20.113 17.962 16.226 14.796 13.598
3 79.370 61.427 50.000 42.141 36.412 32.052 28.624 25.857 23.578 21.669
4 84.090 68.619 57.859 50.000 44.015 39.308 35.510 32.390 29.758
5 87.055 73.555 63.588 55.984 50.000 45.169 41.189 37.853
6 89.090 77.151 67.948 60.691 54.811 50.000 45.951
7 90.572 79.887 71.376 64.490 58.811 54.049
8 91.700 82.018 74.142 67.620 62.147
9 92.587 83.774 76.421 70.242
10 93.303 85.204 78.331
11 93.893 86.402
12 94.387
4 . 0
3 . 0
M
+
=
n
i
R
Adicionalmente, se puede emplear la siguiente tabla para determinar
MR:
Ejercicios
Parte 2
UNIDAD 2
Datos y Tipos de Datos
Tipos de Datos de Vida
Datos Completos (tiempo hasta la falla)
Datos Censurados (no se conoce el tiempo de falla)
Censura a Derecha (Suspensin)
Censura en Intervalos
Censura a Izquierda
Datos Completos
Realizamos un ensayo con 5 tems y si todos fallasen,
tendramos toda la informacin de la muestra.
X
X
X
X
X
Unidad 1
Unidad 2
Unidad 3
Unidad 4
Unidad 5
Fall
Fall
Fall
Fall
Fall
Tiempo
Datos Censurados
Se presentan debido a que todas las unidades sometidas a prueba no
fallan antes de que se verifique el criterio de parada de la prueba,
dificultando el estudio de la confiabilidad.
No es posible prescindir de los datos censurados ya que, si esto se
hiciera, los resultados obtenidos estaran claramente sesgados.
Datos Censurados a Derecha
(Suspendidos)
Si ensayamos cinco tems, pero solo tres fallan, tenemos los datos
completos de tres tems que fallaron, pero no de los dos tems que no
fallaron.
X
X
X
Unidad 1
Unidad 2
Unidad 3
Unidad 4
Unidad 5
Fall
Fall
Fall
No fall
No fall
Tiempo
Datos Censurados a Derecha
(Suspendidos)
Items donde los tiempos de falla solo sern conocidos
cuando excedemos cierto valores de tiempo.
Las suspensiones no deben ser ignoradas.
Tiempo de no Falla
t (h)
t
X
?
Ejemplo 1
100 bombas operando por tres meses.
Una fall durante el primer mes.
Una fall 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
Ejemplo 2
Si se fabricaron 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
Puede ignorarse las unidades que no retornan?.
Datos Censurados en el
Intervalo
Ensayamos cinco tems y
realizamos inspecciones
cada 100 horas.
Si el tem fallo entre las
inspecciones, no sabremos
el momento exacto en que
la falla ocurri, pero
sabemos que la falla ocurri
dentro del intervalo de
inspeccin.
Unidad 1
Unidad 2
Unidad 3
Unidad 4
Unidad 5
Fall
Fall
Fall
Fall
Fall
Tiempo
Depende de las inspecciones
t (h)
t
?
Datos Censurados a Izquierda
Representa
situaciones donde el
tem es encontrado
en estado de falla
solo despus de un
cierto periodo de
tiempo y donde
tambin es
desconocido el
momento exacto de
la falla.
X
X
X
Unidad 1
Unidad 2
Unidad 3
Unidad 4
Unidad 5
Fall
Fall
Fall
Fall
Fall
Tiempo
Tiempo es en un intervalo [0,t]
t (h) t
?
Ploteo de Datos Censurados
(Suspensin)
Cuando utilizamos el anlisis de regresin para considerar el
hecho de que algunos tems no fallaron, o quedaron en
suspensin, necesitamos ajustar su probabilidad de falla, o
de no confiabilidad.
Utilizaremos la metodologa de Leonard Johnson para
determinar su posicin.
Procedimiento para ploteo de datos
Censurados
1. Los ciclos transcurridos hasta la falla son listados en orden
creciente, y son clasificados como:
f = ocurrencia de la falla, s =suspensin
2. El incremento Ni del equipo o componente que presenta falla es
calculado por la frmula:
Ni = N + 1 Na
N+1 Fa
N = Total de Equipos o Componentes de la Muestra
Na = Nmero de orden de la falla anterior
Fa = Nmero de componentes anteriores
Procedimiento para ploteo de datos
Censurados
3. El nmero de orden medio NOM, del equipo o
componente que presenta falla se obtiene de la expresin:
NOM = Na + Ni
4. Calcular los niveles medianos, NM por la frmula:
NM = NOM -0.3
N + 0.4
Los niveles medianos expresados bajo la forma de porcentaje
(frecuencia relativa observada acumulada) y los ciclos
(tiempos, ) transcurridos son las salidas de este anlisis.
Ploteando Datos Censurados
