05 Dustribuciòn de Probabilidades Equipos Simples PDF

Distribución de Probabilidades de Vida de Equipos Simples
Vida de equipos simples
Definición de Confiabilidad: La confiabilidad o seguridad de funcionamiento de

un equipo o de uno de sus elementos componentes, está dada por la probabilidad
que se mantenga funcionando correctamente, duran te un tiempo determinado y en
condiciones dadas de operación.
La confiabilidad varía al modificar las condiciones internas o propias del equipo

(velocidad, producción, horas de funcionamiento ininterrumpidas; y las externas
(ambiente, temperatura, antigüedad).
En general es posible representar la confiabilidad en función del tiempo, ya que

varía con él. En el análisis de esta función intervienen tres variables
interrelacionadas: La supervivencia; la duración de vida y la probabilidad
condicional de falla a tasa de avería.
Julio Canales F. - Todos los derechos reservados

La curva de supervivencia es en sí misma la confiabilidad pues representa la

probabilidad que un elemento cualquiera se mantenga en operación, más allá del
tiempo considerado PS(t).
La función de duración de vida, es la densidad de probabilidad de falla; o bien, es

la probabilidad que un elemento cualquiera falle entre los instantes t y t + dt, se
representa por f(t) está dada por:

dPF (t )
f (t )  p (t ) 
dt
T
PF (t )  1  PS (t )   p(t )dt
0
La tasa de avería o tasa de falla, se define como la probabilidad que se produzca

una avería entre el instante t y t+dt; en el supuesto que el elemento considerado,
llegó al instante t sin fallar.

La distribución de frecuencia de las fallas, tienen diversas formas:
máquinas con pocas piezas móviles sometidas a desgaste, tienden a fallar luego
de transcurrido un tiempo más o menos constante desde la última reparación; en
este caso la distribución de frecuencia corresponde a una normal (a).
Otros equipos, con gran variedad de piezas móviles; o bien dependen de ajustes
que fallan aleatoriamente; su distribución de frecuencia de fallas es exponencial
(b).
Finalmente hay otras con distribuciones de fallas hiper exponencial (c); en este
caso la capacidad del equipo para realizar su trabajo depende de uno o más
ajustes delicados. Si estos se hacen a tiempo, la máquina continuará operando
un período largo, sino falla rápidamente. Esta observación es útil para juzgar la
ventaja o desventaja de aplicar mantenimiento preventivo.


Los equipos, instalaciones, edificios suelen experimentar fallas, luego es necesario

mantenerlos.
Para establecer un programa de mantención, es necesario conocer las

características que toma la ocurrencia de fallas; estos se pueden obtener de
estudios estadísticos realizados sobre un número suficientemente grande de
elementos idénticos, para trazar las curvas de supervivencia y de duración de vida;
la tasa de fallas y los tiempos promedio entre fallas.
Que son temas del análisis de confiabilidad.

Distribución del tiempo de vida
Las principales funciones estadísticas asociadas a la confiabilidad son:
La función de sobre vivencia (Confiabilidad)

La función de densidad de probabilidad de falla
La tasa de falla
La función del tiempo medio residual de vida o tiempo entre falla

Nosotros veremos cinco funciones que definan la distribución de una variable

aleatoria continua T, que representa el tiempo de vida de un ítem.
Estas cinco funciones no son la única forma de definir la distribución de T. Hay

otros métodos, como por ejemplo la función Generatriz de momento (E(eST)), la
función Característica (E(eist)).
1. FUNCIÓN DE SOBREVIVENCIA
La primera representación de la distribución del tiempo de vida en la función de

sobre vivencia S(t). La función de sobre vivencia es la generalización de
confiabilidad.

Una definición de confiabilidad es la probabilidad que un ítem esté funcionando en un

tiempo particular. La función de sobre vivencia es la probabilidad que un ítem esté
funcionando en cualquier tiempo t.
S(t) = P (T  t) para t  0
Esto es asumir que S(t)=1 para t0 t<0
La función de sobre vivencia es también conocida como la función de confiabilidad

(dado que S(t) es la confiabilidad en el tiempo) y la función de distribución acumulativa
complementaria es:
F(t) = P(T  t) = 1 - S(t).

La función de sobre vivencia debe satisfacer las siguientes

condiciones:
 S(0) = 1
 limS(t)  0
t 
 S(t) es una función NO creciente.

