Confiabilidad de Riesgo1

CONFIABILIDAD DE RIESGO
Introduccin a la confiabilidad

No es suficiente que un producto cumpla las especificaciones y criterios de
calidad establecidos sino que adems es necesario que tenga un buen
desempeo durante su vida til es decir que sea confiable. Esto cada vez
cobra una importancia mayor dado que cambia la tecnologa, los productos
son cada vez ms complejos, los clientes se tornan cada vez ms exigentes
y la competencia es alta.

Confiabilidad es la probabilidad de que un componente o sistema
desempee satisfactoriamente la funcin para la que fue creado durante un
periodo establecido y bajo condiciones de operacin establecidos. La
confiabilidad es calidad en el tiempo.

Falla de un producto sucede cuando deja de operar, funcionar o no realiza
satisfactoriamente la funcin para la que fue creado. El tiempo de falla es el
tiempo que transcurre hasta que el producto deja de funcionar.

Las razones de estudio de la confiabilidad de productos son las siguientes:

1. Determinar el tiempo tp hasta el cual se espera que falle una proporcin p
dada de los productos en operacin. Esto es til para determinar tiempos de
garanta apropiados as como sus costos.

2. Encontrar el tiempo tp al cual se espera que sobreviva una proporcin 1-p
dada de los productos en operacin. Es una estimacin de la confiabilidad de
los productos.

3. Determinar la propensin a fallar que tienen el producto en un tiempo
dado. Para comparar dos o ms diseos o procesos, o lo que se publicita por
un proveedor.

4. Dado que un artculo ha sobrevivido un tiempo T0, encontrar la
probabilidad de que sobreviva un tiempo un tiempo t adicional. Para planear
el reemplazo de los equipos.

5. Los puntos anteriores se pueden hacer de manera comparativa para
diferentes materiales, proveedores o modos de falla.

La informacin para los estudios de confiabilidad tienen diferentes
denominaciones: datos de tiempos de vida, datos de tiempos de falla, datos
de tiempo a evento, datos de degradacin, etc.

Entre las caractersticas que tienen los estudios de confiabilidad se
encuentran los siguientes:

1. Los tiempos de falla son positivos con comportamiento asimtrico y sesgo
positivo, por tanto las distribuciones para modelar estos tiempos de falla son
la Weibull, lognormal, exponencial y gamma, la distribucin normal casi no se
utiliza.

2. Mientras que en estadstica lo que interesa son los parmetros de la
poblacin media y desviacin estndar, en la confiabilidad lo que interesa
son las tasas de falla, las probabilidades de falla y los cuantiles. Un cuantil es
el tiempo tp hasta el cual se espera que falle una proporcin p de artculos.

3. Para tener datos es necesario tener datos a travs de pruebas las que en
algunas ocasiones son costosas.

4. A veces el tiempo para observar las fallas es muy largo y es necesario
cortar el tiempo de prueba, dando lugar a observaciones censuradas.
Normalmente se requiere extrapolar los resultados, por ejemplo al estimar la
tasa de falla a las 10,000 horas con pruebas de funcionamiento durante
1,000 horas.

5. Cuando es necesario acortar el tiempo de prueba se pueden hacer
pruebas de vida acelerada utilizando condiciones estresantes.

Ejemplo:

Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura
de 80C y se observaron 40 con falla. Al finalizar la prueba 960 chips
funcionaban adecuadamente.

Entre las preguntas que se pueden contestar se encuentran las siguientes:

Cul es la probabilidad de que fallen los chips antes de las 500 horas?
Cul es el riesgo de falla a las 300 horas?
Cul es la proporcin de chips que fallarn antes de 250 horas?

Datos censurados

Censura

Se tienen datos censurados cuando no se conocen los tiempos de falla de
las unidades de manera exacta, sino solo los intervalos de tiempo donde
ocurrieron o hubieran ocurrido las fallas. Es informacin parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:

Tiempo fijo de terminacin de la prueba
Tiempos de inspeccin (lmites superiores e inferiores en T)
Modos de falla mltiples (tambin conocidos como riesgos en
competencia, y dando por resultado censura por la derecha),
Independiente (simple) y no independiente(difcil).

TIPOS DE CENSURA

Censura por la derecha (tipo I y II): La tipo I es cuando se tienen
unidades sin falla limitando el tiempo de observacin o censura por
tiempo. Cuando se limita el tiempo hasta que fallan r unidades, se
tiene censura tipo II para las unidades sobrevivientes (n-r).

Censura por la izquierda: Ocurre cuando al inspeccionar las unidades
despus de un periodo de tiempo se encuentra que algunas fallaron,
pero no se sabe el momento de su ocurrencia.

Censura por intervalo cuando se inspecciona en intervalos de tiempo y
se observan fallas en cierto intervalo pero no se conoce exactamente
en que momento ocurrieron, se censuran los productos sobrevivientes.

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

Ejemplo:

A X

B

C

D

Fig. 1 Tipos de censura: A sin censura; B Censura por la izquierda; C Censura por la
derecha; D censura por intervalo.

2. Distribuciones de probabilidad

Verosimilitud (probabilidad de los datos)

La Verosimilitud proporciona un mtodo general y verstil de estimacin, se
prefieren las combinaciones de Modelo/Parmetros con Verosimilitud grande.
Permite censura, intervalos, y datos truncados.

La forma de la verosimilitud depender del: propsito del estudio, modelo
asumido, sistema de medicin e identificacin y parametrizacin.

La contribucin por diferentes tipos de censura es como sigue:

Por ejemplo para la funcin de distribucin:

La verosimilitud en censura por intervalo es:

Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t=
1.5, Li =F(1.5) - F(1) = 0.231

La verosimilitud de censura por la izquierda es:

Si una falla se detecta en la primera inspeccin a un tiempo t=0.5,
Li = F(0.5) = .265

La verosimilitud de censura por la derecha es:

Si una unidad continua operando en la ultima inspeccin en el tiempo T=2.0,
Li =1 - F(2) = 0.0388

Para una tabla de tiempos de vida se tiene:

Los datos son: el nmero de las fallas (di), censuradas por la derecha (ri), y
censuradas por la izquierda (li) en cada uno de los intervalo (no traslapadas)
(ti-1, ti ], i = 1. . . m, m+1, t0 = 0. La verosimilitud (probabilidad de los datos)
para una sola observacin, en (t i-1, ti ] es:

Si se supone que la censura es en ti:

Tipo de
censura
Caracterstica
Numero de
casos
Verosimilitud de
los datos L(t
i
)
Izquierda de
t
i
T > t
i
l
i
[F(t
i
)]
li
Intervalo t
i-1
< T < t
i
d
i
[F(t
i
)-F(t
i-1
)]
di
Derecha de t
i
T>t
i
r
i
[1-F(ti)]
ri
Tipo de
censura
Caracterstica
Numero de
casos
Verosimilitud de
los datos L(t
i
)
Izquierda de
t
i
T > t
i
l
i
[F(t
i
)]
li
Intervalo t
i-1
< T < t
i
d
i
[F(t
i
)-F(t
i-1
)]
di
Derecha de t
i
T>t
i
r
i
[1-F(ti)]
ri
Tipo de
censura
Tipo de
censura
Caracterstica Caracterstica
Numero de
casos
Numero de
casos
Verosimilitud de
los datos L(t
i
)
Verosimilitud de
los datos L(t
i
)
Izquierda de
t
i
Izquierda de
t
i
T > t
i
T > t
i
l
i
l
i
[F(t
i
)]
li
[F(t
i
)]
li
Intervalo Intervalo t
i-1
< T < t
i
t
i-1
< T < t
i
d
i
d
i
[F(t
i
)-F(t
i-1
)]
di
[F(t
i
)-F(t
i-1
)]
di
Derecha de t
i
Derecha de t
i
T>t
i
T>t
i
r
i
r
i
[1-F(ti)]
ri
[1-F(ti)]
ri
Anlisis no paramtrico de los tiempos de falla

Para la estimacin no paramtrica de F(ti) con base en la teora binomial
para datos con censura simple de intervalo se tiene:

Con los datos:

n = tamao de muestra
Di = # de fallas en el iesimo intervalo
De la distribucin binomial se tiene:

Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen
d1 = 2 fallas, en el segundo periodo se obtienen d2 = 2 fallas y en el periodo
d3 = 2 fallas, entonces:

=
= =
i
j
j n
t tiempo el hasta fallas de
d t F
i
1
#
) (
100 5 ) 3 (
, 100 3 ) 2 (
, 100 1 ) 1 (
= = = F F F

est definida slo al final del intervalo

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

El incremento en a cada valor de ti es

El nivel de confianza expresa la confianza (no probabilidad) de que un
intervalo especfico contiene la cantidad de inters.

La probabilidad de cobertura es la probabilidad de que el procedimiento dar
lugar a un intervalo que contiene la cantidad de inters. Un intervalo de
confianza es aproximado si el nivel especificado de la confianza no es igual a
la probabilidad real de la cobertura.

Con datos censurados la mayora de los intervalos de confianza son
aproximados, para mejorar las aproximaciones se requieren ms clculos.

El intervalo de confianza de F(ti) con base en la distribucin binomial es:

Donde y es el cuantil 100(1-o/2)
de

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

Usando la aproximacin normal del intervalo de confianza para F(ti), el
intervalo aproximado del cuantil 100(1-o) en % para F(ti) esta dado por:

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

Es una estimacin de la
desviacin

estndar de

Del ejemplo para un nivel de confianza del 95% se tiene:

Cuando el nmero de inspecciones se incrementa, el ancho del intervalo (ti-
1, ti) tiende a cero y los tiempos de falla son exactos.

F(t) est definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de
censura F(t) es el estimador de mv de F(t). La estimacin es una funcin
escalonada con un paso del tamao 1/n en cada tiempo de falla, algunas
veces es mltiplo de 1/n porque hay tiempos de falla similares. Cuando no
hay censura, el F(t) es el fda emprico bien conocido.

