You are on page 1of 107







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

-log[1-F(t)]

10

FORMA= 4,635 ESCALA = 33.674,2

1

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

2

este depende de la determinación y el conocimiento del índice de fallas de los equipos
que participan en el sistema de mantenimiento.
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...

3

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. 2. Análisis Técnico de fallas para determinar la causa y la magnitud de las fallas. el personal de la garantía de calidad.. laboratorio la confiabilidad..Modelos para predecir la Confiabilidad El desarrollo de las concepciones y técnicas del Análisis de Confiabilidad de componentes. pero la Weibull de tres parámetros. Los técnicos. 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. la distribución normal. estos parámetros incluyen el ambiente. 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. equipos y sistemas ha estado estrechamente asociado al desarrollo de tecnologías complejas y de alto riesgo El riesgo se mantiene a bajos niveles. los ingenieros. asumiendo en la fase de diseño del producto márgenes de seguridad elevados. la distribución log-normal. la calidad. que son las variables usadas en las ecuaciones de la predicción de la confiabilidad. Los estudios de confiabilidad se realizan a partir de dos tipos de análisis 1. El análisis de Weibull es un término que describe el análisis estadístico y gráfico que utiliza varias distribuciones de la probabilidad. Las técnicas del análisis de Weibull se utilizan para analizar datos del campo o del . la gerencia. y la tensión y se utilizan para establecer los factores. 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. El Mantenimiento Centrado en la ConfiabilidadMCC 4 . Análisis Estadístico de fallas que es el estudio estadístico de las fallas en el tiempo. la temperatura. 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. Los análisis de Weibull pueden indicar si más piezas viejas o más piezas nuevas son más probables fallar. equipos y sistemas.

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. 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. en este sector industrial comienzan a aplicarse los primeros programas de mantenimiento basado en la confiabilidad.  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 metodología del MCC tiene su origen en la industria de la aviación. en forma sistemática.  Elaboración de los diagramas funcionales del sistema. la confiabilidad es la probabilidad de que un producto realizará su función prevista sin fallas por un período especificado y bajo condiciones establecidas.El MCC es la denominación para una metodología que permite definir.  Definición de los límites del sistema. es una metodología diseñada para elaborar o rediseñar programas de mantenimiento para una planta.  Identificación de funciones y fallas funcionales. estrategias de mantenimiento de plantas. 5 . Procedimiento para elaborar un MCC Para elaborar un MCC se debe seguir un procedimiento como el siguiente:  Selección del sistema y documentación.  Elaboración del análisis de fallas y de efectos. una línea de producción o para un equipo complejo. Un análisis de la confiabilidad en un equipo o un sistema incluye la realización de diversos ensayos para determinar cuan confiable es el equipo o el sistema. máquinas y equipos. 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 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.

llamado comúnmente subsistema. 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. Para determinar la confiabilidad. para detectar posibles problemas en el diseño. construcción o funcionamiento del equipo y para facilitar la búsqueda de correcciones y mejoras. Los diversos estudios realizados al producto se relacionan y examinan para determinar su confiabilidad bajo diversas perspectivas. 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. Es la fracción del tiempo que un sistema satisface su especificación. los cálculos de la predicción de la confiabilidad permiten identificar la confiabilidad del producto. por lo tanto. un sistema confiable debe seguir funcionando adecuadamente sin violar la consistencia del sistema. Un sistema confiable Es aquel que puede continuar funcionando aun cuando el sistema sobre el que opere no sea confiable. Definiciones La confiabilidad se puede interpretar de varias formas. es posible anticipar los efectos de los cambios y de las correcciones que se deben hacer al diseño para mejorar 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. La Disponibilidad. cada componente de un sistema puede ser así mismo un sistema. aun cuando los componentes de un sistema fallen. 6 . es la probabilidad de que el sistema sea operacional en un instante dado de tiempo. es posible hablar de un sistema que se mueve dentro de estados externos de acuerdo a un estímulo proveniente del medio ambiente. y las áreas de punta para la mejora potencial de la confiabilidad. el porcentaje de fallas y el MTBF (tiempo medio de buen funcionamiento).Realizados estos ensayos. Un estado externo de un sistema se puede definir como la respuesta que un sistema proporciona a un estímulo externo.

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. La Falla Cualquier desviación de un sistema del comportamiento descrito en su especificación se considera como una falla. Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas no severas y representan. La confiabilidad de un sistema. es posible que el sistema caiga en un estado interno el cual no obedece a su especificación. por lo general. t]} Es posible derivar la siguiente expresión: 7 .t] |no hubo fallas en t=0 } Si la ocurrencia de fallas sigue una distribución de Poisson. Las faltas del sistema se pueden clasificar como severas (Hard) y no severas (Soft). desde el punto de vista de confiabilidad. cada falla necesita ser rastreada hasta su causa. una falta causa un error lo que puede inducir una falla del sistema. La parte del estado interno que es incorrecta se le conoce como error del sistema. el cambio de estado interno se da como respuesta a los estímulos del medio ambiente. R(t). se define como la siguiente probabilidad condicional: R(t) = Pr{ 0 fallas en el tiempo [0. por lo general. Ellas inducen fallas no severas y representan. . cualquier error en los estados internos de las componentes del sistema se le conoce como una falta en el sistema. Las faltas severas casi siempre son de tipo permanente y conducen a fallas del sistema severas. En un sistema no confiable. el 90 % de todas las fallas. Las faltas del sistema se pueden clasificar como severas (Hard) y no severas (Soft). en un sistema confiable los cambios van de estados válidos a estados válidos. Una Falta lleva a una Falla.Un estado interno es la respuesta del sistema a un estímulo interno. las transiciones a partir de este estado pueden causar una falla. el 90 % de todas las fallas. a este tipo de estados se les conoce como estados erróneos. Las faltas no severas por lo general son transitorias o intermitentes. R (t) = Pr {0 fallas en el tiempo [0. Las faltas severas casi siempre son de tipo permanente y conducen a fallas del sistema severas. es conveniente definir a un estado interno como la unión de todos los estados externos de las componentes que constituyen el sistema. entonces. esta especificación es no sólo necesaria para obtener un buen diseño sino también es esencial para definir los siguientes conceptos de confiabilidad.

t] puede ser calculado como E[k] = ke-m(t)/k! [m(t)] k y la varianza se puede calcular como Var(k) = E[k2] . 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).(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. La disponibilidad se refiere a sistemas que pueden ser reparados. 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. el sistema es disponible en tiempo t. El MTBF puede ser calculado a partir de datos empíricos ó de la función de confiabilidad como: MTBF = ∫R(t)dt 8 .{0 fallas en el tiempo [0. pero si todas ellas han sido reparadas.

listo para cumplir su función de producción. El parámetro de tiempo usado en los estudios de la Confiabilidad es el TIEMPO ENTRE FALLAS (TEF). reparación. Tiempo promedio entre inspecciones media entre inspecciones: TPEI = MTEI. 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. Identifica el intervalo de tiempo más probable entre la aparición de una parada.El MTTR está relacionado al rango de reparación de la misma forma que el MTBF está relacionado al rango de fallas. el cual puede ser descrito o medido por una información de campo en las siguientes formas: 1. 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. arranque y la aparición de una nueva parada. Es el intervalo de tiempo más probable entre un arranque y la aparición de una falla. Es el tiempo más probable entre dos inspecciones. mantenimiento y control de calidad se estudia el tiempo hasta que un cierto producto falla (tiempo de falla). Tiempo promedio entre fallas o media entre fallas TPEF == MTEF. o el tiempo de espera hasta recibir un servicio (tiempo de espera). 3. este tiempo puede ser dividido de la siguiente forma: 9 . 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. Usando estas dos medidas. Tiempo promedio entre paradas o media de tiempo entre paradas: TPEP = MTEP. 4. 2.

la utilización de mano de obra calificada. un buen apoyo logístico. una adecuada descripción de los procedimientos de ejecución. 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. 3. TIEMPO ADMINISTRATIVO Es el intervalo de tiempo empleado en los diferentes trámites para la consecución de los diferentes recursos necesarios para la ejecución de la acción. TIEMPO DE ESPERA DE MATERIALES Y EPUESTOS Es el intervalo de tiempo utilizado en la localización y puesta en sitio 4. repuestos. Tiempo Promedio Entre Fallas El TPEF o MBTF . 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. esta reducción se consigue con planes y programa óptimos. TIEMPO DE REPARACIÓN PROPIAMENTE DICHA Es el intervalo de tiempo utilizado en la ejecución de la acción de mantenimiento. 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. 5. es el tiempo promedio entre fallas e indica el intervalo de tiempo más probable que ocurre entre el arranque la 10 .1. PRUEBAS Y CALENTAMIENTOS Es el intervalo de tiempo utilizado en preparar el SP para ser entregado al grupo de operaciones. 6. un conocimiento integral del funcionamiento del Sistema de Producción a mantener. TIEMPO DE LOCALIZACION DE LA FALLA Tiempo empleado en la investigación del motivo de la falla. TIEMPO DE ARRANQUE. la eliminación al mínimo de los trámites administrativos. un adecuado stock de materiales. instrumentos. 2.

Ps(t) = 1. 3. Usualmente r(t) se expresa en número de fallas por hora o por dia. 2. r(t) = p(t)/Ps(t) Donde p(t) es el valor de la función de intensidad de fallas en el tiempo t . este parámetro se expresa en horas o días. 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.ocurrencia de la primera falla. mientras mayor sea este valor mayor es la confiabilidad del equipo. 4-.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 11 . Probabilidad de Supervivencia Es el complemento de la probabilidad de falla y expresa la probabilidad de que el equipo sobreviva un tiempo t.Pf(t). y Ps(t) es la probabilidad de supervivencia en el tiempo t. Calculo de la probabilidad de supervivencia Ps(t) r(t) = p(t)/Ps(t) = = .

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. Periodo de Arranque o de Mortalidad Infantil Durante el periodo de arranque se presenta un índice de fallas descendiente. Periodo de Desgaste Su principal característica es que el índice de fallas aumenta a medida que trascurre el tiempo. corrosión o desgaste mecánico.1-. 2-. la rata de falla disminuye con el tiempo. 3-. en este periodo están los equipos recién arrancados y la confiabilidad es muy baja. en este periodo la probabilidad de que el equipo sobreviva la media del tiempo entre fallas (MTEF) es de 0. En este periodo el proceso de fallas se puede describir con una distribución normal donde la rata de falla que disminuye con el tiempo. las fallas en el periodo de arranque las cubre la garantía del equipo y la corrección de las fallas corresponde al grupo de arranque. en el la probabilidad de falla de mañana es menor que la de hoy.368. 12 . Periodo de Operación Normal El proceso de generación de fallas durante el periodo de operación normal puede describirse usando la distribución exponencial: Ps(t) = r(t) Ps(t) = y como r(t) = r = Constante = 1/MTEF = e-rt Durante el periodo normal la probabilidad de supervivencia(Confiabilidad) está caracterizado por una distribución exponencial. En este período las fallas son debidas a: fatiga. erosión.

programado.Cuando un equipo entra en este periodo. Confiabilidad El equipo i operará por un tiempo dado sin falla. un estudio de la efectividad del proceso consiste en determinar cuáles de estos componentes de la efectividad influyen negativamente en la valoración del desempeño. 13 . Efectividad de Sistemas La Disponibilidad. Mantenibilidad El equipo es reparado sin pérdidas excesivas de tiempo de Mantenimiento Capacidad El equipo puede desempeñar su actividad productiva para la cual fue creado. La Eficiencia está definida mediante una ecuación que es el producto de estos cuatro componentes. debe someterse a una Reparación General e idealmente se analizan las fallas en función de los costos asociados a la reparación. E = D*C*M*CA Eficiencia = Disponibilidad* Confiabilidad* Mantenibilidad *Capacidad La eficiencia es el producto de: Disponibilidad: La oportunidad del equipo o sistema de estar disponible para desempeñar su trabajo. la Confiabilidad. 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. circunstancial (si es el caso)que identifique las averías y las repare hasta que el estudio económico lo indique. la Mantenibilidad y la Capacidad son los componentes de la de efectividad de los sistemas. estos cuatro componentes de la eficiencia varían aleatoriamente. de acuerdo a estándares determinados. en muchas plantas con procesos continuos la confiabilidad de un componente es el factor más importante en la determinación del desempeño de toda la planta.

