See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/313141291

INTRODUCCIÓN A LA FIABILIDAD

Book · January 2004

CITATIONS READS

0 2,396

2 authors, including:

Andrés Carrión García

Universitat Politècnica de València
130 PUBLICATIONS   372 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Quality Control View project

Improvement of Statistical Quality Control for Attributes View project

All content following this page was uploaded by Andrés Carrión García on 31 January 2017.

The user has requested enhancement of the downloaded file.

 UNIVERSIDAD POLITÉCNICA DE VALENCIA

INTRODUCCIÓN A LA FIABILIDAD

ANDRÉS CARRIÓN GARCÍA

TERESA CAROT SÁNCHEZ

DEPARTAMENTO DE ESTADÍSTICA
E INVESTIGACIÓN OPERATIVA

UNIVERSIDAD POLITÉCNICA DE VALENCIA

-1-
El tiempo es un niño que juega a los dados.

Heráclito

-2-
 CONTENIDO

CAPÍTULO 1: INTRODUCCIÓN ................................................................................. 5

1.1.- Introducción. Fiabilidad y Diseño. ................................................................................................5
1.2. Antecedentes históricos del estudio de la fiabilidad. ....................................................................6
1.3. Importancia de la fiabilidad. ..........................................................................................................8
1.4. Temas de estudio en el campo de la fiabilidad.............................................................................9
1.5. Ejercicios. ................................................................................................................................... 11

CAPÍTULO 2: FUNDAMENTOS ESTADÍSTICOS DE LA FIABILIDAD ................... 12

2.1. Probabilidad. .............................................................................................................................. 12
2.2. Probabilidad condicionada. Sucesos independientes. .............................................................. 15
2.3. Teorema de la probabilidad total. Teorema de Bayes. .............................................................. 15
2.4. Variables Aleatorias. Valor medio. ............................................................................................. 17
2.5. Distribuciones de probabilidad. .................................................................................................. 20
2.5.1. Distribución normal o gaussiana. ....................................................................................... 20
2.5.2. Distribución exponencial. .................................................................................................... 22
2.5.3. Distribución de Weibull. ...................................................................................................... 24
2.5.4. Distribución 2 (Chi cuadrado) de Pearson. ....................................................................... 26
2.7. Ejercicios. ................................................................................................................................... 27

CAPÍTULO 3: FIABILIDAD. CONCEPTO Y FUNDAMENTOS ................................ 29

3.1. Definición de Fiabilidad .............................................................................................................. 29
3.2. Cuantificación de la de Fiabilidad .............................................................................................. 32
3.3. Tasa de fallo ............................................................................................................................... 34
3.4. Variación de la Tasa de Fallo .................................................................................................... 36
3.5. Ejercicios. ................................................................................................................................... 39

CAPÍTULO 4: MODELOS DE FIABILIDAD .............................................................. 40

4.1. Modelo Normal (N(,)). ............................................................................................................ 40
4.2. Modelo Exponencial (EXP()).................................................................................................... 41
4.3. Modelo de Weibull...................................................................................................................... 44
4.4. Ejercicios. ................................................................................................................................... 45

CAPÍTULO 5: ESTIMACIÓN Y ENSAYOS ............................................................... 47

5.1. Tipos de ensayos. ...................................................................................................................... 48
5.2. Análisis de los resultados de los ensayos. ................................................................................ 51
5.2.1. Ensayos de fiabilidad frente a fallos accidentales .............................................................. 52
5.2.2. Ensayos de fiabilidad frente a fallos por envejecimiento. .................................................. 53

-3-
 5.3. Ensayos de estimación. ............................................................................................................. 54
5.3.1. Distribución Exponencial. ................................................................................................... 55
5.3.1.1. Estimación de parámetros. .............................................................................................. 55
5.3.1.2. Duración media de los ensayos. Número medio de fallos. ............................................. 60
5.3.2. Distribución Normal. ........................................................................................................... 61
5.3.3. Distribución de Weibull. ...................................................................................................... 64
5.4. Ensayos de comparación........................................................................................................... 73
5.5. Ejercicios. ................................................................................................................................... 78

CAPÍTULO 6: FIABILIDAD DE SISTEMAS.............................................................. 80

6.1. Sistemas en serie....................................................................................................................... 81
6.2. Sistemas redundantes en paralelo. ........................................................................................... 84
6.3. Sistemas compuestos serie-paralelo. ........................................................................................ 87
6.4. Sistemas generales.................................................................................................................... 88
6.4.1. Método de los pasos........................................................................................................... 89
6.4.2. Método de los cortes. ......................................................................................................... 91
6.4.3. Método de la partición. ....................................................................................................... 93
6.5. Ejercicios. ................................................................................................................................... 95

Bibliografía básica sobre Fiabilidad. ..................................................................... 98

ANEXO A. TABLAS.
1. Tabla de la Distribución Normal.
2. Tabla de la Distribución 2
3. Tabla de la Función Gamma.

-4-
 CAPÍTULO 1: INTRODUCCIÓN

1.1.- Introducción. Fiabilidad y Diseño.

Calidad, fiabilidad y seguridad son conceptos que aparecen con fre-

cuencia confundidos en la mente de las personas poco familiarizadas con el
mundo de la ingeniería de la calidad y de las técnicas estadísticas. Y en cierto
modo esa confusión no es del todo incorrecta, pues todos ellos no son mas
que aspectos distintos de lo que, con un sentido cada vez más globalizador,
se viene denominando “Calidad”: para el usuario de un bien todos esos ele-
mentos son importantes y configuran el grado de aprecio que ese usuario tie-
ne por el bien. A ese grado de aprecio es al que, en definitiva, hemos llamado
“Calidad”.

Tradicionalmente se ha considerado la calidad con una perspectiva

fundamentalmente técnica, y aunque esa interpretación va cambiando progre-
sivamente en los últimos años (desde los años 70 hacia ahora), sigue consi-
derándose en buena parte como la calidad en la fabricación. Enfoques como
el de la Calidad Total sobrepasan esta noción buscando una mayor globaliza-
ción (como en el párrafo anterior se comentaba), pero podríamos simplificarlo
de ese modo: la calidad se refiere a la fabricación del bien.

El estudio de la seguridad de un producto debe abarcar todas las posi-

bilidades de daño sufrido por personas en todas las fases de la vida del pro-
ducto: desde su fabricación hasta su uso por el usuario final. Sin embargo, pa-
ra este usuario final la seguridad es un concepto relacionado con el uso del
mismo.

Así pues, entre los componentes de la “Calidad” que el usuario percibe

tenemos la seguridad, que se refiere al uso del producto, y la calidad, que se
refiere a la producción.

Falta un tercer componente que se refiera a la bondad del diseño del

producto. Un elemento clave para el estudio de esa idoneidad del diseño es la

-5-
 fiabilidad, entendida como garantía de un funcionamiento correcto del pro-
ducto durante su utilización. Aunque la definición de fiabilidad que veremos
más adelante matiza esta impresión inicial, es cierto indudablemente que la
fiabilidad es una característica inseparablemente unida al diseño: es en la fa-
se de diseño del producto cuando se sientan las condiciones para que ese
producto satisfaga los requisitos del cliente en cuanto a rendimiento, presta-
ciones y durabilidad, como también los relativos a la seguridad. Quede dicho,
no obstante, que la calidad en el diseño abarca otros elementos además de la
fiabilidad.

En esta publicación se van a presentar las técnicas básicas empleadas

en el estudio cuantitativo de la fiabilidad, técnicas en su mayor parte de natu-
raleza estadística.

1.2. Antecedentes históricos del estudio de la fiabilidad.

La fiabilidad de los productos, planteada muchas veces como su simple

durabilidad, ha estado presente en la industria siempre de la mano de la cali-
dad y como un componente más de ella. En los años treinta, Shewhart y otros
desarrollaron técnicas que mostraron el interés que tenía para la industria el
uso de técnicas estadísticas en el campo de la calidad. De esa fecha datan
técnicas tan importantes, incluso hoy en día, como los gráficos de control es-
tadístico de procesos (los llamados gráficos de Shewhart) o el método de
Dodge-Romig para el control estadístico en recepción, si bien es cierto que su
uso no comenzó a extenderse de forma masiva hasta después de la Segunda
Guerra Mundial.

Se sitúa precisamente en ese entorno, el de la Segunda Guerra Mun-

dial, la aparición de los primeros desarrollos cuantitativos en el campo de la
fiabilidad. Los equipos alemanes que, bajo la dirección de Werner Von Braun,
estaban desarrollando los misiles (entonces llamados bombas volantes) V-1,
se encontraron con serios problemas: las diez primeras unidades ensayadas

-6-
fueron rotundos fracasos, al estallar las unidades en la propia rampa de lan-
zamiento o errar su objetivo de un modo escandaloso. A pesar de una cuida-
dosa revisión de la calidad de los componentes y piezas empleados, la situa-
ción estaba muy lejos de mejorar. Se recurrió entonces a dos consultores ma-
temáticos, Erich Pieruschka y Robert Lusser, y de su análisis se derivaron
rápidamente consecuencias (como la ley de producto de probabilidades en
componentes en serie, desarrollada por el segundo), que permitieron invertir
la situación, pasando del mencionado 100% de fallos a un 75% de éxitos.

Inmediatamente después de la Guerra, se aplicaron conceptos relacio-

nados con la fiabilidad en los análisis de duración y seguridad de los aviones
de uno, dos y cuatro motores. La creciente complejidad en multitud de produc-
tos, de uso industrial, privado o militar, hizo que estos temas fueran adqui-
riendo mayor importancia cada vez. En la Guerra de Corea, por ejemplo, los
problemas de mantenimiento y avituallamiento del ejercito norteamericano lle-
varon a Estados Unidos a promover una serie de estudios en los que se abor-
daban los temas de fiabilidad, mantenibilidad y simplicidad de equipos, en es-
pecial orientados a la industria electrónica.

Un papel no desdeñable en el impulso de los estudios de fiabilidad lo

tuvo el desarrollo de la guerra fría y de la carrera espacial. Es en los ámbitos
industriales relacionados con ambas ‘carreras’, la de armamentos y la espa-
cial, donde se establece la mayor parte de los conocimientos y técnicas que
hoy forman parte de la teoría de la fiabilidad. De hecho, buena parte de la
terminología que se emplea recuerda todavía ese origen, manejándose térmi-
nos tales como ‘misión’, ‘objetivo’, ‘unidad’, etc., cuyo significado será preci-
sado más adelante. La industria aeronáutica, tanto civil como militar, ha sido
también partícipe de estos desarrollos.

Otro ámbito que en los años 70 ha actuado como impulsor de los estu-
dios sobre fiabilidad ha sido la industria nuclear, por sus altos requerimientos
de seguridad y fiabilidad de sus instalaciones. También la industria petrolera
del Mar del Norte ha requerido el uso intensivo de técnicas de estudio de la
fiabilidad y de mejora de la misma para sus explotaciones submarinas (en
-7-
 equipos que, por sus condiciones de funcionamiento guardan una cierta simili-
tud con los vehículos espaciales dado que el mantenimiento es difícil, si no
imposible).

En los últimos años la cada vez mayor exigencia de los clientes en los
más variados sectores, ha hecho que las empresas se planteen el incluir las
consideraciones sobre fiabilidad en sus políticas de diseño y desarrollo de
nuevos productos, así como el control de la misma en sus programas de ac-
tuación durante la producción. En especial la industria electrónica, junto con el
sector del automóvil, esta jugando un preponderante papel en este área.

1.3. Importancia de la fiabilidad.

La creciente importancia de la fiabilidad en todo tipo de productos y

sectores industriales se apoya en una serie de hechos (algunos de los cuales
fueron expuestos acertadamente por B. Sostkov en 1972, y siguen mante-
niendo su vigencia en la actualidad pese a haber sido formulados hace más
de veinte años). Podemos citar así

 El aumento de la complejidad de los sistemas técnicos, que incluyen con

frecuencia hasta 104  106 componentes.
 La intensidad de los regímenes de trabajo o funcionamiento del sistema o
de alguna de sus partes: altas temperaturas, altas presiones, altas veloci-
dades, …
 La complejidad y dureza de las condiciones de explotación y uso de las
unidades. Por ejemplo temperaturas muy altas o muy bajas, humedad ele-
vada, vibraciones, aceleraciones fuertes, radiación, …
 La exigencia general en la calidad del trabajo: precisión, efectividad, …
 El aumento de la responsabilidad de las funciones desarrolladas por el sis-
tema, por ejemplo, con un alto valor económico asociado a un fallo, o con
graves consecuencias técnicas para otros sistemas.

-8-
  La automatización total o parcial, y la exclusión de la participación humana
en algunas tomas de decisión, al ser éstas realizadas por el equipo au-
tomáticamente.
 La creciente competencia en todos los sectores industriales, tanto de bie-
nes de consumo como de equipo.
 La necesidad consecuente que tienen las empresas de diferenciar sus pro-
ductos respecto a los de sus competidores, por la vía del diseño, la calidad
y, también, la fiabilidad.
 La cada vez mayor preparación de los consumidores y sus requisitos en
constante incremento.
 La existencia de regulaciones y normativas en algunos campos de actividad
concretos (medio ambiente, equipos electrónicos, etc. …).

En años recientes se está asociando cada vez con más frecuencia el

estudio de la Fiabilidad con el de la Mantenibilidad, dentro de un enfoque glo-
bal que pretende garantizar a usuario el uso del producto cuando así lo re-
quiera, dentro del concepto más amplio de disponibilidad (probabilidad de po-
der usar un bien cuando es requerido). Así mismo, al igual que ha ocurrido en
el campo de la Calidad, el énfasis se está desplazando hacia las áreas de
gestión, sin perder de vista la importancia de los modelos cuantitativos que se
manejan y que siguen siendo esencial fuente de información para la correcta
gestión.

1.4. Temas de estudio en el campo de la fiabilidad.

El estudio de la fiabilidad incluye una serie de problemas distintos, con

enfoques más o menos complejos desde el punto de vista matemático - es-
tadístico o de la gestión. Sin pretender hacer una relación exhaustiva, citare-
mos a continuación alguno de esos problemas.

 Problemas relacionados con la medida de la fiabilidad.

 Medida de la fiabilidad en componentes, es decir en productos “sen-
cillos”. Tenemos en este campo dos problemas: la sistemática a seguir en los

-9-
ensayos (toma de datos) y los métodos estadísticos empleados para su explo-
tación.
 Medida de la fiabilidad en sistemas, para productos producidos en
serie y con misiones prolongadas (no instantáneas). También aquí parecen
los mismos dos puntos del apartado anterior: recopilación de los datos (reali-
zación de ensayos) y análisis (explotación) de los mismos.
 Medida de la fiabilidad en sistemas, para productos de series muy o
cortas o producción única. Aquí el problema se complica por la imposibilidad
de realización de experiencias en la mayoría de los casos, quedando ahora
las siguientes tareas a desarrollar: recopilación de informaciones históricas en
productos similares, cálculos matemáticos de síntesis a partir de la informa-
ción sobre los componentes y realización de simulaciones.
 Disponibilidad de un software de apoyo para los análisis estadísticos
requeridos, en especial en el estudio de la fiabilidad de sistemas complejos.
 Definición de los objetivos de fiabilidad para un producto y asigna-
ción de los objetivos parciales de fiabilidad para sus diferentes subsistemas y
componentes.
 Análisis de los efectos sobre otros parámetros de la calidad y funcio-
nalidad del producto de las actuaciones que se han realizado orientadas a la
mejora de la fiabilidad.
 Integración de los resultados de los estudios de fiabilidad en las revi-
siones del diseño. Uso de herramientas de análisis y prevención de fallos,
como el AMFE (Análisis de los Modos de Fallo y de sus Efectos) y el FTA
(Fault Tree Analysis, Análisis del Arbol de Fallos).
 Organización de las actividades de la empresa en área de la fiabili-
dad. Desarrollo de un “programa de fiabilidad” que recoja y coordine acciones
de los diferentes departamentos la empresa implicados (diseño, compras, in-
geniería de proceso, ingeniería de producto, producción, marketing, …)

La resolución y estudio de estos problemas sobrepasa los fines pro-

puestos en esta publicación, que se centra en los problemas de tipo cuantita-
tivo, asociados a la medida de la fiabilidad y a los problemas estadísticos que

-10-
 esa medida conlleva, quedando para un posterior publicación la incorporación
de los temas relacionados con la gestión de la fiabilidad en las empresas.

1.5. Ejercicios.

1. Localizar anuncios publicitarios, folletos de fabricantes, etc., en los que

aparezcan argumentos sobre fiabilidad, durabilidad, mantenibilidad, seguridad
de funcionamiento, etc..

2. Buscar normas (UNE, ISO, Mil Std, ...) que hagan referencia a temas de
fiabilidad, calidad, mantenibilidad y durabilidad.

3. Buscar servicios ofertados en el área de fiabilidad y mantenibilidad (por

ejemplo, a través de Internet).

-11-
 CAPÍTULO 2: FUNDAMENTOS ESTADÍSTICOS DE LA FIABILIDAD

El estudio de la fiabilidad es en buena medida un estudio estadístico.

Ello es así por varios motivos:

 los modelos empleados para representar la vida de un producto hasta el fallo

son modelos estadísticos.
 la estimación de los parámetros de esos modelos se realiza mediante experi-
mentación, empleando un proceso de estimación estadística.
 el análisis del comportamiento de sistemas formados en base a distintos pro-
ductos requiere para la valoración de la fiabilidad de aquellos a partir de la de
estos el uso de técnicas basadas en el cálculo de probabilidades.

Por tanto, siendo la metodología estadística fundamental en el análisis

de la fiabilidad, se procederá a continuación a una breve revisión de aquellos
conceptos que sean aquí de interés.

2.1. Probabilidad.

Buscando una forma intuitiva de definir la probabilidad, podemos decir

que la probabilidad de un resultado en una cierta experiencia aleatoria (afec-
tada por el azar) es el límite de la frecuencia relativa con que se presenta ese
resultado en un número muy grande de repeticiones de la experiencia.

Sin ser la formulación ideal del concepto de probabilidad, pues deja

fuera todos aquellos casos en los que no es posible la realización de un
número “elevado” de experiencias, resulta al menos adecuado en cuanto a in-
terpretación del sentido que tiene la probabilidad dentro del campo de la fiabi-
lidad.

