Tcniques estadstiques per a la qualitat

Fiabilidad. 1
1. Conceptos bsicos
1.1 1.1.1 Fiabilidad y fallo Qu entendemos por fiabilidad?

Imaginemos que acabamos de comprar una radio. Cuntas horas podremos usarla sin que se estropee? La respuesta a esta pregunta interesa a los fabricantes de la radio para evaluar si se satisfacen las expectativas del cliente y decidir qu perodo de garanta ofrecen. Es evidente que no todas las radios duran lo mismo. Incluso estudiando un determinado modelo de radio de un nico fabricante, hay algunas unidades que se estropean antes que otras. Es por eso que decimos que las horas de uso de la radio antes de estropearse es una variable aleatoria. Podemos asignar para un nmero de horas determinado de uso de la radio la probabilidad de que todava no se haya estropeado. A este valor de probabilidad le llamamos fiabilidad. La fiabilidad de un producto (o una mquina, un proceso) es la probabilidad de que funcione correctamente bajo las condiciones de operacin durante un tiempo especificado. La fiabilidad hace referencia, por tanto, a la calidad del producto a largo plazo. La fiabilidad de un producto debe tenerse en cuenta ya desde la fase de diseo. En la fase de diseo, definiremos en qu condiciones deber poder usarse el producto, y cules son los materiales y las configuraciones que mejor respondern a esas condiciones. Cuando tenemos un prototipo del producto, y antes de fabricarlo en serie, se deben realizar tests (denominados ensayos de fiabilidad) para comprobar sus caractersticas de fiabilidad. Aunque en este tema nos centraremos en el anlisis de los datos ms que en la elaboracin de los tests, no hay que olvidar que hacer bien este primer paso es muy importante. 1.1.2 Utilidad de tener datos sobre fiabilidad

Nos interesa tener datos sobre fiabilidad para poder: Predecir los costes por garanta de un producto. Tener la informacin necesaria para evaluar el riesgo de fallo de un sistema (mantenimiento preventivo). Evaluar el efecto de un cambio propuesto en el diseo. Evaluar si se satisfacen los requerimientos del cliente y las regulaciones del gobierno. Comparar componentes o materiales de dos o ms fabricantes.

Al estudiar la fiabilidad de un producto o proceso, podremos responder preguntas como: Cul es el porcentaje de unidades que fallan antes del tiempo de garanta? Cul es la tasa de fallos de un sistema? Es ms fiable el producto fabricado con el material A o con el B?

Este material ha sido elaborado por los profesores de la asignatura Tcniques Estadstiques per a la Qualitat (ETSEIB) para uso de los estudiantes. Septiembre 2013. Fiabilidad 1

Tcniques estadstiques per a la qualitat

1.1.3

Concepto de fallo

Los datos que necesitamos para hacer estudios de fiabilidad son los tiempos que tardan en fallar unidades del producto en estudio. El concepto de fallo es, pues, fundamental en los estudios de fiabilidad. Entendemos por fallo el fin de la aptitud de un dispositivo para cumplir su funcin. La definicin de fallo debe ser precisa, es decir, debemos dejar bien clara cul es la funcin del dispositivo para poder detectar as cuando deja de cumplirla. Distinguimos dos tipos de fallo: Fallo contundente: es el caso de una bombilla, deja de funcionar cuando no se enciende. Fallo gradual: es el caso de unos neumticos, en los que se va produciendo un desgaste.

En el caso de fallo gradual, es necesario definir unos lmites de tolerancia. Superado un cierto valor de desgaste, decimos que el neumtico ya no funciona (se produce el fallo). Hay que distinguir tambin entre dos tipos de dispositivos: Aquellos que no se pueden reparar. En este caso slo tiene sentido considerar el tiempo hasta el primer fallo. La de dispositivos que se pueden reparar. En este caso nos interesar ver el tiempo entre fallos consecutivos. La fiabilidad es entonces mucho ms complicada, excepto si la distribucin de probabilidad del tiempo entre fallos no depende de la edad del dispositivo (no tiene memoria). Funcin de fiabilidad y pruebas para determinar la fiabilidad Concepto de funcin de fiabilidad

1.2 1.2.1

Hemos definido fiabilidad como la probabilidad de que un dispositivo todava no haya fallado en un momento t determinado. Imaginemos que tenemos una funcin f(t) que representa la densidad de probabilidad de fallos de nuestro dispositivo en estudio. Si integramos f(t) entre dos tiempos t1 y t2 obtendremos la probabilidad de que el dispositivo falle en ese intervalo de tiempo (o lo que es lo mismo, tendremos la proporcin de dispositivos que fallarn en ese intervalo de tiempo). F(t) representa la funcin de distribucin de f(t), definida por () = ( )

F(t) nos da la probabilidad acumulada Pr( ) = (), es decir, la probabilidad de que el dispositivo se haya estropeado al llegar al tiempo t.