Ejemplo para ilustrar la metodologa:
Se ensayaron 5 tems y se obtuvo tres fallas y dos
suspensiones.
Posicin
Estado
F o S
Vida del tem
(ciclos)
1 F
1
5100
2 S
1
9500
3 F
2
15000
4 S
2
22000
5 F
3
40000
Solucin
En esta secuencia, F1 es la primera de las 5 fallas. Por lo tanto:
Posicin Estado
F o S
Vida del tem
(ciclos)
Posicin de
la Falla
1 F
1
5100 1
2 S
1
9500
3 F
2
15000 ?
4 S
2
22000
5 F
3
40000 ?
Solucin
Posicin
Estado
F o S
Vida
(ciclos)
Na NOM NM
1 F1 5100
5
1
13%
2 S1 9500
4
3 F2 15000
3 2.25 36%
4 S2 22000
2
5 F3 40000
1 4.13 71%
Ploteando Datos Censurados
Una vez establecida la media del nmero de orden, necesitamos
obtener posiciones de la categora mediana para las fallas en la
media del nmero de orden. Simplificando, debemos tener la
categora mediana de los nmeros de orden: 1, 2.25 y 4.125 para
un muestra de tamao 5,como se muestra en la tabla:
Posiciones ploteadas para las fallas
(Tamao de muestra =5)
N Falla NOM MR (%)
1: F1 1 13%
2: F2 2.25 36%
3: F3 4.125 71%
Grfico de la cdf
Rel iaSoft Wei bul l ++ 7 - www.Reli aSoft.com
Probabilidad - Weibull
|=1.0627, q=3.2508E+4, =0.9999
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
1000.000 100000.000 10000.000
10.000
50.000
90.000
99.000
Probabi li dad-Wei bul l
Datos 1
Weibul l -2P
RRX MRE MED MF
F=3/S=2
Puntos de Datos
L nea de Probabi li dad
Juan Musayon
TECSUP
04/02/2008
08:54:56 a.m.
Ejercicio 2
Posicin
Estado
F o S
Vida
(ciclos)
1 S1 2,500
2 F1 2,730
3 F2 3,900
4 S2 4,100
5 F3 5,000
Errores del Mtodo de Ajuste
Este mtodo de ajuste es el mas utilizado en el anlisis de
datos suspendidos.
Pero es importante indicar posibles errores que pueden ocurrir:
Solo se toma en cuenta en los clculos, la posicin en que
la falla ocurri. No se consideran los tiempos exactos de
suspensin.
Esta metodologa nos dara exactamente el mismo resultado
para el caso 1, como para el caso 2 que veremos a
continuacin.
Posicin Estado
F o S
Vida del tem
(ciclos)
1 F
1
1000
2 S
1
1100
3 S
2
1200
4 S
3
1300
5 F
2
10000
Posicin Estado
F o S
Vida del tem
(ciclos)
1 F
1
1000
2 S
1
9700
3 F
2
9800
4 S
2
9900
5 F
3
10000
6900
33 . 1
=
=
q
|
En ambos casos se obtiene la misma NOM, y por tanto, los resultados de la categora
mediana sern los mismos.
Es por tanto, una limitacin del mtodo.
348 , 21
9337 . 0
=
=
q
|
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 los datos
mostrados anteriormente.
En estos casos, 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 contrario, utiliza cada tiempo hasta la falla o suspensin.
Regla para escoger el mtodo de
Anlisis
Use el mtodo de regresin (RRX)
Datos Completos y pequeas muestras
Use MLE
Grandes cantidades y/o mezclados con censura.
Grandes muestras (30+ fallas)
DISTRIBUCIONES
CARACTERSTICAS
Distribuciones
La distribucin estadstica es descrita por la pdf (o Funcin densidad
de probabilidad).
Todas las funciones utilizadas en la Ingeniera de Confiabilidad
permiten el anlisis de datos de vida, tales como:
Confiabilidad,
Tasa de falla,
Vida media,
Vida mediana,
Vida modal.
Todas estas caractersticas pueden determinarse a partir de la
definicin de la pdf o f(t).
Distribuciones usadas como Modelos
de Vida
Normal
tasa de falla creciente
Otros:
Gamma
Gamma generalizada
Logstica
Log-logstica
Gumbel
Modelos Mixtos
Modelos de Modos de
falla Competitivos (CFM)
Exponencial
Tasa de falla constante
Weibull
Tasa de fallas puede ser
creciente, decreciente o
constante.
Lognormal
Creciente y luego
decreciente
asintticamente hacia
cero
Ejercicios
Parte 3
UNIDAD 3
Distribucin Weibull
Distribucin Weibull
Es una propuesta general para anlisis de
Confiabilidad
La pdf puede tener diferentes formas y puede
aproximarse a las otras distribuciones.
El comportamiento de la tasa de falla puede ser
creciente, decreciente o constante.
Tipos:
Weibull de 3 parmetros
Weibull de 2 parmetros
Weibull Mixta
Distribucin Weibull de 3
parmetros
| : Parmetro de forma
q : Parmetro de escala
: Parmetro de ubicacin
Wallodi Weibull 1887-
1979
|
q
|
q

