Curso Confiabilidad - Primitivo Reyes - 2008 PDF

CURSO DE CONFIABILIDAD P. REYES / DIC.
2006
CURSO DE CONFIABILIDAD
Elaboró: Dr. Primitivo Reyes Aguilar
Diciembre de 2006
Página 1
CURSO DE CONFIABILIDAD P. REYES / DIC. 2006
CONTENIDO
1. Introducción a la confiabilidad
2. Distribuciones de probabilidad
3. Modelos de distribuciones de probabilidad para el tiempo

de falla
4. Estimación de parámetros del modelo
5. Determinación de la confiabilidad
6. Pruebas de vida aceleradas
7. Confiabilidad de sistemas
8. Mantenabilidad y disponibilidad
Página 2
1. Introducción a la confiabilidad
No es suficiente que un producto cumpla las especificaciones y criterios de
calidad establecidos sino que además es necesario que tenga un buen
desempeño durante su vida útil es decir que sea confiable. Esto cada vez cobra
una importancia mayor dado que cambia la tecnología, los productos son cada
vez más complejos, los clientes se tornan cada vez más exigentes y la
competencia es alta.
Confiabilidad es la probabilidad de que un componente o sistema desempeñe

satisfactoriamente la función para la que fue creado durante un periodo
establecido y bajo condiciones de operación establecidos. La confiabilidad es
calidad en el tiempo.
Falla de un producto sucede cuando deja de operar, funcionar o no realiza

satisfactoriamente la función para la que fue creado. El tiempo de falla es el
tiempo que transcurre hasta que el producto deja de funcionar.
Las razones de estudio de la confiabilidad de productos son las siguientes:
1. Determinar el tiempo tp hasta el cual se espera que falle una proporción p

dada de los productos en operación. Esto es útil para determinar tiempos de
garantía apropiados así como sus costos.
2. Encontrar el tiempo tp al cual se espera que sobreviva una proporción 1-p

dada de los productos en operación. Es una estimación de la confiabilidad de
los productos.
3. Determinar la propensión a fallar que tienen el producto en un tiempo dado.

Para comparar dos o más diseños o procesos, o lo que se publicita por un
proveedor.
4. Dado que un artículo ha sobrevivido un tiempo T0, encontrar la probabilidad

de que sobreviva un tiempo un tiempo t adicional. Para planear el reemplazo de
los equipos.
5. Los puntos anteriores se pueden hacer de manera comparativa para

diferentes materiales, proveedores o modos de falla.
La información para los estudios de confiabilidad tienen diferentes

denominaciones: datos de tiempos de vida, datos de tiempos de falla, datos de
tiempo a evento, datos de degradación, etc.
Entre las características que tienen los estudios de confiabilidad se encuentran

los siguientes:
1. Los tiempos de falla son positivos con comportamiento asimétrico y sesgo

positivo, por tanto las distribuciones para modelar estos tiempos de falla son la
Weibull, lognormal, exponencial y gamma, la distribución normal casi no se
utiliza.
Página 3
2. Mientras que en estadística lo que interesa son los parámetros de la

población media y desviación estándar, en la confiabilidad lo que interesa son
las tasas de falla, las probabilidades de falla y los cuantiles. Un cuantil es el
tiempo tp hasta el cual se espera que falle una proporción p de artículos.
3. Para tener datos es necesario tener datos a través de pruebas las que en
algunas ocasiones son costosas.
4. A veces el tiempo para observar las fallas es muy largo y es necesario cortar
el tiempo de prueba, dando lugar a observaciones censuradas. Normalmente
se requiere extrapolar los resultados, por ejemplo al estimar la tasa de falla a
las 10,000 horas con pruebas de funcionamiento durante 1,000 horas.
5. Cuando es necesario acortar el tiempo de prueba se pueden hacer pruebas

de vida acelerada utilizando condiciones estresantes.
Ejemplo:
Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura

de 80ºC y se observaron 40 con falla. Al finalizar la prueba 960 chips
funcionaban adecuadamente.
Entre las preguntas que se pueden contestar se encuentran las siguientes:
¿Cuál es la probabilidad de que fallen los chips antes de las 500 horas?
¿Cuál es el riesgo de falla a las 300 horas?
¿Cuál es la proporción de chips que fallarán antes de 250 horas?
Datos censurados
Censura
Página 4
Se tienen datos censurados cuando no se conocen los tiempos de falla de las

unidades de manera exacta, sino solo los intervalos de tiempo donde
ocurrieron o hubieran ocurrido las fallas. Es información parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:
 Tiempo fijo de terminación de la prueba

 Tiempos de inspección (límites superiores e inferiores en T)
 Modos de falla múltiples (también conocidos como riesgos en
competencia, y dando por resultado censura por la derecha),
Independiente (simple) y no independiente(difícil).
TIPOS DE CENSURA
 Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

unidades sin falla limitando el tiempo de observación o censura por
tiempo. Cuando se limita el tiempo hasta que fallan r unidades, se tiene
censura tipo II para las unidades sobrevivientes (n-r).
 Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

después de un periodo de tiempo se encuentra que algunas fallaron,
pero no se sabe el momento de su ocurrencia.
Página 5
 Censura por intervalo cuando se inspecciona en intervalos de tiempo y

se observan fallas en cierto intervalo pero no se conoce exactamente en
que momento ocurrieron, se censuran los productos sobrevivientes.
 Censura múltiple: Cuando en el mismo estudio se tienen diferentes tipos

de censura.
Ejemplo:
A X
B
¿ ¿
C
¿
D
Fig. 1 Tipos de censura: A sin censura; B Censura por la izquierda; C Censura por la derecha;
D censura por intervalo.
2. Distribuciones de probabilidad
Página 6
Verosimilitud (probabilidad de los datos)

La Verosimilitud proporciona un método general y versátil de estimación, se
prefieren las combinaciones de Modelo/Parámetros con Verosimilitud grande.
Permite censura, intervalos, y datos truncados.
La forma de la verosimilitud dependerá del: propósito del estudio, modelo

asumido, sistema de medición e identificación y parametrización.
La contribución por diferentes tipos de censura es como sigue:
Por ejemplo para la función de distribución:
La verosimilitud en censura por intervalo es:
Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

Li =F(1.5) - F(1) = 0.231
La verosimilitud de censura por la izquierda es:
Si una falla se detecta en la primera inspección a un tiempo t=0.5,
Página 7
Li = F(0.5) = .265
La verosimilitud de censura por la derecha es:
Si una unidad continua operando en la ultima inspección en el tiempo T=2.0,

Li =1 - F(2) = 0.0388
Para una tabla de tiempos de vida se tiene:
Los datos son: el número de las fallas (di), censuradas por la derecha (ri), y
censuradas por la izquierda (li) en cada uno de los intervalo (no traslapadas)
(ti-1, ti ], i = 1. . . m, m+1, t0 = 0. La verosimilitud (probabilidad de los datos)
para una sola observación, en (t i-1, ti ] es:
Si se supone que la censura es en ti:
Tipo de Numero de Verosimilitud de

censura Característica casos los datos L(i)
Izquierda de T > ti li [F(ti)]li
tIntervalo
i ti-1 < T < ti di [F(ti)-F(ti-1)]di
Derecha de ti T>ti ri [1-F(ti)]ri
Página 8
Análisis no paramétrico de los tiempos de falla
Para la estimación no paramétrica de F(ti) con base en la teoría binomial para

datos con censura simple de intervalo se tiene:
Con los datos:
n = tamaño de muestra
Di = # de fallas en el iesimo intervalo
De la distribución binomial se tiene:

ˆ
(
)


F
td #
d
f
h
e
t
t
i
nj
1

j
a
ie
Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

d1 = 2 fallas, en el segundo periodo se obtienen d2 = 2 fallas y en el periodo
d3 = 2 fallas, entonces:
ˆ
(
1
F)
1 Fˆ
100
,(2
)3
 ˆ
100
,
F(3
)
5100
está definida sólo al final del intervalo
Página 9
Es el estimador de máxima verosimilitud de F(t).
El incremento en a cada valor de ti es
El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

específico contiene la cantidad de interés.
La probabilidad de cobertura es la probabilidad de que el procedimiento dará

lugar a un intervalo que contiene la cantidad de interés. Un intervalo de
confianza es aproximado si el nivel especificado de la confianza no es igual a la
probabilidad real de la cobertura.
Con datos censurados la mayoría de los intervalos de confianza son

aproximados, para mejorar las aproximaciones se requieren más cálculos.
El intervalo de confianza de F(ti) con base en la distribución binomial es:
Donde y es el cuantil 100(1-/2) de
la distribución F con (1, 2) grados de libertad.
Usando la aproximación normal del intervalo de confianza para F(ti), el intervalo

aproximado del cuantil 100(1-) en % para F(ti) esta dado por:
Es el cuantil 100(1-/2) de la distribución normal estándar.
Es una estimación de la desviación
estándar de
Del ejemplo para un nivel de confianza del 95% se tiene:
Página 10
Cuando el número de inspecciones se incrementa, el ancho del intervalo (ti-1,

ti) tiende a cero y los tiempos de falla son exactos.
F(t) está definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de

censura F(t) es el estimador de mv de F(t). La estimación es una función
escalonada con un paso del tamaño 1/n en cada tiempo de falla, algunas
veces es múltiplo de 1/n porque hay tiempos de falla similares. Cuando no hay
censura, el F(t) es el fda empírico bien conocido.
Para la estimación no paramétrica de F(ti) con base en datos por intervalo y

censura múltiple por la derecha se tiene:
n=tamaño de muestra
di = numero de fallas en el intervalo i
ni = conjunto bajo riesgo al tiempo t-1
ri = numero de observaciones censuradas al tiempo ti
En el límite, si el numero de intervalos aumenta, el ancho del intervalo tiende a

0 y obtenemos el estimador Kaplan Maier o producto limite. Las fallas se
concentran en intervalos con ancho de intervalo infinitesimal. El estimador será
constante sobre todos los intervalos que no tienen fallas. La función cambia
cuando existe alguna falla,
Página 11
Función de densidad de probabilidad

La función de densidad f(t) es continua si cumple para f(t) >= 0 el área bajo la
curva es igual a 1, en confiabilidad el intervalo es de cero a infinito o sea:
 f (t )dt  1

