Curso Confiabilidad

1-1
1. CONCEPTOS DE
1. CONCEPTOS DE
CONFIABILIDAD
CONFIABILIDAD
______________________________________________________________________________
INSTITUTO POLITECNICO NACIONAL
ESIME AZCAPOTZALCO www.siceaingenieria.biz
Por: Ing. Francisco Rodrguez Lezama
1-2
Objetivo: Presentar los conceptos indispensables
para entender la confiabilidad
Propsitos
presentar el concepto de tiempo de vida y falla
exponer el concepto de distribucin de

probabilidad
definir confiabilidad
definir MTBF - MTTF
explicar el "tiempo de misin
visualizar la velocidad de falla grficamente
presentar los elementos de estadstica descriptiva
obtener una distribucin empricamente

______________________________________________________________________________
1-3
CONFABLDAD PARA QU?
Cul es la vida promedio del producto?
Cuntas fallas espera el prximo ao?
Cunto nos costar desarrollar y dar servicio a este

producto?
Cmo podemos hacerlo ms efectivo en costo?

______________________________________________________________________________
1-4
TEMPO DE VDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida til
de un producto. Durante este perodo el cliente obtiene
las caractersticas ofrecidas intencionalmente.
Cuando cesa la capacidad del producto para entregar la
caracterstica ofrecida al cliente, se considera que ha
habido una Falla del producto. Esto representa el
trmino del tiempo de vida.
______________________________________________________________________________
1-5
MODELOS DE TEMPO DE VDA
Para modelar el tiempo de vida se asigna una
medida: La frecuencia relativa o la
probabilidad con que ocurrir el evento.
La regla que asigna valores de frecuencia
relativa o probabilidades a los valores de una
variable se llama Distribucin de
Probabilidad
______________________________________________________________________________
t
f
(
t
)
1-6
Funcin de Densidad de Probabilidad (pdf), f(t)

Predice el comportamiento de cualquier situacin
probabilstica
Probabilidad de t de caer en algn punto del rango t
1
a t
2
p t t t f t dt
t
t
( ) ( )
1 2
1
2

t
1
t
2
DSTRBUCONES DE PROBABLDAD
El rea total bajo la
curva siempre es 1 o
100%
______________________________________________________________________________
1-7
0 5 10
0.0
0.1
0.2
0.3
0.4
t
f
(
t
)
0 100 200 300
0
10
20
30
OBS
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.33333.3333
0.0000 0.0000
3.3333
EJEMPLOS DE DSTRBUCONES DE PROBABLDAD
56.399 138.573 172.78 39.655
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
90.882 49.089 75.492 103.507
132.312 123.442 27.978 107.717
60.465 49.526 145.911 179.036
301.525 71.698 95.475 61.099
302.01 45.352 175.935 46.613
101.978 182.344 34.899 82.272
98.37 225.349 43.461 176.949
64.026 137.758 52.311 145.45
43.881 93.901 49.619 73.873
53.358 77.471 92.019 117.592
PDF Weibull
Histograma
______________________________________________________________________________
1-8
DSTRBUCON ACUMULADA DE
PROBABLDAD
Si acumulamos las probabilidades desde el inicio hasta
un tiempo t
1
, obtenemos la Distribucin de
Probabilidad Acumulada {CDF F(t)}.
F(t
1
) = P(t t
1
)
______________________________________________________________________________
1-9
Funcin de Distribucin Acumulada
La Probabilidad de una variable es menor o igual a un valor

especfico, e.g., t
1
Cuando la variable es tiempo de falla, esto

representa la no confiabilidad o la
probabilidad de que una unidad falle
antes del tiempo t
1

1
0
1
) ( ) 0 ( ) (
t
dt t f t t P t F
DSTRBUCON ACUMULADA DE PROBABLDAD
______________________________________________________________________________
t
f
(
t
)
t
F
(
t
)
1-10
F t P t t f t dt
t
( ) ( ) ( )
0
1
0
1
DSTRBUCON ACUMULADA DE PROBABLDAD
t
1
No confiabilidad, F(t)
Funcin de Densidad de Probabilidad
t
1
Funcin de Distribucin Acumulada
0
1
0
______________________________________________________________________________
1-11
DEFNCN DE CONFABLDAD
Confiabilidad es la probabilidad de que un sistema
ejecute su funcin de intencin sin fallar para un
intervalo especfico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.
R(t) = 1 - F(t)
Algunos autores presentan como sinnimos
Supervivencia y Confiabilidad
______________________________________________________________________________
t
R
(
t
)
Funcin de Confiabilidad
t
f
(
t
)
1-12
DEFNCN DE CONFABLDAD
R t F t f t dt f t dt
t
t
( ) ( ) ( ) ( )

1 1
0
t
1
0
0
1
t
1
0
______________________________________________________________________________
1-13
MTBF - MTTF
Si el tiempo de vida para una caracterstica de calidad
es una variable aleatoria y conocemos su distribucin
de probabilidad , podemos calcular una medida de
localizacin, por ejemplo el valor de su media.
El valor medio del Tiempo de Vida se denomina Tiempo
Promedio entre Fallas, MTBF es el acrnimo en
ngls, y se refiere a una medicin bsica de
confiabilidad para artculos que se pueden reparar.
MTTF se refiere al Tiempo Promedio de Fallas, esto es
para artculos que no pueden ser reparados.
______________________________________________________________________________
1-14
0 100 200 300
0
10
20
30
tiempo
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.3333 3.3333
0.0000 0.0000
3.3333
MTBF - MTTF
La media estimada del
tiempo de vida est marcada
con la lnea punteada es de
!"#$% se obtuvo calculando
el promedio de los tiempos
98.932
0 5 10
0.0
0.1
0.2
0.3
0.4
t
f
(
t
)
N
t
m
N
i
i
1
La media calculada para esta
distribuci&n Weibull es 'unci&n
de sus parmetros =2 ( =2
1.77245
,
_
1
1 MEDIA
______________________________________________________________________________
1-15
TEMPO DE MSN
Tiempo de Misin se refiere al tiempo intentado durante
el cual el producto entrega la caracterstica de
calidad satisfactoriamente.
El Tiempo de Misin es una decisin de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus caractersticas.
Tiempo de Misin
Qu confiabilidad lo!a!emos"# $%tiempo de misin&
______________________________________________________________________________
1-16
VELOCDAD DE FALLA
La Velocidad de Falla Tasa de Riesgo o tambin Tasa
de Falla es la fraccin de fallas probables entre la
proporcin de supervivientes al tiempo t. Cuando se
conoce la Distribucin de Probabilidad de t, se
calcula a partir de
(t) = PDF ! R(t)
Es una medida de la "mortalidad entre los artculos
que quedan.
La tasa de falla representa la propensin a la falla de un
producto como una funcin de su edad o tiempo en
operacin. La tasa de falla en cualquier tiempo dado es la
proporcin que caer en la siguiente unidad de tiempo
respecto a aquellas unidades que han sobrevivido a este
tiempo.
______________________________________________________________________________
1-17
TASA DE FALLA O TASA DE RESGO
Por ejemplo, 1000 motores elctricos se ponen a prueba en el
tiempo CERO. Cuatrocientos de ellos estn 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.
" #""" #1"" ##"" oras
tiempo
1""" $"" %&" %""
'o( de
sobre)i)ientes
La tasa de falla para los motores a las 2000 horas es:
(#""") = (nmero de fallas por ora posteriores a las #""" oras)
nmero de sobre)i)ientes a las #""" oras
= (&"!1"")!$"" = "(""1#& unidades!ora
Similarmente, la tasa de falla a las 21 !oras es"
(#1"") = (&"!1"")!%&" = "(""1$ unidades!ora
______________________________________________________________________________
1-18
"CURVA DE LA BAERA
Si se dibuja la tasa de riesgo o falla para una poblacin
a travs del tiempo se observa un comportamiento
descrito como la "Curva de la Baera
t
'%t&
(allas constantes
(allas po! dete!io!o o desaste (allas po! dete!io!o o desaste
(allas )infantiles*
______________________________________________________________________________
1-19
0 100 200 300
0
10
20
30
OBS
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.33333.3333
0.0000 0.0000
3.3333
La +stad,stica -esc!ipti.a se
orienta a proporcionar una
descripcin )til% clara e
in'ormativa de una masa de
datos num*ricos"
Esto se +ace al considerar
t&picos como,
-la colecci&n ( procesamiento de
datos originales%
-presentaci&n tabular ( gr'ica%
-'uentes de datos%
-distribuci&n de 'recuencias%
-medidas de tendencia central (
- medidas de dispersi&n"
ESTADSTCA DESCRPTVA
.n +istograma es una descripci&n
)til% clara e in'ormativa de la
distribuci&n de 'recuencias
______________________________________________________________________________
1-20
.n estad,stico es cual/uier 'unci&n de las observaciones en una
muestra aleatoria% /ue no dependa de parmetros desconocidos
0bs*rvese /ue como un estad,stico es una 'unci&n de los datos
provenientes de una muestra aleatoria% es a su ve1 una variable
aleatoria"
Es decir% si se obtuvieran dos muestras aleatorias di'erentes
provenientes de la misma poblaci&n ( se calcularan las medias
muestrales% podra esperarse /ue los valores obtenidos 'ueran
di'erentes"
ESTADSTCOS
La media muestral% la varian1a muestral% la desviaci&n estndar
muestral ( los coe'icientes de variaci&n% sesgo ( curtosis son
algunos de los estadsticos ms comunes"
______________________________________________________________________________
1-21
*edidas
Descripti)as
Descripcin
POBLACON
MEDA
VARANZA
COEFCENTE DE
VARACN
COEFCENTE DE
SESGO
COEFCENTE DE
CURTOSS
Estadstica Descriptiva
MUESTRA
dt t tf t E ) ( ) (

n
i
i
x
n
x m
1
1 2edida de
tendencia
central
( )
dt t f t ) (
2 2
( )
n
i
i
x x
n
s
1
2
2
1
1
2edida de
dispersi&n
la desviaci&n estndar es la
ra1 cuadrada de la varian1a
2edida del
grado de
variabilidad

CV
( )
( )
2 / 3
2
3
) (
3
dt t f t
( )
( )
2 / 3
2
1
3
3
s
n
x x
n
i
i

2edida de
3imetra
2edida de
4gude1a ( )
( )
2
2
4
) (
4
dt t f t
( )
( )
2
2
1
4
4
s
n
x x
n
i
i

La 5ormal tiene un rango
0"0678970"$6
La e:ponencial, 89; 1
#70 cola i1/uierda
- #;0 sim*trica <v"gr"5ormal=
- #>0 cola derec+a
?70 @ aguda /ue la 5ormal
- ?;0 aguda como 5ormal
- ?>0 Aaguda /ue la 5ormal
0tras medidas son la mediana ( la
moda% la media tiene propiedades
estadsticas mejores
89 ; 3
:
______________________________________________________________________________
1-22
Porqu son importantes los

estadsticos?
Describen completamente los datos
Coeficiente de Variacin CV
comnmente utilizado para describir propiedades
mecnicas de los materiales.
aproximadamente 15% para fractura
aproximadamente 7% para resistencia a la cedencia
ayudan a determinar la distribucin apropiada
la distribucin normal tiene un rango 0.05 < CV < 0.25
Exponencial CV = 1
______________________________________________________________________________
1-23
Porqu son importantes los estadsticos?
Coeficiente de sesgo
medida de simetra
3 < 0 distribucin sesgada a la izquierda(tiene una cola a la
izquierda)
3 = 0 distribucin simtrica
Distribucin Normal 3 = 0
3 > 0 distribucin sesgada a la derecha (tiene una cola a la
derecha
Coeficiente de curtosis
medida de agudeza (puntiaguda)
4 < 3 distribucin menos aguda que la Normal
4 = 3 distribucin Normal
4 > 3 distribucin ms aguda que la Normal
______________________________________________________________________________
Por: Ing. rancisco !odr"g#ez Leza$a
1-24
Porqu son importantes los estadsticos
los tres ayudan a determinar los parmetros de la

distribucin
CV
La Exponencial tiene un CV constante
El parmetro de forma de la distribucin Weibull es bien
estimado con el coeficiente de variacin CV
coeficientes de sesgo y curtosis
la relacin entre ellos ayuda a determinar la distribucin que mejor
se ajusta
______________________________________________________________________________
1-25
EJEMPLO DE DSTRBUCN
1
MEDA
) ( FALLA DE TASA
) ( DAD CONFABL
1 ) ( CDF
) ( PDF
t
e t R
e t F
e t f
t
t
t
Distribucin
+,ponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
f(t)
Tiempo
+,ponencial
= 0.003, MEDA = 333
= 0.002, MEDA = 500
= 0.001, MEDA = 1,000
______________________________________________________________________________
1-26
EJEMPLO DE DSTRBUCN
,
_
,
_
,
_
,
_
,
_
,
_
1
1 MEDA
) ( FALLA DE TASA
) ( DAD CONFABL
1 ) ( CDF
) ( PDF
1
1
t
t
e t R
e t F
e
t
t f
t
t
t
Distribucin
-eibull #
par.metros
______________________________________________________________________________
1-27
EJEMPLO DE DSTRBUCN
4bra el arc+ivo Distribuci&n":ls
3eBale la columna de
tiempo ( pongala en
orden ascendente
9eamos c&mo se constru(en las
curvas de distribuci&n usando el
EC8EL
______________________________________________________________________________
1-28
EJEMPLO DE DSTRBUCN
4gregue un
rengl&n inicial
con cero ( una
columna con un
contador /ue
inicie en cero
4gregue una columna
donde estime F<t=
usando la '&rmula de
Daplan 2eierE,
< F<t= ; iN=
0btenga F<t= por la
di'erencia F<t= ; 1@F<t=
5ote /ue puede estimar la
8on'iabilidad de 0% para
un tiempo de #6"#!
E La '&rmula de Daplan 2eier se recomienda para muestras grandes
______________________________________________________________________________
1-29
EJEMPLO DE DSTRBUCN
3e estima la tasa de 'alla para los
tiempos observados% con el inverso del
n)mero de supervivientes 1G<5A1@i=
Por )ltimo se estima
el intervalo de
con'ian1a normal al
6% para la
con'iabilidad
N t F t R Z t R t R
N t F t R Z t R t R
LI
LS
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2
2

+
______________________________________________________________________________
1-30
EJEMPLO DE DSTRBUCN
R(ti)= 1-F(ti)
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 50 100 150 200 250 300 350
R(ti)= 1-F(ti)
F(ti)= i/N
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 50 100 150 200 250 300 350
F(ti)= i/N
Hr'icas de
8on'iabilidad F<t= ( de
la Funci&n 4cumulada
F<t= generadas en
EC8EL
Fecuerde /ue,
F<t= ; 1@ F<t=
______________________________________________________________________________
1-31
EJEMPLO DE DSTRBUCON
Use el archivo: distribucin.mtw
Ahora en Minitab...
______________________________________________________________________________
1-32
Distribution /nal0sis
Variable: tiempo
Censoring Information Count
Uncensored value 60
Nonparametric Estimates
Characteristics of Variable
Standard 9!0" Normal CI
#ean Error lo$er upper
9%!9&'0 %!())6 %'!&*6' **!()%
#edian + )!%*'0
I,- + %&!(6'0 ,* + (9!'60 ,& + *&'!9%%0
.aplan/#eier Estimates
Number Number Survival Standard 9!0" Normal CI
0ime at -is1 2ailed 3robabilit4 Error 5o$er Upper
9!'00 60 * 0!9%&& 0!0*6 0!909 *!0000
')!9)%0 9 * 0!966) 0!0'&' 0!9'*' *!0000
'%!%0 % * 0!900 0!0'%* 0!%9(9 *!0000
'9!&)(0 ) * 0!9&&& 0!0&'' 0!%)0' 0!996
&(!%990 6 * 0!9*6) 0!0&) 0!%(6) 0!9%66
&!&%90 * 0!9000 0!0&%) 0!%'(* 0!9)9
&9!60 ( * 0!%%&& 0!0(*( 0!%0'* 0!96(6
(&!(6*0 & * 0!%66) 0!0(&9 0!)%0) 0!9')
(&!%%*0 ' * 0!%00 0!0(6* 0!)9) 0!9(0&
(!&'0 * * 0!%&&& 0!0(%* 0!)&90 0!9')6
(!)&0 0 * 0!%*6) 0!000 0!)*%% 0!9*(6
(6!0)60 (9 * 0!%000 0!0*6 0!69%% 0!90*'
(6!6*&0 (% * 0!)%&& 0!0&' 0!6)9* 0!%%)6
(9!0%90 () * 0!)66) 0!0(6 0!696 0!%)&)
(9!'60 (6 * 0!)00 0!09 0!6(0( 0!%96
(9!6*90 ( * 0!)&&& 0!0)* 0!6'*( 0!%('
'!&**0 (( * 0!)*6) 0!0%' 0!60'6 0!%&0)
/a!a un tiempo
de 35.389 la
confiabilidad es
del 901
Clculo de R(t) para un tiempo
______________________________________________________________________________
1-33
0 100 200 300
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Time to Failure
R
a
t
e
Nonparametric Hazard Plot for tiempo
Empirical Hazard Function
Complete Data
Mean
Median
QR
98.932
75.812
83.462
0 100 200 300
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Time to Failure
P
r
o
b
a
b
i
l
i
t
y
Nonparametric Survival Plot for tiempo
Kaplan-Meier Method-95.0% Conf idence nterv als
Complete Data
Mean
Median
QR
98.932
75.812
83.462
NTERPRETACON DE
RESULTADOS
0bservamos las
gr'icas de las
distribuciones
empricas de, riesgo
( con'iabilidad
Las asignaciones de
probabilidades se basan s&lo
en las 'recuencias
observadas% ( no suponen
ning)n modelo especial"
______________________________________________________________________________
1-34
PUNTOS CLAVE
tiempo de vida til y falla
distribucin de probabilidad
confiabilidad
MTBF - MTTF
tiempo de misin
velocidad de falla
estadstica descriptiva
distribucin emprica
______________________________________________________________________________
1-35
2. #ODELOS DE
2. #ODELOS DE
CONFIABILIDAD
CONFIABILIDAD
Distribuciones de Probabilidad
+,ponencial
-eibull
1o2normal
______________________________________________________________________________
1-36
OBJETVO
Presentar los modelos Exponencial, Weibull y
Lognormal para la confiabilidad, sus caractersticas
principales y guas para su empleo
Puntos:
Modelos Paramtricos de Confiabilidad
Distribuciones de Probabilidad
Parmetros
Propiedades
Situaciones para modelar
Gua para eleccin del modelo

