RS 401 Analisis de Datos de Vida PDF

MSMT Foundations
Foundations:: Sesión 1
Sesión
MSMT Foundations - RS401
Ingenier ía de Confiabilidad
Ingeniería
y Análisis de Datos de Vida
Análisis
Versão/Revisión 7.0.0
Language Version: Spanish ©1992-2005 ReliaSoft Corporation - ALL RIGHTS RESERVED

6/26/2007
2
Prefacio
©1998-2005 ReliaSoft Corporation

www.ReliaSoft.com.br Versão: 8.0.0 Language: Português
3 MSMT Foundations Series: RS401
Foundations Series
Día 1-2 Día 3 Dia 4 Dia 5

Análisis de Datos Intro a Intro al Intro al
de Vida la Reliab. Análisis Análisis de
Análisis Weibull Growth Cuantitativo Confiabilidad,
Mantenibilidad
de Ensayos
y Disponibilidad
Acelerados
Versão: 1.02 Language/Region: Spanish
de Vida
www.ReliaSoft.com.br
4
MSMT Séries
MSMT Foundations Series: RS401
Referencias de Apoyo
Estas notas son destinadas a
facilitar el entendimiento del
material usado en la presentación.
La mayoría son derivaciones
matemáticas y otras tienen
detalles secundarios, por lo tanto,
no son consideradas.
“Textbook” el estilo de la tapa del

material se puede encontrar en

referencias teóricas de ReliaSoft.
Referencias Adicionales para esta Sección

Este material de referencia fue
desarrollado por ReliaSoft “Life
Data Analysis Reference”
Este material está incluído en el
paquete del software Weibull++.
También está disponible on-line en
el sitio www.weibull.com.
7
¿Por que Confiabilidad?

Ingeniería de la Confiabilidad
Una definición formal
“La Ingeniería de Confiabilidad entrega

herramientas teóricas y prácticas que
permiten especificar, proyectar, probar y
demostrar la probabilidad y la capacidad
según la cual componentes, productos,
equipamientos y sistemas desempeñarán
sus funciones, por períodos determinados
de tiempo, en ambientes específicos y sin

presentar fallas.”
¿Qué es Confiabilidad?
Confiabilidad es una de las características
de calidad mas importante para
componentes, productos y sistemas
complejos.
Es una metodología científica aplicada para
conocer el desempeño de vida de
productos, equipamientos, plantas o
procesos; para asegurar que estos ejecuten

su función, sin fallar, por un período de
tiempo en una condición específica.
Ingeniería de Confiabilidad
una Definición Gerencial
Cual es la expectativa de vida de un

producto/ equipamiento/sistema ?
Cuantos retornos/fallas son esperados para
el próximo año?
Cuanto costará desarrollar y dar soporte a
este producto?
Podemos optimizar los costos involucrados?

Propósito de la Confiabilidad
Para que la empresa sea exitosa en el
ambiente actual de alta competitividad y
complejidad tecnológica, es ESENCIAL que
conozca la Confiabilidad de su producto y
que sea capaz de controlarla.
Solamente un nivel óptimo de Confiabilidad
llevará a un gasto mínimo en el ciclo de
vida del producto y a un costo mínimo de

producción, sin que se comprometa la
Confiabilidad y la Calidad de éste.
12
Por que la Confiabilidad es

Importante?

Consumidores Exigen Confiabilidad
Experience
Factor Rated for
Critically/Very Meets
New Vehicle
Important % /Exceeds
Purchase
Expectations%
Reputation of
81.9% 96.0%
Manufacturer
Quality of
92.8% 92.9%
Products
Reliability 94.0% 96.3%

Innovation of
59.9% 96.6%
Products
Source: Polk's Manufacturer Loyalty ExceleratorTM
First Half 2000 Model Year
Por que Ingeniería de Confiabilidad?
Una investigación
realizada en los años 80
mostró que cuando un
cliente está satisfecho con
un producto, comenta su
satisfacción a 8 personas,
mientras que un cliente
insatisfecho lo dirá a 22
personas.
Como sería el resultado de esta

investigación hoy en día. . .
Por que Ingeniería de Confiabilidad?
El consumidor de hoy es mas “inteligente”

e informado sobre el producto.
En el futuro, sobrevivirán solamente las
empresas que sean capaces de controlar la
Confiabilidad de sus productos.
La responsabilidad por un producto no
confiable puede ser muy alta.
Línea de Montaje de un Utilitario

un “gran” fabricante de automóviles gana
USD 4.300 de lucro bruto por cada utilitario
fabricado.
Cada línea de montaje produce 60 carros
utilitarios por hora, cuando la producción
fluye sin problemas. Por lo tanto, un lucro
bruto de USD 260.000 por hora.
Si una línea de montaje para, la empresa deja de
facturar millares de dólares por hora.

Línea de Montaje de un Utilitario

Actualmente las líneas de montaje producen
mucho menos que 75% de su capacidad
máxima.
El costo por la “No Confiabilidad”, para cada línea,
sobrepasa USD 500.000 por turno.
Esto excede USD 1,5 millones por día, para tres
turnos por día..
Garantía de Routers
Un gran proveedor de routers de Internet
modeló la disponibilidad utilizando
modelos exponenciales (actualmente tienen
un problema grave de mortalidad infantil).
Como para modelar los retornos en garantía se
basaron en modelos exponenciales, sus
resultados estaban muy optimistas y en la
realidad estaban experimentando una

disponibilidad muy baja de los routers dentro

del período de garantía.
Altos costos con reclamos por garantía.
Ensayo de Durabilidad
una gran empresa de autopiezas redujo la
inversión en ensayos de bancos de prueba.
Para demostrar sus metas de Confiabilidad ellos
hacen algunas pruebas de Confiabilidad en
componentes.
Ej: Ellos prueban cilindros de freno en bancos y
los aprueban si el tiempo de prueba acumulado
de los ítems en prueba pasaron de 1.000.000 km.

Este tipo de ensayo de Confiabilidad: ¿Es una

buena estrategia para la empresa?
Responsabilidad del producto

Considere el caso Firestone.
El problema fue la Confiabilidad en
condiciones extremas de operación y la
interacción entre los factores peso,
temperatura, velocidad y calibrado.
¿Fue evaluado correctamente el perfil de
uso del cliente?
¿Quién paga por esto y cuánto ?

Mantención
El costo medio de reparación de una bomba es de
$8.000 en una industria petroquímica.
El Tiempo Medio Hasta la Falla de esta bomba es
de 18 meses.
Dado el gran número de bombas existentes en la
empresa, los costos de reparación podrían
representar millones de dólares.
El conocimiento del Comportamiento de Vida de

este componente permitió la implementación de

acciones de mejoría que generaron una reducción
de 30% de las fallas.
Las fallas pueden tener muchos efectos, desde

un desagrado hasta una catástrofe!
Confiabilidad es dinero!
A pesar de que la Confiabilidad
es una metodología Matemática
y Estadística, su aplicación en
productos y equipamientos tiene
impacto directo en el
desempeño de las empresas!
Confiabilidad es dinero! (cont.)

En una visión general, todos sabemos que
no se puede administrar una empresa sin
los datos, informes y pronósticos
financieros precisos.
¿No deberían ser debidamente analizados,
los datos de confiabilidad de su empresa y
divulgados, dado que la Confiabilidad
genera lucro o perjuicio?

26
Conceptos de Confiabilidad

27
compra envasada...
Lamentablemente la Confiabilidad no se
Actividades Múltiples
Standards
Standards
FMEA’s
FMEA’s Based
Based Reliability
Reliability
Preliminary
Preliminary Centered
Centered
Predictions
Predictions Maintenance
Maintenance
FRACAS Life
Life Data
Data
FRACAS
Analysis
Analysis System
System
Reliability
Reliability
Analysis
Analysis
Reliability
Reliability Accelerated
Accelerated
Growth
Growth Testing
Testing Other
Other
Versão: 1.02 Language/Region: Spanish Balance de la Confiabilidad

• La Confiabilidad debe estar balanceada con los otros

aspectos de negocio de la empresa, como costos de
producción, ventas, características del producto y
satisfacción del cliente.
¿Quien debe estar involucrado?
Personal de producción Gerentes y Ejecutivos

Técnicos Ingenieros
¿Quien debe estar involucrado?

en resumen, TODO EL MUNDO.
Concentrando los intereses y los esfuerzos de todos

en la organización, para que el programa de
Confiabilidad sea un éxito.
¿Cuándo se debe aplicar la Confiabilidad?
“Desde el nacimiento hasta la muerte.”

(Todo el ciclo de vida del producto.)
¿Cuándo se debe aplicar la Confiabilidad?

Inicio del Proyecto – Pruebas de Confiabilidad (piezas).
Fase Intermediaria del Desarrollo – Pruebas de
Confiabilidad de los prototipos.
Fase Final del Desarrollo – Demostración previa de la
Confiabilidad de las pruebas de desarrollo.
Fase de la Producción Inicial – Determinación de la
variación de la Confiabilidad debido a los efectos del
inicio de producción.
Fase de Producción – Determinación de los efectos de
los cambios de proyecto y el proceso, en la

Confiabilidad.
Pós Venta – Determinación de la Confiabilidad a lo
largo de la utilización del producto, para subsidiar
nuevos proyectos.
Ingeniería de Confiabilidad X
Control de calidad
La Ingeniería de Confiabilidad estudia el
comportamiento de la tasa de falla en el
tiempo.
El Control de Calidad estudia Cuantos
productos están fuera de las
especificaciones, o presentan defectos en
un instante dado en la línea de producción.
La Confiabilidad es la calidad en el tiempo.

Costo del producto X Confiabilidad

Si un fabricante aumenta la Confiabilidad
de su producto, el (generalmente)
aumentará el costo del proyecto y/o
producción de un producto semejante.
De cualquier modo, una baja producción y
costo del proyecto no significa un bajo costo en
el producto final.
El costo del producto deberá ser determinado
no solamente por el costo del producto hasta la

puerta de la fábrica, sino también incluyendo el
costo total del producto durante el tiempo de
vida.
Costo del producto X Confiabilidad

El costo total del producto es la suma del
costo del proyecto, costo de fabricación y
otros costos pós-embarque.
Aumentando la Confiabilidad del producto,
usted puede aumentar el costo de su
producto, pero reducirá el costo en soporte.
un costo total mínimo óptimo del producto puede
ser determinado a través de la definición de la

Confiabilidad óptima para este producto.
37
Costo del producto x Confiabilidad

Confiabilidades Básicas
El análisis de Confiabilidad requiere una buena
comprensión del comportamiento de la tasa de
falla del producto.
La mayoría de los productos comenzarán sus vidas con
alta tasa de falla y después presentarán una reducción a
partir de un determinado punto.
La tasa de falla entonces se estabiliza y se mantiene
constante durante la vida útil del producto.
Con el paso del tiempo el producto envejece, se

desgasta y la tasa de falla comienza a aumentar

rápidamente con el tiempo.
39
Failure Rate (aka Hazard Rate)
Early
Useful
Life (miles)
Wea
ro ut
Curva de la Bañera “Idealizada”
40
Failure Rate
Life (miles)
Curva de la Bañera para un Auto
41
Early
tBurn-in?
Useful
Life (miles)
Wea
ro ut
Ilustración Burn-in
42
PM
Life (miles)
Wea
ro ut
Wea
ro ut
Mantención Preventiva
43
Cuantificando la Confiabilidad

Cuantificando la Confiabilidad
La probabilidad de que un ítem, desempeñe una
función dada, sin fallar por un determinado período
de tiempo y dentro de ciertas condiciones de uso.
Función del tiempo
Función de las condiciones
Definición precisa del Modo de Falla...
El “Control de Calidad” tradicional, garantiza que

el producto funcionará después del montaje si está
conforme con su especificación. La Confiabilidad
observa el período de duración en que el producto
funcionará.
¿Cómo se calcula la Confiabilidad?

Necesita de Datos
Necesita de Modelos
Necesita un diagnóstico para la elección
del modelo apropiado.
Necesita de medios para ser comunicada.
Gráficos
Informaciones Numéricas
Costos
Compañía de Seguros como Ejemplo
Su objetivo es crear una póliza de seguro

de vida para hombres chilenos.
Usted quiere una póliza que maximice su lucro!
Aún cuando la mayoría de las empresas no son
compañías de seguros, ellas tienen la misma
responsabilidad dado que “subscriben” porque todo
producto posee un período de garantía.
A diferencia de un típico seguro de vida, además de
la responsabilidad financiera (garantía), las

empresas también temen la legalidad y los riesgos

sobre la imagen de la empresa asociada a las fallas.
Ejemplo: Compañía de Seguro

Para alcanzar de forma inteligente su
objetivo, usted necesita saber la vida de los
hombres chilenos.
Usted necesita de datos de mortalidad.
Necesita saber como describirlos (un modelo).
Los Modelos deben describir adecuadamente la
vida de los hombres chilenos!
Ejemplo: Compañía de Seguros

Los siguientes datos fueron obtenidos:
Muestra de datos de mortalidad (edad):
48, 58, 65, 68, 72, 74, 81, 82, 83, 88
Es suficiente decir que la vida promedio

(basada en estos datos) es 71,9 años de
edad?
Si el objetivo es entregar un seguro de vida para 20

hombres con 50 años de edad y otros 20 hombres

con 40 años: ¿Esta media me ayudará en la
determinación de Cuanto cobrar ?

Usted necesita mas información que
solamente la media.
Usted necesita de una estimación de Cuantos
asegurados sobrevivirán en el próximo año,
dado sus edades actuales.
Necesita cuantificar:
• Como la tasa de mortalidad varia de grupo para grupo,
cambiando la faja etária.

• El número de óbitos esperados en cada

grupo por faja etária.
Si estamos analizando
productos/equipamientos, la tasa de mortalidad
puede ser entendida como tasa de falla.

Usted necesita de un modelo que pueda
generar los resultados deseados.
En la mayoría de los casos, será un modelo
probabilístico – entregando informaciones de
probabilidad, tales como:
La expectativa es que 99,9% de los hombres con
40 años de edad sobrevivan un año mas.
La expectativa es que 99,3% de los hombres con

50 años de edad sobrevivan un año mas.

El modelo describirá la probabilidad de
sobrevivencia (Confiabilidad).
Modelos
Estos modelos entregan la estimación de
tasa de falla del producto en función del
tiempo, ellos estiman la probabilidad de
falla (sobrevivir) del producto para una
dada edad, o para un dado período de
tiempo.
Los modelos son representaciones
matemáticas de los datos, dado por

funciones continuas, las que permiten
interpolaciones y algunas extrapolaciones.
Modelos
Estos modelos probabilísticos están
basados en distribuciones estadísticas.
las mas utilizadas son denominadas
“distribuciones de vida”.
Lognormal
Exponencial
−λ t
µ, σ
R(t ) = e λ
or MTBF
⎛ ⎛ t − µ ⎞⎞
R (t ) = ⎜⎜1 − Φ⎜ ⎟ ⎟⎟
Weibull
β ⎝ ⎝ σ ⎠⎠
⎛t⎞
β, η −⎜⎜ ⎟⎟
⎝η ⎠
R(t ) = e
Modelos para Datos de Vida

Primero necesitamos definir el modelo.
Nosotros caracterizamos modelos por el
comportamiento de la falla de los mismos.
Tasa de falla es la chance de fallar en la próxima y
menor unidad de tiempo, dado que el ítem funcionó
hasta entonces.
Tasas de falla pueden ser crecientes, decrecientes,
constantes, en forma de “bañera” o ninguno de los
citados anteriormente.
Tasa de falla creciente (desgaste, vejez).

Tasa de falla decreciente (mortalidad infantil).
“Curva de la bañera” (mortalidad infantil seguida de
desgaste).
Curva de la Tasa de Falla

Failure Rate vs Time Plot
0.01
Multi-Plot
Data 1
W-2 MLE - SRM MED
F=0 / S=0
8.00E-3 Data 2
W-2 MLE - SRM MED
F=0 / S=0
Data 3
Failure Rate, f(t)/R(t)
6.00E-3 W-2 MLE - SRM MED

F=0 / S=0
Data 4
W-2 MLE - SRM MED
4.00E-3 F=0 / S=0

2.00E-3
Dr.Dave Olwell
RSPS
07:44 9/19/00
0
0 160.00 320.00 480.00 640.00 800.00
Time, (t)
β1=1.00, η1=300.00
β2=0.50, η2=300.00
β3=2.00, η3=300.00
β4=3.00, η4=300.00
Un conjunto de datos, Cuatro Modelos

0.04
0.03
0.02
0.02
8.00E-3
0
0 100.00 200.00 300.00 400.00 500.00
Time, (t)
Los Modelos son Construidos a partir de Datos
Bancos de Pruebas ó Datos de terreno (campo)

Bancos de Pruebas
Ensayo Durante el Desarrollo del Proyecto
Ensayo de Calificación
Ensayos de Vida
Ensayos acelerados de Vida Cuantitativos
Ensayos de Crecimiento de la Confiabilidad

Buenos Datos+ Modelo Apropiado = Buen Resultado

Datos de Terreno
Recolectados a partir de centrales
telefónicas, reclamos de garantías,
inspecciones de ítems desarrollados.
Pueden contener Datos sesgados.
Reflejan las condiciones actuales de uso
(y abuso).
Requiere sistema de colecta y análisis de

datos:
FRACAS / RS-QTMS
Preparación de Datos
90% de los esfuerzos!!
Obteniendo los datos
Calificando los datos
Entrada Correcta
Representatividad
Sin Desvíos
Tabulando Datos de forma correcta

Ejemplo Vehículos 4x4

En los años 60, pruebas en un
vehículo 4x4 decían que el chofer
no excedería 80.km/hr.
En la comercialización la tasa de
falla en terreno fue mucho mayor
que la prevista.
Futuras evaluaciones con
clientes revelaron que,
frecuentemente, conductores
dirigían modelos 4x4 por sobre
los 80.km/hr.
Los ensayos en banco de
pruebas fueron rediseñados para
reflejar esta nueva realidad.
Ejemplo inverso
Ensayos en bancos de prueba
indicaron que los compresores de
refrigeradores eran extremamente
confiables.
Sin embargo, los compresores
estaban retornando en garantía en
gran cantidad.
El reembolso del servicio prestado por
los técnicos de mantención de los
refrigeradores estaba correlacionado
con el valor de las partes cambiadas.

La política de reembolso fue
modificada y posteriormente fue
confirmado el bajo número de fallas.
Ejemplo: Sistema de Inyección de

Combustible
Sistemas de inyección de combustible son
proyectados para no necesitar de servicio
durante las primeras 160.000 km de uso.
Cuando el vehículo va a la primera visita
programada a las concesionarias piden hacer
“ajustes” en la inyección.
Ningún ítem es retornado al fabricante!
Ejemplo Cartuchos para Impresora

Cartuchos para impresora poseen
garantía.
Muchos fabricantes poseen política
libre de retorno.
Estimulados por distribuidores.
Algunos cartuchos son retornados
vacíos y a esto son asociados
costos de garantía, aún cuando no
hayan fallas.
Tal tipo de datos deben ser

cuidadosamente analizados
para determinar si el origen de la
causa está en el proceso o en el
producto.
63
Ingeniería de Confiabilidad y
Estadística
Break Point

Análisis de Datos de Vida
El Análisis de Datos de
Vida utiliza
metodologías
estadísticas para
construir modelos
probabilísticos, a partir
de Datos de vida.
Los modelos son

utilizados para realizar
previsiones precisas.
Estimaciones & Previsiones

En el Análisis de Datos de Vida y en la
Ingeniería de Confiabilidad todo está
basado en estimaciones.
El valor real de la Confiabilidad de un
producto nunca será conocido.
El valor real de la Confiabilidad solo será
conocido cuando todos los productos ya hayan
fallado.
El objetivo de la Ingeniería de Confiabilidad
es prevenir con precisión el valor real.
Para Ilustrar...
Tenemos una piscina con bolitas negras y rojas.
Calcule el porcentaje de bolitas negras, P.
Tome una muestra de 20 bolas
8/20 negras
12/20 rojas
40% son negras & 60% son rojas

Tome otra muestra de 20 bolas
11/20 negras
9/20 rojas

Versão: 1.02 Language/Region: Spanish Tome una muestra de 200 bolas

108/200 - negras 92/200 - rojas

Versão: 1.02 Language/Region: Spanish Tome otra muestra de 200 bolas

105/200 - negras 95/200 - rojas

52.5% son negras & 47.5% son rojas
Tipos de Datos de Confiabilidad
Los tipos de datos afectan el proceso de

estimación de la Confiabilidad.
Es de fundamental importancia la correcta
clasificación del tipo de dato.
1 5 10
X<
<X
<3
X= 0
10 X=
15 X>30
Censurado (Olvidando la Historia)
La mayoría de los Datos de Confiabilidad

contiene censuras (información incompleta).
nuestros modelos y Análisis deben ser
capaces de tratar esos casos!
?
?
?
? ?
Datos Completos y Censurados

Datos Completos
Datos Censurados
Censura a Derecha
?
Censura en Intervalo
?
Censura a Izquierda
?
Datos Censurados a Derecha

100 bombas operando por tres meses.
una fallo durante el primer mes.
una fallo durante el segundo mes.
Dos fallaron en el tercer mes.
Cual es el tiempo medio de falla?
1(1) + 1(2) + 2(3)

= 2.25 ?
4
Datos Censurados a Derecha

Si usted fabricó 100 unidades y tres
retornan en el primer mes, Dos en el mes
siguiente, Cual es la media de retorno?
3(1) + 2(2)
= 1.4?
5
usted puede ignorar las unidades que no
retornan?
usted no puede responder esta cuestión
sin utilizar un modelo apropiado para
este tipo de datos.
Datos Censurados a Derecha, Suspensiones

Suspensiones son ítems donde los tiempos de
falla solo serán conocidos cuando excedemos
ciertos valores de tiempo.
Las 95 unidades restantes fueron suspendidas.
Nosotros solo sabemos que el tiempo de falla de ellas es
mayor que 2 meses.
Las Suspensiones no agregan tanta información
como los tiempo de falla exactos.
Las Suspensiones requieren tratamientos

estadísticos especiales.
Las Suspensiones no deben ser ignoradas.
77
Estadística Básica

Variables Aleatorias
En general, la mayoría de los problemas en
Ingeniería de Confiabilidad son problemas
referentes a cuantificación de medidas, tales como
el tiempo hasta la falla de un componente, o si un
componente falló o no.
Evaluando un componente para saber si es defectuoso
o no, tendremos solamente dos posibilidades. Se puede
denotar con la variable aleatoria X con las posibles
salidas (defectuoso o no defectuoso). En este caso, X es
una variable aleatoria que solo puede poseer uno de
estos valores.
En el caso donde tenemos tiempo hasta la falla, nuestra

variable aleatoria X puede poseer el valor de tiempo
hasta la falla del producto o componente y su valor va
de 0 hasta el infinito (en el caso donde no tenemos el
tiempo exacto).
Variábles Aleatorias Discretas

Si la variable aleatoria contiene solamente
informaciones de valores pré definidos,
entonces se denomina variable aleatoria
discreta.
Por ejemplo, el resultado del lanzamiento de
un dado honesto, (con seis lados), puede
ser:
1, 2, 3, 4, 5 ó 6.
Variables Aleatorias Continuas

Si nuestra variable aleatoria puede asumir
cualquier valor en una escala continua, entonces
esta se define como una variable aleatoria
continua.
Kilómetros hasta la falla, para un neumático
puede tomar cualquier valor a partir de 0 hasta
infinito, o 10.000 kilómetros, 17.523 kilómetros,
etc.
En esta presentación, vamos a

trabajar casi exclusivamente
con variables aleatorias continuas.
Función de Densidad de Probabilidad y

Función de Distribución Acumulada
A partir de la probabilidad y de la estadística, dada
una variable aleatoria continua X, denotamos:
La función densidad de probabilidad (distribución), pdf,
como f(x).
La función distribución acumulada, cdf, como F(x).
La pdf y la cdf dan una descripción completa de la
distribución de la probabilidad de la variable
aleatoria.
ellas describen la probabilidad de esta variable aleatoria.

