BASES ANALITICAS Y

FUNCIONES
ESTADISTICAS
 LA FUNCION DE
DISTRIBUCION
DATOS
El trabajo de la Ing de Conf comienza con las observaciones de
(tiempos, ciclos, revoluciones, millas o kilómetros) a falla,
número de operaciones fallidas, para partes, componentes,
equipos, productos, o sistemas, mientras ellos operan en
aplicaciones y ambientes específicos de acuerdo a sus
especificaciones. Tales observaciones son llamadas DATOS y
están sujetos a tendencias centrales y desviaciones de su
valor medio causado por variaciones de las materias primas
herramientas y procesos de fabricación, mano de obra,
control de calidad, niveles de calidad salientes; en ensamblaje
inspección, prueba, empaque, embarque, puesta en servicio y
prácticas de operación debido a ambientes de operación y
errores humanos y experimentales que prevalecen para las
unidades cuyo comportamiento de confiabilidad esta siendo
monitoreada. A manera de ejemplo, considérese los tiempos
a falla de 225 componentes mecánicos dados en la tabla 4.1.
REDUCCION DE DATOS A HISTOGRAMAS
Y POLIGONOS DE FRECUENCIA
El modelo general estadístico de los datos así como el
histograma de frecuencias y el polígono de frecuencias
resulta ser de gran interés y puede verse en la figura 4.1.
(para los datos de la tabla 4.1).

Si el número de datos es mayor o igual a 35 se

recomienda el método de reducción de datos agrupados.

Para un número menor se recomienda el método de

datos no agrupados
PROCEDIMIENTO PARA REDUCCION DE
DATOS AGRUPADOS

Para los datos de la tabla 4.1:

1- Preparar una tabla de conteo (ver tabla 4.2) así:
a- Determinar el número de intervalos de clase
usando la regla de Sturges. k  1  3.322 log N
Para N=225, k  1  3.322*log 225  1  3.322  2.35  8.81  9
Intervalos de clase.
b- Determinar la amplitud del intervalo de clase asi
El rango es r  Tmax  Tmin donde
Tmax  Valor.máximo.observado
Tmin  Valor.mínimoobservado r  454  426  28
 r 28
La amplitud del intervalo de clase es w    3.11  3
k 9
c- determinar los valores de clase de arranque
Clase1: T1  Tmin  426
Clase 2 : T2  T1  w  426  3  429
Clase3 : T3  T2  w  429  3  432
Y así sucesivamente.( ver columna 2 de tabla 4.2).
d. Determinar los valores de clase final
Obsérvese que la exactitud de la medida de los datos
de la tabla 4.1 es 1, luego   1
Clase1: T1  ( w   )  426  (3  1)  428
Clase2 : T2  ( w   )  429  (3  1)  431
Clase3 : T3  ( w   )  432  (3  1)  434

Y así sucesivamente. (ver columna3 de tabla 4.2).

e. Determinar los valores medios de clase
  3 1
Clase1: T1  T1   426   427
2 2
  3 1
Clase2 : T2  T2   429   430
2 2
  3 1
Clase3: T3  T3   432   433
2 2
Y así sucesivamente. (ver columna 7 de tabla 4.2).
f. Determinar los límites más bajos de clase
 3
Clase1: T1*  T1   427   425.5
2 2
 3
Clase2 : T2*  T2   430   426.5
2 2
 3
Clase3 : T3*  T3   433   431.5
2 2

Y así sucesivamente (ver columna6 de tabla 4.2).

g. Determinar los límites superiores de clase
 3
Clase1: T1**  T1   427   428.5
2 2
 3
Clase 2 : T2**  T2   430   431.5
2 2
 3
Clase3 : T3**  T3   433   434.5
2 2

y así sucesivamente (ver columna 8 de tabla 4.2).

