You are on page 1of 14

Tècniques estadístiques per a la qualitat

Fiabilidad. 1
1. Conceptos básicos
1.1 1.1.1 Fiabilidad y fallo ¿Qué entendemos por fiabilidad?

Imaginemos que acabamos de comprar una radio. ¿Cuántas horas podremos usarla sin que se estropee? La respuesta a esta pregunta interesa a los fabricantes de la radio para evaluar si se satisfacen las expectativas del cliente y decidir qué período de garantía ofrecen. Es evidente que no todas las radios duran lo mismo. Incluso estudiando un determinado modelo de radio de un único fabricante, hay algunas unidades que se estropean antes que otras. Es por eso que decimos que las horas de uso de la radio antes de estropearse es una variable aleatoria. Podemos asignar para un número de horas determinado de uso de la radio la probabilidad de que todavía no se haya estropeado. A este valor de probabilidad le llamamos fiabilidad. La fiabilidad de un producto (o una máquina, un proceso) es la probabilidad de que funcione correctamente bajo las condiciones de operación durante un tiempo especificado. La fiabilidad hace referencia, por tanto, a la calidad del producto a largo plazo. La fiabilidad de un producto debe tenerse en cuenta ya desde la fase de diseño. En la fase de diseño, definiremos en qué condiciones deberá poder usarse el producto, y cuáles son los materiales y las configuraciones que mejor responderán a esas condiciones. Cuando tenemos un prototipo del producto, y antes de fabricarlo en serie, se deben realizar tests (denominados ensayos de fiabilidad) para comprobar sus características de fiabilidad. Aunque en este tema nos centraremos en el análisis de los datos más que en la elaboración de los tests, no hay que olvidar que hacer bien este primer paso es muy importante. 1.1.2 Utilidad de tener datos sobre fiabilidad

Nos interesa tener datos sobre fiabilidad para poder: • • • • • Predecir los costes por garantía de un producto. Tener la información necesaria para evaluar el riesgo de fallo de un sistema (mantenimiento preventivo). Evaluar el efecto de un cambio propuesto en el diseño. Evaluar si se satisfacen los requerimientos del cliente y las regulaciones del gobierno. Comparar componentes o materiales de dos o más fabricantes.

Al estudiar la fiabilidad de un producto o proceso, podremos responder preguntas como: • • • ¿Cuál es el porcentaje de unidades que fallan antes del tiempo de garantía? ¿Cuál es la tasa de fallos de un sistema? ¿Es más fiable el producto fabricado con el material A o con el B?

Este material ha sido elaborado por los profesores de la asignatura “Tècniques Estadístiques per a la Qualitat” (ETSEIB) para uso de los estudiantes. Septiembre 2013. Fiabilidad 1

