Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/268411762
TEORÍA DE LA CONFIABILIDAD
Article
CITATIONS READS
0 620
1 author:
Ana Luna
University of the Pacific (Peru)
9 PUBLICATIONS 9 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Ana Luna on 26 April 2016.
Febrero 2005
Índice
1. Introducción 1
6. Discusión y Conclusiones 24
7. Referencias 26
Teoría de la Confiabilidad
Resumen
La aparición y aplicación de nuevas tecnologías en la industria hace posible la
fabricación de nuevos productos y elementos, generalmente electrónicos que aumentan
la complejidad de los procesos industriales; este hecho trae como consecuencia el
aumento de riesgos que influyen en la seguridad de toda la instalación. La confiabilidad
y seguridad de dichas instalaciones puede ser estudiada a través de métodos
probabilísticos por medio de la ley de fallas de sistemas o componentes que permite
obtener técnicas de predicción que aseguran la calidad de los productos. Existen varias
funciones de distribución que modelan el comportamiento de las fallas. En este trabajo
se hace un estudio detallado de las distribuciones de uso más frecuente en la teoría de la
confiabilidad, la distribución exponencial, la distribución normal o gaussiana y la
distribución de Weibull.
1. Introducción
cuando T − m aumenta. Una ley normal de falla significa que alrededor del 95.44% de
t−m
las fallas tienen lugar para los valores de t que satisfacen − 2 < < 2 como se
s
observa en la Fig. 1.
0 ,9 5 4 4
t = µ - 2 σ t = µ t = µ + 2σ
Fig. 1: El área encerrada entre m − 2s y m + 2s representa alrededor del 94,44% de las fallas
µ=100
σ=5
0.06
f(t)
µ=100
0.03 σ=15
0.00
80 120
Tiempo (t)
Fig. 2: Efecto de dos posibles valores del parámetro s en la función de distribución de probabilidades
normal.
(5)
Su valor no puede obtenerse a través de expresiones matemáticas cerradas sino vía el
uso de tablas o evaluaciones numéricas.
es decir que, R(t) permite aclarar conceptualmente que para obtener una confiabilidad
alta, el tiempo de operación debe ser considerablemente menor que m , es decir que la
R(t)
R(t) = 0.5
t=µ
t
Fig. 3: Función confiabilidad de la ley normal de falla
t− m
F(t) = f (7)
s
Por lo tanto,
−1 m 1
f ( F ( t )) = − + t (8)
s s
t2
1 x −
siendo f ( x ) = ∫e
2
dt .
2p −∞
Entonces, es posible considerar las siguientes variables que permitirán obtener una ec.
lineal para f − 1 ( F ( t )) :
m 1
y = f − ( F ( t ))
1
a= − b= (9)
s s
⇒ y = a + bt .
Al graficar F(t), es decir, la probabilidad de que ocurra un fallo antes del instante
t en función del tiempo, es posible estimar el valor de m localizando el punto
correspondiente a t en el cual la F(t) es del 50%. Este hecho es posible gracias a que la
distribución normal es simétrica, por lo tanto el área bajo la curva de la fdp desde − ∞
hasta m es 0,5 al igual que el área desde m hasta ∞ . Entonces el valor de m coincide
el 68,3%, esto es medida desde el valor de m hasta - s y s (Fig. 4). Por lo tanto la
t ( R ( t ) = 84 ,15 %) − t ( R ( t ) = 15 ,85 %)
sˆ = (10)
2
a partir del gráfico linealizado, conociendo los valores de t en los cuales la línea
intersecta el 84,15% y el 15,85%.
Este método alternativo para la estimación de los parámetros característicos de
una fdp normal es fácil de aplicar cuando se conocen los tiempos en los cuales fallan
1
ciertos componentes y sus respectivos porcentajes de falla.
68,3%
2σ
Fig. 4: El intervalo de confianza entre el 15,85% y el 84,15% representa el doble de la desviación
estándar
Otro método que puede utilizarse para estimar los parámetros es el de cuadrados
mínimos, en el cual se utilizan las siguientes ecuaciones (suponiendo que la incerteza de
1
los valores graficados en el eje de las abscisas son ignorables):
N N
∑ yi ∑ xi
aˆ = y − bˆ x = i =1
− bˆ i =1
(11)
N N
N N
N
∑ xi ∑ y i
i =1 i =1
∑ xi y i −
bˆ = i =1 N (12)
2
N
N
∑ xi
2 i =1
∑ xi −
i =1 N
yi = f
−1
[F (t i ) ] (13)
xi = t i (14)
N i (t ) N f (t )
R ( t ) = P (T > t ) = = 1− (17)
N0 N0
N f (t )
F (t ) = (18)
N0
F (t + ∆ t ) − F (t ) R (t ) − R ( t + ∆ t )
P (t ≤ T ≤ t + ∆ t T > t ) = = = a (t ) ∆ t (19)
R (t ) R (t )
t
R ( t ) = exp − ∫ a ( t ) dt (20)
0
Analizando las ec. (19) y (21), se cumple que la probabilidad de producirse una avería
en un elemento entre t y t + dt es igual a la probabilidad de que funcione hasta t por la
probabilidad de que falle entre t y t + dt:
f ( t ) = R ( t ) a ( t ) dt (22)
R(t)
a (t ) F (t)
F(t)
R(t)
a (t )
a (t )
x 10 -5
El caso más sencillo para describir la ley exponencial es suponer que la tasa de
fallas es constante, es decir que después de un tiempo de uso del artículo, la
probabilidad de que falle no ha cambiado, hecho que se puede expresar a través de la
siguiente función: Z(t)= a . En este modelo, claramente se está despreciando el efecto de
hecho implica que la confiabilidad es relativamente baja pues sólo el 36,8% de los
componentes en estudio, por ejemplo, sobrevivirán.