h. Contar el número de observaciones que caen en
cada intervalo de clase. (ver columna 4 de tabla 4.2.
2. Preparar la tabla de frecuencias
La frecuencia de las observaciones que caen en cada
intervalo de clases esta dada en la columna 5 de la
tabla 4.2.
3. Dibujar el histograma de frecuencias
El polígono de frecuencias esta dibujado en la figura
4.1.
5. Designar los valores ordinarios que corresponden
al histograma de frecuencias relativas y al polígono
de frecuencias en un nuevo eje de ordenadas
Ver los valores ordinarios designados en la figura 4.1
para el histograma de frecuencias relacionadas y el
polígono que corresponde a la figura ya dibujada.
Debe notarse que el área total del histograma de
frecuencias es igual al número total de los valores de
datos, esto es porque el área de cada barra del
histograma es Ni .
La frecuencia relativa da la fracción f r del número
total de observaciones N, cayendo en un intervalo de
clase particular y como fr  Ni , o fr o o  Ni *100
N N
CURVA DE DISTRIBUCION DE
FRECUENCIAS Y FUNCION DE DENSIDAD
DE PROBABILIDAD
Si se estudian cantidades grandes de datos, el número
de intervalos de clase se incrementa y los puntos del
polígono de frecuencias se ajustarían hasta obtener la
curva de distribución de frecuencias (ver figura 4.5).
Si los datos de la tabla 4.1 se asumen normalmente
distribuidos, su función de distribución de frecuenciasf (T )
se muestra en la figura 4.6 donde el área bajo la curva
es N=225 y esta marcada con 4
Las áreas parciales p.e. desdeT aT de la figura 4.6 da el
1 2

número de componentes que pueden fallar durante el

período T aT .
1 2
 La FUNCIÓN DE DENSIDAD DE PROBABILIDAD f (T )

También se muestra en la figura 4.6. El área bajo esta

curva p.e. de T aTda directamente la probabilidad de que
1 2

un componente aleatoriamente seleccionado fallará

durante ese período y es llamada función de densidad de
probabilidad ya que para un valorf (Tespecífico
) de T, es
la densidad de probabilidad a la cual una v.a. seleccionada
al azar de una población tiene un valor particular con un
ancho de intervalo que caerá a cero (también llamada
probabilidad instantánea) y el cual cambia la escala de la
ordenada y el área bajo la curva es igual a 1 y se logra
dividiendo la escala de la ordenada entre .
N
Esta nueva escala (indicada por 2) también se muestra en
la figura 4.6 y el área bajo la curva es 1.
La función de densidad de probabilidad es f (T )  fN(T)
Y el área bajo esta curva es 1. y esta marcada con 2.
La distribución de frecuencia por unidad de ancho de

intervalo de clase es f (t )  f (T ) y el área bajo la curva
es N y esta marcada con 3.
La función de densidad de probabilidad normal
estandarizada es  ( z ) . Esta función tiene una media
de 0, una desviación estándar de 1 y el área total
bajo la curva es 1 . Esta marcada con 1.
Para la función exponencial
f (T )  N  exp( T )
f (T )   exp( T )
f (T )  N  exp(T )
FUNCION DE DENSIDAD DE PROBABILIDAD
DE FALLA
Puede determinarse usando la definición de confiabilidad
N F (T )
R (T )  1  donde
NT (T )
T Edad de las unidades en una prueba
N F (T )  Número de unidades falladas en la prueba
NT (T )  Número total de unidades que comienzan la prueba
dR(T ) 1 d ( N F (T ))
Derivando la ecuación anterior    f (T ) (1)
dT NT dT
f (T )dT  dR(T ) integrando a ambos lados , y desarrollando
matemáticamente, se llega a 

T1
f (T )dT  R (T1 )

Esto significa que el área bajo la función de densidad de probabilidad de

una unidad desde T hasta  da la confiabilidad de esa unidad cuando
1

emprende una misión de una duración T horas como se muestra en la

1

figura 4.7 arrancando la misión en cero.