-12-
 Por ejemplo, si nos planteamos la probabilidad de obtener un 5 al lan-
zar un dado, la conocida regla de Laplace (casos favorables/casos posibles)
predice que ese valor será 1/6, pero ello sólo será cierto si el dado esta per-
fectamente equilibrado, con lo cual todas sus caras son equiprobables. En
cambio, con esta definición que acabamos de ver, el cálculo de la probabilidad
se realizaría repitiendo muchas veces el lanzamiento y obteniendo el valor
límite de la frecuencia relativa. Si el dado es correcto, esa frecuencia debería
ser 1/6, pero con esta definición se obtendría el valor correcto de la probabili-
dad, aún con dados cargados, en los que los resultados no son equiproba-
bles.

Si deseáramos calcular la probabilidad que tiene un producto de super-

ar una cierta duración, con la definición de probabilidad que hemos visto, el
cálculo de la misma requeriría la realización de un ensayo con un gran núme-
ro de unidades y el control de la fracción de las que sobreviven.

En cualquier caso, e independientemente de qué interpretación se

otorgue a la probabilidad de un suceso, si que podemos definir con precisión
cuál es el concepto y cuales son sus propiedades desde un punto de vista
matemático.

Sea una experiencia aleatoria de la cual E es el conjunto de resultados

o espacio muestral, y sea A uno de los resultados de esa experiencia (AE).
Sea también F la clase de sucesos considerados, que son aquellos sobre los
que se ha definido probabilidad, teniendo este conjunto F una estructura de -
álgebra. Llamaremos probabilidad del suceso A a la aplicación definida desde
el espacio muestral E a la recta real:

p(A)
E 

que cumple los siguientes axiomas:

-13-
A1) La probabilidad de cualquier suceso es no negativa:
p(A)  0  AE

A2) La probabilidad del suceso seguro es uno:

p(E) = 1

A3) La probabilidad de la reunión de sucesos disjuntos es la

suma de sus probabilidades:
 A,B  F2 / AB = 
p(AB) = p(A) + p(B)

A partir de estos axiomas, se pueden demostrar las siguientes propiedades:

1. Probabilidad del suceso contrario:

AF, p( A ) = 1- p(A)

2. Probabilidad del suceso imposible:

Si  es el suceso imposible, entonces p() = 0.

3. Si AB, A,B  F 2 entonces

p(A)  p(B)

4. La probabilidad de cualquier suceso está comprendida entre 0 y 1:

A  F, 0  p(A)  1

5. Probabilidad de la reunión de dos sucesos:

A,B  F 2, p(AB) = p(A) + p(B) - p(AB)
y en general, para más de dos sucesos:
A1, A2,… An  F n,
p(A1  A2 … An) = p(A1) + p(A2) + … + p(An) -
- p(A1 A2) - p(A1 A2) - …
+ p(A1 A2  A3) + p(A1 A2  A4) + …
-…
-14-
 + (-1)n-1 p(A1 A2  …  An)

2.2. Probabilidad condicionada. Sucesos independientes.

Sea un suceso B de probabilidad no nula, y sea A otro suceso del mis-

mo espacio muestral. Se define como probabilidad de A condicionada a B, y
se representa por p(A/B), al cociente:

p( A  B)
p( A / B) 
p(B)

Tal expresión nos permite obtener el valor de la probabilidad de que

ocurra el suceso A, cuando sabemos que ha ocurrido el suceso B. Permite
pues incorporar el conocimiento parcial que tengamos sobre cuál ha sido el
resultado de una experiencia aleatoria, para obtener las probabilidades modi-
ficadas por esa información.

Diremos que dos sucesos son independientes cuando el conocimiento

de que se ha presentado uno de ellos no modifica la probabilidad del otro.
Haciendo uso del concepto y la definición de probabilidad condicionada arriba
presentados, podemos escribir que la condición necesaria y suficiente de in-
dependencia de dos sucesos A y B es que se cumpla una cualquiera de las
siguientes expresiones (que en realidad son equivalentes):

 p(A/B) = P(B)
 p(B/A) = p(A)
 p(AB) = p(A) p(B)

2.3. Teorema de la probabilidad total. Teorema de Bayes.

-15-
 Sea un suceso B y sean unos sucesos Ai, (i = 1, … n) que constituyan
una partición del espacio muestral E. Se puede demostrar que:

p(B) = p(BA1) + p(BA2) + … + p(BAn) =

= p(B/A1) p(A1) + p(B/A2) p(A2) + … + p(B/An) p(An)

o bien:
n
p(B) =  p(B / Ai ) p( Ai )
i1

Esta expresión es conocida como el teorema de la partición o de la

probabilidad total.

Uno de los teoremas básicos, sino el más importante, de teoría de la

probabilidad es el Teorema de Bayes, cuyo enunciado es el siguiente:

Considérese:
 un suceso B de probabilidad no nula y
 unos sucesos Ai, (i=1, … n) que constituyan una partición del espacio
muestral E.

Se puede demostrar que:

p(B / Ak ) p( Ak )
p(Ak/B) =
 p(B / Ai ) p( Ai )
i

El verdadero interés de este teorema radica en la interpretación que

habitualmente tienen los Ai y el B, y en las probabilidades que nos permite ob-
tener. Con mucha frecuencia los Ai tiene la interpretación de causa u origen
de B, que resulta ser un efecto o consecuencia de las Ai. Tanto la noción de
causa como la de efecto deben tomarse con una interpretación muy amplia, y
muchas veces sólo se tratará de una precedencia temporal en la secuencia
de acontecimientos (Ai ocurre antes que B).
-16-
 El teorema de Bayes, pues, nos permitirá obtener la probabilidad de
que, observado un efecto B, haya sido la causa Ak la que lo provocó, es decir,
la probabilidad de la causa visto el efecto. Es esta una probabilidad de la que
habitualmente no se dispone en un análisis descriptivo de un problema y su
cálculo, sin el teorema de Bayes, sería problemático.

2.4. Variables Aleatorias. Valor medio.

De un modo poco preciso pero bastante intuitivo, podríamos decir que

una variable es aleatoria cuando toma valores influida por el azar, por contra-
posición a lo que sería una variable determinista, en la que el resultado es
perfectamente predecible.

Con más formalidad diremos que una variable aleatoria es una aplica-
ción definida entre el espacio muestral E asociado a una cierta experiencia
aleatoria y la recta real , que cumple unas determinadas condiciones. Dicha
aplicación asocia a cada suceso A del espacio muestral un intervalo en , al
que a su vez habrá asociada una probabilidad con valor entre cero y uno, a la
que llamamos tanto probabilidad del elemento A de E, como probabilidad del
intervalo de la recta real asociado a este elemento (Figura 2.1).


E

A IA

P(A) = p(IA) [0, 1]

-17-
 Figura 2.1.

Los dos principales tipos de variable aleatoria que nos interesan son las
variables aleatorias discretas y las continuas.

Las variables aleatorias discretas quedan caracterizadas cuando dis-

ponemos de una función de probabilidad p(x) que nos da el valor de la proba-
bilidad en cada uno de los posibles puntos de la distribución, cumpliéndose
que la suma de las probabilidades sea uno y que todas sean no negativas.

p( x )  0 x  E
 p( x i )  1
i

En el caso de las variables continuas, la caracterización se hace a

través de una función no negativa f(x), llamada función de densidad, que des-
cribe cómo se distribuye la probabilidad entre los infinitos puntos (en modo
continuo) que configuran el campo de existencia de la variable. Se cumple
que la integral de esta función, extendida al campo de existencia de la varia-
ble, es la unidad.

f ( x )  0 x  
 f ( x ) dx  1


No entraremos aquí, por no ser el objetivo de esta publicación, en la

caracterización exacta de las variables aleatorias.

Tanto para el caso discreto como para el continuo, se define la función

de distribución, F(x), como la probabilidad que queda en o a la izquierda del
punto x:

F(x) = p(X  x)

-18-
dónde X (mayúscula) es la variable y x (minúscula) es un punto en el campo
de existencia de X.

Las funciones de probabilidad, caso de v. a. discreta, y de densidad,

caso de v. a. continua, son tales que podemos escribir:

 V. A. discreta: F(x) =  p( xi )
xi  x

x
 V. A. continua: F(x) =  f ( x) dx

Obsérvese en el caso continuo que la función de distribución represen-

ta el área situada entre la función de densidad y el eje de abcisas, desde la
abcisa - hasta el punto x considerado.

Haciendo uso de las funciones de probabilidad y de densidad, podemos

definir el valor medio de una variable, E(x), del siguiente modo:

 V. A. discreta: E(x) =  xi p( xi )
i


 V. A. continua: E(x) =  x f ( x) dx

y en general podremos hablar también del valor medio de una función g(x) de
la variable aleatoria:

 V. A. discreta: E( g(x) ) =  g( xi ) p( xi )
i


 V. A. continua: E( g(x) ) =  g( x) f ( x) dx

Valores medios especialmente importantes son:

-19-
  La media m de la variable: m = E(x)
 La varianza 2 de la variable: 2 = E(x-m)2

El primero de ellos, la media, actúa como indicador de la posición de la

variables, es decir del orden de magnitud que tienen los valores de la misma.
La varianza se interpreta como un indicador de la homogeneidad o dispersión
de la distribución: cuanto mayor sea el valor que toma más dispersa es la dis-
tribución y cuanto más pequeño mas homogénea (en el caso extremo, si el
campo de existencia de x se reduce a un solo valor, que coincide con la me-
dia, la varianza es nula). A la raíz cuadrada de la varianza se le llama desvia-
ción típica.

2.5. Distribuciones de probabilidad.

Una distribución de probabilidad no es más que un modo estándar de

comportamiento de una variable aleatoria, que por la frecuencia con que se
presenta en la naturaleza ha llegado a convertirse en un modelo. En este
apartado se van a estudiar algunas de las distribuciones de probabilidad más
usadas en el campo de la fiabilidad: normal, exponencial y de Weibull.

2.5.1. Distribución normal o gaussiana.

La distribución de probabilidad normal o gaussiana, pues de ambos

modos e indistintamente es conocida, es una distribución continua, definida en
toda la recta real, y cuya función de densidad es:
( x m)2

1 2 2
f ( x)  e -  x  
 2
donde m es la media de la variable y 2 es su varianza. Diremos que:
x  N(m, )

-20-
 Su función de densidad presenta una característica forma conocida
como campana de Gauss, que es reflejada en la figura 2.2. La función de
densidad de la normal no tiene primitiva, por lo que el cálculo de probabilida-
des, que se hace a través de la función de distribución, requiere la integración
numérica o el manejo de tablas.
( x  ) 2

x 1 2  2
F( x)   e dx
2  
La función de distribución se encuentra tabulada para el caso de la
normal N(0,1), llamada normal tipificada. (Ver la Tabla 1, en el apéndice A).
Para poder hacer uso de esta tabla con una distribución normal distinta a la
N(0,1), es decir con una normal general con una media m cualquiera y una
varianza 2 cualquiera, deberá realizarse la operación llamada tipificación,
consistente en transformar la variable N(m, ) en la N(0,1).

Sea x  N(m, ), la variable z, definida como:

x m
z=

es una normal tipificada. Con ello el cálculo de la función de distribución (y a
partir de ella el de cualquier probabilidad) se realizaría del siguiente modo:
 x m  x m
p( X  x )  p z       ( z)
     
siendo (z) el valor de la función de distribución de la normal tipificada leído
en tablas.

f (x)

0 x
m
-21-
 Figura 2.2.

La distribución Normal es una distribución simétrica en la que el valor

central es la media m. Se caracteriza por tener un área aproximadamente del
68% en las dos desviaciones típicas centrales (entre m- y m+), un área del
95% en las cuatro desviaciones típicas centrales (entre m-2 y m+2) y un
área del 99’73% en las 6 desviaciones típicas centrales (entre m-3 y m+3),
datos fácilmente calculables a partir de la tabla anterior (figura 2.3).

Obsérvese que a pesar de ser una variable definida entre – y +, en

la práctica el rango de valores entre los que oscila es muy limitado (entre m-
4 y m+4 tenemos el 99.99% de la población), los cual de gran importancia
pensando en la aplicabilidad práctica de la variable normal.

Figura 2.3.- Áreas de probabilidad de una distribución Normal

2.5.2. Distribución exponencial.

Una variable aleatoria continua y no negativa sigue una distribución ex-

ponencial cuando su función de densidad tiene la expresión:
f(t) =  e-t t0
-22-
siendo  una constante no negativa.

Diremos en tal caso que t  Exp(). Esta variable aleatoria suele repre-
sentar la vida o duración de las unidades de producto estudiadas.

Las características de esta distribución son las siguientes:

 Función de distribución: F(t) = 1 - e-t

 Valor medio: E(t) =  = 1/

 Varianza: D2(t) = 1/2

Por existir una expresión explícita y sencilla para la función de distribu-

ción, esta variable no requiere el manejo de ningún tipo de tabla, pues el
cálculo del valor de la función de distribución y, a partir de él, el de la probabi-
lidad de cualquier intervalo es sencillo.

El aspecto que presenta su función de densidad es el que se puede ver

en la Figura 2.4. Otras peculiaridades de la distribución exponencial son las
siguientes:

 La probabilidad de que la variable supere su valor medio es del 36.79%, ya

que se trata (fig. 2.3) de una distribución claramente asimétrica.

 Se trata de una distribución sin memoria: la probabilidad de que la variable

tome valores en un cierto intervalo sólo depende de la longitud del intervalo,
no de punto inicial del mismo:

p(t[t1, t1+]) = p(t[t2, t2+]) t1, t2.

-23-
 0.00

f(t)

0.00

0
0 1000 2000 3000

Figura 2.4. Distribución exponencial: función de densidad.

2.5.3. Distribución de Weibull.

Como en el caso exponencial consideramos ahora una variable aleato-

ria continua no negativa, que habitualmente interpretaremos como la vida de
la unidad estudiada.

Diremos que una tal variable sigue una distribución de Weibull si su

función de densidad es:

 t  
 1  
( t  )   
f(t) =  e t0
(   )
expresión en la cual:

 es la vida mínima de las unidades estudiadas (  0)

 es la vida característica de esas unidades (  )
 es el parámetro de forma o pendiente de Weibull ( > 0)

La vida mínima  es una edad que con seguridad van a alcanzar las
unidades estudiadas, y puede hacer referencia al hecho de que estas unida-
des no sean nuevas en el momento de iniciar el estudio. Con frecuencia, co-
mo luego se comenta, la vida mínima toma el valor cero.

-24-
 La vida característica  es una edad tal que la probabilidad de que sea
superada esa duración es el 36.79%, o, lo que es equivalente, tal que un
63.21% de las unidades fallan antes de alcanzarla. Aunque la vida caracterís-
tica no es la media de la distribución de Weibull, puede interpretarse como un
indicador aproximado de posición (recuérdese que en la distribución exponen-
cial la probabilidad de que la media sea superada es precisamente el
36.79%).

Por último, el parámetro de forma  describe la forma de la distribución,

y según luego se verá es clave para entender el comportamiento de la varia-
ble vida o duración de las unidades estudiadas.

La función de distribución será:


 t 
 
  
F( t)  1  e

Como ya se ha comentado, con frecuencia la vida mínima  toma el va-

lor cero, con lo cual las expresiones anteriores se simplificarían, quedando la
denominada distribución reducida de Weibull, cuya función de densidad es:

 t
 1  
t  
f(t) =  e


y la función de distribución:

 t
 
 
F( t)  1  e

En esta distribución reducida de Weibull, el valor medio resulta ser:

  1
E(t) =     1   
  

-25-
 donde  es una función tabulada (o bien obtenida por integración numérica).

El aspecto que tiene la función de densidad de esta variable de Weibull

depende del valor de sus parámetros. En la figura 2.5 se recoge la forma de la
función de densidad para diferentes valores de .

=3
f(t)

=2

=1

=0’5

Figura 2.5.- Distribución reducida de Weibull: función de distribución.

Obsérvese que para valores elevados de  la forma de la distribución

se asemeja ala campana de Gauss, es decir a la distribución normal. En la
práctica a partir de =3.2 se aproxima la distribución de Weibull a la normal.

2.5.4. Distribución 2 (Chi cuadrado) de Pearson.

La distribución Chi cuadrado es una distribución derivada de la normal,

tal como ahora veremos, que se emplea en una gran variedad de pruebas es-
tadísticas.

Sea una variable aleatoria x. Diremos que x sigue una distribución Chi
cuadrado con n grados de libertad ( n2 ), si se define como la suma de n varia-
bles normales tipificadas independientes:

n
x   n2   z i2 siendo zi= N(0, 1) i, independientes
i1

-26-
 La función de distribución de la variable 2 se encuentra tabulada. Habi-
tualmente las tablas que se manejan en realidad nos permiten obtener los
puntos porcentuales, es decir los valores de la variable que son superados
con una cierta probabilidad (ver Tabla en el Anexo A).

n=5

n=1

n=3

Figura 2.6. Funciones de densidad de distribuciones 2.

Tal como se muestra en la figura 2.6 se trata de una distribución asimé-

trica, en la cual según aumentan los grados de libertad se produce una con-
vergencia a la distribución normal. Para grados de libertad mayores de treinta
se suele considerar correcta la aproximación.

2.7. Ejercicios.

1. La duración de las bujías del motor de explosión de cierto modelo de co-

che sigue una distribución normal de media 20000 Km. y desviación típica
6500. Si la especificación del fabricante es sustituirlas cada 10000 Km.,
¿qué porcentaje de las bujías incumplirá la especificación?. ¿Y en que por-
centaje de ocasiones fallara alguna de las cuatro que lleva un automóvil?.

-27-
2. La vida en horas de ciertos componentes usados en un equipo de comu-
nicaciones sigue un modelo exponencial de parámetro =0.005. Estos equi-
pos van instalados en condiciones que hacen difícil su reparación. Se desea
sin embargo mantener siempre una probabilidad de fallo inferior al 1%. Cal-
cular cada cuánto tiempo deberá realizarse una sustitución preventiva de di-
chos componentes. ¿Cuál es la vida media de los componentes?.

3. El elemento crítico para la duración de unas electrovalvulas es un resorte.

Su vida sigue un modelo de Weibull de parámetros =1000 y =2.5 (=0).
Obtener la probabilidad de que los resortes duren mas de 800 horas, y cal-
cular así mismo su vida media.

-28-
 CAPÍTULO 3: FIABILIDAD. CONCEPTO Y FUNDAMENTOS

3.1. Definición de Fiabilidad

Si bien existe una noción común de fiabilidad, en la cual se interpreta

ésta como una combinación entre la duración de un producto y su seguridad
de funcionamiento, aquí necesitamos una definición más precisa de este
término, que va a ser objeto fundamental de análisis de las páginas siguien-
tes.

