Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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.
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.
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.
3
El riesgo se mantiene a bajos niveles, asumiendo en la fase de diseño del producto
márgenes de seguridad elevados.
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
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.
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.
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.
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.
m(t) =
El número esperado de fallas en el intervalo [0,t] puede ser calculado como
7
y la varianza se puede calcular como
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).
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.
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 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.
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
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) =
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
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.
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:
A I = MTBF/(MTBF + MTTR)
AL = MTBM/(MTBM + MAMT)
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:
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%.
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
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
1-.Modelo Exponencial
La Función de distribución exponencial negativa se escribe como:
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
ln(t) = − { F(t) } + ln T 50
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.
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
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
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
2
25.5 0.248344371 0.285477
25.52 0.281456954 0.330529664 1.5
44 0.943708609 2.877213673
-1
45 0.976821192 3.764516868
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.
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 Data
21
33.890 34.760 35.750 35.910
36.980 37.080 37.090 39.580
44.045 45.290 45.381
22
ANALISIS GRAFICO
1-. Histograma
El primer paso de este estudio grafico es la construcción y análisis del histograma
de frecuencia de la data.
0
17 22 27 32 37 42 47
Tiempos de Fallas (X 1000)
80
50
20
5
1
0,1
18 23 28 33 38 43 48
Tiempos de Falla (X 1000)
1
mas frecuentemente se usan en los estudios de confiabilidad , estas distribuciones
son las siguientes:Normal, Exponencial, Weibull, Lognormal, Gamma y
Gumbel
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
Estimado de Localización = 15.9
Estimado de Escala = 16.92
Lognormal
Máx. PPCC = 0.986
Estimado de Forma = 0.18
Estimado de Localización = -9.96
Estimado de Escala = 40.17
Gamma
Máx. PPCC = 0.987
Estimado de Forma = 11.18
Estimado de Localización = 5.19
Estimado de Escala = 2.17
Gumbell
Máx. PPCC = 0.987
Estimado de Forma = 0.11
Estimado de Localización = 20.19
Estimado de Escala = 3.3
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
Probabilidad
0.95 42667,3 0,6
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.
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
1 1
0,995
0,99
0,985
PPCC
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)
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.
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
PORCENTAJE ACUMULADO
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
PORCENTAJE ACUMULADO
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)
8
Para construir el gráfico de probabilidad normal para un conjunto de
datos se representan:
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
PORCENTAJE ACUMULADO
80
60
40
20
0
18 23 28 33 38 43 48
DATA (X 1000,0)
9
Normal Lognormal
99,9 99,9
PORCENTAJE ACUMULADO
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
PORCENTAJE ACUMULADO
90
70
50
30
20
10
5
1
0.5
0.1
1000 10000 100000
DATA
VA ORES EXTREMOS
99,9
99
90
PORCENTAJE ACUMULADO
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.
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:
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
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
PO RCENT 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
PO RCENT AJE ACUMULA DO
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
Estimación de escala = 16,92
Distribución lognormal
MáxPPCC = 0,986
Estimación de la forma = 0,18
Estimación de la ubicación = -9,96
Estimación de escala = 40,17
Estos resultados indican que varias de estas distribuciones pueden proporcionar un modelo de
distribución adecuado de los datos.
Kolmogorov Anderson
Chi-cuadrado
N0 Distribución Smirnov Darling
Kolmogorov Anderson
N0 Distribución Chi-cuadrado
Smirnov Darling
3
Estadística Rango Estadística Rango Estadística Rango
Bondad de ajuste -
Lognormal
Kolmogorov-Smirnov
Tamaño de la muestra 31
Estadística 0,12458
Valor P 0,67591
Rango 2
Rechaza No No No No No
Anderson-Darling
Tamaño de la muestra 31
Estadística 0,41357
Rango 2
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadística 1,6585
Valor P 0,6462
Rango 1
Kolmogorov Anderson
Chi-cuadrado
N0 Distribución Smirnov Darling
Estadística Rango Estadística Rango Estadística Rango
Bondad de ajuste
Normal
Kolmogorov-Smirnov
Tamaño de la muestra 31
Estadística 0,1514
4
Valor P 0,43346
Rango 3
Rechaza No No No No No
Anderson-Darling
Tamaño de la muestra 31
Estadística 0,53219
Rango 3
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadística 2,2899
Valor P 0,51447
Rango 3
Kolmogorov Anderson
Chi-cuadrado
N0 Distribución Smirnov Darling
Estadística Rango Estadística Rango Estadística Rango
Bondad de ajuste
Weibull (3P)
Kolmogorov-Smirnov
Tamaño de la muestra 31
Estadística 0,11708
Valor P 0,74574
Rango 1
Rechaza No No No No No
Anderson-Darling
Tamaño de la muestra 31
Estadística 0,33806
Rango 1
5
Rechaza No No No No No
Chi-cuadrado
Grados de libertad 3
Estadística 1,6917
Valor P 0,63878
Rango 2
Rechaza No No No No No
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.
