Está en la página 1de 21

ESTIMACIN DE LA FUNCIN DE CONFIABILIDAD

PARA TRAYECTORIAS DE DEGRADACIN


MODELADAS POR PROCESOS WIENER

Jorge Guadalupe Snchez Ramrez


Licenciatura en Matemticas Aplicadas
Noveno Semestre
Matemticas y Estadstica
Resumen:
La presente investigacin fue realizada con el fin de encontrar la funcin de confiabilidad para trayectorias de degradacin, las cuales, fueron modeladas por un proceso de
Wiener. Para ello fue necesario obtener los estimadores de los parmetros del modelo,
sabiendo que la distribucin subyacente tena una distribucin normal, tales estimadores se encontraron usando el mtodo de mxima verosimilitud. El estudio se sustenta en
la teora de confiabilidad, la cual, ha tenido un gran desarrollo en la actualidad. Nuestra
investigacin se justific en la relevancia que se tiene el poder obtener una estimacin
cuantificable de que tan confiable es un objeto en un determinado momento de su vida
til. Metodolgicamente el trabajo aborda primeramente la teora clsica de probabilidad, que fue el punto de partida para obtener las funciones de la teora de confiabilidad
y los parmetros de nuestro modelos, despus se puso a prueba todo lo obtenido, aplicndolo a datos de degradacin reales. El procesamiento de datos permiti encontrar
una funcin de confiabilidad para un objeto en especifico, la cual arrojo informacin muy
til para la prediccin del tiempo de falla del objeto en cuestin.

Vo. Bo. Dra. Silvia Rodrguez Narciso

Aguascalientes, Ags. Mxico. A 11 de Diciembre del 2015

ndice
Introduccin

1. Delimitacin del objeto de estudio

2. Marco Terico

2.1. Teora de confiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. Funcin de Confiabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. Modelos para trayectorias de degradacin . . . . . . . . . . . . . . . . . .

2.3.1. Trayectorias de degradacin . . . . . . . . . . . . . . . . . . . . .

2.3.2. Estimacin de los parmetros del modelo de degradacin . . . . .

2.4. Proceso de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4.1. Definicin de un Proceso de Wiener . . . . . . . . . . . . . . . . .

2.5. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3. Metodologa

11

3.1. Estimacin de la funcin de confiabilidad . . . . . . . . . . . . . . . . . . 11


3.2. Estimacin de los Parmetros del modelo . . . . . . . . . . . . . . . . . . 12
3.3. Estimacin de los cuantiles de la distribucin de tiempo de vida . . . . . . 13
3.4. Simulacin de trayectorias . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4. Resultados

17

5. Conclusiones

19

6. Agradecimientos

19

Apndice

20

Referencias

21

Introduccin
El presente trabajo tiene como fin encontrar la funcin de confiabilidad para trayectorias de degradacin, las cuales, sern modeladas por un proceso de Wiener, esto
implica que los cambios en la degradacin tiene que ser independientes y distribuidos
normalmente. El motivo de modelar las trayectorias con tal proceso es que se busca
estudiar degradaciones no montonas, es decir, buscamos modelar y estudiar sistemas
que en el periodo de su vida til, en algn momento, presenten una recuperacin en
su desgaste. Adems con la ayuda de la modelacin se obtendr la distribucin del
tiempo de vida de trayectorias que an no llegan al final de su vida til, para esto, nos
apoyaremos en las pruebas de degradacin.
Aplicando lo anterior se podr obtener la distribucin de tiempo de vida a datos reales
que cumplan las caractersticas de las trayectorias de degradacin estudiadas, esto es,
que sean no montonas y que sus cambios en la degradacin sean independientes e
idnticamente distribuidos. Es una ventaja estudiar trayectorias no montonas, ya que
en la vida laboral los sistemas normalmente tienen un mantenimiento peridico y con ello
una disminucin en su desgaste, as se obtiene que su degradacin no es montona.
Adems en la prctica, algunas piezas presentan un tipo de mejora en algunos tiempos
dados.
El campo de aplicacin de la Teora de la Confiabilidad se ampla constantemente.
Todos los sistemas de ingeniera, simples y complejos, pueden beneficiarse de la aplicacin integrada de los conceptos de esta teora en sus fases de planeacin, diseo
y operacin. El aumento de la confiabilidad puede revertirse en ganancia en un plazo
mayor, y puede significar, por otra parte, una disminucin de riesgos para la salud y la
vida de las personas, y para el medio ambiente.
Para lograr todo lo mencionado anteriormente, en el segundo Seccin de ste trabajo se darn a conocer los conceptos bsicos de probabilidad y confiabilidad necesarios
para poder desarrollar nuestros resultados. En el Seccin 3, mostraremos paso a paso,
como se aplicaron los conceptos anteriores para poder obtener la funcin de confiabilidad de las trayectorias. En el Seccin 4, se mostrara de forma estructurada todos
los resultados que se lograron obtener. Finalmente, en el Seccin 5, se mostrarn las
conclusiones finales de nuestro trabajo.

