1.

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?

• ¿Cuál es la vida promedio del producto?

• ¿Cuántas fallas espera el próximo año?
• ¿Cuánto nos costará desarrollar y dar servicio a este
producto?
• ¿Cómo podemos hacerlo más efectivo en costo?

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.

Cuando cesa la capacidad del producto para entregar la

característica ofrecida al cliente, se considera que ha habido
una Falla del producto. Esto representa el término del tiempo
de vida.

1-4
MODELOS DE TIEMPO DE VIDA

Para modelar el tiempo de vida se asigna una medida:

La frecuencia relativa o la probabilidad con que
ocurrirá el evento.

La regla que asigna valores de frecuencia relativa o

probabilidades a los valores de una variable se llama
Distribución de Probabilidad

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

Si acumulamos las probabilidades desde el inicio hasta un tiempo t1, obtenemos la

Distribución de Probabilidad Acumulada {CDF ó F(t)}.

F(t1) = P(t  t1)

1-8
DISTRIBUCION ACUMULADA DE PROBABILIDAD

• Función de Distribución Acumulada

• La Probabilidad de una variable es menor o igual a un valor específico, e.g., t1

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

Confiabilidad es la probabilidad de que un sistema ejecute su función de intención

sin fallar para un intervalo específico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un determinado tiempo.
R(t) = 1 - F(t)

Algunos autores presentan como sinónimos Supervivencia y Confiabilidad

1-11
 DEFINICIÓN DE CONFIABILIDAD
t 
R ( t )  1 F ( t )  1  f ( t ) d t   f ( t ) d t
0 t

Función de Densidad de Probabilidad Función de Confiabilidad

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.

El valor medio del Tiempo de Vida se denomina Tiempo

Promedio entre Fallas, MTBF es el acrónimo en Inglés, y se
refiere a una medición básica de confiabilidad para
artículos que se pueden reparar.

MTTF se refiere al Tiempo Promedio de Fallas, esto es para

artículos que no pueden ser reparados.
1-13
 MTBF - MTTF
La media estimada del 98.932
tiempo de vida está marcada
30.0000
30

con la línea punteada es de 20

98.932, se obtuvo

Percent
15.0000
13.3333

calculando el promedio de 10 8.3333

6.6667
8.3333
6.6667

los tiempos N 3.3333

3.3333 3.3333

 ti
1.6667
0.0000
0.0000
0

m i 1 0 100 200 300

N tiempo

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  h1  
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

h(t) = PDF / R(t)

Es una medida de la “mortalidad” entre los artículos que quedan.

La tasa de falla representa la propensión a la falla de un

producto como una función de su edad o tiempo en
operación. La tasa de falla en cualquier tiempo dado es la
proporción que caerá en la siguiente unidad de tiempo
respecto a aquellas unidades que han sobrevivido a este
tiempo.
1-15
 TASA DE FALLA O TASA DE RIESGO
Por ejemplo, 1000 motores eléctricos se ponen a prueba
en el tiempo CERO. Cuatrocientos de ellos están
trabajando a las 2000 horas, 50 de ellos fallaron en las
siguientes 100 horas y otros 50 fallaron en las siguientes
horas como lo ilustra la figura.
No. de
1000 400 350 300 sobrevivientes

0 2000 2100 2200 horas tiempo

La tasa de falla para los motores a las 2000 horas es:

h(2000) = (número de fallas por hora posteriores a las 2000 horas)
número de sobrevivientes a las 2000 horas
= (50/100)/400 = 0.00125 unidades/hora
Similarmente, la tasa de falla a las 2100 horas es:
h(2100) = (50/100)/350 = 0.0014 unidades/hora 1-16
“CURVA DE LA BAÑERA”