la confiabilidad es baja ( 0.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. la Disponibilidad se describe en términos cuantitativos como: tiempo en línea. la mantenibilidad es del 70%. La disponibilidad es la probabilidad que un producto está en un estado operable en cualquier momento. las demoras en suministros. y está basado en una combinación del MTBF y del MTTR. 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). y la capacidad es del 65%. y la mantenibilidad es alta (50 . por ejemplo. pues el equipo está en servicio un mayor porcentaje de tiempo. la disponibilidad es alta (80.98%). no incluye las paradas por Mantenimientos Preventivos. y la productividad es alta (60 90%). mejorar la capacidad antes que mejorar la disponibilidad. Disponibilidad Inherente. es la de identificar y encontrar los componentes críticos para tatar de mejorar la eficiencia. seria más conveniente para mejorar la eficiencia del sistema. a medida que la disponibilidad crece. La principal razón para cuantificar los componentes de la eficiencia. En las refinerías y en plantas químicas que son plantas de procesos continuos. y falta de paradas y frecuentemente se utilizan tres ecuaciones para expresar la disponibilidad: 1. Una alta confiabilidad (pocas fallas) y una alta mantenibilidad (tiempos predecibles de mantenimiento) son características de sistemas altamente efectivos. la capacidad de producción aumenta. El MTTR se puede utilizar en una predicción de la confiabilidad para calcular la disponibilidad de un producto o de un sistema. la confiabilidad es del 70%. tiempo de factor de corrida. y las demoras administrativas. si la disponibilidad es del 98%. y es definida como: AI = MTBF/(MTBF + MTTR) 14 .00110%). tal como es considerada por el personal de Mantenimiento.90%) .

tal como es vista por el usuario. y es definida como: AO = MTBM/(MTBM + MDT). en este caso el valor de la confiabilidades la probabilidad de cumplir un año de corrida sin fallas. 15 . incluye tanto el Mantenimiento Correctivo como el Preventivo. pero no incluye demoras en suministros y demoras administrativas.72% que es la probabilidad de cumplir un intervalo de tiempo de un año sin fallas y una probabilidad de falla de 3.000523%. Si se desea una alta confiabilidad.760 horas) y un tiempo medio entre acciones de mantenimiento de 720. la rata de falla. tal como es apreciada por los directivos del Departamento de Mantenimiento.02*8000 = 160 hr/año La pérdida de disponibilidad es un problema relacionado principalmente con las fallas de los equipos.  es el recíproco del MTBF..98*8. MDTes el tiempo medio de parada. la confiabilidad del sistema se calcula usando la distribución exponencial. y es expresada 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. Disponibilidad Operacional. durante un intervalo de tiempo dado. Disponibilidad Lograda.2) = 0. y MAMT es el Tiempo Medio en que Mantenimiento estuvo Activo. Para los modos de falla distribuidos exponencialmente.000 =7620 hr/año y de parada de (1-.98)*TIEMPO TOTAL = 0.378%. el MTBF mide el tiempo entre las fallas del sistema.2. se requiere un MTBF bastante grande. por ejemplo para un tiempo de corrida de un año con un equipo. el MTBF es un índice básico de confiabilidad. Un 98% de disponibilidad para un proceso continuo de 8. y es definida como: AL = MTBM/(MTBM + MAMT) Donde MTBMes el tiempo medio entre acciones Correctivas y Preventivas. La Confiabilidad ® de la Efectividad La Confiabilidad R se define como la probabilidad de tener una operación sin fallas. da una confiabilidad del 96. Determinemos la confiabilidad de un sistema con un tiempo total de servicio de un año (8. 3.000 horas significa que se espera un tiempo de servicio de 0.2 horas.98*TIEMPO TOTAL = 0. el sistema tiene una confiabilidad de exp(-8760/720. el cual tiene un tiempo medio entre fallas de 30 años.

001) 15 12 Densidad      Funcion de Densidad Distribution Exponential Lognormal Normal Weibull (3-Parameter) 9 6 3 0 0 30 60 FA LLA S 90 16 120 150 180 . 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. y las acciones de mantenimiento tienen una alta demanda.3 = 12.Para un año como tiempo de corrida el sistema es altamente no-confiable . dado que para el sistema se espera que tenga 8760/720.16 acciones de mantenimiento por año.

d. Las graficas de probabilidad son procedimientos visuales que se obtienen. 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.d. El grafico de probabilidad presenta la f. Si los datos de los tiempos de falla se ajustan a una distribución. el tiempo de falla en un papel de probabilidad apropiado.p de la data de los tiempos de falla. por lo que cuanto más se aproxime la nube de puntos a la recta que aparece en el gráfico.9 99 90 70 50 30 20 10 5 1 0.P O RC E N TA JE AC U M U L A D O Weibull 99. graficando la función de distribución de probabilidades (fdp) vs.d. teóricamente. tanto mejor será el ajuste Modelos para ajustar los tiempos de falla Linealización de una distribución de Probabilidades 1-. caer sobre la línea recta que representa la f.p linealizada de una distribución teórica y una nube de puntos que representan los valores de la f.1 1000 10000 DATA 100000 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.p linealizada de una distribución teórica.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 17 .5 0. estos valores deberían.

Lognormal Probabilidad L n ( T im e ) 9.00 0.00 -1. Para cada valor de t se determina el par (t.00 12000. 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) = . los pares graficados deben caer sobre la línea recta con pendiente  log(t).88 1. los pares de puntos graficados deben caer sobre de la línea recta de pendiente  / ln10.00 0.00 {G} T im e 15000.50 Exponential Quantile 2-.60 -2.20 8.00 6000.00 1. Para cada valor de t se determina el par (t.63 3.50 9.90 8.F(t)} y x = t. Si la data se ajusta a una distribución Lognormal.00 Lognormal Quantile 18 . F (t)).5. Exponential Probabilidad 18000.00 0. entonces log (y) es lineal en base a log(x) con una pendiente de ln10. Linealización de una distribución Lognormal La CDF de la distribución Lognormal se escribe como: ln(t { F(t) } + ln T50 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). De esta manera podemos construir un papel de probabilidades exponencial usando un papel semilogaritmico estándar.00 9000.00 2.80 {G} 9. F (t)).Sea y = 1/{1 .75 2. si la data se ajusta a una distribución exponencial.

de manera que al representar la f.d.p ésta tenga forma lineal.p se pone en forma lineal como: y = β⋅x .d. Y como: lnln[1/ 1-F(t)] = g ln( t) .p) de las diferentes distribuciones teóricas. 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(-ln(1-F(t))) = β⋅ln(t/α) ln(1-F(t)) = -(t/α)β ln(ln(1-F(t))-1) = β⋅ln(t) . β) viene dada por la expresión: F(t) = 1 – exp{-(t/α)β} con α.d.p asociada a una distribución Weibull de dos parámetros (α.p asociada a una distribución Weibull. El primer paso será pues encontrar la transformación adecuada para t y F(t) de modo que al representar t vs.β⋅ln(α).g ln(a) Si y = 1/{1 . se obtienen curvas muy similares. para cada valor de t determinamos el par (t y ). los cuales hacen uso de escalas especiales en los ejes. muchas de ellas difíciles de ser identificadas a simple vista. 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).d.d.F(t)} y x = t.β⋅ln(α) Tomando ahora y = ln(ln(1-F(t))-1) . F(t) se obtenga una función lineal. Linealización de una distribución de Weibull La f. esta línea debe cortar al eje Log x en el tiempo t =  y al eje Log y en log  19 . y x = ln(t) la f. Linealización de una distribución de Weibull Al representar gráficamente las funciones de distribución de probabilidades (f. si la data es consistente con una distribución Weibull. entonces log (y) es lineal en base a log(x) con una pendiente de  Una vez conocidas las transformaciones que permiten linealizar la f.3-. los puntos (pares) graficados deben caer sobre o muy cerca de de la línea recta con pendiente . por ello se utilizan los gráficos de probabilidad. de esta manera podemos construir nuestro propio papel de probabilidades Weibull usando un papel loglog estándar Con la función F(t).

4 4 1 2 -3.8 0 -2 0.5 El papel de probabilidades Weibull 20 3 0 1 2 3 .5 2 2.3 11 2.98 2.77 Weibull Linealizado -8 -10 0 0.4 0.1 1000 10000 100000 TIEMPO DE FALLAS Se representa gráficamente la f.08 0.8 0.4 0.2 -0.7 0.06 1.56 14 2.64 0.7 0.4 0.5 -4 10 2.79 0.39 5 1.1 1.9 13 2.p de una Weibull (con escala α = 10 y forma β = 4 y su versión linealizada: ln(t) F(t) ln(t) lnln(1/ 1-F(t) ] t 1 0 2 0.9 99 90 70 50 30 20 10 5 MLE FORMA= 3.1 0.95 8 2.77 2.3 -6 12 2.48 0.94 2.64 1 2.48 2.03 1.2 1 0.2 0 0.9 9 2.0 1 0.5 0.6 16 2.4 0 0.79 7 1.69 -6.GRAFICA WEIBULL PORCENTAJE ACUMULADO 99.63 2.9 -2.77 1.6 -2 -0.2 0.87 2.39 0.1 4 1.3 0 1.34 2.99 2.5 1 1.61 6 1.48 15 2.61 0.56 0.d.95 0.4 0.69 3 0 0 -9.71 0.01 1.4 0.160 ESCALA=27718 LOCAELIZACION=0.12 1.4 1.7 -1.08 -4.3 0.8 fdp Weibull 10.71 0.21 1.

943708609 0.23 24.05 24.83 F(t) Estimada (i-.52 25.5 15 20 25 30 35 40 45 50 -1 PA PEL WEIBULL ln(1 / (1-F(t)) (i-.2) Lineal (ln(1/ (1-F(t))) 4 3.082781457 0.976821192 2.69 26.67 29.11589404 0.5 3 ln (1 /(1 -F (t)) 18.844370861 0. estas observaciones son: 54.860279416 2.5 3 ln ( 1 /(1 .377708224 0.5 0 -0.790446092 0.5)/ 30.657 23.5)/30.612582781 0.314569536 0.8 F(t) ln(1/(1-F(t)) 0.050944802 0.049668874 0.330529664 0.479318401 0.678807947 0. El periodo de prueba es de T = 500 obtenemos hasta 10 observaciones que se producen antes de este tiempo (500 horas). para cada valor de t determinamos el par (t.866239931 0.877213673 3.201038681 0. 375.037598183 1.08 37.244518899 1.76 35.11 33.347682119 0.05 27.5 1 6 11 16 21 26 -1 4-.76 33. 335.09 39. 373.645695364 0.016694879 0. 361. y). si la data es consistente con una Distribución de valores Extremos-Tipo I – para mínimo. 240. 244.745033113 0.534277285 0.215231788 0.5)/ 30.248344371 0.414590151 2.281456954 0.910596026 0.75 35.98 37.505734398 1.654181212 0.71192053 0.9 31.592433205 0.948253083 1.2 0. y 386.447019868 0.811258278 0.2 PA PEL WEIBULL Lineal (ln(1/ (1-F(t))) ln(1/ (1-F(t)) 4 3.5 y un 500.03 23.58 44 45 (i-.149006623 0.135716039 1. 216. los punto s (pares) graficados deben caer sobre o muy cerca de la línea recta con pendiente 1e intercepto  21 31 3 .2 Lineal ((i-.91 36.242366876 0.285477 0.F (t ) ) 20.5 25.161350932 0.123178359 0.877483444 0.5 1 TIEMPO DE FALLA 0.366621596 1.579470199 0.321 25.78 27.086409511 0.764516868 2.182119205 0.77 26.413907285 0.2 33.427223289 0.Se usa el EXCEL para generar 20 observaciones del tiempo de falla en horas según una distribución de Weibull con un factor de forma = 1.89 34. 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).8 26.66737575 1.719994431 0.5 2 1.73 33. 187.016556291 0.513245033 0.380794702 0.546357616 0.099509105 2.5)/ 30.48013245 0.5 0 -0.5 1 TIEMPO DE FALLA 0. 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 21.778145695 0.5 2 1.