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
0,6 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
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
Weibull (3-Parameter)
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
Weibull (3-Parameter)
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
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.
11
significativas que las que se pudieran encontrar en las anteriores replicas del
experimento.
.
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:
La prueba Chi - cuadrado se utiliza para comprobar si una muestra de los datos
procedede una población con una distribución específica.
• Hipótesis
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
• Regla de Decisión:
Se acepta H0 cuando .
Donde t representa el valor proporcionado por las tablas, según el nivel de significación
estadística elegido.
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
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
Regla de Decisión
Si D n - < W Rechazamos Ho
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.
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
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
Regla de decisión
El estadístico de la prueba se compara con las distribuciones del estadístico de prueba:
Región crítica:
Los valores críticos para la prueba de Anderson-Darling dependen de la distribución
específica que se está probando.
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
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.
S (t)=0,5 y
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.
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:
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.
Si la data se ajusta a una distribución exponencial, los puntos (pares) graficados deben caer sobre de la
línea recta con pendiente / ln10 .
Se desea conocer si la ley que rige los tiempos de falla de estos componentes es una distribución
exponencial negativa.
19
Estadística descriptiva
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
Análisis Estadístico
Se presentan los resultados de las pruebas estadísticas para determinar si la d ata puede
ser adecuadamente modelada por una 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
Función de distribución acumulativa
Función de supervivencia
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
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 Exponencial(0,004) Exponential
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
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.
23
Las funciones de supervivencia y riesgo para esta variable son:
f ( x) = x ( −1) exp( −( x ) x 0 0
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
0,8 1,1
2,1
0,6 5,1
0,4
0,2
0
0 5 10
X
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
11,250
7,500
3,750
0,000
15000,0 26250,0 37500,0 48750,0 60000,0
TIEMPO DE FALLA
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
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
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
Estadística descriptiva
Estadística Valor Percentil Valor
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
Desviación estándar 1,9324 50% (Mediana) 1,7135
Coef. de variación 0,85207 75% (Q3) 3,2652
Error estándar 0,27329 90% 5,057
Asimetría 1,2494 95% 6,9156
Curtosis 1,4013 Max 8,223
28
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Rechazar? No No No No No
Chi-cuadrado
Grados de libertad 5
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
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
Estadística descriptiva
Estadística Valor Percentil Valor
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
Desviación estándar 1,9324 50% (Mediana) 1,7135
Coef. de variación 0,85207 75% (Q3) 3,2652
Error estándar 0,27329 90% 5,057
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
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.
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.
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.
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.
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 Lognormal está caracterizada por los dos parámetros μ y σ, que no son su
media y desviación típica.
− ( ln (( t − θ)/m)2
e /( 2σ 2 ))
f(t) =
(t − θ)σ 2π
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 Lognormal está caracterizada por los dos parámetros μ y σ, que no son su
media y desviación típica.
− ( ln (( t − θ)/m)2
e /( 2σ 2 ))
f(t) =
(t − θ)σ 2π
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.
1,5
0,3
0
0 1 2 3 4 5
ln( x )
F ( X ) = ( )
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
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
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
Estadística descriptiva
NMP/100 ml
Estadística Valor Percentil Valor
Tamaño de la muestra 38 Min 3
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
39
a 0,2 0,1 0,05 0,02 0,01
Valor crítico 1,3749 1,9286 2,5018 3,2892 3,9074
Rechazar? No No No No No
Chi-cuadrado
Grados de libertad 4
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
Rechazar? No No No No No
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.