El complementario, () = 1 (), nos da la probabilidad de que el dispositivo funcione al llegar al tiempo t, o sea, Pr( > ) = (). Justamente llamamos a la funcin R(t) funcin de fiabilidad (reliability).

Fiabilidad

Tcniques estadstiques per a la qualitat

La zona sombreada en la funcin densidad de probabilidad corresponde a la probabilidad de que el dispositivo haya fallado al llegar al tiempo T. Eso es lo mismo que nos indica la funcin de distribucin, evaluada en T.

1.2.2

Pruebas para determinar la fiabilidad

El objetivo de las llamadas pruebas de vida es hacer experimentos para determinar las caractersticas de fiabilidad del dispositivo en estudio. Las caractersticas de fiabilidad son los parmetros estadsticos que determinan la funcin de fiabilidad, R(t). Cuando diseamos la prueba debemos pensar cuantos dispositivos se sometern al experimento, como los controlaremos (de forma contnua o en momentos de tiempo prefijados) y si cambiaremos o no las unidades a medida que se estropeen. Hay que decidir tambin en qu momento daremos por finalizada la prueba. Hay tres opciones: Acabar la prueba cuando han fallado todas las unidades. Acabar la prueba cuando han fallado un nmero determinado de unidades. Acabar la prueba pasado un cierto tiempo.

Nosotros nos centraremos en pruebas completas, es decir, acabamos la prueba cuando han fallado todas las unidades. Aunque en todo momento hablamos de tiempo, a veces la duracin de un dispositivo se mide en otras unidades que son equivalentes a tiempo para ese dispositivo. Por ejemplo, los quilmetros rodados de un neumtico. Para simplificar, siempre usaremos en este mdulo tiempo como unidad de duracin. 1.3 1.3.1 Caractersticas bsicas de fiabilidad Vida media

Ya hemos comentado que el tiempo que tarda un dispositivo en fallar es una variable aleatoria, que toma valores distintos para cada unidad de dispositivo. La vida media es el valor medio o esperanza matemtica de la distribucin de probabilidad que describe el tiempo de fallo. () = ()
0

Fiabilidad

Tcniques estadstiques per a la qualitat

Tiene sentido definirla para dispositivos no reparables. = , donde ti Podemos calcular una estimacin de la vida media a partir de una muestra: 1.3.2 Tiempo medio hasta el fallo (MTTF, mean time to failure)

es el tiempo que dura la unidad i antes de fallar, y n es el nmero total de dispositivos del experimento.

El tiempo medio hasta el fallo es una caracterstica de fiabilidad que se asimila a la vida media, pero la manera de calcularlo es distinta. Se aplica tambin a los dispositivos no reparables. El MTTF observado se calcula, a partir de los datos de una muestra, segn: =
tiempo de funcionamiento de los dispositivos probados nmero de fallos observados

A diferencia de con la vida media, en este caso no tenemos que esperar a que fallen todos los dispositivos. El MTTF es una aproximacin a la vida media autntica cuando la distribucin del tiempo de fallo se puede ajustar a un modelo exponencial. Ejemplo: En una prueba de vida se han obtenido los siguientes valores de tiempo de fallo (en minutos): 3, 5, 8, 14, 20. Calcular el MTTF. MTTF = 1.3.3
3 + 5 + 8 + 14 + 20 5 = 10min.