Para el caso de la distribución exponencial se tiene que:
f (t )e t ; t  0
Función de distribución acumulada
Esta función se define como la integral de la función de densidad desde cero

hasta el tiempo t y representa la probabilidad de fallar antes del tiempo t
(P(t)  t), es decir:
t
P(T  t )  F (t )   f ( x)dx  1
0
Para el caso de la distribución exponencial se tiene:
t
P(T  t )  F (t )   e x dx  e x t
0  1  e t , t  0
0
Función de confiabilidad
Es una función decreciente denominada también función de supervivencia es la

probabilidad de sobrevivir hasta el tiempo t, se representa como:
R(t)= 1 – F(t)
Para el caso de la función exponencial es:
R(t ) e t
f(t) 1 F(t) 1 R(t)
0 tiempo 0 tiempo 0 tiempo
Página 12
Fig.2 Función de densidad Función de distribución Función de

Acumulada confiabilidad
Función de riesgo / Tasa de riesgo / Tasa instantánea de riesgo
Se define como:
f (t )
h(t ) 
R(t )
Es el resultado del siguiente límite:
P(t  T  T   T  t )
h(t )  lim
 0 
Representa la probabilidad de falla instantánea en el tiempo t + t dado que la

unidad ya sobrevivió hasta el tiempo t.
Vida útil de un producto
La vida útil de un producto se puede representar por una curva de la bañera,

como sigue:
f(t)
tiempo
Mortalidad Vida útil o fallas Envejecimiento
Infantil o aleatorias o fallas por desgaste
Fallas tempranas
Fig. 3 La curva de la bañera con el ciclo de vida de un producto
 La mortalidad infantil representa las fallas debidas a problemas de

diseño o ensamble con tasa de falla decreciente respecto al tiempo.
Normalmente se hace un quemado a las unidades durante un tiempo
razonable para eliminar este tipo de fallas al usuario del producto.
 La zona de fallas aleatorias representa una tasa de falla constante

respecto al tiempo.
Página 13
 La zona de desgaste o envejecimiento representa la zona de tasa de

falla creciente cuando el componente está llegando a su vida útil.
Función de riesgo acumulado
Es la integral hasta el tiempo t de la función de riesgo como sigue:

t
H (t )   h( x)dx  1
0
Por medio de esta función también se puede calcular la confiabilidad como

sigue:
R(t )  e  H (t )
Vida promedio o tiempo medio entre falla (MTBF)
La vida media es el valor esperado o media de la variable T como sigue:
t
E (t )   tf (t )dt
0
La vida media para el caso de la distribución exponencial es:
Por tanto para la distribución exponencial la vida media es la inversa de la tasa

de riesgo.
Función cuantil
El cuantil p es el tiempo tp al cual falla una porción de las unidades. Se define

en términos de la distribución acumulada como:
t p  F 1 ( p)
La función F-1(p) es la función inversa de F(t). En el caso exponencial resulta

de despejar t como sigue:
1 1
t p  F 1 ( p)   ln(1  F (t ))   ln(1  p)
 
Ejemplo:
Se someten 20 componentes a una prueba de vida y las horas transcurridas

hasta la falla fueron las siguientes:
Página 14
Unidad Horas
1 3.70
2 3.75
3 12.18
4 28.55
5 29.37
6 31.61
7 36.78
8 51.14
9 108.71
10 125.21
11 125.35
12 131.76
13 158.61
14 172.96
15 177.12
16 185.37
17 212.98
18 280.40
19 351.28
20 441.79
Si las horas de falla siguen la distribución exponencial, estimar las funciones de

densidad de probabilidad, función de distribución acumulada, función de
confiabilidad y función de riesgo.
Como no hay censura la media concuerda con las media de las observaciones
o sea 133.43.
La función de densidad es:
1
1  t
f (t ) e 133.43
133.43
La función de distribución acumulada es la siguiente:
1
 t
F (t ) 1  e 133.43
La probabilidad de que los componentes fallen antes de las 20 horas es:
F(20) = 0.139
La función de confiabilidad es la siguiente:
1
 t
R(t ) e 133.43
Página 15
Y la función de riesgo es:
1
h(t ) 
133.43
3. Modelos (distribuciones de probabilidad) para el

tiempo de falla
Los modelos que se utilizan para el tiempo de falla son: Weibull, Valor extremo,
exponencial, normal y lognormal. Aquí se mostrarán sus funciones de densidad
f(t), distribución acumulada F(t), función de confiabilidad R(t) y función o tasa
de riesgo h(t). También se incluyen la vida media y la función cuantil de cada
distribución.
Distribución exponencial de un parámetro
Modelo de confiabilidad para tasa de riesgo constante, de componentes de

muy larga vida y alta calidad que “no envejecen” durante su vida útil. Se dice
que esta distribución tiene falta de memoria ya que no importa el tiempo que
haya transcurrido, su probabilidad de falla es la misma que cuando estaba
nuevo. Es muy aplicable a componentes electrónicos ya que no exhiben
desgaste o mejora en el tiempo (por ejemplo los transistores, los resistores, los
circuitos integrados y los condensadores). No es aplicable a componentes con
desgaste como las balatas o baterías cuya tasa de falla se incrementa con el
tiempo.
Sus funciones básicas son:
f (t )  e t , F (t )  1  e t , R(t )  e t , h(t )  
La función cuantil y la vida media son:
t p  (1/  ) ln(1  p), E (T )  1/ 
En función de la media se tiene (MTBF = ):
1  t 
f t   exp    

E T    T  
1
h t  

Página 16
f(t) 1 F(t) 1 R(t)
0 tiempo 0 tiempo 0 tiempo
Fig.4 Función de densidad Función de distribución Función de

Acumulada confiabilidad
.008
Función de riesgo
El efecto de la tasa de falla en la pdf es:
Página 17
Distribución exponencial de dos parámetros
Para:
• Donde  > 0 es un parámetro de escala y  es un parámetro

localización y frontera. Cuando  = 0 se tiene la distribución exponencial
de un parámetro.
Los cuantiles son:
Tp =  -  log (1-p)
Los Momentos son.
Página 18
Distribución Weibull de dos parámetros
Es una distribución flexible donde su tasa de falla puede ser decreciente,

constante o creciente dependiendo de sus parámetros. Normalmente se define
con dos parámetros: el de forma  que tiene efecto sobre la forma de la
distribución y el de escala  que afecta la escala del tiempo de vida.
La teoría de valores extremos demuestra que la distribución de Weibull se

puede utilizar para modelar el mínimo de una gran cantidad de variables
aleatorias positivas independientes de cierta distribución: tales como falla de un
sistema con una gran cantidad de componentes en serie y con los mecanismos
de falla aproximadamente independientes en cada componente.
Sus funciones básicas son:


 1 t 
t  
 
f (t )    e Distribución de densidad
  

t
 
 
F (t )  1  e Distribución acumulada

t
 
 
R(t )  e Función de confiabilidad
 1
t
h(t )    Función de riesgo
  
La vida media y la función cuantil son las siguientes:
E (T )  (1  1/  )
t p    ln(1  p)
1/ 
La función gamma se define como:

( x)   t x1e t dt Generalización del factorial de un número
0
( x)  ( x  1)( x  1) Para cualquier número
(n)  (n  1)! Para números enteros
Página 19
=0.5 =1 =2

1
Tiempo
Figura 5. Funciones de densidad Funciones de riesgo
En general cuando el para valores de beta 0<<1 la función de riesgo es

decreciente y para valores de >1 la función de riesgo es creciente.  también
se conoce como pendiente.
Página 20
Página 21
Página 22
Esta distribución se aplica a productos con varios componentes de vida similar,

donde cuando falla un componente falla el producto.
Distribución Weibull de tres parámetros
Página 23
En ocasiones las fallas no empiezan a observarse desde el tiempo cero sino

hasta después de un periodo , es decir hasta después de este tiempo la
probabilidad de falla es mayor a cero. Para esto se introduce en la distribución
un parámetro de localización que recorre el inicio de la distribución a la
derecha, quedando las funciones de densidad, de distribución, de confiabilidad
y de riesgo para la distribución de Weibull (, , ) como sigue:

 1  t  
  t   
  

f (t )    e Distribución de densidad
  

 t  
 
  
F (t )  1  e Distribución acumulada

 t  
 
 
R(t )  e 
 1
  t  
h(t )    Función de riesgo
  
Donde t>= 
E(T )    (1  1/  )
t p      ln(1  p)
1/ 
En el caso de =1 se tiene la distribución exponencial.
Página 24
Ejemplo:
Sea la función de riesgo de Weibull dada por:
h(t )  (0.5 /1000)(t /1000) 0.5 t se expresa en años
Si se implementa un periodo de quemado (burn-in) de 6 meses (tb=0.5), a que

tiempo las unidades sobrevivientes tendrán una confiabilidad de 90%.
De la función de riesgo, el parámetro de forma =0.5 y el parámetro de escala
es =1000.
Sustituyendo estos valores en la función de confiabilidad de Weibull se tiene:

0.5
 t 
 
R(t )  0.9  e  1000
t  1000 ln(0.90)  11.1

2
A seis meses la confiabilidad de las unidades sobrevivientes estará dada por la

probabilidad condicional siguiente:
Página 25
C (t t  tb )  0.90 

R(t  tb ) exp  ((t  0.5) / 1000) 0.5


R(tb ) 
exp  (0.5) / 1000) 0.5 
Igualando a 90% y despejando para t se obtiene t = 15 años, es decir el
periodo de quemado eliminaría unidades débiles que fallarían pronto y las
unidades sobrevivientes tienen mayor confiabilidad.
Distribución Valor extremo para mínimos
Se utiliza para describir la vida de productos cuya duraci´´on está determinada

por la vida mínima de sus componentes:
1 t    t   
f (t )  exp   exp   Función de densidad
     
  t   
F (t )  1  exp  exp   Función de distribución
   
  t   
R(t )  exp  exp   Función de confiabilidad
   
1 t   
h(t )  exp  Función de riesgo
   
E (T )    0.5772 0.5772 constante de Euler
t p     ln ln(1  p)
=1 =2 =3

1
Tiempo
La distribución Valor extremo se relaciona con la distribución Weibull donde si

la variable T sigue una distribución Weibull (, ), su logartimao ln(T) sigue una
Página 26
distribución valor extremo con parámetros de escala =1/ y parámetro de

localización =ln().
Para:
Donde
Son fdp y fda para una normal estándar  es el parámetro de localización y 

es el parámetro de escala.
Los cuantiles son:
Donde es el cuantil p de una normal estándar.
Los Momentos son:
Página 27
Distribución de los valores extremos máximos
Para
Donde:
Son fdp y fda para una distribución
 es el parámetro de localización y  es el parámetro de escala.
Los cuantiles son:
La media y la varianza son las siguientes:
Página 28
Distribución normal
No es muy utilizada en confiabilidad dado su comportamiento simétrico, el

comportamiento del tiempo de vida es asimétrico, sin embargo es un modelo
adecuado cuando muchos componentes tienen un efecto aditivo en la falla del
producto. Aquí  es el parámetro de localización y  es el parámetro de
escala.
Sus funciones básicas de densidad, distribución y confiabilidad son las

siguientes:
2
1  t  
1  
 

f (t )  e 2 Función de densidad
2
t  
t
F (t )   f ( x)dx  

 
 Función de distribución
t  
t
R(t )  1   f ( x)dx  1  

 
 Función de confiabilidad
La vida media y la función cuantil estan dadas por:
E (T )  
t p     1 ( p)
Donde -1 es la función inversa de la distribución normal estándar acumulada.
=1 =2 =3

