You are on page 1of 275

1-1

1. CONCEPTOS DE
CONFIABILIDAD
1-2
Objetivo: Presentar los conceptos
indispensables para entender la
confiabilidad
Propsitos
presentar el concepto de tiempo de vida y falla
exponer el concepto de distribucin de
probabilidad
definir confiabilidad
definir MTBF - MTTF
explicar el tiempo de misin
visualizar la velocidad de falla grficamente
presentar los elementos de estadstica descriptiva
obtener una distribucin empricamente
1-3
CONFIABILIDAD PARA QU?
Cul es la vida promedio del producto?
Cuntas fallas espera el prximo ao?
Cunto nos costar desarrollar y dar servicio a este
producto?
Cmo podemos hacerlo ms efectivo en costo?
1-4
TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida til
de un producto. Durante este perodo el cliente obtiene
las caractersticas ofrecidas intencionalmente.

Cuando cesa la capacidad del producto para entregar la
caracterstica ofrecida al cliente, se considera que ha
habido una Falla del producto. Esto representa el
trmino 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 ocurrir el evento.

La regla que asigna valores de frecuencia
relativa o probabilidades a los valores de una
variable se llama Distribucin de
Probabilidad
1-6
Funcin de Densidad de Probabilidad (pdf), f(t)
Predice el comportamiento de cualquier situacin
probabilstica
Probabilidad de t de caer en algn 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 rea 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 Distribucin de
Probabilidad Acumulada {CDF F(t)}.



F(t
1
) = P(t s t
1
)
1-9
Funcin de Distribucin Acumulada
La Probabilidad de una variable es menor o igual a un valor
especfico, 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)
Funcin de Densidad de Probabilidad
t
F
(
t
)
t
1
Funcin de Distribucin Acumulada
0
1
0
1-11
DEFINICIN DE CONFIABILIDAD
Confiabilidad es la probabilidad de que un sistema
ejecute su funcin de intencin sin fallar para un
intervalo especfico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.
R(t) = 1 - F(t)

Algunos autores presentan como sinnimos
Supervivencia y Confiabilidad
1-12
t
R
(
t
)
DEFINICIN DE CONFIABILIDAD
R t F t f t dt f t dt
t
t
( ) ( ) ( ) ( ) = = =
} }

1 1
0
t
1
Funcin de Densidad de Probabilidad Funcin de Confiabilidad
0
0
1
t
f
(
t
)
t
1
0
1-13
MTBF - MTTF
Si el tiempo de vida para una caracterstica de calidad
es una variable aleatoria y conocemos su distribucin
de probabilidad , podemos calcular una medida de
localizacin, por ejemplo el valor de su media.

El valor medio del Tiempo de Vida se denomina Tiempo
Promedio entre Fallas, MTBF es el acrnimo en
Ingls, y se refiere a una medicin bsica de
confiabilidad para artculos que se pueden reparar.

MTTF se refiere al Tiempo Promedio de Fallas, esto es
para artculos 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 est marcada
con la lnea 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
distribucin Weibull es funcin
de sus parmetros q=2 y |=2
1.77245
|
|
.
|

\
|
+ I =
|
q
1
1 MEDIA
1-15
TIEMPO DE MISIN
Tiempo de Misin se refiere al tiempo intentado durante
el cual el producto entrega la caracterstica de
calidad satisfactoriamente.
El Tiempo de Misin es una decisin de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus caractersticas.
Tiempo de Misin
Qu confiabilidad lograremos?, R(tiempo de misin)
1-16
VELOCIDAD DE FALLA
La Velocidad de Falla Tasa de Riesgo o tambin
Tasa de Falla es la fraccin de fallas probables entre
la proporcin de supervivientes al tiempo t. Cuando
se conoce la Distribucin de Probabilidad de t, se
calcula a partir de
h(t) = PDF / R(t)
Es una medida de la mortalidad entre los artculos
que quedan.
La tasa de falla representa la propensin a la falla de un
producto como una funcin de su edad o tiempo en
operacin. La tasa de falla en cualquier tiempo dado es la
proporcin que caer 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 elctricos se ponen a prueba
en el tiempo CERO. Cuatrocientos de ellos estn
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) = (nmero de fallas por hora posteriores a las 2000 horas)
nmero 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 BAERA
Si se dibuja la tasa de riesgo o falla para una poblacin
a travs del tiempo se observa un comportamiento
descrito como la Curva de la Baera
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 Estadstica Descriptiva se
orienta a proporcionar una
descripcin til, clara e
informativa de una masa de
datos numricos.
Esto se hace al considerar
tpicos como:
la coleccin y procesamiento de
datos originales,
presentacin tabular y grfica,
fuentes de datos,
distribucin de frecuencias,
medidas de tendencia central y
medidas de dispersin.
ESTADISTICA DESCRIPTIVA
Un histograma es una descripcin
til, clara e informativa de la
distribucin de frecuencias
1-20
Un estadstico es cualquier funcin de las observaciones en una
muestra aleatoria, que no dependa de parmetros desconocidos
Obsrvese que como un estadstico es una funcin 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 poblacin y se calcularan las medias
muestrales, podra esperarse que los valores obtenidos fueran
diferentes.
ESTADISTICOS
La media muestral, la varianza muestral, la desviacin estndar
muestral y los coeficientes de variacin, sesgo y curtosis son
algunos de los estadsticos ms comunes.
1-21
Medidas
Descriptivas
Descripcin
POBLACION
MEDIA
VARIANZA
COEFICIENTE DE
VARIACIN
COEFICIENTE DE
SESGO
COEFICIENTE DE
CURTOSIS
Estadstica 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
o ( )

=
n
i
i
x x
n
s
1
2
2
1
1
Medida de
dispersin
la desviacin estndar es la
raz cuadrada de la varianza
Medida del
grado de
variabilidad

o
= CV
( )
( )
2 / 3
2
3
) (
3
o

o
}
O

=
dt t f t
( )
( )
2 / 3
2
1
3
3

s
n
x x
n
i
i
=

= o
Medida de
Simetra
Medida de
Agudeza ( )
( )
2
2
4
) (
4
o

o
}
O

=
dt t f t
( )
( )
2
2
1
4
4

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 simtrica (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
estadsticas mejores
CV = S

x
1-22
Porqu son importantes los
estadsticos?
Describen completamente los datos
Coeficiente de Variacin CV
comnmente utilizado para describir propiedades
mecnicas de los materiales.
aproximadamente 15% para fractura
aproximadamente 7% para resistencia a la cedencia
ayudan a determinar la distribucin apropiada
la distribucin normal tiene un rango 0.05 < CV < 0.25
Exponencial CV = 1
Estadstica Descriptiva
1-23
Porqu son importantes los estadsticos?
Coeficiente de sesgo
medida de simetra
o3 < 0 distribucin sesgada a la izquierda(tiene una cola a la
izquierda)
o3 = 0 distribucin simtrica
Distribucin Normal o3 = 0
o3 > 0 distribucin sesgada a la derecha (tiene una cola a la
derecha
Coeficiente de curtosis
medida de agudeza (puntiaguda)
o4 < 3 distribucin menos aguda que la Normal
o4 = 3 distribucin Normal
o4 > 3 distribucin ms aguda que la Normal
Estadstica Descriptiva
1-24
Porqu son importantes los estadsticos
los tres ayudan a determinar los parmetros de la
distribucin
CV
La Exponencial tiene un CV constante
El parmetro de forma de la distribucin Weibull es bien
estimado con el coeficiente de variacin CV
coeficientes de sesgo y curtosis
la relacin entre ellos ayuda a determinar la distribucin que mejor
se ajusta
Estadstica Descriptiva
1-25
EJEMPLO DE DISTRIBUCIN



h




1
MEDIA
) ( FALLA DE TASA
) ( DAD CONFIABILI
1 ) ( CDF
) ( PDF
=
= =
= =
= =
= =



t
e t R
e t F
e t f
t
t
t
Distribucin
Exponencial
Funcin 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
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
1-26
EJEMPLO DE DISTRIBUCIN
|
|
.
|