Para la estimacin no paramtrica de F(ti) con base en datos por intervalo y
censura mltiple por la derecha se tiene:

n=tamao de muestra
di = numero de fallas en el intervalo i
ni = conjunto bajo riesgo al tiempo t-1
ri = numero de observaciones censuradas al tiempo ti

En el lmite, si el numero de intervalos aumenta, el ancho del intervalo tiende
a 0 y obtenemos el estimador Kaplan Maier o producto limite. Las fallas se
concentran en intervalos con ancho de intervalo infinitesimal. El estimador
ser constante sobre todos los intervalos que no tienen fallas. La funcin
cambia cuando existe alguna falla,

Funcin de densidad de probabilidad

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

}

=1 ) ( dt t f
Para el caso de la distribucin exponencial se tiene que:

0 ; ) ( > =

t e t f
t

Funcin de distribucin acumulada

Esta funcin se define como la integral de la funcin de densidad desde cero
hasta el tiempo t y representa la probabilidad de fallar antes del tiempo t
(P(t) s t), es decir:

}
= = = s
t
dx x f t F t T P
0
1 ) ( ) ( ) (

Para el caso de la distribucin exponencial se tiene:

}
> = = = = s

t
t t x x
t e e dx e t F t T P
0
0
0 , 1 ) ( ) (

Funcin de confiabilidad

Es una funcin decreciente denominada tambin funcin de supervivencia es
la probabilidad de sobrevivir hasta el tiempo t, se representa como:

R(t)= 1 F(t)

Para el caso de la funcin exponencial es:

t
e t R

= ) (

f(t) 1 F(t) 1 R(t)

0 tiempo 0 tiempo 0 tiempo

Fig.2 Funcin de densidad Funcin de distribucin Funcin de
Acumulada confiabilidad

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

Se define como:

) (
) (
) (
t R
t f
t h =

Es el resultado del siguiente lmite:

A
> A + < <
=
A
) (
lim ) (
0
t T T T t P
t h

Representa la probabilidad de falla instantnea en el tiempo t + At dado que
la unidad ya sobrevivi hasta el tiempo t.

Vida til de un producto

La vida til de un producto se puede representar por una curva de la baera,
como sigue:

f(t)

tiempo
Mortalidad Vida til o fallas Envejecimiento
Infantil o aleatorias o fallas por desgaste
Fallas tempranas

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

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

La zona de fallas aleatorias representa una tasa de falla constante
respecto al tiempo.

La zona de desgaste o envejecimiento representa la zona de tasa de
falla creciente cuando el componente est llegando a su vida til.

Funcin de riesgo acumulado

Es la integral hasta el tiempo t de la funcin de riesgo como sigue:
}
= =
t
dx x h t H
0
1 ) ( ) (

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

) (
) (
t H
e t R

=

Vida promedio o tiempo medio entre falla (MTBF)

La vida media es el valor esperado o media de la variable T como sigue:

}
=
t
dt t tf t E
0
) ( ) (

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

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

Funcin cuantil

El cuantil p es el tiempo tp al cual falla una porcin de las unidades. Se
define en trminos de la distribucin acumulada como:

) (
1
p F t
p

=

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

) 1 ln(
1
)) ( 1 ln(
1
) (
1
p t F p F t
p
= = =

Ejemplo:

Se someten 20 componentes a una prueba de vida y las horas transcurridas
hasta la falla fueron las siguientes:

Unidad Horas
1 3.70
2 3.75
3 12.18
4 28.55
5 29.37
6 31.61
7 36.78
8 51.14
9 108.71
10 125.21
11 125.35
12 131.76
13 158.61
14 172.96
15 177.12
16 185.37
17 212.98
18 280.40
19 351.28
20 441.79

Si las horas de falla siguen la distribucin exponencial, estimar las funciones
de densidad de probabilidad, funcin de distribucin acumulada, funcin de
confiabilidad y funcin de riesgo.

Como no hay censura la media concuerda con las media de las
observaciones o sea 133.43.

La funcin de densidad es:

t
e t f
43 . 133
1
43 . 133
1
) (

=

La funcin de distribucin acumulada es la siguiente:

t
e t F
43 . 133
1
1 ) (

=

La probabilidad de que los componentes fallen antes de las 20 horas es:

F(20) = 0.139

La funcin de confiabilidad es la siguiente:

t
e t R
43 . 133
1
) (

=

Y la funcin de riesgo es:

43 . 133
1
) ( = t h

3. Modelos (distribuciones de probabilidad) para el
tiempo de falla

Los modelos que se utilizan para el tiempo de falla son: Weibull, Valor
extremo, exponencial, normal y lognormal. Aqu se mostrarn sus funciones
de densidad f(t), distribucin acumulada F(t), funcin de confiabilidad R(t) y
funcin o tasa de riesgo h(t). Tambin se incluyen la vida media y la funcin
cuantil de cada distribucin.

Distribucin exponencial de un parmetro

Modelo de confiabilidad para tasa de riesgo constante, de componentes de
muy larga vida y alta calidad que no envejecen durante su vida til. Se dice
que esta distribucin tiene falta de memoria ya que no importa el tiempo que
haya transcurrido, su probabilidad de falla es la misma que cuando estaba
nuevo. Es muy aplicable a componentes electrnicos ya que no exhiben
desgaste o mejora en el tiempo (por ejemplo los transistores, los resistores,
los circuitos integrados y los condensadores). No es aplicable a
componentes con desgaste como las balatas o bateras cuya tasa de falla se
incrementa con el tiempo.

Sus funciones bsicas son:

= = = =

) ( , ) ( , 1 ) ( , ) ( t h e t R e t F e t f
t t t

La funcin cuantil y la vida media son:

/ 1 ) ( ), 1 ln( ) / 1 ( = = T E p t
p

En funcin de la media se tiene (MTBF = u):

( )
| |
( )
u
u
u u
1
exp
1
=
= =
(
=
t h
T E
t
t f
T
f(t) 1 F(t) 1 R(t)

0 tiempo 0 tiempo 0 tiempo

Fig.4 Funcin de densidad Funcin de distribucin Funcin de
Acumulada confiabilidad
.008

Funcin de riesgo

El efecto de la tasa de falla en la pdf es:

Distribucin exponencial de dos parmetros

Para:

Donde u > 0 es un parmetro de escala y es un parmetro
localizacin y frontera. Cuando = 0 se tiene la distribucin
exponencial de un parmetro.

Los cuantiles son:

Tp = - u log (1-p)

Los Momentos son.

Distribucin Weibull de dos parmetros

Es una distribucin flexible donde su tasa de falla puede ser decreciente,
constante o creciente dependiendo de sus parmetros. Normalmente se
define con dos parmetros: el de forma | que tiene efecto sobre la forma de
la distribucin y el de escala q que afecta la escala del tiempo de vida.

La teora de valores extremos demuestra que la distribucin de Weibull se
puede utilizar para modelar el mnimo de una gran cantidad de variables
aleatorias positivas independientes de cierta distribucin: tales como falla de
un
sistema con una gran cantidad de componentes en serie y con los
mecanismos de falla aproximadamente independientes en cada componente.

Sus funciones bsicas son:

|
q
|
q q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t
e
t
t f
1
) ( Distribucin de densidad
|
q
|
|
.
|
\
|
=
t
e t F 1 ) ( Distribucin acumulada

|
q
|
|
.
|
\
|
=
t
e t R ) ( Funcin de confiabilidad

1
) (

|
|
.
|
\
|
=
|
q q
| t
t h Funcin de riesgo

La vida media y la funcin cuantil son las siguientes:

) / 1 1 ( ) ( | q + I = T E

| |
|
q
/ 1
) 1 ln( p t
p
=

La funcin gamma se define como:

}

= I
0
1
) ( dt e t x
t x
Generalizacin del factorial de un nmero

) 1 ( ) 1 ( ) ( I = I x x x Para cualquier nmero

)! 1 ( ) ( = I n n Para nmeros enteros

|=0.5 |=1 |=2
1

Tiempo
Figura 5. Funciones de densidad Funciones de riesgo

En general cuando el para valores de beta 0<|<1 la funcin de riesgo es
decreciente y para valores de |>1 la funcin de riesgo es creciente. |
tambin se conoce como pendiente.

Esta distribucin se aplica a productos con varios componentes de vida
similar, donde cuando falla un componente falla el producto.

Distribucin Weibull de tres parmetros

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

|
q
|
q
q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t
e
t
t f
1
) ( Distribucin de densidad
|
q
|
|
.
|
\
|
=
t
e t F 1 ) ( Distribucin acumulada

|
q
|
|
.
|
\
|
=
t
e t R ) ( Funcin de confiabilidad

1
) (

|
|
.
|
\
|
=
|
q
q
| t
t h Funcin de riesgo

Donde t>=


) / 1 1 ( ) ( | q + I + = T E

| |
|
q
/ 1
) 1 ln( p t
p
+ =

En el caso de |=1 se tiene la distribucin exponencial.

Ejemplo:

Sea la funcin de riesgo de Weibull dada por:

5 . 0
) 1000 / )( 1000 / 5 . 0 ( ) (

= t t h t se expresa en aos

Si se implementa un periodo de quemado (burn-in) de 6 meses (t
b
=0.5), a
que tiempo las unidades sobrevivientes tendrn una confiabilidad de 90%.
De la funcin de riesgo, el parmetro de forma |=0.5 y el parmetro de
escala es q=1000.

Sustituyendo estos valores en la funcin de confiabilidad de Weibull se tiene:

5 . 0
1000
9 . 0 ) (
|
.
|
\
|
= =
t
e t R

| | 1 . 11 ) 90 . 0 ln( 1000
2
= = t

A seis meses la confiabilidad de las unidades sobrevivientes estar dada por
la probabilidad condicional siguiente:

| |
| |
5 . 0
5 . 0
) 1000 / ) 5 . 0 ( exp
) 1000 / ) 5 . 0 (( exp
) (
) (
90 . 0 ) (
+
=
+
= = >
t
t R
t t R
t t t C
b
b
b

Igualando a 90% y despejando para t se obtiene t = 15 aos, es decir el
periodo de quemado eliminara unidades dbiles que fallaran pronto y las
unidades sobrevivientes tienen mayor confiabilidad.

Distribucin Valor extremo para mnimos

Se utiliza para describir la vida de productos cuya duracion est
determinada por la vida mnima de sus componentes:

(
|
.
|
\
|
=
o
o
t t
t f exp exp
1
) ( Funcin de densidad

(
|
.
|
\
|
=
o
t
t F exp exp 1 ) ( Funcin de distribucin

(
|
.
|
\
|
=
o
t
t R exp exp ) ( Funcin de confiabilidad

(

=
o
o
t
t h exp
1
) ( Funcin de riesgo


o 5772 . 0 ) ( + = T E 0.5772 constante de Euler

| | ) 1 ln( ln p t
p
+ = o

o=1 o=2 o=3
1

Tiempo

La distribucin Valor extremo se relaciona con la distribucin Weibull donde
si la variable T sigue una distribucin Weibull (|, q), su logartimao ln(T) sigue
una distribucin valor extremo con parmetros de escala o=1/| y parmetro
de localizacin =ln(q).