q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
T
e
T
T f
1
) (
La pdf de la distribucin esta dada por:
Distribucin Weibull de 2
parmetros
Es la forma ms popular. ( =0)
La pdf esta dada por:
|
q
|
q q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t
e
t
t f
1
) (
Analizando
es el parmetro de forma o inclinacin de la distribucin (en un
papel Weibull).
La forma de la pdf es alterada cambiando el valor .
es un nmero adimensional.
Efecto de | en la pdf
0
0
t
f(t)
= 0.5
= 1.0
= 3.44
= 0
= 2.5
= 5.0
Efecto de en la cdf
Efecto de sobre la Confiabilidad
R
i
e
s
g
o

d
e

f
a
l
l
a
,

r
(
t
)
?t
| = 0.5
| = 2.5
| = 1.0
Efecto de | sobre tasa de fallas
Analizando
Es el parmetro de escala de la distribucin Weibull, y tiene las
mismas unidades de T, como horas, Kilmetros, ciclos,
actuaciones, etc.
0
0
t
f(t)
= 2.5,
= 0
q
1
= 2.5,
= 0
q
2
q
1
< q
2
Vida Caracterstica
% 8 . 36 ) ( = q R
Efecto de q en la pdf
Analizando
Es el parmetro de ubicacin de la distribucin Weibull y tiene
la misma unidad de T.
Representa un desplazamiento en el eje x, es decir, cambiar el
punto de inicio de la distribucin a un valor diferente a cero.
Esto puede ser aplicada a otras distribuciones.
0
0
t
f(t)
= 2.5
Vida mnima
Parmetro de ubicacin,
Positivo
Un valor positivo para el parmetro de ubicacin indica
que las fallas solo ocurrirn despus del tiempo
equivalente a , en otras palabras, hasta el tiempo la
Confiabilidad es igual a 100%
negativo
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.
Anlisis Weibull
Requiere el tiempo para la falla como dato.
Una falla debe ser un evento definido y no solo una
valoracin subjetiva de perdida de rendimiento.
Los datos debern ser estadsticamente una muestra al
azar de la poblacin.
Emplear la medida de utilizacin adecuada para el equipo
y el mayor modo de falla.
Revisar otros factores tales como posicin instalada, mal
uso, incorrecto diagnostico de falla, etc.
El Papel Weibull
F( ) t
t
=
|
\
|
.
|
|
\
|
.
|
|
1 exp