1
Página 29
Tiempo
Página 30
Página 31
Distribución lognormal
Esta distribución es apropiada cuando los tiempos de falla son el resultado de

muchos efectos pequeños que actúan de manera multiplicativa. Esto hace que
al sacar el logaritmo de dichos efectos actúen como de manera aditiva sobre el
logaritmo del efecto global o logaritmo del tiempo de falla, se aplica a procesos
de degradación por ejemplo de fatiga de metales y de aislantes eléctricos.
La distribución lognormal es un modelo común para los tiempos de la falla, se

justifica para una variable aleatoria obtenida como el producto de un número
variables aleatorias positivas, independientes e idénticamente distribuidas. Se
se puede aplicar como modelo de el tiempo de falla causado por un proceso de
degradación con tazas aleatorias que se combinan multiplicativamente.
La distribución lognormal se relaciona con la normal ya que si T sigue una

distribución lognormal, su logaritmo sigue una distribución normal. O si T tiene
una distribución normal, Y=exp(T) sigue una distribución lognormal.
Sus funciones básicas son las siguientes:
1 1 
2
1  ln(t )   
  
f (t )   e 2    Función de densidad
t  2 
 
 ln(t )   
t
F (t )   f ( x)dx  




Función de distribución
 ln(t )   
t
R(t )  1   f ( x)dx  1  




La vida media y la función cuantil estan dadas por:
E (T )  exp(    2 / 2)
t p  exp(    1 ( p)
Página 32
Página 33
Página 34
Donde el cuantil para la distribución normal es
La media y el cuantil es:
Página 35
Distribución logística
Para:
 es el parámetro de localización y  > 0 es el parámetro de escala
Donde y son fdp y fda para una logistica estandarizada dada por:
Los cuantiles son:
Con
es el p esimo cuantil para una distribución logística estándar.
La media y la varianza son:
Página 36
Ejemplos:
Distribución Loglogística
Si entonces
Con:
Donde y son fdp y fda para una logistica estándar . Exp() es el

parámetro de localización y  > 0 es el parámetro de escala.
La media para sigma > 1 es:
Y para sigma < ½ es:
Página 37
Página 38
4. Estimación de parámetros del modelo

Los modelos paramétricos complementan a las técnicas no paramétricas. Los
modelos paramétricos se pueden describir con precisión con apenas algunos
parámetros, en vez de tener que reportar una curva entera.
Es posible utilizar un modelo paramétrico para extrapolar (en tiempo) a la cola

inferior a o superior de una distribución. En la práctica a menudo es útil
comparar varios análisis paramétricos y no paramétricos de un conjunto de
datos.
Funciones de los parámetros
Función de distribución acumulativa
El p cuantil es el valor mas pequeño de tp tal que
La función de Riesgo
El tiempo medio de falla, MTTF, de T (también conocida como esperanza de

T).
Si esta integral no converge, se dice que la media no existe.
La varianza (o el segundo momento central) de T y la desviación estándar son:
El coeficiente de variación es:
Página 39
Distribuciones con parámetros de localización y escala
Para las distribuciones de esta familia su fda se puede expresar como.
Dónde - < µ <   >0 es un parámetro

de escala.
 es la fda de Y cuando µ = 0 y  = 1 y  no depende de ningún parámetro

desconocido. Como en la distribución de Z = (Y- µ ) /  que no depende de
ningún parámetro desconocido.
Las distribuciones estadísticas de esta clase de distribuciones son las

siguientes: distribuciones exponenciales, normales, Weibull, lognormal,
loglogistica, logísticas, y de valor extremos. Su teoría es relativamente simple.
Resumen de modelos de confiabilidad
En la tabla siguiente se relaciona la distribución de los tiempos de falla T con:

1) Las transformaciones idóneas para Tp , y
2) Las distribuciones que siguen los residuos.
Página 40
Especificación de la distribución de vida y estimación gráfica de sus

parámetros
Un primer paso en un estudio de confiabilidad es identificar la distribución que

mejor modela los tiempos de falla (o vida) de los productos.
Linearización de la función de distribución acumulada (fda)
Esto es necesario para determinar la confiabilidad usando papel deprobailidad

de Weibull:
Para el caso de la distribución exponencial se tiene:
t

F (t )1  e 
Se deduce que:
t

e 
 1  F (t )
 ln1  F (t ) 
t

Es la ecuación de la recta y = ax con y = -ln(1-F(t)) y x = t. La pendiente de la

recta es 1/. Por tanto se pueden graficar los pares ordenados (t(i), -ln(1-
F^(t(i))) con F^(t(i)) = (i-0.5)/n, en papel ordinario o graficar en papel
exponencial los pares (t(i), (i-0.5)/n).
 t t (i )
Exponencial 1  exp     log(1  p(i ) ) 
  
Para el caso de Weibull dela función cuantil:
t p    ln(1  p)
1/ 
Tomado logaritmos naturales de ambos lados y sustituyendo p por F(ft) (es lo

mismo), se obtiene:
1
ln(t )  ln( )  ln ln(1  F (t )

Reacomodando la ecuación queda como:
ln ln(1  F (t )   ln( )   ln(t )
Ecuación de la foirma y = ax + b, con y = ln (-ln(1-F(t)), a = - ln() y x = ln(t).
Página 41
Se puede graficar en papel ordinario (ln(t(i), ln (-ln(1-F(t)), o graficar en papel

logarítmico de Weibull (t(i), (i-0.5)/n).
Ejemplo:
Se prueban seis unidades similares en un estudio de confiabilidad, las cuales

presentaron fallas como sigue:
Tiempo de Orden de Posición en gráfica

falla (Hrs.) fallas, i (i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916
Utilizando Minitab con las siguientes instrucciones:
1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis
2. Variables t; Assumed distribution Weibull
3. OK
Los resultados son los siguientes:
Distribution Analysis: t
Variable: t
Censoring Information Count

Uncensored value 6
Estimation Method: Least Squares (failure time(X) on rank(Y))
Distribution: Weibull
Parameter Estimates
Standard 95.0% Normal CI
Parameter Estimate Error Lower Upper
Shape 1.43966 0.770081 0.504604 4.10744
Scale 76.1096 23.0668 42.0206 137.853
Log-Likelihood = -29.977
Goodness-of-Fit
Anderson-Darling (adjusted) = 1.980
Correlation Coefficient = 0.996
Characteristics of Distribution
Estimate Error Lower Upper
Mean(MTTF) 69.0792 21.6192 37.4070 127.568
Standard Deviation 48.7161 31.6088 13.6579 173.765
Median 59.0032 19.5515 30.8190 112.962
First Quartile(Q1) 32.0329 17.6650 10.8690 94.4070
Third Quartile(Q3) 95.4934 31.2532 50.2794 181.366
Interquartile Range(IQR) 63.4604 32.7893 23.0514 174.707
Página 42
Table of Percentiles
Percent Percentile Error Lower Upper
1 3.11703 5.40393 0.104239 93.2077
2 5.06250 7.48720 0.278920 91.8864
3 6.73318 8.95519 0.496722 91.2696
4 8.25196 10.1030 0.748881 90.9288
5 9.67027 11.0465 1.03062 90.7361
6 11.0159 11.8452 1.33886 90.6365
7 12.3060 12.5347 1.67146 90.6017
8 13.5521 13.1381 2.02681 90.6153
9 14.7626 13.6715 2.40367 90.6672
10 15.9435 14.1466 2.80105 90.7505
20 26.8511 16.9820 7.77351 92.7483
30 37.1916 18.1019 14.3268 96.5476
40 47.7313 18.6733 22.1717 102.756
50 59.0032 19.5515 30.8190 112.962
60 71.6255 21.8154 39.4287 130.114
70 86.5837 26.9542 47.0382 159.376
80 105.925 37.2835 53.1361 211.156
90 135.843 59.0936 57.9098 318.656
91 140.131 62.6511 58.3405 336.587
92 144.857 66.6766 58.7677 357.060
93 150.135 71.2939 59.1935 380.792
94 156.128 76.6846 59.6209 408.847
95 163.088 83.1306 60.0537 442.898
96 171.433 91.1043 60.4981 485.788
97 181.936 101.493 60.9642 542.951
98 196.302 116.288 61.4723 626.862
99 219.854 141.853 62.0763 778.651
Probability Plot for t

Weibull - 95% CI
Complete Data - LSXY Estimates
99
Table of S tatistics
S hape 1.43966
90 S cale 76.1096
80 M ean 69.0792
70 S tDev 48.7161
60 M edian 59.0032
50 IQ R 63.4604
40 F ailure 6
30
Percent
C ensor 0
20 A D* 1.980
C orrelation 0.996
10
3
2
1
0.1 1.0 10.0 100.0 1000.0
t
La confiabilidad a las 15 horas por medio de la distribución de Weibull es:
> Estimate Estimate survival probabilities for these times (values) 15
Table of Survival Probabilities
95.0% Normal CI
Time Probability Lower Upper
15 0.908008 0.276139 0.992789
Página 43
Por cálculo manual se tiene con Shape 1.43966 y Scale 76.1096:
1.43966
 15 
  
R(15)  e  76.1096
0.9080
Por tanto el 90.8% de los componentes duran más de 15 horas.
Estimador de Kaplan Meyer
Si se consideran los datos censurados por la derecha, para graficar en papel

de probabilidad, se utilizan las posiciones estimadas por Kaplan Meyer (KM) de
la función de confiabilidad definido como:
   