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
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
(X 0,001)
6
4
densidad
0
0 100 200 300 400 500
NMP/100 ml
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
5,1
0,2
0,1
0
-4 -2 0 2 4 6 8
x
43
Distribucion Gumbell
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
Distribucion Gumbell
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
44
La distribución acumulada de Gumbel para el extremo inferior se expresa como:
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.
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
x
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
12
0
-4,5 -2,5 -0,5 1,5 3,5
x
46
Riesgo Valores Extremos
Extremo Superior
24
Extremo Superior
20 5,1
16
Riesgo
12
0
0 2 4 6 8
x
S 6
β =
π Y = x − 0.5772
donde y s son la media y la desviación estándar de la muestra.
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
Estadística descriptiva
Estadística Valor Percentil Valor
Tamaño de la muestra 30 Min 195
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
Coef. de variación 0,22582 75% (Q3) 314,25
Error estándar 12,37 90% 397,5
Asimetría 1,258 95% 479,1
Curtosis 2,1516 Max 500
# Distribución Parámetros
1 Gumbel Min =52,827 =330,53
Bondad de ajuste - Resumen
Kolmogorov Anderson
Chi-cuadrado
# Distribución Smirnov Darling
Estadística Rango Estadística Rango Estadística Rango
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
Función de distribución acumulativa
0,9
0,8
0,7
0,6
F(x)
0,5
0,4
0,3
0,2
0,1
Kolmogorov Anderson
Chi-cuadrado
# Distribución Smirnov Darling
Estadística Rango Estadística Rango Estadística Rango
1 Gumbel Min 0,28077 1 3,3598 1 7,5917 1
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
0,9
0,8
0,7
0,6
S(x)
0,5
0,4
0,3
0,2
0,1
0,9
0,8
0,7
P (Modelo)
0,6
0,5
0,4
0,3
0,2
0,1
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.
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
Distribucion Gumbell
0,4
Extremo Inferior
1,1
0,3
DENSIDAD
0,2
0,1
0
-4 -2 0 2 4
x
51
La ecuación de la distribución estándar de Gumbell para el extremo superior se
f ( x) = e x e − e
x
expresa como:
Distribucion Gumbell
Extremo Superior
0,4
Extremo Superior
5,1
0,3
DENSIDAD
0,2
0,1
0
0 2 4 6 8
x
0,8 1,1
0,6
0,4
0,2
0
-4 -2 0 2 4
x
52
La siguiente es una grafica de la función distribución acumulada de Gumbel para
el extremo superior y con parámetros 5 y 1.
0,8 5,1
0,6
0,4
0,2
0
0 2 4 6 8
x
53
La siguiente es una grafica de la función distribución inversa acumulada de
Gumbell para el extremo superior.
12
0
-4,5 -2,5 -0,5 1,5 3,5
x
54
Riesgo Valores Extremos
Extremo Superior
24
Extremo Superior
20 5,1
16
Riesgo
12
0
0 2 4 6 8
x
55
La siguiente es una grafica de la función del riesgo de la distribución de Gumbell
para el extremo superior.
56
La siguiente es una grafica de la función de Supervivencia de la distribución de
Gumbel para el extremo superior.
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
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
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.
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
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).
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.
El objetivo que tienen estos ensayos es reducir el tiempo de prueba necesario para
determinar su fiabilidad.
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.
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).
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) ]
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.
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
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.
tf = Aexp(H/kT)
El factor de aceleración entre dos temperaturas aumenta exponencialmente tanto como
crece H
El factor de aceleración entre dos temperaturas una alta T2 y una baja T1 esta dado por:
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.
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).
El factor de aceleración entre dos temperaturas una alta T2 y una baja T1 esta dado por:
Grafica de Arrhenius
Mediante un ensayo acelerado se puede incrementar el número de fallas aumentando el
estrés causado por una o más variables.
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
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
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.
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.
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.
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
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
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
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
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
-365
74
MTBFx 2r MTBFx 2r
P 2 MTBF 2
/ 2, 2 ( r +1) 1− / 2, 2 r > 1-
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)
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
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
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