decimos que el neumático ya no funciona (se produce el fallo).1. Imaginemos que tenemos una función f(t) que representa la densidad de probabilidad de fallos de nuestro dispositivo en estudio. Función de fiabilidad y pruebas para determinar la fiabilidad Concepto de función de fiabilidad 1. Hay que distinguir también entre dos tipos de dispositivos: • • Aquellos que no se pueden reparar. Fiabilidad 2 . es decir. Justamente llamamos a la función R(t) función de fiabilidad (reliability).Tècniques estadístiques per a la qualitat 1. Fallo gradual: es el caso de unos neumáticos. F(t) representa la función de distribución de f(t). la probabilidad de que el dispositivo se haya estropeado al llegar al tiempo t.3 Concepto de fallo Los datos que necesitamos para hacer estudios de fiabilidad son los tiempos que tardan en fallar unidades del producto en estudio. El concepto de fallo es. o sea. Distinguimos dos tipos de fallo: • • Fallo contundente: es el caso de una bombilla. tendremos la proporción de dispositivos que fallarán en ese intervalo de tiempo). nos da la probabilidad de que el dispositivo funcione al llegar al tiempo t. fundamental en los estudios de fiabilidad. es necesario definir unos límites de tolerancia. Si integramos f(t) entre dos tiempos t1 y t2 obtendremos la probabilidad de que el dispositivo falle en ese intervalo de tiempo (o lo que es lo mismo. El complementario. es decir.1 Hemos definido fiabilidad como la probabilidad de que un dispositivo todavía no haya fallado en un momento t determinado. debemos dejar bien clara cuál es la función del dispositivo para poder detectar así cuando deja de cumplirla. excepto si la distribución de probabilidad del tiempo entre fallos no depende de la edad del dispositivo (no tiene memoria). La definición de fallo debe ser precisa. definida por 𝐹 (𝑡) = ∫ 𝑓(𝑥 )𝑑𝑥 −∞ 𝑡 F(t) nos da la probabilidad acumulada Pr(𝑇 ≤ 𝑡) = 𝐹 (𝑡).2. Superado un cierto valor de desgaste. 𝑅(𝑡) = 1 − 𝐹 (𝑡). En este caso nos interesará ver el tiempo entre fallos consecutivos. La fiabilidad es entonces mucho más complicada. La de dispositivos que se pueden reparar. Pr(𝑇 > 𝑡) = 𝑅(𝑡). deja de funcionar cuando no se enciende. pues.2 1. Entendemos por fallo el fin de la aptitud de un dispositivo para cumplir su función. en los que se va produciendo un desgaste. En el caso de fallo gradual. En este caso sólo tiene sentido considerar el tiempo hasta el primer fallo.

Tècniques estadístiques per a la qualitat La zona sombreada en la función densidad de probabilidad corresponde a la probabilidad de que el dispositivo haya fallado al llegar al tiempo T.3. La vida media es el valor medio o esperanza matemática de la distribución de probabilidad que describe el tiempo de fallo. los quilómetros rodados de un neumático. Hay que decidir también en qué momento daremos por finalizada la prueba. Nosotros nos centraremos en pruebas completas. es decir. 𝐸(𝑇) = � 𝑡 𝑓(𝑡)𝑑𝑡 0 ∞ Fiabilidad 3 . Por ejemplo. Acabar la prueba cuando han fallado un número determinado de unidades.2. R(t). Aunque en todo momento hablamos de tiempo. evaluada en T. Cuando diseñamos la prueba debemos pensar cuantos dispositivos se someterán al experimento. que toma valores distintos para cada unidad de dispositivo. acabamos la prueba cuando han fallado todas las unidades. a veces la duración de un dispositivo se mide en otras unidades que son equivalentes a tiempo para ese dispositivo. Eso es lo mismo que nos indica la función de distribución. 1.3 1. Las características de fiabilidad son los parámetros estadísticos que determinan la función de fiabilidad. Hay tres opciones: • • • Acabar la prueba cuando han fallado todas las unidades.2 Pruebas para determinar la fiabilidad El objetivo de las llamadas pruebas de vida es hacer experimentos para determinar las características de fiabilidad del dispositivo en estudio. Acabar la prueba pasado un cierto tiempo. como los controlaremos (de forma contínua o en momentos de tiempo prefijados) y si cambiaremos o no las unidades a medida que se estropeen. siempre usaremos en este módulo tiempo como unidad de duración. 1.1 Características básicas de fiabilidad Vida media Ya hemos comentado que el tiempo que tarda un dispositivo en fallar es una variable aleatoria. Para simplificar.