Para:

Donde

Son fdp y fda para una normal estndar es el parmetro de localizacin y
o
es el parmetro de escala.

Los cuantiles son:

Donde es el cuantil p de una normal estndar.

Los Momentos son:

Distribucin de los valores extremos mximos

Para

Donde:

Son fdp y fda para una distribucin

es el parmetro de localizacin y o es el parmetro de escala.

Los cuantiles son:

La media y la varianza son las siguientes:

Distribucin normal

No es muy utilizada en confiabilidad dado su comportamiento simtrico, el
comportamiento del tiempo de vida es asimtrico, sin embargo es un modelo
adecuado cuando muchos componentes tienen un efecto aditivo en la falla
del producto. Aqu es el parmetro de localizacin y o es el parmetro de
escala.

Sus funciones bsicas de densidad, distribucin y confiabilidad son las
siguientes:

2
2
1
2
1
) (
|
.
|
\
|
=
o
to
t
e t f Funcin de densidad

|
.
|
\
|
u = =
}

o
t
dx x f t F
t
) ( ) ( Funcin de distribucin

|
.
|
\
|
u = =
}

o
t
dx x f t R
t
1 ) ( 1 ) ( Funcin de confiabilidad

La vida media y la funcin cuantil estan dadas por:

= ) (T E
) (
1
p t
p

u + = o

Donde u-1 es la funcin inversa de la distribucin normal estndar
acumulada.

o=1 o=2 o=3
1

Tiempo

Distribucin lognormal

Esta distribucin es apropiada cuando los tiempos de falla son el resultado
de muchos efectos pequeos que actan de manera multiplicativa. Esto hace
que al sacar el logaritmo de dichos efectos acten como de manera aditiva
sobre el logaritmo del efecto global o logaritmo del tiempo de falla, se aplica
a procesos de degradacin por ejemplo de fatiga de metales y de aislantes
elctricos.

La distribucin lognormal es un modelo comn para los tiempos de la falla,
se justifica para una variable aleatoria obtenida como el producto de un
nmero variables aleatorias positivas, independientes e idnticamente
distribuidas. Se se puede aplicar como modelo de el tiempo de falla causado
por un proceso de degradacin con tazas aleatorias que se combinan
multiplicativamente.

La distribucin lognormal se relaciona con la normal ya que si T sigue una
distribucin lognormal, su logaritmo sigue una distribucin normal. O si T
tiene una distribucin normal, Y=exp(T) sigue una distribucin lognormal.

Sus funciones bsicas son las siguientes:

(
(
=
|
.
|
\
|
2
) ln(
2
1
2
1 1
) (
o

to o
t
e
t
t f Funcin de densidad

|
.
|
\
|
u = =
}

o
) ln(
) ( ) (
t
dx x f t F
t
Funcin de distribucin

|
.
|
\
|
u = =
}

o
) ln(
1 ) ( 1 ) (
t
dx x f t R
t
Funcin de confiabilidad

La vida media y la funcin cuantil estan dadas por:

) 2 / exp( ) (
2
o + = T E

) ( exp(
1
p t
p

u + = o

Donde el cuantil para la distribucin normal es

La media y el cuantil es:

Distribucin logstica

Para:

es el parmetro de localizacin y o > 0 es el parmetro de escala

Donde y son fdp y fda para una logistica estandarizada dada
por:

Los cuantiles son:

Con

es el p esimo cuantil para una distribucin logstica estndar.

La media y la varianza son:

Ejemplos:

Distribucin Loglogstica

Si entonces

Con:

Donde y son fdp y fda para una logistica estndar . Exp() es el
parmetro de localizacin y o > 0 es el parmetro de escala.

La media para sigma > 1 es:

Y para sigma < es:

4. Estimacin de parmetros del modelo

Los modelos paramtricos complementan a las tcnicas no paramtricas.
Los modelos paramtricos se pueden describir con precisin con apenas
algunos parmetros, en vez de tener que reportar una curva entera.

Es posible utilizar un modelo paramtrico para extrapolar (en tiempo) a la
cola inferior a o superior de una distribucin. En la prctica a menudo es til
comparar varios anlisis paramtricos y no paramtricos de un conjunto de
datos.

Funciones de los parmetros

Funcin de distribucin acumulativa

El p cuantil es el valor mas pequeo de tp tal que

La funcin de Riesgo

El tiempo medio de falla, MTTF, de T (tambin conocida como esperanza de
T).

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

La varianza (o el segundo momento central) de T y la desviacin estndar
son:

El coeficiente de variacin es:

Distribuciones con parmetros de localizacin y escala

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

Dnde - < < o >0 es un parmetro
de escala.

u es la fda de Y cuando = 0 y o = 1 y u no depende de ningn
parmetro desconocido. Como en la distribucin de Z = (Y- o que no
depende de ningn parmetro desconocido.

Las distribuciones estadsticas de esta clase de distribuciones son las
siguientes: distribuciones exponenciales, normales, Weibull, lognormal,
loglogistica, logsticas, y de valor extremos. Su teora es relativamente
simple.

Resumen de modelos de confiabilidad

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

Especificacin de la distribucin de vida y estimacin grfica de sus
parmetros

Un primer paso en un estudio de confiabilidad es identificar la distribucin
que mejor modela los tiempos de falla (o vida) de los productos.

Linearizacin de la funcin de distribucin acumulada (fda)

Esto es necesario para determinar la confiabilidad usando papel
deprobailidad de Weibull:

Para el caso de la distribucin exponencial se tiene:

u
t
e t F

=1 ) (

Se deduce que:

) ( 1 t F e
t
=
u

| |
u
t
t F = ) ( 1 ln

Es la ecuacin de la recta y = ax con y = -ln(1-F(t)) y x = t. La pendiente de
la recta es 1/u. Por tanto se pueden graficar los pares ordenados (t(i), -ln(1-
F^(t(i))) con F^(t(i)) = (i-0.5)/n, en papel ordinario o graficar en papel
exponencial los pares (t(i), (i-0.5)/n).

Exponencial |
.
|
\
|

u
t
exp 1
u
) (
) (
) 1 log(
i
i
t
p =

Para el caso de Weibull dela funcin cuantil:

| |
|
q
/ 1
) 1 ln( p t
p
=

Tomado logaritmos naturales de ambos lados y sustituyendo p por F(ft) (es lo
mismo), se obtiene:

| | ) ( 1 ln( ln
1
) ln( ) ln( t F t + =
|
q
Reacomodando la ecuacin queda como:

| | ) ln( ) ln( ) ( 1 ln( ln t t F | q | + =

Ecuacin de la foirma y = ax + b, con y = ln (-ln(1-F(t)), a = - |ln(q) y x = ln(t).

Se puede graficar en papel ordinario (ln(t(i), ln (-ln(1-F(t)), o graficar en papel
logartmico de Weibull (t(i), (i-0.5)/n).

Ejemplo:

Se prueban seis unidades similares en un estudio de confiabilidad, las cuales
presentaron fallas como sigue:

Tiempo de
falla (Hrs.)
Orden de
fallas, i
Posicin en grfica
(i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916

Utilizando Minitab con las siguientes instrucciones:

1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis

2. Variables t; Assumed distribution Weibull

3. OK

Los resultados son los siguientes:

Distribution Analysis: t
Variable: t

Censoring Information Count
Uncensored value 6
Estimation Method: Least Squares (failure time(X) on rank(Y))
Distribution: Weibull

Parameter Estimates
Standard 95.0% Normal CI
Parameter Estimate Error Lower Upper
Shape 1.43966 0.770081 0.504604 4.10744
Scale 76.1096 23.0668 42.0206 137.853

Log-Likelihood = -29.977

Goodness-of-Fit
Anderson-Darling (adjusted) = 1.980
Correlation Coefficient = 0.996

Characteristics of Distribution
Estimate Error Lower Upper
Mean(MTTF) 69.0792 21.6192 37.4070 127.568
Standard Deviation 48.7161 31.6088 13.6579 173.765
Median 59.0032 19.5515 30.8190 112.962
First Quartile(Q1) 32.0329 17.6650 10.8690 94.4070
Third Quartile(Q3) 95.4934 31.2532 50.2794 181.366
Interquartile Range(IQR) 63.4604 32.7893 23.0514 174.707

Table of Percentiles
Percent Percentile Error Lower Upper
1 3.11703 5.40393 0.104239 93.2077
2 5.06250 7.48720 0.278920 91.8864
3 6.73318 8.95519 0.496722 91.2696
4 8.25196 10.1030 0.748881 90.9288
5 9.67027 11.0465 1.03062 90.7361
6 11.0159 11.8452 1.33886 90.6365
7 12.3060 12.5347 1.67146 90.6017
8 13.5521 13.1381 2.02681 90.6153
9 14.7626 13.6715 2.40367 90.6672
10 15.9435 14.1466 2.80105 90.7505
20 26.8511 16.9820 7.77351 92.7483
30 37.1916 18.1019 14.3268 96.5476
40 47.7313 18.6733 22.1717 102.756
50 59.0032 19.5515 30.8190 112.962
60 71.6255 21.8154 39.4287 130.114
70 86.5837 26.9542 47.0382 159.376
80 105.925 37.2835 53.1361 211.156
90 135.843 59.0936 57.9098 318.656
91 140.131 62.6511 58.3405 336.587
92 144.857 66.6766 58.7677 357.060
93 150.135 71.2939 59.1935 380.792
94 156.128 76.6846 59.6209 408.847
95 163.088 83.1306 60.0537 442.898
96 171.433 91.1043 60.4981 485.788
97 181.936 101.493 60.9642 542.951
98 196.302 116.288 61.4723 626.862
99 219.854 141.853 62.0763 778.651

La confiabilidad a las 15 horas por medio de la distribucin de Weibull es:

> Estimate Estimate survival probabilities for these times (values) 15

Table of Survival Probabilities

95.0% Normal CI
Time Probability Lower Upper
15 0.908008 0.276139 0.992789

Por clculo manual se tiene con Shape 1.43966 y Scale 76.1096:

9080 . 0 ) 15 (
43966 . 1
1096 . 76
15
= |
.
|
\
|
= e R

Por tanto el 90.8% de los componentes duran ms de 15 horas.

t
P
e
r
c
e
n
t
1000.0 100.0 10.0 1.0 0.1
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
Median 59.0032
IQR 63.4604
Failure 6
Censor 0
AD* 1.980
Shape
Correlation 0.996
1.43966
Scale 76.1096
Mean 69.0792
StDev 48.7161
Probability Plot for t
Complete Data - LSXY Estimates
Weibull - 95% CI

Estimador de Kaplan Meyer

Si se consideran los datos censurados por la derecha, para graficar en papel
de probabilidad, se utilizan las posiciones estimadas por Kaplan Meyer (KM)
de la funcin de confiabilidad definido como:

( ) ( ) ( )
) (
) (
) 2 (
) 2 (
) 1 (
) 1 (
) (
1 ..... 1 1 ) (
i n
i f
n
f
n
f
i
x t R =

Donde f(j) son las unidades que fallan en el j-simo intervalo de tiempo (ti-1,
ti) y n(j) son las unidades en riesgo justo antes del tiempo j. Las unidades en
reisgo son iguales al total de unidades menos las que han fallado hasta antes
de ese tiempo, menos las que fueron censuradas hasta ese tiempo, es decir.