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

•la colección y procesamiento de 6.6667

6.6667

datos originales,
3.3333
3.3333 3.3333
1.6667
0.0000
0.0000
0

•presentación tabular y gráfica, 0 100

OBS
200 300

•fuentes de datos, Un histograma es una descripción

•distribución de frecuencias,
•medidas de tendencia central y
• medidas de dispersión.
útil, clara e informativa de la
distribución de frecuencias
1-18
 ESTADISTICOS
Un estadístico es cualquier función de las observaciones en una
muestra aleatoria, que no dependa de parámetros desconocidos
La media muestral, la varianza muestral, la desviación estándar
muestral y los coeficientes de variación, sesgo y curtosis son
algunos de los estadísticos más comunes.
Obsérvese que como un estadístico es una función de los datos
provenientes de una muestra aleatoria, es a su vez una variable
aleatoria.
Es decir, si se obtuvieran dos muestras aleatorias diferentes
provenientes de la misma población y se calcularan las medias
muestrales, podría esperarse que los valores obtenidos fueran
diferentes.
1-19
 Estadística Descriptiva
Medidas
Descriptivas Descripción POBLACION MUESTRA

Medida de Otras medidas son la mediana y la

1 n
MEDIA E (t )   tf (t )dt m  x   xi moda, la media tiene propiedades
tendencia n i 1
central

estadísticas mejores

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

Medida del  La Normal tiene un rango

COEFICIENTE DE CV  CV = S
grado de  0.05<CV<0.25
VARIACIÓN x
variabilidad La exponencial: CV= 1

 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

• ¿Porqué son importantes los estadísticos?

• Describen completamente los datos
• Coeficiente de Variación CV
• comúnmente utilizado para describir propiedades mecánicas
de los materiales.
• aproximadamente 15% para fractura
• aproximadamente 7% para resistencia a la cedencia
• ayudan a determinar la distribución apropiada
• la distribución normal tiene un rango 0.05 < CV < 0.25
• Exponencial CV = 1

1-21
 Estadística Descriptiva

• ¿Porqué son importantes los estadísticos?

• Coeficiente de sesgo
• medida de simetría
• 3 < 0 distribución sesgada a la izquierda(tiene una cola a la izquierda)
• 3 = 0 distribución simétrica
• Distribución Normal 3 = 0
• 3 > 0 distribución sesgada a la derecha (tiene una cola a la derecha
• Coeficiente de curtosis
• medida de agudeza (puntiaguda)
• 4 < 3 distribución menos aguda que la Normal
• 4 = 3 distribución Normal
• 4 > 3 distribución más aguda que la Normal

1-22
 Estadística Descriptiva

• Porqué son importantes los estadísticos

• los tres ayudan a determinar los parámetros de la distribución
• CV
• La Exponencial tiene un CV constante
• El parámetro de forma de la distribución Weibull es bien estimado con el coeficiente de
variación CV
• coeficientes de sesgo y curtosis
• la relación entre ellos ayuda a determinar la distribución que mejor se ajusta

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)

l= 0.001, MEDIA = 1,000

0.0015

0.0010

0.0005

0.0000
0 500 1,000 1,500 2,000
Tiempo 1-24
EJEMPLO DE DISTRIBUCIÓN
b
b 1 t 
bt   
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
bt 
TASA DE FALLA  h (t )   
h h 
 1
MEDIA  h1  
 b
1-25
EJEMPLO DE DISTRIBUCIÓN
Abra el archivo Distribución.xls Señale la columna de
tiempo y pongala en
orden ascendente

Veamos cómo se construyen las

curvas de distribución usando el
EXCEL

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

* La fórmula de Kaplan Meier se recomienda para muestras grandes 1-27

EJEMPLO DE DISTRIBUCIÓN
Se estima la tasa de falla para los
tiempos observados, con el inverso del R (t ) LS  R (t )  Z 2  R (t )  F (t ) N
número de supervivientes 1/(N+1-i) R (t ) LI  R (t )  Z 2  R (t )  F (t ) N