Definiciones: pdf
Considere un conjunto de Datos
representando 100 variables aleatorias
continuas, obtenidas de una misma
población, como muestra la siguiente tabla:
32.8 148.7 53.9 53.4 28.2 45.6 106.5 65.3 188.0 37.6
15.1 18.2 85.8 101.4 116.5 96.5 110.6 55.1 104.9 22.2
22.4 82.3 44.6 5.1 9.2 48.2 130.8 20.6 34.6 57.4
77.9 38.1 44.9 26.7 67.5 129.2 44.2 94.3 211.3 181.2
46.7 89.1 93.9 46.9 22.3 52.3 74.2 35.4 58.7 19.6
28.2 144.7 32.7 8.9 91.5 70.8 35.6 64.0 26.3 161.6
83.5 30.5 97.3 21.1 88.6 48.8 23.6 38.6 24.1 71.7
124.8 120.1 147.1 72.0 31.2 28.8 178.0 16.6 20.2 21.5
30.1 82.2 60.3 102.7 82.1 65.4 89.8 41.9 57.0 44.8
68.9 103.0 41.9 78.1 38.6 35.0 75.7 28.5 53.9 49.4
Definiciones: pdf
Supongamos que queremos saber el
comportamiento de estos datos.
Podríamos clasificar los Datos separándolos
por intervalos y visualizar la proporción de
Datos en cada intervalo.
Cambiando el tamaño del intervalo, podemos
obtener una representación gráfica del
comportamiento de los Datos de manera mas

refinada.
Una representación gráfica de esta clasificación
es llamada histograma.
Histogram of Data
Range Size=50
50%
45% X<=50, 47%
40%
Proportion in Range
35%
30%
25%
20%
15%
10%
5%
0%
1-50 51-100 101-150 151+
Range of Data
Histogram of Data
Range Size=25
0.35
X<=50, 16% +31%

0.3
Proportion in Range
0.25
0.2
0.15
0.1
0.05
0
1-25 26-50 51-75 76-100 101-125 126-150 151+
Range of Data
Histogram of Data
Range Size=25
0.35
X<=50, 16% +31%

0.3
Proportion in Range
0.25
0.2
0.15
0.1
0.05
0
1-25 26-50 51-75 76-100 101-125 126-150 151+
Range of Data
A medida que vamos disminuyendo cada vez mas el

intervalo, podremos finalmente obtener un histograma
que podrá parecerse a una función continua (siempre
que existan suficientes datos).
X<=50
f (X )
88
X<=50
∫ f ( X )dX
pdf
Definiciones: pdf
Si X es una variable aleatoria continua, entonces la función de
densidad de probabilidad, pdf de X, es una función f(X) tal que,
para dos números, a y b con a < b resulta:
f(x)
b
P (a ≤ X ≤ b) = ∫a
f ( x ) dx
a b
Esto es, la probabilidad de X tener un valor en el intervalo
[a,b] es el área de la función densidad entre a y b.
La probabilidad de X tener un valor menor que a es el área de 0
hasta a.
Definiciones: cdf
Para obtener la probabilidad a partir de la pdf, es
necesario calcular el área bajo la curva.
La función de distribución acumulativa, cdf, entrega
este valor directamente.
La cdf es una función F(X) de la variable aleatoria X,
definida por:
a
F (a ) = P ( X ≤ a ) = ∫ f ( X )dX
0 ,−∞
donde, para una variable aleatoria X, F(a) es la probabilidad

de que el valor observado X será en el máximo a.
91
P( X ≤ a) = ∫
a
−∞
P( X ≤ a)
f ( X )dX
Relación Matemática entre la pdf y la cdf
La relación matemática entre la pdf y la cdf

está dada por:
x
F (x) = ∫ −∞
f (s)ds
Invirtiendo:
d ( F ( x ))
f ( x) =
dx
Relación Matemática entre la pdf y la cdf
Simplificando, la cdf es el área formada por

la función densidad de probabilidad, hasta
un valor escogido de x.
Esto significa que el área total bajo la pdf es
siempre igual a 1, o matemáticamente:
f(x)
∞
∫−∞
f ( x ) dx = 1
Area = 1 = 100%
La pdf es dada por una Ecuación

un ejemplo de función densidad de probabilidad es
la conocida distribución normal, cuja pdf es dada
por:
2
1 ⎛ t−µ ⎞
1 − ⎜ ⎟
2⎝ σ ⎠
f (t ) = e
tσ 2π
donde µ es la media y σ es la desviación estándar.
La distribución normal es una distribución con dos

parámetros.
Observe que, a partir de los Análisis de Confiabilidad la variable aleatoria
generalmente es tiempo, t, Nosotros usamos f(t) en vez de f(x) en esta
página y las subsecuentes.
La Función de Confiabilidad
f(t)
Probability of Failure
(Unreliability) Probability of Success
(Reliability)
F (t ) = Q(t )
R(t )
P(t≤a)
Random Variable t, time-to-failure.

a
La función Confiabilidad es obtenida a
través de la probabilidad de éxitos, o de la
probabilidad de que no se observe la falla,
en el tiempo t.
Definiendo Desconfiabilidad como Q(t)
entonces:
t
∫
F (t ) = Q (t ) = f ( s ) ds
0
tenemos:
Q(T ) + R(t ) = 1
R(t ) = 1 − Q(t )
R(t ) = 1 − ∫ f (s )ds
t
0
∞
R(t ) = 1 − ∫ f (s )ds
t
Derivando:
d ( R ( t ))
f (t ) = −
dt
Terminología de la Confiabilidad
La Confiabilidad no puede ser especificada sin la asociación con el
tiempo. en otras palabras, usted no puede decir que un ítem posee
una Confiabilidad de 90% sin decir para que intervalo de tiempo.
Para ser mas preciso deberíamos siempre especificar la Confiabilidad, el
tiempo y los limites de confianza.
ReliaSoft's Weibull++ 6.0 - www.Weibull.com
Reliability vs Time
1.00
Weibull
Data 1
W2 RRX - SRM MED

F=0 / S=0
R(t=140 hr)=80%
0.80
Reliability, R(t)=1-F(t)
0.60
R(t=280 hr)=42%
0.40
0.20
Pantelis
ReliaSoft
1/27/01 14:24
0
0 140.00 280.00 420.00 560.00 700.00
Time, (t)
β=2.0000, η=300.0000, ρ=0

La función tasa de falla

La función tasa de falla permite la
determinación del número de fallas
ocurridas por unidad de tiempo. Esta es
dado matemáticamente por:
f (t )
λ (t ) =
R (t )
La tasa de falla se expresa en fallas por

unidad de tiempo.
tiempo puede ser cualquier medida que pueda ser
cuantificado. Tales como: minutos, horas, ciclos,
actuaciones, etc.
El termino “Hazard Rate” es sinónimo de tasa de falla.
La función Confiabilidad Condicional

La función Confiabilidad condicional permite la
determinación de la Confiabilidad Condicional.
En otras palabras, la probabilidad de que un ítem
sobreviva a una nueva misión de duración t, dado
que ya ha completado con éxito una misión de
duración T.
R(T + t )
R(T , t ) =
R(T )
T t
Un Ejemplo Simple
Para un vuelo de Los Angeles a Nueva York, si la
aeronave ya llegó a Denver, ella tiene mayor
probabilidad de completar el vuelo (Confiabilidad)
sin problemas, que la que tiene una aeronave que
aún está en Los Angeles.
La función Vida Media (MTTF)

La función vida media entrega la medida del tiempo medio de
operación hasta la falla, dada por:
∞
T =m= ∫0
t ⋅ f ( t ) dt
Este valor se refiere al valor esperado del tiempo hasta la falla

medio, y generalmente se denota como MTTF (Mean Time-to-
Failure).
Este valor también es denominado, por muchas personas,
como el MTBF (Mean Time Between Failures). Esto es

incorrecto en la mayoría de los casos.

El único caso donde esto podría ser verdadero (y correcto) es
cuando la tasa de falla fuese constante, y ésta suposición en
la mayoría de las veces, es cuestionable.
Ejemplo para Distribución Simétrica - Normal

Probability Density Function
4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)
Ejemplo para Distribución Asimétrica - Weibull
1.90E-3
1.52E-3
Mean=450
1.14E-3
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
Vida Mediana
(
La vida mediana, T , es el valor de la variable
aleatoria que divide la pdf por la mitad, dejando
tanto para el lado izquierdo como para el derecho
la mitad del área. La mediana es obtenida por:
(
T
∫
−∞
f ( t ) dt = 0 . 5
Ejemplo de una muestra de datos:
11 ,12 ,13 , 20 , 21 , 24 ,145

La mediana es el punto central de estos valores,
que en este caso es 20.
4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)

1.90E-3
1.52E-3
Median=400
1.14E-3
Mean=450
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
Vida Media y Vida Mediana

Observe que la vida media es igual a la mediana (o
el 50o percentil) en el caso de la distribución
normal y otras distribuciones simétricas.
Para las distribuciones asimétricas, la media
puede variar, pudiendo ser mayor o menor que la
mediana.
Para la distribución exponencial, la vida media siempre
corresponderá al percentil 63,2, o el tiempo en que
63,2% de las unidades fallarán.
Para la distribución Weibull, no hay un valor fijo. Este

porcentaje es función de los parámetros del modelo.
Media x Mediana
Muchas personas usan la media y mediana como si fuesen lo
mismo. Esto está errado!. Solamente en los casos donde
tenemos distribuciones simétricas es que la media y la
mediana poseen el mismo valor. En la mayoría de los casos,
la diferencia entre los valores de la media y mediana pueden
ser muy grande. Por ejemplo, considere un conjunto de
Datos con cinco valores:
(1, 2, 3, 4, 100)
La media es:
(1 + 2 + 3 + 4 + 100) 110
= = 22
5 5
Sin embargo, la mediana de este conjunto de Dato es el valor
3, o sea el valor central de los datos.
Moda
A vida modal (o moda), es el valor máximo de t que satisfaga:
d [ f (t )]
=0
dt
Para distribuciones continuas, la moda corresponde al
máximo valor de la densidad de probabilidad, o sea el valor
donde la pdf tiene su máximo (pico).

4.80E-3
3.84E-3
2.88E-3
f(t)
1.92E-3
9.60E-4
0
0 240.00 480.00 720.00 960.00 1200.00
Time, (t)

1.90E-3
Mode=280
1.52E-3
Median=400
Mean=450
1.14E-3
f(t)
7.60E-4
3.80E-4
0
0 400.00 800.00 1200.00 1600.00 2000.00
Time, (t)
113
Distribuciones
Break Point

Distribuciones
La distribución estadística es descrita por la pdf (o función
densidad de probabilidad). En las secciones anteriores
utilizamos la definición de la pdf para mostrar como todas las
otras funciones mas comúnmente utilizadas en la Ingeniería
de la Confiabilidad permiten el Análisis de datos de vida,
tales como: función confiabilidad, función tasa de falla,
función vida media y función vida mediana. Todas estas
pueden ser determinadas directamente la partir de las
definiciones de la pdf, o f(t).
Distribuciones
Existen diferentes distribuciones, tales como la
Normal, Exponencial, Weibull, Lognormal, Gama
Generalizada, etc., y cada una de ellas tiene la f(t)
predefinida (y pueden ser encontradas en la
mayoría de los libros y referencias estadísticas).
Estas distribuciones fueron formuladas por estadísticos,
matemáticos e ingenieros para modelar
matemáticamente o representar un comportamiento
poblacional. Por ejemplo, la distribución Weibull fue
formulada por Waloddi Weibull y por lo que recibió su

nombre.
Muchas de las distribuciones que tienden representar
mejor los datos de vida son comúnmente llamadas
distribuciones de vida.
Distribuciones Comúnmente Usadas

Modelos de Vida
Exponencial Normal
tasa de falla constante tasa de falla Creciente
Weibull Otros
puede ser creciente, Gama
decreciente o de tasa Gama Generalizada
de falla constante Logística
Monotónica Log-logística
Lognormal Gumbell
Creciente, y luego Modelos Mixtos (ex:

decreciente Weibull Mixta)

asintóticamente hacia Modelos de Modos de
cero falla Competitivos (CFM)
Resumen: Métricas Comunes

Confiabilidad, R(t): Probabilidad de que la falla no
ocurrirá hasta el tiempo t.
Desconfiabilidad, Q(t): Probabilidad de que la falla
será observada hasta el tiempo t.
Vida BX : tiempo en que la desconfiabilidad es
igual a X% (ex: B10 tiempo en que 10% de las fallas
irán a ocurrir).
Vida Média (MTTF): tiempo medio hasta la falla.
Vida Mediana: tiempo en que 50% de las fallas son

esperadas.
Confiabilidad Condicional (T,t): Probabilidad de
que una falla no será observada por un tiempo
adicional t, dado que el ítem vivió con éxito por un
tiempo T.
Distribuciones
Una de las distribuciones mas simples, (y frecuentemente
erróneamente utilizada debido a su facilidad), es la
distribución exponencial.
La pdf de la distribución exponencial es matemáticamente
definida como:
− λt
f (t ) = λ e
donde:
t es la variable aleatoria que representa el tiempo.

La letra griega λ (lambda) representa el parámetro de la

distribución.
Parámetros de la Distribución
Los parámetros de la distribución
describen y definen esta distribución en
particular.
Por ejemplo, en la distribución exponencial,
dependiendo del valor de lambda, λ, f(t)
exhibirá diferentes características.
Para algunas distribuciones, el parámetro o los
parámetros de la distribución son estimados

(obtenidos) a partir de datos.
La pdf Exponencial
ReliaSoft Weibull++ 7 - www.ReliaSoft.com
1.000E-4
Pdf
Data 1
Exponential-1P
RRX SRM MED FM
Func Line
8.000E-5
6.000E-5
f(t)
4.000E-5
2.000E-5
Name
Company
8/8/2005
0.000 1:18:51 PM
0.000 7000.000 14000.000 21000.000 28000.000 35000.000
Time, (t)
λ=0.0001
Obteniendo otras Funciones Relacionadas

con la Confiabilidad
Dada la representación matemática de la distribución
(pdf), podemos obtener también todas las funciones
necesarias para el Análisis de datos de vida.
Por ejemplo, dado que para la distribución
exponencial la pdf es dada por:
f (t ) = λ e − λt
Por lo tanto la función Confiabilidad puede ser
obtenida por: t
∫
−λs
R (t ) = 1 − λe
ds
0
−λt
= 1 − [1 − e ]
= e −λt
Función tasa de falla

La función tasa de falla es dada por:
f (t ) λ e − λ (t )
λ (t ) = = −λ (t ) = λ
R (t ) e
0.10
0.08
0.06
0.04
0.02
0
0 40.00 80.00 120.00 160.00 200.00
Time, (t)
Media o MTTF
O tiempo Medio hasta la falla (MTTF) es dado por:
∞
T = ∫t⋅
0
f ( t ) dt
∞
1
∫ t ⋅λ
−λt
= ⋅e dt =
0
λ
Esta misma metodología puede ser aplicada para cualquier

distribución, dada la pdf, con varios grados de dificultad

dependiendo de la complejidad de la f (t).
Observe que en el caso de la distribución exponencial esta

también es MTBF.
La Distribución Weibull
La distribución Weibull es una propuesta
general para Análisis de Confiabilidad
(modelo).
Es una distribución muy flexible, y por esta
razón, ampliamente utilizada.
El comportamiento de la tasa de falla en la
Weibull puede ser creciente, decreciente o
constante.
Esta pdf puede tener diferentes formatos, y
consecuentemente aproximarse a las otras
distribuciones.
Weibull 2-Parámetros
La forma mas popular (y mas simple) de la distribución
Weibull es la Weibull de dos-parámetros, o:
β Weibull pdf with 0 < β < 1, β = 1, and β > 1

β −1 ⎛ t ⎞
β ⎛ t ⎞ − ⎜⎜
⎝η
⎟⎟ 0.0100
f (t ) = ⎜⎜ ⎟⎟ e ⎠
η ⎝η ⎠ 0.0080
0.0060
f(t)
0.0040
0.0020
0
0 200.00 400.00 600.00 800.00 1000.00
Time, (t)
Distribución Lognormal
La distribución lognormal es comúnmente utilizada
en el Análisis de Confiabilidad, en ciclos hasta la
falla, para fatiga, resistencia de materiales y, en el
proyecto probabilístico con cargas variables.
Cuando el logaritmo natural de los tiempos hasta
la falla son normalmente distribuidos, entonces
decimos que los datos siguen una distribución log
normal.
L pdf de la distribución lognormal es dada por:

2
1 ⎛ T '− µ ' ⎞
1 − ⎜ ⎟
2⎝ σ ' ⎠
f (T ) = e
T σ ' 2π
Lognormal pdf
Mientras la
distribución normal 2.40E-4
es simétrica, la
distribución 1.92E-4
lognormal es
asimétrica y 1.44E-4
desplazada hacia la
f(t)
Izquierda, 9.60E-5
permitiendo una 4.80E-5
mejor adecuación
para el modelado 0
0 4000.00 8000.00 12000.00 16000.00 20000.00
de datos de vida. Time, (t)
Distribución Normal
La distribución normal es ReliaSoft's Weibull++ 6.0 - www.Weibull.com
utilizada comúnmente en el 0.0200
Análisis de Confiabilidad,
para tiempos hasta la falla 0.0160
de componentes
electrónicos y mecánicos,
0.0120
equipamientos o sistemas.
f(t)
La pdf de la distribución
0.0080
normal es dada por:
2 0.0040
1 ⎛ T −µ ⎞
1 − ⎜ ⎟
2⎝ σ ⎠
f (T ) = e
σ 2π
0
0 60.0000 120.0000 180.0000 240.0000 300.0000
Time, (t)
Distribución Weibull Mixta (Mixed Weibull)

Normalmente utilizada para componentes o sistemas que
presentan múltiples modos de falla.
La distribución Weibull mixta, es aplicada para representar
poblaciones mixtas con múltiples modos de falla. Ella
muestra la imagen global de la vida del producto, mezclando
diferentes distribuciones de Weibull para diferentes estadios
de la vida del producto, dada por:
f (T ) = p1 ⋅ f 1 (T ) + p 2 ⋅ f 2 (T ) + ... + p S ⋅ f S (T ),
βi
β i −1 ⎛ T ⎞
S
βi ⎛T ⎞ − ⎜⎜ ⎟⎟
∑
⎝ ηi
f (T ) = pi ⎜⎜ ⎟⎟ e ⎠
i =1 ηi ⎝ ηi ⎠
donde, para 2 subpoblaciones, S=2; para 3, S=3; y para 4, S=4.
Observe que:
p1 + p2 + ::: + ps = 1
La pdf de una Weibull Mixta

1.00E-3
Weibull
Data 1
W8 RRX - SRM MED

F=100 / S=0
8.00E-4
6.00E-4
f(t)
4.00E-4
2.00E-4
Pantelis
ReliaSoft
0 1/27/01 14:11
0 600.00 1200.00 1800.00 2400.00 3000.00
Time, (t)
β[1]=3.2201, η[1]=512.2561, Ρ[1]=0.2233 ; β[2]=4.7349, η[2]=1032.6110, Ρ[2]=0.5191

β[3]=7.6325, η[3]=2197.0271, Ρ[3]=0.2577
La Distribución Gama Generalizada

No es tan utilizada como las otras distribuciones de vida ya
presentadas. La distribución gama generalizada posee la capacidad
de imitar otras distribuciones, como la Weibull o la Lognormal,
dependiendo de los parámetros de su distribución.
La distribución Gama Generalizada posee tres parámetros y su pdf
es dada por:
⎧ ⎡ In ( t ) − µ
⎢λ⋅ ⎛ 1 ⎞
+ In ⎜ 2 ⎟ − e
λ⋅
In ( t )− µ
σ
⎤
⎥
⎪ ⎢
⎢
σ ⎝λ ⎠ ⎥
⎥
⎪ λ λ 2
⎢ ⎥
⎪ 1 ⎢ ⎥
⋅ ⋅ e⎣ ⎦
⎪
f ( t ) = ⎨ σ ⋅ t Γ ⎛⎜ 12 ⎞⎟
⎪ ⎝λ ⎠
⎪ 1 ⎛ In ( t ) − µ ⎞
2
⎪ 1 − ⎜⎜
2⎝ σ
⎟⎟
⎠
⎪ e k if λ = 0
⎩ t ⋅ σ 2π
132
Estimación de los Parámetros


Para ajustar un modelo a los datos, es
necesario realizar una estimación de los
parámetros del modelo escogido
(distribución).
Esta estimación es realizada basándose en
el conjunto de datos.