Esta es la gráfica de la función de densidad de probabilidad exponencial y
las áreas que dan la confiabilidad y la desconfiabilidad.

La ecuación 1 da el estimativo
T1
de la densidad de probabilidad promedio
sobre el período de vida , y la tabla 4.3 provee los tiempos a falla
T  300horas
agrupados en la columna 1 para . El estimativo de la densidad de
probabilidad promedio para cada intervalo de clase esta dado en la columna
4 y se dibuja en la figura 4.8.

FRECUENCIA ACUMULATIVA Y DISTRIBUCION ACUMULATIVA


T1 observaciones tienen un tiempo que el
Si deseamos conocer cuantas
tiempo específicoa falla , se usa el concepto de frecuencia acumulativa
FT 1  N1  .......  NT 1
con un valor tiempo a falla prescrito o frecuencia acumulativa
N i 
teniendo un valor tiempo a falla prescrito, o donde
NT 1  T1 de clase.
frecuencia de observaciones en cada intervalo
número de observaciones con valores .
La tabla 4.4 muestra el procedimiento empleado, usando los datos de la
tabla 4.2.
La figura 4.9 muestra el gráfico de frecuencia acumulativa o polígono
Tb

La distribución de frecuencia acumulativa se define como F (Tb )   f (T )dT


si la distribución existe desde  hasta Tb ,o
Tb
F (Tb )   f (T )dT si T existe desde 0 hasta Tb .
0

F (Tb ) se determina a partir de f (T ) puesto que el área total bajo

f (T )  N y las áreas parciales son iguales al número total de
observaciones involucradas en esas áreas.
Tb 1 (T  T )2
Para una distribución normal f (T )  N  exp( )dT

 T 2 2 T2

Zb Tb  T
O numéricamente F (Tb )  N 
 (Z )dZ donde Z b  T
Ahora se usan las tablas de áreas de la función de densidad de probabilidad
normal estandarizada empleando el apéndice B.

Por ejemplo T  436.79

437.5  436.79
 T  5.62 Zb   0.1263
5.62
Tb  437.5

0.1263
Del apéndice B: 
 ( Z )dZ  0.5503

0.1263
F (Tb )  N   (Z )dZ  225*0.5503  123.9


Este valor es dibujado en la curva B de la figura 4.9. El resto de puntos se

obtiene de manera similar para dibujar la curva de distribución de
frecuencia acumulativa.
Todos los otros valores para F (Tb ) se obtienen de la tabla 4.4 columna 6.
La FUNCION DE DISTRIBUCION ACUMULATIVA esta dada por
Tb Tb Tb f (T ) Tb
F (Tb )   f (T )dT    (Z )dZ   dT   f R (T ) dT
   N 

Donde f R (T )es la función de distribución de frecuencia relativa.

El gráfico de la distribución de frecuencia acumulativa relativa es un dibujodel

porcentaje del número total de observaciones que tiene un valor al valor prescrito. En
el problema ilustrativo clase
 4 esta fracción es
F (Tb ) 131
f R (T )    0.585(58.5%)
N 225

Todos los valores están en la columna 7 de la tabla 4.4.

El gráfico de frecuencia acumulada relativa puede ahora determinarse agregando una
nueva ordenada cuyos valores son
FR (Tb )  0.2
Con
F (Tb )  NFR (Tb )  225*0.2  45

Repitiendo para otros valores se forma la curva A en la figura 4.9 usando la escala de la
mitad.
PARAMETROS DESCRIPTIVOS

