CONCEPTOS DE CONFIABILIDAD
1-1
Objetivo: Presentar los conceptos indispensables para
entender la confiabilidad
Propósitos
• presentar el concepto de tiempo de vida y falla
• exponer el concepto de distribución de probabilidad
• definir confiabilidad
• definir MTBF - MTTF
• explicar el “tiempo de misión”
• visualizar la velocidad de falla gráficamente
• presentar los elementos de estadística descriptiva
• obtener una distribución empíricamente
1-2
CONFIABILIDAD ¿PARA QUÉ?
1-3
TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida útil de un
producto. Durante este período el cliente obtiene las
características ofrecidas intencionalmente.
1-4
MODELOS DE TIEMPO DE VIDA
1-5
DISTRIBUCIONES DE
PROBABILIDAD
• Función de Densidad de Probabilidad (pdf), f(t)
• Predice el comportamiento de cualquier situación probabilística
• Probabilidad de t de caer en algún punto del rango t1 a t2
t2
p ( t1 t t 2 ) f( t )d t
t1
El área total bajo la
curva siempre es 1 o
100%
f(t)
t1 t2
t 1-6
EJEMPLOS DE DISTRIBUCIONES DE PROBABILIDAD
56.399 138.573 172.78 39.655 30.0000
Histograma
30
56.554 132.988 45.735 9.52
35.389 234.234 62.171 29.374
56.215 63.378 78.558 46.076
188.26 28.855 75.812 193.45
20
90.882 49.089 75.492 103.507
Percent
132.312 123.442 27.978 107.717 15.0000
13.3333
60.465 49.526 145.911 179.036
301.525 71.698 95.475 61.099
10 8.3333 8.3333
302.01 45.352 175.935 46.613 6.6667
6.6667
101.978 182.344 34.899 82.272
3.3333
3.3333 3.3333
98.37 225.349 43.461 176.949 1.6667
64.026 137.758 52.311 145.45 0.0000
0.0000
0
43.881 93.901 49.619 73.873
53.358 77.471 92.019 117.592 0 100 200 300
OBS
0.4
0.3
PDF Weibull
f(t)
0.2
0.1
0.0
0 5 10
t 1-7
DISTRIBUCION ACUMULADA DE PROBABILIDAD
1-8
DISTRIBUCION ACUMULADA DE PROBABILIDAD
t1
F (es
• Cuando la variable P(0de falla,
t ) tiempo t testo
1 ) representa
f (t )dtla no
confiabilidad o la probabilidad de que una unidad
0 falle antes del
tiempo t1
1-9
DISTRIBUCION ACUMULADA DE PROBABILIDAD
t1
F( t) P(0 t t 1 ) f ( t)dt
0
Función de Densidad de Probabilidad Función de Distribución Acumulada
1
No confiabilidad, F(t)
F(t)
f(t)
0
t1
t 0 t1
t
1-10
DEFINICIÓN DE CONFIABILIDAD
1-11
DEFINICIÓN DE CONFIABILIDAD
t
R ( t ) 1 F ( t ) 1 f ( t ) d t f ( t ) d t
0 t
R(t)
f(t)
0
0 0
t1
t t1
t 1-12
MTBF - MTTF
Si el tiempo de vida para una característica de calidad es una
variable aleatoria y conocemos su distribución de
probabilidad , podemos calcular una medida de
localización, por ejemplo el valor de su media.
98.932, se obtuvo
Percent
15.0000
13.3333
ti
1.6667
0.0000
0.0000
0
0.4
La media calculada para esta
1.77245
0.3 distribución Weibull es función
de sus parámetros h=2 y b=2
f(t)
0.2
1
0.1
MEDIA h1
0.0 b
0 5 10
t 1-14
VELOCIDAD DE FALLA
La Velocidad de Falla ó Tasa de Riesgo o también Tasa de Falla es la
fracción de fallas probables entre la proporción de supervivientes al
tiempo t. Cuando se conoce la Distribución de Probabilidad de t, se
calcula a partir de
Si se dibuja la tasa de riesgo o falla para una población a través del tiempo se
observa un comportamiento descrito como la “Curva de la Bañera”
h(t)
Fallas “infantiles” Fallas por deterioro o desgaste
Fallas constantes
t
1-17
ESTADISTICA DESCRIPTIVA
La Estadística Descriptiva se
orienta a proporcionar una
descripción útil, clara e
informativa de una masa de 30
30.0000
datos numéricos.