La estimación de los parámetros de la
distribución normal para datos completos
es trivial.
0.0005
3,000, 4,000, 5,000

2
1 ⎛ T −µ ⎞ 0.0004
1 − ⎜ ⎟
2⎝ σ ⎠
f (T ) = e
σ 2π
0.0003
f(t)
µ = 4, 000
0.0002
σ = 1, 000 0.0001
0
0 2000.0000 4000.0000 6000.0000 8000.0000 10000.0000
Time, (t)
Método de Estimación de Parámetros

Hay varios métodos para la estimación de
los parámetros.
Dos de estos métodos son comúnmente
utilizados para datos de vida.
Esta sección presentará una visión general
de estos métodos, comenzando con el mas
conocido, el método del Ploteo de
Probabilidades (probability plotting)

combinado con el método de los mínimos

cuadrados (least squares) y el método de la
Máxima Verosimilitud (maximun likelihood).
Ploteo de Probabilidades
El método mas conocido (de uso manual)
para distribuciones complejas, tal como la
distribución Weibull, es el método de la
Ploteo de Probabilidades (probability
plotting).
El Ploteo de Probabilidades considera el ploteo
de los Datos en un gráfico especialmente
construido para estos tipos de datos.
Consiguiendo el papel gráfico especial de

probabilidades, sí puede fácilmente aplicar este
método manual.
Ploteo de Probabilidades
Con álgebra básica, se
puede fácilmente 45
X Y
obtener la ecuación de 40
1 12
2 18
una recta a partir del 3 33
35
ploteo (y=mx+b). 4 39
30
La ecuación es
definida por una 25
inclinación (m) y una 20

posición (b).
15
El mismo concepto es
10 y = 9.6x + 1.5
utilizado en el ploteo
de probabilidad. 5
0
0 1 2 3 4 5
Ploteo de Probabilidades (cont.)

El Ploteo de Probabilidades es realizada
por la linealización de la cdf por la
utilización de un papel especialmente
construido.
Por ejemplo, en el caso de la distribución
Weibull con dos-parámetros, la cdf
(probabilidad de falla Q(T)) es dada por:
β
⎛T ⎞
−⎜⎜ ⎟⎟
⎝η
F (T ) = Q(T ) = 1 − e ⎠

Esta función puede ser linealizada como se
muestra a continuación:
⎛ ⎞
β
⎛T ⎞
−⎜ ⎟
ln(1 − Q(T )) = ln ⎜ e ⎟
⎝η ⎠
⎜ ⎟
⎝ ⎠
⎛T ⎞
ln(− ln(1 − Q(T ))) = β ln ⎜ ⎟
⎝η ⎠
⎛ ⎛ 1 ⎞⎞
ln ⎜ ln ⎜ ⎟ ⎟ = β ln(T ) − β ln(η )
⎝ ⎝ 1 − Q(T ) ⎠ ⎠

⎛ ⎛ 1 ⎞⎞
Obtenemos entonces: y = ln ⎜ ln ⎜ ⎟⎟
⎝ ⎝ 1 − Q(T ) ⎠ ⎠
x = ln(T )
La ecuación puede ser re-escrita como:
y = βx – βln (η)
Resultando una ecuación lineal de dos parámetros,

correspondientes a una inclinación β y un valor de
posición βln(η).

El próximo objetivo es construir un gráfico con las coordenadas Y y
X apropiadas.
La abscisa X – será dada por una transformación
logarítmica simple.
La ordenada Y – sin embargo, será representada por:
⎛ ⎛ 1 ⎞⎞
y = ln ⎜⎜ ln ⎜⎜ ⎟⎟ ⎟⎟
⎝ ⎝ 1 − Q (T ) ⎠ ⎠
donde Q(T) es la desconfiabilidad.

Gráficos semejantes han sido creados por diferentes proveedores y

son denominados Papeles de Probabilidad Weibull.
⎞⎞
⎟⎟
⎠⎠
x = ln(T )
Q (T )
1
1 −
⎛ ⎛
y = ln ⎜ ln ⎜
⎝ ⎝
2 Cy cle Weibull Probability Plottin g Paper Created Using ReliaSof t's Weibull++ www.ReliaSoft.com 1-888-886-0410 ©1999 ReliaSoft Corporation
0.5
0.6
0.7
0.8
0.9
1.0
1.2
1.4
1.6
2.0
3.0
4.0
6.0
142


Este gráfico es construido basándose en las transformaciones
de Y y X, ya mencionadas, donde la coordenada y representa la
probabilidad de falla, y la coordenada x representa el tiempo.
Estos dos valores deben ser conocidos para cada punto (o
tiempo de falla) para que se les pueda plotear.
Entonces, dado los valores de Y y X para cada punto, podremos

fácilmente localizarlos en el gráfico.

Determinando Posiciones para los Pontos X e Y
Los puntos ploteados representan nuestros datos,

o mas específicamente hablando en Análisis de
vida, datos de tiempo hasta la falla.
Entonces si, por ejemplo ensayamos cuatro ítems
hasta la falla y obtenemos los siguientes
resultados: 10, 30, 50 y 60 horas. Usaríamos estos
tiempos hasta la falla como nuestros valores de x o
valores de tiempo.
La determinación de la posición y, o sea, la
probabilidad de falla, es un poco mas complicada.

Para determinar la posición de y, deberemos primero
determinar el valor de la “categoría mediana” (median
rank) para cada tiempo hasta la falla.

una vez ploteados los puntos, (en el papel
de probabilidades), debemos trazar la mejor
línea recta que pasa ellos.
Dibujada la recta, podemos obtener una
inclinación (Para facilitar, la mayoría de los
papeles de probabilidad incluyen un
indicador de inclinación), o sea, el

parámetro β (en el caso de la distribución

Weibull).
Categorías Medianas
Las categorías medianas son utilizadas para obtener una
estimación de la desconfiabilidad, Q(Tj), para cada tiempo
hasta la falla.
La categoría puede ser encontrada para cualquier
porcentaje P, mayor que cero y menor que uno, por la
resolución de la distribución binominal acumulada
(cumulative binominal) para Z ( para la categoría de la
j-ésima falla):
N
⎛N⎞ k
P = ∑⎜⎜ ⎟⎟Z (1− Z )N −k
k= j ⎝ k ⎠
donde N es el tamaño de la muestra y j el número de orden.
Categorias Medianas
Específicamente, la categoría mediana es obtenida por la
resolución de la siguiente ecuación en relación a Z:
N
⎛N⎞ k
0.50 = ∑ ⎜⎜ ⎟⎟Z (1 − Z ) N − k
k= j ⎝ k ⎠
Por ejemplo, sí N = 4 y nosotros tenemos cuatro fallas,

resolveremos la ecuación de la categoría mediana, cuatro veces,
una para cada tiempo hasta falla, con j = 1, 2, 3 y 4, para
encontrar el valor de Z. Este resultado puede entonces ser
utilizado como la desconfiabilidad para cada tiempo hasta la falla,
ó sea la posición de y.
Observe que la ecuación no incluye nada respecto del tiempo

hasta la falla, solamente su orden o categoría. es por eso que es
denominado el método de la categoría mediana.
La resolución de la ecuación para Z requiere la utilización de
métodos numéricos.
Categorías Medianas
una rápida y menos precisa aproximación de la
categoría mediana es dada por:
j − 0.3
MR =
N + 0.4
Esta aproximación de la categoría mediana es
conocida también como aproximación de Bernard.
149
10, 15.9%
60, 84.1%
30, 38.6%
50, 61.4%

Para determinar el parámetro de escala, η (también
llamado vida característica), se requiere un poco mas
de trabajo; sigamos el cálculo matemático usado.
Para la cdf Weibull.

β
⎛T ⎞
−⎜ ⎟
⎝η ⎠
Q(T ) = 1 − e
entonces tenemos T=η :

β
⎛η ⎞
−⎜ ⎟
⎝η ⎠
Q(T = η ) = Q(η ) = 1 − e
= 1 − e −1 = 0.632 = 63.2%
151
Ploteo de Probabilidades para otras

Distribuciones
Esta misma metodología puede ser
aplicada para otras distribuciones (las que
puedan ser linealizadas).
Existen diferentes gráficos para cada
distribución.
Weibull++ crea automáticamente estos
ploteos cuando usted escoge una
distribución en particular.
153
Estimación de Parámetros – Mínimos

Cuadrados (Análisis de Regresión)
Con el mismo concepto de ploteo de las
probabilidades, pero ahora utilizando la estimación
de los parámetros por el Análisis de regresión,
conseguimos obtener la mejor adherencia de la
recta a los datos.
Los términos: regresión lineal y mínimos cuadrados son
sinónimos, y ambos serán utilizados en este manual. El
termino categoría de regresión (rank regression) es
utilizado en el lugar de mínimos cuadrados, o regresión

lineal, porque la representación de la regresión es el

valor de la categoría. Mas específicamente el valor de la
categoría mediana (representado por la coordenada y).
Estimación de los Parámetros –

Mínimos Cuadrados
El método de los mínimos cuadrados permite el
alineamiento de la recta sobre los puntos, de manera tal
que la suma de las diferencias al cuadrado de los puntos a
la recta sea minimizada. Si la regresión fuese en Y, será
escogido el alineamiento que minimiza la suma de los
cuadrados de los desvíos verticales entre los puntos y la
recta (RRY). Si la regresión fuera en X, será escogido el
alineamiento que minimiza la suma de los cuadrados de
los desvíos horizontales (RRX).
(RRY) (RRX)
El Coeficiente de Correlación
La medida que muestra la adecuación del modelo lineal a los
datos, es el coeficiente de correlación denotado por ρ.
En el caso del Análisis de datos de vida, esta
medida muestra la relación lineal (correlación)
entre la categoría mediana y los datos.
La variación es de -1 a 1.
El mejor valor es ± 1 y significa mejor alineamiento. Observe
que ± 1 indica un perfecto alineamiento (los pares
cartesianos (xi, yi) quedan sobre una línea recta); con una
inclinación positiva o negativa según el signo.
0
+1 -1
MLE – Estimación de los Parámetros

Método estadístico de estimación (no gráfico).
Dado un conjunto de datos, estimar los parámetros
que maximizan la probabilidad de que el dato
pertenezca a esta distribución y al conjunto de
parámetros.
Construye la función de verosimilitud como producto de las
densidades, asumiendo independencia.
Utiliza el cálculo para determinar los valores que maximizan la
función de verosimilitud.
Tiene propiedades estadísticas interesantes cuando el tamaño

de la muestra es grande.
Se sabe que para muestras pequeñas es sesgado.
Se ajusta bien cuando tenemos datos censurados
Concepto MLE
Cual modelo es mas probable si dos valores son
observados: -3 y 3?
MLE - Estimador de Parámetros de la Máxima

Verosimilitud para datos Completos
Si x es una variable aleatoria continua con pdf:
f ( x;θ1 , θ 2 , K , θ k )
donde θ1, θ2, … , θk son k parámetros constantes, desconocidos, los
cuales necesitan ser estimados, y conducimos un experimento y
obtuvimos N observaciones independientes, x1, x2, … , xN, entonces
la función de verosimilitud es dada por:
N
L(θ1 , θ 2 ,K ,θ k x1 , x2 , K, xk ) = ∏ f ( xi ;θ1 , θ 2 ,K ,θ k )
i =1
Para una distribución con un parámetro simple θ y datos de 10, 20,

30, la verosimilitud de la función podría ser:
L(θ 10,20,30) = f (10) f (20) f (30)
MLE (Maximun Likelihood) Estimación de

Parámetros (cont.)
La función logarítmica de la verosimilitud es:
Λ = ln L(θ1 , θ 2 ,K ,θ k x1 , x2 , K, xk )
N
= ∑ ln( f ( xi ;θ1 , θ 2 ,K ,θ k ))
i =1
Los estimadores de máxima verosimilitud (MLE) de θ1, θ2, … , θk son
obtenidos por la maximización de L o Λ.
Por la maximización de Λ, que es mucho más fácil de trabajar que
con L. Los estimadores de máxima verosimilitud (MLE) de θ1, θ2, … ,

θk son soluciones simultáneas de K ecuaciones, de modo que:
∂Λ
= 0, i = 1,2,...k
∂θ i
MLE (Maximun Likelihood) Estimación

de Parámetros (cont.)
Aunque sea una práctica común plotear la solución por la MLE
utilizando la categoría mediana ( los puntos son ploteados de
acuerdo con la categoría mediana y el alineamiento de acuerdo
con la solución dada por la MLE), ésta no es completamente
precisa.
Como se puede observar en las ecuaciones anteriores, el
método de la MLE es independiente de cualquier tipo de
categoría. Por esta razón, muchas veces la solución por la MLE

aparenta no ajustarse bien a los datos (puntos ploteados).

Esto es perfectamente aceptable siempre que los dos métodos
sean independientes entre sí, y no indica que la solución pueda
estar errada.
Unreliability, F(t)
162
1.00
5.00
10.00
50.00
90.00
99.00
10.00
RR
MLE
Time, (t)
Probability - Weibull
100.00
MLE - Usando la distribución Normal

Para obtener el estimador de la media, µ, y la desviación estándar, σ,
por el método MLE, de la distribución normal, comenzamos con la
pdf de esa distribución, dada por:
2
1 ⎛ T −µ ⎞
1 − ⎜ ⎟
f (T ) = e 2⎝ σ ⎠
σ 2π
Si T1, T2, … , TN son tiempos hasta la falla, conocidos (sin
suspensiones), esta función de la verosimilitud es dada por:
⎡ 1 ⎤
2
1 ⎛ T −µ ⎞
N − ⎜ i ⎟
L(T , σ T | T1 , T2 ,..., TN ) = L = ∏ ⎢ 2⎝ σ ⎠
⎥,
e
i =1 ⎢ σ 2π ⎥
⎣ ⎦
2
1 ⎛ Ti − µ ⎞
N
1 − ∑ ⎜ ⎟
2 i =1 ⎝ σ ⎠
L= e
(σ 2π )
N
MLE - Usando la Distribución Normal

(cont.)
entonces:
1 N ⎛ Ti − µ ⎞
2
N
Λ = ln L = − ln(2π ) − N ln(σ ) − ∑ ⎜ ⎟
2 2 i =1 ⎝ σ ⎠
Aplicando la derivada parcial de Λ en relación a cada uno de los
parámetros e igualando a cero, obtenemos:
∂Λ 1 N
= 2
∂µ σ
∑ (T − µ ) = 0
i =1
i
y:
2
∂Λ N 1 N
= − + 3 ∑ (Ti − µ ) = 0
∂σ σ σ i =1
MLE - Usando la Distribución Normal

Resolviendo simultáneamente, obtendremos:
N
1
µ=
N
∑ (T )
i =1
i
y:
N
1
σ= ∑ (T − µ )
2
i
N i =1
Notas sobre Sesgo

En estadística, un estimador sesgado es
aquel que, por alguna razón, su media es
sobre o subestimada en relación a la que
está siendo estimada (calculada).
un estimador cuyo valor medio difiere del valor
de la cantidad que está siendo estimada.
La MLE puede ser sesgada.
Este error es más significativo cuando usamos

muestras pequeñas.
167
Datos y Tipos de datos
Break Point

Tipos de Datos de Vida, Introducción

Datos Completos
Datos Censurados
• Censura a Derecha (Suspensión)
• Censura en Intervalos
• Censura a Izquierda
Datos Completos
Por ejemplo, sí ensayan cinco ítems y si todos fallasen,
tendríamos todas las informaciones de la muestra, como
tiempo hasta la falla de cada ítem.
Datos Censurados a Derecha (Suspensos)

Si nosotros ensayamos cinco ítems, pero solo tres fallan. En
este caso, nuestros datos son compuestos por tres ítems
que fallaron, o sea, ítems de los que conocemos los tiempos
hasta la falla, y dos ítems que no fallaron.
Este es el tipo mas común de datos censurados.
Frecuentemente utilizado en el Análisis de Datos de
terreno.
Datos Censurados en el Intervalo

Si ejecutáramos un ensayo con cinco ítems y realizásemos
inspecciones cada 100 horas. Si el ítem falló entre las inspecciones
nosotros no sabremos el momento exacto en que la falla ocurrió,
pero sabemos que la falla ocurrió dentro del intervalo de
inspección. Esto también es llamado por varios autores de
Inspección de Datos Intervalar.
Datos Censurados a Izquierda

Datos censurados a Izquierda son situaciones donde el ítem es
encontrado en estado de falla solamente después un cierto período
de tiempo, y también es desconocido el momento exacto de la falla.
Regla del Pulgar con Relación a los

Datos de Intervalo
Alguien puede afirmar que todos los tipos
de Datos son Datos en intervalo.
Nosotros trataremos los datos como
datos en intervalo cuando el período de
observación sea mayor que el del período
requerido como resultado.
Si el resultado deseado es en meses y mis
datos están en meses entonces,
consideraremos el conjunto de datos como
datos completos.
Si el resultado deseado es en días y mis

datos están en meses, entonces nosotros
consideraremos el conjunto de Datos como
datos de intervalo.
Ploteando las Probabilidades de Datos

Censurados (Suspensión)
Cuando utilizamos el Análisis de regresión
para considerar el hecho de que ítems no
fallaron, o quedaron en suspensión,
necesitamos ajustar su probabilidad de
falla, o desconfiabilidad (lo que fue
computado utilizando la categoría
mediana).
una metodología, basada en la metodología

de Leonard Johnson será mostrada a
continuación.
Plotando la Probabilidad de Datos

Censurados a Derecha (Suspensión)
Para ilustrar mejor esta metodología,
consideremos el ejemplo siguiente, donde
cinco ítems fueron ensayados y se obtuvo
tres fallas y dos suspensiones.
Item Number State, Life of item,
(Position) F or S cycles
1 F1 5,100
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000
Ploteando la Probabilidad de Datos

En esta secuencia, F1 es la primera de
cinco fallas.
Item Number State, Life of item, Failure
(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000

Surgen algunas dificultades cuando
intentamos realizar el calculo para
determinar el número de fallas restante de
los ítems.
Item Number State, Life of item, Failure
(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000 ?
4 S2 22,000
5 F3 40,000 ?

El Número actual de Orden de falla (o posición) de la
segunda falla F2, es una incógnita. Ella podría ser de
posición 2 o de posición 3.
Si S1 no hubiese sido retirado del ensayo en 9.500 h, es
posible que hubiera podido operar con éxito mas allá de las
15.000 h y por lo tanto, F2 quedaría en la posición 2.
Por otro lado, S1 también podría haber fallado antes de
15.000 h, y en este caso F2 quedaría en la posición 3.
Así, el Número de Orden de falla F2 estará en algún lugar
entre 2 y 3.

Para determinar los valores de orden, primero listamos todas
las secuencias de posibilidades de las fallas. En todos los
casos F1 será la primera observación, siempre que ella
ocurra primero. Nosotros podemos encontrar una cantidad
de diferentes posibilidades en que la falla F2 puede ocurrir,
Número de Orden 2 (posición 2) o Número de Orden 3
(posición 3). Estas posibilidades son listadas en las
siguientes tablas.
F2 in Position 2 F2 in Position 3
1 2 3 4 5 6 1 2
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 F2 F2 F2 F2 S1 S1
S1 S2 F 3 S 1 S2 F3 F2 F2
S2 F 1 S1 F 3 F 3 S2 S2 F3
F3 S3 S2 S 2 S1 S1 F3 S2

Se puede ver que la falla F2 puede ocurrir en la
segunda posición de seis maneras diferentes, y en
la tercera posición de dos maneras diferentes.
La posición mas probable es la media de estos
posibles caminos, o la Media del Número de Orden
(MON), dada por:
(6 ⋅ 2) + (2 ⋅ 3)
F2 = MON 2 = = 2.25
6+2

Utilizando la misma lógica, la tercera falla puede ser
localizada en la Posición 3, 4 ó 5, como muestran las tablas
siguientes.
F3 in Position 3 F3 in Position 4 F3 in Position 5

1 2 1 2 3 1 2 3
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 S1 F2 F2 S1 F2 F2
F3 F3 F2 S1 S2 F2 S1 S2
S1 S2 F3 F3 F3 S2 S2 S1
S2 S1 S2 S2 S1 F3 F3 F3
entonces, la Media del Número de Orden de la tercera falla

F3, será:
(2 ⋅ 3) + (3 ⋅ 4) + (3 ⋅ 5)
MON 3 = = 4.125
2+3+3

Una vez que la Media del Número de Orden para cada falla es
establecida, usted entonces necesitará obtener posiciones
de la categoría mediana para las fallas en la Media del
Número de Orden. Simplificando, usted debe obtener la
Categoría Mediana de los Números de Orden 1, 2.25 y 4.125
para una muestra de tamaño 5, como muestra la tabla abajo.
Plotting Positions for the Failures (Sample Size = 5)

Failure Number MON Median Rank Position (%)
1 : F1 1 13%
2 : F2 2.25 36%
3 : F3 4.125 71%

99.000
Probability-Weibull
Data 1
Weibull-2P
RRX SRM MED FM
Data Points
Susp Points
Data Line
90.000
Unreliability, F(t)
50.000
Name
Company
8/8/2005
10.000 10:41:48 AM
1000.000 10000.000 100000.000
Time, (t)
β=1.0627, η=3.2508Ε+4, ρ=0.9999
Errores del Método de Ajuste del Rank

Aún cuando este método de ajuste sea el mas
utilizado en el Análisis de Datos suspendidos, nos
gustaría de indicar algunos de los posibles errores
que pueden ocurrir con el.
Como se puede percibir, solamente la posición en que la
falla ocurrió es tomada en cuenta en los cálculos, y los
tiempos exactos de suspensión no son considerados.
Esta metodología nos daría exactamente el mismo
resultado para el Caso 1, como para el Caso 2 que
veremos a continuación.