El grafico PPCC se construye de la siguiente manera: 1.030 23. Lognormal. La PPCC se usa para determinar la distribución o la familia de la distribución que ajusta adecuadamente una data.500 25.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. 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.520 25. Esta técnica es apropiada para distribuciones como la de Weibull que son definidas por un parámetro de forma.770 22 . para la data de un estudio de confiabilidad se generaran graficas PPCC para distribuciones de Weibull. 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. Se hace corresponder el valor óptimo del parámetro de forma al máximo valor del coeficiente de correlación. La Data 18.230 24.830 20. Gamma. 2.657 23. Se determinan el coeficiente de correlación asociados a la grafica de probabilidad para cada valor de una serie de valores del parámetro de forma. 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.800 26. los valores de los parámetros de forma correspondientes. Se grafican los valores de los coeficientes vs. 3. 4.690 26.050 24.800 21.321 25.

760 33.050 27.080 37.200 33.980 37.730 33.670 29.900 31.045 45.910 36.290 45.110 33.780 27.381 La data que se utilizara en el estudio es el tiempo de falla en horas de un equipo.760 35. 23 .750 35.090 39.580 44.890 34.26.

000 horas.9 99 95 80 50 20 5 1 0.  La data es aproximadamente simétrica con una caída en la mitad. Histograma de Tiempo de Fallas 8 Frecuencia 6 4 2 0 17 22 27 32 37 42 47 (X 1000) Tiempos de Fallas 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.ANALISIS GRAFICO 1-. 2-. Podemos usar este valor para comparar el comportamiento de otra distribución de probabilidades.9776 18 23 28 33 Tiempos de Falla 38 43 48 (X 1000) La recta de regresión de la probabilidad normal tiene un coeficiente de correlación de 0. 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 mas frecuentemente se usan en los estudios de confiabilidad . Histograma El primer paso de este estudio grafico es la construcción y análisis del histograma de frecuencia de la data.1 COEFICIENTE DE CORRELACION = 0.000 horas  Se presentan modas aproximadamente en 28.La grafica de Probabilidad Normal Proporcion Probabilidad Normal de Tiempo de Falla 99.980.000 y 38. estas distribuciones 1 .

988 Estimado de Forma = 2. PPCC = 0. de forma y de escala de cada una de las distribuciones candidatas. de los equipos.987 Estimado de Forma = 0. Parámetro de Forma. 2 . se presenta una lista de las distribuciones con los valores de los estimados de: Máximo PPCC. Exponencial.9 Estimado de Escala = 16. Normal Máx. 95%.986 Estimado de Forma = 0. PPCC = 0. PPCC = 0. se hace una comparación de los valores estimados de los parámetros de localización. La distribución de Weibull de 3 parámetros seria una buena elección para ajustar la data. escala y localización estimados para calcular el tiempo para el cual han fallado el: 1%.11 Estimado de Localización = 20. 2%.3 Estos resultados indican que varias de estas distribuciones ajustan adecuadamente la data tiempo de fallas. Parámetro Localización y Parámetro de Escala.17 Gamma Máx. Gumbel Lognormal.81 Estimado de Escala = 7.13 Estimado de Localización = 15. PPCC = 0.980 Estimado de Localización = 30. Aplicación Se usara la distribución de Weibull con los valores de los parámetros de forma. pues ella presenta un buen balance de simplicidad y ajuste preciso.19 Estimado de Escala = 2. 97 y 99%. Weibull.987 Estimado de Forma = 11.17 Gumbell Máx.38 Weibull Máx.92 Lognormal Máx.18 Estimado de Localización = -9. PPCC = 0.19 Estimado de Escala = 3.18 Estimado de Localización = 5.96 Estimado de Escala = 40. Gamma y Uso de las graficas PPCC Para seleccionar la distribución que mejor ajusta a la data tiempo de falla.son las siguientes:Normal.

Para un valor optimo del parámetro de forma.02 0.4 46814.92. las graficas de densidad de Weibull y la grafica de riesgo Weibull.5 5 (X 10000) 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. Ajustando el valor del estimado de gamma alrededor de 2 a 2. el valor de la PPCC es de 0. 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.4 0. 4. especialmente el grafico de Weibull.Tiempo de falla esperado usando Weibull.90 y el estimado del parámetro de escala es 16.6 0. son comúnmente usados.6 TIEMPO vs PROBABILIDAD 1 0.95 0.2 0 2 2.8 Probabilidad PERCENTAJE 0.3 24365.97 0. Estos dos procedimientos.01 0.0 42667. el estimado del parámetro de localización es 15.12 se obtiene un mínimo impacto sobre el valor la PPCC. 3 .5 TIEMPO (horas) 4 4.988 3.3 44141. Para un valor optimo del parámetro de forma .5 3 3.99 0. El valor del parámetro gamma que proporciona un mayor probabilidad en el grafico de probabilidad normal es de  = 2. Se pueden usar como graficas alternativas para realizar este análisis en lugar de las graficas las graficas de probabilidad y de la grafica PPCC.13 2. TIEMPO DE FALLA 20723.

1 0.-lo g [1 -F (t)] Probabilidad Weibull de TIEMPODEFA 10 FORMA = 4.635 y el estimado del parámetro de escala es 33.674.01 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 4.67 4 .2 1 0.635 ESCALA = 33.

6.37E+4) Weibull (4.6.Función de riesgo Función de riesgo acumulativa 12 9E-4 8E-4 7E-4 6E-4 10 6 h (x) H (x) 8 4 2 0 0 20000 40000 5E-4 4E-4 3E-4 2E-4 1E-4 0 0 x 20000 40000 x Weibull (4. 3. 3.37E+4) 5 .

6 0.6.9 0.5E-5 4E-5 3.5 0.5E-5 3E-5 2.S(x) Función de s upervivencia 1 0. 3.6 0.8 0. 3.3 0.4 0.37E+4) f(x ) Func ió n de de ns idad de pro babilidad 5E-5 4.5E-5 1E-5 5E-6 0 0 20000 40000 x Weibull (4.37E+4) 6 .2 0.1 0 0 20000 40000 x Weibull (4.6.7 0.5 0.1 0 0 20000 40000 x Weibull (4.37E+4) F(x) Función de dis tribución acumulativa 1 0.9 0.5E-5 2E-5 1.3 0.4 0.2 0.6.8 0.7 0. 3.

Si la distribución de la variable es del tipo de la distribución considerada. El examen de estas graficas ayuda al proceso de selección de la distribución que mejor 7 . utilizada para contrastar la distribucion que ajusta adecuadamente a un conjunto de datos. con las de una distribución teorica Los gráficos Q-Q se obtienen de modo análogo. Weibull.de la grafica. La idea básica consiste en representar. permite comparar la distribución empírica de una muestra de datos. Es frecuente observar una mayor variabilidad (separación) en los extremos. los puntos quedarán cerca de una línea recta. Se presentan las graficas de probabilidad para las distribuciones: Normal.Gráfico de probabilidad El gráfico de probabilidad es una técnica gráfica. frente a los datos que se obtendrían en una distribución teórica. con una distribución teorica. Uniforme. en un mismo gráfico. Gumbell. Lognormal. esta vez representando los cuantiles respecto a los cuantiles de la distribución teorica. 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. El grafico de probabilidad es un caso particular de gráfico de probabilidad. Exponencial y Logistica de la data considerada. la diferencia radica en que en los gráficos P-P se confrontan las proporciones acumuladas de una variable. los datos empíricos observados.

) 100000 DATA ajusta a la data.9 99 90 70 50 30 20 10 5 1 0. P ORC E N TAJE AC U M U LAD O Weibull 99.5 0.0) .Uniforme 10 Lognormal 99.1 -6 4 14 24 DATA 34 8 44 54 (X 1000.9 99 90 70 50 30 20 10 5 1 0.1 1000 10000 DATA 100000 PORCENTAJE ACUMULADO VAORES EXTREMOS 99.9 80 PORCENTAJE ACUMULADO 99 60 40 20 0 95 80 50 20 5 1 0.5 0.1 10000 18 23 38 4 DAT (X10.

Ejemplo de un gráfico de probabilidad normal.  Los puntos vienen dados por aunque hay otras formas de elegirlos con resultados parecidos. con la distribución normal. frente a los datos que se obtendrían en una distribución normal teórica. Para construir el gráfico de probabilidad normal para un conjunto de datos se representan:  Eje vertical: valores ordenados de los datos . Si la distribución de la variable es normal.5 99 95 90 70 50 30 10 5 1 0. con las de una distribución normal. Los gráficos Q-Q se obtienen de modo 9 . en un mismo gráfico. los datos empíricos observados. utilizada para contrastar la normalidad de un conjunto de datos.Logistica PORCENTAJE ACUMULADO 99.1 0 1 2 3 DATA 4 5 6 (X 10000. Los gráficos de probabilidad son similares a los gráficos P-P y los gráficos Q-Q.  Eje horizontal: valor esperado del i-ésimo estadístico de orden de una distribución normal.0) Gráfico de probabilidad normal El gráfico de probabilidad normal es una técnica gráfica. La diferencia es que en los gráficos P-P se confrontan las proporciones acumuladas de una variable. Es frecuente observar una mayor variabilidad (separación) en los extremos. los puntos quedarán cerca de una línea recta. El gráfico de probabilidad normal es un caso especial de gráfico de probabilidad.5 0.9 99. La idea básica consiste en representar. Permite comparar la distribución empírica de una muestra de datos. Es un caso pàrticular de gráfico de probabilidad.

Uniforme PORCENTAJE ACUMULADO 100 80 60 40 20 0 18 23 28 33 DATA 99 99 95 95 80 80 PO R CEN T A JEA C U M U LA D O 99.análogo. esta vez representando los cuantiles respecto a los cuantiles de la distribución normal.9 18 38 38 43 50 20 5 1 0.0) Lognormal Normal 99.1 23 28 33 DATA 43 48 (X 1000.0) 100000 DATA 10 .9 P O R C E N T A JE A C U M U L A D O 50 20 5 1 0.1 10000 48 (X 1000.

5 0.5 0. La tasa de mortalidad se denomina función de riesgo.9 99 90 70 50 30 20 10 5 1 0.0) 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. en este caso.1 1000 10000 DATA 100000 P ORC E N TAJE AC U M U LAD O VAORES EXTREMOS 99.P O RC E N TAJE AC U M U L AD O Weibull 99.1 -6 4 14 24 DATA 34 44 54 (X 1000. un modelo muy utilizado. si la tasa no varía a lo largo del tiempo. es el de Weibull que se representa como: 11 . la función de supervivencia es: Si la tasa de mortalidad varíe en función del tiempo transcurrido desde el comienzo del estudio. este análisis suponer que esos tiempos siguen una determinada distribución de probabilidades o función matemática.9 99 90 70 50 30 20 10 5 1 0.

050 24.900 31.760 35.045 45.750 35. a partir de ella. la función de supervivencia 1-.030 23.381 12 .830 20.580 44. DATA 18.800 21.230 24.670 29.Ejemplo El objetivo de este análisis es determinar un modelo de distribución para ajustar adecuadamente la Data y calcular estimaciones de la supervivencia.890 34.690 26.657 23.090 39.Se plantea un modelo la tasa de mortalidad en función del tiempo y una vez determinada la tasa de mortalidad. se calcula.520 25.730 33.321 25.500 25.910 36.980 37.050 27.800 26.080 37.770 26.760 33.290 45.200 33.780 27.110 33.