q
|
lnln
F( )
ln( ) ln
1
1
|
\
|
.
|
=
t
t | | q
Sobre un papel Weibull, el eje vertical est en escala
lnln y el eje horizontal est en escala ln.
Papel
Weibull
Se ha obtenido datos de 10 items, seleccionados aleatoriamente y
todos los cuales han fallado. El tiempo para la falla del equipo fue:
410, 1050, 825, 300, 660, 900, 500, 1200, 750, 600
Paso 1 Ordenar los datos en orden ascendente
Paso 2 Tabular con el valor correspondiente F(t) para una
muestra de 10, empleando la tabla del Rango Medio.
Ejercicio: Anlisis Weibull
Ejercicio : Anlisis Weibull
Nmero
Falla
(i)
Horas para
la Falla
(ti )
Lnea Media
% Acum Falla
F(t )
1 300 6.7
2 410 16.2
3 500 25.9
4 600 35.5
5 660 45.2
6 750 54.8
7 825 64.5
8 900 74.1
9 1050 83.8
10 1200 93.9
0
2.4
830
720
Estimacin de
Factores
Vida Mnima,
Factor Forma, |
Vida Caracterstica, q
Vida Media,
Vida Promedio
Vida B
q
Vida Caracterstica
tiempo
| = 2.4
q = 830
f(t)
63.2%
Vida Media
tiempo
| = 2.4
= 740
f(t)
52.7%
Vida Mediana
tiempo
| = 2.4
B
50
life = 720
f(t)
50%
Ploteando los datos usando el
Parmetro de ubicacin
El tercer parmetro de la distribucin Weibull es utilizado cuando no
es posible trazar una recta con los datos.
Para poder utilizar el mtodo de ploteo de probabilidad, se utiliza la
siguiente formula para determinar un nuevo valor de :
Restar de cada dato el valor de * y plotear la correspondiente
recta.
( )( )
( ) ( )
1 2 2 3
1 2 2 3
2
T T T T
T T T T
T

=
-
Estimacin del Factor de Ubicacin
( )( )
( ) ( )
=

t
t t t t
t t t t
2
3 2 2 1
3 2 2 1
b
a
tiempo
t
1
t
2
t
3
Ejercicio : Ploteo de Probabilidad
(con Weibull 3P)
Seis tems idnticos, estn siendo probados en las mismas
condiciones de aplicacin y exigencia.
Todos los tems fallan durante el ensayo siguiendo los siguientes
numero de horas:
48;66;85;107;125 y 152 horas.
Encuentre los parmetros de la distribucin Weibull 3P (tres-
parmetros) usando el mtodo de ploteo de probabilidad.
Resultado:
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
10.000 1000.000 100.000
10.000
50.000
90.000
99.000
26 . 17
32 . 92
95 . 1
=
=
=
q
|
Datos
originales
Datos
ajustado por
Nmero
Falla (i)
Horas para la
Falla (ti )
Lnea Media %
Acum Falla F(t )
1 1000 9.4
2 1300 22.8
3 1550 36.4
4 1850 50.0
5 2100 63.6
6 2450 77.2
7 3000 90.6
Ejercicio: Anlisis de Weibull 3P
Estimacin del factor de
Ubicacin
Desde los datos: t
1
= 810 horas
t
2
= 1500 horas
t
3
= 4000 horas
Replanteando:
t
1
1000 547 = 453 horas
t
2
1300 547 = 753 horas
t
3
1550 547 = 1003 horas, etc.
t
i

( )( )
( ) ( )
( )( )
( ) ( )
547
810 1500 1500 4000
810 1500 1500 4000
1500
1 2 2 3
1 2 2 3
2
=

=

=
t t t t
t t t t
t
Ejercicio: Anlisis Weibull 3P
El ajuste del tiempo para la falla es ahora lineal
Nmero
falla
(i)
Horas para la
falla
ajustadas
Lnea media
% Acum. Falla
F(t)
1 453 9.4
2 753 22.8
3 1003 36.4
4 1303 50.0
5 1553 63.6
6 1903 77.2
7 2453 90.6
Resultado:
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
100.000 10000.000 1000.000
1.000
5.000
10.000
50.000
90.000
99.000
Datos Originales
Datos Corregidos
Beta = 1.85
Eta = 1538.7
Gamma = 558.5
Efecto del Factor de Ubicacin
tiempo
| = 1.9
nuevo q =
547+1560
f(t)
63.2%
= 547 1560
Ejercicios
Parte 4
UNIDAD 4
Una de las distribuciones mas simples, utilizada
errneamente debido a su facilidad.
Definida como:
Donde:
t es la variable aleatoria que representa el tiempo.
La letra griega (lambda) representa el parmetro de la
distribucin.
t
e t f
.
. ) (