Case 1 Case 2
Item State*, Life of item, Item State*, Life of item,
number F or S hr number F or S hr
1 F1 1, 000 1 F1 1, 000
2 S1 1, 100 2 S1 9, 700
3 S2 1, 200 3 S2 9, 800
4 S3 1, 300 4 S3 9, 900
5 F2 10, 000 5 F2 10, 000
*F - Failed, S - Suspended. F - Failed, S - Suspended.
… obtenemos la misma Media de los Números de

Orden en ambos casos y, por lo tanto, los resultados
de la categoría mediana serán los mismos.
Sin embargo, los resultados MLE serán diferentes.

Este tipo de error es significativo cuando el
número de fallas es pequeño y el número de
suspensiones es grande y no uniformemente
distribuidos entre las fallas, como en estos datos.
En casos como este, lo recomendable es utilizar el
método del estimador de la máxima verosimilitud
(MLE), en vez del método de los mínimos
cuadrados, dado que la máxima verosimilitud no
lleva en consideración las categorías o posiciones
de ploteado, sino que por el contrário, ella utiliza

cada tiempo hasta la falla o suspensiones.

La Función Verosimilitud Completa

después completada el Análisis de diferentes tipos de datos,
la función de verosimilitud (sin la constante) puede ser
expresada ahora en su forma completa.
R M
L = ∏ f (Ti ;θ 1 , θ 2 ,..., θ k ) ⋅∏ ⎡⎣1 − F ( S j ;θ 1 , θ 2 ,..., θ k ) ⎤⎦
i =1 j =1
P
⎣ ( ) ( )
⋅∏ ⎡ F I li ;θ 1 , θ 2 ,..., θ k − F I li−1 ;θ 1 , θ 2 ,..., θ k ⎤
⎦
l =1
donde L L(θ1, …, θk|T1, …,TR, S1, …, SM, I1, …, IN)

Regla del Pulgar para Escoger el Método de

Análisis
Use el Método de la Regresión (RRX)
Datos Completos y pequeñas muestras.
Use MLE
Grandes cantidades y/o mezclados con
censura
Grandes muestras (30+ fallas)
Ejemplo de Datos en Intervalos

Sea Water Acetic Acid Test (SWAAT)
10 Headered Tube & Center Condensers
Duración del ensayo: 30 días
SWAAT Desempeño y Análisis de
Confiabilidad Requerida: R (15 días) = 90%
o B10 de 15 días
Condiciones del ensayo SWAAT

Cure/Dry Duration Condenser properly cured for minimum
duration of 2 weeks prior to test
Charge Conditions Sealed and charged to 1379 kPa [200
psi] with dry nitrogen
SWAAT Test Conditions Refer to ASTM Standard Practice G85
– Annex A3 and ASTM Test Method
G-43-75
Glacial Acetic Acid Concentration 10.34 mol/L [39.14 mol/gal]
Sea Water Concentration 53.9 kg/m 3 [0.45 lb/gal]
Cabinet Temperature 49 ° C [120.2 °F]
Charge Monitoring Monitor for charge loss either manually
or automatically
Charge Monitoring Duration Intervals not exceeding 24 hours

(exceptions may include holidays and

weekends)
Charge Loss Action Unit should be recharged to determine
if the condenser has the ability to hold
a charge
Test Duration Until failure or 30 days (whichever
comes first) unless otherwise directed
by the engineer
Monitoreando el ensayo SWAAT

Ítems son chequeados manualmente a las
8:00 de la mañana, en día útil.
Si la presión de nitrógeno cae abajo de la
inicial (200 psi), el ítem es removido del
ensayo.
El ítem es removido para verificar sí el
condensador aún cumple su función.
Si el condensador removido no cumple su

función, será considerado en falla.

Eventos del ensayo SWAAT

Inicio del ensayo: martes, 31 de agosto de 1999.
ítem #2 encontrado con falla el martes, 14 de
septiembre.
ítem #4 encontrado con falla el miércoles, 15 de
septiembre.
ítem #5 removido por Análisis metalúrgico el
viernes, 24 de septiembre.
ítems #6 & #10 encontrados con falla el lunes, 27
de septiembre.
ensayo suspendido el jueves, 30 de septiembre.

Start
#2 Found Failed #4 Found Failed

#5 Removed
#6 & #10
Found Failed
End
194
Entrada de Datos en Weibull++

Resultados de Confiabilidad
Analizando con el MLE,
obtenemos una Confiabilidad,
para 15 días, de :
91.1%
RESULTADO DENTRO DE
ESPECIFICACIONES
La metodología MLE debe ser
utilizada, porque el método de
Análisis de regresión no
contabiliza completamente las

suspensiones cuando los
valores de tiempo son
mayores que el mayor valor de
tiempo de falla.
Datos de Mortalidad Humana

State Age State Age State Age
S 23 S 39 S 74
S 25 S 40 F 75
S 27 S 41 F 77
S 28 S 41 F 78
S 29 S 41 F 82
S 29 S 43 F 88
S 29 F 46
S 31 F 51
S 34 S 52 Legend
F 35 S 53 S Alive
S 36 F 54 F Deceased
S 36 S 54
S 36 S 55
S 37 S 55
F 38 F 58
S 38 S 59
S 38 F 61
S 39 S 63
S 39 F 64
S 39 F 68
S 39 F 69
S 39 F 72
HmMortality.rw6
β
β −1 ⎛ t ⎞
β ⎛t ⎞ − ⎜⎜
⎝η
⎟⎟
f (t ) = ⋅ ⎜⎜ ⎟⎟ e ⎠
η ⎝η ⎠
−λ t
f (t ) = λe
1 ⎛ t−µ ⎞2
1 − ⎜ ⎟
1 ⎛ ln(t ) − µ ′ ⎞ 2 2⎝ σ ⎠
1 − ⎜
2⎝ σ ′ ⎠
⎟ f (t ) = e
f (t ) = e σ 2π
′
t ⋅ σ 2π
Usando el Modelo Weibull

99.00
β
⎛t⎞
− ⎜⎜ ⎟⎟
⎝η ⎠
F (t ) = 1 − e
90.00
50.00
Unreliability, F(t)
10.00
5.00
Weibull
Data 1
W2 RRX SRM MED

F=16 S=34
1.00
10.00 100.00
Time, (t)
Data 1 β=5.1754, η=74.0855, ρ=0.9956

Modelo Weibull
Reliability vs Time
1.00 Weibull
Data 1
W2 RRX SRM MED ReliaSoft's Weibull++ 6.0 - www.Weibull.com

F=16 S=34 Unreliability vs Time Plot
1.00
0.80
0.80
0.60
Unreliability, F(t)=1-R(t)
0.40 0.60
0.20 0.40
0 0.20
0 20.00 40.00 60.00 80.00 100.00
Time, (t) Weibull
Data 1
Data 1 β=5.1754, η=74.0855, ρ=0.9956
W2 RRX SRM MED
F=16 S=34
0
0 20.00 40.00 60.00 80.00 100.00
Time, (t)
Data 1 β=5.1754, η=74.0855, ρ=0.9956

Modelo Weibull
0.25
0.20
0.15
0.10
0.05
Weibull
Data 1
W2 RRX SRM MED

F=16 S=34
0
0 20.00 40.00 60.00 80.00 100.00
Time, (t)
Data 1 β=5.1754, η=74.0855, ρ=0.9956

Cálculos de Confiabilidad
Probabilidad de que
una persona vivirá
hasta los 60 años:
β
⎛t⎞
−⎜⎜ ⎟⎟
⎝η ⎠
R (t ) = e
71.48%
Vida Media* ≈ 68.15
∞
T = ∫ t ⋅ f (t )dt
0
⎛1 ⎞
T = η ⋅ Γ⎜⎜ + 1⎟⎟
⎝β ⎠
con 90% Intervalos
de Confianza
*Based on this sample data set.

Outros Resultados
Probabilidad de que una persona con 40 años de
edad sobrevivirá un año mas (hasta 41 años )
≈ 99.44%.
β
⎛ T +t ⎞
− ⎜⎜ ⎟⎟
⎝ η ⎠
e
R (T , t ) = β
⎛T ⎞
− ⎜⎜ ⎟⎟
⎝η ⎠
e
Por lo tanto, el premio para un año

en el caso de ser humanos con 40

años de edad podría ser 0,56% del
valor de la póliza para mantener el
equilibrio financiero (break even).
en otras palabras, podría ser
cobrado $560 en el año ($46,60 por
mes) para una póliza de 100.000.
Modelando Componentes de fallas

Se asume informaciones de
falla/reparación para una flota de 10
camiones que están siendo monitoreados y
registrados.
Más aún, suponga que un componente simple
es de interés.
T ruck Ev e nt M ile age M ile s-to-failure M ile s w/out Failure
First Replacement 62874 62874
1 Sec ond Replacement 95777 32903

Current Mileage 113266 17489

4
Sec ond Replacement 57760 9760
5
Third Replacement 83538 25778
6
7
Sec ond Replacement 66446 20432
9
10
T ruck Event Mileage Miles-to-failure Miles w/out Failure

1 Second Replacement 95777 32903
4
Second Replacement 57760 9760
5
6
7


Second Replacement 66446 20432
9
10
Obteniendo un Conjunto de
“Datos de Vida”
Camión 1:
falla con 62.874 millas.
Operando sin fallas: 17.489 millas.
camión 2:

Operando sin fallas: 42.834 millas.

Y, entonces..
State Mileage
S 2,220 Legend
S 3,528 S Operation w/out Failure
F 5,811 F Failure
F 9,760
S 13,061
F 14,563
S 17,489
F 20,432
F 24,589
F 25,778
F 28,020
F 28,234
F 31,017
F 32,903
F 33,094
S 36,181
S 38,414
F 42,141
S 42,834
F 46,014
F 48,000
F 62,874 Data 1 β=6.0000, η=10000.0000, ρ=0
F 65,165
Time, (t)
0 4000.00 8000.00 12000.00 16000.00 20000.00
0
0.20
S 65,489 0.40
)t(F-1=)t(R ,ytilibaileR
S 72,047 0.60
0.80
F 74,354 1.00
Reliability vs Time
F=0
W2
Data 1
Weibull
RRX
S=0
SRM MED
F 86,432
S 110,401
208
Truck Data.rw6
Entrada de Datos en el Software
Weibull++

2.00E-5
β
β −1 ⎛t⎞
β ⎛t⎞ −⎜⎜ ⎟⎟
⎝η ⎠
f (t ) = ⋅ ⎜⎜ ⎟⎟ e
η ⎝η ⎠
1.60E-5 β = 1.6
η = 57,505
1.20E-5
f(t)
8.00E-6
4.00E-6
Weibull
Data 1
W2 MLE SRM MED

F=18 S=10
0
0 40000.00 80000.00 120000.00 160000.00 200000.00
Time, (t) Pantelis
ReliaSoft
Data 1 β=1.5937, η=5.7505Ε+4 2/28/2003 09:04
β
6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00
90.00
50.00
Unreliability, F(t)
10.00
5.00
Weibull
Data 1
W2 MLE SRM MED

F=18 S=10
1.00
1000.00 10000.00 100000.00 1000000.00
Time, (t) Pantelis
ReliaSoft
Data 1 β=1.5937, η=5.7505Ε+4 2/28/2003 09:05
Cuestiones Básicas
Probabilidad de falla/éxito en cualquier
tiempo.
Confiabilidad:
• 10.000 = 94.3%
• 20.000 = 83%
• …
• 50.000 = 44.92%
Millas Média hasta la falla = 51.567

Millas Mediana hasta la falla = 45.690

Proyección de fallas
un resultado de interés puede ser la
proyección del número esperado de fallas
de un componente de la flota, para un
período de tiempo futuro, dado el millaje
actual de la flota.
La Probabilidad Condicional puede ser
utilizada para determinar la probabilidad de
fallas de cada componente, dado su millaje
actual.
Basado en el modelo ajustado Weibull.
Proyección de fallas (cont.)

Dada las millas actuales de la flota, cuantas
fallas mas debería esperar para las 10.000
millas siguientes?
camión 1
Millaje actual del componente: 17.489.
Probabilidad de falla del componente para las 10.000
millas siguientes = 0.1465%.
β
⎛ T +t ⎞
−⎜⎜ ⎟⎟
⎝ η ⎠
e
R (T , t ) = β
⎛T ⎞
−⎜⎜ ⎟⎟
⎝η ⎠
e
β
⎛ 17 , 489 +10 , 000 ⎞
−⎜⎜ ⎟⎟
⎝ η ⎠
e
= β = 0.8535
⎛ 17 , 489 ⎞
−⎜⎜ ⎟⎟
⎝ η ⎠
e
Proyección de la Flota
Current Conditional
Truck
Mileage Prob. of Failure
1 17489 0.146492296
2 42834 0.219898901
3 38414 0.208969512
4 110401 0.342328013
5 2220 0.076085267
6 72047 0.280826757
7 65489 0.268518869
8 3528 0.084178763
9 36181 0.203214765
10 13061 0.129693571
1.960206716
216
Intervalos de Confianza
(Limites de Confianza)
Break Point

Que es Intervalo de Confianza?

El intervalo de confianza presenta una estimación
del rango de valores que probablemente pueden
contener el parámetro desconocido de la
población. El intervalo estimado es calculado a
partir de un conjunto de datos de la muestra.
Si las muestras son tomadas independientemente una de
otras, de la misma población y para el intervalo de confianza
calculado para cada muestra, entonces con un determinado
porcentaje de certeza (nivel de confianza) el intervalo
contendrá el parámetro estimado.
La amplitud del intervalo de confianza nos da una idea

sobre la incertidumbre del parámetro desconocido.

Un intervalo muy grande indica que se necesita recolectar
mas datos antes de tomar cualquier decisión sobre los
parámetros.
Que es el Intervalo de Confianza?

El Intervalo de Confianza nos da un
intervalo de valores reales para un
parámetro desconocido.
Los Limites de Confianza son las fronteras
para los intervalos de confianza, es decir,
los valores que definen el intervalo para los
limites de confianza.
Que es el Intervalo de Confianza?

Los Limites de Confianza generalmente son
definidos como:
Unilateral (One sided)
Bilaterales (Two sided)

Estimando los Parámetros Utilizando

muestras de Diferentes Tamaños
En este ejemplo, utilizando el método Monte Carlo,
generamos 1000 datos para cada tamaño de
muestra (3, 10, 100 y 1000) a partir de la
distribución Weibull con β = 1.5 y η = 100.
Para cada tamaño de muestra, los 1000 conjuntos
de datos generados fueron analizados y sus
resultados ploteados en el gráfico siguiente.
Tamaño de la muestra = 3
Número de Simulaciones = 1000
Weibull Probability Plot
99.9
Weibull Dist.
MLE
Runs=1000
Samples=3
β=1.5
90 η=100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
99.9
Weibull Dist.
MLE
Runs=1000
Samples=10
β=1.5
90 η=100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable

99.9
Weibull Dist.
MLE
Runs=1000
Samples=100
β=1.5
90 η=100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable

99.9
Weibull Dist.
MLE
Runs=1000
Samples=1000
β=1.5
90 η=100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
Gráfico de Probabilidad para Distribución

Weibull
99.9
Weibull Dist.
MLE
Runs=1000
Samples=10
β=1.5
90 η=100
No Censor
50
Probability
10
5
0.5
Weibull.com
RS-Simumatic
1/27/01
0.1
1 10 100 1000
Random Variable
Limites Bilaterales (Two-Sided

Bounds)
Cuando utilizamos los limites (o intervalos) de
confianza bilaterales, estamos observando donde
la mayoría de la población está situada.
Por ejemplo, cuando utilizamos 90% bilateral (two-
sided), estamos diciendo que 90% de la población está
entre X e Y con 5% menor que X y 5% mayor que Y.
X Y
90%
5% 5%
Limites Unilaterales (One-sided Bounds)

cuando usamos los intervalos
unilaterales, estamos observando el
porcentaje mayor o menor (superior
o inferior) en un cierto punto X.
Por ejemplo, 95% unilateral significa
que 95% de la población es mayor
que X, siendo X el limite inferior, o
95% de la población es menor que
X, siendo X el limite superior.
cuando estimamos la Confiabilidad,
frecuentemente nos preocupamos si
la Confiabilidad es mayor que la

estimada – solamente nos

preocupamos con el limite inferior.
entonces, tenderemos a utilizar el
limite unilateral inferior.
228
Limites Unilaterales (cont.)

Observaciones
Los Límites Bilaterales (two-sided) significan que,
dado un nivel de confianza, el valor real estará
entre estos límites (X% del tiempo).
Mientras que en el límite unilateral inferior
tendremos X% de certidumbre que el valor es
mayor del que la línea límite ploteada, y en el caso
del límite unilateral superior tendremos X% de
certidumbre que el valor es menor que la línea
limite ploteada.
Limites de Confianza – Matriz de Fisher
Esta sección presentará una visión general de la

teoría involucrada en la obtención de los limites de
confianza con Datos suspendidos (censuras
múltiples).
La metodología utilizada es denominada Matriz de
Fisher, descrita en Nelson y Lloyd & Lipow.
Estos limites son utilizados en muchas
estadísticas y paquetes de Análisis de Datos de
vida, tal como los aplicativos de la Reliasoft.
En general, estos limites tienden a ser mas

optimistas (apretados) que los limites de la beta-
binominal no paramétrica o de la verosimilitud.
Limites de Confianza del tiempo (Tipo 1)

Estos son los limites de confianza considerando el tiempo. Por
ejemplo, cuando utilizamos la distribución exponencial con dos
parámetros, el tiempo correspondiente a un dado percentil
Exponencial (ex: ordenada y o desconfiabilidad, Q = (1 – R)) es
determinada por medio de la resolución de la función
desconfiabilidad para el valor T, o:
1
T (Q) = ⋅ [− ln(1 − Q)]
λ
Limites del tipo 1 son utilizados cuando se quiere leer los
valores en el eje X (ej: dado un valor de desconfiabilidad

correspondiente al tiempo).
Limites de Confianza del tiempo (Tipo 1)

(cont.)
Probability Plot
99.00
Type 1 (Time)
90.00
50.00
Unreliability, F(t)
Uncertainty
10.00
5.00
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza de la Confiabilidad

(Tipo 2)
Estos son los limites de confianza considerando la
Confiabilidad. Por ejemplo, cuando utilizamos una
distribución exponencial con dos parámetros, la función
Confiabilidad es:
R(T ) = e − λˆ (T −γ )
Los limites del tipo 2 son utilizados cuando queremos leer

los valores en el eje Y (dado un valor de tiempo

correspondiente a la desconfiabilidad).
Limites de Confianza de la Confiabilidad

(Tipo 2) (cont.)
Probability Plot
99.00
90.00
Type 2 (Reliability)
50.00
Unreliability, F(t)
10.00
Uncertainty
5.00
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza de la Confiabilidad y

del tiempo (Tipos 1 y 2)
Probability Plot
99.00
90.00 Type 2 (Reliability)
50.00
Unreliability, F(t)
10.00
5.00
Type 1 (Time)
1.00
10.00 100.00 1000.00
Time, (t)
Limites de Confianza Beta Binominal

Una aproximación no-paramétrica para los cálculos del
intervalo de confianza involucra el uso de tablas de categoría
(conocidas como limites de la beta-binominal).
Recordando la discusión de la categoría mediana donde
utilizamos la ecuación binominal para calcular la categoría
para el nivel de confianza de 50% ( o medios), por la
resolución de la distribución acumulada de la binominal para
Z (categoría de la j-ésima falla j), resulta:
N
⎛N⎞ k
P = ∑ ⎜⎜ ⎟⎟Z (1 − Z ) N − k
k= j ⎝ k ⎠
donde N es el tamaño de la muestra y j el número de orden.


(cont.)
La categoría mediana fue obtenida por la resolución, para Z,
de la ecuación:
N
⎛N⎞ k
0.50 = ∑ ⎜⎜ ⎟⎟Z (1 − Z ) N − k
k= j ⎝ k ⎠
Repitiendo la misma metodología, pero alterando el valor P

de 0.50 (50%) para el nivel de confianza deseado. Para P=90%
formularíamos la ecuación como:
N
⎛N⎞ k
0.90 = ∑ ⎜⎜ ⎟⎟Z (1 − Z ) N − k
k= j ⎝ k ⎠

(cont.)
Utilizando esta metodología, con las categorías
apropiadas, dependiendo de los niveles de
confianza deseados, podemos obtener y plotear
los puntos.
Estos puntos son unidos por una leve curva para
obtener así los limites de confianza.
Esta metodología no-paramétrica es utilizada
solamente por el software cuando ploteamos los
limites de confianza para la distribución Weibull
mixta.
Las ecuaciones binominales pueden ser

nuevamente transformadas utilizando el beta y la
distribución F, por eso el nombre de limites de
confianza beta-binominales.
Limites de Confianza – Razón de

Verosimilitud
Un tercer método para calcular los limites de
confianza es el método de la razón de verosimilitud
(Likelihood Ratio – LR).
Conceptualmente, este método es mas simple que
el método de Matriz de Fisher, pero exige mucho
mas cálculos computacionales y el tiempo
necesario para el ploteado es mucho mayor.
Los limites de confianza de la razón de
verosimilitud (LR) tiende a ser mas conservador

que el método de la Matriz de Fisher (FM), y el
método LR es más adecuado que el método de la
FM en situaciones donde hay muestras menores.
La Razón de verosimilitud- LR
⎛ L(θ ) ⎞
− 2 ln⎜⎜ ) ⎟⎟ ≥ xα ;k
2
⎝ L(θ ) ⎠
donde:
L(θ) : Función Verosimilitud para el parámetro vectorial desconocido ,θ ,
L(θˆ) : Función Verosimilitud calculada para el vector estimado θˆ

Qui-cuadrada con α y k grados de libertad, donde k es el número de

xα2 ;k : uniones
estimadas.
Si δ es el límite de confianza, entonces α = δ para los límites bilaterales, y

α = (2.δ-1) para los límites unilaterales.
La Relación de verosimilitud (cont.)