Esto se hace al considerar 20
Percent
tópicos como:
15.0000
13.3333
10 8.3333 8.3333
datos originales,
3.3333
3.3333 3.3333
1.6667
0.0000
0.0000
0
Medida de 2 t f (t )dt
1 n
x i x 2 la desviación estándar es la
s2
2
VARIANZA n 1 i 1
dispersión raíz cuadrada de la varianza
x x
n
3
COEFICIENTE DE Medida de t
3
f (t )dt i • 3<0 cola izquierda
i 1
SESGO Simetría 3 • 3=0 simétrica (v.gr.Normal)
ˆ 3 n
2 3/2
s 2 3/2 • 3>0 cola derecha
x x
n
COEFICIENTE DE Medida de 4
• 4<0 - aguda que la Normal
t
i
CURTOSIS Agudeza 4
f (t )dt i 1
• 4=0 aguda como Normal
ˆ 4 n
4
• 4>0 +aguda que la Normal
2 2 s
2 2
1-20
Estadística Descriptiva
1-21
Estadística Descriptiva
1-22
Estadística Descriptiva
1-23
EJEMPLO DE DISTRIBUCIÓN
lt
PDF f (t ) le
lt
CDF F (t ) 1 e Distribución
l Exponencial
CONFIABILIDAD R(t ) e t
TASA DE FALLA h (t ) l
1
MEDIA
Función de Densidad de Probabilidad Exponencial
0.0035
l 0.0030 l= 0.003, MEDIA = 333
0.0025
l= 0.002, MEDIA = 500
0.0020
f(t)
0.0010
0.0005
0.0000
0 500 1,000 1,500 2,000
Tiempo 1-24
EJEMPLO DE DISTRIBUCIÓN
b
b 1 t
bt
h
PDF f (t ) e Distribución
h h Weibull 2
b
t
parámetros
h
CDF F (t ) 1 e
b
t
h
CONFIABILIDAD R(t ) e
b 1
bt
TASA DE FALLA h (t )
h h
1
MEDIA h1
b
1-25
EJEMPLO DE DISTRIBUCIÓN
Abra el archivo Distribución.xls Señale la columna de
tiempo y pongala en
orden ascendente
1-26
EJEMPLO DE DISTRIBUCIÓN
Agregue un Agregue una columna
renglón inicial Obtenga R(t) por la
donde estime F(t)
con cero y una diferencia R(t) = 1-F(t)
usando la fórmula de
columna con un Kaplan Meier*: Note que puede estimar la
contador que
( F(t) = i/N) Confiabilidad de 90% para
inicie en cero
un tiempo de 35.389
1-28
EJEMPLO DE DISTRIBUCIÓN
R(ti)= 1-F(ti)
1.0000
0.9000
Gráficas de
Confiabilidad R(t) y de
0.8000
0.7000
0.6000
la Función Acumulada
F(t) generadas en
0.5000 R(ti)= 1-F(ti)
0.4000
0.3000
EXCEL
0.2000
F(ti)= i/N
0.1000
1.0000
0.0000
0 50 100 150 200 250 300 350 0.9000
0.8000
0.7000
Recuerde que:
0.6000
R(t) = 1- F(t)
0.4000
0.3000
0.2000
0.1000
0.0000
0 50 100 150 200 250 300 350
1-29
EJEMPLO DE DISTRIBUCION
Ahora en Minitab...
