Request

Análisis de la Confiabilidad
• El Mantenimiento Centrado en la Confiabilidad (RCM).

• Estudios de Ingeniería RAMS.
• La Confiabilidad de los equipos, sistemas y procesos.
• Un estudio de Confiabilidad.
• El periodo de vida de un equipo.
• El análisis técnico de fallas (AEF).
• El Análisis Estadístico de Fallas. Parámetros del AEF.
• Periodo de vida de un equipo. Periodo de arranque. Periodo de
operación normal. Periodo de desgaste.
• Efectividad de Sistemas.
Probabilidad Weibull de TIEMPODEFA

FORMA = 4,635 E SCALA = 33.674,2
10
- log[ 1-F (t) ]
0,1
0,01
10000 100000
TIEMPODEFA
1
Análisis de Confiabilidad
Introducción
El Análisis de Confiabilidad de componentes, equipos y sistemas es el conjunto de
modelos matemáticos y gráficos que se usan para representar el comportamiento de los
sistemas y equipos y para modificar y mejorar el diseño, la operación y el
mantenimiento de los sistemas, equipos o componentes.
La confiabilidad se define como la probabilidad de que un componente o equipo lleve

a cabo su función adecuadamente durante un periodo dado y bajo condiciones de
operación constantes, un equipo es confiable cuando funciona cada vez que se requiere
y hace bien el trabajo para el cual se requirió, de otra manera se dice que el equipo es
desconfiable.
La Confiabilidad se mide calculando la probabilidad de que el equipo no falle

durante un periodo dado.
En las fases de planeación, diseño y operación de los sistemas de ingeniería simples y

complejos, los ingenieros pueden beneficiarse de la aplicación de los conceptos, de los
procedimientos y de las técnicas del análisis de confiabilidad
El estudio de nuevas técnicas para el análisis de la confiabilidad de equipos y sistemas

ha suscitado un gran interés principalmente en sectores como la ingeniería, el manejo
y producción de energía, transporte, ingeniería militar, medicina y la administración
pública, donde se ha observado un incremento progresivo en la aplicación de los
estudios de confiabilidad.
En la fase de diseño, la estimación de la confiabilidad de los equipos se realiza

mediante el uso de modelos probabilistas o métodos de simulación, estas estimaciones
se usan para comprobar analíticamente los valores de fiabilidad o disponibilidad
especificados en la fase de diseño
En el periodo de vida operativa, las estimaciones de la confiabilidad se usan para

validar los supuestos de confiabilidad establecidos en la fase de diseño del equipo con
la información obtenida de su experiencia operacional.
Para realizar esta validación, se usa una serie de medidas y ensayos que provén una
estimación cuantitativa de la confiabilidad, estas medidas, que se calculan a partir del
histórico de mantenimiento y fallas del equipo, expresan una serie de factores tales
como: la fiabilidad esperada a lo largo del tiempo, la mantenibilidad, y los niveles de
disponibilidad del equipo durante su vida operativa.
Los Estudios de Confiabilidad

Un estudio de confiabilidad es un análisis de fallas de un equipo o componente, este
análisis es el paso decisivo en el estudio económico de un sistema de mantenimiento y
este depende de la determinación y el conocimiento del índice de fallas de los equipos
que participan en el sistema de mantenimiento.
2
En un estudio confiabilidad, los componentes de un producto o el sistema se analizan
en un esfuerzo para predecir la frecuencia con la cual el producto o el sistema fallará.
El estudio de confiabilidad se realiza mediante dos análisis:
• Análisis Técnico de fallas para determinar la causa y la magnitud de la falla
• Análisis Estadístico de fallas que es el estudio estadístico de las fallas en el

tiempo.
Las metodologías de un estudio de confiabilidad incluyen, entre otros, el análisis

cualitativo de riesgos, los cálculos probabilistas, los estudios de fallas y de fiabilidad,
los árboles funcionales y la determinación de criticidades, el mantenimiento orientado
por la confiabilidad y los cálculos de disponibilidad y operatividad, estos estudios son
los pasos decisivos en el análisis técnico y económico de un sistema de mantenimiento
y con ellos se conocen y determinan el índice de fallas de los equipos que participan en
el sistema de mantenimiento
La Confiabilidad se mide calculando la probabilidad de que el equipo no falle

durante un periodo dado.
Los cálculos de la predicción de la confiabilidad se realizan para ayudar a identificar la

confiabilidad del producto, el porcentaje de averías y el MTBF, y las áreas principales
para la mejora potencial de la confiabilidad, la base del análisis es generalmente un
modelo de la predicción de la confiabilidad.
Los modelos de la predicción de la confiabilidad presentan las ecuaciones del

comportamiento esperado del sistema que permiten calcular el porcentaje de fallas de
los componentes basados en datos y parámetros.
Estos parámetros incluyen a menudo el ambiente, la temperatura, la calidad y la

tensión, y se utilizan para establecer los factores, que son las variables usadas en las
ecuaciones de la predicción de la confiabilidad. .
Un sistema confiable es aquel que puede continuar procesando las solicitudes del
usuario aún cuando el sistema sobre el que opera no es confiable, aun cuando los
componentes de un sistema fallen, un sistema confiable debe seguir ejecutando las
solicitudes de usuario sin violar la consistencia de la base de datos.
Los estudios de confiabilidad se aplican a situaciones donde se requiere comprobar

analíticamente los valores de fiabilidad o disponibilidad especificados con anterioridad
en el diseño y a situaciones en las cuales los criterios y datos de seguridad del
sistema se han proporcionado ya en las fases iniciales del proyecto...
Modelos para predecir la Confiabilidad

El desarrollo de las concepciones y técnicas del Análisis de Confiabilidad de
componentes, equipos y sistemas ha estado estrechamente asociado al desarrollo de
tecnologías complejas y de alto riesgo
3
El riesgo se mantiene a bajos niveles, asumiendo en la fase de diseño del producto
márgenes de seguridad elevados.
Los modelos de la predicción de la confiabilidad presentan las graficas y las

ecuaciones para calcular la rata de fallas de los componentes basados en datos y
parámetros, estos parámetros incluyen el ambiente, la temperatura, la calidad, y la
tensión y se utilizan para establecer los factores, que son las variables usadas en las
ecuaciones de la predicción de la confiabilidad.
El análisis de Weibull es un término que describe el análisis estadístico y gráfico que

utiliza varias distribuciones de la probabilidad.
La distribución de Weibull de dos parámetros es la función distribución de

probabilidades mas usada para representar los tiempos de falla y estudiar la
confiabilidad de equipos y sistemas, pero la Weibull de tres parámetros, la distribución
normal, la distribución log-normal, la distribución de valores extremos de Gumbell y la
distribución exponencial negativa también son usadas con eficacia en los análisis de
confiabilidad de los productos, equipos y sistemas.
Los técnicos, los ingenieros, la gerencia, el personal de la garantía de calidad, y los

responsables del control de la variabilidad de los procesos pueden de aplicar las
técnicas de Weibull en el lugar de trabajo para mejorar la confiabilidad de sus sistemas
y los productos.
Los análisis de Weibull pueden indicar si más piezas viejas o más piezas nuevas son
más probables fallar.
Las técnicas del análisis de Weibull se utilizan para analizar datos del campo o del
laboratorio.
la confiabilidad.
Los estudios de confiabilidad se realizan a partir de dos tipos de análisis
1. Análisis Técnico de fallas para determinar la causa y la magnitud de las fallas.

2. Análisis Estadístico de fallas que es el estudio estadístico de las fallas en el
tiempo.
Los estudios de confiabilidad se aplican a situaciones donde se requiere comprobar

analíticamente los valores de fiabilidad o disponibilidad especificados con anterioridad
en el diseño y a situaciones en las cuales los criterios y datos de seguridad del
sistema se han proporcionado ya en las fases iniciales del proyecto...
El Mantenimiento Centrado en la Confiabilidad-

MCC
El MCC es la denominación para una metodología que permite definir, en forma
sistemática, estrategias de mantenimiento de plantas, máquinas y equipos, es una
metodología diseñada para elaborar o rediseñar programas de mantenimiento para una
planta, una línea de producción o para un equipo complejo.
Los ingenieros tienen en la MCC una herramienta clara y efectiva, un lenguaje técnico
común y un sistema de trabajo conjunto para la Producción y el Mantenimiento
4
El MCC es una aplicación sistemática y analítica de procedimientos para organizar y
realizar las funciones operativas del mantenimiento de manera que realiza y organiza
las funciones de manera que esta aplicación tenga una alta posibilidad de éxito y el
establecimiento de prioridades para la aplicación de un plan de Mantenimiento
Preventivo.
El MCC trata de reducir el costo de mantenimiento descartando las acciones de

mantenimiento que no sean estrictamente necesarias El RCMtrata de reducir el costo
de mantenimiento descartando las acciones de mantenimiento que no sean
estrictamente necesarias.
El MCC es una técnica que desarrolla un sistema de Mantenimiento Preventivo de los

sistemas y equipos en base al supuesto técnico de que la confiabilidad inherente al
sistema o al equipo es una función del diseño del sistema o del equipo.
La metodología del MCC tiene su origen en la industria de la aviación, en este sector

industrial comienzan a aplicarse los primeros programas de mantenimiento basado en
la confiabilidad, esta metodología para el mantenimiento preventivo planificando se ha
consolidado como una excelente herramienta para desarrollar la gestión de
mantenimiento de todo tipo de empresa.
Procedimiento para elaborar un MCC

Para elaborar un MCC se debe seguir un procedimiento como el siguiente:
• Selección del sistema y documentación.
• Definición de los límites del sistema.
• Elaboración de los diagramas funcionales del sistema.
• Identificación de funciones y fallas funcionales.
• Elaboración del análisis de fallas y de efectos.
• Construcción del árbol lógico de decisiones
• Identificación las tareas critica y apropiadas del mantenimiento.
La Confiabilidad en un MCC
La confiabilidad es la capacidad de un producto de realizar la función para
la cual fue diseñado, la confiabilidad es la probabilidad de que un producto
realizará su función prevista sin fallas por un período especificado y bajo
condiciones establecidas. Un análisis de la confiabilidad en un equip o o
un sistema incluye la realización de diversos ensayos p ara determinar cuan
confiable es el equipo o el sistema.
Realizados estos ensayos, es posible anticipar los efectos de los cambios y
de las correcciones que se deben hacer al diseño para mejorar la
confiabilidad.
Los diversos estudios realizados al producto se relacionan y examinan
para determinar su confiabilidad bajo diversas perspectivas, para detectar
posibles problemas en el diseño, construcción o funcionamiento del
equipo y para facilitar la búsqueda de correcciones y mejoras.
5
Para determinar la confiabilidad, se analizan los componentes de un
producto o de un sistema para predecir la frecuencia con la cual fallara el
producto o el sistema, los cálculos de la predicción de la confiabilidad
permiten identificar la confiabilidad del producto, el porcentaje de fallas y
el MTBF (tiempo medio de buen funcionamiento), y las áreas de punta
para la mejora potencial de la confiabilidad.
Definiciones
La confiabilidad se puede interpretar de varias formas, la confiabilidad se puede ver
como una medida con la cual un sistema conforma su comportamiento a alguna
especificación y también se puede interpretar como la probabilidad de que un sistema
no haya experimentado ninguna falla dentro de un periodo de tiempo dado.
La confiabilidad se utiliza básicamente como un criterio para describir sistemas que no

pueden ser reparados o donde la operación continua del sistema es crítica.
Un sistema confiable
Es aquel que puede continuar funcionando aun cuando el sistema sobre el que opere no
sea confiable, aun cuando los componentes de un sistema fallen, un sistema confiable
debe seguir funcionando adecuadamente sin violar la consistencia del sistema.
La Disponibilidad.
Es la fracción del tiempo que un sistema satisface su especificación, es la probabilidad
de que el sistema sea operacional en un instante dado de tiempo.
El Sistema
Un sistema se refiere a un mecanismo que consiste de una colección de componentes y
sus interacciones con el medio ambiente que responden a estímulos que provienen del
mismo con un patrón de comportamiento reconocible, cada componente de un sistema
puede ser así mismo un sistema, llamado comúnmente subsistema.
Un estado externo de un sistema se puede definir como la respuesta que un sistema

proporciona a un estímulo externo, por lo tanto, es posible hablar de un sistema que se
mueve dentro de estados externos de acuerdo a un estímulo proveniente del medio
ambiente.
Un estado interno es la respuesta del sistema a un estímulo interno, desde el punto de

vista de confiabilidad, es conveniente definir a un estado interno como la unión de
todos los estados externos de las componentes que constituyen el sistema, el cambio
de estado interno se da como respuesta a los estímulos del medio ambiente. Las faltas
del sistema se pueden clasificar como severas (Hard) y no severas (Soft). Las faltas
severas casi siempre son de tipo permanente y conducen a fallas del sistema severas.
Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas
no severas y representan, por lo general, el 90 % de todas las fallas.
Por medio de una especificación se establece el comportamiento del sistema al

responder a cualquier estímulo del medio ambiente, esta especificación establece el
comportamiento válido de cada estado del sistema, esta especificación es no sólo
6
necesaria para obtener un buen diseño sino también es esencial para definir los
siguientes conceptos de confiabilidad.
La Falla
Cualquier desviación de un sistema del comportamiento descrito en su especificación
se considera como una falla, cada falla necesita ser rastreada hasta su causa, en un
sistema confiable los cambios van de estados válidos a estados válidos.
En un sistema no confiable, es posible que el sistema caiga en un estado interno el cual
no obedece a su especificación; a este tipo de estados se les conoce como estados
erróneos, las transiciones a partir de este estado pueden causar una falla.
La parte del estado interno que es incorrecta se le conoce como error del sistema,
cualquier error en los estados internos de las componentes del sistema se le conoce
como una falta en el sistema, una falta causa un error lo que puede inducir una falla del
sistema.
. Las faltas del sistema se pueden clasificar como severas (Hard) y no severas (Soft).
Las faltas severas casi siempre son de tipo permanente y conducen a fallas del sistema
severas.
Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas
no severas y representan, por lo general, el 90 % de todas las fallas.
Una Falta lleva a una Falla.
La confiabilidad de un sistema, R(t), se define como la siguiente probabilidad

condicional:
R(t) = Pr{ 0 fallas en el tiempo [0,t] |no hubo fallas en t=0 }
Si la ocurrencia de fallas sigue una distribución de Poisson, entonces,

R (t) = Pr {0 fallas en el tiempo [0, t]}
Es posible derivar la siguiente expresión:
{0 fallas en el tiempo [0, t]} =

donde m (t) se le conoce como la función de riesgo la cual proporciona el rango de
fallas de la componente dependiente del tiempo y se define como
m(t) =
El número esperado de fallas en el intervalo [0,t] puede ser calculado como
E[k] = ke-m(t)/k! [m(t)]k
7
y la varianza se puede calcular como
Var(k) = E[k2] - (E[k)2

entonces la confiabilidad de una componente simple es
R(t) = ∏Ri(t)
y la de un sistema de n componentes no redundantes es
RSYS(t) = ∏Ri(t)
La disponibilidad se establece como: A(t) = Pr{ sistema sea operacional en el tiempo t
}
Un número de fallas pueden haber ocurrido antes del tiempo t, pero si todas ellas han
sido reparadas, el sistema es disponible en tiempo t.
La disponibilidad se refiere a sistemas que pueden ser reparados. Si se supone que las
fallas siguen una distribución de Poisson con una media  de fallas, y el tiempo de
reparación es exponencial con un tiempo de reparación medio de 1/ la disponibilidad
de un estado estable del sistema se puede escribir como:
A = lim A(t ) =  + 
t →0
Se ha convenido en usar dos medidas de un sólo parámetro para modelar el
comportamiento del sistema: el tiempo medio entre fallas (MTBF por sus siglas en
inglés) y el tiempo medio para reparaciones (MTTR).
El MTBF puede ser calculado a partir de datos empíricos ó de la función de

confiabilidad como:
MTBF = ∫R(t)dt
El MTTR está relacionado al rango de reparación de la misma forma que el MTBF está
relacionado al rango de fallas.
Usando estas dos medidas, la disponibilidad (A) de un estado estable de un sistema

con rangos de falla y reparación exponencial se puede especificar como
LOS TIEMPOS EN LOS ESTUDIOS DE CONFIABILIDAD

En los procesos de producción, mantenimiento y control de calidad se
estudia el tiempo hasta que un cierto producto falla (tiempo de falla), o el
tiempo de espera hasta recibir un servicio (tiempo de espera).
8
El parámetro de tiempo usado en los estudios de la Confiabilidad es el
TIEMPO ENTRE FALLAS (TEF), el cual puede ser descrito o
medido por una información de campo en las siguientes formas:
1. Tiempo promedio entre fallas o media entre fallas TPEF ==

MTEF. Es el intervalo de tiempo más probable entre un arranque y
la aparición de una falla.
2. Tiempo promedio entre paradas o media de tiempo

entre paradas: TPEP = MTEP. Identifica el intervalo de tiempo
más probable entre la aparición de una parada, reparación,
arranque y la aparición de una nueva parada.
3. Tiempo promedio entre inspecciones media entre inspecciones:

TPEI = MTEI. Es el tiempo más probable entre dos inspecciones.
4. Tiempo promedio entre reparaciones generales o media de tiempo

entre reparaciones generales: TPER = MTER Identifica el
intervalo de tiempo entre la realización de dos reparaciones.
TIEMPOS EN EL CALCULO DE LA MANTENIBILI DAD

El parámetro de tiempo necesario para el estudio de mantenibilidad es el
TIEMPO FUERA DE SERVICIO (TFS) O TIEMPO PARA REPARAR
(TPR) que se describe como el intervalo de tiempo transcurrido desde
que el Equipo de Producción es desactivado hasta que es activado
de nuevo por el equipo de operaciones, listo para cumplir su función de
producción, este tiempo puede ser dividido de la siguiente forma:
1. TIEMPO DE ENFRIAMIENTO
Es el intervalo de tiempo transcurrido desde que el equipo es
desconectado hasta el momento en que las condiciones permitan
que se ejecuten las acciones de mantenimiento
correspondiente.
2. TIEMPO DE LOCALIZACION DE LA FALLA

Tiempo empleado en la investigación del motivo de la falla.
3. TIEMPO DE ESPERA DE MATERIALES Y EPUESTOS