Hay dos interpretaciones para la función de sobre vivencia:
La primera es S(t) la probabilidad que un ítem individual funcione un

tiempo. Esto es importante, como lo veremos más adelante en orden a
determinar la distribución del tiempo de vida de los componentes que
conforman el sistema.
La segunda, si existe una gran población de ítems con idéntica

distribución de sobre vivencia, entonces S(t) es la fracción esperada de la
población de ítem que estará funcionando en el tiempo t.

La función de sobre vivencia es útil para hacer comparaciones de patrones de sobre

vivencia de varias poblaciones.
La siguiente figura muestra la función de sobre vivencia de dos poblaciones 1 y 2, las

cuales están representadas pos S1(t) y S2(t).
1,0
0,8 S1(t)
0,6
0,4
0,2 S2(t)

De la figura se puede concluir que el comportamiento de la población 1 es superior al

de la población 2, por lo cual se puede decir que la confiabilidad de 1 es superior a la
confiabilidad de 2.
La función de sobre vivencia condicional ST/Ta (t) es la función de sobre vivencia de un

ítem que ya ha funcionado un tiempo a
P(T  t yT  a) P(T  t) S(t)

ST/Ta (t)    ta
P(T  a) P(T  a) S(a)
La siguiente figura muestra tanto la función de sobre vivencia S(t) como la función de
sobre vivencia condicional ST/Ta(t) cuando a=0,5.

1,0
0,8
0,6
0,4
0,2
0 0,5 1,0 1,5 2,0
Dado que la función de sobre vivencia condicional es reescalada por el factor S(a),
ésta tiene la misma forma de la función de sobre vivencia S(t) para el intervalo entre a
y t.
La función de sobre vivencia condicional es útil para comparar experiencias de sobre

vivencia de un grupo de ítems que ya han sobrevivido un tiempo a.
Ejemplo: Se puede utilizar para evaluar el tratamiento de personas con cáncer que
ya ha vivido 5 años posterior a su tratamiento.

2. FUNCIÓN DE DENSIDAD DE PROBABILIDAD DE FALLA
La segunda representación de la distribución de sobre vivencia, es la función de

densidad de probabilidad, que definida por:
dS(t)
f (t)    S' (t)
dt
donde la derivada existe y tiene la interpretación probabilística para pequeños valores

de t.
f(t) t  P( t  T  t + t )
Aunque la función de densidad de probabilidad no es tan efectiva cono la función de

sobre vivencia, en la comparación de patrones de comportamiento de los poblaciones,
un grafico de f(t) indica la probabilidad de falla para un tiempo t.

La probabilidad de falla entre dos tiempos a y b, se calculó en el caso de la distribución continua de f(t).
b
P(a  T  b)   f (t)dt
a
Toda función de densidad de probabilidad de falla para un determinado tiempo de sobre vivencia, debe
satisfacer dos condiciones:
f(t)  0 para todo t  0
La siguiente figura muestra la función de densidad de probabilidad f(t) y la relación entre su función
acumulativa F(t) y la función de sobre vivencia S(t), para tiempo de vida continuo.
 f (t)dt  1
0

f(t)
0,8
0,6
0,4
0,2 F(t0) S(t0)
0 0,5 1,0 t0 1,5 2,0 t
3. Tasa de Falla
La tasa de falla h(t), es quizás la más importante de las cinco representaciones para el modelamiento del
tiempo de vida, dado que intuitivamente se puede interpretar como la cantidad de riesgo asociado con un
instante de tiempo t.

Una segunda razón por su popularidad, es su utilidad en la comparación del riesgo sobre el cambio, en el
tiempo para diversas poblaciones de ítems, al graficar sus tasas de falla sobre un eje.
Una tercera razón es que la tasa de falla es un caso especial de la función de intensidad para un proceso
Poisson no homogéneo, el cual se verá posteriormente.
La tasa de falla modela la ocurrencia de un evento, una falla, considerándola la función intensidad, modela
la ocurrencia de una secuencia de eventos sobre un intervalo de tiempo.
La tasa de falla puede ser derivada usando la probabilidad condicional:

Primero, considere la probabilidad que la falla ocurra entre t y t+t.

t  t
P(t  T  t  Δt)   f (u)du  S(t)  S(t  Δt )
t
Condicionando sobre el evento de que el ítem esta funcionando en el tiempo t, se tiene

que:
P(t  T  t  Δt) S(t)  S(t  Δt)

P(t  T  t  Δt/T  t)  
P(T  t) S(t)
Si esta probabilidad condicional es un promedio sobre el intervalo (t, t+ t) al dividir por
t, se obtiene una tasa promedio de falla en el intervalo t.