Tiempo medio entre fallos (MTBF, mean time between failure)

Cuando nos encontramos ante dispositivos reparables, la caracterstica de calidad que nos interesa es el tiempo entre fallos. De nuevo, esto es una variable aleatoria. El MTBF nos da una estimacin de su valor medio. Podemos calcular el MTBF a partir de una muestra con: =

Es decir, igual que calculbamos el MTTF. Sin embargo, esto slo es cierto si: No hay diferencia entre un dispositivo reparado y uno nuevo (es decir, los dispositivos se podran cambiar por uno nuevo en vez de repararlos) La probabilidad de fallos es independiente de la edad del dispositivo.

En caso contrario, el tratamiento de la fiabilidad de dispositivos reparables se complica mucho, y queda fuera del mbito de este mdulo de estudio. 1.3.4 Funcin emprica de fiabilidad

La mejor estimacin de una proporcin de la poblacin es esa proporcin en la muestra. Por tanto, para un valor de tiempo t determinado, podemos estimar la fiabilidad como: () =

Ejemplo: Los siguientes datos fueron obtenidos en una prueba de vida y miden el tiempo de perforacin, en minutos, de un fluido aislante entre electrodos a 34 KV. El experimento termina cuando todos los componentes han fallado.
Fiabilidad 4

Tcniques estadstiques per a la qualitat

0,19 7,35

0,78 8,01

0,96 8,27

1,31

2,78

3,16

4,15

4,67

4,85

6,50

12,06 31,75 32,52 33,91 36,71 72,89

Se supone que el tiempo t que transcurre hasta fallar se ajusta bastante bien a un modelo exponencial. Realice una estimacin emprica de la fiabilidad a los dos minutos () = 1.4
=2 15 19

Tasa de fallos

= 0,79

La tasa de fallos representa la velocidad a la cual se producen los fallos en un dispositivo. Definimos tasa de fallos como la fraccin de unidades de un dispositivo que dejan de funcionar (fallan) por unidad de tiempo. En general, la tasa de fallos depende del tiempo. Se designa por h(t) y se denomina funcin de riesgo (hazard function). Si la tasa de fallos es constante, se denota entonces por , y todo se simplifica mucho si podemos aceptar la hiptesis de tasa de fallos constante. Si la tasa de fallos es constante, su valor coincide con la inversa de la vida media. Efectivamente, la vida media representa el tiempo medio por fallo, y la tasa de fallos el nmero de fallos por unidad de tiempo. 1.4.1 Expresin matemtica de tasa de fallos (1 ) (2 ) (2 1 )(1 )

Para un intervalo de tiempo (t1, t2) definimos la tasa de fallos como (1 , 2 ) =

(1 ) (2 ) representa la proporcin de los dispositivos totales que han fallado entre t1 y t2.
(1 )(2 ) (2 1 )(1 ) (1 )(2 ) (1 )

es la proporcin de los dispositivos que tenamos en t1 que han fallado entre t1 y t2. representa la fraccin de dispositivos que fallan por unidad de tiempo.

Si hacemos tender t2 a t1 (2 1 ), tenemos 2:

1.4.2

Clculo de la tasa de fallos a partir de valores experimentales

(1 ()) () (1 ) (2 ) () () = lim 2 1 = = = (2 1 )(1 ) () () ()

Vamos a ver cmo podemos calcular la tasa de fallos a partir de valores experimentales partiendo del ejemplo de la tabla de mortalidad de Halley. Esta tabla nos proporciona informacin sobre la edad de defuncin de las personas de la poca (la tabla data del 1693).

Recordemos la definicin matemtica de derivada:

g(x 2 ) g(x1 ) dg(x) = lim x 2 x1 dx (x 2 x1 )

Fiabilidad

Tcniques estadstiques per a la qualitat

Tabla de mortalidad de Halley Edad t 0 0-5 5-10 10-15 15-20 20-25 25-30 30-35 35-40 40-45 45-50 50-55 55-60 60-65 65-70 70-75 75-80 80-85 Proporcin f(t) 0,290 0,057 0,031 0,030 0,032 0,037 0,042 0,045 0,049 0,052 0,053 0,050 0,050 0,051 0,053 0,044 0,034 Fiabilidad R(t) 1 0,710 0,653 0,622 0,592 0,560 0,523 0,481 0,436 0,387 0,335 0,282 0,232 0,182 0,131 0,078 0,034 0,000 Tasa h(t) 0,058 0,016 0,010 0,010 0,011 0,013 0,016 0,019 0,022 0,027 0,032 0,035 0,043 0,056 0,081 0,113 0,200

La Figura 1 muestra el histograma de las proporciones de defunciones segn la edad.