Es el intervalo de tiempo utilizado en la localización y p uesta
en sitio
4. TIEMPO ADMINISTRATIVO
Es el intervalo de tiempo empleado en los diferentes trámites para
9
la consecución de los diferentes recursos necesarios para
la ejecución de la acción.
5. TIEMPO DE REPARACIÓN PROPIAMENTE DICHA
Es el intervalo de tiempo utilizado en la ejecución de la acción
de mantenimiento.
6. TIEMPO DE ARRANQUE, PRUEBAS Y CALENTAMIENTOS
Es el intervalo de tiempo utilizado en preparar el SP p ara ser
entregado al grupo de operaciones, después que todos los trabajos
han concluido y no existen más
Todas las políticas de mantenimiento deben estar enfocadas hacia el

mejoramiento de la mantenibilidad mediante la reducción al mínimo de
los tiempos descritos anteriormente, esta reducción se consigue con
planes y programa óptimos, la utilización de mano de obra calificada,
un conocimiento integral del funcionamiento del Sistema de
Producción a mantener, una adecuada descripción de los
procedimientos de ejecución, la eliminación al mínimo de los trámites
administrativos, un buen apoyo logístico, un adecuado stock de
materiales, repuestos, instrumentos, herramientas y equipos necesarios
para ejecutar el mantenimiento
Parámetros Usados en el Análisis Estadístico de Fallas

Los parámetros utilizados en el AEF son los siguientes:
1. Tiempo Promedio Entre Fallas

El TPEF o MBTF , es el tiempo promedio entre fallas e indica el
intervalo de tiempo más probable que ocurre entre el arranque la
ocurrencia de la primera falla, mientras mayor sea este valor mayor es la
confiabilidad del equipo, este parámetro se expresa en horas o días.
2. Probabilidad de Supervivencia
Es el complemento de la probabilidad de falla y expresa la
probabilidad de que el equipo sobreviva un tiempo t.
Ps(t) = 1- Pf(t).
3. Rata de Fallas
La rata de fallas o la frecuencia de ocurrencia de las fallas se definen como
la probabilidad inmediata de un equipo al llegar a t horas de operación.
r(t) = p(t)/Ps(t)
10
Donde p(t) es el valor de la función de intensidad de fallas en el tiempo t ,
y Ps(t) es la probabilidad de supervivencia en el tiempo t.
Usualmente r(t) se expresa en número de fallas por hora o por dia.
4-. Calculo de la probabilidad de supervivencia Ps(t)
r(t) = p(t)/Ps(t) =
= - ln(Ps(t)) Ps(t) =
Periodo de vida de un equipo

La vida útil de un equipo está dividida en tres periodos perfectamente
definidos:
• Periodo de Arranque
• Periodo de Operación Normal
• Periodo de Desgaste
1-. Periodo de Arranque o de Mortalidad Infantil

Durante el periodo de arranque se presenta un índice de fallas
descendiente, la rata de falla disminuye con el tiemp o, en el la
probabilidad de falla de mañana es menor que la de hoy, en este p eriodo
están los equipos recién arrancados y la confiabilidad es muy baja, las
fallas en el periodo de arranque las cubre la garantía del equipo y la
corrección de las fallas corresponde al grupo de arranque.
Cuando a un equipo se la hace una reparación general(Overhaul) comienza

un nuevo periodo de arranque y como una consecuencia técnica de la
reparación el equipo tiene una mayor probabilidad de falla que antes de
realizarse la reparación.
En este periodo el proceso de fallas se puede describir con una
distribución normal donde la rata de falla que disminuye con el tiempo.
2-. Periodo de Operación Normal

11
El proceso de generación de fallas durante el periodo de operación normal
puede describirse usando la distribución exponencial:
Ps(t) = r(t) y como r(t) = r = Constante = 1/MTEF
Ps(t) = = e-rt
Durante el periodo normal la probabilidad de supervivencia(Confiabilidad)
está caracterizado por una distribución exponencial, en este periodo la
probabilidad de que el equipo sobreviva la media del tiemp o entre fallas
(MTEF) es de 0.368.
3-. Periodo de Desgaste

Su principal característica es que el índice de fallas aumenta a
medida que trascurre el tiempo.
En este período las fallas son debidas a: fatiga, erosión, corrosión o
desgaste mecánico.
Cuando un equipo entra en este periodo, debe someterse a una
Reparación General e idealmente se analizan las fallas en función de los
costos asociados a la reparación.
Las políticas de mantenimiento a dictarse deben estar orientadas

fundamentalmente por el análisis de fallas para prever las fallas de los
equipos y eventuales paradas y hacia la aplicación conjuntamente de un
mantenimiento rutinario, programado, circunstancial (si es el caso)que
identifique las averías y las repare hasta que el estudio económico lo
indique.
Efectividad de Sistemas
La Disponibilidad, la Confiabilidad, la Mantenibilidad y la Capacidad son los
componentes de la de efectividad de los sistemas, un estudio de la efectividad
del proceso consiste en determinar cuáles de estos componentes de la
efectividad influyen negativamente en la valoración del desempeño, en
muchas plantas con procesos continuos la confiabilidad de un comp onente es
el factor más importante en la determinación del desempeño de toda la planta.
La Eficiencia está definida mediante una ecuación que es el producto de estos
cuatro componentes, estos cuatro componentes de la eficiencia varían
aleatoriamente.
E = D*C*M*CA
Eficiencia = Disponibilidad* Confiabilidad* Mantenibilidad *Capacidad
La eficiencia es el producto de:
12
Disponibilidad:
La oportunidad del equipo o sistema de estar disponible para desempeñar su
trabajo,
Confiabilidad
El equipo i operará por un tiempo dado sin falla.
Mantenibilidad
El equipo es reparado sin pérdidas excesivas de tiempo de Mantenimiento
Capacidad
El equipo puede desempeñar su actividad productiva pa ra la cual fue
creado, de acuerdo a estándares determinados.
El principal objetivo en los estudios de eficiencia de un proceso es la

búsqueda de un valor de eficiencia del sistema que produzca menores costos.
En las refinerías y en plantas químicas que son plantas de procesos

continuos, la disponibilidad es alta (80- 98%), la confiabilidad es baja ( 0.001 -
10%), y la mantenibilidad es alta (50 - 90%) , y la productividad es alta (60 -
90%).
La principal razón para cuantificar los componentes de la eficiencia, es la

de identificar y encontrar los componentes críticos para tatar de mejorar la
eficiencia, por ejemplo, si la disponibilidad es del 98%, la confiabilidad es
del 70%, la mantenibilidad es del 70%, y la capacidad es del 65%, seria
más conveniente para mejorar la eficiencia del sistema, mejorar la
capacidad antes que mejorar la disponibilidad.
Una alta confiabilidad (pocas fallas) y una alta mantenibilidad (tiempos
predecibles de mantenimiento) son características de sistemas altamente
efectivos.
La Disponibilidad A de la Efectividad
La Disponibilidad Aes una medida de lo frecuente que el sistema está en
buen estado bien y listo para prestar el servicio y se expresa como:
(tiempo en servicio)/(tiempo en servicio + tiempo en parada), a medida
que la disponibilidad crece, la capacidad de producción aumenta, pues el
equipo está en servicio un mayor porcentaje de tiempo.
El MTTR se puede utilizar en una predicción de la confiabilidad para

calcular la disponibilidad de un producto o de un sistema.
La disponibilidad es la probabilidad que un producto está en un estado

operable en cualquier momento, y está basado en una combinación del
13
MTBF y del MTTR, la Disponibilidad se describe en términos
cuantitativos como: tiempo en línea, tiempo de factor de corrida, y falta
de paradas y frecuentemente se utilizan tres ecuaciones p ara expresar la
disponibilidad:
1. Disponibilidad Inherente, tal como es considerada por el personal de

Mantenimiento, no incluye las paradas por Mantenimientos
Preventivos, las demoras en suministros, y las demoras
administrativas, y es definida como:
A I = MTBF/(MTBF + MTTR)
2. Disponibilidad Lograda, tal como es apreciada por los directivos del

Departamento de Mantenimiento, incluye tanto el Mantenimiento
Correctivo como el Preventivo, pero no incluye demoras en
suministros y demoras administrativas, y es definida como:
AL = MTBM/(MTBM + MAMT)
Donde MTBMes el tiempo medio entre acciones Correctivas y

Preventivas, y MAMT es el Tiempo Medio en que Mantenimiento
estuvo Activo.
3. Disponibilidad Operacional, tal como es vista p or el usuario, y es
definida como:
A O = MTBM/(MTBM + MDT), MDTes el tiempo medio de parada.
Un 98% de disponibilidad para un proceso continuo de 8.000 horas

significa que se espera un tiempo de servicio de 0.98*TIEMPO TOTAL
= 0.98*8.000 =7620 hr/año y de parada de (1 -.98)*TIEMPO TOTAL =
0.02*8000 = 160 hr/año
La pérdida de disponibilidad es un problema relacionado p rincipalmente
con las fallas de los equipos.
La Confiabilidad ® de la Efectividad
La Confiabilidad R se define como la probabilidad de tener una
operación sin fallas, durante un intervalo de tiempo dado, y es exp resada
como:
R(t) = exp(-t/MTBF) = exp(-t) R(t) = exp(-t/MTBF) = exp(-t)
donde es la rata constante de falla y MTBF es el Tiempo Medio Entre Fallas, el

MTBF mide el tiempo entre las fallas del sistema.
14
Para los modos de falla distribuidos exponencialmente, el MTBF es un índice básico
de confiabilidad, la rata de falla,  es el recíproco del MTBF.
Si se desea una alta confiabilidad, se requiere un MTBF bastante grande, por ejemplo
para un tiempo de corrida de un año con un equipo, el cual tiene un tiempo medio entre
fallas de 30 años, da una confiabilidad del 96.72% que es la probabilidad de cumplir
un intervalo de tiempo de un año sin fallas y una probabilidad de falla de 3.378%.
Determinemos la confiabilidad de un sistema con un tiempo total de servicio de un año

(8.760 horas) y un tiempo medio entre acciones de mantenimiento de 720.2 horas, la
confiabilidad del sistema se calcula usando la distribución exponencial, el sistema tiene
una confiabilidad de exp(-8760/720.2) = 0.000523%., en este caso el valor de la
confiabilidades la probabilidad de cumplir un año de corrida sin fallas.
Para un año como tiempo de corrida el sistema es altamente no-confiable , y las

acciones de mantenimiento tienen una alta demanda, dado que para el sistema se
espera que tenga 8760/720.3 = 12.16 acciones de mantenimiento por año.
Análisis grafico de la confiabilidad

• Modelos para ajustar los tiempos de falla
• Linearizacion de las distribuciones
• La PPCC
• La grafica de probabilidad
• El análisis Weibull
(X 0,001) Funcion de Densidad

15 Distribution
Exponential
Lognormal
12 Normal
Weibull (3-Parameter)
9
Densidad
0
0 30 60 90 120 150 180
FALLAS
15
Weibull
99,9
99
PORCENTAJE ACUMULADO
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
Ajuste de los tiempos de falla

En muchas ocasiones será posible identificar la distribución que mejor se ajusta a las
observaciones mediante el uso de gráficos de probabilidad.
Las graficas de probabilidad son procedimientos visuales que se obtienen, graficando

la función de distribución de probabilidades (fdp) vs. el tiempo de falla en un papel de
probabilidad apropiado, se dispone de papeles de probabilidad para cada uno de los
tipos de modelos de distribución usados para ajustar los tiempos de falla.
Los papeles de probabilidad se fundamentan en la idea de escribir la CDF del modelo

de tal forma que la función F (t) sea una ecuación lineal en t.
El grafico de probabilidad presenta la f.d.p linealizada de una distribución teórica y

una nube de puntos que representan los valores de la f.d.p de la data de los tiempos de
falla.
Si los datos de los tiempos de falla se ajustan a una distribución, estos valores deberían,
teóricamente, caer sobre la línea recta que representa la f.d.p linealizada de una
distribución teórica, por lo que cuanto más se aproxime la nube de puntos a la recta
que aparece en el gráfico, tanto mejor será el ajuste
Modelos para ajustar los tiempos de falla

Linealización de una distribución de Probabilidades
1-.Modelo Exponencial
La Función de distribución exponencial negativa se escribe como:
ln [1/ 1-F(t)] = [   ln10 ] t o el equivalente
ln [1/ 1-F(t)] =  t
16
Sea y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con
una pendiente de   ln10. De esta manera podemos construir un papel de
probabilidades exponencial usando un papel semilogaritmico estándar.
Para cada valor de t se determina el par (t, F (t)), si la data se ajusta a una
distribución exponencial, los pares de puntos graficados deben caer sobre de la línea
recta de pendiente  / ln10.
Exponential Probabilidad
18000,00
{G}
15000,00
Time
12000,00
9000,00
6000,00
0,00 0,88 1,75 2,63 3,50
Exponential Quantile
2-. Linealización de una distribución Lognormal

La CDF de la distribución Lognormal se escribe como:
ln(t) =  − { F(t) } + ln T 50
y como log(t) = (1/ln10)  − { F(t) } + ln T50
Donde  − es la función inversa de distribución normal y T50 es la mediana

lognormal Si y = t y x = F(t), entonces log (y) es lineal en base a log(x) con
una pendiente de   log(t) y un intercepto de log T50 cuando F(t) = .5.
Para cada valor de t se determina el par (t, F (t)), Si la data se ajusta a una distribución
Lognormal, los pares graficados deben caer sobre la línea recta con pendiente   log(t).
Lognormal Probabilidad
9,80
{G}
9,50
Ln(Time)
9,20
8,90
8,60
-2,00 -1,00 0,00 1,00 2,00
Lognormal Quantile
17
3-. Linealización de una distribución de Weibull
Al representar gráficamente las funciones de distribución de probabilidades (f.d.p) de
las diferentes distribuciones teóricas, se obtienen curvas muy similares, muchas de
ellas difíciles de ser identificadas a simple vista, por ello se utilizan los gráficos de
probabilidad, los cuales hacen uso de escalas especiales en los ejes, de manera que al
representar la f.d.p ésta tenga forma lineal.
El primer paso será pues encontrar la transformación adecuada para t y F(t) de modo
que al representar t vs. F(t) se obtenga una función lineal.
Linealización de una distribución de Weibull

La f.d.p asociada a una distribución Weibull de dos parámetros (α, β) viene dada por la
expresión:
F(t) = 1 – exp{-(t/α)β} con α, β > 0

Esta función puede ser linealizada de la forma: y = a + bx:
F(t) = 1 – exp{-(t/α)β} ln(1-F(t)) = ln(exp{-(t/α)β}) ln(1-F(t)) = -(t/α)β
ln(-ln(1-F(t))) = β⋅ln(t/α) ln(ln(1-F(t))-1) = β⋅ln(t) - β⋅ln(α)
Tomando ahora y = ln(ln(1-F(t))-1) , y x = ln(t) la f.d.p se pone en forma lineal

como:
y = β⋅x - β⋅ln(α). Y como: lnln[1/ 1-F(t)] = g ln( t) - g ln(a)
Si y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una
pendiente de 
Una vez conocidas las transformaciones que permiten linealizar la f.d.p asociada a una
distribución Weibull, se puede construir una escala loglog estandard sobre la cual se
representa una nube de puntos que contenga cada uno de los tiempos de fallo
observados (eje x), de esta manera podemos construir nuestro propio papel de
probabilidades Weibull usando un papel loglog estándar
Con la función F(t), para cada valor de t determinamos el par (t y ), si la data es

consistente con una distribución Weibull, los puntos (pares) graficados deben caer sobre
o muy cerca de de la línea recta con pendiente . esta línea debe cortar al eje Log x en el
tiempo t =  y al eje Log y en log 
18
GRAFICA WEIBULL
99,9
99
MLE
PORCENTAJE ACUMULADO 90
FORMA= 3,160
70
ESCALA=27718
50
LOCAELIZACION=0.0
30
20
10
5
1
0,5
0,1
1000 10000 100000
TIEMPO DE FALLAS
Se representa gráficamente la f.d.p de una Weibull (con escala α = 10 y forma β = 4 y

su versión linealizada:
t ln(t) F(t) ln(t) lnln(1/1-F(t)]

1 0 0 0 -9,2
fdp Weibull 10,4 4
2 0,69 0 0,69 -6,4
1 Weibull Linealizado
3 1,1 0,01 1,1 -4,8
4 1,39 0,03 1,39 -3,7 0,9
2
5 1,61 0,06 1,61 -2,8 0,8 0
6 1,79 0,12 1,79 -2 0,7
7 1,95 0,21 1,95 -1,4 0,6 -2
8 2,08 0,34 2,08 -0,9
0,5 -4
9 2,2 0,48 2,2 -0,4
10 2,3 0,63 2,3 0 0,4
-6
11 2,4 0,77 2,4 0,4 0,3
12 2,48 0,87 2,48 0,7 0,2 -8
13 2,56 0,94 2,56 1 0,1
14 2,64 0,98 2,64 1,3 -10
0
15 2,71 0,99 2,71 1,6 0 1 2 3
0 0,5 1 1,5 2 2,5 3
16 2,77 1 2,77 1,9
El papel de probabilidades Weibull
19
Se usa el EXCEL para generar 20 observaciones del tiempo de falla en horas según una
distribución de Weibull con un factor de forma  = 1.5 y un  = 500.
El periodo de prueba es de T = 500 obtenemos hasta 10 observaciones que se producen
antes de este tiempo (500 horas), estas observaciones son: 54, 187, 216, 240, 244, 335,
361, 373, 375, y 386.
SOLUCION:
Se elabora la grafica de la CDF basada en un estimado de estos tiempos de falla y luego
se construye una grafica de probabilidad con nuestro propio papel Weibull
F(t) Estimada F(t)
(i-.5)/30.2 ln(1/(1-F(t))
18.83 0.016556291 0.016694879 PAPEL WEIBULL
20.8 0.049668874 0.050944802 (i-.5)/30.2 ln(1/(1-F(t)) Lineal (ln(1/(1-F(t)))
21.657 0.082781457 0.086409511 4
23.03 0.11589404 0.123178359 3.5

23.23 0.149006623 0.161350932 3
24.05 0.182119205 0.201038681 2.5
24.321 0.215231788 0.242366876
ln(1/(1-F(t))
2
25.5 0.248344371 0.285477
25.52 0.281456954 0.330529664 1.5
25.8 0.314569536 0.377708224 1

26.69 0.347682119 0.427223289 0.5 TIEMPO DE FALLA
26.77 0.380794702 0.479318401 0
26.78 0.413907285 0.534277285 15 20 25 30 35 40 45 50
-0.5
27.05 0.447019868 0.592433205
27.67 0.48013245 0.654181212 -1
29.9 0.513245033 0.719994431

31.11 0.546357616 0.790446092 (i-.5)/30.2 PAPEL WEIBULL
ln(1/(1-F(t))
33.2 0.579470199 0.866239931
4 Lineal (ln(1/(1-F(t))) Lineal ((i-.5)/30.2)
33.73 0.612582781 0.948253083
33.76 0.645695364 1.037598183 3.5
33.89 0.678807947 1.135716039 3

