1-1

1. CONCEPTOS DE
CONFIABILIDAD
1-2
Objetivo: Presentar los conceptos
indispensables para entender la
confiabilidad
Propósitos
– presentar el concepto de tiempo de vida y falla
– exponer el concepto de distribución de
probabilidad
– definir confiabilidad
– definir MTBF - MTTF
– explicar el ―tiempo de misión‖
– visualizar la velocidad de falla gráficamente
– presentar los elementos de estadística descriptiva
– obtener una distribución empíricamente
1-3
CONFIABILIDAD ¿PARA QUÉ?
• ¿Cuál es la vida promedio del producto?
• ¿Cuántas fallas espera el próximo año?
• ¿Cuánto nos costará desarrollar y dar servicio a este
producto?
• ¿Cómo podemos hacerlo más efectivo en costo?
1-4
TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida útil
de un producto. Durante este período el cliente obtiene
las características ofrecidas intencionalmente.

Cuando cesa la capacidad del producto para entregar la
característica ofrecida al cliente, se considera que ha
habido una Falla del producto. Esto representa el
término del tiempo de vida.
1-5
MODELOS DE TIEMPO DE VIDA
Para modelar el tiempo de vida se asigna una
medida: La frecuencia relativa o la
probabilidad con que ocurrirá el evento.

La regla que asigna valores de frecuencia
relativa o probabilidades a los valores de una
variable se llama Distribución de
Probabilidad
1-6
• Función de Densidad de Probabilidad (pdf), f(t)
– Predice el comportamiento de cualquier situación
probabilística
– Probabilidad de t de caer en algún punto del rango t
1
a t
2


p t t t f t d t
t
t
( ) ( )
1 2
1
2
s s =
}
t
1
t
2
DISTRIBUCIONES DE
PROBABILIDAD
t
f
(
t
)
El área total bajo la
curva siempre es 1 o
100%
1-7
0 5 10
0.0
0.1
0.2
0.3
0.4
t
f
(
t
)
0 100 200 300
0
10
20
30
OBS
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.33333.3333
0.0000 0.0000
3.3333
EJEMPLOS DE DISTRIBUCIONES
DE PROBABILIDAD
56.399 138.573 172.78 39.655
56.554 132.988 45.735 9.52
35.389 234.234 62.171 29.374
56.215 63.378 78.558 46.076
188.26 28.855 75.812 193.45
90.882 49.089 75.492 103.507
132.312 123.442 27.978 107.717
60.465 49.526 145.911 179.036
301.525 71.698 95.475 61.099
302.01 45.352 175.935 46.613
101.978 182.344 34.899 82.272
98.37 225.349 43.461 176.949
64.026 137.758 52.311 145.45
43.881 93.901 49.619 73.873
53.358 77.471 92.019 117.592
PDF Weibull
Histograma
1-8
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
Si acumulamos las probabilidades desde el inicio hasta
un tiempo t
1
, obtenemos la Distribución de
Probabilidad Acumulada {CDF ó F(t)}.



F(t
1
) = P(t s t
1
)
1-9
• Función de Distribución Acumulada
– La Probabilidad de una variable es menor o igual a un valor
específico, e.g., t
1



– Cuando la variable es tiempo de falla, esto
representa la no confiabilidad o la
probabilidad de que una unidad falle
antes del tiempo t
1
}
= s s =
1
0
1
) ( ) 0 ( ) (
t
dt t f t t P t F
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
1-10
F t P t t f t dt
t
( ) ( ) ( ) = s s =
}
0
1
0
1
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
t
f
(
t
)
t
1
No confiabilidad, F(t)
Función de Densidad de Probabilidad
t
F
(
t
)
t
1
Función de Distribución Acumulada
0
1
0
1-11
DEFINICIÓN DE CONFIABILIDAD
Confiabilidad es la probabilidad de que un sistema
ejecute su función de intención sin fallar para un
intervalo específico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.
R(t) = 1 - F(t)

Algunos autores presentan como sinónimos
Supervivencia y Confiabilidad
1-12
t
R
(
t
)
DEFINICIÓN DE CONFIABILIDAD
R t F t f t dt f t dt
t
t
( ) ( ) ( ) ( ) = ÷ = ÷ =
} }
·
1 1
0
t
1
Función de Densidad de Probabilidad Función de Confiabilidad
0
0
1
t
f
(
t
)
t
1
0
1-13
MTBF - MTTF
Si el tiempo de vida para una característica de calidad
es una variable aleatoria y conocemos su distribución
de probabilidad , podemos calcular una medida de
localización, por ejemplo el valor de su media.

El valor medio del Tiempo de Vida se denomina Tiempo
Promedio entre Fallas, MTBF es el acrónimo en
Inglés, y se refiere a una medición básica de
confiabilidad para artículos que se pueden reparar.

MTTF se refiere al Tiempo Promedio de Fallas, esto es
para artículos que no pueden ser reparados.
1-14
0 100 200 300
0
10
20
30
tiempo
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.33333.3333
0.0000 0.0000
3.3333
MTBF - MTTF
La media estimada del
tiempo de vida está marcada
con la línea punteada es de
98.932, se obtuvo
calculando el promedio de
los tiempos
98.932
0 5 10
0.0
0.1
0.2
0.3
0.4
t
f
(
t
)
N
t
m
N
i
i ¿
=
=
1
La media calculada para esta
distribución Weibull es función
de sus parámetros q=2 y |=2
1.77245
|
|
.
|

\
|
+ I =
|
q
1
1 MEDIA
1-15
TIEMPO DE MISIÓN
Tiempo de Misión se refiere al tiempo intentado durante
el cual el producto entrega la característica de
calidad satisfactoriamente.
El Tiempo de Misión es una decisión de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus características.
Tiempo de Misión
¿Qué confiabilidad lograremos?, R(tiempo de misión)
1-16
VELOCIDAD DE FALLA
La Velocidad de Falla ó Tasa de Riesgo o también
Tasa de Falla es la fracción de fallas probables entre
la proporción de supervivientes al tiempo t. Cuando
se conoce la Distribución de Probabilidad de t, se
calcula a partir de
h(t) = PDF / R(t)
Es una medida de la ―mortalidad‖ entre los artículos
que quedan.
La tasa de falla representa la propensión a la falla de un
producto como una función de su edad o tiempo en
operación. La tasa de falla en cualquier tiempo dado es la
proporción que caerá en la siguiente unidad de tiempo
respecto a aquellas unidades que han sobrevivido a este
tiempo.
1-17
TASA DE FALLA O TASA DE RIESGO
Por ejemplo, 1000 motores eléctricos se ponen a prueba
en el tiempo CERO. Cuatrocientos de ellos están
trabajando a las 2000 horas, 50 de ellos fallaron en las
siguientes 100 horas y otros 50 fallaron en las siguientes
horas como lo ilustra la figura.
0 2000 2100 2200 horas
tiempo
1000 400 350 300
No. de
sobrevivientes
La tasa de falla para los motores a las 2000 horas es:
h(2000) = (número de fallas por hora posteriores a las 2000 horas)
número de sobrevivientes a las 2000 horas
= (50/100)/400 = 0.00125 unidades/hora
Similarmente, la tasa de falla a las 2100 horas es:
h(2100) = (50/100)/350 = 0.0014 unidades/hora
1-18
―CURVA DE LA BAÑERA‖
Si se dibuja la tasa de riesgo o falla para una población
a través del tiempo se observa un comportamiento
descrito como la ―Curva de la Bañera‖
t
h(t)
Fallas constantes
Fallas por deterioro o desgaste
Fallas “infantiles”
1-19
0 100 200 300
0
10
20
30
OBS
P
e
r
c
e
n
t
1.6667
8.3333
30.0000
15.0000
13.3333
6.66676.6667
8.3333
3.33333.3333
0.0000 0.0000
3.3333
La Estadística Descriptiva se
orienta a proporcionar una
descripción útil, clara e
informativa de una masa de
datos numéricos.
Esto se hace al considerar
tópicos como:
•la colección y procesamiento de
datos originales,
•presentación tabular y gráfica,
•fuentes de datos,
•distribución de frecuencias,
•medidas de tendencia central y
• medidas de dispersión.
ESTADISTICA DESCRIPTIVA
Un histograma es una descripción
útil, clara e informativa de la
distribución de frecuencias
1-20
Un estadístico es cualquier función de las observaciones en una
muestra aleatoria, que no dependa de parámetros desconocidos
Obsérvese que como un estadístico es una función de los datos
provenientes de una muestra aleatoria, es a su vez una variable
aleatoria.
Es decir, si se obtuvieran dos muestras aleatorias diferentes
provenientes de la misma población y se calcularan las medias
muestrales, podría esperarse que los valores obtenidos fueran
diferentes.
ESTADISTICOS
La media muestral, la varianza muestral, la desviación estándar
muestral y los coeficientes de variación, sesgo y curtosis son
algunos de los estadísticos más comunes.
1-21
Medidas
Descriptivas
Descripción
POBLACION
MEDIA
VARIANZA
COEFICIENTE DE
VARIACIÓN
COEFICIENTE DE
SESGO
COEFICIENTE DE
CURTOSIS
Estadística Descriptiva
MUESTRA
}
O
= dt t tf t E ) ( ) (
¿
=
= =
n
i
i
x
n
x m
1
1 Medida de
tendencia
central
( )
}
O
÷ = dt t f t ) (
2 2
µ o ( )
¿
=
÷
÷
=
n
i
i
x x
n
s
1
2
2
1
1
Medida de
dispersión
la desviación estándar es la
raíz cuadrada de la varianza
Medida del
grado de
variabilidad
µ
o
= CV
( )
( )
2 / 3
2
3
) (
3
o
µ
o
}
O
÷
=
dt t f t
( )
( )
2 / 3
2
1
3
3
ˆ
s
n
x x
n
i
i ¿
=
÷
= o
Medida de
Simetría
Medida de
Agudeza ( )
( )
2
2
4
) (
4
o
µ
o
}
O
÷
=
dt t f t
( )
( )
2
2
1
4
4
ˆ
s
n
x x
n
i
i ¿
=
÷
= o
La Normal tiene un rango
0.05<CV<0.25
La exponencial: CV= 1
• o3<0 cola izquierda
• o3=0 simétrica (v.gr.Normal)
• o3>0 cola derecha
• o4<0 - aguda que la Normal
• o4=0 aguda como Normal
• o4>0 +aguda que la Normal
Otras medidas son la mediana y la
moda, la media tiene propiedades
estadísticas mejores
CV = S

x
1-22
• ¿Porqué son importantes los
estadísticos?
• Describen completamente los datos
• Coeficiente de Variación CV
• comúnmente utilizado para describir propiedades
mecánicas de los materiales.
– aproximadamente 15% para fractura
– aproximadamente 7% para resistencia a la cedencia
• ayudan a determinar la distribución apropiada
• la distribución normal tiene un rango 0.05 < CV < 0.25
– Exponencial CV = 1
Estadística Descriptiva
1-23
• ¿Porqué son importantes los estadísticos?
• Coeficiente de sesgo
• medida de simetría
– o3 < 0 distribución sesgada a la izquierda(tiene una cola a la
izquierda)
– o3 = 0 distribución simétrica
» Distribución Normal o3 = 0
– o3 > 0 distribución sesgada a la derecha (tiene una cola a la
derecha
– Coeficiente de curtosis
• medida de agudeza (puntiaguda)
– o4 < 3 distribución menos aguda que la Normal
– o4 = 3 distribución Normal
– o4 > 3 distribución más aguda que la Normal
Estadística Descriptiva
1-24
• Porqué son importantes los estadísticos
• los tres ayudan a determinar los parámetros de la
distribución
• CV
– La Exponencial tiene un CV constante
– El parámetro de forma de la distribución Weibull es bien
estimado con el coeficiente de variación CV
• coeficientes de sesgo y curtosis
– la relación entre ellos ayuda a determinar la distribución que mejor
se ajusta
Estadística Descriptiva
1-25
EJEMPLO DE DISTRIBUCIÓN


ì
ì h
ì
ì
ì
ì
1
MEDIA
) ( FALLA DE TASA
) ( DAD CONFIABILI
1 ) ( CDF
) ( PDF
=
= =
= =
÷ = =
= =
÷
÷
÷
t
e t R
e t F
e t f
t
t
t
Distribución
Exponencial
Función de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
ì = 0.003, MEDIA = 333
ì = 0.002, MEDIA = 500
ì = 0.001, MEDIA = 1,000
1-26
EJEMPLO DE DISTRIBUCIÓN
|
|
.
|


\
|
+ I =
|
|
.
|


\
|
= =
= =
÷ = =
|
|
.
|


\
|
= =
÷
|
|
.
|


\
|
÷
|
|
.
|


\
|
÷
|
|
.
|


\
|
÷
÷
|
q
q q
|
h
q q
|
|
q
q
q
|
|
|
|
1
1 MEDIA
) ( FALLA DE TASA
) ( DAD CONFIABILI
1 ) ( CDF
) ( PDF
1
1
t
t
e t R
e t F
e
t
t f
t
t
t
Distribución
Weibull 2
parámetros
1-27
EJEMPLO DE DISTRIBUCIÓN
Abra el archivo Distribución.xls Señale la columna de
tiempo y pongala en
orden ascendente
Veamos cómo se construyen las
curvas de distribución usando el
EXCEL
1-28
EJEMPLO DE DISTRIBUCIÓN
Agregue un
renglón inicial
con cero y una
columna con un
contador que
inicie en cero
Agregue una columna
donde estime F(t)
usando la fórmula de
Kaplan Meier*:
( F(t) = i/N)
Obtenga R(t) por la
diferencia R(t) = 1-F(t)
Note que puede estimar la
Confiabilidad de 90% para
un tiempo de 35.389
* La fórmula de Kaplan Meier se recomienda para muestras grandes
1-29
EJEMPLO DE DISTRIBUCIÓN
Se estima la tasa de falla para los
tiempos observados, con el inverso del
número de supervivientes 1/(N+1-i)
Por último se estima
el intervalo de
confianza normal al
95% para la
confiabilidad
N t F t R Z t R t R
N t F t R Z t R t R
LI
LS
) ( ) ( ) ( ) (
) ( ) ( ) ( ) (
2
2
- - ÷ =
- - + =
o
o
1-30
EJEMPLO DE DISTRIBUCIÓN
R(ti)= 1-F(ti)
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 50 100 150 200 250 300 350
R(ti)= 1-F(ti)
F(ti)= i/N
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0.8000
0.9000
1.0000
0 50 100 150 200 250 300 350
F(ti)= i/N
Gráficas de
Confiabilidad R(t) y de
la Función Acumulada
F(t) generadas en
EXCEL
Recuerde que:
R(t) = 1- F(t)
1-31
EJEMPLO DE DISTRIBUCION
Use el archivo: distribución.mtw
Ahora en Minitab...
1-32
Distribution Analysis
Variable: tiempo
Censoring Information Count
Uncensored value 60
Nonparametric Estimates
Characteristics of Variable
Standard 95.0% Normal CI
Mean Error lower upper
98.9320 8.4776 82.3162 115.5478

Median = 75.8120
IQR = 83.4620 Q1 = 49.5260 Q3 = 132.9880

Kaplan-Meier Estimates
Number Number Survival Standard 95.0% Normal CI
Time at Risk Failed Probability Error Lower Upper
9.5200 60 1 0.9833 0.0165 0.9509 1.0000
27.9780 59 1 0.9667 0.0232 0.9212 1.0000
28.8550 58 1 0.9500 0.0281 0.8949 1.0000
29.3740 57 1 0.9333 0.0322 0.8702 0.9965
34.8990 56 1 0.9167 0.0357 0.8467 0.9866
35.3890 55 1 0.9000 0.0387 0.8241 0.9759
39.6550 54 1 0.8833 0.0414 0.8021 0.9646
43.4610 53 1 0.8667 0.0439 0.7807 0.9527
43.8810 52 1 0.8500 0.0461 0.7597 0.9403
45.3520 51 1 0.8333 0.0481 0.7390 0.9276
45.7350 50 1 0.8167 0.0500 0.7188 0.9146
46.0760 49 1 0.8000 0.0516 0.6988 0.9012
46.6130 48 1 0.7833 0.0532 0.6791 0.8876
49.0890 47 1 0.7667 0.0546 0.6596 0.8737
49.5260 46 1 0.7500 0.0559 0.6404 0.8596
49.6190 45 1 0.7333 0.0571 0.6214 0.8452
52.3110 44 1 0.7167 0.0582 0.6026 0.8307
Para un tiempo
de 35.389 la
confiabilidad es
del 90%
Cálculo de R(t) para un tiempo
1-33
0 100 200 300
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Time to Failure
R
a
t
e
Nonparametric Hazard Plot for tiempo
Empirical Hazard Function
Complete Data
Mean
Median
IQR
98.932
75.812
83.462
0 100 200 300
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Time to Failure
P
r
o
b
a
b
i
l
i
t
y
Nonparametric Survival Plot for tiempo
Kaplan-Meier Method-95.0% Conf idence Interv als
Complete Data
Mean
Median
IQR
98.932
75.812
83.462
INTERPRETACION DE
RESULTADOS
Observamos las
gráficas de las
distribuciones
empíricas de: riesgo
y confiabilidad
Las asignaciones de
probabilidades se basan sólo
en las frecuencias
observadas, y no suponen
ningún modelo especial.
1-34
PUNTOS CLAVE
– tiempo de vida útil y falla
– distribución de probabilidad
– confiabilidad
– MTBF - MTTF
– tiempo de misión
– velocidad de falla
– estadística descriptiva
– distribución empírica
1-35
2. MODELOS DE
CONFIABILIDAD
Distribuciones de Probabilidad
»Exponencial
»Weibull
»Lognormal
1-36
OBJETIVO
Presentar los modelos Exponencial, Weibull y
Lognormal para la confiabilidad, sus características
principales y guías para su empleo
Puntos:
– Modelos Paramétricos de Confiabilidad
– Distribuciones de Probabilidad
– Parámetros
– Propiedades
– Situaciones para modelar
– Guía para elección del modelo
1-37
Modelos Paramétricos de
Confiabilidad
Distribuciones Paramétricas
• Algunas Distribuciones de Probabilidad se pueden
expresar como una función matemática de la variable
aleatoria.
• La función tiene además de la variable aleatoria,
constantes que le dan comportamientos específicos
a las distribuciones
Los parámetros definen:
•FORMA
•ESCALA
•LOCALIZACION
1-38
•Los Parámetros definen lo que esta detrás de cada
distribución.
• Conociendo los parámetros de una distribución podemos
inferir el comportamiento de la confiabilidad
• La Forma de la distribución
• La Escala de la distribución
• La Localización de la distribución
¿Qué hay atrás de una distribución?
1-39
Distribución Normal
• La Normal o Distribución Gaussiana es la distribución
más conocida
• Tiene Media = Mediana = Moda
• La Media µ, es también su parámetro de localización
• La PDF normal tiene forma de una campana con
simetría sobre su media
• La normal no tiene parámetro de forma. Esto significa
que la PDF normal sólo tiene una forma, ―la campana‖
y esta forma no cambia
• La desviación estándar o, es el parámetro de escala
de la PDF normal
1-40
f t
t
( ) e x p = ÷
÷
|
\

|
.
|

¸

(
¸
(
1
2
1
2
2
o t
µ
o
Distribución de la Función Normal
Función de Densidad de Probabilidad Normal
Distribución Normal
µ = 500
o = 30
o = 50
o = 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)

1-41
R t f t d t z d z
t z t
( ) ( ) ( )
( )
= =
· ·
} }
|
Función de Distribución Normal
donde z(t) = (t-µ)/o y |(z) = normal estandarizada pdf
Función de Confiabilidad Normal
0.000
0.200
0.400
0.600
0.800
1.000
200 400 600 800 1000
Tiempo
R
(
t
)
µ = 500
o = 30
o = 50
o = 70
Distribución Normal
1-42
Funciones de Distribución Normal
donde |(z) =normal estandarizada pdf
Función Normal de Tasa de Falla
0.0000
0.0500
0.1000
0.1500
0.2000
0.2500
200 400 600 800 1000
Tiempo
h
(
t
)
µ = 500
o = 30
o = 50
o = 70
Distribución Normal
) (
) (
) (
z R
z
t h
o
|
=
1-43
• Distribución Normal
– Tienden a seguir una distribución normal los ciclos de falla en
componentes mecánicos sometidos a niveles altos de estrés

– Es útil si el coeficiente de variación es pequeño (<10%)
– Las propiedades de varios materiales tienden a seguir una
distribución Normal
– Las fallas a la tensión de muchos materiales estructurales
siguen una distribución Normal
– Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Límite Central (CLT)
Distribución Normal
1-44
• El modelo exponencial, con un solo parámetro, es el más
simple de todo los modelos de distribución del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
Distribución Exponencial
ì h
ì
ì ì
ì
ì
ì
ì
ì
=
~
=
=
=
÷ =
÷
÷
÷
) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
Función de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
ì = 0.003, MEDIA = 333
ì = 0.002, MEDIA = 500
ì = 0.001, MEDIA = 1,000
1-45
R(t) = e
(-ìt)
(Confiabilidad)
Función de Confiabilidad Exponencial
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
Tiempo
R
(
t
)
ì = 0.003, MTBF = 333
ì = 0.002, MTBF = 500
ì = 0.001, MTBF = 1,000
Distribución Exponencial
1-46
h(t) = ì = 1 / MEDIA (Velocidad de Falla)
Función de la Tasa de Falla Exponencial
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
Tiempo
h
(
t
)
ì = 0.001, MTBF = 1,000
ì = 0.002, MTBF = 500
ì = 0.003, MTBF = 333
Distribución Exponencial
Note que la tasa de
falla tiende a ser una
constante ì para
cualquier tiempo. La
distribución exponencial
es la única que tiene
una velocidad de falla
constante
1-47
• Distribución Exponencial
– Es usada como el modelo, para la parte de vida útil de la
curva de la bañera, i.e., la tasa de falla es constante
– Los sistemas complejos con muchos componentes y
múltiples modos de falla tendrán tiempos de falla que
tiendan a la distribución exponencial
– desde una perspectiva de confiabilidad, es la distribución
más conservadora para predicción.
Distribución Exponencial
La forma de la exponencial
siempre es la misma
1-48
Distribución Exponencial
• La Distribución exponencial de 2 parámetros tiene las siguientes ecuaciones:
ì h
ì
ì
¸
ì
¸
ì
¸
ì
¸ ì
¸ ì
¸ ì
=
+ ~ +
+ =
=
=
÷ =
÷ ÷
÷ ÷
÷ ÷
) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
) (
) (
) (
t
m
e t f
e t R
e t F
t
t
t ¸ es el parámetro de
localización, si es positivo,
cambia el comienzo de la
distribución por una distancia ¸
a la derecha del origen,
significando que las
posibilidades de falla empiezan
a ocurrir sólo después de ¸
horas de operación, y no
pueden ocurrir antes.
Note que la varianza y la tasa de falla son
iguales a las de la exponencial de un parámetro
1-49
Distribución Weibull
• La distribución de
Weibull es un
modelo de
distribución de vida
útil muy flexible,
para el caso de 2
parámetros:
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
÷
|
|
.
|

\
|
÷
÷
|
|
.
|

\
|
÷
|
|
.
|

\
|
÷
|
|
.
|

\
|
(
¸
(

¸

|
|
.
|

\
|
+ I ÷
|
|
.
|

\
|
+ I
|
|
.
|

\
|
+ I =
|
|
.
|

\
|
=
=
÷ =
|
|
q
|
q
q
| q
|
|
q
|
q
q
|
q
q q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Donde q es un
parámetro de escala (la
vida característica) y |
se conoce como el
parámetro de forma
(pendiente) y I es la
función Gamma con
I(N)=(N-1)! para N
entero
1-50
Distribución Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
÷
|
|
.
|

\
| ÷
÷
÷
|
|
.
|

\
| ÷
÷
|
|
.
|

\
| ÷
÷
|
|
.
|

\
| ÷
(
¸
(

¸

|
|
.
|

\
|
+ I ÷
|
|
.
|

\
|
+ I
+
|
|
.
|

\
|
+ I + =
|
|
.
|

\
| ÷
=
=
÷ =
|
|
q
¸ |
q
¸
q
¸
|
¸
q
|
|
q
|
q
q ¸
|
q ¸
q
¸
q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma más general de
3 parámetros de la Weibull
incluye un parámetro de
tiempo de espera
(localización ó
desplazamiento). Las
fórmulas se obtienen
reemplazando t por (t-¸).
No puede ocurrir una falla
antes de ¸ horas, el tiempo
comienza en ¸ no en 0.
1-51
Función de Distribución Weibull
f t
t t
( ) exp =
|
\

|
.
|
÷
|
\

|
.
|

¸

(
¸
(
(
¦
´
¦
¹
¦
¹
`
¦
)
¦
÷
|
q q q
| | 1
Función de Densidad de Probabilidad Weibull
0.0000
0.0010
0.0020
0.0030
0 500 1000 1500 2000 2500 3000
Tiempo
f
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribución Weibull
1-52
Funciones de Distribución Weibull
R t
t
( ) exp = ÷
|
\

|
.
|

¸

(
¸
(
(
¦
´
¦
¹
¦
¹
`
¦
)
¦
q
|
Función de Confiabilidad Weibull
0.000
0.200
0.400
0.600
0.800
1.000
0 500 1000 1500 2000 2500 3000
Tiempo
R
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribución Weibull
1-53
Funciones de Distribución Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|
÷
1
Función Tasa de Falla Weibull
0.0000
0.0020
0.0040
0.0060
0 500 1000 1500 2000 2500 3000
Tiempo
h
(
t
)
| = 3.4
q = 1000
| = 1.0
q = 1000
| = 0.5
q = 1000
Distribución Weibull
1-54
• Distribución Weibull
– mientras la función pdf de la distribución exponencial
modela la característica de vida de los sistemas, la Weibull
modela la característica de vida de los componentes y
partes
– modela fatiga y ciclos de falla de los sólidos
– es el traje correcto para datos de vida
• La función de distribución Weibull pdf es una distribución de la
confiabilidad de los elementos de una muestra
• muy flexible y puede tomar diferentes formas
Distribución Weibull
1-55
Distribución Weibull
• Tiene usted una Distribución Weibull con |=2
y q=2, ¿Cuál es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
(
¸
(

¸

|
|
.
|

\
|
+ I ÷
|
|
.
|

\
|
+ I =
|
|
.
|

\
|
+ I =
|
q
|
q
|
q m
1
2
3
Archivo
Weibull.xls
1-56
tiempo
Tiempo de vida útil
Fallas
tempranas
Desgaste
ì
decreciente
| < 1
ì
constante
| = 1
ì
creciente
| > 1
| < 1 disminuye la tasa de riesgo, implica mortalidad infantil
| = 1 tasa de riesgo constante, fallas aleatorias
1< | < 4 aumenta la tasa de riesgo, fallas por corrosión, erosión
| > 4 aumenta rápidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la bañera tienen
diferentes índices de falla.
Las fallas tempranas se
caracterizan por un índice de
falla decreciente, la vida útil
por un índice de falla
constante y el desgaste se
caracteriza por un índice de
falla creciente. La distribución
de Weibull puede modelar
matemáticamente estas tres
situaciones.

Distribución Weibull
1-57
| < 1 (Tasa de riesgo decreciente)

•Implica mortalidad infantil

•Si esto ocurre, puede existir:
-Carga, inspección o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparación

•Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
| = 1 (Tasa de riesgo constante)

•Implica fallas aleatorias(Distribución
Exponencial)

•Una parte vieja es tan buena como una
nueva

•Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
1 < | < 4 (Tasa de Riesgo creciente)

•Si esto ocurre
-La mayoría de los baleros y engranes
fallan
-Corrosión o Erosión
-El reemplazo programado puede ser
efectivo en costo
÷ | =3.44¬aprox. Normal, | =2¬Rayleigh
| > 4 (La tasa de riesgo crece rápidamente)

•Implica edad avanzada y rápido desgaste

•Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frágiles como la cerámica
-Variabilidad pequeña en manufactura o
material
La Distribución Weibull - Interpretación
1-58
•Cuando | = 2.5 la Weibull se aproxima a la
distribución Lognormal(estas distribuciones son tan
cercanas que se requieren tamaños de muestra
mayores a 50 para distinguirlas).
•Cuando se modela el tiempo que se necesita para
que ocurran reacciones químicas, se ha mostrado
que la distribución Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
•Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribución Weibull
1-59
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse
adecuadamente mediante la Weibull. Algunos
ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrónicos.
3.El tiempo de falla para artículos que se desgastan,
tales como las llantas de un automóvil.
4.Sistemas que fallan cuando falla el componente más
débil del sistema(la distribución Weibull representa
una distribución de valor extremo).
Distribución Weibull
1-60
•¿Qué pasa en una distribución Weibull si el tiempo
tiene el valor de la vida característica, t = q?
Distribución Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1
= = ÷ = =
= =
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸

|
|
.
|

\
|
÷ = =
=
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
¸
(

¸

|
|
.
|

\
|
÷ =
÷
q q
q
q
q
q
q
|
|
t R t F
e t R
t
t R
Al llegar al
tiempo de vida
igual a la vida
característica el
63.2% de los
elementos habrá
fallado. Este
hecho se usa en
las gráficas para
identificar el valor
de q (eta)
Este mismo resultado se obtiene para el caso exponencial,
recordando que la Weibull se puede reducir a una exponencial cuando
| = 1.
1-61

• Un tiempo de falla se distribuye según una Lognormal si el
logaritmo del tiempo de falla está normalmente distribuido.

• La Distribución Lognormal es una distribución sesgada hacia la
derecha.