\
|
+ 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
Distribucin
Weibull 2
parmetros
1-27
EJEMPLO DE DISTRIBUCIN
Abra el archivo Distribucin.xls Seale la columna de
tiempo y pongala en
orden ascendente
Veamos cmo se construyen las
curvas de distribucin usando el
EXCEL
1-28
EJEMPLO DE DISTRIBUCIN
Agregue un
rengln inicial
con cero y una
columna con un
contador que
inicie en cero
Agregue una columna
donde estime F(t)
usando la frmula 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 frmula de Kaplan Meier se recomienda para muestras grandes
1-29
EJEMPLO DE DISTRIBUCIN
Se estima la tasa de falla para los
tiempos observados, con el inverso del
nmero de supervivientes 1/(N+1-i)
Por ltimo 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 DISTRIBUCIN
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
Grficas de
Confiabilidad R(t) y de
la Funcin Acumulada
F(t) generadas en
EXCEL
Recuerde que:
R(t) = 1- F(t)
1-31
EJEMPLO DE DISTRIBUCION
Use el archivo: distribucin.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%
Clculo 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
grficas de las
distribuciones
empricas de: riesgo
y confiabilidad
Las asignaciones de
probabilidades se basan slo
en las frecuencias
observadas, y no suponen
ningn modelo especial.
1-34
PUNTOS CLAVE
tiempo de vida til y falla
distribucin de probabilidad
confiabilidad
MTBF - MTTF
tiempo de misin
velocidad de falla
estadstica descriptiva
distribucin emprica
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 caractersticas
principales y guas para su empleo
Puntos:
Modelos Paramtricos de Confiabilidad
Distribuciones de Probabilidad
Parmetros
Propiedades
Situaciones para modelar
Gua para eleccin del modelo
1-37
Modelos Paramtricos de
Confiabilidad
Distribuciones Paramtricas
Algunas Distribuciones de Probabilidad se pueden
expresar como una funcin matemtica de la variable
aleatoria.
La funcin tiene adems de la variable aleatoria,
constantes que le dan comportamientos especficos
a las distribuciones
Los parmetros definen:
FORMA
ESCALA
LOCALIZACION
1-38
Los Parmetros definen lo que esta detrs de cada
distribucin.
Conociendo los parmetros de una distribucin podemos
inferir el comportamiento de la confiabilidad
La Forma de la distribucin
La Escala de la distribucin
La Localizacin de la distribucin
Qu hay atrs de una distribucin?
1-39
Distribucin Normal
La Normal o Distribucin Gaussiana es la distribucin
ms conocida
Tiene Media = Mediana = Moda
La Media , es tambin su parmetro de localizacin
La PDF normal tiene forma de una campana con
simetra sobre su media
La normal no tiene parmetro de forma. Esto significa
que la PDF normal slo tiene una forma, la campana
y esta forma no cambia
La desviacin estndar o, es el parmetro de escala
de la PDF normal
1-40
f t
t
( ) e x p =

|
\

|
.
|

(
1
2
1
2
2
o t

o
Distribucin de la Funcin Normal
Funcin de Densidad de Probabilidad Normal
Distribucin Normal
= 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
( ) ( ) ( )
( )
= =

} }
|
Funcin de Distribucin Normal
donde z(t) = (t-)/o y |(z) = normal estandarizada pdf
Funcin de Confiabilidad Normal
0.000
0.200
0.400
0.600
0.800
1.000
200 400 600 800 1000
Tiempo
R
(
t
)
= 500
o = 30
o = 50
o = 70
Distribucin Normal
1-42
Funciones de Distribucin Normal
donde |(z) =normal estandarizada pdf
Funcin 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
)
= 500
o = 30
o = 50
o = 70
Distribucin Normal
) (
) (
) (
z R
z
t h
o
|
=
1-43
Distribucin Normal
Tienden a seguir una distribucin normal los ciclos de falla en
componentes mecnicos sometidos a niveles altos de estrs

Es til si el coeficiente de variacin es pequeo (<10%)
Las propiedades de varios materiales tienden a seguir una
distribucin Normal
Las fallas a la tensin de muchos materiales estructurales
siguen una distribucin Normal
Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Lmite Central (CLT)
Distribucin Normal
1-44
El modelo exponencial, con un solo parmetro, es el ms
simple de todo los modelos de distribucin del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
Distribucin Exponencial
h







=
~
=
=
=
=



) ( : 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
Funcin 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
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
1-45
R(t) = e
(-t)
(Confiabilidad)
Funcin 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
)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
Distribucin Exponencial
1-46
h(t) = = 1 / MEDIA (Velocidad de Falla)
Funcin 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
)
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Distribucin Exponencial
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
1-47
Distribucin Exponencial
Es usada como el modelo, para la parte de vida til de la
curva de la baera, i.e., la tasa de falla es constante
Los sistemas complejos con muchos componentes y
mltiples modos de falla tendrn tiempos de falla que
tiendan a la distribucin exponencial
desde una perspectiva de confiabilidad, es la distribucin
ms conservadora para prediccin.
Distribucin Exponencial
La forma de la exponencial
siempre es la misma
1-48
Distribucin Exponencial
La Distribucin exponencial de 2 parmetros tiene las siguientes ecuaciones:
h











=
+ ~ +
+ =
=
=
=



) ( : 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 parmetro de
localizacin, si es positivo,
cambia el comienzo de la
distribucin por una distancia
a la derecha del origen,
significando que las
posibilidades de falla empiezan
a ocurrir slo despus de
horas de operacin, y no
pueden ocurrir antes.
Note que la varianza y la tasa de falla son
iguales a las de la exponencial de un parmetro
1-49
Distribucin Weibull
La distribucin de
Weibull es un
modelo de
distribucin de vida
til muy flexible,
para el caso de 2
parmetros:
( )
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
parmetro de escala (la
vida caracterstica) y |
se conoce como el
parmetro de forma
(pendiente) y I es la
funcin Gamma con
I(N)=(N-1)! para N
entero
1-50
Distribucin 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
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma ms general de
3 parmetros de la Weibull
incluye un parmetro de
tiempo de espera
(localizacin
desplazamiento). Las
frmulas se obtienen
reemplazando t por (t-).
No puede ocurrir una falla
antes de horas, el tiempo
comienza en no en 0.
1-51
Funcin de Distribucin Weibull
f t
t t
( ) exp =
|
\

|
.
|

|
\

|
.
|

(
(

|
q q q
| | 1
Funcin 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
Distribucin Weibull
1-52
Funciones de Distribucin Weibull
R t
t
( ) exp =
|
\

|
.
|

(
(

q
|
Funcin 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
Distribucin Weibull
1-53
Funciones de Distribucin Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|

1
Funcin 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
Distribucin Weibull
1-54
Distribucin Weibull
mientras la funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la Weibull
modela la caracterstica de vida de los componentes y
partes
modela fatiga y ciclos de falla de los slidos
es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una distribucin de la
confiabilidad de los elementos de una muestra
muy flexible y puede tomar diferentes formas
Distribucin Weibull
1-55
Distribucin Weibull
Tiene usted una Distribucin Weibull con |=2
y q=2, Cul 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 til
Fallas
tempranas
Desgaste

decreciente
| < 1

constante
| = 1

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 corrosin, erosin
| > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.

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

Implica mortalidad infantil

Si esto ocurre, puede existir:
-Carga, inspeccin o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparacin

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

Implica fallas aleatorias(Distribucin
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 mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
| =3.44aprox. Normal, | =2Rayleigh
| > 4 (La tasa de riesgo crece rpidamente)

Implica edad avanzada y rpido desgaste

Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
La Distribucin Weibull - Interpretacin
1-58
Cuando | = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribucin 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 electrnicos.
3.El tiempo de falla para artculos que se desgastan,
tales como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa
una distribucin de valor extremo).
Distribucin Weibull
1-60
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = q?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
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
caracterstica el
63.2% de los
elementos habr
fallado. Este
hecho se usa en
las grficas 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 segn una Lognormal si el
logaritmo del tiempo de falla est normalmente distribuido.

La Distribucin Lognormal es una distribucin sesgada hacia la
derecha.