0.010
α = 0,01
0.008
0.006
f(t)
0.004
0.002
α = 0,005
0.000
0 100 200 300 400
Tiempo (t)
Fig. 7: Efecto de los posibles valores tomados por el parámetro a en la función distribución de
probabilidad exponencial.
f (t )
R(t) =1-F(t) = e − a t ⇒ Z ( t ) = =a (24)
R (t )
R(t)
f (t)
t t t
Fig. 8: Gráficas características de los parámetros de un caso particular de la ley exponencial de falla.
∞
1
E (T ) = T = ∫ t f ( t ) dt = = m (25)
0 a
siendo T el tiempo que se espera que transcurra hasta un fallo y m el parámetro que
describe completamente la confiabilidad de un dispositivo sujeto a fallos de tipo
aleatorio.
Se observa, entonces que el tiempo medio y la tasa de fallos son recíprocos, es decir que
uno es el inverso del otro. Esto sólo es cierto para una distribución exponencial pues la
mayoría del resto de las distribuciones no tiene una tasa de fallo constante. Entonces,
R ( t ) = exp( − t / m ) proporciona la probabilidad de supervivencia del dispositivo para
cualquier intervalo de tiempo comprendido dentro del ámbito de la vida útil del mismo.
En el caso en que t = m/100, la confiabilidad es R = 0,99, es decir que funcionan 99
dispositivos y falla sólo 1.
Por lo tanto, la calidad de funcionamiento de un cierto elemento vendrá dada por el
tiempo que se espera que dicho elemento funcione de manera satisfactoria.
A partir de la teoría previamente expuesta, es posible, calcular para un conjunto
de dispositivos, por ejemplo válvulas, la tasa de fallos anual conociendo el número de
elementos totales y aquellas que fallaron, también es posible conocer la probabilidad
que tiene una de las válvulas de que falle antes de un determinado tiempo, es decir, F(t)
o bien calcular la probabilidad de que la válvula esté en funcionamiento al cabo de un
determinado tiempo, por ende debo hallar R(t). Otro parámetro posible de calcular es la
probabilidad de que el tiempo de vida de la válvula esté comprendido entre dos tiempos
distintos, para ello debo obtener la diferencia entre la probabilidad de que falle antes de
uno de esos dos tiempos y el otro, es decir la diferencia de las confiabilidades de ambos
períodos de tiempo. Por último se puede determinar un intervalo de vida con cierto nivel
de confianza dado.
Otra ventaja que proporciona esta ley de fallas exponencial es que es posible
estimar el tiempo de operación de un artículo o sistema conociendo el parámetro a e
imponiendo R(t). Entonces dicho artículo será tan bueno como si fuera nuevo durante
ese tiempo o edad para funcionar, independientemente de su historia previa. A esta
propiedad característica de la función exponencial se la suele llamar “pérdida de
memoria”. Fenómeno que no ocurría para le ley normal.
Es importante destacar también que la confiabilidad de un dispositivo cualquiera
es constante para períodos de utilización iguales si se eliminan los fallos iniciales, si el
dispositivo ha sobrevivido al funcionamiento durante los períodos anteriores al
considerado y si no se supera el límite de vida útil, más allá del cual la confiabilidad
disminuye con mayor rapidez pues la tasa de fallos deja de ser constante y empieza a
crecer significativamente.
Supongamos ahora que la falla ocurre debido a factores externos aleatorios, por
ejemplo una subida de tensión o a factores internos como una desintegración química, el
tiempo de espera en una consulta sin cita previa o la vida de los vasos de vidrio en un
bar. La ley de fallas exponencial puede mejorarse a través de la distribución de Poisson,
es decir, para cualquier t fija, la variable aleatoria X t tiene una distribución de Poisson
con parámetro a t . Para ello se supone que X t es el número de accidentes que ocurren
−a t
F(t) =1-P(X t = 0) = 1- e (27)
que representa la fda de una ley exponencial de falla; físicamente la causa de las fallas
implica una ley exponencial de falla.
Si cada vez que aparece un accidente hay una probabilidad constante p de que éste no
produzca fallas, entonces:
−a t
e
+ (a t )e p + (a t )
−a t −a t 2 2
F (t ) = 1 − e p + ... =
2! (28)
−a t
∞ (a t p ) k
−a t a t p − a (1 − p ) t
1− e ∑ = 1− e e = 1− e
k =0 k!