1.

Delimitacin del objeto de estudio


Los primeros estudios de confiabilidad se dieron durante la guerra de Corea, el De-

partamento de Defensa de los Estados Unidos realiz estudios a equipos electrnicos


militares, cuyas fallas estaban ocasionando graves prdidas econmicas y disminucin
de la efectividad militar. Debido a esto, la relacin entre confiabilidad, costos y mantenimiento adquiri gran importancia. Desde entonces, las compras de equipos electrnicos
por las fuerzas armadas de los Estados Unidos fueron reglamentadas segn especificaciones de confiabilidad de los equipos.
Hasta principios de los aos sesentas los estudios tericos y prcticos sobre confiabilidad eran realizados fundamentalmente en los Estados Unidos y la Unin Sovitica.
En esta dcada los estudios se extienden hacia otros pases y tambin hacia otras
tecnologas. En esta poca se expone por primera vez una teora matemtica de la
confiabilidad (Barlow and Proschan(1964) y Gnedenko et al. (1965)).
El estudio de la confiabilidad requiere de mucho trabajo, desde la recoleccin de datos de los objetos de inters (que en ocasiones puede ser muy costoso), hasta el anlisis
necesario para lograr una buena estimacin de sus tiempos de vida, esto se puede volver bastante complejo, lo que nos obliga a hacernos las siguientes preguntas; Por qu
es tan importante estudiar la confiabilidad de un objeto? Qu ventajas nos da poder
predecir el tiempo de falla de un objeto? Es conveniente invertir en un estudio de confiabilidad? Es evidente que el anlisis de confiabilidad debe aplicarse cuando veamos
que nos puede proporcionar grandes ganancias, por ejemplo, aplicar esta herramienta
donde haya grandes cantidades de objetos similares suena muy conveniente, ya que
con un solo estudio se pueden obtener pronsticos para una cantidad de elementos,
sin duda alguna que la estimacin de tiempos de vida siempre va a ser una herramienta
muy til si el propsito es explotar de mejor manera cualquier recurso a nuestro alcance.

2.

Marco Terico
En esta seccin desarrollaremos la teora necesaria para estimar la funcin de con-

fiabilidad de un proceso de degradacin, para ello, primeramente definiremos los conceptos bsicos sobre confiabilidad.

2.1.

Teora de confiabilidad

En el mundo laboral, uno de los aspectos que ms inquieta al hombre es la incertidumbre respecto a la duracin o supervivencia de uno o varios de los elementos
involucrados en la produccin de la empresas. Por este motivo se present la necesidad de desarrollar una nueva teora, la cual nos permitir estimar la supervivencia de
un sistema, a esta teora se le conoce como "Teora de Confiabilidad", a continuacin
escribiremos lo que se entiende por confiabilidad.
Confiabilidad: Es la probabilidad de que un sistema funcione adecuadamente bajo
condiciones de operacin previamente establecidas durante un perodo de tiempo o un
nmero establecido de ciclos (Garca G. 2006).

2.2.

Funcin de Confiabilidad

Para poder definir la funcin de confiabilidad es necesario introducir algunas definiciones bsicas de la teora de probabilidad.
Funcin de densidad de probabilidad: La funcin f (x) es una funcin de densidad
de probabilidad para la variable aleatoria continua X , definida sobre el conjunto de los
nmeros reales, s:
1. f (x) 0
2.

x R.

f (x)dx = 1

3. P (a X b) = P (a < X b) = P (a < X < b) =


constantes reales

Rb
a

fx (x)dx , donde a y b son

Funcin de Densidad Acumulada: La distribucin acumulada F (x) de una variable


aleatoria continua X, con una funcin de densidad f (x) es:

F (x) = P (X x) =

f (s)ds;

para

(1)

Ahora que recordamos lo que es una funcin de densidad y densidad acumulada,


ya tenemos las herramientas necesarias para definir lo que se entiende por funcin de
confiabilidad.
Funcin de Confiabilidad: La funcin de confiabilidad al tiempo t se denota como

C(t) y se describe como la probabilidad de no ocurrencia de fallas en un sistema antes


del tiempo t, esta definida por:

C(t) = 1 F (t)

(2)

Cabe mencionar que para poder hacer un anlisis de confiabilidad se requiere de un


anlisis de la distribucin del tiempo de vida del sistema de inters.
Existen diversas pruebas que nos permiten obtener los datos necesarios. Algunos
tipos de pruebas son las siguientes:
1. Pruebas de vida tradicionales: Las pruebas de vida tradicionales consisten en
observar al producto de inters hasta que este llegue a la falla sin hacer ningn
tipo de manipulacin.
2. Pruebas de vida acelerada: Una prueba de vida es aquella en la cual un artculo o producto de inters, se somete a un esfuerzo en condiciones ambientales
mayores a las que tpicamente estar operando. Por ejemplo, incrementando la
temperatura, voltaje etc.
3. Pruebas de degradacin: Las pruebas de degradacin se utilizan especialmente
cuando el articulo posee alguna caracterstica que se puede medir a lo largo del
tiempo o del uso, lo cual determina su tiempo a la falla.

En esta tesina trabajaremos con las pruebas de degradacin, las cuales se explicaran
detalle en la siguiente Seccin.

2.3.

Modelos para trayectorias de degradacin

Cuando se quiere estudiar la confiabilidad de un producto en particular, un tipo de


informacin que se puede recolectar, son los datos de la degradacin fsica del producto
como una funcin del tiempo. Sin embargo, en muchos casos no se puede medir fsicamente la degradacin, pero si se pueden tener medidas de la evolucin del desempeo
del producto y por ende de su degradacin en el tiempo en trminos de desempeo.
Los datos mencionados son catalogados como "Datos de degradacin". Si los datos de
degradacin estn disponibles, su uso puede tener importantes ventajas prcticas, en
nuestro caso, obteniendo los datos de degradacin de un sistema, lograremos proyectar
la trayectoria de degradacin de ste, logrando as, anticipar el tiempo de falla.
2.3.1.

Trayectorias de degradacin

Una manera de modelar datos de degradacin es mediante modelos de efectos mixtos o aleatorios como se muestra en seguida.
La trayectoria real de degradacin de una unidad particular sobre el tiempo se denota
por D(t), t > 0. En algunas aplicaciones, los valores de D(t) son tomados como puntos
discretos en el tiempo t1 , t2 , ..., tm y la degradacin muestral observada yij de la unidad

i al tiempo tj es:

yij = Dij + ij

i = 1, ..., n, j = 1, ..., mi ,

(3)

donde Dij = D(tij , 1i , ..., ki ) es la trayectoria real de degradacin para la i-sima


unidad al tiempo tij y ij v N (0, 2 ) son los errores de medicin al obtener la muestra de
la unidad i en el tiempo tj . El nmero total de inspecciones en la unida i es denotado mi .
El tiempo tj puede ser tiempo real o tiempo operacional o alguna otra medida apropiada
de uso. Para la i-sima unidad (1i , ..., ki ) es el vector de k parmetros desconocidos,
algunos de los cuales pueden ser considerados aleatorios y otros fijos, en nuestro caso
los tomaremos fijos (Meeker y Escobar (1998)).
Las escalas de los yij y ti pueden ser escogidas como sugieran la teora fsica y los
datos, para simplificar la forma de D(t, 1 , ..., k ). Los modelos de degradacin, requieren no slo la especificacin de la forma de la funcin D(t, 1 , ..., k ), sino que requieren
tambin la especificacin de cuales de los parmetros 1 , ..., k son aleatorios (diferen-

tes de unidad a unidad) y cuales son fijos (comunes para todas las unidades). Por conveniencia, se modelar la variabilidad unidad a unidad en 1 , ..., k con una distribucin
normal multivariada con vector de medias y matriz de covarianzas .
Si bien los valores de 1 , ..., k para las unidades individuales, pueden ser de inters
en algunas aplicaciones, nos concentraremos en el uso de los datos de degradacin,
para hacer inferencias acerca del tiempo medio de falla de la poblacin, proceso o predicciones acerca de la degradacin de futuras unidades. En este caso los parmetros
principales del modelo son , y tambin la desviacin estndar del error . Por
facilidad de notacin podemos escribir = ( , ) para denotar los parmetros sobre
toda la poblacin o proceso.
2.3.2.