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

\
|

=
y
y
y
y
e
t
t f
o

t o
2
2
1
2
1
) (
|
|
.
|

\
|

=
y
y
y
y
e y f
o

t o
|
|
.
|

\
|

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

\
|
u =
y
y
y
y F
o

) (
|
|
.
|

\
|
+ =
2
exp
2
50
y
y t
T
o
) ln(
50
T
y
=
2
2
50
1
) exp(
t
t
t
y
T

+
= =
y
=
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|

\
|
+
2
2
1 ln
t
t

o
( ) 1 ) exp( ) exp(
2 2 2
50

y y
T o o
VARIANZA
u(z) es la CDF de la Normal estndar
1-63
La Distribucin de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parmetros tiene los
parmetros o
ln(t)
= o
y
parmetro de forma, y T
50
= la mediana (un
parmetro de escala)
Si el tiempo para la falla t, tiene una distribucin Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene
una distribucin normal con media
y
= ln T
50
y desviacin
estndar o
y
.
Esto hace a los datos lognormales convenientes para trabajarlos
as: 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 conversin a
tiempo real y a los parmetros lognormales usando o
y
como la
forma lognormal y T
50
= exp(
y
) como (mediana) el parmetro de
escala.
Distribucin Lognormal
1-64
Funcin de Distribucin
Lognormal

f t
t
t
( ) exp
ln( )
=

|
\

|
.
|

(
1
2
1
2
2
o t

o
donde y o son funciones de lns
Funcin 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
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
1-65
R t f t d t f t d t z d z
t t z t
( ) ( ) [ ln ( ) ] [ ln ( ) ] ( )
ln ( ) [ ln ( ) ]
= = =

} } }
|
Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/o]
|(z) = normal estandarizada normal pdf
Funcin 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
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
1-66
h ( )
( )
( )
t
f t
R t
=
Funcin de Distribucin Lognormal
Funcin 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
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
Distribucin Lognormal
1-67
Distribucin Lognormal
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar la tabla normal estndar









Para poder usar las Tablas de la Normal Estndar:

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

02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|

\
|
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =
t
t
y

o
o
1589 . 0 02527 . 0 = =
y
o
1-68
Distribucin Lognormal
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, niveles de tensin significativamente menores que sus
lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso

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

Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
Distribucin Lognormal
1-69
Modelos Paramtricos de
Confiabilidad
Ventajas
Usados cuando la distribucin subyacente de los tiempos de
falla se conoce o puede ser supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., MIL-HDBK-217)
Conocimiento Ingenieril del mecanismo de falla
Tiene ms poder para hacer una decisin correcta que en
las pruebas no-paramtricas
Rinde informacin ms precisa que los mtodos no-
paramtricos
Los intervalos de confianza son ms amplios usando no-
paramtricas
Permite extrapolar fuera del rango de los datos
1-70
Modelos Paramtricos 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
observacin estadstica
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

o
R t z dz
z t
( ) ( )
( )
=

}
|
h
|
o
( )
( )
( )
t
z
R z
=
f t
t t
( ) exp =
|
\

|
.
|

|
\

|
.
|

(
(

|
q q q
| | 1
Modelos Comunes
de Confiabilidad
f t
t
t
( ) exp
ln( )
=

|
\

|
.
|

(
1
2
1
2
2
o t

o
Rt z dz
z[ln(t
( ) ( )
)]
=

}
|
R t
t
( ) exp =
|
\

|
.
|

(
(

q
|
h
|
q q
|
( ) t
t
=
|
\

|
.
|
1
f(t) = exp(-t)
R(t) = exp(-t)
h(t) =
Exponencial Weibull Normal Lognormal
Funcin de Densidad
de Probabilidad (pdf),
f(t)
Funcin de
Confiabilidad, R(t)
Funcin de Tasa de
Falla, h(t)
Tiempo Medio Entre
Fallas (MTBF)
T =
1

T = + q I
|
( )
1
1
media T =
ln(t) funcion la es T' donde
)
2
1
' exp(
'
2
T
T T o + =
Parmetros 1/ = escala
sin forma
q = escala
| = forma, o
pendiente Weibull
media = localizacin
o = escala
media de lns = escala
o de lns = forma
Aplicaciones Sistema complejo
vida til
electrnica
| < 1, fallas infantiles
| = 1, exponencial
| > 1, desgaste
| app 3.4, app. normal
muy flexible
bien para fatiga en
componentes mecnicos
z(t) = (t - )/o
|(z) = pdf normal std.
desgaste alto
efectos aditivos (CLT)

z[ln(t)] = (ln(t) - )/o
donde = media de lns
o = desv. std. de lns
|(z) = pdf normal std.
fatiga en metales
desgaste de partes mecnicas
efectos multiplicativos
Cuadro de Distribuciones
1-72
Identificacin de Modelos
Debemos de elegir
cuidadosamente el modelo
apropiado de distribucin de vida
Cualquiera que sea el mtodo 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 estadsticas y visuales
para ajuste de datos
1-73
Identificacin de Modelos
Grficas, Abrir: identificacin.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/ =0.9966, el
coeficiente de
variacin es
prcticamente 1
Media y desviacin
estndar son
iguales
Sesgo >0
distribucin sesgada
a la derecha
Curtosis >3, tiene
ms agudeza que
una normal

1-74
Identificacin de Modelos
Grficas
Abrir:
identificacin.mtw
1-75
Identificacin 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
Cul ajusta mejor...?
1-76
Identificacin de Modelos
El modelo
exponencial
1-77
Identificacin 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 distribucin.mtw (los
del captulo 1) y proponga qu modelo de
distribucin los representa mejor.
Analice los datos en la columna C5
Obtenga las grficas
Calcule los estadsticos descriptivos
Utilice algn procedimiento automatizado para
identificacin de distribucin
proponga una distribucin
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
desviacin
estndar
de los
logaritmos
de los
tiempos
1-82
Puntos Clave
Los modelos paramtricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
Es necesario asegurar cul es el modelo ms
apropiado para modelar
La decisin depende del conocimiento del
mecanismo de falla y la forma en que se observa.
Las distribuciones tienen parmetros que le dan
ciertas caractersticas: forma, escala, localizacin.
Recuerde siempre confirmar el modelo de
distribucin a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-83
3. DEFINICIN DE
PROYECTOS DE
CONFIABILIDAD
1-84
Objetivo
Propsitos:
Conocer las herramientas utilizadas en la identificacin
de proyectos de confiabilidad.

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

Aprender de un proyecto real la secuencia e integracin
de las herramientas para la identificacin de proyectos de
confiabilidad.


1-85
DMAIC Y Confiabilidad
1-86
Definicin Anlisis
Objetivo: determinar las
"X" vitales
Pruebas Estadsticas:
Comparacin de
Confiabilidad actual
contra propuesta:
Anlisis Paramtrico,
Anlisis No Paramtrico.
Diseo de experimentos
para eliminar X's.
Regresin de parmetros
Observacin de tiempos
de falla o degradacin de
Y
Medicin
Sistema de Medicin,
Calibrado, Lineal,
Estable, Gage RyR <
20%
Diseo para
Reproduccin de la falla
Identificar
Oportunidades: SCR,
Cambio de Proveedor,
Costos, Productividad,
Comparacin
Competitiva, 6s
Diagrama de Bloques
Funcionales de Producto
Diagrama de Relaciones
de Proceso
Identificar Confiabilidad
Actual: CTQs de proceso
y producto, tiempo de
misin, condiciones de
ambiente
Establecer Metas de
Confiabilidad: Nivel de
Confiabilidad R(t), tiempo
de misin (t), Nivel de
Confianza (1-a)
Identificacin inicial de
causas y efectos de falla,
AMEF inicial, jerarquizar
Xs
Elaborar Diagramas P de
condiciones de
operacin, ruidos
internos y externos
Medir Condicin 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, dispersin,
distribucin, MTBF,
parmetros, h(t), R(t), Z
Identificar los parmetros
relevantes del ruido
ambiental: Mximo,
mnimo, media,
dispersin, distribucin.
Objetivo: determinar la
Confiabilidad y
capacidad actuales
Determinar tipo de
observacin en la
confiabilidad: 1. pruebas
terminadas a tiempo
determinado, 2. Pruebas
terminadas a nmero de
fallas determinado 3.
Datos por intervalo de
tiempo 4. Aceleracin de
Pruebas por aumento de
carga
Mejora
Objetivo: determinar los
niveles de las "X"" vitales
Diseo de Experimentos,
Superficie de Respuesta,
Predicciones, Regresin
de Parmetros,
Optimizacin de funcin
Corrida de comprobacin
de la mejor solucin.
Verificacin Estadstica
Evaluar metas de Confiabilidad y de Capacidad de proceso.
Continuar, Modificar o Cancelar Proyecto
Control
AMEF definitivo, Plan de
Control, Documentacin
oficial
Entrenamiento del
personal involucrado,
Documentacin ISO,
Procedimientos,
Auditoras
Evaluar niveles de
capacidad y metas de
confiabilidad
comprometidas
FIN DEL
PROYECTO
En pruebas aceleradas:
Validar
Transformaciones para
la regresin del factor
acelerante
1-87
Diagrama de Bloques Funcionales
1-88
Qu es un Diagrama de Bloques Funcionales?
Un Diagrama de Bloques Funcionales
es una representacin grfica 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 realizacin de un
anlisis de modo y efecto de falla (AMEF).

Entender la relacin que guardan los subsistemas entre
s y el impacto de un cambio o ms en el sistema.