• La PDF comienza en cero, aumenta hasta su moda y diminuye
después.
Distribución Lognormal
1-62
• Si un tiempo t está distribuido Lognormal,
t~LN(µ
t
, o
t
) y si Y = ln(t) entonces Y~N(µ
y
, o
y
)
Distribución Lognormal
2
2
1
2
1
) (
|
|
.
|

\
| ÷
÷
=
y
y
y
y
e
t
t f
o
µ
t o
2
2
1
2
1
) (
|
|
.
|

\
| ÷
÷
=
y
y
y
y
e y f
o
µ
t o
|
|
.
|

\
|
÷
u =
y
T t
t F
o
) ln(
) (
50
|
|
.
|

\
| ÷
u =
y
y
y
y F
o
µ
) (
|
|
.
|

\
|
+ · =
2
exp
2
50
y
y t
T
o
µ µ ) ln(
50
T
y
= µ
2
2
50
1
) exp(
t
t
t
y
T
µ
o
µ
µ
+
= =
y
µ =
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|

\
|
+
2
2
1 ln
t
t
µ
o
( ) 1 ) exp( ) exp(
2 2 2
50
÷
y y
T o o
VARIANZA
u(z) es la CDF de la Normal estándar
1-63
• La Distribución de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empíricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parámetros tiene los
parámetros o
ln(t)
= o
y
parámetro de forma, y T
50
= la mediana (un
parámetro de escala)
• Si el tiempo para la falla t, tiene una distribución Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene
una distribución normal con media µ
y
= ln T
50
y desviación
estándar o
y
.
• Esto hace a los datos lognormales convenientes para trabajarlos
así: determine los logaritmos naturales de todos los tiempos de
falla y de los tiempos censurados (y = ln(t)) y analice los datos
normales resultantes. Posteriormente, haga la conversión a
tiempo real y a los parámetros lognormales usando o
y
como la
forma lognormal y T
50
= exp(µ
y
) como (mediana) el parámetro de
escala.
Distribución Lognormal
1-64
Función de Distribución
Lognormal

f t
t
t
( ) exp
ln( )
= ÷
÷
|
\

|
.
|

¸

(
¸
(
1
2
1
2
2
o t
µ
o
donde µ y o son funciones de ln’s
Función de Densidad de Probabilidad Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
Tiempo
f
(
t
)
µ = 0
o = 0.5
µ = 0
o = 1
µ = 1
o = 0.5
µ = 1
o = 1
Distribución Lognormal
1-65
R t f t dt f t d t z dz
t t z t
( ) ( ) [ln( )] [ln( )] ( )
ln( ) [ln( )]
= = =
· · ·
} } }
|
Función de Distribución
Lognormal donde z[ln(t)] = [ln(t)-µ)/o]
|(z) = normal estandarizada normal pdf
Función de Confiabilidad Lognormal
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
Tiempo
R
(
t
)
µ = 0
o = 0.5
µ = 0
o = 1
µ = 1
o = 0.5
µ = 1
o = 1
Distribución Lognormal
1-66
h ( )
( )
( )
t
f t
R t
=
Función de Distribución Lognormal
Función Tasa de Falla Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
Tiempo
h
(
t
)
µ = 0
o = 0.5
µ = 0
o = 1
µ = 1
o = 0.5
µ = 1
o = 1
Distribución Lognormal
1-67
Distribución Lognormal
– Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
• Calculemos los valores que nos permiten usar la tabla normal estándar









• Para poder usar las Tablas de la Normal Estándar:

– P(t<18) = P{Z<[ln(t/ T
50
)]/ o
y
] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) =
0.023

68 . 24
25
4
1 25 1
2
2
2
50
= |
.
|

\
|
+ ÷ = + ÷ =
t
t
t
T
µ
o
µ
02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|

\
|
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =
t
t
y
µ
o
o
1589 . 0 02527 . 0 = =
y
o
1-68
• Distribución Lognormal
– Número de ciclos de falla en la fatiga de los metales y partes
metálicas, niveles de tensión significativamente menores que sus
límites
– Representa bien el tiempo de falla de los dispositivos mecánicos,
especialmente en el caso de uso

– La resistencia de materiales frecuentemente sigue una distribución
Lognormal
– Las variables de peso son frecuentemente bien representadas con
una distribución Lognormal

– Es una buena distribución para cualquier variable
– La medida de cualquier resultado el cual es el resultado de una
proporción o efecto multiplicativo es Lognormal
Distribución Lognormal
1-69
Modelos Paramétricos de
Confiabilidad
• Ventajas
– Usados cuando la distribución subyacente de los tiempos de
falla se conoce o puede ser supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-217)
• Conocimiento Ingenieril del mecanismo de falla
– Tiene más poder para hacer una decisión correcta que en
las pruebas no-paramétricas
– Rinde información más precisa que los métodos no-
paramétricos
• Los intervalos de confianza son más amplios usando no-
paramétricas
– Permite extrapolar fuera del rango de los datos
1-70
Modelos Paramétricos de
Confiabilidad
• Desventajas
– El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
– Implica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observación estadística
– Si no se conoce nada
sobre la falla debe tenerse
cuidado en un
procedimiento para
seleccionar un modelo
adecuado.
1-71
h
( )
( )
( )
t
f t
R t
=
f t
t
( ) exp = ÷
÷
|
\

|
.
|

¸

(
¸
(
(
1
2
1
2
2
o t
µ
o
R t z dz
z t
( ) ( )
( )
=
·
}
|
h
|
o
( )
( )
( )
t
z
R z
=
f t
t t
( ) exp =
|
\

|
.
|
÷
|
\

|
.
|

¸

(
¸
(
(
¦
´
¦
¹
¦
¹
`
¦
)
¦
÷
|
q q q
| | 1
Modelos Comunes
de Confiabilidad
f t
t
t
( ) exp
ln( )
= ÷
÷
|
\

|
.
|

¸

(
¸
(
1
2
1
2
2
o t
µ
o
Rt z dz
z[ln(t
( ) ( )
)]
=
·
}
|
R t
t
( ) exp = ÷
|
\

|
.
|

¸

(
¸
(
(
¦
´
¦
¹
¦
¹
`
¦
)
¦
q
|
h
|
q q
|
( ) t
t
=
|
\

|
.
|
÷ 1
f(t) = ìexp(-ìt)
R(t) = exp(-ìt)
h(t) = ì
Exponencial Weibull Normal Lognormal
Función de Densidad
de Probabilidad (pdf),
f(t)
Función de
Confiabilidad, R(t)
Función de Tasa de
Falla, h(t)
Tiempo Medio Entre
Fallas (MTBF)
T =
1
ì
T = + q I
|
( )
1
1
media T =
ln(t) funcion la es T' donde
)
2
1
' exp(
'
2
T
T T o + =
Parámetros 1/ì = escala
sin forma
q = escala
| = forma, o
pendiente Weibull
media = localización
o = escala
media de ln’s = escala
o de ln’s = forma
Aplicaciones Sistema complejo
vida útil
electrónica
| < 1, fallas infantiles
| = 1, exponencial
| > 1, desgaste
| app 3.4, app. normal
muy flexible
bien para fatiga en
componentes mecánicos
z(t) = (t - µ)/o
|(z) = pdf normal std.
desgaste alto
efectos aditivos (CLT)

z[ln(t)] = (ln(t) - µ)/o
donde µ = media de ln’s
o = desv. std. de ln’s
|(z) = pdf normal std.
fatiga en metales
desgaste de partes mecánicas
efectos multiplicativos
Cuadro de Distribuciones
1-72
Identificación de Modelos
• Debemos de elegir
cuidadosamente el modelo
apropiado de distribución de vida
– Cualquiera que sea el método usado
para escoger el modelo, debemos
verificar:
• que tenga ―sentido‖ - por ejemplo no usar
un modelo exponencial que tiene una
tasa de falla constante para modelar una
falla de desgaste.
• Pasar las pruebas estadísticas y visuales
para ajuste de datos
1-73
Identificación de Modelos
• Gráficas, Abrir: identificación.mtw
0 100 200 300 400 500
95% Conf idence Interv al f or Mu
48 58 68 78 88 98 108 118 128 138
95% Conf idence Interv al f or Median
Variable: T
A-Squared:
P-Value:
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
72.713
84.475
53.078
2.339
0.000
101.453
101.127
10226.7
2.00837
5.38151
50
0.124
30.898
82.077
124.588
520.432
130.193
126.018
102.444
Anderson-Darling Normality Test
95% Conf idence Interv al f or Mu
95% Conf idence Interv al f or Sigma
95% Conf idence Interv al f or Median
Descriptive Statistics
Seguir la secuencia STAT>Basic Statistics>Display Descriptive Statistics
•No pasa el criterio
de normalidad
• o/µ =0.9966, el
coeficiente de
variación es
prácticamente 1
•Media y desviación
estándar son
iguales
•Sesgo >0
distribución sesgada
a la derecha
•Curtosis >3, tiene
más agudeza que
una normal

1-74
Identificación de Modelos
• Gráficas
Abrir:
identificación.mtw
1-75
Identificación de Modelos
1
5
10
20
30
40
50
60
70
80
90
95
99
-100 0 100 200 300 400 500
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
0.1 1.0 10.0 100.0 1000.0
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
0.1 1.0 10.0 100.0 1000.0
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 100 200 300 400 500
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for T
No censoring
¿Cuál ajusta mejor...?
1-76
Identificación de Modelos
El modelo
exponencial
1-77
Identificación de Modelos
0 100 200 300 400 500
1
5
10
20
30
40
50
60
70
80
90
95
99
Exponential Probability
P
e
r
c
e
n
t
0 100 200 300 400 500
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Survival Function
P
r
o
b
a
b
i
l
i
t
y
0 100 200 300 400 500
0.00980
0.00985
0.00990
Hazard Function
R
a
t
e
0 100 200 300 400 500 600 700
0.000
0.005
0.010
Probability Density Function
Overview Plot for T
No censoring
Exponential
ML Estimates
Mean: 101.453
Fail. Rate: 9.86E-03
MTBF: 101.453
1-78
• Ahora Usted...
• Abra los datos en distribución.mtw (los
del capítulo 1) y proponga qué modelo de
distribución los representa mejor.
– Analice los datos en la columna C5
– Obtenga las gráficas
– Calcule los estadísticos descriptivos
– Utilice algún procedimiento automatizado para
identificación de distribución
– proponga una distribución
Ejercicio
1-79
0 50 100 150 200 250 300
95% Conf idence Interv al f or Mu
60 70 80 90 100 110 120
95% Conf idence Interv al f or Median
Variable: tiempo
A-Squared:
P-Value:
Mean
StDev
Variance
Skewness
Kurtosis
N
Minimum
1st Quartile
Median
3rd Quartile
Maximum
81.968
55.662
61.055
2.346
0.000
98.9320
65.6671
4312.17
1.30399
1.49195
60
9.520
49.549
76.642
136.566
302.010
115.896
80.092
98.620
Anderson-Darling Normality Test
95% Conf idence Interv al f or Mu
95% Conf idence Interv al f or Sigma
95% Conf idence Interv al f or Median
Descriptive Statistics
Ejercicio
1-80
Ejercicio
1
5
10
20
30
40
50
60
70
80
90
95
99
0 100 200 300
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
10 100
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
10 100
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 100 200 300 400
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for tiempo
No censoring
1-81
Ejercicio
10 100
1
5
10
20
30
40
50
60
70
80
90
95
99
Lognormal Probability
P
e
r
c
e
n
t
0 100 200 300 400
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Survival Function
P
r
o
b
a
b
i
l
i
t
y
0 100 200 300 400
0.005
0.010
0.015
Hazard Function
R
a
t
e
0 100 200 300 400 500 600
0.000
0.005
0.010
Probability Density Function
Overview Plot for tiempo
No censoring
Lognormal
ML Estimates
Location: 4.38759
Scale: 0.66066
MTBF: 100.066
MTB
reporta la
media y la
desviación
estándar
de los
logaritmos
de los
tiempos
1-82
Puntos Clave
• Los modelos paramétricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
• Es necesario asegurar cuál es el modelo más
apropiado para modelar
• La decisión depende del conocimiento del
mecanismo de falla y la forma en que se observa.
• Las distribuciones tienen parámetros que le dan
ciertas características: forma, escala, localización.
• Recuerde siempre confirmar el modelo de
distribución a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-83
3. DEFINICIÓN DE
PROYECTOS DE
CONFIABILIDAD
1-84
Objetivo
Propósitos:
• Conocer las herramientas utilizadas en la identificación
de proyectos de confiabilidad.

• Asegurar el control del impacto en el sistema bajo
estudio, en un proyecto de confiabilidad a través del uso
de las herramientas para la identificación de proyectos.

• Aprender de un proyecto real la secuencia e integración
de las herramientas para la identificación de proyectos de
confiabilidad.


1-85
DMAIC Y Confiabilidad
1-86
Definición Análisis
Objetivo: determinar las
"X" vitales
Pruebas Estadísticas:
Comparación de
Confiabilidad actual
contra propuesta:
Análisis Paramétrico,
Análisis No Paramétrico.
Diseño de experimentos
para eliminar X's.
Regresión de parámetros
Observación de tiempos
de falla o degradación de
Y
Medición
Sistema de Medición,
Calibrado, Lineal,
Estable, Gage RyR <
20%
Diseño para
Reproducción de la falla
Identificar
Oportunidades: SCR,
Cambio de Proveedor,
Costos, Productividad,
Comparación
Competitiva, 6s
Diagrama de Bloques
Funcionales de Producto
Diagrama de Relaciones
de Proceso
Identificar Confiabilidad
Actual: CTQs de proceso
y producto, tiempo de
misión, condiciones de
ambiente
Establecer Metas de
Confiabilidad: Nivel de
Confiabilidad R(t), tiempo
de misión (t), Nivel de
Confianza (1-a)
Identificación inicial de
causas y efectos de falla,
AMEF inicial, jerarquizar
Xs
Elaborar Diagramas P de
condiciones de
operación, ruidos
internos y externos
Medir Condición actual:
1. Datos de campo, 2.
Laboratorio de pruebas,
3. Base de Datos
Caracterizar Y, X, t:
El CTQ, las causas
posibles y el tiempo de
falla: media, dispersión,
distribución, MTBF,
parámetros, h(t), R(t), Z
Identificar los parámetros
relevantes del ruido
ambiental: Máximo,
mínimo, media,
dispersión, distribución.
Objetivo: determinar la
Confiabilidad y
capacidad actuales
Determinar tipo de
observación en la
confiabilidad: 1. pruebas
terminadas a tiempo
determinado, 2. Pruebas
terminadas a número de
fallas determinado 3.
Datos por intervalo de
tiempo 4. Aceleración de
Pruebas por aumento de
carga
Mejora
Objetivo: determinar los
niveles de las "X"" vitales
Diseño de Experimentos,
Superficie de Respuesta,
Predicciones, Regresión
de Parámetros,
Optimización de función
Corrida de comprobación
de la mejor solución.
Verificación Estadística
Evaluar metas de Confiabilidad y de Capacidad de proceso.
Continuar, Modificar o Cancelar Proyecto
Control
AMEF definitivo, Plan de
Control, Documentación
oficial
Entrenamiento del
personal involucrado,
Documentación ISO,
Procedimientos,
Auditorías
Evaluar niveles de
capacidad y metas de
confiabilidad
comprometidas
FIN DEL
PROYECTO
En pruebas aceleradas:
Validar
Transformaciones para
la regresión del factor
acelerante
1-87
Diagrama de Bloques Funcionales
1-88
¿Qué es un Diagrama de Bloques Funcionales?
Un Diagrama de Bloques Funcionales
es una representación gráfica de los
elementos funcionales de un sistema y
sus interconexiones.


1-89
 Es el primer paso para desarrollar el modelo del sistema
y se utiliza como punto de partida en la realización de un
análisis de modo y efecto de falla (AMEF).

 Entender la relación que guardan los subsistemas entre
sí y el impacto de un cambio o más en el sistema.

 Construir gráficamente los elementos funcionales de un
sistema y sus interrelaciones, complementar con la misión
crítica que corresponde a cada elemento en el sistema.


¿Para que utilizar el Diagrama de
Bloques Funcionales?
1-90
Pasos en la construcción de un
Diagrama de Bloques Funcionales:
• 1. Defina la función del sistema.

• 2. Defina los modos de operación del sistema.

• 3. Liste los subsistemas (muestre los límites de
referencia).

• 4. Liste las funciones de los subsistemas (activas y
pasivas) para cada modo de operación.

• 5. Defina las entradas y salidas de los subsistemas.

• 6. Defina la falla crítica de los subsistemas/partes y
la interdependencia

1-91
DIAGRAMA DE RELACIONES
1-92
Muestra las relaciones causa-efecto. De igual importancia,
es que el proceso de creación de un diagrama de
relaciones ayuda a un grupo en el análisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.

Cuando usarlo
Un tema complejo está siendo analizado por causas.
Una iniciativa compleja está siendo implementada.
Después de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de árbol, para
explorar con mayor énfasis las relaciones de las ideas.
DIAGRAMA DE RELACIONES
1-93
Determinación de Factores de Control y de Ruido
Diagrama-P
1-94
Qué es un Diagrama de Parámetros

• Es la forma esquemática en la que se presentan las
entradas, variables independientes y salidas del
proceso/producto sometido a un cambio tipo ―C‖, cuya
información proviene de un Diagrama de Bloques
Funcionales.
• El diagrama de parámetros bosqueja en forma sencilla y
clara los factores que afectan la salida del diseño del
producto/proceso que pueden estar bajo control o no del
diseñador/responsable de la iniciativa de confiabilidad
1-95

 Para desarrollar el plan de pruebas de confiabilidad.
Proporciona un enfoque disciplinado para la planeación de
pruebas.

 Para asegurar que el plan de pruebas de confiabilidad
incluya las condiciones ambientales aplicables al producto,
tal que todos los modos de falla puedan ser entendidos,
considerados y cuantificados.

 Facilitar la ejecución del AMEF y el diseño de
experimentos.
Para que utilizar el Diagrama de Parámetros:

1-96
F
A
C
T
O
R
E
S


Q
U
E
SI
NO
FACTORES QUE AFECTAN EL PROCESO
NO SI
C
O
N
T
R
O
L
O
FACTORES DE
RUIDO
FACTORES DE

CONTROL
FACTORES QUE DAN
LIBERTAD DE ACCION
Y
POSIBILIDAD DE AHORROS
FACTORES POR LOS

QUE NO VALE LA PENA

PREOCUPARSE
MATRIZ DE FACTORES
1-97
1. Variable de Respuesta: Es una variable observada o medida en un
experimento, algunas veces llamada variable dependiente, es la Y. La variable de
respuesta es el resultado de un experimento y es denominada como un
CTQ o una medida del desempeño del proceso.
2. Factor: algunas veces llamada variable independiente o variable causal,
es una variable que es deliberadamente cambiada o modificada en un
experimento para observar su impacto en la variable de respuesta.
Puntos Clave en la definición de Factores de Control y de Ruido
3. Factor de Control. Un factor de control es aquel que puede ser controlado en la
producción regular o un parámetro que puede ser especificado en un diseño.
Ejemplo, la temperatura de la soldadura en una máquina de soldar o la dimensión
de una parte en un diseño mecánico.

4. Factor de Ruido. Un factor de ruido es aquel que el equipo técnico considera
costoso o imposible de controlar en la producción regular. Por ejemplo, las
condiciones ambientales; la humedad y temperatura son frecuentemente
considerados factores de ruido en los experimentos de mejoramiento de
procesos.

1-98
Análisis del Modo y Efecto de la Falla
1-99
Es una estructura para lograr:
÷Identificar las formas en las que un proceso puede fallar por no
reunir los requerimientos críticos del cliente
÷Estimar el riesgo de las causas específicas con respecto a estas
fallas
÷Evaluar el plan de control actual para prevenir que estas fallas
ocurran
÷Dar prioridad a las acciones que deberían efectuarse para mejorar
el proceso

Concepto: Identificar las formas en que puede fallar el producto, el
proceso o el servicio al proporcionar la función planeada.
—Identificar las causas posibles y eliminar las causas
—Ubicar los impactos de falla y reducir los efectos
Qué es el AMEF
1-100
AMEF
¿Qué hace?
• Jerarquiza los problemas en los que se debe trabajar
primero

• Identifica las fallas en los planes de control

• Conduce a hacer más preguntas acerca del proceso

•Ayuda a evaluar el riesgo del cambio de proceso

• Establece la prioridad de las acciones a ejecutar

1-101
Es la herramienta clave con que cuenta un equipo para mejorar
el proceso de una manera adquisitiva (antes de que ocurra la
falla)

Empleado para dar prioridad a los recursos que aseguran
atención a los esfuerzos de mejora del proceso que son
benéficos para el cliente

Usado para documentar los cálculos de riesgo de la terminación
de los proyectos y de las mejoras resultantes

Debe ser un documento dinámico, que está siendo
continuamente revisado, corregido y actualizado
AMEF
1-102
Controles
Efecto
Cliente externo o
paso del proceso
con la corriente
Causa
Modo de la Falla
(Defecto)
Paso del Proceso
Material o
Entrada de
Proceso
Prevención Detección
Detección
El Modelo AMEF
1-103
Definición Modo de Falla
• El Modo de Falla necesita ser claramente definido en
términos de la operación realizada
• Ejemplos de Modo de Falla:

– distorsión
– fractura
– tolerancia excedida
– circuito abierto
– corto circuito
– descalibrado
Usar números en donde sea posible
Definir el Modo de Falla antes de la Prueba
1-104
Ejemplo: Elemento Calorífico MLPL
1) Oxidación del alambre
calentado, y disminución
del cromado
MLPL nos dice cómo fallan los componentes
• Los Resultados de las Pruebas estuvieron disponibles para
determinar los modos de falla
• Los modos de falla primarios son: Alambre abierto y fundido
•MLPL describe los mecanismos de la falla
MLPL
Mecanismo de la Falla

Mecanismo de Falla
El mecanismo es de
degradación, corrosión química
1-105
―Acelerar‖ las pruebas
•El tiempo para determinar la confiabilidad a
veces no es suficiente
•Un producto con alta confiabilidad tarda
mucho en exhibir las fallas
•Es necesario determinar que tipo de carga o
esfuerzo ACELERA el modo de falla
1-106
Temperatura
H
u
m
e
d
a
d

65 C 85 C
65 RH
85 RH
85 C, 85 RH
85 C, 75 RH
Para estar seguros de acelerar todos los modos de falla, se
necesita usar más de un acelerador ( por ejemplo, voltaje,
vibración, temperatura)
Seis Sigma / Enfoque Diseño de Experimentos
Determinar el Mecanismo del Modo de la Falla
a ser Acelerado

1-107
Puntos Clave
• Confiabilidad - DMAIC

• Diagrama de Bloques Funcionales

• Diagrama de Relaciones

• Diagrama de Parámetros

• AMEF

• Modo de Falla

• Mecanismo de la Falla


1-108
4. OBSERVACIÓN DE FALLAS
1-109
Objetivo: Presentar alternativas de
Análisis en función del Tipo de Datos
Propósitos:
• Clasificar el Tipo de Datos Observados
• Analizar Datos Agrupados y Datos no Agrupados
– Censurados a la izquierda
– Censurados a la derecha
– Sin Censura
– Con Tiempo de Misión establecido
– Estimación de Parámetros
• Interactuar con ReliaSoft´s Weibull++5.0 para el análisis de
datos


1-110
Recolección de Datos
La Recolección de datos es una parte
importante de todo proyecto.
Los datos representan datos de vida o datos de
tiempo de falla de los productos que
hacemos.
La exactitud de cualquier predicción es
directamente proporcional a la calidad y
exactitud de los datos recolectados.
1-111
Tipos de Datos
Cuando se examinan datos sobre la vida o duración de un producto debe
reconocerse que hay diferentes clases de ellos. En el trabajo regular del
control de calidad si se inspecciona una muestra de 10 artículos, se obtendrán
10 observaciones. Tales datos se conocen como datos completos. En pruebas
de vida, cuando una muestra de 10 se pone a prueba es muy raro que se
obtengan 10 observaciones, porque algunos de los artículos en la muestra
pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede
detenerse antes de que fallen todas las unidades. Bajo estas circunstancias o
cuando se desea un análisis en una etapa intermedia antes de que se termine
la prueba, el resultado será: datos incompletos o datos censurados.
Los datos censurados pueden clasificarse en tres tipos: censurado simple
Tipo I, censurado simple Tipo II y multicensurados. Es necesario entender que
tipo de datos se tienen con el objeto de analizarlos correctamente.
1-112
Censurado simple Tipo I
La figura muestra las condiciones que
generan este tipo de datos. La prueba se
detiene en un tiempo T predeterminado. Los
datos se llaman de censurado simple
porque todos los sobrevivientes se quitan
de la prueba al mismo tiempo. Cuando los
sobrevivientes tienen diferentes tiempos de
sobrevivencia, como sucede bajo ciertas
condiciones experimentales o de uso en
campo, se dice que los datos son
multicensurados.
Los datos de censurado simple Tipo I con
frecuencia se refieren como datos
censurados por el tiempo o datos truncados
por el tiempo.
Tiempo T
Unidades
de la
muestra
1
2
3
4
5
6
= Falla
= Sobreviviente
1-113
Censurado simple Tipo II
La figura muestra las
circunstancias bajo las cuales
aparecen este tipo de datos.
La prueba es detenida tan
pronto como ocurra un número
predeterminado de fallas.
Todas las unidades
sobrevivientes tienen los
mismos tiempos de
sobrevivencia y son iguales al
tiempo de falla de la última
falla.
Los datos de censurado
simple Tipo II son
llamados simplemente
datos censurados por falla
o datos truncados por
falla.
Tiempo
Unidades
de la
muestra 1
2
3
4
5
6
= Falla
= Sobreviviente
1-114
Multicensurados
Se caracterizan por las unidades
sobrevivientes que tienen
diferentes tiempos de
sobrevivencia. Tales datos
pueden aparecer por diferentes
situaciones. La Figura muestra
un ejemplo. En ella, las unidades
1, 2 y 3 fueron vendidas al
cliente 1 y cuando se reportó la
falla de la unidad 1, las otras
estaban trabajando. Las
unidades 4, 5 y 6 fueron
vendidas al cliente 2 y cuando se
reportó la falla de la unidad 4, las
unidades 5 y 6 aun estaban
trabajando.
Tiempo
Unidades
de la
muestra
1
2
3
4
5
6
= Falla
= Sobreviviente
1-115
Multicensurados Cont.
En la Figura , de seis unidades puestas a
prueba tres fallaron en los tiempos
mostrados, pero para las otras tres los
dispositivos de prueba fallaron antes de
que fallaran las unidades. Así las
unidades tuvieron que quitarse de la
prueba en diferentes tiempos cuando los
dispositivos fallaron.
Tiempo
Unidades
de la
muestra
1
2
3
4
5
6
= Falla
= Sobreviviente
Existen muchas otras situaciones en las
cuales aparecen los datos
multicensurados. Los métodos de
análisis para tales datos, así como
también para datos de censurado
simple, incluirán la información de
aquellas unidades que no fallaron
porque estaban funcionando en el
momento en que tenían que retirarse
de la prueba. Tal información agrega
usualmente precisión o confianza en los
resultados.
1-116
Datos por Intervalo
La figura muestra donde aparecen
los datos por intervalo. Se sabe que
ciertas unidades de la muestra
fallan en ciertos intervalos de
tiempo, su tiempo exacto de falla
sigue siendo desconocido. Esto
ocurre cuando las muestras son
inspeccionadas en tiempos
específicos y son observadas sus
condiciones. Este tipo de datos
proviene tanto de pruebas de
campo como de laboratorio.
Es necesario aplicar el tipo de
análisis correcto para un tipo dado
de datos con el objeto de obtener
la mayor información posible de
este.
Tiempo
Unidades
de la
muestra
1
2
3
4
5
6
1-117
Datos No
Agrupados
Datos
Agrupados
Todos
Fallaron
No Todos
Fallaron
Exacto
Intervalo
Tiempos de Falla (Sin Censura)
Tiempos de Falla con Intervalos
(Intervalos y Censura Izquierda)
Tiempos de Falla con Suspensiones
(Censura Derecha)
Tiempos de Falla con Suspensiones
e Intervalos (Intervalos y Censura
Derecha Izquierda)
Todos
Fallaron
No Todos
Fallaron
Exacto
Intervalo
Exacto
Intervalo
Exacto
Intervalo
Tiempos de Falla (Sin Censura)
Tiempos de Falla con Intervalos
(Intervalos y Censura Izquierda)
Tiempos de Falla con Suspensiones
(Censura Derecha)
Tiempos de Falla con Suspensiones
e Intervalos (Intervalos y Censura
Derecha Izquierda)
Tipos de Datos
1-118
Tipos de Datos como se definen en Weibull++5.0
• El tipo de datos afecta el proceso de estimación de la
confiabilidad
• Es muy importante clasificar correctamente los datos de
acuerdo a su tipo:
Datos Agrupados.
Datos no Agrupados

• Datos censurados; utilizan el tiempo para fallar y tiempo
de suspensión
A la izquierda
A la derecha

• Datos por Intervalo; el tiempo de falla está basado sobre
un intervalo en el que se realiza la inspección
1-119
Sin Censura
• Veamos un ejemplo simple, que nos guiará en la situación
de Datos Sin Censura. Se realizaron pruebas de
confiabilidad a seis unidades y se observaron los
siguientes tiempos de falla: 64,46,83,123,105 y 150 horas,
nos interesa conocer;
• El tipo de distribución que modela su comportamiento.
• Estimar los parámetros.
• Gráfica de probabilidad
1-120
Censura a la Derecha
(ejemplo 2)
•Diez unidades idénticas fueron probadas para determinar su
confiabilidad a la misma aplicación y a tres niveles de operación. Seis
de esas diez fallaron durante la prueba Tj: 16,34,53,75,93, y 120.
• Las cuatro unidades restantes permanecieron operando, este es un
claro ejemplo de datos censurados a la derecha o suspendidos,
después de 120 horas.Nos interesa determinar los parámetros de la
distribución Weibull, su Función de Densidad y la Gráfica de
Probabilidad, para su interpretación.
tiempo
120
1-121
Con Censura introduciendo el concepto
Tiempo de Misión
En ocasiones nos interesa conocer la confiabilidad o la
no confiabilidad de unidades sometidas a pruebas para
un cierto tiempo de misión.
Siendo que el tiempo que se denomina de misión es una
decisión de negocio, resulta fundamental saber en que
medida los productos que fabricamos satisfacen la
decisión de negocio.
Utilizando la misma información del ejemplo 2,
preguntamos ¿Cuál es la confiabilidad de las unidades
para una duración (tiempo) de misión de 226 horas,
iniciando el tiempo de misión en el T=0 ?
1-122
Con Censura introduciendo el
concepto de Tiempo de Misión
con un valor inicial diferente de
cero
Confiabilidad Condicional
Utilizando los datos del ejemplo 2, calcular la confiabilidad
para un tiempo de misión de t = 30 horas, iniciando la
misión al tiempo T = 30 horas?

¿Cuál es el tiempo de garantía para lograr una
confiabilidad de 85%?
Tiempo de Misión
definida por el negocio

T = 30 horas
Inicio Tiempo de Misión
t = 30 horas
1-123
Función que representa la confiabilidad buscada::


8218 . 0
8612 . 0
7077 . 0
) 30 , 30 (
ˆ
= = hr hr R
% 18 . 82 ) 30 , 30 (
ˆ
= hr hr R
) (
) (
) , (
T R
t T R
t T R
+
=
; tiempo de duración de la misión
; tiempo de inicio de la misión
T
t
1-124
Análisis de Datos Agrupados
El procedimiento de Análisis de Datos Agrupados se
explica a través de un ejercicio. La diferencia reside en
decir el número de estados que se presentan para cada
tiempo de falla, esta información se registra al realizar
las pruebas de confiabilidad. Dependiendo del
agrupamiento que se de a los datos será el análisis de
los mismos.
Los datos se presentan en la siguiente pantalla:
1-125
Estimación Máxima Verosimilitud
Una característica es que cada tiempo individual es
explícitamente usado en el cálculo de los parámetros,
entonces no hay diferencia en la entrada de un grupo de
10 unidades fallando a las 100 horas y 10 entradas
individuales de 100 horas. Sin embargo, si hay
incertidumbre en conocer cual es el tiempo exacto al que
las unidades fallaron, se recomienda utilizar datos por
intervalos, ejemplo 10 unidades fallaron a las 100 horas,
otras unidades fallaron entre las 100 y las 200 horas, y
otras 10 fallaron entre 200 y 300 horas.
1-126
Tabla Resumen
RRX MLE
|
q
2.6885 3.6214
724.3180 810.2044
Los resultados muestran valores de los parámetros
muy diferentes, ¿cuáles son las implicaciones en la
confiabilidad?
1-127
¿Máxima Verosimilitud o
Mínimos cuadrados?
• ¿Qué método preferir?
• La respuesta es: depende
• Para muestras pequeñas MLE es mejor
• RR da una medida del ajuste de los datos a la distribución con
el coeficiente de correlación. Un mal ajuste alerta sobre la
posibilidad de múltiples modos de falla. Esto se puede
identificar en la gráfica lineal, cosa que en MLE es más difícil
por la forma de graficar una solución
1-128
Datos Agrupados, enfatizando su Distribución y
Función

Fue probada la confiabilidad de 20 unidades, los tiempos de
falla son: 7 unidades fallaron a las 100 horas, 5 unidades
fallaron a las 200 horas, 3 unidades fallaron a las 300 horas,
2 unidades fallaron a las 400 horas, una unidad falló a las 500
horas, y 2 unidades fallaron a las 600 horas.

• Utilizar la distribución exponencial y estimar sus parámetros.
• Generar la Gráfica de Probabilidad Exponencial.
• Generar la Gráfica de Confiabilidad contra Tiempo de Falla
• Obtener la Gráfica de la Función de Densidad de
Probabilidad
• Obtener la Gráfica que relaciona la Tasa de Falla contra el
Tiempo
Ejemplo 4
1-129
Parámetros de la Distribución Exponencial
1-130
Gráfica de
Probabilidad
Exponencial
Confiabilidad
contra tiempo
1-131
Función de Densidad
de Probabilidad
Gráfica de Tasa de Fallas
contra Tiempo
Lambda = 0.0058
Gamma = 72.68
1-132
Tiempo de falla asumiendo que los datos se aproximan a una
Distribución Normal
Se probaron seis unidades y los tiempos de falla fueron:
11,260; 12,080; 12,125; 12,825; 13,550 y 14,760 horas, nos
interesa conocer:
• Los parámetros de la Distribución y en particular utilizar
como el método de estimación de los Parámetros Regresión
del Rango sobre la X
• Gráfica de Probabilidad para los datos.
• Gráfica de la Función de Densidad de Probabilidad
Ejemplo 5
1-133
Pasos en la solución del ejemplo caracterizado
por una Distribución Normal
1. Seleccionar el
tipo de datos
2. Vaciar los datos
1-134
3. Seleccionar la
Distribución Normal
y regresión del
Rango sobre la X
para estimación de
los parámetros
4. Función
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27
1-135
5. Gráfica de
Probabilidad Normal
incluyendo el
intervalo de
confianza del 90%
1-136
Datos con Censura
Usando los datos del ejemplo 5 contestar las siguientes
preguntas:

1. Determinar la confiabilidad para un tiempo de misión de
11,000 horas y un intervalo de confianza del 90% sobre su
confiabilidad.