+
2
p
o
n
e
n
c
ia
l
3eibull
4ono!m
al
______________________________________________________________________________
1-37
Modelos Paramtricos de
Confiabilidad
Distribuciones Paramtricas
Algunas Distribuciones de Probabilidad se pueden

expresar como una funcin matemtica de la variable
aleatoria.
La funcin tiene adems de la variable aleatoria,

constantes que le dan comportamientos especficos
a las distribuciones
Los parmetros de'inen,
-(5$M6
-+78646
-458649:6895;
______________________________________________________________________________
1-38
-
Los /a!<met!os de'inen lo /ue esta detrs de cada
distribuci&n"
-
8onociendo los parmetros de una distribuci&n podemos
in'erir el comportamiento de la con'iabilidad
-
La (o!ma de la distribuci&n
-
La +scala de la distribuci&n
-
La 4ocali=acin de la distribuci&n
Qu hay atrs de una distribucin?
______________________________________________________________________________
1-39
Distribucin Normal
La Normal o Distribucin Gaussiana es la distribucin

ms conocida
Tiene Media = Mediana = Moda
La Media , es tambin su par.metro de locali3acin
La PDF normal tiene forma de una campana con

simetra sobre su media
La normal no tiene par.metro de forma. Esto significa

que la PDF normal slo tiene una forma, "la campana
y esta forma no cambia
La desviacin estndar , es el par.metro de escala

de la PDF normal
______________________________________________________________________________
ESI!E A"CAPOT"ALCO www.siceaingenieria.biz
Academia de Pro#ec$o Por: Ing. Francisco Rodrguez Lezama
1-40
f t
t
( ) exp

_
,
1
]
1
1
2
1
2
2

Distribucin de la
Funcin Normal
Funcin de Densidad de Probabilidad 'ormal
Distribucin Normal
= 500
= 30
= 50
= 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)
______________________________________________________________________________
1-41
R t f t dt z dz
t z t
( ) ( ) ( )
( )

Funcin de Distribucin Normal

donde z(t) = (t-)/ y (z) = normal estandarizada pdf
0.000
0.200
0.400
0.600
0.800
1.000
200 400 600 800 1000
R(t)
Tiempo
Funcin de 4onfiabilidad 'ormal
= 500
= 30
= 50
= 70
Distribucin Normal
______________________________________________________________________________
1-42
Funciones de Distribucin Normal
donde (z) =normal estandarizada pdf
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
200 400 600 800 1000
(t)
Tiempo
Funcin 'ormal de Tasa de Falla
= 500
= 30
= 50
= 70
Distribucin Normal
) (
) (
) (
z R
z
t h
______________________________________________________________________________
1-43
Distribucin Normal
Tienden a seguir una distribucin normal los ciclos de falla en

componentes mecnicos sometidos a niveles altos de estrs
Es til si el coeficiente de variacin es pequeo (<10%)
Las propiedades de varios materiales tienden a seguir una

distribucin Normal
Las fallas a la tensin de muchos materiales estructurales

siguen una distribucin Normal
Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Lmite Central (CLT)
Distribucin Normal
______________________________________________________________________________
1-44
El modelo exponencial, con un solo par.metro, es el ms

simple de todo los modelos de distribucin del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
Distribucin Exponencial
h
) ( : FALLA DE TASA
1
: VARANZA
693 . 0 2 ln
: MEDANA
1
: MEDA
) ( : PDF
) ( : DAD CONFABL
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
f(t)
Tiempo
+,ponencial
= 0.003, MEDA = 333
= 0.002, MEDA = 500
= 0.001, MEDA = 1,000
______________________________________________________________________________
1-45
R(t) = e
(-t)
(Confiabilidad)
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
R(t)
Tiempo
Funcin de 4onfiabilidad +,ponencial
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
______________________________________________________________________________
1-46
h(t) = 1 / MEDA (Velocidad de Falla)
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
(t)
Tiempo
Funcin de la Tasa de Falla +,ponencial
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
______________________________________________________________________________
1-47
Es usada como el modelo, para la parte de vida til de la
curva de la baera, i.e., la tasa de falla es constante
Los sistemas complejos con muchos componentes y
mltiples modos de falla tendrn tiempos de falla que
tiendan a la distribucin exponencial
desde una perspectiva de confiabilidad, es la distribucin
ms conservadora para prediccin.
La fo!ma de la e:ponencial
siempre es la misma
______________________________________________________________________________
1-48
- La Distribuci&n e:ponencial de 2 pa!<met!os tiene las siguientes ecuaciones,
h
+ +
+

) ( : FALLA DE TASA
1
: VARANZA
693 . 0 2 ln
: MEDANA
1
: MEDA
) ( : PDF
) ( : DAD CONFABL
1 ) ( : CDF
2
) (
) (
) (
t
m
e t f
e t R
e t F
t
t
t
es el parmetro de
locali=acin% si es positivo%
cambia el comien1o de la
distribuci&n por una distancia
a la derec+a del origen%
signi'icando /ue las
posibilidades de 'alla empie1an
a ocurrir s&lo despu*s de
+oras de operaci&n% ( no
pueden ocurrir antes"
;ote >ue la .a!ian=a ? la tasa de falla son
iuales a las de la e2ponencial de un pa!<met!o
______________________________________________________________________________
1-49
Distribucin Weibull
- La distribuci&n de
Weibull es un
modelo de
distribuci&n de vida
)til mu( 'le:ible%
para el caso de 2
parmetros,
( )
1
1
: FALLA DE TASA
2
1
1
2
1
2
: VARIANZA
1
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
,
_
,
_
,
_
,
_
1
]
1
,
_
,
_
,
_
,
_

+ +
+
t
t
t
t
e
t
t f
e t R
e t F
Donde es un parmetro de
escala <la .ida ca!acte!,stica= (
se conoce como el pa!<met!o de
fo!ma <pendiente= ( es la
'unci&n Hamma con <5=;<5@1=I
para 5 entero
______________________________________________________________________________
1-50
Distribucin Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARANZA
2 ln : MEDANA
1
1 : MEDA
) ( : PDF
) ( : DAD CONFABL
1 ) ( : CDF
,
_
,
_
,
_
,
_

1
]
1
,
_
,
_
+
+
,
_
+ +
,
_
t
e
t
t f
e t R
e t F
t
t
t
.na 'orma ms general de
3 parmetros de la Weibull
inclu(e un parmetro de
tiempo de espe!a
<locali=acin &
despla=amiento=" Las
'&rmulas se obtienen
reempla1ando t por <t@="
5o puede ocurrir una 'alla
antes de +oras% el tiempo
comien1a en no en 0"
______________________________________________________________________________
1-51
Funcin de Distribucin Weibull
f t
t t
( ) exp

_
,
_
,
1
]
1
1
'

1
0.0000
0.0010
0.0020
0.0030
0 1000 2000 3000
f(t)
Tiempo
Funcin de Densidad de Probabilidad -eibull
= 0.5
= 1000
= 1.0
= 1000
= 3.4
= 1000
Distribucin Weibull
______________________________________________________________________________
1-52
Funciones de Distribucin Weibull
R t
t
( ) exp

_
,
1
]
1
1
'
0.000
0.200
0.400
0.600
0.800
1.000
0 1000 2000 3000
R(t)
Tiempo
Funcin de 4onfiabilidad -eibull
= 0.5
= 1000
= 1.0
= 1000
= 3.4
=
1000
Distribucin Weibull
______________________________________________________________________________
1-53
Funciones de Distribucin Weibull
( ) t
t
_
,
1
0.0000
0.0020
0.0040
0.0060
0 1000 2000 3000
(t)
Tiempo
Funcin Tasa de Falla -eibull
= 3.4
= 1000
= 1.0
= 1000
= 0.5
= 1000
Distribucin Weibull
______________________________________________________________________________
1-54
Distribucin Weibull
mientras la funcin pdf de la distribucin exponencial

modela la caracterstica de vida de los sistemas, la Weibull
modela la caracterstica de vida de los componentes y
partes
modela fatiga y ciclos de falla de los slidos
es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una distribucin de la
confiabilidad de los elementos de una muestra
muy flexible y puede tomar diferentes formas
Distribucin Weibull
______________________________________________________________________________
1-55
Distribucin Weibull
Tiene usted una Distribucin Weibull con =2

y =2, Cul es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
1
]
1
,
_
,
_
,
_
m
1
1
1
1
2
2
2
2
3
3
3
3
6!c'i.o
3eibull.2ls
______________________________________________________________________________
1-56
tiempo
5
n
d
i
c
e

d
e

f
a
l
l
a

Tiempo de )ida til

Fallas
tempranas
Des2aste
decreciente
6 1
constante
= 1
creciente
7 1
< 1 disminuye la tasa de riesgo, implica mortalidad infantil
= 1 tasa de riesgo constante, fallas aleatorias
1< < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
> 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baBera tienen
di'erentes ndices de 'alla"
Las 'allas tempranas se
caracteri1an por un ndice de
'alla decreciente% la vida )til
por un ndice de 'alla
constante ( el desgaste se
caracteri1a por un ndice de
'alla creciente" La distribuci&n
de Weibull puede modelar
matemticamente estas tres
situaciones"
Distribucin Weibull
______________________________________________________________________________
1-57
6 1 (Tasa de ries2o decreciente)
8mplica mortalidad infantil
9i esto ocurre: puede e,istir;
-4ar2a: inspeccin o prueba inadecuada
-Problemas de *anufactura
-Problemas de reparacin
9i un componente sobre)i)e la mortalidad
infantil : la resistencia a fallar me<ora con la
edad(
= 1 (Tasa de ries2o constante)
8mplica fallas aleatorias(Distribucin
+,ponencial)
=na parte )ie<a es tan buena como una
nue)a
9i esto ocurre;
-*e3cla de modos de falla
-1as fallas pueden deberse a e)entos
e,ternos: como;luminosidad o errores
umanos
-Fundido 0 remo)ido antes de su
des2aste
1 6 < $ (Tasa de Ries2o creciente)
9i esto ocurre
-1a ma0or>a de los baleros 0 en2ranes
fallan
-4orrosin o +rosin
-+l reempla3o pro2ramado puede ser
efecti)o en costo
=%($$apro,( 'ormal:
=#Ra0lei2
> $ (1a tasa de ries2o crece r.pidamente)
8mplica edad a)an3ada 0 r.pido des2aste
9i esto ocurre: sospece de;
-Propiedades del material
-*ateriales fr.2iles como la cer.mica
-Variabilidad peque?a en manufactura o
material
La Distribucin Weibull - nterpretacin
______________________________________________________________________________
1-58
Cuando = 2.5 la Weibull se aproxima a la

distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para

que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando = 5 la Weibull se aproxima a una Normal

puntiaguda.
Distribucin Weibull
______________________________________________________________________________
1-59
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 electrnicos.
3.El tiempo de falla para artculos que se desgastan,
tales como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa
una distribucin de valor extremo).
Distribucin Weibull
______________________________________________________________________________
1-60
Qu pasa en una distribucin Weibull si el tiempo

tiene el valor de la vida caracterstica, t = ?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1

'
1
1
]
1
,
_
'
1
1
]
1
,
_
t R t F
e t R
t
t R
4l llegar al
tiempo de vida
igual a la vida
caracterstica el
J#"$% de los
elementos +abr
'allado" Este
+ec+o se usa en
las gr'icas para
identi'icar el valor
de <eta=
+ste mismo !esultado se obtiene pa!a el caso e2ponencial#
!eco!dando >ue la 3eibull se puede !educi! a una e2ponencial
cuando @ 1.
______________________________________________________________________________
1-61
Un tiempo de falla se distribuye segn una Lognormal si el
logaritmo del tiempo de falla est normalmente distribuido.
La Distribucin Lognormal es una distribucin sesgada hacia la
derecha.
La PDF comienza en cero, aumenta hasta su moda y diminuye
despus.
Distribucin Lognormal
______________________________________________________________________________
1-62
9i un tiempo t est. distribuido 1o2normal:

t@1'(
t
:
t
) 0 si A = ln(t) entonces A@'(
0
:
0
)
2
2
1
2
1
) (

,
_
y
y
y
y
e
t
t f

2
2
1
2
1
) (

,
_
y
y
y
y
e y f

,
_

y
T t
t F
) ln(
) (
50
,
_

y
y
y
y F
) (
,
_
+
2
exp
2
50
y
y t
T

) ln(
50
T
y

2
2
50
1
) exp(
t
t
t
y
T
+

y

PDF
8DF
2EDK4
2EDK454
t ( ; ln<t=
,
_
+
2
2
1 ln
t
t
( ) 1 ) exp( ) exp(
2 2 2
50

y y
T
94FK45L4
<1= es la 8DF de la 5ormal estndar
______________________________________________________________________________
1-63
La Distribucin de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parmetros tiene los
parmetros
ln(t)
=
y
par.metro de forma, y T
50
= la mediana (un
par.metro de escala)
Si el tiempo para la falla t, tiene una distribucin Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene
una distribucin normal con media
y
= ln T
50
y desviacin estndar
y
.
Esto hace a los datos lognormales convenientes para trabajarlos
as: 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 conversin a
tiempo real y a los parmetros lognormales usando
y
como la
forma lognormal y T
50
= exp(
y
) como (mediana) el parmetro de
escala.
______________________________________________________________________________
1-64
Funcin de Distribucin
Lognormal
f t
t
t
( ) exp
ln( )

_
,
1
]
1
1
2
1
2
2

donde y son funciones de ln's

0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
f(t)
Tiempo
Funcin de Densidad de Probabilidad 1o2normal
= 0
= 0.5
= 0
= 1
= 1
= 0.5
= 1
= 1
______________________________________________________________________________
1-65
R t f t dt f t d t z dz
t t z t
( ) ( ) [ln( )] [ln( )] ( )
ln( ) [ln( )]

Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/]
(z) = normal estandarizada normal pdf
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
R(t)
Tiempo
Funcin de 4onfiabilidad 1o2normal
= 0
= 0.5
= 0
= 1
= 1
= 0.5
= 1
= 1
______________________________________________________________________________
1-66
( )
( )
( )
t
f t
R t
Funcin de Distribucin Lognormal

0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
(t)
Tiempo
Funcin Tasa de Falla 1o2normal
= 0
= 0.5
= 0
= 1
= 1
= 0.5
= 1
= 1
______________________________________________________________________________
1-67
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)

Calculemos los valores que nos permiten usar la tabla normal estndar
Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T
50
)]/
y
] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) = 0.023
68 . 24
25
4
1 25 1
2
2
2
50

,
_
+ +
t
t
t
T
02527 . 0
25
4
1 ln 1 ln
2
2
2
2
,
_
,
_
,
_
+
t
t
y
1589 . 0 02527 . 0
y
______________________________________________________________________________
1-68
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, niveles de tensin significativamente menores que sus
lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso
La resistencia de materiales frecuentemente sigue una distribucin

Lognormal
Las variables de peso son frecuentemente bien representadas con

una distribucin Lognormal
Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una

proporcin o efecto multiplicativo es Lognormal
______________________________________________________________________________
1-69
Confiabilidad
Ventajas
Usados cuando la distribucin subyacente de los tiempos de

falla se conoce o puede ser supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., ML-HDBK-217)
Conocimiento ngenieril del mecanismo de falla
Tiene ms poder para hacer una decisin correcta que en
las pruebas no-paramtricas
Rinde informacin ms precisa que los mtodos no-
paramtricos
Los intervalos de confianza son ms amplios usando no-
paramtricas
Permite extrapolar fuera del rango de los datos
______________________________________________________________________________
1-70
Confiabilidad
Desventajas
El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
mplica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observacin estadstica
Si no se conoce nada
sobre la falla debe tenerse
cuidado en un
procedimiento para
seleccionar un modelo
adecuado.
______________________________________________________________________________
1-71
h
( )
( )
( )
t
f t
R t
f t
t
( ) exp