R(t(i ) )  1  nf((11)) x 1  nf((22)) ..... 1  nf ((ii)) 
Donde f(j) son las unidades que fallan en el j-ésimo intervalo de tiempo (ti-1, ti)
y n(j) son las unidades en riesgo justo antes del tiempo j. Las unidades en
reisgo son iguales al total de unidades menos las que han fallado hasta antes
de ese tiempo, menos las que fueron censuradas hasta ese tiempo, es decir.
i 1 i 1
n ( j )  n   f ( j )   rj
j 0 j 0
Donde rj denota el número de unidades que fueron censuradas en el tiempo tj,

y además f(0) = 0 y r(0) = 0.
El estimador de Kaplan Meyer toma en cuenta la censura contando las

unidades en riesgo un instante antes del tiempo j.
Ejemplo:
t(i) Fallas f(j)

Posición en gráfica
(i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916
De aquí siguen las lienalizaciones
Estimación por mínimos cuadrados
Página 44
Es un método para estimar los parámetros de las distribuciones de probabilidad

que se basa en ajustar un modelo de regresión lineal simple a los datos,
graficados en el papel de probabilidad correspondiente.
Las ecuaciones linealizadas para las distribuciones de probabilidad

acumuladas son las siguientes:
Distribución fda, F(t) fda en forma de y = a + bx
 t t (i )
Exponencial 1  exp     log(1  p(i ) ) 
  
  t  
Weibull 1  exp     
   
 
log  log(1  p(i )   log( )   log( t(i ) )
 
 t      t(i )
Valor extremo 1  exp   exp   
log  log(1  p(i ) )   
      
t    t (i )
Normal    1 ( p(i ) )   
    
 log(t )     log( t (i ) )
Lognormal    1 ( p(i ) )   
    
En las ecuaciones de la última columna se aprecian la pendiente de la recta y

la ordenada al origen.
Por ejemplo para la distribución exponencial, se hace una regresión simple

entre las parejas de coordenadas (t(i), ln(1-P(i)) para i = 1, 2, ……, n.
La pendiente de la recta es un estimador del parámetro 1/.
Por ejemplo para los datos anteriores se tiene:
Tiempo de Orden de Posición en gráfica Ln(1-P(i))

falla (Hrs.) fallas, i P(i) = (i-0.5)/6
16 1 0.083 -0.08664781
34 2 0.250 -0.28768207
53 3 0.416 -0.5378543
75 4 0.583 -0.87466906
93 5 0.750 -1.38629436
120 6 0.916 -2.47693848
Página 45
Fitted Line Plot

Y = 0.4929 - 0.02201 t
S 0.268099
0.0 R-Sq 92.6%
R-Sq(adj) 90.7%
-0.5
-1.0
Y
-1.5
-2.0
-2.5
20 40 60 80 100 120
t
Así 1/ = -0.022 por tanto el MTBF = 45.45
Para la distribución Weibull las parejas a ajustar son:
(log(t(i)), log(-log(1-p(i)).
Tiempo Orden Posición en Log(t(i) log(-log(1-P(i))

de de gráfica
falla fallas, i P(i) = (i-0.5)/6
(Hrs.)
16 1 0.083 2.77258872 -2.44590358
34 2 0.250 3.52636052 -1.24589932
53 3 0.416 3.97029191 -0.62016758
75 4 0.583 4.31748811 -0.13390968
93 5 0.750 4.53259949 0.32663426
120 6 0.916 4.78749174 0.90702331
Página 46
Fitted Line Plot

log(-log(1-P(i)) = - 6.955 + 1.611 Log(t(i)
1.0 S 0.108555
R-Sq 99.3%
R-Sq(adj) 99.2%
0.5
0.0
log(-log(1-P(i))
-0.5
-1.0
-1.5
-2.0
-2.5
3.0 3.5 4.0 4.5 5.0

Log(t(i)
Y la pendiente b estima a  y  se obtiene con exp(-a/b).
Por tanto  = 1.611 y  = 74.978 similar al obtenido arriba.
Máxima verosimilitud
Es un método para estimar los parámetros del modelo que provee los
estimadores que maximizan la probabilidad de haber observado los datos bajo
tal modelo.
Es más recomendado para estimar los parámetros del modelo, consiste en

maximizar la función de verosimilitud.
Con los datos se desea estimar el valor del parámetro . Los datos son un
evento E en el espacio muestral del modelo y la probabilidad de E será función
de los valores desconocidos de los parámetros del modelo, P(E;). El
estimador de máxima verosimilitud (emv) de  es el valor de  que maximiza
P(E;), y se denota por ^. La función de verisimilitud L() se define como la
probabilidad conjunta de los datos:
L( )  cP( E; ) c es una constante que no depende de .
Para el caso de una variable aleatoria discreta como P(T=ti) la da la función de

probabilidad P(T=ti), la función de verosimilitud estará dada por:
L( , ti )  P(T  t; )  f (ti , )

Por ejemplo para el caso de la distribución binomial se tiene:
Página 47
n
L( p; x)  f ( x; p)    p x (1  p) n x
 x
Donde x es el número de éxitos observados, p es la probailidad. Por lo que

dado x, L(p) toma distintos valores en función de p. El valor de p que maximice
L(p) es el (evm).
Para el caso de una variable continua, si se tienen n observaciones no

censuradas e independientes: t1, t2, t3,…., tn, la información que paortan esos
datos sobre  lo proporciona la función de verosimilitud dada por:
n
L( ; datos )  c f (t i ; )
i 1
Los estimadores de máxima verosimilitud son los valores de los parámetros

que maximizan la función L(), que maximizan la probabilidad de ahaber
observado esos datos bajo el modelo propuesto.
Para el caso de una observación censurada por la derecha, el artículo no había

fallado al tiempo t, o sea T > t, por lo tanto la verosimilitud de este evento es
proporcional a la probabilidad del mismo, es decir:
L( ;T  t )  P(T  t; )  R(t; ) Función de confiabilidad
Para el caso de una observación censurada por la izquierda, lo que se sabe es

que T < t, por tanto la verosimilitud de este evento es proporcional a la
probabilidad del mismo;
L( ;T  t )  P(T  t; )  F (t; ) Función de distribución acumulada
Para el caso de censura por intervalo, o por resolución baja del instrumento, se
sabe que el evento ocurrió entre: ti 1  T  ti y su verosimilitud está dada por:
ti
L( )  P(ti 1  t  ti )   f (t; )dt  F (t )  F (t
t 1
i i 1 )
Si se tienen cuatro datos: uno completo ti, uno censurado por la derecha tder,
otro por la izquierda tizq y el último por intervalo (tbajo, talto), la función de
verosimilitud para el modelo es:

L( ; datos )  f (ti ; ) xC (t der ; ) xF (tizq ; ) x F (t alto ; )  F (tbajo; ) 
En general la maximización de esta función para obtener los estimadores de
máxima verosimilitud para algunos de los modelos se hace por cálculo
diferencial (derivando e igualando a cero). Para el caso exponencial con
parámetro , considerando n tiempos de falla exactos,
Página 48
n 1 ti  1 1  ti
L( ; datos )    e   n e
i 1    
Maximizar esta función equivale a maximizar su logaritmo dado por:
1 n
lnL( ; datos )  n ln( )  t

i
i 1
Derivando respecto a  e igualando a cero se tiene:
d ln( L( ))  n 1 n
  t i  0
d   2 i 1
Despejando  para obtener el estimados de máxima verosimilitud se tiene:
 n
   ti
i 1
Varios tipos de falla
Las unidades de prueba de un estudio de confiabilidad pueden fallar de

diversas maneras, no solo del tipo de falla que más interesa en un momento
dado. Si los modos de falla son independientes, cada uno debe analizarse por
separado, para lo cual las otras unidades que fallaron debido a otros modos de
falla se toman como censuradas. Si Ri(t) es la función de confiabilidad para el
modo de falla i, entonces la confiabilidad global del producto al tiempo t
consiuderando los k modos de falla del producto es:
R g (t )  R1 (t ) xR2 (t ) x.......xRk (t )
O sea que para sobrevivir al tiempo t se debe sobrevivir a todos los modos de
falla.
Ejemplo: Vida de conexiones con dos modos de falla
Los datos de la tabal siguiente son esfuerzos de ruptura de 20 conexiones de

alambre, con un extremo soldado sobre un semiconductor y el otro al poste
Terminal. Cada falla consiste en la ruptura del alambre (modo de falla 1 = A) o
de una soldadura (modo de falla 2 = S). En este caso el esfuerzo hace las
veces de tiempo de falla:
Esfuerzo Modo de
falla
550 S
750 A
950 S
950 A
Página 49
1150 A
1150 S
1150 S
1150 A
1150 A
1250 S
1250 S
1350 A
1450 S
1450 S
1450 A
1550 S
1550 A
1550 A
1850 A
2050 S
Interesa estudiar la distribución del esfuerzo de las conexiones, considerando

que se requiere que menos del 1% debe tener un esfuerzo menor a 500 mg. O
sea que al menos el 99% de las conexiones resista un esfuerzo de mayor a
500 mg. Se desea estimar el esfuerzo que resultaría de eliminar uno de los
modos de falla.
Primero se hace un análisis sin distinguir los modos de falla, identificando la

distribución que ajuste a los datos:
Con Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right censoring) >
Distribution ID Plot
2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal, Exponential,

Normal)
3. Options > Estimation Maximum likelihood
4. OK
Página 50
Probability Plot for Esfuerzo

ML Estimates-Complete Data
A nderson-Darling (adj)
Weibull Lognormal
Weibull
99
1.011
90
Lognormal
90
1.123
50
E xponential
P er cent
P er cent
50 5.561
10 N ormal
0.970
10
1 1
500 1000 2000 1000 2000
Esfuer zo Esfuer zo
E xponential N ormal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
10 100 1000 10000 500 1000 1500 2000
Esfuer zo Esfuer zo
3. Options > Estimation Least squares

LSXY Estimates-Complete Data
C orrelation C oefficient
Weibull Lognormal
Weibull
99
0.981
90
Lognormal
90
0.958
50
E xponential
P er cent
P er cent
50 *
10 N ormal
0.981
10
1 1
500 1000 2000 1000 2000
Esfuer zo Esfuer zo
E xponential N ormal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
10 100 1000 10000 500 1000 1500 2000
Esfuer zo Esfuer zo
Se puede observar que la distribución normal y la de Weibull dan un ajuste

parecido y los datos parecen provenir de una misma población donde las fallas
se presentan por la “liga más débil” que favorece al modelo Weibull donde .
Determinado los parámetros de la distribución Weibull por medio de Minitab:
Página 51
Distribution Overview Plot
2. En Variables Esfuerzo Parametric analysis - distribution Weibull
4. OK
Distribution Overview Plot for Esfuerzo

