Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Confiabilidad
Enrique Villa Diharce
LSE
tiempo
LIE
1.0
0
Modelos de confiabilidad
dF (t ) / dt
h(t ) = f (t ) / C (t ) =
C (t )
F (t + δ ) − F (t ) 1 P (T ≤ t + δ ) − P (T ≤ t )
= limδ →0 = limδ →0
δC (t ) δ P (T > t )
1 P (t < T ≤ t + δ ) 1
= limδ →0 = limδ →0 P (t < T ≤ t + δ | T > t )
δ P (T > t ) δ
0.6 0.8 1.0 1.2 1.4 0.0 0.2 0.4 0.6 0.8 1.0
0
0
1
1
2
2
Tiempo
Tiempo
3
3
4
4
5
5
Confiabilidad Distribución
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
0
0
1
1
2
2
Tiempo
Tiempo
3
3
4
4
5
5
Distribución Exponencial λ = 1, θ = 1 / λ = 1
Distribuciones más comunes en confiabilidad
1.0
0.8
dweibull(tiempo, 2, 1)
pweibull(tiempo, 2, 1)
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0
tiempo tiempo
1.0
6
1 - pweibull(tiempo, 2, 1)
0.8
5
4
2 * tiempo
0.6
3
0.4
2
0.2
1
0.0
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0
tiempo tiempo
Distribuciones más comunes en confiabilidad
Distribución Lognormal
f (t ) = (1 / tσ )φ[(ln(t ) − μ ) / σ ]
F (t ) = Φ[(ln(t ) − μ ) / σ ]
C (t ) = 1 − Φ[(ln(t ) − μ ) / σ ]
h(t ) = f (t ) / C (t )
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.1 0.2 0.3 0.4 0.5
0
0
1
1
2
2
Tiempo
Tiempo
3
3
4
4
5
5
Confiabilidad Distribución
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Distribución Lognormal
0
0
1
1
2
2
Tiempo
Tiempo
3
3
4
4
μ = .5, σ = .5
5
5
Componentes o sistemas noreparables:
Son aquellos que al fallar se eliminan.
Falla y se repara
0 t1 t 2 t3 t 4 t5 t6 t7
Proceso de Poisson
7
6
5 N(t)
4
3
2
1
0 t1 t 2 t3 t 4 t5 t6 t7
Proceso de Poisson
1. N( 0 ) = 0.
2. N (t ) es entero.
3. Si s < t , entonces N ( s ) ≤ N (t ).
4. Para s < t , [ N(t)-N(s)] representa el número de fallas que
han ocurrido en el intervalo (s, t].
Proceso de Poisson
ROCOF
Cuando los eventos de un proceso de conteo son fallas, la tasa
λ(t) del proceso se llama tasa de ocurrencia de fallas (ROCOF).
Proceso de Poisson
7
6
5 N(t)
4
3 W (t )
2
1
0 t1 t 2 t3 t 4 t5 t6 t7
Proceso de Poisson
7
6
5
4
3
N(t)
2
1 W (t )
0 t1 t2 t3 t 4 t5 t 6 t 7
Proceso de Poisson
7 W (t )
6
5
4 N(t)
3
2
1
0t
1 t 2 t3 t 4 t5 t6 t7
Proceso de Poisson
Ejemplo. Suponga que un proceso de Poisson tiene función
de intensidad λ (t ) = 0.002t 1.25
La función media es
b b
Λ (t) = ∫ λ (x)dx = ∫ 0.002x 1.25 dx = 0.00089t 2.25 .
a a
30
20
10
0
Tiempo(Horas)
Proceso de Poisson
30
20
10
3
2
1
1 10 100 1000
xGrampus
Proceso de Poisson
Ejemplo. Las fallas de un sistema reparable son modeladas
por un proceso de Poisson con una tasa de fallas
λ (t ) = 1 / 50, 0 ≤ t ≤ 365,
con el tiempo medido en días. La compañía que posee esta
máquina tiene tres opciones para el plan de mantenimiento
anual. Cual de las siguientes tres opciones es mejor?
Plan de Mantenimiento 1:
$12,000 sin cargo por cada reparación.
Plan de Mantenimiento 2:
$4,000 mas $1,000 por cada reparación.
Plan de Mantenimiento 3:
$1,500 por cada reparación.
Proceso de Poisson
Ejemplo.