El término,
⎛ L(θ ) ⎞
⎜⎜ ) ⎟⎟
⎝ L(θ ) ⎠
Es la proporción entre la función verosimilitud de los parámetros
aún no determinados, con la función verosimilitud de los
parámetros estimados para los datos en cuestión.
El valor del denominador de la función verosimilitud es conocido; el
valor del numerador de la función verosimilitudes es

desconocido.
O valor de la relación de verosimilitud puede ser manejado por
medio de la variación de los valores de los parámetros del
numerador para satisfacer la desigualdad.
Ploteo de Contorno
Para distribuciones con dos parámetros, f(t|θ1,θ2), la
desigualdad puede ser representada gráficamente en dos
dimensiones, por el gráfico de contorno.
Example Contour Plot
2.50
2.00
1.50
θ2
1.00
0.50
0
0 1.00 2.00 3.00 4.00 5.00
θ1
Limites de Confianza de los Parámetros
Escogiendo el nivel de confianza α en el termino de la qui-

cuadrada, los limites de confianza de los parámetros pueden
ser determinados por los bordes del gráfico de contorno.
Observe que no existe ecuación cerrada.
Weibull Parameter Contour Plot

4.5
u
4
3.5
3
2.5
Beta
1.5
1
L
0.5
L u
0
20 25 30 35 Eta 40 45 50 55
Ploteo de Contorno (cont.)

Los gráficos de contorno pueden ser utilizados para comparar
conjuntos de datos. Considere dos conjuntos de datos, el proyecto
antiguo y el nuevo, en que los ingenieros desean determinar si los
dos proyectos son significativamente diferentes, y cual es el nivel
de confianza.
Por el ploteo del gráfico de contorno para uno de los conjuntos de
datos, en el multiple plot (se debe escoger la misma distribución
para ambos conjuntos de datos), podemos determinar sí existen
diferencias significativas, con limites de confianza, entre los dos
conjuntos. Si, por ejemplo, no existe superposición (no hay
intersección entre los dos ploteos) entre los dos contornos a 90%
de confianza, entonces los conjuntos de datos son
significativamente diferentes entre si, con 90% de confianza.

Si hay una superposición entre los dos contornos de 95%, entonces

los dos proyectos no son significativamente diferentes para un
limite de confianza de 95%.
Ploteo de Contorno (cont.)

Contour Plot
370.00
Normal
Data 1
N2 RRX - SRM MED
F=5 / S=0
Data 2
N2 RRX - SRM MED
F=5 / S=0
297.40
: 90%
224.80
Sigma
152.20
79.60
User's Name
Company
7.00 10/15/00 16:09
0 100.00 200.00 300.00 400.00 500.00
Mean
µ1=300.00, σ1=181.67, ρ=1.00

µ2=30.00, σ2=18.17, ρ=1.00
Limites de Confianza para el tiempo y la

Confiabilidad
El método para determinar los limites de
confianza de la relación de verosimilitud
para el tiempo (Tipo 1) y la Confiabilidad
(Tipo 2) es muy similar al utilizado para
determinar los limites de los parámetros.
Para determinar los limites Tipo 1 o Tipo 2,
la ecuación de la verosimilitud debe ser
reescrita con el término del tiempo o de la
Confiabilidad y uno de los parámetros.

Intervalo Bayesiano
Asumiendo que se tiene un conocimiento previo
sobre la Confiabilidad del ítem
Basado en datos históricos, experiencia de un ingeniero o
bien de la organización.
Expresada generalmente bajo parámetros de un modelo
En el Weibull++, las Prioris no-Informativas son asumidas
para los parámetros
Esta consideración para generar la distribución a
posteriori es procesada usando el teorema de Bayes
Y la distribución a posteriori de los parámetros es

manipulada para encontrar la distribución del valor de
interés
La matemática necesaria, esta mas allá del alcance
de esta presentación
N=10, F=10
FM vs. LR vs. BSN
99.000
Probability-Weibull
CB@90% 2-Sided [R]
CB Example\BSN
90.000 Weibull-2P
MLE SRM MED BSN
Data Points
Data Line
Top CB-II
Bottom CB-II
CB Example\FM
Weibull-2P
50.000 MLE SRM MED FM
Data Points
Data Line
Top CB-II
Bottom CB-II
Unreliability, F(t)
CB Example\LRB
Weibull-2P
MLE SRM MED LR
Data Points
Top CB-II
Bottom CB-II
BSN
10.000
5.000 FM
LRB
Name
Company
8/8/2005
1.000 1:34:46 PM
10.000 100.000 1000.000
Time, (t)
CB Example\BSN: β=2.5408, η=109.0877
CB Example\FM: β=2.5408, η=109.0877
CB Example\LRB: β=2.5408, η=109.0877
N=100, F=100 FM vs. LR vs. BSN

99.900
Probability-Weibull
CB@90% 2-Sided [R]
CB Example\BSN
Weibull-2P
90.000 MLE SRM MED BSN
Data Points
Data Line
Top CB-II
Bottom CB-II
50.000 CB Example\FM
Weibull-2P
MLE SRM MED FM
Data Points
Data Line
Top CB-II
Bottom CB-II
Unreliability, F(t)
CB Example\LRB
Weibull-2P
10.000 MLE SRM MED LR
Data Points
Top CB-II
5.000 Bottom CB-II
BSN
FM
1.000
LRB
0.500
Name
Company
8/8/2005
0.100 1:39:55 PM
1.000 10.000 100.000 1000.000
Time, (t)
CB Example\BSN: β=2.2440, η=98.9826
CB Example\FM: β=2.2440, η=98.9826
CB Example\LRB: β=2.2440, η=98.9826
Orden de preferencia para los métodos de

intervalo de confianza para muestras pequeñas
Bayesian
Likelihood Ratio
Fisher Matrix
Non-Parametric (Binomial)
LDA: Análisis Adicionales

Observando los camiones individualmente:
Los camiones 5 y 9 tuvieron, cada uno, tres
fallas, mientras que todos los otros camiones
tuvieron dos fallas solamente.
¿Esto es significativo?
¿Los componentes de estos camiones exhiben
diferentes características de fallas?
• Existen otros métodos no gráficos para responder a esto (nosotros

no hablaremos de ellos, solo se menciona que existen).
Camiones 5 y 9
β
6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
Truck5
90.00 W2 RRX SRM MED

F=3 S=1
Truck9
η W2 RRX SRM MED

F=3 S=1
50.00
Unreliability, F(t)
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
Truck5 β1=1.1551, η1=3.3918Ε+4, ρ=0.9989

Truck9 β2=2.4966, η2=3.8250Ε+4, ρ=0.9496
Población, 5 y 9
β
6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
ALL
90.00 W2 MLE SRM MED

F=18 S=10
Truck5
η W2 RRX SRM MED

F=3 S=1
50.00 Truck9
W2 RRX SRM MED

Unreliability, F(t)
F=3 S=1
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
ALL β1=1.5936, η1=5.7505Ε+4

Truck5 β2=1.1551, η2=3.3918Ε+4, ρ=0.9989
Truck9 β3=2.4966, η3=3.8250Ε+4, ρ=0.9496
Camiones 5 y 9 con I.C.

β
6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00
90.00
50.00
Unreliability, F(t)
10.00
5.00
1.00
1000.00 10000.00 100000.00
Time, (t)
Camiones 5 y 9: Gráfico de Contorno

Contour Plot
8.00
6.49
9
4.98
Beta
5
3.47
1.96
0.45
9440.00 33640.00 57840.00 82040.00 106240.00 130440.00
Eta
Población 5 y 9: Gráfico de Contorno

Contour Plot
8.00
6.49
9
4.98
5
Beta
3.47
P
1.96
0.45
9440.00 33640.00 57840.00 82040.00 106240.00 130440.00
Eta
LDA: Análisis Adicionales

Reparaciones Efectivos:
¿La vida del componente es la misma para diferentes
ciclos de reparos?
¿Reparación perfecta?
¿El proceso de reparación/reposición afecta la vida del
componente?
Truck State 1st State 2nd

1 F 62,874 F 32,903
2 F 33,094 F 31,017
3 F 5,811 F 42,141
4 F 74,354 S 110,401
5 F 48,000 F 9,760
6 F 28,234 S 72,047
7 F 14,563 S 65,489
8 F 28,020 F 86,432
9 F 46,014 F 20,432
10 F 65,165 S 13,061
β
6.0
3.0
2.0
1.6
1.4
1.2
1.0
0.9
0.8
0.7
0.6
0.5
99.00 Weibull
Rep1
90.00 W2 RRX SRM MED

F=10 S=0
Rep2
η W2 RRX SRM MED

F=6 S=4
50.00 ReliaSoft's Weibull++ 6.0 - www.Weibull.com
Contour Plot
4.00
Unreliability, F(t)
Weibull
Rep1
W2 RRX SRM MED

F=10 S=0
Rep2
10.00 3.30
W2 RRX SRM MED
F=6 S=4
5.00 Level 1 : 90%
2.60
Beta
1.00
1000.00 10000.00 100000.00

1.90
Time, (t)
Rep1 β1=1.4609, η1=4.7112Ε+4, ρ=0.9772

Rep2 β2=1.3866, η2=6.5134Ε+4, ρ=0.9809
1.20
0.50
27390.00 74560.00 121730.00 168900.00 216070.00 263240.00
Eta
Rep1 β1=1.4609, η1=4.7112Ε+4, ρ=0.9772

Rep2 β2=1.3866, η2=6.5134Ε+4, ρ=0.9809
259
distribución Weibull
Break Point

Función Densidad de Probabilidad Weibull
La distribución Weibull es una de las

distribuciones mas utilizadas en la
Ingeniería de la Confiabilidad, debido a su
capacidad de cambiar de forma
dependiendo de la variación del valor del
parámetro de forma β.
ella puede modelar una gran variedad de
datos y características de vida.

La distribución Weibull
La pdf de la distribución Weibull con tres parámetros es dada por:
β
β −1 ⎛ T −γ ⎞
β ⎛T −γ ⎞ −⎜⎜ ⎟⎟
f (T ) = ⎜⎜ ⎟⎟ e ⎝ η ⎠
η⎝ η ⎠
donde:
• η = parámetro de escala (también denominado vida característica),
• β = parámetro de forma (o inclinación),
• γ = parámetro de localización (también denominado vida mínima).
Se γ = 0, entonces la pdf de la distribución Weibull de dos
parámetros es dada por:

β
β −1 ⎛T ⎞
β ⎛T ⎞ −⎜⎜ ⎟⎟
f (T ) = ⎜⎜ ⎟⎟ e ⎝η ⎠
η ⎝η ⎠
Analizando β
Beta, β, es el parámetro de forma o
inclinación (en el papel de probabilidad
Weibull) de la distribución Weibull.
Cambiando el valor de β, la forma de la pdf
es alterada.
El parámetro β es un número puro,
adimensional.
Weibull Reliability (1 - cdf) vs. Time with 0 < β < 1, β = 1, β > 1
1.00
Efectos de β
0.90
0.80
0.70
0.60
0.50
Weibull pdf with 0 < β < 1, β = 1, and β > 1

0.40
0.0100
0.30
0.20
0.10
0 0.0080
0 100.00 200.00 300.00 400.00 500.00 600.00 700.00
Time, (t)
Weibull Failure Rate vs. Time with 0 < β < 1, β = 1, β > 1

0.0200 0.0060
0.0180
f(t)
0.0160
0.0040
0.0140
0.0120
0.0100
0.0020
0.0080
0.0060
0.0040
0
0.0020 0 200.00 400.00 600.00 800.00 1000.00
Time, (t)
0
0 100.00 200.00 300.00 400.00 500.00 600.00 700.00
Time, (t)
Analizando η
η es el parámetro de escala de la distribución Weibull, y tiene las
mismas unidades de T, como horas, millas, ciclos, actuaciones, etc.
0.0250 Weibull
☯
P=2, A=MLE-S
F=100 | S=0
0.0200 ☯
P=2, A=MLE-S
F=100 | S=0
☯
0.0150
P=2, A=MLE-S
f(t)
F=100 | S=0
0.0100
0.0050
0
0 80.0000 160.0000 240.0000 320.0000 400.0000
Time, (t)
[1] β1=3.0000, η1=50.0000

[2] β2=3.0000, η2=100.0000
[3] β3=3.0000, η3=200.0000
ReliaSoft Weibull++ 7 - www.weibull.com
Analizando η
0.200
Data
Func Line

0.160
0.020
Data(1)
Func Line
0.120
0.016
f(t)
0.080
0.012
f(t)
0.040
0.008
Pantelis Vassilio
ReliaSoft
12/29/2004
0.000 10:47:02 AM
0.000 6.000 12.000 18.000
0.004 24.000 30.000
Time, (t)
β=3.0000, η=10.0000, ρ=0
Pantelis Vassiliou
ReliaSoft
12/29/2004
0.000 10:47:07 AM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
β=3.0000, η=100.0000, ρ=0
Ploteando Probabilidad: Ejemplo
Time-to- Median
failure, hr Rank, %
16 10.91
34 26.44
53 42.14
75 57.86
93 73.56
120 89.1
Analizando γ
γ es el parámetro de localización de la distribución Weibull y tiene la
misma unidad de T.
El representa un desplazamiento en el eje-x, es decir, cambia el
punto de inicio de la distribución para un valor diferente de cero.
Esto puede ser aplicable a otras distribuciones.
γ Positivo
un valor positivo para el parámetro de localización, γ, indica que las
fallas solo ocurrirán después del tiempo equivalente a γ, en otras
palabras, hasta el tiempo γ la Confiabilidad es igual a 100%.
3-Parameter Reliability Plot
1.00
0.80
0.60
Reliability
0.40
0.20
0
γ Negativo
un valor negativo para el parámetro γ, indica que los ítems poseen
una Confiabilidad menor que 100% para el tiempo igual a cero. Esto
puede ocurrir debido al método utilizado para registrar el tiempo, o
puede indicar algún modo de falla que ocurre debido al transporte,
degradación del ítem por estar en stock, por cuestiones de
manufactura, etc.
3-Parameter Reliability Plot
1.00
0.80
0.60
0.40
0.20
0
0
Time, (t)
Ploteando la Probabilidad del Parámetro

de Localización, γ
El tercer parámetro de la distribución Weibull es utilizado
cuando no es posible trazar una recta, y obtenemos un
desvío cóncavo para abajo o para arriba. A continuación
mostramos algunas consideraciones respecto del valor de γ:
Caso 1: si la curva para el MR v/s Tj es cóncava para abajo y
la curva del MR v/s (Tj – T1) es cóncava para arriba, entonces
existe un γ tal que 0 < γ < T1 , o γ tiene un valor positivo.
Caso 2: si la curva para el MR v/s Tj y MR v/s (Tj – T1) son
cóncavas para arriba, entonces existe un γ negativo.
Caso 3: si no ocurre ninguno de los casos anteriores, o los

puntos no se adecuan a la pdf Weibull o el análisis fue

realizado con una población de datos donde hay fallas
múltiples (Weibull Mixta).
Ploteando Probabilidad (3P): Ejemplo

Seis ítems idénticos, están siendo probados en las
mismas condiciones de aplicación y exigencia.
Todos los ítems fallan durante el ensayo siguiendo
los siguientes números de horas: 48; 66; 85;107;
125 y 152 horas.
Encuentre los parámetros de la distribución
Weibull tres-parámetros usando el método ploteo
de probabilidad.
Ploteando Probabilidad (3P): Ejemplo
17.26
Original Data
17.26
Adjusted for Gamma Data
17.26
distribución Weibull con un Parámetro

La distribución Weibull un-parámetro se obtiene con
γ = 0, y asumiendo β = C = Constante = valor pré-conocido:
C
C −1 ⎛T ⎞
C ⎛T ⎞ − ⎜⎜
⎝η
⎟⎟
f (T ) = ⎜⎜ ⎟⎟ e ⎠
η ⎝η ⎠
donde el único parámetro desconocido es el parámetro de escala, η.

Note que esta formulación de la Weibull un-parámetro asume que el

parámetro de forma β es conocido a priori, para esta experiencia o

idéntica o producto similar. La ventaja de esto es que se puede usar
con pocas o ninguna falla.
(Algunos autores lo denominan también de WeiBayes lo que implica
algún tipo de Análisis Bayesiano. Esto no es necesariamente
correcto).
distribución Weibull con un Parámetro

Supóngase que usted quiere crear un gráfico con informaciones de
la mortalidad humana.
Supóngase que usted ha observado 10 personas con edad de hasta
45 años y todos sus datos de vida.
ReliaSoft Weibull++ 7 - www.weibull.com ReliaSoft Weibull++ 7 - www.weibull.com
Reliability vs Time Plot Reliability vs Time Plot
1.000 1.000
Data(3) Data(3)
Func Line Func Line

Data Points Data Points
Susp Points Susp Points
0.800 0.800
0.600 0.600
0.400 0.400
0.200 0.200
Pantelis Vassiliou Pantelis Vassiliou

ReliaSoft ReliaSoft
12/29/2004 12/29/2004
0.000 10:56:30 AM 0.000 10:57:44 AM
0.000 800.000 1600.000 2400.000 3200.000 4000.000 10.000 48.000 86.000 124.000 162.000 200.000
Time, (t) Time, (t)
λ=0.0014 β=6.0000, η=78.0128
Exponential Model 1P Weibull Model (β=6)

Weibull-Bayesiana
Aplicando el método de Bayes en la distribución
Weibull, se forma una estructura combinando la
información a priori sobre los parámetros con el
conjunto de datos, para realizar las inferencias
sobre el modelo.
La información a priori sobre los parámetros es
expresada en términos de una pdf. La verosimilitud
de los datos se obtiene con L(β,η).
Entonces, el método de Bayes, usando la

distribución condicional de los parámetros dado el
conjunto de datos, entrega las informaciones
sobre los parámetros.
Weibull-Bayesiana
Esto se expresa como:
∞
f (t | Data) = ∫ f (t , β ) f ( β | Data )dβ
0
donde:
L( β ,ηˆ )φ ( β )
f ( β | Data ) =
∞
∫
0
L( β ,ηˆ )φ ( β )dβ
Weibull-Bayesiana
Ejemplo usando los datos a priori
Se asume que está disponible una información
a priori de los datos. La estimación de los
parámetros de la Weibull, puede ser calculados
utilizando intervalos de confianza.
Los intervalos de confianza de los parámetros
puede ser utilizado para obtener la distribución
de los parámetros.
278
Weibull-Bayesiana
279
Weibull-Bayesian
280
Weibull-Bayesiana
BSN Analysis.rwp
Weibull-Bayesiana
99.900
Probability-Weibull
CB@90% 2-Sided [T]
New
Weibull-Bayesian-2P
MLE MED MED BSN
Data Points
90.000 Data Line
Top CB-I
Bottom CB-I
50.000
Unreliability, F(t)
10.000
5.000
Name
Company
8/9/2005
4:41:52 PM
1.000
10.000 100.000 1000.000
Time, (t)
µ=0.8470, σ=0.1850, Ρβ=56.7702
Método Bayesiano v/s Método Estándar

99.900
Probability-Weibull
CB@90% 2-Sided [T]
BSN Analysis\New
Weibull-Bayesian-2P
MLE MED MED BSN
Data Points
90.000 Data Line
Top CB-I
Bottom CB-I
STD Analysis\Data 1
Weibull-2P
RRX SRM MED FM
Data Points
50.000 Data Line
Top CB-I
Bottom CB-I
Unreliability, F(t)
10.000
5.000
Name
Company
8/9/2005
1.000 4:46:09 PM
10.000 100.000 1000.000
Time, (t)
BSN Analysis\New: µ=0.8470, σ=0.1850, Ρβ=56.7702
STD Analysis\Data 1: β=2.1753, η=62.9813, ρ=0.9844
Confiabilidad, R(t)
β
estadísticas Weibull ⎛ T −γ ⎞
− ⎜⎜ ⎟⎟
R (T ) = e ⎝ η ⎠
tiempo, T(R) Condicional, R(T,t)

β
⎛ T + t −γ ⎞
−⎜⎜ ⎟⎟
R(T + t ) e ⎝ η ⎠
T ( R) = γ + η ⋅ [− ln( R)]
1
β R(T , t ) = =
R(T )
β
⎛ T − γ ⎞
−⎜⎜ ⎟⎟
⎝ η ⎠
e
Media tasa de falla

β −1
⎛1 ⎞ β ⎛T −γ ⎞
MTTF = T = γ + η ⋅ Γ⎜⎜ + 1⎟⎟ λ (T ) = ⎜⎜ ⎟⎟
⎝β ⎠ η ⎝ η ⎠
La distribución Weibull Mixta

99.99
90.00
50.00
10.00
Unreliability, F(t)
5.00
1.00
0.50
0.10
0.05
0.01
0.10 1.00 10.00 100.00 1000.00 10000.00
Time, (t)
La Confiabilidad y la pdf de la Weibull Mixta

Dependiendo de las sub-poblaciones escogidas, el aplicativo utiliza
las siguientes ecuaciones, para las funciones de Confiabilidad y
densidad de probabilidad:
βi
⎛ T ⎞
S − ⎜⎜ ⎟⎟
Ni
R1 , 2 , 3 (T ) = ∑i =1 N
e ⎝ ηi ⎠
βi
β i −1 ⎛ T ⎞
S
Niβi ⎛ T ⎞ − ⎜⎜ ⎟⎟
f 1 , 2 , 3 (T ) = ∑ ⎜⎜
Nηi ⎝ ηi
⎟⎟ e ⎝ ηi ⎠
i =1 ⎠
donde S = 2, S = 3, y S = 4 para 2, 3 y 4 sub-poblaciones

respectivamente.
El problema para resolver los parámetros utilizando la regresión en
X o Y son algunos de los contenidos de esta sección. Weibull ++
utiliza el método de la regresión no lineal para alcanzar el resultado.
Weibull Mixta
0.005
Failure Rate
Data 1
Weibull-Mixed
RRX SRM MED FM
Func Line
0.004
0.003
0.003
0.002
Name
Company
8/9/2005
4:53:18 PM
0.001
0.000 120.000 240.000 360.000 480.000 600.000
Time, (t)
β[1]=0.2000, η[1]=100.0000, Ρ[1]=0.2500; β[2]=1.0000, η[2]=300.0000, Ρ[2]=0.5000; β[3]=6.0000, η[3]=600.0000, Ρ[3]=0.2500
287
Modos de Falla Competitivos

Modos de falla Competitivos

Frecuentemente, un grupo de productos fallará
debido a más de un modo de falla. Los modos de
falla “compiten” entre sí para generar la falla del
ítem. Esto puede ser visto como un modelo de
sistema en serie, con cada bloque del sistema
representando un modo de falla. El módulo
´´Competing Failure Modes´´ analiza los modos de
falla separadamente y entonces combina los
resultados para proporcionar un modelamiento
completa del producto en cuestión.
Para comenzar el análisis del conjunto de datos de

un modo de falla, primeo se debe hacer el análisis

de cada modo de falla. Durante cada una de estos
análisis, los tiempos de fallas para todos los otros
modos de falla que no están siendo analizados son
considerados como suspensiones.
Modos de falla Competitivos (cont.)