2. Determinar el tiempo promedio entre falla para un
intervalo de confianza del 90% sobre el MTBF

Ejemplo 6
1-137
Respuesta pregunta 1
Tenemos la estimación puntual de la confiabilidad:
R(t=11,000) = 0.9031
Y la estimación de un intervalo de confianza de 90% de confianza:
P(0.5828<R(t=11,000)<0.9916) = 0.90
1-138
Respuesta pregunta 2
Respuesta
Requerimientos
Tenemos la estimación puntual de la vida media:
Vida Media= 12,751.7
Y la estimación de un intervalo de confianza de 90% de confianza:
P(11,846.1<Media<13,657.2) = 0.90
1-139
Datos por intervalo
– Considere los datos por intervalo dados a
continuación
Número en
Estado
Última
inspección Estado
Tiempo final
de estado
5 0.00 F 6.12
16 6.12 F 19.92
12 19.92 F 29.64
18 29.64 F 35.40
18 35.40 F 39.72
2 39.72 F 45.24
6 45.24 F 52.32
17 52.32 F 63.48
73 63.48 S 63.48
Determine los
parámetros
de una
Weibull de 2
parámetros
usando MLE
y obtenga el
gráfico de la
función de
logaritmo de
verosimilitud
1-140
Beta=1.4854
Eta= 71.6904
1-141
Ventajas de los Datos con
Censura
• Es el esquema de datos más común en la práctica.
• Representan situaciones reales de confiabilidad en donde no todas
las unidades fallan, o bien no se conocen los tiempos para fallar de
todas las unidades.
• Censura a la Derecha son datos de vida de unidades que no fallaron
en el tiempo de misión establecido.
• Intervalo de Datos Censurados, se refiere a datos en donde existe la
incertidumbre del tiempo exacto en que las unidades fallaron.
• Censura a la Izquierda parecido al intervalo, en ellos el tiempo de
falla no se conoce exactamente sino hasta que se inspecciona, la
falla podría ocurrir entre 0 y 100 horas.
1-142
Puntos Clave
• Tipo de Datos Observados
• Datos Agrupados y Datos no Agrupados
– Censurados a la izquierda
– Censurados a la derecha
– Sin Censura
• Parámetros de las Distribuciones de Probabilidad:
• - Weibull
• - Exponencial
• - Normal
• - Lognormal

1-143
• Métodos de Estimación de Parámetros:

- Regresión del Rango sobre X
- Regresión del Rango sobre Y
- Método de Estimación de Máxima Verosimilitud

•Gráficas Especiales
- Función de Distribución Acumulada
- Gráfica de Probabilidad
- Función de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
• Intervalos de confianza para la confiabilidad

Puntos Clave
1-144
5. CÁLCULOS Y PRUEBAS
DE CONFIABILIDAD

1-145
• Agenda
– Introducción
– Métodos No-paramétricos
– Métodos Paramétricos
– Planear Pruebas
1-146
• Tópicos cubiertos
– Pruebas de Demostración de Confiabilidad
• Resultados de pruebas
• Planeación de pruebas
– Pruebas No-Paramétricas
• Prueba de Rachas exitosas
• Prueba de Porcentaje Superviviente
• Prueba de Mann-Whitney
– Pruebas Paramétricas
• Caso Exponencial
• Caso Weibull
– Planear Pruebas
• Caso Exponencial
• Weibull sin fallas
- Introducción
1-147
• Tópicos no cubiertos
– Pruebas de Crecimiento de Confiabilidad
• v.g., Modelos Duane, Modelos Gompertz

– Pruebas Aceleradas
• v.g., HALT, HASS, Modelos Arrhenius

– Muchos otros métodos no-paramétricos
• v.g., Prueba de Rachas Wald-Wolfowitz, Pruebas
Binomial-Pearson

– Muchos otros métodos paramétricos
• v.g. Pruebas de Muerte Súbita, SPRT’s
- Introducción
1-148
• No-paramétricas
– Usadas cuando la distribución subyacente de los
tiempos para falla no se conoce
• No se conocen los parámetros de la distribución o
pueden estar supuestos
• Insuficientes unidades de prueba disponibles para
determinar la distribución subyacente

– No tienen una potencia tan alta para hacer una
decisión correcta como una prueba paramétrica.
• La potencia aumenta con el tamaño de la muestra
• Pudiera ser tan potente si los datos no siguen una
distribución conocida
- No-paramétricas
1-149
• Prueba de Rachas Exitosas

– La duración de la prueba está predeterminada

– La duración de la prueba debe igualar a la
duración de la misión
• El término exitoso de la prueba proporciona una
confiabilidad para esa duración de prueba.
• El valor de la confiabilidad no puede ser determinado
para cualquier otra duración
– Los métodos presentados después intentan atender esto

– Requiere que todas las unidades sobrevivan
para la duración (no se permiten fallas)
• Todas las unidades son exitosas, de ahí el nombre de la
prueba
- No-paramétricas
1-150
• Prueba de Rachas Exitosas

– El límite inferior de confianza, de un solo lado,
para la confiabilidad es

• R
L1
(t) = (1-CL)
1/N

– R
L1
(t) = límite inferior de confianza, para intervalo de un
solo lado, para la confiabilidad de una misión de duración t
– CL = nivel de confianza (en decimales, esto es, 0.90 y no
90 para un 90% de confianza)
– N = tamaño de muestra
» número de unidades probadas para una duración t sin
falla
» número de misiones exitosas terminadas por una
unidad
- No-paramétricas
1-151
• Prueba de Rachas Exitosas

– Puede negociar R
L1
(t), CL, y N
• Para un CL dado, R
L1
(t) aumenta con el tamaño de la
muestra

– Dado un requerimiento de confiabilidad para algún
tiempo y nivel de confianza especificados, la
ecuación se puede arreglar para determinar el
tamaño de muestra requerido


( ) | |
N
CL
R t
L
=
÷ ln( )
ln
1
1
- No-paramétricas
1-152
• Prueba de Rachas Exitosas
– Ejemplo
• 10 tuercas fueron puestas en una prueba de vida
simulando 10 años de servicio. Todas las diez tuercas
completaron la prueba sin fallas. ¿Cuál es el límite
inferior de 90% de confianza unilateral para la
confiabilidad de estas unidades?.

– Solución
• R
L1
(t) = (1-CL)
1/N

– N = 10
– CL = 0.90
– t = 10 años
• R
L1
(10 años) = (1-0.90)
1/10
= 0.794 o 79%

– ¿Qué puede decirse acerca de la confiabilidad
para 20 años basándose en este análisis?
- No-paramétricas
LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD
N = 10 piezas que completan prueba sin falla
CL = 0.9 valor de confianza
t = 10 años
R
L1
= 0.79432823 Límite inferior unilateral de confiabilidad
En EXCEL Archivo Cap 5.xls
1-153
• Prueba de Rachas Exitosas
– Ejemplo (continua)
• El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 años de
servicio con 90% de confianza. ¿Cuántas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?

– Solución


– R
L1
(10 años) = 90%, ó 0.90
– CL = 90%, ó 0.90


( ) | |
N
CL
R t
L
=
÷ ln( )
ln
1
1
( ) | |
22 85 . 21
) 90 . 0 ln(
) 90 . 0 1 ln(
ln
) 1 ln(
1
o
t R
CL
N
L
=
÷
=
÷
=
- No-paramétricas
1-154
• Prueba de Porcentaje-Superviviente

– La duración de la prueba está predeterminada

– La duración de la prueba deberá igualar a la
duración de la misión
• Completar exitosamente la prueba provee una
confiabilidad para esa duración de la prueba
• El valor de la Confiabilidad no puede ser determinado
para cualquier otra duración
– Los métodos presentados después tratarán de atender
esto.

– No requiere tiempos de falla, sólo el número de
fallas ocurrido
• Las unidades falladas no se reemplazan
- No-paramétricas
1-155
• Prueba de Porcentaje-Superviviente

– Estimado de confiabilidad para una prueba cuya
duración está predeterminada


– El límite inferior de confianza, de un solo lado,
para la confiabilidad de una prueba cuya duración
está predeterminada


donde F = punto de porcentaje superior de la distribución F
tal que el área a la izquierda con m y n grados de
libertad = (1-o)
R
N r
N
=
÷
R
r
N r
F
L
r N r
1
1 2 2 2 2
1
1
1
=
+
+
÷
|
\

|
.
|
÷ + ÷ o; ;
para r > 0
- No-paramétricas
1-156
• Prueba de Porcentaje-Superviviente
Ejemplo para una prueba cuya duración está
predeterminada
• Dado que 20 motores se probaron 500 horas y 2
motores fallaron durante esta prueba, ¿Cuál es el
límite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad?


( )
R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2 2
1
0 90 2 2 2 2 20 2 2
1
1
1
1
1
2 1
20 2
1
1
3
18
195
1
1325
0 755
=
+
+
÷
|
\

|
.
|
=
+
+
÷
|
\

|
.
|
=
+
|
\

|
.
|
= =
÷ + ÷
+ ÷
o; ;
. ; ( ) ; ( ) ( )
.
.
.
Encontrada en tabla F
- No-paramétricas
LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA POR TIEMPO)
N = 20 piezas que completan prueba sin falla
(1 - o) = 0.9 valor de confianza
r = 2 número de piezas falladas
F(1-o;2r+2;N-2r) = 1.94454941 Percentil de distrib. F tal que el área a la izquierda = (1-o)
t = 500 horas
R
L1
= 0.75523478 Límite inferior unilateral de confiabilidad
Rmedia = 0.9
En EXCEL
Archivo
Cap 5.xls
1-157
• Prueba de Porcentaje-Superviviente

– Ejemplo para una prueba cuya duración está
predeterminada (continuación)
• ¿Cuál sería el límite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad si no se hubieran observado fallas en
esta prueba?
( )
R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2 2
1
0 90 2 0 2 2 20 2 0
1
1
1
1
1
0 1
20 0
1
1
1
20
2 44
1
1122
0 891
=
+
+
÷
|
\

|
.
|
=
+
+
÷
|
\

|
.
|
=
+
|
\

|
.
|
= =
÷ + ÷
+ ÷
o; ;
. ; ( ) ; ( ) ( )
.
.
.
Encontrada en tabla F
- No-paramétricas
1-158
• Prueba de Porcentaje-Superviviente

– Estimado de confiabilidad para una prueba terminada
al momento de ocurrir la r-ésima falla



– El límite inferior de confianza, de un solo lado, para la
confiabilidad de una prueba terminada al momento de
ocurrir la r-ésima falla



• donde F = punto de porcentaje superior de la distribución F tal
que el área a la izquierda con m y n grados de libertad = (1-o)
R
N r
N
=
÷
para r > 0
R
r
N r
F
L
r N r
1
1 2 2 2
1
1
=
+
÷
|
\

|
.
|
÷ ÷ o; ;
- No-paramétricas
1-159
• Prueba de Porcentaje-Superviviente

– Ejemplo para una prueba terminada al ocurrir la
r-ésima falla
• Dados 20 motores como antes, probados por 500
horas, pero esta vez la prueba se detiene cuando el
tercer motor falla a las 500 horas, ¿Cuál es el límite
inferior de confianza de 90%, de un solo lado, para la
confiabilidad?



R
r
N r
F
R
F
L
r N r
L
1
1 2 2 2
1
0 90 2 3 2 20 2 3
1
1
1
1
3
20 3
1
1
3
17
196
1
1346
0 743
=
+
÷
|
\

|
.
|
=
+
÷
|
\

|
.
|
=
+
|
\

|
.
|
= =
÷ ÷
÷
o; ;
. ; ( ); ( ) ( )
( . )
.
.
- No-paramétricas
LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA A FALLA)
N = 20 piezas que completan prueba sin falla
(1 - o) = 0.9 valor de confianza
r = 3 número de piezas falladas
F(1-o;2r+2;N-2r) = 1.95501215 Percentil de distrib. F tal que el área a la izquierda = (1-o)
t = 500 horas
R
L1
= 0.74349324 Límite inferior unilateral de confiabilidad
En EXCEL
Archivo
Cap 5.xls
1-160
• Prueba de Mann-Whitney
– Usada para determinar si dos muestras son
significativamente diferentes
• Supone que las distribuciones subyacentes de tiempo
para falla difieren sólo en sus medias
– No se requieren los tiempos exactos de falla
– Sólo se necesita saber el orden en que la muestra
combinada falló
– No requiere tamaños de muestra iguales
• Muchas pruebas de comparación no-paramétricas requieren
observaciones apareadas o tamaños de muestra iguales
- No-paramétricas
1-161
• Prueba de Mann-Whitney
– Ejemplo
• El mismo componente se surte por dos
manufactureros diferentes, llamados A y B. Se
obtuvieron 8 componentes de A y 10 de B y todos los
18 se pusieron en una prueba de confiabilidad (los
resultados están abajo). ¿Hay una diferencia entre
los manufactureros en un nivel de confianza de 95%?

Ciclos al Ciclos al
Fallar- Fallar- H
O
: A = B
Mfr A Mfr B H
1
: A = B
865 884
919 905
894 914
840 835
899 942
787 878
875 922
831 887
858
896
- No-paramétricas
Abrir el archivo dosmfr.MTW
1-162
- No-paramétricas
• Prueba de Mann-Whitney
1-163
- No-paramétricas
Mann-Whitney Confidence Interval and Test

Mfr A N = 8 Median = 870.00
Mfr B N = 10 Median = 891.50
Point estimate for ETA1-ETA2 is -23.00
95.4 Percent CI for ETA1-ETA2 is (-66.99,12.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.1684

Cannot reject at alpha = 0.05
• Prueba de Mann-Whitney
1-164
• Prueba de Mann-Whitney
– Revisión del procedimiento
• Obtenga 2 muestras y póngalas en una prueba de
confiabilidad
• Registre los tiempos de falla o al menos el orden de falla
• Capture las dos muestras en dos columnas en una hoja de
datos Minitab
• Siga la secuencia Stat>Nonparametrics>Mann-Whitney
• Señale la primera columna como la primera muestra
• Seleccione la segunda columna como la segunda muestra
• Fije el nivel de confianza deseado para la prueba
• Establezca si la hipótesis alternativa es no igual , mayor que,
menor que
• Marque OK
• En la ventana de Sesión tiene los resultados:
– La prueba de hipótesis declarada
– El intervalo de confianza de la diferencia de las medianas
– el valor p
– un mensaje que declara si se puede rechazar o no la Hipótesis nula con
alfa de 5%
- No-paramétricas
1-165
• Resumen No-paramétrico

– Prueba de Rachas Exitosas
• Usado para obtener un límite de confianza inferior unilateral
sobre la confiabilidad
• El tamaño de muestra N debe ser probado el tiempo de
duración de la misión sin fallas

– Prueba de Porcentaje-Superviviente
• Usado para obtener un límite de confianza inferior, unilateral
de la confiabilidad
• El tamaño de muestra N probado para la duración de la
misión con fallas permitidas
• Los tiempos de falla no se necesitan conocer, sólo el
número de fallas

– Prueba de Mann-Whitney
• Usada para comparar la confiabilidad de dos muestras
• Permite tamaños de muestra desiguales
• Todas las unidades probadas hasta fallar; necesita sólo el
orden de las fallas
- No-paramétricas
1-166
• Paramétricas
– Usadas cuando la distribución subyacente de
los tiempos para fallar se conoce o puede ser
supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-
217)
• Conocimiento Ingenieril del mecanismo de falla
– Tiene más poder para hacer una decisión
correcta que las pruebas no-paramétricas
• Puede ser más incorrecta si la distribución verdadera
es diferente que la distribución, o los parámetros de
distribución supuestos.
– Rinde información más precisa que los
métodos no-paramétricos
• Los intervalos de confianza son más amplios usando
no-paramétricas
– Permite extrapolar fuera del rango de los datos
- Paramétricas
1-167
• Dos distribuciones cubiertas
– Exponencial

– Weibull

Estas dos tienen más aplicación a nuestro negocio.
- Paramétricas
1-168
• Pruebas Exponenciales
– Terminadas por Tiempo, con y sin reemplazos
• La prueba se detiene cuando t
d
horas (ciclos) han
pasado y y no hay falla coincidente con t
d

» Estimación de MTBF
» Límites de Confianza de MTBF

– Terminada por Fallas, con y sin reemplazos
• La prueba se detiene cuando la falla r
ésima
ocurre
» Estimación de MTBF
» Límites de confianza de MTBF
- Paramétricas
1-169
• Pruebas Exponenciales
– Definiciones
• ì = tasa de falla
• MTBF = tiempo medio entre fallas (mean time between
failures) = 1/ ì
• m = estimado de MTBF
• N = tamaño de muestra
• td = duración de prueba
• Ta = horas de prueba acumuladas = Ntd
• r = número de fallas
• CL = nivel de confianza = 1 - o
– donde o es el riesgo de hacer una decisión equivocada
- Paramétricas
1-170
• Exponencial
– Pruebas terminadas por tiempo sin reemplazo

• Estimado de MTBF




• Límite inferior de confianza, unilateral, de MTBF, m
L1





¿Por qué inferior, unilateral?

m
Ta
r
T N r td
r
i
i
r
= =
¿
+ ÷
=1
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2
~ =
+ +
_ _
o o ; ;
- Paramétricas
1-171
• Exponencial
– Pruebas terminadas por tiempo sin remplazo
• Ejemplo: Diez unidades se pusieron a prueba por 1500
horas. Las fallas ocurrieron a las 234 horas, 776, horas y
1078 horas. Las restantes 7 continuaron hasta las 1500
horas sin fallar. ¿Cuál es la estimación de m y un límite
inferior de 95% de confianza unilateral de m?.¿Cuánto
es el estimado de la confiabilidad para una misión de
500 horas? ¿Cuál es el límite inferior unilateral de 95%
de confianza para una misión de 500 horas?






- Paramétricas
m
Ta
r
T N r td
r
i
i
r
= =
+ ÷
=
+ + + ÷
= =
=
¿
1
234 776 1078 10 3 1500
3
12588
3
4196
( )
( )
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
0 05 2 3 2
2
2 2 2 12588 25176
15 507
1624 ~ = = = =
+ + +
_ _ _
o o ; ; . ; ( )
.
De tabla
1-172
• Exponencial
– Pruebas terminadas por tiempo sin remplazo
• Ejemplo (continua): ¿Cuánto es el estimado de
confiabilidad para una misión de 500 horas? ¿Cuál es el
límite inferior unilateral de 95% de confianza para una
misión de 500 horas?
• El estimado de R(t) está asociado con el estimado de
MTBF, y el límite inferior de confianza de R(t) está
asociado con el límite inferior de confianza de MTBF

– R(t) = exp(-t/m) = exp(-500/4196) = 0.888

– R
L1
(t) = exp(-t/m
L1
) = exp(-500/1624) = 0.735
- Paramétricas
Estamos 95% confiados que la confiabilidad para estas
unidades excede 73.5% para una misión de 500 horas
1-173
•Exponencial pruebas terminadas
por tiempo sin reemplazo
Abra tsinr.wdf
•Marque distribución
exponencial con un
parámetro
•Elija MLE,
estimación de
máxima verosimilitud
Marque el botón de
cálculo de
parámetros
Señale el botón de la
“Calculadora”
1-174
•Aparece la
Calculadora
•Marcar Option,
Other Calculations
Señale:
Show
Confidence
Bounds
•Deje marcado:
Show Lower Sided
•Regrese a Basic
Calculations
1
2
3
4 •Marque
Show Mean
Life
•0.95 en
Confidence
Level
•Marque
Calculate
•Exponencial pruebas terminadas por
tiempo sin reemplazo
1-175
La media se estima en 4196, con un
límite inferior unilateral de 1622.9
•Ahora marque Std Prob Calculations
•Escriba en Mission End Time: 500
Señalando en
Calculate se obtiene
una R(t) = 0.8877 y
R
L1
(t) = 0.7349
•Exponencial pruebas terminadas
por tiempo sin reemplazo
1-176
• Exponencial
- Paramétricas
Terminadas por Tiempo
Terminadas por Fallas
con reemplazo
sin reemplazo
m = Ta/r = Ntd/r m = Ta/r = Ntd/r
m
Ta
r
T N r td
r
i
i
r
= =
+ ÷
=
¿
1
( )
m
Ta
r
T N r td
r
i
i
r
= =
+ ÷
=
¿
1
( )
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2
~ =
+ +
_ _
o o ; ;
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2
~ =
+ +
_ _
o o ; ;
m
T
L
a
r
1
2
2
2
=
_
o;
m
T
L
a
r
1
2
2
2
=
_
o;
En cualquier caso, las estimaciones se basan en las horas
totales acumuladas y el número de fallas observadas
1-177
• Exponencial
– Pruebas terminadas por tiempo con remplazo
• Ejemplo: Diez unidades se pusieron a prueba por
1500 horas. Las fallas ocurrieron a las 234 horas,
776, horas y 1078 horas. Las fallas fueron
reemplazadas con unidades idénticas. Las restantes
7 continuaron hasta las 1500 horas sin fallar. ¿Cuál
es la estimación de m y un límite inferior de 95% de
confianza unilateral de m?.¿Cuánto es el estimado de
la confiabilidad para una misión de 500 horas? ¿Cuál
es el límite inferior unilateral de 95% de confianza
para una misión de 500 horas?
• Estimación de MTBF
– m = Ntd/r = Ta/r

• límite inferior, unilateral de confianza de MTBF, m
L1




- Paramétricas
m
rm T
L
r
a
r
1
2 2
2
2 2
2
2 2
~ =
+ +
_ _
o o ; ;
1-178
• Exponencial
– Pruebas terminadas por tiempo con remplazo
• Ejemplo: (continua)

• Estimación de MTBF
– m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas

• límite inferior, unilateral de confianza de MTBF, m
L1




donde _
2
o;2r+2
= _
2
0.05;2(3)+2
= 15.507
- Paramétricas
horas
T rm
m
r
a
r
L
1935
507 . 15
) 15000 ( 2 2 2
2
2 2 ;
2
2 2 ;
1
= = = ~
+ + o o
_ _
Puede verificarse en tconr.wdf
1-179
• Exponencial
– Pruebas terminadas por tiempo con reemplazo
• Ejemplo (continuación): ¿Cuánto es el estimado de
confiabilidad para una misión de 500 horas? ¿Cuál es el
límite inferior unilateral de 95% de confianza para una
misión de 500 horas?

• El estimado de R(t) está asociado con el estimado de
MTBF y el límite inferior de confianza de R(t) está
asociado con el límite inferior de confianza de MTBF

• R(t) = exp(-t/m) = exp(-500/5000) = 0.905

• R
L1
(t) = exp(-t/m
L1
) = exp(-500/1935) = 0.772
- Paramétricas
Hay una oportunidad de demostrar mayor confiabilidad
si las unidades falladas son reemplazadas
1-180
• Exponencial
– Caso especial cuando no se observan fallas

• m = Ta/r = Ta/0 = ?

• No puede estimarse MTBF o la confiabilidad correspondiente

• Puede calcular un límite inferior, unilateral, de confianza de
MTBF



• Puede obtener un límite inferior, unilateral de confianza de
confiabilidad
R
L1
(t) = exp(-t/m
L1
)
- Paramétricas
m
rm T T T T
CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1
~ = = = =
÷ ÷
+ + +
_ _ _ _
o o o o ; ; ; ( ) ;
ln( )
Consejo: Si o = 0.50, se obtuvo un estimado
1-181
• Exponencial
– Caso especial cuando no se observan fallas
• Ejemplo: Diez unidades se pusieron a prueba por 1500
horas.. Todas completaron la prueba sin falla. ¿Cuál es
la estimación de m y un límite inferior de 95% de
confianza unilateral de m?.¿Cuánto es el estimado de la
confiabilidad para una misión de 500 horas? ¿Cuál es el
límite inferior unilateral de 95% de confianza para una
misión de 500 horas?
• Aquí podemos usar CL = 50% para obtener un estimado
y un CL = 95% para obtener los límites de confianza
inferiores unilaterales
- Paramétricas
1-182
• Exponencial
– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para estimar, use el límite
inferior unilateral de confianza de MTBF, m
L1
, con CL =
0.50



- Paramétricas
( )
m
rm T T T T
CL
m
L
r
a
r
a a a
L
1
2 2
2
2 2
2
2 0 2
2
2
2
1
2 2 2 2
1
10 1500
1 0 50
21640
~ = = = =
÷ ÷
~
÷ ÷
=
+ + +
_ _ _ _
o o o o ; ; ; ( ) ;
ln( )
ln( . )
sin fallas
Puede
verificarse en
tsinf.wdf
1-183
• Exponencial
– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para obtener el límite inferior,
de confianza unilateral de confianza de MTBF, m
L1
, con
CL = 0.95



( )
m
rm T T T T
CL
m
L
r
a
r
a a a
L
1
2 2
2
2 2
2
2 0 2
2
2
2
1
2 2 2 2
1
10 1500
1 0 95
5007
~ = = = =
÷ ÷
~
÷ ÷
=
+ + +
_ _ _ _
o o o o ; ; ; ( ) ;
ln( )
ln( . )
- Paramétricas
1-184
• Exponencial
– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para estimar la confiabilidad y el
límite inferior, unilateral de confianza de la confiabilidad
use el m
L1
apropiado

– Para estimar,
R
L1
(t) = exp(-t/m
L1
) = exp(-500/21640) = 0.977, o
estamos 50% confiados que la confiabilidad es no
menor de 0.977 para 500 horas de misión

– Para el límite inferior, unilateral de confianza ,
R
L1
(t) = exp(-t/m
L1
) = exp(-500/5007) = 0.905, o estamos
95% confiados que la confiabilidad no es menor de
0.905 para 500 horas de misión

- Paramétricas
1-185
• Dos distribuciones cubiertas

Hemos visto la
– Distribución Exponencial

Ahora, cubriremos la
– Distribución Weibull

Estas dos tienen la mayor aplicación en nuestro
negocio
- Paramétricas
1-186
• Distribución Weibull
– mientras la pdf exponencial modela las
características de vida de los sistemas, la Weibull
modela las características de vida de
componentes y partes

– modela fatiga y ciclos de falla de sólidos

– muy adecuado para datos de vida
– la pdf Weibull es una distribución de los elementos más débiles de
una muestra

– muy flexible y puede tomar muchas formas
diferentes
- Paramétricas
1-187
• Weibull
– Caso especial cuando se observaron pocas o
ninguna falla

• Es necesario suponer una Pendiente Weibull, |, para
obtener un estimador de la vida característica, q
– Aproximada de datos similares
– Por juicio de ingeniería requiriendo conocimiento del
mecanismo de falla v.g.,
» fatiga de ciclos bajos y corrosión típicamente tienen una
pendiente Weibull de 1 < | < 2
» fatiga de ciclos altos y mecanismos de desgaste rápido
típicamente tienen una pendiente Weibull 2 < | < 5

• Deben realizarse análisis con varias pendientes para
determinar la sensibilidad al supuesto de pendiente
- Paramétricas
1-188
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• El límite inferior, de confianza unilateral de la Vida Característica
es




• Si no hay fallas, entonces



- Paramétricas

;
q
_
|
o
|
=
¦
´
¦
¦
¹
¦
¦
¹
`
¦
¦
)
¦
¦
=
+
¿
2
1
2 2
2
1
T
i
i
N
r

ln( )
q
|
|
=
÷ ÷
¦
´
¹
¹
`
)
Nt
CL
d
1
1
Consejo: Si o = 0.50, se obtuvo un estimado
1-189
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Para obtener un límite inferior, unilateral de confianza de la
confiabilidad

– R
L1
(t) = exp{-(t / q
L1
)
|
- Paramétricas
pendiente supuesta
1-190
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.
Todas completaron la prueba sin fallar. Suponiendo que el
tiempo de falla para estas unidades sigue una distribución
Weibull con pendiente | = 1.5, ¿Cuál es el límite inferior
unilateral de 95% de confianza de q? ¿ Cuál es el límite inferior
unilateral de 95% de confianza de la confiabilidad para una
misión de 500 horas?
- Paramétricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
15
1
15
1
10 1500
1 0 95
3350 =
÷ ÷
¦
´
¹
¹
`
)
=
÷ ÷
¦
´
¹
¹
`
)
=
R
L1
(t) = exp{-(t / q
L1
)
|
} = exp{-(500/3350)
1.5
} = 0.943
1-191
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

- Paramétricas
•Abrir el archivo tsinf.wdf
•Pida el análisis Weibull para dos parámetros
1-192
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto
de la pendiente?

• Supongamos una pendiente de 1.25
- Paramétricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
125
1
125
1
10 1500
1 0 95
3934 =
÷ ÷
¦
´
¹
¹
`
)
=
÷ ÷
¦
´
¹
¹
`
)
=
R
L1
(t) = exp{-(t / q
L1
)
|
} = exp{-(500/3934)
1.25
} = 0.927
1-193
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto
de la pendiente?

• Supongamos una pendiente de 1.75
- Paramétricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
175
1
175
1
10 1500
1 0 95
2987 =
÷ ÷
¦
´
¹
¹
`
)
=
÷ ÷
¦
´
¹
¹
`
)
=
R
L1
(t) = exp{-(t / q
L1
)
|
} = exp{-(500/2987)
1.75
} = 0.957
1-194
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto
de la pendiente(resumen)?
- Paramétricas
| = 1

| = 1.25

| = 1.5

| = 1.75
R
L1
(500)
0.957
0.905
0.927
0.943
Cuando no se observan fallas, se da más potencia si
se puede suponer una pendiente de Weibull > 1
}
No mucha influencia
en este caso
| = 1 es exponencial,
más conservador
1-195
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto
de la pendiente? ¿Qué pasa si yo estimo exageradamente la
pendiente Weibull, y supongo una pendiente de 3?
- Paramétricas

ln( )
( )( )
ln( . )
q
|
|
L
d
Nt
CL
1
1
3
1
3
1
10 1500
1 0 95
2242 =
÷ ÷
¦
´
¹
¹
`
)
=
÷ ÷
¦
´
¹
¹
`
)
=
R
L1
(t) = exp{-(t / q
L1
)
|
} = exp{-(500/2242)
3
} = 0.989
Necesita justificarse el supuesto de la pendiente Weibull, ya que un
supuesto de pendiente alta puede influir fuertemente los resultados
1-196
• Planear Pruebas para la Exponencial

– Use la meta de confiabilidad, Rg, igual a R
L1

• Si R
L1
= Rg, podemos estar CL% seguros que la R real
será al menos Rg

– Necesita determinar Ta, r, y N tales que R
L1
= Rg
en el CL escogido

– Recuerde, R = exp(-t/MTBF)
• Dado Rg, MTBFg puede ser determinado
- Planear Pruebas
1-197
• Planear Pruebas para la Exponencial

– MTBFg está determinado por
• Rg = exp(-t/MTBFg)
• MTBFg = -t/ln(Rg)
Ahora, tenemos el requerimiento en una forma que
podemos usar para determinar el tiempo de prueba y
el número permisible de fallas para una prueba cuya
duración es predeterminada
- Planear Pruebas
m MTBFg
rm T
Ta
MTBFg
L
r
a
r
r
1
2 2
2
2 2
2
2 2
2
2 2
2
= ~ =
=
+ +
+
_ _
_
o o
o
; ;
;
( )
1-198
• Planear Pruebas para la Exponencial

– Si no están permitidas las fallas




– Permite la negociación entre tamaño de muestra y
duración de la prueba para lograr una
confiabilidad dada a una confianza dada
- Planear Pruebas
m MTBFg
rm T T T T
CL
Ta MTBFg CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1
1
= ~ = = = =
÷ ÷
= ÷ ÷
+ + +
_ _ _ _
o o o o ; ; ; ( ) ;
ln( )
{ ln( )}
1-199
• Planear Pruebas para la Exponencial

– si no se permiten fallas

• Ejemplo: El requerimiento de confiabilidad para una
unidad es 99% confiable para una misión de 500 horas
con 95% de confianza (inferior, unilateral). Dado que no
se permiten fallas, ¿Cuántas unidades debo de probar
por cuanto tiempo para lograr este requerimiento?
• MTBFg se determina por
» Rg = exp(-t/MTBFg)
» MTBFg = -t/ln(Rg)
» MTBFg = -500/ln(0.99) = 49750
- Planear Pruebas
1-200
• Planear Pruebas para la Exponencial

– si no se permiten fallas

• Ejemplo (continuación):





• Entonces Ntd = 149036, o N = 10 unidades cada una
probada a 14904 horas sin fallas logrará este
requerimiento

• N = 20 probadas por 7452 horas sin fallas logrará
también este requerimiento
- Planear Pruebas
m MTBFg
rm T T T T
CL
Ta MTBFg CL
L
r
a
r
a a a
1
2 2
2
2 2
2
2 0 2
2
2
2
2 2 2 2
1
1 49750 1 0 95 149036
= ~ = = = =
÷ ÷
= ÷ ÷ = ÷ ÷ =
+ + +
_ _ _ _
o o o o ; ; ; ( ) ;
ln( )
{ ln( )} { ln( . )}
1-201
• Planear Pruebas para la Exponencial

– si no se permiten fallas

• Ejemplo (continuación): Si estamos limitados en el
número de unidades que podemos probar (debido a la
disponibilidad de lugar, costo o disponibilidad unitario,
etc.) a N = 8, ¿Cuánto debe correrse sin fallas para
alcanzar la meta de confiabilidad?