34.76 0.71192053 1.244518899 2.5
ln(1/(1-F(t))
35.75 0.745033113 1.366621596 2

35.91 0.778145695 1.505734398 1.5
36.98 0.811258278 1.66737575 1
37.08 0.844370861 1.860279416 0.5 TIEMPO DE FALLA
37.09 0.877483444 2.099509105 0
39.58 0.910596026 2.414590151 -0.5
1 6 11 16 21 26 31 3
44 0.943708609 2.877213673
-1
45 0.976821192 3.764516868
4-. Linealización de una distribución de Gumbell

La distribución de valores Extremos-TipoI (Gumbell) – para mínimo se escribe como:
ln(-ln(1-F(x)) = (x-)/
Con la función F(t), para cada valor de t determinamos el par (t, y), si la data es
consistente con una Distribución de valores Extremos-Tipo I – para mínimo, los punto
s (pares) graficados deben caer sobre o muy cerca de la línea recta con pendiente 1 e
intercepto 
20
La Grafica PPCC
La grafica de probabilidad del coeficiente de correlación (PPCC) es una
técnica grafica que se utiliza para identificar y estimar el valor del parámetro de
forma de la distribución que mejor describe una data.
Esta técnica es apropiada para distribuciones como la de Weibull que son

definidas por un parámetro de forma, por un parámetro de localización y por un
parámetro de escala y no es apropiada para distribuciones como la normal que
son definidas solamente por un parámetro de escala y por un parámetro de
localización.
El grafico PPCC se construye de la siguiente manera:
1. Se determinan el coeficiente de correlación asociados a la grafica de

probabilidad para cada valor de una serie de valores del parámetro de
forma.
2. Se grafican los valores de los coeficientes vs. los valores de los
parámetros de forma correspondientes.
3. Se hace corresponder el valor óptimo del parámetro de forma al máximo

valor del coeficiente de correlación.
4.
Se usa el grafico PPCC para determinar un buen parámetro de forma y con este
parámetro se construye el grafico de probabilidad para estimar los parámetros de
localización y de escala de la distribución.
La PPCC se usa para determinar la distribución o la familia de la distribución

que ajusta adecuadamente una data, para la data de un estudio de confiabilidad
se generaran graficas PPCC para distribuciones de Weibull, Lognormal,
Gamma, o de Gumbell y se determina cual de estas distribuciones provee el
mejor valor del parámetro de forma y se determina cual de estas distribuciones
provee la máxima probabilidad de los coeficientes de correlación, esta será la
distribución que mejor ajusta la data
Uso del PPCC para determinar la distribución que ajusta

la data.
La Data
18.830 20.800 21.657 23.030

23.230 24.050 24.321 25.500
25.520 25.800 26.690 26.770
26.780 27.050 27.670 29.900
31.110 33.200 33.730 33.760
21
33.890 34.760 35.750 35.910
36.980 37.080 37.090 39.580
44.045 45.290 45.381
La data que se utilizara en el estudio es el tiempo de falla en horas de un equipo.
22
ANALISIS GRAFICO
1-. Histograma
El primer paso de este estudio grafico es la construcción y análisis del histograma
de frecuencia de la data.
Histograma de Tiempo de Fallas

Frecuencia 8
0
17 22 27 32 37 42 47
Tiempos de Fallas (X 1000)
Un análisis general del histograma de la data rata de fallas muestra lo siguiente
• El rango del tiempo de de falla esta entre 15000-47.000 horas

• Se presentan modas aproximadamente en 28.000 y 38.000 horas.
• La data es aproximadamente simétrica con una caída en la mitad.
2-.La grafica de Probabilidad Normal
Probabilidad Normal de Tiempo de Falla

99,9
99 COEFICIENTE DE CORRELACION = 0.9776
95
Proporcion
80
50
20
5
1
0,1
18 23 28 33 38 43 48
Tiempos de Falla (X 1000)
La recta de regresión de la probabilidad normal tiene un coeficiente de

correlación de 0.980. Podemos usar este valor para comparar el comportamiento
de otra distribución de probabilidades.
Existe un amplio numero de distribuciones candidatas para ajustar la data de

tiempos de falla pero el estudio se restringe a estudiar aquellas distribuciones que
1
mas frecuentemente se usan en los estudios de confiabilidad , estas distribuciones
son las siguientes:Normal, Exponencial, Weibull, Lognormal, Gamma y
Gumbel
Uso de las graficas PPCC

Para seleccionar la distribución que mejor ajusta a la data tiempo de falla, se hace
una comparación de los valores estimados de los parámetros de localización, de
forma y de escala de cada una de las distribuciones candidatas, se presenta una
lista de las distribuciones con los valores de los estimados de: Máximo PPCC,
Parámetro de Forma, Parámetro Localización y Parámetro de Escala.
Normal
Máx. PPCC = 0.980
Estimado de Localización = 30.81
Estimado de Escala = 7.38
Weibull
Máx. PPCC = 0.988
Estimado de Forma = 2.13
Lognormal
Máx. PPCC = 0.986
Estimado de Localización = -9.96
Gamma
Máx. PPCC = 0.987
Gumbell
Máx. PPCC = 0.987
Estos resultados indican que varias de estas distribuciones ajustan
adecuadamente la data tiempo de fallas. La distribución de Weibull de 3
parámetros seria una buena elección para ajustar la data, pues ella presenta un
buen balance de simplicidad y ajuste preciso.
Aplicación
Se usara la distribución de Weibull con los valores de los parámetros de forma,
escala y localización estimados para calcular el tiempo para el cual han fallado
el: 1%, 2%, 95%, 97 y 99%. de los equipos.
2
Tiempo de falla esperado usando Weibull .
PERCENTAJE TIEMPO DE FALLA
TIEMPO vs PROBABILIDAD
0.01 20723,3 1
0.02 24365,0 0,8
Probabilidad
0.95 42667,3 0,6
0.97 44141,4 0,4
0.99 46814,6 0,2
0
2 2,5 3 3,5 4 4,5 5
(X 10000)
TIEMPO (horas)
Conclusiones
A partir de graficas de probabilidad y de la grafica del Coeficiente de
Correlación de la recta de Probabilidad (PPCC) de la función de Weibull
podemos arribar a las siguientes conclusiones:
1. El valor del parámetro gamma que proporciona un mayor probabilidad en
el grafico de probabilidad normal es de  = 2.13
2. Para un valor optimo del parámetro de forma , el valor de la PPCC es de
0.988
3. Para un valor optimo del parámetro de forma, el estimado del parámetro
de localización es 15.90 y el estimado del parámetro de escala es 16.92.
4. Ajustando el valor del estimado de gamma alrededor de 2 a 2.12 se
obtiene un mínimo impacto sobre el valor la PPCC.
Se pueden usar como graficas alternativas para realizar este análisis en lugar de
las graficas las graficas de probabilidad y de la grafica PPCC, las graficas de
densidad de Weibull y la grafica de riesgo Weibull.
Estos dos procedimientos, especialmente el grafico de Weibull, son comúnmente

usados, ambos asumen que el parámetro de localización es cero y por lo tanto se
ajusta una distribución de Weibull de 2 parámetros en lugar de una Weibull de
tres parámetros pero tiene la ventaja de que los procedimientos están muy bien
elaborados para trabajar tanto con data censurada como con data no censurada.
3
Probabilidad Weibull de TIEMPODEFA
FORMA = 4,635 ESCALA = 33.674,2
10
-log[1-F(t)]
1
0,1
0,01
10000 100000
TIEMPODEFA
Al lo siguiente analizar la grafica de probabilidad Weibull se observa:
• La grafica de probabilidad de Weibull es aproximadamente lineal

indicando que la data TIEMPODEFA puede ser adecuadamente ajustada
con una distribución de Weibull de 2 parámetros.
• El estimado del parámetro de forma es 4,635 y el estimado del parámetro
de escala es 33.67
Grafica PPCC Weibull

1,005
1 1
0,995
0,99
0,985
PPCC
MAX PPCC=2,15 2,2

0,98 2,6
PARA FORMA=2
0,975 1,8
3
0,97 1,5
0,965 1 3,5
0,96
0 1 2 Gamma 3 4
4
Función de riesgo acumulativa Función de riesgo
12
9E-4
10 8E-4
7E-4
8
6E-4
H(x)
h(x)
6 5E-4
4E-4
4 3E-4
2E-4
2
1E-4
0 0
0 20000 40000 0 20000 40000
x x
Weibull (4,6; 3,37E+4) Weibull (4,6; 3,37E+4)
5
Función de distribución acumulativa
Función de supervivencia 1
1 0,9
0,9 0,8
0,8 0,7
0,7 0,6
F(x)
0,6 0,5
S(x)
0,5 0,4
0,4 0,3
0,3 0,2
0,2 0,1
0,1 0
0 0 20000 40000
0 20000 40000 x
x
Weibull (4,6; 3,37E+4)
Weibull (4,6; 3,37E+4)
Función de densidad de probabilidad

5E-5
4,5E-5
4E-5
3,5E-5
3E-5
f(x)
2,5E-5
2E-5
1,5E-5
1E-5
5E-6
0
0 20000 40000
x
Weibull (4,6; 3,37E+4)
Gráfico de probabilidad
El gráfico de probabilidad es una técnica gráfica, utilizada para contrastar la
distribucion que ajusta adecuadamente a un conjunto de datos, permite comparar la
distribución empírica de una muestra de datos, con una distribución teorica.
El grafico de probabilidad es un caso particular de gráfico de probabilidad.
La idea básica consiste en representar, en un mismo gráfico, los datos empíricos

observados, frente a los datos que se obtendrían en una distribución teórica.
Si la distribución de la variable es del tipo de la distribución considerada, los puntos

quedarán cerca de una línea recta.
Es frecuente observar una mayor variabilidad (separación) en los extremos.d e la grafica,

el gráfico de probabilidad normal es un caso especial de gráfico de probabilidad.
Los gráficos de probabilidad son similares a los gráficos P-P y los gráficos Q-Q, la
diferencia radica en que en los gráficos P-P se confrontan las proporciones acumuladas
de una variable, con las de una distribución teorica
6
Los gráficos Q-Q se obtienen de modo análogo, esta vez representando los cuantiles
respecto a los cuantiles de la distribución teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme,
Weibull, Lognormal, Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de selección de la distribución que mejor
ajusta a la
Uniforme
10
O
Lognormal
D
80 99,9
LA
U
99
MU
60 95
C
A
80
E
JA
40 50
T
N
20
CE
20
R
5
PO
1
0
0.1
18 23 38 4
10000 100000
DAT (X10,) DATA
data.
Weibull
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
7
VAORES EXTREMOS
99,9
99
PORCENTAJE ACUMULADO 90
70
50
30
20
10
5
1
0.5
0.1
-6 4 14 24 34 44 54
DATA (X 1000,0)
Logistica
99,9
99,5
PORCENTA JE A CUMULA DO
99
95
90
70
50
30
10
5
1
0.5
0.1
0 1 2 3 4 5 6
DATA (X 10000,0)
Gráfico de probabilidad normal

El gráfico de probabilidad normal es una técnica gráfica, utilizada para contrastar la
normalidad de un conjunto de datos. Permite comparar la distribución empírica de una
muestra de datos, con la distribución normal. Es un caso pàrticular de gráfico de
probabilidad.
Ejemplo de un gráfico de probabilidad normal.
La idea básica consiste en representar, en un mismo gráfico, los datos empíricos
observados, frente a los datos que se obtendrían en una distribución normal teórica. Si la
distribución de la variable es normal, los puntos quedarán cerca de una línea recta. Es
frecuente observar una mayor variabilidad (separación) en los extremos.
El gráfico de probabilidad normal es un caso especial de gráfico de probabilidad.
8
Para construir el gráfico de probabilidad normal para un conjunto de
datos se representan:
▪ Eje vertical: valores ordenados de los datos .

▪ Eje horizontal: valor esperado del i-ésimo estadístico de orden de una
distribución normal.
▪ Los puntos vienen dados por aunque hay otras formas de

elegirlos con resultados parecidos.
Los gráficos de probabilidad son similares a los gráficos P-P y los gráficos Q-Q. La
diferencia es que en los gráficos P-P se confrontan las proporciones acumuladas de una
variable, con las de una distribución normal. Los gráficos Q-Q se obtienen de modo
análogo, esta vez representando los cuantiles respecto a los cuantiles de la distribución
normal.
Uniforme
100
80
60
40
20
0
18 23 28 33 38 43 48
DATA (X 1000,0)
9
Normal Lognormal
99,9 99,9
99
PO RCE NT AJE ACUMULA DO
99
95 95
80 80
50 50
20 20
5 5
1 1
0.1 0.1
18 23 28 33 38 43 48 10000 100000
DATA (X 1000,0)
DATA
Weibull
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
VA ORES EXTREMOS
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
-6 4 14 24 34 44 54
DATA (X 1000,0)
10
Ajuste de una data y calculo de la supervivencia
En el análisis de la confiabilidad y la supervivencia la variable de interés es el tiempo
hasta que ocurre un suceso, este análisis suponer que esos tiempos siguen una
determinada distribución de probabilidades o función matemática.
La tasa de mortalidad se denomina función de riesgo, si la tasa no varía a lo largo del

tiempo, la función de supervivencia es:
Si la tasa de mortalidad varíe en función del tiempo transcurrido desde el comienzo del
estudio, en este caso, un modelo muy utilizado, es el de Weibull que se representa
como:
Se plantea un modelo la tasa de mortalidad en función del tiempo y una vez

determinada la tasa de mortalidad, se calcula, a partir de ella, la función de
supervivencia
1-.Ejemplo
El objetivo de este análisis es determinar un modelo de distribución para ajustar
adecuadamente la Data y calcular estimaciones de la supervivencia.
DATA
18.830 36.980
20.800 37.080
21.657 37.090
23.030 39.580
23.230 44.045
24.050 45.290
24.321 45.381
25.500
25.520
25.800
26.690
26.770
26.780
27.050
27.670
29.900
31.110
33.200
33.730
33.760
33.890
34.760
35.750
35.910
11
Distribuciones consideradas
Se analizaron los datos mediante el método descrito anteriormente para los siguientes modelos de
distribución:
1. Distribución normal
2. Distribución Exponencial
3. Distribución de Weibull
4. Distribución lognormal
Gráfico de probabilidad
El gráfico de probabilidad es una técnica gráfica, utilizada para contrastar la distribucion que ajusta
adecuadamente a un conjunto de datos, permite comparar la distribución empírica de una muestra de
datos, con una distribución teorica..
Es un caso pàrticular de gráfico de probabilidad.
La idea básica consiste en representar, en un mismo gráfico, los datos empíricos observados, frente a
los datos que se obtendrían en una distribución teórica.
Si la distribución de la variable es del tipo de la distribución considerada, los puntos quedarán cerca
de una línea recta.
Es frecuente observar una mayor variabilidad (separación) en los extremos.de la grafica, el gráfico
de probabilidad normal es un caso especial de gráfico de probabilidad.
Los gráficos de probabilidad son similares a los gráficos P-P y los gráficos Q-Q, la diferencia radica
en que en los gráficos P-P se confrontan las proporciones acumuladas de una variable, con las de una
distribución teorica
Los gráficos Q-Q se obtienen de modo análogo, esta vez representando los cuantiles respecto a los
cuantiles de la distribución teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme, Weibull,
Lognormal, Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de selección de la distribución que mejor ajusta a la
data.
1
Normal
Uniforme 99,9
100
99
PO RCENT AJE ACUMULA DO

PORCEN TAJE ACUMULADO
80 95
80
60
50
40 20
5
20
1
0 0.1
18 23 28 33 38 43 48 18 23 28 33 38 43 48
(X 1000,0) DATA (X 1000,0)
DATA
Lognormal Weibull
99,9 99,9
99
99
PORCENT AJE ACUMULA DO
90
70
95 50
80 30
20
50 10
5
20
5 1
0.5
1
0.1 0.1
10000 100000 1000 10000 100000
DATA DATA
Logistica
VAORES EXTREMOS 99,9
99,9
99 99,5
PO RCENTA JE A CUMULA DO
90 99
70 95
50 90
30
20 70
10 50
30
5
10
5
1
0.5 1
0.5
0.1 0.1
-6 4 14 24 34 44 54 0 1 2 3 4 5 6
(X 1000,0) DATA (X 10000,0)
DATA
2
Calculo de los Parámetros
El resultado del cálculo de los parámetros se resumen a continuación.
Distribución Normal
MáxPPCC = 0,980
Estimación de la ubicación = 30,81
Estimación de escala = 7,38
Distribución de Weibull
Máx. PPCC = 0,988
Estimación de la forma = 2,13
Estimación de la ubicación = 15,9
Distribución lognormal
MáxPPCC = 0,986
Estimación de la forma = 0,18
Estimación de la ubicación = -9,96
Estos resultados indican que varias de estas distribuciones pueden proporcionar un modelo de
distribución adecuado de los datos.
Elegimos la distribución de Weibull 3-parámetros como el modelo más adecuado porque

proporciona el mejor equilibrio entre simplicidad y mejor ajuste.
Pruebas de Bondad de Ajuste

N0 Distribución Parámetros
1 Lognormal =0,23108 =10,309
2 Normal =7253,4 =30811,0
3 Weibull (3P) =1,9136 =14835,0 =17644,
Bondad de ajuste – Resumen
Kolmogorov Anderson
Chi-cuadrado
N0 Distribución Smirnov Darling
Estadística Rango Estadística Rango Estadística Rango

1 Lognormal 0,12458 2 0,41357 2 1,6585 1
2 Normal 0,1514 3 0,53219 3 2,2899 3
3 Weibull (3P) 0,11708 1 0,33806 1 1,6917 2
Kolmogorov Anderson
N0 Distribución Chi-cuadrado
Smirnov Darling
3
1 Lognormal 0,12458 2 0,41357 2 1,6585 1
2 Normal 0,1514 3 0,53219 3 2,2899 3
3 Weibull (3P) 0,11708 1 0,33806 1 1,6917 2
Bondad de ajuste -
Lognormal
Kolmogorov-Smirnov
Tamaño de la muestra 31
Estadística 0,12458
Valor P 0,67591
Rango 2
 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,18732 0,21412 0,23788 0,26596 0,2853
Rechaza No No No No No
Anderson-Darling
Rango 2
 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Chi-cuadrado
Grados de libertad 3
Estadística 1,6585
Valor P 0,6462
Rango 1
 0,2 0,1 0,05 0,02 0,01
Valor crítico 4,6416 6,2514 7,8147 9,8374 11,345

Kolmogorov Anderson
Chi-cuadrado
1 Lognormal 0,12458 2 0,41357 2 1,6585 1
2 Normal 0,1514 3 0,53219 3 2,2899 3

3 Weibull (3P) 0,11708 1 0,33806 1 1,6917 2
Bondad de ajuste
Normal
Kolmogorov-Smirnov
Estadística 0,1514
4
Valor P 0,43346
Rango 3
 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,18732 0,21412 0,23788 0,26596 0,2853
Anderson-Darling
Rango 3
 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Chi-cuadrado
Estadística 2,2899
Valor P 0,51447
Rango 3
 0,2 0,1 0,05 0,02 0,01
Valor crítico 4,6416 6,2514 7,8147 9,8374 11,345