El experimento termina cuando todos los componentes han fallado.3. mean time to failure) es el tiempo que dura la unidad i antes de fallar. y n es el número total de dispositivos del experimento. En caso contrario. El MTTF observado se calcula. los dispositivos se podrían cambiar por uno nuevo en vez de repararlos) La probabilidad de fallos es independiente de la edad del dispositivo. en minutos.4 Función empírica de fiabilidad La mejor estimación de una proporción de la población es esa proporción en la muestra. Tiempo medio entre fallos (MTBF. De nuevo. MTTF = 1. 5. 8. El tiempo medio hasta el fallo es una característica de fiabilidad que se asimila a la vida media. para un valor de tiempo t determinado. el tratamiento de la fiabilidad de dispositivos reparables se complica mucho. podemos estimar la fiabilidad como: 𝑅(𝑡) = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑚𝑎𝑦𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑡 𝑛 Ejemplo: Los siguientes datos fueron obtenidos en una prueba de vida y miden el tiempo de perforación. Calcular el MTTF. mean time between failure) Cuando nos encontramos ante dispositivos reparables. esto sólo es cierto si: No hay diferencia entre un dispositivo reparado y uno nuevo (es decir. Ejemplo: En una prueba de vida se han obtenido los siguientes valores de tiempo de fallo (en minutos): 3. Fiabilidad 4 .3 3 + 5 + 8 + 14 + 20 5 = 10min. Podemos calcular el MTBF a partir de una muestra con: 𝑀𝐹𝐵𝑇 = • • ∑ 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑑𝑖𝑠𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑜𝑠 𝑝𝑟𝑜𝑏𝑎𝑑𝑜𝑠 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑎𝑙𝑙𝑜𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠 Es decir. Sin embargo.3. 1. donde ti Podemos calcular una estimación de la vida media a partir de una muestra: 𝜃 𝑛 1. El MTTF es una aproximación a la vida media auténtica cuando la distribución del tiempo de fallo se puede ajustar a un modelo exponencial. Por tanto. � = ∑ 𝑡𝑖. 20. de un fluido aislante entre electrodos a 34 KV. Se aplica también a los dispositivos no reparables. El MTBF nos da una estimación de su valor medio. esto es una variable aleatoria. pero la manera de calcularlo es distinta. 14.Tècniques estadístiques per a la qualitat Tiene sentido definirla para dispositivos no reparables. según: 𝑀𝑇𝑇𝐹 = ∑ tiempo de funcionamiento de los dispositivos probados número de fallos observados A diferencia de con la vida media. a partir de los datos de una muestra.3. y queda fuera del ámbito de este módulo de estudio. igual que calculábamos el MTTF. la característica de calidad que nos interesa es el tiempo entre fallos. en este caso no tenemos que esperar a que fallen todos los dispositivos.2 Tiempo medio hasta el fallo (MTTF.

1 Expresión matemática de tasa de fallos 𝑅(𝑡1 ) − 𝑅(𝑡2 ) (𝑡2 − 𝑡1 )𝑅(𝑡1 ) Para un intervalo de tiempo (t1.4 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑚𝑎𝑦𝑜𝑟𝑒𝑠 𝑞𝑢𝑒 𝑡=2 𝑛 15 19 Tasa de fallos = = 0.2 Cálculo de la tasa de fallos a partir de valores experimentales 𝑑(1 − 𝐹(𝑡)) 𝑑𝑅(𝑡) − 𝑅(𝑡1 ) − 𝑅(𝑡2 ) − 𝑑𝑡 𝑓(𝑡) 𝑑𝑡 ℎ(𝑡) = lim �𝑡2 → 𝑡1 � = = = (𝑡2 − 𝑡1 )𝑅(𝑡1 ) 𝑅(𝑡) 𝑅(𝑡) 𝑅(𝑡) Vamos a ver cómo podemos calcular la tasa de fallos a partir de valores experimentales partiendo del ejemplo de la tabla de mortalidad de Halley. Se designa por h(t) y se denomina función de riesgo (hazard function). tenemos 2: 1. y todo se simplifica mucho si podemos aceptar la hipótesis de tasa de fallos constante. su valor coincide con la inversa de la vida media. Esta tabla nos proporciona información sobre la edad de defunción de las personas de la época (la tabla data del 1693).01 0.79 La tasa de fallos representa la “velocidad” a la cual se producen los fallos en un dispositivo.96 8. y la tasa de fallos el número de fallos por unidad de tiempo.4.85 6. 1.78 3.15 4. Si hacemos tender t2 a t1 (𝑡2 → 𝑡1 ).52 33.71 72. En general.75 32.31 2. Si la tasa de fallos es constante. representa la fracción de dispositivos que fallan por unidad de tiempo. Efectivamente.16 4.50 12.78 8.Tècniques estadístiques per a la qualitat 0. Definimos tasa de fallos como la fracción de unidades de un dispositivo que dejan de funcionar (fallan) por unidad de tiempo.91 36. Realice una estimación empírica de la fiabilidad a los dos minutos 𝑅(𝑡) = 1.19 7. Si la tasa de fallos es constante. 𝑡2 ) = 𝑅(𝑡1 ) − 𝑅 (𝑡2 ) representa la proporción de los dispositivos totales que han fallado entre t1 y t2.89 Se supone que el tiempo t que transcurre hasta fallar se ajusta bastante bien a un modelo exponencial. la tasa de fallos depende del tiempo.4. se denota entonces por λ . 2 Recordemos la definición matemática de derivada: g(x 2 ) − g(x1 ) dg(x) = lim x 2 → x1 dx (x 2 − x1 ) ( ) Fiabilidad 5 . 𝑅(𝑡1 )−𝑅(𝑡2 ) (𝑡2 −𝑡1 )𝑅(𝑡1 ) 𝑅 (𝑡1 )−𝑅(𝑡2 ) 𝑅(𝑡1 ) es la proporción de los dispositivos que teníamos en t1 que han fallado entre t1 y t2.27 1. la vida media representa el tiempo medio por fallo.35 0. t2) definimos la tasa de fallos como ℎ(𝑡1 .06 31.67 4.