Una vez terminado cada uno de los análisis para cada modo de
falla, el resultado de la ecuación de Confiabilidad para todos los
modos es el producto de la ecuación de Confiabilidad de cada uno
de los modos, o:
R(t ) = R1 (t ) ⋅ R2 (t ) ⋅ ... ⋅ Rn (t )
donde n es el número total de modos de falla considerados.

Este producto es válido para la Confiabilidad de sistemas en serie,
con componentes con independencia estadística, y la Confiabilidad
para un sistema en serie será el producto de los valores de las

Confiabilidades de los componentes de este sistema.
Observe que Ri(t) es la función de confiabilidad basada en cualquier
supuesta distribución de vida. En Weibull++, la distribución de vida
puede ser la Weibull dos parámetros, la lognornal, la normal o la
exponencial con un parámetro.

En Meeker & Escobar, se da la tabla de tiempos
hasta la falla para un componente eléctrico que
posee dos modos de falla.
Un modo de falla es debido a la caída aleatoria de
voltaje, lo que causa la falla por sobrecarga del
sistema (definido como V en la tabla). El otro modo
de falla se debe a las fallas por desgaste que
normalmente que ocurren solamente después de
que el sistema funcione por muchos ciclos (este
modo de falla es definido como W en la tabla).
Considerando estos modos de falla, determine la

Confiabilidad total del componente en 100.000
ciclos.

Number Failure Failure Number Failure Failure
in State Time* Mode in State Time* Mode
1 2 V 1 147 W
1 10 V 1 173 V
1 13 V 1 181 W
2 23 V 1 212 W
1 28 V 1 245 W
1 30 V 1 247 V
1 65 V 1 261 V
1 80 V 1 266 W
1 88 V 1 275 W
1 106 V 1 293 W
1 143 V 8 300 suspended
*Failure times given are in thousands of cycles.
Modos de falla Competitivos(cont.)

Iniciaremos el análisis de Weibull del modo de falla, “caida de
voltaje” (V). Para hacer esto debemos considerar todas las fallas de
desgaste como suspensiones.

Analizando los conjuntos de datos por el método de la
máxima verosimilitud, (recomendado debido al número de
suspensiones), y asumiendo la distribución Weibull,
obtenemos los parámetros:
βV = 0.6711 and ηV = 449.4.
La confiabilidad para este modo de falla en t = 100 es
RV(100) = 0.694.
Seguimos el mismo procedimiento para el modo de falla por
desgaste, contando solamente las fallas W, y asumiendo
como suspensiones las fallas V, como se muestra a
continuación.
Versão: 1.02 Language/Region: Spanish Modos de falla Competitivos (cont.)

una vez mas, analizando con la distribución Weibull y el estimador de la

máxima verosimilitud, obtenemos los parámetros βW = 4.337 y ηW = 340.4.
La Confiabilidad para este modo de falla en t = 100 es RW(100) = 0.995.

Ahora podemos, utilizar la ecuación de Confiabilidad del
sistema, para determinar la Confiabilidad total de éste, hasta
100.000 ciclos:
Rsys (100) = RV (100) ⋅ RW (100)

= 0.694 ⋅ 0.995
= 0.69053
La confiabilidad de la unidad (o sistema) que está sujeto a

ambos modos de falla es 69.053%.
Interpretación de los Parámetros de la

Weibull
Se tiene considerado incluir una pequeña bomba de vacío en
un gran sistema que está en desarrollo.
Diez de las bombas son separadas para un ensayo de
Confiabilidad. Los resultados serán usados para la
realización de un Análisis de Confiabilidad del sistema en el
software BlockSim de la Reliasoft.
Los resultados del ensayo serán introducidos en el bloque
que representa la bomba en el RDB del sistema completo.
Pero, no existe un documento que contenga las
especificaciones de Confiabilidad para la bomba. Para que la
Confiabilidad global del sistema sea alcanzada, la

Confiabilidad de la bomba para 1.000 horas debe ser

aproximadamente 99%.

Weibull
Los resultados del ensayo fueron:
Las fallas ocurrieron a las 1.300, 1.400, 1.475, 1.610,
1.650 y 1.700 horas.
Además de eso, hubieron suspensiones en 850 y 1.440
horas, y otras 2 en 1.700 horas.
Interpretación del Parámetros de la Weibull

Plot of Vacuun Pump Data
99.00
90.00
Los análisis indicaron que la
distribución que mejor se
50.00
adecuo a los datos es la
Weibull con dos parámetros,
Unreliability, F(t)
donde:
η = 1665 h y β = 11,6.
10.00
Este valor de Beta es
relativamente alto.
5.00
1.00
100.00 1000.00 5000.00
Time, (t)
β=11.58, η=1665.45

Weibull
Inicialmente el ingeniero de
confiabilidad se asusta porque el
ha escuchado que altos valores de
β son “malos”.
Sin embargo, el valor de η también
es relativamente alto, y la
confiabilidad de la bomba para
1.000 horas es 99,7%.
Esto debería ser adecuado para el sistema como un todo.
Altos valores de β indican que las fallas ocurren próximas,
pero esto no es necesariamente “malo” cuando el valor de η

también es suficientemente grande.
Modos de falla Mixtos

Un producto fue ensayado y fueron encontrados
los siguientes tiempos hasta la falla:
Time-to-Failure Failure Mode
536 a El análisis fue delineado
2000 a
2107 a para que todos los ítems
2786 b
2963 a
fallasen, y se determinó que
3280 b existían dos modos de falla
3477 a
4017 b potenciales.
4085 a
Cada falla fue clasificada
4297 b
4389 b
4900 a
como tipo “a” ó “b”.
4973 b
5183 b
5700 a
6890 b
7987 b
9518 b
10011 b
10272 b

Basado en los ensayos, responda lo siguiente:
Cual es la confiabilidad del producto para 3 años?
Cual modo de falla debemos eliminar del Análisis (del
punto de vista de la confiabilidad)?
Cual seria la confiabilidad del producto en 3 años si
eliminásemos un modo de falla?

Probability Plot
99.00
Analizando todos 90.00

los modos de
falla juntos, no
conseguimos 50.00
observar en el
Unreliability, F(t)
gráfico la
presencia o no de
mas de un modo 10.00
de falla.
5.00
No hay distinción
donde un modo
de falla termina y
1.00
otro comienza. 100.00 1000.00
Time, (t)
10000.00 100000.00
sin PANICO
Al contrario del dogma de algunos “consultores de
Confiabilidad”, es perfectamente CORRECTO analizar datos de
falla que contienen mas de un modo de falla. Esencialmente,

usted está considerando que todos los modos de falla

“comprometen el funcionamiento del producto”.
R(3 years ) = 95.9%


Cual modo de falla debemos eliminar de la análisis, ej: Cual
modo de falla tiene mayor efecto sobre la confiabilidad del
producto?
Para descubrir quien tiene

mayor efecto sobre la
confiabilidad del producto
debemos separar los
modos de falla a y b y
realizar el análisis de cada a b
modo de falla.
¿Como usted separa los

datos?
Time-to-Failure Failure Mode

2786 b
Time-to-Failure Failure Mode 3280 b
536 a 4017 b
2000 a 4297 b
2107 a 4389 b
2963 a 4973 b
3477 a 5183 b
4085 a 6890 b
4900 a 7987 b
5700 a 9518 b
10011 b
10272 b
No HAGA ESTO !
Cuando analizamos diferentes modos de falla, no podemos

simplemente separar los datos de falla.
Si usted está analizando un modo de falla, necesita tomar en
consideración el hecho de que los otros ítems que no fallaron
por este modo de falla en particular, en la verdad son datos
suspendidos.

Time-to-Failure Mode A Time-to-Failure Mode B
536 F 536 S
2000 F 2000 S
2107 F 2107 S
2786 S 2786 F
2963 F 2963 S
3280 S 3280 F
3477 F 3477 S
4017 S 4017 F
4085 F 4085 S
4297 S 4297 F
4389 S 4389 F
4900 F 4900 S
4973 S 4973 F
5183 S 5183 F
5700 S
5700 F
6890 S 6890 F
7987 S 7987 F
9518 S 9518 F
10011 S 10011 F
10272 S 10272 F
cuando analizamos un modo de falla específico, todos los otros

modos de falla serán tratados como suspensiones.

Probability Plot
99.00
Weibull
Mode A
90.00
Analizando P=2, A=MLE-S
F=8 | S=12
separadamente, Mode B
podemos observar los 50.00 P=2, A=MLE-S

F=12 | S=8
diferentes efectos
Unreliability, F(t)
provocados pelos
modos de falla, sobre la
Confiabilidad del 10.00
producto. 5.00
Adamantios Mettas
ReliaSoft
1/16/00
1.00 3:59:18 PM
100.00 1000.00 10000.00 100000.00
Time, (t)
β1=1.23, η1=10812.19
β2=2.88, η2=7337.28

A continuación observamos los diferentes valores
de confiabilidad para cada modo de falla:
Mode A Mode B
R (3 years) 0.94168 0.995792
Consecuentemente, el modo de falla “a” es el que

mas contribuye con la desconfiabilidad del
producto. En este caso, la confiabilidad en 3 años

debería ser 99.58%.

309
Análisis con Múltiples

Modos de falla

Modos Múltiples - Agregando Complejidad
Considere que un componente puede fallar

debido a seis modos de falla distintos: A, B,
C, D, E y F.
El componente falla si el modo de falla A, B
o C ocurriesen.
Si el modo D, y F ocurrieran aisladamente,
el componente no falla, mientras si
cualquiera de estos dos modos ocurrieran

simultáneamente el componente fallará
(ej. D y E; D y F; E y F).
311
Utilizando la Metodología RBD

Considere que los datos de cada Modo de

Class Modes.rwp Falla están disponibles
Análisis del Modelo Combinado

Reliability vs Time Plot

1.000
Reliability
CB@90% 2-Sided [R]
Func Line
Top CB-II
Bottom CB-II
0.800
0.600
0.400
0.200
Name
Company
8/10/2005
0.000 2:12:23 PM
10.000 708.000 1406.000 2104.000 2802.000 3500.000
Time, (t)
314
Especificaciones de
Confiabilidad

Especificaciones de Confiabilidad : Caso 1

Un producto posee una especificación de Confiabilidad
donde el MTTF mínimo aceptable es de 100.000 ciclos.
Ocho unidades fueron ensayadas para cada uno de los tres
diferentes proyectos. El resultado fue:
Test Lot 1 Test Lot 2 Test Lot 3
Failure # 1 8664.8 3.1 59857.5
Failure # 2 22439.4 74.1 75933.3
Failure # 3 38713.4 456.6 87025.1
Failure # 4 57981.8 1755.2 96272.5
Failure # 5 82098.1 5595.1 105017.6
Failure # 6 113631.4 16533.2 113907.9

Failure # 7 160445 52213.7 124168.3

Failure # 8 248891.5 225630 138573.9

99.00
Weibull
Data 1
90.00 W2 RRX - SRM MED Las tres distribuciones
F=8 / S=0
Data 2
Weibull tuvieron
W2 RRX - SRM MED
50.00
F=8 / S=0
Data 3
variaciones en el valor
W2 RRX - SRM MED
F=8 / S=0
de β y η…
Unreliability, F(t)
…el valor de MTBF para

cada un de los
10.00
proyectos es
prácticamente el
5.00
mismo, 100.000 ciclos!
1.00 11/29/00 15:34

1.00 10.00 100.00 1000.00 10000.00100000.00
1000000.00
Time, (t)
β1=1.0001, η1=9.9999Ε+4, ρ=1.0000

β2=0.3000, η2=1.0797Ε+4, ρ=1.0000
β3=4.0002, η3=1.1033Ε+5, ρ=1.0000

Reliability vs. Time Plot
1.00
Multi-Plot
Data 1
W2 RRX - SRM MED
F=8 / S=0
Data 2
0.80 W2 RRX - SRM MED
F=8 / S=0
Data 3
W2 RRX - SRM MED

F=8 / S=0
0.60
0.40
0.20
User's Name
Company
0 11/29/00 15:38
0 30000.00 60000.00 90000.00 120000.00 150000.00
Time, (t)
Según la especificación del MTTF = 100.000 ciclos, nosotros

deberíamos aceptar el proyecto número 2, siendo que 85% de
la población habría fallado con 100.000 ciclos!
MORALEJA # 1: no
es una buena
práctica utilizar
solamente el MTTF
como especificación
de confiabilidad.
Muchas personas interpretan MTTF (MTBF) como “el tiempo

en el cual 50% de la población habrá fallado”, tal como la

mediana. Esto es incorrecto.
Dependiendo de la distribución, mucho mas que el 50% de la
población podrá fallar en el tiempo de MTTF.

Una empresa que aprendió a no utilizar el MTTF como
especificaciones de Confiabilidad:
Para un nuevo proyecto de un

alternador, la especificación de
Confiabilidad es de 90% en
3 años.
R SPEC(3yr s) = 90%

Dos proveedores están siendo considerados en el
caso del alternador. Cada proveedor presentó sus
resultados de ensayos de confiabilidad, para el
proyecto propuesto:
Vendor A Vendor B
Beta 2.1475 3.234
Eta 5063.6 days 8705.1 days
MTTF 4484.3 days 7800.7 days
(Considere que ambos proveedores proyectaron

con aproximadamente el mismo costo).

nosotros no estamos interesados particularmente
en el MTBF, ya que lo que importa es el retorno de
garantía para un período de 3 años. Comparando la
Confiabilidad en 3 años (1096 días):
Vendor A Vendor B
R (3yrs) 0.9633 0.9988
Basado en estas informaciones, la conclusión

lógica seria escoger el proveedor B. ¿Cierto?


no necesariamente!
Después de algunas investigaciones, se descubrió
que el proveedor A probó 100 unidades, mientras
que el proveedor B probó solamente 2 unidades
(tiempo hasta la falla: 5000 y 10500).
Consecuentemente, tenemos mas confianza en las
estimaciones del proveedor A que en el proveedor
B.
Como podríamos saber eso?

Limites de confianza!
Si el limite inferior de confianza fuese incluido en
la especificación, ciertamente esto no habría
ocurrido.
Por ejemplo, re-escribiendo las especificaciones
como:
90% de Confiabilidad en 3 años con límite de
confianza en 90%
Vendor A Vendor B
R (3yrs) 0.9633 0.9988
90% CB 0.9458 0.7521
Tomando en consideración los limites de

confianza, podemos observar que los resultados
de confiabilidad del proveedor A son bastante

mejores que los del proveedor B.


Probability Plot
Podemos observar que 99.90
los limites de confianza

90.00
para los datos del
proveedor A (líneas 50.00
rojas) son mucho mas
estrechos, debido al
Unreliability, F(t)
gran número de puntos. 10.00
En el proveedor B, que 5.00
solo posee dos puntos,

los resultados de limites

1.00
de confianza (líneas
0.50
verdes) son bastante
mas amplios.
0.10
100.00 1000.00 10000.00 100000.00
Time, (t)
MORALEJA # 2: Incluya
los limites de confianza
en sus especificaciones
de Confiabilidad de
tiempo.
Incluyendo los limites
de confianza en sus
especificaciones de
Confiabilidad, usted
podrá conocer la calidad

de los datos que
generaron los
resultados.
327
La distribución Exponencial
Break Point

La distribución Exponencial
La distribución exponencial es muy utilizada en la
Ingeniería de la Confiabilidad.
Debido a su simplicidad, ella ha sido utilizada
ampliamente en casos donde no seria aplicable.
La distribución exponencial es utilizada para
describir ítems que fallan con tasa de falla
constante.
Distribución Exponencial con un

Parámetro
La pdf de la exponencial con un parámetro es dada por:
1
1 − t
f (t ) = λe = e
λt m
m
donde:
λ = tasa de falla constante, en fallas por unidad de tiempo, por
ejemplo, fallas por hora, por ciclos, etc.
m = media entre fallas o hasta fallas.
t = tiempo de operación, vida o edad, en horas, ciclos,

actuaciones, etc.
Esta distribución requiere el conocimiento de solamente un
parámetro, λ, para esta aplicación.
Esta pdf puede ser un caso especial de la pdf de la
Weibull con β = 1.
La distribución Exponencial con Dos

Parámetros
La pdf de la exponencial con dos
parámetros es dada por:
f (T ) = λe−λ(T −γ ) , f (T ) ≥ 0, λ > 0,T ≥ γ
donde γ es el parámetro de localización.

Confiabilidad, R(t)
estadísticas de la T −γ
−
R(T ) = e
Exponencial − λ (T −γ ) m −γ
=e
tiempo, T(R) Condicional, R(T,t)
1
T ( R) = γ + ⋅ [− ln( R)] R(T , t ) =
R(T + t ) e − λ (T +t −γ )
= − λ ( T −γ ) = e − λ t
λ R(T ) e
Média tasa de falla

1
MTTF = T = γ +
λ λ (T ) = λ
El Efecto de λ en la pdf Exponencial

La pdf de la exponencial no tiene un parámetro de
forma, porque ella solo tiene una forma.
La pdf es siempre convexa, y tiene el
prolongamiento estirado a la derecha con el valor
de decremento λ.
El valor de la función pdf siempre será igual al
valor de λ en T = 0 (o T = γ ).
El parámetro de localización, γ, si es positivo,
altera el início de la distribución en una “distância”

γ a la derecha del origen, lo que significa que las

fallas tendrán chance de ocurrir solamente
después de γ “horas” de operación, es decir, sin
probabilidad de ocurrir antes de este tiempo.
El efecto de λ en la pdf Exponencial (cont.)

Effect of λ on Exponential pdf
0.01
λ=0.01
8.00E-3
6.00E-3
f(t)
4.00E-3
2.00E-3 λ=0.005
0
0 80.00 160.00 240.00 320.00 400.00
Time, (t)
El Efecto de γ en la Función Confiabilidad

Exponencial
1.00
λ=0.001
0.80 γ=2500
0.60 λ=0.001
γ=0
0.40
0.20
0
0 1600.00 3200.00 4800.00 6400.00 8000.00
Time, (t)
Ejemplo: Uso apropiado de la distribución

Exponencial
Un nuevo producto está siendo
probado para determinar el
período de garantía. El tiempo
limite de ensayo es de 2 meses.
Después de este tiempo,
solamente 1 en 100 unidades
falló (en 150 horas). Las otras 99
fueron suspendidas en 1.440
horas de ensayo.
Como debería ser determinado
el período de garantía?
Ejemplo: Uso apropiado de la

distribución Exponencial (cont.)
Nosotros necesitamos determinar el período de garantía, el
cual está directamente relacionado con la tasa de falla.
Con una falla, como la tasa de falla puede ser asumida?
Analogía: sí alguien le dijera que un automóvil está
viajando a 60 km/hr, usted podría calcular su
aceleración?
Si solamente una falla fue observada, la distribución
exponencial es una buena opción.
Si están disponibles datos históricos, usted podría
utilizar la distribución Weibull con un parámetro y asumir

el valor de beta.
Recordándose de las otras distribuciones que discutimos, la
tasa de falla debe asumir una tendencia.

Exponencial (cont.)
Usando la MLE, la tasa de falla constante es calculada y
obtenemos 0,000007 fallas por hora.
El área de costos definió que solamente 10% de las fallas en el
máximo pueden ocurrir en el período de garantía. Nosotros
estamos ahora en condiciones de calcular el período apropiado
de garantía.
Utilizando el QCP, podemos

entrar con la Confiabilidad
deseada (10% de falla de la
población es equivalente al
90% de Confiabilidad), y
determinar que el período de
garantía debería ser
aproximadamente 15.036
horas de uso.

Exponencial (cont.)
Cuando aceptamos la Failure Rate vs Time Plot
estimativa de 15.036 1.00E-5
horas, implica que la

tendencia de la tasa de
falla será la de 8.00E-6
permanecer constante
hasta 36 horas.

6.00E-6
No es el caso, donde la Assumed Failure Rate
tasa de falla pudiese at 15,000 hrs
cambiar en algún
4.00E-6
tiempo entre el final del
ensayo (1.440 horas) y
la estimativa del
2.00E-6
período de garantía de
15.036 horas.
En este caso, ensayos 0
acelerados pueden ser 0 3000.00 6000.00 9000.00
Time, (t)
12000.00 15000.00
una alternativa mejor.