Esto es:
S(t)  S(t  Δt)
S(t)t
Si se hace tender a cero t, entonces se llega a una tasa de falla instantánea, la cual es
nuestra tasa de falla definida.
S(t)  S(t  Δt)

h(t)  lim
Δt 0 S(t) t
S' (t)
h(t)  
S(t)
f (t)
h(t) 
S(t)

Así, la tasa de falla es la razón entre la función de densidad de probabilidad y la función

de sobre vivencia.
Usando la derivación previa, una interpretación de la tasa de falla es:
h(t) t = P(t  T  t+t / T  t)
para valores pequeños de t, que es una versión condicional de la interpretación para la
función de densidad de probabilidad.
La tasa de falla debe satisfacer las siguientes dos condiciones:
 h(t)dt  
0
h(t)  0 para todo t  0

Ejemplo:
Considere que la función de sobre vivencia de un ítem está definida por la distribución
Weibull.
 ( t ) b
S (t )  e t0
Donde  es un parámetro escalar positivo, y b es un parámetro de la curva positivo.

Diferenciando la función de sobre vivencia negativa respecto a t, se tiene la siguiente
función de densidad de probabilidad de falla.
f (t )  b t 
b 1  t b
e t0

La tasa de falla asociada es:
ht    b t 
f (t ) b 1
t0
S (t )
Si se tiene que  = 1 la forma de la curva en función de t de h(t) varía de acuerdo al

valor de k, como se aprecia en la siguiente figura

14
12
10
h(t) 0,5
8
h(t)
h(t) 1
6
h(t) 3
4
2
0
0 0,2 0,4 0,6 0,8
t

Las Unidades de la tasa de falla son generalmente dadas en número de fallas por
unidad de tiempo. Para el ejemplo anterior, si =0,01 y K=1 y el tiempo es medido
en horas, entonces h(t) = 0,01 fallas por hora.
Comúnmente los sistemas de manufactura son muy confiables, tal que ocurre una
falla cada un millón de hora, por lo cual el h(t) para K=1 sería 0,000001, por lo cual
se la tasa de falla se expresa 1 falla cada 106 horas.

La forma de la curva de la tasa de falla indica como un ítem varía su predisposición

a fallar según su edad. Una interpretación intuitiva de la tasa de falla es como el
riesgo aumenta o disminuye de acuerdo al tiempo de vida del ítem.
Bajo este concepto se tienen cuatro tipos de forma de curva para la tasa de falla,
que son las siguientes:
 Tasa de falla constante, es decir no varía en el tiempo.

h(t)
t
Tasa de falla creciente (IFR), en este caso el número de fallas por unidad de
tiempo aumenta en la medida que aumenta la edad del ítem.
h(t)

 Tasa de falla decreciente (DFR), en este caso el número de fallas por unidad de
tiempo disminuye en la medida que aumenta la edad del ítem.
h(t)

 Tasa de falla tipo batea (BFR), en este caso el número de fallas por unidad de
tiempo disminuye en la medida que aumenta la edad del ítem hasta un
determinado tiempo, posteriormente se mantiene constante por otro intervalo de
tiempo, para posteriormente comenzar a aumentar la tasa de falla.
L(t)

 El primer caso, ocurre comúnmente en artículos electrónicos como son los

transistores, diodos, etc.
 El segundo caso está asociado comúnmente a elementos mecánicos que

sufren desgaste con el transcurso del tiempo.
 El tercer caso, es el menos común de todos, y se observa en el tratamiento de

algunos tipos de metales.
 El cuarto caso, se observa si se analiza un proceso productivo de un nuevo

producto, dado que al principio se tendrá una alta tasa de falla, la cual va
disminuyendo con la experiencia de su producción, posteriormente pasa una etapa
en el cual la tasa de falla se mantiene constante, y por último empieza a aumentar
por los desgaste en los procesos productivos donde se realiza el producto.

Distribución del tiempo de Vida
 Tiempo Residual de Vida. La función del tiempo medio residual de vida, L(t),
es el valor esperado de del tiempo remanente de vida si el ítem a funcionado t
unidades de tiempo y su falla ocurrirá en T unidades de tiempo desde que
inicio su funcionamiento. Es decir se puede decir que:
L(t )  ET  t / T  t  t0
La distribución de tiempo medio incondicional, L(0) , es un caso particular

del anterior, dado que en este caso t=0

Para determinar un fórmula para este valor esperado, se requiere utilizar la función
de densidad de probabilidad condicional.
f (u )
fT / T t (u )  ut
S (t )
Esta función de densidad de probabilidad condicional es actualmente una

familia de funciones de densidad de probabilidad (una para cada valor de t),
donde cada una de las cuales tiene asociada una media.