– Ta = Ntd = 149036
» donde N = 8

– td = 18630
- Planear Pruebas
1-202
• Planear Pruebas para la Exponencial

– Si se permite una falla

• Ejemplo (continuación): Qué pasa si permitimos una falla
durante la prueba y esta es remplazada. ¿Cuánto debe
durar la prueba?






• Entonces, si tenemos 20 lugares de prueba disponibles
podemos poner 20 unidades en prueba. 19 deben de ir
11800 horas sin fallas. Si ocurre una falla y es reemplazada
inmediatamente, el reemplazo debe terminar la prueba sin
falla.
- Planear Pruebas
m MTBFg
rm T
Ta
MTBFg
L
r
a
r
r
1
2 2
2
2 2
2
2 2
2
0 05 2 1 2
2
2 2
2
49750
2
49750 488
2
236014
= ~ =
= = = =
+ +
+ +
_ _
_ _
o o
o
; ;
; . ; ( )
( ) ( )
(9. )
obtenido de tabla
1-203
• Planear Pruebas para la Exponencial

– Similarmente, planes de prueba pueden ser
determinados para todos los esquemas de prueba
exponenciales

– Una buena referencia es Reliability & Life Testing
Handbook Volume I, Kececioglu, pp. 133-265

– Algunos de estos planes de prueba han sido tabulados
y pueden ser hallados en MIL-HDBK 781
- Planear Pruebas
1-204
• Planear Pruebas para la Weibull sin Fallar

– Debe ser una prueba de demostración, no una prueba
de crecimiento
• Las pruebas de crecimiento deben tener fallas
– Necesario suponer una pendiente Weibull
– Aproximada de datos similares
– Por juicio de ingeniería requiriendo conocimiento del mecanismo
de falla v.g.,
» fatiga de ciclos bajos y corrosión típicamente tienen una
pendiente Weibull de 1 < | < 2
» fatiga de ciclos altos y mecanismos de desgaste rápido
típicamente tienen una pendiente Weibull 2 < | < 5

• Deben realizarse análisis con varias pendientes para
determinar la sensibilidad al supuesto de pendiente
- Planear Pruebas
1-205
• Planear Pruebas para la Weibull sin Fallar

– Recuerde la ecuación para estimar la vida
característica sin fallar



– Recuerde la ecuación de confiabilidad Weibull
- Planear Pruebas

ln( )
q
|
|
=
÷ ÷
¦
´
¹
¹
`
)
Nt
CL
d
1
1
R t
t
( ) exp = ÷
|
\

|
.
|

¸

(
¸
(
(
¦
´
¦
¹
¦
¹
`
¦
)
¦
q
|
1-206
• Planear Pruebas para la Weibull sin Fallar

– Substituyendo la primera ecuación en la segunda
ecuación y solucionando para N, el tamaño de
muestra



– Si la meta de confiabilidad y la confianza
requerida se substituyen, puede negociarse el
tiempo de prueba con el tamaño de muestra
- Planear Pruebas
N
t
t
CL
R
d
=
|
\

|
.
|
÷ ÷
÷
¦
´
¹
¹
`
)
|
ln( )
ln( )
1
1-207
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo:
• El requerimiento de confiabilidad para una unidad es 99%
confiable para una misión de 500 horas con un 95% de
confianza (inferior, unilateral). Para este ejemplo, supongamos
que es un balero que históricamente ha tenido una pendiente
Weibull de 1.5. Dado que no se permiten fallas, ¿Cuántas
unidades debo de probar por cuanto tiempo para lograr este
requerimiento?




• Entonces , si hay 1500 horas de prueba disponibles, serían
necesarias 58 unidades para ser probadas por 1500 horas para
lograr los requerimientos
- Planear Pruebas
N
t
t
CL
R t t
d d d
=
|
\

|
.
|
÷ ÷
÷
¦
´
¹
¹
`
)
=
|
\

|
.
|
÷ ÷
÷
¦
´
¹
¹
`
)
=
|
\

|
.
|
|
ln( )
ln( )
ln( . )
ln( . )
( )
. .
1 500 1 0 95
0 99
500
298
15 15
1-208
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo (continuación):
• Qué pasa si hay sólo 25 lugares de prueba disponibles,
o sea., ¿Cuánto tiempo necesitarán las 25 ser probadas
sin fallar para lograr el requerimiento?
- Planear Pruebas
N
t
t
CL
R t t
t
d d d
d
=
|
\

|
.
|
÷ ÷
÷
¦
´
¹
¹
`
)
=
|
\

|
.
|
÷ ÷
÷
¦
´
¹
¹
`
)
=
|
\

|
.
|
=
|
\

|
.
|
=
|
ln( )
ln( )
ln( . )
ln( . )
( )
. .
.
1 500 1 0 95
0 99
500
298
500
25
298
2609
15 15
1
15
1-209
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo (continuación):
• ¿Cómo se compara este último resultado con un plan de
prueba usando la Prueba de Rachas Exitosas?

– Weibull sin fallar y suponiendo una pendiente de 1.5 fue 25
unidades para 2609 horas sin fallar
» sobre 65,000 horas de prueba- unidades

– Prueba de Rachas Exitosas



– o 298 unidades probadas por 500 horas sin fallar
» sobre 149,000 horas de prueba- unidades
- Planear Pruebas
( ) | |
N
CL
R t
L
=
÷
=
÷
=
ln( )
ln
ln( . )
ln( . )
1 1 0 95
0 99
298
1
1-210
• La técnica No-paramétrica puede ser rápida y fácil
– Lo bastante exacta para hacer un juicio de ingeniería
– Puede ser potente si los tamaños de muestra son
bastante grandes
– Apropiadas si nada se conoce
• Paramétricas - Exponencial
– Más potentes que las no-paramétricas
– Permiten negociar entre tamaño de muestra, CL,
número de fallas permisibles, confiabilidad
– Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
– La estimación más conservadora
Resumen
1-211
• Paramétricas - Weibull
– Más potentes que las no-paramétricas y que
suponer exponencial
– Necesario suponer una pendiente Weibull
• Necesita justificarse por datos previos, conocimiento de
los mecanismos de falla, etc.
– Permite negociar la duración de la prueba y el
tamaño de muestra para una confiabilidad y
confianza dadas.
– Disminuirá el tiempo total de prueba requerido
para demostrar un requerimiento
Resumen
1-212
• Planear Pruebas
– Cubiertas sólo las estadísticas de pruebas de
demostración
– Necesita asegurarse que la prueba puede duplicar
los mecanismos de falla experimentados en el
campo
• Experiencia con partes regresadas, AMEF’s, Diagramas-
P, etc
– Dada una prueba apropiada, necesita definir
tamaño de muestra, duración de prueba, número
de fallas permisibles, etc., que logren el
requerimiento de confiabilidad
Resumen
1-213
6. PRUEBAS ACELERADAS
1-214
Objetivo:
• Propósitos:
– Presentar el concepto de prueba acelerada
– Conocer los modelos para transformar los
esfuerzos
– Uso de los paquetes estadísticos para predecir
con modelos de aceleración.
1-215
¡Para ahorrar tiempo!
Los resistencias eléctricas forradas se requieren para durar un gran
tiempo y lograr las expectativas de los clientes. Probar las
resistencias es una buena manera de ganar la confianza de que las
partes lograrán los requerimientos, y sabemos que la información
más valiosa viene de probar hasta que falle, si una resistencia forrada
se prueba en voltaje nominal, la prueba podrá durar muchos meses.
Sin embargo, si el voltaje es elevado por encima del nominal, el
tiempo de prueba puede ser reducido.
¿Para qué acelerar
las fallas?
1-216
Problema
¿Cómo correlaciona la vida de una parte
probada en un voltaje alto a la vida esperada
de la misma parte en un voltaje nominal de
uso?
1-217
Solución
Elija un porcentaje particular de falla y
ajuste la curva de regreso a las
condiciones nominales para tener una
predicción de vida.
Group 1 Group 2 Group 3
260V 270 V 280V
1 347hrs 97hrs 15hrs
2 498hrs 106hrs 24hrs
3 601hrs 122hrs 30hrs
4 720hrs 140hrs 34hrs
5 812hrs 167hrs 38hrs
6 889hrs 190hrs 41hrs
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
0
100
200
300
400
500
600
700
800
900
1000
280 270 260
90%
50%
10%
Corra al menos 3 grupos en voltajes diferentes,
manteniendo el voltaje más bajo tan cercano al
nominal como sea posible
Corra las partes para fallar y ajuste con
una ecuación paramétrica los datos de
falla.
1-218
Información de Falla por Prueba
Acelerada
• Sobre-esforzar a los productos para obtener
fallas ―rápido‖ es quizás la forma más antigua
de Pruebas de Confiabilidad.
Usualmente No se
obtiene
información sobre
la distribución de
la vida
(Confiabilidad)
1-219
Información de Falla por Prueba
Acelerada
• Una prueba
acelerada que sólo
da Información de
Falla (ó Modos de
Falla), comúnmente
se llama ―Prueba de
Tortura‖, ―Prueba de
Elefante‖, ―Prueba
Cualitativa‖, etc.
1-220
¿Qué es una Prueba de Tortura?
• Las pruebas de Tortura se realizan sobre
muestras de tamaño pequeño y los
especímenes se sujetan a un ambiente
agresivo (niveles severos de esfuerzo)
– Si el especimen sobrevive, pasó la prueba
– Los datos de las pruebas de tortura
generalmente no pueden ser extrapolados a las
condiciones de uso
1-221
Prueba de Tortura
• Beneficios
– Aumenta la Confiabilidad por la revelación de
modos probables de falla
• Cuestiones Sin Resolver
– ¿Cuál es la Confiabilidad del Producto?
– ¿Los Modos de Falla serán los mismos que
ocurrirán durante la vida del producto bajo
uso normal?
1-222
La Aceleración por Sobre-
Esfuerzo
Prueba de Tortura o Prueba Elefante
Prueba de Vida Acelerada
1-223
Prueba de Vida Acelerada
• La Prueba de Vida acelerada, a diferencia de
la Prueba de Tortura, está diseñada para
proveer Información de la Confiabilidad del
producto, componente o sistema
• Un Dato básico es el Tiempo para Fallar
– El tiempo para falla puede estar en cualquier
medida cuantitativa, tal como: horas, días, ciclos,
actuaciones, etc.
1-224
¿Qué es aceleración física y
como se modela?
• La Aceleración Física significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos típicos de uso, excepto que
suceden mucho más rápido.
1-225
Factor de aceleración
• La falla se puede deber a la fatiga mecánica,
corrosión, reacción química, difusión,
migración, etc.
• Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Sólo cambia la
escala del tiempo.
• Un Factor de Aceleración es el multiplicador
constante entre los dos niveles de esfuerzo.
1-226
Factor de Aceleración
• Cuando hay verdadera aceleración, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
• Las transformaciones usadas comúnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto sólo tiene que
ser multiplicado por una constante (el factor
de aceleración) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-227
Factor de Aceleración
Relaciones Lineales de Aceleración
Tiempo de Falla t
u
= AF x t
s

Probabilidad de Falla F
u
(t) = F
s
(t/AF)
Confiabilidad R
u
(t) = R
s
(t/AF)
PDF o Función de Densidad f
u
(t) = (1/AF)f
s
(t/AF)
Tasa de Falla ì
u
(t) = (1/AF)ì
s
(t/AF)
Donde:
t
u
: tiempo de falla en uso t
s
: tiempo de falla en esfuerzo
F
u
(t): CDF en uso F
s
(t): CDF en esfuerzo
f
u
(t): PDF en uso f
s
(t): PDF en esfuerzo
ì
u
(t): tasa de falla en uso ì
s
(t): tasa de falla en esfuerzo
AF: Factor de Aceleración
Cada modo de falla tiene su propio factor de aceleración. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleración es relevante.
1-228
Factor de Aceleración
Una consecuencia de las
relaciones lineales es que
El Parámetro de Forma para
los modelos clave de
distribución de vida
(Weibull y Lognormal) no
cambia para las unidades
operando bajo diferentes
esfuerzos.
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
Las Gráficas en escala de
Probabilidad de los datos de
diferentes condiciones de
esfuerzo se alinearán
aproximadamente paralelas.
1-229
¿Cuáles son los modelos de
aceleración comunes?
• Los modelos de Aceleración predicen el
tiempo de falla en función del esfuerzo
Los factores de aceleración muestran como el tiempo de falla de un nivel particular
de esfuerzo (para un modo o mecanismo de falla) puede ser usado para
predecir el tiempo equivalente de falla en un nivel diferente de esfuerzo.
Un modelo que predice el tiempo de falla como función del esfuerzo debiera ser
mejor que una colección de factores de aceleración. Si escribimos t
f
=G(S),
donde G(S) es la ecuación del modelo para un valor arbitrario de S, entonces el
factor de aceleración entre los esfuerzos S
1
y S
2
puede evaluarse simplemente
por
AF = G(S
1
)/G(S
2
)
Ahora se puede probar en el nivel de esfuerzo más alto S
2
, obtener un número
suficiente de fallas para ajustar al modelo de distribución de vida y evaluar las
tasas de falla. Después se usa la Tabla de Relaciones Lineales de Aceleración
para predecir lo que pasará en el nivel de esfuerzo menor S
1
.
1-230
¿Cuáles son los modelos de
aceleración comunes?
• Los modelos de aceleración se derivan a
menudo de modelos físicos o cinéticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como función de los esfuerzos de
operación se conoce como Modelo de Aceleración
Se presentarán varios modelos útiles:
• Arrhenius
• Eyring
• Regla de Potencia Inversa para Voltaje
• Modelo exponencial de Voltaje
• Modelos de Dos: Temperatura / Voltaje
• Modelo de Electromigración
• Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
• Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas
1-231
Arrhenius
• El Modelo de Arrhenius predice la
aceleración de las fallas debido al aumento
de temperatura
– Uno de las primeras transformaciones y la de más éxito
para predecir como varía el tiempo de falla con la
temperatura
)
`
¹
¹
´
¦
(
¸
(

¸

÷
A
=
)
`
¹
¹
´
¦A
=
2 1
1 1
exp
exp
T T k
H
AF
kT
H
A t
f
Donde: AF= Factor de Aceleración
T= temperatura °K (273.16+°C)
k = Constante de Boltzmann (8.617E-05 eV/K)
AH = Energía de Activación
A = Constante de escala (se elimina en AF)
1-232
Arrhenius
Ejemplo
• El Factor de Aceleración AF entre
25°C y 125°C, para un producto, es
132.65 si AH es 0.5 y 17,596 si AH =
1.0.
1-233
Eyring
• El modelo de Eyring tiene una base teórica
en la química y en la mecánica cuántica y se
puede usar para modelar la aceleración
cuando muchos esfuerzos están involucrados
)
`
¹
¹
´
¦
|
.
|

\
|
+ + |
.
|

\
|
+ +
A
=
)
`
¹
¹
´
¦
|
.
|

\
|
+ +
A
=
2 1
1
exp
exp
S
T
D
D S
T
C
B
kT
H
AT t
S
T
C
B
kT
H
AT t
f
f
o
o
Donde:T= temperatura °K (273.16+°C); k = Constante de Boltzmann (8.617E-05 eV/K)
AH = Energía de Activación; A , B, C D, E= Constantes de escala;
S
1
y S
2
Esfuerzos diferentes
1-234
Otros Modelos
• Modelos útiles para 1, 2 o 3 esfuerzos son
modelos Eyring, los citados exitosamente son:
– La Regla de Potencia (inversa) para Voltaje
– El Modelo de Voltaje Exponencial
– Los Modelos de Dos Esfuerzos Temperatura/Voltaje
– Modelos de tres Esfuerzos (Temperatura, Voltaje ,
humedad)
– Modelo Mecánico de Crecimiento de Fisuras Coffin -
Manson
1-235
Otros Modelos
BV
f
Ae t
÷
=
BV
kT
H
B
kT
H
f
e Ae V Ae t
÷
A
÷
A
= =
kT
H
n
f
e AJ t
A
÷
=
¸ ÷ ÷
A
= RH V Ae t
B
kT
H
f
( )
MAX f
T G T Af N
| o ÷ ÷
A =
B
f
AV t
÷
=
Regla de Potencia (inversa) para Voltaje
Modelo de Voltaje Exponencial
Modelos de dos esfuerzos Temperatura/Voltaje
Modelo de Electromigración
Modelos de tres esfuerzos
(Temperatura, Voltaje, Humedad)
Modelo de crecimiento de Fisuras Mecánicas
1-236
Datos + Distribución + Modelo = Resultado
1-237
Datos
• Los datos de vida (tiempos para falla) se obtienen de
pruebas aceleradas en laboratorio
• Obtener datos sobre los esfuerzos usados
• Obtener datos sobre los esfuerzos que el producto
encontrará bajo condiciones normales
1-238
Distribución
1
5
10
20
30
40
50
60
70
80
90
95
99
0 1000 2000
Normal
P
e
r
c
e
n
t
1
5
10
20
30
40
50
60
70
80
90
95
99
100 1000 10000
Lognormal
P
e
r
c
e
n
t
1
2
3
5
10
20
30
40
60
75
90
95
99
100 1000
Weibull
P
e
r
c
e
n
t
10
30
50
60
70
80
90
95
97
98
99
0 1000 2000 3000 4000 5000 6000 7000 8000
Exponential
P
e
r
c
e
n
t
Four-way Probability Plot for C1
No censoring
• Elija una Distribución
apropiada de vida
– Exponencial

– Weibull

– Lognormal
1-239
Elija un Modelo
• seleccione un modelo (o genere) un modelo que
describa una característica de la distribución de un
nivel a otro
¿?
Esfuerzo
de uso
Esfuerzo
alto 1
Esfuerzo
alto 2
Esfuerzo
alto 3
1-240
¿Qué Característica de la
Distribución?
• Vida Característica, Parámetro de la Distribución,
(Media, Mediana, R(t), F(t), ì, |, q, µ, o)
260V
270V
280V
10 100 1000
1
2
3
5
10
20
30
40
50
60
70
80
90
95
99
Time to Failure
P
e
r
c
e
n
t
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
La Distribución Weibull con q(s) como una función del esfuerzo
1-241
Parámetros comúnmente usados
como una Función del Esfuerzo para
diferentes distribuciones de vida
• Exponencial Media o Velocidad de Falla)
• Weibull (Parámetro de Escala)
– El parámetro de forma usualmente se supone constante
• Lognormal (Ln - Media o Mediana)
– El parámetro de Ln - Desviación Estándar usualmente se
supone constante
1-242
Formar un nuevo modelo que incluya
tanto el modelo de la distribución y el
de aceleración
• Relación Weibull - Potencia Inversa:
|
|
|
q
|
|
q
q q
|
|
|
|
|
.
|

\
|
·
÷
÷
|
|
.
|

\
|
÷
÷
|
|
|
|
.
|

\
|
· ·
=
·
= =
|
|
.
|

\
|
=
n
S K
t
n n
n
t
e
S K
t
S K
S t f
S K
S L
e
t
t f
1
1
1
1 1
) , (
1
) (
) (
1-243
Resultado
• Resolver para los Parámetros del Modelo
|
|
|
|
|
|
|
.
|

\
|
·
÷
÷
|
|
|
|
.
|

\
|
· ·
=
n
S K
t
n n
e
S K
t
S K
S t f
1
1
1 1
) , (
•Una vez que los parámetros |, K y n son
estimados, las predicciones de vida pueden
hacerse para diferentes t y S
1-244
Estimación de Parámetros
• La estimación de parámetros puede variar de ser
trivial (con muchos datos, un solo esfuerzo constante, una
distribución simple y un modelo simple) a ser una tarea casi
imposible
– Métodos Disponibles
• Gráfico
• Mínimos Cuadrados
• MLE
1-245
¿Cómo elegir un modelo
apropiado de aceleración física?
• Elegir un modelo de aceleración física es
similar a elegir un modelo de distribución de
vida.
• Primero identifique el modo de falla y que
esfuerzos son relevantes (o sea que
acelerarán el mecanismo de falla)
• Luego verifique en literatura y otros proyectos
que le den ejemplos de un modelo particular
para este mecanismo de falla
1-246
Nivel de Cambio
• Casi todos los modelos reportados (excepto
el Coffin-Manson para fractura mecánica)
aplican a mecanismos de falla químicos o
electrónicos ya que la temperatura es casi
siempre una carga relevante para estos
mecanismos. El modelo Arrhenius es casi
siempre una parte de cualquier modelo más
general.
• El modelo Coffin-Manson trabaja bien para
para muchos mecanismos relacionados con
la fatiga mecánica
1-247
Nivel de Cambio
• Algunos modelos tienen que ser ajustados para
incluir un nivel de cambio para algunos esfuerzos o
cargas.
• La falla nunca podría ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este más allá de un valor de cambio. Un
modelo para mecanismo dependiente de
temperatura con un cambio en T = T
0
podría verse
como
Tiempo para falla = f(T((T-T
0
))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T
0
el tiempo de falla
aumenta hacia infinito en este modelo
(deterministico) de aceleración
1-248
Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operación se espera que tenga más de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razón, se decidió correr una prueba acelerada. La temperatura de operación
para este producto es 323K (50°C)y la temperatura es la única variable de
aceleración.
•Se desea determinar los parámetros de una Weibull de 2 parámetros en cada
nivel de esfuerzo, usando la Regresión sobre X de los Rangos
•Estimar los parámetros para el modelo de Eyring
•Calcular la Confiabilidad de la unidad para una duración de misión de 9,000
horas, comenzando en T=0 y a temperatura de operación 323K
Abra el archivo Eyring.wdf
1-249
Ejemplo1
Una vez abierto el
archivo calcule los
parámetros de la
Weibull con 2.
Los resultados
aparecen en la
imagen.
| = 4.1598
q = 5713.99
Si quiere editar los encabezados haga doble clic sobre ellos.
Para separar los datos en tres conjuntos de datos diferentes
use Batch Auto Run. Este usa la columna de Identificación
para extraer los datos
1-250
Ejemplo1
Aparece la siguiente
Ventana, los tres
niveles de la
temperatura están
como Identificaciones
disponibles de los
subconjuntos
Ahora
seleccionamos los
tres para generar
los tres
subconjuntos, uno
para cada
temperatura
También se
puede hacer
doble clic sobre
los
seleccionados,
para señalarlos
Marque Action Preferences for Subsets
1-251
Ejemplo1
La ventana de Preferencias de Acción
para los Subconjuntos tiene como valor
previsto el Cálculo de los parámetros
para los subconjuntos seleccionados.
Marque OK, 2 veces
Se generaron tres
subconjuntos, uno para
cada identificación
Para cada uno se
calcularon los parámetros
de la Weibull de 2
Inserte una Hoja General en el Folio de Datos
1-252
Ejemplo1
Capture los
valores de los
parámetros
calculados, para
cada subconjunto,
como se muestra
Note que |
permanece
constante y solo q
cambia
En Tools>Non-Linear Equation Fit Solver se abre la
hoja para ajustar ecuaciones no lineales, ahí se
copiarán los valores de Esfuerzo y de Eta, como X y Y.
•Para Hacerlo señale con el cursor los valores y rótulos
de esfuerzo y Eta, a continuación invoque la
herramienta de ajuste de ecuaciones no lineales
1-253
Ejemplo1
En las
columnas X y
Y quedan los
datos
importados
de la hoja
Seleccione
el modelo
de Eyring de
la lista de
ecuaciones
1-254
Ejemplo1
Luego de
seleccionar el
modelo de
Eyring de la
Lista de
Ecuaciones.
Cambie los
valores de
Límite inferior,
Estimado y
Límite superior
para A y B
1-255
Ejemplo1
Los valores
para los
valores Límite
y Estimación
de A y B
deberán
quedar como
lo muestra la
figura.
Para
encontrar los
valores de A y
B marque en
Calculate
1-256
Ejemplo1
Los valores
encontrados
para A y b
están en la
columna
Solución.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)
Señale y copie el recuadro para pegarlo en la hoja general.
1-257
Ejemplo1
La Hoja
general
quedará como
se muestra.
Marque la
celda E17 (el
valor de A)
para definirla
como variable.
Seleccione
Edit>Define
Name... para
definir el valor
en la celda
como el valor
de A
1-258
Ejemplo1
Defina el
valor de
la celda
E17 como
el valor
de A
Defina el
valor de
la celda
E18 como
el valor
de B
Escriba
dentro del
cuadro
Name: A ó B
según
corresponda
1-259
Ejemplo1
Fórmula
de Eyring
Fórmula
en C25
•Llene las columnas A y B como se muestra, con los valores de Temperatura
•Escriba en C25 la fórmula = (1/B25)*exp(-(A-(B/B25))), Cópiela
•El valor de Eta para una Temperatura de uso de 323 es 17933.85
Ahora se calculará la Confiabilidad en un rango de 1,000 a 10,000 horas
1-260
Ejemplo1
En las celdas B41 y B42 ponga los valores encontrados de Beta y Eta
Llene el rango de valores en la columna A como se muestra
En la celda B47 escriba la fórmula =EXP*(-((A47/$B$42)^$B$41)), Cópiela
A las 9,000 horas en temperatura de 323K la confiabilidad es 94.69%
Confiabilidad a
las 9,000 horas
1-261
Análisis de vida acelerada
• El análisis de datos de vida acelerada se
efectúa por medio de regresión
• La regresión para vida acelerada construye
un modelo que predice tiempos de falla
• Las instrucciones en Regresión para
Confiabilidad en Vida Acelerada indican que
puede aceptar diferentes modelos de
distribución y admite datos censurados
• Minitab usa Máxima Verosimilitud para
estimar los parámetros del modelo
1-262
Estructura de Datos en Minitab
• Consiste de tres columnas:
– Los tiempos de falla
– Los indicadores de censura (si se necesitan)
– Las variables predictoras
• Para regresión simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
• Para regresión con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o términos anidados.
– Cada columna deberá estar en tal forma que cada renglón sea una observación, o una observación con
su correspondiente en una columna de frecuencias
– Las columnas de frecuencias son útiles cuando se tienen grandes cantidades de datos con tiempos de
falla o censura comunes y valores predictores iguales.
1-263
Ejemplo 2
• Suponga que Usted quiere investigar el
deterioro de un aislamiento usado para
motores eléctricos. Los motores normalmente
trabajan entre 80° y 100°C. Para ahorrar
tiempo y dinero, se decidió correr una prueba
de vida acelerada.
• Primero se obtienen tiempos de falla para el aislamiento
en temperaturas más altas - 110, 130, 150 y 170°C -
para acelerar el deterioro. Con esta información, se
puede extrapolar a 80° y 100°C. Se sabe que existe una
relación Arrhenius entre temperatura y falla
• Abra el archivo INSULATE.MTW
1-264
Ejemplo 2
•En C1 (Temp)
tenemos los niveles
de Temperatura
•En C4 (FailureT)
se registra el tiempo
observado
•En C5 (Censor) se
indica si el tiempo
es de falla o
censurado
•En C6 (Design)
están los valores de
uso normal
1-265
Ejemplo 2
Señale
Stat>Reliability/S
urvival>Accelera
ted Life Testing
Ponga la columna
Censor, y OK
Ponga la
columna
Design, y
OK
Ponga 80 y
Probability
Plot for
Standardized
residuals y OK
1-266
Ejemplo 2
10.0%
50.0%
90.0%
170 150 130 110 90 70
100000
10000
1000
Temp
T
i
m
e

t
o

F
a
i
l
u
r
e
Relation (Arrhenius) Plot for FailureT
Weibull Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Con la Gráfica
de relación, se
puede ver la
distribución de
los tiempos de
falla para cada
nivel de
temperatura -
en este caso,
los percentiles
10, 50 y 90
El modelo de regresión estima los percentiles de la distribución del
tiempo de falla: Y
p
= |
0
+ |
1
X +oc
p

Dependiendo de la distribución, Y
p
=
• ln(tiempo de falla), para Weibull, exponencial, lognormal y
loglogística.
• Tiempo de falla, para normal, valor extremo, logística
donde: Y
p
= percentil p de la distribución del tiempo de falla
|
0
= intersección en Y (constante)
|
1
= coeficiente de regresión
X = valores del predictor (pueden estar transformados)
o = parámetro de escala
c
p
= percentil p de la distribución del error
1-267
Ejemplo 2
0 -4 -8
99.9
99
95
90
80
70
60
50
40
30
20
10
5
3
2
1
0.1
Standardized Residuals
P
e
r
c
e
n
t
Probability Plot for SResids of FailureT
Extreme v alue Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Esta gráfica le
permite evaluar si
la distribución
seleccionada
ajusta a los datos.
En general, entre
más cercanos
estén los puntos
a la línea
ajustada, mejor
es el ajuste.
El valor de la distribución del error c
p
, depende de la distribución seleccionada
Para la Weibull y la exponencial, MTB toma el logaritmo de los datos y usa la
distribución de valor extremo
1-268
Ejemplo 2
Regression with Life Data
Response Variable: FailureT

Censoring Information Count
Uncensored value 66
Right censored value 14

Distribution: Weibull
Transformation on accelerating variable: Arrhenius

Regression Table
Standard 95.0% Normal CI
Predictor Coef Error Z P Lower Upper
Intercept -15.1874 0.9862 -15.40 0.000 -17.1203 -13.2546
Temp 0.83072 0.03504 23.71 0.000 0.76204 0.89940
Scale 0.35403 0.03221 0.29621 0.42313

Log-Likelihood = -43.64

Table of Percentiles
Standard 95.0% Normal CI
Percent Temp Percentile Error Lower Upper
50 80.0000 159584.5 27446.85 113918.2 223557.0
50 100.0000 36948.57 4216.511 29543.36 46209.94
Usted acaba de obtener una fórmula que relaciona el tiempo de falla
en función de la temperatura:
ln(tiempo de falla) = -15.1874 + 0.83072(ArrTemp) +0.35403c
p

donde: c
p
= percentil (p) de la distribución estándar de valor extremo
ArrTemp= 11604.83/ (Temp + 273.16)
La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron. El percentil 50
es una buena estimación de duración del aislamiento en el campo a 80°C, el aislamiento durará alrededor
de 159,584.5 horas o 18.20 años, a 100°C el aislamiento durará alrededor de 36,984.57 horas o 4.21 años
1-269
Precauciones y Peligros al
determinar el Factor de Aceleración
• Al determinar el Factor de Aceleración, tenga cuidado de ser
demasiado optimista.
– Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
– Podría no tener el alto nivel de confiabilidad que Usted cree.
– Errar al detectar cambios en el modo de falla, usar el modelo
equivocado, validar mal el modelo puede resultar en un Factor de
Aceleración demasiado optimista..
• La estimación de un factor demasiado optimista, puede a su
vez resultar en la aceptación de componentes no confiables y ,
finalmente, ¡costos altos y clientes insatisfechos!
• Debemos aprender de los ejemplos anteriores para evitar esos
errores.
1-270
Proceso de 15 Pasos
1. Evaluar Costos y Beneficios de Acelerar
2. Determinar Función y Ambiente
3. Conducir / Interpretar Análisis de Modo de Falla
4. Determinar modo/mecanismo de falla a acelerar
5. Determinar como acelerar el mecanismo de falla
6. Determinar niveles de los esfuerzos
7. Seleccionar el tamaño de muestra para cada nivel de
esfuerzo
8. Determinar donde será corrida la prueba
9. Determinar el modelos de distribución y aceleración
10. Validar el sistema de medición
11. Correr la Prueba
12. Graficar e interpretar los resultados
13. Ajustar el Modelo
14. Validar el Modelo
15. Determinar el Factor de Aceleración e implantarlo
Planear
la prueba
Ejecutar,
analizar,
e
implementar
la prueba
1-271
FRACAS
FAILURE REPORTING AND
CORRECTIVE ACTION SYSTEM
1-272
Objetivo

Su principal objetivo es describir cualquier modo de falla
detectado a través de las pruebas del sistema, subsistema
o componente en evaluación a todos los involucrados de
manera fácil y rápida, así como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.