MEDIA (valor esperado, media aritmética, valor

promedio)
Si xi es una v.a. continua E ( x)   i 1 xi p( xi )
N
xi

1

N
E ( x)  x x
Si xi es una v.a. discreta N i 1 i *

Si los datos son agrupados en k intervalos de clase

1

k
E ( x)  f A
i 1 i i
N
Aplicando la ecuación * a los datos de la tabla 4.1

225
N  225 T  98.278
i 1 i T
98.278
 436.79*100horas
225
MEDIANA
Para datos individuales, la mediana es su valor T del
punto medio. Si hay un número impar de observaciones
no agrupadas y están organizadas en orden ascendente o
descendente y la ( N 2 1) ésimaobservación es encontrada,
el valor de esta observación es la mediana.
Para el caso de la tabla 4.1 la mediana es el valor de
(225  1)
 113
2
ésima
observación despúes de que ellos son
organizados de manera ascendente o descendente. En
este caso la mediana es 436.
Si el número de observaciones es par, la mediana es
tomada como el promedio de los valores de los valores de
las 2 observaciones de la mitad, o sea, el N 2 y el ( N 2  1)
ésimo

de las observaciones clasificadas.

 T  T  N1   T  T
Para datos agrupados M
N2
M A (ver fig 4.11)
TM  Valor de la clase más baja límite e la clase mediana, la cual es la clase que
contiene la observación mediana.
  ancho de la clase mediana.
N1  frecuencia de la clase mediana.
N 2  frecuencia de las observaciones en la clase mediana.
FM  frecuencia acumulada superior de la observación mediana.
FP  frecuencia acumulada superior de la clase mediana.

Para el ejemplo de la tabla 4.4 T  434.5  113  79 *3  436.47

52
MODA
Para datos no agrupados Es el valor de la observación más
frecuentemente encontrada.
En el ejemplo de la tabla 4.1, la moda por conteo real es la observación
con T  435 la cual ocurre 20 veces.

Para datos agrupados T es el valor del punto medio de la clase

que tiene el número más grande de observaciones. En el ejemplo
ilustrativo es 436, la cual es el valor del punto medio para clase 4 , la cual
tiene el valor más alto de observaciones (52) como puede verse en la tabla
4.2.
los valores relativos de la media, mediana y la moda, son ilustrados en la
figura 4.12 para distribuciones simétricas y sesgadas.
VARIANZA Y DESVIACION ESTANDAR
Para datos no agrupados
Varianza    i 1 xi  2   i 1 xi  para
2 1 N 2 1 N 2
N  25
N N

N
xi
2
 N ( xi ) 2

s 2
 i 1

N 1 para N  25
1
1
  
N
1 2 2
  i 1 xi
N
Desviación estándar  
N i 1
2
ix 
N2 

para N  25
1
  x  N (x )
N 2 2  2

s   i 1 
i

 N 1 

para N 25
Para datos agrupados
Como se muestra en la tabla 7.2, se coloca 0 en la fila
correspondiente al punto medio de clase que tiene la
frecuencia más grande de observaciones o CLASE MODAL.
En este caso, se trata de la clase 4 con 52 observaciones.
Ti  A
La CLASE MODAL se estima así ui 

Donde A es seleccionada como el valor del punto medio de
clase que más se ajusta a la media.
Para calcular la media de los datos se emplea la fórmula

k
fu
i 1 i i
T  A
N
Donde A  ancho del intervalo de clase
k  número total de clases
59
T 3  436  436.79*100horas
225
 N  i 1  f i u   
2
k 2 2 k
Varianza i  i 1
f i ui
s 
2 2

N  N  1

 es el ancho del intervalo da clase

1

  i 1  i i    
2
 i 1 fi ui
2
k 2 2 k
N f u 
Desviación estándar T   

N  N  1 
 
 
Usando los datos de las tablas 4.1 y 4.2 se construye la tabla
7.2 con   3 k  10 A  436