 
ET / T  t    u
f (u )
f (u )du   u du
T / T t S (t )
t t
Función del tiempo medio residual de vida es el valor esperado del tiempo
remanente de vida, se puede sustraer t, obteniendo:

L(t )  ET  t / T  t    (u  t )
f (u )
du
t
S (t )

 
f (u ) 1
L(t )   u du  t   uf (u )du  t
t
S (t ) S (t ) t
Toda función asociada al tiempo medio entre falla que tenga un significado finito, debe
satisfacer las siguientes tres condiciones.

dt
L(t )  0 L' (t )  1 0 L(t )  

Ejemplo:
Considere que la función de sobre vivencia es la siguiente función exponencial:
 t
S (t )  e Para t  0 y  es un escalar positivo
Determine la función de densidad de tiempo de vida y la función del tiempo medio

entre falla.
Se sabe que f(t) = -S’(t), luego en nuestro caso se tiene que:
dS (t )
f (t )    e t Para t  0
dt

Usando la función de sobre vivencia o confiabilidad, y la función de densidad de

probabilidad de falla, se puede determinar la función asociada al tiempo medio entre
falla L(t).
 
1 1
 uf (u )du  t  e  ue du  t 
t  u
L(t )  t0
S (t ) t t

De lo cual se concluye que si la función de sobre vivencia (confiabilidad), tiene una

distribución exponencial, entonces el tiempo medio entre falla es constante y no
importa la edad que tenga el sistema.

Las cinco representaciones de la distribución son equivalente, y en consecuencia

cada una de ellas permite especificar la distribución del tiempo de vida.
Por otra parte, si se dispone de cualquiera de ellas, se puede obtener cualquiera

de las otras cuatro como se muestra a continuación:

Si se conoce f(t), entonces:

S (t )  
t
f (u ) du
f (t )
h(t )  

t
f (u ) du
 uf (u )du
L (t )  t

t
 t
f (u ) du

Si se conoce S(t), entonces:
dS (t )
f (t )     S ' (t )
dt
 S ' (t )
h(t ) 
S (t )

1
L (t ) 
S (t )  S (u )du
t

Si se conoce h(t), entonces:
f (t )  h(t ) e
  h ( u ) du
0
S (t ) 
  h ( u ) du
e 0
 t
  h ( y ) dydu
e 0
L (t )  t
t
  h ( u ) du
e 0

Si se conoce L(t), entonces:
1  L' (t )   1LL( u'( u) )

t
f (t )  e 0 du
L(t )
 t 1 L '( u ) 
 du 
S (t )  e 

 L (u ) 
 0 
1  L' (t )
h(t ) 
L(t )

Ejemplo 1: Dado que la función tasa de falla es 18t, encontrar la función de

confiabilidad y la función de densidad de falla.
t t
f (t )  h(t ) e
  h ( u ) du  18t  18udu  18te 9 t 2
0 e 0
t t
S (t ) 
  h ( u ) du  
 18udu
e 9 t 2
e 0 e 0
La distribución encontrada corresponde a una distribución Weibull con parámetros

λ =3 y b = 2

Ejemplo 2: Un astronauta debe caminar a lo menos una hora en el espacio, para lo

cual dispone de dos tipos de traje donde cada uno tiene una distribución de su tiempo
de vida diferente, el primero tiene una distribución Weibull con parámetro λ =1 y b =2 y
el otro tiene también una distribución Weibull con parámetros λ =1 y b =3. Asumiendo
que el tiempo es medido en horas y la función de sobre vivencia Weibull es:

b
S (t )  e ( t ) t  0; λ >0, b > 0
¿Qué traje recomienda usted usar? Justifique su respuesta

Se tiene que:
 (t )
b
t0
S (t )  e
 ( t ) b t0
f (t )  b (t ) b 1
e
f (t ) t0
h(t )   b (t ) b 1
S (t )
De la tasa de falla se aprecia que a igual valor de , dado que (t) está elevada un
exponente positivo, a un mayor valor de b aumenta la tasa de falla en el tiempo del
momento que (t) es mayor que uno, por lo tanto , si se debe estar más de una
hora caminando, se debe utilizar el traje 1 dado que b tiene un menor valor.

