Confiabilidad

CURSO DE CONFIABILIDAD P. REYES / DIC.
2006
CURSO DE CONFIABILIDAD
Elaboró: Dr. Primitivo Reyes Aguilar
Diciembre de 2006
Página 1
CURSO DE CONFIABILIDAD P. REYES / DIC. 2006
CONTENIDO
1. Introducción a la confiabilidad
2. Distribuciones de probabilidad
3. Modelos de distribuciones de probabilidad para el tiempo

de falla
4. Estimación de parámetros del modelo
5. Determinación de la confiabilidad
6. Pruebas de vida aceleradas
7. Confiabilidad de sistemas
8. Mantenabilidad y disponibilidad
Página 2
MÉTODOS DE CONFIABILIDAD
INTRODUCCIÓN
Los Requerimientos de confiabilidad se establecen en la fase desarrollo de

ingeniería. Las actividades pueden incluir: colección de datos, análisis de fallas,
acciones correctivas y establecimiento de metas de confiabilidad. En las fases
de verificación y validación del diseño, se realizan actividades de control para
asegurar que se cumplan los requerimientos de confiabilidad establecidos. Los
datos de falla son analizados estadísticamente y se enfatiza el proceso de
planeación.
Fuentes de confiabilidad
Para establecer los requisitos de confiabilidad se pueden utilizar algunas de las

siguientes fuentes:
 Internas
o Políticas corporativas y organizacionales
o Sistemas de colección de datos para confiabilidad
o Metas de diseño de confiabilidad del producto
o Predicción de la confiabilidad
o Procedimientos de prueba de la confiabilidad
 Externas
o APQP
o Programas de confiabilidad para sistemas y equipos – MIL-STD-
785
o Kit de herramientas de la confiabilidad de la USAF
o Requerimientos del consumidor sobre la confiabilidad del
producto
o Evaluación del desempeño de confiabilidad de la competencia
o Diagrama de flujo detallado del programa de confiabilidad
 Algunos web sites relacionados con la confiabilidad son:
o American National of Standards Association - ANSI www.ansi.org
o American Society for Qaulity - ASQ www.asq.org
o Automotive Industry Action Group - AIAG www.aiag.org
o Internacional Organization for Standarization – ISO www.iso.ch
o Society of Automotive Engineers www.sae.org
o Thoery of Inventive Problem Solving – TRIZ
www.personal.engin.umich.edu/ gmasur/triz/
o Formato de colección de datos de garantía – TMC
www.truckline.com
o Weibull www.barringer1.com/ www.weibullnews.com
www.reliasfot.com
Página 3
CONCEPTO
Planeación de la confiabilidad
Su propósito es ser proactivo anticipándose y verificando modos de falla y sus

causas en la fase de planeación del diseño, donde es más efectivo atender y
resolver los problemas, en lugar de apagar fuegos para resolver los problemas
solo después de que han aparecido.
Desarrollo del Programa de confiabilidad
El programa debe utilizarse como línea base que permita a los ingenieros de
aplicación determinar la profundidad y amplitu de acuerdo a las necesidades.
Función der Despliegue de Calidad (QFD)
Es un proceso que desarrolla una presentación visual de cómo se realizan las

interacciones del sistema de valores del cliente (voz del cliente) con relación al
diseño, proceso de desarrollo de ingeniería, y proceso de manufactura del
producto.
Benchmarking
Es un proceso de medición y comparación continua del desempeño de los

procesos de una organización, contra los de otras organizaciones, a nivel
global, para obtener información de prácticas, procesos, y métodos que ayuden
a la organización a mejorar su desempeño. Pueden incluir organizaciones
dentro y fuera del sector industrial.
Análisis y gestión del riesgo
Es un método proactivo que identifica si todos los recursos de la planeación,

desarrollo, y gestión del proyecto son adecuados para cumplir con los
requerimientos del proyecto. Permite que las consecuencias adversas se
resuelvan hasta un punto en que no tengan impacto significativo en el logro del
proyecto.
Diseño para Seis Sigma (DFSS)
Es un proceso que identifica, documenta, y asegura que los requerimientos de

los clientes internos y externos, sean comprendidos e integrados en la solución
de un producto o servicio. También ayuda a definir los atributos que los clientes
consideran “Críticos para la Calidad” (CTQs).
Metas de confiabilidad
Las metas se establecen en la fase de desarrollo del concepto, con base en la

voz del cliente por medio de QFD, DFSS, e historial de fallas.
Página 4
DISEÑO DE INGENIERÍA
Después de definir las metas de confiabilidad. Se identifican los problemas en

estas etapas tempranas y se corrigen antes de la producción masiva. La clave
es agregar la dimensión del tiempo mientras los productos están expuestos a la
posibilidad de falla, esto requiere probar en ambientes reales y simulando el
uso real del cliente.
Entre las herramientas disponibles se tienen: FRACAS, Diagramas de bloques