Kolmogorov Anderson
Chi-cuadrado
1 Lognormal 0,12458 2 0,41357 2 1,6585 1
2 Normal 0,1514 3 0,53219 3 2,2899 3

3 Weibull (3P) 0,11708 1 0,33806 1 1,6917 2
Bondad de ajuste
Weibull (3P)
Kolmogorov-Smirnov
Valor P 0,74574
Rango 1
 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,18732 0,21412 0,23788 0,26596 0,2853
Anderson-Darling
Rango 1
 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
5
Chi-cuadrado
Estadística 1,6917
Valor P 0,63878
Rango 2
 0,2 0,1 0,05 0,02 0,01
Valor crítico 4,6416 6,2514 7,8147 9,8374 11,345
Comparacion de las Distribuciones

Distribucion Est. Parametros Log Verosimilitud KS D
Weibull 2 -120,392 0,107496
Normal 2 -121,372 0,129556
Lognormal 2 -122,48 0,1421
Loglogistica 2 -122,767 0,121623
Exponencial 1 -152,974 0,490968
Pareto 1 -191,88 0,607857
Esta tabla compara la bondad de ajuste cuando varias distribuciones se adapten a la data.
Según la tabla el mejor ajuste es el de la distribución Weibull
Conclusión
Al realizar el estudio comparativo de los tests de ajuste para las tres distribuciones, se concluye que
la distribución de Weibull de tres parámetros ajusta adecuadamente la data.
Calculo de la Supervivencia y los limites de Confianza [

Con la data y la distribución de Weibull de tres parámetros calculamos la probabilidad de
supervivencia y el intervalo de confianza de la supervivencia para cada tiempo de falla
Tiempo Prob. Super GRAFICA DE SUPERVIVENCIA

Falla Limite Inf Lim Super
15000 1 1 1 1,000
18000 0,994 0,971 0,999
PR OB SU PER VI VEN C IA
21000 0,937 0,846 0,975

0,750
24000 0,824 0,684 0,906
27000 0,672 0,514 0,788
30000 0,507 0,356 0,639 0,500
33000 0,353 0,222 0,486
36000 0,226 0,121 0,351
39000 0,133 0,055 0,245 0,250
42000 0,072 0,021 0,167
45000 0,036 0,006 0,111
0,000
48000 0,016 0,002 0,072 15000,0 26250,0 37500,0 48750,0 60000,0
51000 0,007 0 0,046
54000 0,003 0 0,029 DATA WEIBULL
7-.Graficas de Supervivencia ajustada con la Weibull – 3 parámetros
6
Grafica de Probabilidad
CDF
1
1
Exponencial
Probabilidad Acumulada
0,8
Lognormal
0,8
Probabilidad A cumulada
Normal
Weibull (3-Parameter) 0,6
0,6 Weibull -3p
0,4
Exponencial
0,4 Gumbell
0,2 Lognormal-3p
Normal
0,2 Weibull-3p
0
260 300 340 380 420 460 500
Fallas
0
0 30 60 90 120 150 180
FALLAS
HISTOGRAMAS
3 Histograma de Fallas
HISTOGRAMAS DE DATA
EXPONENCIAL 16
2,5 GUMBELL
LOGNORMAL-3P Exponencial
Normal Lognormal
FRECUENCIA
2 WEIBUL-3-P 12 Normal
Weibull
Frecuencia
1,5
8
1
4
0,5
0 0
240 280 320 360 400 440 480 0 40 80 120 160 200
DATA FALLAS
Función de supervivencia
0,9 Función de riesgo acumulativa

4,8
0,8
4,4
0,7 4
0,6 3,6
3,2
0,5
S(x)
2,8
0,4
H(x)
2,4
0,3 2
0,2 1,6
1,2
0,1
0,8
0 0,4
-0,1 0
25 30 35 40 45 20 25 30 35 40 45
x x
Muestra Weibull Weibull
7
Cuantil-Cuantil
44
42
Grafica de Probabilidad
40
1
38
Cuantil (Modelo)
36
Probabilidad Acumulada
0,8
34
32
0,6
30
28
0,4
26
Exponencial
24 Gumbell
0,2 Lognormal-3p
22
Normal
20 Weibull-3p
0
20 25 30 35 40 45 260 300 340 380 420 460 500
x Fallas
Weibull
Quantile-Quantile Plot
500 Distribution
Exponential
Lognormal
400 Normal
FALLAS
300
200
100
0
0 100 200 300 400 500
Exponential distribution
8
(X 0,001) Funcion de Densidad
15 Distribution
Exponential
Lognormal
12 Normal
9
Densidad
0
0 30 60 90 120 150 180
FALLAS
Exponencial
99,9
PORCENTAJE ACUMULA DO
99,5
99
95
90
80
70
50
0.1
0 2 4 6 8
DATA (X 10000,0)
9
Confiabilidad y Supervivencia
Paramétricas
1. Modelos paramétricos usados en los estudios de Confiabilidad y
Supervivencia
2. El nivel de significación P (o P valor)
3. Las pruebas de ajuste: Chi-cuadrado, Kolmogorov-Smirnov y
Anderson-Darling.
4. Contrastes de hipótesis.Comparaciónentre métodos p aramétricos y
no paramétricos.
5. Los modelos:
exponencial,Weibull ylognormal.
6. Ajuste de datas a la distribución Weibull, a la distribución
exponencial ya la distribución lognormal.
Lognormal Hazard Rate GRAFICA
0,001
{G}
0,001
Hazard Rate
0,001
0,000
0,000
0,0 5000,0 10000,0 15000,0 20000,0
TIEMPOSUP
Métodosparamétricos en
10
Los estudios de Confiabilidad y Supervivencia
Si se asume como conocida la función de probabilidad que gobierna la variable tiempo
de vida y si las pruebas de bondad de ajuste muestran que la asunción del tipo de
función de probabilidad que gobierna la variable tiempo de vida es aceptable, entonces
se pueden usar métodos paramétricos para estudiar la supervivencia
El procedimiento paramétrico consiste en estimar, con el método de máxima

verosimilitud, los parámetros característicos de la función de distribución de
probabilidades del tiempo de supervivencia, y usar la distribución determinada para
estudiar el comportamiento de las funciones de supervivencia y realizar contrastes de
hipótesis sobre ellas.
Las pruebas de bondad de ajuste se realizan con prueba ji-cuadrado, con la del logaritmo
del cociente de verosimilitudes.
Las pruebas de ajuste comúnmente utilizadas son las siguientes:

1. Prueba Chi-cuadrado de bondad de ajuste.
2.Prueba Kolmogorov-Smirnov de bondad de ajuste.
3.Prueba de Anderson-Darling de bondad de ajuste.
El nivel de significación P (o P-valor).

La significación estadística o el nivel de significación (p- valor) es una medida del grado
en el cual los resultados obtenidos son verdaderos, en el sentido que los resultad os
obtenidos por medio de muestras sean extensibles a la población, el nivel de
significación de un test es un concepto estadístico asociado a la verificación de una
hipótesis.
El nivel de significación mide la probabilidad de cometer error al aceptar los resultados

obtenidos en un procedimiento como resultados generalmente validos, es decir validos
para toda la población
El nivel de significación es equivalente al Error Tipo 1 (alfa: Probabilidad de rechazar la

hipótesis nula dado que esta es verdadera), (decisión conocida como error de tipo I, o
"falso positivo").
Si el valor P es inferior al nivel de significación, entonces la hipótesis nula es rechazada.

Cuanto menor sea el valor P, más significativo será el resultado.
Un valor alto del p-valor representa una menor confianza en que los resultados obtenidos
con la manipulación de la muestra sean equiparables a los de la población.
El nivel de significación mide la probabilidad de cometer error al aceptar los resultados

obtenidos en un procedimiento como resultados generalmente validos, es decir validos
para toda la población
Un p-valor de 0.05 se interpreta como que existe el 5% de probabilidad de que las

relaciones encontradas entre las variables a partir de la manipulación de muestras hayan
sido debido al puro azar, ala pura suerte (“de Chiripa”)
Si se asume que en la población no existe relación entre las variables.
Un nivel de significancia de 5% indica que se debe esperar hasta 20 repeticiones para

que aparezca un experimento donde existan entre las variables relaciones mucho más
11
significativas que las que se pudieran encontrar en las anteriores replicas del
experimento.
En muchas áreas técnicas el nivel mínimo de significación se ha establecido en 5%, en

otras más exigentes como el área científica o de investigación científica requieren de 1%
y otras hasta de 0.1%.
.
.
PRUEBA CHI-CUADRADO DE BONDAD DE AJUSTE
La prueba basada en la ji-cuadrado se realiza distribuyendo el periodo de observación
en k intervalos y calculando el estadístico:
Siendo O i los eventos observados en el intervalo i y E i los esperados en la hipótesis de

que los datos provengan realmente de la distribución considerada.
Este estadístico, se distribuye aproximadamente como una Chi-cuadrado con k - r - 1

grados de libertad, donde r es el número de parámetros de la distribución estimados a
partir de la muestra
La prueba Chi - cuadrado se utiliza para comprobar si una muestra de los datos
procedede una población con una distribución específica.
Una característica atractiva de la Chi-cuadrado es que se puede aplicar a cualquier

distribución univariada para los que pueden calcular la función de distribución
acumulada.
La prueba Chi-cuadrado se puede aplicar a las distribuciones discretas, como la

binominal y la de Poisson y a cualquier distribución univariada a la se pueda calcular
con facilidad la función de distribución acumulada.
Las pruebas de Kolmogorov-Smirnov y Anderson-Darling se limitan a las

distribuciones continuas.
La prueba Chi-cuadrado se define por la hipótesis:
• Hipótesis
Ho Los datos siguen una distribución especificada.

Ha: Los datos no siguen la distribución especificada.
12
• Estadística Para calcular el estadístico de bondad de ajuste (Chi-
cuadrado), los datos se dividen en k cajas y la
de prueba estadística del ensayo se define como
dónde es la frecuencia observada de la clase i y

Ei es la frecuencia esperada de la clase i.
La frecuencia esperada se calcula por
donde F es la función de distribución acumulada de

la distribución que se está probando y N es el tamaño
de la muestra.
• Regla de Decisión:
Se acepta H0 cuando .
En caso contrario se rechaza. H 0
Donde t representa el valor proporcionado por las tablas, según el nivel de significación
estadística elegido.
Si existe concordancia entre las frecuencias observadas y las esperadas el estadístico

tomará un valor igual a 0; por el contrario, si existen grandes discrepancias entre estas
frecuencias el estadístico tomará un valor grande y, en consecuencia, se rechazará la
hipótesis nula.
La región crítica
La región crítica estará situada en el extremo superior de la distribución Chi-cuadrado con
k-1 grados de libertad.
La prueba de Kolmogorov-Smirnov.
Características de la prueba
La prueba de Kolmogorov–Smirnov es una prueba de bondad de ajuste que permite
determinar si razonablemente las mediciones muéstrales provienen de una población
que tiene esa distribución de probabilidad teórica
La prueba de una muestra de K-S puede en todos los casos en que se aplique ser más
poderosa que su prueba alternativa, la prueba de 2
La prueba compara la distribución de frecuencia acumulativa de la distribución teórica

con la distribución de frecuencia acumulativa observada determinando el punto en el
que estas dos distribuciones muestran la mayor divergencia.
13
Hipótesis
Ho: La distribución observada se ajusta a la distribución teórica.
H1: La distribución observada no se ajusta a la distribución teórica.
Estadígrafo de prueba
Para dos colas el estadístico de prueba viene dado por
Donde F(x) es la distribución presentada como hipótesis.
Regla de Decisión
Si D n + > W1- Rechazamos Ho o si
Si D n - < W Rechazamos Ho
W 1- es el valor de la prueba Kolmogorov–Smirnov
LA PRUEBA ANDERSON-DARLING
La prueba Anderson-Darling se utiliza para comprobar si una muestra de los datos
proceden de una población con una distribución específica.
La prueba A-D es una prueba alternativa de las pruebas Chi-cuadrado y la de

Kolmogorov-Smirnov, se trata de una modificación de la prueba Kolmogorov-Smirnov
(KS) que le da más peso a las colas que la prueba de KS.
En la prueba KS los valores críticos no dependen de la distribución que se esta poniendo

a prueba, en la prueba Anderson-Darling para el cálculo de valores críticos se hace uso
de la distribución que se esta poniendo a prueba, lo que permite tener una prueba más
sensible
Los valores críticos en la prueba A-D deberán calcularse para cada distribución y se
dispone
de las tablas de valores críticos para la normal, lognormal, exponencial, Weibull y las
del valor extremo de tipo I y tipo II
La prueba Anderson-Darling se define como:

Hipótesis
H 0: Los datos siguen una distribución especificada.
H a: Los datos no siguen la distribución especificada
14
Estadístico
El estadístico de prueba de Anderson-Darling se define
de prueba como:
A2 = − N − S
N
(2i − 1)
S= ln F (Yi) + ln( 1 − F (YN + 1 − i )))
i =1 N
Donde F es la función de distribución acumulada de la distribución especificada.
Regla de decisión
El estadístico de la prueba se compara con las distribuciones del estadístico de prueba:
A2 > F para determinar el P-valorde la prueba.
Región crítica:
Los valores críticos para la prueba de Anderson-Darling dependen de la distribución
específica que se está probando.
AJUSTE DE UNA DATA

A UNA DISTRIBUCIÓN LOGNORMAL.
La data LOGNORMAL el número de meses a los que se produjo la primera falla en
cada uno de los 121 equipos que componen un sistema de transporte. Se tratara de
ajustar la data a una distribución lognormal.
DATA LOGNORMAL
2 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7
8 8 8 8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9 9 9 10 10 10 10 10
10 10 10 10 10 10 10 10 10 10 10 10 11 11 11 11 11 11 11 11 11 11 11 11 12 12 12
12 12 12 12 12 13 13 14 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 17 17 17 17
19 19 21 22 24 24 24 27 32 35
Solución
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si la data:
LOGNORMAL puede ser adecuadamente modelada con una distribución lognormal
La data LOGNORMAL presenta 121 valores
El rango de valores es de 2 hasta 35
Una lognormal con: Media 11,3259 y Desviación Estándar 5,45928
• área bajo 9,04463 = 0,396064
• área bajo 10,1752 = 0,497662
• área bajo 11,3058 = 0,588879
• área bajo 12,4364 = 0,667559
15
• área bajo 13,5669 = 0,733538
El Test Chi -Cuadrado reparte la data en varios intervalos y compara el número de

observaciones con el número de observaciones esperadas si la distribución de la data
fuese una distribución lognormal
Bondad de Ajuste para la data: LOGNORMAL

Chi-Cuadrado Test
Inferior Superior Observada Esperada
Limite Limite Frequen Frequen
Chisquare
Debajo de 5,0 10,0 56 51,20 0,45
10,0 15,0 35 38,47 0,31
15,0 20,0 12 15,62 0,84
Sobre 20,0 8 8,52 0,03
Chi-Square = 2,74254 con 2 d.f. P-Value = 0,253785
.
Estadística Estimada de Kolmogorov DPLUS = 0.0792284

Estadística Estimada de Kolmogorov DMINUS = 0.0861148
Estadística Estimada de Kolmogorov GLOBAL = 0.0861148
P-Valor Aproximado = 0.33146
El Test Kolmogorov-Smirnov determina el estadístico para la máxima y la mínima

distancia entre la distribución acumulada de LOGNORMAL y la CDF de la distribución
teórica lognormal, la máxima distancia es 0.0861148., el menor valor de P-valor es
0.253785
Por ser el P-valor mayor o igual a 0.10, no podemos rechazar la hipótesis de que
Tiempos de Fallas provenga de una distribución Normal con un 90% o más de
confianza, para este caso aceptamos la hipótesis alternativa de que la variable
LOGNORMAL se ajusta a una distribución lognormal.
16
Si aceptamos que el modelo lognormal es adecuado para ajustar la data LOGNORMAL
podemos calcular la supervivencia a 8 meses y la mediana de supervivencia.
En la gráfica se observa que para T=8, S (t) es aproximadamente 0,7 y que S (t)=0,5
para t=10 aproximadamente.
Usando las fórmulas la probabilidad de supervivencia a los 8 meses es 0,7019.
La mediana es el tiempo para el cual:
S (t)=0,5 y
Test de confiabilidad para Lognormal

Cuando ajustamos los tiempos entre fallas a una distribución Lognormal no es sencillo
determinar un test para la confiabilidad, como esta distribución tiene dos parámetros,
para obtener una estimación de estos dos parámetros se requiere que se produzcan al
menos dos fallas y se requieren mucho mas de dos fallas para obtener una buena
estimación de los dos parámetros de la distribución.
Debido a la censura, sin una buena conjetura sobre el valor de uno de los parámetros,
cualquier test planeado posiblemente falle, con un parámetro conocido es posible
desarrollar un test aceptable para los tiempos de fallas.
17
Siempre es posible establecer una buena conjetura sobre el valor de uno de los
parámetros, generalmente esta conjetura se establece sobre el parámetro de forma ( para
la Lognormal)
Se diseña un plan de muestreo que tome n unidades bajo prueba por T horas
consecutivas y acepte el lote de n unidades si fallan r unidades o menos.
Para desarrollar este test se supone que la distribución de los tiempos es Lognormal, que
 es conocida de pruebas anteriores y no varia de lote a lote y que la Confiabilidad del
lote varia porque T50 (la mediana lognormal del 50avo percentil) difiere de lote a lote.
El máximo valor del factor de aceleración es A, el valor de Tu, se determina con la CDF
y es la probabilidad (H o ) de que sobreviva 100,000 horas.
El factor de aceleración A se usa para calcular una proporción de fallas “buena” o

aceptable pa y una proporción de fallas “mala” o inaceptable
Tu = 1000.000 e- −(p0 )

donde  − es la inversa de la distribución normal estándar.
El factor de aceleración A se usa para calcular una proporción de fallas aceptable p a y
una proporción de inaceptable referida como p b:
donde F es la CDF de la normal estándar.Estas suposiciones transforman el problema

de confiabilidad en un problema de Muestreo de Aceptación de Lotes.
Lognormal Hazard Rate GRAFICA