1-30
Distribution Analysis Cálculo de R(t) para un tiempo
Variable: tiempo
Censoring Information Count
Uncensored value 60 Para un tiempo
Nonparametric Estimates
Characteristics of Variable de 35.389 la
Standard 95.0% Normal CI
Mean Error lower upper confiabilidad es
98.9320 8.4776 82.3162 115.5478
del 90%
Median = 75.8120
IQR = 83.4620 Q1 = 49.5260 Q3 = 132.9880
Kaplan-Meier Estimates
Number Number Survival Standard 95.0% Normal CI
Time at Risk Failed Probability Error Lower Upper
9.5200 60 1 0.9833 0.0165 0.9509 1.0000
27.9780 59 1 0.9667 0.0232 0.9212 1.0000
28.8550 58 1 0.9500 0.0281 0.8949 1.0000
29.3740 57 1 0.9333 0.0322 0.8702 0.9965
34.8990 56 1 0.9167 0.0357 0.8467 0.9866
35.3890 55 1 0.9000 0.0387 0.8241 0.9759
39.6550 54 1 0.8833 0.0414 0.8021 0.9646
43.4610 53 1 0.8667 0.0439 0.7807 0.9527
43.8810 52 1 0.8500 0.0461 0.7597 0.9403
45.3520 51 1 0.8333 0.0481 0.7390 0.9276
45.7350 50 1 0.8167 0.0500 0.7188 0.9146
46.0760 49 1 0.8000 0.0516 0.6988 0.9012
46.6130 48 1 0.7833 0.0532 0.6791 0.8876
49.0890 47 1 0.7667 0.0546 0.6596 0.8737
49.5260 46 1 0.7500 0.0559 0.6404 0.8596
49.6190 45 1 0.7333 0.0571 0.6214 0.8452
52.3110 44 1 0.7167 0.0582 0.6026 0.8307
1-31
INTERPRETACION DE RESULTADOS
Nonparametric Hazard Plot for tiempo
Observamos las
Empirical Hazard Function
Complete Data
gráficas de las
1.0 Mean 98.932
Median 75.812
0.9
IQR 83.462
0.8
0.7
distribuciones
0.6
empíricas de: riesgo
Rate
y confiabilidad
0.5
0.4
0.3
Nonparametric Survival Plot for tiempo
0.2
Kaplan-Meier Method-95.0% Conf idence Interv als
Complete Data
0.1
0.7
Las asignaciones de
Probability
0.6
0.4
en las frecuencias
0.3
0.2
observadas, y no suponen
0.1
0.0
Time to Failure
200 300
1-32
PUNTOS CLAVE
1-33
2. MODELOS DE CONFIABILIDAD
Distribuciones de Probabilidad
»Exponencial
»Weibull
»Lognormal
1-34
OBJETIVO
1-35
Modelos Paramétricos de Confiabilidad
Distribuciones Paramétricas
• Algunas Distribuciones de Probabilidad se pueden expresar como una función
matemática de la variable aleatoria.
• La función tiene además de la variable aleatoria, constantes que le dan
comportamientos específicos a las distribuciones
1-37
Distribución Normal
• La Normal o Distribución Gaussiana es la distribución más
conocida
• Tiene Media = Mediana = Moda
• La Media , es también su parámetro de localización
• La PDF normal tiene forma de una campana con simetría
sobre su media
• La normal no tiene parámetro de forma. Esto significa que la
PDF normal sólo tiene una forma, “la campana” y esta forma
no cambia
• La desviación estándar , es el parámetro de escala de la PDF
normal
1-38
Distribución Normal
1 1 t 2
f( t ) exp
2 2
Distribución de la Función Normal
Función de Densidad de Probabilidad Normal
0.0140
0.0120
0.0100 = 500
= 30
0.0080 = 50
f(t)
= 70
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
Tiempo 1-39
Distribución Normal
R ( t ) f( t )d t ( z )d z
t z(t)
Función de Distribución Normal donde z(t) = (t-/ y (z) = normal estandarizada pdf
Función de Confiabilidad Normal
1.000
= 500
0.800 = 30
= 50
= 70
0.600
R(t)
0.400
0.200
0.000