de confiabilidad, Análisis de degradación, Análisis de árbol de falla, Análisis de
criticalidad de riegos, Revisiones de diseño, De-gradación, HLAT/HAST, FMEA
de diseño, Modelo de crecimiento de la confiabilidad, y Análisis de datos de
vida de Weibull.
Sistema de Reporte de fallas, su análisis, y acción correctiva (FRACAS)
Es un sistema de bucle cerrado para iniciar el reporte, el análisis de fallas, y

retroalimentar acciones correctivas dentro del diseño, fabricación, y procesos
de prueba para promover la mejora de la confiabilidad a través del ciclo de vida
del producto.
Diagramas de bloque de confiabilidad
Indica las relaciones funcionales de confiabilidad entere componentes de un

ensamble y entre ensambles de un sistema. Las representaciones más
comunes son las relaciones en serie y las relaciones en paralelo. Los sistemas
complejos se pueden modelar combinando las relaciones serie y paralelo.
La combinación de confiabilidad en serie entre partes, representa la situación

donde todos los componentes necesitan funcionar correctamente para que el
ensamble funcione correctamente, si una parte falla, falla el sistema. Una
relación en serie es descrita con bloques conectados en serie.
Confiabilidad en serie de A y B = R(A) * R(B)
La confiabilidad en paralelo entre partes representa la situación donde

justamente una de las partes necesita funcionar adecuadamente para que le
ensamble funcione correctamente. La relación paralela es descrita como
bloques compartiendo las mismas entradas y salidas.
Confiabilidad en paralelo de A y B = 1 – [(1-R(A)) * (1-R(B))]
Análisis de degradación
Proporciona una estimación de de los modos de falla de componentes a largo

plazo que no pueden ser fácilmente duplicados en pruebas. Estos efectos
toman un largo tiempo en aparecer y normalmente pueden ser atendidos
revisando los datos históricos de confiabilidad y garantías de productos o
componentes similares.
Página 5
Análisis de árbol de fallas (FTA)
Los eventos catastróficos o significativos pueden requerir un análisis de árbol

de falla (FTA), que inicia con el evento significativo (en la parte superior), e
identifica causas asociadas intermedias (en medio) y finalmente las causas raíz
(en la parte inferior). Se pueden asociar probabilidades con cada evento
relevante en la estructura de árbol y combinando las probabilidades se
proporciona una forma de calcular la probabilidad de que ocurra el evento en la
parte superior.
Un FTA es un subconjunto de los eventos descritos en un análisis de FMEA.

Sólo los eventos que pueden causar el evento significativo se incluyen en el
árbol de fallas.
Análisis de criticalidad de riesgo
La asignación de categorías de criticalidad y probabilidades asociadas a cada

una de las posibilidades falla proporciona un análisis completo de riegos. Esto
normalmente se combina con el análisis de FMEA.
Un conjunto típico de categorías de criticalidad puede ser:
 Categoría 4: catastrófica – causa de muerte, falla en un sistema de

seguridad o falla en un sistema complejo
 Categoría 3: significativa – tal como accidente humano reportable OSHA
o périda mayor de parte de un sistema de seguridad
 Categoría 2. Menor – tal como interrupción temporal de un sistema no
relacionado con la seguridad
 Categoría 1 – Despreciable – tal como una indicación espuria de luces
indicadoras o bocinas.
Revisiones de diseño
Las revisiones de diseño preliminares (PDR) y revisión crítica de diseño (CDR)

coordinan los esfuerzos y reenfocan las prioridades.
La PDR se puede realizar después de que se termina el diseño conceptual.
La CDR se puede realizar después de que el diseño detallado está terminado y

antes de la manufactura, atendiendo los problemas de manufactura y
mantenabilidad.
Análisis de De-rating
Arroja resultados para proporcionar un factor de seguridad suficiente entre el

esfuerzo de la parte y su capacidad real. Los componentes protegidos con este
factor de seguridad se espera que tengan una vida más larga.
Página 6
Prueba de vida altamente acelerada (HALT)
Es una reproducción personalizad del ambiente real en el que el producto será

utilizado, donde puede ocurrir una falla en la vida relevante del producto. Sus
resultados pueden ser analizados por técnicas estadísticas, tales como los
análisis con las distribuciones de Weibull / log normal, junto con el
conocimiento del factor de aceleración para formar la base de predicción del
comportamiento en el campo.
El factor de aceleración es la razón del tiempo de vida en un ambiente real de

servicio al tiempo de vida de prueba.
A = factor de aceleración = Tiempo de vida en un ambiente de servicio real /