_
,
1
]
1
1
1
2
1
2
2

Rt zdz
z t
( ) ( )
( )
( )
( )
( )
t
z
R z
f t
t t
( ) exp

_
,
_
,
1
]
1
1
'

1
*odelos 4omunes
de 4onfiabilidad
1
1
]
1
,
_

2
) ln(
2
1
exp
2
1
) (

t
t
t f
R t z dz
z[ln(t
( ) ( )
)]
R t
t
( ) exp

_
,
1
]
1
1
'
( ) t
t
_
,
1
f(t) = exp(-t)
R(t) = exp(-t)
h(t) =
Exponencial Weibull Normal Lognormal
Funcin de Densidad
de Probabilidad (pdf),
f(t)
Funcin de
Confiabilidad, R(t)
Funcin de Tasa de
Falla, h(t)
Cuadro de Distribuciones
Primera parte
______________________________________________________________________________
1-72
*odelos 4omunes
de 4onfiabilidad
Exponencial Weibull Normal Lognormal
Tiempo Medio Entre
Fallas (MTBF)
T
1
T +
( )
1
1
media T
ln(t) funcion la es T' donde
)
2
1
' exp(
'
2
T
T T +
Parmetros
1/ = escala
sin forma
= escala
= forma, o
pendiente Weibull
media = localizacin
= escala
media de ln's = escala
de ln's = forma
Aplicaciones 3istema complejo
vida )til
electr&nica
< 1, fallas infantiles
= 1, exponencial
> 1, desgaste
app 3.4, app. normal
muy flexible
bien para fatiga en
componentes mecnicos
z(t) = (t - )/
(z) = pdf normal std.
desgaste alto
efectos aditivos (CLT)
z[ln(t)] = (ln(t) - )/
donde = media de ln's
= desv. std. de ln's
(z) = pdf normal std.
fatiga en metales
desgaste de partes mecnicas
efectos multiplicativos
Cuadro de Distribuciones
Segunda parte
______________________________________________________________________________
1-73
dentificacin de Modelos
Debemos de elegir
cuidadosamente el modelo
apropiado de distribucin de vida
Cualquiera que sea el mtodo 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 estadsticas y visuales

para ajuste de datos
______________________________________________________________________________
1-74
Grficas, Abrir: identificacin.mtw

0 100 200 300 400 500
95% Conf idence nterv al f or Mu
48 58 68 78 88 98 108 118 128 138
95% Conf idence nterv al f or Median
Variable: T
A-Squared:
P-Value:
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
72.713
84.475
53.078
2.339
0.000
101.453
101.127
10226.7
2.00837
5.38151
50
0.124
30.898
82.077
124.588
520.432
130.193
126.018
102.444
Anderson-Darling Normality Test
95% Conf idence nterv al f or Sigma
Desc!p"!#e S"$"!s"!cs
3eguir la secuencia 7T6TABasic 7tatisticsA-ispla? -esc!ipti.e 7tatistics
-5o pasa el criterio
de normalidad
/ ;0"JJ% el
coe'iciente de
variaci&n es
prcticamente 1
-2edia ( desviaci&n
estndar son
iguales
-3esgo >0
distribuci&n sesgada
a la derec+a
-8urtosis >#% tiene
ms agude1a /ue
una normal
______________________________________________________________________________
1-75
Grficas
Abrir:
identificacin.mtw
______________________________________________________________________________
1-76
1
5
10
20
30
40
50
60
70
80
90
95
99
-100 0 100 200 300 400 500
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
0.1 1.0 10.0 100.0 1000.0
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
0.1 1.0 10.0 100.0 1000.0
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 100 200 300 400 500
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for T
No censoring
8u<l aCusta meCo!..."
______________________________________________________________________________
1-77
+l modelo
e2ponencial
______________________________________________________________________________
1-78
0 100 200 300 400 500
1
5 10
20
30
40
50
60
70
80
90
95
99
Exponential Probability
P
e
r
c
e
n
t
0 100 200 300 400 500
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Survival Function
P
r
o
b
a
b
i
l
i
t
y
0 100 200 300 400 500
0.00980
0.00985
0.00990
Hazard Function
R
a
t
e
0 100 200 300 400 500 600 700
0.000
0.005
0.010
Probability Density Function
Overview Plot for T
No censoring
Exponential
ML Estimates
Mean: 101.453
Fail. Rate: 9.86E-03
MTBF: 101.453
______________________________________________________________________________
1-79
Ahora Usted...
Abra los datos en distribucin.mtw (los

del captulo 1) y proponga qu modelo de
distribucin los representa mejor.
Analice los datos en la columna C5
Obtenga las grficas
Calcule los estadsticos descriptivos
Utilice algn procedimiento automatizado para
identificacin de distribucin
proponga una distribucin

Ejercicio
Ejercicio
______________________________________________________________________________
1-80
0 50 100 150 200 250 300
60 70 80 90 100 110 120
Variable: tiempo
A-Squared:
P-Value:
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
81.968
55.662
61.055
2.346
0.000
98.9320
65.6671
4312.17
1.30399
1.49195
60
9.520
49.549
76.642
136.566
302.010
115.896
80.092
98.620
Anderson-Darling Normality Test
95% Conf idence nterv al f or Sigma
Desc!p"!#e S"$"!s"!cs
Ejercicio
Ejercicio
______________________________________________________________________________
1-81
Ejercicio
Ejercicio
1
5
10
20
30
40
50
60
70
80
90
95
99
0 100 200 300
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
10 100
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
10 100
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 100 200 300 400
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for tiempo
No censoring
______________________________________________________________________________
1-82
Ejercicio
Ejercicio
10 100
1
5
10
20
30
40
50
60
70
80
90
95
99
Lognormal Probability
P
e
r
c
e
n
t
0 100 200 300 400
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Survival Function
P
r
o
b
a
b
i
l
i
t
y
0 100 200 300 400
0.005
0.010
0.015
Hazard Function
R
a
t
e
0 100 200 300 400 500 600
0.000
0.005
0.010
Probability Density Function
Overview Plot for tiempo
No censoring
Lognormal
ML Estimates
Location: 4.38759
Scale: 0.66066
MTBF: 100.066
MTB
!epo!ta la
media ? la
des.iacin
est<nda!
de los
loa!itmos
de los
tiempos
______________________________________________________________________________
1-83
Puntos Clave
Los modelos paramtricos tienen muchas ventajas

para modelar situaciones de confiabilidad.
Es necesario asegurar cul es el modelo ms

apropiado para modelar
La decisin depende del conocimiento del

mecanismo de falla y la forma en que se observa.
Las distribuciones tienen parmetros que le dan

ciertas caractersticas: forma, escala, localizacin.
Recuerde siempre confirmar el modelo de

distribucin a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
______________________________________________________________________________
1-84
$. DEFINICI%N DE
$. DEFINICI%N DE
P&O'ECTOS DE
P&O'ECTOS DE
CONFIABILIDAD
CONFIABILIDAD
______________________________________________________________________________
1-85
Objetivo
Propsitos:
Conocer las herramientas utilizadas en la identificacin de

proyectos de confiabilidad.
Asegurar el control del impacto en el sistema bajo

estudio, en un proyecto de confiabilidad a travs del uso
de las herramientas para la identificacin de proyectos.
Aprender de un proyecto real la secuencia e integracin

de las herramientas para la identificacin de proyectos de
confiabilidad.
______________________________________________________________________________
1-86
D*/84 A 4onfiabilidad
______________________________________________________________________________
1-87
Definicin Anlisis
Bb<eti)o; determinar
las CDC )itales
Pruebas Estadsticas:
Comparacin de
Confiabilidad actual
contra propuesta:
Anlisis Paramtrico,
Anlisis No Paramtrico.
Diseo de experimentos
para eliminar X's.
Regresin de parmetros
Observacin de tiempos
de falla o degradacin de
Y
Medicin
Sistema de Medicin,
Calibrado, Lineal,
Estable, Gage RyR <
20%
Diseo para
Reproduccin de la falla
dentificar
Oportunidades: SCR,
Cambio de Proveedor,
Costos, Productividad,
Comparacin
Competitiva, 6s
Diagrama de Bloques
Funcionales de Producto
Diagrama de Relaciones
de Proceso
dentificar Confiabilidad
Actual: CTQs de proceso
y producto, tiempo de
misin, condiciones de
ambiente
Establecer Metas de
Confiabilidad: Nivel de
Confiabilidad R(t), tiempo
de misin (t), Nivel de
Confianza (1-a)
dentificacin inicial de
causas y efectos de falla,
AMEF inicial, jerarquizar
Xs
Elaborar Diagramas P de
condiciones de
operacin, ruidos
internos y externos
Medir Condicin actual:
1. Datos de campo, 2.
Laboratorio de pruebas,
3. Base de Datos
Caracterizar Y, X, t:
El CTQ, las causas
posibles y el tiempo de
falla: media, dispersin,
distribucin, MTBF,
parmetros, h(t), R(t), Z
dentificar los parmetros
relevantes del ruido
ambiental: Mximo,
mnimo, media,
dispersin, distribucin.
Objetivo: determinar la
Confiabilidad y
capacidad actuales
Determinar tipo de
observacin en la
confiabilidad: 1. pruebas
terminadas a tiempo
determinado, 2. Pruebas
terminadas a nmero de
fallas determinado 3.
Datos por intervalo de
tiempo 4. Aceleracin de
Pruebas por aumento de
carga
*e<ora
Objetivo: determinar los
niveles de las "X"" vitales
Diseo de Experimentos,
Superficie de Respuesta,
Predicciones, Regresin
de Parmetros,
Optimizacin de funcin
Corrida de comprobacin
de la mejor solucin.
Verificacin Estadstica
Evaluar metas de Confiabilidad y de Capacidad de proceso.
Continuar, Modificar o Cancelar Proyecto
4ontrol
AMEF definitivo, Plan de
Control, Documentacin
oficial
Entrenamiento del
personal involucrado,
Documentacin SO,
Procedimientos,
Auditoras
Evaluar niveles de
capacidad y metas de
confiabilidad
comprometidas
FN DEL
PROYECTO
En pruebas aceleradas:
Validar Transformaciones
para la regresin del
factor acelerante
______________________________________________________________________________
1-88
Dia2rama de Eloques Funcionales
______________________________________________________________________________
1-89
FGuH es un Dia2rama de Eloques FuncionalesI
Un Diagrama de Bloques Funcionales
es una representacin grfica de los
elementos funcionales de un sistema y
sus interconexiones.
______________________________________________________________________________
1-90
Es el primer paso para desarrollar el modelo del sistema

y se utiliza como punto de partida en la realizacin de un
anlisis de modo y efecto de falla (AMEF).
Entender la relacin que guardan los subsistemas entre

s y el impacto de un cambio o ms en el sistema.
Construir grficamente los elementos funcionales de un

sistema y sus interrelaciones, complementar con la misin
crtica que corresponde a cada elemento en el sistema.
FPara que utili3ar el Dia2rama de
Eloques FuncionalesI
______________________________________________________________________________
1-91
Pasos en la construccin de un Dia2rama de Eloques Funcionales;
1. Defina la funcin del sistema.
2. Defina los modos de operacin del sistema.
3. Liste los subsistemas (muestre los lmites de

referencia).
4. Liste las funciones de los subsistemas (activas y

pasivas) para cada modo de operacin.
5. Defina las entradas y salidas de los subsistemas.
6. Defina la falla crtica de los subsistemas/partes y la

interdependencia
______________________________________________________________________________
1-92
Muestra las relaciones causa-efecto. De igual importancia,
es que el proceso de creacin de un diagrama de
relaciones ayuda a un grupo en el anlisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.
Cuando usarlo
Un tema complejo est siendo analizado por causas.
Una iniciativa compleja est siendo implementada.
Despus de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de rbol, para
explorar con mayor nfasis las relaciones de las ideas.
D8/JR/*/ D+ R+1/48B'+9
______________________________________________________________________________
1-93
Determinacin de Factores de 4ontrol 0 de Ruido
Dia2rama-P
______________________________________________________________________________
1-94
GuH es un Dia2rama de Par.metros

Es la forma esquemtica en la que se presentan las

entradas, variables independientes y salidas del
proceso/producto sometido a un cambio tipo "C, cuya
informacin proviene de un Diagrama de Bloques
Funcionales.
El diagrama de parmetros bosqueja en forma sencilla y

clara los factores que afectan la salida del diseo del
producto/proceso que pueden estar bajo control o no del
diseador/responsable de la iniciativa de confiabilidad
______________________________________________________________________________
1-95

Para desarrollar el plan de pruebas de confiabilidad.

Proporciona un enfoque disciplinado para la planeacin de
pruebas.
Para asegurar que el plan de pruebas de confiabilidad

incluya las condiciones ambientales aplicables al producto,
tal que todos los modos de falla puedan ser entendidos,
considerados y cuantificados.
Facilitar la ejecucin del AMEF y el diseo de

experimentos.
Para que utili3ar el Dia2rama de Par.metros;
______________________________________________________________________________
1-96
F
A
C
T
O
R
E
S

Q
U
E
SI
NO
FACTORES QUE AFECTAN EL PROCESO
NO SI
C
O
N
T
R
O
L
O
FACTORES DE
RUIDO
FACTORES DE

CONTROL
FACTORES QUE DAN
LIBERTAD DE ACCION
Y
POSIBILIDAD DE AHORROS
FACTORES POR LOS
QUE NO VALE LA PENA

PREOCUPARSE
MATRIZ DE FACTORES
______________________________________________________________________________
1-97
1. Variable de Respuesta: Es una variable observada o medida en un
experimento, algunas veces llamada variable de!endiente" es la #$ La variable de
respuesta es el resultado de un experimento y es denominada como un
CTQ o una medida del desempeo del proceso.
2. Factor: algunas veces llamada variable independiente o variable causal,
es una variable que es deliberadamente cambiada o modificada en un
experimento para observar su impacto en la variable de respuesta.
Puntos 4la)e en la definicin de Factores de 4ontrol 0 de Ruido
3. Factor de Control. Un factor de control es aquel que puede ser controlado en la
produccin regular o un parmetro que puede ser especificado en un diseo.
Ejemplo, la temperatura de la soldadura en una mquina de soldar o la dimensin
de una parte en un diseo mecnico.
4. Factor de Ruido. Un factor de ruido es aquel que el equipo tcnico considera
costoso o imposible de controlar en la produccin regular. Por ejemplo, las
condiciones ambientales; la humedad y temperatura son frecuentemente
considerados factores de ruido en los experimentos de mejoramiento de procesos.
______________________________________________________________________________
1-98
/n.lisis del *odo 0 +fecto de la Falla
______________________________________________________________________________
1-99
Es una estructura para lograr:
dentificar las formas en las que un proceso puede fallar por no

reunir los requerimientos crticos del cliente
Estimar el riesgo de las causas especficas con respecto a estas

fallas
Evaluar el plan de control actual para prevenir que estas fallas

ocurran
Dar prioridad a las acciones que deberan efectuarse para mejorar

el proceso
Concepto: dentificar las formas en que puede fallar el producto, el

proceso o el servicio al proporcionar la funcin planeada.
dentificar las causas posibles y eliminar las causas
Ubicar los impactos de falla y reducir los efectos

GuH es el /*+F
______________________________________________________________________________
1-100
/*+F
/*+F
FGuH aceI
FGuH aceI
Jerarquiza los problemas en los que se debe trabajar

primero
dentifica las fallas en los planes de control
Conduce a hacer ms preguntas acerca del proceso
Ayuda a evaluar el riesgo del cambio de proceso
Establece la prioridad de las acciones a ejecutar