=
=
=
1
0
1
0
) ( ) (
i
j
j
i
j
j j
r f n n
Donde rj denota el nmero de unidades que fueron censuradas en el tiempo
tj, y adems f(0) = 0 y r(0) = 0.

El estimador de Kaplan Meyer toma en cuenta la censura contando las
unidades en riesgo un instante antes del tiempo j.

Ejemplo:

t(i) Fallas f(j) Posicin en grfica
(i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916
De aqu siguen las lienalizaciones

Estimacin por mnimos cuadrados

Es un mtodo para estimar los parmetros de las distribuciones de
probabilidad que se basa en ajustar un modelo de regresin lineal simple a
los datos, graficados en el papel de probabilidad correspondiente.

Las ecuaciones linealizadas para las distribuciones de probabilidad
acumuladas son las siguientes:

Distribucin fda, F(t) fda en forma de y = a + bx

Exponencial |
.
|
\
|

u
t
exp 1
u
) (
) (
) 1 log(
i
i
t
p =

Weibull
|
|
.
|
\
|
(

|
q
t
exp 1 | | ) log( ) log( 1 log( log
) ( ) ( i i
t p | q | + =

Valor extremo
|
|
.
|
\
|
(

o
t
exp exp 1 | |
o o
) (
) (
) 1 log( log
i
i
t
p + =

Normal |
.
|
\
|
u
o
t

o o
) (
) (
1
) (
i
i
t
p + = u

Lognormal
|
.
|
\
|
u
o
) log(t

o o
) log(
) (
) (
) (
1 i
i
t
p + = u

En las ecuaciones de la ltima columna se aprecian la pendiente de la recta
y la ordenada al origen.

Por ejemplo para la distribucin exponencial, se hace una regresin simple
entre las parejas de coordenadas (t(i), ln(1-P(i)) para i = 1, 2, , n.

La pendiente de la recta es un estimador del parmetro 1/u.

Por ejemplo para los datos anteriores se tiene:

Tiempo de
falla (Hrs.)
Orden de
fallas, i
Posicin en grfica
P(i) = (i-0.5)/6
Ln(1-P(i))
16 1 0.083 -0.08664781
34 2 0.250 -0.28768207
53 3 0.416 -0.5378543
75 4 0.583 -0.87466906
93 5 0.750 -1.38629436
120 6 0.916 -2.47693848

As 1/u = -0.022 por tanto el MTBF = 45.45

Para la distribucin Weibull las parejas a ajustar son:

(log(t(i)), log(-log(1-p(i)).

Tiempo de
falla (Hrs.)
Orden de
fallas, i
Posicin en grfica
P(i) = (i-0.5)/6
Log(t(i) log(-log(1-P(i))
16 1 0.083 2.77258872 -2.44590358
34 2 0.250 3.52636052 -1.24589932
53 3 0.416 3.97029191 -0.62016758
75 4 0.583 4.31748811 -0.13390968
93 5 0.750 4.53259949 0.32663426
120 6 0.916 4.78749174 0.90702331

t
Y
120 100 80 60 40 20
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
S 0.268099
R-Sq 92.6%
R-Sq(adj) 90.7%
Fitted Line Plot
Y = 0.4929 - 0.02201 t

Y la pendiente b estima a | y q se obtiene con exp(-a/b).

Por tanto | = 1.611 y q = 74.978 similar al obtenido arriba.

Mxima verosimilitud

Es un mtodo para estimar los parmetros del modelo que provee los
estimadores que maximizan la probabilidad de haber observado los datos
bajo tal modelo.

Es ms recomendado para estimar los parmetros del modelo, consiste en
maximizar la funcin de verosimilitud.

Log(t(i)
l
o
g
(
-
l
o
g
(
1
-
P
(
i
)
)
5.0 4.5 4.0 3.5 3.0
1.0
0.5
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
S 0.108555
R-Sq 99.3%
R-Sq(adj) 99.2%
Fitted Line Plot
log(-log(1-P(i)) = - 6.955 + 1.611 Log(t(i)
Con los datos se desea estimar el valor del parmetro u. Los datos son un
evento E en el espacio muestral del modelo y la probabilidad de E ser
funcin de los valores desconocidos de los parmetros del modelo, P(E;u). El
estimador de mxima verosimilitud (emv) de u es el valor de u que maximiza
P(E;u), y se denota por u^. La funcin de verisimilitud L(u) se define como la
probabilidad conjunta de los datos:

) ; ( ) ( u u E cP L = c es una constante que no depende de u.

Para el caso de una variable aleatoria discreta como P(T=ti) la da la funcin
de probabilidad P(T=ti), la funcin de verosimilitud estar dada por:

) , ( ) ; ( ) , ( u u u
i i
t f t T P t L = = =
Por ejemplo para el caso de la distribucin binomial se tiene:

x n x
p p
x
n
p x f x p L

|
|
.
|
\
|
= = ) 1 ( ) ; ( ) ; (

Donde x es el nmero de xitos observados, p es la probailidad. Por lo que
dado x, L(p) toma distintos valores en funcin de p. El valor de p que
maximice L(p) es el (evm).

Para el caso de una variable continua, si se tienen n observaciones no
censuradas e independientes: t1, t2, t3,., tn, la informacin que paortan
esos datos sobre u lo proporciona la funcin de verosimilitud dada por:

n
i
i
t f c datos L
1
;
) ( ) ; (
=
= u u

Los estimadores de mxima verosimilitud son los valores de los parmetros
que maximizan la funcin L(u), que maximizan la probabilidad de ahaber
observado esos datos bajo el modelo propuesto.

Para el caso de una observacin censurada por la derecha, el artculo no
haba fallado al tiempo t, o sea T > t, por lo tanto la verosimilitud de este
evento es proporcional a la probabilidad del mismo, es decir:

) ; ( ) ; ( ) ; ( u u u t R t T P t T L = > = > Funcin de confiabilidad

Para el caso de una observacin censurada por la izquierda, lo que se sabe
es que T < t, por tanto la verosimilitud de este evento es proporcional a la
probabilidad del mismo;

) ; ( ) ; ( ) ; ( u u u t F t T P t T L = < = < Funcin de distribucin acumulada

Para el caso de censura por intervalo, o por resolucin baja del instrumento,
se sabe que el evento ocurri entre:
i i
t T t < <
1
y su verosimilitud est dada
por:

}
=

= = < < =
ti
t
i i i i
t F t F dt t f t t t P L
1
1 1
) ( ) ( ) ; ( ) ( ) ( u u
Si se tienen cuatro datos: uno completo ti, uno censurado por la derecha
tder, otro por la izquierda tizq y el ltimo por intervalo (tbajo, talto), la funcin
de verosimilitud para el modelo es:

| | ) ; ( ) ; ( ) ; ( ) ; ( ) ; ( ) ; ( u u u u u u
bajo alto izq der i
t F t F x t xF t xC t f datos L =

En general la maximizacin de esta funcin para obtener los estimadores de
mxima verosimilitud para algunos de los modelos se hace por clculo
diferencial (derivando e igualando a cero). Para el caso exponencial con
parmetro u, considerando n tiempos de falla exactos,

=
|
|
.
|
\
|
=

=
[
i
i
t
n
n
i
t
e e datos L
u u
u u
u
1
1
1 1
) ; (
Maximizar esta funcin equivale a maximizar su logaritmo dado por:

| |

=
=
n
i
i
t n datos L
1
1
) ln( ) ; ( ln
u
u u

Derivando respecto a u e igualando a cero se tiene:

0
1 )) ( ln(
1
2
= +
=

=
n
i
i
t
n
d
L d
u u u
u

Despejando u para obtener el estimados de mxima verosimilitud se tiene:

=
=
n
i
i
t
1
u

Varios tipos de falla

Las unidades de prueba de un estudio de confiabilidad pueden fallar de
diversas maneras, no solo del tipo de falla que ms interesa en un momento
dado. Si los modos de falla son independientes, cada uno debe analizarse
por separado, para lo cual las otras unidades que fallaron debido a otros
modos de falla se toman como censuradas. Si Ri(t) es la funcin de
confiabilidad para el modo de falla i, entonces la confiabilidad global del
producto al tiempo t consiuderando los k modos de falla del producto es:

) ( ....... ) ( ) ( ) (
2 1
t xR x t xR t R t R
k g
=

O sea que para sobrevivir al tiempo t se debe sobrevivir a todos los modos
de falla.

Ejemplo: Vida de conexiones con dos modos de falla

Los datos de la tabal siguiente son esfuerzos de ruptura de 20 conexiones de
alambre, con un extremo soldado sobre un semiconductor y el otro al poste
Terminal. Cada falla consiste en la ruptura del alambre (modo de falla 1 = A)
o de una soldadura (modo de falla 2 = S). En este caso el esfuerzo hace las
veces de tiempo de falla:

Esfuerzo Modo de
falla
550 S
750 A
950 S
950 A
1150 A
1150 S
1150 S
1150 A
1150 A
1250 S
1250 S
1350 A
1450 S
1450 S
1450 A
1550 S
1550 A
1550 A
1850 A
2050 S

Interesa estudiar la distribucin del esfuerzo de las conexiones, considerando
que se requiere que menos del 1% debe tener un esfuerzo menor a 500 mg.
O sea que al menos el 99% de las conexiones resista un esfuerzo de mayor
a 500 mg. Se desea estimar el esfuerzo que resultara de eliminar uno de los
modos de falla.