Alcance

Este sistema es una herramienta únicamente para
almacenaje de registros.

1-273
REFERENCIAS
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson,
Coombs, and Moss, McGraw Hill, 1990
• Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
• How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
• Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu,
Prentice Hall, 1991
• Electronic Component Reliability, Finn Jensen, Wiley, 1998
• Reliability Review, ASQ
• Brian Henninger’s accelerated test project
• Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres

1-274


REFERENCIAS
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
• Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
• Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu, Prentice
Hall, 1991
• Reliability: For Technology, Engineering, and Management, Paul Kales, Prentice
Hall, 1998
• Reliability Methods for Engineers, K. S. Krishnamoorthi, ASQ 1992
• Reliability Statistics, Robert A. Dovich, ASQ 1990
• Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres

1-275
Referencias
• Accelerated Testing , Wayne Nelson, Wiley, 1990
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson,
Coombs, and Moss, McGraw Hill, 1990
• How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
• Reliability and Life Testing Handbook, Vol. 2, Dmitri Kececioglu,
Prentice Hall, 1991
• Electronic Component Reliability, Finn Jensen, Wiley, 1998
• Reliability Review, ASQ
• Brian Henninger’s accelerated test project
• Software - Minitab version 12.2 (Minitab Inc) y ALTA (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres

Propósitos

Objetivo: Presentar los conceptos indispensables para entender la confiabilidad
– presentar el concepto de tiempo de vida y falla – exponer el concepto de distribución de probabilidad – definir confiabilidad – definir MTBF - MTTF – explicar el ―tiempo de misión‖ – visualizar la velocidad de falla gráficamente – presentar los elementos de estadística descriptiva – obtener una distribución empíricamente
1-2

CONFIABILIDAD ¿PARA QUÉ?

• ¿Cuál es la vida promedio del producto? • ¿Cuántas fallas espera el próximo año? • ¿Cuánto nos costará desarrollar y dar servicio a este producto? • ¿Cómo podemos hacerlo más efectivo en costo?
1-3

TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida útil de un producto. Durante este período el cliente obtiene las características ofrecidas intencionalmente. Cuando cesa la capacidad del producto para entregar la característica ofrecida al cliente, se considera que ha habido una Falla del producto. Esto representa el término del tiempo de vida.

1-4

MODELOS DE TIEMPO DE VIDA
Para modelar el tiempo de vida se asigna una medida: La frecuencia relativa o la probabilidad con que ocurrirá el evento.
La regla que asigna valores de frecuencia relativa o probabilidades a los valores de una variable se llama Distribución de Probabilidad
1-5

f(t) – Predice el comportamiento de cualquier situación probabilística – Probabilidad de t de caer en algún punto del rango t1 a t2 p ( t1  t  t 2 )  t2  f( t )d t El área total bajo la curva siempre es 1 o 100% t1 f(t) t1 t2 t 1-6 .DISTRIBUCIONES DE PROBABILIDAD • Función de Densidad de Probabilidad (pdf).

344 225.171 78.812 75.019 39.717 179.899 43.978 145.3333 1.37 64.349 137.935 34.988 234.442 49.312 60.526 71.655 9.554 35.901 77.0000 0 0 100 200 300 OBS 0.036 61.399 56.3333.492 27.3333 Percent 10 8.45 103.475 175.358 138.26 90.471 172.099 46.272 176.311 49.558 75.573 132.6667.465 301.3 f(t) 0.78 45.352 182.026 43.6667 6 3.374 46.3333 8.076 193.882 132.234 63.3333 6.EJEMPLOS DE DISTRIBUCIONES DE PROBABILIDAD 56.0000 13.461 52.01 101.378 28.4 0.0 0 5 10 1-7 t .089 123.1 0.873 117.525 302.52 29.45 73.911 95.592 30 30.6667 0.2 PDF Weibull 0.0000 Histograma 20 15.507 107.3333 3 3.881 53.389 56.735 62.949 145.978 98.758 93.613 82.855 49.619 92.0000 0.215 188.698 45.

obtenemos la Distribución de Probabilidad Acumulada {CDF ó F(t)}. F(t1) = P(t  t1) 1-8 .DISTRIBUCION ACUMULADA DE PROBABILIDAD Si acumulamos las probabilidades desde el inicio hasta un tiempo t1.

esto representa la no confiabilidad o la probabilidad de que una unidad falle antes del tiempo t1 1-9 .DISTRIBUCION ACUMULADA DE PROBABILIDAD • Función de Distribución Acumulada – La Probabilidad de una variable es menor o igual a un valor específico.g. t1 t 1 F (t )  P(0  t  t1 )   f (t )dt 0 – Cuando la variable es tiempo de falla. e..

F(t) Función de Distribución Acumulada t1 f(t) t1 t F(t) 0 0 t1 t 1-10 .DISTRIBUCION ACUMULADA DE PROBABILIDAD F( t)  P(0  t  t 1 )   f ( t)dt 0 Función de Densidad de Probabilidad 1 No confiabilidad.

R(t) = 1 .DEFINICIÓN DE CONFIABILIDAD Confiabilidad es la probabilidad de que un sistema ejecute su función de intención sin fallar para un intervalo específico. Se define como la Probabilidad de Supervivencia en un determinado tiempo.F(t) Algunos autores presentan como sinónimos Supervivencia y Confiabilidad 1-11 . bajo condiciones establecidas.

DEFINICIÓN DE CONFIABILIDAD R ( t )  1 F ( t )  1  f ( t ) d t   f ( t ) d t 0 Función de Densidad de Probabilidad t  t Función de Confiabilidad 1 0 R(t) 0 t1 f(t) t 0 t1 t 1-12 .

MTBF . esto es para artículos que no pueden ser reparados.MTTF Si el tiempo de vida para una característica de calidad es una variable aleatoria y conocemos su distribución de probabilidad . y se refiere a una medición básica de confiabilidad para artículos que se pueden reparar. El valor medio del Tiempo de Vida se denomina Tiempo Promedio entre Fallas. podemos calcular una medida de localización. 1-13 . por ejemplo el valor de su media. MTBF es el acrónimo en Inglés. MTTF se refiere al Tiempo Promedio de Fallas.

6667.0 0 5 10 La media calculada para esta distribución Weibull es función de sus parámetros h=2 y b=2  1 MEDIA  h1    b   1-14 f(t) t .4 1.1 0.6667 0.3333 6.3 0.3333 8.77245 0.MTTF La media estimada del tiempo de vida está marcada con la línea punteada es de 98.0000 20 Percent 15.3333 3 3.0000 0.3333 1.932.3333 10 8. se obtuvo calculando el promedio de N los tiempos  ti m i 1 98.932 30 30.6667 6 3.0000 13.2 0.3333.0000 0 0 100 200 300 N tiempo 0.MTBF .

R(tiempo de misión) 1-15 .TIEMPO DE MISIÓN Tiempo de Misión se refiere al tiempo intentado durante el cual el producto entrega la característica de calidad satisfactoriamente. Tiempo de Misión ¿Qué confiabilidad lograremos?. El Tiempo de Misión es una decisión de negocios y sirve para establecer una meta de logro por parte del producto en cuanto a sus características.

se calcula a partir de h(t) = PDF / R(t) Es una medida de la ―mortalidad‖ entre los artículos que quedan. La tasa de falla representa la propensión a la falla de un producto como una función de su edad o tiempo en operación.VELOCIDAD DE FALLA La Velocidad de Falla ó Tasa de Riesgo o también Tasa de Falla es la fracción de fallas probables entre la proporción de supervivientes al tiempo t. 1-16 . La tasa de falla en cualquier tiempo dado es la proporción que caerá en la siguiente unidad de tiempo respecto a aquellas unidades que han sobrevivido a este tiempo. Cuando se conoce la Distribución de Probabilidad de t.

Cuatrocientos de ellos están trabajando a las 2000 horas.00125 unidades/hora Similarmente. 1000 motores eléctricos se ponen a prueba en el tiempo CERO. 1000 0 400 2000 350 2100 300 2200 No. de sobrevivientes horas tiempo La tasa de falla para los motores a las 2000 horas es: h(2000) = (número de fallas por hora posteriores a las 2000 horas) número de sobrevivientes a las 2000 horas = (50/100)/400 = 0. la tasa de falla a las 2100 horas es: h(2100) = (50/100)/350 = 0. 50 de ellos fallaron en las siguientes 100 horas y otros 50 fallaron en las siguientes horas como lo ilustra la figura.0014 unidades/hora 1-17 .TASA DE FALLA O TASA DE RIESGO Por ejemplo.

―CURVA DE LA BAÑERA‖ Si se dibuja la tasa de riesgo o falla para una población a través del tiempo se observa un comportamiento descrito como la ―Curva de la Bañera‖ h(t) Fallas “infantiles” Fallas constantes Fallas por deterioro o desgaste t 1-18 .

•distribución de frecuencias.ESTADISTICA DESCRIPTIVA La Estadística Descriptiva se orienta a proporcionar una descripción útil.3333. •fuentes de datos. •presentación tabular y gráfica. •medidas de tendencia central y • medidas de dispersión.3333 3 3.3333 10 8.6667. clara e informativa de la distribución de frecuencias 1-19 .0000 13.6667 0.6667 6 3.0000 0.0000 0 0 100 200 300 OBS Un histograma es una descripción útil. Percent 30 30. Esto se hace al considerar tópicos como: •la colección y procesamiento de datos originales.3333 1.3333 6.3333 8. clara e informativa de una masa de datos numéricos.0000 20 15.

si se obtuvieran dos muestras aleatorias diferentes provenientes de la misma población y se calcularan las medias muestrales. Es decir. que no dependa de parámetros desconocidos La media muestral. Obsérvese que como un estadístico es una función de los datos provenientes de una muestra aleatoria. la varianza muestral. podría esperarse que los valores obtenidos fueran diferentes. sesgo y curtosis son algunos de los estadísticos más comunes.ESTADISTICOS Un estadístico es cualquier función de las observaciones en una muestra aleatoria. 1-20 . es a su vez una variable aleatoria. la desviación estándar muestral y los coeficientes de variación.

la media tiene propiedades estadísticas mejores la desviación estándar es la raíz cuadrada de la varianza La Normal tiene un rango 0.05<CV<0.Normal) • 3>0 cola derecha • 4<0 .25 La exponencial: CV= 1 VARIANZA  2   t    f (t )dt 2  s2  1 n 2  x i  x  n  1 i 1 COEFICIENTE DE VARIACIÓN COEFICIENTE DE SESGO CV    CV = S x   t    3 f (t )dt  x n i 1 i  x 3   2 3/2 3  ˆ n s  i 1 i n 2 3/2 • 3<0 cola izquierda • 3=0 simétrica (v.aguda que la Normal • 4=0 aguda como Normal • 4>0 +aguda que la Normal COEFICIENTE DE CURTOSIS 4    t    4 f (t )dt 4  ˆ  x  x 4   2 2 s  n 2 2 1-21 .Estadística Descriptiva Medidas Descriptivas MEDIA Descripción Medida de tendencia central Medida de dispersión Medida del grado de variabilidad Medida de Simetría Medida de Agudeza 3  POBLACION E (t )   tf (t )dt  MUESTRA mx 1 n  xi n i 1 Otras medidas son la mediana y la moda.gr.

25 – Exponencial CV = 1 1-22 .05 < CV < 0.Estadística Descriptiva • ¿Porqué son importantes los estadísticos? • Describen completamente los datos • Coeficiente de Variación CV • comúnmente utilizado para describir propiedades mecánicas de los materiales. – aproximadamente 15% para fractura – aproximadamente 7% para resistencia a la cedencia • ayudan a determinar la distribución apropiada • la distribución normal tiene un rango 0.

Estadística Descriptiva • ¿Porqué son importantes los estadísticos? • Coeficiente de sesgo • medida de simetría – 3 < 0 distribución sesgada a la izquierda(tiene una cola a la izquierda) – 3 = 0 distribución simétrica » Distribución Normal 3 = 0 – 3 > 0 distribución sesgada a la derecha (tiene una cola a la derecha – Coeficiente de curtosis • medida de agudeza (puntiaguda) – 4 < 3 distribución menos aguda que la Normal – 4 = 3 distribución Normal – 4 > 3 distribución más aguda que la Normal 1-23 .

Estadística Descriptiva • Porqué son importantes los estadísticos • los tres ayudan a determinar los parámetros de la distribución • CV – La Exponencial tiene un CV constante – El parámetro de forma de la distribución Weibull es bien estimado con el coeficiente de variación CV • coeficientes de sesgo y curtosis – la relación entre ellos ayuda a determinar la distribución que mejor se ajusta 1-24 .

0030 0. MEDIA = 500 f(t) 0.0020 0.0010 0.EJEMPLO DE DISTRIBUCIÓN PDF  f (t )  le  lt lt l CDF  F (t )  1  e CONFIABILIDAD  R(t )  e t TASA DE FALLA  h (t )  l Función de Densidad de Probabilidad Exponencial 1 0.000 Tiempo 1.002.0035 MEDIA  Distribución Exponencial l 0. MEDIA = 333 l= 0.0015 0.0000 0 500 1.000 1-25 .003.000 l= 0. MEDIA = 1.500 2.0025 l= 0.001.0005 0.

EJEMPLO DE DISTRIBUCIÓN bt  PDF  f (t )    h h    CDF  F (t )  1  e b 1 e b t    h    b t   h    Distribución Weibull 2 parámetros t   h    b CONFIABILIDAD  R (t )  e bt  TASA DE FALLA  h (t )    h h     1 MEDIA  h1    b   b 1 1-26 .

EJEMPLO DE DISTRIBUCIÓN Abra el archivo Distribución.xls Señale la columna de tiempo y pongala en orden ascendente Veamos cómo se construyen las curvas de distribución usando el EXCEL 1-27 .

389 * La fórmula de Kaplan Meier se recomienda para muestras grandes 1-28 .EJEMPLO DE DISTRIBUCIÓN Agregue un renglón inicial con cero y una columna con un contador que inicie en cero Agregue una columna donde estime F(t) usando la fórmula de Kaplan Meier*: ( F(t) = i/N) Obtenga R(t) por la diferencia R(t) = 1-F(t) Note que puede estimar la Confiabilidad de 90% para un tiempo de 35.

con el inverso del número de supervivientes 1/(N+1-i) R(t )LS  R(t )  Z 2  R(t )  F (t ) N R(t )LI  R(t )  Z 2  R(t )  F (t ) N Por último se estima el intervalo de confianza normal al 95% para la confiabilidad 1-29 .EJEMPLO DE DISTRIBUCIÓN Se estima la tasa de falla para los tiempos observados.

5000 R(ti)= 1-F(ti) 0.2000 0.3000 0.7000 Recuerde que: R(t) = 1.2000 0.0000 0 50 100 150 200 250 300 350 0.4000 0.7000 0.8000 0.3000 Gráficas de Confiabilidad R(t) y de la Función Acumulada F(t) generadas en EXCEL F(ti)= i/N 0.4000 0.0000 0.F(t) 0.5000 F(ti)= i/N 0.9000 0.6000 0.0000 0 50 100 150 200 250 300 350 1-30 .0000 0.6000 0.EJEMPLO DE DISTRIBUCIÓN R(ti)= 1-F(ti) 1.1000 1.8000 0.9000 0.1000 0.

mtw Ahora en Minitab.. 1-31 ..EJEMPLO DE DISTRIBUCION Use el archivo: distribución.

7500 0.8596 0.6130 48 49.4776 82.8702 0.9320 8.8737 0.9000 0.9646 0.8810 52 45.9759 0.8833 0.7390 0.8000 0.4610 53 43.0000 0.8667 0.6988 0.0000 0.6404 0.7667 0.0532 0.5200 60 27.9866 0.9012 0.9212 1.0232 0.8307 Q1 = 49.8241 0.6026 0.5478 Median = IQR = 75.0322 0.9333 0.389 la confiabilidad es del 90% Standard Error 0.9780 59 28.6791 0.0571 0.0890 47 49.9965 0.0516 0.8333 0.9880 Kaplan-Meier Estimates Number Time at Risk 9.6214 0.8550 58 29.0165 0.3520 51 45.7188 0.9403 0.7333 0.7167 1-32 .0559 0.0% Normal CI Mean Error lower upper 98.0500 0.9527 0.8500 0.0000 0.9167 0.7597 0.0546 0.0414 0.0281 0.3890 55 39.9509 1.3740 57 34.9833 0.0439 0.9146 0.7833 0.8167 0.5260 46 49.3162 115.8990 56 35.0582 95.0760 49 46.4620 Cálculo de R(t) para un tiempo Para un tiempo de 35.7350 50 46.0387 0.9276 0.8949 1.Distribution Analysis Variable: tiempo Censoring Information Count Uncensored value 60 Nonparametric Estimates Characteristics of Variable Standard 95.8120 83.6596 0.8467 0.5260 Q3 = 132.9667 0.8452 0.9500 0.6550 54 43.8021 0.0461 0.7807 0.6190 45 52.0357 0.3110 44 Number Failed 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Survival Probability 0.0481 0.0% Normal CI Lower Upper 0.8876 0.

462 Time to Failure Las asignaciones de probabilidades se basan sólo en las frecuencias observadas.7 0.0 0 100 200 300 1.8 0.3 Observamos las gráficas de las distribuciones empíricas de: riesgo y confiabilidad Nonparametric Survival Plot for tiempo Kaplan-Meier Method-95.5 0.0% Conf idence Interv als Complete Data Rate 0.0 0.4 0.462 0.2 0.3 0.932 75.812 83.INTERPRETACION DE RESULTADOS Nonparametric Hazard Plot for tiempo Empirical Hazard Function Complete Data 1.9 0.8 0.4 0.5 0.0 0 Mean Median IQR 98.1 0.6 Mean Median IQR 98.932 75.0 0. Probability 100 200 300 Time to Failure 1-33 .812 83. y no suponen ningún modelo especial.9 0.2 0.1 0.6 0.7 0.

PUNTOS CLAVE – tiempo de vida útil y falla – distribución de probabilidad – confiabilidad – MTBF .MTTF – tiempo de misión – velocidad de falla – estadística descriptiva – distribución empírica 1-34 .

MODELOS DE CONFIABILIDAD Distribuciones de Probabilidad »Exponencial »Weibull »Lognormal 1-35 .2.

Weibull y Lognormal para la confiabilidad. sus características principales y guías para su empleo Puntos: – – – – – – Modelos Paramétricos de Confiabilidad Distribuciones de Probabilidad Parámetros Propiedades Situaciones para modelar Guía para elección del modelo 1-36 .OBJETIVO Presentar los modelos Exponencial.

• La función tiene además de la variable aleatoria. constantes que le dan comportamientos específicos a las distribuciones Los parámetros definen: •FORMA •ESCALA •LOCALIZACION 1-37 .Modelos Paramétricos de Confiabilidad Distribuciones Paramétricas • Algunas Distribuciones de Probabilidad se pueden expresar como una función matemática de la variable aleatoria.

• Conociendo los parámetros de una distribución podemos inferir el comportamiento de la confiabilidad • La Forma de la distribución • La Escala de la distribución • La Localización de la distribución 1-38 .¿Qué hay atrás de una distribución? •Los Parámetros definen lo que esta detrás de cada distribución.

―la campana‖ y esta forma no cambia • La desviación estándar . Esto significa que la PDF normal sólo tiene una forma.Distribución Normal • La Normal o Distribución Gaussiana es la distribución más conocida • Tiene Media = Mediana = Moda • La Media . es también su parámetro de localización • La PDF normal tiene forma de una campana con simetría sobre su media • La normal no tiene parámetro de forma. es el parámetro de escala de la PDF normal 1-39 .

0140 0.0000 200 400 600 Tiempo 800 1000 1-40 .0040 0.Distribución Normal Distribución de la Función Normal 0.0080  = 500  = 30  = 50  = 70  1 t    1 f( t )  exp        2  2 2    Función de Densidad de Probabilidad Normal 0.0100 f(t) 0.0120 0.0060 0.0020 0.

000 0.Distribución Normal R ( t )   f( t )d t      ( z )d z t z(t) Función de Distribución Normal donde z(t) = (t-/ y (z) = normal estandarizada pdf Función de Confiabilidad Normal 1.600  = 500  = 30  = 50  = 70 R(t) 0.800 0.000 200 400 600 Tiempo 800 1000 1-41 .400 0.200 0.

2000 0.Distribución Normal Funciones de Distribución Normal donde (z) =normal estandarizada pdf  (z) h(t )  R( z ) Función Normal de Tasa de Falla 0.2500 0.1500 h(t)  = 500  = 30  = 50  = 70 0.0500 0.0000 200 400 600 Tiempo 800 1000 1-42 .1000 0.

Distribución Normal • Distribución Normal – Tienden a seguir una distribución normal los ciclos de falla en componentes mecánicos sometidos a niveles altos de estrés – Es útil si el coeficiente de variación es pequeño (<10%) – Las propiedades de varios materiales tienden a seguir una distribución Normal – Las fallas a la tensión de muchos materiales estructurales siguen una distribución Normal – Puede representar el tiempo de falla cuando un efecto aditivo es involucrado. i.e. el Teorema del Límite Central (CLT) 1-43 ..

001.000 l f(t) 0.0020 0. MEDIA = 333 l= 0.0035 0.000 Tiempo 1. MEDIA = 500 l= 0.500 2. con un solo parámetro.0010 0.0030 0. Las ecuaciones clave para la exponencial se muestran: CDF : F (t )  1  e PDF : f (t )  le 1  MEDIA : m  lt  lt lt Función de Densidad de Probabilidad Exponencial 0.002.003. es el más simple de todo los modelos de distribución del tiempo de vida.0025 CONFIABILIDAD : R(t )  e l= 0.0000 0 500 1.0015 MEDIANA : ln 2 l 1 @ 0.0005 0. MEDIA = 1.693 l 0.000 VARIANZA : TASA DE FALLA : h (t )  l 1-44 l 2 .Distribución Exponencial • El modelo exponencial.

000 0. MTBF = 500 0.600 0.Distribución Exponencial R(t) = e(-lt) (Confiabilidad) Función de Confiabilidad Exponencial 1.200 0.000 0 500 l= 0.000 1-45 .500 2.400 0. MTBF = 333 1. MTBF = 1.001.800 R(t) l= 0.200 1.003.002.000 l= 0.000 Tiempo 1.

001.000 Note que la tasa de falla tiende a ser una constante l para cualquier tiempo.000 0 500 1.004 l= 0.500 2.000 1-46 .003.Distribución Exponencial h(t) = lMEDIA(Velocidad de Falla) Función de la Tasa de Falla Exponencial 0. La distribución exponencial es la única que tiene una velocidad de falla constante 0.000 Tiempo 1. MTBF = 500 h(t) 0.002.001 0.002 l= 0. MTBF = 1. MTBF = 333 0.003 l= 0.

i.Distribución Exponencial • Distribución Exponencial – Es usada como el modelo. es la distribución más conservadora para predicción.. la tasa de falla es constante – Los sistemas complejos con muchos componentes y múltiples modos de falla tendrán tiempos de falla que tiendan a la distribución exponencial – desde una perspectiva de confiabilidad.e. La forma de la exponencial siempre es la misma 1-47 . para la parte de vida útil de la curva de la bañera.

significando que las posibilidades de falla empiezan a ocurrir sólo después de g horas de operación. y no pueden ocurrir antes. cambia el comienzo de la distribución por una distancia g a la derecha del origen. Note que la varianza y la tasa de falla son iguales a las de la exponencial de un parámetro 1-48 TASA DE FALLA : h (t )  l l2 . si es positivo.Distribución Exponencial • La Distribución exponencial de 2 parámetros tiene las siguientes ecuaciones: CDF : F (t )  1  e PDF : f (t )  le  l ( t g )  l ( t g ) CONFIABILIDAD : R(t )  e l ( t g ) MEDIA : m  g  MEDIANA : g  VARIANZA : 1 1 l l @g  0.693 ln 2 l g es el parámetro de localización.

para el caso de 2 parámetros: Donde h es un parámetro de escala (la vida característica) y b se conoce como el parámetro de forma (pendiente) y  es la función Gamma con (N)=(N-1)! para N entero CDF : F (t )  1  e t    h    b CONFIABILI DAD : R(t )  e t    h    b b PDF : f (t )  h t    h    b 1 e t    h    b  1 MEDIA : h1    b   MEDIANA : h ln 2  b 2 1 2  2   1  VARIANZA : h 1    h1    b    b      b TASA DE FALLA : h t  b      b 1 1-49 .Distribución Weibull • La distribución de Weibull es un modelo de distribución de vida útil muy flexible.

CDF : F (t )  1  e  t g   h      b CONFIABILI DAD : R(t )  e  t g   h      b     b b PDF : f (t )  h No puede ocurrir una falla antes de g horas.Distribución Weibull Una forma más general de 3 parámetros de la Weibull incluye un parámetro de tiempo de espera (localización ó desplazamiento). el tiempo comienza en g no en 0. t g    h  e     1 MEDIA : g  h1    b   MEDIANA : g  h ln 2  b 2 1 b 1  t g   h   2   1  VARIANZA : h 1    h1    b    b      2 b TASA DE FALLA : h t g   b      b 1 1-50 . Las fórmulas se obtienen reemplazando t por (t-g).

0030 b = 0.4 h = 1000 0.5 h = 1000 0.0010 0.0020 f(t) b = 1.0000 0 500 1000 1500 Tiempo 2000 2500 3000 1-51 .0 h = 1000 b = 3.Distribución Weibull b t  f( t )    Función de Distribución Weibull h h b 1   t  b     exp          h       Función de Densidad de Probabilidad Weibull 0.

Distribución Weibull
Funciones de Distribución Weibull
  t  b     R ( t )  exp          h      

Función de Confiabilidad Weibull 1.000 0.800 0.600
b = 3.4 h = 1000 b = 1.0 h = 1000

R(t)
0.400 0.200 0.000 0 500 1000 1500 Tiempo 2000 2500 3000
1-52

b = 0.5 h = 1000

Distribución Weibull
Funciones de Distribución Weibull
b t  h( t )    h h
b 1

Función Tasa de Falla Weibull 0.0060
b = 3.4 h = 1000

0.0040

h(t)

b = 0.5 h = 1000 b = 1.0 h = 1000

0.0020

0.0000 0 500 1000 1500 Tiempo 2000 2500 3000
1-53

Distribución Weibull

• Distribución Weibull
– mientras la función pdf de la distribución exponencial modela la característica de vida de los sistemas, la Weibull modela la característica de vida de los componentes y partes – modela fatiga y ciclos de falla de los sólidos – es el traje correcto para datos de vida
• La función de distribución Weibull pdf es una distribución de la confiabilidad de los elementos de una muestra

• muy flexible y puede tomar diferentes formas

1-54

Distribución Weibull
• Tiene usted una Distribución Weibull con b=2 y h=2, ¿Cuál es la media y la varianza?
 1 m  h 1    b    2   1  varianza  h 2 1    h1    b    b     
2

1

Archivo Weibull.xls

2

3
1-55

Distribución Weibull

l decreciente b< 1

l constante b= 1

l creciente b> 1

Fallas tempranas

Desgaste
Tiempo de vida útil

Las tres porciones de la curva de tina de la bañera tienen diferentes índices de falla. Las fallas tempranas se caracterizan por un índice de falla decreciente, la vida útil por un índice de falla constante y el desgaste se caracteriza por un índice de falla creciente. La distribución de Weibull puede modelar matemáticamente estas tres situaciones.

tiempo

b < 1 disminuye la tasa de riesgo, implica mortalidad infantil b = 1 tasa de riesgo constante, fallas aleatorias 1< b < 4 aumenta la tasa de riesgo, fallas por corrosión, erosión b > 4 aumenta rápidamente la tasa de riesgo, implica fallas por desgaste y envejecimiento

1-56

1 <b4 (Tasa de Riesgo creciente) b = 1 (Tasa de riesgo constante) •Implica fallas aleatorias(Distribución Exponencial) •Una parte vieja es tan buena como una nueva •Si esto ocurre: -Mezcla de modos de falla -Las fallas pueden deberse a eventos externos. Normal. la resistencia a fallar mejora con la edad.La Distribución Weibull . puede existir: -Carga. b=2Rayleigh •Implica edad avanzada y rápido desgaste •Si esto ocurre. sospeche de: -Propiedades del material -Materiales frágiles como la cerámica -Variabilidad pequeña en manufactura o 1-57 material . inspección o prueba inadecuada -Problemas de Manufactura -Problemas de reparación •Si un componente sobrevive la mortalidad infantil .Interpretación b < 1 (Tasa de riesgo decreciente) •Implica mortalidad infantil •Si esto ocurre.44aprox. como:luminosidad o errores humanos -Fundido y removido antes de su desgaste b4 (La tasa de riesgo crece rápidamente)  •Si esto ocurre -La mayoría de los baleros y engranes fallan -Corrosión o Erosión -El reemplazo programado puede ser efectivo en costo b=3.

Distribución Weibull •Cuando b = 2. •Cuando se modela el tiempo que se necesita para que ocurran reacciones químicas. se ha mostrado que la distribución Lognormal usualmente proporciona un mejor ajuste que la Weibull. •Cuando b = 5 la Weibull se aproxima a una Normal puntiaguda. 1-58 .5 la Weibull se aproxima a la distribución Lognormal(estas distribuciones son tan cercanas que se requieren tamaños de muestra mayores a 50 para distinguirlas).

3. 2. tales como las llantas de un automóvil.La resistencia a la ruptura de componentes o el esfuerzo requerido para la fatiga de metales. 1.Sistemas que fallan cuando falla el componente más débil del sistema(la distribución Weibull representa una distribución de valor extremo).El tiempo de falla de componentes electrónicos. 1-59 . 4.Distribución Weibull Debido a su flexibilidad. Algunos ejemplos son.El tiempo de falla para artículos que se desgastan.hay pocas tasas de falla observadas que no pueden modelarse adecuadamente mediante la Weibull.

Este hecho se usa en las gráficas para identificar el valor de h (eta) Este mismo resultado se obtiene para el caso exponencial. t = h?   t  b     R(t )  exp          h       si t  h   h  b     R(t  h )  exp       e 1  0.6321 Al llegar al tiempo de vida igual a la vida característica el 63.3678     h       F (t  h )  1  R(t  h )  0.Distribución Weibull •¿Qué pasa en una distribución Weibull si el tiempo tiene el valor de la vida característica. recordando que la Weibull se puede reducir a una exponencial cuando b = 1. 1-60 .2% de los elementos habrá fallado.

• La PDF comienza en cero.Distribución Lognormal • Un tiempo de falla se distribuye según una Lognormal si el logaritmo del tiempo de falla está normalmente distribuido. 1-61 . aumenta hasta su moda y diminuye después. • La Distribución Lognormal es una distribución sesgada hacia la derecha.

y) t PDF CDF MEDIA MEDIANA VARIANZA f (t )  1 t y 2 e 1 y y   2  y      2 y = ln(t) f (y )  1 e  y 2 1 y y   2  y      2  ln(t  T50 )   F (t )     y   2  y    t  T50  exp  y   2     y  y F ( y )     y       y  ln(T50 )  y T50  exp(  y )  t  t2 1 2 t 2 2 2 T50 exp( y ) exp( y )  1     t2 ln1  2  t      1-62 (z) es la CDF de la Normal estándar . t~LN(t.Distribución Lognormal • Si un tiempo t está distribuido Lognormal. t) y si Y = ln(t) entonces Y~N(y.