Construir grficamente los elementos funcionales de un
sistema y sus interrelaciones, complementar con la misin
crtica que corresponde a cada elemento en el sistema.
Para que utilizar el Diagrama de
Bloques Funcionales?
1-90
Pasos en la construccin de un
Diagrama de Bloques Funcionales:
1. Defina la funcin del sistema.

2. Defina los modos de operacin del sistema.

3. Liste los subsistemas (muestre los lmites de
referencia).

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

5. Defina las entradas y salidas de los subsistemas.

6. Defina la falla crtica 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 creacin de un diagrama de
relaciones ayuda a un grupo en el anlisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.

Cuando usarlo
Un tema complejo est siendo analizado por causas.
Una iniciativa compleja est siendo implementada.
Despus de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de rbol, para
explorar con mayor nfasis las relaciones de las ideas.
DIAGRAMA DE RELACIONES
1-93
Determinacin de Factores de Control y de Ruido
Diagrama-P
1-94
Qu es un Diagrama de Parmetros

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

Para desarrollar el plan de pruebas de confiabilidad.
Proporciona un enfoque disciplinado para la planeacin 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 ejecucin del AMEF y el diseo de
experimentos.
Para que utilizar el Diagrama de Parmetros:

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 desempeo 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 definicin de Factores de Control y de Ruido
3. Factor de Control. Un factor de control es aquel que puede ser controlado en la
produccin regular o un parmetro que puede ser especificado en un diseo.
Ejemplo, la temperatura de la soldadura en una mquina de soldar o la dimensin
de una parte en un diseo mecnico.

4. Factor de Ruido. Un factor de ruido es aquel que el equipo tcnico considera
costoso o imposible de controlar en la produccin 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
Anlisis 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 crticos del cliente
Estimar el riesgo de las causas especficas con respecto a estas
fallas
Evaluar el plan de control actual para prevenir que estas fallas
ocurran
Dar prioridad a las acciones que deberan efectuarse para mejorar
el proceso

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

Identifica las fallas en los planes de control

Conduce a hacer ms 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
atencin a los esfuerzos de mejora del proceso que son
benficos para el cliente

Usado para documentar los clculos de riesgo de la terminacin
de los proyectos y de las mejoras resultantes

Debe ser un documento dinmico, que est 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
Prevencin Deteccin
Deteccin
El Modelo AMEF
1-103
Definicin Modo de Falla
El Modo de Falla necesita ser claramente definido en
trminos de la operacin realizada
Ejemplos de Modo de Falla:

distorsin
fractura
tolerancia excedida
circuito abierto
corto circuito
descalibrado
Usar nmeros en donde sea posible
Definir el Modo de Falla antes de la Prueba
1-104
Ejemplo: Elemento Calorfico MLPL
1) Oxidacin del alambre
calentado, y disminucin
del cromado
MLPL nos dice cmo 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
degradacin, corrosin qumica
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 ms de un acelerador ( por ejemplo, voltaje,
vibracin, temperatura)
Seis Sigma / Enfoque Diseo 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 Parmetros

AMEF

Modo de Falla

Mecanismo de la Falla


1-108
4. OBSERVACIN DE FALLAS
1-109
Objetivo: Presentar alternativas de
Anlisis en funcin del Tipo de Datos
Propsitos:
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 Misin establecido
Estimacin de Parmetros
Interactuar con ReliaSofts Weibull++5.0 para el anlisis de
datos


1-110
Recoleccin de Datos
La Recoleccin 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 prediccin 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 duracin 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 artculos, se obtendrn
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 artculos 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 anlisis en una etapa intermedia antes de que se termine
la prueba, el resultado ser: 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 nmero
predeterminado de fallas.
Todas las unidades
sobrevivientes tienen los
mismos tiempos de
sobrevivencia y son iguales al
tiempo de falla de la ltima
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 report la
falla de la unidad 1, las otras
estaban trabajando. Las
unidades 4, 5 y 6 fueron
vendidas al cliente 2 y cuando se
report 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. As 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 mtodos de
anlisis para tales datos, as como
tambin para datos de censurado
simple, incluirn la informacin de
aquellas unidades que no fallaron
porque estaban funcionando en el
momento en que tenan que retirarse
de la prueba. Tal informacin agrega
usualmente precisin 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
especficos y son observadas sus
condiciones. Este tipo de datos
proviene tanto de pruebas de
campo como de laboratorio.
Es necesario aplicar el tipo de
anlisis correcto para un tipo dado
de datos con el objeto de obtener
la mayor informacin 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 estimacin 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 suspensin
A la izquierda
A la derecha

Datos por Intervalo; el tiempo de falla est basado sobre
un intervalo en el que se realiza la inspeccin
1-119
Sin Censura
Veamos un ejemplo simple, que nos guiar en la situacin
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 distribucin que modela su comportamiento.
Estimar los parmetros.
Grfica de probabilidad
1-120
Censura a la Derecha
(ejemplo 2)
Diez unidades idnticas fueron probadas para determinar su
confiabilidad a la misma aplicacin y a tres niveles de operacin. 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,
despus de 120 horas.Nos interesa determinar los parmetros de la
distribucin Weibull, su Funcin de Densidad y la Grfica de
Probabilidad, para su interpretacin.
tiempo
120
1-121
Con Censura introduciendo el concepto
Tiempo de Misin
En ocasiones nos interesa conocer la confiabilidad o la
no confiabilidad de unidades sometidas a pruebas para
un cierto tiempo de misin.
Siendo que el tiempo que se denomina de misin es una
decisin de negocio, resulta fundamental saber en que
medida los productos que fabricamos satisfacen la
decisin de negocio.
Utilizando la misma informacin del ejemplo 2,
preguntamos Cul es la confiabilidad de las unidades
para una duracin (tiempo) de misin de 226 horas,
iniciando el tiempo de misin en el T=0 ?
1-122
Con Censura introduciendo el
concepto de Tiempo de Misin
con un valor inicial diferente de
cero
Confiabilidad Condicional
Utilizando los datos del ejemplo 2, calcular la confiabilidad
para un tiempo de misin de t = 30 horas, iniciando la
misin al tiempo T = 30 horas?

Cul es el tiempo de garanta para lograr una
confiabilidad de 85%?
Tiempo de Misin
definida por el negocio

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


8218 . 0
8612 . 0
7077 . 0
) 30 , 30 (

= = hr hr R
% 18 . 82 ) 30 , 30 (

= hr hr R
) (
) (
) , (
T R
t T R
t T R
+
=
; tiempo de duracin de la misin
; tiempo de inicio de la misin
T
t
1-124
Anlisis de Datos Agrupados
El procedimiento de Anlisis de Datos Agrupados se
explica a travs de un ejercicio. La diferencia reside en
decir el nmero de estados que se presentan para cada
tiempo de falla, esta informacin se registra al realizar
las pruebas de confiabilidad. Dependiendo del
agrupamiento que se de a los datos ser el anlisis de
los mismos.
Los datos se presentan en la siguiente pantalla:
1-125
Estimacin Mxima Verosimilitud
Una caracterstica es que cada tiempo individual es
explcitamente usado en el clculo de los parmetros,
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 parmetros
muy diferentes, cules son las implicaciones en la
confiabilidad?
1-127
Mxima Verosimilitud o
Mnimos cuadrados?
Qu mtodo preferir?
La respuesta es: depende
Para muestras pequeas MLE es mejor
RR da una medida del ajuste de los datos a la distribucin con
el coeficiente de correlacin. Un mal ajuste alerta sobre la
posibilidad de mltiples modos de falla. Esto se puede
identificar en la grfica lineal, cosa que en MLE es ms difcil
por la forma de graficar una solucin
1-128
Datos Agrupados, enfatizando su Distribucin y
Funcin

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 fall a las 500
horas, y 2 unidades fallaron a las 600 horas.