Se usa habitualmente la siguiente definición de fiabilidad:

LA FIABILIDAD DE UNA UNIDAD ES LA PROBABILIDAD DE

QUE CUMPLA CON ÉXITO CIERTA MISIÓN QUE TIENE ASIGNADA
CUANDO LA REALIZA BAJO UNAS CONDICIONES DADAS

Los elementos clave de la definición anterior son los de unidad, misión, éxito
(y su contrario, fallo), y las condiciones de realización de la misión. Aparecen
además otros términos cuando profundizamos en la naturaleza de la anterior
definición, que son edad y fecha. Veamos que entendemos por cada uno de
esos conceptos.

Llamamos unidad a cada uno de los elementos simples o compuestos

que son objeto de estudio. Una unidad puede ser, según su grado de comple-
jidad, simple o compuesta. Las unidades simples, denominadas componentes,
son aquellas que no pueden descomponerse en piezas más elementales, co-
mo podría ser el caso de un muelle o un cable eléctrico. Las unidades com-
puestas, denominadas sistemas, son aquellas que están integradas por com-
ponentes y por sistemas de orden menor, como por ejemplo un electrodomés-
tico o un ordenador. Con frecuencia ocurre que unidades que en realidad son
sistemas son tratadas y analizados como componentes, aplicando un principio
de “caja negra” para su análisis: sólo interesa el rendimiento global de la uni-
dad y no su comportamiento detallado al nivel de componentes o subsiste-
mas. Ese podría ser el caso del sistema electrónico de encendido de un au-

-29-
tomóvil, que si bien es un sistema, con frecuencia es tratado como componen-
te cuando su fiabilidad es analizada por el fabricante de coches, mientras que
para la empresa suministradora de esos equipos si que se trata claramente de
un sistema cuya estructura es de fundamental interés.

Se denomina misión al servicio u objetivo que debe ser cumplido por

las unidades estudiadas. A menudo la misión se formula en términos de dura-
ción, o al menos aparece ese elemento en su definición. Por ejemplo, la mi-
sión de un televisor puede ser funcionar de modo ininterrumpido durante 2000
horas. Al respecto es importante ver el comentario que se hace más abajo
sobre la edad de las unidades.

Se llama fallo a cualquier circunstancia que impide que una unidad

complete su misión. El éxito sería la ausencia de fallo en el desarrollo de la
misión. Ser podría distinguir entre fallos totales y fallos parciales, y en buena
lógica el tratamiento dado a ambos debiera ser distinto. Sin embargo ello so-
brepasa los límites de este trabajo, y consideraremos el fallo como una situa-
ción dicotómica, intentando que la definición de la misión sea lo suficiente-
mente clara como para que pueda definirse sin duda si hay o no cumplimiento
de la misma.

Las condiciones son las características del entorno en que la misión

debe desarrollarse. Pueden incluir temas tales como condiciones ambiente
(presión, temperatura, humedad,…), nivel de esfuerzo a que esta sometida
unidad, tipo de usuario del producto, etc. Estas condiciones son de extraordi-
naria importancia para la evaluación de la fiabilidad. No hace falta insistir mu-
cho en que un mismo producto, con una misma misión, pero realizada bajo
condiciones diversas, consigue fiabilidades diferentes.

Llamaremos edad de una unidad a cualquier forma de medir su activi-

dad pasada. Con frecuencia esa media se realizara a través del tiempo de
uso, como en ejemplo arriba comentado del televisor, pero no siempre será
así. Por ejemplo, en un neumático de coche la edad será medida mejor a
través de los kilómetros recorridos que a través del tiempo de uso; en un mue-
-30-
lle la edad se medirá mejor con el número de ciclos de compresión - extensión
que sufre; etc.

Si llamamos edad a cualquier forma de medir la actividad desarrollada

por la unidad, fecha será cualquier punto en la escala de edad.

Hay otra clasificación de lo que llamábamos unidad que distingue entre

unidades de funcionamiento continuado y unidades de funcionamiento ins-
tantáneo. Entre las primeras podemos citar un neumático de coche, que esta
funcionando de modo continuo durante toda su vida, y entre las segundas la
espoleta de contacto de un proyectil, que funciona sólo en el instante en que
éste hace impacto. Evidentemente en este segundo caso el concepto de
edad, tal como lo hemos visto, no es de aplicación y la fiabilidad no ira aso-
ciada a una vida (en el sentido de duración de la unidad) sino a la probabilidad
de éxito en ese instante en que el producto debe funcionar.

Los siguientes ejemplo muestran expresiones en las que aparecen los

conceptos arriba precisados.

 “El 98% de ciertos televisores deben ser capaces de funcionar ininte-

rrumpidamente durante dos mil horas, en un entorno doméstico”. La
edad se mide aquí en tiempo, la misión se formula términos de dura-
ción y de funcionamiento, se entiende que buen funcionamiento, y
las condiciones se asocian al entorno en que se desarrolla la misión.
Se establece además un objetivo cuantificado de fiabilidad, en forma
de una probabilidad de éxito requerida.

 “Un neumático debe poder circular por carretera asfaltada, a una ve-
locidad de 90 km./h, sin sufrir un pinchado debido a desgaste o fallo
interno durante 35000 km., con una probabilidad al menos del 99%”.
Ahora la edad es medida en Km recorridos, la misión se expresa en
términos de duración y de ausencia de fallo y se definen también las
condiciones de funcionamiento del producto (carretera asfaltada…).
También aquí se fija un objetivo numérico de fiabilidad.
-31-
  “El airbag de cierto modelo de coche no debe fallar más de un 0.5
por mil de las veces, ante un impacto de tipo normalizado”. Se trata
ahora de un producto de funcionamiento instantáneo, por lo cual no
existe el elemento edad que aparecía en los dos ejemplos anterio-
res. Si que esta presente la definición de la misión así como las con-
diciones de realización (impacto de tipo normalizado). También apa-
rece una cuantificación de la fiabilidad deseada.

3.2. Cuantificación de la de Fiabilidad

Los conceptos de unidad, misión, fallo, etc. introducidos en el apartado

anterior van a permitir dar una medida numérica de la seguridad de funciona-
miento de un producto, es decir, de la capacidad que tiene para cumplir con
éxito una misión determinada.

Una medida de ésta capacidad es la Función de Fiabilidad o Función

de Supervivencia, R(t1,t2), que se define como la probabilidad de que una
unidad cumpla con éxito una misión concreta, desde el instante t1 hasta el ins-
tante t2, bajo unas condiciones de servicio dadas. Otra medida de esta capa-
cidad es la desfiabilidad, F(t1,t2), que se define como la probabilidad de que
la unidad estudiada falle durante la misión, es decir,
F(t1,t2)=1-R(t1,t2)

En el caso de que t1=0, la función de desfiabilidad coincidirá con la fun-

ción de distribución de la variable vida de la unidad, siendo la probabilidad de
que esa vida no supere un cierto valor.

La representación del número de supervivientes en función del tiempo,

N(t), con respecto al número inicial de unidades, N(t1)=N1, facilita una interpre-
tación intuitiva del concepto de fiabilidad y de desfiabilidad. Esta representa-
ción se recoge en la figura 3.1.

-32-
 N(t)/N1

F(t1,t2)

R(t1,t2)

t1 t2 t

Figura 3.1.- Función de Supervivencia

Así pues, podemos asociar la fiabilidad y la desfiabilidad, desde t1 has-

ta t2, a la frecuencia de supervivencia y fallo, respectivamente, que se obser-
van al registrar la evolución de la fracción de supervivientes a lo largo del
tiempo, cuando en el instante t1 se ponen en funcionamiento simultáneamente
N1 unidades:
N( t 2 ) N( t 2 ) N( t 2 ) N( t 2 )
R( t 1, t 2 )   F( t 1, t 2 )  1   1
N( t 1 ) N1 N( t 1 ) N1
Se observa la función de fiabilidad es una función decreciente con t2,
indicando tal decrecimiento que para misiones de duración creciente la proba-
bilidad de éxito se reduce, tendiendo a cero. Por otro lado, vemos que F(t1,t2)
es una función creciente con t, verificándose que

lim F( t1, t 2 )  1
t 

Si además llamamos T a la edad en la que se produce el fallo de una

unidad, obtenemos que

F(t1,t2)=P(Tt2-t1)

lo que muestra que la desfiabilidad, F(t1,t2), es la función de distribución de la

variable edad del fallo, T, o dicho de otro modo, es la probabilidad de que una
unidad falle antes del instante t2 cuando la misión ha comenzado en el instan-
te t1. Gráficamente podemos ver lo anterior en la figura 3.2.

-33-
 F(t1,t2)

t1 t2 T

Figura 3.2.- Función de desfiabilidad

Para simplificar la nomenclatura llamaremos R(t) a la fiabilidad y F(t) a

la desfiabilidad de una pieza suponiendo que el comienzo de la misión t1=0 y
que, por lo tanto, t2 puede ser cualquier instante t perteneciente al eje de eda-
des T.

3.3. Tasa de fallo

Hasta ahora hemos visto que la desfiabilidad, F(t), indica la probabili-

dad de que una unidad falle antes del instante t, es decir,
F(t)=P(Tt)
donde T es la variable aleatoria que indica la edad a la que se produce el fallo
de dicha unidad, lo cual (como se comentó) es la función de distribución de la
variable vida.

Por lo tanto, si F(t) es la función de distribución de fallo, derivándola

con respecto a t podemos obtener la función de densidad de fallo f(t). Por ello,
teniendo en cuenta que F(0)=0, podemos escribir que
t
F( t )  P(T  t )  0 f ( t )  dt

y que

R( t )  1  P(T  t )  P(T  t )  t f ( t )  dt

-34-
 Veamos que se puede obtener la vida media de la unidad directamente
a partir de la función de fiabilidad. En efecto, es sabido que:

  0 t  f ( t )  dt

integrando por partes esa expresión:

 
  0 t  f ( t )  dt  [ tF( t )] 0  0 F( t )dt

como se da que:
si t t F(t)  t ( ya que F(t)1 )
y si t=0 t F(t) = 0
es decir:
[t F(t)] 0  [ t ] 0

y con ello:
   
  0 t  f ( t )  dt  [ t ] 0  0 F( t )dt  0 (1  F( t ))dt  0 R( t )  dt

Así pues, la vida media será:

 
  0 t  f ( t )  dt  0 R( t )  dt

La Tasa de Fallo, (t), se define como la velocidad de extinción o la va-

riación relativa del número de supervivientes en el instante t y se relaciona
con el número de fallos por unidad de tiempo, siendo por tanto:

( t )  lim 
N(t )  N(t  t ) / N(t )   N(t )   R' (t )
t 0 t N( t ) R( t )

es decir,
f (t) f (t)
( t )  
R( t ) 1  F( t )
ya que
 t
R( t )  t f ( t ) dt  1    f ( t ) dt

y en consecuencia
R’(t) = - f(t)

-35-
 Cuando la Tasa de fallo es constante (t)=.

La fiabilidad en función de la tasa de fallo se puede calcular como:

dR( t ) / dt
( t )  
R( t )
dR( t )
( t )  dt  
R( t )
integrando a ambos lados de la igualdad se obtiene:

0 ( t )  dt   0 R( t )  dR( t )   lnR( t )
t t 1

y despejando la fiabilidad R(t) nos queda que

t
  ( t )dt
R( t )  e 0

3.4. Variación de la Tasa de Fallo

La tasa de fallo (t) de casi cualquier tipo de unidades varía en función

del tiempo, de forma que es frecuente que durante el primer periodo de vida
de las unidades la tasa de fallo sea decreciente (periodo de fallos precoces)
hasta que se alcanza un valor en el cual se mantiene sensiblemente constan-
te (periodo de fallos accidentales) y que es la zona llamada de vida útil del
producto. Finalmente, a partir de un determinado instante de tiempo, la tasa
de fallo crece, generalmente de un modo muy rápido (periodo de fallos por
envejecimiento). En la figura 3.3 se muestra la curva de la función tasa de fa-
llo.

(t)

Vida útil

Fallos a Fallos b Fallos por t

precoces accidentales envejecimiento

-36-
 Figura 3.3.- Evolución de la Tasa de fallo (t)

Los fallos precoces son los que se producen en el periodo inicial del
funcionamiento, por lo general en los primeros minutos u horas de funciona-
miento. Son fallos debidos a errores de diseño o de fabricación y una vez re-
sueltos no vuelven a ocurrir. Los fallos precoces pueden evitarse sometiendo
a las unidades a controles de “puesta a prueba”, depuración o purga (Burn-in):
en ocasiones se realiza un test en el 100% de la unidades para simular el fun-
cionamiento en esta etapa y eliminar este tipo de fallos. La eliminación de los
fallos precoces es necesaria para conseguir una buena fiabilidad, especial-
mente en los sistemas de misión única en los que un fallo puede provocar su
destrucción completa y, en general, por el devastador efecto que sobre el
cliente tiene el fallo de un producto recién adquirido.

El periodo de vida útil, que representa la vida efectiva del producto, se

caracteriza por tener una tasa de fallos constante en la que sólo se presentan
fallos accidentales debidos al azar, es decir, que no son producidos por un
uso indebido ni por defectos de fabricación. Entrarían en esta categoría de fa-
llos accidentales los debidos a sobre esfuerzos ocasionales, errores de ope-
ración del usuario y, en general, a las situaciones impredecibles no asociadas
al tiempo de uso o a la edad. Los fallos accidentales pueden ser controlados
con un buen procedimiento de operación y con un adecuado mantenimiento
preventivo.

Los fallos por envejecimiento son los asociados a mecanismos de fallo

debidos al uso o edad : fatiga del material, degradación de los componentes,
aislantes,...que se originan gradualmente con el funcionamiento de las unida-
des. La tasa de fallo podrá reducirse con planes de mantenimiento que eviten
el agotamiento de los componentes. En consecuencia, en un sistema, des-
pués de que las unidades hayan funcionado un tiempo b, si no se reemplazan
las unidades usadas por otras nuevas, depuradas de fallos precoces, el servi-
cio se hará inseguro y la fiabilidad descenderá a valores peligrosos. En gene-
ral, en la zona de envejecimiento, la velocidad de crecimiento de la tasa de fa-
llo depende del régimen de uso de la unidad en la época de su vida útil.
-37-
 La tasa de fallo total de las unidades puede considerarse resultante de
la suma de las tasas de fallo originadas por fallos precoces, accidentales y de
envejecimiento (ver figura 3.4). Así pues, tenemos que:

(t)=p(t)+a+e(t)

Por lo tanto, la fiabilidad conjunta se halla como el producto de las fiabi-

lidades precoces, accidentales, y de envejecimiento:

  ( t )  a   e ( t )dt
t

S( t )  e 0 p  Sp (t)  S a (t)  S e (t)

Esta fórmula demuestra que las tres causas de fallo precoces, acciden-
tales, y por envejecimiento son independientes entre sí (si admitimos que las
tasas de fallo son aditivas).

 (t)

 p (t)

 e(t)

 a

Figura 3.4.- Independencia de las causas de la Tasa de Fallo

-38-
3.5. Ejercicios.

1. Hacer un listado de productos cuya edad no se mida por tiempo, indicando

en cada caso qué unidad sería la empleada para medir el uso de los produc-
tos.

2. Considerar un producto de uso común. Identificar al menos una causa de

fallo precoz, una de fallo accidental y una de fallo por envejecimiento.

3. Si la duración o vida de un producto sigue un modelo exponencial de los

vistos en el capítulo anterior, calcular su tasa de fallo.

4. Para los siguientes productos, formular objetivos de fiabilidad en los que

estén recogidos: definición de la misión; definición de las condiciones de fun-
cionamiento; criterio para medir la edad (si procede); y valoración de la fiabili-
dad exigida. Los productos en cuestión son: una pila recargable; un tostador
de pan; un detector de humos de una alarma de incendios; un relé; y una pas-
tilla de freno de disco.

-39-
 CAPÍTULO 4: MODELOS DE FIABILIDAD

Como se ha visto anteriormente, en unidades de funcionamiento conti-

nuado, la fiabilidad es la probabilidad de supervivencia a una cierta misión de
duración t, es decir, la probabilidad de que una unidad funcione más de un
tiempo t:
R(t)=P(T>t)

Por lo tanto, para poder medir o estimar esta probabilidad de funciona-

miento es preciso determinar la distribución de probabilidades de fallo, es de-
cir, la distribución de la variable vida de la unidad. Emplearemos para este es-
tudio las mismas tres distribuciones estadísticas que fueron introducidas en el
Capítulo 2: distribución normal, distribución exponencial y distribución de Wei-
bull.

4.1. Modelo Normal (N(,)).

Sea t la variable vida de una unidad. Si suponemos que esa variable

sigue la distribución normal con media  y desviación típica  (ya definida an-
teriormente), se tendrá que la función de fiabilidad es,

( t  ) 2
t 1  t    t
R(t)=1-F(t)= 1  

e 2 2 dt  1      
2        

siendo f(t) la función de distribución de la normal tipificada que se encuentra

tabulada (ver la correspondiente tabla en el Apédice A). La Tasa de fallo para
esta distribución es:
( t   )2
1 
e 2 2
f (t) 2  
( t )  
R( t )   t
 
  
que resulta ser una tasa de fallo creciente con t, lo cual quiere decir que pue-
de representar el comportamiento de esas unidades durante el envejecimien-
to, cuando la tasa de fallo aumenta.
-40-
 La distribución Normal está definida para t  ]-,[ pero es evidente
que la vida de un componente comienza en el instante de su puesta en fun-
cionamiento, por ello como mínimo, si el componente es nuevo, podría co-
menzar en el instante t=0 y, por lo tanto, no podemos hablar de tiempos nega-
tivos. Así pues, solo podremos utilizar este tipo de distribución como repre-
sentante del fenómeno de envejecimiento, en el caso de que la vida media es-
te suficientemente alejada del origen de edades (t=0) de modo que la masa
de probabilidad a la izquierda de cero sea prácticamente nula. Se suele con-
siderar que ello es así si se cumple que -3>0, es decir, que />3, puesto
que por debajo de éste valor solo queda un 1’3 0/00 de población y por lo tanto
R(0)1.

4.2. Modelo Exponencial (EXP()).

Como ya se vio, la expresión de la función de densidad cuando la vida

de la unidad sigue una distribución exponencial es
f(t)=·e-t t0
donde  es una constante positiva (>0).

Como la función de distribución, es decir, su desfiabilidad será

F(t)=1-e-t t0

la función de fiabilidad, probabilidad de supervivencia a una duración t, queda

como
R(t)=1-F(t)=e-t t0

Un valor interesante es el que se da si t=1/, es decir cuando la dura-

ción de la misión coincide con la vida media, en cuyo caso:

R(1/)=0’37

-41-
 Es decir, la vida media es alcanzada solamente por un 37% de la po-
blación, como consecuencia del carácter asimétrico de la distribución (ver
Capítulo 2).