La siguiente tabla muestra en forma numérica lo señalado anteriormente.
b=2 b=3 b=2 b=3

t h(t) h(t) S(t) S(t)
0,2 0,4000 0,1200 0,8187 0,9608
0,4 0,8000 0,4800 0,6703 0,8521
0,6 1,2000 1,0800 0,5488 0,6977
0,8 1,6000 1,9200 0,4493 0,5273
1,0 2,0000 3,0000 0,3679 0,3679
1,2 2,4000 4,3200 0,3012 0,2369
1,4 2,8000 5,8800 0,2466 0,1409
1,6 3,2000 7,6800 0,2019 0,0773
1,8 3,6000 9,7200 0,1653 0,0392
2,0 4,0000 12,0000 0,1353 0,0183
2,2 4,4000 14,5200 0,1108 0,0079
2,4 4,8000 17,2800 0,0907 0,0032
2,6 5,2000 20,2800 0,0743 0,0012
2,8 5,6000 23,5200 0,0608 0,0004
3,0 6,0000 27,0000 0,0498 0,0001

Momentos y Percentiles
Algunas veces la representación de la distribución del tiempo de vida para un

ítem particular (el cual puede ser parte de un sistema o el sistema total) es
conocida, y puede ser interesante calcular un momento o un percentil de la
distribución.
Los momentos y percentiles contienen menos información que la representación

de la distribución de vida, pero estos antecedentes muchas veces son útiles para
resumir la distribución de una variable aleatoria del tiempo de vida.

Por ejemplo estas medidas de eficiencia, incluidas el tiempo medio entre falla,
E(T), la mediana, t0,50, y el percentil 95 de la distribución, t0,95.
Asumiendo que la variable aleatoria del tiempo de vida T es continua se tiene que
el valor esperado de una función u(T) está dada por la siguiente relación:

E u T    u (t ) f (t )dt
0

La medida más común asociada con una distribución es la media o primer momento,
que nos entrega una medida la tendencia central o valor promedio que asume una
distribución.
En confiabilidad a menudo se abrevia por MTTF (mean time to failure) es decir

tiempo medio de falla para Ítemes no reparables, y en el caso de Ítemes reparables
se abrevia comúnmente MTBF (mean time between failures) tiempo medio entre
fallas
 
  ET    tf (t )dt   S (t )dt
0 0

Otras medidas de centralización son la mediana (m) en la cual se satisface la

relación S(m) = 0,5, y la moda, que corresponde al tiempo donde la función de
densidad de falla toma su valor máximo.
Por otra parte otro aspecto importante en la forma de las distribuciones es su grado
de dispersión donde su indicador más relevante es la varianza, que corresponde al
segundo momento sobre la media.
2

  V T   E T     ET  ET  2
 2 2

La raíz cuadrada positiva de la varianza se le denomina desviación estándar, la

cual tiene la misma unidad que la variable aleatoria T. Una desventaja de utilizar
la varianza o la desviación estándar como medida de dispersión de la
distribución, es que la magnitud depende de la unidad utilizada por ejemplo día,
hora o minuto. Una manera de sobreponerse a ese problema de la escala de
medida, es considerar el siguiente coeficiente de variación.

 Cantidad adimensional


Este indicador de dispersión presenta dos problemas, el primero es que dos

poblaciones pueden tener la misma varianza, pero con medias diferente, por lo
cual el valor de  será diferente para las dos poblaciones. El otro problema es
cuando la media de una población es cero, por lo tanto no se puede calcular .
Para el caso de distribuciones de tiempo de vida no se tiene este último problema.

El percentil p de una distribución de tiempo de falla, es el tiempo en el cual la

proporción de elementos que sobre viven respecto del total es p%.
F (t p )  P T  t p  p 
Ejemplo: Una fábrica de automóviles, conoce que la distribución del tiempo de la
primera falla de un determinado motor en condiciones normales de conducción,
se ajusta a una distribución Weibull con  = 77*10-7 y b = 1,22, donde el tiempo
está medido en kilómetros. Defina el período de garantía tal que sólo falle a lo
más un 1% de los motores en dicho período.

La distribución Weibull asociada es
 t b
f (t )  b t 
b 1
e
Luego su función acumulativa es
 t b
F (t )  1  e
Por lo cual para nuestro caso se tiene que cumplir la siguiente relación

 t 0 , 01 b
1 e  0,01
Al resolver la ecuación para t0,01 se obtiene el período de garantía de :
t0, 01 
1
 ln0,99 1
b

t0, 01 
1
 ln0,99 1, 22  2992
1
0,0000077
Luego el período de garantía debe ser 3.000 kilómetros.