Utilizar la distribucin exponencial y estimar sus parmetros.
Generar la Grfica de Probabilidad Exponencial.
Generar la Grfica de Confiabilidad contra Tiempo de Falla
Obtener la Grfica de la Funcin de Densidad de
Probabilidad
Obtener la Grfica que relaciona la Tasa de Falla contra el
Tiempo
Ejemplo 4
1-129
Parmetros de la Distribucin Exponencial
1-130
Grfica de
Probabilidad
Exponencial
Confiabilidad
contra tiempo
1-131
Funcin de Densidad
de Probabilidad
Grfica 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
Distribucin 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 parmetros de la Distribucin y en particular utilizar
como el mtodo de estimacin de los Parmetros Regresin
del Rango sobre la X
Grfica de Probabilidad para los datos.
Grfica de la Funcin de Densidad de Probabilidad
Ejemplo 5
1-133
Pasos en la solucin del ejemplo caracterizado
por una Distribucin Normal
1. Seleccionar el
tipo de datos
2. Vaciar los datos
1-134
3. Seleccionar la
Distribucin Normal
y regresin del
Rango sobre la X
para estimacin de
los parmetros
4. Funcin
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27
1-135
5. Grfica 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 misin 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 estimacin puntual de la confiabilidad:
R(t=11,000) = 0.9031
Y la estimacin 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 estimacin puntual de la vida media:
Vida Media= 12,751.7
Y la estimacin 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
continuacin
Nmero en
Estado
ltima
inspeccin 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
parmetros
de una
Weibull de 2
parmetros
usando MLE
y obtenga el
grfico de la
funcin 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 ms comn en la prctica.
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 misin 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 podra 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
Parmetros de las Distribuciones de Probabilidad:
- Weibull
- Exponencial
- Normal
- Lognormal

1-143
Mtodos de Estimacin de Parmetros:

- Regresin del Rango sobre X
- Regresin del Rango sobre Y
- Mtodo de Estimacin de Mxima Verosimilitud

Grficas Especiales
- Funcin de Distribucin Acumulada
- Grfica de Probabilidad
- Funcin de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
Intervalos de confianza para la confiabilidad

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

1-145
Agenda
Introduccin
Mtodos No-paramtricos
Mtodos Paramtricos
Planear Pruebas
1-146
Tpicos cubiertos
Pruebas de Demostracin de Confiabilidad
Resultados de pruebas
Planeacin de pruebas
Pruebas No-Paramtricas
Prueba de Rachas exitosas
Prueba de Porcentaje Superviviente
Prueba de Mann-Whitney
Pruebas Paramtricas
Caso Exponencial
Caso Weibull
Planear Pruebas
Caso Exponencial
Weibull sin fallas
- Introduccin
1-147
Tpicos no cubiertos
Pruebas de Crecimiento de Confiabilidad
v.g., Modelos Duane, Modelos Gompertz

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

Muchos otros mtodos no-paramtricos
v.g., Prueba de Rachas Wald-Wolfowitz, Pruebas
Binomial-Pearson

Muchos otros mtodos paramtricos
v.g. Pruebas de Muerte Sbita, SPRTs
- Introduccin
1-148
No-paramtricas
Usadas cuando la distribucin subyacente de los
tiempos para falla no se conoce
No se conocen los parmetros de la distribucin o
pueden estar supuestos
Insuficientes unidades de prueba disponibles para
determinar la distribucin subyacente

No tienen una potencia tan alta para hacer una
decisin correcta como una prueba paramtrica.
La potencia aumenta con el tamao de la muestra
Pudiera ser tan potente si los datos no siguen una
distribucin conocida
- No-paramtricas
1-149
Prueba de Rachas Exitosas

La duracin de la prueba est predeterminada

La duracin de la prueba debe igualar a la
duracin de la misin
El trmino exitoso de la prueba proporciona una
confiabilidad para esa duracin de prueba.
El valor de la confiabilidad no puede ser determinado
para cualquier otra duracin
Los mtodos presentados despus intentan atender esto

Requiere que todas las unidades sobrevivan
para la duracin (no se permiten fallas)
Todas las unidades son exitosas, de ah el nombre de la
prueba
- No-paramtricas
1-150
Prueba de Rachas Exitosas

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

R
L1
(t) = (1-CL)
1/N

R
L1
(t) = lmite inferior de confianza, para intervalo de un
solo lado, para la confiabilidad de una misin de duracin t
CL = nivel de confianza (en decimales, esto es, 0.90 y no
90 para un 90% de confianza)
N = tamao de muestra
nmero de unidades probadas para una duracin t sin
falla
nmero de misiones exitosas terminadas por una
unidad
- No-paramtricas
1-151
Prueba de Rachas Exitosas

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

Dado un requerimiento de confiabilidad para algn
tiempo y nivel de confianza especificados, la
ecuacin se puede arreglar para determinar el
tamao de muestra requerido


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

Solucin
R
L1
(t) = (1-CL)
1/N

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

Qu puede decirse acerca de la confiabilidad
para 20 aos basndose en este anlisis?
- No-paramtricas
LMITE INFERIOR UNILATERAL DE CONFIABILIDAD
N = 10 piezas que completan prueba sin falla
CL = 0.9 valor de confianza
t = 10 aos
R
L1
= 0.79432823 Lmite 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 aos de
servicio con 90% de confianza. Cuntas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?

Solucin


R
L1
(10 aos) = 90%, 0.90
CL = 90%, 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-paramtricas
1-154
Prueba de Porcentaje-Superviviente

La duracin de la prueba est predeterminada

La duracin de la prueba deber igualar a la
duracin de la misin
Completar exitosamente la prueba provee una
confiabilidad para esa duracin de la prueba
El valor de la Confiabilidad no puede ser determinado
para cualquier otra duracin
Los mtodos presentados despus tratarn de atender
esto.

No requiere tiempos de falla, slo el nmero de
fallas ocurrido
Las unidades falladas no se reemplazan
- No-paramtricas
1-155
Prueba de Porcentaje-Superviviente

Estimado de confiabilidad para una prueba cuya
duracin est predeterminada


El lmite inferior de confianza, de un solo lado,
para la confiabilidad de una prueba cuya duracin
est predeterminada


donde F = punto de porcentaje superior de la distribucin F
tal que el rea 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-paramtricas
1-156
Prueba de Porcentaje-Superviviente
Ejemplo para una prueba cuya duracin est
predeterminada
Dado que 20 motores se probaron 500 horas y 2
motores fallaron durante esta prueba, Cul es el
lmite 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-paramtricas
LMITE 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 nmero de piezas falladas
F(1-o;2r+2;N-2r) = 1.94454941 Percentil de distrib. F tal que el rea a la izquierda = (1-o)
t = 500 horas
R
L1
= 0.75523478 Lmite inferior unilateral de confiabilidad
Rmedia = 0.9
En EXCEL
Archivo
Cap 5.xls
1-157
Prueba de Porcentaje-Superviviente

Ejemplo para una prueba cuya duracin est
predeterminada (continuacin)
Cul sera el lmite 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-paramtricas
1-158
Prueba de Porcentaje-Superviviente

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



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



donde F = punto de porcentaje superior de la distribucin F tal
que el rea 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-paramtricas
1-159
Prueba de Porcentaje-Superviviente

Ejemplo para una prueba terminada al ocurrir la
r-sima 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, Cul es el lmite
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-paramtricas
LMITE 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 nmero de piezas falladas
F(1-o;2r+2;N-2r) = 1.95501215 Percentil de distrib. F tal que el rea a la izquierda = (1-o)
t = 500 horas
R
L1
= 0.74349324 Lmite 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 slo en sus medias
No se requieren los tiempos exactos de falla
Slo se necesita saber el orden en que la muestra
combinada fall
No requiere tamaos de muestra iguales
Muchas pruebas de comparacin no-paramtricas requieren
observaciones apareadas o tamaos de muestra iguales
- No-paramtricas
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 estn 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-paramtricas
Abrir el archivo dosmfr.MTW
1-162
- No-paramtricas
Prueba de Mann-Whitney
1-163
- No-paramtricas
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
Revisin del procedimiento
Obtenga 2 muestras y pngalas 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
Seale 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 hiptesis alternativa es no igual , mayor que,
menor que
Marque OK
En la ventana de Sesin tiene los resultados:
La prueba de hiptesis 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 Hiptesis nula con
alfa de 5%
- No-paramtricas
1-165
Resumen No-paramtrico

Prueba de Rachas Exitosas
Usado para obtener un lmite de confianza inferior unilateral
sobre la confiabilidad
El tamao de muestra N debe ser probado el tiempo de
duracin de la misin sin fallas

Prueba de Porcentaje-Superviviente
Usado para obtener un lmite de confianza inferior, unilateral
de la confiabilidad
El tamao de muestra N probado para la duracin de la
misin con fallas permitidas
Los tiempos de falla no se necesitan conocer, slo el
nmero de fallas

Prueba de Mann-Whitney
Usada para comparar la confiabilidad de dos muestras
Permite tamaos de muestra desiguales
Todas las unidades probadas hasta fallar; necesita slo el
orden de las fallas
- No-paramtricas
1-166
Paramtricas
Usadas cuando la distribucin subyacente de
los tiempos para fallar se conoce o puede ser
supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., MIL-HDBK-
217)
Conocimiento Ingenieril del mecanismo de falla
Tiene ms poder para hacer una decisin
correcta que las pruebas no-paramtricas
Puede ser ms incorrecta si la distribucin verdadera
es diferente que la distribucin, o los parmetros de
distribucin supuestos.
Rinde informacin ms precisa que los
mtodos no-paramtricos
Los intervalos de confianza son ms amplios usando
no-paramtricas
Permite extrapolar fuera del rango de los datos
- Paramtricas
1-167
Dos distribuciones cubiertas
Exponencial