______________________________________________________________________________
1-101
Es la herramienta clave con que cuenta un equipo para mejorar

el proceso de una manera adquisitiva (antes de que ocurra la
falla)
Empleado para dar prioridad a los recursos que aseguran

atencin a los esfuerzos de mejora del proceso que son
benficos para el cliente
Usado para documentar los clculos de riesgo de la terminacin

de los proyectos y de las mejoras resultantes
Debe ser un documento dinmico, que est siendo

continuamente revisado, corregido y actualizado
/*+F
/*+F
______________________________________________________________________________
1-102
4ontroles
4ontroles
+fecto
+fecto
Cliente externo o
paso del proceso
con la corriente
4ausa
4ausa
*odo de la Falla
(Defecto)
*odo de la Falla
(Defecto)
Paso del Proceso
Material o
Entrada de
Proceso
Prevencin Deteccin
Deteccin
+l *odelo /*+F
+l *odelo /*+F
______________________________________________________________________________
1-103
Definicin *odo de Falla
Definicin *odo de Falla
+l *odo de Falla necesita ser claramente definido en

tHrminos de la operacin reali3ada
+<emplos de *odo de Falla;

distorsi(n
fra)t*ra
toleran)ia e+)edida
)ir)*ito abierto
)orto )ir)*ito
des)alibrado
,sar n-meros en donde sea .osible
Definir el #odo de Falla antes de la Pr*eba Definir el #odo de Falla antes de la Pr*eba
______________________________________________________________________________
1-104
+<emplo; +lemento 4alor>fico *1P1
1) Oxidacin del ala!"e
calen#ad$% & di'in(cin
del c"$ad$
#LPL nos di)e )(mo fallan los )om.onentes #LPL nos di)e )(mo fallan los )om.onentes
1os Resultados de las Pruebas estu)ieron disponibles para

determinar los modos de falla
1os modos de falla primarios son; /lambre abierto 0 fundido
*1P1 describe los mecanismos de la falla
#LPL
Mecani'$ de la Falla
*ecanismo de Falla
+l mecanismo es de
de2radacin: corrosin
qu>mica
______________________________________________________________________________
1-105
"Acelerar las pruebas
El tiempo para determinar la confiabilidad a

veces no es suficiente
Un producto con alta confiabilidad tarda

mucho en exhibir las fallas
Es necesario determinar que tipo de carga o

esfuerzo ACELERA el modo de falla
______________________________________________________________________________
1-106
Tem.erat*ra
/
*
m
e
d
a
d
65 C 85 C
65 RH
85 RH
85 C, 85 RH
85 C, 75 RH
Para estar se2uros de acelerar todos los modos de falla: se
necesita usar m.s de un acelerador ( por e<emplo: )olta<e:
)ibracin: temperatura)
9eis 9i2ma ! +nfoque Dise?o de +,perimentos
Determinar el Mecanismo del Modo de la Falla
a ser Acelerado
______________________________________________________________________________
1-107
Puntos 4la)e
4onfiabilidad - D*/84
Dia2rama de Eloques Funcionales
Dia2rama de Relaciones
Dia2rama de Par.metros
/*+F
*odo de Falla
*ecanismo de la Falla
______________________________________________________________________________
1-108
0. OBSE&1ACI%N DE FALLAS
0. OBSE&1ACI%N DE FALLAS
______________________________________________________________________________
1-109
Objetivo: Presentar alternativas de
Anlisis en funcin del Tipo de Datos
Propsitos:
Clasificar el Tipo de Datos Observados
Analizar Datos Agrupados y Datos no Agrupados
Censurados a la izquierda
Censurados a la derecha
Sin Censura
Con Tiempo de Misin establecido
Estimacin de Parmetros
nteractuar con ReliaSofts Weibull++5.0 para el anlisis de

datos
______________________________________________________________________________
1-110
Recoleccin de Datos
La Recoleccin de datos es una parte
importante de todo proyecto.
Los datos representan datos de vida o datos de
tiempo de falla de los productos que
hacemos.
La exactitud de cualquier prediccin es
directamente proporcional a la calidad y
exactitud de los datos recolectados.
______________________________________________________________________________
1-111
Tipos de Datos
Cuando se examinan datos sobre la vida o duracin de un producto debe
reconocerse que hay diferentes clases de ellos. En el trabajo regular del
control de calidad si se inspecciona una muestra de 10 artculos, se obtendrn
10 observaciones. Tales datos se conocen como dat%s &%m!let%s. En pruebas
de vida, cuando una muestra de 10 se pone a prueba es muy raro que se
obtengan 10 observaciones, porque algunos de los artculos en la muestra
pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede
detenerse antes de que fallen todas las unidades. Bajo estas circunstancias o
cuando se desea un anlisis en una etapa intermedia antes de que se termine
la prueba, el resultado ser: dat%s in&%m!let%s % dat%s &ens'rad%s$
Los datos censurados pueden clasificarse en tres tipos: censurado simple
Tipo , censurado simple Tipo y multicensurados. Es necesario entender que
tipo de datos se tienen con el objeto de analizarlos correctamente.
______________________________________________________________________________
1-112
Censurado simple Tipo
La figura muestra las condiciones que
generan este tipo de datos. La prueba se
detiene en un tiempo T predeterminado. Los
datos se llaman de censurado simple
porque todos los sobrevivientes se quitan
de la prueba al mismo tiempo. Cuando los
sobrevivientes tienen diferentes tiempos de
sobrevivencia, como sucede bajo ciertas
condiciones experimentales o de uso en
campo, se dice que los datos son
multicensurados.
Los datos de censurado simple Tipo con
frecuencia se refieren como datos
censurados por el tiempo o datos truncados
por el tiempo.
Tiempo T
=nidades
de la
muestra
1
#
%
$
&
K
= Falla
= 9obre)i)iente
______________________________________________________________________________
1-113
Censurado simple Tipo
La figura muestra las
circunstancias bajo las cuales
aparecen este tipo de datos. La
prueba es detenida tan pronto
como ocurra un nmero
predeterminado de fallas. Todas
las unidades sobrevivientes tienen
los mismos tiempos de
sobrevivencia y son iguales al
tiempo de falla de la ltima falla.
Los datos de censurado
simple Tipo son
llamados simplemente
datos &ens'rad%s !%r falla
o dat%s tr'n&ad%s !%r
falla$
Tiempo
=nidades
de la
muestra 1
#
%
$
&
K
= Falla
= 9obre)i)iente
______________________________________________________________________________
1-114
Multicensurados
Se caracterizan por las unidades
sobrevivientes que tienen
diferentes tiempos de
sobrevivencia. Tales datos
pueden aparecer por diferentes
situaciones. La Figura muestra
un ejemplo. En ella, las unidades
1, 2 y 3 fueron vendidas al cliente
1 y cuando se report la falla de
la unidad 1, las otras estaban
trabajando. Las unidades 4, 5 y 6
fueron vendidas al cliente 2 y
cuando se report la falla de la
unidad 4, las unidades 5 y 6 aun
estaban trabajando.
Tiempo
=nidades
de la
muestra
1
#
%
$
&
K
= Falla
= 9obre)i)iente
______________________________________________________________________________
1-115
Multicensurados Cont.
En la Figura , de seis unidades puestas a
prueba tres fallaron en los tiempos
mostrados, pero para las otras tres los
dispositivos de prueba fallaron antes de
que fallaran las unidades. As las
unidades tuvieron que quitarse de la
prueba en diferentes tiempos cuando los
dispositivos fallaron.
Tiempo
=nidades
de la
muestra
1
#
%
$
&
K
= Falla
= 9obre)i)iente
Existen muchas otras situaciones en las
cuales aparecen los datos
multicensurados. Los mtodos de
anlisis para tales datos, as como
tambin para datos de censurado
simple, incluirn la informacin de
aquellas unidades que no fallaron
porque estaban funcionando en el
momento en que tenan que retirarse de
la prueba. Tal informacin agrega
usualmente precisin o confianza en los
resultados.
______________________________________________________________________________
1-116
Datos por ntervalo
La figura muestra donde aparecen
los datos por intervalo. Se sabe que
ciertas unidades de la muestra
fallan en ciertos intervalos de
tiempo, su tiempo exacto de falla
sigue siendo desconocido. Esto
ocurre cuando las muestras son
inspeccionadas en tiempos
especficos y son observadas sus
condiciones. Este tipo de datos
proviene tanto de pruebas de
campo como de laboratorio.
Es necesario aplicar el tipo de
anlisis correcto para un tipo dado
de datos con el objeto de obtener la
mayor informacin posible de este.
Tiempo
=nidades
de la
muestra
1
#
%
$
&
K
______________________________________________________________________________
1-117
-atos ;o
6!upados
-atos
6!upados
Todos
(alla!on
;o Todos
(alla!on
+2acto
9nte!.alo
Tiempos de (alla %7in 8ensu!a&
Tiempos de (alla con 9nte!.alos
%9nte!.alos ? 8ensu!a 9=>uie!da&
Tiempos de (alla con 7uspensiones
%8ensu!a -e!ec'a&
e 9nte!.alos %9nte!.alos ? 8ensu!a
-e!ec'a 9=>uie!da&
Todos
(alla!on
;o Todos
(alla!on
+2acto
9nte!.alo
+2acto
9nte!.alo
+2acto
9nte!.alo
Tiempos de (alla %7in 8ensu!a&
Tiempos de (alla con 9nte!.alos
%9nte!.alos ? 8ensu!a 9=>uie!da&
%8ensu!a -e!ec'a&
e 9nte!.alos %9nte!.alos ? 8ensu!a
-e!ec'a 9=>uie!da&
Tipos de Datos
______________________________________________________________________________
1-118
Tipos de Datos como se definen en -eibullLL&("
El tipo de datos afecta el proceso de estimacin de la

confiabilidad
Es muy importante clasificar correctamente los datos de

acuerdo a su tipo:
Datos Agrupados.
Datos no Agrupados
Datos censurados; utilizan el tiempo para fallar y tiempo

de suspensin
A la izquierda
A la derecha
Datos por ntervalo; el tiempo de falla est basado sobre

un intervalo en el que se realiza la inspeccin
______________________________________________________________________________
1-119
Sin Censura
Veamos un ejemplo simple, que nos guiar en la situacin

de Datos Sin Censura. Se realizaron pruebas de
confiabilidad a seis unidades y se observaron los
siguientes tiempos de falla: 64,46,83,123,105 y 150 horas,
nos interesa conocer;
El tipo de distribucin que modela su comportamiento.
Estimar los parmetros.
Grfica de probabilidad
______________________________________________________________________________
1-120
Censura a la Derecha
(ejemplo 2)
Diez unidades idnticas fueron probadas para determinar su

confiabilidad a la misma aplicacin y a tres niveles de operacin. Seis
de esas diez fallaron durante la prueba Tj: 16,34,53,75,93, y 120.
Las cuatro unidades restantes permanecieron operando, este es un
claro ejemplo de datos censurados a la derecha o suspendidos,
despus de 120 horas.Nos interesa determinar los parmetros de la
distribucin Weibull, su Funcin de Densidad y la Grfica de
Probabilidad, para su interpretacin.
tiempo
120
1-121
Con Censura introduciendo el concepto
Tiempo de Misin
En ocasiones nos interesa conocer la confiabilidad o la
no confiabilidad de unidades sometidas a pruebas para
un cierto tiempo de misin.
Siendo que el tiempo que se denomina de misin es una
decisin de negocio, resulta fundamental saber en que
medida los productos que fabricamos satisfacen la
decisin de negocio.
Utilizando la misma informacin del ejemplo 2,
preguntamos Cul es la confiabilidad de las unidades
para una duracin (tiempo) de misin de 226 horas,
iniciando el tiempo de misin en el T=0 %
______________________________________________________________________________
1-122
Con Censura introduciendo el concepto de Tiempo de Misin con
un valor inicial diferente de cero
Confiabilidad Condicional
Utilizando los datos del ejemplo 2, calcular la confiabilidad
para un tiempo de misin de t = 30 horas, iniciando la
misin al tiempo T = 30 horas?
Cul es el tiempo de garanta para lograr una
confiabilidad de 85%?
Tiempo de *isin
definida por el ne2ocio
T = %" oras
8nicio Tiempo de *isin
t = %" oras
______________________________________________________________________________
1-123
Funcin que representa la confiabilidad buscada::
&21& ' 0
&(12 ' 0
)0)) ' 0
) *0 + *0 (
,
hr hr R
- 1& ' &2 ) *0 + *0 (
,
hr hr R
) (
) (
) + (
T R
t T R
t T R
+
; tiempo de duracin de la misin

; tiempo de inicio de la misin
T
t
______________________________________________________________________________
1-124
Anlisis de Datos Agrupados
El procedimiento de Anlisis de Datos Agrupados se
explica a travs de un ejercicio. La diferencia reside en
decir el nmero de estados que se presentan para cada
tiempo de falla, esta informacin se registra al realizar
las pruebas de confiabilidad. Dependiendo del
agrupamiento que se de a los datos ser el anlisis de
los mismos.
Los datos se presentan en la siguiente pantalla:
______________________________________________________________________________
1-125
+stimacin *.,ima Verosimilitud
Una caracterstica es que cada tiempo individual es
explcitamente usado en el clculo de los parmetros,
entonces no hay diferencia en la entrada de un grupo de
10 unidades fallando a las 100 horas y 10 entradas
individuales de 100 horas. Sin embargo, si hay
incertidumbre en conocer cual es el tiempo exacto al que
las unidades fallaron, se recomienda utilizar datos por
intervalos, ejemplo 10 unidades fallaron a las 100 horas,
otras unidades fallaron entre las 100 y las 200 horas, y
otras 10 fallaron entre 200 y 300 horas.
______________________________________________________________________________
1-126
Tabla Resumen
RRD *1+
2.6885 3.6214
724.3180 810.2044
Los resultados muestran valores de los parmetros
muy diferentes, cules son las implicaciones en la
confiabilidad?
______________________________________________________________________________
1-127
Mxima Verosimilitud o
Mnimos cuadrados?
Qu mtodo preferir?
La respuesta es: depende

Para muestras pequeas MLE es mejor
RR da una medida del ajuste de los datos a la distribucin con
el coeficiente de correlacin. Un mal ajuste alerta sobre la
posibilidad de mltiples modos de falla. Esto se puede
identificar en la grfica lineal, cosa que en MLE es ms difcil
por la forma de graficar una solucin
______________________________________________________________________________
1-128
Datos /2rupados: enfati3ando su Distribucin 0 Funcin
Fue probada la confiabilidad de 20 unidades, los tiempos de
falla son: 7 unidades fallaron a las 100 horas, 5 unidades
fallaron a las 200 horas, 3 unidades fallaron a las 300 horas, 2
unidades fallaron a las 400 horas, una unidad fall a las 500
horas, y 2 unidades fallaron a las 600 horas.
Utilizar la distribucin exponencial y estimar sus parmetros.
Generar la Grfica de Probabilidad Exponencial.
Generar la Grfica de Confiabilidad contra Tiempo de Falla
Obtener la Grfica de la Funcin de Densidad de

Probabilidad
Obtener la Grfica que relaciona la Tasa de Falla contra el

Tiempo
+<emplo $
______________________________________________________________________________
1-129
Par.metros de la Distribucin +,ponencial
______________________________________________________________________________
1-130
Jr.fica de
Probabilidad
+,ponencial
4onfiabilidad
contra tiempo
______________________________________________________________________________
1-131
Funcin de Densidad
de Probabilidad
Jr.fica de Tasa de
Fallas contra Tiempo
Lambda = 0.0058
Gamma = 72.68
______________________________________________________________________________
1-132
Tiempo de falla asumiendo que los datos se apro,iman a una
Distribucin 'ormal
Se probaron seis unidades y los tiempos de falla fueron:
11,260; 12,080; 12,125; 12,825; 13,550 y 14,760 horas, nos
interesa conocer:
Los parmetros de la Distribucin y en particular utilizar

como el mtodo de estimacin de los Parmetros Regresin
del Rango sobre la X
Grfica de Probabilidad para los datos.
Grfica de la Funcin de Densidad de Probabilidad

+<emplo &
______________________________________________________________________________
1-133
Pasos en la solucin del e<emplo caracteri3ado
por una Distribucin 'ormal
1( 9eleccionar el
tipo de datos
#( Vaciar los datos
______________________________________________________________________________
1-134
%( 9eleccionar la
Distribucin 'ormal
0 re2resin del
Ran2o sobre la D
para estimacin de
los par.metros
$( Funcin
de Densidad
de la 'ormal
media =
1#M&1(KM
si2ma=
1%$N(#M
______________________________________________________________________________
1-135
&( Jr.fica de
Probabilidad 'ormal
inclu0endo el
inter)alo de
confian3a del O"P
______________________________________________________________________________
1-136
Datos con Censura
Usando los datos del ejemplo 5 contestar las siguientes
preguntas:
1. Determinar la confiabilidad para un tiempo de misin de
11,000 horas y un intervalo de confianza del 90% sobre su
confiabilidad.
2. Determinar el tiempo promedio entre falla para un
intervalo de confianza del 90% sobre el MTBF
+<emplo K
______________________________________________________________________________
1-137
Respuesta pre2unta 1
Tenemos la estimacin puntual de la confiabilidad:
R(t=11,000) = "(O"%1
Y la estimacin de un intervalo de confianza de 90% de confianza:
P("(&N#N<R(t=11,000)<"(OO1K) = 0.90
______________________________________________________________________________
1-138
Respuesta pre2unta #
Respuesta
Requerimientos
Tenemos la estimacin puntual de la vida media: Vida Media= 1#:M&1(M
Y la estimacin de un intervalo de confianza de 90% de confianza:
P(11:N$K(1<Media<1%:K&M(#) = 0.90
______________________________________________________________________________
1-139
Datos por intervalo
Considere los datos por intervalo dados a

continuacin
'mero en
+stado
Qltima
inspeccin +stado
Tiempo final
de estado
5 0.00 F 6.12
16 6.12 F 19.92
12 19.92 F 29.64
18 29.64 F 35.40
18 35.40 F 39.72
2 39.72 F 45.24
6 45.24 F 52.32
17 52.32 F 63.48
73 63.48 S 63.48
Determine los
parmetros
de una
Weibull de 2
parmetros
usando MLE
y obtenga el
grfico de la
funcin de
logaritmo de
verosimilitud
______________________________________________________________________________
1-140
Beta=1.4854
Eta= 71.6904
______________________________________________________________________________
1-141
Ventajas de los Datos con
Censura
Es el esquema de datos ms comn en la prctica.
Representan situaciones reales de confiabilidad en donde no todas
las unidades fallan, o bien no se conocen los tiempos para fallar de
todas las unidades.
Censura a la Derecha son datos de vida de unidades que no fallaron
en el tiempo de misin establecido.
ntervalo de Datos Censurados, se refiere a datos en donde existe la
incertidumbre del tiempo exacto en que las unidades fallaron.
Censura a la zquierda parecido al intervalo, en ellos el tiempo de
falla no se conoce exactamente sino hasta que se inspecciona, la
falla podra ocurrir entre 0 y 100 horas.
______________________________________________________________________________
1-142
Puntos Clave
Tipo de Datos Observados
Datos Agrupados y Datos no Agrupados
Censurados a la izquierda
Censurados a la derecha
Sin Censura
Parmetros de las Distribuciones de Probabilidad:
- Weibull
- Exponencial
- Normal
- Lognormal