La Tasa de fallo es:

f ( t ) e  t
( t )    t0
R( t ) e t

Puede observarse que (t) no depende de t, en otras palabras, la tasa

de fallo es constante, por ello emplearemos la distribución exponencial duran-
te el periodo de vida útil del producto.

Es frecuente representar al parámetro 1/ por , vida media, así pues,

las fórmulas anteriores quedarían como:

e t / 
f (t)  F(t)=1-e-t/ R(T)=e-t/ = =


Si nos fijamos en las expresiones de las funciones de densidad, distri-

bución y fiabilidad (la que es aquí objeto de estudio), observamos que es la
relación entre duración de la misión y la vida media, el ratio t/, el que define
el valor de las mismas y no tanto el valor exclusivo de t.

Una propiedad importante del modelo exponencial es que es un modelo

sin memoria. En efecto, es fácil probar que si una vez que ha fallado acciden-
talmente una unidad, la reparamos y la volvemos a poner en funcionamiento
hasta que vuelva a fallar, la duración del intervalo aleatorio que separa estos
dos fallos accidentales consecutivos sigue también una ley exponencial de
parámetro =1/. La distribución exponencial es, así pues, una distribución
sin memoria porque la probabilidad de que una unidad falle en un lapso es-

-42-
pecífico de tiempo depende nada más de la duración de éste y no del instante
en el que comenzó la operación:

Pt  t 1, t 1  T   Pt  t 2 , t 2  T   t1,t2

En efecto, sean t1, y t2 tales que t2>t1. Se cumple que:

P(T  t 2   T  t 1 ) P(T  t 2 )
P(T  t 2 / T  t 1 )   
P(T  t 1 ) P(T  t 1 )
e  t 2
  t 1
 e ( t 2  t1 )  R( t 2  t 1 )
e

Si llamamos t1=t, t2=t1+, resulta:

P(T>t+/T>t) = R()

Es decir, que la fiabilidad depende sólo de la duración de la misión, , y

no de la edad de la unidad al comienzo de la misma.

De esto se deduce que si =1/ es la vida media, desde el inicio de la

misión o del servicio, hasta que se produce un fallo accidental, pero además
también puede ser la duración media del tiempo que transcurre entre dos fa-
llos accidentales consecutivos en la misma unidad. Por esta última causa a 
se le llama tiempo medio hasta el fallo (Mean Time To Failure, MTTF) o tiem-
po medio entre dos fallos (Mean Time Between Failures, MTBF), según se tra-
te de unidades no reparables (MTTF) o reparables con restitución completa
(MTBF). Hay que hacer constar que estamos aquí suponiendo que la repara-
ción restituye a la unidad a un estado similar al que tenia antes del fallo. Si es-
to no fuera así, deberíamos entrar en la definición de otros parámetros, como
por ejemplo el tiempo medio hasta el primer fallo (Mean Time to First Failure
MTTFF).

-43-
4.3. Modelo de Weibull.

Si la variable vida de la unidad estudiada se modeliza mediante una

distribución de Weibull completa, de parámetros ,  y , la función de fiabili-
dad será:

 t  
 
  
R( t )  e

Por lo tanto la tasa de fallo es:

f (t) ( t  ) 1
( t )  
R( t ) (  )

Tal como se comentó en el Capítulo 2, el parámetro  suele ser nulo,

con lo cual nos queda la distribución reducida de Weibull , quedando para es-
te caso la desfiabilidad, la fiabilidad y la tasa de fallo con las siguientes expre-
siones:
 
t t
 

 
 t 1
F( t )  1  e R( t )  e ( t )   


Obsérvese que si t=, entonces F()=0’63 y R()=0’37

A partir de la ecuación de la tasa de fallo podemos comprobar que ésta

crece o decrece en función del valor de , es decir, si <1 entonces la tasa de
fallo es decreciente, si >1 es creciente, y si =1, es constante. Por lo tanto, la
distribución de Weibull puede servir para explicar las distintas situaciones de
la vida de un producto, si <1 podremos utilizarla para explicar el periodo de
fallos precoces, si >1 servirá para el periodo de fallos por envejecimiento, y
si =1 la utilizaremos para explicar la zona de vida útil.

En este último caso, obsérvese que si en las expresiones de las fun-

ciones de distribución y fiabilidad hacemos =1, aparecen las correspondien-
tes al modelo exponencial, que resulta así ser un caso particular del modelo

-44-
 de Weibull, con =0 y =1, quedando el tercer parámetro, , identificado con
la media de la distribución:

Exp(1/) = W(=0, , =1)

Una característica importante de la distribución de Weibull en compara-

ción con la exponencial es que ahora la fiabilidad si que depende de la edad
que tenga la unidad al comienzo de la misión, y no sólo de la duración de la
misma. Dicho en los mismos términos que empleábamos antes, la distribución
de Weibull si que tiene memoria de la actividad pasada de la unidad, lo cual,
por ejemplo, justifica su uso en el periodo de envejecimiento.

4.4. Ejercicios.

1. La vida de una unidad sigue un modelo de Weibull de parámetros =850

horas y =3.5, debiendo ser empleada en una misión de duración 150 horas.
Estudiar como evoluciona la fiabilidad en función de la edad inicial de la uni-
dad. Para ello usar las edades 0, 100, 200, 300, 400 y 500 horas.

2. Las bombillas de los faros halógenos de un automóvil tienen una vida me-
dia de 1200 horas. Asumiendo un modelo exponencial, cuál es la fiabilidad pa-
ra cinco años de uso del automóvil, asumiendo que en promedio las luces
están encendidas 0.5 horas por día.

3. La duración de un bolígrafo se mide por los metros de escritura que propor-

ciona. En un estudio realizado se ha visto que esa duración sigue una distri-
bución normal, con media 850 m y desviación típica 150 m. Su poniendo que
una página de texto requiere 8 m de trazo, cuál es número de páginas de es-
critura que podemos garantizar con una probabilidad del 95%.

4. La vida de unas unidades empleadas en un submontaje sigue una distribu-

ción exponencial. Sabemos que el 90% supera las 750 horas de funciona-
miento. ¿Cuál será la fiabilidad para una misión de duración 1500 horas?.

-45-
-46-
 CAPÍTULO 5: ESTIMACIÓN Y ENSAYOS

Los modelos estadísticos que se han visto en capítulos anteriores no

son excesivamente complejos y permiten realizar con facilidad predicciones
sobre el comportamiento de las unidades estudiadas, en lo que hace a su fia-
bilidad. Ahora bien, el uso de las expresiones involucradas requiere el cono-
cimiento de una serie de parámetros que sólo es posible conseguir por la vía
de la experimentación y los ensayos. No existe ningún procedimiento deducti-
vo que permita conocer la fiabilidad o los parámetros de vida de las unidades
estudiadas a partir de sus características físicas, mecánicas, eléctricas, o de
cualquier otro tipo. Además, al estudiar las fiabilidades de los componentes
deben tenerse muy presentes las condiciones de trabajo a las que estarán
sometidos durante su servicio y en los periodos de reposo o de almacena-
miento, ya que la fiabilidad de un componente es función de las condiciones
que debe soportar.

Una vez determinadas estas condiciones, es conveniente estudiar por

separado las “condiciones dominantes”, es decir, las que tienen mayor in-
fluencia sobre la fiabilidad del componente, y las “no dominantes” que son
aquellas que pueden ser eliminadas o simplemente mejoradas bien por pe-
queñas modificaciones en el diseño del producto o con mejoras de fabrica-
ción. Estas últimas se tratarán de eliminar o al menos estabilizar lo más rápi-
damente posible.

Las condiciones dominantes son las que se someterán a un estudio lo

más completo posible midiéndose sus rangos de variación, la aparición de so-
brecargas accidentales, e incluso sus valores extremos. A partir de aquí ya
podemos proceder al diseño de los ensayos con el objeto de estimar las tasas
de fallo, los tiempos medios de servicio, etc., y en general, los parámetros ne-
cesarios para el ajuste a los modelos teóricos de las muestras obtenidas. El
motivo que nos lleva a considerar la realización de ensayos de fiabilidad como
necesaria es la imposibilidad, ya comentada, de obtener por algún método
analítico - deductivo información sobre la fiabilidad o duración de un producto:
Ante esa imposibilidad se reacciona realizando experiencias en las que se
-47-
 pretende simular el comportamiento que tendrá el producto cuando sea real-
mente usado por sus usuarios, conociendo con ello características tales como
su duración, vida media, fiabilidad para cierta misión o servicio, etc..

De la observación de la vida real se deduce que componentes teórica-

mente iguales tienen comportamientos distintos al someterlos a unas mismas
condiciones de funcionamiento. Precisamente, estas variaciones obligan a un
tratamiento estadístico para la estimación de la fiabilidad, pero toda elabora-
ción estadística se basa en hechos reales medidos y observados y, por lo tan-
to, será necesario obtener los datos reales para la determinación de esta fiabi-
lidad.

Un procedimiento razonable que parecería lógico comenzaría fijando

en el valor nominal cada tipo de condición (valor recomendado para el funcio-
namiento normal del componente). Tomando una muestra aleatoria de tama-
ño n de los componentes, se hacen funcionar bajo este régimen y se registran
los tiempos en el que se producen los fallos, así como las causas que los mo-
tivan. Una vez realizado, se repite el ensayo con otra muestra aleatoria, pero
esta vez cambiando las condiciones de funcionamiento. De esta forma se ob-
tienen las curvas del componente para diversos regímenes de trabajo.

El método de ensayo anterior presenta grandes limitaciones lo que

hace necesario desarrollar otros métodos que permitan sustituirlo en beneficio
de una mayor rapidez. Precisamente, en este apartado vamos a desarrollar
algunos tipos de ensayos atendiendo a distintas clasificaciones según los ob-
jetivos perseguidos, a las cargas aplicadas y a consideraciones estadísticas.

5.1. Tipos de ensayos.

En primer lugar debe considerarse que el objetivo de los ensayos en

fiabilidad es conocer el comportamiento que tendrá el producto cuando sea
realmente utilizado. Ahora bien, las condiciones reales de uso pueden ser tan
variadas y complejas que es difícil reproducirlas todas en un solo ensayo o
batería de ensayos, dada la habitual limitación de tiempo y recursos con que
-48-
se van a encontrar las empresas. Ello ha obligado a desarrollar toda una serie
de ensayos orientados a captar aquellos aspectos más importantes, en cada
caso, del comportamiento de un producto. A continuación se presenta un cla-
sificación de esos ensayos, en función de distintos criterios.

a) Por los objetivos

1. Ensayos de medida: Utilizados para conocer el comportamiento de dise-

ños nuevos y analizar el cumplimiento de las metas de fiabilidad. Se reali-
zan prototipos para obtener la forma de la distribución de fallos, los pará-
metros que determinan la distribución y sus correspondientes intervalos
de confianza. El objetivo de estos ensayos es medir la fiabilidad del com-
ponente sin cuestionar las metas de fiabilidad previamente establecidas.
Los ensayos servirán además para dar validez al diseño del componente.
2. Ensayos de control: El objetivo de estos ensayos es mantener una conti-
nuidad de la fiabilidad en sucesivas fabricaciones o lotes, es decir, trata
de asegurar el mantenimiento de un determinado nivel de fiabilidad en el
dispositivo.
3. Ensayos de investigación: Se utilizan para mejorar los resultados de fiabi-
lidad investigando las posibles causas de fallos con el fin de estudiar las
modificaciones más apropiadas. Suelen orientarse hacia el estudio de
modos de fallos concretos.
4. Ensayos en condiciones reales de funcionamiento: El objetivo de este tipo
de ensayo es conocer el comportamiento real de los equipos de produc-
ción en serie. Son ensayos encaminados a conocer la fiabilidad en condi-
ciones reales de funcionamiento.

b) Por su naturaleza estadística

1. Ensayos de estimación: Orientados a conocer (estimar) el valor de alguno
de los parámetros que reflejan el comportamiento del producto, en cuanto
a su duración. Emplea métodos estadísticos de estimación, puntual o por
intervalos de confianza.
2. Ensayos de comparación: Se pretende con ellos comparar el comporta-
miento del producto en cuanto a su vida con un estándar previamente fi-

-49-
 jado. Emplea técnicas estadísticas de contraste de hipótesis, habitualmen-
te paramétricas.

c) Por las cargas aplicadas

1. Ensayos bajo carga constante: Las cargas aplicadas son invariantes a lo

largo del ensayo.
 Ensayos normales: son ensayos en los que las cargas aplicadas son el
mismo orden que las de servicio.
 Ensayos acelerados: Con el fin de acortar el tiempo de ensayo, las car-
gas aplicadas son superiores a las de servicio.
2. Ensayos bajo carga variable: La intensidad de carga varía a lo largo del
ensayo
 Ensayos con crecimiento lineal de la carga.
 Ensayos con carga creciente escalonadamente.
 Ensayos con ciclos en el nivel de carga: La variación tiene lugar según
un ciclo previsto.
 Ensayos con carga aleatoria.

c) Por la criterio de detención de la prueba

1. Ensayos completos: Son aquellos que terminan cuando han fallado todas
las unidades ensayadas. Presentan el inconveniente de la larga duración
del ensayo, que hace que sean relativamente poco usados.
2. Ensayos de duración fija, truncados o limitados por tiempo: El ensayo du-
ra un tiempo prefijado. Suelen corresponder a ensayos de control, es de-
cir, a aquellos cuyo objetivo es asegurar una fiabilidad mínima.
3. Ensayos a número de fallo fijo, censurados o limitados por fallos: Finaliza
el ensayo cuando han fallado un número predeterminado de componen-
tes. La ventaja es no tener que esperar a que se estropeen todos los
componentes de la muestra. También se emplean como ensayos de con-
trol.
4. Ensayos progresivos o secuenciales: Son ensayos en los que se decide
en cada fallo si se continúa o no. Son también ensayos de control.

-50-
 5. Ensayos progresivos limitados: Se limitan tanto la duración del ensayo
como el número de fallos ocurridos y se detiene según lo que ocurra ante-
s. La ventaja es que, en muchos casos, puede anticiparse la decisión.

Se ve, pues, que la variedad de ensayos disponibles hace que, a priori,

no se pueda establecer una recomendación general concreta, sino que la
elección del tipo de ensayo debe adaptarse a cada caso concreto y cada ne-
cesidad, actuándose según las características propias del estudio. Por ejem-
plo, mientras que en los ensayos de medida no conocemos el comportamien-
to de los dispositivos, en los ensayos de control tenemos cierta experiencia
por ensayos anteriores o por los resultados en el servicio, así pues, en el pri-
mer caso necesitaremos aplicar ensayos completos y en el segundo será su-
ficiente con un ensayo censurado o truncado. Por otra parte, si estamos en la
fase de estudio de un componente (medida, control e investigación) los ensa-
yos podrían ser de duración más corta y con condiciones de carga controlada,
mientras que para la clasificación definitiva del producto lo mejor es realizar el
estudio en condiciones de carga reales (aleatorias) y con duración más larga.

5.2. Análisis de los resultados de los ensayos.

Para realizar el análisis de los resultados será necesario tener en cuen-

ta dos puntos: en primer lugar, conocer las causas del fallo o avería, puesto
que nos servirá para determinar si el fallo es prematuro (precoz), accidental o
debido al envejecimiento, y en segundo lugar, tener en cuenta una serie de
consideraciones estadísticas. Así pues, conocimientos técnicos y estadísticos
deben ir a la par.

También es importante determinar con exactitud el estado de los com-

ponentes, puesto que, por ejemplo, el almacenamiento puede producir algún
tipo de degradación (p.e., problemas de oxidación) que provoque fallos pre-
maturos en el ensayo y sin embargo no podemos considerarlos fallos por en-
vejecimiento dada la rapidez de su aparición. Por ello, someteremos a ensa-
yo solo aquellas unidades que se encuentren dentro de los límites apropiados
en cuanto a las condiciones de trabajo se refiere.
-51-
5.2.1. Ensayos de fiabilidad frente a fallos accidentales

Para realizar ensayos en los que se quiere estudiar el comportamiento

del producto frente a fallos accidentales será necesario que hayamos elimina-
do los fallos precoces. Como en el periodo de fallos accidentales el compor-
tamiento de la variable vida de la unidad es independiente de la edad del pro-
ducto, podemos comenzar el ensayo en un instante de tiempo arbitrario sin
que los tiempos tengan que coincidir con la edad del producto. De todos mo-
dos es aconsejable usar unidades similares en cuanto a edad e historia pre-
via, pues el modelo exponencial no deja de ser una idealización de los com-
portamientos reales. Este tipo de ensayo estudia la duración del servicio, más
que la edad del producto.

Para que este tipo de ensayo sea válido será necesario diferenciar en-
tre fallos accidentales y fallos por envejecimiento. Para tener una cierta segu-
ridad de que los fallos producidos no son debidos a esta última causa debe-
mos asegurarnos que los ensayos se realicen durante el periodo de vida útil
de los componentes sometidos a estudio.

El problema que tendríamos que solucionar ahora es cómo determinar

el final del periodo de vida útil, que es precisamente donde comienza el fenó-
meno de envejecimiento, con el fin de no mezclar las dos posibles clases de
fallos. Para ello debemos recurrir al empleo de métodos estadísticos.

Como se demostró en apartados anteriores, en este periodo la vida tie-

ne una distribución exponencial, EXP(), en la que la tasa de fallo es constan-
te. Por otra parte, sabemos que el periodo de vida útil es aquel en el que los
componentes son útiles en cuanto a que sólo una causa accidental provocará
su fallo, y no problemas intrínsecos al propio producto. Si, trabajando con uni-
dades nuevas, observamos que algunos fallos se han producido en tiempos
de servicio (edades) anormalmente altos para una distribución Exp(), debe-
remos deducir que se trata de unidades que, superada la etapa de fallos acci-
dentales, han sufrido un fallo por envejecimiento.

-52-
 Así pues, lo que se hace habitualmente es estimar  y calcular un tiem-
po de servicio b para el cual la fiabilidad alcance un valor pequeño  (con fre-
cuencia =0.00135):

R(b) = e-b = 
1
b=  ln     ln 


Las unidades cuya duración ha superado ese valor b debes ser elimi-
nadas de la muestra, debiéndose repetir el cálculo de b tantas veces cuantas
sea necesario hasta eliminar todos los fallos que no podemos considerar ac-
cidentales.