622 0.051 0.200 La Figura 1 muestra el histograma de las proporciones de defunciones según la edad.043 0.335 0.653 0.058 0.030 0.387 0.027 0. ¿Cómo calculamos la tasa de defunciones? Recordemos la expresión de la tasa de fallos: ℎ(𝑡1 .013 0.710 0.057 0.032 0.282 0.010 0.232 0.131 0. Figura 1.053 0.035 0. Histograma de defunciones según edad (tabla de Halley) ¿Cómo calculamos la fiabilidad? Recordemos que la fiabilidad es R(t) = 1 – F(t).016 0.034 0. para cada valor de t necesitamos conocer F(t) (probabilidad acumulada) y restar a 1 ese valor.Tècniques estadístiques per a la qualitat Tabla de mortalidad de Halley Edad t 0 0-5 5-10 10-15 15-20 20-25 25-30 30-35 35-40 40-45 45-50 50-55 55-60 60-65 65-70 70-75 75-80 80-85 Proporción f(t) 0.523 0.019 0.050 0.049 0.037 0.290 0.056 0.034 Fiabilidad R(t) 1 0.560 0.032 0.592 0.078 0.050 0. Por tanto.113 0.052 0.436 0.016 0.010 0.000 Tasa h(t) 0.481 0.022 0.011 0.044 0.081 0.182 0. 𝑡2 ) = 𝑅(𝑡1 ) − 𝑅(𝑡2 ) (𝑡2 − 𝑡1 )𝑅(𝑡1 ) 6 Calculemos ahora la tasa de mortalidad entre 5 y 10 años: Fiabilidad .031 0.045 0.053 0.042 0.

Periodo de fallo con tasa constante: la tasa de fallos en esta etapa es más o menos constante. En la práctica.08 0. La Figura 1 muestra la tasa de muertes por año. la tasa de fallos va aumentando con el tiempo. Puede pasar que. Tasa de defunciones según la edad (tabla de Halley) A menudo la tasa de fallos de los dispositivos tiene una forma parecida a la de la Figura 1.Tècniques estadístiques per a la qualitat los que murieron de 5 a 10 años 0. El aparato quedará obsoleto antes de llegar a la edad de desgaste.057 los que había a los 5 años 0. Periodo de fallo por desgaste: al final de la vida del dispositivo. ya que: • • El período de fallo precoz queda fuera de la vida comercial del producto (se produce dentro de la fábrica). Esta curva nos indica que podemos dividir la vida del dispositivo en tres etapas: • • • Periodo de fallo precoz: al principio de la vida de un dispositivo. nos puede interesar únicamente el período de tasa constante. la tasa de fallos disminuye con el tiempo. para un dispositivo determinado. Figura 1.6% por año.016 muertes/año intervalo de años 5 años 5 años Se murió un 8% de los que había a los 5 años. Fiabilidad 7 . y se murieron a una tasa de 1.710 = = = 0. Es la llamada curva de bañera. algunas de estas etapas sea muy corta o prácticamente inexistente.