______________________________________________________________________________
1-143
Mtodos de Estimacin de Parmetros:
- Regresin del Rango sobre X
- Regresin del Rango sobre Y
- Mtodo de Estimacin de Mxima Verosimilitud
Grficas Especiales
- Funcin de Distribucin Acumulada
- Grfica de Probabilidad
- Funcin de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
ntervalos de confianza para la confiabilidad
Puntos Clave
______________________________________________________________________________
1-144
2. C3LC,LOS ' P&,EBAS
2. C3LC,LOS ' P&,EBAS
DE CONFIABILIDAD
DE CONFIABILIDAD
______________________________________________________________________________
1-145
Agenda
ntroduccin
Mtodos No-paramtricos
Mtodos Paramtricos
Planear Pruebas
______________________________________________________________________________
1-146
Tpicos cubiertos
Pruebas de Demostracin de Confiabilidad

Resultados de pruebas
Planeacin de pruebas
Pruebas No-Paramtricas
Prueba de Rachas exitosas
Prueba de Porcentaje Superviviente
Prueba de Mann-Whitney
Pruebas Paramtricas
Caso Exponencial
Caso Weibull
Planear Pruebas
Caso Exponencial
Weibull sin fallas
( Intr%d'&&i)n
______________________________________________________________________________
1-147
Tpicos no cubiertos
Pruebas de Crecimiento de Confiabilidad

v.g., Modelos Duane, Modelos Gompertz
Pruebas Aceleradas
v.g., HALT, HASS, Modelos Arrhenius
Muchos otros mtodos no-paramtricos
v.g., Prueba de Rachas Wald-Wolfowitz, Pruebas

Binomial-Pearson
Muchos otros mtodos paramtricos

v.g. Pruebas de Muerte Sbita, SPRT's
( Intr%d'&&i)n
______________________________________________________________________________
1-148
No-paramtricas
Usadas cuando la distribucin subyacente de los

tiempos para falla no se conoce
No se conocen los parmetros de la distribucin o
pueden estar supuestos
nsuficientes unidades de prueba disponibles para
determinar la distribucin subyacente
No tienen una potencia tan alta para hacer una

decisin correcta como una prueba paramtrica.
La potencia aumenta con el tamao de la muestra
Pudiera ser tan potente si los datos no siguen una
distribucin conocida
( N%(!aram*tri&as
______________________________________________________________________________
1-149
Prueba de Rachas Exitosas
La duracin de la prueba est predeterminada
La duracin de la prueba debe igualar a la

duracin de la misin
El trmino exitoso de la prueba proporciona una
confiabilidad para esa duracin de prueba.
El valor de la confiabilidad no puede ser determinado

para cualquier otra duracin
Los mtodos presentados despus intentan atender esto
Requiere que todas las unidades sobrevivan

para la duracin (no se permiten fallas)
Todas las unidades son exitosas, de ah el nombre de la
prueba
( N%(!aram*tri&as
______________________________________________________________________________
1-150
El lmite inferior de confianza, de un solo lado,

para la confiabilidad es
R
L1
(t) = (1-CL)
1/N
R
L1
(t) = lmite inferior de confianza, para intervalo de un
solo lado, para la confiabilidad de una misin de duracin t
CL = nivel de confianza (en decimales, esto es, 0.90 y no
90 para un 90% de confianza)
N = tamao de muestra
nmero de unidades probadas para una duracin t sin
falla
nmero de misiones exitosas terminadas por una
unidad
( N%(!aram*tri&as
______________________________________________________________________________
1-151

Puede negociar R
L1
(t), CL, y N
Para un CL dado, R
L1
(t) aumenta con el tamao de la
muestra
Dado un requerimiento de confiabilidad para algn

tiempo y nivel de confianza especificados, la
ecuacin se puede arreglar para determinar el
tamao de muestra requerido

( ) [ ]
N
CL
R t
L
ln( )
ln
1
1
( N%(!aram*tri&as
______________________________________________________________________________
1-152
Ejemplo
10 tuercas fueron puestas en una prueba de vida
simulando 10 aos de servicio. Todas las diez tuercas
completaron la prueba sin fallas. Cul es el lmite
inferior de 90% de confianza unilateral para la
confiabilidad de estas unidades?.
Solucin
R
L1
(t) = (1-CL)
1/N
N = 10
CL = 0.90
t = 10 aos
R
L1
(10 aos) = (1-0.90)
1/10
= 0.794 o 79%
Qu puede decirse acerca de la confiabilidad

para 20 aos basndose en este anlisis?
( N%(!aram*tri&as
15*8T+ 8'F+R8BR ='81/T+R/1 D+ 4B'F8/E818D/D
' = 10 pie3as que completan prueba sin falla
41 = 0.9 )alor de confian3a
t = 10 a?os
R
11
= 0.79432823 1>mite inferior unilateral de confiabilidad
En EC8EL 4rc+ivo 8ap 5.2ls
______________________________________________________________________________
1-153
Ejemplo (continua)
El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 aos de
servicio con 90% de confianza. Cuntas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?
Solucin
R
L1
(10 aos) = 90%, 0.90
CL = 90%, 0.90
( ) [ ]
N
CL
R t
L
ln( )
ln
1
1
( ) [ ]
22 85 . 21
) 90 . 0 ln(
) 90 . 0 1 ln(
ln
) 1 ln(
1
%
t R
CL
N
L

( N%(!aram*tri&as
______________________________________________________________________________
1-154
Prueba de Porcentaje-Superviviente
La duracin de la prueba est predeterminada
La duracin de la prueba deber igualar a la

duracin de la misin
Completar exitosamente la prueba provee una
confiabilidad para esa duracin de la prueba
El valor de la Confiabilidad no puede ser determinado
para cualquier otra duracin
Los mtodos presentados despus tratarn de atender
esto.
No requiere tiempos de falla, slo el nmero de

fallas ocurrido
Las unidades falladas no se reemplazan
( N%(!aram*tri&as
______________________________________________________________________________
1-155
Estimado de confiabilidad para una prueba cuya

duracin est predeterminada
El lmite inferior de confianza, de un solo lado,

para la confiabilidad de una prueba cuya duracin
est predeterminada
donde F = punto de porcentaje superior de la distribucin F
tal que el rea a la izquierda con m y n grados de
libertad = (1-)
R
N r
N

R
r
N r
F
L
r N r
1
1 2 2 2 2
1
1
1
+
+
_
,
+ ; ;
para r > 0
( N%(!aram*tri&as
______________________________________________________________________________
1-156
Ejemplo para una prueba cuya duracin est
predeterminada
Dado que 20 motores se probaron 500 horas y 2 motores

fallaron durante esta prueba, Cul es el lmite inferior de
confianza 90%, de un solo lado, sobre la confiabilidad?
( )
R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2 2
1
0 90 2 2 2 2 20 2 2
1
1
1
1
1
2 1
20 2
1
1
3
18
195
1
1325
0 755
+
+
_
,
+
+
_
,
_
,

+
+
; ;
. ; ( ) ; ( ) ( )
.
.
.
Encontrada en tabla F
( N%(!aram*tri&as
15*8T+ 8'F+R8BR ='81/T+R/1 D+ 4B'F8/E818D/D (PR=+E/ T+R*8'/D/ PBR T8+*PB)
(1 - ) = 0.9 )alor de confian3a
r = 2 nmero de pie3as falladas
F(1-R#rL#R'-#r) = 1.94454941 Percentil de distrib( F tal que el .rea a la i3quierda = (1-)
t = 500 oras
R
11
= "(M&&#%$MN 1>mite inferior unilateral de confiabilidad
Rmedia = 0.9
En EC8EL
4rc+ivo
8ap 5.2ls
______________________________________________________________________________
1-157
Ejemplo para una prueba cuya duracin est

predeterminada (continuacin)
Cul sera el lmite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad si no se hubieran observado fallas en
esta prueba?
( )
R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2 2
1
0 90 2 0 2 2 20 2 0
1
1
1
1
1
0 1
20 0
1
1
1
20
2 44
1
1122
0 891
+
+
_
,
+
+
_
,
_
,

+
+
; ;
. ; ( ) ; ( ) ( )
.
.
.
Encontrada en tabla F
( N%(!aram*tri&as
______________________________________________________________________________
1-158
Estimado de confiabilidad para una prueba terminada

al momento de ocurrir la r-sima falla
El lmite inferior de confianza, de un solo lado, para la

confiabilidad de una prueba terminada al momento de
ocurrir la r-sima falla
donde F = punto de porcentaje superior de la distribucin F tal
que el rea a la izquierda con m y n grados de libertad = (1-)
R
N r
N

para r > 0
R
r
N r
F
L
r N r
1
1 2 2 2
1
1
_
,
; ;
( N%(!aram*tri&as
______________________________________________________________________________
1-159
Ejemplo para una prueba terminada al ocurrir la

r-sima falla
Dados 20 motores como antes, probados por 500
horas, pero esta vez la prueba se detiene cuando el
tercer motor falla a las 500 horas, Cul es el lmite
inferior de confianza de 90%, de un solo lado, para la
confiabilidad?
R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2
1
0 90 2 3 2 20 2 3
1
1
1
1
3
20 3
1
1
3
17
196
1
1346
0 743
_
,
_
,
_
,
; ;
. ; ( ); ( ) ( )
( . )
.
.
( N%(!aram*tri&as
15*8T+ 8'F+R8BR ='81/T+R/1 D+ 4B'F8/E818D/D (PR=+E/ T+R*8'/D/ / F/11/)
(1 - ) = 0.9 )alor de confian3a
r = 3 nmero de pie3as falladas
F(1-R#rL#R'-#r) = 1.95501215 Percentil de distrib( F tal que el .rea a la i3quierda = (1-)
t = 500 oras
R
11
= "(M$%$O%#$ 1>mite inferior unilateral de confiabilidad
En EC8EL
4rc+ivo
8ap 5.2ls
______________________________________________________________________________
1-160
Usada para determinar si dos muestras son

significativamente diferentes
Supone que las distribuciones subyacentes de tiempo
para falla difieren slo en sus medias
No se requieren los tiempos exactos de falla
Slo se necesita saber el orden en que la muestra

combinada fall
No requiere tamaos de muestra iguales

Muchas pruebas de comparacin no-paramtricas requieren
observaciones apareadas o tamaos de muestra iguales
( N%(!aram*tri&as
______________________________________________________________________________
1-161
Ejemplo
El mismo componente se surte por dos manufactureros diferentes,
llamados A y B. Se obtuvieron 8 componentes de A y 10 de B y
todos los 18 se pusieron en una prueba de confiabilidad (los
resultados estn abajo). Hay una diferencia entre los
manufactureros en un nivel de confianza de 95%?
Ciclos al Ciclos al
Fallar- Fallar- H
O
: A B
Mfr A Mfr B H
1
: A B
865 884
919 905
894 914
840 835
899 942
787 878
875 922
831 887
858
896
( N%(!aram*tri&as
6b!i! el a!c'i.o dosmf!.MT3
______________________________________________________________________________
1-162
( N%(!aram*tri&as
______________________________________________________________________________
1-163
( N%(!aram*tri&as
Mann-Whitney Confidence Interval and Test
Mfr A N = 8 Median = 870.00
Mfr B N = 10 Median = 891.50
Point estimate for ETA1-ETA2 is -23.00
95.4 Percent CI for ETA1-ETA2 is (-66.99,12.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.1684
Cannot reject at alpha = 0.05
______________________________________________________________________________
1-164
Revisin del procedimiento

Obtenga 2 muestras y pngalas en una prueba de
confiabilidad
Registre los tiempos de falla o al menos el orden de falla
Capture las dos muestras en dos columnas en una hoja de

datos Minitab
Siga la secuencia 9tat7'onparametrics7*ann--itne0
Seale la primera columna como la primera muestra
Seleccione la segunda columna como la segunda muestra
Fije el nivel de confianza deseado para la prueba
Establezca si la hiptesis alternativa es no igual , mayor que,

menor que
Marque OK
En la ventana de Sesin tiene los resultados:
La prueba de hiptesis declarada
El intervalo de confianza de la diferencia de las medianas
el valor p
un mensaje que declara si se puede rechazar o no la Hiptesis nula con
alfa de 5%
( N%(!aram*tri&as
______________________________________________________________________________
1-165
Resumen No-paramtrico
Usado para obtener un lmite de confianza inferior unilateral
sobre la confiabilidad
El tamao de muestra N debe ser probado el tiempo de

duracin de la misin sin fallas
Usado para obtener un lmite de confianza inferior,
unilateral de la confiabilidad
El tamao de muestra N probado para la duracin de la

misin con fallas permitidas
Los tiempos de falla no se necesitan conocer, slo el
nmero de fallas
Usada para comparar la confiabilidad de dos muestras

Permite tamaos de muestra desiguales
Todas las unidades probadas hasta fallar; necesita slo el
orden de las fallas
( N%(!aram*tri&as
______________________________________________________________________________
1-166
Paramtricas
Usadas cuando la distribucin subyacente de los

tiempos para fallar se conoce o puede ser
supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., ML-HDBK-217)
Conocimiento ngenieril del mecanismo de falla
Tiene ms poder para hacer una decisin correcta

que las pruebas no-paramtricas
Puede ser ms incorrecta si la distribucin verdadera es

diferente que la distribucin, o los parmetros de
distribucin supuestos.
Rinde informacin ms precisa que los mtodos

no-paramtricos
Los intervalos de confianza son ms amplios usando no-

paramtricas
Permite extrapolar fuera del rango de los datos

( +aram*tri&as
______________________________________________________________________________
1-167
Dos distribuciones cubiertas
+,ponencial
-eibull
Estas dos tienen ms aplicacin a nuestro negocio.
( +aram*tri&as
______________________________________________________________________________
1-168
Pruebas Exponenciales
Terminadas por Tiempo, con y sin reemplazos

La prueba se detiene cuando t
d
horas (ciclos) han
pasado y y no hay falla coincidente con t
d
Estimacin de MTBF
Lmites de Confianza de MTBF
Terminada por Fallas, con y sin reemplazos
La prueba se detiene cuando la falla r

sima
ocurre
Estimacin de MTBF
Lmites de confianza de MTBF
( +aram*tri&as
______________________________________________________________________________
1-169
Pruebas Exponenciales
Definiciones
= tasa de falla
MTBF = tiempo medio entre fallas (mean time between
failures) = 1/
m = estimado de MTBF
N = tamao de muestra
td = duracin de prueba
Ta = horas de prueba acumuladas = Ntd
r = nmero de fallas
CL = nivel de confianza = 1 -
donde es el riesgo de hacer una decisin equivocada
( +aram*tri&as
______________________________________________________________________________
1-170
Exponencial
Pruebas terminadas por tiempo sin reemplazo

Estimado de MTBF
Lmite inferior de confianza, unilateral, de MTBF, m
L1
Por qu inferior, unilateral?
m
Ta
r
T N r td
r
i
i
r

+
1
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2

+ +

; ;
( +aram*tri&as
______________________________________________________________________________
1-171
Exponencial
Pruebas terminadas por tiempo sin remplazo

Ejemplo: Diez unidades se pusieron a prueba por 1500
horas. Las fallas ocurrieron a las 234 horas, 776, horas y
1078 horas. Las restantes 7 continuaron hasta las 1500
horas sin fallar. Cul es la estimacin de m y un lmite
inferior de 95% de confianza unilateral de m?.Cunto
es el estimado de la confiabilidad para una misin de
500 horas? Cul es el lmite inferior unilateral de 95%
de confianza para una misin de 500 horas?
( +aram*tri&as
m
Ta
r
T N r td
r
i
i
r

+
+ + +

1
234 776 1078 10 3 1500
3
12588
3
4196
( )
( )
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
0 05 2 3 2
2
2 2 2 12588 25176
15 507
1624
+ + +