Primero se hace un anlisis sin distinguir los modos de falla, identificando la
distribucin que ajuste a los datos:

Con Minitab:

1. Stat > Reliability / Survival > Distribution analysis (right censoring) >
Distribution ID Plot

2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal,
Exponential, Normal)

3. Options > Estimation Maximum likelihood

4. OK

3. Options > Estimation Least squares

Esfuerzo
P
e
r
c
e
n
t
2000 1000 500
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
2000 1000
99
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
10000 1000 100 10
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
2000 1500 1000 500
99
90
50
10
1
Anderson-Darling (adj)
Weibull
1.011
Lognormal
1.123
Exponential
5.561
Normal
0.970
Probability Plot for Esfuerzo
ML Estimates-Complete Data
Weibull Lognormal
Exponential Normal

Se puede observar que la distribucin normal y la de Weibull dan un ajuste
parecido y los datos parecen provenir de una misma poblacin donde las
fallas se presentan por la liga ms dbil que favorece al modelo Weibull
donde .

Determinado los parmetros de la distribucin Weibull por medio de Minitab:

Distribution Overview Plot

2. En Variables Esfuerzo Parametric analysis - distribution Weibull


4. OK
Esfuerzo
P
e
r
c
e
n
t
2000 1000 500
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
2000 1000
99
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
10000 1000 100 10
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
2000 1500 1000 500
99
90
50
10
1
Correlation Coefficient
Weibull
0.981
Lognormal
0.958
Exponential
*
Normal
0.981
LSXY Estimates-Complete Data
Weibull Lognormal
Exponential Normal

Se obtiene una distribucin Weibull con parmetro de forma o aspecto Beta =
3.96368 y parmetro de escala Etha = 1416.71.

5. Determinacin de la confiabilidad

Haciendo un anlisis de confiabilidad considerando los dos tipos de falla se
tiene:

Instrucciones de Minitab:;

Parametric Distribution Analysis

Esfuerzo
P
D
F
2000 1500 1000 500
0.0012
0.0008
0.0004
0.0000
Esfuerzo
P
e
r
c
e
n
t
2000 1000 500
90
50
10
1
Esfuerzo
P
e
r
c
e
n
t
2000 1500 1000 500
100
50
0
Esfuerzo
R
a
t
e
2000 1500 1000 500
0.0075
0.0050
0.0025
0.0000
Table of Statistics
Median 1291.59
IQR 503.809
Failure 20
Censor 0
AD* 0.998
Shape
Correlation 0.981
3.96368
Scale 1416.71
Mean 1283.45
StDev 363.046
Probability Density Function
Surv iv al Function Hazard Function
Distribution Overview Plot for Esfuerzo
LSXY Estimates-Complete Data
Weibull
2. En Variables Esfuerzo Assumed distribution - Weibull


4. OK

Los resultados se muestran a continuacin:

Estimado la confiabilidad para 500 mg. Se tiene:

3. Estimate > Estimate survival probailities for these times 500 OK

Distribution Analysis: Esfuerzo
Esfuerzo
P
e
r
c
e
n
t
2
0
0
0
1
5
0
0
1
0
0
0
9
0
0
8
0
0
7
0
0
6
0
0
5
0
0
4
0
0
3
0
0
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
Median 1291.59
IQR 503.809
Failure 20
Censor 0
AD* 0.998
Shape
Correlation 0.981
3.96368
Scale 1416.71
Mean 1283.45
StDev 363.046
Weibull - 95% CI

Variable: Esfuerzo

Uncensored value 20



Parameter Estimates

Shape 3.96368 0.708783 2.79182 5.62743
Scale 1416.71 84.2759 1260.80 1591.91


Goodness-of-Fit


Mean(MTTF) 1283.45 80.9684 1134.17 1452.37
Median 1291.59 85.3243 1134.73 1470.13
First Quartile(Q1) 1034.60 95.8025 862.880 1240.48
Third Quartile(Q3) 1538.40 87.8896 1375.44 1720.68


1 443.865 102.702 282.032 698.558
2 529.362 106.405 356.990 784.963
3 587.135 107.635 409.915 840.973
4 632.155 107.983 452.296 883.535
5 669.641 107.910 488.287 918.353
6 702.091 107.604 519.920 948.091
7 730.908 107.159 548.361 974.223
8 756.969 106.628 574.349 997.655
9 780.860 106.042 598.382 1018.98
10 802.995 105.420 620.818 1038.63
20 970.366 98.8486 794.742 1184.80
30 1092.26 93.0318 924.324 1290.70
40 1195.86 88.4357 1034.51 1382.39
50 1291.59 85.3243 1134.73 1470.13
60 1385.81 84.1349 1230.34 1560.92
70 1484.64 85.6630 1325.89 1662.40
80 1597.44 91.5272 1427.75 1787.29
90 1748.50 106.332 1552.03 1969.84
91 1768.35 108.820 1567.43 1995.03
92 1789.78 111.634 1583.83 2022.52
93 1813.20 114.856 1601.50 2052.88
94 1839.16 118.600 1620.80 2086.94
95 1868.53 123.044 1642.28 2125.94
96 1902.70 128.478 1666.84 2171.94
97 1944.24 135.440 1696.11 2228.68
98 1998.66 145.109 1733.56 2304.30
99 2082.63 161.124 1789.61 2423.63


95.0% Normal CI
500 0.984016 0.920465 0.996872

Y el porcentaje de falla ser 100 98.40 = 1.6% que es mayor al objetivo del
1%, por lo que se tratar de eliminar uno de los modos de falla.

Obteniendo el anlisis separado por modo de falla se tiene:

Instrucciones de Minitab:;

Parametric Distribution Analysis

2. En Variables Esfuerzo By Variable Modo de falla Assumed distribution -
Weibull


4. OK

Los resultados son:

Distribution Analysis: Esfuerzo by Modo de falla

Variable: Esfuerzo
Modo de falla = A

Uncensored value 10



Parameter Estimates

Shape 4.27142 1.20349 2.45892 7.41995
Scale 1414.58 110.427 1213.90 1648.45


Goodness-of-Fit


Mean(MTTF) 1287.02 107.337 1092.94 1515.57
Median 1298.27 112.923 1094.78 1539.58
First Quartile(Q1) 1056.70 133.092 825.550 1352.58
Third Quartile(Q3) 1527.00 115.966 1315.82 1772.08


1 481.849 159.303 252.056 921.140
2 567.416 162.268 323.949 993.862
3 624.664 162.391 375.287 1039.75
4 668.990 161.599 416.684 1074.07
5 705.726 160.416 452.015 1101.84
6 737.405 159.046 483.188 1125.37
7 765.450 157.585 511.303 1145.92
8 790.745 156.082 537.058 1164.26
9 813.878 154.565 560.927 1180.90
10 835.265 153.050 583.249 1196.17
20 995.688 139.088 757.214 1309.27
30 1111.24 127.738 887.082 1392.05
40 1208.74 118.942 996.715 1465.86
50 1298.27 112.923 1094.78 1539.58
60 1385.93 110.342 1185.69 1619.98
70 1477.41 112.463 1272.65 1715.13
80 1581.30 121.743 1359.82 1838.86
90 1719.60 144.914 1457.79 2028.43
91 1737.71 148.743 1469.32 2055.12
92 1757.25 153.056 1481.47 2084.36
93 1778.57 157.969 1494.41 2116.77
94 1802.19 163.649 1508.37 2153.25
95 1828.88 170.351 1523.70 2195.18
96 1859.90 178.497 1540.98 2244.81
97 1897.55 188.861 1561.25 2306.28
98 1946.79 203.138 1586.72 2388.56
99 2022.57 226.538 1623.92 2519.08


Modo A
95.0% Normal CI
500 0.988299 0.841829 0.999196

Distribution Analysis: Esfuerzo by Modo de falla

Variable: Esfuerzo
Modo de falla = S

Uncensored value 10



Parameter Estimates

Shape 3.32722 0.953840 1.89697 5.83582
Scale 1425.91 142.915 1171.60 1735.43


Goodness-of-Fit


Mean(MTTF) 1279.60 133.140 1043.53 1569.06
Median 1277.18 141.540 1027.83 1587.03
First Quartile(Q1) 980.548 157.439 715.811 1343.20
Third Quartile(Q3) 1573.00 155.189 1296.43 1908.56


1 357.805 152.934 154.819 826.932
2 441.349 162.918 214.078 909.895
3 499.313 167.355 258.866 963.098
4 545.250 169.647 296.317 1003.31
5 583.983 170.836 329.150 1036.11
6 617.849 171.372 358.745 1064.09
7 648.177 171.486 385.917 1088.66
8 675.802 171.314 411.190 1110.70
9 701.288 170.939 434.927 1130.78
10 725.033 170.416 457.390 1149.29
20 908.468 162.047 640.438 1288.67
30 1045.99 153.087 785.145 1393.50
40 1165.24 145.843 911.751 1489.20
50 1277.18 141.540 1027.83 1587.03
60 1388.94 141.628 1137.33 1696.20
70 1507.73 148.293 1243.38 1828.28
80 1645.16 165.486 1350.79 2003.69
90 1832.13 203.940 1473.02 2278.80
91 1856.94 210.156 1487.52 2318.09
92 1883.78 217.141 1502.85 2361.28
93 1913.18 225.082 1519.19 2409.34
94 1945.86 234.251 1536.88 2463.67
95 1982.93 245.065 1556.35 2526.41
96 2026.21 258.210 1578.38 2601.10
97 2079.02 274.954 1604.30 2694.21
98 2148.52 298.080 1636.99 2819.90
99 2256.48 336.193 1685.05 3021.71

Modo S

95.0% Normal CI
500 0.969865 0.762180 0.996558

Combinado los dos se tiene:

Rg = RA x RS =0.988299 x 0.969865 = 0.95851661

En este caso se observa que para tener menos de 1% de falla en 500 mg. Es
necesario eliminar los dos modos de falla, uno no es suficiente.

Esfuerzo
P
e
r
c
e
n
t
1000 100
99
90
80
70
60
50
40
30
20
10
5
3
2
1
Table of Statistics
10 0
3.32722 1425.91 0.962 10 0
Shape Scale Corr F C
4.27142 1414.58 0.986
Modo
de
falla
A
S
Weibull - 95% CI
6. Pruebas de vida acelerada

Los fabricantes desean tener resultados de confiabilidad para sus productos,
ms rpidamente, que bajo condiciones de funcionamiento normal. Para lo
cual, se trata de acelerar las fallas sometiendo los productos a niveles altos
de esfuerzo, para despus, extrapolar la confiabilidad a condiciones
normales de operacin.