Lognormal Hazard Fn grafica
0,001
3,500 {G}
{G}
0,001
2,625
Hazard Rate
Hazard Fn
0,001
1,750
0,000
0,875
0,000
0,000 0,0 5000,0 10000,0 15000,0 20000,0
6000,0 9000,0 12000,0 15000,0 18000,0 TIEMPOSUP
TIEMPOSUP
18
Lognormal Survival GRAFICA Lognormal Probabilidad
1,000 9,80
{G} {G}
0,750 9,50
Ln(Time)
Survival
0,500 9,20
0,250 8,90
0,000 8,60
6000,0 9000,0 12000,0 15000,0 18000,0 -2,00 -1,00 0,00 1,00 2,00
TIEMPOSUP Lognormal Quantile
Modelo Exponencial
La Función de distribución exponencial negativa se escribe como:
ln [1/ 1-F(t)] = [   ln10 ] t o
el equivalente ln [1/ 1-F(t)] =  t
Sea y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una pendiente de   ln10.
De esta manera podemos construir nuestro propio papel de probabilidades expone ncial usando un papel
semilogaritmico estándar.
Para cada valor de t determinamos el par (t, F (t)),
Si la data se ajusta a una distribución exponencial, los puntos (pares) graficados deben caer sobre de la
línea recta con pendiente  / ln10 .
Ajuste de una data a una distribución exponencial

Se dispone de la data del tiempo de falla de un grupo de 40 componentes electrónicos no reparables.
Se desea conocer si la ley que rige los tiempos de falla de estos componentes es una distribución
exponencial negativa.
19
Estadística descriptiva
Estadística Valor Percentil Valor

Tamaño de la muestra 40 Min 10
Rango 1190 5% 15,25
Media 261,15 10% 23,0
Varianza 70449,0 25% (Q1) 53,25
Desviación estándar 265,42 50% (Mediana) 161,5
Coef. de variación 1,0164 75% (Q3) 446,25
Error estándar 41,967 90% 601,9
Asimetría 1,6021 95% 886,5
Curtosis 3,0049 Max 1200
Estadísticas descriptivas para los intervalos :
Límite Límite superior Frecuencia Frecuencia relativa Densidad Densida
inferior d
0 130 17 0,436 0,003 0,385
130 260 7 0,179 0,001 0,237
260 390 4 0,103 0,001 0,146
390 520 5 0,128 0,001 0,090
520 650 4 0,103 0,001 0,055
650 780 0 0,000 0,000 0,034
780 910 1 0,026 0,000 0,021
910 1040 0 0,000 0,000 0,013
1040 1170 0 0,000 0,000 0,008
1170 1300 1 0,026 0,000 0,005
Histogramas
0,004
0,0035
0,003
0,0025
Densidad
0,002
0,0015
0,001
0,0005
0
0 200 400 600 800 1000 1200 1400
10
10 Exponencial(0,004)
20
Distribución Parámetros
1 Exponencial =0,00383

Kolmogorov Anderson
Chi-cuadrado
Distribución Smirnov Darling
1 Exponencial 0,09134 1 0,37797 1 1,5225 1
Análisis Estadístico
Se presentan los resultados de las pruebas estadísticas para determinar si la d ata puede
ser adecuadamente modelada por una distribución exponencial.
La prueba Chi-cuadrada divide la data en 6 intervalos y compara el número de

observaciones en cada clase con el número de observaciones que se espera sobre la
base de la distribución exponencial.
La prueba Kolmogorov-Smirnov computa la máxima distancia entre la distribución

acumulativa y la data y la máxima distancia entre la data y la distribución
exponencial
Prueba de Kolmogorov-Smirnov:
D 0,085
p-valor 0,929
Alfa 0,05
Interpretación de la prueba:
H0: La muestra sigue una distribución Exponencial
Ha: La muestra non sigue una distribución Exponencial
Como el p-valor calculado es mayor que el nivel de significación alfa=0,05, se puede
aceptar la hipótesis nula H0.
El riesgo de rechazar la hipótesis nula H0 cuando es verdadera es de 92,85%.
Graficas de Densidad y de Supervivencia
21
1
1
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,6
F(x)
S(x)
0,5
0,5
0,4 0,4
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
x x
Muestra Exponential Muestra Exponential
Probabilidad-Probabilidad
Histogramas
1
0,004 0,9
0,0035 0,8
0,003 0,7
P (Modelo)
0,0025 0,6
Densidad
0,002 0,5
0,0015 0,4
0,001 0,3
0,0005 0,2
0 0,1
0 200 400 600 800 1000 1200 1400
10 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

P (Empírico)
10 Exponencial(0,004) Exponential
La Función de distribución de Weibull

Un modelo de distribución que se utiliza con bastante frecuencia para modelar los tiempos d e vida
es la distribución de Weibull.
Creada por el Profesor Waloddi Weibull, esta distribución esta descrita por tres parámetros; B el
parámetro de forma, C el parámetro de escala y D el parámetro de localización, la expresión de la
Weibull en funcion de de estos parámetros es:
f ( t | B,C,D ) = (B/C) (t-D)(B-1) e(t-D)B
Parametro de Forma-B
El parametro de forma de la función de densidad de esta distribución, el rango de
variación típica de este parámetro es entre 0.5 y 8.0. y el valor más común es 2.0.
Una de las razones del amplio uso de esta distribución es que ella incluye otras
distribuciones como casos especiales de Weibull para distintos valores del parámetro de
forma B, así si:
22
.
B = 1 La distribución Weibull es idéntica a la distribución exponencial.
B = 2 La distribución Weibull es idéntica a la distribución Rayleigh.
B = 2.5 La distribución Weibull se aproxima a la distribución lognormal.
B = 3.6 La distribución Weibull se aproxima a la distribución normal
Parámetro de Escala - C
El parámetro C de escala controla la escala de la función de densidad Weibull en el eje
de la variable tiempo, un cambio en este parámetro tiene el mismo en la distribución
como un cambio de escala de tiempo sin cambiar la forma original de la distribución. El
parámetro C es conocido como la vida característica de la población que sigue la
Weibull.
Parámetro de Localización - D
El parámetro D de localización es el valor mínimo de la variable aleatoria t, cuando D
es cero tenemos la Weibull de dos parámetros.
Si la variable aleatoria t sigue una distribución de Weibull, entonces la variable x = ln(t) sigue
una distribución de Valores Extremos
La distribución Weibull de dos parámetros se utiliza extensivamente en el desarrollo de modelos

de confiabilidad, ella presenta una gran flexibilidad a la hora de crear modelos de varios tipos de
comportamiento de riesgo, es fácilmente manejable algebraicamente, como toda distribución de
dos parámetros puede describir bastante bien muchas situaciones reales.
Además, como la distribución Weibull es una distribución de valores extremos, si se considera

que un dispositivo puede fallar debido a alguna de varias causas posibles, el primer mecanismo de
falla que ocurra (tiempo mínimo hasta su aparición) determina la falla del dispositivo, por lo
tanto, el tiempo de falla es el valor mínimo de un conjunto, y debe ser representado utilizando una
distribución de la clase de distribuciones de valores extremos
Las variables aleatorias no negativas como es el caso del tiempo de vida de un equipo tienen a la
distribución Weibull de dos parámetros como una buena representante, la distribución Weibull
hace una interpretación física bastante verosímil de los tiempos d e falla de los equipos
industriales.
La distribución de Weibull de dos parámetros

La distribución Weibull de dos parámetros es bastante utilizada en los estudios de la confiabilidad
y la supervivencia, ella presenta una gran flexibilidad para crear modelos de varios tipos de
comportamiento de riesgo, es fácilmente manejable algebraicamente y como toda distribución de
dos parámetros puede describir bastante bien muchas situaciones reales.
La distribución Weibull-2p es un caso representativo de variable aleatoria no negativa, ella

admite una interpretación física bastante verosímil.
La función de Weibull de dos parámetros está definida por:
f(t) = (t) (−)   = ctes > 0
Para  = 1 esta función es la distribución exponencial, la función exponencial es una

particularización de la función más general de Weibull.
23
Las funciones de supervivencia y riesgo para esta variable son:
S(t) = e-(t) y h (t) = (t)(−)
El riesgo es creciente en el tiempo para  > 1, constante para  = 1 y decreciente para

 < 1.
Al tomar dos veces el logaritmo de la función de supervivencia obtenemos:
ln[S(t)] = -(t) ln(-ln(S(t))] = ln(t) +ln( A+Bln( ))
y calculando el logaritmo de la función de riesgo
ln[h(t)] = ln() + ( − )ln() + ( − )ln(t) – A + Bln(t)
las relaciones entre el logaritmo del logaritmo cambiado de signo de la Supervivencia

con el logaritmo del tiempo y el logaritmo del riesgo con el logaritmo del tiempo son
lineales.
Se usan estas relaciones para evaluar la idoneidad del modelo de Weibull, la

distribución de Weibull se utiliza para modelar tiempos de falla, los dos parámetros de
la distribución se suelen llamar de forma  (alfa) y de escala  (gamma.).
La función de densidad de probabilidades de Weibull

La formula de la función de densidad de probabilidades de la distribución Weibull es:
γ x − μ (γ −1)
f(x) = ( ) exp( − ((x − μ)/α) γ ) x  ;  ,  0
α α
donde es el parámetro de forma, es el parámetro de escala .El caso donde =0 y
= 1 es llamado la distribución Estándar de Weibull.
El caso donde  = 0 se llama la distribución de Weibull de 2 parámetros.

La ecuación Weibull de 2 parámetros se representa en este caso con la siguiente
expresión:
f ( x) = x ( −1) exp( −( x  ) x  0  0
La siguiente es la grafica de la función de densidad de la distribución de Weibull con

valores de  : 0.5, 1, 2 y 5
DENSIDAD DE WEIBULL
2 Forma,Escala
0,5,1
1,6 1,1
2,1
DENSIDAD
1,2 5,1
24 0,8
0,4
La función de probabilidad Acumulada de Weibull
La formula de la función de probabilidad Acumulada de la distribución Weibull es:
F(t) = 1 – exp(- x ) x ≥ 0 ;  ≥ 0
La siguiente es la grafica de la función de probabilidad Acumulada de la distribución

Weibull con valores de  : 0.5, 1, 2 y 5
Weibull Acumulada
1 Forma,Escala
0,5,1
Prob. Acumulada
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
0 5 10
X
La función de riesgo de la distribución Weibull

La expresión para la función de riesgo de la distribución Weibull es:
h(x) = x(-1) x ≥ 0; g > 0
La siguiente es la grafica de la función de riesgo de la distribución Weibull con un valor

de  0,5, 1, 2, y 5
25
Funcion Riesgo Weibull
100 Forma,Escala
0,5,1
80 1,1
2,1
Riesgo
60 5,1
40
20
0
0 1 2 3 4 5
x
La función del riesgo acumulado de Weibull

La expresión de la función del riesgo acumulado de Weibull es:
H(x) = x x > 0:  > 0
La siguiente es la grafica de la función del riesgo acumulado de Weibull con los

intervalos de confianza de 95%.
RIESGO ACUMULADO WEIBULL

15,000
{G}
RIESGO RIESGO ACUMULADO
11,250
7,500
3,750
0,000
15000,0 26250,0 37500,0 48750,0 60000,0
TIEMPO DE FALLA
La función de la Supervivencia de la distribución Weibull

La expresión para la función de la Supervivencia de la distribución Weibull es:
S(x) = exp-(x) x > 0:  > 0
La siguiente es la grafica de la función de la Supervivencia de la probabilidad de la

distribución Weibull con un valor de  : 0,5, 1, 2, y 5.
26
Supervivencia Weibull
1 Forma,Escala
Prob. Supervivencia
0,5,1
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
0 5 10
x
La función Inversa de la Supervivencia de Weibull

La expresión para la función Inversa de la Supervivencia de la distribución Weibull es:
Z(p) = (ln(p))1  0 ≤ p ≤ 1  > 1
La siguiente es la grafica de la función del logaritmo de la Supervivencia de la

probabilidad de la distribución Weibull con un valor de  : 0,5, 1, 2, y 5.
Weibull Distribución
Prob. logSupervivencia
3 Forma,Escala
0,5,1
1,1
-7
2,1
5,1
-17
-27
-37
0 5 10 15
x
Ajuste de una data

a una distribución Weibull
27
La siguiente muestra de tamaño 50 ha sido obtenida de una población que registra la
vida útil (en unidades de tiempo) de baterías alcalinas tipo AAA. Pruébese la hipótesis
nula de que la variable aleatoria vida útil de las baterías sigue una distribución
exponencial negativa. Considérese un nivel de significancia alfa de 5%.
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
Tamaño de la muestra 50 Min 0,023
Rango 8,2 5% 0,20745
Media 2,2679 10% 0,2979
Varianza 3,7343 25% (Q1) 0,742
Asimetría 1,2494 95% 6,9156
Curtosis 1,4013 Max 8,223
Bondad de ajuste - Detalles

Weibull (3P)
Kolmogorov-Smirnov
Valor P 0,95823
Rango 10
 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,1484 0,16959 0,18841 0,21068 0,22604
Rechazar? No No No No No
Anderson-Darling
Rango 7
 0,2 0,1 0,05 0,02 0,01
28
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Chi-cuadrado
Estadística 1,5277
Valor P 0,90985
Rango 16
 0,2 0,1 0,05 0,02 0,01
Valor crítico 7,2893 9,2364 11,07 13,388 15,086
Rechazar? No No No No N
Ajuste de una data

a una distribución Weibull
La siguiente muestra de tamaño 50 ha sido obtenida de una población que registra la vida útil
(en unidades de tiempo) de baterías alcalinas tipo AAA. Pruébese la hipótesis nula de
que la variable aleatoria vida útil de las baterías sigue una distribución exponencial
negativa. Considérese un nivel de significancia alfa de 5%.
8.223 0.836 2.634 4.778 0.406 0.517 2.330 2.563 0.511 6.426
2.230 3.810 1.624 1.507 2.343 1.458 0.774 0.023 0.225 3.214
2.920 0.968 0.333 4.025 0.538 0.234 3.323 3.334 2.325 7.514
0.761 4.490 1.514 1.064 5.088 1.401 0.294 3.491 2.921 0.334
1.064 0.186 2.782 3.246 5.587 0.685 1.725 1.267 1.702 1.849
Solución
La tabla presenta las estadísticas de la data tiempo de vida
Tamaño de la muestra 50 Min 0,023
Rango 8,2 5% 0,20745
Media 2,2679 10% 0,2979
Varianza 3,7343 25% (Q1) 0,742
Asimetría 1,2494 95% 6,9156
Curtosis 1,4013 Max 8,223
29
Se puede probar si la distribución Weibull ajusta adecuadamente a los datos de tiempo
de vida, mediante las pruebas de Bondad de Ajuste
puede ser adecuadamente modelada por una distribución Weibull

La tabla presenta los detalles de las pruebas: Kolmogorov-Smirnov, Anderson-Darling
y Chi-cuadrado
Bondad de ajuste - Detalles

Weibull (3P)
Kolmogorov-Smirnov
Valor P 0,95823
Rango 10
 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,1484 0,16959 0,18841 0,21068 0,22604
Anderson-Darling
Rango 7
 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Chi-cuadrado
Estadística 1,5277
Valor P 0,90985
Rango 16
 0,2 0,1 0,05 0,02 0,01
Valor crítico 7,2893 9,2364 11,07 13,388 15,086
En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son
mayores que 0,05 lo que indica que la data tiempo de vida proviene de la distribución
Weibull 3P.
Pruebas de Bondad-de-Ajuste para

Tiempo de vida
30
La tabla muestra los resultados de la prueba de Kolmogorov-Smirnov realizada para
determinar si la data tiempo de vida puede ser modelada adecuadamente por la
distribución Weibull 3P.
Pruebas de Bondad-de-Ajuste para tiempo de vida

Prueba de Kolmogorov-Smirnov
Normal Weibull (3-Parámetros)
DMAS 0,130632 0,0497935
DMENOS 0,122675 0,0689363
DN 0,130632 0,0689363
Valor-P 0,364094 0,971407
El Test Kolmogorov-Smirnov determina el estadístico para la máxima distancia entre la

distribución acumulada de tiempo de vida y la CDF de la distribución teórica de
Weibull 3P, la máxima distancia es 0,0689363.
El menor valor de P-valor es 0,971407. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hipótesis de que la data tiempo de vida provenga de una
distribución Weibull 3P.
Comparación de Distribuciones Alternas

Esta tabla compara la bondad de ajuste cuando varias distribuciones se ajustan a tiempo
de vida
De acuerdo con el estadístico log verosimilitud, la distribución de mejor ajuste es la
distribución Weibull de 3 parámetros.
Distribución Parámetros Est. Log Verosimilitud KS D
Weibull (3-Parámetros) 3 -90,1286 0,0689363
Weibull 2 -90,2176 0,0644522
Gamma 2 -90,3529 0,0729389
Exponencial 1 -90,9436 0,0859146
Loglogística 2 -94,1726 0,0926777
Lognormal 2 -95,0998 0,11322
Valor Extremo Más Grande 2 -95,7681 0,0921058
Birnbaum-Saunders 2 -100,618 0,211992
Logística 2 -102,195 0,126432
Normal 2 -103,386 0,130632
Laplace 2 -103,541 0,156939
Evaluación visual de las graficas.