Distribuciones de Falla
En las transparencias anteriores se ha descrito diversas formas de medida de la

confiabilidad en función del tiempo y se ha demostrado que la mayoría de ellas
puede derivarse, partiendo de la función de confiabilidad.
Existen sin embargo, situaciones en que a partir de propiedades físicas de las

componentes o por experimentos previos, se dispone de antecedentes sobre la
forma analítica que puede adoptar la Función de Confiabilidad o la Distribución de
Falla de los componentes.

Distribuciones de Falla
En tal caso el problema de estimación, se transforma en el de la estimación de los

parámetros de la Distribución. En el trabajo aplicado se ha encontrado que el
comportamiento mayoritario de las componentes, se puede representar por un
número reducido de distribuciones de probabilidades.
En este curso revisaremos algunos de los modelos de uso más frecuente:

 Exponencial
 Normal
 Weibull
 Gamma

Distribución Exponencial
Es el modelo de fallas más usado, debido a que la mayoría de los componentes

tienen durante su Período de vida útil una tasa de fallas constante.
Cuando un componente o unidad manifiesta fallas que ocurren a intervalos

aleatorios y el número esperado de fallas es la misma para períodos de operación
de igual longitud, su Confiabilidad está matemáticamente expresada por la relación
exponencial:
Rt   e  t
Julio Canales F. Todos los derechos reservados

Donde  es una constante, denominada tasa de fallas que se expresa como número
de fallas por unidad de tiempo. El tiempo t representa un período de operación
arbitrario, para el cual se desea conocer la confiabilidad del componente o sistema y
se contabiliza a partir del instante t = 0 en que comienza el período de operación
considerado.
En el caso exponencial un componente que no ha fallado está tan “buena como

nueva” y su conducta de falla durante un determinado período de servicio, depende
sólo del largo del período y no de la historia pasada.

Las principales características de este modelo de fallas son:
 Tasa instantánea de falla

ht   
S t   R(t )  e
 t
 Función de confiabilidad
F t  1  e
 t
 Función acumulativa de falla
f t    R' (t )  e
 t
 Función de densidad de falla
1
TPEF 
 Tiempo medio entre fallas

V t  
1
 Varianza del tiempo entre fallas
2
1
 Función Cuantil tp  * ln(1  p)

Para estimar el único parámetro de esta distribución es suficiente determinar TPEF,

ya que
 = (1/TPEF)
Para obtener TPEF en forma empírica, se toman N componentes idénticas y se

hacen funcionar independientemente bajo iguales condiciones de operación, hasta
que todas fallan.
Sea t1, t2,...., tn las vidas de estos componentes luego TPEF es igual a la media de
la muestra. En la medida que el tamaño de la muestra es mayor se tiene una mayor
precisión en la estimación.


El efecto de la tasa de falla en la pdf es:

Distribución exponencial de dos parámetros
Para
Donde  > 0 es un parámetro de escala y  es un parámetro

localización y frontera. Cuando  = 0 se tiene la distribución
exponencial de un parámetro.
Los cuantiles son: t p     log(1  p)
Los momentos son:

Distribución Normal
La distribución normal sirve como modelo de falla cuando el desgaste de un

componente es su principal causa de falla. Si t es el tiempo de vida de una
componente la función densidad de probabilidad de falla está dada por:
1 t   
2
f t  
1 
2  

 2
e Para t > 0
la función de densidad de probabilidad normal indica que la mayoría de las piezas

fallan en torno al tiempo esperado de falla E(t) =  y el número de fallas decrece
simétricamente cuando t -  crece.

La función confiabilidad de una ley normal se expresa en términos de la función de

distribución acumulativa que está tabulada.
2
t 1 x   
Rt   1 
1
e
 
2   dx
 2 0
En la siguiente transparencia de muestran las principales características de este

modelo de falla.

Las principales características de este modelo de fallas son:
1 x   
2
 
2  
 Tasa instantánea de falla  t   
e
1 x   
2
e
 
2   dx
t
 Función de confiabilidad t 1 x   
2
Rt   1 
1
e
 
2   dx
 2 0
2
t 1 x   
F t  
 1
e
Función acumulativa de falla  
2   dx
 2 0
1 t   
2
f t  
 Función de densidad de falla 1 
2  

 2
e
 Cuantil
t p     1 ( p)
Donde Ф-1 es la función inversa de la distribución normal estándar acumulada

De las funciones antes señaladas se desprende que para representar esta

distribución se requieren de dos parámetros, la media () y la desviación estándar ().
A continuación se muestran en forma gráfica las principales características de la

Distribución Normal.