LSXY Estimates-Complete Data
P robability Density F unction Weibull
S hape 3.96368
0.0012
S cale 1416.71
90
M ean 1283.45
50 S tDev 363.046
0.0008
M edian 1291.59
P er cent
P DF
IQ R 503.809
10 F ailure 20
0.0004
C ensor 0
A D* 0.998
C orrelation 0.981
0.0000 1
500 1000 1500 2000 500 1000 2000
Esfuer zo Esfuer zo
S urv iv al F unction Hazard F unction

100
0.0075
P er cent
0.0050
Rate
50
0.0025
0 0.0000
500 1000 1500 2000 500 1000 1500 2000
Esfuer zo Esfuer zo
Se obtiene una distribución Weibull con parámetro de forma o aspecto Beta =

3.96368 y parámetro de escala Etha = 1416.71.
5. Determinación de la confiabilidad
Haciendo un análisis de confiabilidad considerando los dos tipos de falla se
tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
2. En Variables Esfuerzo Assumed distribution - Weibull
Página 52
4. OK
Los resultados se muestran a continuación:

Weibull - 95% CI
99
S hape 3.96368
90 S cale 1416.71
80 M ean 1283.45
70
S tDev 363.046
60
50 M edian 1291.59
40 IQ R 503.809
F ailure 20
30
Percent
C ensor 0
20 A D* 0.998
C orrelation 0.981
10
5
3
2
1
0 0 0 0 0 0 0 0 00 00
30 40 50 60 70 80 90 100 15 20
Esfuerzo
Estimado la confiabilidad para 500 mg. Se tiene:
3ª. Estimate > Estimate survival probailities for these times 500 OK
Distribution Analysis: Esfuerzo
Variable: Esfuerzo

Uncensored value 20
Parameter Estimates

Shape 3.96368 0.708783 2.79182 5.62743
Scale 1416.71 84.2759 1260.80 1591.91
Goodness-of-Fit
Página 53

Mean(MTTF) 1283.45 80.9684 1134.17 1452.37
Median 1291.59 85.3243 1134.73 1470.13
First Quartile(Q1) 1034.60 95.8025 862.880 1240.48
Third Quartile(Q3) 1538.40 87.8896 1375.44 1720.68

1 443.865 102.702 282.032 698.558
2 529.362 106.405 356.990 784.963
3 587.135 107.635 409.915 840.973
4 632.155 107.983 452.296 883.535
5 669.641 107.910 488.287 918.353
6 702.091 107.604 519.920 948.091
7 730.908 107.159 548.361 974.223
8 756.969 106.628 574.349 997.655
9 780.860 106.042 598.382 1018.98
10 802.995 105.420 620.818 1038.63
20 970.366 98.8486 794.742 1184.80
30 1092.26 93.0318 924.324 1290.70
40 1195.86 88.4357 1034.51 1382.39
50 1291.59 85.3243 1134.73 1470.13
60 1385.81 84.1349 1230.34 1560.92
70 1484.64 85.6630 1325.89 1662.40
80 1597.44 91.5272 1427.75 1787.29
90 1748.50 106.332 1552.03 1969.84
91 1768.35 108.820 1567.43 1995.03
92 1789.78 111.634 1583.83 2022.52
93 1813.20 114.856 1601.50 2052.88
94 1839.16 118.600 1620.80 2086.94
95 1868.53 123.044 1642.28 2125.94
96 1902.70 128.478 1666.84 2171.94
97 1944.24 135.440 1696.11 2228.68
98 1998.66 145.109 1733.56 2304.30
99 2082.63 161.124 1789.61 2423.63
95.0% Normal CI
500 0.984016 0.920465 0.996872
Y el porcentaje de falla será 100 – 98.40 = 1.6% que es mayor al objetivo del
1%, por lo que se tratará de eliminar uno de los modos de falla.
Obteniendo el análisis separado por modo de falla se tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
Página 54
2. En Variables Esfuerzo By Variable Modo de falla Assumed distribution -

Weibull
4. OK
Los resultados son:
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = A

Uncensored value 10
Parameter Estimates

Shape 4.27142 1.20349 2.45892 7.41995
Scale 1414.58 110.427 1213.90 1648.45
Goodness-of-Fit

Mean(MTTF) 1287.02 107.337 1092.94 1515.57
Median 1298.27 112.923 1094.78 1539.58
First Quartile(Q1) 1056.70 133.092 825.550 1352.58
Third Quartile(Q3) 1527.00 115.966 1315.82 1772.08

1 481.849 159.303 252.056 921.140
2 567.416 162.268 323.949 993.862
3 624.664 162.391 375.287 1039.75
4 668.990 161.599 416.684 1074.07
5 705.726 160.416 452.015 1101.84
6 737.405 159.046 483.188 1125.37
7 765.450 157.585 511.303 1145.92
8 790.745 156.082 537.058 1164.26
9 813.878 154.565 560.927 1180.90
10 835.265 153.050 583.249 1196.17
20 995.688 139.088 757.214 1309.27
30 1111.24 127.738 887.082 1392.05
40 1208.74 118.942 996.715 1465.86
Página 55
50 1298.27 112.923 1094.78 1539.58

60 1385.93 110.342 1185.69 1619.98
70 1477.41 112.463 1272.65 1715.13
80 1581.30 121.743 1359.82 1838.86
90 1719.60 144.914 1457.79 2028.43
91 1737.71 148.743 1469.32 2055.12
92 1757.25 153.056 1481.47 2084.36
93 1778.57 157.969 1494.41 2116.77
94 1802.19 163.649 1508.37 2153.25
95 1828.88 170.351 1523.70 2195.18
96 1859.90 178.497 1540.98 2244.81
97 1897.55 188.861 1561.25 2306.28
98 1946.79 203.138 1586.72 2388.56
99 2022.57 226.538 1623.92 2519.08

Modo A
95.0% Normal CI
500 0.988299 0.841829 0.999196
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = S

Uncensored value 10
Parameter Estimates

Shape 3.32722 0.953840 1.89697 5.83582
Scale 1425.91 142.915 1171.60 1735.43
Goodness-of-Fit

Mean(MTTF) 1279.60 133.140 1043.53 1569.06
Median 1277.18 141.540 1027.83 1587.03
First Quartile(Q1) 980.548 157.439 715.811 1343.20
Third Quartile(Q3) 1573.00 155.189 1296.43 1908.56
Página 56

1 357.805 152.934 154.819 826.932
2 441.349 162.918 214.078 909.895
3 499.313 167.355 258.866 963.098
4 545.250 169.647 296.317 1003.31
5 583.983 170.836 329.150 1036.11
6 617.849 171.372 358.745 1064.09
7 648.177 171.486 385.917 1088.66
8 675.802 171.314 411.190 1110.70
9 701.288 170.939 434.927 1130.78
10 725.033 170.416 457.390 1149.29
20 908.468 162.047 640.438 1288.67
30 1045.99 153.087 785.145 1393.50
40 1165.24 145.843 911.751 1489.20
50 1277.18 141.540 1027.83 1587.03
60 1388.94 141.628 1137.33 1696.20
70 1507.73 148.293 1243.38 1828.28
80 1645.16 165.486 1350.79 2003.69
90 1832.13 203.940 1473.02 2278.80
91 1856.94 210.156 1487.52 2318.09
92 1883.78 217.141 1502.85 2361.28
93 1913.18 225.082 1519.19 2409.34
94 1945.86 234.251 1536.88 2463.67
95 1982.93 245.065 1556.35 2526.41
96 2026.21 258.210 1578.38 2601.10
97 2079.02 274.954 1604.30 2694.21
98 2148.52 298.080 1636.99 2819.90
99 2256.48 336.193 1685.05 3021.71

Modo S
95.0% Normal CI
500 0.969865 0.762180 0.996558
Página 57

Weibull - 95% CI
99
Modo
90 de
falla
80
70 A
60 S
50
40 Table of S tatistics
S hape S cale C orr F C
30
Percent
4.27142 1414.58 0.986 10 0

20 3.32722 1425.91 0.962 10 0
10
3
2
1
100 1000
Esfuerzo
Combinado los dos se tiene:
Rg = RA x RS =0.988299 x 0.969865 = 0.95851661
En este caso se observa que para tener menos de 1% de falla en 500 mg. Es
necesario eliminar los dos modos de falla, uno no es suficiente.
Página 58
6. Pruebas de vida acelerada

Los fabricantes desean tener resultados de confiabilidad para sus productos,
más rápidamente, que bajo condiciones de funcionamiento normal. Para lo
cual, se trata de acelerar las fallas sometiendo los productos a niveles altos de
esfuerzo, para después, extrapolar la confiabilidad a condiciones normales de
operación.
Se tienen los tipos de Pruebas de vida aceleradas cualitativas y cuantitativas:
Pruebas Cualitativas
Las pruebas de vida aceleradas cualitativas (tales como las pruebas de tortura)
se utilizan sobre todo para revelar los modos de falla probables para el
producto con objeto de mejorar su diseño. Una prueba acelerada que sólo da
Información de Falla (ó Modos de Falla), comúnmente se llama “Prueba de
Tortura”, “Prueba de Elefante”, “Prueba Cualitativa”, etc.
Sobre-esforzar a los productos para obtener fallas más “rápido” es la forma

más antigua de Pruebas de Confiabilidad. Normalmente no se obtiene
información sobre la distribución de la vida (Confiabilidad). Los tipos de
esfuerzo son en: Temperatura, Voltaje, Humedad, Vibración o, cualquier otro
esfuerzo que afecte directamente la vida del producto.
Las pruebas de Tortura se realizan sobre muestras de tamaño pequeño y los

productos se someten a un ambiente agresivo (niveles severos de esfuerzo)
Si el producto sobrevive, pasó la prueba. Muchas veces los datos de las
pruebas de tortura no pueden ser extrapolados a las condiciones de uso
Como beneficios de las pruebas de tortura se aumenta la Confiabilidad por la

revelación de modos probables de falla, aunque quedan en el aire diversos
cuestionamientos como son: ¿Cuál es la Confiabilidad del Producto?, ¿se
mantendrán los mismos Modos de Falla durante la vida del producto bajo uso
normal?
Pruebas Cuantitativas
Las pruebas de vida aceleradas cuantitativas (QALT) se diseñan para

cuantificar la vida útil del producto.
La Prueba de Vida acelerada, a diferencia de la Prueba de Tortura, está

diseñada para proveer Información de la Confiabilidad del producto,
componente o sistema, como dato básico se tiene el Tiempo de Falla, puede
estar en cualquier medida cuantitativa, tal como: horas, días, ciclos,
actuaciones, etc.
Los modelos de tiempos de vida de escala acelerada (TAEF) se definen como:
T ( x)  T ( x0 ) FA( x); FA( x)  0, FA( x0 )  1
Página 59
Cuando FA(x)>1, el modelo acelera el tiempo, esto es T(x) >T(x0); en caso

contrario, el modelo desacelera el tiempo.
En la grafica de T(x0) vs T(x):