Se puede evaluar visualmente que tan bien se ajusta la distribución y determinar los
valores puntuales del riesgo y la supervivencia, con el uso de las graficas: histograma de
frecuencias, de la grafica de riesgo y grafica de supervivencia
31
Función de Densidad
0,5
0,4
Distribución
densidad
0,3
Lognormal
Normal
0,2 Weibull (3-Parámetros)
0,1
0
0 2 4 6 8 10
tiempo de vida
32
Comparación de Distribuciones Alternas
Esta tabla compara la bondad de ajuste cuando varias distribuciones se ajustan a tiempo
de vida
De acuerdo con el estadístico log verosimilitud, la distribución de mejor ajuste es la
distribución Weibull de 3 parámetros.
Distribución Parámetros Est. Log Verosimilitud KS D

Weibull (3-Parámetros) 3 -90,1286 0,0689363
Weibull 2 -90,2176 0,0644522
Gamma 2 -90,3529 0,0729389
Exponencial 1 -90,9436 0,0859146
Loglogística 2 -94,1726 0,0926777
Lognormal 2 -95,0998 0,11322
Valor Extremo Más Grande 2 -95,7681 0,0921058
Birnbaum-Saunders 2 -100,618 0,211992
Logística 2 -102,195 0,126432
Normal 2 -103,386 0,130632
Laplace 2 -103,541 0,156939
33
46
La distribucion lognormal
El modelo de distribución lognormal se usa para modelar los tiempos de fallas en los
estudios de la confiabilidad y la supervivencia.
La variable t sigue una distribución lognormal si ln(t) tiene una distribución normal de
media μ y varianza σ², en consecuencia, la variable y = ((ln(t) – )) / es una
variable normal estándar, es decir de media igual a 0 y desviación típica igual a 1.
La función de supervivencia se puede escribir como: S(t) = 1- (y)
Siendo  la función de distribución acumulativa de la normal estándar, por lo tanto un

modo gráfico de verificar esta distribución es comparar la función de supervivencia
dibujada en papel lognormal con una línea recta.
La función Lognormal está caracterizada por los dos parámetros μ y σ, que no son su
media y desviación típica.
Una variable t esta lognormalmente distribuida si Y = ln(t) esta normalmente

distribuida, la expresión general de la función de densidad de probabilidades de la
distribución Lognormal es la siguiente:
− ( ln (( t − θ)/m)2
e /( 2σ 2 ))
f(t) =
(t − θ)σ 2π
donde  es el parámetro de forma, es el parámetro de localización y  es el parámetro

de escala.
El caso donde  = 0 y  = 1 se refiere como la distribución lognormal estándar.
Si X~ N() es una distribución normal, entonces: exp(X) ~ Log- N()
donde  = 0 se llama la distribución lognormal de 2 parámetros.
La distribución Lognormal Estándar

La expresión general de la función de densidad de probabilidades de la distribución
Lognormal Estándar es la siguiente:
e − ((ln t ) / 2 2 )
2
f (t ) =
t 2
34
La distribucion lognormal
El modelo de distribución lognormal se usa para modelar los tiempos de fallas en los
estudios de la confiabilidad y la supervivencia.
La variable t sigue una distribución lognormal si ln(t) tiene una distribución normal de
media μ y varianza σ², en consecuencia, la variable y = ((ln(t) – )) / es una
variable normal estándar, es decir de media igual a 0 y desviación típica igual a 1.
La función de supervivencia se puede escribir como: S(t) = 1- (y)
Siendo  la función de distribución acumulativa de la normal estándar, por lo tanto un

modo gráfico de verificar esta distribución es comparar la función de supervivencia
dibujada en papel lognormal con una línea recta.
La función Lognormal está caracterizada por los dos parámetros μ y σ, que no son su
media y desviación típica.
Una variable t esta lognormalmente distribuida si Y = ln(t) esta normalmente

distribuida, la expresión general de la función de densidad de probabilidades de la
distribución Lognormal es la siguiente:
− ( ln (( t − θ)/m)2
e /( 2σ 2 ))
f(t) =
(t − θ)σ 2π
donde  es el parámetro de forma, es el parámetro de localización y  es el parámetro

de escala.
El caso donde  = 0 y  = 1 se refiere como la distribución lognormal estándar.
Si X~ N( ) es una distribución normal, entonces: exp(X) ~ Log- N( )
donde  = 0 se llama la distribución lognormal de 2 parámetros.
La distribución Lognormal Estándar

La expresión general de la función de densidad de probabilidades de la distribución
Lognormal Estándar es la siguiente:
35
e − ((ln t ) / 2 2 )
2
f (t ) =
t 2
La ecuación de la distribución general Lognormal se puede expresar en términos de la
ecuación de la distribución Lognormal Estándar.
La grafica presenta las curvas de la densidad de probabilidad de la distribución

Lognormal de media 1 y para cuatro valores distintos de la desviación típica
 (   y )
1,5
1,2 Media,Desv. Típ.

1,5
0,9 1,0,5
1,1
0,6 1,2
0,3
0
0 1 2 3 4 5
La función de distribución Acumulada de la lognormal

La expresión de la distribución acumulada de la distribución Lognormal es:
ln( x )
F ( X ) = ( )

donde  es la función de distribución acumulada de la normal estándar.

La siguiente es la grafica de la función de distribución Lognormal acumulada de
media 1 y para cuatro valores distintos de la desviación típica  : 5, 2, 1 y 0.5.
Lognormal Acumulada
1
Media,Desv. Típ.
Prob. Acumulada
0,8 1,0,5
1,1
0,6 1,2
1,5
0,4
0,2
36
0
0 5 10 15 20
X
Función de riesgo de la distribución Lognormal
La expresión de la función de riesgo de la distribución Lognormal es:
1
h(t ,  ) = t (
ln t
)
(
_ ln t
) 

La siguiente es la grafica de la función de riesgo de la distribución Lognormal, para los
mismos valores de la media 1 y para una desviación típica  (   y  )  es la
función de densidad de la Normal.
Las siguientes son3 las graficas de la función de riesgo de la distribución
Lognormal, para los mismos valores deMedia,Desv. Típ.
la media 1 y para una desviación típica de
2,5
 (    y 5) 1,0,5
1,1
RIESGO
2 1,2
1,5 1,5
1
0,5
0
0 5 10 15 20 25 30
Función de Supervivencia de la distribución Lognormal

La expresión de la función de Supervivencia de la distribución Lognormal es:
S(t) = 1- (ln(t))
La siguiente es la grafica de la función de Supervivencia de la distribución Lognormal, para
los mismos valores de la media 1 y para una desviación típica  (   y  )
Supervivencia Lognormal
1
Media,Desv. Típ.
0,8 1,0,5
Prob. Sperv
1,1
0,6 1,2
37 1,5
0,4
INVERSA DE LA SUPERVIVENCIA
DE LA DISTRIBUCION LOGNORMAL
La expresión de la función Inversa de Supervivencia de la distribución Lognormal es:
Z(p) = exp(-1 (1-p)), donde  − es la función Inversa Acumulada de la distribución
normal
La siguiente es la grafica de la función Inversa de Supervivencia de la distribución
Lognormal, con los mismos valores de media 1 y para una desviación típica
 (   y  )
Distribucion Lognormal
9
Prob Log Superv
-1
-11 Media,Desv. Típ.

1,0,5
1,1
-21 1,2
1,5
-31
0 5 10 15 20 25 30
Ajuste de una data

a una distribución Lognormal
Ajuste de Datos bacteriológicos a una distribución lognormal
La data presenta los valores del número más probable de bacterias en cada 100 ml, se desea
ajustar estos datos a una distribución lognormal .
NMP/100 ml
11 9 3 15 3 4
7 28 28 28 75 75
39 75 120 390 460 210
280 28 39 28 11 14
20 20 43 43 28 64
64 39 110 75 43 93
38
150 43
Solución
La tabla presenta las estadísticas de la data NMP/100 ml
NMP/100 ml
Rango 457 5% 3
Media 74,079 10% 6,7
Varianza 10386,0 25% (Q1) 18,75
Desviación estándar 101,91 50% (Mediana) 39
Coef. de variación 1,3757
75% (Q3) 75
Error estándar 16,533
90% 217,0
Asimetría 2,6175
95% 393,5
Curtosis 6,9198
Max 460
Pruebas de Bondad de Ajuste para NMP/100 ml

La tabla presenta los detalles de las pruebas: Kolmogorov-Smirnov, Anderson-Darling
y Chi-cuadrado, se usaran para determinar si la data NMP/100 ml puede ser modelada
adecuadamente por la distribución lognormal.
Se puede probar si la distribución lognormal ajusta adecuadamente a los datos de

NMP/100 ml mediante el valor del p-valor para las pruebas de Bondad de Ajuste
Pruebas de Bondad de ajuste

Lognormal
Kolmogorov-Smirnov
Valor P 0,64318
Rango 12
a 0,2 0,1 0,05 0,02 0,01
Valor crítico 0,16966 0,19392 0,21544 0,24089 0,25843
Anderson-Darling
Rango 8
39
a 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Chi-cuadrado
Estadística 1,2247
Valor P 0,87401
Rango 14
a 0,2 0,1 0,05 0,02 0,01
Valor crítico 5,9886 7,7794 9,4877 11,668 13,277
Se puede probar si la distribución lognormal ajusta adecuadamente a los datos de

NMP/100 ml comparando el valor del p-valor para las pruebas de Bondad de Ajuste
realizadas con el valor 0.06.
En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son
mayores que 0,05 lo que indica que la data NMP/100 ml proviene de la distribución
lognormal.
Pruebas de Bondad de Ajuste para

NMP/100 ml
La tabla muestra los resultados de la prueba de Kolmogorov-Smirnov realizada para
determinar si la data NMP/100 ml puede ser modelada adecuadamente por la
distribución lognormal.
Pruebas de Bondad-de-Ajuste para NMP/100 ml

1.Test Kolmogorov-Smirnov
Lognormal
DMAS 0,0858608
DMENOS 0,117279
DN 0,117279
Valor-P 0,672761
La prueba de Kolmogorov-Smirnov calcula la distancia máxima entre la distribución

acumulada de la data NMP/100 ml y la FDA de la distribución lognormal ajustada.
En la tabla se observa que el estadístico para la máxima distancia entre la distribución
acumulada de NMP/100 ml y la CDF de la distribución teórica de lognormal es
0,117279.
El menor valor de P-valor es 0,672761. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hipótesis de que la data NMP/100 ml provenga de una
distribución lognormal.
La prueba chi-cuadrada
40
La prueba de chi-cuadrada divide el rango de la data NMP/100 ml en varios intervalos de clase
y compara el número de observaciones que caen en cada en cada clase con el número esperado
de observaciones que caen en estas clases en la distribución lognormal ajustada.
Prueba Chi-Cuadrada de la data NMP/100 ml
Límite Límite Frecuencia Frecuencia
Inferior Superior Observada Esperada Chi-Cuadrada
menor o igual 37,5 17 19,04 0,22
37,5 75,0 13 8,15 2,89
75,0 112,5 2 3,83 0,87
112,5 150,0 2 2,12 0,01
150,0 225,0 1 2,16 0,62
mayor 225,0 3 2,70 0,03
Chi-Cuadrada = 4,64677 con 3 g.l. Valor-P = 0,199563
El P-valor es 0,199563. Por ser el P-valor mayor o igual a 0.10, no podemos

rechazar la hipótesis de que la data NMP/100 ml provenga de una distribución
lognormal
Evaluación visual de las graficas.
Se puede evaluar visualmente que tan bien se ajusta la data de NMP/100 ml a la
distribución lognormal y determinar los valores puntuales del riesgo y la supervivencia,
con el uso de las graficas: histograma de frecuencias, de la grafica de riesgo y de la
grafica de supervivencia
Histograma para NMP/100 ml
30 Distribución
Lognormal
25
20
frecuencia
15
10
0
0 100 200 300 400 500 600
NMP/100 ml
Lognormal
1,2
0,8
riesgo
0,6
Media,Desv. Est.
3,62,1,21
0,4
0,2
0
0 2 4 6 8 10
x
41
Lognormal
1
probabilidad de supervivencia
0,8 Media,Desv. Est.
3,62,1,21
0,6
0,4
0,2
0
0 2 4 6 8 10
x
La traza de densidad para NMP/100 ml.

Una traza de densidad es, esencialmente, un histograma suavizado el cual muestra la
forma de la distribución de la cual proviene la muestra.
La traza se construye contando el número de observaciones dentro de un intervalo de

ancho fijo conforme se mueve a lo largo del eje X, y ponderándolas de tal modo que den
un estimado suavizado de la función de densidad subyacente
La gráfica muestra la traza de densidad para NMP/100 ml.
Traza de Densidad para NMP/100 ml
(X 0,001)
6
4
densidad
0
0 100 200 300 400 500
NMP/100 ml
DISTRIBUCION DE VALORES EXTREMOS-GUMBEL
42
La distribución de valores extremos, referida como la distribución de Gumbel,
tiene dos formas de expresión, una basada en el extremo inferior y otra basada en
el extremo superior.
La expresión general para la función de densidad de la distribución Gumbe ll es:
x− 
x− 

1 
f ( x) = e e −e

donde  es el parámetro de localización y  es el parámetro de escala. El caso
cuando  = 0 y  = 1 se refiere como la distribución estándar de Gumbell.
La ecuación de la distribución estándar de Gumbel se expresa como:
−ex
f ( x) = e e x
Se presenta una grafica con las funciones de densidad de la distribución de

valores extremos (Gumbel) con un valor del parámetro de escala de 1 y para
Modas de 1,2 y 5.
Distribucion Valores Extremos

0,4
Moda,Escala
1,1
0,3 2,1
densidad
5,1
0,2
0,1
0
-4 -2 0 2 4 6 8
x
La grafica presenta la función de densidad de la distribución de Gumbel para el

caso del extremo inferior (mínimo) y parámetros 1 y 1.
43
Distribucion Gumbell
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
La expresión general para la función de densidad de la distribución de Gumbel

x− 
x− 

1 
para el caso del extremo superior es f ( x ) = e e −e
 donde
 es el parámetro de localización y  es el parámetro de escala. Cuando  = 0 y

 = 1 se refiere como la distribución estándar de Gumbell para el extremo
superior (máximo).La ecuación de la distribución estándar de Gumbell para el
−ex
extremo superior se expresa como: f ( x) = e e La siguiente es una
x
grafica de la función de densidad de la distribución de Gumbell para el caso del

extremo superior (máximo) y con parámetros 5 y 1.
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
Función de Distribución Acumulada de Gumbel
44
La distribución acumulada de Gumbel para el extremo inferior se expresa como:
La siguiente es una grafica de la función distribución acumulada de la

distribución de valor extremo con un valor del parámetro de escala de 1 y para
Modas de 1,2 y 5.
Valor Extremo Distribución

1
Moda,Escala
Prob. Acumulada
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
-4 -2 0 2 4 6 8
x
La siguiente es una grafica de la función distribución acumulada de la
distribución Gumbel de extremo inferior c on parámetros 1 y 1.
Acumulada Valores Extremos Inferior

1
Extremo Inferior
Probab Acumulada
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
x
La ecuación de la distribución acumulada de Gumbell para el extremo superior

se expresa como:
La siguiente es una grafica de la función distribución acumulada de Gumbel para

el extremo superior y con parámetros 5 y 1.
45
Acumulada Valores Extremos
1
Extremo Superior
Probab Acumulada 0,8 5,1
0,6
0,4
0,2
0
0 2 4 6 8
x
FUNCION RIESGO DE LA DISTRIBUCION GUMBEL

La ecuación de la función del riesgo de la distribución de Gumbel para el
extremo inferior se expresa como:
h(x) = ex
La siguiente es una grafica de la función del riesgo de la distribución de Gumbel
para el extremo inferior y parámetros 0.5 y 1.
Riesgo Valores Extremos

Extremo Inferior
24
Extremo Inferior
20 0,5,1
16
Riesgo
12
0
-4,5 -2,5 -0,5 1,5 3,5
x
extremo superior se expresa como:

para el extremo superior con parámetros 5 y 1.
46
Extremo Superior
24
Extremo Superior
20 5,1
16
Riesgo
12
0
0 2 4 6 8
x
Las formulas de los estadisticos de Gumbel Extremo superior .

Mediana
Moda
Rango Menos Infinito – Mas Infinito..
Desv iación
Estandar
Sesgo 1.13955
Curtosis 5.4
Coeficiente
De variacion
MEDIA  + 0.5752 0.5752 es el número de Euler
Los parámetros de Gumbel Superior con el método de los momentos son:
S 6
β =
π Y  = x − 0.5772
donde y s son la media y la desviación estándar de la muestra.
Ajuste de una distribución de Gumbel

La data GUMBEL el número de horas de operación a las que se produjo la
primera falla en cada uno de los 30 equipos que componen un sistema de
transporte lacustre en el lago de Maracaibo
Se tratara de ajustar la data a una distribución de Gumbel
47
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
Solución
Rango 305 5% 203,25
Media 300,03 10% 221,0
Varianza 4590,6 25% (Q1) 253,5
Desviación estándar 67,754 50% (Mediana) 291
Asimetría 1,258 95% 479,1
Curtosis 2,1516 Max 500
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si

la data: GUMBEL puede ser adecuadamente modelada con una distribución de
Valores Extremos – Gumbel.
Resultados de ajuste
# Distribución Parámetros
1 Gumbel Min =52,827 =330,53
Bondad de ajuste - Resumen
Kolmogorov Anderson
Chi-cuadrado
# Distribución Smirnov Darling
1 Gumbel Min 0,28077 1 3,3598 1 7,5917 1
Parámetro de Forma =330,53 y un parámetro de Escala de 52,8275 .
48
0,9
0,8
0,7
0,6
F(x)
0,5
0,4
0,3
0,2
0,1
200 250 300 350 400 450 500

x
Muestra Gumbel Min
Las Areas bajo esta distribución son:

• área bajo 87,5117 = 0,01
• área bajo 211,645 = 0,1
• área bajo 311,164 = 0,5
• área bajo 374,586 = 0,9
• área bajo 411,203 = 0,99
Kolmogorov Anderson
Chi-cuadrado
# Distribución Smirnov Darling
1 Gumbel Min 0,28077 1 3,3598 1 7,5917 1
El Test Chi -Cuadrado reparte la data en varios intervalos y compara el

número de observaciones con el número de observaciones esperadas si la
distribución de la data fuese una distribución Gumbel
Estadística Estimada de Kolmogorov DPLUS = 0,280772

Estadística Estimada de Kolmogorov DMINUS = 0,0758911
Estadística Estimada de Kolmogorov GLOBAL = 0,280772
P-Valué = 0,0176537
El Test Kolmogorov-Smirnov determina el estadístico para la máxima y la

mínima distancia entre la distribución acumulada de Gumbel y la CDF de la
distribución teórica de Valores Extremos de Gumbel, la máxima distancia es
0,280772., el menor valor de P-valué es 0,0176537
49
Por ser el P-valué menor de 0.05 podemos aceptar la hipótesis, con un 95% o
más de confianza, de que la data GUMBEL proviene de una distribución de
Gumbell con un 95% o más de confianza
Si aceptamos que el modelo de Gumbel es adecuado para ajustar la data

GUMBEL podemos calcular la supervivencia a las 250 horas de haber
comenzado el estudio y la mediana de supervivencia en ese tiempo...
De la gráfica deducimos que para T=250 horas S(t) es aproximadamente 0,75 y

que S(t) = 0,5 para T = 300 horas aproximadamente.
Función de Supervivencia Acumulada

1
0,9
0,8
0,7
0,6
S(x)
0,5
0,4
0,3
0,2
0,1
200 250 300 350 400 450 500

x
Muestra Gumbel Min
Función de Probabilidad Empírica vs. Probabilidad del Modelo

Probabilidad-Probabilidad
1
0,9
0,8
0,7
P (Modelo)
0,6
0,5
0,4
0,3
0,2
0,1
0,2 0,4 0,6 0,8 1

P (Empírico)
Gum bel Min
DISTRIBUCION DE VALORES EXTREMOS-GUMBEL
50
La distribución de valores extremos, referida como la distribución de Gumbel,
tiene dos formas de expresión , una basada en el extremo inferior y otra basada
en el extremo superior.
La expresion general para la función de densidad de la distribución Gumbe ll es:
x− 
x− 

1  −e
f ( x) = e e

donde  es el parámetro de localización y  es el parámetro de escala. El caso
cuando  = 0 y  = 1 se refiere como la distribución estándar de Gumbell.
La ecuación de la distribución estándar de Gumbel.se expresa como:
f ( x) = e x e − e
x
La grafica presenta la función de densidad de la distribución de Gumbel para el

caso del extremo inferior (mínimo) y parámetros 1 y 1.:
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
La expresión general para la función de densidad de la distribución de Gumbel

x− 
x− 

1  −e
f ( x) = e e
para el caso del extremo superior es
 donde
 es el parámetro de localización y  es el parámetro de escala. Cuando  = 0 y

 = 1 se refiere como la distribución estándar de Gumbell para el extremo
superior (máximo).
51
La ecuación de la distribución estándar de Gumbell para el extremo superior se
f ( x) = e x e − e
x
expresa como:
La siguiente es una grafica de la función de densidad de la distribución de

Gumbell para el caso del extremo superior (máximo) y con parámetros 5 y 1.
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
Función de Distribución Acumulada de Gumpel

La distribución acumulada de Gumbel para el extremo inferior se expresa como:

el extremo inferior y con parámetros 1 y 1.
Acumulada Valores Extremos Inferior
1
Extremo Inferior
Probab Acumulada
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
x
La ecuación de la distribución acumulada de Gumbell para el extremo superior

se expresa como:
52
el extremo superior y con parámetros 5 y 1.
Acumulada Valores Extremos

1
Extremo Superior
Probab Acumulada
0,8 5,1
0,6
0,4
0,2
0
0 2 4 6 8
x
FUNCION INVERSA ACUMULADA DE LA GUMBEL

La ecuación de la distribución inversa acumulada de Gumbel para el extremo
inferior se expresa como:
La siguiente es una grafica de la función distribución inversa acumulada de

Gumbel para el extremo inferior.
La ecuación de la distribución inversa acumulada de Gumbell para el extremo

inferior se expresa como:
53
La siguiente es una grafica de la función distribución inversa acumulada de
Gumbell para el extremo superior.

h(x) = ex
para el extremo inferior y parámetros 0.5 y 1.