Weibull

Estas dos tienen ms aplicacin a nuestro negocio.
- Paramtricas
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

Estimacin de MTBF
Lmites de Confianza de MTBF

Terminada por Fallas, con y sin reemplazos
La prueba se detiene cuando la falla r
sima
ocurre
Estimacin de MTBF
Lmites de confianza de MTBF
- Paramtricas
1-169
Pruebas Exponenciales
Definiciones
= tasa de falla
MTBF = tiempo medio entre fallas (mean time between
failures) = 1/
m = estimado de MTBF
N = tamao de muestra
td = duracin de prueba
Ta = horas de prueba acumuladas = Ntd
r = nmero de fallas
CL = nivel de confianza = 1 - o
donde o es el riesgo de hacer una decisin equivocada
- Paramtricas
1-170
Exponencial
Pruebas terminadas por tiempo sin reemplazo

Estimado de MTBF




Lmite inferior de confianza, unilateral, de MTBF, m
L1





Por qu 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 ; ;
- Paramtricas
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. Cul es la estimacin de m y un lmite
inferior de 95% de confianza unilateral de m?.Cunto
es el estimado de la confiabilidad para una misin de
500 horas? Cul es el lmite inferior unilateral de 95%
de confianza para una misin de 500 horas?






- Paramtricas
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): Cunto es el estimado de
confiabilidad para una misin de 500 horas? Cul es el
lmite inferior unilateral de 95% de confianza para una
misin de 500 horas?
El estimado de R(t) est asociado con el estimado de
MTBF, y el lmite inferior de confianza de R(t) est
asociado con el lmite 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
- Paramtricas
Estamos 95% confiados que la confiabilidad para estas
unidades excede 73.5% para una misin de 500 horas
1-173
Exponencial pruebas terminadas
por tiempo sin reemplazo
Abra tsinr.wdf
Marque distribucin
exponencial con un
parmetro
Elija MLE,
estimacin de
mxima verosimilitud
Marque el botn de
clculo de
parmetros
Seale el botn de la
Calculadora
1-174
Aparece la
Calculadora
Marcar Option,
Other Calculations
Seale:
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
lmite inferior unilateral de 1622.9
Ahora marque Std Prob Calculations
Escriba en Mission End Time: 500
Sealando 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
- Paramtricas
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 nmero 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 idnticas. Las restantes
7 continuaron hasta las 1500 horas sin fallar. Cul
es la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de
la confiabilidad para una misin de 500 horas? Cul
es el lmite inferior unilateral de 95% de confianza
para una misin de 500 horas?
Estimacin de MTBF
m = Ntd/r = Ta/r

lmite inferior, unilateral de confianza de MTBF, m
L1




- Paramtricas
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)

Estimacin de MTBF
m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas

lmite inferior, unilateral de confianza de MTBF, m
L1




donde _
2
o;2r+2
= _
2
0.05;2(3)+2
= 15.507
- Paramtricas
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 (continuacin): Cunto es el estimado de
confiabilidad para una misin de 500 horas? Cul es el
lmite inferior unilateral de 95% de confianza para una
misin de 500 horas?

El estimado de R(t) est asociado con el estimado de
MTBF y el lmite inferior de confianza de R(t) est
asociado con el lmite 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
- Paramtricas
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 lmite inferior, unilateral, de confianza de
MTBF



Puede obtener un lmite inferior, unilateral de confianza de
confiabilidad
R
L1
(t) = exp(-t/m
L1
)
- Paramtricas
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. Cul es
la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de la
confiabilidad para una misin de 500 horas? Cul es el
lmite inferior unilateral de 95% de confianza para una
misin de 500 horas?
Aqu podemos usar CL = 50% para obtener un estimado
y un CL = 95% para obtener los lmites de confianza
inferiores unilaterales
- Paramtricas
1-182
Exponencial
Caso especial cuando no se observan fallas

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



- Paramtricas
( )
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 (continuacin): Para obtener el lmite 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( . )
- Paramtricas
1-184
Exponencial
Caso especial cuando no se observan fallas

Ejemplo (continuacin): Para estimar la confiabilidad y el
lmite 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 misin

Para el lmite 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 misin

- Paramtricas
1-185
Dos distribuciones cubiertas

Hemos visto la
Distribucin Exponencial

Ahora, cubriremos la
Distribucin Weibull

Estas dos tienen la mayor aplicacin en nuestro
negocio
- Paramtricas
1-186
Distribucin Weibull
mientras la pdf exponencial modela las
caractersticas de vida de los sistemas, la Weibull
modela las caractersticas de vida de
componentes y partes

modela fatiga y ciclos de falla de slidos

muy adecuado para datos de vida
la pdf Weibull es una distribucin de los elementos ms dbiles de
una muestra

muy flexible y puede tomar muchas formas
diferentes
- Paramtricas
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 caracterstica, q
Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del
mecanismo de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < | < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < | < 5

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

El lmite inferior, de confianza unilateral de la Vida Caracterstica
es




Si no hay fallas, entonces



- Paramtricas

;
q
_
|
o
|
=

=
+

2
1
2 2
2
1
T
i
i
N
r

ln( )
q
|
|
=


`
)
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 lmite inferior, unilateral de confianza de la
confiabilidad

R
L1
(t) = exp{-(t / q
L1
)
|
- Paramtricas
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 distribucin
Weibull con pendiente | = 1.5, Cul es el lmite inferior
unilateral de 95% de confianza de q? Cul es el lmite inferior
unilateral de 95% de confianza de la confiabilidad para una
misin de 500 horas?
- Paramtricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
15
1
15
1
10 1500
1 0 95
3350 =


`
)
=


`
)
=
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

- Paramtricas
Abrir el archivo tsinf.wdf
Pida el anlisis Weibull para dos parmetros
1-192
Weibull
Caso especial cuando se observaron pocas o ninguna
falla

Ejemplo (continuacin): Cunta influencia tiene el supuesto
de la pendiente?

Supongamos una pendiente de 1.25
- Paramtricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
125
1
125
1
10 1500
1 0 95
3934 =


`
)
=


`
)
=
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 (continuacin): Cunta influencia tiene el supuesto
de la pendiente?

Supongamos una pendiente de 1.75
- Paramtricas

ln( )
( )( )
ln( . )
.
.
q
|
|
L
d
Nt
CL
1
1
175
1
175
1
10 1500
1 0 95
2987 =


`
)
=


`
)
=
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 (continuacin): Cunta influencia tiene el supuesto
de la pendiente(resumen)?
- Paramtricas
| = 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 ms potencia si
se puede suponer una pendiente de Weibull > 1
}
No mucha influencia
en este caso
| = 1 es exponencial,
ms conservador
1-195
Weibull
Caso especial cuando se observaron pocas o ninguna
falla

Ejemplo (continuacin): Cunta influencia tiene el supuesto
de la pendiente? Qu pasa si yo estimo exageradamente la
pendiente Weibull, y supongo una pendiente de 3?
- Paramtricas

ln( )
( )( )
ln( . )
q
|
|
L
d
Nt
CL
1
1
3
1
3
1
10 1500
1 0 95
2242 =


`
)
=


`
)
=
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
ser 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 est 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 nmero permisible de fallas para una prueba cuya
duracin 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 estn permitidas las fallas




Permite la negociacin entre tamao de muestra y
duracin 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 misin de 500 horas
con 95% de confianza (inferior, unilateral). Dado que no
se permiten fallas, Cuntas 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 (continuacin):





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

N = 20 probadas por 7452 horas sin fallas lograr
tambin 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 (continuacin): Si estamos limitados en el
nmero de unidades que podemos probar (debido a la
disponibilidad de lugar, costo o disponibilidad unitario,
etc.) a N = 8, Cunto 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 (continuacin): Qu pasa si permitimos una falla
durante la prueba y esta es remplazada. Cunto 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 demostracin, no una prueba
de crecimiento
Las pruebas de crecimiento deben tener fallas
Necesario suponer una pendiente Weibull
Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del mecanismo
de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < | < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < | < 5

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

Recuerde la ecuacin para estimar la vida
caracterstica sin fallar



Recuerde la ecuacin de confiabilidad Weibull
- Planear Pruebas

ln( )
q
|
|
=


`
)
Nt
CL
d
1
1
R t
t
( ) exp =
|
\

|
.
|

(
(

q
|
1-206
Planear Pruebas para la Weibull sin Fallar

Substituyendo la primera ecuacin en la segunda
ecuacin y solucionando para N, el tamao de
muestra



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

|
.
|


`
)
|
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 misin de 500 horas con un 95% de
confianza (inferior, unilateral). Para este ejemplo, supongamos
que es un balero que histricamente ha tenido una pendiente
Weibull de 1.5. Dado que no se permiten fallas, Cuntas
unidades debo de probar por cuanto tiempo para lograr este
requerimiento?