 El modelo TAEF se representa por líneas rectas a través del origen.
 El modelo TAEF acelerado se representa por lineas rectas por abajo de
la diagonal.
 El modelo TAEF desacelerado se representa por líneas rectas por arriba
de la diagonal.
Para un modelo TFAE T(x) = T(x0)/FA(x), (Ψ(x) > 0), donde:
 Si la cdf base está en x0 F(t; x0) entonces AF(x0) = 1
 Tiempo escalado: F(t; x) = F [AF(x) t; x0]. Entonces las cdfs F(t; x) y F(t;
x0) no se cruzan.
 Cuantiles proporcionales: tp(x) = tp(x0)/AF(x). Entonces tomando

Logaritmos se tiene log[tp(x0)] − log[tp(x)] = log[AF(x)]. Esto muestra que
cualquier grafica en escala log-tiempo tp(x0) y tp(x) son equidistantes.
 En particular, en una grafica de probabilidad en escala log-tiempo F(t, x)
es una translación de F(t, x0) a lo largo del eje log(t).
Página 60
Grafica de Probabilidad Weibull de dos miembros de una familia TFAE de

modelos con distribución Lognormal
Note que para modelos con una sola variable de la familia log-localización –
escala:
t p ( x)
 exp( 1 x)
t p (0)
Por tanto pertenecen a la familia de modelos de tiempos de vida de escala

acelerada y,
FA( x)  exp(  1 x)
Página 61
Modelos de vida acelerada
Se han desarrollado modelos que relacionan el nivel de esfuerzo y la función

de densidad de los tiempos de falla como sigue:
Modelos de aceleración
Los modelos de aceleración se derivan a menudo de modelos físicos o

cinéticos relacionados al modelo de falla, por ejemplo:
 Arrhenius
 Eyring
 Regla de Potencia Inversa para Voltaje
 Modelo exponencial de Voltaje
 Modelos de Dos: Temperatura / Voltaje
 Modelo de Electromigración
 Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
 Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas
Ley de la potencia inversa
L = medida cuantificable de vida, tal como la media, la mediana cuantiles, etc.,

S = nivel de estrés o esfuerzo
K = parámetros del modelo por determinar (K debe ser > 0), y,
n = es otro parámetro del modelo.
Para el caso de la distribución de Weibull, se tiene:
Página 62

 1 t
  t   
f (t )    e   
  
1
  L( S ) 
K Sn

 
 1  
  
t 
  t   1



f (t , S )    e  K S n 
1  1 
 
K Sn  K Sn 

 
 1  
  
t 
  t   1 
 
f (t , S )    e  K S n 
1  1 
 
K Sn  K Sn 
Una vez que se estiman los parámetros b, K y n, se pueden hacer

predicciones de vida útil para diferentes valores de t y S.
El modelo de Arrhenius se muestra a continuación:
R = velocidad de reacción,
A = constante desconocida,
EA = energía de activación (eV),
K = constante de Boltzman, y
T = temperatura absoluta (Kelvin).
El modelo de Eyring es como sigue:
L = medida cuantificable de vida, tal como la media, la mediana, cuantiles, etc.,

V = nivel de estrés (temperatura medida en grados kelvin)
A = uno de los parámetros del modelo, y,
B = otro parámetro del modelo
Página 63
Los modelos de regresión lineales y log lineales vistos anteriormente pueden

ser útiles para modelar diversos efectos de estrés. Para distribuciones de la
familia log-localización escala (weibull, exponencial, lognormal):
 ln(t )   
P(T  t )  F (t;  ,  )  F (t;  0 , 1 ,  )    
 
Con media:
   ( x)   0  1 x
Y modelo de regresión:
 
ln t p ( x)   ( x)   1 ( p)
Sus residuos se definen como:
Para distribuciones de la familia localización-escala (Normal, Logística, valores

extremos):
t   
P(T  t )  F (t;  ,  )  F (t;  0 , 1 ,  )   
  
Con media:
   ( x)   0  1 x
Y Tp:
t p   ( x)   1 ( p)
Sus residuos se definen como:
Página 64
Como resumen de los modelos se tiene:
Los modelos más utilizados son los siguientes:
 El modelo de Arrhenius,
 El modelo de Eyring y
 El modelo de la ley de la potencia inversa
Página 65
7. Confiabilidad de sistemas
Cuando se estudia la confiabilidad de un sistema compuesto por componentes,
la falla de alguno de ellos hace que todo el sistema deje de funcionar, en este
caso el se dice que los componentes están en serie. En caso de que la falla de
un componente particular no afecte al funcionamiento total del sistema dado
que otros componentes continúan funcionando, se dice que están conectados
en paralelo.
Sistemas Complejos
El estudio de sistemas complejos implica la subdivisión de un producto en sus

componentes individuales. Al modelar un sistema complejo es crucial
especificar el nivel del detalle del modelo. La operación del sistema se expresa
en función de la operación de los componentes. La función de estructura
describe el lazo entre el estado del sistema y el estado de los n componentes
que forman el sistema.
El Estado del Sistema
El sistema se asume como una colección de “n” componentes. También se

asume que hay dos estados posibles para los componentes del sistema:
“funcionando” o “falla”. El estado del componente i, denotado por Xi, es:
X i  0, si el comp onente ha fallado

 1, si el comp onente funciona
para i = 1...,n.
Los estados de los n componentes se pueden escribir como el vector X=(X1...,

Xn). Hay n componentes, cada uno de los cuales puede tomar 2 valores,
entonces, hay 2n posibles estados del sistema.
Función de Estructura de un sistema
La función de estructura asocia los estados del sistema { X } al conjunto { 0.1 },

rindiendo el estado del sistema.
El estado del sistema es:
 ( X )  0, si el sistema falla cuando esta en estado X,

 1, si el sistema funciona cuando esta en estado X.
La forma de la función de estructura depende del diseño del sistema. Las

estructuras más comunes que vemos son sistemas en series y sistemas en
paralelo.
Considere un sistema con k componentes y sea la variable xi (i=1, 2, 3,…., k)

que toma el valor 1 si el i-ésimo componente funciona y el valor 0 si no
Página 66
funciona. En cierto momento el estado del sistema está determinado por el

vector X = (x1, x2, x3,…., xk) de ceros y unos. La función de estructura del
sistema está definida en este espacio de vectores y toma valores:
1,
 (x)   1 si el sistema funciona; 0 si no funciona
0
La función de estructura de un sistema serie es:

k
 ( x)   xi
i 1
La función de estructura de un sistema paralelo es:
k
 ( x)  1   (1  xi )
i 1
Cada vector X donde el sistema funciona se denomina trayectoria y cada vector

X donde el sistema no funciona se denomina corte. En total se tienen 2K
posibles estados sumando los cortes y las trayectorias. En el sistema serie solo
hay una trayectoria con un vector de unos X=(1,1,1…,1) y 2 K-1 cortes y en el
sistema paralelo solo hay un corte cuando X=(0,0,0,…,0) y 2K-1 trayectorias.
El número de componentes que funcionan en un estado se denominan tamaño

de X, con valores desde 1 hasta k. La trayectoria mínima es un vector X con
todos los componentes funcionando.
Revisar la importancia estructural:
¿Qué importancia tienen los componentes en la estructura?

¿Si el componente i falla, dejará de operar el sistema?
¿Cuántos estados posibles hay del sistema?
¿En cuantos estados el componente i es funcional?
¿En que estados al fallar el componente i el sistema fallará?
Por ejemplo para el componente 1:
1 2 1 2
3 3
(1, 1, 1) (1, 0, 1)
2 2
1 1
3 3
(1, 1, 0) (1, 0, 0)
Ahora considere que el componente 1 falla.

El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Página 67
Entonces el componente 1 tiene una importancia estructural de 4/4.
1 2 1 2
3 3
(1, 1, 1) (0, 1, 1)
2 2
1 1
3 3
(1, 1, 0) (0, 1, 0)
Si falla el componente 2:
El sistema operara en el estado (1,1,1) y fallará en los estados (0,1,1) y (0,1,0)
y (1,0,1).
Entonces la importancia estructural del componente 2 es 1/4.
Por simetría, la importancia estructural del componente 3 es 1/4.
Página 68
Sistemas en Serie
Un sistema en serie tiene k componentes. Suponiendo que trabajan en modo

independiente, la confiabilidad del sistema es la probabilidad de que todos los
componentes funcionen.
Entonces (X) = 1 si todas los valores Xi toman el valor 1 y (X) = 0 de otra

manera. Por tanto:
 ( X )  0, si i s.t. Xi  0,
 1, si X i  1 para toda i  1,..., n.
 ( X )  min{ X 1 ,..., X n },
n
  Xi. Regla de producto de probabilidades
i 1
Los diagramas de bloque son usados para visualizar sistemas de

componentes. El diagrama de bloque que corresponde a un sistema de la
serie es:
1 2 3 n
El diagrama de bloque representa el lazo lógico de la operación de los
componentes y el sistema. No representa su disposición física. La idea es que
si se puede trazar un camino de izquierda a derecha a través del sistema, el
sistema funciona.
Ejemplo:
Un producto electrónico tiene 40 componentes en serie. La confiabilidad de

cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:
Rs  (0.999) 40  0.961
Si el producto se rediseñara para tener solo 20 componentes, la confiabilidad

sería de Rs = 0.98.
A B C Z
Figura 7. Sistema con componentes en serie
Sistemas en paralelo
En este sistema, si tiene k componentes, basta con que uno funcione para que
siga en operación. Se requiere que todos los componentes fallen para que falle
el sistema, o sea:
Página 69
 ( X )  0, si X i  0 para todo i  1,..., n,