Distribución Lognormal
• La Distribución de vida Lognormal, como la Weibull, es un modelo muy flexible que puede empíricamente ajustar a muchos tipos de datos de falla. En su forma de dos parámetros tiene los parámetros ln(t) = y parámetro de forma, y T50 = la mediana (un parámetro de escala) • Si el tiempo para la falla t, tiene una distribución Lognormal, entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene una distribución normal con media y = ln T50 y desviación estándar y. • Esto hace a los datos lognormales convenientes para trabajarlos así: determine los logaritmos naturales de todos los tiempos de falla y de los tiempos censurados (y = ln(t)) y analice los datos normales resultantes. Posteriormente, haga la conversión a tiempo real y a los parámetros lognormales usando y como la forma lognormal y T50 = exp(y como (mediana) el parámetro de escala.
1-63

Distribución Lognormal
Función de Distribución Lognormal
 1  ln ( t )    1 f( t )  exp     t 2  2  
2

  

donde  y  son funciones de ln’s

Función de Densidad de Probabilidad Lognormal 0.5000 0.4000 0.3000
=0  = 0.5 =0 =1 =1  = 0.5

f(t)
0.2000 0.1000 0.0000 0 1 2

=1 =1

3 4 Tiempo

5

6

7

1-64

Distribución Lognormal
Función de Distribución Lognormal
R ( t )   f( t )d t 
t  

 f [ln ( t )] d [ln ( t )] 

  ( z )d z

ln ( t )

z [ln ( t )]

donde z[ln(t)] = [ln(t)-/] (z) = normal estandarizada normal pdf

Función de Confiabilidad Lognormal 1.000 0.800 0.600
=1  = 0.5 =1 =1

R(t)

0.400 0.200 0.000 0 1 2
=0  = 0.5

=0 =1

3 4 Tiempo

5

6

7

1-65

Distribución Lognormal
Función de Distribución Lognormal
h ( t )

f( t ) R( t)

Función Tasa de Falla Lognormal 0.7000 0.6000 0.5000
=0  = 0.5

h(t)

0.4000 0.3000 0.2000 0.1000 0.0000 0 1 2
=1 =1 =0 =1

=1  = 0.5

3 4 Tiempo

5

6

7
1-66

Distribución Lognormal
– Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
• Calculemos los valores que nos permiten usar la tabla normal estándar

 t2 4 T50   t  1  2  25  1     24.68 t  25 
2

  4 2    t2  2  y  ln1  2   ln1      0.02527      25   t    

 y  0.02527  0.1589
• Para poder usar las Tablas de la Normal Estándar:
– P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) = 0.023

1-67

Distribución Lognormal
• Distribución Lognormal
– Número de ciclos de falla en la fatiga de los metales y partes metálicas, niveles de tensión significativamente menores que sus límites – Representa bien el tiempo de falla de los dispositivos mecánicos, especialmente en el caso de uso – La resistencia de materiales frecuentemente sigue una distribución Lognormal – Las variables de peso son frecuentemente bien representadas con una distribución Lognormal – Es una buena distribución para cualquier variable – La medida de cualquier resultado el cual es el resultado de una proporción o efecto multiplicativo es Lognormal
1-68

MIL-HDBK-217) • Conocimiento Ingenieril del mecanismo de falla – Tiene más poder para hacer una decisión correcta que en las pruebas no-paramétricas – Rinde información más precisa que los métodos noparamétricos • Los intervalos de confianza son más amplios usando noparamétricas – Permite extrapolar fuera del rango de los datos 1-69 .Modelos Paramétricos de Confiabilidad • Ventajas – Usados cuando la distribución subyacente de los tiempos de falla se conoce o puede ser supuesta • Datos de prueba previos • Parámetros de industria aceptados (v.g..

Modelos Paramétricos de Confiabilidad • Desventajas – El uso no apropiado del modelo puede llevar a conclusiones incorrectas – Implica un conocimiento previo del comportamiento de los mecanismos de falla y su efecto en la observación estadística – Si no se conoce nada sobre la falla debe tenerse cuidado en un procedimiento para seleccionar un modelo adecuado. 1-70 .

desgaste b app 3. exponencial b > 1. std.)/ (z) = pdf normal std. f(t) Función de Confiabilidad. R(t) Función de Tasa de Falla. fallas infantiles b = 1.4. de ln’s (z) = pdf normal std. o pendiente Weibull b < 1. desgaste alto efectos aditivos (CLT) Aplicaciones . h(t) Tiempo Medio Entre Fallas (MTBF) Exponencial f(t) = lexp(-lt) Weibull b t  f(t)   h h b1 Normal  1 t  2  f(t) exp     2  2      1  f(t)  Lognormal  1 ln(t)    2  1 exp        t 2   2    t  b    exp     h       t  b     R(t) = exp(-lt) R ( t )  exp          h      h(t) = l R(t) (z)dz z(t) R(t)  (z)dz z[ln(t)] b h(t)  t    h h T  h( b1 h( t )  ( z )  R( z ) h(t)R(t) 1 T  exp(T '  2 T ' ) 2 dondeT' es la funcion ln(t) media de ln’s = escala de ln’s= forma z[ln(t)] = (ln(t) . fatiga en metales 1-71 desgaste de partes mecánicas efectos multiplicativos f(t) T  1 l 1  1) b T  media Parámetros 1/l= escala sin forma Sistema complejo vida útil electrónica h = escala b = forma. app. normal muy flexible bien para fatiga en componentes mecánicos media = localización = escala z(t) = (t .)/ donde  = media de ln’s  = desv.Cuadro de Distribuciones Modelos Comunes de Confiabilidad Función de Densidad de Probabilidad (pdf).

debemos verificar: • que tenga ―sentido‖ . • Pasar las pruebas estadísticas y visuales para ajuste de datos 1-72 .Identificación de Modelos • Debemos de elegir cuidadosamente el modelo apropiado de distribución de vida – Cualquiera que sea el método usado para escoger el modelo.por ejemplo no usar un modelo exponencial que tiene una tasa de falla constante para modelar una falla de desgaste.

193 95% Conf idence Interv al f or Sigma 84.588 520.9966.339 0.077 124. el coeficiente de variación es prácticamente 1 •Media y desviación estándar son iguales •Sesgo >0 distribución sesgada a la derecha •Curtosis >3.078 102.000 101.mtw Descriptive Statistics Variable: T Anderson-Darling Normality Test A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum 2.38151 50 0.453 101.898 82.713 48 58 68 78 88 98 108 118 128 138 130.00837 5.Identificación de Modelos • Gráficas.444 Seguir la secuencia STAT>Basic Statistics>Display Descriptive Statistics 1-73 .127 10226. Abrir: identificación.018 95% Conf idence Interv al f or Median 95% Conf idence Interv al f or Median 53.124 30.475 126.7 2. tiene más agudeza que una normal 0 100 200 300 400 500 95% Conf idence Interv al f or Mu 95% Conf idence Interv al f or Mu 72.432 •No pasa el criterio de normalidad •  =0.

mtw 1-74 .Identificación de Modelos • Gráficas Abrir: identificación.

? 1-75 .0 ¿Cuál ajusta mejor.Identificación de Modelos Four-way Probability Plot for T No censoring Normal 99 95 90 80 70 60 50 40 30 20 10 5 1 -100 0 100 200 300 400 500 99 95 90 80 70 60 50 40 30 20 10 5 1 0.0 Exponential 99 98 97 95 99 95 90 75 60 Weibull Percent 90 80 70 60 50 30 10 0 100 200 300 400 500 Percent 40 30 20 10 5 3 2 1 0.1 1.0 1000.0 1000..0 Lognormal Percent Percent 10..1 1.0 10.0 100.0 100.

Identificación de Modelos El modelo exponencial 1-76 .

00980 0 100 200 300 400 500 Rate 0. Rate: 9.1 0.2 0.86E-03 MTBF: 101.6 0.Identificación de Modelos Overview Plot for T No censoring Probability Density Function 0.3 0.00985 1-77 .000 0 100 200 300 400 500 600 700 0 100 200 300 400 500 Survival Function 1.8 0.0 0 100 200 300 400 500 0.4 0.7 0.453 0.0 0.010 99 Exponential Probability Exponential ML Estimates Mean: 95 101.005 Percent 90 80 70 60 50 40 30 20 10 5 1 Fail.453 0.5 0.9 0.00990 Hazard Function Probability 0.

Ejercicio • Ahora Usted.mtw (los del capítulo 1) y proponga qué modelo de distribución los representa mejor... – – – – Analice los datos en la columna C5 Obtenga las gráficas Calcule los estadísticos descriptivos Utilice algún procedimiento automatizado para identificación de distribución – proponga una distribución 1-78 . • Abra los datos en distribución.

000 98.Ejercicio Descriptive Statistics Variable: tiempo Anderson-Darling Normality Test A-Squared: P-Value: Mean StDev Variance Skewness Kurtosis N Minimum 1st Quartile Median 3rd Quartile Maximum 2.30399 1.010 0 50 100 150 200 250 300 95% Conf idence Interv al f or Mu 95% Conf idence Interv al f or Mu 81.968 60 70 80 90 100 110 120 115.346 0.520 49.662 80.620 1-79 .9320 65.055 98.6671 4312.642 136.17 1.49195 60 9.549 76.092 95% Conf idence Interv al f or Median 95% Conf idence Interv al f or Median 61.566 302.896 95% Conf idence Interv al f or Sigma 55.

Ejercicio Four-way Probability Plot for tiempo No censoring Normal 99 95 90 80 70 60 50 40 30 20 10 5 1 0 100 200 300 99 95 90 80 70 60 50 40 30 20 10 5 1 10 Lognormal Percent Percent 100 Exponential 99 98 97 95 99 95 90 75 60 Weibull Percent 90 80 70 60 50 30 10 0 100 200 300 400 Percent 40 30 20 10 5 3 2 1 10 100 1-80 .

010 0.5 0.3 0.0 0 100 200 300 400 0.005 Percent 100 Survival Function 1.Ejercicio Overview Plot for tiempo No censoring Probability Density Function 0.4 0.6 0.7 0.9 0.066 0.0 0.2 0.005 0 100 200 300 400 MTB reporta la media y la desviación estándar de los logaritmos de los tiempos 1-81 Probability Rate .1 0.66066 100.8 0.010 99 95 90 80 70 60 50 40 30 20 10 5 0.000 0 100 200 300 400 500 600 1 10 Lognormal Probability Lognormal ML Estimates Location: 4.38759 Scale: MTBF: 0.015 Hazard Function 0.

• Es necesario asegurar cuál es el modelo más apropiado para modelar • La decisión depende del conocimiento del mecanismo de falla y la forma en que se observa. localización. • Las distribuciones tienen parámetros que le dan ciertas características: forma. • Recuerde siempre confirmar el modelo de distribución a usar y ver que las propiedades correspondan a lo conocido sobre la falla 1-82 .Puntos Clave • Los modelos paramétricos tienen muchas ventajas para modelar situaciones de confiabilidad. escala.

DEFINICIÓN DE PROYECTOS DE CONFIABILIDAD 1-83 .3.

1-84 . • Asegurar el control del impacto en el sistema bajo estudio. • Aprender de un proyecto real la secuencia e integración de las herramientas para la identificación de proyectos de confiabilidad.Objetivo Propósitos: • Conocer las herramientas utilizadas en la identificación de proyectos de confiabilidad. en un proyecto de confiabilidad a través del uso de las herramientas para la identificación de proyectos.

DMAIC Y Confiabilidad 1-85 .

Calibrado. MTBF. 3. AMEF inicial. Datos por intervalo de tiempo 4. Diseño de experimentos para eliminar X's. Verificación Estadística Identificar Confiabilidad Actual: CTQs de proceso y producto. Superficie de Respuesta. 6s Diagrama de Bloques Funcionales de Producto Diagrama de Relaciones de Proceso Medición Objetivo: determinar la Confiabilidad y capacidad actuales Sistema de Medición. Procedimientos. Modificar o Cancelar Proyecto FIN DEL PROYECTO 1-86 . pruebas terminadas a tiempo determinado. Regresión de parámetros Observación de tiempos de falla o degradación de Y Mejora Objetivo: determinar los niveles de las "X"" vitales Diseño de Experimentos. X. Lineal. Nivel de Confianza (1-a) Elaborar Diagramas P de condiciones de operación. ruidos internos y externos Identificación inicial de causas y efectos de falla. Regresión de Parámetros.Definición Identificar Oportunidades: SCR. media. Pruebas terminadas a número de fallas determinado 3. Gage RyR < 20% Diseño para Reproducción de la falla Medir Condición actual: 1. Cambio de Proveedor. Optimización de función Corrida de comprobación de la mejor solución. Continuar. Base de Datos Caracterizar Y. Costos. Análisis No Paramétrico. Auditorías Evaluar niveles de capacidad y metas de confiabilidad comprometidas Establecer Metas de Confiabilidad: Nivel de Confiabilidad R(t). dispersión. Documentación oficial Entrenamiento del personal involucrado. dispersión. Comparación Competitiva. Plan de Control. Documentación ISO. distribución. 2. jerarquizar Xs Evaluar metas de Confiabilidad y de Capacidad de proceso. Predicciones. distribución. h(t). Z Identificar los parámetros relevantes del ruido ambiental: Máximo. R(t). Datos de campo. condiciones de ambiente Control Determinar tipo de observación en la confiabilidad: 1. Aceleración de Pruebas por aumento de carga AMEF definitivo. tiempo de misión. En pruebas aceleradas: Validar Transformaciones para la regresión del factor acelerante Análisis Objetivo: determinar las "X" vitales Pruebas Estadísticas: Comparación de Confiabilidad actual contra propuesta: Análisis Paramétrico. 2. Estable. mínimo. parámetros. tiempo de misión (t). Productividad. las causas posibles y el tiempo de falla: media. t: El CTQ. Laboratorio de pruebas.

Diagrama de Bloques Funcionales 1-87 .

¿Qué es un Diagrama de Bloques Funcionales? Un Diagrama de Bloques Funcionales es una representación gráfica de los elementos funcionales de un sistema y sus interconexiones. 1-88 .

 Construir gráficamente los elementos funcionales de un sistema y sus interrelaciones.¿Para que utilizar el Diagrama de Bloques Funcionales?  Es el primer paso para desarrollar el modelo del sistema y se utiliza como punto de partida en la realización de un análisis de modo y efecto de falla (AMEF). 1-89 . complementar con la misión crítica que corresponde a cada elemento en el sistema.  Entender la relación que guardan los subsistemas entre sí y el impacto de un cambio o más en el sistema.

• 2. Defina las entradas y salidas de los subsistemas. • 3. • 4.Pasos en la construcción de un Diagrama de Bloques Funcionales: • 1. Defina los modos de operación del sistema. • 5. Liste los subsistemas (muestre los límites de referencia). Defina la falla crítica de los subsistemas/partes y la interdependencia 1-90 . Liste las funciones de los subsistemas (activas y pasivas) para cada modo de operación. • 6. Defina la función del sistema.

DIAGRAMA DE RELACIONES 1-91 .

Cuando usarlo Un tema complejo está siendo analizado por causas. para explorar con mayor énfasis las relaciones de las ideas. 1-92 . un diagrama de causa-efecto o un diagrama de árbol. Una iniciativa compleja está siendo implementada. De igual importancia. Después de haber generado un diagrama de afinidad.DIAGRAMA DE RELACIONES Muestra las relaciones causa-efecto. es que el proceso de creación de un diagrama de relaciones ayuda a un grupo en el análisis de los enlaces naturales entre aspectos diferentes de un problema complejo.

Determinación de Factores de Control y de Ruido Diagrama-P 1-93 .

cuya información proviene de un Diagrama de Bloques Funcionales. • El diagrama de parámetros bosqueja en forma sencilla y clara los factores que afectan la salida del diseño del producto/proceso que pueden estar bajo control o no del diseñador/responsable de la iniciativa de confiabilidad 1-94 .Qué es un Diagrama de Parámetros • Es la forma esquemática en la que se presentan las entradas. variables independientes y salidas del proceso/producto sometido a un cambio tipo ―C‖.

tal que todos los modos de falla puedan ser entendidos. Proporciona un enfoque disciplinado para la planeación de pruebas. considerados y cuantificados.  Facilitar la ejecución del AMEF y el diseño de experimentos.  Para asegurar que el plan de pruebas de confiabilidad incluya las condiciones ambientales aplicables al producto.Para que utilizar el Diagrama de Parámetros:  Para desarrollar el plan de pruebas de confiabilidad. 1-95 .

MATRIZ F A C T O R E S FACTORES QUE DAN LIBERTAD DE ACCION Y POSIBILIDAD DE AHORROS DE FACTORES C SI O N T R O L O NO FACTORES DE CONTROL FACTORES POR LOS FACTORES DE QUE NO VALE LA PENA Q U E RUIDO PREOCUPARSE NO SI FACTORES QUE AFECTAN EL PROCESO 1-96 .

es una variable que es deliberadamente cambiada o modificada en un experimento para observar su impacto en la variable de respuesta. Por ejemplo. 4.Puntos Clave en la definición de Factores de Control y de Ruido 1. las condiciones ambientales. algunas veces llamada variable dependiente. la temperatura de la soldadura en una máquina de soldar o la dimensión de una parte en un diseño mecánico. Un factor de ruido es aquel que el equipo técnico considera costoso o imposible de controlar en la producción regular. 2. Factor: algunas veces llamada variable independiente o variable causal. Ejemplo. Factor de Ruido. es la Y. 1-97 . la humedad y temperatura son frecuentemente considerados factores de ruido en los experimentos de mejoramiento de procesos. Variable de Respuesta: Es una variable observada o medida en un experimento. Un factor de control es aquel que puede ser controlado en la producción regular o un parámetro que puede ser especificado en un diseño. La variable de respuesta es el resultado de un experimento y es denominada como un CTQ o una medida del desempeño del proceso. Factor de Control. 3.

Análisis del Modo y Efecto de la Falla 1-98 .

—Identificar las causas posibles y eliminar las causas —Ubicar los impactos de falla y reducir los efectos  1-99 .Qué es el AMEF  Es una estructura para lograr: Identificar las formas en las que un proceso puede fallar por no reunir los requerimientos críticos del cliente Estimar el riesgo de las causas específicas con respecto a estas fallas Evaluar el plan de control actual para prevenir que estas fallas ocurran Dar prioridad a las acciones que deberían efectuarse para mejorar el proceso Concepto: Identificar las formas en que puede fallar el producto. el proceso o el servicio al proporcionar la función planeada.

AMEF ¿Qué hace? • Jerarquiza los problemas en los que se debe trabajar primero • • Identifica las fallas en los planes de control Conduce a hacer más preguntas acerca del proceso •Ayuda a evaluar el riesgo del cambio de proceso • Establece la prioridad de las acciones a ejecutar 1-100 .

corregido y actualizado  1-101 .AMEF Es la herramienta clave con que cuenta un equipo para mejorar el proceso de una manera adquisitiva (antes de que ocurra la falla)  Empleado para dar prioridad a los recursos que aseguran atención a los esfuerzos de mejora del proceso que son benéficos para el cliente  Usado para documentar los cálculos de riesgo de la terminación de los proyectos y de las mejoras resultantes  Debe ser un documento dinámico. que está siendo continuamente revisado.

El Modelo AMEF Prevención Detección Detección Causa Material o Entrada de Proceso Modo de la Falla (Defecto) Efecto Cliente externo o paso del proceso con la corriente Paso del Proceso Controles 1-102 .

Definición Modo de Falla • El Modo de Falla necesita ser claramente definido en términos de la operación realizada • Ejemplos de Modo de Falla: – – – – – – distorsión fractura tolerancia excedida circuito abierto corto circuito descalibrado Usar números en donde sea posible Definir el Modo de Falla antes de la Prueba 1-103 .

corrosión química MLPL nos dice cómo fallan los componentes Ejemplo: Elemento Calorífico MLPL 1-104 .Mecanismo de Falla • Los Resultados de las Pruebas estuvieron disponibles para determinar los modos de falla • Los modos de falla primarios son: Alambre abierto y fundido •MLPL describe los mecanismos de la falla MLPL Mecanismo de la Falla 1) Oxidación del alambre calentado. y disminución del cromado El mecanismo es de degradación.

―Acelerar‖ las pruebas •El tiempo para determinar la confiabilidad a veces no es suficiente •Un producto con alta confiabilidad tarda mucho en exhibir las fallas •Es necesario determinar que tipo de carga o esfuerzo ACELERA el modo de falla 1-105 .

temperatura) Seis Sigma / Enfoque Diseño de Experimentos 85 RH Humedad 85 C. 75 RH 65 RH 65 C Temperatura 85 C 1-106 . 85 RH 85 C. voltaje.Determinar el Mecanismo del Modo de la Falla a ser Acelerado Para estar seguros de acelerar todos los modos de falla. vibración. se necesita usar más de un acelerador ( por ejemplo.

Puntos Clave • Confiabilidad .DMAIC • Diagrama de Bloques Funcionales • Diagrama de Relaciones • Diagrama de Parámetros • AMEF • Modo de Falla • Mecanismo de la Falla 1-107 .

4. OBSERVACIÓN DE FALLAS 1-108 .

Objetivo: Presentar alternativas de Análisis en función del Tipo de Datos Propósitos: • Clasificar el Tipo de Datos Observados • Analizar Datos Agrupados y Datos no Agrupados – Censurados a la izquierda – Censurados a la derecha – Sin Censura – Con Tiempo de Misión establecido – Estimación de Parámetros • Interactuar con ReliaSoft´s Weibull++5.0 para el análisis de datos 1-109 .

Los datos representan datos de vida o datos de tiempo de falla de los productos que hacemos.Recolección de Datos La Recolección de datos es una parte importante de todo proyecto. La exactitud de cualquier predicción es directamente proporcional a la calidad y exactitud de los datos recolectados. 1-110 .

Tales datos se conocen como datos completos. porque algunos de los artículos en la muestra pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede detenerse antes de que fallen todas las unidades. cuando una muestra de 10 se pone a prueba es muy raro que se obtengan 10 observaciones. En el trabajo regular del control de calidad si se inspecciona una muestra de 10 artículos. se obtendrán 10 observaciones. Los datos censurados pueden clasificarse en tres tipos: censurado simple Tipo I. En pruebas de vida. el resultado será: datos incompletos o datos censurados. 1-111 . Es necesario entender que tipo de datos se tienen con el objeto de analizarlos correctamente. censurado simple Tipo II y multicensurados. Bajo estas circunstancias o cuando se desea un análisis en una etapa intermedia antes de que se termine la prueba.Tipos de Datos Cuando se examinan datos sobre la vida o duración de un producto debe reconocerse que hay diferentes clases de ellos.

Los datos se llaman de censurado simple porque todos los sobrevivientes se quitan de la prueba al mismo tiempo. Cuando los sobrevivientes tienen diferentes tiempos de sobrevivencia.Censurado simple Tipo I Tiempo T La figura muestra las condiciones que generan este tipo de datos. Unidades de la muestra 1 2 3 4 5 6 = Falla = Sobreviviente Los datos de censurado simple Tipo I con frecuencia se refieren como datos censurados por el tiempo o datos truncados por el tiempo. La prueba se detiene en un tiempo T predeterminado. se dice que los datos son multicensurados. como sucede bajo ciertas condiciones experimentales o de uso en campo. 1-112 .

Los datos de censurado simple Tipo II son llamados simplemente datos censurados por falla o datos truncados por falla. La prueba es detenida tan pronto como ocurra un número predeterminado de fallas. Tiempo Unidades de la muestra 1 2 3 4 5 6 = Falla = Sobreviviente 1-113 .Censurado simple Tipo II La figura muestra las circunstancias bajo las cuales aparecen este tipo de datos. Todas las unidades sobrevivientes tienen los mismos tiempos de sobrevivencia y son iguales al tiempo de falla de la última falla.

La Figura muestra un ejemplo. 5 y 6 fueron vendidas al cliente 2 y cuando se reportó la falla de la unidad 4.Multicensurados Se caracterizan por las unidades sobrevivientes que tienen diferentes tiempos de sobrevivencia. 2 y 3 fueron vendidas al cliente 1 y cuando se reportó la falla de la unidad 1. Las unidades 4. las otras estaban trabajando. las unidades 5 y 6 aun estaban trabajando. Tales datos pueden aparecer por diferentes situaciones. las unidades 1. Tiempo Unidades de la 1 muestra 2 3 4 5 6 = Falla = Sobreviviente 1-114 . En ella.

Tiempo Unidades de la 1 muestra 2 3 4 5 6 Existen muchas otras situaciones en las cuales aparecen los datos multicensurados. pero para las otras tres los dispositivos de prueba fallaron antes de que fallaran las unidades. = Falla = Sobreviviente 1-115 . incluirán la información de aquellas unidades que no fallaron porque estaban funcionando en el momento en que tenían que retirarse de la prueba. Los métodos de análisis para tales datos. así como también para datos de censurado simple.Multicensurados Cont. En la Figura . Así las unidades tuvieron que quitarse de la prueba en diferentes tiempos cuando los dispositivos fallaron. Tal información agrega usualmente precisión o confianza en los resultados. de seis unidades puestas a prueba tres fallaron en los tiempos mostrados.

Esto ocurre cuando las muestras son inspeccionadas en tiempos específicos y son observadas sus condiciones. Se sabe que ciertas unidades de la muestra fallan en ciertos intervalos de tiempo. Este tipo de datos proviene tanto de pruebas de campo como de laboratorio. su tiempo exacto de falla sigue siendo desconocido. Tiempo Unidades de la 1 muestra 2 3 4 5 6 Es necesario aplicar el tipo de análisis correcto para un tipo dado de datos con el objeto de obtener la mayor información posible de este.Datos por Intervalo La figura muestra donde aparecen los datos por intervalo. 1-116 .

Tipos de Datos Exacto Todos Fallaron Intervalo Datos No Agrupados Exacto No Todos Fallaron Intervalo Tiempos de Falla con Suspensiones (Censura Derecha) Tiempos de Falla con Suspensiones e Intervalos (Intervalos y Censura Derecha Izquierda) Tiempos de Falla con Intervalos (Intervalos y Censura Izquierda) Tiempos de Falla (Sin Censura) Exacto Todos Fallaron Intervalo Datos Agrupados Exacto No Todos Fallaron Intervalo Tiempos de Falla (Sin Censura) Tiempos de Falla con Intervalos (Intervalos y Censura Izquierda) Tiempos de Falla con Suspensiones (Censura Derecha) Tiempos de Falla con Suspensiones e Intervalos (Intervalos y Censura Derecha Izquierda) 1-117 .

0 • El tipo de datos afecta el proceso de estimación de la confiabilidad • Es muy importante clasificar correctamente los datos de acuerdo a su tipo: Datos Agrupados.Tipos de Datos como se definen en Weibull++5. el tiempo de falla está basado sobre un intervalo en el que se realiza la inspección 1-118 . utilizan el tiempo para fallar y tiempo de suspensión A la izquierda A la derecha • Datos por Intervalo. Datos no Agrupados • Datos censurados.

• Gráfica de probabilidad 1-119 . que nos guiará en la situación de Datos Sin Censura.46. • El tipo de distribución que modela su comportamiento.123. Se realizaron pruebas de confiabilidad a seis unidades y se observaron los siguientes tiempos de falla: 64. nos interesa conocer.83.105 y 150 horas.Sin Censura • Veamos un ejemplo simple. • Estimar los parámetros.

Censura a la Derecha (ejemplo 2) •Diez unidades idénticas fueron probadas para determinar su confiabilidad a la misma aplicación y a tres niveles de operación. después de 120 horas. Seis de esas diez fallaron durante la prueba Tj: 16. y 120. este es un claro ejemplo de datos censurados a la derecha o suspendidos. • Las cuatro unidades restantes permanecieron operando.53. su Función de Densidad y la Gráfica de Probabilidad. 120 tiempo 1-120 .34.93. para su interpretación.75.Nos interesa determinar los parámetros de la distribución Weibull.

iniciando el tiempo de misión en el T=0 ? 1-121 . preguntamos ¿Cuál es la confiabilidad de las unidades para una duración (tiempo) de misión de 226 horas. resulta fundamental saber en que medida los productos que fabricamos satisfacen la decisión de negocio. Utilizando la misma información del ejemplo 2.Con Censura introduciendo el concepto Tiempo de Misión En ocasiones nos interesa conocer la confiabilidad o la no confiabilidad de unidades sometidas a pruebas para un cierto tiempo de misión. Siendo que el tiempo que se denomina de misión es una decisión de negocio.

Con Censura introduciendo el concepto de Tiempo de Misión con un valor inicial diferente de cero Confiabilidad Condicional Utilizando los datos del ejemplo 2. calcular la confiabilidad para un tiempo de misión de t = 30 horas. iniciando la misión al tiempo T = 30 horas? ¿Cuál es el tiempo de garantía para lograr una confiabilidad de 85%? T = 30 horas Inicio Tiempo de Misión t = 30 horas Tiempo de Misión definida por el negocio 1-122 .

Función que representa la confiabilidad buscada:: R (T  t ) R (T . tiempo de inicio de la misión T tiempo de duración de la misión .30hr )  0.8612 ˆ R(30hr .8218 R 0. ˆ (30hr .30hr )  82. t )  R (T ) t .18% 1-123 .7077  0.

esta información se registra al realizar las pruebas de confiabilidad. La diferencia reside en decir el número de estados que se presentan para cada tiempo de falla.Análisis de Datos Agrupados El procedimiento de Análisis de Datos Agrupados se explica a través de un ejercicio. Dependiendo del agrupamiento que se de a los datos será el análisis de los mismos. Los datos se presentan en la siguiente pantalla: 1-124 .

y otras 10 fallaron entre 200 y 300 horas. si hay incertidumbre en conocer cual es el tiempo exacto al que las unidades fallaron.Estimación Máxima Verosimilitud Una característica es que cada tiempo individual es explícitamente usado en el cálculo de los parámetros. se recomienda utilizar datos por intervalos. 1-125 . otras unidades fallaron entre las 100 y las 200 horas. Sin embargo. ejemplo 10 unidades fallaron a las 100 horas. entonces no hay diferencia en la entrada de un grupo de 10 unidades fallando a las 100 horas y 10 entradas individuales de 100 horas.

6885 724.2044 h Los resultados muestran valores de los parámetros muy diferentes.3180 3. ¿cuáles son las implicaciones en la confiabilidad? 1-126 .6214 810.Tabla Resumen RRX MLE b 2.

¿Máxima Verosimilitud o Mínimos cuadrados? • ¿Qué método preferir? • La respuesta es: depende • Para muestras pequeñas MLE es mejor • RR da una medida del ajuste de los datos a la distribución con el coeficiente de correlación. Un mal ajuste alerta sobre la posibilidad de múltiples modos de falla. cosa que en MLE es más difícil por la forma de graficar una solución 1-127 . Esto se puede identificar en la gráfica lineal.

Datos Agrupados. 2 unidades fallaron a las 400 horas. los tiempos de falla son: 7 unidades fallaron a las 100 horas. • Generar la Gráfica de Probabilidad Exponencial. 3 unidades fallaron a las 300 horas. enfatizando su Distribución y Función Ejemplo 4 Fue probada la confiabilidad de 20 unidades. 5 unidades fallaron a las 200 horas. una unidad falló a las 500 horas. • Utilizar la distribución exponencial y estimar sus parámetros. y 2 unidades fallaron a las 600 horas. • Generar la Gráfica de Confiabilidad contra Tiempo de Falla • Obtener la Gráfica de la Función de Densidad de Probabilidad • Obtener la Gráfica que relaciona la Tasa de Falla contra el Tiempo 1-128 .

Parámetros de la Distribución Exponencial 1-129 .

Gráfica de Probabilidad Exponencial Confiabilidad contra tiempo 1-130 .

Función de Densidad de Probabilidad Lambda = 0.68 Gráfica de Tasa de Fallas contra Tiempo 1-131 .0058 Gamma = 72.

080.Tiempo de falla asumiendo que los datos se aproximan a una Distribución Normal Ejemplo 5 Se probaron seis unidades y los tiempos de falla fueron: 11. 12.825. 12. nos interesa conocer: • Los parámetros de la Distribución y en particular utilizar como el método de estimación de los Parámetros Regresión del Rango sobre la X • Gráfica de Probabilidad para los datos. • Gráfica de la Función de Densidad de Probabilidad 1-132 . 12. 13.760 horas.125.550 y 14.260.