Se tienen los tipos de Pruebas de vida aceleradas cualitativas y cuantitativas:

Pruebas Cualitativas

Las pruebas de vida aceleradas cualitativas (tales como las pruebas de
tortura) se utilizan sobre todo para revelar los modos de falla probables para
el producto con objeto de mejorar su diseo. Una prueba acelerada que slo
da Informacin de Falla ( Modos de Falla), comnmente se llama Prueba
de Tortura, Prueba de Elefante, Prueba Cualitativa, etc.

Sobre-esforzar a los productos para obtener fallas ms rpido es la forma
ms antigua de Pruebas de Confiabilidad. Normalmente no se obtiene
informacin sobre la distribucin de la vida (Confiabilidad). Los tipos de
esfuerzo son en: Temperatura, Voltaje, Humedad, Vibracin o, cualquier otro
esfuerzo que afecte directamente la vida del producto.

Las pruebas de Tortura se realizan sobre muestras de tamao pequeo y los
productos se someten a un ambiente agresivo (niveles severos de esfuerzo)
Si el producto sobrevive, pas la prueba. Muchas veces los datos de las
pruebas de tortura no pueden ser extrapolados a las condiciones de uso

Como beneficios de las pruebas de tortura se aumenta la Confiabilidad por la
revelacin de modos probables de falla, aunque quedan en el aire diversos
cuestionamientos como son: Cul es la Confiabilidad del Producto?, se
mantendrn los mismos Modos de Falla durante la vida del producto bajo uso
normal?

Pruebas Cuantitativas

Las pruebas de vida aceleradas cuantitativas (QALT) se disean para
cuantificar la vida til del producto.

La Prueba de Vida acelerada, a diferencia de la Prueba de Tortura, est
diseada para proveer Informacin de la Confiabilidad del producto,
componente o sistema, como dato bsico se tiene el Tiempo de Falla, puede
estar en cualquier medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.

Los modelos de tiempos de vida de escala acelerada (TAEF) se definen
como:

Cuando FA(x)>1, el modelo acelera el tiempo, esto es T(x) >T(x0); en caso
contrario, el modelo desacelera el tiempo.

1 ) ( , 0 ) ( ); ( ) ( ) (
0 0
= > = x FA x FA x FA x T x T

En la grafica de T(x0) vs T(x):
El modelo TAEF se representa por lneas rectas a travs del origen.
El modelo TAEF acelerado se representa por lineas rectas por abajo
de la diagonal.
El modelo TAEF desacelerado se representa por lneas rectas por
arriba de la diagonal.

Para un modelo TFAE T(x) = T(x0)/FA(x), ((x) > 0), donde:

Si la cdf base est en x0 F(t; x0) entonces AF(x0) = 1

Tiempo escalado: F(t; x) = F [AF(x) t; x0]. Entonces las cdfs F(t; x) y
F(t; x0) no se cruzan.

Cuantiles proporcionales: tp(x) = tp(x0)/AF(x). Entonces tomando
Logaritmos se tiene log[tp(x0)] log[tp(x)] = log[AF(x)]. Esto muestra
que cualquier grafica en escala log-tiempo tp(x0) y tp(x) son
equidistantes.
En particular, en una grafica de probabilidad en escala log-tiempo F(t,
x) es una translacin de F(t, x0) a lo largo del eje log(t).

Grafica de Probabilidad Weibull de dos miembros de una familia TFAE de
modelos con distribucin Lognormal

Note que para modelos con una sola variable de la familia log-localizacin
escala:

Por tanto pertenecen a la familia de modelos de tiempos de vida de escala
acelerada y,

) exp(
) 0 (
) (
1
x
t
x t
p
p
| =
) exp( ) (
1
x x FA | =
Modelos de vida acelerada

Se han desarrollado modelos que relacionan el nivel de esfuerzo y la funcin
de densidad de los tiempos de falla como sigue:

Modelos de aceleracin

Los modelos de aceleracin se derivan a menudo de modelos fsicos o
cinticos relacionados al modelo de falla, por ejemplo:

Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Modelo Coffin-Manson de Crecimiento de Fracturas Mecnicas

Ley de la potencia inversa

L = medida cuantificable de vida, tal como la media, la mediana cuantiles,
etc.,
S = nivel de estrs o esfuerzo
K = parmetros del modelo por determinar (K debe ser > 0), y,
n = es otro parmetro del modelo.

Para el caso de la distribucin de Weibull, se tiene:

Una vez que se estiman los parmetros b, K y n, se pueden hacer
predicciones de vida til para diferentes valores de t y S.

El modelo de Arrhenius se muestra a continuacin:

R = velocidad de reaccin,
A = constante desconocida,
|
|
|
|
|
|
|
.
|
\
|
|
|
|
|
.
|
\
|

=
n
S K
t
n n
e
S K
t
S K
S t f
1
1
1 1
) , (
|
|
|
q
|
|
q
q q
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
|
|
.
|
\
|

=
= =
|
|
.
|
\
|
=
n
S K
t
n n
n
t
e
S K
t
S K
S t f
S K
S L
e
t
t f
1
1
1
1 1
) , (
1
) (
) (
EA = energa de activacin (eV),
K = constante de Boltzman, y
T = temperatura absoluta (Kelvin).

El modelo de Eyring es como sigue:

L = medida cuantificable de vida, tal como la media, la mediana, cuantiles,
etc.,
V = nivel de estrs (temperatura medida en grados kelvin)
A = uno de los parmetros del modelo, y,
B = otro parmetro del modelo

Los modelos de regresin lineales y log lineales vistos anteriormente pueden
ser tiles para modelar diversos efectos de estrs. Para distribuciones de la
familia log-localizacin escala (weibull, exponencial, lognormal):

Con media:

(

= = = s
o

| o | | o
) ln(
) , , ; ( ) , ; ( ) (
1 0
t
t F t F t T P
x x
1 0
) ( | | + = =

Y modelo de regresin:

Sus residuos se definen como:

Para distribuciones de la familia localizacin-escala (Normal, Logstica,
valores extremos):

Con media:

Y Tp:

| | o | ) ( ) ( ) ( ln
1
p x x t
p

+ =
(

= = = s
o
| o | | o
t
t F t F t T P ) , , ; ( ) , ; ( ) (
1 0
x x
1 0
) ( | | + = =
o | ) ( ) (
1
p x t
p

+ =

Sus residuos se definen como:

Como resumen de los modelos se tiene:

Los modelos ms utilizados son los siguientes:

El modelo de Arrhenius,

El modelo de Eyring y

El modelo de la ley de la potencia inversa
7. Confiabilidad de sistemas

Cuando se estudia la confiabilidad de un sistema compuesto por
componentes, la falla de alguno de ellos hace que todo el sistema deje de
funcionar, en este caso el se dice que los componentes estn en serie. En
caso de que la falla de un componente particular no afecte al funcionamiento
total del sistema dado que otros componentes continan funcionando, se
dice que estn conectados en paralelo.

Sistemas Complejos

El estudio de sistemas complejos implica la subdivisin de un producto en
sus componentes individuales. Al modelar un sistema complejo es crucial
especificar el nivel del detalle del modelo. La operacin del sistema se
expresa en funcin de la operacin de los componentes. La funcin de
estructura describe el lazo entre el estado del sistema y el estado de los n
componentes que forman el sistema.

El Estado del Sistema

El sistema se asume como una coleccin de n componentes. Tambin se
asume que hay dos estados posibles para los componentes del sistema:
funcionando o falla. El estado del componente i, denotado por Xi, es:

para i = 1...,n.

funciona componente el si 1,
fallado ha componente el si , 0
=
=
i
X
Los estados de los n componentes se pueden escribir como el vector
X=(X1..., Xn). Hay n componentes, cada uno de los cuales puede tomar 2
valores, entonces, hay 2
n
posibles estados del sistema.

Funcin de Estructura de un sistema

La funcin de estructura asocia los estados del sistema { X } al conjunto { 0.1
}, rindiendo el estado del sistema.

El estado del sistema es:

La forma de la funcin de estructura depende del diseo del sistema. Las
estructuras ms comunes que vemos son sistemas en series y sistemas en
paralelo.

Considere un sistema con k componentes y sea la variable xi (i=1, 2, 3,., k)
que toma el valor 1 si el i-simo componente funciona y el valor 0 si no
funciona. En cierto momento el estado del sistema est determinado por el
vector X = (x1, x2, x3,., xk) de ceros y unos. La funcin de estructura del
sistema est definida en este espacio de vectores y toma valores:

=
0
, 1
) (x | 1 si el sistema funciona; 0 si no funciona

La funcin de estructura de un sistema serie es:
[
=
=
k
i
i
x x
1
) ( |
X. estado en esta cuando funciona sistema el si 1,
X, estado en esta cuando falla sistema el si , 0 ) (
=
= X |

La funcin de estructura de un sistema paralelo es:

) 1 ( 1 ) (
1
[
=
=
k
i
i
x x |

Cada vector X donde el sistema funciona se denomina trayectoria y cada
vector X donde el sistema no funciona se denomina corte. En total se tienen
2
K
posibles estados sumando los cortes y las trayectorias. En el sistema serie
solo hay una trayectoria con un vector de unos X=(1,1,1,1) y 2
K-1
cortes y
en el sistema paralelo solo hay un corte cuando X=(0,0,0,,0) y 2
K-1
trayectorias.

El nmero de componentes que funcionan en un estado se denominan
tamao de X, con valores desde 1 hasta k. La trayectoria mnima es un
vector X con todos los componentes funcionando.

Revisar la importancia estructural:

Qu importancia tienen los componentes en la estructura?
Si el componente i falla, dejar de operar el sistema?
Cuntos estados posibles hay del sistema?
En cuantos estados el componente i es funcional?
En que estados al fallar el componente i el sistema fallar?

Por ejemplo para el componente 1:

1
2
3
1
2
3
1
2
3
1
2
3
(1, 1, 1)
(1, 1, 0)
(1, 0, 1)
(1, 0, 0)
1
2
3
1
2
3
1
2
3
1
2
3
(1, 1, 1)
(1, 1, 0)
(1, 0, 1)
(1, 0, 0)

Ahora considere que el componente 1 falla.
El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Entonces el componente 1 tiene una importancia estructural de 4/4.

Si falla el componente 2:
El sistema operara en el estado (1,1,1) y fallar en los estados (0,1,1) y
(0,1,0) y (1,0,1).

Entonces la importancia estructural del componente 2 es 1/4.