Entonces , si hay 1500 horas de prueba disponibles, seran
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
=
|
\

|
.
|


`
)
=
|
\

|
.
|


`
)
=
|
\

|
.
|
|
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 (continuacin):
Qu pasa si hay slo 25 lugares de prueba disponibles,
o sea., Cunto tiempo necesitarn las 25 ser probadas
sin fallar para lograr el requerimiento?
- Planear Pruebas
N
t
t
CL
R t t
t
d d d
d
=
|
\

|
.
|


`
)
=
|
\

|
.
|


`
)
=
|
\

|
.
|
=
|
\

|
.
|
=
|
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 (continuacin):
Cmo se compara este ltimo 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 tcnica No-paramtrica puede ser rpida y fcil
Lo bastante exacta para hacer un juicio de ingeniera
Puede ser potente si los tamaos de muestra son
bastante grandes
Apropiadas si nada se conoce
Paramtricas - Exponencial
Ms potentes que las no-paramtricas
Permiten negociar entre tamao de muestra, CL,
nmero de fallas permisibles, confiabilidad
Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
La estimacin ms conservadora
Resumen
1-211
Paramtricas - Weibull
Ms potentes que las no-paramtricas y que
suponer exponencial
Necesario suponer una pendiente Weibull
Necesita justificarse por datos previos, conocimiento de
los mecanismos de falla, etc.
Permite negociar la duracin de la prueba y el
tamao de muestra para una confiabilidad y
confianza dadas.
Disminuir el tiempo total de prueba requerido
para demostrar un requerimiento
Resumen
1-212
Planear Pruebas
Cubiertas slo las estadsticas de pruebas de
demostracin
Necesita asegurarse que la prueba puede duplicar
los mecanismos de falla experimentados en el
campo
Experiencia con partes regresadas, AMEFs, Diagramas-
P, etc
Dada una prueba apropiada, necesita definir
tamao de muestra, duracin de prueba, nmero
de fallas permisibles, etc., que logren el
requerimiento de confiabilidad
Resumen
1-213
6. PRUEBAS ACELERADAS
1-214
Objetivo:
Propsitos:
Presentar el concepto de prueba acelerada
Conocer los modelos para transformar los
esfuerzos
Uso de los paquetes estadsticos para predecir
con modelos de aceleracin.
1-215
Para ahorrar tiempo!
Los resistencias elctricas 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 lograrn los requerimientos, y sabemos que la informacin
ms valiosa viene de probar hasta que falle, si una resistencia forrada
se prueba en voltaje nominal, la prueba podr durar muchos meses.
Sin embargo, si el voltaje es elevado por encima del nominal, el
tiempo de prueba puede ser reducido.
Para qu acelerar
las fallas?
1-216
Problema
Cmo 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
Solucin
Elija un porcentaje particular de falla y
ajuste la curva de regreso a las
condiciones nominales para tener una
prediccin 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 ms bajo tan cercano al
nominal como sea posible
Corra las partes para fallar y ajuste con
una ecuacin paramtrica los datos de
falla.
1-218
Informacin de Falla por Prueba
Acelerada
Sobre-esforzar a los productos para obtener
fallas rpido es quizs la forma ms antigua
de Pruebas de Confiabilidad.
Usualmente No se
obtiene
informacin sobre
la distribucin de
la vida
(Confiabilidad)
1-219
Informacin de Falla por Prueba
Acelerada
Una prueba
acelerada que slo
da Informacin de
Falla ( Modos de
Falla), comnmente
se llama Prueba de
Tortura, Prueba de
Elefante, Prueba
Cualitativa, etc.
1-220
Qu es una Prueba de Tortura?
Las pruebas de Tortura se realizan sobre
muestras de tamao pequeo y los
especmenes se sujetan a un ambiente
agresivo (niveles severos de esfuerzo)
Si el especimen sobrevive, pas 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 revelacin de
modos probables de falla
Cuestiones Sin Resolver
Cul es la Confiabilidad del Producto?
Los Modos de Falla sern los mismos que
ocurrirn durante la vida del producto bajo
uso normal?
1-222
La Aceleracin 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, est diseada para
proveer Informacin de la Confiabilidad del
producto, componente o sistema
Un Dato bsico es el Tiempo para Fallar
El tiempo para falla puede estar en cualquier
medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.
1-224
Qu es aceleracin fsica y
como se modela?
La Aceleracin Fsica significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos tpicos de uso, excepto que
suceden mucho ms rpido.
1-225
Factor de aceleracin
La falla se puede deber a la fatiga mecnica,
corrosin, reaccin qumica, difusin,
migracin, etc.
Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Slo cambia la
escala del tiempo.
Un Factor de Aceleracin es el multiplicador
constante entre los dos niveles de esfuerzo.
1-226
Factor de Aceleracin
Cuando hay verdadera aceleracin, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
Las transformaciones usadas comnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto slo tiene que
ser multiplicado por una constante (el factor
de aceleracin) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-227
Factor de Aceleracin
Relaciones Lineales de Aceleracin
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 Funcin de Densidad f
u
(t) = (1/AF)f
s
(t/AF)
Tasa de Falla
u
(t) = (1/AF)
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

u
(t): tasa de falla en uso
s
(t): tasa de falla en esfuerzo
AF: Factor de Aceleracin
Cada modo de falla tiene su propio factor de aceleracin. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleracin es relevante.
1-228
Factor de Aceleracin
Una consecuencia de las
relaciones lineales es que
El Parmetro de Forma para
los modelos clave de
distribucin 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 Grficas en escala de
Probabilidad de los datos de
diferentes condiciones de
esfuerzo se alinearn
aproximadamente paralelas.
1-229
Cules son los modelos de
aceleracin comunes?
Los modelos de Aceleracin predicen el
tiempo de falla en funcin del esfuerzo
Los factores de aceleracin 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 funcin del esfuerzo debiera ser
mejor que una coleccin de factores de aceleracin. Si escribimos t
f
=G(S),
donde G(S) es la ecuacin del modelo para un valor arbitrario de S, entonces el
factor de aceleracin 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 ms alto S
2
, obtener un nmero
suficiente de fallas para ajustar al modelo de distribucin de vida y evaluar las
tasas de falla. Despus se usa la Tabla de Relaciones Lineales de Aceleracin
para predecir lo que pasar en el nivel de esfuerzo menor S
1
.
1-230
Cules son los modelos de
aceleracin comunes?
Los modelos de aceleracin se derivan a
menudo de modelos fsicos o cinticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como funcin de los esfuerzos de
operacin se conoce como Modelo de Aceleracin
Se presentarn varios modelos tiles:
Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Modelo Coffin-Manson de Crecimiento de Fracturas Mecnicas
1-231
Arrhenius
El Modelo de Arrhenius predice la
aceleracin de las fallas debido al aumento
de temperatura
Uno de las primeras transformaciones y la de ms xito
para predecir como vara el tiempo de falla con la
temperatura
)
`

A
=
)
`

A
=
2 1
1 1
exp
exp
T T k
H
AF
kT
H
A t
f
Donde: AF= Factor de Aceleracin
T= temperatura K (273.16+C)
k = Constante de Boltzmann (8.617E-05 eV/K)
AH = Energa de Activacin
A = Constante de escala (se elimina en AF)
1-232
Arrhenius
Ejemplo
El Factor de Aceleracin AF entre
25C y 125C, 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 terica
en la qumica y en la mecnica cuntica y se
puede usar para modelar la aceleracin
cuando muchos esfuerzos estn involucrados
)
`

|
.
|

\
|
+ +
|
.
|

\
|
+ +
A
=
)
`

|
.
|

\
|
+ +
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 = Energa de Activacin; A , B, C D, E= Constantes de escala;
S
1
y S
2
Esfuerzos diferentes
1-234
Otros Modelos
Modelos tiles 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 Mecnico 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 Electromigracin
Modelos de tres esfuerzos
(Temperatura, Voltaje, Humedad)
Modelo de crecimiento de Fisuras Mecnicas
1-236
Datos + Distribucin + 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
encontrar bajo condiciones normales
1-238
Distribucin
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 Distribucin
apropiada de vida
Exponencial