Figura 1. Histograma de defunciones segn edad (tabla de Halley)

Cmo calculamos la fiabilidad? Recordemos que la fiabilidad es R(t) = 1 F(t). Por tanto, para cada valor de t necesitamos conocer F(t) (probabilidad acumulada) y restar a 1 ese valor. Cmo calculamos la tasa de defunciones? Recordemos la expresin de la tasa de fallos: (1 , 2 ) = (1 ) (2 ) (2 1 )(1 )
6

Calculemos ahora la tasa de mortalidad entre 5 y 10 aos:

Fiabilidad

Tcniques estadstiques per a la qualitat

los que murieron de 5 a 10 aos 0,057 los que haba a los 5 aos 0,08 0,710 = = = 0,016 muertes/ao intervalo de aos 5 aos 5 aos
Se muri un 8% de los que haba a los 5 aos, y se murieron a una tasa de 1,6% por ao. La Figura 1 muestra la tasa de muertes por ao.

Figura 1. Tasa de defunciones segn la edad (tabla de Halley)

A menudo la tasa de fallos de los dispositivos tiene una forma parecida a la de la Figura 1. Es la llamada curva de baera. Esta curva nos indica que podemos dividir la vida del dispositivo en tres etapas: Periodo de fallo precoz: al principio de la vida de un dispositivo, la tasa de fallos disminuye con el tiempo. Periodo de fallo con tasa constante: la tasa de fallos en esta etapa es ms o menos constante. Periodo de fallo por desgaste: al final de la vida del dispositivo, la tasa de fallos va aumentando con el tiempo.

Puede pasar que, para un dispositivo determinado, algunas de estas etapas sea muy corta o prcticamente inexistente. En la prctica, nos puede interesar nicamente el perodo de tasa constante, ya que: El perodo de fallo precoz queda fuera de la vida comercial del producto (se produce dentro de la fbrica). El aparato quedar obsoleto antes de llegar a la edad de desgaste.

Fiabilidad

Tcniques estadstiques per a la qualitat

Figura 2. Curva de baera

En este primer apartado hemos visto cmo realizar estimaciones sin suponer ninguna distribucin de probabilidad para la variable aleatoria tiempo de fallo. Eran estimaciones no paramtricas. A continuacin veremos cmo trabajar cuando los tiempos de fallo se ajustan a una distribucin exponencial o de Weibull.

2. Modelo exponencial
2.1 Densidad de probabilidad, funcin de distribucin y funcin de fiabilidad

Imaginemos que el tiempo que pasa hasta que se produzca el fallo de un dispositivo sigue una distribucin exponencial con parmetro . La densidad de probabilidad del modelo exponencial (o sea, la representacin del histograma de los fallos si el nmero de unidades en estudio fuese muy elevado) tiene la forma:

f(t) = e t
La funcin de distribucin nos da la probabilidad acumulada, es decir, Pr(T t )

t t F(t) = f(x)dx = e x dx = 1 e t
Recordemos que en el apartado anterior hemos definido la funcin de fiabilidad como el complementario de la funcin de distribucin. As:

R(t) = 1 F(t) = e t
Podemos comprobar a partir de la definicin dada en el apartado anterior que la funcin de riesgo es constante e igual a .

h(t) =

f(t) e t = = R(t) e t

El parmetro es por tanto la tasa de fallos (constante), y tiene dimensiones de [tiempo]-1. La inversa de es la vida media, , que tiene dimensiones de [tiempo].

Fiabilidad

Tcniques estadstiques per a la qualitat

La figura Figura muestra la forma de la distribucin exponencial segn el valor del parmetro

Figura 4. Distribucin exponencial segn el valor de

La esperanza matemtica de una variable aleatoria que siga una ley exponencial es . La varianza es 2. Percentil de orden p El percentil de orden p corresponde al valor de tiempo para el cual ha fallado una proporcin p de dispositivos.