=
Grfico de la Funcin Exponencial
Funciones Relacionadas
Dada la representacin matemtica de la distribucin (pdf),
podemos obtener tambin todas las funciones necesarias para el
anlisis de datos de vida.
Ejemplo, la pdf de la distribucin exponencial es:
Por lo tanto la Funcin Confiabilidad puede obtenerse por:
t
e t f
.
. ) (

=
Funcin Confiabilidad
t
t
t
s
e t R
e t R
ds e t R
.
0
.
) (
] 1 [ 1 ) (
. 1 ) (
=
=
=
}
Funcin tasa de falla
La Funcin tasa de falla es dada por:
= = =

t
t
e
e
t R
t f
t
.
.
.
) (
) (
) (
Media o MTTF
El tiempo medio hasta la falla (MTTF) esta dado por
(equilibrio), (esperanza de vida):
Esta misma metodologa puede ser aplicada para cualquier
distribucion, dada la pdf, con varios grados de dificultad
dependiendo de la complejidad de la f(t).
}
}
= =
=
0
.
__
0
__
1
. . ) (
) ( .

dt e t MTTF T
dt t f t T
t
La Distribucin Exponencial
Es muy utilizada en la Ingeniera de Confiabilidad debido a su
simplicidad.
Se utiliza para describir tems que fallan con tasa de fallas
constante.
con un parmetro
La pdf de la exponencial con un parmetro esta dada por:
Donde:
= Tasa de fallas constante.
m = Media entre fallas o hasta la falla
t = Tiempo de operacin, vida o edad.
Es un caso especial de la distribucin Weibull con = 1
m
t
t
e
m
e t f

= =
1
. ) (
.
con dos parmetros
La pdf de la exponencial con dos parmetros esta dada por:
Donde es el parmetro de localizacin (vida mnima).

> ) >
=

t t f
e t f
t
; 0 ; 0 ) (
. ) (
) (
Estadsticas de la Exponencial
Confiabilidad:
Confiabilidad Condicional:
Tasa de fallas:
Media (MTTF):
) (
) (

=
T
e T R
t
e
T R
t T R
t T R
.
) (
) (
) , (

=
+
=
= ) (T
1
+ = MTTF
El efecto en la pdf Exponencial
La pdf de la exponencial no tiene un parmetro de
forma, porque solo tiene una forma.
La pdf siempre es convexa y se prolonga a la derecha
con el valor de decrecimiento .
El valor de la funcin pdf siempre es igual al valor de
en T=0
El parmetro de localizacin positivo altera el inicio
de la distribucin a la derecha del origen, lo que
significa que las fallas ocurrirn solo despus de
horas de operacin.
El efecto de en la pdf
Ejercicio:
Un nuevo producto est siendo probado para determinar el
periodo de garanta. El tiempo lmite de ensayo es de 2
meses.
Despus de este tiempo, solo 1 de 100 unidades fall (en 150
hrs). Las otras 99 fueron suspendidas en 1440 hrs de
ensayo.
Cmo debera ser determinado el periodo de garanta al 90%
de Confiabilidad?
Consideraciones Preliminares
Necesitamos determinar el periodo de garanta, el cual est
directamente relacionado con la tasa de fallas.
Con una falla, Se puede asumir la tasa de fallas?
Como solo se observ una falla, la distribucin
exponencial es una buena opcin.
Con datos histricos se podra utilizar la distribucin
Weibull de un parmetro y luego calcular .
Solucin:
El tiempo de garanta se calcula con:
Caso 1: Con Censura
Caso 2: Sin Censura
) (
) (
.
R Ln
t
e t R
G
t
G
G
=
=

+
=
f s
t fallas t S
fallas
# ) (#
#
=
f
t fallas
fallas
#
#
Solucin:
Estamos en el caso 1.
Para una confiabilidad del 90%:
hr fallas / 10 7
150 1 1440 99
1
6
=
+
=
hr
Ln
t
G
036 , 15
10 7
) 9 . 0 (
6
=
=