Weibull

Lognormal
1-239
Elija un Modelo
seleccione un modelo (o genere) un modelo que
describa una caracterstica de la distribucin de un
nivel a otro
?
Esfuerzo
de uso
Esfuerzo
alto 1
Esfuerzo
alto 2
Esfuerzo
alto 3
1-240
Qu Caracterstica de la
Distribucin?
Vida Caracterstica, Parmetro de la Distribucin,
(Media, Mediana, R(t), F(t), , |, q, , 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 Distribucin Weibull con q(s) como una funcin del esfuerzo
1-241
Parmetros comnmente usados
como una Funcin del Esfuerzo para
diferentes distribuciones de vida
Exponencial Media o Velocidad de Falla)
Weibull (Parmetro de Escala)
El parmetro de forma usualmente se supone constante
Lognormal (Ln - Media o Mediana)
El parmetro de Ln - Desviacin Estndar usualmente se
supone constante
1-242
Formar un nuevo modelo que incluya
tanto el modelo de la distribucin y el
de aceleracin
Relacin 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 Parmetros 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 parmetros |, K y n son
estimados, las predicciones de vida pueden
hacerse para diferentes t y S
1-244
Estimacin de Parmetros
La estimacin de parmetros puede variar de ser
trivial (con muchos datos, un solo esfuerzo constante, una
distribucin simple y un modelo simple) a ser una tarea casi
imposible
Mtodos Disponibles
Grfico
Mnimos Cuadrados
MLE
1-245
Cmo elegir un modelo
apropiado de aceleracin fsica?
Elegir un modelo de aceleracin fsica es
similar a elegir un modelo de distribucin de
vida.
Primero identifique el modo de falla y que
esfuerzos son relevantes (o sea que
acelerarn 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 mecnica)
aplican a mecanismos de falla qumicos o
electrnicos ya que la temperatura es casi
siempre una carga relevante para estos
mecanismos. El modelo Arrhenius es casi
siempre una parte de cualquier modelo ms
general.
El modelo Coffin-Manson trabaja bien para
para muchos mecanismos relacionados con
la fatiga mecnica
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 podra ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este ms all de un valor de cambio. Un
modelo para mecanismo dependiente de
temperatura con un cambio en T = T
0
podra 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 aceleracin
1-248
Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operacin se espera que tenga ms de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razn, se decidi correr una prueba acelerada. La temperatura de operacin
para este producto es 323K (50C)y la temperatura es la nica variable de
aceleracin.
Se desea determinar los parmetros de una Weibull de 2 parmetros en cada
nivel de esfuerzo, usando la Regresin sobre X de los Rangos
Estimar los parmetros para el modelo de Eyring
Calcular la Confiabilidad de la unidad para una duracin de misin de 9,000
horas, comenzando en T=0 y a temperatura de operacin 323K
Abra el archivo Eyring.wdf
1-249
Ejemplo1
Una vez abierto el
archivo calcule los
parmetros 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 Identificacin
para extraer los datos
1-250
Ejemplo1
Aparece la siguiente
Ventana, los tres
niveles de la
temperatura estn
como Identificaciones
disponibles de los
subconjuntos
Ahora
seleccionamos los
tres para generar
los tres
subconjuntos, uno
para cada
temperatura
Tambin se
puede hacer
doble clic sobre
los
seleccionados,
para sealarlos
Marque Action Preferences for Subsets
1-251
Ejemplo1
La ventana de Preferencias de Accin
para los Subconjuntos tiene como valor
previsto el Clculo de los parmetros
para los subconjuntos seleccionados.
Marque OK, 2 veces
Se generaron tres
subconjuntos, uno para
cada identificacin
Para cada uno se
calcularon los parmetros
de la Weibull de 2
Inserte una Hoja General en el Folio de Datos
1-252
Ejemplo1
Capture los
valores de los
parmetros
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, ah se
copiarn los valores de Esfuerzo y de Eta, como X y Y.
Para Hacerlo seale con el cursor los valores y rtulos
de esfuerzo y Eta, a continuacin 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
Lmite inferior,
Estimado y
Lmite superior
para A y B
1-255
Ejemplo1
Los valores
para los
valores Lmite
y Estimacin
de A y B
debern
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
estn en la
columna
Solucin.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)
Seale y copie el recuadro para pegarlo en la hoja general.
1-257
Ejemplo1
La Hoja
general
quedar 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 B
segn
corresponda
1-259
Ejemplo1
Frmula
de Eyring
Frmula
en C25
Llene las columnas A y B como se muestra, con los valores de Temperatura
Escriba en C25 la frmula = (1/B25)*exp(-(A-(B/B25))), Cpiela
El valor de Eta para una Temperatura de uso de 323 es 17933.85
Ahora se calcular 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 frmula =EXP*(-((A47/$B$42)^$B$41)), Cpiela
A las 9,000 horas en temperatura de 323K la confiabilidad es 94.69%
Confiabilidad a
las 9,000 horas
1-261
Anlisis de vida acelerada
El anlisis de datos de vida acelerada se
efecta por medio de regresin
La regresin para vida acelerada construye
un modelo que predice tiempos de falla
Las instrucciones en Regresin para
Confiabilidad en Vida Acelerada indican que
puede aceptar diferentes modelos de
distribucin y admite datos censurados
Minitab usa Mxima Verosimilitud para
estimar los parmetros 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 regresin simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
Para regresin con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o trminos anidados.
Cada columna deber estar en tal forma que cada rengln sea una observacin, o una observacin con
su correspondiente en una columna de frecuencias
Las columnas de frecuencias son tiles 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 elctricos. Los motores normalmente
trabajan entre 80 y 100C. Para ahorrar
tiempo y dinero, se decidi correr una prueba
de vida acelerada.
Primero se obtienen tiempos de falla para el aislamiento
en temperaturas ms altas - 110, 130, 150 y 170C -
para acelerar el deterioro. Con esta informacin, se
puede extrapolar a 80 y 100C. Se sabe que existe una
relacin 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)
estn los valores de
uso normal
1-265
Ejemplo 2
Seale
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 Grfica
de relacin, se
puede ver la
distribucin de
los tiempos de
falla para cada
nivel de
temperatura -
en este caso,
los percentiles
10, 50 y 90
El modelo de regresin estima los percentiles de la distribucin del
tiempo de falla: Y
p
= |
0
+ |
1
X +oc
p

Dependiendo de la distribucin, Y
p
=
ln(tiempo de falla), para Weibull, exponencial, lognormal y
loglogstica.
Tiempo de falla, para normal, valor extremo, logstica
donde: Y
p
= percentil p de la distribucin del tiempo de falla
|
0
= interseccin en Y (constante)
|
1
= coeficiente de regresin
X = valores del predictor (pueden estar transformados)
o = parmetro de escala
c
p
= percentil p de la distribucin 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 grfica le
permite evaluar si
la distribucin
seleccionada
ajusta a los datos.
En general, entre
ms cercanos
estn los puntos
a la lnea
ajustada, mejor
es el ajuste.
El valor de la distribucin del error c
p
, depende de la distribucin seleccionada
Para la Weibull y la exponencial, MTB toma el logaritmo de los datos y usa la
distribucin 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 frmula que relaciona el tiempo de falla
en funcin de la temperatura:
ln(tiempo de falla) = -15.1874 + 0.83072(ArrTemp) +0.35403c
p

donde: c
p
= percentil (p) de la distribucin estndar 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 estimacin de duracin del aislamiento en el campo a 80C, el aislamiento durar alrededor
de 159,584.5 horas o 18.20 aos, a 100C el aislamiento durar alrededor de 36,984.57 horas o 4.21 aos
1-269
Precauciones y Peligros al
determinar el Factor de Aceleracin
Al determinar el Factor de Aceleracin, tenga cuidado de ser
demasiado optimista.
Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
Podra 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
Aceleracin demasiado optimista..
La estimacin de un factor demasiado optimista, puede a su
vez resultar en la aceptacin 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 Funcin y Ambiente
3. Conducir / Interpretar Anlisis 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 tamao de muestra para cada nivel de
esfuerzo
8. Determinar donde ser corrida la prueba
9. Determinar el modelos de distribucin y aceleracin
10. Validar el sistema de medicin
11. Correr la Prueba
12. Graficar e interpretar los resultados
13. Ajustar el Modelo
14. Validar el Modelo
15. Determinar el Factor de Aceleracin 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 travs de las pruebas del sistema, subsistema
o componente en evaluacin a todos los involucrados de
manera fcil y rpida, as como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.

Alcance

Este sistema es una herramienta nicamente 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 Henningers 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 Henningers 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