Por último se estima

el intervalo de
confianza normal al
95% para la
confiabilidad

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

0.5000 F(ti)= i/N

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

Use el archivo: distribución.mtw

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

0.0 1.0 Mean 98.932

Median 75.812
0 100 200 300 0.9
IQR 83.462
Time to Failure 0.8

0.7

Las asignaciones de
Probability
0.6

probabilidades se basan sólo

0.5

0.4

en las frecuencias
0.3

0.2

observadas, y no suponen
0.1

0.0

ningún modelo especial. 0 100

Time to Failure
200 300

1-32
PUNTOS CLAVE

• tiempo de vida útil y falla

• distribución de probabilidad
• confiabilidad
• MTBF - MTTF
• tiempo de misión
• velocidad de falla
• estadística descriptiva
• distribución empírica

1-33
2. MODELOS DE CONFIABILIDAD

Distribuciones de Probabilidad
»Exponencial
»Weibull
»Lognormal

1-34
OBJETIVO

Presentar los modelos Exponencial, Weibull y Lognormal para la confiabilidad, sus

características principales y guías para su empleo
Puntos:
• Modelos Paramétricos de Confiabilidad
• Distribuciones de Probabilidad
• Parámetros
• Propiedades
• Situaciones para modelar
• Guía para elección del modelo

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

Los parámetros definen:

•FORMA
•ESCALA
•LOCALIZACION
1-36
¿Qué hay atrás de una distribución?

•Los Parámetros definen lo que esta detrás de cada

distribución.
• Conociendo los parámetros de una distribución podemos
inferir el comportamiento de la confiabilidad
• La Forma de la distribución
• La Escala de la distribución
• La Localización de la distribución

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

• Es útil si el coeficiente de variación es pequeño (<10%)

• Las propiedades de varios materiales tienden a seguir una
distribución Normal
• Las fallas a la tensión de muchos materiales estructurales siguen una
distribución Normal
• Puede representar el tiempo de falla cuando un efecto aditivo es
involucrado, i.e., el Teorema del Límite Central (CLT)

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

VARIANZA : 0 500 1,000 1,500 2,000

l2 Tiempo

TASA DE FALLA : h (t )  l
1-43
 Distribución Exponencial
R(t) = e(-lt) (Confiabilidad)

Función de Confiabilidad Exponencial

1.200

1.000

0.800 l= 0.001, MTBF = 1,000

l= 0.002, MTBF = 500
R(t)

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) = lMEDIA (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

• La Distribución exponencial de 2 parámetros tiene las siguientes ecuaciones:

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 : h1  
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    h1  
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

desplazamiento). Las b t g  

 h

PDF : f (t )    e 
fórmulas se obtienen h  h 
reemplazando t por (t-g).
 1
No puede ocurrir una falla MEDIA : g  h1  
 b
antes de g horas, el tiempo
comienza en g no en 0. MEDIANA : g  h ln 2  b
1

2
 2   1 
VARIANZA : h 1    h1  
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

Función Tasa de Falla Weibull

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  h1  
 b
2
 2   1 
varianza  h 2 1    h1  
 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

b < 1 disminuye la tasa de riesgo, implica mortalidad infantil

b = 1 tasa de riesgo constante, fallas aleatorias
1< b < 4 aumenta la tasa de riesgo, fallas por corrosión, erosión
b > 4 aumenta rápidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento 1-55
 La Distribución Weibull - Interpretación
b < 1 (Tasa de riesgo decreciente)
•Implica mortalidad infantil
•Si esto ocurre, puede existir:
-Carga, inspección o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparación
•Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
1 <b4 (Tasa de Riesgo creciente)
•Si esto ocurre
-La mayoría de los baleros y engranes
fallan
-Corrosión o Erosión
-El reemplazo programado puede ser
efectivo en costo
 b=3.44aprox. Normal, b=2Rayleigh
b = 1 (Tasa de riesgo constante)
•Implica fallas aleatorias(Distribución
Exponencial)
•Una parte vieja es tan buena como una
nueva
•Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
b4 (La tasa de riesgo crece rápidamente)
•Implica edad avanzada y rápido desgaste
•Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frágiles como la cerámica
-Variabilidad pequeña en manufactura o
material
1-56
Distribución Weibull
•Cuando b = 2.5 la Weibull se aproxima a la
distribución Lognormal(estas distribuciones son tan
cercanas que se requieren tamaños de muestra
mayores a 50 para distinguirlas).
•Cuando se modela el tiempo que se necesita para
que ocurran reacciones químicas, se ha mostrado
que la distribución Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
•Cuando b = 5 la Weibull se aproxima a una Normal
puntiaguda.