Ejercicios
Parte 5
UNIDAD 5
Distribucin Normal
Distribucion Normal
Es utilizada comnmente
en el anlisis de
Confiabilidad, para tiempos
hasta la falla de
componentes electrnicos y
mecnicos, equipos o
sistemas.
La pdf de la distribucin
normal es dada por:
2
2
1
2
1
) (
|
.
|
\
|
=
o
t o
T
e T f
Log normal pdf
Mientras la distribucin
normal es simtrica, la
distribucin log normal es
asimtrica y desplazada
hacia la izquierda,
permitiendo una mejor
adecuacin para el
modelo de datos de vida.
Rel iaSoft Wei bul l ++7 - www.Reli aSoft.com
=6.4531, o=1.8828, =0.9996
Tiempo, ( t)
f
(
t
)
0.000 2000.000 400.000 800.000 1200.000 1600.000
0.000
0.002
4.000E-4
8.000E-4
0.001
0.002
Pdf
Datos 1
Lognormal-2P
RRX MRE MED MF
F=8/S=0
L nea de l a Fdp
Juan Musayon
TECSUP
01/02/2008
12:21:01 p.m.
pdf de la distribucin Normal
La distribucin Normal es una distribucin de 2 parmetros
(,), y esta dada por:
= Media normas de los tiempos de falla
= Desviacin estndar de los tiempos de falla.
2
2
1
2
1
) (
|
.
|
\
|

=
o
t o
T
e T f
Caractersticas
La pdf tiene el mismo valor para la media, mediana y
moda.
La pdf tiene la forma de una campana y es simtrica en
relacin a la media.
La pdf no tiene parmetro de forma. Esto significa que
tiene forma nica.
Caractersticas
La desviacin estndar es el parmetro de escala de la
pdf.
Si disminuye, la pdf se acerca a la media, es decir mas
estrecha y mas alta.
Si aumenta, la pdf se torna mas ancha y mas baja.
Ejercicio:
Se probaron 20 muestras de paletas de turbina
para determinar su frecuencia natural. Basada en
esta muestra, se desea determinar la porcin de la
poblacin que poseer frecuencias fuera del
intervalo de 7,8 hasta 8,2 kHz.
Ejercicio:
El siguiente cuadro muestra las frecuencias naturales de las
paletas (en kHz)
7.93 8.08 7.76 7.88
8.14 7.97 7.57 7.98
7.50 8.12 7.89 7.64
7.91 8.02 8.00 7.98
8.11 8.06 8.02 7.94
Solucin:
Necesitamos conocer la probabilidad del rea sombreada:
Solucin: (ver tabla de distribucin Normal)
Porcin de la poblacin
mayor que 8.2 kHz:
menor que 7.8 kHz:
fuera de los lmites
especificados:
% 8 . 5 ) 2 . 8 ( = > f P
% 7 . 23 ) 8 . 7 (
% 8 . 76 1 ) 8 . 7 (
) 8 . 7 ( 1 ) 8 . 7 (
= <
= <
> = <
f P
f P
f P f P
% 5 . 29 % 7 . 23 % 8 . 5 = +
Distribucin Lognormal
Distribucion Lognormal
Es comnmente utilizada en el anlisis de Confiabilidad, en ciclos hasta
la falla, para fatiga resistencia de materiales y en un 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.
La pdf de la distribucin lognormal es dada por:
T=LogT ( se saca primero el Log de los datos. luego se utiliza la
Funcin normal)
pdf de distribucin Lognormal
Una variable aleatoria se distribuye de acuerdo log
normalmente, si el logaritmo de la variable aleatoria se
distribuye normalmente.
La distribucin esta dada por:
2
2
1
2
1
) (
|
|
.
|
\
|

-
-
-
- -
=
o

t o
T
e T f
Donde:
T* = Ln(T), y T es el tiempo de falla
* = media del logaritmo natural de los tiempos de falla
* = desviacin estndar del logaritmo natural de los tiempos de falla.
Caractersticas:
La distribucin lognormal es asimtrica, desplazada
positivamente lo que da mas sentido al modelamiento de
datos de vida.
La tasa de fallas es inicialmente creciente y luego decreciente.
Rel iaSoft Wei bul l ++7 - www.Reli aSoft.com
=6.4531, o=1.8828, =0.9996
Tiempo, ( t)
f
(
t
)
0.000 2000.000 400.000 800.000 1200.000 1600.000
0.000
0.002
4.000E-4
8.000E-4
0.001
0.002
Pdf
Datos 1
Lognormal-2P
RRX MRE MED MF
F=8/S=0
L nea de l a Fdp
Juan Musayon
TECSUP
01/02/2008
12:21:01 p.m.
Grf ico de Tasa de Fallas vs. Tiempo
Tiempo, ( t)
T
a
s
a