200 300 400 500 600 700 800 900
Tiempo 1-40
Distribución Normal
(z)
h(t )
Funciones de Distribución Normal R ( z )
donde (z) =normal estandarizada pdf
Función Normal de Tasa de Falla
0.2500
0.2000 = 500
= 30
= 50
0.1500 = 70
h(t)
0.1000
0.0500
0.0000
200 300 400 500 600 700 800 900
1-41
Tiempo
Distribución Normal
• Distribución Normal
• Tienden a seguir una distribución normal los ciclos de falla en
componentes mecánicos sometidos a niveles altos de estrés
1-42
Distribución Exponencial
• El modelo exponencial, con un solo parámetro, es el más simple
de todo los modelos de distribución del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
lt
CDF : F (t ) 1 e
lt
CONFIABILIDAD : R(t ) e
Función de Densidad de Probabilidad Exponencial
0.0035
PDF : f (t ) le
lt l= 0.003, MEDIA = 333
0.0030
1
0.0025
l= 0.002, MEDIA = 500
MEDIA : m
l
0.0020
f(t)
l= 0.001, MEDIA = 1,000
0.0015
ln 2 0.693
MEDIANA : @ 0.0010
l l 0.0005
1 0.0000
l2 Tiempo
TASA DE FALLA : h (t ) l
1-43
Distribución Exponencial
R(t) = e(-lt) (Confiabilidad)
1.200
1.000
0.600
l= 0.003, MTBF = 333
0.400
0.200
0.000
0 500 1,000 1,500 2,000
Tiempo
1-44
Distribución Exponencial
h(t) = lMEDIA (Velocidad de Falla)
Note que la tasa de
Función de la Tasa de Falla Exponencial falla tiende a ser una
0.004 constante l para
l= 0.003, MTBF = 333
cualquier tiempo. La
0.003 distribución exponencial
es la única que tiene
l= 0.002, MTBF = 500
una velocidad de falla
h(t)
0.002
constante
l= 0.001, MTBF = 1,000
0.001
0.000
0 500 1,000 1,500 2,000
Tiempo
1-45
Distribución Exponencial
• Distribución Exponencial
• Es usada como el modelo, para la parte de vida útil de la curva de la bañera, i.e., la tasa de
falla es constante
• Los sistemas complejos con muchos componentes y múltiples modos de falla tendrán
tiempos de falla que tiendan a la distribución exponencial
• desde una perspectiva de confiabilidad, es la distribución más conservadora para predicción.
La forma de la exponencial
siempre es la misma
1-46
Distribución Exponencial
CDF : F (t ) 1 e
l ( t g ) g es el parámetro de
l ( t g )
localización, si es positivo,
CONFIABILIDAD : R(t ) e cambia el comienzo de la
PDF : f (t ) le
l ( t g ) distribución por una distancia g
a la derecha del origen,
1
MEDIA : m g significando que las
l posibilidades de falla empiezan
ln 2 0.693 a ocurrir sólo después de g
MEDIANA : g @g horas de operación, y no
l l
pueden ocurrir antes.
1
VARIANZA :
l2 Note que la varianza y la tasa de falla son
TASA DE FALLA : h(t ) l iguales a las de la exponencial de un parámetro
1-47
Distribución Weibull b
• La distribución de Weibull t
es un modelo de h
distribución de vida útil CDF : F (t ) 1 e
muy flexible, para el caso b
de 2 parámetros: t
h
CONFIABILI DAD : R (t ) e
b
b 1 t
b t
h
PDF : f (t ) e
h h
Donde h es un 1
MEDIA : h1
parámetro de escala (la b
vida característica) y b
MEDIANA : h ln 2 b
1
se conoce como el
parámetro de forma 2
(pendiente) y es la 2 1
VARIANZA : h 1 h1
2
función Gamma con b b
(N)=(N-1)! para N b 1
entero b t
TASA DE FALLA :
h b 1-48
Distribución Weibull b
t g