Estimacin de los parmetros del modelo de degradacin

La verosimilitud para los parmetros aleatorios del modelo de degradacin puede


ser expresada como:

"m
#
Yi 1
L( , | DAT OS) =
...
nor (ij ) f (1i , ..., ki ; )d1i , ..., dki

i=1
j=1
n
Y

(4)

donde ij = [yij D(tij , 1i , ..., ki )]/ y f (1i , ..., ki ; ) es la densidad Normal


Multivariada. Cada evaluacin de la verosimilitud puede, en general, requerir aproximacin numrica de n integrales de dimensin k (donde n es el nmero de trayectorias
muestrales y k el numero de parmetros aleatorios en cada trayectoria). Maximizar (2)
con respecto a ( , ), directamente, an con las capacidades computacionales de
hoy, es muy difcil a menos que D(t) sea una funcin lineal.
En nuestro trabajo modelaremos las trayectorias de degradacin mediante un proceso de Wiener, el cual estudiaremos en la siguiente Seccin.

2.4.

Proceso de Wiener

Se sabe que un proceso de Wiener es un proceso estocstico, por esta razn, primeramente introduciremos alguna teora bsica sobre tales procesos.
La teora clsica de probabilidades trata con problemas que envuelven colecciones
de variables aleatorias independientes. Sin embargo, muchos problemas reales no son
de esta naturaleza y para tratarlos satisfactoriamente es necesario extender la teora
8

a colecciones de variables aleatoria dependientes, a estas colecciones se les conoce


como un proceso estocstico.
Definicin: Un proceso estocstico es una familia de variables aleatorias {Xt :

t T } definidas sobre un espacio de probabilidad (, , ) , donde es un espacio


muestral asociado a un experimento aleatorio, es un -lgebra de subconjuntos de ,

una medida de probabilidad definida en y T un conjunto de subndices.


Un proceso {Xt : t T } en donde T Z es llamado "Proceso estocstico de
tiempo discreto", mientras que un proceso {Xt : t T } en donde T R, es llamado
"Proceso estocstico continuo".
El tipo de proceso que se utilizar en nuestro caso, es un proceso estocstico continuo.
Dado lo anterior, podemos continuar con la definicin del proceso tipo Wiener.
2.4.1.

Definicin de un Proceso de Wiener

El proceso de Wiener constituye uno de los principales modelos en el Anlisis Estocstico, debido a su sencillez, as como a las mltiples propiedades que posee. Asimismo, se ha adoptado como modelo probabilstico de numerosos fenmenos naturales,
siendo el ms conocido el del movimiento browniano (Wiener, 1923: Einstein, 1956).
Definicin: Un proceso de Wiener con deriva y coeficiente de difusin es un
proceso estocstico a tiempo continuo {Xt : t 0} que cumple con las siguientes
propiedades:
1. X0 = 0.
2. {Xt : t 0} tiene incrementos independientes y estacionarios.
3. Para cada t 0, Xt es distribuida normalmente con media t y varianza 2 t.
Para nuestro problema, modelaremos trayectorias D(t, 1 , ..., k ) en las cuales (1 , ..., k )
no son aleatorias sino parmetros (t, 2 t), en ste caso la funcin de verosimilitud que
es obtiene es de la siguiente forma:

"m
#
Yi 1
L(t, 2 t | DAT OS) =
...
nor (ij )

i=1
j=1
n
Y

(5)

Como se puede observar, al no ser aleatorios (1 , ..., k ) la funcin de verosimilitud


se simplifica bastante.
A continuacin veremos un ejemplo de trayectorias de degradacin que cumplen con
las caractersticas mencionadas anteriormente.

2.5.

Ejemplo

Una empresa desea saber a que tiempo un semiconductor deja de ser til, para
ello midi el porcentaje de incremento en la transconductancia de 5 semiconductores
a travs del tiempo, ya que esta medida es la que nos seala que tan efectivo es un
conductor, se tienen registros que un semiconductor con porcentaje de incremento en
su transconductancia mayor a 25 ya no es til. Las trayectorias de degradacin de los
semiconductores se pueden observar en la siguiente grfica, se hizo una transformacin
logartmica para una mejor apreciacin en las trayectorias:

Figura 1: Degradacin de semiconductores (log-scale)


(Takedas Data)
La linea constante que se observa en la parte superior de la grfica es el nivel de falla
para el semiconductor. Podemos observa que la degradacin no es montona al pasar
el tiempo, este tipo de degradacin se puede modelar usando un proceso de Wiener, el
cual explicaremos en la siguiente seccin.

10

3.

Metodologa
Recordemos que el propsito de nuestro trabajo es estimar la funcin de confiabi-

lidad de trayectorias de degradacin modeladas por un proceso de Wiener, entonces,


el primer paso para resolver nuestro problema es encontrar la funcin de confiabilidad
apoyndonos de la teora anteriormente desarrollada.