2. La densidad de probabilidad del modelo exponencial (o sea. A continuación veremos cómo trabajar cuando los tiempos de fallo se ajustan a una distribución exponencial o de Weibull. Eran estimaciones no paramétricas. Fiabilidad 8 .Tècniques estadístiques per a la qualitat Figura 2. h(t) = f(t) λe − λt = =λ R(t) e − λt El parámetro λ es por tanto la tasa de fallos (constante). y tiene dimensiones de [tiempo]-1. Modelo exponencial 2. la representación del histograma de los fallos si el número de unidades en estudio fuese muy elevado) tiene la forma: f(t) = λe −λt La función de distribución nos da la probabilidad acumulada. función de distribución y función de fiabilidad Imaginemos que el tiempo que pasa hasta que se produzca el fallo de un dispositivo sigue una distribución exponencial con parámetro λ . es decir. Pr(T ≤ t ) t t F(t) = ∫ f(x)dx = ∫ λe −λx dx = 1 − e −λt −∞ −∞ Recordemos que en el apartado anterior hemos definido la función de fiabilidad como el complementario de la función de distribución. Curva de bañera En este primer apartado hemos visto cómo realizar estimaciones sin suponer ninguna distribución de probabilidad para la variable aleatoria tiempo de fallo.1 Densidad de probabilidad. Así: R(t) = 1 − F(t) = e −λt Podemos comprobar a partir de la definición dada en el apartado anterior que la función de riesgo es constante e igual a λ . θ . La inversa de λ es la vida media. que tiene dimensiones de [tiempo].

La varianza es θ 2. F tp = p t t − p − p tp F tp = p =1− e θ ⇒ e θ =1− p ⇒ − = ln (1 − p ) θ ( ) ( ) t p = −θ ln (1 − p ) Resumen del modelo exponencial Función densidad de probabilidad Función de distribución Función de fiabilidad f(t) = λe −λt F(t) = 1 − e −λt R(t) = e −λt Definida por un solo parámetro: λ λ tasa de fallos (constante) Esperanza matemática = θ Varianza = θ 2 θ= 1 vida media λ Fiabilidad 9 . Distribución exponencial según el valor de λ La esperanza matemática de una variable aleatoria que siga una ley exponencial es θ .Tècniques estadístiques per a la qualitat La figura Figura muestra la forma de la distribución exponencial según el valor del parámetro λ Figura 4. Percentil de orden p El percentil de orden p corresponde al valor de tiempo para el cual ha fallado una proporción p de dispositivos.