Vaciar los datos 1-133 .Pasos en la solución del ejemplo caracterizado por una Distribución Normal 1. Seleccionar el tipo de datos 2.

3. Función de Densidad de la Normal media = 12751.67 sigma= 1348.27 1-134 . Seleccionar la Distribución Normal y regresión del Rango sobre la X para estimación de los parámetros 4.

5. Gráfica de Probabilidad Normal incluyendo el intervalo de confianza del 90% 1-135 .

Determinar el tiempo promedio entre falla para un intervalo de confianza del 90% sobre el MTBF 1-136 .000 horas y un intervalo de confianza del 90% sobre su confiabilidad.Datos con Censura Ejemplo 6 Usando los datos del ejemplo 5 contestar las siguientes preguntas: 1. Determinar la confiabilidad para un tiempo de misión de 11. 2.

9916) = 0.90 1-137 .000) = 0.9031 Y la estimación de un intervalo de confianza de 90% de confianza: P(0.5828<R(t=11.Respuesta pregunta 1 Tenemos la estimación puntual de la confiabilidad: R(t=11.000)<0.

1<Media<13.657.Respuesta pregunta 2 Requerimientos Respuesta Tenemos la estimación puntual de la vida media: Vida Media= 12.846.751.2) = 0.7 Y la estimación de un intervalo de confianza de 90% de confianza: P(11.90 1-138 .

12 19.48 Estado F F F F F F F F S Determine los parámetros de una Weibull de 2 parámetros usando MLE y obtenga el gráfico de la función de logaritmo de verosimilitud 1-139 .48 Tiempo final de estado 6.12 19.64 35.92 29.48 63.92 29.72 45.40 39.64 35.00 6.32 63.32 63.24 52.40 39.72 45.Datos por intervalo – Considere los datos por intervalo dados a continuación Número en Estado 5 16 12 18 18 2 6 17 73 Última inspección 0.24 52.

4854 Eta= 71.6904 1-140 .Beta=1.

en ellos el tiempo de falla no se conoce exactamente sino hasta que se inspecciona. la falla podría ocurrir entre 0 y 100 horas. se refiere a datos en donde existe la incertidumbre del tiempo exacto en que las unidades fallaron. • Censura a la Derecha son datos de vida de unidades que no fallaron en el tiempo de misión establecido. 1-141 . • Censura a la Izquierda parecido al intervalo. • Intervalo de Datos Censurados. • Representan situaciones reales de confiabilidad en donde no todas las unidades fallan. o bien no se conocen los tiempos para fallar de todas las unidades.Ventajas de los Datos con Censura • Es el esquema de datos más común en la práctica.

Exponencial • .Weibull • .Normal • .Puntos Clave • Tipo de Datos Observados • Datos Agrupados y Datos no Agrupados – Censurados a la izquierda – Censurados a la derecha – Sin Censura • Parámetros de las Distribuciones de Probabilidad: • .Lognormal 1-142 .

Confiabilidad contra tiempo • Intervalos de confianza para la confiabilidad 1-143 .Regresión del Rango sobre Y .Gráfica de Probabilidad .Función de Distribución Acumulada .Tasa de Falla contra tiempo .Puntos Clave • Métodos de Estimación de Parámetros: .Regresión del Rango sobre X .Método de Estimación de Máxima Verosimilitud •Gráficas Especiales .Función de Densidad de Probabilidad .

CÁLCULOS Y PRUEBAS DE CONFIABILIDAD 1-144 .5.

• Agenda – – – – Introducción Métodos No-paramétricos Métodos Paramétricos Planear Pruebas 1-145 .

Introducción • Tópicos cubiertos – Pruebas de Demostración de Confiabilidad • Resultados de pruebas • Planeación de pruebas – Pruebas No-Paramétricas • Prueba de Rachas exitosas • Prueba de Porcentaje Superviviente • Prueba de Mann-Whitney – Pruebas Paramétricas • Caso Exponencial • Caso Weibull – Planear Pruebas • Caso Exponencial • Weibull sin fallas 1-146 ..

. Modelos Duane. SPRT’s 1-147 .• Tópicos no cubiertos • v. Modelos Gompertz .g. HASS. Pruebas de Muerte Súbita. Prueba de Rachas Wald-Wolfowitz.g. HALT..Introducción – Pruebas de Crecimiento de Confiabilidad – Pruebas Aceleradas • v. Modelos Arrhenius – Muchos otros métodos no-paramétricos • v.g.g.. Pruebas Binomial-Pearson – Muchos otros métodos paramétricos • v.

• No-paramétricas . • La potencia aumenta con el tamaño de la muestra • Pudiera ser tan potente si los datos no siguen una distribución conocida 1-148 .No-paramétricas – Usadas cuando la distribución subyacente de los tiempos para falla no se conoce • No se conocen los parámetros de la distribución o pueden estar supuestos • Insuficientes unidades de prueba disponibles para determinar la distribución subyacente – No tienen una potencia tan alta para hacer una decisión correcta como una prueba paramétrica.

de ahí el nombre de la prueba 1-149 .No-paramétricas – La duración de la prueba está predeterminada – La duración de la prueba debe igualar a la duración de la misión • El término exitoso de la prueba proporciona una confiabilidad para esa duración de prueba.• Prueba de Rachas Exitosas . • El valor de la confiabilidad no puede ser determinado para cualquier otra duración – Los métodos presentados después intentan atender esto – Requiere que todas las unidades sobrevivan para la duración (no se permiten fallas) • Todas las unidades son exitosas.

• Prueba de Rachas Exitosas . 0.No-paramétricas – El límite inferior de confianza. para la confiabilidad de una misión de duración t – CL = nivel de confianza (en decimales. de un solo lado.90 y no 90 para un 90% de confianza) – N = tamaño de muestra » número de unidades probadas para una duración t sin falla » número de misiones exitosas terminadas por una unidad 1-150 . para intervalo de un solo lado. esto es. para la confiabilidad es • RL1(t) = (1-CL)1/N – RL1(t) = límite inferior de confianza.

No-paramétricas • Prueba de Rachas Exitosas – Puede negociar RL1(t). y N • Para un CL dado. la ecuación se puede arreglar para determinar el tamaño de muestra requerido – ln(1 CL) N lnRL1 t 1-151 . CL. RL1(t) aumenta con el tamaño de la muestra – Dado un requerimiento de confiabilidad para algún tiempo y nivel de confianza especificados..

No-paramétricas • 10 tuercas fueron puestas en una prueba de vida simulando 10 años de servicio.• Prueba de Rachas Exitosas – Ejemplo .79432823 Límite inferior unilateral de confiabilidad • RL1(10 años) = (1-0.9 valor de confianza t= 10 años RL1 = 0. ¿Cuál es el límite inferior de 90% de confianza unilateral para la confiabilidad de estas unidades?. – Solución • RL1(t) = (1-CL)1/N – N = 10 – CL = 0.794 o 79% – ¿Qué puede decirse acerca de la confiabilidad para 20 años basándose en este análisis? 1-152 .90 – t = 10 años En EXCEL Archivo Cap 5.90)1/10 = 0.xls LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD N= 10 piezas que completan prueba sin falla CL = 0. Todas las diez tuercas completaron la prueba sin fallas.

ó 0.85 o 22 lnRL1 t  ln(0.90) 1-153 .90)   21.90 N ln(1  CL) ln(1  0. ó 0.No-paramétricas • El requerimiento de confiabilidad para la tuerca realmente fue confiabilidad de 90% en 10 años de servicio con 90% de confianza. ¿Cuántas unidades necesitan completar exitosamente la prueba para demostrar el requerimiento? – Solución N ln(1 CL) lnRL1 t – RL1(10 años) = 90%.90 – CL = 90%.• Prueba de Rachas Exitosas – Ejemplo (continua) .

No-paramétricas – La duración de la prueba está predeterminada – La duración de la prueba deberá igualar a la duración de la misión • Completar exitosamente la prueba provee una confiabilidad para esa duración de la prueba • El valor de la Confiabilidad no puede ser determinado para cualquier otra duración – Los métodos presentados después tratarán de atender esto. sólo el número de fallas ocurrido • Las unidades falladas no se reemplazan 1-154 .• Prueba de Porcentaje-Superviviente. – No requiere tiempos de falla.

2N2r donde F = punto de porcentaje superior de la distribución F tal que el área a la izquierda con m y n grados de libertad = (1-) 1-155 . de un solo lado.No-paramétricas – Estimado de confiabilidad para una prueba cuya duración está predeterminada R  N r N para r > 0 – El límite inferior de confianza.2r2. para la confiabilidad de una prueba cuya duración está predeterminada RL1  1 r 1  1   F  Nr  1.• Prueba de Porcentaje-Superviviente .

xls 1-156 .• Prueba de Porcentaje-Superviviente.) = 0.   18  RL1  LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA POR TIEMPO) N= 20 piezas que completan prueba sin falla (1 . ¿Cuál es el límite inferior de confianza 90%.75523478 Límite inferior unilateral de confiabilidad Rmedia = Encontrada en tabla F 0.90.N-2r) = 1.9 En EXCEL Archivo Cap 5.9 valor de confianza r= 2 número de piezas falladas F(1-.2r+2. de un solo lado. F tal que el área a la izquierda = (1-) t= 500 horas RL1 = 0.2r2.94454941 Percentil de distrib. sobre la confiabilidad? RL1  1 r 1  1   F  Nr  1.No-paramétricas Ejemplo para una prueba cuya duración está predeterminada • Dado que 20 motores se probaron 500 horas y 2 motores fallaron durante esta prueba.755 .  3  195 1325 1    .2(2)2.2(20)2(2)  1 1   0.2N2r 1 21  1   F  20 2  0.

2(20)2(0)  1 1   0.2(0)2.2N2r 1 01  1   F  200  0. sobre la confiabilidad si no se hubieran observado fallas en esta prueba? RL1  1 r 1  1   F  Nr  1. 1   2. de un solo lado.No-paramétricas – Ejemplo para una prueba cuya duración está predeterminada (continuación) • ¿Cuál sería el límite inferior de confianza 90%.44 1122   20  RL1  Encontrada en tabla F 1-157 .• Prueba de Porcentaje-Superviviente .2r2.891 1 .90.

2r. para la confiabilidad de una prueba terminada al momento de ocurrir la r-ésima falla RL1  1 r  1   F  Nr  1.2N2r • donde F = punto de porcentaje superior de la distribución F tal 1-158 que el área a la izquierda con m y n grados de libertad = (1-) .No-paramétricas • Prueba de Porcentaje-Superviviente – Estimado de confiabilidad para una prueba terminada al momento de ocurrir la r-ésima falla R  N r N para r > 0 – El límite inferior de confianza.. de un solo lado.

2(20)2(3)  1 1   0.  17  RL1  En EXCEL Archivo Cap 5.2r.95501215 Percentil de distrib.2(3).  3  (196) 1346 1   .74349324 Límite inferior unilateral de confiabilidad 1-159 .xls LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA A FALLA) N= 20 piezas que completan prueba sin falla (1 . ¿Cuál es el límite inferior de confianza de 90%. F tal que el área a la izquierda = (1-) t= 500 horas RL1 = 0. pero esta vez la prueba se detiene cuando el tercer motor falla a las 500 horas.• Prueba de Porcentaje-Superviviente.2r+2.743 .9 valor de confianza r= 3 número de piezas falladas F(1-. probados por 500 horas.No-paramétricas – Ejemplo para una prueba terminada al ocurrir la r-ésima falla • Dados 20 motores como antes.2N2r 1 3  1   F  20 3 0.90.) = 0. para la confiabilidad? RL1  1 r  1   F  Nr  1.N-2r) = 1. de un solo lado.

• Prueba de Mann-Whitney .No-paramétricas – Usada para determinar si dos muestras son significativamente diferentes • Supone que las distribuciones subyacentes de tiempo para falla difieren sólo en sus medias – No se requieren los tiempos exactos de falla – Sólo se necesita saber el orden en que la muestra combinada falló – No requiere tamaños de muestra iguales • Muchas pruebas de comparación no-paramétricas requieren observaciones apareadas o tamaños de muestra iguales 1-160 .

¿Hay una diferencia entre los manufactureros en un nivel de confianza de 95%? Ciclos al FallarMfr A 865 919 894 840 899 787 875 831 Ciclos al FallarMfr B 884 905 914 835 942 878 922 887 858 896 HO : A  B H1 : A  B Abrir el archivo dosmfr.• Prueba de Mann-Whitney – Ejemplo . llamados A y B.No-paramétricas • El mismo componente se surte por dos manufactureros diferentes. Se obtuvieron 8 componentes de A y 10 de B y todos los 18 se pusieron en una prueba de confiabilidad (los resultados están abajo).MTW 1-161 .

.No-paramétricas • Prueba de Mann-Whitney 1-162 .

12.05 1-163 ..00 Mfr B N = 10 Median = 891.99.No-paramétricas • Prueba de Mann-Whitney Mann-Whitney Confidence Interval and Test Mfr A N = 8 Median = 870.1684 Cannot reject at alpha = 0.50 Point estimate for ETA1-ETA2 is -23.00) W = 60.00 95.0 Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.4 Percent CI for ETA1-ETA2 is (-66.

No-paramétricas • Obtenga 2 muestras y póngalas en una prueba de confiabilidad • Registre los tiempos de falla o al menos el orden de falla • Capture las dos muestras en dos columnas en una hoja de datos Minitab • Siga la secuencia Stat>Nonparametrics>Mann-Whitney • Señale la primera columna como la primera muestra • Seleccione la segunda columna como la segunda muestra • Fije el nivel de confianza deseado para la prueba • Establezca si la hipótesis alternativa es no igual .• Prueba de Mann-Whitney – Revisión del procedimiento . menor que • Marque OK • En la ventana de Sesión tiene los resultados: – – – – La prueba de hipótesis declarada El intervalo de confianza de la diferencia de las medianas el valor p un mensaje que declara si se puede rechazar o no la Hipótesis nula con alfa de 5% 1-164 . mayor que.

• Resumen No-paramétrico . sólo el número de fallas – Prueba de Mann-Whitney • Usada para comparar la confiabilidad de dos muestras • Permite tamaños de muestra desiguales • Todas las unidades probadas hasta fallar.No-paramétricas – Prueba de Rachas Exitosas • Usado para obtener un límite de confianza inferior unilateral sobre la confiabilidad • El tamaño de muestra N debe ser probado el tiempo de duración de la misión sin fallas – Prueba de Porcentaje-Superviviente • Usado para obtener un límite de confianza inferior. necesita sólo el orden de las fallas 1-165 . unilateral de la confiabilidad • El tamaño de muestra N probado para la duración de la misión con fallas permitidas • Los tiempos de falla no se necesitan conocer.

g.Paramétricas – Usadas cuando la distribución subyacente de los tiempos para fallar se conoce o puede ser supuesta • Datos de prueba previos • Parámetros de industria aceptados (v.• Paramétricas . o los parámetros de distribución supuestos. – Rinde información más precisa que los métodos no-paramétricos • Los intervalos de confianza son más amplios usando no-paramétricas – Permite extrapolar fuera del rango de los datos 1-166 .. MIL-HDBK217) • Conocimiento Ingenieril del mecanismo de falla – Tiene más poder para hacer una decisión correcta que las pruebas no-paramétricas • Puede ser más incorrecta si la distribución verdadera es diferente que la distribución.

. 1-167 .Paramétricas • Dos distribuciones cubiertas – Exponencial – Weibull Estas dos tienen más aplicación a nuestro negocio.

Paramétricas • Pruebas Exponenciales – Terminadas por Tiempo. con y sin reemplazos • La prueba se detiene cuando la falla résima ocurre » Estimación de MTBF » Límites de confianza de MTBF 1-168 .. con y sin reemplazos • La prueba se detiene cuando td horas (ciclos) han pasado y y no hay falla coincidente con td » Estimación de MTBF » Límites de Confianza de MTBF – Terminada por Fallas.

Paramétricas • l= tasa de falla • MTBF = tiempo medio entre fallas (mean time between failures) = 1/ l • m = estimado de MTBF • N = tamaño de muestra • td = duración de prueba • Ta = horas de prueba acumuladas = Ntd • r = número de fallas • CL = nivel de confianza = 1 . – donde  es el riesgo de hacer una decisión equivocada 1-169 .• Pruebas Exponenciales – Definiciones .

mL1 r mL 1 @ 2rm 2T  2 a 2   .2r  2 ¿Por qué inferior. unilateral? 1-170 .Paramétricas – Pruebas terminadas por tiempo sin reemplazo • Estimado de MTBF Ta  Ti  (N  r ) td m  i 1 r r • Límite inferior de confianza.2r  2   .• Exponencial . unilateral. de MTBF.

2(3)2  25176  1624 15. Las fallas ocurrieron a las 234 horas.¿Cuánto es el estimado de la confiabilidad para una misión de 500 horas? ¿Cuál es el límite inferior unilateral de 95% de confianza para una misión de 500 horas? Ta m   r Ti (Nr)td i1 r r  234  776 1078 (10  3)1500 12588   4196 3 3 mL1 @ 2rm 2  . Las restantes 7 continuaron hasta las 1500 horas sin fallar.• Exponencial .2r 2  212588 2  0. ¿Cuál es la estimación de m y un límite inferior de 95% de confianza unilateral de m?. horas y 1078 horas. 776.Paramétricas – Pruebas terminadas por tiempo sin remplazo • Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.507 De tabla 1-171 .05.2r 2  2Ta 2  .

735 Estamos 95% confiados que la confiabilidad para estas unidades excede 73.5% para una misión de 500 horas 1-172 .• Exponencial .888 – RL1(t) = exp(-t/mL1) = exp(-500/1624) = 0.Paramétricas – Pruebas terminadas por tiempo sin remplazo • Ejemplo (continua): ¿Cuánto es el estimado de confiabilidad para una misión de 500 horas? ¿Cuál es el límite inferior unilateral de 95% de confianza para una misión de 500 horas? • El estimado de R(t) está asociado con el estimado de MTBF. y el límite inferior de confianza de R(t) está asociado con el límite inferior de confianza de MTBF – R(t) = exp(-t/m) = exp(-500/4196) = 0.

wdf •Exponencial pruebas terminadas por tiempo sin reemplazo •Marque distribución exponencial con un parámetro •Elija MLE. estimación de máxima verosimilitud Marque el botón de cálculo de parámetros Señale el botón de la “Calculadora” 1-173 .Abra tsinr.

Other Calculations Señale: Show Confidence Bounds 2 •Deje marcado: Show Lower Sided 3 •Marque Show Mean Life •0.•Exponencial pruebas terminadas por tiempo sin reemplazo 1 •Aparece la Calculadora •Marcar Option.95 en Confidence Level •Marque Calculate 4 •Regrese a Basic Calculations 1-174 .

8877 y RL1(t) = 0.9 •Ahora marque Std Prob Calculations •Escriba en Mission End Time: 500 Señalando en Calculate se obtiene una R(t) = 0.7349 1-175 .•Exponencial pruebas terminadas por tiempo sin reemplazo La media se estima en 4196. con un límite inferior unilateral de 1622.

2r 2 mL1  2Ta 2  . las estimaciones se basan en las horas totales acumuladas y el número de fallas observadas 1-176 .• Exponencial Terminadas por Tiempo m = Ta/r = Ntd/r .2r 2 En cualquier caso.Paramétricas Terminadas por Fallas m = Ta/r = Ntd/r con reemplazo mL1 @ 2rm 2  .2r Ta m   r Ti (Nr)td i1 r r  2Ta 2  .2r Ti (Nr)td i1 r r sin reemplazo mL1 @ 2rm 2  .2r 2  2Ta 2  .2r 2 Ta m   r mL1  2Ta 2  .

Las restantes 7 continuaron hasta las 1500 horas sin fallar. ¿Cuál es la estimación de m y un límite inferior de 95% de confianza unilateral de m?. Las fallas fueron reemplazadas con unidades idénticas.2r2  2Ta 2 .• Exponencial .¿Cuánto es el estimado de la confiabilidad para una misión de 500 horas? ¿Cuál es el límite inferior unilateral de 95% de confianza para una misión de 500 horas? • Estimación de MTBF – m = Ntd/r = Ta/r mL1 @ 2rm 2 . unilateral de confianza de MTBF. horas y 1078 horas. 776. Las fallas ocurrieron a las 234 horas. mL1 1-177 .2r2 • límite inferior.Paramétricas – Pruebas terminadas por tiempo con remplazo • Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.

• Exponencial • Ejemplo: (continua) • Estimación de MTBF – m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas . mL1 mL1 @ 2rm 2   .507 donde 2.05.Paramétricas – Pruebas terminadas por tiempo con remplazo • límite inferior.2(3)+2 = 15. unilateral de confianza de MTBF.wdf 1-178 .2 r  2  2(15000)  1935 horas 15.2 r  2  2Ta 2   .2r+2 = 20.507 Puede verificarse en tconr.

• Exponencial .772 Hay una oportunidad de demostrar mayor confiabilidad si las unidades falladas son reemplazadas 1-179 .905 • RL1(t) = exp(-t/mL1) = exp(-500/1935) = 0.Paramétricas – Pruebas terminadas por tiempo con reemplazo • Ejemplo (continuación): ¿Cuánto es el estimado de confiabilidad para una misión de 500 horas? ¿Cuál es el límite inferior unilateral de 95% de confianza para una misión de 500 horas? • El estimado de R(t) está asociado con el estimado de MTBF y el límite inferior de confianza de R(t) está asociado con el límite inferior de confianza de MTBF • R(t) = exp(-t/m) = exp(-500/5000) = 0.

• Exponencial .2 • Puede obtener un límite inferior. de confianza de MTBF mL1 @ 2rm 2 . unilateral.2r2  2Ta 2 . unilateral de confianza de confiabilidad RL1(t) = exp(-t/mL1) Consejo: Si  = 0.2(0)2  2Ta Ta  2 ln(1CL) .50.2r2  2Ta 2 .Paramétricas – Caso especial cuando no se observan fallas • m = Ta/r = Ta/0 = ? • No puede estimarse MTBF o la confiabilidad correspondiente • Puede calcular un límite inferior. se obtuvo un estimado 1-180 .

¿Cuánto es el estimado de la confiabilidad para una misión de 500 horas? ¿Cuál es el límite inferior unilateral de 95% de confianza para una misión de 500 horas? • Aquí podemos usar CL = 50% para obtener un estimado y un CL = 95% para obtener los límites de confianza inferiores unilaterales 1-181 . Todas completaron la prueba sin falla.Paramétricas – Caso especial cuando no se observan fallas • Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.. ¿Cuál es la estimación de m y un límite inferior de 95% de confianza unilateral de m?.• Exponencial .

2r2  2Ta 2 .2 mL1 @ 101500  21640 ln(10.50) sin fallas Puede verificarse en tsinf.2(0)2  2Ta Ta  2 ln(1CL) .50 2rm 2 . use el límite inferior unilateral de confianza de MTBF. con CL = 0.Paramétricas – Caso especial cuando no se observan fallas • Ejemplo (continuación): Para estimar.• Exponencial .wdf 1-182 . mL1.2r2 mL1 @  2Ta 2 .

• Exponencial .2(0)2  2Ta Ta  2 ln(1CL) .2 mL1 @ 101500  5007 ln(10.95 mL1 @ 2rm 2 .2r2  2Ta 2 . mL1.Paramétricas – Caso especial cuando no se observan fallas • Ejemplo (continuación): Para obtener el límite inferior. de confianza unilateral de confianza de MTBF.2r2  2Ta 2 .95) 1-183 . con CL = 0.

977 para 500 horas de misión – Para el límite inferior. RL1(t) = exp(-t/mL1) = exp(-500/21640) = 0. unilateral de confianza . RL1(t) = exp(-t/mL1) = exp(-500/5007) = 0.Paramétricas – Caso especial cuando no se observan fallas • Ejemplo (continuación): Para estimar la confiabilidad y el límite inferior.905 para 500 horas de misión 1-184 .• Exponencial .905. o estamos 50% confiados que la confiabilidad es no menor de 0. o estamos 95% confiados que la confiabilidad no es menor de 0.977. unilateral de confianza de la confiabilidad use el mL1 apropiado – Para estimar.

Paramétricas • Dos distribuciones cubiertas Hemos visto la – Distribución Exponencial Ahora.. cubriremos la – Distribución Weibull Estas dos tienen la mayor aplicación en nuestro negocio 1-185 .

• Distribución Weibull .Paramétricas – mientras la pdf exponencial modela las características de vida de los sistemas. la Weibull modela las características de vida de componentes y partes – modela fatiga y ciclos de falla de sólidos – muy adecuado para datos de vida – la pdf Weibull es una distribución de los elementos más débiles de una muestra – muy flexible y puede tomar muchas formas diferentes 1-186 .

h – Aproximada de datos similares – Por juicio de ingeniería requiriendo conocimiento del mecanismo de falla v.g.• Weibull . b.. para obtener un estimador de la vida característica.Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Es necesario suponer una Pendiente Weibull. » fatiga de ciclos bajos y corrosión típicamente tienen una pendiente Weibull de 1 < b < 2 » fatiga de ciclos altos y mecanismos de desgaste rápido típicamente tienen una pendiente Weibull 2 < b < 5 • Deben realizarse análisis con varias pendientes para determinar la sensibilidad al supuesto de pendiente 1-187 .

entonces   Nt db h   ln(1CL)   1 b Consejo: Si  = 0. se obtuvo un estimado 1-188 .• Weibull .50.2r2       • Si no hay fallas. de confianza unilateral de la Vida Característica es 1  N b b 2 T    i   i1  h 2  .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • El límite inferior.

• Weibull .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Para obtener un límite inferior. unilateral de confianza de la confiabilidad – RL1(t) = exp{-(t / hL1 )b pendiente supuesta 1-189 .

¿Cuál es el límite inferior unilateral de 95% de confianza de h? ¿ Cuál es el límite inferior unilateral de 95% de confianza de la confiabilidad para una misión de 500 horas?  (10)(1500  hL1       ln(1CL)  ln(1 0. Suponiendo que el tiempo de falla para estas unidades sigue una distribución Weibull con pendiente b = 1.943 1-190 .95)    15 .5} = 0. Todas completaron la prueba sin fallar. ) 15  3350 RL1(t) = exp{-(t / hL1 )b} = exp{-(500/3350)1.5.• Weibull . Nt db 1 b 1 .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.

wdf 1-191 .• Weibull •Pida el análisis Weibull para dos parámetros .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla •Abrir el archivo tsinf.

25  (10)(1500  Nt db hL1       ln(1CL)  ln(1 0.Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto de la pendiente? • Supongamos una pendiente de 1. ) 125  3934 RL1(t) = exp{-(t / hL1 )b} = exp{-(500/3934)1.927 1-192 .• Weibull .95)    125 .25} = 0. 1 b 1 .

75  (10)(1500  hL1       ln(1CL)  ln(1 0.95)    175 .957 1-193 .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto de la pendiente? • Supongamos una pendiente de 1.• Weibull . ) 175  2987 RL1(t) = exp{-(t / hL1 )b} = exp{-(500/2987)1.75} = 0. Nt db 1 b 1 .

25 b= 1.75 0.• Weibull .957 b = 1 es exponencial.5 b= 1.943 0. se da más potencia si se puede suponer una pendiente de Weibull > 1 1-194 .Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto de la pendiente(resumen)? RL1(500) b=1 b = 1.905 0. más conservador } No mucha influencia en este caso Cuando no se observan fallas.927 0.

989 Necesita justificarse el supuesto de la pendiente Weibull.Paramétricas – Caso especial cuando se observaron pocas o ninguna falla • Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto de la pendiente? ¿Qué pasa si yo estimo exageradamente la pendiente Weibull. ya que un supuesto de pendiente alta puede influir fuertemente los resultados 1-195 .95)    3 Nt db 1 b 1 )3 RL1(t) = exp{-(t / hL1 )b} = exp{-(500/2242)3} = 0.• Weibull . y supongo una pendiente de 3?  (10)(1500  hL1        2242 ln(1CL)  ln(1 0.

igual a RL1 • Si RL1 = Rg. podemos estar CL% seguros que la R real será al menos Rg – Necesita determinar Ta. MTBFg puede ser determinado 1-196 .Planear Pruebas – Use la meta de confiabilidad. Rg. y N tales que RL1 = Rg en el CL escogido – Recuerde. r. R = exp(-t/MTBF) • Dado Rg.• Planear Pruebas para la Exponencial .

2r2 ) Ta  2 1-197 .Planear Pruebas Ahora.2r2 2 MTBFg(. tenemos el requerimiento en una forma que podemos usar para determinar el tiempo de prueba y el número permisible de fallas para una prueba cuya duración es predeterminada mL1  MTBFg @ 2rm 2 .2r2  2Ta 2 .• Planear Pruebas para la Exponencial – MTBFg está determinado por • Rg = exp(-t/MTBFg) • MTBFg = -t/ln(Rg) .

2 Ta  MTBFg{ln(1CL)} – Permite la negociación entre tamaño de muestra y duración de la prueba para lograr una confiabilidad dada a una confianza dada 1-198 .Planear Pruebas  2Ta 2 .2(0)2  2Ta Ta  2 ln(1CL) .• Planear Pruebas para la Exponencial – Si no están permitidas las fallas mL1  MTBFg @ 2rm 2 .2r2  2Ta 2 .2r2 .

. Dado que no se permiten fallas. ¿Cuántas unidades debo de probar por cuanto tiempo para lograr este requerimiento? • MTBFg se determina por » Rg = exp(-t/MTBFg) » MTBFg = -t/ln(Rg) » MTBFg = -500/ln(0. unilateral).Planear Pruebas • Planear Pruebas para la Exponencial – si no se permiten fallas • Ejemplo: El requerimiento de confiabilidad para una unidad es 99% confiable para una misión de 500 horas con 95% de confianza (inferior.99) = 49750 1-199 .

2 Ta  MTBFg{ln(1CL)}  49750{ln(10. o N = 10 unidades cada una probada a 14904 horas sin fallas logrará este requerimiento • N = 20 probadas por 7452 horas sin fallas logrará también este requerimiento 1-200 .95)}  149036 • Entonces Ntd = 149036.2r2  2Ta 2 .2r2  2Ta 2 .• Planear Pruebas para la Exponencial Planear Pruebas – si no se permiten fallas • Ejemplo (continuación): mL1  MTBFg @ 2rm 2 .2(0)2  2Ta Ta  2 ln(1CL) .

etc.Planear Pruebas – si no se permiten fallas • Ejemplo (continuación): Si estamos limitados en el número de unidades que podemos probar (debido a la disponibilidad de lugar. costo o disponibilidad unitario.) a N = 8.• Planear Pruebas para la Exponencial. ¿Cuánto debe correrse sin fallas para alcanzar la meta de confiabilidad? – Ta = Ntd = 149036 » donde N = 8 – td = 18630 1-201 .

si tenemos 20 lugares de prueba disponibles podemos poner 20 unidades en prueba.2r2  2Ta 2 . 1-202 .2r2 ) 49750(0. Si ocurre una falla y es reemplazada inmediatamente.05.Planear Pruebas • Ejemplo (continuación): Qué pasa si permitimos una falla durante la prueba y esta es remplazada. 19 deben de ir 11800 horas sin fallas.2r2 obtenido de tabla 2 2 MTBFg(.488) Ta     236014 2 2 2 • Entonces. ¿Cuánto debe durar la prueba? mL1  MTBFg @ 2rm 2 .• Planear Pruebas para la Exponencial – Si se permite una falla .2(1)2 ) 49750(9. el reemplazo debe terminar la prueba sin falla.

pp.Planear Pruebas – Similarmente. Kececioglu. planes de prueba pueden ser determinados para todos los esquemas de prueba exponenciales – Una buena referencia es Reliability & Life Testing Handbook Volume I. 133-265 – Algunos de estos planes de prueba han sido tabulados y pueden ser hallados en MIL-HDBK 781 1-203 .• Planear Pruebas para la Exponencial .

no una prueba de crecimiento • Las pruebas de crecimiento deben tener fallas – Necesario suponer una pendiente Weibull – Aproximada de datos similares – Por juicio de ingeniería requiriendo conocimiento del mecanismo de falla v.Planear Pruebas – Debe ser una prueba de demostración.• Planear Pruebas para la Weibull sin Fallar ..g. » fatiga de ciclos bajos y corrosión típicamente tienen una pendiente Weibull de 1 < b < 2 » fatiga de ciclos altos y mecanismos de desgaste rápido típicamente tienen una pendiente Weibull 2 < b < 5 • Deben realizarse análisis con varias pendientes para determinar la sensibilidad al supuesto de pendiente 1-204 .