1
 225*807   59  2  2
T  3    5.62*100horas
 225  225  1 
LA FUNCION TASA DE FALLAS  (T )
Provee la relación entre la edad de la unidad y la
frecuencia de fallas, o el número de fallas por unidad
de tiempo a la edad T.
La función de tasa de fallas hace posible la
determinación de la CURVA DE LA BAÑERA de
confiabilidad, la FUNCION DE CONFIABILIDAD y la
FUNCION DE DENSIDAD DE PROBABILIDAD.
TASA DE FALLAS PROMEDIO
Para cualquier edad T, la tasa de fallas promedio  (T )
a esa edad para muestra simple de unidades
idénticas que están siendo sujetas a pruebas de
confiabilidad N F  T 

N B  T  * T
N F  T  Número de unidades que fallan desde la edad T
hasta T  T
N B  T   Número de unidades probadas o bajo
observación a la edad T.
T  Incremento de edad durante el cual N  T 
F

unidades fueron probadas.

Esta ecuación da la tasa estimada de fallas promedio,
en particular cuando la tasa de fallas no es constante
durante T como se ilustra en la figura 4.17 y su
aplicación es ilustrada en la tabla 4.3 columna 7 para
cada período T de 300 horas y los resultados son
dibujados en la figura 4.18.
Si hacemos T  0 se obtiene la tasa instantánea de
fallas, también llamada tasa de riesgo  (T )
Es decir   T   1 d  N F  T   1 1 d  N F  T   f  T 
*  * * 
N T
B   dT NB  T 
1 N dT RT 
N
Esto es dado para el problema ilustrativo de las
tablas 4.1 y 4.2 y la figura 4.6 en la tabla 4.9 y los
resultados son dibujados en la figura 4.19 para
edades que corresponden a un incremento de edad
igual a 0.5 la desviación estándar de la función de
densidad de probabilidad.
El número de fallas que ocurren en T después de la
edad T esta dada por el número de sobrevivientes a
la edad T menos el número de sobrevivientes a la
edad T  T N F  T   NT R  T   NT R  T  T 
Y los sobrevivientes a la edad T son
N B  T   NT R  T 
En consecuencia,  R(T  T )  R(T )  1
  T   lim T 0 NT    *
 T  NT R  T 
d  R  T   1 f (T )
T   * 
dT RT  RT 

TIPOS DE CURVAS DE BAÑERA (RBTC) Y SUS USOS

VEASE FIGURAS 4.20 A 4.24
La figura 4.28 muestra los efectos del control de calidad y las
prácticas de inspección sobre la curva de la bañera de las partes o
equipos y el efecto de las prácticas de mantenimiento preventivo.
Un estimado de las partes de repuesto esperadas se puede
T2
N F  T2  T1      T  dT
obtener del número esperado de fallas
T1
 Donde
N F  T2  T1  Número estimado esperado de partes de repuesto para
un período de vida de T2  Tpor 1 parte.
  T   Función de tasa de fallas por período de vida T2  T1para esa
parte.
T2  T  Período de vida para la cual la provisión de partes de
1

repuesto es determinada.
El número total esperado de partes de repuesto es
N F  T2  T1   NT * N F  T2  T1 
NT  Número total de partes idénticas en el período de vida T2  T1

y si este varía con el tiempo,

T2
N F  T2  T1      T  NT  T  dT
T1

NT  T   Relación funcional para el número total de partes idénticas

en uso durante el período T2  T1
Si NT  T  y  T  son constantes para el período T2  T1

N F  T2  T1   NT *  *  T2  T1 

FUNCION DE CONFIABILIDAD

En cualquier edad T, la confiabilidad promedio estimada  

R T

para que una muestra simple de unidades idénticas que esta siendo
sometida a una prueba de confiabilidad mientras funciona en el
mismo ambiente de aplicación y operación,
NS  T  sobreviva por encima de
esa edad, es RT 
NT  T 

Tales estimativos para los datos agrupados de la tabla 4.2 están

T
dados en la columna 6 de la tabla 4.3 y lo valores son dibujados en la
figura 4.29 por encima del valor final en el período involucrado.
RELACION CON LA FRECUENCIA ACUMULADA RELATIVA
Es la probabilidad de falla por encima de la edad dada (horas
acumuladas por operación) o desconfiabilidad de las unidades.
R  T   1 Q  T 
es la frecuencia acumulada relativa o desconfiabilidad como
QT 
se indica en la figura 4.30.