F (t ) = 1 − e − a t (29)
y = ln [1 − F ( t ) ] = − a t (30)
y i = ln [1 − F ( t i ) ]
(33)
xi = t i
Una vez que â y b̂ son obtenidas es fácil hallar aˆ a partir de la ec. (31).
∂ ln( L ) n n 1
0= = − ∑ t i ⇒ aˆ = (35)
∂a a i= 0 t
b −1
b t
Z (t ) = (36)
a a
defectuosos aumenta en forma continua, lo que indica que los desgastes empiezan en el
momento en que el mecanismo se pone en funcionamiento; o decreciente si 0 < b < 1 ,
0<β<1
β=1 β >1
Z(t)
Z(t)
Fig. 9: Gráfica de la función de riesgo en función del tiempo para distintos valores de b .
b
b −1 t
−
b t a
f (t ) = e (37)
a a
β = 0 ,5
β = 3
f (t)
β = 2
β = 1
Para b > 1 :
• f(t) = 0 cuando t =0.
• Para b < 2 , 6 la fdp de Weibull es asimétrica y posee una cola hacia la derecha.
fdp normal.
• Para b > 3, 7 , f(t) se vuelve nuevamente asimétrica y aparece una cola en el lado
izquierdo.
Para b = 1 :
• Se puede ver que la distribución exponencial es un caso particular de la distribución
de Weibull, por lo tanto la propiedad mencionada en la ley de fallas exponencial de
“falta de memoria” es equivalente a la hipótesis de tasa constante.
donde f(0) tiende a infinito a b = 1, 001 para el cual f(0) es cero. Este hecho complica la
β=3
α = 50
f(t)
β=3
Fig. 11: Efecto del cambio en los valores del parámetro de escala a sobre la fdp de Weibull.
b
t
−
a
R (t ) = e (38)
1
E (T ) = t = a Γ + 1
b
(39)
2
a 2 1 2 1
V (T ) = 2 Γ − Γ
b b b b
∞
−x l −1
Γ (l ) = ∫ e x dx (40)
0
2
2 1
s =a Γ + 1 − Γ + 1 (41)
b b
Una forma posible de estimar los parámetros a y b pertenecientes a la
es decir,
1
y = ln ln = b ln t − b ln a (43)
1 − F (t )
y en el eje de abscisas se coloca el ln t .
a = − b ln (a )
(44)
b= b
Ahora se recurre al papel de Weibull para hallar los parámetros a y b . Para calcular b ,
es decir, el parámetro de forma que representa la pendiente de la recta, se hace pasar una
recta paralela a la recta obtenida con la representación gráfica de los datos por el punto
1 de abscisas y 63,2 de ordenadas pudiendo leer directamente el valor de b en una
α
α =2000
Fig. 12: Lectura de los parámetros a y b en el papel de Weibull
N
L (a , b ) = ∏ f ( t , a , b ) (45)
t =1
∂ ln L
= 0
∂a
(46)
∂ ln L
= 0
∂b
n
R ( t ) = R1 ( t ) R 2 ( t )........ R n ( t ) = ∏ Ri ( t ) (48)
i =1
n
R(t)=1-[1-R 1 (t)] [1-R 2 (t)]… [1-R n (t)]= 1 − ∏ (1 − Ri ( t )) (49)
i =1
6. Discusión y Conclusiones
Referencias
1
http://www.weibull.com/LifeDataWeb/the_ normal_distribution.htm
2
http://www.mtas.es/insht/ntp/ntp_316.htm
3
http://www.weibull.com/LifeDataWeb/exponential_ probability_density_function.htm
4
Paul L. Meyer, Probabilidad y Aplicaciones Estadísticas”, cap. 11, Addison-Wesley Iberoamericana.
5
Felizia, E. “Centrales Nucleares, La Evaluación Probabilística”, CienciaHoy, Vol. 5, N°35, 1996.
6
Barone V., Calabrese P., Peralta J. E., “Estimadores de Máxima Verosimilitud para los parámetros de la
distribución de Weibull”, "Monografías sobre Teoría de Errores y Tratamiento de Datos
Experimentales (1995)", pág. 177-196.
7
http://www.weibull.com/LifeDataWeb/characteristics_of_the_weibull_distribution.htm
8
Tamborero J., “Fiabilidad: La distribución de Weibull”
9
http://www.windpower.org/en/tour/wres/weibull.htm
10
Marubini E, Bonfanti G, Bozzetti F, et al. A prognostic score for patients resected for gastric cancer.
Eur J Cancer 29A: 845-850. (1993).
11
Weibull++ 6 es un software diseñado específicamente para el análisis de tiempos de vida y de
confiabilidad. Provee una gran variedad de análisis estadístico. (Supports: Life Data Analysis * Weibull
Analysis * Complete and Censored (Suspended) Data * Maximum Likelihood Estimation (MLE) *
Regression Analysis * Weibull Distributions * Mixed Weibull Distributions * Generalized Gamma
Distributions * Lognormal Distributions * Exponential Distributions * Normal Distributions)