Una forma más general de CDF : F (t ) 1 e h
3 parámetros de la Weibull b
t g
incluye un parámetro de
h
tiempo de espera CONFIABILI DAD : R (t ) e
(localización ó b 1 t g
b
2
2 1
VARIANZA : h 1 h1
2
b b
b 1
b t g
TASA DE FALLA :
h b 1-49
Distribución Weibull
b 1 t b
b t
Función de Distribución Weibull f ( t ) exp
h h h
Función de Densidad de Probabilidad Weibull
0.0030
b = 0.5
h = 1000
0.0020
b = 1.0 b = 3.4
h = 1000 h = 1000
f(t)
0.0010
0.0000
0 500 1000 1500 2000 2500 3000
Tiempo 1-50
Distribución Weibull
t b
R ( t ) exp
Funciones de Distribución Weibull h
Función de Confiabilidad Weibull
1.000
b = 3.4
0.800 h = 1000
b = 1.0
0.600 h = 1000
R(t)
0.400
b = 0.5
0.200 h = 1000
0.000
0 500 1000 1500 2000 2500 3000
Tiempo 1-51
Distribución Weibull
b 1
b t
h( t )
Funciones de Distribución Weibull h h
0.0060
b = 3.4
h = 1000
0.0040
b = 0.5
h = 1000
h(t)
b = 1.0
0.0020 h = 1000
0.0000
0 1000 2000 3000
1-52
Tiempo
Distribución Weibull
• Distribución Weibull
• mientras la función pdf de la distribución exponencial modela la característica de vida de los
sistemas, la Weibull modela la característica de vida de los componentes y partes
• modela fatiga y ciclos de falla de los sólidos
• es el traje correcto para datos de vida
• La función de distribución Weibull pdf es una distribución de la confiabilidad de los elementos de una muestra
• muy flexible y puede tomar diferentes formas
1-53
Distribución Weibull
• Tiene usted una Distribución Weibull con b=2 y
h=2, ¿Cuál es la media y la varianza?
1
m h1
b
2
2 1
varianza h 2 1 h1
b b
1 Archivo
Weibull.xls
2
3
1-54
Las tres porciones de la curva
Distribución Weibull de tina de la bañera tienen
diferentes índices de falla.
Las fallas tempranas se
caracterizan por un índice de
falla decreciente, la vida útil
por un índice de falla
l l l
decreciente constante creciente constante y el desgaste se
caracteriza por un índice de
b< 1 b= 1 b> 1
falla creciente. La distribución
Fallas Desgaste
de Weibull puede modelar
tempranas Tiempo de vida útil matemáticamente estas tres
situaciones.
tiempo
•Si esto ocurre, puede existir: •Una parte vieja es tan buena como una
-Carga, inspección o prueba inadecuada nueva
-Problemas de Manufactura
-Problemas de reparación •Si esto ocurre:
-Mezcla de modos de falla
•Si un componente sobrevive la mortalidad -Las fallas pueden deberse a eventos
infantil , la resistencia a fallar mejora con la externos, como:luminosidad o errores
edad. humanos
-Fundido y removido antes de su
1 <b4 (Tasa de Riesgo creciente) desgaste
1-57
Distribución Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse
adecuadamente mediante la Weibull. Algunos
ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrónicos.
3.El tiempo de falla para artículos que se desgastan,
tales como las llantas de un automóvil.
4.Sistemas que fallan cuando falla el componente más
débil del sistema(la distribución Weibull representa
una distribución de valor extremo).
1-58
Distribución Weibull
•¿Qué pasa en una distribución Weibull si el tiempo
tiene el valor de la vida característica, t = h?