Distribución Weibull
Esta distribución fue utilizada primeramente en 1951 por Weibull, para estudiar
variaciones en la resistencia a la fatiga del acero. En los últimos años se le ha
empleado para describir la vida de servicio de componentes electrónicos.
Esta distribución tiene dos parámetros, lo que le confiere gran flexibilidad pues
permite recorrer el espacio de ejes coordenadas al variar el valor de los mismos.
Mediante una adecuada elección de los parámetros es posible representar casos
de rodaje y desgaste.

Distribucin óWeibull
Sus principales características son las siguientes:
 Tasa instantánea de falla ht   b * t  b 1

R t  
 ( t ) b
λ,b,t > 0
 Función de confiabilidad
e
F t   1  e
 ( t ) b
 Función acumulativa de falla
 Función de densidad de falla f t   b t b 1

*e  ( t ) b
1 

 
b  1
TPEF   e ( t ) dt   1 
 Tiempo medio entre fallas b
b
0

Distribución Weibull
En los gráficos siguientes se muestra la función de densidad de fallas y la tasa

instantánea de fallas de la distribución Weibull para distintos valores de b con =1.
f(t)

Distribución Gamma
Esta distribución de fallas tiene dos parámetros y deriva de la función gamma.
La ley de falla gamma tiene una función densidad de probabilidad dada por:

f t   t  e
 1 t
t,  >0 y   1
 

Distribución Gamma
En caso que  sea entero positivos entonces f(t) toma la forma:

f t   t   1
e t t,  >0 y   1 y entero
  1!
La siguiente figura muestra algunas formas posibles de f(t) cuando  = 1

Distribución Gamma
Una Ley Gamma puede representar fallas que ocurren por causa de solicitaciones
cuyo tiempo de ocurrencia está distribuido según una exponencial de media 1/ y en
que la falla ocurre después de  solicitaciones. Este modelo de fallas es importante,
porque escogiendo convenientemente los valores de sus parámetros  y  se puede
cubrir todo el espacio de probabilidades.
Esta última propiedad le confiere un carácter de ley general y flexible al punto que
puede representar otros modelos de falla variando sus parámetros

Distribución Gamma
Por ejemplo cuando el parámetro  vale 1, entonces la ley Gamma representa una
distribución de probabilidades exponencial. Ahora si el valor de este parámetro es
grande (superior a 30) la ley Gamma representa una distribución normal.
Finalmente si  es un valor entero y positivo, la función densidad de probabilidad

gamma puede ser expresada en término de la distribución Poisson de parámetros
t.

Distribución Gamma
A continuación se presentan las principales características del modelo

Gamma de fallas:
 t  
f (t )
 Tasa instantánea de falla
R (t )
t
Rt   1 
1
 x e dx
  1  x

 Función de confiabilidad   0
t
F t  
1
 x e dx
  1  x

 Función acumulativa de falla   0

f t   t  e
 1 t
 Función de densidad de falla
 

Distribución Gamma
La siguiente figura muestra forma de la tasa instantánea de falla para distintos

valores de .

Determinación de Parámetros distribución Weibull
Caso 1 𝛾 = 0
t 
b
 

F ( x)  1  e
Haciendo los siguientes cambio de Variable
x  ln(t )
  1 
y  ln ln  
  1  F (t )  

Se tiene que   1 
ln ln    b ln(t )  b ln( )
  1  F (t )  
y  ax  b
con a  b y b   b ln( )
Donde los parámetros a y b se pueden estimar con una

regresión lineal simple
de donde
^
 x  x y  y 
b
i i
 x  x 
2
i
^
a  y  bx
^ ^ ^ b
de donde b  a y   eb

Si tenemos el registro de n fallas, entonces:
1. Los n registro de tiempo de falla se ordenan de menor a mayor y

se les asigna un número de orden i de 1 a n.
2. Se calcula para cada falla la función de probabilidad de falla F(i).
Si la población es pequeña , para calcular F(i) se puede

utilizar el método de rangos medianos:
𝑖 − 0,3
𝐹 𝑖 =
𝑛 + 0,4
o por el método de los rangos medios:
𝑖
𝐹 𝑖 =
𝑛+1
3. Se tabulan los datos (ti , F(i))
4. Se realiza el cambio de variable antes señalado y se determina λ, β