Los paquetes de software estadístico que incluyen análisis de fiabilidad son capaces de dibujar valores en papel probabilístico exponencial. En el siguiente apartado veremos la distribución de Weibull. Si hay suficientes datos puede construirse un histograma y observar su forma.Tècniques estadístiques per a la qualitat 2.2 Utilidad del modelo exponencial La tasa de fallos en el modelo exponencial es constante. Partamos de la función de distribución del modelo exponencial: F(t) = 1 − e −λt ⇒ 1 − F(t) = e −λt ⇒ −ln (1 − F(t) ) = λt Llamando W a − ln (1 − F(t) ) tenemos que W = λt . Por eso es adecuado para representar productos sin desgaste. θˆ = MTTF = T = r ∑t r i donde ti es el tiempo de funcionamiento de cada dispositivo. ¿Cómo podemos hacer esto? 1.4 Comprobación del ajuste al modelo exponencial con gráficos de probabilidad Queremos ver si nuestro conjunto de datos de tiempos de fallo se pueden ajustar o no a un modelo exponencial. que puede ser útil para modelizar otros comportamientos (de hecho. y r es el número de fallos observados (que coincide en nuestro caso con el número total de dispositivos en prueba. la ecuación de una recta con pendiente λ Para un modelo exponencial. más general. el gráfico de los puntos t . 2. la exponencial es un caso particular de la Weibull). quedan alineados. Una primera idea puede ser partir de la naturaleza de la variable que se mide. de manera que cuando los datos siguen un modelo exponencial. Con base en los datos puede compararse la media y la desviación estándar (deben ser similares) 3. ya que hemos terminado la prueba cuando se han estropeado todos). que se van reemplazando cuando fallan por otros nuevos.−ln (1 − F(t) ) corresponde a una recta. 2. También es posible encontrar intervalos de confianza para 𝜃. los dispositivos “no recuerdan” cuán viejos son. La ley exponencial se adapta bien al estudio de los fallos de un sistema compuesto por muchos componentes similares. a menudo se ha usado el modelo exponencial sin que fuera el más adecuado. 2. Puede construirse la función empírica de riesgo (deberá ser aproximadamente constante). 4.3 Estimación de 𝜽 Como θ es la vida media. Sin embargo. Pero probablemente el mejor sistema sea usar un método gráfico. Se dice también que la distribución no tiene memoria. Fiabilidad 10 (i ) . Esto significa que la probabilidad que se produzca un fallo es la misma para una unidad nueva que para una antigua. un buen estimador puntual resultará de calcular la media muestral de los tiempos de fallo.

y determina la forma de la distribución. Un estimador gráfico del porcentaje de componentes que han fallado en un tiempo t se encuentra leyendo la ordenada que corresponde a la abscisa para ese tiempo t.632). Un estimador gráfico de un percentil se obtiene mirando el valor de abscisas que corresponde a la ordenada que deseamos.632. por lo que se puede usar en una gran cantidad de problemas. a una lognormal. Fiabilidad 11 . A α también se le llama vida característica. a una normal. La densidad de probabilidad del modelo de Weibull tiene la forma: f(t) = β β−1 −(t/α)β t e β α −(t/α)β La función de distribución nos da la probabilidad acumulada. función de distribución y función de fiabilidad El modelo de Weibull debe su nombre al científico Waloddi Weibull. creciente o decreciente. Así: R ( t ) = e −( t / α ) • • β La distribución de Weibull tiene dos parámetros: 𝛼 es el parámetro de escala. Es adecuado para representar la vida de dispositivos formados por varios componentes con distribuciones de tiempo de fallo similares.Tècniques estadístiques per a la qualitat Estimación gráfica de los parámetros Al dibujar los puntos en papel probabilístico exponencial. porque representa el tiempo para el cual la probabilidad de fallo acumulado es 0. 0. que popularizó su uso al publicar un artículo en el Journal of Applied Mechanics en 1951. Dependiendo del valor de sus dos parámetros puede tomar formas que se adaptan a una exponencial. Modelo de Weibull 3. El modelo de Weibull es muy versátil porque permite representar situaciones con tasa de fallos constante. Cuando 𝛽 =1. 3. es decir. 𝛽 es el parámetro de forma. Pr(T ≤ t) F(t) = 1 − e La función de fiabilidad es el complementario de la función de distribución. Si 𝛽 está entre 3 y 4 la forma de la distribución de Weibull se parece a la normal. estamos en el caso particular de la distribución exponencial.1 Densidad de probabilidad. Todas las funciones de distribución Weibull pasan por el punto ( α . y que cuando falla uno de los componentes falla el dispositivo. podemos obtener la siguiente información de esta representación: • • • La pendiente de la recta ajustada corresponde a la tasa de fallos λ .