Se presentan las graficas de probabilidad para las distribuciones: Normal. con las de una distribución teorica Los gráficos Q-Q se obtienen de modo análogo.de la grafica..4 0.250 23 8 4 0.0 60000. Weibull. Es un caso pàrticular de gráfico de probabilidad. en un mismo gráfico. permite comparar la distribución empírica de una muestra de datos. Distribución Exponencial 3. frente a los datos que se obtendrían en una distribución teórica.1 180 Exponencial Lognormal Normal Weibull 1 P robabilidad A cumulada 80 Histograma de Fallas 0.000 0 Normal 15000.0 0 Weibull-3p 40 48750. la diferencia radica en que en los gráficos P-P se confrontan las proporciones acumuladas de una variable. Distribución normal 2. el gráfico de probabilidad normal es un caso especial de gráfico de probabilidad.8 16 90 FALLAS 28 120 33 DATA 150 38 43 50 20 48 (X 1000.Distribuciones consideradas Se analizaron los datos mediante el método descrito anteriormente para los siguientes modelos de distribución: 1. Los gráficos de probabilidad son similares a los gráficos P-P y los gráficos Q-Q.2 0 0 80 Exponencial 60 Lognormal Normal Weibull (3-Parameter) Weibull -3p PO R CEN T A JEA CU M U LA D O P O R C E N T A JEA C U M U L A D O Probabilidad Acumulada 0.9 0. El examen de estas graficas ayuda al proceso de selección de la distribución que mejor ajusta a la data.0 26250. Distribución de Weibull 4.750 99 F re c u e n c ia 100 Exponencial Gumbell Lognormal-3p 0.6 40 20 0 30 18 1 60 23 PROB SUPERVIVENCIA 95 CDF 1 0. GRAFICA DE SUPERVIVENCIA 1. Distribución lognormal Gráfico de probabilidad El gráfico de probabilidad es una técnica gráfica. La idea básica consiste en representar.000 Normal Uniforme 99. con una distribución teorica.0 37500.0) DATA WEIBU LL FALLAS 460 500 200 . utilizada para contrastar la distribucion que ajusta adecuadamente a un conjunto de datos. Exponencial y Logistica de la data considerada. esta vez representando los cuantiles respecto a los cuantiles de la distribución teorica. los datos empíricos observados.2 0 18 0.0 80 120 160 260 28 300 33 DATA 340 38 380 Fallas 43 420 48 (X 1000.6 0.500 Grafica de Probabilidad 5 1 0. los puntos quedarán cerca de una línea recta. Lognormal. Uniforme. Es frecuente observar una mayor variabilidad (separación) en los extremos. Si la distribución de la variable es del tipo de la distribución considerada.4 0. Gumbell.0) 12 0.8 0.

001) 15 Densidad 12 100 200 300 Exponential distribution 400 500 Funcion de Densidad Distribution Exponential Lognormal Normal Weibull (3-Parameter) 9 6 3 0 0 30 60 FALLA S 90 2 120 150 180 .Quantile-Quantile Plot 500 Distribution Exponential Lognormal Normal Weibull (3-Parameter) FALLAS 400 300 200 100 0 0 (X 0.

5.5 99 95 90 80 70 50 0.9 99.Exponencial PORCENTAJE ACUMULADO 99. El nivel de significación P (o P valor) 3. Kolmogorov-Smirnov y Anderson-Darling.Weibull ylognormal.1 0 2 4 DATA 6 8 (X 10000. Ajuste de datas a la distribución Weibull. Las pruebas de ajuste: Chi-cuadrado.0) Confiabilidad y Supervivencia Paramétricas 1. Contrastes de hipótesis. 4. a la distribución exponencial ya la distribución lognormal. Los modelos: exponencial. 6. 3 .Comparaciónentre métodos paramétricos y no paramétricos. Modelos paramétricos usados en los estudios de Confiabilidad y Supervivencia 2.

0 TIEMPOSUP Métodosparamétricos en 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. Las pruebas de ajuste comúnmente utilizadas son las siguientes: 1. con el método de máxima verosimilitud.001 0.0 5000. con la del logaritmo del cociente de verosimilitudes.000 0.0 10000.0 20000. los parámetros característicos de la función de distribución de probabilidades del tiempo de supervivencia.000 0. y usar la distribución determinada para estudiar el comportamiento de las funciones de supervivencia y realizar contrastes de hipótesis sobre ellas. Prueba Chi-cuadrado de bondad de ajuste. Las pruebas de bondad de ajuste se realizan con prueba ji-cuadrado. entonces se pueden usar métodos paramétricos para estudiar la supervivencia El procedimiento paramétrico consiste en estimar.001 {G} 0.001 0.0 15000.H a z a rd R a te Lognormal Hazard Rate GRAFICA 0. 4 .

es decir validos para toda la población Un p-valor de 0. en otras más exigentes como el área científica o de investigación científica requieren de 1% y otras hasta de 0. 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).1%. (decisión conocida como error de tipo I. La significación estadística o el nivel de significación (p.2. más significativo será el resultado. El nivel de significación mide la probabilidad de cometer error al aceptar los resultados obtenidos en un procedimiento como resultados generalmente validos. . Cuanto menor sea el valor P. entonces la hipótesis nula es rechazada. en el sentido que los resultados obtenidos por medio de muestras sean extensibles a la población. En muchas áreas técnicas el nivel mínimo de significación se ha establecido en 5%.Prueba de Anderson-Darling de bondad de ajuste. 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: 5 . 3. El nivel de significación P (o P-valor). el nivel de significación de un test es un concepto estadístico asociado a la verificación de una hipótesis. .Prueba Kolmogorov-Smirnov de bondad de ajuste. 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 significativas que las que se pudieran encontrar en las anteriores replicas del experimento.valor) es una medida del grado en el cual los resultados obtenidos son verdaderos. ala pura suerte (“de Chiripa”) Si se asume que en la población no existe relación entre las variables. Si el valor P es inferior al nivel de significación.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. 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. o "falso positivo").

La prueba Chi-cuadrado se define por la hipótesis:  Hipótesis Ho Ha: Los datos siguen una distribución especificada.r . 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 6 . 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. Este estadístico. como la binominal y la de Poisson y a cualquier distribución univariada a la se pueda calcular con facilidad la función de distribución acumulada.  Estadística de prueba Para calcular el estadístico de bondad de ajuste (Chicuadrado). los datos se dividen en k cajas y la 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.Siendo Oi los eventos observados en el intervalo i y Ei los esperados en la hipótesis de que los datos provengan realmente de la distribución considerada. Los datos no siguen la distribución especificada.cuadrado se utiliza para comprobar si una muestra de los datos procedede una población con una distribución específica. La prueba Chi-cuadrado se puede aplicar a las distribuciones discretas. se distribuye aproximadamente como una Chi-cuadrado con k . donde r es el número de parámetros de la distribución estimados a partir de la muestra La prueba Chi .1 grados de libertad. Las pruebas de Kolmogorov-Smirnov y Anderson-Darling se limitan a las distribuciones continuas.

si existen grandes discrepancias entre estas frecuencias el estadístico tomará un valor grande y. La prueba de Kolmogorov-Smirnov. 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. Estadígrafo de prueba Para dos colas el estadístico de prueba viene dado por 7 . Si existe concordancia entre las frecuencias observadas y las esperadas el estadístico tomará un valor igual a 0. H0 Donde t representa el valor proporcionado por las tablas. por el contrario. H1: La distribución observada no se ajusta a la distribución teórica. Hipótesis Ho: La distribución observada se ajusta a la distribución teórica. 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. se rechazará la hipótesis nula. en consecuencia. La región crítica La región crítica estará situada en el extremo superior de la distribución Chi-cuadrado con k-1 grados de libertad. según el nivel de significación estadística elegido.la muestra. En caso contrario se rechaza.  Regla de Decisión: Se acepta H0 cuando .

exponencial. lognormal. H a: Los datos no siguen la distribución especificada Estadístico El estadístico de prueba de prueba como: de Anderson-Darling se define A2 = − N − S S  N  i 1 ( 2i  1)  ln F (Yi )  ln(1  F (YN N  1  i )) ) Donde F es la función de distribución acumulada de la distribución especificada.Donde F(x) es la distribución presentada como hipótesis. En la prueba KS los valores críticos no dependen de la distribución que se esta poniendo a prueba. 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. 8 . 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. 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. Regla de Decisión Si Dn+ > W1- Rechazamos Ho o si Si Dn.< 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. en la prueba Anderson-Darling para el cálculo de valores críticos se hace uso de la distribución que se esta poniendo a prueba.

5669 = 0. AJUSTE DE UNA DATA A UNA DISTRIBUCIÓN LOGNORMAL.588879  área bajo 12.4364 = 0.3259 y Desviación Estándar 5. 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.667559  área bajo 13. Región crítica: Los valores críticos para la prueba de Anderson-Darling dependen de la distribución específica que se está probando.04463 = 0.3058 = 0. 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 11.733538 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 9 .1752 = 0.45928  área bajo 9.497662  área bajo 11.396064  área bajo 10. Se tratara de ajustar la data a una distribución lognormal.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.

20 0.0 10..f.74254 con 2 d. P-Value = 0.0 20.253785 Por ser el P-valor mayor o igual a 0.47 0. para este caso aceptamos la hipótesis alternativa de que la variable LOGNORMAL se ajusta a una distribución lognormal.0 35 38.84 Sobre 20.253785 .03 Chi-Square = 2.0861148.Esperada Limite Limite Frequen Frequen Chisquare Debajo de 5.62 0. Estadística Estimada de Kolmogorov DPLUS = 0.0 15.10.31 15. la máxima distancia es 0. el menor valor de P-valor es 0.0861148 P-Valor Aproximado = 0.0792284 Estadística Estimada de Kolmogorov DMINUS = 0. no podemos rechazar la hipótesis de que Tiempos de Fallas provenga de una distribución Normal con un 90% o más de confianza.0861148 Estadística Estimada de Kolmogorov GLOBAL = 0.0 8 8. 10 .0 56 51.52 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.0 12 15.45 10.

7 y que S (t)=0. 11 . En la gráfica se observa que para T=8. La mediana es el tiempo para el cual: S (t)=0.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.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.5 Usando las fórmulas la probabilidad de supervivencia a los 8 meses es 0. 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. como esta distribución tiene dos parámetros.7019. S (t) es aproximadamente 0. para t=10 aproximadamente.

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. cualquier test planeado posiblemente falle. El factor de aceleración A se usa para calcular una proporción de fallas aceptable p a y una proporción de inaceptable referida como pb: donde F es la CDF de la normal estándar. se determina con la CDF y es la probabilidad (Ho) de que sobreviva 100. Siempre es posible establecer una buena conjetura sobre el valor de uno de los parámetros. 12 .Estas suposiciones transforman el problema de confiabilidad en un problema de Muestreo de Aceptación de Lotes. con un parámetro conocido es posible desarrollar un test aceptable para los tiempos de fallas. 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. sin una buena conjetura sobre el valor de uno de los parámetros. el valor de Tu. El máximo valor del factor de aceleración es A.Debido a la censura.000 e- (p0 ) donde  es la inversa de la distribución normal estándar. 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.

00 .0 9000.0 10000.80 {G} 9.0 20000.000 0.001 0.000 6000.0 15000.250 0.0 18000.00 Lognormal Quantile Modelo Exponencial 13 2.0 5000.625 1.500 {G} Hazard Fn 2.00 12000.00 0.0 TIEMPOSUP -1.0 8.20 8.0 15000.0 12000.000 0.60 -2.90 9000.750 0.0 TIEMPOSUP Lognormal Survival GRAFICA 1.001 0.500 0.0 {G} 9.Lognormal Hazard Fn grafica 3.0 TIEMPOSUP Lognormal Hazard Rate GRAFICA 0.001 {G} Hazard Rate 0.000 6000.0 18000.00 1.000 Lognormal Probabilidad 9.0 15000.875 0.50 Ln(Time) Survival 0.750 0.

179 260 390 4 0.25 Media 261. los puntos (pares) graficados deben caer sobre de la línea recta con pendiente  / ln10. Estadística descriptiva Estadística Valor Percentil Valor Tamaño de la muestra 40 Min 10 Rango 1190 5% 15.001 0.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 . Se desea conocer si la ley que rige los tiempos de falla de estos componentes es una distribución exponencial negativa.055 .9 Asimetría 1.25 Error estándar 41.128 520 650 4 0.103 14 Densidad 0.436 130 260 7 0.5 Coef.15 10% 23.146 0.103 390 520 5 0. de variación 1.42 50% (Mediana) 161.0164 75% (Q3) 446.003 0.25 Desviación estándar 265.237 0.967 90% 601.0 25% (Q1) 53.5 Curtosis 3.6021 95% 886.001 0.F(t)} y x = t. entonces log (y) es lineal en base a log(x) con una pendiente de ln10.090 0. 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. De esta manera podemos construir nuestro propio papel de probabilidades exponencial usando un papel semilogaritmico estándar.001 0. Para cada valor de t determinamos el par (t.0049 Max 1200 Estadísticas descriptivas para los intervalos : Límite Límite Frecuenci Frecuencia inferior superior a relativa 0 130 17 0.385 0.001 Densid ad 0. Si la data se ajusta a una distribución exponencial.0 Varianza 70449. F (t)).