d
e

F
a
l
l
a
s
,

f
(
t
)
/
C
(
t
)
0.000 300.000 60.000 120.000 180.000 240.000
0.000
200.000
40.000
80.000
120.000
160.000
Ejercicios
Parte 6
Ejercicio 1
8 unidades se someten a una prueba de vida hasta
la falla. Las fallas ocurrieron a las 45, 140, 260,
500, 850, 1400, 3000 y 9000 horas. Estimar los
parmetros de la distribucin que mejor se ajuste a
estos datos.
Determinar la confiabilidad a las 1000 hrs
Solucin:
Ploteando la
probabilidad:
* = 6.45
* = 1.88
= 3735 hr
R(1000)= 40.5%
Probabilidad - Lognormal
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
10.000 10000.000 100.000 1000.000
1.000
5.000
10.000
50.000
99.000
APLICACIONES
GENERALES
Datos de Mortalidad Humana
Estado Ao Estado Ao Estado Ao Estado Ao Estado Ao
S 23 S 36 S 39 S 54 S 74
S 25 S 36 S 40 S 55 F 75
S 27 S 37 S 41 S 55 F 77
S 28 F 38 S 41 F 58 F 78
S 29 S 38 S 41 S 59 F 82
S 29 S 38 S 43 F 61 F 88
S 29 S 39 F 46 S 63
S 31 S 39 F 51 F 64
S 34 S 39 S 52 F 68
F 35 S 39 S 53 F 69
S 36 S 39 F 54 F 72
S= Vivo F=Fallecido
Solucin con distribucin Exponencial
=0.0067
R(50) =38.37%
= 52.2 aos
Probabilidad - Exponencial
Tiempo, ( t)
C
o
n
f
i
a
b
i
l
i
d
a
d
,

C
(
t
)
20.000 90.000 34.000 48.000 62.000 76.000
1.000
5.000
10.000
50.000
99.000
Solucin con distribucin Normal
= 68.17 aos
= 15.36
R(50) =88.16%
Probabilidad - Normal
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
20.000 90.000 34.000 48.000 62.000 76.000
1.000
5.000
10.000
50.000
99.000
= 4.198
= 0.2609
R(50) =86.38%
= 68.88 aos
Solucin con distribucin LogNormal
Probabilidad - Lognormal
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
10.000 100.000
1.000
5.000
10.000
50.000
99.000
Solucin con distribucin Weibull 2p
= 5.16
= 74.08
R(50)=87.75%
= 68.16 aos
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
10.000 100.000
1.000
5.000
10.000
50.000
90.000
99.000
Clculos de Confiabilidad adicionales
Probabilidad de que una persona vivir hasta los 60 aos:
Realizando el clculo: R(t) = 71.48%
Probabilidad de que una persona con 40 aos de edad
sobrevivir un ao ms (hasta 41 aos): 99.44%.
|
q
|
|
.
|
\
|
= =
t
e t R ) 60 (
|
|
q
q
) (
) (
) , (
T
t T
e
e
t T R
=
Modelando Componentes de fallas
Se asume informaciones de falla/reparacin para una flota de
10 camiones que estn siendo monitoreadas y registrados.
Mas an, suponga que un componente simple es de
inters.
A continuacin se muestran los datos registrados:
Camin Evento Kilometraje Km para la falla Km sin falla
1
Primer reemplazo 62874 62874
Segundo reemplazo 95777 32903
Kilmetros recorridos 113266 17489
2
3
4
5
Tercer reemplazo 83538 25778
6
7
8
9
Tercer reemplazo 91035 24589
10
Ejercicio:
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
Tiempo, ( t)
f
(
t
)
0.000 200000.000 40000.000 80000.000 120000.000 160000.000
0.000
2.000E-5
4.000E-6
8.000E-6
1.200E-5
1.600E-5
Anlisis de Datos
|
q
|
q q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t
e
t
t f
1
) (
= 1.6
= 57505
Anlisis de Datos
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
1000.000 100000.000 10000.000
1.000
5.000
10.000
50.000
90.000
99.000
Cuestiones Bsicas
Confiabilidad en cualquier tiempo:
10.000 = 94.3%
20.000 = 83%