3.1.

Estimacin de la funcin de confiabilidad

Para encontrar la funcin de confiabilidad recordemos que buscamos la probabilidad


de que el sistema de inters no falle, esto es, que la degradacin del sistema este por
de bajo de su nivel crtico, este nivel lo denotaremos por Df . Es decir, buscamos la
siguiente probabilidad:

P (Xt Df ) ,

(6)

donde Xt son los incrementos de la trayectoria de degradacin al tiempo t, los cuales


tienen una distribucin normal con media t y varianza 2 t. As se tiene que la funcin
de confiabilidad C(t) est dada por:


Z
C(t) = P (Xt Df ) = 1 F (x) = 1 1

Df

(xt)2
1

e 2t2 dx
2t


(7)

entonces

Df

C(t) =

(xt)2
1
1

e 2t2 dx =
2t
2 t

haciendo un cambio de variable, z =

xt
,
t

Df

entonces dz =

2
1 (xt)
t 2

e 2

dx

(8)

dx

ydx
t

= dz t . Sustituyen-

do esto en la integral se tiene que:

1
C(t) =
2 t

Df
t
t

12

(xt)2
t 2

1
dx =
2 t

Df
t
t

21 z 2

Z
tdz =

Df
t
t

1 2
1
e 2 z dz
2

(9)
Observe que tenemos la funcin de densidad acumulada de una funcin normal estndar, entonces sabemos que:

11

Z
C(t) =

Df
t
t

1 2
1
e 2 z dz =
2

Df t


.

(10)

Ahora ya que sabemos la forma de la funcin de confiabilidad procederemos a obtener los estimadores de los parmetros de dicha funcin, para ello, usaremos el mtodo
de mxima verosimilitud

3.2.

Estimacin de los Parmetros del modelo

Supongamos que se tienen n trayectorias de degradacin las cuales tienen m incrementos (Xij ) en periodos de tiempo tij , donde los subndices ij denotan el incremen-

to j , de la trayectoria i. Se sabe que estos incrementos Xij = yij yi(j1) siguen una
distribucin normal con media tij y varianza 2 tij con tij = tij ti(j1) , adems
supongamos que todas las unidades se miden en los mismos tiempos.

As pues, tenemos que la densidad de probabilidad de los incrementos en la degradacin (Xij ) est dada por:
2

(x tij )
ij
1
2
ft (x) = p
e 2tij .
2tij

(11)

Entonces se tiene que la funcin de verosimilitud para las m trayectorias es la siguiente:

L(tij , tij | x1 , x2 , ..., xn ) =

n
m
Y
Y
i=1


=

n Y
m
Y

nm

2 2

!
tij

i=1 j=1

(x (tij ))
ij
1
2
p
e 2(tij )
2
2(tij )
j=1

n
m
1 X X (xij (tij ))2
exp 2
2 i=1 j=1
(tij )

(12)

!
.

(13)

Ahora, aplicando logaritmo obtenemos:


= nm log

1
2 2


+

m
n X
X
i=1

n
m
1 X X (xij (tij ))2
(tij ) 2
2 i=1 j=1
(tij )
j=1

12

(14)

n X
m
n
m
X
nm
1 X X (xij (tij ))2
nm
2
log(2) +
(tij )
log( ) 2
. (15)
=
2
2
2
(t
)
ij
i=1 j=1
i=1 j=1

Como sta funcin es al menos dos veces diferenciable, puede aplicarse el mtodo de
la segunda derivada. Esto es, derivando parcialmente con respecto a los parmetros
y 2 e igualando a cero obtenemos las siguientes ecuaciones:

n
m
1 XX
log (L(tij , 2 tij | x1 , x2 , ..., xn ))
(xij (tij )) = 0
= 2

i=1 j=1

(16)

n
m
log (L(tij , 2 tij | x1 , x2 , ..., xn ))
nm
1 X X (xij (tij ))2
= 2 +
= 0.
2
2
(tij )
2( 2 )2 i=1 j=1

(17)
Resolviendo se obtiene que la estimacin de los parmetros es la siguiente:

Pn Pm
i=1
j=1 xij

= Pn
i=1 (tij )

3.3.