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

( )

( )

t p = ln (1 p )
Resumen del modelo exponencial Funcin densidad de probabilidad Funcin de distribucin Funcin de fiabilidad

f(t) = e t

F(t) = 1 e t

R(t) = e t

Definida por un solo parmetro:

tasa de fallos (constante)

Esperanza matemtica = Varianza = 2

1 vida media

Fiabilidad

Tcniques estadstiques per a la qualitat

2.2

Utilidad del modelo exponencial

La tasa de fallos en el modelo exponencial es constante. Esto significa que la probabilidad que se produzca un fallo es la misma para una unidad nueva que para una antigua. Se dice tambin que la distribucin no tiene memoria, los dispositivos no recuerdan cun viejos son. Por eso es adecuado para representar productos sin desgaste. La ley exponencial se adapta bien al estudio de los fallos de un sistema compuesto por muchos componentes similares, que se van reemplazando cuando fallan por otros nuevos. Sin embargo, a menudo se ha usado el modelo exponencial sin que fuera el ms adecuado. En el siguiente apartado veremos la distribucin de Weibull, ms general, que puede ser til para modelizar otros comportamientos (de hecho, la exponencial es un caso particular de la Weibull). 2.3 Estimacin de

Como es la vida media, un buen estimador puntual resultar de calcular la media muestral de los tiempos de fallo.

= MTTF =

T = r

t
r

donde ti es el tiempo de funcionamiento de cada dispositivo, y r es el nmero de fallos observados (que coincide en nuestro caso con el nmero total de dispositivos en prueba, ya que hemos terminado la prueba cuando se han estropeado todos). Tambin es posible encontrar intervalos de confianza para . 2.4

Comprobacin del ajuste al modelo exponencial con grficos de probabilidad

Queremos ver si nuestro conjunto de datos de tiempos de fallo se pueden ajustar o no a un modelo exponencial. Cmo podemos hacer esto? 1. Una primera idea puede ser partir de la naturaleza de la variable que se mide. 2. Con base en los datos puede compararse la media y la desviacin estndar (deben ser similares) 3. Puede construirse la funcin emprica de riesgo (deber ser aproximadamente constante). 4. Si hay suficientes datos puede construirse un histograma y observar su forma. Pero probablemente el mejor sistema sea usar un mtodo grfico. Partamos de la funcin de distribucin del modelo exponencial:

F(t) = 1 e t 1 F(t) = e t ln (1 F(t) ) = t

Llamando W a ln (1 F(t) ) tenemos que W = t , la ecuacin de una recta con pendiente Para un modelo exponencial, el grfico de los puntos t ,ln (1 F(t) ) corresponde a una recta. Los paquetes de software estadstico que incluyen anlisis de fiabilidad son capaces de dibujar valores en papel probabilstico exponencial, de manera que cuando los datos siguen un modelo exponencial, quedan alineados.
Fiabilidad 10

(i

Tcniques estadstiques per a la qualitat

Estimacin grfica de los parmetros Al dibujar los puntos en papel probabilstico exponencial, podemos obtener la siguiente informacin de esta representacin: La pendiente de la recta ajustada corresponde a la tasa de fallos . Un estimador grfico del porcentaje de componentes que han fallado en un tiempo t se encuentra leyendo la ordenada que corresponde a la abscisa para ese tiempo t. Un estimador grfico de un percentil se obtiene mirando el valor de abscisas que corresponde a la ordenada que deseamos.

3. Modelo de Weibull
3.1 Densidad de probabilidad, funcin de distribucin y funcin de fiabilidad

El modelo de Weibull debe su nombre al cientfico Waloddi Weibull, que populariz su uso al publicar un artculo en el Journal of Applied Mechanics en 1951. El modelo de Weibull es muy verstil porque permite representar situaciones con tasa de fallos constante, creciente o decreciente. Dependiendo del valor de sus dos parmetros puede tomar formas que se adaptan a una exponencial, a una normal, a una lognormal, por lo que se puede usar en una gran cantidad de problemas. Es adecuado para representar la vida de dispositivos formados por varios componentes con distribuciones de tiempo de fallo similares, y que cuando falla uno de los componentes falla el dispositivo. La densidad de probabilidad del modelo de Weibull tiene la forma:

f(t) =

1 (t/) t e (t/)

La funcin de distribucin nos da la probabilidad acumulada, es decir, Pr(T t)

F(t) = 1 e

La funcin de fiabilidad es el complementario de la funcin de distribucin. As:

R ( t ) = e ( t / )

La distribucin de Weibull tiene dos parmetros: es el parmetro de escala. es el parmetro de forma, y determina la forma de la distribucin.