Al llegar al
t b tiempo de vida
R(t ) exp igual a la vida
h
característica el
si t h 63.2% de los
h b elementos habrá
R(t h ) exp e 1 0.3678 fallado. Este
h hecho se usa en
F (t h ) 1 R(t h ) 0.6321 las gráficas para
identificar el valor
de h (eta)
1-60
Distribución Lognormal
• Si un tiempo t está distribuido Lognormal, t~LN(t, t) y si
Y = ln(t) entonces Y~N(y, y)
t y = ln(t)
2 2
1 y y 1 y y
PDF f (t )
1
e
2 y
f (y )
1
e
2 y
t y 2 y 2
ln(t T50 ) y y
CDF F (t ) F ( y )
y
y
y2
MEDIA t T50 exp y y ln( T50 )
2
t
T50 exp( y )
MEDIANA t2 y
1 2
t
VARIANZA
T502 exp( y2 ) exp( y2 ) 1 t2
ln1 2
t
1-62
Distribución Lognormal
1 1 ln ( t ) 2
Función de Distribución f( t ) exp
t 2
2
Lognormal
donde y son funciones de ln’s
Función de Densidad de Probabilidad Lognormal
0.5000
=0
0.4000 = 0.5
=0
0.3000 =1
=1
f(t)
= 0.5
0.2000
=1
=1
0.1000
0.0000
0 1 2 3 4 5 6 7
Tiempo 1-63
Distribución Lognormal
R ( t ) f( t )d t f [ln ( t ) ] d [ln ( t ) ] ( z )d z
Función de Distribución t ln ( t ) z [ln ( t )]
Lognormal donde z[ln(t)] = [ln(t)-/]
(z) = normal estandarizada normal pdf
Función de Confiabilidad Lognormal
1.000
=1
= 0.5
0.800
=1
=1
0.600
R(t)
0.400 =0
=1
0.200 =0
= 0.5
0.000
0 1 2 3 4 5 6 7
1-64
Tiempo
Distribución Lognormal
f( t )
Función de Distribución Lognormal h ( t )
R( t)
Función Tasa de Falla Lognormal
0.7000
=0
0.6000 = 0.5
0.5000
0.4000 =1
h(t)
= 0.5
0.3000
0.2000
0.1000
=1 =0
=1 =1
0.0000
0 1 2 3 4 5 6 7
Tiempo
1-65
Distribución Lognormal
t2
2
4
T50 t 1 2 25 1 24.68
t 25
2
4
2
y2 ln1 t2 ln1 0.02527
25
t
y 0.02527 0.1589
• Para poder usar las Tablas de la Normal Estándar:
1-66
Distribución Lognormal
• Distribución Lognormal
• Número de ciclos de falla en la fatiga de los metales y partes metálicas,
niveles de tensión significativamente menores que sus límites
• Representa bien el tiempo de falla de los dispositivos mecánicos,
especialmente en el caso de uso
1-67
Modelos Paramétricos de Confiabilidad
• Ventajas
• Usados cuando la distribución subyacente de los tiempos de falla
se conoce o puede ser supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-217)
• Conocimiento Ingenieril del mecanismo de falla
• Tiene más poder para hacer una decisión correcta que en las
pruebas no-paramétricas
• Rinde información más precisa que los métodos no-paramétricos
• Los intervalos de confianza son más amplios usando no-paramétricas
• Permite extrapolar fuera del rango de los datos
1-68
Modelos Paramétricos de Confiabilidad
• Desventajas
• El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
• Implica un conocimiento
previo del comportamiento de
los mecanismos de falla y su
efecto en la observación
estadística
• Si no se conoce nada sobre la
falla debe tenerse cuidado en
un procedimiento para
seleccionar un modelo
adecuado.
1-69
Cuadro de Distribuciones
Modelos Comunes
de Confiabilidad Exponencial Weibull Normal Lognormal
t b
Función de R(t) = exp(-lt) R ( t ) exp ( ) (z)dz
Rt R(t) (z)dz
Confiabilidad, R(t) h z(t) z[ln(t)]
b1 ( z )
b
h(t) t
Función de Tasa de f(t)
h(t) = l h( t ) h(t)R(t)
Falla, h(t) h h R( z )
1
Tiempo Medio Entre T
1 1 T exp(T ' 2 T ' )
T h ( 1) T media 2
Fallas (MTBF) l b
dondeT' es la funcion ln(t)
h = escala
Parámetros 1/l= escala b = forma, o media = localización media de ln’s = escala
sin forma pendiente Weibull = escala de ln’s = forma
Aplicaciones Sistema complejo b < 1, fallas infantiles z(t) = (t - )/ z[ln(t)] = (ln(t) - )/
vida útil b = 1, exponencial (z) = pdf normal std. donde = media de ln’s
electrónica b > 1, desgaste desgaste alto = desv. std. de ln’s
b app 3.4, app. normal efectos aditivos (CLT) (z) = pdf normal std.