RELACION CON LAS FUNCIONES DE DISTRIBUCION

ACUMULADA Y DE DENSIDAD DE PROBABILIDAD
d  R  T   como se muestra en la figura 4.31.
f T    
dT
La relación entre la función de confiabilidad y la función de
distribución acumulada es  T
R  T1    f  T  dT  1   f  T  dT  1  Q  T1 
1

T1 
La confiabilidad también puede definirse como la
probabilidad de que ese tiempo a falla T de la unidad sea
mayor o igual al tiempo de duración de la misión T1

R  T1   P(T  T1 )   f  T  dT
T1

RELACION CON LA TASA DE FALLAS

T

R  T   exp     T  dT
0 
Y se llama función generalizada de confiabilidad.
Si el tiempo a falla de una unidad esta representada por
la distribución exponencial R  T   exp  T 
Y si están representados por la distribución weibull

 T  
R  T   exp    
   
FUNCION DE CONFIABILIDAD CONDICIONAL

Si una unidad ya ha acumulado T horas de operación y se

desea hallar la confiabilidad paraTuna  t nueva misión de t
horas, la probabilidad de supervivencia a horas de
operación es R  T  t   R  T  * R  T ,t 
R T  t
R  T ,t  
RT 
Una forma de deducción de esta ecuación partiendo de
  d R  T   RT 
 o  exp      T   dT
T2 R T2 T2

   
2
 T dT    
T1 R  T1  RT  R  T1   T1 

Al sustituir T1  T , T2  T  t , oT2  T  t
1

Se llega a
 exp     t  dT  R T  t
 T t

R  T ,t  
 0
 
 
 
exp      T  dT 
T
RT 
 0 

Para el caso exponencial

exp    T  t   exp  T  *exp  t 
R  T,t  
exp    T   exp  T 
R  T , t   exp  t   R  t 

 T  t      T     
Para el caso weibull R  T , t   exp     
      
La desconfiabilidad condicional es la probabilidad de falla
durante una nueva misión t, teniendo ya acumuladas T
T t
horas de operación  f  T  dT
Q  T ,t   T

RT 
La cual es la probabilidad de falla a posteriori durante una
nueva misión de duración t.
La probabilidad de falla a priori durante el período de
vida de operación de T a T+t es
T t
QT T t   f  T  dT
T
T t T
 f  t  dT   f  T  dT Q T  t Q T 
Q  T,t  0 0

RT  RT 
NS  0 R  T  t  N T t
R  T ,t   1 Q  T ,t   *  S
NS  0 RT  NS  T 
NS  T  t 
NS  T  
R T,t
DondeN S  T   Número de unidades que arrancarían la
nueva misión.
N S  T  t   Número deseado al final de la nueva misión
N S  0   Número de uds que que arrancarían a la edad 0

NS  T  t 
R T  t 
Por definición N S  0
NS  T  t  NS  T  t 
NS  0  
R T  t R T  * R T,t

El número de unidades que fallan a la nueva misión es

N F  T , t   NMQ  T , t 
N= número de uds que comienzan la nueva misión.
M=número de nuevas misiones emprendidas por cada
unidad.
FUNCION DE VIDA MEDIA

La vida media es el promedio de tiempo a falla

esperado de unidades idénticas operando en
aplicaciones y ambientes idénticos.

E  Tt   T  m   Tf  t  dT


   
 T  
F  T   TparaT   , o.en.otro.caso.cero

Esta ecuación es ilustrada en la figura 4.33 para un valor

específico de T  T1 E  T   T  m     R  T  dT


Para el caso exponencial T  m  1


m  MTBF para unidades reparables
m  MTTF para unidades no reparables.