1 X X (xij
(tij ))2

=
nm i=1 j=1
tij
2

(18)

Estimacin de los cuantiles de la distribucin de tiempo de


vida

Sabemos que la distribucin de tiempo de vida de un sistema esta dada por:

FT (t) = 1

Df
t
t

. Esta funcin nos indica la probabilidad de que el sistema en

cuestion llegue a la falla en un tiempo t dado. Entonces, los cuantiles nos ayudarn a
estimar el tiempo tp , en el cual, haya una probabilidad p de que nuestro sistema llegue a
la falla. Es decir, buscamos despejar el tiempo tp de la siguiente ecuacin para un p fijo:


p = FT (tp ) = 1

Df tp

tp

Entonces

p=1

Df tp

tp

13


(19)

Df tp

tp

= 1 (1 p),

donde 1 (1 p) es el cuantil de nivel (1 p) de la funcin normal estndar.


As tenemos que:
2

tp =

(1 (1p))

(1 (1p))4 +4(1 (1p))2 Df +2Df


.
22

As, si se desea obtener el cuantil estimado de nivel p, se calculara de la siguiente


forma:
1

(
tp =

q
)4 + 4 (1 (1 p)
)2
Df + 2
Df
(1 p)
) + (1 (1 p)
2

. (20)

2
2

Ahora que ya obtuvimos la funcin de confiabilidad, la estimacin de sus parmetros


y de los cuantiles de la funcin de tiempo de vida, procederemos a hacer una simulacin de trayectorias para observar si los resultados obtenidos hasta el momento son
adecuados.

3.4.

Simulacin de trayectorias

Se realiz una simulacin donde se muestran 8 trayectorias de degradacin con


incrementos de desgaste distribuidos segn un proceso de Weiner, los cuales siguen
una distribucin normal con parmetros: t = 2

&

2 t = 16, donde tambin

se defini como nivel mximo de desgaste el valor Df = 2300 unidades de desgaste,


adems, se tomaron incrementos de tiempo de t = 0.1 horas en un lapso de 100 horas.
Cabe mencionar que las unidades de tiempo no necesariamente deben ser horas.
Las trayectorias resultantes de la simulacin se muestran en la Figura 2:

14

Figura 2: Trayectorias de degradacin simuladas con t = 2, 2 t = 16 y un nivel


crtico de degradacin Df = 2300.

La funcin de confiabilidad de las trayectorias simuladas se presentan en la Figura 3:

Figura 3: Funcin de Confiabilidad de las trayectorias simuladas con t = 2, 2 t = 16


y un nivel crtico de degradacin Df = 2300.
Recordemos que la funcin de confiabilidad representa la probabilidad de que el sistema no falle al tiempo t, en la grfica anterior podemos observar como esta probabilidad

15

se va reduciendo al pasar del tiempo, pues la degradacin de las trayectorias simuladas


va acercndose al nivel crtico.
Ahora, veamos que tan eficientes son nuestros estimadores de los parmetros, recuerde que las trayectorias fueron modeladas con incrementos que se distribuyen normalmente con media t = 2 y varianza 2 t = 16, los estimadores para las trayectorias

= 1.985302 & 2t = 15.91963.


simuladas fueron los siguientes: t
Observe que los parmetros estimados son muy cercanos a los parmetros que
utilizamos para modelar de las trayectorias, esto nos dice que nuestros estimadores
estn funcionando adecuadamente.
Para los datos simulados hemos observamos que tanto los estimadores de los parmetros, como la funcin de confiabilidad, nos dan los resultados que esperbamos,
con todo ello estamos listos para trabajar con datos de degradacin reales, los cuales
fueron mostrados como ejemplo en la Figura 1.

16

4.

Resultados
Ya que hemos mostrado con la simulacin de trayectorias de degradacin que los

resultados obtenidos funcionan de la forma esperada, procederemos a aplicar estos


resultados a trayectorias de degradacin reales, para ello retomemos el ejemplo 2.4:
Una empresa desea saber a que tiempo un semiconductor deja de ser til, para
ello midi el porcentaje de incremento en la transconductancia de 5 semiconductores
a travs del tiempo, ya que sta medida es la que nos seala que tan efectivo es un
conductor, se tienen registros que un semiconductor con porcentaje de incremento en
su transconductancia mayor a 25 ya no es til. Las trayectorias de degradacin de los
semiconductores se pueden observar en la siguiente grfica, se hizo una transformacin
logartmica para una mejor apreciacin en las trayectorias:

Figura 1: Degradacin de semiconductores (log-scale)


En la siguiente tabla mostraremos todo lo que hemos podido obtener de stas trayectorias:
Nombre del estimador

Estimador

Parmetros del

2 =

modelo
Funcin de confiabilidad

Cuantil p

tp =

Resultado

Pn Pm
i=1
j=1 xij

= P
n
i=1 (tij )
Pn Pm (xij (tij ))2
1
i=1
j=1
nm
tij

(1 (1p))

C(t) =

Df
t
t
4

= 0,5002588

= 0,1767549

F igura 4
2

(1 (1p)) +4(1 (1p)) Df +2Df


22

T abla 1 : Resumen de resultados

17

= 2,133103
t0,9

Figura 4: Funcin de Confiabilidad de las trayectorias de degradacin del Semiconductor.