; ; . ; ( )
.
De tabla
______________________________________________________________________________
1-172
Exponencial
Pruebas terminadas por tiempo sin remplazo
Ejemplo (continua): Cunto es el estimado de

confiabilidad para una misin de 500 horas? Cul es el
lmite inferior unilateral de 95% de confianza para una
misin de 500 horas?
El estimado de R(t) est asociado con el estimado de
MTBF, y el lmite inferior de confianza de R(t) est
asociado con el lmite inferior de confianza de MTBF
R(t) = exp(-t/m) = exp(-500/4196) = 0.888
R
L1
(t) = exp(-t/m
L1
) = exp(-500/1624) = 0.735
( +aram*tri&as
Estamos 95% confiados que la confiabilidad para estas
unidades excede 73.5% para una misin de 500 horas
______________________________________________________________________________
1-173
Exponencial pruebas terminadas

por tiempo sin reemplazo
4bra tsin!.Ddf
-2ar/ue distribuci&n
e:ponencial con un
parmetro
-Elija 2LE%
estimaci&n de
m:ima verosimilitud
2ar/ue el bot&n de
clculo de
parmetros
3eBale el bot&n de la
M8alculadoraN
______________________________________________________________________________
1-174
-4parece la
8alculadora
-2arcar 5ption#
5t'e! 8alculations
3eBale,
7'oD
8onfidence
Bounds
-Deje marcado,
7'oD 4oDe! 7ided
-Fegrese a Basic
8alculations
1
1
2
2
3
3
4
4 -2ar/ue 7'oD
Mean 4ife
-0.95 en
8onfidence
4e.el
-2ar/ue
8alculate
Exponencial pruebas terminadas por

tiempo sin reemplazo
______________________________________________________________________________
1-175
La media se estima en 419E% con un
lmite in'erior unilateral de 1E22.9
-4+ora mar/ue 7td /!ob 8alculations
-Escriba en Mission +nd Time, 600
3eBalando en
8alculate se obtiene
una F<t= ; 0.8877 (
F
L1
<t= ; 0.7349
Exponencial pruebas terminadas

por tiempo sin reemplazo
______________________________________________________________________________
1-176
Exponencial
( +aram*tri&as
Terminadas por Tiempo
Terminadas por Fallas
con reemplazo
sin reemplazo
m = Ta/r = Ntd/r m = Ta/r = Ntd/r
m
Ta
r
T N r td
r
i
i
r

+
1
( )
m
Ta
r
T N r td
r
i
i
r

+
1
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2

+ +

; ;
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2

+ +

; ;
m
T
L
a
r
1
2
2
2
;
m
T
L
a
r
1
2
2
2
;
En cualquier caso, las estimaciones se basan en las horas
totales acumuladas y el nmero de fallas observadas
______________________________________________________________________________
1-177
Exponencial
Pruebas terminadas por tiempo con remplazo
Ejemplo: Diez unidades se pusieron a prueba por

1500 horas. Las fallas ocurrieron a las 234 horas,
776, horas y 1078 horas. Las fallas fueron
reemplazadas con unidades idnticas. Las restantes
7 continuaron hasta las 1500 horas sin fallar. Cul
es la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de
la confiabilidad para una misin de 500 horas? Cul
es el lmite inferior unilateral de 95% de confianza
para una misin de 500 horas?
Estimacin de MTBF
m = Ntd/r = Ta/r
lmite inferior, unilateral de confianza de MTBF, m
L1
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2

+ +

; ;
______________________________________________________________________________
1-178
Exponencial
Pruebas terminadas por tiempo con remplazo

Ejemplo: (continua)
Estimacin de MTBF
m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas
lmite inferior, unilateral de confianza de MTBF, m
L1
donde
2
;2r+2
=
2
0.05;2(3)+2
= 15.507
( +aram*tri&as
h%ras
T rm
m
r
a
r
L
1935
507 . 15
) 15000 ( 2 2 2
2
2 2 ;
2
2 2 ;
1

+ +

Puede veri'icarse en tcon!.Ddf
Puede veri'icarse en tcon!.Ddf
______________________________________________________________________________
1-179
Exponencial
Pruebas terminadas por tiempo con reemplazo
Ejemplo (continuacin): Cunto es el estimado de

misin de 500 horas?
El estimado de R(t) est asociado con el estimado de
MTBF y el lmite inferior de confianza de R(t) est
asociado con el lmite inferior de confianza de MTBF
R(t) = exp(-t/m) = exp(-500/5000) = 0.905
R
L1
(t) = exp(-t/m
L1
) = exp(-500/1935) = 0.772
Hay una oportunidad de demostrar mayor confiabilidad
si las unidades falladas son reemplazadas
______________________________________________________________________________
1-180
Exponencial
Caso especial cuando no se observan fallas

m = Ta/r = Ta/0 = ?
No puede estimarse MTBF o la confiabilidad correspondiente
Puede calcular un lmite inferior, unilateral, de confianza de
MTBF
Puede obtener un lmite inferior, unilateral de confianza de
confiabilidad
R
L1
(t) = exp(-t/m
L1
)
( +aram*tri&as
m
rm T T T T
CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1

+ + +

; ; ; ( ) ;
ln( )
Consejo: Si = 0.50, se obtuvo un estimado
______________________________________________________________________________
1-181
Exponencial

Ejemplo: Diez unidades se pusieron a prueba por 1500
horas.. Todas completaron la prueba sin falla. Cul es
la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de la
misin de 500 horas?
Aqu podemos usar CL = 50% para obtener un estimado

y un CL = 95% para obtener los lmites de confianza
inferiores unilaterales
( +aram*tri&as
______________________________________________________________________________
1-182
Exponencial

Ejemplo (continuacin): Para estimar, use el lmite
inferior unilateral de confianza de MTBF, m
L1
, con CL =
0.50
( +aram*tri&as
( )
m
rm T T T T
CL
m
L
r
a
r
a a a
L
1
2 2
2
2 2
2
2 0 2
2
2
2
1
2 2 2 2
1
10 1500
1 0 50
21640

+ + +

; ; ; ( ) ;
ln( )
ln( . )
sin fallas
Puede
veri'icarse en
tsinf.Ddf
Puede
veri'icarse en
tsinf.Ddf
______________________________________________________________________________
1-183
Exponencial

Ejemplo (continuacin): Para obtener el lmite inferior,
de confianza unilateral de confianza de MTBF, m
L1
, con
CL = 0.95
( )
m
rm T T T T
CL
m
L
r
a
r
a a a
L
1
2 2
2
2 2
2
2 0 2
2
2
2
1
2 2 2 2
1
10 1500
1 0 95
5007

+ + +

; ; ; ( ) ;
ln( )
ln( . )
( +aram*tri&as
______________________________________________________________________________
1-184
Exponencial

Ejemplo (continuacin): Para estimar la confiabilidad y el
lmite inferior, unilateral de confianza de la confiabilidad
use el m
L1
apropiado
Para estimar,
R
L1
(t) = exp(-t/m
L1
) = exp(-500/21640) = 0.977, o estamos
50% confiados que la confiabilidad es no menor de
0.977 para 500 horas de misin
Para el lmite inferior, unilateral de confianza ,
R
L1
(t) = exp(-t/m
L1
) = exp(-500/5007) = 0.905, o estamos
95% confiados que la confiabilidad no es menor de
0.905 para 500 horas de misin
( +aram*tri&as
______________________________________________________________________________
1-185
Dos distribuciones cubiertas

Hemos visto la
Ahora, cubriremos la
Distribucin Weibull
Estas dos tienen la mayor aplicacin en nuestro
negocio
( +aram*tri&as
______________________________________________________________________________
1-186
Distribucin Weibull
mientras la pdf exponencial modela las

caractersticas de vida de los sistemas, la Weibull
modela las caractersticas de vida de
componentes y partes
modela fatiga y ciclos de falla de slidos
muy adecuado para datos de vida

la pdf Weibull es una distribucin de los elementos ms dbiles de
una muestra
muy flexible y puede tomar muchas formas

diferentes
( +aram*tri&as
______________________________________________________________________________
1-187
Weibull
Caso especial cuando se observaron pocas o

ninguna falla
Es necesario suponer una Pendiente Weibull, , para
obtener un estimador de la vida caracterstica,
Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del
mecanismo de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < < 5
Deben realizarse anlisis con varias pendientes para
determinar la sensibilidad al supuesto de pendiente
( +aram*tri&as
______________________________________________________________________________
1-188
Weibull
Caso especial cuando se observaron pocas o ninguna

falla
El lmite inferior, de confianza unilateral de la Vida Caracterstica
es
Si no hay fallas, entonces
( +aram*tri&as
'
2
1
2 2
2
1
T
i
i
N
r
ln( )
'
Nt
CL
d
1
1
Consejo: Si = 0.50, se obtuvo un estimado
______________________________________________________________________________
1-189
Weibull

falla
Para obtener un lmite inferior, unilateral de confianza de la
confiabilidad
R
L1
(t) = exp{-(t /
L1
)
( +aram*tri&as
pendiente supuesta
______________________________________________________________________________
1-190
Weibull

falla
Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.
Todas completaron la prueba sin fallar. Suponiendo que el
tiempo de falla para estas unidades sigue una distribucin
Weibull con pendiente = 1.5, Cul es el lmite inferior
unilateral de 95% de confianza de ? Cul es el lmite inferior
unilateral de 95% de confianza de la confiabilidad para una
misin de 500 horas?
( +aram*tri&as
ln( )
( )( )
ln( . )
.
.
L
d
Nt
CL
1
1
15
1
15
1
10 1500
1 0 95
3350

'
'
R
L1
(t) = exp{-(t /
L1
)

} = exp{-(500/3350)
1.5
} = 0.943
______________________________________________________________________________
1-191
Weibull
falla
( +aram*tri&as
-4brir el arc+ivo tsinf.Ddf
-Pida el anlisis Weibull para dos parmetros
______________________________________________________________________________
1-192
Weibull

falla
Ejemplo (continuacin): Cunta influencia tiene el supuesto
de la pendiente?
Supongamos una pendiente de 1.25
( +aram*tri&as
ln( )
( )( )
ln( . )
.
.
L
d
Nt
CL
1
1
125
1
125
1
10 1500
1 0 95
3934

'
'
R
L1
(t) = exp{-(t /
L1
)

} = exp{-(500/3934)
1.25
} = 0.927
______________________________________________________________________________
1-193
Weibull

falla
de la pendiente?
Supongamos una pendiente de 1.75
( +aram*tri&as
ln( )
( )( )
ln( . )
.
.
L
d
Nt
CL
1
1
175
1
175
1
10 1500
1 0 95
2987

'
'
R
L1
(t) = exp{-(t /
L1
)

} = exp{-(500/2987)
1.75
} = 0.957
______________________________________________________________________________
1-194
Weibull
Caso especial cuando se observaron pocas o ninguna falla

Ejemplo (continuacin): Cunta influencia tiene el supuesto de la
pendiente(resumen)?
( +aram*tri&as
= 1
= 1.25
= 1.5
= 1.75
R
L1
(500)
0.957
0.905
0.927
0.943
Cuando no se observan fallas, se da ms potencia si
se puede suponer una pendiente de Weibull > 1
}
No mucha influencia
en este caso
= 1 es exponencial,
ms conservador
______________________________________________________________________________
1-195
Weibull

falla
de la pendiente? Qu pasa si yo estimo exageradamente la
pendiente Weibull, y supongo una pendiente de 3?
( +aram*tri&as
ln( )
( )( )
ln( . )
L
d
Nt
CL
1
1
3
1
3
1
10 1500
1 0 95
2242

'
'
R
L1
(t) = exp{-(t /
L1
)

} = exp{-(500/2242)
3
} = 0.989
Necesita justificarse el supuesto de la pendiente Weibull, ya que un
supuesto de pendiente alta !'ede influir fuertemente los resultados
______________________________________________________________________________
1-196
Planear Pruebas para la Exponencial

Use la meta de confiabilidad, Rg, igual a R
L1
Si R
L1
= Rg, podemos estar CL% seguros que la R real
ser al menos Rg
Necesita determinar Ta, r, y N tales que R
L1
= Rg
en el CL escogido
Recuerde, R = exp(-t/MTBF)
Dado Rg, MTBFg puede ser determinado

( +lanear +r'ebas
______________________________________________________________________________
1-197
MTBFg est determinado por
Rg = exp(-t/MTBFg)
MTBFg = -t/ln(Rg)
Ahora, tenemos el requerimiento en una forma que
podemos usar para determinar el tiempo de prueba y
el nmero permisible de fallas para una prueba cuya
duracin es predeterminada
( +lanear +r'ebas
m MTBFg
rm T
Ta
MTBFg
L
r
a
r
r
1
2 2
2
2 2
2
2 2
2
2 2
2

+ +
+

; ;
;
( )
______________________________________________________________________________
1-198
Si no estn permitidas las fallas
Permite la negociacin entre tamao de muestra y

duracin de la prueba para lograr una
confiabilidad dada a una confianza dada
( +lanear +r'ebas
m MTBFg
rm T T T T
CL
Ta MTBFg CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1
1

+ + +

; ; ; ( ) ;
ln( )
{ ln( )}
______________________________________________________________________________
1-199
si no se permiten fallas
Ejemplo: El requerimiento de confiabilidad para una
unidad es 99% confiable para una misin de 500 horas
con 95% de confianza (inferior, unilateral). Dado que no
se permiten fallas, Cuntas unidades debo de probar
por cuanto tiempo para lograr este requerimiento?
MTBFg se determina por

Rg = exp(-t/MTBFg)
MTBFg = -t/ln(Rg)
MTBFg = -500/ln(0.99) = 49750
( +lanear +r'ebas
______________________________________________________________________________
1-200
Ejemplo (continuacin):
Entonces Ntd = 149036, o N = 10 unidades cada una

probada a 14904 horas sin fallas lograr este
requerimiento
N = 20 probadas por 7452 horas sin fallas lograr

tambin este requerimiento
( +lanear +r'ebas
m MTBFg
rm T T T T
CL
Ta MTBFg CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1
1 49750 1 0 95 149036

+ + +

; ; ; ( ) ;
ln( )
{ ln( )} { ln( . )}
______________________________________________________________________________
1-201
Ejemplo (continuacin): Si estamos limitados en el
nmero de unidades que podemos probar (debido a la
disponibilidad de lugar, costo o disponibilidad unitario,
etc.) a N = 8, Cunto debe correrse sin fallas para
alcanzar la meta de confiabilidad?
Ta = Ntd = 149036
donde N = 8
td = 18630
( +lanear +r'ebas
______________________________________________________________________________
1-202
Si se permite una falla

Ejemplo (continuacin): Qu pasa si permitimos una falla durante la
prueba y esta es remplazada. Cunto debe durar la prueba?
Entonces, si tenemos 20 lugares de prueba disponibles podemos
poner 20 unidades en prueba. 19 deben de ir 11800 horas sin fallas.
Si ocurre una falla y es reemplazada inmediatamente, el reemplazo
debe terminar la prueba sin falla.
( +lanear +r'ebas
m MTBFg
rm T
Ta
MTBFg
L
r
a
r
r
1
2 2
2
2 2
2
2 2
2
0 05 2 1 2
2
2 2
2
49750
2
49750 488
2
236014

+ +
+ +

; ;
; . ; ( )
( ) ( )
(9. )
obtenido de tabla
______________________________________________________________________________
1-203
Similarmente, planes de prueba pueden ser

determinados para todos los esquemas de prueba
exponenciales
Una buena referencia es Reliability & Life Testing

Handbook Volume , Kececioglu, pp. 133-265
Algunos de estos planes de prueba han sido tabulados

y pueden ser hallados en ML-HDBK 781
( +lanear +r'ebas
______________________________________________________________________________
1-204
Planear Pruebas para la Weibull sin Fallar
Debe ser una prueba de demostracin, no una prueba

de crecimiento
Las pruebas de crecimiento deben tener fallas
Necesario suponer una pendiente Weibull

Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del mecanismo
de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < < 5
Deben realizarse anlisis con varias pendientes para
determinar la sensibilidad al supuesto de pendiente
( +lanear +r'ebas
______________________________________________________________________________
1-205
Recuerde la ecuacin para estimar la vida

caracterstica sin fallar
Recuerde la ecuacin de confiabilidad Weibull

( +lanear +r'ebas
ln( )
'
Nt
CL
d
1
1
R t
t
( ) exp

_
,
1
]
1
1
'
______________________________________________________________________________
1-206
Substituyendo la primera ecuacin en la segunda

ecuacin y solucionando para N, el tamao de
muestra
Si la meta de confiabilidad y la confianza

requerida se substituyen, puede negociarse el
tiempo de prueba con el tamao de muestra
( +lanear +r'ebas
N
t
t
CL
R
d
_
,
'
ln( )
ln( )
1
______________________________________________________________________________
1-207
Ejemplo:
El requerimiento de confiabilidad para una unidad es 99%
confiable para una misin de 500 horas con un 95% de
confianza (inferior, unilateral). Para este ejemplo, supongamos
que es un balero que histricamente ha tenido una pendiente
Weibull de 1.5. Dado que no se permiten fallas, Cuntas
unidades debo de probar por cuanto tiempo para lograr este
requerimiento?
Entonces , si hay 1500 horas de prueba disponibles, seran

necesarias 58 unidades para ser probadas por 1500 horas
para lograr los requerimientos
( +lanear +r'ebas
N
t
t
CL
R t t
d d d
_
,
'
_
,
'
_
,
ln( )
ln( )
ln( . )
ln( . )
( )
. .
1 500 1 0 95
0 99
500
298
15 15
______________________________________________________________________________
1-208
Qu pasa si hay slo 25 lugares de prueba disponibles,

o sea., Cunto tiempo necesitarn las 25 ser probadas
sin fallar para lograr el requerimiento?
( +lanear +r'ebas
N
t
t
CL
R t t
t
d d d
d
_
,
'
_
,
'
_
,
_
,
ln( )
ln( )
ln( . )
ln( . )
( )
. .
.
1 500 1 0 95
0 99
500
298
500
25
298
2609
15 15
1
15
______________________________________________________________________________
1-209
Cmo se compara este ltimo resultado con un plan de
prueba usando la Prueba de Rachas Exitosas?
Weibull sin fallar y suponiendo una pendiente de 1.5 fue 25
unidades para 2609 horas sin fallar
sobre 65,000 horas de prueba- unidades
o 298 unidades probadas por 500 horas sin fallar
sobre 149,000 horas de prueba- unidades
( +lanear +r'ebas
( )
[ ]
N
CL
R t
L
ln( )
ln
ln( . )
ln( . )
1 1 0 95
0 99
298
1
______________________________________________________________________________
1-210
La tcnica No-paramtrica puede ser rpida y fcil
Lo bastante exacta para hacer un juicio de ingeniera
Puede ser potente si los tamaos de muestra son

bastante grandes
Apropiadas si nada se conoce
Paramtricas - Exponencial
Ms potentes que las no-paramtricas
Permiten negociar entre tamao de muestra, CL,

nmero de fallas permisibles, confiabilidad
Las unidades que fallan pueden ser reemplazadas para

aumentar el tiempo total de prueba
La estimacin ms conservadora
Resumen
______________________________________________________________________________
1-211
Paramtricas - Weibull
Ms potentes que las no-paramtricas y que

suponer exponencial
Necesario suponer una pendiente Weibull

Necesita justificarse por datos previos, conocimiento de
los mecanismos de falla, etc.
Permite negociar la duracin de la prueba y el

tamao de muestra para una confiabilidad y
confianza dadas.
Disminuir el tiempo total de prueba requerido

para demostrar un requerimiento
Resumen
______________________________________________________________________________
1-212
Planear Pruebas
Cubiertas slo las estadsticas de pruebas de

demostracin
Necesita asegurarse que la prueba puede duplicar

los mecanismos de falla experimentados en el
campo
Experiencia con partes regresadas, AMEF's, Diagramas-
P, etc
Dada una prueba apropiada, necesita definir

tamao de muestra, duracin de prueba, nmero
de fallas permisibles, etc., que logren el
requerimiento de confiabilidad
Resumen
______________________________________________________________________________
1-213
4. P&,EBAS ACELE&ADAS
4. P&,EBAS ACELE&ADAS
______________________________________________________________________________
1-214
Objetivo:
Propsitos:
Presentar el concepto de prueba acelerada
Conocer los modelos para transformar los

esfuerzos
Uso de los paquetes estadsticos para predecir

con modelos de aceleracin.
______________________________________________________________________________
1-215
Para ahorrar tiempo!
Los resistencias elctricas forradas se requieren para durar un gran
tiempo y lograr las expectativas de los clientes. Probar las
resistencias es una buena manera de ganar la confianza de que las
partes lograrn los requerimientos, y sabemos que la informacin
ms valiosa viene de probar hasta que falle, si una resistencia
forrada se prueba en voltaje nominal, la prueba podr durar muchos
meses. Sin embargo, si el voltaje es elevado por encima del nominal,
el tiempo de prueba puede ser reducido.
Para qu acelerar las fallas?
______________________________________________________________________________
1-216
Problema
Cmo correlaciona la vida de una parte
probada en un voltaje alto a la vida esperada
de la misma parte en un voltaje nominal de
uso?
______________________________________________________________________________
1-217
Solucin
Elija un porcentaje particular de falla y
ajuste la curva de regreso a las
condiciones nominales para tener una
prediccin de vida.
Group 1 Group 2 Group 3
260V 270 V 280V
1 347hrs 97hrs 15hrs
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence nterv als
Complete Data
0
100
200
300
400
500
600
700
800
900
1000
280 270 260
90%
50%
10%
Corra al menos 3 grupos en voltajes diferentes,
manteniendo el voltaje ms bajo tan cercano al
nominal como sea posible
Corra las partes para fallar y ajuste con
una ecuacin paramtrica los datos de
falla.
______________________________________________________________________________
1-218
nformacin de Falla por Prueba
Acelerada
Sobre-esforzar a los productos para obtener

fallas "rpido es quizs la forma ms antigua
de Pruebas de Confiabilidad.
Fsualmente ;o se
obtiene
info!macin sob!e
la dist!ibucin de
la .ida
%8onfiabilidad&
______________________________________________________________________________
1-219
nformacin de Falla por Prueba
Acelerada
Una prueba
acelerada que slo
da nformacin de
Falla ( Modos de
Falla), comnmente
se llama "Prueba de
Tortura, "Prueba de
Elefante, "Prueba
Cualitativa, etc.
______________________________________________________________________________
1-220
Qu es una Prueba de Tortura?
Las pruebas de Tortura se realizan sobre

muestras de tamao pequeo y los
especmenes se sujetan a un ambiente
agresivo (niveles severos de esfuerzo)
Si el especimen sobrevive, pas la prueba
Los datos de las pruebas de tortura

generalmente no pueden ser extrapolados a las
condiciones de uso
______________________________________________________________________________
1-221
Prueba de Tortura
Beneficios
Aumenta la Confiabilidad por la revelacin de

modos probables de falla
Cuestiones Sin Resolver
Cul es la Confiabilidad del Producto?
Los Modos de Falla sern los mismos que

ocurrirn durante la vida del producto bajo
uso normal?
______________________________________________________________________________
1-222
La Aceleracin por Sobre-
Esfuerzo
Prueba de Tortura o Prueba
Elefante
Prueba de Vida Acelerada
______________________________________________________________________________
1-223
Prueba de Vida Acelerada
La Prueba de Vida acelerada, a diferencia de

la Prueba de Tortura, est diseada para
proveer nformacin de la Confiabilidad del
producto, componente o sistema
Un Dato bsico es el Tiempo para Fallar
El tiempo para falla puede estar en cualquier

medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.
______________________________________________________________________________
1-224
Qu es aceleracin fsica y
como se modela?
La Aceleracin Fsica significa que operando

una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos tpicos de uso, excepto que
suceden mucho ms rpido.
______________________________________________________________________________
1-225
Factor de aceleracin
La falla se puede deber a la fatiga mecnica,

corrosin, reaccin qumica, difusin,
migracin, etc.
Estos son exactamente los mismos eventos

conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Slo cambia la
escala del tiempo.
,n Fa)tor de A)elera)i(n es el m*lti.li)ador

)onstante entre los dos ni5eles de esf*er6o.
______________________________________________________________________________
1-226
Factor de Aceleracin
Cuando hay verdadera aceleracin, cambiar

los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
Las transformaciones usadas comnmente

son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto slo tiene que
ser multiplicado por una constante (el factor
de aceleracin) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
______________________________________________________________________________
1-227
Relaciones Lineales de Aceleracin
Tiempo de Falla t
u
= AF x t
s
Probabilidad de Falla F
u
(t) = F
s
(t/AF)
4onfiabilidad R
u
(t) = R
s
(t/AF)
PDF o Funcin de Densidad f
u
(t) = (1/AF)f
s
(t/AF)
Tasa de Falla
u
(t) = (1/AF)
s
(t/AF)
Donde:
t
u
: tiempo de falla en uso t
s
: tiempo de falla en esfuerzo
F
u
(t): CDF en uso F
s
(t): CDF en esfuerzo
f
u
(t): PDF en uso f
s
(t): PDF en esfuerzo
u
(t): tasa de falla en uso
s
(t): tasa de falla en esfuerzo
AF: Factor de Aceleracin
8ada modo de falla tiene su p!opio facto! de acele!acin. 4os datos de falla deben
sepa!a!se po! modo de falla cuando se anali=an# si la acele!acin es !ele.ante.
______________________________________________________________________________
1-228
Una consecuencia de las
relaciones lineales es que
El Par.metro de Forma para
los modelos clave de
distribucin de vida
(Weibull y Lognormal) no
cambia para las unidades
operando bajo diferentes
esfuerzos.
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Complete Data
Las Hr'icas en escala de
Probabilidad de los datos de
di'erentes condiciones de
es'uer1o se alinearn
apro:imadamente paralelas"
______________________________________________________________________________
1-229
Cules son los modelos de
aceleracin comunes?
Los modelos de Aceleracin predicen el

tiempo de falla en funcin del esfuerzo
Los factores de aceleracin muestran como el tiempo de falla de un nivel particular
de esfuerzo (para un modo o mecanismo de falla) puede ser usado para
predecir el tiempo equivalente de falla en un nivel diferente de esfuerzo.
Un modelo que predice el tiempo de falla como funcin del esfuerzo debiera ser
mejor que una coleccin de factores de aceleracin. Si escribimos t
f
=G(S),
donde G(S) es la ecuacin del modelo para un valor arbitrario de S, entonces el
factor de aceleracin entre los esfuerzos S
1
y S
2
puede evaluarse simplemente
por
AF = G(S
1
)/G(S
2
)
Ahora se puede probar en el nivel de esfuerzo ms alto S
2
, obtener un nmero
suficiente de fallas para ajustar al modelo de distribucin de vida y evaluar las
tasas de falla. Despus se usa la Tabla de Relaciones Lineales de Aceleracin
para predecir lo que pasar en el nivel de esfuerzo menor S
1
.
______________________________________________________________________________
1-230
Cules son los modelos de
aceleracin comunes?
Los modelos de aceleracin se derivan a

menudo de modelos fsicos o cinticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como funcin de los esfuerzos de
operacin se conoce como Modelo de Aceleracin
Se presentarn varios modelos tiles:
Arrhenius
Eyring
Regla de Potencia nversa 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

______________________________________________________________________________
1-231
Arrhenius
El Modelo de Arrhenius predice la

aceleracin de las fallas debido al aumento
de temperatura
Uno de las primeras transformaciones y la de ms xito
para predecir como vara el tiempo de falla con la
temperatura
'
1
]
1
'
2 1
1 1
exp
exp
T T ,
-
AF
,T
-
A t
f
Donde, 4F; Factor de 4celeraci&n
O; temperatura PD <$Q#"1JAP8=
R ; 8onstante de Solt1mann <!"J1QE@06 e9GD=
H ; Energa de 4ctivaci&n
4 ; 8onstante de escala <se elimina en 4F=
______________________________________________________________________________
1-232
Arrhenius
Ejemplo
El Factor de Aceleracin AF entre

25C y 125C, para un producto, es
132.65 si H es 0.5 y 17,596 si H =
1.0.
______________________________________________________________________________
1-233
Eyring
El modelo de Eyring tiene una base terica

en la qumica y en la mecnica cuntica y se
puede usar para modelar la aceleracin
cuando muchos esfuerzos estn involucrados
'
,
_
+ +
,
_
+ +
'
,
_
+ +
2 1
1
exp
exp
S
T
D
D S
T
C
.
,T
-
AT t
S
T
C
.
,T
-
AT t
f
f
Donde,O; temperatura PD <$Q#"1JAP8=T R ; 8onstante de Solt1mann <!"J1QE@06 e9GD=

H ; Energa de 4ctivaci&nT 4 % S% 8 D% E; 8onstantes de escalaT
3
1
( 3
$
Es'uer1os di'erentes
______________________________________________________________________________
1-234
Otros Modelos
Modelos tiles para 1, 2 o 3 esfuerzos son

modelos Eyring, los citados exitosamente son:
La Regla de Potencia (inversa) para Voltaje
El Modelo de Voltaje Exponencial
Los Modelos de Dos Esfuerzos Temperatura/Voltaje
Modelos de tres Esfuerzos (Temperatura, Voltaje ,

humedad)
Modelo Mecnico de Crecimiento de Fisuras Coffin -

Manson
______________________________________________________________________________
1-235
Otros Modelos
.V
f
Ae t

.V
,T
-
.
,T
-
f
e Ae V Ae t

,T
-
n
f
e A/ t

R- V Ae t
.
,T
-
f
( )
MA0 f
T 1 T Af N

.
f
AV t

Fegla de Potencia <inversa= para 9oltaje

2odelo de 9oltaje E:ponencial
2odelos de dos es'uer1os OemperaturaG9oltaje
2odelo de Electromigraci&n
2odelos de tres es'uer1os
<Oemperatura% 9oltaje% Humedad=
2odelo de crecimiento de Fisuras 2ecnicas
______________________________________________________________________________
1-236
Datos + Distribucin + Modelo = Resultado
______________________________________________________________________________
1-237
Datos
Los datos de vida (tiempos para falla) se obtienen de

pruebas aceleradas en laboratorio
Obtener datos sobre los esfuerzos usados
Obtener datos sobre los esfuerzos que el producto

encontrar bajo condiciones normales
______________________________________________________________________________
1-238
Distribucin
1
5
10
20
30
40
50
60
70
80
90
95
99
0 1000 2000
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
100 1000 10000
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
100 1000
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 1000 2000 3000 4000 5000 6000 7000 8000
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for C1
No censoring
Elija una Distribucin

apropiada de vida
Exponencial
Weibull
Lognormal
______________________________________________________________________________
1-239
Elija un Modelo
seleccione un modelo (o genere) un modelo que

describa una caracterstica de la distribucin de un
nivel a otro
FI
+sfue!=o
de uso
+sfue!=o
alto 1
+sfue!=o
alto 2
+sfue!=o
alto 3
______________________________________________________________________________
1-240
Qu Caracterstica de la Distribucin?
Vida Caracterstica, Parmetro de la Distribucin,

(Media, Mediana, R(t), F(t), , , , , )
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Complete Data
La Distribuci&n Weibull con <s= como una 'unci&n del es'uer1o
______________________________________________________________________________
1-241
Parmetros comnmente usados
como una Funcin del Esfuerzo para
diferentes distribuciones de vida
Exponencial Media o Velocidad de Falla)
Weibull (Parmetro de Escala)
El parmetro de forma usualmente se supone constante
Lognormal (Ln - Media o Mediana)
El parmetro de Ln - Desviacin Estndar usualmente se

supone constante
______________________________________________________________________________
1-242
Formar un nuevo modelo que incluya tanto
el modelo de la distribucin y el de
aceleracin
Relacin Weibull - Potencia nversa:
,
_
,
_
,
_
,
_
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
) (
) (
______________________________________________________________________________
1-243
Resultado
Resolver para los Parmetros del Modelo
,
_
,
_
n
S K
t
n n
e
S K
t
S K
S t f
1
1
1 1
) + (
Una vez que los parmetros , K y n son

estimados, las predicciones de vida pueden
hacerse para diferentes t y S
______________________________________________________________________________
1-244
Estimacin de Parmetros
La estimacin de parmetros puede variar de ser

trivial (con muchos datos, un solo esfuerzo constante, una
distribucin simple y un modelo simple) a ser una tarea casi
imposible
Mtodos Disponibles
Grfico
Mnimos Cuadrados
MLE
______________________________________________________________________________
1-245
Cmo elegir un modelo
apropiado de aceleracin fsica?
Elegir un modelo de aceleracin fsica es

similar a elegir un modelo de distribucin de
vida.
Primero identifique el modo de falla y que

esfuerzos son relevantes (o sea que
acelerarn el mecanismo de falla)
Luego verifique en literatura y otros proyectos

que le den ejemplos de un modelo particular
para este mecanismo de falla
______________________________________________________________________________
1-246
Nivel de Cambio
Casi todos los modelos reportados (excepto

el Coffin-Manson para fractura mecnica)
aplican a mecanismos de falla qumicos o
electrnicos ya que la temperatura es casi
siempre una carga relevante para estos
mecanismos. El modelo Arrhenius es casi
siempre una parte de cualquier modelo ms
general.
El modelo Coffin-Manson trabaja bien para

para muchos mecanismos relacionados con
la fatiga mecnica
______________________________________________________________________________
1-247
Nivel de Cambio
Algunos modelos tienen que ser ajustados para

incluir un nivel de cambio para algunos esfuerzos o
cargas.
La falla nunca podra ocurrir debido a un mecanismo