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)

Este mismo resultado se obtiene para el caso exponencial,

recordando que la Weibull se puede reducir a una exponencial cuando
b = 1.
1-59
 Distribución Lognormal

• Un tiempo de falla se distribuye según una Lognormal si el logaritmo del

tiempo de falla está normalmente distribuido.

• La Distribución Lognormal es una distribución sesgada hacia la derecha.

• La PDF comienza en cero, aumenta hasta su moda y diminuye después.

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
ln1  2



 t 

(z) es la CDF de la Normal estándar 1-61

 Distribución Lognormal
• La Distribución de vida Lognormal, como la Weibull, es un modelo muy
flexible que puede empíricamente ajustar a muchos tipos de datos de
falla. En su forma de dos parámetros tiene los parámetros ln(t) = y
parámetro de forma, y T50 = la mediana (un parámetro de escala)
• Si el tiempo para la falla t, tiene una distribución Lognormal, entonces el
logaritmo natural del tiempo de falla (y =ln(t)) tiene una distribución
normal con media y = ln T50 y desviación estándar y.
• Esto hace a los datos lognormales convenientes para trabajarlos así:
determine los logaritmos naturales de todos los tiempos de falla y de los
tiempos censurados (y = ln(t)) y analice los datos normales resultantes.
Posteriormente, haga la conversión a tiempo real y a los parámetros
lognormales usando y como la forma lognormal y T50 = exp(y como
(mediana) el parámetro de escala.

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

• Ejemplo: Dado t~LN(25,4), encuentre P(t<18)

• Calculemos los valores que nos permiten usar la tabla normal estándar

 t2
2
4
T50   t  1  2  25  1     24.68
t  25 

  2
   4 
2

 y2  ln1  t2   ln1      0.02527
  25  
 t   

 y  0.02527  0.1589
• Para poder usar las Tablas de la Normal Estándar:

• P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) = 0.023

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

• La resistencia de materiales frecuentemente sigue una distribución

Lognormal
• Las variables de peso son frecuentemente bien representadas con una
distribución Lognormal

• Es una buena distribución para cualquier variable

• La medida de cualquier resultado el cual es el resultado de una proporción
o efecto multiplicativo es Lognormal

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

Función de Densidad b1   t  b   1 t  2 

b t  1  1 ln(t)    2 
f(t)   exp   f(t) exp    f(t) 
1
exp   
de Probabilidad (pdf), f(t) = lexp(-lt) h h   h   2  2    t 2     
 2 
f(t)

 
   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)]

b1 ( 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

• Debemos de elegir cuidadosamente el

modelo apropiado de distribución de
vida
• Cualquiera que sea el método usado para
escoger el modelo, debemos verificar:
• que tenga “sentido” - por ejemplo no usar un
modelo exponencial que tiene una tasa de
falla constante para modelar una falla de
desgaste.
• Pasar las pruebas estadísticas y visuales para
ajuste de datos

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

Seguir la secuencia STAT>Basic Statistics>Display Descriptive Statistics 1-72

Identificación de Modelos

• 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

¿Cuál ajusta mejor...?

1-74
 Identificación de Modelos

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

Survival Function Hazard Function

1.0

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

Anderson-Darling Normality Test

A-Squared: 2.346
P-Value: 0.000

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

0 100 200 300 10 100

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 10 100

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

0 100 200 300 400 0 100 200 300 400

tiempos

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