A tambin se le llama vida caracterstica, porque representa el tiempo para el cual la probabilidad de fallo acumulado es 0,632. Todas las funciones de distribucin Weibull pasan por el punto ( ; 0,632). Cuando =1, estamos en el caso particular de la distribucin exponencial. Si est entre 3 y 4 la forma de la distribucin de Weibull se parece a la normal.
Fiabilidad 11

Tcniques estadstiques per a la qualitat

La Figura 5 muestra la forma de la distribucin de Weibull segn el valor de los parmetros y .

f(t)

(alfa, beta)
(1,1) (1,3) (2,3) (3,3)

1.5

1.0

: Parmetro de escala
0.5

: Parmetro de forma

0.0 0 1 2 3 4 5 6

=1, distribucin exponencial

>1, fallos por envejecimiento <1, fallos prematuros

Percentil de orden p

Figura 5. Distribucin de una Weibull segn los parmetros y

El percentil de orden p corresponde al valor de tiempo para el cual ha fallado una proporcin p de dispositivos.

F(t) = 1 e

F tp = p 1 e
tp

( )

t p

=pe

t p

tp = 1 p = ln (1 p )

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

Media y varianza Estas son las expresiones de la media y la varianza de una variable aleatoria que sigue un modelo de Weibull.

1 T = 1 +
2 1 2 2 T = 1 + 1 +
donde es la funcin gamma (x ) = u x 1e u du . Existen tablas para la funcin gamma.

Fiabilidad

12

Tcniques estadstiques per a la qualitat

Resumen del modelo de Weibull Funcin densidad de probabilidad () = 1 (/) Funcin de distribucin () = 1 (/)

Funcin de fiabilidad () = (/)

Definida por dos parmetros:

Con =1 tenemos el caso particular del modelo exponencial.

: parmetro de escala. : parmetro de forma

3.2 Utilidad del modelo de Weibull

La tasa de fallos en el modelo de Weibull no es constante. Su funcin de riesgo h(t) es:

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

Figura 3.1. Funcin de riesgo en un modelo de Weibull

Justamente esta funcin de riesgo es lo que hace al modelo de Weibull tan verstil. Si <1 la funcin de riesgo disminuye al aumentar t. Es el comportamiento tpico de los fallos prematuros. Es recomendable en esos casos un envejecimiento previo del producto, de manera que los fallos prematuros ya no se producen cuando llega al mercado Si =1, tenemos una funcin de riesgo constante. Es el caso particular de la exponencial, que se adapta a la zona de fallos ocasionales.

Fiabilidad

13

Tcniques estadstiques per a la qualitat

Si >1, la funcin de riesgo aumenta al aumentar t. Estamos en la zona de fallos por envejecimiento.

3.3

Comprobacin del ajuste al modelo de Weibull con grficos de probabilidad

Queremos ver si nuestro conjunto de datos de tiempos de fallo se pueden ajustar o no a un modelo de Weibull. Vamos para ello a representar los datos en papel probabilstico de Weibull. Si partimos de la funcin de fiabilidad:

R(t) = e

t ln(R(t)) =

t ln ( ln(R(t)) ) = ln = ln(t) ln()

Que podemos identificar con Y = X + A . A partir de esta relacin se ha diseado el papel probabilstico de Weibull. Si los datos provienen de una distribucin de Weibull, quedan alineados al representarlos en este papel. Los paquetes de software estadstico que incluyen anlisis de fiabilidad son capaces de dibujar valores en papel probabilstico de Weibull, de manera que cuando los datos siguen un modelo de Weibull, quedan alineados. Estimacin grfica de los parmetros La pendiente de la recta ajustada corresponde a la estimacin del parmetro . Como todas la funciones de distribucin de Weibull pasan por el punto ( ; 0,632), podemos determinar mirando que valor de abcisa corresponde a la ordenada del 63,2 %. Un estimador grfico del porcentaje de componentes que han fallado en un tiempo t se encuentra leyendo la ordenada que corresponde a la abcisa para ese tiempo t. Un estimador grfico de un percentil se obtiene mirando el valor de abcisas que corresponde a la ordenada que deseamos.

Fiabilidad

14