 1, si i s.t. X i  1 .
 ( X )  max{ X 1 ,..., X n },
n
 1   (1  X i ).
i 1
Rs  1  P(todos fallen )  1  (1  R1 ) x(1  R2 ) x......x(1  Rk )
El diagrama de bloque para una estructura en paralela es
1
2
3
n
Entre más componentes redundantes haya, la confiabilidad del sistema es
mayor, esto también está presente en los seres vivos, como por ejemplo en los
riñones.
Ejemplo:
Considere 4 componentes A, B, C y D de un producto conectados en paralelo,

con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la confiabilidad
total es:
Rs  1  (1  0.93)(1  0.88)(1  0.95)(1  0.92)  1  0.0000336  0.9999664
B
A
C
D
Fig. 8 Sistema con 4 componentes en paralelo
Sistemas con componentes en serie o en paralelo (K de n)
Página 70
Los sistemas pueden tener componentes en serie y en paralelo, en algunos

casos es importante identificar cuales componentes son clave para incrementar
la confiabilidad del sistema.
Un sistema k de n funciona si cualesquier k de los n componentes del sistema

funcionan. Los sistemas en serie y en paralelo son casos especiales del
sistema k en n. Un sistema en serie es un sistema k de k. Un sistema en
paralelo es un sistema 1 de n.
Por ejemplo:
En los puentes algunos de los cables de la suspensión pueden fallar, y el
puente no cae. En las bicicletas algunos de los rayos pueden fallar.
La función de estructura es:
n
 ( X )  0, if X
i 1
i  k,
n
 1, if X
i 1
i  k.
Un ejemplo de diagrama de bloques para un sistema 2 de 3 donde con dos de

3 componentes que operen, el sistema continuará operando, es el siguiente:
1 2
2 3
1 3
 ( X )  1  (1  X 1 X 2 )(1  X 2 X 3 )(1  X 1 X 3 ).
Ejemplo:
Para el caso de un avión continua volando si funcionan 2 de 4 motores.
Su diagrma de bloques es el siguiente:
1 3
2 4
Su función de estructura es la siguiente:
 ( X )  (1  (1  X 1 X 2 ))(1  (1  X 3 X 4 )).
Página 71
Ejemplo:
Se tienen los siguientes 7 componentes conectados en serie y en papralelo,

sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89; RE=0.95;
RF=0.88; RG=0.90.
A G
C D
E F
B
Figura 9. Sistema con 7 componentes en serie y en paralelo
Rs = Rab x Rc x Rd x Refg
Rab = 1-(1-0.96)(1-0.92) = 0.9968
Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836
Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
Método de trayectoria para calcular la confiabilidad de un sistema
Para calcular las confiabilidades de sistemas simples se aplican las fórmulas de

estructuras serie o paralelo. Para sistemas más complejos, es necesario
conocer las reglas siguientes:
Regla 1. Sean dos sistemas, uno con función de estructura 1(x)= 0(x) A(x) y
otro con función de estructura 2(x)= 0(x) B(x). Si se conectan en serie, la
función de estructura resultante es: (x)= 0(x) A(x) B(x) puesto que 02(x)=
0(x).
Regla 2. Si los mismos sistemas anteriores se conectan en paralelo, la función

de estructura resultante es: (x)= 0(x)[(1- A(x)) (1- B(x)) ].
Se siguen los pasos siguientes:
1. Encontrar todas las trayectorias mínimas posibles.
Página 72
2. Dado que para que el sistema funcione es necesario que funcione al menos
una de las trayectorias mínimas, se aplica la definición de sistema paralelo a
dichas trayectorias.
3. Se simplifica la expresión resultante aplicando las reglas 1 y 2.
4. Se sustituyen las xi (i=1, 2, 3,…., k) por las confiabilidades de las k

componentes y se resuelve.
Ejemplo:
Para el sistema de la figura 9, las trayectorias mínimas son: ACDEF, ACDG,

BCDEF y BCDG.
Aplicando la función de estructura en paralelo se tiene:
s(x) = 1 – (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =
= BCD(EF + G + EFG) + ACD(EF – BEF + G –BG – EFG + BEFG) = 0.82
Página 73
Estructuras de puente
Su diagrama de bloques es el siguiente:
1 4
3
2 5
El sistema funcionara si alguno de los siguientes conjuntos funciona: {1,3,5}

{1,4} {2,3,4} {2,5}. Estos conjuntos son denominados conjuntos de ruta
mínima, dando un diagrama equivalente a:
1 3 5
1 4
2 3 4
2 5
Redundancia
La redundancia a nivel componente es siempre proporciona una mayor

confiabilidad que a nivel sistema. Sea (X) la función de estructura para un
sistema coherente de n componentes. Para cualquier vector de estados X y Y
1 n
1 ……………………… n
 (1  (1  X 1 )(1  Y1 ),...,1  (1  X n )(1  Yn ))


1  (1   ( X ))(1   (Y )).
Sistema X
Sistema Y
Página 74
Uso de Minitab
Se capturan dos columnas, una para los tiempos de falla observados y otra
para indicar cuales tiempos son falla y cuales son censuras por la derecha. Se
puede escoger 1 para censuras y 0 para falla.
Cuando se tienen fallas por intervalos se construyen tres columnas, en dos de

ellas se señala el inicio y el final de cada intervalo de tiempo y en la tercera la
frecuencia de las fallas observadas en cada intervalo.
Para los análisis se usa el menú Stat > Relibility / Survival, en la primera opción
se identifica la distribución de manera gráfica, en la segunda se hace una
exploaración más detallada (paramétrica o no paramétrica) de la distribución
seleccionada, en la tercera opción se hace el análisis paramétrico detallado y
en la cuarta el análisis no paramétrico. En el primer bloque se considera
censura por la derecha y en el segundo bloque se analiza lo mismo con otras
opciones de censura.
Página 75
8. Mantenabilidad y disponibilidad
Los sistemas reparables reciben Acciones de mantenimiento cuando fallan.
Estas acciones se deben ahora tomar en la consideración al determinar el
comportamiento del sistema. La edad de los componentes del sistema ya no
es uniforme ni el tiempo de operación del sistema es continuo.
Mantenimiento
El Mantenimiento se define como cualquier acción que restaure unidades

falladas a una condición operacional, o conserve unidades que no están en un
estado operacional. Para los sistemas reparables, el mantenimiento
desempeña un papel vital en la vida de un sistema. Afecta la confiabilidad total
del sistema, la disponibilidad, el tiempo muerto, los costos de operación, etc.
Generalmente, las acciones del mantenimiento se pueden dividir en tres tipos:
Mantenimiento correctivo, es la accion(es) tomado para restaurar un sistema

que ha fallado, al estado operacional.
Mantenimiento preventivo, es la práctica de susstituir componentes o

subsistemas antes de que fallen, para promover la operación continua del
sistema. Son las Inspecciones que se utilizan para descubrir fallas ocultas
(también llamadas fallas inactivas).
Mantenabilidad
Es la capacidad de mantenimiento se define como la probabilidad de realizar
una acción acertada de reparación dentro de un tiempo dado. Es decir la
capacidad de mantenimiento mide la facilidad y la velocidad con las cuales un
sistema se puede restaurar al estado operacional después de que fallo.
Por ejemplo, se dice que un componente particular tiene una mantenabilidad o

capacidad de mantenimiento del 90% en una hora, esto significa que hay una
probabilidad del 90% que el componente será reparado dentro de una hora.
La mantenabilidad puede incluir los eventos siguientes:
1. El tiempo que toma diagnosticar con éxito la causa de la falla.

2. El tiempo que toma procurar o entregar las piezas necesarias para realizar
la reparación.
4. El tiempo que toma quitar los componentes dañados y substituirlos por los
buenos.
5. El tiempo que toma regresar el sistema a su estado de funcionamiento.
6. El tiempo que toma verificar que el sistema está funcionando dentro de lo
especificado.
7. El tiempo asociado de ajuste de un sistema para su operación normal.
Para el caso de sistemas donde su mantenabilidad sigue la distribución

exponencial se tiene:
Página 76
Donde = tasa de la reparación.
La media de la distribución se puede obtener con:
1
 MTTR ( Mean Time to Re pair )

Para el caso de la distribución de Weibull se tiene:
La tasa de reparación es:
Disponibilidad
La disponibilidad, se define como la probabilidad que el sistema esté

funcionando correctamente cuando se solicita para el uso. Criterio del
funcionamiento para los sistemas reparables que considera las características
de confiabilidad y de mantenabilidad o capacidad de mantenimiento de un
componente o sistema.
Por ejemplo, si una lámpara tiene una disponibilidad del 99.9%, habrá una vez
fuera de mil que alguien necesite utilizar la lámpara y suceda que la lámpara no
opere.
Los conceptos de confiabilidad, mantenabilidad y disponibilidad se relacionan

como sigue:
Un sistema reparable que funciona adecuadamente un periodo de tiempo,

después falla y es reparado para regresarlo a su condición operacional puede
tener los siguientes comportamientos:
Página 77
El artículo funcionó correctamente a partir de 0 a t con la probabilidad R(t)

o funcionó correctamente desde la reparación pasada en el tiempo u, 0 < u < t,
con probabilidad:
Con m(u) siendo la función de la densidad de la renovación del sistema.

Entonces la disponibilidad del punto es la adición de estas dos probabilidades:
Se tienen diversos tipos de disponibilidad como sigue: Disponibilidad

instantánea; Disponibilidad media; Disponibilidad Limite; Disponibilidad
Inherente; y Disponibilidad Operacional.
Disponibilidad instantánea, A(t):
La disponibilidad instantánea es la probabilidad que un sistema (o el

componente) será operacional (en servicio) en cualquier hora, t.
Página 78
Esto es muy similar a la función de la confiabilidad en que da una probabilidad

que un sistema funcione en el tiempo dado, t. La medida instantánea de la
disponibilidad incorpora la información de la mantenabilidad.
Disponibilidad media
La disponibilidad media es la proporción de tiempo durante una misión o un

período de tiempo en que el sistema está disponible para el uso.
Representa el valor medio de la función instantánea de la disponibilidad sobre

el período (0, T ] y esta dada por:
Disponibilidad Limite
Disponibilidad inherente
Página 79
La disponibilidad inherente es la disponibilidad del estado constante al

considerar solamente el tiempo muerto correctivo del sistema. Para un solo
componente, esto se puede calcular como sigue:
Disponibilidad operacional
La disponibilidad operacional es una medida de la disponibilidad media durante

el tiempo e incluye todas las fuentes experimentadas del tiempo muerto, tales
como tiempo muerto administrativo, tiempo muerto logístico, etc.
Ejemplo:
Un generador de energía está proveyendo electricidad, sin embargo en los