Por lo tanto, consideraremos que desde el comienzo del ensayo hasta

el instante b todos los fallos que se produzcan serán debidos al azar (acciden-
tales), a no ser que se demuestre lo contrario. En tal caso, y como ya vere-
mos más adelante, solo será necesario realizar una corrección de los cálculos
del ensayo.

Es posible que antes del instante b fallen solo una pequeña parte de
los componentes de la muestra. Si esta fuera muy reducida podría no haber
ningún fallo accidental, o un número de ellos de escasa significación. Por ello,
para obtener suficiente información los ensayos de fiabilidad, suelen hacerse
con muestras de tamaño bastante grande.

5.2.2. Ensayos de fiabilidad frente a fallos por envejecimiento.

Para realizar ensayos de envejecimiento será necesario depurar la

muestra estudiada de fallos precoces. Ello dificulta el que el ensayo comience
al inicio de la vida del producto (por la necesidad de depurar las unidades). Si
esas unidades anteriormente ya estuvieron sometidos a ensayo, con el objeti-
vo de eliminar los fallos precoces, los tiempos tendrán que sumarse a los del
ensayo actual.

-53-
 Por otra parte, y como se comentó con anterioridad, es necesario que
diferenciemos los fallos accidentales de los fallos por envejecimiento, por ello,
si se decide que k de los fallos no han sido debido a esta última causa de-
berán excluirse del estudio, lo cual sería equivalente a realizar el ensayo con
n-k componentes.

No obstante, algunas veces será difícil eliminar de forma clara los fallos
que no sean debidos al envejecimiento, por esta causa será necesario recurrir
a consideraciones estadísticas. Por ejemplo, si el ensayo de envejecimiento
está asociado a una distribución Normal de media  y desviación típica ,
N(,), en el intervalo  3· se encuentra el 99’73% de las observaciones, es
decir, que por debajo del límite inferior solo se encuentra el 0’135%. Así pues,
la probabilidad de que un componente falle por envejecimiento antes de  -
3· es muy pequeña, y en promedio sólo 1’35 componentes de cada 1000
tendrán este tipo de fallo. Por ello, los fallos que ocurran antes de este límite,
salvo que se demuestre lo contrario, decidiremos que son fallos accidentales.
Este criterio puede aplicarse también a la distribución de Weibull cuando
>3’2 (con lo cual sería correcto aproximarla a la distribución normal).

Evidentemente, para aplicar el método estadístico anterior, es necesa-

rio conocer una estimación aproximada del valor de  y de . Una vez conoci-
das estas estimaciones, se rechazarán aquellos componentes que se encuen-
tren por debajo del límite. Puesto que eliminamos datos que han sido utiliza-
dos en la estimación de los parámetros anteriores será necesario volver a de-
terminar sus estimaciones a partir de los datos restantes para una mayor
exactitud, y así continuaremos hasta que no queden componentes con valo-
res por debajo de dicho límite.

5.3. Ensayos de estimación.

En los puntos anteriores se ha podido comprobar que algunos de los

métodos utilizados para determinar la diferencia entre los fallos accidentales y
de envejecimiento se basan en la estimación de los parámetros de una distri-
bución. También es muy frecuente que el objetivo del ensayo sea conocer la
-54-
 ley de probabilidad de los componentes y obtener bien la estimación, bien el
contraste de los parámetros de estas distribuciones. Para ello se examina una
muestra de tamaño n de un mismo tipo de componentes con el fin de estudiar
dicha distribución estadística de la duración de la vida de las unidades.

En los apartados siguientes se muestran algunos métodos básicos pa-

ra realizar estas estimaciones, atendiendo al distinto tipo de distribución o
modelo estadístico empleado.

5.3.1. Distribución Exponencial.

Como hemos visto anteriormente, la ley exponencial expresada según

su función de densidad es:
f(t) = ·e-t
siendo su función de fiabilidad
R(t) = e-t

Como se observa, la ley exponencial depende de un único parámetro

que es la tasa de fallo, , que esta relacionada con  puesto que =1/, tam-
bién llamado tiempo medio entre fallos (MTBF) o tiempo medio hasta el fallo
(MTTF), según el caso. Por lo tanto, éste será el único parámetro que necesi-
tamos estimar para determinar la distribución de la vida en el periodo de fallos
accidentales o vida útil.

5.3.1.1. Estimación de parámetros.

 Estimación puntual:
La estimación puntual del MTBF (MTTF) para cualquier tipo de ensayo
es relativamente sencilla, siempre y cuando estemos es el periodo de vida útil,
pues en tal caso la vida media será:
n t T
ˆ   i 
i1 r r
es decir, la suma de todas las vidas de las diferentes unidades ensayadas
(hayan terminado fallando o no) dividido por r, que es el número de compo-
-55-
nentes que han fallado. Si el tipo de ensayo realizado fuera un ensayo com-
pleto, el valor de r coincidiría con el tamaño de la muestra n. Al numerador T
se le llama “tiempo total acumulado de test” y representa la experiencia de
uso de ese tipo de unidad que se ha acumulado en el ensayo.

Ejemplo 5.1.
Considérese que se ha hecho un ensayo limitado por tiempo con diez unida-
des. La detención de la experiencia se produjo a las 250 horas de su inicio y,
hasta ese instante, habían fallado cuatro unidades en los tiempos 80, 145,
210 y 238. En este caso tendríamos:
r=4
T = 80 + 145 + 210 + 238 + 6*250 = 2173
2173
   543.3 h
4

 Estimación mediante intervalos de confianza:

Otra forma de estimar la vida media es con intervalos de confianza. En
este caso, la estimación del parámetro  se realizará de forma distinta según
el tipo de ensayo utilizado. En las expresiones siguientes  es el llamado nivel
de significación.

 Ensayo completo o ensayo censurado (Test limitado por fallos):

2T 2T
- Intervalo bilateral: 2(  / 2 )
   2(1  / 2)
2r 2r

2T
- Intervalo unilateral:  
 22(r  )

 Ensayo truncado (Test limitado por tiempo):

2T 2T
- Intervalo bilateral: 2(  / 2 )
   2(1  / 2)
2(r 1) 2(r 1)

2T
- Intervalo unilateral:  
 22((r)1)

-56-
 Téngase en cuenta que lo que se ha llamado aquí arriba intervalo unila-
teral es en realidad una cota mínima que se esta dando para el valor de la vi-
da media de la unidad, a la vista de la información recogida en el ensayo y
con cierto nivel de confianza.

 Estimación mediante métodos gráficos:

Podemos utilizar un método de estimación gráfica para determinar el
parámetro de la ley exponencial, y a su vez, poder comprobar que los datos
se distribuyen según esta ley. Este método es adecuado para ensayos com-
pletos.

Para la realización de estimaciones gráficas en ensayos incompletos,

se empleará el mismo procedimiento descrito más adelante, para la distribu-
ción de Weibull con datos incompletos, puesto que la distribución exponencial
es una caso particular de la de Weibull.

El procedimiento es un gráfico donde en el eje de abcisas, colocamos

los instantes de fallo de cada componente y en el eje de ordenadas (con es-
cala logarítmica) dibujamos los valores de 1/R(t). Si la duración del compo-
nente obedece a una distribución exponencial los puntos que representan a
cada componente deben quedar más o menos alineados (Figura 5.1).

-57-
 1/Ri

100

10

2’72

Figura 5.1.- Papel probabilístico exponencial

La F(ti) estimada, para el caso de tamaño de muestra reducida, como:

i
Fi ( ti ) 
n1
donde i es el número total de componentes que ha fallado hasta ese instante ti
(orden en el que han fallado) y n es el tamaño de la muestra del ensayo.

Si n es relativamente grande podemos hallar F(ti) como:

i
Fi ( ti ) 
n

Por lo tanto, usando las dos expresiones anteriores, el valor de la fiabi-

lidad será:
i n  1 i
Ri (t i )  1  
n1 n1

-58-
 i ni
o bien Ri ( t i )  1  
n n
según sea el tamaño de la muestra.

Una vez realizada la gráfica y comprobado que los puntos quedan sen-
siblemente alineados, lo que significa que la vida de los componentes se pue-
den distribuir como una exponencial, el valor de la estimación de la vida media
corresponde a la proporción a R()=0’37, es decir, 1/R()=e1=2.72.

Ejemplo 5.2.

Se han ensayado 37 componentes cuya duración se supone que sigue

una distribución exponencial. Las duraciones respectivas se resumen en la
tabla 5.1.
 Estimación puntual:
Vida media: 221.46 horas
 Estimación por intervalos de confianza:
Intervalo bilateral ( = 5%): [153.73, 286.5]
Cota inferior ( = 5%): 160.82

 Gráficamente (ver figura 5.2).

i ti (horas) Si 1/Si i ti (horas) Si 1/Si

1 10 0’974 1’027 21 172 0’447 2’235
2 15 0’947 1’056 22 195 0’421 2’357
3 20 0’921 1’086 23 207 0’395 2’533
4 22 0’895 1’118 24 219 0’368 2’714
5 32 0’868 1’152 25 238 0’342 2’923
6 40 0’842 1’188 26 260 0’316 3’167
7 42 0’816 1’226 27 300 0’289 3’455
8 46 0’789 1’267 28 342 0’263 3’800
9 48 0’763 1’310 29 382 0’237 4’222
10 51 0’737 1’357 30 435 0’211 4’750
11 60 0’710 1’407 31 460 0’184 5’429
12 71 0’684 1’462 32 490 0’158 6’333
13 76 0’658 1’520 33 520 0’132 7’800
14 87 0’631 1’583 34 600 0’105 9’500
15 93 0’605 1’652 35 630 0’079 12’667
16 105 0’579 1’727 36 670 0’053 19’000
-59-
 17 112 0’553 1’810 37 770 0’026 38’000
18 116 0’526 1’900
19 127 0’500 2’000
20 131 0’474 2’111

Tabla 5.1.

1/Ri Ri
100 0.01

10 0.1

0.2

2’72 0’37

0.5

1 1

Figura 5.2. 0 100 200 300 400 500 600 700 800 t

En la que se puede comprobar que la estimación de la media es similar a la

obtenida por métodos numéricos de estimación puntual.

5.3.1.2. Duración media de los ensayos. Número medio de fallos.

Por otra parte, para el caso de la distribución exponencial podemos

realizar las estimaciones de la duración esperada del ensayo o del número
esperado de fallos en función de tipo de ensayo, valores ambos que son de
gran interés en la fase de diseño del test, para ajustar su duración (caso de
los ensayos truncados) o el número de fallos permitidos (caso de los ensayos
censurados), así como el número de unidades empleadas.

 Ensayos censurados:
-60-
  Si el ensayo es sin reemplazamiento de las componentes que fallan, la
duración media del ensayo será:
r 1
E( t )    
i 1 n  r  i

donde n es el tamaño de la muestra y r es el número de componentes que

pueden fallar hasta la detención del ensayo.
 Si el ensayo es con reemplazamiento de los componentes que fallan, la
duración media de ensayo será:
r
E( t ) 
n

En los dos casos anteriores el valor de  debe ser conocido para poder realizar las
estimaciones. Ello requiere el uso de información histórica previa a la realización
del test, la formulación de hipótesis sobre el valor esperado de o la realización
de un test de tanteo.

 Ensayos truncados

 Si el ensayo es sin reemplazamiento, el número medio de fallos será:

E(r)=(1-e-T/)·n
donde T es la duración del ensayo

 Si el ensayo es con reemplazamiento, podremos obtener el número me-

dio de fallo como:
nT
E(r ) 

Cabe decir aquí lo mismo que en los ensayos censurados respecto al valor de la vi-
da media,, de las unidades estudiadas.

5.3.2. Distribución Normal.

Como ya hemos podido comprobar, la distribución Normal depende de

dos parámetros  y , donde  es la media y  es la desviación típica de las
duraciones o vida de las unidades objeto de estudio.

-61-
 La estimación de estos dos parámetros se realiza de forma distinta
según el tipo de ensayo utilizado:

 Ensayos completos:

Las estimaciones de los parámetros  y  mediante una estimación puntual

serán:

n t n (t i  t ) 2
ˆ  t   i   S  
i1 n i 1 n  1

donde ti son los instantes de fallo de cada componente.

Si realizamos la estimación de estos parámetros mediante intervalos de

confianza, suponiendo que no conocemos ningún parámetro, tendremos
que:

 S S
P t  t n/ 21     t  t n/ 21    1 
 n n

 (n  1)  S 2 (n  1)  S 2 
P 2  2  2  1 
  n 1,(  / 2)  n 1,(1 / 2) 

que son los intervalos de confianza que tienen una probabilidad de 1- de
contener al parámetro poblacional.

La estimación de esos parámetros también puede realizarse gráficamente

mediante el papel probabilístico Normal. Este papel, pautado ortogonal-
mente, tiene una escala lineal en el eje de abcisas, donde se representan
los tiempos ti, y otra escala de probabilidades acumuladas (función de dis-
tribución) rectificada en el eje de ordenadas, para que al dibujar los valores
de la función de distribución Normal correspondientes a cada ti, los datos
queden alineados formando más o menos una recta (Figura 5.3).

-62-
 Con los puntos anteriores, trazamos la recta que “explique” mejor a los da-
tos, de forma que podamos, a través de esta recta estimar los parámetros
 y . De ésta obtenemos los valores de ti que corresponden a las desfiabi-
lidades 0’16, 0’5, 0’84 que a su vez equivalen a los valores de la distribu-
ción Normal t -s, t , y t +s, de los cuales se puede despejar la t y la s, es-
timaciones de  y  respectivamente.

99.9

99

95

80

50

20

0.1

Figura 5.3.- Papel probabilístico Normal

Ejemplo 5.3.

Se han ensayado 10 unidades respecto a cierto tipo de esfuerzo que genera

problemas de envejecimiento (lo cual justifica el uso de la distribución normal).

-63-
 Los instantes de fallo observados han sido los siguientes: 185, 210, 225, 235,
248, 260, 275, 298, 318 y 322. Con ello la estimación de los parámetros de la
distribución normal sería:

ti
  t    257.6
i 10

 ( t i  t) 2
  S   45.87
n1

y los intervalos de confianza quedarían:

 Para la media (224.79, 290.41)
 Para la varianza (31.57, 83.75)

5.3.3. Distribución de Weibull.

Como hemos visto anteriormente, la distribución reducida de Weibull

depende de dos parámetros,  y , de forma que su función de densidad es:


t
t 1  
f (t)      e   


La estimación de estos dos parámetros mediante métodos numéricos

se realiza linealizando la función de distribución y ajustando a ese modelo, por
mínimos cuadrados, los resultados muestrales obtenidos. Sin ser muy com-
plejo, éste método de cálculo no se suele utilizar, a no ser que se haga me-
diante un software estadístico como el Statgraphics, SPSS, etc. o un paquete
específico de fiabilidad, como QuickRel, y las estimaciones se realizan me-
diante herramientas gráficas como el papel probabilístico de Weibull. Con to-
do, en el siguiente apartado se presenta ese método numérico.

La estimación de los parámetros de una distribución de Weibull me-

diante el papel probabilístico de Weibull se realizará dependiendo del tipo de
-64-
ensayo utilizado, es decir, si el ensayo es completo o incompleto (truncado o
censurado).

5.3.3.1. Método numérico.

Recuérdese que en el modelo de Weibull la fiabilidad de una unidad en

una misión de duración t, tiene la expresión:


t
 

R( t )  e
con lo que operando:

 
t  1  t
lnR( t )    o bien ln    
  R( t )    
tomando nuevamente logaritmos

  1 
ln ln    ln t ln
  R( t )  

expresión que resulta lineal en ln t. Si tenemos además en cuenta que

R(t) = 1 - F(t)

podemos obtener estimaciones de  y  haciendo un ajuste a las parejas de

valores:
x i  ln t i
  1 
y i  ln  ln  
  1  F( t i )  

y si escribimos como y=a+mx la recta ajustada, como estimaciones de los

parámetros buscados tendremos:
m
a

e
-65-
5.3.3.2. Métodos gráficos I. Ensayos completos.

Comencemos con los ensayos completos: el papel probabilístico de

Weibull es un papel pautado ortogonal que presenta una escala logarítmica,
en el eje de abcisas, para la duración de los componentes, ti, y otra escala
doble logarítmica, en el eje de ordenadas, para la función de distribución
muestral F(ti) o su correspondiente función de fiabilidad R(ti) (Figura 5.4).

La desfiabilidad o la fiabilidad se calcularán como:

i  0'3 n  i  0'1
Fi ( ti )  R i (t i ) 
n  0'4 n  0'4
donde i es el número total de componentes que han fallado hasta el instante ti
(si en cada ti sólo se ha producido un fallo, es orden en el que han fallado) y n
es el tamaño de la muestra. La función de distribución muestral no es más
que la frecuencia de fallos acumulada pero considerando una serie correccio-
nes, entre otras cosas para evitar el desbordamiento, es decir, que el resulta-
do llegue a ser igual a 1. Existen varios métodos de cálculo de F(ti) que con-
ducen a estimaciones similares, el que aquí hemos presentado es uno de
ellos.

-66-
 PENDIENTE
DE WEIBULL

VIDA

Figura 5.4.- Papel probabilístico de Weibull para ensayos completos

Los pares de puntos (ti, F(ti)) se representan en el papel de Weibull.

Una vez dibujados los valores en la gráfica debemos comprobar si los puntos
forman aproximadamente una recta, si no es así es que los tiempos de vida
no son una distribución de Weibull. Si comprobamos que si que se cumple es-

-67-
ta condición podemos estimar los parámetros de dicha distribución de la for-
ma siguiente:

 Trazaremos una recta que represente bien la nube de puntos.

 El parámetro de forma , pendiente de la recta, se obtiene mediante el arco
circular graduado situado en la parte superior izquierda del papel. Trazando
por su centro una recta paralela a la que representa la ley de probabilidad y
leyendo en la escala del arco, obtenemos el valor de .
 El parámetro  se obtiene leyendo, a partir de la recta, el instante t para el
cual la función de distribución es 0’63 ó la fiabilidad 0’37.

A partir de los parámetros anteriores podemos estimar la media y la va-

rianza de esta distribución aplicando las siguientes fórmulas:

 
ˆ     1  1      1  
ˆ 2   2   1  2

2 1


donde () es la función Gamma.

Ejemplo 5.4.

Se han ensayado hasta su fallo 12 resortes de acero, registrándose el

número de ciclos de compresión – extensión en que cada uno de los fallos se
ha producido.