000 0.005 Parámetros =0.034 0.000 0.650 780 910 1040 1170 780 910 1040 1170 1300 Distribución 1 Exponencial 0 1 0 0 1 0.000 0.000 0.000 0.000 0.5225 1 Análisis Estadístico Se presentan los resultados de las pruebas estadísticas para determinar si la data puede ser adecuadamente modelada por una distribución exponencial.021 0.013 0.00383 Bondad de ajuste – Resumen Distribución 1 Exponencial Kolmogorov Smirnov Anderson Darling Chi-cuadrado Estadística Rango Estadística Rango Estadística Rango 0.000 0.09134 1 0. 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.000 0.008 0.37797 1 1.026 0. 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 15 .026 0.

3 0.05.2 0.3 0.9 0. Graficas de Densidad y de Supervivencia Función de distribución acumulativa Función de supervivencia 1 1 0.2 0.4 0. se puede aceptar la hipótesis nula H0.8 0.5 0.7 0. El riesgo de rechazar la hipótesis nula H0 cuando es verdadera es de 92.9 1 .6 P (Empírico) Exponential 16 0.7 0.4 0.4 0.8 0.1 0.3 0.4 0.1 0.7 0.8 0.9 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=0.5 0.085 0.9 0.2 0.2 0.6 0.929 0.6 P (Modelo) S(x) 0.1 0 0 0 200 400 600 800 1000 1200 0 200 400 600 Muestra 800 1000 1200 x x Muestra Exponential Exponential Probabilidad-Probabilidad 1 0.1 0.7 0.8 0.85%.5 0.Prueba de Kolmogorov-Smirnov: D p-valor Alfa 0.3 0.5 0.6 F(x) 0.

La Función de distribución de Weibull
Un modelo de distribución que se utiliza con bastante frecuencia para modelar los tiempos de 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:
.
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
17

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.
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:
f(x) 

γ x  μ (γ 1)
(
) exp(  ((x  μ)/α) γ )
α
α

x  ;  ,  0

18

donde es el parámetro de forma, es el parámetro de escala .El caso donde
= 1 es llamado la distribución Estándar de Weibull.

=0 y

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
1,1
2,1
5,1

D
EN
SID
A
D

1,6
1,2
0,8
0,4
0
0

5

X

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

19

6 0.1 0.1 1.5.5.2 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 ≥ 0.1 5.P ro b. 20 .1 5.5. g > 0 La siguiente es la grafica de la función de riesgo de la distribución Weibull con un valor de 0.8 0. 2.1 2.Escala 0.Escala 0.1 2. 1.1 1.1 Riesgo 80 60 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%. y 5 Funcion Riesgo Weibull 100 Forma.4 0. Acum ulada Weibull Acumulada 1 Forma.

R IE S G O R IE S G O A C U M U L A D O RIESGO ACUMULADO WEIBULL 15. 1.000 {G} 11.0 48750.5. y 5.750 0.250 7.5. y 5.500 3.1 1.Escala 0.1 2.0 37500. Supervivencia La siguiente es la grafica de la función de la Supervivencia de la probabilidad de la distribución Weibull con un valor de : 0.000 15000.4 0.1 5. 2.1 0. 21 .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: x > 0:  > 0 S(x) = exp-(x) Prob.5.0 60000.6 0. 2. Supervivencia Weibull 1 Forma. 1.2 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 : 0.0 26250.8 0.

7343 25% (Q1) 0.2652 6.517 1.1 5.426 3.294 1.774 3.223 2.507 4.511 0.5.023 Rango 8.810 0. Considérese un nivel de significancia alfa de 5%.968 4.836 3.7135 Coef.538 5.2979 Varianza 3.491 1.230 2.849 .725 2.234 1.624 0. logSupervivencia Weibull Distribución 3 Forma.325 2. Pruébese la hipótesis nula de que la variable aleatoria vida útil de las baterías sigue una distribución exponencial negativa.Prob.023 3.343 0.186 2.514 2.406 2.323 0.088 5.064 3.330 0.225 2.334 3.214 7.514 0.702 Estadística descriptiva Estadística Valor Percentil Valor Tamaño de la muestra 50 Min 0.Escala 0.920 0.2679 10% 0.401 0.246 0.025 1.1 1.1 2.85207 75% (Q3) 22 3.490 0. 8.782 4.761 1.685 2.563 0.267 0.20745 Media 2.778 1.587 0. de variación 0.921 1.333 1.9324 50% (Mediana) 1.1 -7 -17 -27 -37 0 5 10 15 x 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.742 Desviación estándar 1.458 0.2 5% 0.634 1.064 0.334 1.

3749 1.9074 No No No No 0.16959 0.2 7.223 Bondad de ajuste .21068 0.22604 No No No No No 0.1 0.07 13.02 0.5018 3.1 0.388 15.2893 9.2892 3.05 0.17848 7 0.90985 16 0.95823 10 0.05 0.06894 0.2494 95% 6.27329 90% 5.02 0.Detalles Weibull (3P) Kolmogorov-Smirnov Tamaño de la muestra Estadística Valor P Rango  Valor crítico Rechazar? 50 0.02 0.2 1.1 0.9286 No Chi-cuadrado Grados de libertad Estadística Valor P Rango  Valor crítico Rechazar? 5 1.057 Asimetría 1.01 0.05 0.18841 0.Error estándar 0.01 2.4013 Max 8.2 0.5277 0.9156 Curtosis 1.2364 No Ajuste de una data a una distribución Weibull 23 No .086 No No N Anderson-Darling Tamaño de la muestra Estadística Rango  Valor crítico Rechazar? 50 0.01 11.1484 0.

725 2.2 5% 0.836 3.538 5.507 4. de variación 0.186 2.810 0.702 6.088 5. Anderson-Darling y Chi-cuadrado Bondad de ajuste .2679 10% 0.920 0.2652 Error estándar 0.214 7.20745 Media 2.968 4.057 Asimetría 1.2979 Varianza 3.458 0.330 0.742 Desviación estándar 1.921 1.064 0. 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.517 1.401 0.064 3.511 0.490 0.294 1.563 0.023 Rango 8.7135 Coef.223 2. Considérese un nivel de significancia alfa de 5%.85207 75% (Q3) 3.323 0.9324 50% (Mediana) 1.491 1.587 0.761 1.223 Se puede probar si la distribución Weibull ajusta adecuadamente a los datos de tiempo de vida.333 1.325 2.7343 25% (Q1) 0.225 2.343 0.025 1. Pruébese la hipótesis nula de que la variable aleatoria vida útil de las baterías sigue una distribución exponencial negativa.023 3.Detalles Weibull (3P) Kolmogorov-Smirnov Tamaño de la muestra 50 Estadística 0.782 4.234 1.230 2.27329 90% 5.267 0.514 0.778 1.774 3.624 0.849 Solución La tabla presenta las estadísticas de la data tiempo de vida Estadística descriptiva Estadística Valor Percentil Valor Tamaño de la muestra 50 Min 0.634 1.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.426 3.685 2.06894 24 .334 3.2494 95% 6.406 2.246 0.514 2.9156 Curtosis 1.4013 Max 8.334 1. 8.

0689363 0.130632 0.130632 0.2 Valor crítico Rechazar? 1.02 0.16959 0.05 0.9074 No No No No 0.07 13.2 Valor crítico Rechazar? 7.95823 10  0.0689363 0.2 Valor crítico Rechazar? 0.01 0.1 0.05 0.02 0.2892 3.5277 0.3749 1. Pruebas de Bondad-de-Ajuste para tiempo de vida Prueba de Kolmogorov-Smirnov DMAS DMENOS DN Valor-P Normal 0.086 No No No Anderson-Darling Tamaño de la muestra 50 Estadística 0.2364 No No En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son mayores que 0.1484 0.17848 Rango 7  0.01 2.2893 9.1 0.Valor P Rango 0.21068 0.02 0.22604 No No No No No 0.18841 0.5018 3.9286 No Chi-cuadrado Grados de libertad Estadística Valor P Rango  5 1.364094 Weibull (3-Parámetros) 0.05 0.01 11. Pruebas de Bondad-de-Ajuste para Tiempo de vida 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.388 15.1 0.122675 0.0497935 0.971407 25 .90985 16 0.05 lo que indica que la data tiempo de vida proviene de la distribución Weibull 3P.

0998 -95.1726 -95.0644522 0.5 d e n s id a d 0.3 0.11322 0.386 -103.618 -102.2176 -90.0859146 0.0729389 0. con el uso de las graficas: histograma de frecuencias.9436 -94.3529 -90.0689363 0.541 KS D 0. Se puede evaluar visualmente que tan bien se ajusta la distribución y determinar los valores puntuales del riesgo y la supervivencia.126432 0.156939 Evaluación visual de las graficas.10. de la grafica de riesgo y grafica de supervivencia Función de Densidad 0.0921058 0.195 -103.4 Distribución Lognormal Normal Weibull (3-Parámetros) 0. Distribución Weibull (3-Parámetros) Weibull Gamma Exponencial Loglogística Lognormal Valor Extremo Más Grande Birnbaum-Saunders Logística Normal Laplace Parámetros Est.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. 3 2 2 1 2 2 2 2 2 2 2 Log Verosimilitud -90.1 0 0 2 4 6 tiempo de vida 26 8 10 . Por ser el P-valor mayor o igual a 0.971407.130632 0.1286 -90. El menor valor de P-valor es 0. la máxima distancia es 0.211992 0.0926777 0.0689363. la distribución de mejor ajuste es la distribución Weibull de 3 parámetros. no podemos rechazar la hipótesis de que la data tiempo de vida provenga de una distribución Weibull 3P.7681 -100.2 0. 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.

3 2 2 1 2 2 2 2 2 2 2 Log Verosimilitud -90.1286 -90. Distribución Weibull (3-Parámetros) Weibull Gamma Exponencial Loglogística Lognormal Valor Extremo Más Grande Birnbaum-Saunders Logística Normal Laplace Parámetros Est. la distribución de mejor ajuste es la distribución Weibull de 3 parámetros.11322 0.618 -102.195 -103.0644522 0.0921058 0.0859146 0.0729389 0.0926777 0.1726 -95.0998 -95.3529 -90.9436 -94.DISTRIBUCION DE FRECUENCIA 12 Distribución Normal Weibull (3-Parámetros) frecuencia 10 8 6 4 2 0 -1 1 3 5 7 9 11 tiempo de vida Fu nción Estimada de Su pervivencia P rob de s upervivencia 1 0.541 27 KS D 0.130632 0.126432 0.6 0.4 0.7681 -100.8 0.156939 .0689363 0.2 0 0 2 4 6 tiempo de vida 8 10 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.211992 0.386 -103.2176 -90.

DISTRIBUCION DE FRECUENCIA 12 Distribución Normal Weibull (3-Parámetros) f r e c u e n c ia 10 8 6 4 2 0 -1 1 3 5 7 tiempo de vida 28 9 11 .

29 .

La función Lognormal está caracterizada por los dos parámetros μ y σ. la expresión general de la función de densidad de probabilidades de la distribución Lognormal es la siguiente: f(t)  e  ( ln (( t  θ)/m)2 /( 2σ 2 )) (t  θ)σ 2π donde es el parámetro de forma. Si X~ N() es una distribución normal.N() donde = 0 se llama la distribución lognormal de 2 parámetros. que no son su media y desviación típica. la variable y = ((ln(t) – / es una variable normal estándar. es el parámetro de localización y  es el parámetro de escala. El caso donde = 0 y  = 1 se refiere como la distribución lognormal 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. Una variable t esta lognormalmente distribuida si Y = ln(t) esta normalmente distribuida. es decir de media igual a 0 y desviación típica igual a 1. La distribución Lognormal Estándar La expresión general de la función de densidad de probabilidades de la distribución Lognormal Estándar es la siguiente: 30 . en consecuencia. La variable t sigue una distribución lognormal si ln(t) tiene una distribución normal de media μ y varianza σ².(y) Siendo  la función de distribución acumulativa de la normal estándar. entonces: exp(X) ~ Log.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 función de supervivencia se puede escribir como: S(t) = 1.