fallos prematuros Percentil de orden p Figura 5. distribución exponencial t β>1. beta) (1. f(t) (alfa.3) 1. F(t) = 1 − e t β  −  α   F tp = p ⇒1− e tp α ( ) β t  p −    α    =p⇒e β t  p −    α    β  tp  = 1 − p ⇒  α  = −ln (1 − p )   1 1 = (− ln (1 − p ))β ⇒ t p = α (− ln (1 − p ))β Media y varianza Estas son las expresiones de la media y la varianza de una variable aleatoria que sigue un modelo de Weibull. ∞ 0 Fiabilidad 12 . fallos por envejecimiento β<1.1) (1.Tècniques estadístiques per a la qualitat La Figura 5 muestra la forma de la distribución de Weibull según el valor de los parámetros 𝛼 y 𝛽 .0 α: Parámetro de escala 0.0 0 1 2 3 4 5 6 β=1. Existen tablas para la función gamma.3) (2.5 β: Parámetro de forma 0.3) (3.5 1.  1 μ T = α Γ 1 + β     2   1    2 2 σ T = α  Γ 1 +   − Γ 1 + β      β      donde Γ es la función gamma Γ(x ) = ∫ u x −1e − u du . Distribución de una Weibull según los parámetros 𝛼 y 𝛽 El percentil de orden p corresponde al valor de tiempo para el cual ha fallado una proporción p de dispositivos.

β : parámetro de forma 3. tenemos una función de riesgo constante.2 Utilidad del modelo de Weibull La tasa de fallos en el modelo de Weibull no es constante. • Fiabilidad 13 . α : parámetro de escala. de manera que los fallos prematuros ya no se producen cuando llega al mercado Si β =1. Es recomendable en esos casos un envejecimiento previo del producto. Es el comportamiento típico de los fallos prematuros. Su función de riesgo h(t) es: f(t) β  t  =   h(t) = R(t) α  α  β−1 Figura 3. Función de riesgo en un modelo de Weibull Justamente esta función de riesgo es lo que hace al modelo de Weibull tan versátil.1. Es el caso particular de la exponencial.Tècniques estadístiques per a la qualitat Resumen del modelo de Weibull Función densidad de probabilidad 𝑓(𝑡) = 𝛽 𝛽−1 −(𝑡/𝛼)𝛽 𝑡 𝑒 𝛼 𝛽 Función de distribución 𝐹 (𝑡) = 1 − 𝑒 −(𝑡/𝛼) 𝛽 Función de fiabilidad 𝑅(𝑡) = 𝑒 −(𝑡/𝛼) 𝛽 Definida por dos parámetros: Con β =1 tenemos el caso particular del modelo exponencial. que se adapta a la zona de fallos ocasionales. • Si β <1 la función de riesgo disminuye al aumentar t.

Estimación gráfica de los parámetros • La pendiente de la recta ajustada corresponde a la estimación del parámetro β . Si los datos provienen de una distribución de Weibull. 3. quedan alineados. Estamos en la zona de fallos por envejecimiento.632). Un estimador gráfico de un percentil se obtiene mirando el valor de abcisas que corresponde a la ordenada que deseamos. de manera que cuando los datos siguen un modelo de Weibull. A partir de esta relación se ha diseñado el papel probabilístico de Weibull. Si partimos de la función de fiabilidad: R(t) = e β  t   − α   t ⇒⇒ ln(R(t)) = −  α β t ln (− ln(R(t)) ) = β·ln  = β·ln(t) − β·ln(α) α Que podemos identificar con Y = β·X + A . Como todas la funciones de distribución de Weibull pasan por el punto ( α . podemos determinar α mirando que valor de abcisa corresponde a la ordenada del 63. quedan alineados al representarlos en este papel.3 Comprobación del ajuste al modelo de Weibull con gráficos de probabilidad Queremos ver si nuestro conjunto de datos de tiempos de fallo se pueden ajustar o no a un modelo de Weibull. • • Fiabilidad 14 .Tècniques estadístiques per a la qualitat • Si β >1. Vamos para ello a representar los datos en papel probabilístico de Weibull. Los paquetes de software estadístico que incluyen análisis de fiabilidad son capaces de dibujar valores en papel probabilístico de Weibull.2 %. Un estimador gráfico del porcentaje de componentes que han fallado en un tiempo t se encuentra leyendo la ordenada que corresponde a la abcisa para ese tiempo t. la función de riesgo aumenta al aumentar t. 0.