Caso 2 𝛾 ≠ 0
Cuando 𝛾 es mayor que cero el gráfico de (xi,yi) no mostrará

una recta como en el caso anterior, sino una curva con una
asíntota vertical. El corte de la asíntota con el eje del tiempo
indica el valor de 𝛾. Como el valor obtenido es estimado, el
proceso se hace iterativamente corrigiendo la escala de
tiempo de modo que ti+1 = ti - 𝛾i

05 Dustribuciòn de Probabilidades Equipos Simples PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

05 Dustribuciòn de Probabilidades Equipos Simples PDF

Cargado por

Copyright:

Formatos disponibles

Distribución de Probabilidades de Vida de Equipos Simples

Vida de equipos simples

Definición de Confiabilidad: La confiabilidad o seguridad de funcionamiento de

La confiabilidad varía al modificar las condiciones internas o propias del equipo

En general es posible representar la confiabilidad en función del tiempo, ya que

Julio Canales F. - Todos los derechos reservados

La curva de supervivencia es en sí misma la confiabilidad pues representa la

La función de duración de vida, es la densidad de probabilidad de falla; o bien, es

Julio Canales F. - Todos los derechos reservados

La tasa de avería o tasa de falla, se define como la probabilidad que se produzca

Julio Canales F. - Todos los derechos reservados

La distribución de frecuencia de las fallas, tienen diversas formas:

Julio Canales F. - Todos los derechos reservados

Julio Canales F. - Todos los derechos reservados

Los equipos, instalaciones, edificios suelen experimentar fallas, luego es necesario

Para establecer un programa de mantención, es necesario conocer las

Que son temas del análisis de confiabilidad.

Julio Canales F. - Todos los derechos reservados

Las principales funciones estadísticas asociadas a la confiabilidad son:

La función de sobre vivencia (Confiabilidad)

Julio Canales F. - Todos los derechos reservados

Nosotros veremos cinco funciones que definan la distribución de una variable

Estas cinco funciones no son la única forma de definir la distribución de T. Hay

La primera representación de la distribución del tiempo de vida en la función de

Julio Canales F. - Todos los derechos reservados

Una definición de confiabilidad es la probabilidad que un ítem esté funcionando en un

Esto es asumir que S(t)=1 para t0 t<0

La función de sobre vivencia es también conocida como la función de confiabilidad

F(t) = P(T  t) = 1 - S(t).

Julio Canales F. - Todos los derechos reservados

La función de sobre vivencia debe satisfacer las siguientes

 S(t) es una función NO creciente.

Julio Canales F. - Todos los derechos reservados

Hay dos interpretaciones para la función de sobre vivencia:

La primera es S(t) la probabilidad que un ítem individual funcione un

La segunda, si existe una gran población de ítems con idéntica

Julio Canales F. - Todos los derechos reservados

La función de sobre vivencia es útil para hacer comparaciones de patrones de sobre

La siguiente figura muestra la función de sobre vivencia de dos poblaciones 1 y 2, las

Julio Canales F. - Todos los derechos reservados

De la figura se puede concluir que el comportamiento de la población 1 es superior al

La función de sobre vivencia condicional ST/Ta (t) es la función de sobre vivencia de un

P(T  t yT  a) P(T  t) S(t)

Julio Canales F. - Todos los derechos reservados

0 0,5 1,0 1,5 2,0

La función de sobre vivencia condicional es útil para comparar experiencias de sobre

Julio Canales F. - Todos los derechos reservados

2. FUNCIÓN DE DENSIDAD DE PROBABILIDAD DE FALLA

La segunda representación de la distribución de sobre vivencia, es la función de

donde la derivada existe y tiene la interpretación probabilística para pequeños valores

Aunque la función de densidad de probabilidad no es tan efectiva cono la función de

Julio Canales F. - Todos los derechos reservados

f(t)  0 para todo t  0

Julio Canales F. - Todos los derechos reservados

0,2 F(t0) S(t0)

0 0,5 1,0 t0 1,5 2,0 t

Julio Canales F. - Todos los derechos reservados

La tasa de falla puede ser derivada usando la probabilidad condicional:

Julio Canales F. - Todos los derechos reservados

Primero, considere la probabilidad que la falla ocurra entre t y t+t.

Condicionando sobre el evento de que el ítem esta funcionando en el tiempo t, se tiene

P(t  T  t  Δt) S(t)  S(t  Δt)

Julio Canales F. - Todos los derechos reservados