2

f (t ) 

e  ((ln t ) / 2 2 )
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
1,0,5
1,1
1,2

0,9
0,6
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:
F ( X )  (

ln( 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

Prob. Acumulada

1

M edia,Desv. T íp.
1,0,5
1,1
1,2
1,5

0,8
0,6
0,4
0,2

31

0
0

5

10

X

15

20

Función de riesgo de la distribución Lognormal
La expresión de la función de riesgo de la distribución Lognormal es:
1
ln t
t
h(t ,  ) 
(
)
_ ln t

(
)

R I E SG O

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
3 son las graficas de la función de riesgo de la distribución
Media,Desv. T íp.
Lognormal, para los mismos valores
de la media 1 y para una desviación típica de
1,0,5
2,5
y 5)
1,1
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

P rob. S perv

1
Media,Desv. T íp.
1,0,5
1,1
1,2
1,5

0,8
0,6
0,4
0,2

32

0
0

5

10

x

15

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

Prob L og Superv

Distribucion Lognormal
9
-1
Media,Desv. T íp.
1,0,5
1,1
1,2
1,5

-11
-21
-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
7
39
280
20
64

9
28
75
28
20
39

3
28
120
39
43
110

15
28
390
28
43
75

3
75
460
11
28
43

4
75
210
14
64
93
33

19392 0.1 0. Anderson-Darling y Chi-cuadrado.25843 Rechazar? No No No No No Anderson-Darling 34 .11605 0.16966 0.0 25% (Q1) 18.05 0.5 Curtosis 6.7 Varianza 10386.079 10% 6. 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 Tamaño de la muestra Estadística Valor P Rango 38 0.533 90% 217.9198 Max 460 Pruebas de Bondad de Ajuste para NMP/100 ml La tabla presenta los detalles de las pruebas: Kolmogorov-Smirnov.2 0. de variación 1.21544 0.64318 12 a 0.91 50% (Mediana) 39 Coef.24089 0.6175 95% 393.01 Valor crítico 0.150 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 74.3757 75% (Q3) 75 Error estándar 16. se usaran para determinar si la data NMP/100 ml puede ser modelada adecuadamente por la distribución lognormal.02 0.75 Desviación estándar 101.0 Asimetría 2.

05 0.2892 3. Pruebas de Bondad-de-Ajuste para NMP/100 ml 1.9886 7. En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son mayores que 0.Tamaño de la muestra Estadística Rango 38 0.0858608 0.2247 0.117279 0.5018 3.02 0.668 13.3749 1.277 Rechazar? No No No No No 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 0.05 lo que indica que la data NMP/100 ml proviene de la distribución lognormal.9074 Rechazar? No No No No No Chi-cuadrado Grados de libertad Estadística Valor P Rango 4 1.01 Valor crítico 1.117279 0.01 Valor crítico 5.2 0.05 0. 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.Test Kolmogorov-Smirnov DMAS DMENOS DN Valor-P Lognormal 0.02 0.87401 14 a 0.2 0. 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 0.28508 8 a 0.9286 2. 35 .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.06.7794 9.1 0.1 0.4877 11.117279.

62 0. Valor-P = 0.70 Chi-Cuadrada 0. Prueba Chi-Cuadrada de la data NMP/100 ml Límite Límite Frecuencia Inferior Superior Observada menor o igual 37.04 8.0 13 75. La prueba chi-cuadrada 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.5 2 112.10.03 Chi-Cuadrada = 4.0 3 Frecuencia Esperada 19.199563.16 2.15 3. no podemos rechazar la hipótesis de que la data NMP/100 ml provenga de una distribución lognormal.12 2. Por ser el P-valor mayor o igual a 0.89 0. con el uso de las graficas: histograma de frecuencias. 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.83 2.l. no podemos rechazar la hipótesis de que la data NMP/100 ml provenga de una distribución lognormal Evaluación visual de las graficas.5 17 37. Por ser el P-valor mayor o igual a 0.87 0.01 0.0 112.199563 El P-valor es 0.672761.0 1 mayor 225.22 2.0 225. de la grafica de riesgo y de la grafica de supervivencia Histograma para NMP/100 ml fre c u e n c ia 30 Distribución Lognormal 25 20 15 10 5 0 0 100 200 300 400 NMP/100 ml 36 500 600 .5 75.10.64677 con 3 g.El menor valor de P-valor es 0.5 150.0 2 150.

37 .8 0.4 0. 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.6 Media. Est. un histograma suavizado el cual muestra la forma de la distribución de la cual proviene la muestra.1.4 0.Desv.21 0. Est. 3.1. 3.62.Lognormal 1.2 0 0 2 4 x 6 8 10 p ro b ab ilid ad d e su p erviven cia Lognormal 1 0.Desv. 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.62.2 0 0 2 4 6 x 8 10 La traza de densidad para NMP/100 ml.2 rie s g o 1 0. Una traza de densidad es. esencialmente.8 Media.6 0.21 0.

1 2.2 y 5.Escala 1.001) 6 d e n s id a d 5 4 3 2 1 0 0 100 200 300 NMP/100 ml 400 500 DISTRIBUCION DE VALORES EXTREMOS-GUMBEL La distribución de valores extremos.4 0.1 0.3 Moda. referida como la distribución de Gumbel.1 0 38 -4 -2 0 2 x 4 6 8 . una basada en el extremo inferior y otra basada en el extremo superior. La expresión general para la función de densidad de la distribución Gumbell es: f ( x)  1  x  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: f ( x)  e 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. Distribucion Valores Extremos densidad 0.1 5.2 0.Traza de Densidad para NMP/100 ml (X 0. tiene dos formas de expresión.

4 DENSIDAD 0.La ecuación de la distribución estándar de Gumbell para el extremo f ( x)  e x e  e La siguiente es una grafica de la superior se expresa como: función de densidad de la distribución de Gumbell para el caso del extremo x 39 .3 Extremo Inferior 1.1 0.2 0.La grafica presenta la función de densidad de la distribución de Gumbel para el caso del extremo inferior (mínimo) y parámetros 1 y 1. Distribucion Gumbell 0. Cuando  = 0 y  = 1 se refiere como la distribución estándar de Gumbell para el extremo superior (máximo).1 0 -4 -2 0 2 4 x La expresión general para la función de densidad de la distribución de Gumbel para el caso del extremo superior es f ( x)  1  x  x  e  e e  donde  es el parámetro de localización y es el parámetro de escala.

Escala 1.3 Extremo Superior Extremo Superior 5.1 0. 40 .4 0.2 y 5.8 0.superior (máximo) y con parámetros 5 y 1.1 0 0 2 4 6 8 x Función de Distribución Acumulada de Gumbel 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 0. Acumulada 1 Moda. Valor Extremo Distribución Prob.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 con parámetros 1 y 1.4 0.1 0.1 5.1 2.6 0. Distribucion Gumbell DENSIDAD 0.

Acumulada Valores Extremos 1 Probab Acumulada 0.1 0.8 0.6 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 0.4 0.5 y 1.8 Extremo Superior 5.Acumulada Valores Extremos Inferior Probab Acumulada 1 Extremo Inferior 1.6 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 1.4 0.1 0. 41 .

5 x La ecuación de la función del riesgo de la distribución de Gumbel para el extremo superior se expresa como: La siguiente es una grafica de la función del riesgo de la distribución de Gumbel para el extremo superior con parámetros 5 y 1.1 Riesgo 16 12 8 4 0 0 2 4 x 42 6 8 .1 Riesgo 16 12 8 4 0 -4.Riesgo Valores Extremos Extremo Inferior 24 20 Extremo Inferior 0. Riesgo Valores Extremos Extremo Superior 24 20 Extremo Superior 5.5 -2.5 -0.5 3.5.5 1.

5752 0.5752 es el número de Euler Los parámetros de Gumbel Superior con el método de los momentos son: β S 6 π donde Y   x  0.6 25% (Q1) 253.0 Varianza 4590.5 43 .5772  y s son la media y la desviación estándar de la muestra.25 Media 300. 1.03 10% 221. 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 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% 203.4 0. Mediana Moda Rango Desviación Estandar Sesgo Curtosis Coeficiente De variacion MEDIA Menos Infinito –Mas Infinito..Las formulas de los estadisticos de Gumbel Extremo superior .13955 5.

99 44 500 .6 0.1516 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.8275.8 0.25 Error estándar 12.1 Curtosis 2. de variación 0.22582 75% (Q3) 314.4 0.Desviación estándar 67. Función de distribución acumulativa 1 0.7 F(x) 0.Resumen # Distribución Kolmogorov Smirnov Estadística 1 Gumbel Min Anderson Darling Rango Estadística 0.53 y un parámetro de Escala de 52.9  área bajo 411.5  área bajo 374.28077 1 Chi-cuadrado Rango 3.5 0.645 = 0.258 95% 479.3 0.1 0 200 250 300 350 400 450 x Muestra Gumbel Min Las Areas bajo esta distribución son:  área bajo 87.5 Asimetría 1.754 50% (Mediana) 291 Coef.203 = 0.1  área bajo 311.9 0.164 = 0.3598 1 Estadística Rango 7.5917 1 Parámetro de Forma =330.53 Bondad de ajuste . Resultados de ajuste # Distribución Parámetros 1 Gumbel Min =52.586 = 0.2 0.01  área bajo 211.37 90% 397.5117 = 0.827 =330.

3598 1 7. Función de Supervivencia Acumulada 45 .0176537 Por ser el P-valué menor de 0. De la gráfica deducimos que para T=250 horas S(t) es aproximadamente 0.05 podemos aceptar la hipótesis.. con un 95% o más de confianza.280772.28077 1 3..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.75 y que S(t) = 0.280772 P-Valué = 0. el menor valor de P-valué es 0.. la máxima distancia es 0.0758911 Estadística Estimada de Kolmogorov GLOBAL = 0.5 para T = 300 horas aproximadamente.Bondad de ajuste – Resumen # Distribución Kolmogorov Smirnov Anderson Darling Chi-cuadrado Estadística Rango Estadística Rango Estadística Rango 1 Gumbel Min 0. 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.280772 Estadística Estimada de Kolmogorov DMINUS = 0.5917 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.

Función de supervivencia 1 0. La expresion general para la función de densidad de la distribución Gumbell es: f ( x)  1  x  x  e  e e  donde es el parámetro de localización y es el parámetro de escala.8 0.8 0.6 0.2 0.se expresa como: 46 . referida como la distribución de Gumbel.7 0. El caso cuando  = 0 y  = 1 se refiere como la distribución estándar de Gumbell.2 0. una basada en el extremo inferior y otra basada en el extremo superior.4 0.3 0.7 S(x) 0. La ecuación de la distribución estándar de Gumbel.2 0.5 0.8 1 P (Empírico) Gum bel Min DISTRIBUCION DE VALORES EXTREMOS-GUMBEL La distribución de valores extremos.5 0.1 0.6 0. Probabilidad del Modelo Probabilidad-Probabilidad 1 0.9 0.4 0.4 0.9 P (M o d e lo ) 0.1 0 200 250 300 350 400 450 500 x Mues tra Gumbel Min Función de Probabilidad Empírica vs. tiene dos formas de expresión .6 0.3 0.

1 0 -4 -2 0 2 4 x La expresión general para la función de densidad de la distribución de Gumbel para el caso del extremo superior es f ( x)  1  x  x  e  e e  donde  es el parámetro de localización y es el parámetro de escala. 47 .4 DENSIDAD 0. Cuando  = 0 y  = 1 se refiere como la distribución estándar de Gumbell para el extremo superior (máximo).2 0.1 0.3 Extremo Inferior 1. La ecuación de la distribución estándar de Gumbell para el extremo superior se f ( x)  e x e  e expresa como: x 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.: Distribucion Gumbell 0.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.

8 Extremo Inferior 1. 48 .4 Extremo Superior 5.1 0.Distribucion Gumbell Extremo Superior DENSIDAD 0.4 0.6 0.3 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: La siguiente es una grafica de la función distribución acumulada de Gumbel para el extremo inferior y con parámetros 1 y 1.1 0. Acumulada Valores Extremos Inferior Probab Acumulada 1 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 1.2 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: La siguiente es una grafica de la función distribución inversa acumulada de Gumbell para el extremo superior.4 0.6 0.1 0. 49 .8 Extremo Superior 5.Acumulada Valores Extremos 1 Probab Acumulada 0.