339
La distribución Normal
(Gausiana)

Función Densidad de Probabilidad Normal

La distribución Normal (Gausiana) es una de las distribuciones
mas conocida y su pdf es dada por:
2
1 ⎛ t −µ ⎞
1 − ⎜ ⎟
f (t ) = e 2⎝ σ ⎠
σ 2π
µ = media normal de los tiempos hasta la falla
σ = desviación estándar de los tiempos hasta la falla
Es una distribución con dos parámetros, con los parámetros µ y σ,

como la media y la desviación estándar, respectivamente.
Confiabilidad, R(T)
2
∞ 1 ⎛ t −µ ⎞
− ⎜⎜ ⎟
estadísticas de la Normal 1 2 ⎝ σ T ⎟⎠
R(T ) = ∫ e dt
T σ T 2π

2
1⎛ T −µ ⎞
− ⎜ ⎟⎟
1 2 ⎜⎝ σ T ⎠
e
MTTF = µ σT 2π
λ (T ) = 2
1⎛ t−µ ⎞
− ⎜ ⎟⎟
∞ 1 2 ⎜⎝ σ T
∫
T σT 2π
e ⎠
dt
Comportamiento Normal
La tasa de falla de la Normal tiene comportamiento
creciente.
0.100
Data
Func Line
0.080
0.060
0.040
0.020
Pantelis Vassiliou
ReliaSoft
12/29/2004
0.000 12:30:39 PM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
µ=90.9088, σ=25.0973, ρ=0.9911
Características de la distribución
Normal
La pdf normal tiene la media 4.80E-3
que es igual a la mediana y
también a la moda.
La media, o vida media o el 3.84E-3
MTTF, también es el
parámetro de localización de
la pdf normal, es localizado
en la abcisa de la pdf. 2.88E-3
La pdf normal tiene la forma
f(t)
de una campana y es
simétrica en relación a la 1.92E-3
média.
La pdf normal no tiene

parámetro de forma. Esto 9.60E-4
significa que la pdf Normal

posee solamente un
formato, el de una campana, 0
y esta forma no cambia. 0 240.00 480.00 720.00
Time, (t)
960.00 1200.00
Características de la distribución Normal

(cont.)
La desviación estándar, σ, es el parámetro de escala de la
pdf Normal.
Con la disminución de σ, la pdf es empujada en dirección a la
media, o, en otras palabras, ella se torna mas estrecha y mas
alta.
con el aumento de σ , la pdf se distribuye en dirección
contraria de la media, es decir se torna mas ancha y mas
baja.
La desviación estándar puede asumir valores entre 0 < σ < ∞ .
La variabilidad será mayor a medida que el valor de σ crece,
y viceversa.
La desviación estándar también es la distancia entre la media

y el punto de inflexión de la pdf, de cada lado de la media. El

punto de inflexión es el punto en la pdf donde el formato
cambia de decreciente para creciente, o donde la segunda
derivada de la pdf tiene valor cero.
Efecto de σ en la distribución
Normal(pdf)
0.10
0.08 µ=100
σ=5
0.06
f(t)
0.04
µ=100
0.02
σ=15
0
0.005 70.00 90.00 110.00 130.00 150.00
Time, (t)
Observaciones para tiempos Negativos en

Weibull++
Una de las desventaja en utilizar la distribución
Normal para cálculos de Confiabilidad es el hecho
de que la distribución Normal se inicia en el
negativo infinito. Esto puede generar algún valor
negativo para algunos resultados. Valores
negativos de tiempo no son aceptables para la
mayoría de los componentes del Weibull++. Ciertos
componentes del aplicativo guardan valores
negativos para las suspensiones, o no retornarán

resultados negativos. Por ejemplo la Quick

Calculation Pad retornará un valor nulo, o sea, si el
resultado fuese negativo ella los presentará como
cero.
Ejemplo Usando la distribución Normal
Veinte muestras de paletas de turbina

fueron probadas para determinar su
frecuencia natural, Ω. Basados en esta
muestra, queremos determinar la
porción de la población que poseerá
frecuencias fuera del intervalo de 7,8
hasta 8,2 kHz.

(cont.)
Medidas de las frecuencias naturales de las paletas de
turbina:
7.93 kHz 8.08 kHz 7.76 kHz 7.88 kHz
8.14 kHz 7.97 kHz 7.57 kHz 7.98 kHz
7.50 kHz 8.12 kHz 7.89 kHz 7.64 kHz

7.91 kHz 8.02 kHz 8.00 kHz 7.98 kHz

8.11 kHz 8.06 kHz 8.02 kHz 7.94 kHz

Exemplo Usando la distribución Normal

(cont.)
T u r b i n e B la d e F r e q u e n c y D i s t r i b u t i o n
3 .0 0
2 .4 0
1 .8 0
f(t)
1 .2 0
0 .6 0
0
7 .0 0 7 .4 0 7 .8 0 8 .2 0 8 .6 0 9 .0 0
F re q u e n c y (k H z )

(cont.)
Porción de la población mayor que 8,2 kHz:
Turbine Blade Frequency Distribution
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
P(Ω > 8.2) = 5.8%


(cont.)
Porción de la población mayor que 7,8 kHz:
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
P(Ω > 7.8) = 76.3%


(cont.)
Porción de la población menor que 7,8 kHz:
3.00
2.40 P(Ω < 7.8)

= 100% - P(Ω > 7.8)
1.80
= 100% - 76.3%
f(t)
1.20 = 23.7%
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)

(cont.)
3.00
2.40
1.80
f(t)
1.20
0.60
0
7.00 7.40 7.80 8.20 8.60 9.00
Frequency (kHz)
Porción de la población fuera de los limites especificados:

5.8% + 23.7%=29.5%
354
La distribución Lognormal

Función Densidad de Probabilidad

Lognormal
Una variable aleatoria se distribuye lognormalmente si el
logaritmo de la variable aleatoria se distribuye normalmente.
Si la variable aleatoria es distribuida normalmente o
lognormalmente, la distribución es dada por:
2
1 ⎛ T '− µ ' ⎞
1 − ⎜ ⎟
2⎝ σ ′ ⎠
f (T ' ) = e
σ ′ 2π
donde,
T′ = ln(T) y T son tiempos hasta la falla.

µ′ es la media del logaritmo natural de los tiempos hasta la falla.
σ′ es la desviación estándar del logaritmo natural de los tiempos
hasta la falla.
Función Densidad de Probabilidad

Lognormal (cont.)
Mientras la distribución normal es simétrica, la
lognormal es desplazada positivamente, lo que da
mas sentido para modelamiento de datos de vida.
0.020
Data
Func Line
0.016
0.012
f(t)
0.008
0.004
Pantelis Vassilio
ReliaSoft
12/29/2004
0.000 1:00:42 PM
0.000 60.000 120.000 180.000 240.000 300.000
Time, (t)
µ=4.3069, σ=0.5793, ρ=0.9815
Confiabilidad, R(T)
estadísticas de la − ⎜
1 ⎛ t −µ ' ⎞
⎟
∞ 1
Lognormal R(T ) = ∫ e 2⎝ σ′ ⎠
dt
T'
σ ′ 2π

2
1 ⎛ T '− µ ' ⎞
1 − ⎜ ⎟
2⎝ σ ′ ⎠
1 e
′
µ '+ σ ′2
λ (T ) = T ⋅ σ 2π 1 t − µ ' 2
MTTF = T = e 2
∞ 1
⎛
− ⎜
⎞
⎟
∫T ' σ ′ 2π e
2⎝ σ ′ ⎠
dt
tasa de falla Lognormal

La tasa de falla lognormal es inicialmente
creciente y luego decreciente.
4.00E-4
3.20E-4
2.40E-4
1.60E-4
8.00E-5
0
0 4000.00 8000.00 12000.00 16000.00 20000.00
Time, (t)
359
La distribución Gama
Generalizada

Gama Generalizada
No es utilizada frecuentemente como las otras
distribuciones de vida ya presentadas.
La distribución Gama Generalizada posee la capacidad
de imitar otras distribuciones, tales como la Weibull,
Lognormal o Exponencial, dependiendo de los
parámetros de su distribución.
A pesar de que la distribución Gama Generalizada no
es utilizada frecuentemente para modelar datos de vida
por si sola (en la mayoría de los casos debido a su
complejidad matemática, y su exigencia de tamaños de
muestras mayores que 30; para obtener convergencia),
su capacidad para comportarse como una distribución

de vida (común y utilizable) es usada algunas veces
para determinar cual de las distribuciones de vida
debería ser usada para modelar un conjunto de datos
en particular.
Función Densidad de Probabilidad Gama

Generalizada (cont.)
La función Gama Generalizada es una distribución con tres
parámetros. Una versión de la distribución Gama utiliza los
parámetros κ, β y θ.
La pdf para este formato de distribución es dada por:
β
κβ −1 ⎛t⎞
β ⎛t⎞ −⎜ ⎟
⎝θ ⎠
f (t ) = ⎜ ⎟ e
Γ(κ ) ⋅θ ⎝ θ ⎠
donde θ > 0 es el parámetro de escala, β > 0 y κ > 0 son los
parámetros de forma e Γ(x) es la función gama de x, definida
por:
∞
Γ( x) = ∫0
s x −1 ⋅ e − s ds
La pdf de la Gama Generalizada

Reparametrizada
con la versión de la distribución dada, aún surgen problemas de
convergencia, por lo que son utilizados muchos limites. Aún con
conjuntos de datos que contienen 200 o mas puntos, el método de
la MLE puede fallar para converger.
Agregando otra complicación, es el hecho de que la distribución
con valores ampliamente diferentes de κ, β y θ se pueden presentar
casi idénticos. Una vez vencidas estas dificultades, Weibull++ utiliza
la “reparametrización” con los parámetros µ, σ y λ donde:
1 ⎛ 1 ⎞
µ = In (θ ) + ⋅ In ⎜ 2 ⎟
β ⎝λ ⎠
1
σ = , and ,
β κ
1
λ = ,
κ
where − ∞ < µ < ∞ , σ > 0 , and − ∞ < λ < ∞
La pdf de la Gama Generalizada

Reparametrizada(cont.)
Aunque esto hace la distribución converger mucho mas fácilmente
(con el uso de computadores), ello no facilitará la manipulación
manual de la ecuación. la pdf de la distribución parametrizada es
dada por:
⎧ ⎡ ln( t ) − µ
⎢ λ⋅ ⎛ 1 ⎞ λ⋅ σ
+ In ⎜ 2 ⎟ − e
ln( t ) − µ ⎤
⎥
⎪ ⎢
⎢
σ ⎝λ ⎠ ⎥
⎥
⎪|λ | 1
⎢
⎢⎣
λ2 ⎥
⎥⎦
⎪ ⋅ ⋅e for λ ≠ 0
⎪σ ⋅ t ⎛ 1 ⎞
f (t ) = ⎨ Γ⎜ 2 ⎟
⎪ ⎝λ ⎠
⎪ 1 ⎛ ln( t ) − µ ⎞
2
⎪ 1 − ⎜
σ
⎟
⎪⎩ t ⋅ σ 2π e 2⎝ ⎠
for λ = 0
Función Confiabilidad Gama Generalizada

⎧ ⎛ ⎛ ln( t ) − µ ⎞
λ ⎜ ⎟ ⎞
⎪ ⎜ e ⎝ σ ⎠
1 ⎟
⎪1 − Γ I ⎜ ; ⎟ if λ > 0
⎪ ⎜ λ 2
λ 2
⎟
⎪ ⎝ ⎠
⎪ ⎛ ln( t ) − µ ⎞
R (t ) = ⎨1 − Φ ⎜ ⎟ if λ = 0
⎪ ⎝ σ ⎠
⎪ ⎛ λ ⎜
⎛ ln( t ) − µ ⎞
⎟ ⎞
⎪ ⎜ e ⎝ σ ⎠
1 ⎟
⎪ Γ I ⎜ ; ⎟ if λ < 0
⎪ ⎜ λ 2 λ 2 ⎟
⎩ ⎝ ⎠
Donde:
2
z x
1 −
Θ( z ) =
2π ∫e
−∞
2
dx y
x
1
∫
k −1 − s
ΓI (k ; x) = s e ds (Función incompleta de gamma)
Γ( k ) 0
Ploteando la distribución Gama

Generalizada
El ploteo de probabilidades en Weibull++, para la
distribución Gama Generalizada, es realizada en el
papel de probabilidades de la Lognormal.
Esto significa que el alineamiento no será alcanzado, a
menos que λ = 0.
Probability - G-Gamma
99.00
G-Gamma
Data 1
G3 MLE - SRM MED
F=23 / S=0
CB[FM]@95.00%
2-Sided-B [ T1]
Unreliability, F(t)
50.00
10.00
5.00
ReliaSoft
10/23/00 20:23
1.00
10.00 100.00 1000.00
Time, (t)
µ=4.23, σ=0.51, λ=0.31

Características de la distribución Gama

Generalizada
Como se ha mencionado anteriormente, la distribución Gama
Generalizada incluye otras distribuciones como casos
especiales basados en los valores de sus parámetros:
La distribución Weibull es un caso especial cuando λ = 1 y:
1
β =
σ
η = ln (µ )
En este caso, la distribución generalizada tiene el mismo
comportamiento de la Weibull para σ > 1, σ = 1 and σ < 1
(β < 1, β = 1 and β > 1 respectivamente).

Características de la distribución Gama

Generalizada
La distribución Exponencial es un caso especial cuando
λ = 1 and σ = 1.
La lognormal es un caso especial cuando λ = 0.
La distribución Gama es un caso especial cuando λ = σ.
Permitiendo que λ tenga un valor negativo, la distribución
Gama Generalizada puede ser extendida para incluir
distribuciones adicionales como casos especiales.
Por ejemplo, la distribución de máximo de Frechet (conocida
como la Weibull recíproca) es un caso especial cuando λ = -1.

Exemplo Utilizando la distribución Gama

Generalizada
A pesar que la distribución Gama Generalizada no es
utilizada ampliamente en el modelamiento de datos de vida,
es utilizada frecuentemente para determinar cual de las
distribuciones mas comúnmente utilizadas puede ser la mas
apropiada para un cierto conjunto de datos.
Por ejemplo, un ingeniero de Confiabilidad tiene un conjunto
de datos de rodamientos que fallaron, y le gustaría saber,
entre la Weibull o Lognormal, cual seria la distribución, que
mejor modela sus datos. Puede ajustar la distribución Gama
Generalizada a los datos, y puede establecer la selección

apropiada de la distribución, basado en los valores
estimados de los parámetros de la distribución Gama
Generalizada.
Ejemplo Utilizando la distribución Gama

Los 23 datos de la muestra de rodamientos (obtenidos
arbitrariamente) son:
17.88 28.92 33 41.52 42.12 45.6 48.4 51.84 51.96

54.12 55.56 67.8 68.64 68.64 68.88 84.12 93.12 98.64
105.12 105.84 127.92 128.04 173.4
La distribución Gama Generalizada es ajustada a los datos

utilizando MLE, y se obtienen los siguientes valores de los
parámetros:
µˆ = 4 . 23064
σˆ = 0 . 509982
λˆ = 0 . 307639
Ejemplo Utilizando la distribución Gama

Observe que para estos datos, la Gama Generalizada ofrece
un comportamiento entre las distribuciones Weibull (λ = 1) y
la Lognormal (λ = 0).
El valor de λ indica que la distribución Lognormal es la que
mejor se ajusta a los datos.
Por lo tanto, se puede hacer una mejor evaluación, por la
observación del limite de confianza de λ. Por ejemplo, los
limites de confianza bilaterales de 90% son:
λL = −0.592087
λU = 1.20736
Se puede concluír, entonces, que ambas distribuciones

(Weibull y Lognormal) se ajustan bien a los datos, siendo
mejor el ajuste de la lognormal.
371
Otras herramientas de
Confiabilidad
Break Point

Comparando Conjunto de Datos

Tensión vs. Resistencia
Una de las preguntas mas comunes en la
Ingeniería de la Confiabilidad es: “Este
nuevo proyecto es mejor que el anterior?”
Para responder esta cuestión, utilizaremos
el método de proyecto probabilístico:
Interferencia Tensión vs. Resistencia.
Comparando Conjunto de Datos

Tensión vs. Resistencia
2.40E-3
1.92E-3
1.44E-3
f(t)
Probability
of
9.60E-4
Strength Failure
4.80E-4
0
0 800.00 1600.00 2400.00 3200.00 4000.00
Stress, kips
Comentarios sobre las

Comparaciones de datos
Este método compara el conjunto de datos a lo
largo de todo el intervalo de la variable aleatoria
(de 0 hasta el ∞).
Las dos muestras deben ser de tamaños similares.
Una probabilidad de 50% indica que ambos
conjuntos de datos son de la misma muestra
poblacional. En otras palabras, indica que no hay
diferencias entre las muestras.
Con la probabilidad de 80%, o mayor, es

recomendable afirmar que un conjunto de datos es

mejor que el otro.
Comparando ensayos
Si nosotros queremos realizar una comparación
entre dos proyectos similares provenientes de
diferentes proveedores, o entre un proyecto actual
y el anterior, podemos hacerlo comparando las
pdfs de cada conjunto de datos de vida.
Comparando los datos

EJEMPLO:
Vida de cilindros neumáticos de sillones de
oficina.
Compare los Proveedores A y B.
10 cilindros neumáticos del Prov. A.
10 cilindros neumáticos del Prov. B.
Cilindros ensayados hasta la falla.
(1 cilindro suspenso con 350.000 ciclos).
Las fallas son determinadas en la inspección de
los cilindros cada 50.000 ciclos.

377
Datos en Weibull++
378
Datos en Weibull++ (cont.)

Comparando Datos Utilizando el

“Comparison Wizard” del Weibull++
Para cada conjunto de

datos, escoja el
método de estimación
de los parámetros (en
este ejemplo
utilizamos la MLE)
Ruede el “Comparison
Wizard” para
determinar la
probabilidad de que un
conjunto de dato sea

mejor que el otro.
Conclusiones & Notas

El “Comparison Wizard” de la ReliaSoft compara
dos conjuntos distintos de datos de cero hasta
el infinito, o sea, hasta alcanzar 100% de
desconfiabilidad para cada conjunto de datos.
Existe un 64% de probabilidad de que el Prov. B
sea mejor que el Prov. A (Cuando comparamos
el desempeño de ambos proveedores, la
desconfiabilidad es de 100%).
“Regla del Pulgar”

Cuando comparamos conjuntos de
datos con el “Comparison Wizard” de
la ReliaSoft, y obtenemos 80% de
probabilidad es recomendado que se
concluya que un conjunto de dato es
mejor que el otro.
Observe: con 67% de probabilidad
podemos interpretar que un conjunto
de datos es mejor que el otro en la
proporción 2 para 1. Siendo que, 90%

significa 9 para 1.
50% de probabilidad significaría que
ambos son estadísticamente iguales.
Recomendaciones
SI el período de garantía de los cilindros neumáticos fuese conocido,
(por ejemplo 100.000 ciclos), una comparación utilizando el gráfico de
“Confiabilidad y tiempo” seria mucho mas apropiado que utilizar el
“ReliaSoft´s Comparison Wizard”.
El próximo slide contiene una comparación entre los proveedores A y B
utilizando el gráfico de “Confiabilidad v/s tiempo”.
en 100.000 ciclos, el proveedor A posee confiabilidad mayor que el
proveedor B.
Esta conclusión es opuesta a la obtenida en el “Comparison Wizard”.
CUIDADO: los datos del ensayo, de este ejemplo, estaban en intervalos.
Los intervalos de 50.000 ciclos es la mitad del “período de garantía” de

100.000 ciclos.
no es RECOMENDABLE hacer comparaciones con intervalos muy
grandes!
Obs: el método del ensayo puede ser reescrito para realizar inspecciones
en intervalos menores, como por ejemplo 10.000 ciclos.
Comparación de Confiabilidad X tiempo

Reliability vs Time
1.00
Multi-Plot
Vendor A
L2 MLE - RRM MED
F=10 / S=0
Vendor B
0.80 L2 MLE - RRM MED
F=9 / S=1
0.60
Vendor B
0.40
Vendor A
0.20
0
0 140000.00 280000.00 420000.00 560000.00 700000.00
Time, (t)
µ1=11.7452, σ1=0.2285
µ2=11.9468, σ2=0.6451
Comparando si Dos (o mas) Conjuntos son

de la Misma Población
Otra aplicación posible es determinar si dos
conjuntos de datos son de la misma población.
Esto se puede hacer utilizando el gráfico de
contorno.
Como ejemplo: considere dos conjuntos de
datos, cada cual con 100 datos, generados
aleatoriamente por una distribución Weibull con
β = 3 y η = 100.

Contour Plot
4.000
1. Folio5\Data
2. Folio6\Data
1. 90%
2. 90%
3.600
3.200
Parameter 2
2.800
2.400
Pantelis Vassiliou
ReliaSoft
12/29/2004
2.000 2:09:48 PM
75.000 85.000 95.000 105.000 115.000 125.000
Parameter 1
Folio5\Data: β=3.3982, η=99.0575, ρ=0.9924
Folio6\Data: β=2.9837, η=95.2763, ρ=0.9974
Otros análises
(Utilizando 5 Conjunto de datos)
La Vida B10 es igual en todos los conjuntos ?
BX Life with Conf. Limits
1000
900
800
700
600
500
400
DFolio!Data 1 DFolio!Data 2 DFolio!Data 3 DFolio!Data 4 DFolio!Data 5
Otros análisis
(Utilizando 5 Conjunto de datos)
La Vida Media (MTTF) es igual en todos los
conjuntos ?
Means with Conf. Limits
1400
1300
1200
1100
1000
900
800
700
600
Set1 Set2 Set3 Set4 Set5
388
Análisis Específicos
Análisis de Degradación

Análisis de Degradación (no-Catastrófica)

Otra manera de atribuir la confiabilidad con pocas
o ninguna falla es la utilización del análisis de
degradación.
El análisis de degradación involucra la medición y
la extrapolación de la degradación, u obteniendo
datos que pueden ser relacionados directamente
con una supuesta falla del producto en cuestión.
Muchos mecanismos de falla pueden ser
relacionados directamente con la degradación de

una parte del producto, y, el Análisis de

degradación permite que se extrapole el tiempo de
esta supuesta falla, basado en las medidas de
degradación de su funcionamiento en el tiempo.
Análisis de Degradación (no-Catastrófica)

El análisis de degradación involucra la medición y la extrapolación de
la degradación o el funcionamiento que puede estar relacionado con
una supuesta falla del producto en cuestión.
En algunos casos, es posible medir directamente la degradación en el
tiempo, como en el caso de desgastes de pastillas de freno o en la
propagación de fisuras (grietas) no-catastróficas.
En otros casos, es posible la medición directa de la degradación sin
la utilización de técnicas de violación o destrucción que podrían
afectar directamente el funcionamiento del producto
catastróficamente. En estos casos, la degradación del producto
puede ser estimada a través de la medida de ciertas características de

funcionamiento, tales como el uso de la resistencia para medir la

degradación de materiales dieléctricos, medición de vibraciones, etc.
El nivel de degradación o funcionamiento, en el que supuestamente
ocurrirá una falla, debe ser necesariamente definida.
Datos de Degradación
Ejemplo: Tamaño de Grieta
1.8 un ejemplo de datos de
Crack length (inches)
1.7
1.6 degradación es el tamaño de
1.5
1.4
las grietas en paletas de
1.3 turbina. una falla es definida
1.2
1.1 cuando una grieta fuese
1
0.9
igual, o mayor a 1,6 pulgadas.
0.8
0 50000 100000 150000 200000
Un ítem es ensayado hasta
Cycles 120.000 ciclos, donde se
verifica una grieta con un
largo de 1,27 pulgadas.
1.8
Aún cuando el ítem no haya
1.7
1.6
alcanzado el largo crítico de
1.5
“desgaste”, entonces,
1.4
1.3
1.2 extrapolamos el dato de
1.1
1
ensayo hasta que la
0.9 degradación llegue a su nivel
0.8
0 50000 100000 150000 200000 crítico, y obtenemos 177.480
Cycles
177480 ciclos.
Datos de Degradación
Ejemplo: Tamaño de Grieta

1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1
0.9
0.8
0 50000 100000 150000 200000

Cycles
Este proceso puede ser repetido para todos los ítems

ensayados, para los que encontramos la vida proyectada.
Luego, estos datos pueden ser analizados como cualquier otro
caso de confiabilidad.
Modelos de Extrapolación Disponibles

en Weibull++
Weibull++ permite que el usuario defina su Análisis de degradación
utilizando modelos de extrapolación, tales como, el modelo lineal,
exponencial, potencia o logaritmo.
La fórmula de estos modelos són:
Lineal: y = a.x + b
Exponencial: y = b.ea.x
Potência: y = b.xa
Logarítmico: y = a.ln(x) + b
x
Gompertz: y = a.b(c )
Lloyd-Lipow: y = la - b/x
donde y representa el funcionamiento o la máxima degradación

permitida, x representa el tiempo, y a y b son parámetros de los
modelos a ser determinados.
Modelos de Extrapolación Disponibles

en Weibull++
Podemos realizar la extrapolación, estimando los
parámetros ai y bi , para cada muestra i, y un
tiempo, xi , para un nivel de degradación definido
para la falla (y). Los xi pueden ser utilizados ahora
como tiempos hasta la falla en un Análisis
subsiguiente de datos de vida.
Cualquier tipo de extrapolación debe ser
cuidadosa para no extrapolar a valores muy
lejanos del intervalo actual de datos, ocasionando

gran imprecisión (errores de modelamiento).