últimos seis meses, había acumulado fallas por 1.5 meses. El generador tiene
un MTTF = 50 días (o 1200 horas) y MTTR = 3 horas. Se puede poner un
generador de viento alterno con una disponibilidad del 99.71% con sus
parámetros MTTF = 2,400 Horas y MTTR = 7 horas.
Página 80
Página 81
Problemas
1. Escribir y graficar la función de riesgo h(t) para una distribución de Weibull
con parámetros a) Beta =1, Etha = 4; b) Beta = 2, Etha = 2; c) Beta = 3, Etha =
1. Comentar el efecto de cada parámetro.
2, La duración t en horas de cierto componente electrónico es una variable

aleatoria con función de densidad f(t) = 0.001exp(-t/1000) para t >0.
a) Calcular F(t), R(t) y h(t)
b) ¿Cuál es la confiabilidad del componente a las 100 horas?
c) Si una unidad ha sobrevivido a las 100 horas, ¿cuál es la probabilidad de

que sobreviva a las 200 horas?
d) Graficar h(t) e interpretar los resultados.
2. Una unidad de disco tiene una falla temprana si ocurre antes del tiempo t =
alfa y una falla por desgaste si ocurre después de t = beta. Si la vida del disco
se puede modelar con la distribución f(t) = 1/(Beta – alfa):
a) Obtener las ecuaciones de F(t) y R(t)
b) Calcular la tasa de riesgo h(t)
c) Graficar la tasa de riesgo si Alfa = 100 y Beta = 1500 horas.
d) ¿Con los datos de c) cuál es la confiabilidad de la unidad a las 500 horas?
3. Se realizó un estudio para estimar la vida media de locomotoras. Se

operaron 96 máquinas durante 135,000 millas o hasta que fallaron y de estas,
37 fallaron antes de cumplirse el periodo de 135,000 millas, la tabal siguiente
muestra las fallas de las 37. Las otras 59 no fallaron por tanto entran al estudio
en forma censurada.
22.5 57.5 78.5 91.5 113.5 122.5

37.5 66.5 80.0 93.5 116.0 123.0
46 68 81.5 102.5 117.0 127.5
48.5 69.5 82.0 107.0 118.5 131.0
51.5 76.5 83.0 108.5 119.0 132.5
53 77 84.0 112.5 120.0 134.0
54.5
Página 82
a) Utilizando Minitab identificar la distribución que mejor aproxime a los datos.
b) Comparar las estimaciones por mínimos cuadrados y por máxima

verosimilitud.
c) Determinar la vida mediana de las locomotoras.
d) ¿Cuál es la confiabilidad de las locomotoras a las 200,000 millas?. Dar un

intervalo de confianza para esta confiabilidad e interpretarlo.
4. Un fabricante de balatas le da seguimiento al tiempo de falla de las mismas

en kilómetros recorridos. Al finalizar el estudio no todas las balatas habían
fallado pero por su desgaste se estimó el tiempo de falla. Los datos obtenidos
para los 55 productos se muestran a continuación:
9500 10512 12824 13514 14096 14128 14404 14520 14689 14766 14859
14951 15117 15520 15555 15912 16037 16481 16622 16626 16689 16935
17980 18508 18624 18699 18719 18773 19126 19165 19274 19414 19429
19451 19611 19708 20066 20546 20610 21599 21978 21978 22386 23592
23659 24165 25731 25961 25991 26553
a) Utilizando el Minitab, identificar la distribución que siguen los datos.
b) Estimar los parámetros de la distribución que mejor se ajuste utilizando

mínimos cuadrados y máxima verosimilitud. Comparar los estimadores.
c) ¿Cuál es la confiabilidad de las balatas a los 10,000 kms.?
d) Si el fabricante no está dispuesto a reemplazar más de 2% de las balatas

¿es razonable otorgar una garantía de 10,000 kms?.
e) Proporcionar un intervalo de confianza al 95% para los kilómetros en que

falla el 2% de las balatas e interpretarlo.
5. La vida de ventiladores se registra como ventiladores fallados y ventiladores

con censura a la derecha (1) indicando que su vida fue más larga.
0-no censurado 1-censurado
450 0 1850 1 2200 1 3750 1 4300 1 6100 1 7800 1 8750 0

460 1 1850 1 3000 1 4150 1 4600 0 6100 0 7800 1 8750 1
1150 0 1850 1 3000 1 4150 1 4850 1 6100 1 8100 1 9400 1
1150 0 2030 1 3000 1 4150 1 4850 1 6100 1 8100 1 9900 1
1560 1 2030 1 3000 1 4150 1 4850 1 6300 1 8200 1 10100 1
1600 0 2030 1 3100 0 4300 1 4850 1 6450 1 8500 1 10100 1
1660 1 2070 0 3200 1 4300 1 5000 1 6450 1 8500 1 10100 1
1850 1 2070 0 3450 0 4300 1 5000 1 6700 1 8500 1 11500 1
1850 1 2080 0 3750 1 5000 1 7450 1 8750 1
El objetivo es determinar la proporción de ventiladores que fallan antes de

tiempo de garantía que es de 8,000 horas.
Página 83
a) Estimar el modelo adecuado para los datos
b) Estimar los parámetros de la distribución que mejor se ajuste utilizando

mínimos cuadrados y máxima verosimilitud. Comparar los estimadores.
c) Graficar el estimador no paramétrico de la función de supervivencia.
c) ¿Cuál es la proporción de ventiladores que fallan antes del tiempo de

garantía de 8,000 horas?
d) ¿Será necesario rediseñar los ventiladores para tratar de incrementar su

confiabilidad?
6. La duración de un chip de computadora tiene una distribución de Weibull.

Para estimar sus parámetros, se someten 100 chips a prueba y se registra el
número de supervivientes al final de cada año, durante 8 años. Los datos con
censura por intervalo son los siguientes:
Año Superv.
1 94
2 78
3 88
4 36
5 22
6 10
7 6
8 2
a) Utilizar el método de mínimos cuadrados para obtener Beta y Etha.
b) Establcer un intervalote confianza del 95% para el percentil 1%.
c) Calcular la probabilidad de que un chip falle antes de 5 años.
d) Estimar la confiabilidad de los chips en el tiempo de 7 años.
e) Calcular la tasa de riesgo, h(t) y graficarla. Obtener la tasa de riesgo a t=4

años e interpretar su valor.
7. Se toma una muestra de n = 138 baleros y se hace una prueba de vida. La

tabla siguiente muestra los que seguían funcionando al final de cada periodo de
100 horas hasta que todos fallaron.
Horas Baleros Horas Baleros

4 138 12 8
5 114 13 6
6 104 17 4
7 64 19 3
8 37 24 2
9 29 51 1
Página 84
10 20
11 10
a) Ajustar un modelo de Weibull a estos datos.
b) Dar un intervalo de confianza al cual falla el 2% de los baleros.
c) Calacular la confiabilidad a las 400 horas.
d) Calacular la confiabilidad de que habiendo sobrevivido las primeras 300

horas, un balero sobreviva 100 horas más.
8. El tiempo de vida en años de un generador que se compra tiene una

distribución Weibull con parámetros Etha = 13 años y Beta = 2. El period de
garantía es de dos años.
a) ¿Cuál es la confiabilidad del generador al fin del periodo de garantía?
b) ¿Si se compran 1000 unidades cuál es el número de reclamos al fabricante?
c) ¿Cuál es el periodo de garantía que debe ofrecerse si se quiere tener una

proporción de reclamos a lo más del 1%?
Página 85

Curso Confiabilidad - Primitivo Reyes - 2008 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

Curso Confiabilidad - Primitivo Reyes - 2008 PDF

Cargado por

Copyright:

Formatos disponibles

CURSO DE CONFIABILIDAD P. REYES / DIC.

Elaboró: Dr. Primitivo Reyes Aguilar

3. Modelos de distribuciones de probabilidad para el tiempo

4. Estimación de parámetros del modelo

6. Pruebas de vida aceleradas

Confiabilidad es la probabilidad de que un componente o sistema desempeñe

Falla de un producto sucede cuando deja de operar, funcionar o no realiza

Las razones de estudio de la confiabilidad de productos son las siguientes:

1. Determinar el tiempo tp hasta el cual se espera que falle una proporción p

2. Encontrar el tiempo tp al cual se espera que sobreviva una proporción 1-p

3. Determinar la propensión a fallar que tienen el producto en un tiempo dado.

4. Dado que un artículo ha sobrevivido un tiempo T0, encontrar la probabilidad

5. Los puntos anteriores se pueden hacer de manera comparativa para

La información para los estudios de confiabilidad tienen diferentes

Entre las características que tienen los estudios de confiabilidad se encuentran

1. Los tiempos de falla son positivos con comportamiento asimétrico y sesgo

2. Mientras que en estadística lo que interesa son los parámetros de la

5. Cuando es necesario acortar el tiempo de prueba se pueden hacer pruebas

Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura

Entre las preguntas que se pueden contestar se encuentran las siguientes:

Se tienen datos censurados cuando no se conocen los tiempos de falla de las

 Tiempo fijo de terminación de la prueba

 Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

 Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

 Censura por intervalo cuando se inspecciona en intervalos de tiempo y

 Censura múltiple: Cuando en el mismo estudio se tienen diferentes tipos

Verosimilitud (probabilidad de los datos)

La forma de la verosimilitud dependerá del: propósito del estudio, modelo

La contribución por diferentes tipos de censura es como sigue:

Por ejemplo para la función de distribución:

La verosimilitud en censura por intervalo es:

Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

La verosimilitud de censura por la izquierda es:

Si una falla se detecta en la primera inspección a un tiempo t=0.5,

La verosimilitud de censura por la derecha es:

Si una unidad continua operando en la ultima inspección en el tiempo T=2.0,

Para una tabla de tiempos de vida se tiene:

Si se supone que la censura es en ti:

Tipo de Numero de Verosimilitud de

Análisis no paramétrico de los tiempos de falla

Para la estimación no paramétrica de F(ti) con base en la teoría binomial para

Con los datos:

Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

está definida sólo al final del intervalo

Es el estimador de máxima verosimilitud de F(t).

El incremento en a cada valor de ti es

El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

La probabilidad de cobertura es la probabilidad de que el procedimiento dará

Con datos censurados la mayoría de los intervalos de confianza son

El intervalo de confianza de F(ti) con base en la distribución binomial es:

Donde y es el cuantil 100(1-/2) de

la distribución F con (1, 2) grados de libertad.

Usando la aproximación normal del intervalo de confianza para F(ti), el intervalo

Es el cuantil 100(1-/2) de la distribución normal estándar.

Es una estimación de la desviación

Del ejemplo para un nivel de confianza del 95% se tiene:

Cuando el número de inspecciones se incrementa, el ancho del intervalo (ti-1,

F(t) está definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de

Para la estimación no paramétrica de F(ti) con base en datos por intervalo y

En el límite, si el numero de intervalos aumenta, el ancho del intervalo tiende a

Función de densidad de probabilidad

Función de distribución acumulada

Esta función se define como la integral de la función de densidad desde cero