Extremo Inferior
24
Extremo Inferior
20 0,5,1
16
Riesgo
12
0
-4,5 -2,5 -0,5 1,5 3,5
x

para el extremo superior con parámetros 5 y 1.
54
Extremo Superior
24
Extremo Superior
20 5,1
16
Riesgo
12
0
0 2 4 6 8
x
FUNCION ACUMULADA DE RIESGO DISTRIBUCION DE

VALORES EXTREMOS-GUMBEL
La ecuación de la función Acumulada del Riesgo de la distribución de Gumbel
para el extremo inferior se expresa como:

para el extremo inferior.
La ecuación de la función Acumulada del riesgo de la distribución de Gumbel

para el extremo superior se expresa como:
55
La siguiente es una grafica de la función del riesgo de la distribución de Gumbell
para el extremo superior.
La ecuación de la función de Supervivencia de la distribución de Gumbel para el

La siguiente es una grafica de la función de Supervivencia de la distribución de

Gumbel para el extremo inferior.
La ecuación de la función de Supervivencia de la distribución de Gumbel para el

56
La siguiente es una grafica de la función de Supervivencia de la distribución de
Gumbel para el extremo superior.
FUNCION DE LA INVERSA DE LA SUPERVIVENCIA GUMBEL

La ecuación de la función de la Inversa de la Supervivencia de la distribución de
Gumbel para el extremo inferior se expresa como:
La siguiente es una grafica de la función Inversa de la Supervivencia de la

distribución de Gumbel para el extremo
FUNCION DE LA INVERSA DE LA SUPERVIVENCIA

La ecuación de la función de la Inversa de la Supervivencia de la distribución
de Gumbel para el extremo superior se expresa como:
57
La siguiente es una grafica de la función Inversa de la Supervivencia de la
distribución de Gumbel para el extremo superior.
Las formulas de los est adist icos de Gumbel Ext remo superior .
Mediana
Moda
Rango Menos Infinito –Mas Infinito..
Desviación
Est andar
Sesgo 1.13955
Curt osis 5.4
Coeficient e
De variacion
MEDIA  + 0.5752 0.5752 es el numero de Euler

Los parámetros de Gumbel Superior con el método de los momentos son:
donde y s son la media y la desviación estándar de la muestra.

Ajuste de una distribución de Valores Extremos Gumbel
La data GUMBEL el número de horas de operación a las que se produjo la
primera falla en cada uno de los 30 equipos que componen un sistema de
58
transporte lacustre en el lago de Maracaibo. Se tratara de ajustar la data a una
distribución de Valores Extremos - Gumbel
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
Solución
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si
la data: GUMBEL puede ser adecuadamente modelada con una distribución de
Valores Extremos – Gumbel.
La data GUMBEL presenta 30 valores , el rango de valores es de 195 horas
hasta 500 horas y se ajusta a una distribución de Valores Extremos - Gumbel
con: Parámetro de Forma de 330,526 y un parámetro de Escala de 52,8275.
Algunas áreas de bajo esta distribución son:
• área bajo 87,5117 = 0,01
• área bajo 211,645 = 0,1
• área bajo 311,164 = 0,5
• área bajo 374,586 = 0,9
• área bajo 411,203 = 0,99
El Test Chi -Cuadrado reparte la data en varios intervalos y compara el número

de observaciones con el número de observaciones esperadas si la distribución de
la data fuese una distribución Gumbel
Estadística Estimada de Kolmogorov DPLUS = 0,280772
Estadística Estimada de Kolmogorov DMINUS = 0,0758911
Estadística Estimada de Kolmogorov GLOBAL = 0,280772
P-Valué Aproximado = 0,0176537
El Test Kolmogorov-Smirnov determina el estadístico para la máxima y la

mínima distancia entre la distribución acumulada de Gumbel y la CDF de la
distribución teórica de Valores Extremos de Gumbel, la máxima distancia es
0,280772., el menor valor de P-valué es 0,0176537
Por ser el P-valué menor o igual a 0.05 podemos rechazar la hipótesis de que
GUMBEL provenga de una distribución de Valores Extremos de Gumbel con un
95% o más de confianza, para este caso aceptamos la hipótesis alternativa de que
la variable GUMBEL se ajusta a una distribución de Valores Extremos de
Gumbel.
59
Si aceptamos que el modelo de Valores Extremos de Gumbel es adecuado para
ajustar la data GUMBEL podemos calcular la supervivencia a las 250 horas de
haber comenzado el estudio y la mediana de supervivencia en ese tiempo...
En la gráfica se observa que para T=250 horas S(t) es aproximadamente 0,75 y
que S(t) = 0,5 para T = 300 horas aproximadamente.
Predicción de la Confiabilidad
• Ensayos de Demostración de la Confiabilidad
• Ensayos de vida acelerada en Confiabilidad
• Modelo de aceleración de Arrhenius
• Significado del Mtbf de un dispositivo.
60
• Calculo del MTBF
• Los intervalos de confianza del MTBF
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
  
F = exp  H * 1160 *  
1 1
−
  t + 273.16 t + 273.16 
 1 2 
Predicción de la Confiabilidad
Para formular una predicción de la confiabilidad, se debe estimar la fiabilidad del
equipo o del sistema en función de los datos de diseño y de la confiabilidad de los
componentes, a partir de esta predicción de la confiabilidad se puede constatar el
cumplimiento de los requerimientos de confiabilidad y de mantenimiento.
La información de la confiabilidad de los componentes individuales y los métodos de

cálculo están disponibles en normas y tablas, las tablas más utilizadas son las normas
MIL- STANDAD y las normas de Bellcore.
61
La norma MIL-STANDADD-217 establece dos métodos de predicción de
confiabilidad, uno denominado de Relación de Componentes y otro denominado de
Análisis de Esfuerzos
El método Bellcore permite integrar datos de diferente procedencia, datos de campo,

datos de laboratorio, datos de la norma MIL-STD-217 o datos del fabricante.
Ensayos de Demostración de la Fiabilidad

Mediante ensayos es posible obtener una información más precisa acerca de la
confiabilidad que del equipo o del sistema.
El ensayo determina la confiabilidad de la muestra ensayada, cuanto mayor sea el

tamaño de la muestra y el tiempo de ensayo, más exacta será la estimación del MTBF.
Con los Ensayos de Demostración de Fiabilidad, se pretende demostrar que se cumple
con un determinado requisito de confiabilidad, con un cierto grado de confianza. Con
las normas MIL-STANDARD se determinan los planes de muestreo estadístico que
permiten definir el tamaño de la muestra.
Los modelos de pruebas de vida acelerada tiene las siguientes dos componentes:
Una distribución de vida que representa la dispersión de la vida del producto y la
relación vida esfuerzo.
Las distribuciones más usuales para pruebas de vida son: exponencial, normal,
lognormal, Weibull y de valores extremos (Gumbell).
Cuando el tiempo de la prueba se especifica y algunas unidades no han fallado

hasta ese momento, se dice que éstas están censuradas o que se tienen datos
censurados por la derecha.
En muchas aplicaciones industriales, las variables de aceleración más comunes son

la temperatura, voltaje y presión, dependiendo de éstas se aplica una relación vida
esfuerzo específica, por ejemplo si el esfuerzo es temperatura, la relación usual es
la de Arrhenius, aunque cabe aclarar que ésta no siempre se aplica en situaciones
en donde la variable de aceleración es temperatura ya que en algunos casos no se
tiene un buen ajuste del modelo. Algunas aplicaciones de esta relación son:
aislantes eléctricos y dieléctricos, estados sólidos y semiconductores, celdas de
batería, lubricantes, plásticos, lámparas incandescentes, etc.
Si el esfuerzo aplicado en la prueba es voltaje, la relación más común es la de
potencia inversa.
En cualquier caso se necesita el uso de una distribución de prueba de vida,
dependiendo de la distribución utilizada, se tiene los modelos para pruebas de vida
acelerada, por ejemplo si la relación es potencia inversa y se usa la distribución
Weibull, se tiene el modelo potencia inversa Weibull
Ensayos de vida acelerada en confiabilidad

Las pruebas aceleradas son muy usadas en la industria manufacturera, particularmente para obtener
información de la confiabilidad de sus componentes y materiales. Existe una gran variedad de métodos
estadísticos en la aceleración de la vida de un producto complicado que puede fallar de diferentes maneras.
Generalmente, la información de las pruebas a altos niveles de un a o más variables de aceleración o esfuerzo
(como pueden ser temperatura, voltaje o presión) se utiliza para estimar la distribución de vida del producto.
62
El término aceleración tiene varios significados en el campo de la confiabilidad, pero el término gen eralmente
implica ir más rápido, de tal forma que la información de la confiabilidad pueda obtenerse más rápidamente.
Existen diferentes tipos de pruebas de confiabilidad en las fases del proceso de producción del producto, las
más comunes son pruebas de vida acelerada y pruebas de degradación acelerada.
Pruebas de vida acelerada

Una prueba acelerada de vida es aquella en la cual un artículo o producto de interés, se somete a un esfuerzo
en condiciones ambientales mayores a las que típicamente estará operando. Los principales objetivos de
acelerar la vida de un producto son: estimar la distribución de vida de dicho producto, identificar fallas en el
diseño, medir y demostrar la confiabilidad.
Los ensayos de vida acelerada (HALT) están destinados a la realización de pruebas de

vida acelerada de los materiales, los equipos, los mecanismos y los sistemas, con el fin
de evaluar sus puntos vulnerables, susceptibles de presentar posibles fallos cuando se
encuentran sometidos a los entornos climáticos en que se desarrollan
Los ensayos de envejecimiento ambiental acelerado facilitan a los ingenieros, una

información para localizar debilidades, detectar fallos de diseño o construcción,
optimizar tolerancias de mecanización y ensamblaje, mejorar los procesos de
producción, corregir defectos incipientes, y sobre todo, minimizar la incertidumbre para
asegurar la capacidad del producto para poder desempeñar las funciones asignadas
Los ensayos de vida acelerada

Una prueba de vida acelerada es aquella en la cual un equipo o producto de interés,
se somete a un esfuerzo en condiciones ambientales mayores a las que típicamente
estará operando.
Los principales objetivos de acelerar la vida de un producto son: estimar la
distribución de vida de dicho producto, identificar fallas en el diseño, medir y
demostrar la confiabilidad.
Los ensayos de vida acelerada (HALT) están destinados a la realización de pruebas de

vida acelerada de los materiales, los equipos, los mecanismos y los sistemas, con el fin
de evaluar sus puntos vulnerables, susceptibles de presentar posibles fallos cuando se
encuentran sometidos a los entornos climáticos en que se desarrollan
Los ensayos de envejecimiento ambiental acelerado facilitan a los ingenieros, una

información para localizar debilidades, detectar fallos de diseño o construcción,
optimizar tolerancias de mecanización y ensamblaje, mejorar los procesos de
producción, corregir defectos incipientes, y sobre todo, minimizar la incertidumbre para
asegurar la capacidad del producto para poder desempeñar las funciones asignadas.
El objetivo que tienen estos ensayos es reducir el tiempo de prueba necesario para
determinar su fiabilidad.
Los ensayos acelerados se basan en acelerar mediante la aplicación de un alto nivel de

esfuerzo o acelerar mediante la compresión en el tiempo.
Se han desarrollado procedimientos de ensayo basados en la aplicación de un alto nivel

de esfuerzo, que han sido aplicados principalmente a componentes individuales.
63
Un ejemplo clásico de ensayo acelerado es la utilización de la Cámara de Presión de
Vapor en el ensayo de componentes y que consiste en someter las muestras a una
presión superior a la atmosférica con objeto de controlar la humedad para temperaturas
superiores a los 100 ºC.
Modelo de aceleración de Arrhenius

El modelo de Arrhenius es uno de los más antiguos y eficientes modelos para describir
un modelo de aceleración de un proceso que predice como el tiempo de falla varia con
la temperatura, por ejemplo.
El modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas

que dependen de las reacciones químicas, de los procesos de difusión o de los procesos
de emigración, los cuales cubren la mayor parte de los modos de fallas de tipo no
mecánico que causan las fallas en los equipos electrónicos, la ecuación de Arrhenius se
expresa de la siguiente forma:
tf = Aexp(H/kT)
T denota la temperatura medida en grados Kelvin(273.16 + grados Celsius) en el
momento cuando ocurre la falla y k es la constante de Boltzmann (8.617 x 10-5 en
ev/K).
La constante A es el factor de escala y  H es la energía activada en el proceso cuando

ocurre la falla y que depende del mecanismo de falla y de los materiales presentes y
tiene un rango típico de 0.3 a 1.5
El factor de aceleración entre dos temperaturas aumenta exponencialmente tanto

como H
El factor de aceleración entre dos temperaturas una alta T2 y una baja T1 esta dado por:
F = exp.(H/k) [ 1/T1 - 1/T2 ]
Usando el valor de k dado arriba, esta expresión se puede escribir en términos T en
grados Celsius como:
F = exp.(H*11605* [ 1/(T1 +273,16) - 1/(T2 +273,16) ]
El parámetro de esta formula es  H, un factor de aceleración entre 25°C y 125°C es

calculado como F = 133
Modelo de Arrhenius lognormal

La vida de algunos productos y materiales en una prueba con temperatura
acelerada se describe adecuadamente con una distribución lognormal.
De acuerdo con la ley de Arrhenius, la razón de una simple reacción química (R)
depende de la temperatura como sigue R(T) = Aexp(-Ea/KbT ) donde Ea es la
energía a la cual se activa la reacción, usualmente en volts (eV), KB = 8.6171 x 10-5
= 1/11605 es la constante de Boltzmann´s en electrón volts por ° C, T = Temp°C+
273.15 es la temperatura absoluta en la escala de Kelvin, A es una característica de
64
falla del producto en condiciones de prueba, Ea y A son parámetros del modelo que
deben estimarse.
La vida del producto tiene un distribución lognormal o el equivalente que el logaritmo

de ésta tiene una distribución normal, la desviación estándar, σ, del logaritmo de la vida
es constante independiente de la temperatura y el logaritmo de la vida media  .5 (T) es
una función lineal del inverso de la temperatura absoluta, esto es, log[ 0.5 (T)] = 1+
(2/T), la cual se llama la relación de Arrhenius.
Los parámetros 1, 2 y σ son características del producto y del método de prueba,
los cuales son estimados de los datos.
Ley de Arrhenius
La ley de Arrhenius mide la velocidad de los procesos, expresa la velocidad de cambio
de una característica por unidad de tiempo.
El modelo de Arrhenius es uno de los mas antiguos y eficientes modelos para describir
un modelo de aceleración que predice como el tiempo de falla varia con la temperatura,
el modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas
mecánico que causan las fallas en los equipos electrónicos.
La ecuación de Arrhenius se expresa de la siguiente forma:
tf = Aexp(H/kT)
El factor de aceleración entre dos temperaturas aumenta exponencialmente tanto como
crece H

momento cuando ocurre la falla, k es la constante de Boltzmann (8.617 x 10-5 en ev/K).
La constante A es el factor de escala y H es la energía activada en el proceso cuando

F = exp(H/k) [ 1/T1 - 1/T2 ]

Usando el valor de k dado arriba, esta expresión se puede escribir en términos de T en
  
F = exp  H * 1160 *  
1 1
−
  t + 273 .16 t + 273 .16 
 1 2 
65
El modelo de Arrhenius es uno de los más antiguos y eficientes modelos para describir
un modelo de aceleración de un proceso que predice como el tiempo de falla varia con
la temperatura, por ejemplo.
El modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas

mecánico que causan las fallas en los equipos electrónicos, la ecuación de Arrhenius se
expresa de la siguiente forma:
tf = Aexp(H/kT)
momento cuando ocurre la falla y k es la constante de Boltzmann (8.617 x 10-5 en
ev/K).
La constante A es el factor de escala y  H es la energía activada en el proceso cuando

El factor de aceleración entre dos temperaturas aumenta exponencialmente tanto

como H
F = exp.(H/k) [ 1/T1 - 1/T2 ]

Usando el valor de k dado arriba, esta expresión se puede escribir en términos T en
F = exp.(H*11605* [ 1/(T 1 +273,16) - 1/(T2 +273,16) ]

El parámetro de esta formula es H, un factor de aceleración entre 25°C y 125°C, F
= 133, si H = .5, F= 17,597 si H = 1.0 y F= 17,597 si H = 1.0.
Grafica de Arrhenius
Mediante un ensayo acelerado se puede incrementar el número de fallas aumentando el
estrés causado por una o más variables.
Un acelerador muy común es la temperatura, se puede analizar las tasas de fracaso a

altas temperaturas con un modelo de Arrhenius.
A partir de la grafica de Arrhenius construida con la data a altas temperaturas, es posible

extrapolar los datos a una temperatura de funcionamiento normal
66
Grafica de Arrhenius
Porcentil =1.675 a 300 grados
10000000000
1000000000
100000000
10000000
Porcentil
1000000
100000
10000
1000
100
30 32 34 36 38 40
1/(k*degrees)
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
Temp horas Censura Temp P50

80 3000 1 150 3260,62
80 3000 1 175 1379,61
80 3000 1 200 388,615
80 3000 1
80 3000 1 Ejemplo de una grafica de Arrhenius
80 3000 1
La duración en horas de la aparición de fallas tomadas a cinco
80 3000 1 temperaturas / 80, 125, 150, 175 y 200 grados Celsius), se ajusta con un
80 3000 1
modelo de Arrhenius de forma P=A*exp(Delta/kT)
80 3000 1
80 3000 1
El modelo ajustado se puede utilizar para predecir el percentil
125 3000 1 correspondiente a una temperatura normal.
125 3000 1
125 3000 1
En este caso, el modelo ajustado es P50 = 0, 0000070398 * exp
125 3000 1
(0,730577/k * Junction Temp + 273,15) donde k = constante de Boltzmann
(8, 617E-5 EV/grados K).
Extrapolando este modelo a una temperatura de 400 grados se predice un
67 percentil igual a 11292,4.
Los límites de confianza de 95,0% para este percentil se extienden desde
143.741 hasta 887135.
125 3000 1
125 3000 1
125 3000 1
125 3000 1
125 3000 1
125 3000 1
150 2350 0
150 2560 0
150 2980 0
150 3000 1
150 3000 1
150 3000 1
150 3000 1
150 3000 1
150 3000 1
150 3000 1
175 800 0
175 1130 0
175 1210 0
175 1310 0
175 1350 0
175 1350 0 Grafica de Arrhenius
Predicted P50=11292,4 at Junction Temp + 273.15=400,0
175 1370 0
175 1420 0 10 0000
175 1770 0
175 1960 0
10 000
200 220 0
200 250 0
P50
200 280 0
10 00
200 330 0
200 370 0
200 380 0 10 0
200 460 0 24 25 26 27 28 29 30
1/ (k *Juncti on Temp + 273.15)
200 460 0
200 510 0
68
Weibull Plot
99,9 Temperature
99 150
90 175
70 200
cumulative percent
50
30
20
10
5
1
0,5
0,1
10 100 1000 10000
Hours
Arrhenius Grafico
Percentil Estimado = 7,34999E8 a 300 °K
1000000000
100000000
10000000
1000000
P50
100000
10000
1000
100
29 31 33 35 37 39
1/(k*degrees)
69
EL MTBF
1. Significado del MTBF de un dispositivo.
2. Calculo del MTBF
3. Ejemplo del cálculo del MTBF
Determinación de los intervalos de confianza del MTBF
VARIACION DEL MTBF EN FUNCION DEL
Años LUGAR DE USO Y DE LA TEMPERATURA
180
160
Ambiente GB
140 Ambiente GF
Ambiente GM
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80
Temperatura en ºC
SIGNIFICADO DEL MTBF DE UN DISPOSITIVO .