1 16 12 8 4 0 -4.5 y 1.5 3.5 x La ecuación de la función del riesgo de la distribución de Gumbel para el extremo superior se expresa como: La siguiente es una grafica de la función del riesgo de la distribución de Gumbel para el extremo superior con parámetros 5 y 1. Riesgo Valores Extremos Extremo Inferior 24 Riesgo 20 Extremo Inferior 0.5 1.5 -0.5 -2.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. 50 .5.

1 Riesgo 16 12 8 4 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: La siguiente es una grafica de la función del riesgo de la distribución de Gumbel para el extremo inferior.Riesgo Valores Extremos Extremo Superior 24 20 Extremo Superior 5. La ecuación de la función Acumulada del riesgo de la distribución de Gumbel para el extremo superior se expresa como: 51 .

La ecuación de la función de Supervivencia de la distribución de Gumbel para el extremo superior se expresa como: 52 .La siguiente es una grafica de la función del riesgo de la distribución Gumbell para el extremo superior. de La ecuación de la función de Supervivencia de la distribución de Gumbel para el extremo inferior se expresa como: La siguiente es una grafica de la función de Supervivencia de la distribución de Gumbel para el extremo inferior.

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 .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 La ecuación de la función de la Inversa de la Supervivencia de la distribución de Gumbel para el extremo superior se expresa como: 53 .

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 54 .13955 Sesgo 5.4 Curtosis Coeficiente De variacion MEDIA 0. Las formulas de los estadisticos de Gumbel Extremo superior .. Rango Desviación Estandar 1.5752 0.La siguiente es una grafica de la función Inversa de la Supervivencia de la distribución de Gumbel para el extremo superior.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. Mediana Moda Menos Infinito –Mas Infinito.

el rango de valores es de 195 horas hasta 500 horas y se ajusta a una distribución de Valores Extremos .586 = 0.8275. el menor valor de P-valué es 0. Algunas áreas de bajo esta distribución son:  área bajo 87.526 y un parámetro de Escala de 52.280772 Estadística Estimada de Kolmogorov DMINUS = 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.5  área bajo 374.transporte lacustre en el lago de Maracaibo.0758911 Estadística Estimada de Kolmogorov GLOBAL = 0. La data GUMBEL presenta 30 valores .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. para este caso aceptamos la hipótesis alternativa de que la variable GUMBEL se ajusta a una distribución de Valores Extremos de Gumbel.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.01  área bajo 211. Se tratara de ajustar la data a una distribución de Valores Extremos .1  área bajo 311.280772.Gumbel con: Parámetro de Forma de 330.164 = 0. la máxima distancia es 0. 55 .203 = 0.9  área bajo 411.99 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 = 0.5117 = 0.645 = 0.280772 P-Valué Aproximado = 0.0176537 Por ser el P-valué menor o igual a 0.

. Predicción de la Confiabilidad  Ensayos de Demostración de la Confiabilidad  Ensayos de vida acelerada en Confiabilidad  Modelo de aceleración de Arrhenius 56 . En la gráfica se observa que para T=250 horas S(t) es aproximadamente 0.5 para T = 300 horas aproximadamente.75 y que S(t) = 0..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.

5 0. Significado del Mtbf de un dispositivo. a partir de esta predicción de la confiabilidad se puede constatar el cumplimiento de los requerimientos de confiabilidad y de mantenimiento. se debe estimar la fiabilidad del equipo o del sistema en función de los datos de diseño y de la confiabilidad de los componentes.  Calculo del MTBF  Los intervalos de confianza del MTBF c u m u la tiv e p e r c e n t Weibull Plot 99. 57 .1 10 100 1000 10000 Hours     t  273.16 1 F  exp  H * 1160 *     1 1 t 2      273.16     Predicción de la Confiabilidad Para formular una predicción de la confiabilidad.9 99 90 70 50 30 20 10 5 Temperature 150 175 200 1 0.

datos de la norma MIL-STD-217 o datos del fabricante. la relación usual es la de Arrhenius. cuanto mayor sea el tamaño de la muestra y el tiempo de ensayo. las tablas más utilizadas son las normas MIL.La información de la confiabilidad de los componentes individuales y los métodos de cálculo están disponibles en normas y tablas. por ejemplo si el esfuerzo es temperatura. la relación más común es la de potencia inversa. estados sólidos y semiconductores. Cuando el tiempo de la prueba se especifica y algunas unidades no han fallado hasta ese momento. más exacta será la estimación del MTBF. 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. las variables de aceleración más comunes son la temperatura. lubricantes. En muchas aplicaciones industriales. dependiendo de éstas se aplica una relación vida esfuerzo específica. Si el esfuerzo aplicado en la prueba es voltaje.STANDAD y las normas de Bellcore. etc. se tiene los modelos para pruebas de vida acelerada. datos de laboratorio. lámparas incandescentes. El ensayo determina la confiabilidad de la muestra ensayada. Las distribuciones más usuales para pruebas de vida son: exponencial. voltaje y presión. 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. se pretende demostrar que se cumple con un determinado requisito de confiabilidad. datos de campo. con un cierto grado de confianza. Algunas aplicaciones de esta relación son: aislantes eléctricos y dieléctricos. plásticos. normal. se dice que éstas están censuradas o que se tienen datos censurados por la derecha. La norma MIL-STANDADD-217 establece dos métodos de predicción de confiabilidad. 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. celdas de batería. uno denominado de Relación de Componentes y otro denominado de Análisis de Esfuerzos El método Bellcore permite integrar datos de diferente procedencia. En cualquier caso se necesita el uso de una distribución de prueba de vida. por ejemplo si la relación es potencia 58 . Con los Ensayos de Demostración de Fiabilidad. dependiendo de la distribución utilizada. lognormal. Weibull y de valores extremos (Gumbell).

las más comunes son pruebas de vida acelerada y pruebas de degradación acelerada. medir y demostrar la confiabilidad.inversa y se usa la distribución Weibull. mejorar los procesos producción. una información para localizar debilidades. detectar fallos de diseño o construcción. Los ensayos de vida acelerada (HALT) están destinados a la realización de pruebas de vida acelerada de los materiales. El término aceleración tiene varios significados en el campo de la confiabilidad. se somete a un esfuerzo en condiciones ambientales mayores a las que típicamente estará operando. los mecanismos y los sistemas. de tal forma que la información de la confiabilidad pueda obtenerse más rápidamente. pero el término generalmente implica ir más rápido. Pruebas de vida acelerada Una prueba acelerada de vida es aquella en la cual un artículo o producto de interés. identificar fallas en el diseño. optimizar tolerancias de mecanización y ensamblaje. una información para localizar debilidades. 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. los equipos. Los ensayos de vida acelerada (HALT) están destinados a la realización de pruebas de vida acelerada de los materiales. los mecanismos y los sistemas. Generalmente. 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. Existen diferentes tipos de pruebas de confiabilidad en las fases del proceso de producción del producto. Existe una gran variedad de métodos estadísticos en la aceleración de la vida de un producto complicado que puede fallar de diferentes maneras. 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. detectar fallos de diseño o construcción. la información de las pruebas a altos niveles de una o más variables de aceleración o esfuerzo (como pueden ser temperatura. Los principales objetivos de acelerar la vida de un producto son: estimar la distribución de vida de dicho producto. se tiene el modelo potencia inversa Weibull Ensayos de vida acelerada en confiabilidad Las pruebas aceleradas son muy usadas en la industria manufacturera. corregir defectos incipientes. con el fin de evaluar sus puntos vulnerables. identificar fallas en el diseño. medir y demostrar la confiabilidad. mejorar los procesos de 59 . voltaje o presión) se utiliza para estimar la distribución de vida del producto. de optimizar tolerancias de mecanización y ensamblaje. Los principales objetivos de acelerar la vida de un producto son: estimar la distribución de vida de dicho producto. con el fin de evaluar sus puntos vulnerables. se somete a un esfuerzo en condiciones ambientales mayores a las que típicamente estará operando. particularmente para obtener información de la confiabilidad de sus componentes y materiales. y sobre todo. los equipos.

y sobre todo.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. El objetivo que tienen estos ensayos es reducir el tiempo de prueba necesario para determinar su fiabilidad. El modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas que dependen de las reacciones químicas.16 + grados Celsius) en el momento cuando ocurre la falla y k es la constante de Boltzmann (8. de los procesos de difusión o de los procesos de emigración.16) ] 60 . 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 0.1/T2 ] Usando el valor de k dado arriba.617 x 10-5 en ev/K). Se han desarrollado procedimientos de ensayo basados en la aplicación de un alto nivel de esfuerzo. que han sido aplicados principalmente a componentes individuales.1/(T2 +273. Los ensayos acelerados se basan en acelerar mediante la aplicación de un alto nivel de esfuerzo o acelerar mediante la compresión en el tiempo.16) . 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. esta expresión se puede escribir en términos T en grados Celsius como: F = exp. corregir defectos incipientes. minimizar la incertidumbre para asegurar la capacidad del producto para poder desempeñar las funciones asignadas. la ecuación de Arrhenius se expresa de la siguiente forma: tf = Aexp(H/kT) T denota la temperatura medida en grados Kelvin(273.(H*11605* [ 1/(T1 +273. 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.3 a 1.(H/k) [ 1/T1 .producción. por ejemplo. los cuales cubren la mayor parte de los modos de fallas de tipo no mecánico que causan las fallas en los equipos electrónicos.

15 es la temperatura absoluta en la escala de Kelvin. los cuales cubren la mayor parte de los modos de fallas de tipo no mecánico que causan las fallas en los equipos electrónicos. σ.6171 x 10-5 = 1/11605 es la constante de Boltzmann´s en electrón volts por ° C. T = Temp°C+ 273. 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.16 + grados Celsius) en el momento cuando ocurre la falla. Los parámetros 1. 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. Ley de Arrhenius La ley de Arrhenius mide la velocidad de los procesos. De acuerdo con la ley de Arrhenius. 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. A es una característica de falla del producto en condiciones de prueba.El parámetro de esta formula es  H. k es la constante de Boltzmann (8. usualmente en volts (eV).5(T)] = 1+ (2/T). log[0. la desviación estándar. 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. 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. expresa la velocidad de cambio de una característica por unidad de tiempo. los cuales son estimados de los datos. 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 T denota la temperatura medida en grados Kelvin(273. esto es. La vida del producto tiene un distribución lognormal o el equivalente que el logaritmo de ésta tiene una distribución normal. 2 y σ son características del producto y del método de prueba.617 x 10-5 en ev/K). la cual se llama la relación de Arrhenius. 61 . KB = 8. Ea y A son parámetros del modelo que deben estimarse.

de los procesos de difusión o de los procesos de emigración.(H*11605* [ 1/(T1 +273.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. esta expresión se puede escribir en términos de T en grados Celsius como:     t  273.3 a 1.16 + grados Celsius) en el momento cuando ocurre la falla y k es la constante de Boltzmann (8.16) ] 62 . los cuales cubren la mayor parte de los modos de fallas de tipo no mecánico que causan las fallas en los equipos electrónicos.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.617 x 10 -5 en ev/K). por ejemplo.16     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.5 El factor de aceleración entre dos temperaturas una alta T2 y una baja T1 esta dado por: F = exp(H/k) [ 1/T1 .16) . 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 0.1/(T2 +273.(H/k) [ 1/T1 .16 1 F  exp  H * 1160 *    1  1 t 2      273. la ecuación de Arrhenius se expresa de la siguiente forma: tf = Aexp(H/kT) T denota la temperatura medida en grados Kelvin(273.1/T2 ] Usando el valor de k dado arriba. El modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas que dependen de las reacciones químicas.1/T2 ] Usando el valor de k dado arriba. esta expresión se puede escribir en términos T en grados Celsius como: F = exp.