Relacionando los resultados de la tabla 1 en el contexto del problema podemos


decir lo siguiente:
1) Los incrementos de la transconductancia de los semiconductores al instante t
siguen una distribucin normal con una media
t = (0,5002588)t y una desviacin es-

tndar de
t = (0,1767549) t.
2) La probabilidad de que un semiconductor no falle al instante t esta dada por la
funcin: C(t) =

Df
t
t

1,39794(0,5002588)t

t(0,1767549)

, la cual observamos en la Figura 4.

3) El cuantil t0,9 = 2,133103, nos indica que un 90 % de los semiconductores no


llegarn a la falla al tiempo t = 2,133103.

18

5.

Conclusiones
A lo largo de sta investigacin se logr mostrar que un proceso de Wiener simula de

manera satisfactoria las trayectorias de degradacin de cualquier sistema que cumpla


con la condicin de que tales trayectorias sean no montonas. Gracias a estas simulaciones se logr el propsito de estimar el tiempo de vida de alguna unidad (en nuestro
caso, un semiconductor), sin necesidad de que la unidad llegara a la falla, el cual era uno
de los propsitos ms importantes del presente trabajo. Para lograr estimar los tiempos
de vida tambin fue necesario estimar la funcin de confiabilidad para las trayectorias, la
cual se logr obtener de forma analtica, junto con los estimadores de los parmetros de
tal funcin. Adems de todo lo anterior, al final se obtuvo la estimacin de los cuantiles
de la funcin de confiabilidad, los cuales permiten obtener an ms informacin sobre
las trayectorias de degradacin.
Cabe mencionar que an se puede obtener ms informacin de las trayectorias de
degradacin modeladas por un proceso de Wiener, con la funcin de confiabilidad se
puede obtener la funcin de riesgo y la funcin de riego acumulada para complementar
an ms la informacin sobre los tiempos de vida de las unidades en cuestin.

6.

Agradecimientos

Primero agradezco a la Universidad Autnoma de Aguascalientes que por medio del


CONACYT me dio la oportunidad de estar en esta estancia de investigacin.
Agradezco a la Dra. Silvia Rodrguez Narciso por su gran apoyo como tutor en esta
investigacin.
Agradezco a mi familia y compaeros por todo el apoyo durante la estancia.
Agradezco a Sara Hernndez Gutirrez por sus consejos y apoyo en el presente
trabajo.

19

Apndice
Los datos de degradacin de los semiconductores son los siguientes:
Tiempo (horas)

Semiconductor 1

Semiconduc 2

Semiconduc 3

Semiconduc 4

Semiconduc 5

100

0.5780

0.6165

0.6295

0.8511

1.0471

200

0.6165

0.6338

0.8912

1.2589

1.4125

300

0.6167

1.1967

1.2589

1.4454

1.7378

400

0.8953

1.2882

1.7378

1.7380

2.0796

500

0.9120

0.9727

1.7380

1.9998

2.0892

600

1.2189

1.2618

1.9952

1.9952

2.7861

700

1.5135

1.5667

1.9994

1.9994

2.7858

800

1.5135

1.9275

1.9994

1.9994

2.7855

900

1.5133

1.2560

2.3173

2.3176

3.1693

1000

1.5812

1.6982

2.3334

2.5703

3.3113

1100

1.5135

2.0717

2.5703

2.8840

3.8018

1200

1.5776

2.0717

2.8183

2.8840

4.1209

1300

1.8113

1.9275

3.1622

3.1630

4.1200

1400

1.9054

2.0695

3.1988

3.6307

4.4668

1500

2.0695

2.1777

3.1988

3.7844

4.9317

1600

2.4322

2.1777

3.8547

4.1396

5.4954

1700

2.6915

2.5061

3.8547

4.4668

5.8884

1800

2.6915

2.1877

3.9902

4.7863

6.2950

1900

3.0549

2.7861

4.1686

5.0000

5.5313

2000

3.0549

2.7861

4.3651

5.6234

7.0307

2100

3.0549

2.7861

4.6773

5.8884

7.8523

2200

3.6307

3.1260

4.8977

6.1659

8.6099

2300

3.6307

3.1260

5.1286

6.7608

9.1201

2400

4.1209

3.1260

5.8210

7.2443

9.5499

2500

4.5919

3.7153

6.0953

7.6736

10.4231

2600

4.4463

4.1686

6.2950

8.3560

11.0539

2700

4.8752

3.7153

6.9662

8.8307

12.3594

2800

5.0699

4.3651

7.2493

9.5990

13.0617

2900

4.8977

4.3651

7.5857

10.0000

14.1253

3000

5.2480

4.0738

7.7024

10.2329

15.0140

3100

5.8210

4.0738

8.0352

10.9647

16.0320

3200

5.6493

4.7097

8.8715

12.5892

18.9670

3300

6.2805

4.7097

9.5279

13.1219

20.0000

El cdigo de la simulacin se presenta a continuacin:


# # # # # # # # # Datos iniciales # # # # # # # # # # #
Df=2500 #Nivel de degradacin mximo
tm=seq(0,100,.1) #Vector de tiempo
ntray=8 #Nmero de trayectorias que se quieren simular
n1=length(tm) #Nmero de muestras
delt=tm[2]-tm[1] #Aumento del tiempo
mu = 20 #Media de los datos simulados
sigma = 40 #Sd de los datos simulados
mu.delt= mu*delt #Parmetro mu para la simulacin
sigma.delt = sigma*delt
d=rnorm(n1*ntray,mean=mu.delt,sd= sigma.delt) #Generamos la distribucin
# # # # # # # # # GRAFICA DE TRAYECTORIAS # # # # # # # # #
color=colors()[seq(1,10*ntray,1)] #Definimos el vector de colores para las trayectorias
for (j in 1:ntray ) {
lt=suma.acum=cumsum(d[((j-1)*n1+1):(j*n1)]) #Obtenemos la suma de los incrementos
plot(tm,lt,type="l",col=color[10*j],ylim=range(0:max(max(d)*n1/4,Df)),lwd=2,xlab="tiempo en horas (t)",main="Simulacin", ylab="Degradacin")
par(new=T) }
plot(tm,c(rep(Df,n1)), type = "l",ylim=range(0:max(max(d)*n1/4,Df)), ylab = , xlab=,lwd=2,col="darkred")
par(new=F)
# # # # # # # # # Mtodo de Mxima Verosimilitud # # # # # # # # #
n=length(d)
mu.delt.pri = sum(d)/n #Estimacin de mu por delta t

sigma.delt.pri = sqrt(sum((d-mu.delt.pri) 2)/n)


#Estimacin de sigma por delta t
mu.pri = mu.delt.pri/delt #Obtencin de mu gorro
sigma.pri = sigma.delt.pri/delt #Obtencin de sigma gorro
# # # # # # # # # Simulacin de la funcin de confiabilidad # # # # # # # # #
t=seq(80,150,.01) #Generamos el vector de tiempos
ct =pnorm((Df-mu.pri*t)/(sigma.pri*sqrt(t))) #Funcin de confiabilidad
plot(t,ct,main = "Funcin de Confiabilidad C(t)") #Grafica de confiabilidad

20

Referencias
[1] Velez,P.,Calculo de Confiabilidad, Centro de Publicaciones Universidad Nacional,Seccional Medelln, 1991.
[2] Barlow, R.E. and Proschan, F.,Mathematical Theory of Reliability, 1964.
[3] Meeker W. Q. y Escobar L. A.Statistical Methods for Reliabitily Data, New York: John
Wiley & Sons, New York, 1998.
[4] Gnedenko, B.V., Beliaev, Yu. K. and Soloviev,Mtodos Matemticos de la Teora de
Confiabilidad, Nauka, Mosc,1965.
[5] Clifford,A. y Jones,B.,Parameter Estimation in Reliability and Life Span Models, Ed.
Marcel Dekker, Inc. New York, NY, 1992.
[6] Garca,G.,Introduccin a la Teora de Confiabilidad y su Aplicacin en el Diseo y
Mantenimiento de equipos industriales de un proceso de renovacin , Universidad
Nacional de Colombia, 2006.
[7] Ynez C, S., Granada G. R. A. y Jaramillo E. M. C,Modelos y anlisis de degradacin
, Universidad Nacional de Colombia, 2003.
[8] Bohman,H.,Risk theory and Wiener Processes, Astin Vol. VII, 1972.
[9] Magallanes,L.,Sobre algunos conceptos de Confiabilidad y Gestin de Riesgo, ,
2011.
[10] Zhi-Sheng Ye, Yu Wang, Kwok-Leung Tsui y Michael Pecht,Degradation Data
Analysis Using Wiener Processes With Measurement Errors , IEEE, Hong Kong,
2013.

21