particular a menos que un esfuerzo (temperatura por
ejemplo) este ms all de un valor de cambio. Un
modelo para mecanismo dependiente de
temperatura con un cambio en T = T
0
podra verse
como
Tiempo para falla = f(T((T-T
0
))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T
0
el tiempo de falla
aumenta hacia infinito en este modelo
(deterministico) de aceleracin
______________________________________________________________________________
1-248
Ejemplo1
.n nuevo producto 'ue probado para con'iabilidad" 8omo la vida de este
producto bajo condiciones de operaci&n se espera /ue tenga ms de 16%000
+oras% probar bajo esas condiciones no resulta 'actible en el tiempo" Por esa
ra1&n% se decidi& correr una prueba acelerada" La temperatura de operaci&n
para este producto es #$#D <60P8=( la temperatura es la )nica variable de
aceleraci&n"
-3e desea determinar los parmetros de una Weibull de $ parmetros en cada
nivel de es'uer1o% usando la Fegresi&n sobre C de los Fangos
-Estimar los parmetros para el modelo de E(ring
-8alcular la 8on'iabilidad de la unidad para una duraci&n de misi&n de %000
+oras% comen1ando en O;0 ( a temperatura de operaci&n #$#D
4bra el arc+ivo +?!in.Ddf
______________________________________________________________________________
1-249
Ejemplo1
.na ve1 abierto el
arc+ivo calcule los
parmetros de la
Weibull con $"
Los resultados
aparecen en la
imagen"
; ?"16!
; 6Q1#"
3i /uiere editar los encabe1ados +aga doble clic sobre ellos"
Para separar los datos en tres conjuntos de datos di'erentes
use Batc' 6uto $un" Este usa la columna de Kdenti'icaci&n
para e:traer los datos
______________________________________________________________________________
1-250
Ejemplo1
4parece la siguiente
9entana% los tres
niveles de la
temperatura estn
como Kdenti'icaciones
disponibles de los
subconjuntos
4+ora
seleccionamos los
tres para generar
los tres
subconjuntos% uno
para cada
temperatura
Oambi*n se
puede +acer
doble clic sobre
los
seleccionados%
para seBalarlos
2ar/ue 6ction /!efe!ences fo! 7ubsets ______________________________________________________________________________
1-251
Ejemplo1
La ventana de Pre'erencias de 4cci&n
para los 3ubconjuntos tiene como valor
previsto el 8lculo de los parmetros
para los subconjuntos seleccionados"
2ar/ue 5G% $ veces
3e generaron tres
subconjuntos% uno para
cada identi'icaci&n
Para cada uno se
calcularon los parmetros
de la Weibull de $
Knserte una Hoja Heneral en el Folio de
Datos
______________________________________________________________________________
1-252
Ejemplo1
8apture los
valores de los
parmetros
calculados% para
cada subconjunto%
como se muestra
5ote /ue
permanece
constante ( solo
cambia
En ToolsA;onH4inea! +>uation (it 7ol.e! se abre la
+oja para ajustar ecuaciones no lineales% a+ se
copiarn los valores de Es'uer1o ( de Eta% como I ( J.
-Para Hacerlo seBale con el cursor los valores ( r&tulos
de es'uer1o ( Eta% a continuaci&n invo/ue la
+erramienta de ajuste de ecuaciones no lineales
______________________________________________________________________________
1-253
Ejemplo1
En las
columnas C (
U /uedan los
datos
importados
de la +oja
3eleccione
el modelo de
E(ring de la
lista de
ecuaciones
______________________________________________________________________________
1-254
Ejemplo1
Luego de
seleccionar el
modelo de
E(ring de la
Lista de
Ecuaciones"
8ambie los
valores de
Lmite in'erior%
Estimado (
Lmite superior
para 6 ( B
______________________________________________________________________________
1-255
Ejemplo1
Los valores
para los
valores Lmite
( Estimaci&n
de 4 ( S
debern
/uedar como
lo muestra la
'igura"
Para
encontrar los
valores de 4 (
S mar/ue en
8alculate
______________________________________________________________________________
1-256
Ejemplo1
Los valores
encontrados
para 4 ( b
estn en la
columna
3oluci&n"
.sando esos
valores se
puede
calcular Eta
para
cual/uier
nivel de
Oemperatura
<Es'uer1o=
3eBale ( copie el recuadro para pegarlo en la +oja general"
______________________________________________________________________________
1-257
Ejemplo1 La Hoja
general
/uedar como
se muestra"
2ar/ue la
celda E1Q <el
valor de 4=
para de'inirla
como variable"
3eleccione
+ditA-efine
;ame... para
de'inir el valor
en la celda
como el valor
de 6
______________________________________________________________________________
1-258
Ejemplo1
De'ina el
valor de la
celda E1Q
como el
valor de 6
De'ina el
valor de la
celda E1!
como el
valor de B
Escriba
dentro del
cuadro
;ameK 4 &
S seg)n
corresponda
______________________________________________________________________________
1-259
Ejemplo1
F&rmula
de E(ring
F&rmula
en 8$6
-Llene las columnas 4 ( S como se muestra% con los valores de Oemperatura
-Escriba en 8$6 la '&rmula ; <1GS$6=Ee:p<@<4@<SGS$6===% 8&piela
-El valor de Eta para una Oemperatura de uso de #$# es 1Q##"!6
4+ora se calcular la 8on'iabilidad en un rango de 1%000 a 10%000 +oras
______________________________________________________________________________
1-260
Ejemplo1
En las celdas S?1 ( S?$ ponga los valores encontrados de Seta ( Eta
Llene el rango de valores en la columna 4 como se muestra
En la celda S?Q escriba la '&rmula ;ECPE<@<<4?QGVSV?$=WVSV?1==% 8&piela
4 las %000 +oras en temperatura de #$#D la con'iabilidad es ?"J%
8on'iabilidad a
las %000 +oras
______________________________________________________________________________
1-261
Anlisis de vida acelerada
El anlisis de datos de vida acelerada se

efecta por medio de regresin
La regresin para vida acelerada construye

un modelo que predice tiempos de falla
Las instrucciones en Regresin para

Confiabilidad en Vida Acelerada indican que
puede aceptar diferentes modelos de
distribucin y admite datos censurados
Minitab usa Mxima Verosimilitud para

estimar los parmetros del modelo
______________________________________________________________________________
1-262
Estructura de Datos en Minitab
Consiste de tres columnas:
Los tiem!%s de falla
Los indi&ad%res de &ens'ra (si se necesitan)
Las variables !redi&t%ras

Para regresin simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
Para regresin con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o trminos anidados.
Cada columna deber estar en tal forma que cada rengln sea una observacin, o una observacin
con su correspondiente en una columna de frecuencias
Las columnas de frecuencias son tiles cuando se tienen grandes cantidades de datos con tiempos de
falla o censura comunes y valores predictores iguales.
______________________________________________________________________________
1-263
Ejemplo 2
Suponga que Usted quiere investigar el

deterioro de un aislamiento usado para
motores elctricos. Los motores normalmente
trabajan entre 80 y 100C. Para ahorrar
tiempo y dinero, se decidi correr una prueba
de vida acelerada.
Primero se obtienen tiempos de falla para el aislamiento
en temperaturas ms altas - 110, 130, 150 y 170C -
para acelerar el deterioro. Con esta informacin, se
puede extrapolar a 80 y 100C. Se sabe que existe una
relacin Arrhenius entre temperatura y falla
Abra el archivo NSULATE.MTW

______________________________________________________________________________
1-264
Ejemplo 2
-En 81 <Tem%=
tenemos los niveles
de Oemperatura
-En 8? <Fai&ureT=
se registra el tiempo
observado
-En 86 <Censor= se
indica si el tiempo
es de 'alla o
censurado
-En 8J <'esign=
estn los valores de
uso normal
______________________________________________________________________________
1-265
Ejemplo 2
3eBale
7tatA$eliabilit?L7
u!.i.alA6ccele!a
ted 4ife Testin
Ponga la columna
Censor% ( 5G
Ponga la
columna
'esign% (
5G
Ponga () (
/!obabilit?
/lot fo!
7tanda!di=ed
!esiduals ( 5G
______________________________________________________________________________
1-266
Ejemplo 2
10.0%
50.0%
90.0%
170 150 130 110 90 70
100000
10000
1000
Temp
T
i
m
e

t
o

F
a
i
l
u
r
e
Relation (Arrhenius) Plot for FailureT
Censoring Column in Censor
8on la Hr'ica
de relaci&n% se
puede ver la
distribuci&n de
los tiempos de
'alla para cada
nivel de
temperatura @
en este caso%
los percentiles
10% 60 ( 0
El modelo de regresi&n estima los percentiles de la distribuci&n del
tiempo de 'alla, J
p
@
0
M
1
I M
p
Dependiendo de la distribuci&n% J
p
@
- ln%tiempo de falla&% para Weibull% e:ponencial% lognormal (
loglogstica"
- Tiempo de falla% para normal% valor e:tremo% logstica
donde, U
p
; percentil p de la distribuci&n del tiempo de 'alla
0
; intersecci&n en U <constante=
1
; coe'iciente de regresi&n
C ; valores del predictor <pueden estar trans'ormados=
; parmetro de escala

p
; percentil p de la distribuci&n del error
______________________________________________________________________________
1-267
Ejemplo 2
0 -4 -8
99.9
99
95
90
80
70
60
50
40
30
20
10
5
3
2
1
0.1
Standardized Residuals
P
e
r
c
e
n
t
Probability Plot for SResids of FailureT
Extreme value Distribution-95.0% Conf idence nterv als
Censoring Column in Censor
Esta gr'ica le
permite evaluar si
la distribuci&n
seleccionada
ajusta a los datos"
En general% entre
ms cercanos
est*n los puntos
a la lnea
ajustada% mejor
es el ajuste"
El valor de la distribuci&n del error
p
% depende de la distribuci&n seleccionada
Para la Weibull ( la e:ponencial% 2OS toma el logaritmo de los datos ( usa la
distribuci&n de valor e:tremo
______________________________________________________________________________
1-268
Ejemplo 2
Re2ression Sit 1ife Data
Response Variable: FailureT
Censoring Information Count
Uncensored value 66
Right censored value 14
istribution: !eibull
Transformation on accelerating variable: "rrhenius
Regression Table
#tandard $%&'( )ormal CI
*redictor Coef +rror , * -o.er Upper
Intercept /1%&1014 '&$062 /1%&4' '&''' /11&12'3 /13&2%46
Temp '&03'12 '&'3%'4 23&11 '&''' '&162'4 '&0$$4'
#cale '&3%4'3 '&'3221 '&2$621 '&42313
-og/-i4elihood 5 /43&64
Table of *ercentiles
#tandard $%&'( )ormal CI
*ercent Temp *ercentile +rror -o.er Upper
%' 0'&'''' 1%$%04&% 21446&0% 113$10&2 223%%1&'
%' 1''&'''' 36$40&%1 4216&%11 2$%43&36 462'$&$4
.sted acaba de obtener una '&rmula /ue relaciona el tiempo de 'alla
en 'unci&n de la temperatura,
ln<tiempo de 'alla= ; @16"1!Q? A 0"!#0Q$<4rrOemp= A0"#6?0#
p
donde,
p
; percentil <p= de la distribuci&n estndar de valor e:tremo
4rrOemp; 11J0?"!#G <Oemp A $Q#"1J=
4a tabla de pe!centiles muest!a los pe!centiles 50 pa!a las tempe!atu!as >ue se pusie!on. +l pe!centil 50
es una buena estimacin de du!acin del aislamiento en el campo a 80N8# el aislamiento du!a!< al!ededo!
de 159#584.5 'o!as o 18.20 aOos# a 100N8 el aislamiento du!a!< al!ededo! de 3E#984.57 'o!as o 4.21 aOos
______________________________________________________________________________
1-269
Precauciones y Peligros al
determinar el Factor de Aceleracin
Al determinar el Fa&t%r de A&elera&i)n" ten2a &'idad% de ser
demasiad% %!timista$
S'!%ner 'n Fa&t%r m'y alt% !'ede dar 'n fals% sentid% de
se2'ridad$
+%dr3a n% tener el alt% nivel de &%nfiabilidad 4'e 5sted &ree$
Errar al dete&tar &ambi%s en el m%d% de falla" 'sar el m%del%
e4'iv%&ad%" validar mal el m%del% !'ede res'ltar en 'n Fa&t%r de
A&elera&i)n demasiad% %!timista$$
La estima&i)n de 'n fa&t%r demasiad% %!timista" !'ede a s'

vez res'ltar en la a&e!ta&i)n de &%m!%nentes n% &%nfiables y "
finalmente" 6&%st%s alt%s y &lientes insatisfe&h%s7
Debem%s a!render de l%s e8em!l%s anteri%res !ara evitar es%s

err%res$
______________________________________________________________________________
1-270
Proceso de 15 Pasos
1. E5al*ar Costos 7 Benefi)ios de A)elerar
2. Determinar F*n)i(n 7 Ambiente
$. Cond*)ir 8 Inter.retar An9lisis de #odo de Falla
0. Determinar modo8me)anismo de falla a a)elerar
2. Determinar )omo a)elerar el me)anismo de falla
4. Determinar ni5eles de los esf*er6os
:. Sele))ionar el tama;o de m*estra .ara )ada ni5el de
esf*er6o
<. Determinar donde ser9 )orrida la .r*eba
=. Determinar el modelos de distrib*)i(n 7 a)elera)i(n
1. 1alidar el sistema de medi)i(n
11. Correr la Pr*eba
12. >rafi)ar e inter.retar los res*ltados
1$. A?*star el #odelo
10. 1alidar el #odelo
12. Determinar el Fa)tor de A)elera)i(n e im.lantarlo
Planear
la prueba
Ejecutar,
analizar,
e
implementar
la prueba
______________________________________________________________________________
1-271
FRACAS
FALURE REPORTNG AND
CORRECTVE ACTON SYSTEM
______________________________________________________________________________
1-272
Ob?eti5o
Su principal objetivo es describir cualquier m%d% de falla
detectado a travs de las pruebas del sistema, subsistema
o componente en evaluacin a todos los involucrados de
manera fcil y rpida, as como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.
Al)an)e
Este sistema es una herramienta nicamente para
almacenaje de registros.
______________________________________________________________________________
1-273
REFERENCAS
Statistical Methods for Reliability Data, Meeker and Escobar, 1998
Handbook of Reliability Engineering and Management by reson,
Coombs, and Moss, McGraw Hill, 1990
Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu,
Prentice Hall, 1991
Electronic Component Reliability, Finn Jensen, Wiley, 1998
Reliability Review, ASQ
Brian Henninger's accelerated test project
Software - Minitab version 12.2 (Minitab nc) y WEBULL 5.0 (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres
1-274
REFERENCAS
Handbook of Reliability Engineering and Management by reson, Coombs, and
Moss, McGraw Hill, 1990
Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu, Prentice
Hall, 1991
Reliability: For Technology, Engineering, and Management, Paul Kales, Prentice
Hall, 1998
Reliability Methods for Engineers, K. S. Krishnamoorthi, ASQ 1992
Reliability Statistics, Robert A. Dovich, ASQ 1990
Software - Minitab version 12.2 (Minitab nc) y WEBULL 5.0 (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres
______________________________________________________________________________
1-275
Referencias
Accelerated Testing , Wayne Nelson, Wiley, 1990
Handbook of Reliability Engineering and Management by reson,
Coombs, and Moss, McGraw Hill, 1990
How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
Reliability and Life Testing Handbook, Vol. 2, Dmitri Kececioglu,
Prentice Hall, 1991
Electronic Component Reliability, Finn Jensen, Wiley, 1998
Reliability Review, ASQ
Brian Henninger's accelerated test project
Software - Minitab version 12.2 (Minitab nc) y ALTA (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres
______________________________________________________________________________

Curso Confiabilidad

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Curso Confiabilidad

Diunggah oleh

Hak Cipta:

Format Tersedia

1-1

presentar el concepto de tiempo de vida y falla

exponer el concepto de distribucin de

definir MTBF - MTTF

explicar el "tiempo de misin

visualizar la velocidad de falla grficamente

presentar los elementos de estadstica descriptiva

obtener una distribucin empricamente

Cul es la vida promedio del producto?

Cuntas fallas espera el prximo ao?

Cunto nos costar desarrollar y dar servicio a este

Cmo podemos hacerlo ms efectivo en costo?

Funcin de Densidad de Probabilidad (pdf), f(t)

Funcin de Distribucin Acumulada

La Probabilidad de una variable es menor o igual a un valor

Cuando la variable es tiempo de falla, esto

Porqu son importantes los

Describen completamente los datos

Porqu son importantes los estadsticos?

Porqu son importantes los estadsticos

los tres ayudan a determinar los parmetros de la

tiempo de vida til y falla

Modelos Paramtricos de Confiabilidad

Situaciones para modelar

Gua para eleccin del modelo

Algunas Distribuciones de Probabilidad se pueden

La funcin tiene adems de la variable aleatoria,

La Normal o Distribucin Gaussiana es la distribucin

Tiene Media = Mediana = Moda

La Media , es tambin su par.metro de locali3acin

La PDF normal tiene forma de una campana con

La normal no tiene par.metro de forma. Esto significa

La desviacin estndar , es el par.metro de escala

Funcin de Distribucin Normal

Tienden a seguir una distribucin normal los ciclos de falla en

Es til si el coeficiente de variacin es pequeo (<10%)

Las propiedades de varios materiales tienden a seguir una

Las fallas a la tensin de muchos materiales estructurales

El modelo exponencial, con un solo par.metro, es el ms

mientras la funcin pdf de la distribucin exponencial

Tiene usted una Distribucin Weibull con =2

Tiempo de )ida til

Cuando = 2.5 la Weibull se aproxima a la

Cuando se modela el tiempo que se necesita para

Cuando = 5 la Weibull se aproxima a una Normal

Qu pasa en una distribucin Weibull si el tiempo

9i un tiempo t est. distribuido 1o2normal:

donde y son funciones de ln's

Funcin de Distribucin Lognormal

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

La resistencia de materiales frecuentemente sigue una distribucin

Las variables de peso son frecuentemente bien representadas con

Es una buena distribucin para cualquier variable

La medida de cualquier resultado el cual es el resultado de una

Usados cuando la distribucin subyacente de los tiempos de

Cualquiera que sea el mtodo usado

Pasar las pruebas estadsticas y visuales

Grficas, Abrir: identificacin.mtw

Abra los datos en distribucin.mtw (los

proponga una distribucin

Los modelos paramtricos tienen muchas ventajas

Es necesario asegurar cul es el modelo ms

La decisin depende del conocimiento del