muy flexible fatiga en metales
bien para fatiga en desgaste de partes mecánicas 1-70
componentes mecánicos efectos multiplicativos
Identificación de Modelos
1-71
Identificación de Modelos
• Gráficas, Abrir: identificación.mtw
Descriptive Statistics
•No pasa el criterio
Variable: T de normalidad
• =0.9966, el
Anderson-Darling Normality Test coeficiente de
A-Squared: 2.339 variación es
P-Value: 0.000
prácticamente 1
Mean 101.453
StDev 101.127 •Media y desviación
Variance
Skewness
10226.7
2.00837
estándar son
Kurtosis 5.38151 iguales
N 50
0 100 200 300 400 500
•Sesgo >0
Minimum 0.124
1st Quartile 30.898 distribución sesgada
Median 82.077 a la derecha
3rd Quartile 124.588
95% Conf idence Interv al f or Mu Maximum 520.432
•Curtosis >3, tiene
95% Conf idence Interv al f or Mu más agudeza que
72.713 130.193
una normal
48 58 68 78 88 98 108 118 128 138 95% Conf idence Interv al f or Sigma
84.475 126.018
95% Conf idence Interv al f or Median
95% Conf idence Interv al f or Median
53.078 102.444
• Gráficas
Abrir:
identificación.mtw
1-73
Identificación de Modelos
Four-way Probability Plot for T
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
Percent 70 70
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
-100 0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
Exponential Weibull
99 99
95
90
98
75
97 60
95 40
30
Percent
Percent
90 20
10
80
70 5
60 3
50
2
30
10 1
0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
El modelo
exponencial
1-75
Identificación de Modelos
Overview Plot for T
No censoring
Probability Density Function Exponential Probability
0.010
99 Exponential
ML Estimates
Mean: 101.453
95
Fail. Rate: 9.86E-03
Percent
0.005 MTBF: 101.453
90
80
70
60
50
40
30
20
10
5
1
0.000
0 100 200 300 400 500 600 700 0 100 200 300 400 500
0.9 0.00990
0.8
0.7
Probability
0.6
Rate
0.5
0.00985
0.4
0.3
0.2
0.1
0.0 0.00980
0 100 200 300 400 500 0 100 200 300 400 500
1-76
Ejercicio
Descriptive Statistics
Variable: tiempo
Mean 98.9320
StDev 65.6671
Variance 4312.17
Skewness 1.30399
Kurtosis 1.49195
N 60
0 50 100 150 200 250 300
Minimum 9.520
1st Quartile 49.549
Median 76.642
3rd Quartile 136.566
95% Conf idence Interv al f or Mu Maximum 302.010
95% Conf idence Interv al f or Mu
81.968 115.896
60 70 80 90 100 110 120 95% Conf idence Interv al f or Sigma
55.662 80.092
95% Conf idence Interv al f or Median
95% Conf idence Interv al f or Median
61.055 98.620
1-77
Ejercicio
Four-way Probability Plot for tiempo
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
Exponential Weibull
99 99
95
90
98
75
97 60
95 40
30
Percent
Percent
90 20
10
80
70 5
60 3
50
2
30
10 1
1-78
Ejercicio
Overview Plot for tiempo
No censoring
Probability Density Function Lognormal Probability
0.010
99 Lognormal
ML Estimates
95
90
Location: 4.38759
80
70 Scale: 0.66066
Percent
60 MTBF: 100.066
0.005 50
40
30
20
10
5
0.000 1 MTB
0 100 200 300 400 500 600 10 100
reporta la
1.0
Survival Function Hazard Function media y la
desviación
0.015
0.9
0.8
0.7
estándar
Probability
0.6
de los
0.010
Rate
0.5
logaritmos
0.4
0.3
de los
0.2 0.005
0.1
0.0
1-79
Puntos Clave
• Los modelos paramétricos tienen muchas ventajas para
modelar situaciones de confiabilidad.
• Es necesario asegurar cuál es el modelo más apropiado
para modelar
• La decisión depende del conocimiento del mecanismo de
falla y la forma en que se observa.
• Las distribuciones tienen parámetros que le dan ciertas
características: forma, escala, localización.
• Recuerde siempre confirmar el modelo de distribución a
usar y ver que las propiedades correspondan a lo conocido
sobre la falla
1-80