5 0. A partir de la grafica de Arrhenius construida con la data a altas temperaturas. F= 17. un factor de aceleración entre 25°C y 125°C. se puede analizar las tasas de fracaso a altas temperaturas con un modelo de Arrhenius.675 a 300 grados 10000000000 1000000000 100000000 P o r c e n t il 10000000 1000000 100000 10000 1000 100 30 32 34 36 38 40 1/(k*degrees) c u m u l a ti v e p e r c e n t Weibull Plot 99.El parámetro de esta formula es H.597 si H = 1.5. Un acelerador muy común es la temperatura.9 99 90 70 50 30 20 10 5 Temperature 150 175 200 1 0.0.0 y F= 17.1 10 100 1000 Hours 63 10000 . si H = . Grafica de Arrhenius Mediante un ensayo acelerado se puede incrementar el número de fallas aumentando el estrés causado por una o más variables.597 si H = 1. F = 133. es posible extrapolar los datos a una temperatura de funcionamiento normal Grafica de Arrhenius Porcentil =1.

0% para este percentil se extienden desde 1 143. 125.61 1 200 388. se ajusta con un modelo de Arrhenius 1 de forma P=A*exp(Delta/kT) 1 1 El modelo ajustado se puede utilizar para predecir el percentil correspondiente 1 a una temperatura normal.730577/k * 1 Junction Temp + 273. 617E-5 1 EV/grados K).Temp 80 80 80 80 80 80 80 80 80 80 125 125 125 125 125 125 125 125 125 125 150 150 150 150 150 150 150 150 150 150 175 175 175 175 175 175 175 175 175 175 200 200 200 200 200 200 200 200 200 horas 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 3000 2350 2560 2980 3000 3000 3000 3000 3000 3000 3000 800 1130 1210 1310 1350 1350 1370 1420 1770 1960 220 250 280 330 370 380 460 460 510 Censura Temp P50 1 150 3260. 150.62 1 175 1379.741 hasta 887135. 1 1 En este caso. 1 Extrapolando este modelo a una temperatura de 400 grados se predice un 1 percentil igual a 11292. 1 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 64 .15) donde k = constante de Boltzmann (8.615 1 1 Ejemplo de una grafica de Arrhenius 1 La duración en horas de la aparición de fallas tomadas a cinco temperaturas / 1 80. 0000070398 * exp (0. 175 y 200 grados Celsius). el modelo ajustado es P50 = 0. 1 Los límites de confianza de 95.4.

cumulative percent Weibull Plot 99.1 10 100 1000 10000 Hours Arrhenius Grafico Percentil Estimado = 7.9 99 90 70 50 30 20 10 5 Temperature 150 175 200 1 0.5 0.34999E8 1000000000 a 300 °K 100000000 10000000 P50 1000000 100000 10000 1000 100 29 31 33 35 1/ (k*degrees) 65 37 39 .

EL MTBF 1. 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. El valor del MTBF nos da una medida precisa de la Calidad del producto que diseñamos. MTBF son las siglas de "Mean Time Between Faillure" o "Tiempo Medio de Vida entre Fallas". el MTBF es el producto del número de dispositivos por las horas que llevan funcionando 66 . fabricamos. 2. presión y del ambiente especificadas para el dispositivo. por ejemplo. Significado del MTBF de un dispositivo. Calculo del MTBF 3. Cuando se tiene un cierto número de dispositivos funcionando un determinado número de horas. si se produce un fallo. vendemos o compramos Los componentes de los circuitos. están sometidos a diversos tipos de estrés que determinan su duración. 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. Ejemplo del cálculo del MTBF Determinación de los intervalos de confianza del MTBF SIGNIFICADO DEL MTBF DE UN DISPOSITIVO.

La ocurrencia de fallas se expresa con la inversa del MTBF. El MTBF puede ser bajado por el exceso de vibraciones o de otras formas de abuso. 67 . 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. La unidad de fallas. El MTBF puede ser radicalmente alterado por factores ambientales tales como uso inadecuado de energía y enfriamiento. El MTBF se interpreta como el tiempo de operación esperado o más probable al cual ocurrirá una falla.  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. 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. una vez obtenida la función de confiabilidad R (t) se determina el MTBF.CALCULO DEL MTBF El tiempo medio antes de la falla o el MTBF es una de las medidas mas usada para determinar la disponibilidad de un sistema. FIT (Failure unIT) es equivalente a una falla cada 109 horas para componentes eléctricos MTEF = Tiempo Medio Entre Fallas = 109F.

casas.VARIAC ION DEL M TBF EN FUNC ION DEL LUGAR DE USO Y DE LA TEM PERATURA Años 180 160 Ambiente GB Ambiente GF 140 Ambiente GM 120 100 80 60 40 20 0 0 10 20 30 40 50 60 70 80 T emper atur a en ºC GB: Ambiente benigno. balancín EJEMPLO DEL CÁLCULO DEL MTBF En un campo petrolero se simula un ensayo acelerado para 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. oficinas. GF: Ambiente fijo. garajes. GM: Ambiente móvil.. almacenes. tractores.  Calcular el MTBF sin incluir el pozo 8  Calcular el MTBF considerando como falla el pozo 6. Edificios. camiones. Postes. TERMOCUPLA TIEMPO STATUS 1 12 0 0 2 25 2 1 3 12 5 0 4 145 7 1 5 90 1 6 123 1 0 7 83 7 1 8 13 3 0 9 51 2 1 10 65 7 1 Se requiere:  Calcular el MTBF  Hacer el grafico de la Confiabilidad Y de la Supervivencia. aulas. cabinas. 68 11 75 3 0 12 81 8 0 13 31 5 0 14 12 3 0 15 1333 0 . la columna Status identifica con "1" a los equipos que presentan fallas y con "0" a los equipos a los datos censurados. Automóvil. cabrias.

12 123 1 2.59 1213 1 199.3días.8 0.56 315 1 53.87878 0.66288 109.9375 90 120 1 28.5 252 0.86 753 1 63.5 0. En la grafica c-. Al calcular el MTBF excluyendo el pozo numero 8 se obtiene un valor de 1017.76 GRAFICA DE LA CONFIABILIDAD R(ti) 1 0. Calcular el numero de fallas esperada en los 15 equipos en los próximos 365 días Solución i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 ti R(ti-1) R(ti) R(ti)At 90 0.82 133 1 7.2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Respuesta a-.5303 12. MTBF (Mean Time Before Failure) = 1019.64 1457 0.09 837 0.54 512 0.7575 167.9375 0.4 dias b-.88889 0.26511 65.64 818 1 43.4 0.8522 111.6 0. lo que significa que al excluir datos censurados se pierde información para realizar un calculo adecuado del MTBF.39 1333 1 63.90909 0. 69 .9 657 0.8 0.

El dato de la termocupla del pozo numero 6 e-. 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. MTBF Superior ) como un 100×(1-)% intervalo de confianza para el MTBF  (r > 0) Se usa el MTBFInferior como limite inferior 100×(1- /2)% del MTBF Se usa el MTBFSuperior como limite superior 100×(1- /2)% del MTBF Se usa el intervalo (1/ MTBF Superior . multiplicar el tiempo total por la fila 0 para obtener un 100 × (1- /2) % una banda inferior del MTBF.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. Para estimar el número de fallas esperado en periodo determinado se puede usar la función de distribución acumulada de fallas. Cuando r =0 no hay banda superior. resultado que es sensiblemente diferente al obtenido cuando se considero como censurado. Se asume el intervalo (MTBF Inferior .1 días.  (t) = NF (t) –N (1.d-. Se multiplica el MTBF estimado por los factores inferior y superior para obtener el MTBF Inferior y MTBF Superior Cuando r (el numero de fallas) = 0.4 ) = 10.R (t)) = N (1- -1 e MTBF ) Para un periodo de un año (365 días) el número de fallas esperado será: N (365) = = 15(1- -365 e1019. Si para el análisis de supervivencia se incluye la termocupla del pozo numero 6 como falla se obtiene un MTBF de 989. 1/ MTBF Inferior ) como un 100×(1-% nivel de confianza para  Se usa 1/ MTBF Superior como un limite inferior 100×(1-/2)% para  Se usa 1/ MTBF Inferior como un limite superior 100×(1- /2)% para  Ecuación de los Intervalos de Confianza 70 .49 Determinación de los intervalos de confianza del MTBF           Se estima el MTBF con el tiempo total dividida entre las fallas totales.

4490 0. La expresión para calcular los intervalos de confianza es la siguiente:  MTBFx 2r MTBFx 2r   MTBF  2  > 1- 2    / 2 . Las bandas son exactas para los casos donde uno o mas sistemas no.4674 0.2571 0. y 95% de confianza y se hacen los gráficos de los intervalos de confianza del MTFB. 2 r   P Cuando T = Tiempo Total se obtiene una expresión simplificada de la expresión anterior:  Tx 2 P   2  / 2 .2926 .3340 0.6213 0. 2 ( r  1 ) 1   / 2 .4343 0. Fallas r 60% Inferior para MTBF 0 1 2 3 4 0. 2 r 1)  MTBF   Tx 2  2 1 / 2 .5440 0.7607 2.Los límites de confianza para una situación de Censura Tipo1 se obtienen con las tablas de la distribución Chi-Cuadrado.4260 1.4912 3. Con estas expresiones se pueden obtener los intervalos de confianza inferior y superior para un 60%. Intervalos de Confianza del MTBF núm. Cuando hay cero fallas durante el tiempo de operación de la prueba. 2 r  > 1  Estas bandas son exactas en los casos de una o más sistemas reparables probados para un tiempo fijo. 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. 90%.7416 71 para 80% Inferior MTBF Súper para MTBF 0.reparables son probados para un tiempo fijo y las unidades que fallan son reemplazadas con nuevas unidades durante el curso de la prueba.4814 2.5952 Superior MTBF 4. 80%.3758 0.9543 1.5004 9. solo existe una banda del MTBF.7222 2.

4 8 5 13 .8 69 20 .5 6 0 11 .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 8 0% 24 .4 0 1 9 0% 5 6 . 4 3 9 1 0.8 8 5 1 0 . 9 2 6 2 0. 5 6 4 1 3.8 53 20 .7 1 9 13 . 0 3 6 1 7. 6 6 8 1 5.9 38 IN T R V A L O S U P E R I O R M T B F 6 0% 8 0% 90% 95% 25 00 00 20 00 00 HORAS 6 0% 3 7.4 3 2 1 7 .1 63 21 . 1 4 2 1 1.8 22 14 .6 8 9 2 9 . 9 7 4 1 7.4 52 14 .8 72 23 .3 71 15 .0 2 0 1 2 .4 91 36 .0 8 9 1 4 . 7 6 9 1 3.7 81 18 .8 4 8 11 .8 67 16 .8 4 0 12 .7 14 12 .8 3 1 1 7 .3 7 9 2 2 . 6 0 3 15 00 00 10 00 00 5 0 0 00 0 1 3 5 7 9 11 13 15 INTERVALOS DE CONFIANZA LIMITE INFERIOR Y SUPERIOR 90 Y 95% .8 3 2 1 2 .7 02 30 .5 4 3 17 . 72 17 19 21 23 25 .7 10 13 .2 2 3 1 5 .2 2 6 1 1 . 6 9 4 1 1.0 32 19 .7 98 27 .3 57 13 .3 53 18 . 2 8 0 1 2.3 3 0 1 6 .5 4 1 1 6 .9 7 0 12 .0 9 0 10 .2 4 7 1 3 . 2 6 7 1 2.2 91 17 .1 6 8 1 8 . 3 2 7 1 5.2 7 6 2 5 .3 8 3 1 3 .7 8 1 95 % 82 .3 7 1 11 . 5 5 4 1 9.1 8 4 15 . 0 3 6 1 4.9 0 6 1 6 .0 9 6 1 9 .5 73 48 .1 1 8 12 . 1 8 2 1 6.6 8 7 11 .5 2 9 1 3 .3 4 7 14 .7 8 8 14 .2 6 0 19 .2 49 24 .3 7 0 14 .4 1 6 16 .3 6 7 12 .0 0 0 13 .4 73 12 .9 6 2 2 1 . 5 6 7 1 6. 4 4 6 1 2. 2 2 2 2 2.9 2 9 10 .2 8 1 3 6 .4 5 6 11 .2 90 10 .8 9 3 1 3 .2 8 8 13 . 7 8 4 1 4. 0 7 4 1 5. 9 1 5 1 2.9 97 13 .0 6 3 11 .3 0 7 2 0 . 6 5 2 1 2. 6 0 7 2 7.