MTBF son las siglas de "Mean Time Between Faillure" o "Tiempo Medio de
Vida entre Fallas". El MTBF se expresa en horas y para cada equipo o
dispositivo se puede determinar un MTBF teórico o calculado y un MTBF
práctico o medido
Cuando se realiza el cálculo teórico del MTBF de un dispositivo, se obtiene un

valor en horas que representa el tiempo que éste permanecerá sin fallar si lo
ponemos a trabajar en las condiciones de temperatura , presión y del ambiente
especificadas para el dispositivo.
El valor del MTBF nos da una medida precisa de la Calidad del produ cto que
diseñamos, fabricamos, vendemos o compramos
Los componentes de los circuitos, por ejemplo, están sometidos a diversos tipos
de estrés que determinan su duración.
Cuando se tiene un cierto número de dispositivos funcionando un determinado

número de horas, si se produce un fallo, el MTBF es el producto del número de
dispositivos por las horas que llevan funcionando
CALCULO DEL MTBF
70
El tiempo medio antes de la falla o el MTBF es una de las medidas mas usada
para determinar la disponibilidad de un sistema.
Cuando se trata de estimar estadísticamente este parámetro es común encontrar

datos de equipos que han sido retirados del sistema sin que hallan presentado
falla alguna o de equipos que hallan presentado fallas producidas por causas
extrañas al funcionamiento del equipo, este tipo de información se denomina
información censurada o data censurada.
Los datos censurados son una información valiosa para determinar los
parámetros de funcionamiento del sistema y ellos deben ser incluidos en la
determinación del MTBF por medio del uso de métodos estadísticos como el
análisis de supervivencia.
El MTBF se interpreta como el tiempo de operación esperado o más prob able al

cual ocurrirá una falla, una vez obtenida la función de confiabilidad R (t) se
determina el MTBF.
 N
MTBF =  R( t)dt =  R( t)(tj − tj − 1)
0
1
El numero de fallas que ocurre en un periodo fijo siguen una distribución uniforme por
lo que el tiempo entre fallas (confiabilidad) responde a una distribución exponencial. La
ocurrencia de fallas se expresa con la inversa del MTBF.
La unidad de fallas. FIT (Failure unIT) es equivalente a una falla cada 109 horas para
componentes eléctricos
MTEF = Tiempo Medio Entre Fallas = 109  = F.
El MTBF puede ser radicalmente alterado por factores ambientales tales como uso
inadecuado de energía y enfriamiento. El MTBF puede ser bajado por el exceso de
vibraciones o de otras formas de abuso.
71
VARIACION DEL MTBF EN FUNCION DEL
Años
LUGAR DE USO Y DE LA TEMPERATURA
180
160
Ambiente GB
140 Ambiente GF
Ambiente GM
120
100
80
60
40
20
0
0 10 20 30 40 50 60 70 80
Temperatura en ºC
GB: Ambiente benigno. Edificios, oficinas, casas, garajes, almacenes, aulas.

GF: Ambiente fijo. Postes, cabinas, cabrias.
GM: Ambiente móvil. Automóvil, camiones, tractores, balancín
EJEMPLO DEL CÁLCULO DEL MTBF

En un campo petrolero se simula un ensayo acelerado p ara estimar el valor real
del MTBF del equipo de medición de temperatura (termocuplas)
La tabla presenta los datos tiempos en días a los cuales se produce la primera
falla en la medición en cada poso., la columna Status identifica con "1" a los
equipos que presentan fallas y con "0" a los equipos a los datos censurados.
TERMOCUPLA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
TIEMPO 120 252 125 1457 90 1231 837 133 512 657 753 818 315 123 1333
STATUS 0 1 0 1 1 0 1 0 1 1 0 0 0 0 0
Se requiere:
• Calcular el MTBF
• Hacer el grafico de la Confiabilidad Y de la Supervivencia.
• Calcular el MTBF sin incluir el pozo 8
• Calcular el MTBF considerando como falla el pozo 6.
• Calcular el numero de fallas esperada en los 15 equipos en los próximos
365 días
72
Función de supervivencia acumulada
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 200 400 600 800 1000 1200 1400 1600
TIEM PO
Solución
i ti R(ti-1) R(ti) R(ti)At

1 90 0,9375 0,9375 90
GRAFICA DE LA CONFIABILIDAD
2 120 1 28,12
R(ti)
3 123 1 2,82
4 133 1 7,5
1
5 252 0,90909 0,8522 111,56
6 315 1 53,54 0,8
7 512 0,88889 0,7575 167,9
0,6
8 657 0,87878 0,66288 109,86
9 753 1 63,64 0,4
10 818 1 43,09
11 837 0,8 0,5303 12,59 0,2
12 1213 1 199,39 0
13 1333 1 63,64 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
14 1457 0,5 0,26511 65,76
Respuesta
a-. MTBF (Mean Time Before Failure) = 1019,4 dias
b-. En la grafica
c-. Al calcular el MTBF excluyendo el pozo numero 8 se obtiene un valor de

1017,3días, lo que significa que al excluir datos censurados se pierde
información para realizar un calculo adecuado del MTBF.
d-.Cuando se calcula el Tiempo Medio de Operación usando promedios se trata

de favorecer el valor del MTBF incluyendo dentro de las fallas a equipos con
elevados tiempos de operación y que han sido retirados del sistema.
73
Si para el análisis de supervivencia se incluye la termocupla del pozo numero 6
como falla se obtiene un MTBF de 989,1 días, resultado que es sensiblemente
diferente al obtenido cuando se considero como censurado. El dato de la
termocupla del pozo numero 6
e-. Para estimar el número de fallas esperado en periodo determinado se puede

usar la función de distribución acumulada de fallas.
-1
 (t) = NF (t) –N (1- R (t)) = N (1- e MTBF )

Para un periodo de un año (365 días) el número de fallas esperado será:
-365
N (365) = = 15(1- e1019,4 ) = 10,49
Determinación de los intervalos de confianza del MTBF
1. Se estima el MTBF con el tiempo total dividida entre las fallas

totales.
2. Se calculan los factores inferiores y superiores en las tablas de los
intervalos de confianza para un nivel de confianza  y un numero de
fallas r.
3. Se multiplica el MTBF estimado por los factores inferior y superior
para obtener el MTBF Inferior y MTBF Superior
4. Cuando r (el numero de fallas) = 0, multiplicar el tiempo total por la
fila 0 para obtener un 100 × (1-  /2) % una banda inferior del
MTBF. Cuando r =0 no hay banda superior.
5. Se asume el intervalo (MTBF Inferior , MTBF Superior ) como un
100×(1- )% intervalo de confianza para el MTBF  (r > 0)
6. Se usa el MTBFInferior como limite inferior 100×(1-  /2)% del
MTBF
7. Se usa el MTBFSuperior como limite superior 100×(1-  /2)% del
MTBF
 Se usa el intervalo (1/ MTBF Superior , 1/ MTBF Inferior ) como un
100×(1- )% nivel de confianza para 
9. Se usa 1/ MTBF Superior como un limite inferior 100×(1-/2)% para 
10. Se usa 1/ MTBF Inferior como un limite superior 100×(1-  /2)% para

Ecuación de los Intervalos de Confianza

Los límites de confianza para una situación de Censura Tipo1 se obtienen con las
tablas de la distribución Chi-Cuadrado.
La expresión para calcular los intervalos de confianza es la siguiente:
74
 MTBFx 2r MTBFx 2r 
P 2  MTBF  2
   / 2, 2 ( r +1)  1− / 2, 2 r  > 1-
Cuando T = Tiempo Total se obtiene una expresión simplificada de la expresión anterior:
 Tx 2 Tx 2 
P 2  MTBF  2
   / 2 , 2 r +1)  1− / 2 , 2 r  > 1− 
Estas bandas son exactas en los casos de una o más sistemas reparables probados
para un tiempo fijo.
Las bandas son exactas para los casos donde uno o mas sistemas no- reparables
son probados para un tiempo fijo y las unidades que fallan son reemplazadas con
nuevas unidades durante el curso de la prueba.
Cuando hay cero fallas durante el tiempo de operación de la prueba, solo existe una
banda del MTBF, y esta viene dada por:
MTBF Inferior = T/(-ln)
La interpretación de esta banda es la siguiente: Si el verdadero MTBF es algo

menor que MTBF Inferior se producirá por lo menos una falla durante T horas de
prueba con probabilidad de al menos 1- y tendremos un 100× (1-) % de
confianza de que el verdadero MTBF será menor que el MTBF Inferior,
Con estas expresiones se pueden obtener los intervalos de confianza inferior y

superior para un 60%, 80%, 90%, y 95% de confianza y se hacen los gráficos de
los intervalos de confianza del MTFB.
Intervalos de Confianza del MTBF
60% 80%
núm. Fallas r Inferior para MTBF Superior para Inferior Súper para
MTBF MTBF MTBF
0 0.6213 - 0.4343 -
1 0.3340 4.4814 0.2571 9.4912
2 0.4674 2.4260 0.3758 3.7607
3 0.5440 1.9543 0.4490 2.7222
4 0.5952 1.7416 0.5004 2.2926
75
I N T E R V A L O D E C O N F IA N Z A S U P E R I O R D E L M T B F
6 0% 8 0% 90% 95 %
3 7.60 7 24 .26 0 56 .28 1 82 .5 73
IN T R V A L O S U P E R I O R M T B F
2 7.22 2 19 .54 3 36 .68 9 48 .4 91
60% 80% 90% 95%
2 2.92 6 17 .41 6 29 .27 6 36 .7 02
2 0.55 4 16 .18 4 25 .37 9 30 .7 98 250000
1 9.03 6 15 .37 0 22 .96 2 27 .2 49

1 7.97 4 14 .78 8 21 .30 7 24 .8 72
1 7.18 2 14 .34 7 20 .09 6 23 .1 63
200000
1 6.56 7 14 .00 0 19 .16 8 21 .8 69
1 6.07 4 13 .71 9 18 .43 2 20 .8 53
HO R AS
1 5.66 8 13 .48 5 17 .83 1 20 .0 32
1 5.32 7 13 .28 8 17 .33 0 19 .3 53 150000
1 5.03 6 13 .11 8 16 .90 6 18 .7 81
1 4.78 4 12 .97 0 16 .54 1 18 .2 91
1 4.56 4 12 .84 0 16 .22 3 17 .8 67
1 3.76 9 12 .36 7 15 .08 9 16 .3 71 100000
1 3.26 7 12 .06 3 14 .38 3 15 .4 52
1 2.91 5 11 .84 8 13 .89 3 14 .8 22
1 2.65 2 11 .68 7 13 .52 9 14 .3 57
1 2.44 6 11 .56 0 13 .24 7 13 .9 97 50000
1 2.28 0 11 .45 6 13 .02 0 13 .7 10

1 2.14 2 11 .37 1 12 .83 2 13 .4 73
1 1.69 4 11 .09 0 12 .22 6 12 .7 14
0
1 1.43 9 10 .92 9 11 .88 5 12 .2 90 1 3 5 7 9 11 13 15 17 19 21 23 25
1 0.60 3 10 .40 1 10 .78 1 10 .9 38
INTERVALOS DE CONFIANZA LIMITE INFERIOR Y SUPERIOR 90 Y 95%
Intervalo de Confianza del MTBF Estimado
90% 0.95
Numero FallasInfer para MTBF
Súper para MTBF
95% 95.00%
0 0.1795 39.4978 Intervalos MTBF para 95%
1 0.2768 8.2573
2 0.3422 4.8491
6
3 0.3906 3.6702 Infer para MTBF
4 0.4285 3.0798
5 0.4594 2.7249 Súper para MTBF
6 0.4853 2.4872 5
7 0.5075 2.3163
8 0.5268 2.1869
9 0.5438 2.0853 4
10 0.5589 2.0032
11 0.5725 1.9353
12 0.5848 1.8781
3
13 0.596 1.8291
14 0.6063 1.7867
15 0.6475 1.6371
20 0.6774 1.5452 2
25 0.7005 1.4822
30 0.719 1.4357
35 0.7344 1.3997 1
40 0.7473 1.371
45 0.7585 1.3473
50 0.7978 1.2714 0
75 0.8222 1.229
1 3 5 7 9 11 13 15 17 19
100 0.9161 1.0938
500 0.9287 1,0781
76
77

Request

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

Request

Cargado por

Copyright:

Formatos disponibles

Análisis de la Confiabilidad

• El Mantenimiento Centrado en la Confiabilidad (RCM).

Probabilidad Weibull de TIEMPODEFA

La confiabilidad se define como la probabilidad de que un componente o equipo lleve

La Confiabilidad se mide calculando la probabilidad de que el equipo no falle

En las fases de planeación, diseño y operación de los sistemas de ingeniería simples y

El estudio de nuevas técnicas para el análisis de la confiabilidad de equipos y sistemas

En la fase de diseño, la estimación de la confiabilidad de los equipos se realiza

En el periodo de vida operativa, las estimaciones de la confiabilidad se usan para

Los Estudios de Confiabilidad

El estudio de confiabilidad se realiza mediante dos análisis:

• Análisis Técnico de fallas para determinar la causa y la magnitud de la falla

• Análisis Estadístico de fallas que es el estudio estadístico de las fallas en el

Las metodologías de un estudio de confiabilidad incluyen, entre otros, el análisis

La Confiabilidad se mide calculando la probabilidad de que el equipo no falle

Los cálculos de la predicción de la confiabilidad se realizan para ayudar a identificar la

Los modelos de la predicción de la confiabilidad presentan las ecuaciones del

Estos parámetros incluyen a menudo el ambiente, la temperatura, la calidad y la

Los estudios de confiabilidad se aplican a situaciones donde se requiere comprobar

Modelos para predecir la Confiabilidad

Los modelos de la predicción de la confiabilidad presentan las graficas y las

El análisis de Weibull es un término que describe el análisis estadístico y gráfico que

La distribución de Weibull de dos parámetros es la función distribución de

Los técnicos, los ingenieros, la gerencia, el personal de la garantía de calidad, y los

1. Análisis Técnico de fallas para determinar la causa y la magnitud de las fallas.

Los estudios de confiabilidad se aplican a situaciones donde se requiere comprobar

El Mantenimiento Centrado en la Confiabilidad-

El MCC trata de reducir el costo de mantenimiento descartando las acciones de

El MCC es una técnica que desarrolla un sistema de Mantenimiento Preventivo de los

La metodología del MCC tiene su origen en la industria de la aviación, en este sector

Procedimiento para elaborar un MCC

La confiabilidad se utiliza básicamente como un criterio para describir sistemas que no

Un estado externo de un sistema se puede definir como la respuesta que un sistema

Un estado interno es la respuesta del sistema a un estímulo interno, desde el punto de

Por medio de una especificación se establece el comportamiento del sistema al

Una Falta lleva a una Falla.

La confiabilidad de un sistema, R(t), se define como la siguiente probabilidad

Si la ocurrencia de fallas sigue una distribución de Poisson, entonces,

{0 fallas en el tiempo [0, t]} =

E[k] = ke-m(t)/k! [m(t)]k

Var(k) = E[k2] - (E[k)2

El MTBF puede ser calculado a partir de datos empíricos ó de la función de

Usando estas dos medidas, la disponibilidad (A) de un estado estable de un sistema

LOS TIEMPOS EN LOS ESTUDIOS DE CONFIABILIDAD

1. Tiempo promedio entre fallas o media entre fallas TPEF ==

2. Tiempo promedio entre paradas o media de tiempo

3. Tiempo promedio entre inspecciones media entre inspecciones:

4. Tiempo promedio entre reparaciones generales o media de tiempo

TIEMPOS EN EL CALCULO DE LA MANTENIBILI DAD

2. TIEMPO DE LOCALIZACION DE LA FALLA

3. TIEMPO DE ESPERA DE MATERIALES Y EPUESTOS

Todas las políticas de mantenimiento deben estar enfocadas hacia el

Parámetros Usados en el Análisis Estadístico de Fallas

1. Tiempo Promedio Entre Fallas

Periodo de vida de un equipo

1-. Periodo de Arranque o de Mortalidad Infantil

Cuando a un equipo se la hace una reparación general(Overhaul) comienza

2-. Periodo de Operación Normal

3-. Periodo de Desgaste

Las políticas de mantenimiento a dictarse deben estar orientadas

Eficiencia = Disponibilidad* Confiabilidad* Mantenibilidad *Capacidad

La eficiencia es el producto de:

El principal objetivo en los estudios de eficiencia de un proceso es la