Ejemplo de Análisis de Degradación

Dado un componente con una característica
que generará una falla y una degradación a lo
largo del tiempo que pueda ser medible:
Considere que la recolección de esta medición de
degradación no destruirá el ítem (degradación no-
catastrófica) y que pueden ser realizadas
mediciones repetidas en cada ítem.
Considere que la degradación es una función uno

a uno, o sea monotónica.
LDA: Análisis de Degradación

Considere los siguientes datos de profundidad de
las ranuras para varios neumáticos.
degradation.rwp
Tread depth by specimen (mm)

Mileage a b c d e f g
5000 6.1 5.9 5.9 6.1 6.3 5.7 5.5

10000 5 5.1 5 5 5.3 5.4 5.5

15000 4 3.8 3.7 3.5 3.4 3.3 3
20000 3.2 3.3 3.5 3.8 3.9 3.2 2.7
25000 2.8 2.9 3.1 3 3 2.6 2.9
30000 2.2 2.8 2.2 2.2 2.1 2 2
Degradation vs Time
10
1 Degradation vs Time
0 10
4000 13333.3 22666.7 32000 41333.3 50666.7 60000
Time 9
Data a &Exponential Fit a 8 Critical Degradation
6
5
0
4000 13428.6 22857.1 32285.7 41714.3 51142.9 60571.4 70000
Time
Data b &Exponential Fit b Critical Degradation

Degradation vs Time
10
6
5 Probability - Lognormal
10.010.110.210.310.410.510.610.710.810.9
4 99.00
0
σ
0 10000 20000 30000 40000 50000 60000 70000
Unreliability, F(t)
Time
50.00 µ
10.00
5.00 Lognormal
Data 1
L2 RRX SRM MED

F=7 S=0
1.00
10000.00 100000.00
Time, (t)
Data 1 µ=10.8431, σ=0.0898, ρ=0.9642

399
Análisis de Garantía

Análisis de Garantía
La herramienta de Análisis de garantía en el
Weibull++ no introduce ninguna nueva
metodología de análisis, pero automatiza el
proceso que normalmente consume mucho tiempo
y paciencia.
Las informaciones de terreno presentan los ítems
producidos y/o entregados en un cierto período de
tiempo, con los datos de retorno para cada lote de
fabricación en los períodos subsiguientes.
Esta información puede ser colocada en un cuadro

diagonal, algunas veces denominado -
dependiendo de su arreglo - de “Nevada chart”,
“Idaho chart”, etc.
401
Nevada Chart
Análisis de Garantía (cont.)

Weibull++ permite al usuario automatizar el Análisis de datos de garantía
que posean este formato, permitiendo aún la previsión de las futuras fallas a
través del uso del Análisis de probabilidad condicional.
Para cada período de tiempo en el que una cantidad de productos son

producidos/entregados, habrá un cierto número de retorno de fallas en los
períodos subsiguientes, donde el restante de la población producida/enviada
continua operando en los meses siguientes.
Análisis de Garantía (cont.)

Por ejemplo, si 500 unidades son entregadas en
mayo, 10 unidades retornan en garantía en junio,
tenemos el equivalente a 10 fallas en el período de
un mes.
Las otras 490 unidades continúan operando y
tienen la probabilidad de fallar en los meses
siguientes.
Al final del período de análisis, todas las unidades
que fueron enviadas y aún no fallaron son
consideradas suspendidas.
Este proceso es repetido para cada entrega, de lo

que resulta una tabla para cada tiempo de falla y
suspensión en particular, en el Análisis de
Confiabilidad.
Ejemplo de Análisis de Garantía

Una empresa rastrea los lotes producidos y
observa los retornos en garantía, mes a mes. A
continuación tenemos una tabla que contiene los
ítems enviados en junio, julio y agosto, y, los
resultados de garantía hasta septiembre:
RETURNS
SHIP Jul. Aug. Sep.
Jun. 100 3 3 5
Jul. 140 2 4
Aug. 150 4
Basado en estas informaciones, se desea generar

las curvas de Confiabilidad de estos productos, y
realizar las previsiones del número de fallas en
garantía para octubre.
Determinando fallas & Suspensiones
RETURNS
SHIP Jul. Aug. Sep.
Jun. 100 3 3 5 89
5
Jul. 140 2 4 134
7
Aug. 150 4 146
9
406
Ejemplo de Análisis de Garantías (cont.)

Previsiones de Retorno
Una vez analizados los datos de vida, esta
información puede ser utilizada para realizar la
previsión de cuantos retornos en garantía
tendremos en los períodos subsiguientes.
Esta metodología utiliza los conceptos de la
Confiabilidad condicional para calcular la
probabilidad de falla de las unidades restantes
para cada período de venta.
Esta probabilidad de falla es multiplicada por el
número de unidades de riesgo (suspensiones),
para cada período de venda en particular, que aún

están en terreno, y entonces prevenir el número de
fallas o retorno en garantía esperados en los
próximos períodos.
Previsiones de Retorno (cont.)

Utilizamos los valores estimados de los parámetros de la
Weibull, encontrados anteriormente, para determinar la
probabilidad de falla condicional para cada período de venta,
y entonces multiplicar las probabilidades por los números de
unidades de riesgo para cada período. La ecuación de la
probabilidad de falla condicional es dada por:
R(T + t )
Q(t | T ) = 1 − R(t | T ) = 1 −
R(T )
Entonces, para las unidades producidas en junio, hay 89
unidades que continúan operando con éxito hasta el final de

septiembre (T= 3 meses). La probabilidad de que una de

estas unidades falle en el mes siguiente (t = 1 mes) es dada
por: ⎛ 4 ⎞
2 , 49
−⎜ ⎟
R(4) e ⎝ 6 , 70 ⎠
0,7582
Q(1 | 3) = 1 − = 1− = 1 − = 0,132
R(3)
2 , 49
⎛ 3 ⎞ 0,8735
−⎜ ⎟
e ⎝ 6, 70 ⎠

Una vez determinada la probabilidad de falla para el mes adicional
de operación, el número de fallas esperadas durante el próximo
mes, para las ventas del mes de junio, es el producto de esta
probabilidad por el número de unidades de riesgo (SJUN,3 = 89):
FˆJUN, 4 = 89 ⋅ 0,132 = 11,748,

Esto se repite para el mes de julio, donde 134 unidades continúan
operando hasta septiembre, con dos meses de exposición. La
probabilidad de fallas para el próximo mes:
R(3)
0,8735
( )
Q 1| 2 = 1− = 1− = 0,0824
R(2) 0,9519
Este valor es multiplicado por SJUL,2 = 134 para determinar el número de

fallas:
FˆJUl ,3 = 134 ⋅ 0,0824 = 11,035,

Para el mes de agosto, háy 146 unidades aún operando hasta
septiembre, con un mes de exposición. La probabilidad de falla
para el próximo mes es:
R(2) 0,9519
Q(1 | 1) = 1 − = 1− = 0,0397
R(1) 0,9913
Este valor es multiplicado por SAUG,1 = 146 para determinar el
número de fallas:
FˆAUG , 2 = 146 ⋅ 0,0397 = 5,796,

Entonces, el total de retorno por garantía, de estos lotes

vendidos, para el próximo mes es la suma de 12 unidades + 11
unidades + 6 unidades, lo que da 29 unidades. Este método
puede ser fácilmente repetido para previsiones de diferentes
escalas de tiempo. la herramienta de Análisis de garantía del
Weibull++ realiza este tipo de Análisis automáticamente.
411
Simple Warranty.rwp
Previsiones (Forecast)
Carta de Controle de Retornos

Chi Square Information for Return Periods
15.000
Chi Square Returns
Chi Square - Caution

Chi Square - Critical
Return period
Return period - Caution
Return period - Critical
12.000
9.000
Chi Square Value
6.000
3.000
Name
Company
8/10/2005
0.000 2:38:24 PM
2
4
Period
Alpha-Caution=0.1; Alpha-Critical=0.01
413
Carta de Control de Retornos

Versão: 1.02 Language/Region: Spanish Incorporando Mejorías

Dates Format with Different Models.rwp

Incorporando Mejorías
Expected Failures vs Period Plot
25.000
1. Model A
2. Model B
3. Model C
1. Data Points
2. Data Points
3. Data Points
20.000
15.000
Failures
10.000
5.000
Name
Company
6/24/2005
1:45:12 PM
0.000
Oct 2006
Jul 2006
Jun 2006
Jan 2007
Aug 2006
Dec 2006
May 2006
Sep 2006
Feb 2007
Nov 2006
Period
416
Análisis de Eventos Recurrentes

Análisis de Eventos Recurrentes (RDA)

hasta ahora, tratamos datos de “tiempo hasta falla”.
En esos casos, la metodología de “Análisis de datos de
Vida” trata ítems que experimentaron un único evento – fin
de vida. En otras palabras, cada ítem de la muestra posee
un único valor observado, la edad de “falla” o la edad “sin
falla” (suspensión).
en contraste, otras aplicaciones involucran datos de eventos
repetidos, donde el ítem de la muestra puede tener
acumulado algunos eventos a lo largo de su vida.
Como ejemplo podemos citar los diversas reparaciones
realizadas en un producto/equipamiento, episodios de

enfermedades recurrentes (ej. Tumor malígno), nacimientos

de hijos, divórcios.
Tales eventos repetidos son referenciados como “Eventos
Recurrentes”.
Abordaje
El RDA tal como el LDA puede ser:
no-Paramétrica
no es hecha ninguna suposición sobre el
modelo.
Paramétrica
un modelo es adecuado a los datos y los
resultados de interés son obtenidos a partir de
el.
Reconsidere los datos de los Camiones

Truck Event Mileage
First Replacement 62874
1 Second Replacement 95777
Current Mileage 113266
4
Second Replacement 57760
5
Third Replacement 83538
6


7
Second Replacement 66446
9
Third Replacement 91035
Current Mileage 127216 Truckrda.rwp
10
RDA no Paramétrica
Mean Cumulative Function
5.000
MCF
CB@95%
MCF
Lower Limit
Upper Limit
Número Esperado de Eventos Acumulados
4.000
3.000
MCF
2.000
Millaje
1.000
Name
Company
8/10/2005
0.000 3:15:21 PM
5000.000 44000.000 83000.000 122000.000 161000.000 200000.000
Measurement
421
RDA no Paramétrica
General Renewal Process

RDA Paramétrica
q=0: Tan bueno como nuevo

(As good as new).
.
.
.
q=1: Tan bueno como viejo
(As good as old).
423
Diseño de experimentos (DOE)

Diseño de Experimentos (DOE)

cuando planeamos un ensayo la mayoría
de las personas quieren:
1. Tamaño Pequeño de muestras.
2. Corto tiempo para el Ensayo.
3. Buenos Resultados.
Infelizmente, usted puede escoger
solamente dos opciones.

usted no puede tener todas!

Diseño de experimentos - Demostración

Siempre es una buena decisión planificar Ensayos de
Confiabilidad donde serán probados una cantidad
significativa de ítems hasta la falla, sin embargo sabemos
que esto no siempre es viable.
Generalmente el tiempo disponible para ejecutar un ensayo,
que servirá para demostrar la exigencia especificada de
confiabilidad, es relativamente corto.
Se le pedirá entonces a los ingenieros que planifiquen
ensayos que posean una combinación entre cantidad de
ítems, tiempo de ensayo y cantidad de fallas aceptables que
demostrarán el objetivo de Confiabilidad deseado, con el

menor desembolso de recursos.

Existen diversos métodos que pueden ser utilizados para
realizar la planificación de los ensayos, dependiendo de las
suposiciones que el planificador está dispuesto a hacer.
Diseño de experimentos - Demostración

un tipo común de problema en la planificación de
ensayos es aquel donde debe ser demostrada una
cierta confiabilidad para un determinado tiempo, y
con una cierta confianza especificada.
El ingeniero puede tener restricciones en cuanto a
la duración del ensayo o en cuanto a la cantidad
de ítems disponibles para el ensayo.
Generalmente, es deseable planificar ensayos en
que se demuestre la Confiabilidad especificada
con ninguna falla.
Como forma de hacer esto, es necesario hacer una

suposición sobre la naturaleza de la distribución
de falla del producto.
Se debe estar listo para especificar la distribución y el
parámetro de forma a priori.
Demostración & ensayo

tiempo & Confiabilidad
Demostración tiempo – tDEMO ensayo tiempo – tTEST

Demostración rel. – RDEMO ensayo Confiabilidad – RTEST
ESPECIFICADO TBD
Binomial Acumulada
La ecuación binomial acumulada es utilizada para establecer
la relación de la Confiabilidad del ensayo, RTEST , el número
de ítems en ensayo, n, el número de fallas, f, y los limites de
confianza, CL. La ecuación de la binomial acumulada es:
f
n!
1 − CL = ∑ ⋅ (1 − RTEST ) (n − i )
⋅ RTEST
i
i=0 i!⋅(n − i )!
donde:
CL = el limite de confianza adquirido,
f = el número de fallas permitido,

n = el número total de ítems en el ensayo, e
RTEST = la Confiabilidad del ensayo.
Binomial Acumulada (cont.)
Observe que la ecuación de la

sin tiempo! binomial acumulada no posee el
termino tiempo. Para traer el
tiempo al contexto, usted tendrá
que utilizar la función
Confiabilidad para determinar el
RTEST.
Alternativamente, se fuese
deseado asumir que TTEST = TDEMO,
se puede utilizar la binomial
acumulada para planificar

ensayos sin hacer ninguna

suposición sobre la distribución
de falla.
Ecuación de la Confiabilidad
Ejemplo Weibull
Si el TTEST no es igual al TDEMO , entonces se debe
utilizar una ecuación de distribución de falla de la
Confiabilidad para determinar RTEST .
Por ejemplo, supongamos que un ingeniero
necesita diseñar un ensayo que demuestre una
confiabilidad de 90% en t = 100 horas, con 95% de
confianza. El ingeniero supone una distribución
Weibull con parámetro de forma β = 1,5. El
ingeniero también define que ninguna falla será
permitida durante el ensayo, o f = 0.
El objetivo del ejemplo es determinar el número de

combinaciones de tiempo de ensayo y unidades
testadas para demostrar la Confiabilidad deseada.
Ecuación de Confiabilidad
Ejemplo Weibull
Las especificaciones consideradas de número de fallas y nivel de
confianza pueden ser substituidas dentro de la ecuación de la
binominal acumulada:
f
n!
1 − CL = ∑ ( ) ( n −i )
⋅ 1 − RTEST ⋅ RTEST
i
i = 0 i!⋅(n − i )!
donde:
f = 0 , CL = 0 , 95
La ecuación de la binominal acumulada es ahora reducida para la
relación entre la Confiabilidad demostrada en el ensayo, RTEST , y el
número de ítems del ensayo, n :
0,05 = (1 − RTEST ) ⋅ RTEST

n
Para establecer la relación entre el tiempo de ensayo y las unidades

probadas , debemos utilizar la ecuación de Confiabilidad Weibull.
Ejemplo Weibull
− (t / η )β
La ecuación de Confiabilidad Weibull es dada por: R=e
t DEMO
Esto puede ser re-escrito como: η= 1
(− ln(RDEMO ))β
Con las especificaciones:
R DEMO = 0,9, t DEMO = 100 , β = 1,5

Y asumiendo el parámetro de forma β, podemos determinar el valor
del parámetro de escala η.

t DEMO 100
η= 1
= 1
= 448,3
(− ln(RDEMO ))β (− ln(0.9))1.5
Ejemplo Weibull
Usando el valor de η, la ecuación de Confiabilidad Weibull puede ser
re-escrita como:
− (tTEST / η )β
R TEST =e
Esto puede establecer una relación entre el tiempo de ensayo y los
ítems ensayados:
(
0,05 = 1− e −(tTEST /η )β
)⋅ (e −(tTEST / 448.3)1.5
)
η
Esta ecuación puede ser resuelta iterativamente para generar el

número de combinaciones de tiempo de ensayo/ítems de ensayo lo
que permitirá obtener la Confiabilidad especificada.
Ejemplo Weibull
El gráfico siguiente representa las combinaciones de tiempo y
ítems de ensayos que pueden mostrar la Confiabilidad requerida
para cero falla durante el ensayo.
Test Time vs. Test Units
1000
900
800
700
600
500
400
300
200
0 1 2 3 4 5 6 7 8 9 10 11
Number of Test Units
0 Failures
Que puede ser Determinado?

Basados en las entradas, la combinación entre las
ecuaciones de la binominal acumulada y la ecuación de
Confiabilidad, pueden ser utilizadas para resolver algunas
variables:
Cuantas unidades deben ser probadas?

Cuanto tiempo debe durar el ensayo?
Cuantas fallas serán permitidas?
Cual es el nivel de confianza?
La solución para algunas de estas combinaciones puede ser

bastante compleja y requerir métodos numéricos para llegar
a una solución.
El Design Reliability Test del Weibull++

La resolución de todas las posibles combinaciones de entrada de
variables para la binominal acumulada, y las ecuaciones de
Confiabilidad, pueden ser difíciles y consumir bastante tiempo.
El módulo Design of Reliability Test Weibull++ permite que el usuário
obtenga soluciones rápidamente y de manera bastante fácil.
437
Referencias

Referencias
Reliability Engineering Handbook
Vols 1 & 2, by Dimitri Kececioglu
Reliability and Life Testing Handbook
Vols 1 &2, by Dimitri Kececioglu
Stadistical Methods for Reliability Data
by William K. Meeker and Luis A. Escobar
Applied Life Data Analysis
by Wayne Nelson
Reliability Engineering
by Elsayed A. Elsayed
Additional books are listed at:
http://www.reliasoft.com/Books/index.html

RS 401 Analisis de Datos de Vida PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

RS 401 Analisis de Datos de Vida PDF

Cargado por

Copyright:

Formatos disponibles

MSMT Foundations

Language Version: Spanish ©1992-2005 ReliaSoft Corporation - ALL RIGHTS RESERVED

MSMT Foundations - RS401

©1998-2005 ReliaSoft Corporation

Día 1-2 Día 3 Dia 4 Dia 5

“Textbook” el estilo de la tapa del

material se puede encontrar en

Referencias Adicionales para esta Sección

MSMT Foundations - RS401

¿Por que Confiabilidad?

©1998-2005 ReliaSoft Corporation

“La Ingeniería de Confiabilidad entrega

de tiempo, en ambientes específicos y sin

procesos; para asegurar que estos ejecuten

Cual es la expectativa de vida de un

Podemos optimizar los costos involucrados?

vida del producto y a un costo mínimo de

MSMT Foundations - RS401

Por que la Confiabilidad es

©1998-2005 ReliaSoft Corporation

Consumidores Exigen Confiabilidad

Reliability 94.0% 96.3%

Por que Ingeniería de Confiabilidad?

Como sería el resultado de esta

Por que Ingeniería de Confiabilidad?

El consumidor de hoy es mas “inteligente”

Línea de Montaje de un Utilitario

facturar millares de dólares por hora.

Línea de Montaje de un Utilitario

realidad estaban experimentando una

disponibilidad muy baja de los routers dentro

de los ítems en prueba pasaron de 1.000.000 km.

Este tipo de ensayo de Confiabilidad: ¿Es una

Responsabilidad del producto

¿Quién paga por esto y cuánto ?

El conocimiento del Comportamiento de Vida de

este componente permitió la implementación de

Las fallas pueden tener muchos efectos, desde

Confiabilidad es dinero! (cont.)

genera lucro o perjuicio?

MSMT Foundations - RS401

©1998-2005 ReliaSoft Corporation

Versão: 1.02 Language/Region: Spanish Balance de la Confiabilidad

• La Confiabilidad debe estar balanceada con los otros

¿Quien debe estar involucrado?

Personal de producción Gerentes y Ejecutivos

¿Quien debe estar involucrado?

Concentrando los intereses y los esfuerzos de todos

¿Cuándo se debe aplicar la Confiabilidad?

“Desde el nacimiento hasta la muerte.”

¿Cuándo se debe aplicar la Confiabilidad?

los cambios de proyecto y el proceso, en la

La Confiabilidad es la calidad en el tiempo.

Costo del producto X Confiabilidad

no solamente por el costo del producto hasta la

Costo del producto X Confiabilidad

ser determinado a través de la definición de la

Costo del producto x Confiabilidad

Con el paso del tiempo el producto envejece, se

desgasta y la tasa de falla comienza a aumentar

Failure Rate (aka Hazard Rate)

Failure Rate (aka Hazard Rate)

Failure Rate (aka Hazard Rate)