Por simetra, la importancia estructural del componente 3 es 1/4.
1
2
3
1
2
3
1
2
3
1
2
3
(1, 1, 1)
(1, 1, 0)
(0, 1, 1)
(0, 1, 0)
1
2
3
1
2
3
1
2
3
1
2
3
(1, 1, 1)
(1, 1, 0)
(0, 1, 1)
(0, 1, 0)

Sistemas en Serie

Un sistema en serie tiene k componentes. Suponiendo que trabajan en modo
independiente, la confiabilidad del sistema es la probabilidad de que todos
los componentes funcionen.

Entonces |(X) = 1 si todas los valores Xi toman el valor 1 y |(X) = 0 de otra
manera. Por tanto:

Regla de producto de probabilidades

Los diagramas de bloque son usados para visualizar sistemas de
componentes. El diagrama de bloque que corresponde a un sistema de la
serie es:

El diagrama de bloque representa el lazo lgico de la operacin de los
componentes y el sistema. No representa su disposicin fsica. La idea es
que si se puede trazar un camino de izquierda a derecha a travs del
sistema, el sistema funciona.

Ejemplo:
n. 1,..., i toda para 1 X si 1,
0, X s.t. i si , 0 ) (
i
i
= = =
= - = X |
.
}, X ,..., min{ ) (
1
n 1
[
=
=
=
n
i
i
X
X X |
1 2 3 n 1 2 3 n

Un producto electrnico tiene 40 componentes en serie. La confiabilidad de
cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:

961 . 0 ) 999 . 0 (
40
= = Rs

Si el producto se rediseara para tener solo 20 componentes, la confiabilidad
sera de Rs = 0.98.

Figura 7. Sistema con componentes en serie

Sistemas en paralelo

En este sistema, si tiene k componentes, basta con que uno funcione para
que siga en operacin. Se requiere que todos los componentes fallen para
que falle el sistema, o sea:

A B C Z
. 1 X s.t. i si 1,
n, 1,..., i todo para 0 X si , 0 ) (
i
i
= - =
= = = X |
. ) 1 ( 1
}, X ,..., max{ ) (
1
n 1
[
=
=
=
n
i
i
X
X X |
| | ) 1 ( ...... ) 1 ( ) 1 ( 1 ) ( 1
2 1 k
R x x R x R fallen todos P Rs = =

El diagrama de bloque para una estructura en paralela es

Entre ms componentes redundantes haya, la confiabilidad del sistema es
mayor, esto tambin est presente en los seres vivos, como por ejemplo en
los riones.
Ejemplo:

Considere 4 componentes A, B, C y D de un producto conectados en
paralelo, con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la
confiabilidad total es:

| | 9999664 . 0 0000336 . 0 1 ) 92 . 0 1 )( 95 . 0 1 )( 88 . 0 1 )( 93 . 0 1 ( 1 = = = Rs

A
B
C
1
2
3
n
1
2
3
n

Fig. 8 Sistema con 4 componentes en paralelo

Sistemas con componentes en serie o en paralelo (K de n)

Los sistemas pueden tener componentes en serie y en paralelo, en algunos
casos es importante identificar cuales componentes son clave para
incrementar la confiabilidad del sistema.

Un sistema k de n funciona si cualesquier k de los n componentes del
sistema funcionan. Los sistemas en serie y en paralelo son casos especiales
del sistema k en n. Un sistema en serie es un sistema k de k. Un sistema
en paralelo es un sistema 1 de n.

Por ejemplo:
En los puentes algunos de los cables de la suspensin pueden fallar, y el
puente no cae. En las bicicletas algunos de los rayos pueden fallar.

La funcin de estructura es:

D
. k X if 1,
k, X if , 0 ) (
n
1 i
i
n
1 i
i
> =
< =
=
=
X |

Un ejemplo de diagrama de bloques para un sistema 2 de 3 donde con dos
de 3 componentes que operen, el sistema continuar operando, es el
siguiente:

Ejemplo:

Para el caso de un avin continua volando si funcionan 2 de 4 motores.

Su diagrma de bloques es el siguiente:

Su funcin de estructura es la siguiente:

1
2
1
2
3
3
1
2
1
2
3
3
). 1 )( 1 )( 1 ( 1 ) (
3 1 3 2 2 1
X X X X X X X = |
1
2
3
4
1
2
3
4
)). 1 ( 1 ))( 1 ( 1 ( ) (
4 3 2 1
X X X X X = |
Ejemplo:

Se tienen los siguientes 7 componentes conectados en serie y en papralelo,
sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89; RE=0.95;
RF=0.88; RG=0.90.

Figura 9. Sistema con 7 componentes en serie y en paralelo

Rs = Rab x Rc x Rd x Refg

Rab = 1-(1-0.96)(1-0.92) = 0.9968

Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836

Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
A
B
C D
G
F E

Mtodo de trayectoria para calcular la confiabilidad de un sistema

Para calcular las confiabilidades de sistemas simples se aplican las frmulas
de estructuras serie o paralelo. Para sistemas ms complejos, es necesario
conocer las reglas siguientes:

Regla 1. Sean dos sistemas, uno con funcin de estructura |1(x)= |0(x) |A(x)
y otro con funcin de estructura |2(x)= |0(x) |B(x). Si se conectan en serie,
la funcin de estructura resultante es: |(x)= |0(x) |A(x) |B(x) puesto que
|0
2
(x)= |0(x).

Regla 2. Si los mismos sistemas anteriores se conectan en paralelo, la
funcin de estructura resultante es: |(x)= |0(x)[(1- |A(x)) (1- |B(x)) ].

Se siguen los pasos siguientes:

1. Encontrar todas las trayectorias mnimas posibles.

2. Dado que para que el sistema funcione es necesario que funcione al
menos una de las trayectorias mnimas, se aplica la definicin de sistema
paralelo a dichas trayectorias.

3. Se simplifica la expresin resultante aplicando las reglas 1 y 2.

4. Se sustituyen las xi (i=1, 2, 3,., k) por las confiabilidades de las k
componentes y se resuelve.

Ejemplo:

Para el sistema de la figura 9, las trayectorias mnimas son: ACDEF, ACDG,
BCDEF y BCDG.

Aplicando la funcin de estructura en paralelo se tiene:

|s(x) = 1 (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =

= BCD(EF + G + EFG) + ACD(EF BEF + G BG EFG + BEFG) = 0.82

Estructuras de puente

Su diagrama de bloques es el siguiente:

El sistema funcionara si alguno de los siguientes conjuntos funciona: {1,3,5}
{1,4} {2,3,4} {2,5}. Estos conjuntos son denominados conjuntos de ruta
mnima, dando un diagrama equivalente a:

Redundancia

La redundancia a nivel componente es siempre proporciona una mayor
confiabilidad que a nivel sistema. Sea |(X) la funcin de estructura para un
sistema coherente de n componentes. Para cualquier vector de estados X y
Y
1
2
3
5
4 1
2
3
5
4
1
2
3 5
4 1
3 4
2 5
1
2
3 5
4 1
3 4
2 5

)). ( 1 ))( ( 1 ( 1
)) 1 )( 1 ( 1 ),..., 1 )( 1 ( 1 (
1 1
Y X
Y X Y X
n n
| |
|

>

1
1
n
n
Sistema X
Sistema Y
)). ( 1 ))( ( 1 ( 1
)) 1 )( 1 ( 1 ),..., 1 )( 1 ( 1 (
1 1
Y X
Y X Y X
n n
| |
|

>

1
1
n
n
Sistema X
Sistema Y
Uso de Minitab

Se capturan dos columnas, una para los tiempos de falla observados y otra
para indicar cuales tiempos son falla y cuales son censuras por la derecha.
Se puede escoger 1 para censuras y 0 para falla.

Cuando se tienen fallas por intervalos se construyen tres columnas, en dos
de ellas se seala el inicio y el final de cada intervalo de tiempo y en la
tercera la frecuencia de las fallas observadas en cada intervalo.

Para los anlisis se usa el men Stat > Relibility / Survival, en la primera
opcin se identifica la distribucin de manera grfica, en la segunda se hace
una exploaracin ms detallada (paramtrica o no paramtrica) de la
distribucin seleccionada, en la tercera opcin se hace el anlisis
paramtrico detallado y en la cuarta el anlisis no paramtrico. En el primer
bloque se considera censura por la derecha y en el segundo bloque se
analiza lo mismo con otras opciones de censura.

8. Mantenabilidad y disponibilidad

Los sistemas reparables reciben Acciones de mantenimiento cuando fallan.
Estas acciones se deben ahora tomar en la consideracin al determinar el
comportamiento del sistema. La edad de los componentes del sistema ya no
es uniforme ni el tiempo de operacin del sistema es continuo.

Mantenimiento

El Mantenimiento se define como cualquier accin que restaure unidades
falladas a una condicin operacional, o conserve unidades que no estn en
un estado operacional. Para los sistemas reparables, el mantenimiento
desempea un papel vital en la vida de un sistema. Afecta la confiabilidad
total del sistema, la disponibilidad, el tiempo muerto, los costos de operacin,
etc.

Generalmente, las acciones del mantenimiento se pueden dividir en tres
tipos:

Mantenimiento correctivo, es la accion(es) tomado para restaurar un
sistema que ha fallado, al estado operacional.

Mantenimiento preventivo, es la prctica de susstituir componentes o
subsistemas antes de que fallen, para promover la operacin continua del
sistema. Son las Inspecciones que se utilizan para descubrir fallas ocultas
(tambin llamadas fallas inactivas).

Mantenabilidad

Es la capacidad de mantenimiento se define como la probabilidad de realizar
una accin acertada de reparacin dentro de un tiempo dado. Es decir la
capacidad de mantenimiento mide la facilidad y la velocidad con las cuales
un sistema se puede restaurar al estado operacional despus de que fallo.

Por ejemplo, se dice que un componente particular tiene una mantenabilidad
o capacidad de mantenimiento del 90% en una hora, esto significa que hay
una probabilidad del 90% que el componente ser reparado dentro de una
hora.

La mantenabilidad puede incluir los eventos siguientes:

1. El tiempo que toma diagnosticar con xito la causa de la falla.
2. El tiempo que toma procurar o entregar las piezas necesarias para
realizar la reparacin.
4. El tiempo que toma quitar los componentes daados y substituirlos por
los buenos.
5. El tiempo que toma regresar el sistema a su estado de funcionamiento.
6. El tiempo que toma verificar que el sistema est funcionando dentro de lo
especificado.
7. El tiempo asociado de ajuste de un sistema para su operacin normal.