Costo esperado:
EC (t ) = c0 + c1 E{N (0,365]}
Tipo de reparación
Reparación perfecta
Reparación imperfecta Reparación mínima
o reemplazo
(reparación normal) (as bad as old)
(as good as new)
Modelos de
Proceso de
HPP Reparación NHPP
renovación
imperfecta
Proceso de Poisson
7
6
Reparación perfecta
5
4
3
2
1
0 t1 t2 t3 t4
Proceso de Poisson
7
6
Reparación mínima
5
4
3
2
1
0 t1 t2
Proceso de Poisson
7
6
Reparación imperfecta
5
4
3
2
1
0 t1 t2 t3 t4
Inferencia:
Estimacion y PH
Inferencia:
Estimacion y PH
Esquemas de observación:
t1
} t2
= exp − ∫ ν (t )dt × ∫ ν (t )dt
t1
(t n + δt n , t0 ) 0 fallas
Inferencia:
Esquema 1.
Función de verosimilitud
L= {∏ n
i =1
ν (t } {
i ) exp − ∫ ν
t0
0
(t ) dt }
Función logverosimilitud
l = ∑i =1 log[ν (ti )] − ∫ ν (t )dt
n t0
Esquema 2.
Las funciones L y l igual que el Esquema 1,
sustituyendo t0 por t n .
Inferencia:
Esquema 3.
Función de verosimilitud
ni
⎛ bi
⎞
⎧ m
⎫ m ⎜
⎝ ∫ ν (t ) dt ⎟
⎠
L = exp⎨− ∑ ∫ ν (t )dt ⎬ ∏
b i ai
⎩ i =1 ai ⎭ i =1 ni
Función logverosimilitud
m ⎧
l = ∑i =1 ⎨ni log ∫ ν (t )dt − ∫ ν (t )dt ⎫⎬
⎡ bi
⎤ bi
⎩ ⎢⎣ ai ⎥⎦ ai ⎭
Inferencia:
Función de intensidad
ν (t) = exp( β 0 + β1t)
Función logverosimilitud
exp( β 0 ){exp( β1t0 ) − 1}
l = nβ 0 + β1 ∑i =1 ti −
n
β1
Inferencia:
Matriz de información observada
I = (−∂ l / ∂β 0 ∂β1 )
2
Cov( β 0 , β1 ) = I −1
{ } (∑ t ) / n⎫⎬⎭
1/ 2
se( βˆ1 ) = ⎧⎨βˆ1−1 ∑i =1 i 1 0
n n 2
t ( β
ˆ t − 2) + nt −
i =1 i
⎩
0
Inferencia:
∑
n
t i − (1 / 2) nt
U= i =1 0
t0 (n / 12) 1/ 2
exp( β 0 ){exp(15070 β1 ) − 1}
l = 56 β 0 + 461731β1 −
β1
Inferencia:
Ejemplo. Fallas del motor del submarino.
Los estimadores son
βˆ0 = 3.73, βˆ1 = 0.57, se( βˆ1 ) = 0.47
Estos valores sugieren que el valor de βˆ1 no es significativo
estadísticamente. Utilizando la prueba de homogeneidad de
Laplace, tenemos
∑
n
t − (1 / 2)nt0
i =1 i 461731 − 56 ×15070 / 2
U= = = 1.22
t0 (n / 12)1/ 2 15070 56 / 12
El valor del estadístico de prueba es muy pequeño, por lo
cual no podemos rechazar la hipótesis de función de
intensidad constante para estos datos.
Crecimiento de la confiabilidad
El objetivo de las pruebas de crecimiento de confiabilidad es
mejorar la confiabilidad a través del tiempo, introduciendo
cambios en el diseño del producto y en el proceso de
manufactura.
Prueba de Evaluación de
Diseño inicial
crecimiento confiabilidad
Análisis de
Rediseño ingeniería
t1 ti
El ciclo del crecimiento de la confiabilidad
Crecimiento de la confiabilidad
λ (t )
λ1
Tasa de fallas
λ (t ) = abt b −1
λ2
λ3
λ4
t=0 s1 s2 s3 s4
Modelo AMSAA de crecimiento de confiabilidad
(Army Material Sistems Analysys Activity , 1984)
Crecimiento de la confiabilidad
Sean 0 < s1 < s2 < ... < sk los tiempos de prueba
acumulados en los que se hacen modificaciones al diseño.
[λ (t )] exp( −λ (t ))
n
P (n(t ) = n) =
n
donde la tasa de fallas acumulada es de la forma
⎧
⎪ λ1t 0 ≤ t < s1
⎪
λ (t ) = ⎨ λ1s1 + λ2 (t − s1 ) s1 ≤ t < s2
⎪λ1s1 + λ2 s2 + λ (t − s2 ) s2 ≤ t < s3
⎪
⎩..........
Crecimiento de la confiabilidad
λ (t ) = abt b −1
Los procesos de Poisson en confiabilidad son
de gran utilidad para modelar procesos de
fallas en:
Sistemas reparables
Mantenimiento
Crecimiento de la confiabilidad
Confiabilidad de software
GRACIAS