Con los valores obtenidos preparamos una tabla, en la que además se

calculan las funciones de distribución muestrales empleadas en este método,
resultando:

Ti 11680 13850 15550 15770 15800 17100 17150 19130 22080 22900 24590 26230
0 0 0 0 0 0 0 0 0 0 0 0

Fi 5.6 13.7 21.8 29.8 37.9 46.0 54.0 62.1 70.2 78.2 86.3 94.4

-68-
 Y representándolo gráficamente, tenemos la Figura 5.5, en la que po-
demos leer las estimaciones de los valores de los dos parámetros de la distri-
bución de Weibull:

 = 4.5  = 195000

PENDIENTE
DE WEIBULL

VIDA

Figura 5.5.

5.3.3.3. Métodos gráficos II. Ensayos incompletos.

Para el caso de ensayos incompletos tomamos los instantes de tiempo,

ti, en los que han fallado r unidades de una muestra de tamaño n. Estas r uni-
dades puede ser, o bien, el número de fallos que hemos fijado para un ensayo

-69-
censurado, o bien, el número de unidades que han fallado hasta el instante tr
en un ensayo truncado.

El papel probabilístico de Weibull que se emplea aquí es un papel pau-

tado ortogonal donde en el eje de abcisas inferior se pone la tasa de fallos
acumulados (o función de azar acumulada) y en las ordenadas el instante del
fallo, con ello obtenemos la función de la tasa de fallo. En la abcisa superior
se encuentra la función de distribución en función de los instantes de fallo (Fi-
gura 5.6).

Figura 5.6.- Papel probabilístico de Weibull para ensayos incompletos

Calculamos la tasa de fallo como:

100
ht 
K

-70-
 donde K es la numeración en orden inverso (de mayor a menor) de los instan-
tes de tiempo en los que se han ido retirando los componentes de la muestra
de tamaño n, bien sea porque han fallado o porque han finalizado el test. Se
hallará la tasa de fallo sólo de aquellos componentes que hayan fallado.

Una vez se ha hallado la tasa de fallo, determinaremos la tasa de fallo

acumulada Hi, como la suma de las tasas de fallo anteriores, que será la que
dibujemos. Si los puntos forman aproximadamente una recta podremos esti-
mar los parámetros de la distribución de la siguiente forma:

 El parámetro de forma  se hallará trazando una recta paralela a la que for-

man los puntos del ensayo tomando el “punto de referencia” para dibujarla. El
punto donde se corta con la escala superior de la tabla será el valor estimado
de .

 El parámetro  lo estimaremos leyendo del eje de ordenadas el instante de

tiempo que corresponde a una desfiabilidad del 63%.

Ejemplo 5.5.

Se está estudiando el comportamiento de unos rodamientos frente a

problemas de fatiga del material y se han analizado 20 unidades en un ensayo
cuya duración estaba limitada a 250 horas. Los resultados son:

Número de fallos: 9
Instantes de fallo: 128, 145, 162, 170, 191, 210, 223, 235, 246

Además, en dos unidades la experiencia hubo de detenerse por moti-

vos distintos al estudiado en los instantes 155 y 220.

ti ni ht Ht
128 20 5,00 5,00
145 19 5,26 10,26

-71-
 155** 18
162 17 5,88 16,15
170 16 6,25 22,40
191 15 6,67 29,06
210 14 7,14 36,21
220** 13
223 12 8,33 44,54
235 11 9,09 53,63
246 10 10,00 63,63
Tabla 5.3. 250** 9-1

Si calculamos las tasas de fallo o funciones de azar obtenemos la Ta-

bla 5.3. Si empleamos el método gráfico para ensayos incompletos de Wei-
bull, obtenemos la figura 5.7, que nos permite obtener las siguientes estima-
ciones:

= 2.1 = 370 horas

El valor del parámetro  lo leemos directamente de la escala de la parte

superior de la gráfica, mientras que el parámetro  lo obtenemos entrando
con el valor 63 en la línea de porcentaje, bajando hasta la recta ajustada y le-
yendo en la escala izquierda el valor de .

En la escala de la izquierda (ordenadas) hemos considerado las horas

multiplicadas por 10, en lugar del 1000 que figura en el impreso.

-72-
 Figura 5.7.

5.4. Ensayos de comparación.

El objetivo de este tipo ensayo no es estimar el valor de los parámetros

de una distribución, sino comprobar, a través del ensayo, si el componente
cumple un determinado requisito en cuanto a la vida media, es decir, plantear
un test de hipótesis para contrastar el valor de ésta vida media.

Este procedimiento se basa en el planteamiento de lo que llamamos

una hipótesis nula (H0) que nos proporciona el valor del parámetro que que-
remos comprobar, en nuestro caso la vida media, contra otra hipótesis alter-
nativa (H1) que nos dice, en caso de que no se cumpla la nula, qué posibles
valores puede tomar el parámetro poblacional. Por ejemplo, si se plantea el
contraste de hipótesis H0(0) vs H1(<0) queremos comprobar si la vida
media es superior o igual a un valor 0 o por el contrario es menor. La resolu-

-73-
ción de este tipo de contraste se realiza mediante la comparación del valor es-
timado del parámetro poblacional (a través de una muestra) con un valor críti-
co que se determinará en función de las hipótesis planteadas, de forma que
aceptaremos o rechazaremos la hipótesis nula en función de si este paráme-
tro muestral sobrepasa o no el valor crítico.

Como en todos los métodos estadísticos, la certeza absoluta no existe,

puesto que al realizar el estudio de los parámetros a través de una muestra
aleatoria, en vez de con toda la población, tendremos cierto grado de incerti-
dumbre en el resultado que se obtenga. Por ello, debemos fijar de entrada la
probabilidad de error que queremos cometer para hacer este estudio. Así
pues, debemos saber qué tipos de error se pueden cometer.

En las pruebas de hipótesis estadísticas existen dos tipos de error, que

son los que se llaman Error de 1ª especie y Error de 2ª especie. El primero de
ellos es debido a que rechazamos la hipótesis nula cuando realmente es cier-
ta y a la probabilidad de cometer este error le llamamos . El segundo es de-
bido a que aceptamos la hipótesis nula cuando realmente es falsa y su proba-
bilidad es representada por .

Habitualmente las pruebas que se realizan corresponden a lo que

hemos llamado ensayos incompletos pudiendo utilizarse para este tipo de
comparaciones los ensayos truncados y los censurados. Desarrollaremos el
método para cada uno de ellos.

Los ensayos expuestos a continuación se basan en el modelo exponencial,

por lo tanto deberán ser empleados sólo durante la vida útil de las unidades
estudiadas.

 Ensayos censurados.
El contraste de hipótesis que queremos realizar es
H0(0) vs H1(<0)
y teniendo en cuenta que r es un número de fallos con el que se ha limitado el
ensayo entonces:
-74-
 r 2  ti 2  T
    22r
i1  

donde ti son los instantes de fallo de los r componentes. Es decir, que su dis-
tribución es una Chi cuadrado de 2r grados de libertad.

La zona de rechazo de la hipótesis nula para este tipo de contraste es

la misma que la de H0(=0) vs H1(<0):

R  { t / ˆ  a}

y recordando que  = T/r (como ya se vio en la estimación del parámetro 

de la distribución exponencial)

R  { t / T  r  a}

Fijando la probabilidad de error de 1ª especie , obtenemos el intervalo

de aceptación de la hipótesis:

2T 2r a   2r a

1- = P(T  r  a /   0 )  P  /   0   P 22r  
     0 

por lo tanto:
2r a  0 2(  )
  22(r  ) y a 
0 2  r 2r
Por lo tanto, rechazaremos la hipótesis nula cuando
  
R   t / T  0  22(r ) 
 2 
y aceptaremos la hipótesis nula cuando
  
A   t / T  0  22(r ) 
 2 

Podemos comprobar cuál es la eficacia del test, es decir, obtener su

Curva Característica. Si calculamos la probabilidad de que el test nos lleve a
aceptar en función del valor de , se obtiene que:

-75-
   2 ( )   2  T  0 2 ( )   2 ( )  2 ( )    0 2 ( ) 
Pa  P  T  0  2r   P    2r   P   2r  0  2r   1  F 2   
 2         2r   2r 

donde F es la función de distribución de una Chi cuadrado de 2·r grados de li-

bertad.

Ejemplo 5.6.

Se están recibiendo relés para su montaje en un equipo industrial y se ha es-

pecificado al fabricante que la vida media debe superar las 100.000 conmuta-
ciones. Para comprobar el cumplimiento de esa especificación se realiza un
ensayo censurado, limitado a 20.000 conmutaciones. Los resultados obteni-
dos al ensayar 15 unidades han sido:

Fallos observados: 4
Instantes de fallo: 8000, 12500, 16000, 18800

Para decidir si se acepta el envío, con =5%, y pasa a montaje se debe calcu-
lar la zona de aceptación del test arriba expuesto:

  0 2 ( ) 
A  t / T   
 2 2r 

donde: 0 = 20.000 r=4

2 ( 0.05 )
8  15.51

resultando:


A  t / T  155100
y como en este ejemplo T= 275.300, deberemos ACEPTAR el envío.

 Ensayos truncados

-76-
 Queremos contrastar
H0(0) vs H1(<0)
para el caso del un test limitado por tiempo. Para ello tomaremos una muestra
de tamaño n y en función del número de componentes que hayan fallado has-
ta el instante T0, que es la duración del ensayo, aceptaremos o rechazaremos
la hipótesis nula.

La Tabla 5.4 muestra el tamaño de muestra mínimo que debemos to-

mar en función del número máximo de fallos que permitiremos para aceptar la
hipótesis nula (número de aceptación) y en función de los valores del ratio
T0/0 donde T0 es la duración del ensayo y 0 es el valor de la hipótesis que
queremos comprobar. Los datos están hallados para un nivel de confianza del
90% y para fallos accidentales, es decir, con la distribución Exponencial.

TAMAÑO DE MUESTRA PARA ENSAYOS TRUNCADOS (NIVEL DE

CONFIANZA DEL 90%)
Nº de Ratio T0/0
Acep- 1’0 0’5 0’2 0’1 0’05 0’02 0’01 0’005 0’002 0’001 0’0005 0’0002 0’0001

tación
0 3 5 12 24 47 116 231 461 1.152 2.303 4.606 11.513 23.026
1 5 9 20 40 79 195 390 778 1.946 3.891 7.780 19.450 38.838
2 7 12 28 55 109 266 533 1.065 2.662 5.323 10.645 26.612 53.223
3 9 15 35 69 137 333 668 1.337 3.341 6.681 13.362 33.404 66.808
4 11 19 42 83 164 398 798 1.599 3.997 7.994 15.988 39.968 79.936
5 13 22 49 97 190 462 927 1.855 4.638 9.275 18.549 46.374 92.747
6 15 25 56 110 217 528 1.054 2.107 5.267 10.533 21.064 52.661 105.322
7 16 28 63 123 243 589 1.178 2.355 5.886 11.771 23.542 58.855 117.710
8 18 31 70 136 269 648 1.300 2.599 6.498 12.995 25.990 64.974 129.948
9 20 34 76 149 294 709 1.421 2.842 7.103 14.206 28.412 71.030 142.060
10 22 37 83 161 319 770 1.541 3.082 7.704 15.407 30.814 77.034 154.068
11 22 40 89 174 344 830 1.660 3.320 8.300 16.598 33.197 82.991 165.982
12 25 42 95 187 369 888 1.779 3.557 8.891 17.782 35.564 88.908 177.816
13 27 45 102 199 393 947 1.896 3.792 9.479 18.958 37.916 94.790 189.580
14 29 48 108 212 417 1.007 2.013 4.026 10.064 20.128 40.256 100.640 201.280
Tabla 5.4.

Ejemplo 5.7.

Se desea estudiar un lote de componentes que nos envía un proveedor me-

diante un ensayo truncado de 100 horas de duración, permitiéndose un solo
fallo en las unidades ensayadas. La vida media requerida para esas unidades

-77-
 es de 1000 horas. Si se usa =10%, ¿cuál debe ser el número de unidades
que se ensayen?.
T0= 100
0= 1000
y por tanto el ratio T0/0= 0.1
como el número de aceptación es 1, usando la tabla anterior resulta que:

n  40

5.5. Ejercicios.

1. Se desea estimar la vida media de unos componentes de los que se sabe

que están en su vida útil. Para ello se hace un ensayo limitado censurado con
20 unidades, de las que fallan 3 en los instantes 710, 840 y 1028. Obtener la
estimación puntual y por intervalos de confianza para esa vida media en dos
supuestos:
a) ensayo sin reemplazamiento
b) ensayo con reemplazamiento

2. Los fallos de unos componentes electrónicos se intuye que son debidos a

problemas de envejecimiento. Para estudiarlo se realiza un ensayo truncado
de 250 horas de duración. Son ensayadas en él 15 unidades resultando seis
fallos en los instantes 80, 150, 185, 205, 220 y 245. En una unidad el puesto
de ensayo se averió a las 200 horas sin que el componente ensayado en ella
hubiera fallado antes. Comprobar si el modelos sigue un comportamiento tipo
Weibull y estimar sus parámetros.

3. Se está controlando la fiabilidad de unos lotes de motores eléctricos que se

reciben de un proveedor. Para hacerlo se emplea un ensayo truncado, de du-
ración 24 horas. Si se especifica que la vida media requerida debe ser 2400
horas, diseñar el ensayo a realizar si trabajamos con =10%.

-78-
-79-
 CAPÍTULO 6: FIABILIDAD DE SISTEMAS

Hasta aquí se ha considerado que la unidad estudiada era un compo-

nente, es decir una unidad simple formada por un único elemento o bien una
unidad cuya estructura interna no resultaba de interés analizar, estando inte-
resados sólo por el rendimiento global de la unidad en términos de su dura-
ción frente a una determinada misión. En este capítulo consideraremos que
trabajamos con unidades complejas, llamadas sistemas, cuya estructura y
componentes son determinantes para su supervivencia o fallo en la misión
asignada, siendo además objeto esencial de nuestro interés el papel que jue-
ga esa estructura interna en el éxito o fracaso de la misión.

En los sistemas, a veces, existen partes o componentes que no tienen

influencia en la realización de una determinada misión, aunque puedan tener-
las en otras. Puesto que estos componentes no influyen en el funcionamiento,
tampoco influirán en la fiabilidad, por ello, a efectos de cálculo, no se tendrán
en cuenta las partes que no influyen, es decir, los cálculos solamente se reali-
zarán con las partes influyentes en esa misión del sistema.

Para poder determinar la fiabilidad del sistema, debemos hallar las fia-
bilidades de cada uno de los componentes influyentes en la misión. A los
componentes que sean totalmente seguros contra el fallo en la misión se les
puede asignar fiabilidad uno, mientras que del resto de componentes influyen-
tes, los que se admite que pueden fallar, deberemos determinar sus fiabilida-
des en función de sus probabilidades de éxito en la misión. Así pues, los fallos
del sistema provendrán únicamente de los componentes que influyen, y que
no son seguros.

Para determinar con mayor facilidad la fiabilidad de un sistema se reali-

za un cierto tipo de organigrama funcional, es decir, una representación gráfi-
ca de las conexiones entre la partes influyentes, no seguras, con el fin de
comprobar qué ocurre con el sistema cuando fallan cada uno de ellos. El or-
ganigrama de fiabilidad constará de una entrada y una salida y cada uno de
los componentes estará unido por conexiones o caminos, de forma que, si to-
-80-
 dos los posibles caminos del sistema que unen ésos dos puntos fallan, enton-
ces el sistema fallará.

A partir de este organigrama podremos hallar, de forma relativamente

sencilla, lo que llamaremos “fiabilidad calculada”, puesto que ésta se determi-
na en base a la Teoría de probabilidades y no mediante ensayo, que sería la
“fiabilidad observada”. Evidentemente, la que se observa debe coincidir con la
que se calcula, puesto que en caso contrario se habría realizado una asigna-
ción incorrecta de las fiabilidades de cada componente, o bien estaría mal
construido el grafo u organigrama de sistema.

Es importante resaltar que ese organigrama funcional no tiene porque

corresponderse con la estructura física del sistema, siendo más bien una re-
presentación funcional del comportamiento del sistema frente al fallo. En los
apartados siguientes veremos algunos modelos típicos de sistemas y cómo se
realiza el cálculo de su fiabilidad.

6.1. Sistemas en serie.

Son aquellos en el que el sistema funciona si, y solo si, funcionan todos
y cada uno de los componentes que lo forman, o lo que es lo mismo, el siste-
ma falla cuando lo hace al menos uno de los componentes. De la definición
anterior se deduce que la forma que tendrá el organigrama será la de la figura
6.1.

R1 R2 R3 R4 Rn

C1 C2 C3 C4 Cn

Figura 6.1.- Sistema en serie

-81-
 Si llamamos Ri a las fiabilidades de cada uno de los componentes Ci y
Rs a la fiabilidad del sistema y asumimos la independencia de los componen-
tes que lo integran, ésta será:

Rs=P(Ts>t)= P[(T1>t)(T2>t)...(Tn>t)]=P(T1>t)·P(T2>t)·...·P(Tn>t)

Rs=R1·R2·...·Rn

donde Ts es la duración del sistema, Ti es la duración de cada componente Ci,

y n es el número de componentes montados en serie.

Por lo tanto, la fiabilidad total del sistema será el producto de las fiabili-
dades de cada uno de los componentes, ya que para que el sistema funcione
más de un tiempo t, deben funcionar todos los componentes más de ese
tiempo t.

Ejemplo 6.1.

En la figura 6.2 se muestra un ejemplo de cálculo de fiabilidad en un sistema

serie con 5 componentes.

0’95 0’90 0’93 0’85 0’97

C1 C2 C3 C4 C5

RS=0’95·0’90·0’93·0’85·0’97= 0’66

Figura 6.2.- Ejemplo de cálculo de fiabilidad del sistema serie

Puesto que la fiabilidad total del sistema es el producto de la de los

componentes y estas fiabilidades son todas ellas menores que la unidad, si el
número de éstos es relativamente grande, el resultado de la fiabilidad del sis-
tema puede ser reducido, aunque cada uno de los componentes tenga una
buena fiabilidad. Por ejemplo, si la fiabilidad de 150 componentes conectados
en serie es 0’99, la fiabilidad del sistema es:

-82-
 Rs=0’99150=0’22

La distribución de la vida de un componente durante el periodo de vida

útil sabemos que es una distribución exponencial, cuya función de densidad
es:
f i ( t )   i  e   i t t0
y su fiabilidad es:
R i ( t )  e  i t t0
Por lo tanto, para el caso de un sistema en serie integrado por componentes
que se encuentren todos ellos en su vida útil, la fiabilidad se calculará como:
n
n n  t  i
  i t
R s (t)   Ri (t)   e e i 1

i1 i1

Si llamamos s=i, entonces resulta que:

R s ( t )  e   s t

es decir, la vida de un sistema en serie, también se distribuye como una ex-

ponencial, cuya tasa de fallo es la suma de las tasas de fallo de cada uno de
sus componentes.