Para el caso de sistemas donde su mantenabilidad sigue la distribucin
exponencial se tiene:

Donde = tasa de la reparacin.

La media de la distribucin se puede obtener con:

Para el caso de la distribucin de Weibull se tiene:

La tasa de reparacin es:

Disponibilidad

La disponibilidad, se define como la probabilidad que el sistema est
funcionando correctamente cuando se solicita para el uso. Criterio del
funcionamiento para los sistemas reparables que considera las
caractersticas de confiabilidad y de mantenabilidad o capacidad de
mantenimiento de un componente o sistema.

Por ejemplo, si una lmpara tiene una disponibilidad del 99.9%, habr una
vez fuera de mil que alguien necesite utilizar la lmpara y suceda que la
lmpara no opere.

Los conceptos de confiabilidad, mantenabilidad y disponibilidad se relacionan
como sigue:
) Re (
1
pair to Time Mean MTTR =

Un sistema reparable que funciona adecuadamente un periodo de tiempo,
despus falla y es reparado para regresarlo a su condicin operacional
puede tener los siguientes comportamientos:

El artculo funcion correctamente a partir de 0 a t con la probabilidad
R(t) o funcion correctamente desde la reparacin pasada en el tiempo u, 0 <
u < t, con probabilidad:

Con m(u) siendo la funcin de la densidad de la renovacin del sistema.
Entonces la disponibilidad del punto es la adicin de estas dos
probabilidades:

Se tienen diversos tipos de disponibilidad como sigue: Disponibilidad
instantnea; Disponibilidad media; Disponibilidad Limite; Disponibilidad
Inherente; y Disponibilidad Operacional.

Disponibilidad instantnea, A(t):

La disponibilidad instantnea es la probabilidad que un sistema (o el
componente) ser operacional (en servicio) en cualquier hora, t.
Esto es muy similar a la funcin de la confiabilidad en que da una
probabilidad que un sistema funcione en el tiempo dado, t. La medida
instantnea de la disponibilidad incorpora la informacin de la
mantenabilidad.

Disponibilidad media

La disponibilidad media es la proporcin de tiempo durante una misin o un
perodo de tiempo en que el sistema est disponible para el uso.

Representa el valor medio de la funcin instantnea de la disponibilidad
sobre el perodo (0, T ] y esta dada por:

Disponibilidad Limite

Disponibilidad inherente

La disponibilidad inherente es la disponibilidad del estado constante al
considerar solamente el tiempo muerto correctivo del sistema. Para un solo
componente, esto se puede calcular como sigue:

Disponibilidad operacional

La disponibilidad operacional es una medida de la disponibilidad media
durante el tiempo e incluye todas las fuentes experimentadas del tiempo
muerto, tales como tiempo muerto administrativo, tiempo muerto logstico,
etc.

Ejemplo:

Un generador de energa est proveyendo electricidad, sin embargo en los
ltimos seis meses, haba acumulado fallas por 1.5 meses. El generador
tiene un MTTF = 50 das (o 1200 horas) y MTTR = 3 horas. Se puede poner
un generador de viento alterno con una disponibilidad del 99.71% con sus
parmetros MTTF = 2,400 Horas y MTTR = 7 horas.

Problemas

1. Escribir y graficar la funcin de riesgo h(t) para una distribucin de Weibull
con parmetros a) Beta =1, Etha = 4; b) Beta = 2, Etha = 2; c) Beta = 3, Etha
= 1. Comentar el efecto de cada parmetro.

2, La duracin t en horas de cierto componente electrnico es una variable
aleatoria con funcin de densidad f(t) = 0.001exp(-t/1000) para t >0.

a) Calcular F(t), R(t) y h(t)

b) Cul es la confiabilidad del componente a las 100 horas?

c) Si una unidad ha sobrevivido a las 100 horas, cul es la probabilidad de
que sobreviva a las 200 horas?

d) Graficar h(t) e interpretar los resultados.

2. Una unidad de disco tiene una falla temprana si ocurre antes del tiempo t =
alfa y una falla por desgaste si ocurre despus de t = beta. Si la vida del
disco se puede modelar con la distribucin f(t) = 1/(Beta alfa):

a) Obtener las ecuaciones de F(t) y R(t)

b) Calcular la tasa de riesgo h(t)

c) Graficar la tasa de riesgo si Alfa = 100 y Beta = 1500 horas.

d) Con los datos de c) cul es la confiabilidad de la unidad a las 500 horas?

3. Se realiz un estudio para estimar la vida media de locomotoras. Se
operaron 96 mquinas durante 135,000 millas o hasta que fallaron y de
estas, 37 fallaron antes de cumplirse el periodo de 135,000 millas, la tabal
siguiente muestra las fallas de las 37. Las otras 59 no fallaron por tanto
entran al estudio en forma censurada.

22.5 57.5 78.5 91.5 113.5 122.5
37.5 66.5 80.0 93.5 116.0 123.0
46 68 81.5 102.5 117.0 127.5
48.5 69.5 82.0 107.0 118.5 131.0
51.5 76.5 83.0 108.5 119.0 132.5
53 77 84.0 112.5 120.0 134.0
54.5

a) Utilizando Minitab identificar la distribucin que mejor aproxime a los
datos.

b) Comparar las estimaciones por mnimos cuadrados y por mxima
verosimilitud.

c) Determinar la vida mediana de las locomotoras.

d) Cul es la confiabilidad de las locomotoras a las 200,000 millas?. Dar un
intervalo de confianza para esta confiabilidad e interpretarlo.

4. Un fabricante de balatas le da seguimiento al tiempo de falla de las
mismas en kilmetros recorridos. Al finalizar el estudio no todas las balatas
haban fallado pero por su desgaste se estim el tiempo de falla. Los datos
obtenidos para los 55 productos se muestran a continuacin:

9500 1051
2
1282
4
1351
4
1409
6
1412
8
1440
4
1452
0
1468
9
1476
6
1485
9
1495
1
1511
7
1552
0
1555
5
1591
2
1603
7
1648
1
1662
2
1662
6
1668
9
1693
5
1798
0
1850
8
1862
4
1869
9
1871
9
1877
3
1912
6
1916
5
1927
4
1941
4
1942
9
1945
1
1961
1
1970
8
2006
6
2054
6
2061
0
2159
9
2197
8
2197
8
2238
6
2359
2
2365
9
2416
5
2573
1
2596
1
2599
1
2655
3

a) Utilizando el Minitab, identificar la distribucin que siguen los datos.

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.

c) Cul es la confiabilidad de las balatas a los 10,000 kms.?

d) Si el fabricante no est dispuesto a reemplazar ms de 2% de las balatas
es razonable otorgar una garanta de 10,000 kms?.

e) Proporcionar un intervalo de confianza al 95% para los kilmetros en que
falla el 2% de las balatas e interpretarlo.

5. La vida de ventiladores se registra como ventiladores fallados y
ventiladores con censura a la derecha (1) indicando que su vida fue ms
larga.

0-no censurado 1-censurado

450 0 1850 1 2200 1 3750 1 4300 1 6100 1 7800 1 8750 0
460 1 1850 1 3000 1 4150 1 4600 0 6100 0 7800 1 8750 1
1150 0 1850 1 3000 1 4150 1 4850 1 6100 1 8100 1 9400 1
1150 0 2030 1 3000 1 4150 1 4850 1 6100 1 8100 1 9900 1
1560 1 2030 1 3000 1 4150 1 4850 1 6300 1 8200 1 10100 1
1600 0 2030 1 3100 0 4300 1 4850 1 6450 1 8500 1 10100 1
1660 1 2070 0 3200 1 4300 1 5000 1 6450 1 8500 1 10100 1
1850 1 2070 0 3450 0 4300 1 5000 1 6700 1 8500 1 11500 1
1850 1 2080 0 3750 1 5000 1 7450 1 8750 1

El objetivo es determinar la proporcin de ventiladores que fallan antes de
tiempo de garanta que es de 8,000 horas.

a) Estimar el modelo adecuado para los datos

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.

c) Graficar el estimador no paramtrico de la funcin de supervivencia.

c) Cul es la proporcin de ventiladores que fallan antes del tiempo de
garanta de 8,000 horas?

d) Ser necesario redisear los ventiladores para tratar de incrementar su
confiabilidad?

6. La duracin de un chip de computadora tiene una distribucin de Weibull.
Para estimar sus parmetros, se someten 100 chips a prueba y se registra el
nmero de supervivientes al final de cada ao, durante 8 aos. Los datos con
censura por intervalo son los siguientes:

Ao Superv.
1 94
2 78
3 88
4 36
5 22
6 10
7 6
8 2

a) Utilizar el mtodo de mnimos cuadrados para obtener Beta y Etha.

b) Establcer un intervalote confianza del 95% para el percentil 1%.

c) Calcular la probabilidad de que un chip falle antes de 5 aos.

d) Estimar la confiabilidad de los chips en el tiempo de 7 aos.

e) Calcular la tasa de riesgo, h(t) y graficarla. Obtener la tasa de riesgo a t=4
aos e interpretar su valor.

7. Se toma una muestra de n = 138 baleros y se hace una prueba de vida. La
tabla siguiente muestra los que seguan funcionando al final de cada periodo
de 100 horas hasta que todos fallaron.

Horas Baleros Horas Baleros
4 138 12 8
5 114 13 6
6 104 17 4
7 64 19 3
8 37 24 2
9 29 51 1
10 20
11 10

a) Ajustar un modelo de Weibull a estos datos.

b) Dar un intervalo de confianza al cual falla el 2% de los baleros.

c) Calacular la confiabilidad a las 400 horas.

d) Calacular la confiabilidad de que habiendo sobrevivido las primeras 300
horas, un balero sobreviva 100 horas ms.

8. El tiempo de vida en aos de un generador que se compra tiene una
distribucin Weibull con parmetros Etha = 13 aos y Beta = 2. El period de
garanta es de dos aos.

a) Cul es la confiabilidad del generador al fin del periodo de garanta?

b) Si se compran 1000 unidades cul es el nmero de reclamos al
fabricante?

c) Cul es el periodo de garanta que debe ofrecerse si se quiere tener una
proporcin de reclamos a lo ms del 1%?

Confiabilidad de Riesgo1

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

Confiabilidad de Riesgo1

Diunggah oleh

Hak Cipta:

Format Tersedia

CONFIABILIDAD DE RIESGO

Anda mungkin juga menyukai