50.000 = 44.92%
Media hasta la falla= 51.576 Km
Mediana hasta la falla = 45.690 Km
(50% de falla)
Proyeccin de fallas
Un resultado de inters es la proyeccin del nmero
esperado de fallas de un componente de la flota, para
un periodo de tiempo futuro, dado el kilometraje actual
de la flota.
La Probabilidad Condicional puede ser utilizada para
determinar la probabilidad de fallas de cada
componente, dado su kilometraje actual.
Basado en el modelo ajustado Weibull
Proyecto de fallas (cont.)
Dada el kilometraje actual de la flota, cuntas
fallas mas debera esperar para los 10.000 Km
siguientes?
Camin 1
Kilometraje actual del componente: 17.489.
Probabilidad de falla del componente para los 10.000 Km
siguientes = 14.65%
|
q
|
q
|
|
.
|
\
|
|
|
.
|
\
| +
=
T
t T
e
e
t T R ) , (
% 65 . 14 1465 , 0 ) , ( 1 ) , (
% 35 . 85 8535 , 0 ) , (
6 . 1
6 . 1
505 . 57
489 , 17
505 . 57
000 , 10 489 , 17
= = =
= = =
|
.
|
\
|
|
.
|
\
| +
t T R t T F
e
e
t T R
Proyecto de la Flota
Camin
Kilometraje
Actual
Probabilidad
Condicional de
falla
1 17489 0.14623
2 42834 0.22044
3 38414 0.20937
4 110401 0.34463
5 2220 0.07543
6 72047 0.28220
7 65489 0.26972
8 3528 0.08354
9 36181 0.20355
10 13061 0.12929
El mas
probable que
falle!
LC para ejemplo de Camiones:
Tiempo, ( t)
D
e
s
c
o
n
f
i
a
b
i
l
i
d
a
d
,

F
(
t
)
1000.000 100000.000 10000.000
1.000
5.000
10.000
50.000
90.000
99.000
UNIDAD 6
Intervalos de Confianza
(Lmites de Confianza)
Qu es Intervalo de Confianza?
El Intervalo de Confianza presenta una estimacin de rango
de valores que probablemente pueden contener el
parmetro desconocido de la poblacin.
El Intervalo estimado se calcula a partir de un conjunto de
datos de la muestra.
Si las muestras son tomadas independientemente una de
otras, de la misma poblacin, entonces con un determinado
porcentaje de certeza (nivel de confianza) el intervalo
contendr el parmetro estimado.
Qu es el intervalo de Confianza?
El intervalo de confianza nos da un rango de valores reales
para un parmetro desconocido.
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.
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.
Qu es el intervalo de Confianza?
Los Limites de Confianza generalmente son de dos tipos:
Unilateral (one sided)
Bilaterales (two sided)
Lmites Bilaterales
(Two-Sided Bounds)
Los limites de confianza bilaterales permiten observar donde esta
situada la mayora de la poblacin.
Por ejemplo, cuando utilizamos 90% bilateral (two-sided),
estamos diciendo que el 90% de la poblacin esta entre X e Y
con 5% menor que X y 5% mayor que Y.
x y
90%
5% 5%
Limites Unilaterales
(One-sided Bounds)
Los intervalos unilaterales permiten observar 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
(comparamos con el limite inferior, o sea se utiliza el limite
unilateral inferior).
Observaciones
Los Limites Bilaterales (two-sided) significa que, dado un
nivel de confianza, el valor real estar entre estos limites
(X% del tiempo).
Mientras que en el Limite Unilateral inferior tendremos
X% de certidumbre que el valor es mayor que la lnea
limite ploteada, y en el caso de Limite unilateral superior
tendremos X% de certidumbre que el valor es menor
que la lnea limite ploteada.
Construccin de limites de
Confianza
Preguntas ..
Habla con la informacin, no con opiniones
Annimo
GRACIAS!!!!

Presentación Final

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Presentación Final

Diunggah oleh

Hak Cipta:

Format Tersedia

PROGRAMA DE EXTENSIN PARA

Estimacin del Factor de Ubicacin

Anda mungkin juga menyukai