Siguiendo en este caso (componentes exponenciales), la vida media de

un sistema en serie, será, por lo tanto, la inversa de la suma de las inversas
de las vidas medias de los componentes:
1 1 1
s   
s n n 1
 i 
i1 i 1  i

y si los componentes que forman el sistema son idénticos, la vida media del
sistema será la de uno de los componentes divido por el número de ellos que
están montados en serie:
i
s 
n
puesto que su fiabilidad es:
Rs ( t )  Rni ( t )  en i t

-83-
 En la figura 6.3 se representa la evolución de la fiabilidad con respecto al
tiempo para varios valores de n, cuando los n componentes son idénticos y en
la zona de vida útil.

Rs(t)
i=10

n=1

n=3

n=6

Figura 6.3.- Fiabilidad del sistema en serie para componentes idénticos

6.2. Sistemas redundantes en paralelo.

Diremos que un sistema tiene una estructura redundante en paralelo si

verifica todas las siguientes condiciones:
 Un sistema redundante paralelo sólo falla si fallan todos y cada uno de sus
componentes, o bien, funciona mientras funcione al menos uno de sus
componentes.
 Cada componente es capaz de cumplir la misión por si solo.
 Todos los componentes que no hayan fallado están operando a la vez
(están simultáneamente bajo carga).
 Los componentes son independientes entre si, esto es, el estado de fun-
cionamiento o fallo de cada uno de ellos no afecta a las probabilidades que
tienen los demás de completar la misión.

De la primera condición de la definición se deduce que el organigrama

será el de la figura 6.4.

-84-
 R1
C1

R2
C2

.
.
.
Rn
Cn

Figura 6.4.- Sistema en paralelo

La fiabilidad del sistema la calcularemos teniendo en cuenta que:

P(Ts<t) = P [ (T1<t)  (T2<t)  …(Tn<t) ] = P(T1<t) P(T2<t) … P(Tn<t)

Y como P(T<t) = 1 – R(t), resulta:

P(Ts<t) = 1 - Rs= (1-R1)·(1-R2)·...·(1-Rn)

Con lo cual:
Rs=1 - (1-R1)·(1-R2)·...·(1-Rn)

donde Ts es la duración del sistema, Ti es la duración de cada componente Ci,

y n es el número de componentes montados en paralelo.

Obsérvese que si en un sistema serie la fiabilidad del sistema es el

productos de fiabilidades, en un sistema redundante en paralelo la desfiabili-
dad del sistema es el producto de las desfiabilidades de sus componentes.

Ejemplo 6.2.
En la figura 6.5 se muestra un ejemplo del calculo de fiabilidad del sistema en
paralelo con 3 componentes.

-85-
 0’8
C1

0’7
C2

0’8
C3

Rs=1-(1-0’8)·(1-0’7)·(1-0’8)=0’988

Figura 6.5.- Ejemplo de cálculo de fiabilidad del sistema paralelo

La fiabilidad de este sistema resulta ser 0.988, mucho mayor que cual-
quiera de las fiabilidades de los tres componentes que lo integran.

En este tipo de sistemas ocurre lo contrario que en los sistemas en se-

rie, cuanto mayor número de componentes existan formando el sistema, ma-
yor es su fiabilidad, aunque las fiabilidades de cada uno de ellos sean reduci-
das. Por ejemplo, supongamos que tenemos 20 componentes en paralelo ca-
da uno de ellos con una fiabilidad de 0’2, entonces, la fiabilidad del sistema
será:
Rs=1-(1-0’2)20=0’988

Si estudiamos la fiabilidad para el periodo de vida útil de todos los

componentes del sistema, teniendo en cuenta que la función de densidad de
la vida del componente i es:
fi ( t )  i  e  i t t0
y su fiabilidad es:
Ri ( t )  e  i t t0
tendremos que la del sistema es:

R s ( t )  1   1  R i ( t )  1   (1  e  i t )
n n

i 1 i 1

que no se ajusta al modelo exponencial, es decir que el comportamiento del

sistema paralelo en la zona de vida útil no es exponencial aunque los compo-
nentes que lo forman si que lo sean.

Si los componentes son idénticos se obtendrá que:

-86-
 
R s ( t )  1  1  e   i t 
n

y su vida media será:

 1 1
s  i  1       
 2 n
Gráficamente podemos ver en la figura 6.6 el efecto que produce sobre la fia-
bilidad el uso de la estructura redundante en paralelo.

Rs(t)
i=10

n=1

n=3

n=6

Figura 6.6.- Fiabilidad del sistema en paralelo para componentes idénticos

6.3. Sistemas compuestos serie-paralelo.

Muchos sistemas podemos descomponerlos en combinaciones de sis-

temas serie y paralelo lo cual resulta muy útil puesto que el estudio de este
sistema resulta sencillo, aunque puede llegar a ser largo y tedioso, por reque-
rirse únicamente la aplicación reiterada de los dos sencillos principios vistos
para los sistemas serie y paralelo. A continuación mostramos algunos ejem-
plos con el fin de aplicar, en este tipo de sistemas, lo visto en los tipos de es-
tructuras anteriores.

La figura 6.7.(a) muestra un organigrama en el que se disponen siste-

mas paralelo en serie y la figura 6.7.(b) muestra una combinación de sistemas
serie dispuestos en paralelo:

-87-
 C3 C1 C3
C1

C4

C2
C2 C4 C5
C5

(a) (b)

Figura 6.7.- Sistemas Serie-Paralelo

La forma de hallar la Fiabilidad del sistema de la figura 6.7.(a) es:

Rs=P( [(T1>t)(T2>t)][(T3>t)(T4>t)(T5>t)] ) =
P[(T1>t)(T2>t)]·P[(T3>t)(T4>t)(T5>t)]
es decir, es el producto de las fiabilidades de los dos sistemas paralelo que se
encuentran a su vez montados en serie:
Rs=[1-(1-R1)(1-R2)]·[1-(1-R3)·(1-R4)·(1-R5)]

Hallamos la Fiabilidad de la figura 6.7.(b):

Rs=P( [(T1>t)(T3>t)][(T2>t) (T4>t)(T5>t)] ) =
1 - [1-R1R3] [1-R2R4R5]
es decir que:
1 - Rs = [1-R1R3] [1-R2R4R5]
esto es, que la desfiabilidad del sistema es el producto de las desfiabilidades
de los dos sistemas serie que se encuentran a su vez en paralelo.

6.4. Sistemas generales.

No todos los sistemas pueden descomponerse como combinaciones de

sistemas serie y/o paralelo, por ello es necesario otros métodos de análisis.

En la figura 6.8 se muestra un ejemplo de estos tipos de sistemas:

-88-
 A C

B E

Figura 6.8.- Sistema general

Para el tratamiento de estos casos utilizaremos tres posibles métodos:

método de los pasos, método de los cortes y método de la partición. Veamos
cada uno de ellos por separado:

6.4.1. Método de los pasos.

Consiste en buscar todos los pasos o caminos de componentes tales

que su estado correcto implica el funcionamiento del Sistema, independiente-
mente del funcionamiento o no funcionamiento del resto de los componentes.

La nomenclatura que utilizaremos consiste en indicar el paso del siste-

ma mediante la letra de cada componente que se haya en estado de funcio-
namiento, por ejemplo, el paso ACD indicará que el sistema funciona si fun-
cionan los componentes A, C y D, no importando la situación en que se en-
cuentren los demás, es decir, no importando si funcionan o no. La probabili-
dad de que funcione el paso ACD se calculará como

P(ACD)=P(A)·P(B)·P(D) =RA·RB·RD

puesto que asumimos que el funcionamiento de los componentes es indepen-

diente para cada uno de ellos.

Los Pasos Simples son aquellos que sin uno de sus componentes no
funciona el sistema. En el caso de la figura 6.8 los pasos simples son: AC,

-89-
AD, BD, BE. Otros pasos son: ADC, ABC, ABCD, etc. Dicho de otro modo, en
un paso simple ningún subconjunto suyo es a su vez paso.

Cuando se realiza la intersección de dos pasos y deseamos obtener su

probabilidad funciona la denominada regla de absorción, que podríamos for-
mular diciendo que al intersectar dos pasos el paso resultante esta formado
por aquellos elementos que aparecen al menos una vez en cualquiera de los
pasos intersectados. Por ejemplo, la intersección de los pasos AD y BD será,
de acuerdo con lo anterior:

AD  BD = ABD
y en consecuencia
P(AD  BD) = P(ABD)

Tenemos pues que el sistema funcionará siempre y cuando al menos

uno de los Pasos Simples (Pi) esté abierto, y por lo tanto, calcularemos la fia-
bilidad global como:

 
n n
R s  PP1  P2      Pn    PPi    P Pi  Pj     
i1 i j

 
 ( 1)r 1  P Pi  Pj    (r )    Pk  ...  ( 1)n1 P(P1  P2  ...  Pn )
i jk

Aplicando esta fórmula a nuestro ejemplo queda:

Rs= P(AC) + P(AD) + P(BD) + P(BE)

- P(ACAD) - P(ACBD) - P(ACBE) - P(ADBD) - P(ADBE) - P(BDBE)
+ P(ACADBD) + P(ACADBE) + P(ADBDBE) + P(ACBDBE)
-P(ACADBDBE) =
P(AC)+P(AD)+P(BD)+P(BE)-P(ACD)-P(ABCD)-P(ABCE)-P(ABD)-P(ABDE)-
P(BDE)+P(ABCD)+P(ABCDE)+P(ABDE) +P(ABCDE)-P(ABCDE) =
P(AC)+P(AD)+P(BD)+P(BE)-P(ACD) -P(ABCE)-P(ABD) -P(BDE)+
+P(ABCDE)
desarrollando las probabilidades:

-90-
 Rs = RA·(RC+RD)+RB·(RD+RE)-RA·RC·RD-RA·RB·RC·RE- RA·RB·RD- RB·RD·RE-
RA·RB·RC·RD·RE

6.4.2. Método de los cortes.

Este método funciona igual que el anterior, pero en lugar de buscar los
caminos que hacen funcionar al sistema, buscamos los grupos de unidades
que hacen que éste no funcione.

Así como en el método de los pasos con la notación AC representába-

mos el suceso de que ambos componentes (A y C) estuvieran funcionando,
ahora usaremos una notación similar, por ejemplo AB, para indicar que los
componentes A y B se encuentran en fallo. Ello no de prestarse a confusión,
pues ambos métodos no van a ser empleados conjuntamente y por tanto am-
bas notaciones no se usaran juntas.

Se llama corte a un grupo de componentes de forma que su fallo impli-

ca el fallo del sistema. Análogamente a lo que hacíamos en el método ante-
rior, un Corte Simple es aquel que ninguna parte suya es un corte. Alternati-
vamente podríamos decir que aquel corte tal que cuando se le elimina cual-
quier componente deja de ser corte, es un corte simple.

En el ejemplo, los cortes simples son: AB, CDE, ADE, BCD. Otros cor-
tes son: ABC, ACDE, ABDE, ...

La probabilidad de que se dé un corte es el producto de las probabili-

dades de que fallen los componentes que lo definen, asumiendo la indepen-
dencia de los componentes. Por ejemplo:

P(CDE) = P(C) P(D) P(E)

siendo ahora P(C) = 1 - Rc etc., quedando:

P(CDE) = (1-RC) (1-RD) (1-RE)

-91-
Funciona también la regla de absorción para obtener la intersección de varios
pasos:

AB  ADE = ABDE

El sistema falla si se presenta al menos uno de los cortes simples (Ci).

Así pues, la fiabilidad del sistema se calculará como:

Rs=1-Fs=1-P(C1C2···Cn)
Donde:

 
n n
PC1  C 2      C n    PC i    P C i  C j     
i1 i j

 
 ( 1)r 1  P C i  C j    (r )    C k  ...  ( 1)n1 P(C1  C 2  ...  C n )
i jk

expresión que puede desarrollarse de modo similar a lo que hacíamos en el

método de los pasos:

RS = 1 - P(AB) - P(CDE) - P(ADE) - P(BCD) + P(ABCDE) + P(ABADE) +

P(ABBCD) + P(CDEADE) + P(CDEBCD) + P(ADEBCD) -
P(ABCDEADE) - P(ABCDEBCD) - P(ABADEBCD) -
P(CDEADEBCD) + P(ABCDEADEBCD) =
1 - P(AB) - P(CDE) - P(ADE) - P(BCD) + P(ABCDE) + P(ABDE) + P(ABCD) +
P(ACDE) + P(BCDE) + P(ABCDE) - P(ABCDE) - P(ABCDE) - P(ABCDE) -
P(ABCDE) + P(ABCDE) =
1 - P(AB) - P(CDE) - P(ADE) - P(BCD) + P(ABDE) + P(ABCD) + P(ACDE) +
P(BCDE) - P(ABCDE)

que escrito en función de las desfiabilidades Fi=1-Ri queda:

RS = 1 - FAFB - FCFDFE - FAFDFE - FBFCFD + FAFBFDFE + FAFBFCFD + FAFCFDFE

+ FBFCFDFE - FAFBFCFDFE
-92-
6.4.3. Método de la partición.

Consiste en obtener todos los caminos posibles, tanto si conducen al

funcionamiento del sistema como sino lo hacen. Para ello, se desarrolla un
árbol de probabilidad en que se recogen las distintas situaciones en que pue-
de estar el sistema respecto al fallo o éxito de sus componentes. Indicaremos
mediante la letra al componente que funciona y mediante la letra prima al que
no funciona, indicando al final del camino si el servicio se llevaría a cabo con
éxito (paso) o por el contrario el sistema fallaría (corte).

Para el ejemplo de la figura 6.8 se ha realizado dos posibles formatos

para desarrollar el árbol. En ambas se indica en cada etapa su probabilidad,
pero mientras que en la figura 6.9 luego hay que determinar el camino, en la
figura 6.10 solo con mirar la última rama ya tenemos el camino completo.

A continuación se calcularía la fiabilidad como la suma de las probabili-

dades de los diferentes caminos que llevan al éxito, o bien, calcularíamos la
desfiabilidad como la suma de las probabilidades de los caminos que terminan
en fallo.

La probabilidad de cada camino es el producto de las probabilidades

que hay en cada una de las ramas desde el comienzo hasta el final del cami-
no.

Así pues, para el árbol de las figuras 6.9 y 6.10, la fiabilidad la determi-
naríamos a partir de los caminos 1, 2, 3, 5, 7, 8, 11 y 12 como:

Rs= RA·RC+ RA·(1-RC)·RB·RD+ RA·(1-RC)·RB·(1-RD)·RE+ RA·(1-RC)·(1-RB)·RD+

(1-RA)·RC·RB·RD+ (1-RA)·RC·RB·(1-RD)·RE + (1-RA)·(1-RC)·RB·RD +
(1-RA)·(1-RC)·RB·(1-RD)·RE

que simplificándolo quedaría:

-93-
 Rs = RA·RC+ RA·(1-RC)·[RD+RB·(1-RD)·RE]+ (1-RA)·RB·[RD+(1-RD)·RE]

Y la desfiabilidad la podemos calcular a través de los caminos 4, 6, 9,

10, 13 y 14 como:
1-Rs= RA·(1-RC)·RB·(1-RD)·(1-RE)+ RA·(1-RC)·(1-RB)(1-RD) +
(1-RA)·RC·RB·(1-RD)·(1-RE)+ (1-RA)·RC·(1-RB)+ (1-RA)·(1-RC)·RB·(1-RD)·(1-
RE)+ (1-RA)·(1-RC)·(1-RB)
simplificándolo nos queda
1-Rs= RA·(1-RC)·(1-RD)·[1-RB·RE]+ (1-RA)·[1-RB·RE- RB·RD·(1-RE)]

C Éxito 1
RC

A RD D Éxito 2
RB B RE
1-RC E Éxito 3
RA 1-RD D’
1-RE E’ Fallo 4
C’
RD D Éxito 5
1-RB B’
1-RD D’ Fallo 6

RD 7
D Éxito
RB B RE
E Éxito 8
1-RD D’
C 1-RE E’ Fallo 9
1-RA RC
1-RB
B’ Fallo 10

A’
RD D Éxito 11
RB B RE
1-RC E Éxito 12
1-RD D’
C’ 1-RE E’ Fallo 13

1-RB
B’ Fallo 14

Figura 6.9.- Árbol 1 para el método de la partición

-94-
 AC Paso 1

A
AC’BD Paso 2
AC’B
AC’BD’E Paso 3
AC’BD’
AC’ AC’BD’E’ Corte 4
AC’B’D Paso 5
AC’B’
AC’B’D’ Corte 6

A’CBD Paso 7
A’CB
A’CBD’E Paso 8
A’CBD’
A’C A’CBD’E’ Corte 9

A’CB’ Corte 10

A’
A’C’BD Paso 11
A’C’B
A’C’BD’E Paso 12
A’C’BD’
A’C’ A’C’BD’E’ Corte 13

A’C’B’ Corte 14

Figura 6.10.- Árbol 2 para el método de la partición

6.5. Ejercicios.

1. El esquema funcional de cierto equipo es el que se refleja en la figura 6.11,

en la que aparecen también reflejadas las fiabilidades de cada uno de sus
componentes. Obtener la fiabilidad del sistema.

C
0.87

A B D F
0.90 0.92 0.90 0.95

F
0.75

-95-
 Figura 6.11.

2. Un sistema paralelo integrado por cinco componentes tiene a tres de ellos

en la fase de vida útil, siendo iguales y con una vida media de 850 horas. Las
otras dos componentes ha sobrepasado esa etapa de fallos accidentales y si-
guen cada uno modelo diferente. La primera es un modelo normal, de media
900 y desviación típica 50 horas. La otra sigue un modelo de Weibull de
parámetros =600 y =2.1. Se desea calcular la fiabilidad del sistema.

-96-
3. Calcular la fiabilidad del sistema de la figura 6.12.

A D

0.85 0.87

C E
0.90 0.80

B F
0.80 0.75

Figura 6.12.

-97-
 Bibliografía básica sobre Fiabilidad.