.Planear Pruebas • Planear Pruebas para la Weibull sin Fallar – Recuerde la ecuación para estimar la vida característica sin fallar   Nt db h   ln(1CL)   1 b – Recuerde la ecuación de confiabilidad Weibull   t  b     R ( t )  exp          h       1-205 .

Planear Pruebas – Substituyendo la primera ecuación en la segunda ecuación y solucionando para N. puede negociarse el tiempo de prueba con el tamaño de muestra 1-206 .• Planear Pruebas para la Weibull sin Fallar . el tamaño de muestra  t   ln(1CL)  N     t d   ln(R)  b – Si la meta de confiabilidad y la confianza requerida se substituyen.

• Planear Pruebas para la Weibull sin Fallar – Ejemplo: . ¿Cuántas unidades debo de probar por cuanto tiempo para lograr este requerimiento?  t   ln(1CL)   500  N      t d   ln(R)   t d  b 15 .5. si hay 1500 horas de prueba disponibles.  ln(10. supongamos que es un balero que históricamente ha tenido una pendiente Weibull de 1. Dado que no se permiten fallas. serían necesarias 58 unidades para ser probadas por 1500 horas para 1-207 lograr los requerimientos .95)   500     ln(0.Planear Pruebas • El requerimiento de confiabilidad para una unidad es 99% confiable para una misión de 500 horas con un 95% de confianza (inferior. (298) • Entonces .99)   t d   15 . Para este ejemplo. unilateral).

Planear Pruebas • Qué pasa si hay sólo 25 lugares de prueba disponibles..• Planear Pruebas para la Weibull sin Fallar – Ejemplo (continuación): .95)   500     ln(0.99)   t d   15 .  ln(10.  15 15 . o sea. (298)  2609 1-208 . ¿Cuánto tiempo necesitarán las 25 ser probadas sin fallar para lograr el requerimiento? b  t   ln(1CL)   500  N      t d   ln(R)   t d  td  500  25    298  1 .

.000 horas de prueba.5 fue 25 unidades para 2609 horas sin fallar » sobre 65.unidades 1-209 .99) – o 298 unidades probadas por 500 horas sin fallar » sobre 149.unidades – Prueba de Rachas Exitosas N ln(1CL) ln(1 0.95)   298 lnRL1 t ln(0.Planear • Planear Pruebas para la Weibull sin Fallar Pruebas – Ejemplo (continuación): • ¿Cómo se compara este último resultado con un plan de prueba usando la Prueba de Rachas Exitosas? – Weibull sin fallar y suponiendo una pendiente de 1.000 horas de prueba.

CL. confiabilidad – Las unidades que fallan pueden ser reemplazadas para aumentar el tiempo total de prueba – La estimación más conservadora 1-210 .Exponencial – Más potentes que las no-paramétricas – Permiten negociar entre tamaño de muestra. número de fallas permisibles.Resumen • La técnica No-paramétrica puede ser rápida y fácil – Lo bastante exacta para hacer un juicio de ingeniería – Puede ser potente si los tamaños de muestra son bastante grandes – Apropiadas si nada se conoce • Paramétricas .

Resumen • Paramétricas .Weibull – Más potentes que las no-paramétricas y que suponer exponencial – Necesario suponer una pendiente Weibull • Necesita justificarse por datos previos. – Disminuirá el tiempo total de prueba requerido para demostrar un requerimiento 1-211 . – Permite negociar la duración de la prueba y el tamaño de muestra para una confiabilidad y confianza dadas. conocimiento de los mecanismos de falla. etc.

que logren el requerimiento de confiabilidad 1-212 .Resumen • Planear Pruebas – Cubiertas sólo las estadísticas de pruebas de demostración – Necesita asegurarse que la prueba puede duplicar los mecanismos de falla experimentados en el campo • Experiencia con partes regresadas. etc. etc – Dada una prueba apropiada.. DiagramasP. necesita definir tamaño de muestra. AMEF’s. número de fallas permisibles. duración de prueba.

6. PRUEBAS ACELERADAS 1-213 .

1-214 .Objetivo: • Propósitos: – Presentar el concepto de prueba acelerada – Conocer los modelos para transformar los esfuerzos – Uso de los paquetes estadísticos para predecir con modelos de aceleración.

la prueba podrá durar muchos meses. Sin embargo. Probar las resistencias es una buena manera de ganar la confianza de que las partes lograrán los requerimientos. si una resistencia forrada se prueba en voltaje nominal. y sabemos que la información más valiosa viene de probar hasta que falle. si el voltaje es elevado por encima del nominal. .¿Para qué acelerar las fallas? ¡Para ahorrar tiempo! Los resistencias eléctricas forradas se requieren para durar un gran tiempo y lograr las expectativas de los clientes. el 1-215 tiempo de prueba puede ser reducido.

Problema ¿Cómo correlaciona la vida de una parte probada en un voltaje alto a la vida esperada de la misma parte en un voltaje nominal de uso? 1-216 .

600 90% 500 50% 10% 400 300 200 100 0 280 270 260 1-217 .0% Conf idence Interv als Complete Data 260V 99 95 90 80 70 60 50 40 30 20 10 5 3 2 1 1000 Group 1 260V 1 2 3 4 5 6 347hrs 498hrs 601hrs 720hrs 812hrs 889hrs Group 2 270 V 97hrs 106hrs 122hrs 140hrs 167hrs 190hrs Group 3 280V 15hrs 24hrs 30hrs 34hrs 38hrs 41hrs 270V 280V Corra las partes para fallar y ajuste con una ecuación paramétrica los datos de falla. manteniendo el voltaje más bajo tan cercano al nominal como sea posible Probability Plot for 260V-280V Weibull Distribution-95. 900 Percent 10 100 1000 800 Time to Failure 700 Elija un porcentaje particular de falla y ajuste la curva de regreso a las condiciones nominales para tener una predicción de vida.Solución Corra al menos 3 grupos en voltajes diferentes.

Información de Falla por Prueba Acelerada • Sobre-esforzar a los productos para obtener fallas ―rápido‖ es quizás la forma más antigua de Pruebas de Confiabilidad. Usualmente No se obtiene información sobre la distribución de la vida (Confiabilidad) 1-218 .

Información de Falla por Prueba Acelerada • Una prueba acelerada que sólo da Información de Falla (ó Modos de Falla). 1-219 . ―Prueba de Elefante‖. ―Prueba Cualitativa‖. comúnmente se llama ―Prueba de Tortura‖. etc.

pasó la prueba – Los datos de las pruebas de tortura generalmente no pueden ser extrapolados a las condiciones de uso 1-220 .¿Qué es una Prueba de Tortura? • Las pruebas de Tortura se realizan sobre muestras de tamaño pequeño y los especímenes se sujetan a un ambiente agresivo (niveles severos de esfuerzo) – Si el especimen sobrevive.

Prueba de Tortura • Beneficios – Aumenta la Confiabilidad por la revelación de modos probables de falla • Cuestiones Sin Resolver – ¿Cuál es la Confiabilidad del Producto? – ¿Los Modos de Falla serán los mismos que ocurrirán durante la vida del producto bajo uso normal? 1-221 .

La Aceleración por SobreEsfuerzo Prueba de Tortura o Prueba Elefante Prueba de Vida Acelerada 1-222 .

ciclos. etc.Prueba de Vida Acelerada • La Prueba de Vida acelerada. tal como: horas. componente o sistema • Un Dato básico es el Tiempo para Fallar – El tiempo para falla puede estar en cualquier medida cuantitativa. a diferencia de la Prueba de Tortura. está diseñada para proveer Información de la Confiabilidad del producto. 1-223 . actuaciones. días.

1-224 . excepto que suceden mucho más rápido.¿Qué es aceleración física y como se modela? • La Aceleración Física significa que operando una unidad en un esfuerzo mayor se producen las mismas fallas que ocurren con los esfuerzos típicos de uso.

etc. migración. • Estos son exactamente los mismos eventos conducentes a una falla en esfuerzos mayores que en esfuerzos normales. corrosión. 1-225 . reacción química. Sólo cambia la escala del tiempo. • Un Factor de Aceleración es el multiplicador constante entre los dos niveles de esfuerzo.Factor de aceleración • La falla se puede deber a la fatiga mecánica. difusión.

cambiar los esfuerzos es equivalente a transformar la escala del tiempo usada para registrar cuando ocurren las fallas.Factor de Aceleración • Cuando hay verdadera aceleración. lo que significa que el tiempo para fallar en un esfuerzo alto sólo tiene que ser multiplicado por una constante (el factor de aceleración) para obtener el tiempo equivalente de falla en el esfuerzo de uso 1-226 . • Las transformaciones usadas comúnmente son lineales.

1-227 .Factor de Aceleración Relaciones Lineales de Aceleración Tiempo de Falla Probabilidad de Falla Confiabilidad PDF o Función de Densidad Tasa de Falla tu = AF x ts Fu(t) = Fs(t/AF) Ru(t) = Rs(t/AF) fu(t) = (1/AF)fs(t/AF) lu(t) = (1/AF)ls(t/AF) Donde: tu: tiempo de falla en uso Fu(t): CDF en uso fu(t): PDF en uso lu(t): tasa de falla en uso AF: Factor de Aceleración ts: tiempo de falla en esfuerzo Fs(t): CDF en esfuerzo fs(t): PDF en esfuerzo ls(t): tasa de falla en esfuerzo Cada modo de falla tiene su propio factor de aceleración. si la aceleración es relevante. Los datos de falla deben separarse por modo de falla cuando se analizan.

0% Conf idence Interv als 260V 270V 280V 99 95 90 80 70 60 50 40 30 20 10 Percent 5 3 2 1 10 100 1000 Time to Failure esfuerzo se alinearán aproximadamente paralelas. diferentes condiciones de Probability Plot for 260V-280V Complete Data Weibull Distribution-95.Factor de Aceleración Una consecuencia de las relaciones lineales es que El Parámetro de Forma para los modelos clave de distribución de vida (Weibull y Lognormal) no cambia para las unidades Las Gráficas en escala de operando bajo diferentes Probabilidad de los datos de esfuerzos. 1-228 .

donde G(S) es la ecuación del modelo para un valor arbitrario de S.¿Cuáles son los modelos de aceleración comunes? • Los modelos de Aceleración predicen el tiempo de falla en función del esfuerzo Los factores de aceleración muestran como el tiempo de falla de un nivel particular de esfuerzo (para un modo o mecanismo de falla) puede ser usado para predecir el tiempo equivalente de falla en un nivel diferente de esfuerzo. Si escribimos tf =G(S). Después se usa la Tabla de Relaciones Lineales de Aceleración para predecir lo que pasará en el nivel de esfuerzo menor S1. 1-229 . Un modelo que predice el tiempo de falla como función del esfuerzo debiera ser mejor que una colección de factores de aceleración. entonces el factor de aceleración entre los esfuerzos S1 y S2 puede evaluarse simplemente por AF = G(S1)/G(S2) Ahora se puede probar en el nivel de esfuerzo más alto S2. obtener un número suficiente de fallas para ajustar al modelo de distribución de vida y evaluar las tasas de falla.

Voltaje y Humedad) Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas 1-230 .¿Cuáles son los modelos de aceleración comunes? • Los modelos de aceleración se derivan a menudo de modelos físicos o cinéticos relacionados al modelo de falla Un modelo que predice el tiempo de falla como función de los esfuerzos de operación se conoce como Modelo de Aceleración Se presentarán varios modelos útiles: • • • • • • • • Arrhenius Eyring Regla de Potencia Inversa para Voltaje Modelo exponencial de Voltaje Modelos de Dos: Temperatura / Voltaje Modelo de Electromigración Modelos de tres esfuerzos (Temperatura.

Arrhenius
• El Modelo de Arrhenius predice la aceleración de las fallas debido al aumento de temperatura
– Uno de las primeras transformaciones y la de más éxito para predecir como varía el tiempo de falla con la temperatura
 H  t f  A exp   kT    H  1 1   AF  exp     k T1 T2   

Donde: AF= Factor de Aceleración T= temperatura °K (273.16+°C) k = Constante de Boltzmann (8.617E-05 eV/K) H = Energía de Activación A = Constante de escala (se elimina en AF)
1-231

Arrhenius
Ejemplo
• El Factor de Aceleración AF entre

25°C y 125°C, para un producto, es
132.65 si H es 0.5 y 17,596 si H = 1.0.
1-232

Eyring
• El modelo de Eyring tiene una base teórica en la química y en la mecánica cuántica y se puede usar para modelar la aceleración cuando muchos esfuerzos están involucrados
 H  C  t f  AT  exp    B  S1  T   kT   H  C D   t f  AT  exp    B  S1   D  S2  T T    kT 

Donde:T= temperatura °K (273.16+°C); k = Constante de Boltzmann (8.617E-05 eV/K) H = Energía de Activación; A , B, C D, E= Constantes de escala; S1 y S2 Esfuerzos diferentes
1-233

Otros Modelos
• Modelos útiles para 1, 2 o 3 esfuerzos son modelos Eyring, los citados exitosamente son:
– – – – La Regla de Potencia (inversa) para Voltaje El Modelo de Voltaje Exponencial Los Modelos de Dos Esfuerzos Temperatura/Voltaje Modelos de tres Esfuerzos (Temperatura, Voltaje , humedad) – Modelo Mecánico de Crecimiento de Fisuras Coffin Manson

1-234

Otros Modelos
t f  AV B t f  Ae BV
H kT

Regla de Potencia (inversa) para Voltaje Modelo de Voltaje Exponencial
H kT

t f  Ae V B  Ae t f  AJ n e
H kT H kT

e BV Modelos de dos esfuerzos Temperatura/Voltaje

Modelo de Electromigración
g

t f  Ae V RH

B

Modelos de tres esfuerzos (Temperatura, Voltaje, Humedad)

Nf  Af  T  b GTMAX  Modelo de crecimiento de Fisuras Mecánicas
1-235

Datos + Distribución + Modelo = Resultado 1-236 .

Datos • Los datos de vida (tiempos para falla) se obtienen de pruebas aceleradas en laboratorio • Obtener datos sobre los esfuerzos usados • Obtener datos sobre los esfuerzos que el producto encontrará bajo condiciones normales 1-237 .

Distribución • Elija una Distribución apropiada de vida – Exponencial 99 95 90 80 70 60 50 40 30 20 10 5 1 Four-way Probability Plot for C1 No censoring Normal 99 95 90 80 70 60 50 40 30 20 10 5 1 Lognormal Percent – Weibull – Lognormal 0 1000 2000 Percent 100 1000 10000 Exponential 99 95 90 75 60 40 30 20 Weibull 99 Percent Percent 98 97 95 90 80 70 60 50 30 10 0 1000 2000 3000 4000 5000 6000 7000 8000 10 5 3 2 1 100 1000 1-238 .

Elija un Modelo • seleccione un modelo (o genere) un modelo que describa una característica de la distribución de un nivel a otro Esfuerzo de uso Esfuerzo alto 3 Esfuerzo alto 2 Esfuerzo alto 1 ¿? 1-239 .

Mediana. F(t).0% Conf idence Interv als Complete Data 260V 99 95 90 80 70 60 50 40 30 20 10 5 3 2 1 270V 280V Percent 10 100 1000 Time to Failure La Distribución Weibull con h(s) como una función del esfuerzo 1-240 . R(t).¿Qué Característica de la Distribución? • Vida Característica. Parámetro de la Distribución. lbh) Probability Plot for 260V-280V Weibull Distribution-95. (Media.

Parámetros comúnmente usados como una Función del Esfuerzo para diferentes distribuciones de vida • Exponencial Media o Velocidad de Falla) • Weibull (Parámetro de Escala) – El parámetro de forma usualmente se supone constante • Lognormal (Ln .Media o Mediana) – El parámetro de Ln .Desviación Estándar usualmente se supone constante 1-241 .

S )  1  1 n  K S  K Sn       b 1   t   1   K S n       b e 1-242 .Formar un nuevo modelo que incluya tanto el modelo de la distribución y el de aceleración • Relación Weibull .Potencia Inversa: b f (t )  h t    h    b 1 e  t  h      b 1 h  L( S )  K Sn  b  t  f (t .

S )  1  1 n  n K S  K S        b 1  t   1   K S n e       b •Una vez que los parámetros b.Resultado • Resolver para los Parámetros del Modelo   t b  f (t . K y n son estimados. las predicciones de vida pueden hacerse para diferentes t y S 1-243 .

un solo esfuerzo constante. una distribución simple y un modelo simple) a ser una tarea casi imposible – Métodos Disponibles • Gráfico • Mínimos Cuadrados • MLE 1-244 .Estimación de Parámetros • La estimación de parámetros puede variar de ser trivial (con muchos datos.

• Primero identifique el modo de falla y que esfuerzos son relevantes (o sea que acelerarán el mecanismo de falla) • Luego verifique en literatura y otros proyectos que le den ejemplos de un modelo particular para este mecanismo de falla 1-245 .¿Cómo elegir un modelo apropiado de aceleración física? • Elegir un modelo de aceleración física es similar a elegir un modelo de distribución de vida.

Nivel de Cambio • Casi todos los modelos reportados (excepto el Coffin-Manson para fractura mecánica) aplican a mecanismos de falla químicos o electrónicos ya que la temperatura es casi siempre una carga relevante para estos mecanismos. El modelo Arrhenius es casi siempre una parte de cualquier modelo más general. • El modelo Coffin-Manson trabaja bien para para muchos mecanismos relacionados con la fatiga mecánica 1-246 .

Conforme la temperatura desciende hacia T0 el tiempo de falla aumenta hacia infinito en este modelo (deterministico) de aceleración 1-247 . Un modelo para mecanismo dependiente de temperatura con un cambio en T = T0 podría verse como Tiempo para falla = f(T((T-T0)) Donde f(T) pudiera ser Arrhenius.Nivel de Cambio • Algunos modelos tienen que ser ajustados para incluir un nivel de cambio para algunos esfuerzos o cargas. • La falla nunca podría ocurrir debido a un mecanismo particular a menos que un esfuerzo (temperatura por ejemplo) este más allá de un valor de cambio.

wdf 1-248 .Ejemplo1 Un nuevo producto fue probado para confiabilidad. se decidió correr una prueba acelerada. Como la vida de este producto bajo condiciones de operación se espera que tenga más de 15. •Se desea determinar los parámetros de una Weibull de 2 parámetros en cada nivel de esfuerzo. usando la Regresión sobre X de los Rangos •Estimar los parámetros para el modelo de Eyring •Calcular la Confiabilidad de la unidad para una duración de misión de 9. Por esa razón.000 horas. La temperatura de operación para este producto es 323K (50°C)y la temperatura es la única variable de aceleración. comenzando en T=0 y a temperatura de operación 323K Abra el archivo Eyring. probar bajo esas condiciones no resulta factible en el tiempo.000 horas.

b = 4.99 Si quiere editar los encabezados haga doble clic sobre ellos. 1-249 .1598 Para separar los datos en tres conjuntos de datos diferentes use Batch Auto Run. Este usa la columna de Identificación para extraer los datos h = 5713. Los resultados aparecen en la imagen.Ejemplo1 Una vez abierto el archivo calcule los parámetros de la Weibull con 2.

para señalarlos 1-250 Marque Action Preferences for Subsets . uno para cada temperatura También se puede hacer doble clic sobre los seleccionados. los tres niveles de la temperatura están como Identificaciones disponibles de los subconjuntos Ahora seleccionamos los tres para generar los tres subconjuntos.Ejemplo1 Aparece la siguiente Ventana.

2 veces Se generaron tres subconjuntos. uno para cada identificación Para cada uno se calcularon los parámetros de la Weibull de 2 Inserte una Hoja General en el Folio de Datos 1-251 . Marque OK.Ejemplo1 La ventana de Preferencias de Acción para los Subconjuntos tiene como valor previsto el Cálculo de los parámetros para los subconjuntos seleccionados.

como X y Y. para cada subconjunto. •Para Hacerlo señale con el cursor los valores y rótulos de esfuerzo y Eta. a continuación invoque la herramienta de ajuste de ecuaciones no lineales 1-252 .Ejemplo1 Capture los valores de los parámetros calculados. como se muestra Note que b permanece constante y solo h cambia En Tools>Non-Linear Equation Fit Solver se abre la hoja para ajustar ecuaciones no lineales. ahí se copiarán los valores de Esfuerzo y de Eta.

Ejemplo1 En las columnas X y Y quedan los datos importados de la hoja Seleccione el modelo de Eyring de la lista de ecuaciones 1-253 .

Ejemplo1 Luego de seleccionar el modelo de Eyring de la Lista de Ecuaciones. Estimado y Límite superior para A y B 1-254 . Cambie los valores de Límite inferior.

Para encontrar los valores de A y B marque en Calculate 1-255 .Ejemplo1 Los valores para los valores Límite y Estimación de A y B deberán quedar como lo muestra la figura.

1-256 .Ejemplo1 Los valores encontrados para A y b están en la columna Solución. Usando esos valores se puede calcular Eta para cualquier nivel de Temperatura (Esfuerzo) Señale y copie el recuadro para pegarlo en la hoja general.

para definir el valor en la celda como el valor de A 1-257 .. Seleccione Edit>Define Name..Ejemplo1 La Hoja general quedará como se muestra. Marque la celda E17 (el valor de A) para definirla como variable.

Ejemplo1 Defina el valor de la celda E17 como el valor de A Escriba dentro del cuadro Name: A ó B según corresponda Defina el valor de la celda E18 como el valor de B 1-258 .

con los valores de Temperatura •Escriba en C25 la fórmula = (1/B25)*exp(-(A-(B/B25))).000 horas 1-259 . Cópiela •El valor de Eta para una Temperatura de uso de 323 es 17933.Fórmula de Eyring Ejemplo1 Fórmula en C25 •Llene las columnas A y B como se muestra.000 a 10.85 Ahora se calculará la Confiabilidad en un rango de 1.

Cópiela A las 9.Ejemplo1 Confiabilidad a las 9.000 horas en temperatura de 323K la confiabilidad es 94.69% 1-260 .000 horas En las celdas B41 y B42 ponga los valores encontrados de Beta y Eta Llene el rango de valores en la columna A como se muestra En la celda B47 escriba la fórmula =EXP*(-((A47/$B$42)^$B$41)).

Análisis de vida acelerada • El análisis de datos de vida acelerada se efectúa por medio de regresión • La regresión para vida acelerada construye un modelo que predice tiempos de falla • Las instrucciones en Regresión para Confiabilidad en Vida Acelerada indican que puede aceptar diferentes modelos de distribución y admite datos censurados • Minitab usa Máxima Verosimilitud para estimar los parámetros del modelo 1-261 .

Estructura de Datos en Minitab • Consiste de tres columnas: – Los tiempos de falla – Los indicadores de censura (si se necesitan) – Las variables predictoras • Para regresión simple con un solo predictor. 1-262 . covariados. es una columna con los varios niveles de la variable acelerante. Estas variables pueden ser tratadas como factores. o una observación con su correspondiente en una columna de frecuencias Las columnas de frecuencias son útiles cuando se tienen grandes cantidades de datos con tiempos de falla o censura comunes y valores predictores iguales. – – Cada columna deberá estar en tal forma que cada renglón sea una observación. (Temperatura) • Para regresión con varios predictores ponga una columna por predictor. interacciones o términos anidados.

Ejemplo 2 • Suponga que Usted quiere investigar el deterioro de un aislamiento usado para motores eléctricos. Con esta información.110. 130. Para ahorrar tiempo y dinero. se decidió correr una prueba de vida acelerada. 150 y 170°C para acelerar el deterioro. Se sabe que existe una relación Arrhenius entre temperatura y falla • Abra el archivo INSULATE. se puede extrapolar a 80° y 100°C. • Primero se obtienen tiempos de falla para el aislamiento en temperaturas más altas .MTW 1-263 . Los motores normalmente trabajan entre 80° y 100°C.

Ejemplo 2 •En C1 (Temp) tenemos los niveles de Temperatura •En C4 (FailureT) se registra el tiempo observado •En C5 (Censor) se indica si el tiempo es de falla o censurado •En C6 (Design) están los valores de uso normal 1-264 .

y OK Ponga 80 y Probability Plot for Standardized residuals y OK 1-265 .Ejemplo 2 Ponga la columna Censor. y OK Señale Stat>Reliability/S urvival>Accelera ted Life Testing Ponga la columna Design.

para normal. logística donde: Yp = percentil p de la distribución del tiempo de falla b0 = intersección en Y (constante) b1 = coeficiente de regresión X = valores del predictor (pueden estar transformados) = parámetro de escala ep = percentil p de la distribución del error 1-266 . para Weibull. valor extremo. 50 y 90 Time to Failure 10.0% 50.Ejemplo 2 Relation (Arrhenius) Plot for FailureT Weibull Distribution-95.0% Conf idence Interv als Censoring Column in Censor Con la Gráfica de relación. Yp= • ln(tiempo de falla). exponencial. • Tiempo de falla. lognormal y loglogística. los percentiles 10.0% 90.0% 100000 10000 1000 70 90 110 130 150 170 Temp El modelo de regresión estima los percentiles de la distribución del tiempo de falla: Yp = b0 + b1X +ep Dependiendo de la distribución. se puede ver la distribución de los tiempos de falla para cada nivel de temperatura en este caso.

0% Conf idence Interv als Esta gráfica le permite evaluar si la distribución seleccionada ajusta a los datos.9 99 95 90 80 70 60 50 40 30 20 10 5 3 2 1 0. MTB toma el logaritmo de los datos y usa la distribución de valor extremo 1-267 . depende de la distribución seleccionada Para la Weibull y la exponencial. Percent Censoring Column in Censor 99.Ejemplo 2 Probability Plot for SResids of FailureT Extreme v alue Distribution-95. En general. entre más cercanos estén los puntos a la línea ajustada. mejor es el ajuste.1 -8 -4 0 Standardized Residuals El valor de la distribución del error ep.

1203 -13.71 0.83072(ArrTemp) +0.5 36948.0% Normal CI Lower Upper 113918.21 años 1-268 .40 0.57 Standard Error 27446.0% Normal CI Lower Upper -17.03221 -43.03504 0. El percentil 50 es una buena estimación de duración del aislamiento en el campo a 80°C.94 La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron.57 horas o 4.83072 0.36 46209.89940 0.9862 0.0000 Percentile 159584.2 223557.83/ (Temp + 273.85 4216.1874 0.000 95.5 horas o 18.000 23.984.64 Arrhenius Z P -15.0 29543. el aislamiento durará alrededor de 159.0000 100.29621 0.76204 0.42313 Log-Likelihood = Table of Percentiles Percent 50 50 Temp 80.35403ep donde: ep = percentil (p) de la distribución estándar de valor extremo ArrTemp= 11604.511 95. a 100°C el aislamiento durará alrededor de 36.584.16) Distribution: Weibull Transformation on accelerating variable: Regression Table Predictor Intercept Temp Scale Coef -15.20 años.35403 Standard Error 0.1874 + 0.2546 0.Regression with Life Data Response Variable: FailureT Censoring Information Uncensored value Right censored value Ejemplo 2 Usted acaba de obtener una fórmula que relaciona el tiempo de falla en función de la temperatura: Count 66 14 ln(tiempo de falla) = -15.

¡costos altos y clientes insatisfechos! • Debemos aprender de los ejemplos anteriores para evitar esos errores. validar mal el modelo puede resultar en un Factor de Aceleración demasiado optimista. – Suponer un Factor muy alto puede dar un falso sentido de seguridad. puede a su vez resultar en la aceptación de componentes no confiables y . finalmente.. tenga cuidado de ser demasiado optimista. usar el modelo equivocado. – Errar al detectar cambios en el modo de falla. 1-269 . – Podría no tener el alto nivel de confiabilidad que Usted cree.Precauciones y Peligros al determinar el Factor de Aceleración • Al determinar el Factor de Aceleración. • La estimación de un factor demasiado optimista.

analizar.Proceso de 15 Pasos Planear la prueba 1. 4. Evaluar Costos y Beneficios de Acelerar Determinar Función y Ambiente Conducir / Interpretar Análisis de Modo de Falla Determinar modo/mecanismo de falla a acelerar Determinar como acelerar el mecanismo de falla Determinar niveles de los esfuerzos Seleccionar el tamaño de muestra para cada nivel de esfuerzo 8. Correr la Prueba 12. Ajustar el Modelo 14. e implementar la prueba 1-270 . Validar el Modelo 15. 2. Determinar el modelos de distribución y aceleración 10. Determinar el Factor de Aceleración e implantarlo Ejecutar. Determinar donde será corrida la prueba 9. 7. 6. Validar el sistema de medición 11. Graficar e interpretar los resultados 13. 5. 3.

FRACAS FAILURE REPORTING AND CORRECTIVE ACTION SYSTEM 1-271 .

Alcance Este sistema es una herramienta únicamente para almacenaje de registros. así como dar a conocer las acciones correctivas por implementarse dadas por el equipo involucrado. subsistema o componente en evaluación a todos los involucrados de manera fácil y rápida. 1-272 .Objetivo Su principal objetivo es describir cualquier modo de falla detectado a través de las pruebas del sistema.

Doug Kemp. Alex Cambon. Coombs.htm How To Plan An Accelerated Life Test -. McGraw Hill. ASQ Reliability and Life Testing Handbook. 1998 Reliability Review. Reliability Tips. Vols. 1990 Engineering Statistics Handbook. capitulo 8. en http://www.gov/div898/handbook/main. 1991 Electronic Component Reliability. Ken Zagray.Mechanical Prediction Library. Finn Jensen.1 y 2. ASQ Brian Henninger’s accelerated test project Software . Bill Wunderlin. Brian Henninger. and Moss.nist. Wiley.itl.REFERENCIAS • • • • • • • • • • Statistical Methods for Reliability Data. Meeker and Hahn.Modarres 1-273 ..2 (Minitab Inc) y WEIBULL 5. Prentice Hall.Some Practical Guidelines. University of Maryland Accelerated Testing Course . Meeker and Escobar. Dimitri Kececioglu. 1998 Handbook of Reliability Engineering and Management by Ireson.Minitab version 12.0 (Reliasoft) Otras fuentes .

Minitab version 12. Paul Kales. Brian Henninger. Robert A.1 y 2. capitulo 8. Prentice Hall. 1991 Reliability: For Technology. Dimitri Kececioglu. Vols.nist.itl. en http://www. Bill Wunderlin. Prentice Hall.0 (Reliasoft) Otras fuentes .REFERENCIAS • • • • • Statistical Methods for Reliability Data. and Moss.Mechanical Prediction Library. S. Engineering. K.2 (Minitab Inc) y WEIBULL 5. Ken Zagray. 1998 Reliability Methods for Engineers. and Management. Dovich. Krishnamoorthi.htm Reliability and Life Testing Handbook. McGraw Hill. Alex Cambon. Reliability Tips. ASQ 1992 Reliability Statistics. Meeker and Escobar. 1998 Handbook of Reliability Engineering and Management by Ireson. University of Maryland Accelerated Testing Course . Doug Kemp. Coombs.Modarres • • • • 1-274 . 1990 Engineering Statistics Handbook.gov/div898/handbook/main. ASQ 1990 Software .

Ken Zagray. Bill Wunderlin.Modarres 1-275 • • • • • • .. 1998 Handbook of Reliability Engineering and Management by Ireson. and Moss.Referencias • • • • Accelerated Testing . ASQ Brian Henninger’s accelerated test project Software .Minitab version 12. Vol. Doug Kemp. University of Maryland Accelerated Testing Course . Coombs. Brian Henninger. Alex Cambon. Wayne Nelson. Meeker and Escobar. Wiley. 1998 Reliability Review.Mechanical Prediction Library. Dmitri Kececioglu. Meeker and Hahn. 1990 How To Plan An Accelerated Life Test -. Reliability Tips.Some Practical Guidelines. Finn Jensen. 1991 Electronic Component Reliability. 1990 Statistical Methods for Reliability Data. ASQ Reliability and Life Testing Handbook. Prentice Hall. 2. Wiley. McGraw Hill.2 (Minitab Inc) y ALTA (Reliasoft) Otras fuentes .

Sign up to vote on this title
UsefulNot useful