 A.E.C.C. (Asociación Española para el Control de Calidad). 1974. Medida

de la Fiabilidad. AECC. Madrid.
 Ansell, J.I., Phillips, M.J. 1994. Practical Methods for Reliability Data
Analysis. Oxford Science Publications. Oxford.
 Fernández de Troconiz, A. 1972. Aplicaciones de la Estadística. Grafor.
Bilbao.
 Grant Ireson, W., Coombs, C.F., Moss, R.Y. 1996. Handbook of Reliability
Engineering and Management. MCGraw-Hill. New York.
 Guy Peyret, B. 1969. La Fiabilité Industrielle. Ses bases mathematiques.
Eyrolles. Paris.
 Hoyland, A., Rausand, M. 1994. System Reliability Theory. Models and
Statistical Methods. Wiley. New York.
 Lloyd, N. 1972. Quality Control and Reliability. Industrial Press. New York.
 Sostkov, B. 1972. Fundamentos de la teoría y del cálculo de Fiabilidad. Ed.
MIR. Moscu.

-98-
 ANEXO A

TABLAS:

1. Tabla de la Distribución Normal

2. Tabla de la Distribución 2

3. Tabla de la Distribución t

4. Tabla de la Función Gamma

-99-
 DISTRIBUCIÓN NORMAL TIPIFICADA
z


1 -
t2 
( z)  P( Z  z)  e 2
dt
2


z 0 1 2 3 4 5 6 7 8 9 z 0 1 2 3 4 5 6 7 8 9

-3 0,0013 0,0010 0,0007 0,0005 0,0003 0,0002 0,0002 0,0001 0,0001 0,0000 0.0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
-2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014 0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
-2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019 0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
-2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026 0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
-2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036 0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879

-2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048 0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
-2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064 0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
-2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084 0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
-2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110 0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
-2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143 0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389

-2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183 1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
-1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233 1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
-1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294 1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
-1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367 1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
-1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455 1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319

-1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559 1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
-1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681 1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
-1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823 1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
-1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1057 0,1038 0,1020 0,1003 0,0985 1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
-1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170 1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767

-1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379 2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
-0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611 2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
-0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867 2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
-0,7 0,2420 0,2389 0,2358 0,2327 0,2297 0,2266 0,2236 0,2207 0,2177 0,2148 2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
-0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451 2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936

-0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776 2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
-0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121 2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
-0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483 2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
-0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859 2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
-0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247 2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
-0.0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641 3 0,9987 0,9990 0,9993 0,9995 0,9997 0,9998 0,9998 0,9999 0,9999 1,0000

José Jabaloyes Vivas Vicente Chirivella González

-101-
 DISTRIBUCIÓN CHI-CUADRADO DE PEARSON


n

t
t2
1

P(X  x)  e 2
n
dt
2 2   2n 


2n ()

n 0.9995 0.999 0.995 0.99 0.975 0.95 0.90 0.50 0.10 0.050 0.025 0.01 0.005 0.001 0.0005

1 0.000 0.000 0.000 0.000 0.001 0.004 0.016 0.455 2.706 3.842 5.024 6.635 7.879 10.827 12.115
2 0.001 0.002 0.010 0.020 0.051 0.103 0.211 1.386 4.605 5.992 7.378 9.210 10.597 13.815 15.201
3 0.015 0.024 0.072 0.115 0.216 0.352 0.584 2.366 6.251 7.815 9.348 11.345 12.838 16.266 17.731
4 0.064 0.091 0.207 0.297 0.484 0.711 1.064 3.357 7.779 9.488 11.143 13.277 14.860 18.466 19.998
5 0.158 0.210 0.412 0.554 0.831 1.146 1.610 4.352 9.236 11.071 12.833 15.086 16.750 20.515 22.106

6 0.299 0.381 0.676 0.872 1.237 1.635 2.204 5.348 10.645 12.592 14.449 16.812 18.548 22.457 24.102
7 0.485 0.599 0.989 1.239 1.690 2.167 2.833 6.346 12.017 14.067 16.013 18.475 20.278 24.321 26.018
8 0.710 0.857 1.344 1.647 2.180 2.733 3.490 7.344 13.362 15.507 17.535 20.090 21.955 26.124 27.867
9 0.972 1.152 1.735 2.088 2.700 3.325 4.168 8.343 14.684 16.919 19.023 21.666 23.589 27.877 29.667
10 1.265 1.479 2.156 2.558 3.247 3.940 4.865 9.342 15.987 18.307 20.483 23.209 25.188 29.588 31.419

11 1.587 1.834 2.603 3.054 3.816 4.575 5.578 10.341 17.275 19.675 21.920 24.725 26.757 31.264 33.138
12 1.935 2.214 3.074 3.571 4.404 5.226 6.304 11.340 18.549 21.026 23.337 26.217 28.300 32.909 34.821
13 2.305 2.617 3.565 4.107 5.009 5.892 7.042 12.340 19.812 22.362 24.736 27.688 29.819 34.527 36.477
14 2.697 3.041 4.075 4.660 5.629 6.571 7.790 13.339 21.064 23.685 26.119 29.141 31.319 36.124 38.109
15 3.107 3.483 4.601 5.229 6.262 7.261 8.547 14.339 22.307 24.996 27.488 30.578 32.802 37.698 39.717

16 3.536 3.942 5.142 5.812 6.908 7.962 9.312 15.339 23.542 26.296 28.845 32.000 34.267 39.252 41.308
17 3.980 4.416 5.697 6.408 7.564 8.672 10.085 16.338 24.769 27.587 30.191 33.409 35.718 40.791 42.881
18 4.439 4.905 6.265 7.015 8.231 9.390 10.865 17.338 25.989 28.869 31.526 34.805 37.156 42.312 44.434
19 4.913 5.407 6.844 7.633 8.907 10.117 11.651 18.338 27.204 30.144 32.852 36.191 38.582 43.819 45.974
20 5.398 5.921 7.434 8.260 9.591 10.851 12.443 19.337 28.412 31.410 34.170 37.566 39.997 45.314 47.498

21 5.895 6.447 8.034 8.897 10.283 11.591 13.240 20.337 29.615 32.671 35.479 38.932 41.401 46.796 49.010
22 6.404 6.983 8.643 9.543 10.982 12.338 14.042 21.337 30.813 33.925 36.781 40.289 42.796 48.268 50.510
23 6.924 7.529 9.260 10.196 11.689 13.091 14.848 22.337 32.007 35.173 38.076 41.638 44.181 49.728 51.999
24 7.453 8.085 9.886 10.856 12.401 13.848 15.659 23.337 33.196 36.415 39.364 42.980 45.558 51.179 53.478
25 7.991 8.649 10.520 11.524 13.120 14.611 16.473 24.337 34.382 37.653 40.647 44.314 46.928 52.619 54.948

26 8.537 9.222 11.160 12.198 13.844 15.379 17.292 25.337 35.563 38.885 41.923 45.642 48.290 54.051 56.407
27 9.093 9.803 11.808 12.879 14.573 16.151 18.114 26.336 36.741 40.113 43.195 46.963 49.645 55.475 57.856
28 9.656 10.391 12.461 13.565 15.308 16.928 18.939 27.336 37.916 41.337 44.461 48.278 50.994 56.892 59.299
29 10.227 10.986 13.121 14.256 16.047 17.708 19.768 28.336 39.088 42.557 45.722 49.588 52.336 58.301 60.734
30 10.804 11.588 13.787 14.954 16.791 18.493 20.599 29.336 40.256 43.773 46.979 50.892 53.672 59.702 62.160

40 16.906 17.917 20.707 22.164 24.433 26.509 29.051 39.335 51.805 55.759 59.342 63.691 66.766 73.403 76.096
50 23.461 24.674 27.991 29.707 32.357 34.764 37.689 49.335 63.167 67.505 71.420 76.154 79.490 86.660 89.560
60 30.339 31.738 35.534 37.485 40.482 43.188 46.459 59.335 74.397 79.082 83.298 88.379 91.952 99.608 102.697
70 37.467 39.036 43.275 45.442 48.758 51.739 55.329 69.335 85.527 90.531 95.023 100.43 104.22 112.32 115.58
80 44.792 46.520 51.172 53.540 57.153 60.392 64.278 79.334 96.578 101.88 106.62 112.32 116.32 124.84 128.26
90 52.277 54.156 59.196 61.754 65.647 69.126 73.291 89.334 107.56 113.15 118.14 124.11 128.29 137.20 140.78
100 59.895 61.918 67.328 70.065 74.222 77.929 82.358 99.334 118.49 124.34 129.56 135.81 140.17 149.45 153.16

José Jabaloyes Vivas Vicente Chirivella González

-102-
 DISTRIBUCIÓN t de Student

x
t2 
n 1
(
n 1
) 
P( X  x)   (1  n ) 2

( ) n
n
2
dt
 2

tn()

Probabilidad de una cola

n 0.0005 0.001 0.005 0.01 0.025 0.05 0.1 0.2 0.25 0.3 0.4 0.45 0.475

1 636.578 318.289 63.656 31.821 12.706 6.314 3.078 1.376 1.000 0.727 0.325 0.158 0.079
2 31.600 22.328 9.925 6.965 4.303 2.920 1.886 1.061 0.816 0.617 0.289 0.142 0.071
3 12.924 10.214 5.841 4.541 3.182 2.353 1.638 0.978 0.765 0.584 0.277 0.137 0.068
4 8.610 7.173 4.604 3.747 2.776 2.132 1.533 0.941 0.741 0.569 0.271 0.134 0.067
5 6.869 5.894 4.032 3.365 2.571 2.015 1.476 0.920 0.727 0.559 0.267 0.132 0.066

6 5.959 5.208 3.707 3.143 2.447 1.943 1.440 0.906 0.718 0.553 0.265 0.131 0.065
7 5.408 4.785 3.499 2.998 2.365 1.895 1.415 0.896 0.711 0.549 0.263 0.130 0.065
8 5.041 4.501 3.355 2.896 2.306 1.860 1.397 0.889 0.706 0.546 0.262 0.130 0.065
9 4.781 4.297 3.250 2.821 2.262 1.833 1.383 0.883 0.703 0.543 0.261 0.129 0.064
10 4.587 4.144 3.169 2.764 2.228 1.812 1.372 0.879 0.700 0.542 0.260 0.129 0.064

11 4.437 4.025 3.106 2.718 2.201 1.796 1.363 0.876 0.697 0.540 0.260 0.129 0.064
12 4.318 3.930 3.055 2.681 2.179 1.782 1.356 0.873 0.695 0.539 0.259 0.128 0.064
13 4.221 3.852 3.012 2.650 2.160 1.771 1.350 0.870 0.694 0.538 0.259 0.128 0.064
14 4.140 3.787 2.977 2.624 2.145 1.761 1.345 0.868 0.692 0.537 0.258 0.128 0.064
15 4.073 3.733 2.947 2.602 2.131 1.753 1.341 0.866 0.691 0.536 0.258 0.128 0.064

16 4.015 3.686 2.921 2.583 2.120 1.746 1.337 0.865 0.690 0.535 0.258 0.128 0.064
17 3.965 3.646 2.898 2.567 2.110 1.740 1.333 0.863 0.689 0.534 0.257 0.128 0.064
18 3.922 3.610 2.878 2.552 2.101 1.734 1.330 0.862 0.688 0.534 0.257 0.127 0.064
19 3.883 3.579 2.861 2.539 2.093 1.729 1.328 0.861 0.688 0.533 0.257 0.127 0.064
20 3.850 3.552 2.845 2.528 2.086 1.725 1.325 0.860 0.687 0.533 0.257 0.127 0.063

21 3.819 3.527 2.831 2.518 2.080 1.721 1.323 0.859 0.686 0.532 0.257 0.127 0.063
22 3.792 3.505 2.819 2.508 2.074 1.717 1.321 0.858 0.686 0.532 0.256 0.127 0.063
23 3.768 3.485 2.807 2.500 2.069 1.714 1.319 0.858 0.685 0.532 0.256 0.127 0.063
24 3.745 3.467 2.797 2.492 2.064 1.711 1.318 0.857 0.685 0.531 0.256 0.127 0.063
25 3.725 3.450 2.787 2.485 2.060 1.708 1.316 0.856 0.684 0.531 0.256 0.127 0.063

26 3.707 3.435 2.779 2.479 2.056 1.706 1.315 0.856 0.684 0.531 0.256 0.127 0.063
27 3.689 3.421 2.771 2.473 2.052 1.703 1.314 0.855 0.684 0.531 0.256 0.127 0.063
28 3.674 3.408 2.763 2.467 2.048 1.701 1.313 0.855 0.683 0.530 0.256 0.127 0.063
29 3.660 3.396 2.756 2.462 2.045 1.699 1.311 0.854 0.683 0.530 0.256 0.127 0.063
30 3.646 3.385 2.750 2.457 2.042 1.697 1.310 0.854 0.683 0.530 0.256 0.127 0.063

40 3.551 3.307 2.704 2.423 2.021 1.684 1.303 0.851 0.681 0.529 0.255 0.126 0.063
60 3.460 3.232 2.660 2.390 2.000 1.671 1.296 0.848 0.679 0.527 0.254 0.126 0.063
120 3.373 3.160 2.617 2.358 1.980 1.658 1.289 0.845 0.677 0.526 0.254 0.126 0.063
 3.290 3.090 2.576 2.326 1.960 1.645 1.282 0.842 0.674 0.524 0.253 0.126 0.063

n 0.001 0.002 0.01 0.02 0.05 0.1 0.2 0.4 0.5 0.6 0.8 0.9 0.95

Probabilidad de dos colas

José Jabaloyes Vivas Vicente Chirivella González

-103-
 TABLA DE LA FUNCIÓN GAMMA

(x+1) = x (x)
(x+n) = (x+n-1)…(x+1) x (x)

x (x) x (x)
1,00 1,00000 1,50 0,88623
1,01 0,99433 1,51 0,88659
1,02 0,98884 1,52 0,88704
1,03 0,98355 1,53 0,88757
1,04 0,97844 1,54 0,88818
1,05 0,97350 1,55 0,88887
1,06 0,96874 1,56 0,88964
1,07 0,96415 1,57 0,89049
1,08 0,95973 1,58 0,89142
1,09 0,95546 1,59 0,89243
1,10 0,95135 1,60 0,89352
1,11 0,94740 1,61 0,89468
1,12 0,94359 1,62 0,89592
1,13 0,93993 1,63 0,89724
1,14 0,93642 1,64 0,89864
1,15 0,93304 1,65 0,90012
1,16 0,92980 1,66 0,90167
1,17 0,92670 1,67 0,90330
1,18 0,92373 1,68 0,90500
1,19 0,92089 1,69 0,90678
1,20 0,91817 1,70 0,90864
1,21 0,91558 1,71 0,91057
1,22 0,91311 1,72 0,91258
1,23 0,91075 1,73 0,91467
1,24 0,90852 1,74 0,91683
1,25 0,90640 1,75 0,91906
1,26 0,90440 1,76 0,92137
-104-
1,27 0,90250 1,77 0,92376
1,28 0,90072 1,78 0,92623
1,29 0,89904 1,79 0,92877
1,30 0,89747 1,80 0,93138
1,31 0,89600 1,81 0,93408
1,32 0,89464 1,82 0,93685
1,33 0,89338 1,83 0,93969
1,34 0,89222 1,84 0,94261
1,35 0,89115 1,85 0,94561
1,36 0,89018 1,86 0,94869
1,37 0,88931 1,87 0,95184
1,38 0,88854 1,88 0,95507
1,39 0,88785 1,89 0,95838
1,40 0,88726 1,90 0,96177
1,41 0,88676 1,91 0,96523
1,42 0,88636 1,92 0,96877
1,43 0,88604 1,93 0,97240
1,44 0,88581 1,94 0,97610
1,45 0,88566 1,95 0,97988
1,46 0,88560 1,96 0,98374
1,47 0,88563 1,97 0,98768
1,48 0,88575 1,98 0,99171
1,49 0,88595 1,99 0,99581
1,50 0,88623 2,00 1,00000

-105-
 ANEXO B

PAPELES PROBABILÍSTICOS

1. Papel exponencial
2. Papel normal
3. Papel Weibull (ensayos completos)
4. Papel Weibull (ensayos incompletos)

-106-
 PAPEL PROBABILÍSTICO NORMAL

F(x)
3
2.9 99.8
2.8
99.7
2.7
99.6
2.6 99.5
2.5
2.4
2.3 99.0
2.2
2.1
98.0
2
1.9 97.0
1.8
96.0
1.7
95.0
1.6
1.5
1.4
1.3 90.0
1.2
1.1
1
0.9
80.0
0.8
0.7
0.6
0.5 70.0
V
A 0.4
L 0.3
O 60.0
0.2
R
E 0.1
S 0 50.0
-0.1
D
E -0.2
40.0
-0.3
Z -0.4
-0.5 30.0
-0.6
-0.7
-0.8
20.0
-0.9
-1
-1.1
-1.2
-1.3 10.0
-1.4
-1.5
-1.6
5.00
-1.7
4.00
-1.8
-1.9 3.00
-2
2.00
-2.1
-2.2
-2.3 1.00
-2.4
-2.5
-2.6 0.50
0.40
-2.7
0.30
-2.8
-2.9 0.20
-3

-107-
 PAPEL PROBABILÍSTICO EXPONENCIAL

1/Ri Ri
100 0.01
90.0

80.0

70.0

60.0

50.0 0.02

45.0

40.0

35.0

30.0

25.0 0.04

20.0 0.05
18.0

16.0

14.0

12.0

10.0 0.1
9.00

8.00

7.00

6.00

5.00 0.2

4.00

3.00

2.72 0.37
2.50 0.4

2.00 0.5

1.50

1.00 1

-108-
 PAPEL PROBABILÍSTICO DE WEIBULL

99.0


6.0
95.0

90.0

5.5

80.0

5.0
70.0

60.0

4.5
50.0

40.0
4.0

30.0

3.5

20.0
18.0
3.0
16.0

14.0

12.0
2.5
10.0
9.00
8.00

7.00
2.0
6.00

5.00

1.5
4.00

3.00

1.0

2.00

0.5

PUNTO DE REFERENCIA

1.00
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9

-109-
 PAPEL PROBABILÍSTICO DE WEIBULL

6.0
99.0 3.0
2.0

1.0

95.0
0.5

90.0

80.0

70.0

60.0

50.0

40.0

30.0

20.0
18.0
16.0

14.0

12.0

10.0
9.00
8.00

7.00

6.00

5.00

4.00

3.00

2.00

1.00
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9

-110-
 PAPEL PROBABILÍSTICO DE WEIBULL PARA ENSAYOS
INCOMPLETOS
1000

900
800
700 6.0
600

500

400 5.5

300

5.0
200

4.5

100
90
80 4.0
70
60

50
3.5
40

30
3.0

20

2.5

10
9
2.0
8
7
6

5 1.5

3 1.0

2
0.5

PUNTO DE REFERENCIA

1
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9

-111-

View publication stats