Tiempo de vida de prueba. Es más tardado que HAST.
Prueba de esfuerzo altamente acelerado (HAST)
Sobre esfuerzo del producto para inducirle fatiga, que causa falla y revela
debilidad, tiene la desventaja que las debilidades del producto pudieran no
ocurrir en la vida útil del producto.
Diseño para manufactura y ensamble (DFMA) / Metodlogía de integración

de sistema
La integración de sistemas en producción pueden ocasionar fallas que no se

presentan con componentes simples. Tales posibilidades deben ser
consideradas en el diseño preliminar. Los errores humanos tales como fallas en
ensamble pueden mitigarse con DFMA.
Análisis del Modo y Efecto de Falla de Diseño (FMEA)
Este método lista cada de una las partes funcionales en su nivel más bajo e
incluye todos los ensambles mayores. Es una auditoría de las posibilidades de
falla y las consecuencias de esas fallas en el siguiente nivel de ensamble.
Modelado del crecimiento de la confiabilidad
Los modelos de AMSAA (Duane) y otros modelos de crecimiento de la

confiabilidad llevan seguimiento de cambios de la confiabilidad en el tiempo.
Análisis de datos de tiempo de vida de Weibull
Con Weibull se pueden medir los tipos de datos siguientes:
 “Datos estándar” – todos los tiempos de falla y suspensión son

conocidos.
 “Modos de falla mezclados o en competencia” – las fallas y tiempos de
suspensión son conocidos pero los modos de falla son desconocidos.
Página 7
 “Datos de intervalo, datos agrupados, o de inspecciones no destructivas”

– el tiempo de falla exacto no es conocido – solo el intervalo en el cual
ocurrío la falla es conocido.
 “Datos de inspección destructiva o quantiles” – cada observación es falla
o censurada.
VERIFICACIÓN Y VALIDACIÓN DEL DISEÑO
Como resumen de planeación y realización de actividades de pruebas con

objeto de asegurar que el diseño cumple con los requerimientos de
confiabilidad. Las disciplinas de solución de problemas son importantes para
identificar y resolver los modos de falla durante las pruebas.
Plan de verificación del diseño y reporte (DVP&R)
El plan describe el método de la actividad de prueba tanto para la verificación

como para la validación. El plan identifica el número y tipo de aspectos a ser
probados y los criterios para certificar que los resultados son aceptables.
Las estrategias de prueba consideran prueba por atributos versus variables y

tiempo versus truncado de fallas. Las pruebas pueden realizarse con o sin
reemplazo de artículos con falla. Se incluye la determinación estadística del
tamaño de muestra requerida para llegar a una decisión acerca de la hipótesis
nula establecida e intervalo de confianza.
Pruebas de confiabilidad
Las pruebas determinan la capacidad de un producto para cumplir con los

requerimientos de confiabilidad, sujetando al producto a un conjunto de
pruebas físicas, químicas, ambientales, o de condiciones de operación. Una
prueba de confiabilidad mide tanto la confiabilidad como la confianza bajo
diversas condiciones.
La información obtenida de estas pruebas se utiliza para estimar la

confiabilidad alcanzable dentro de los intervalos de confianza especificados.
Los resultados se comparan con las metas como base para toma de acciones
correctivas para mejorar la confiabilidad.
Entre las pruebas utilizadas para detectar modos de falla se encuentran:

pruebas funcionales, ambientales, aceleradas, de quemado, y confiabilidad en
vida útil.
Pruebas aceleradas
Las pruebas aceleradas se utilizan para recrear modos de falla conocidos o

conceptualizados en le laboratorio, acortando el tiempo de prueba al exponer al
producto a condiciones más severas de operación o ambientales que las
normales de uso.
Página 8
Técnicas de Shanin©
SU proceso de prevención se enfoca a identificar y eliminar enlaces débiles de

alto riesgo antes de la manufactura del producto, se hace en tres etapas:
 Comprensión de cómo se diseña el producto para su función y como

puede fallar en esa función.
 La confirmación de la relación entre las especificaciones del producto y
las tolerancias de manufactura.
 Se aplican métodos de prueba acelerados y de sobre esfuerzo para
asegurar la confiabilidad del producto.
Diseño experimentos (DOE)
El DOE se refiere a la planeación, realización, análisis e interpretación de

pruebas controladas, para evaluar los factores que controlan el valor de un
parámetro o grupo de parámetros.
La lista siguiente identifica conceptos que pueden ser considerados para

diseñar experimentos efectivos:
 Conceptos estadísticos de DOE

 Pruebas de hipótesis
 Modelado de medias y desviaciones estándar
 Tipos de respuestas – variables y atributos
 Tamaños de muestra y potencia
 Experimentos simples comparativos
 Experimentos de un factor
 Bloques aleatorizados, Cuadrados latinos y diseños relacionados
 Diseños factoriales y fraccionales de dos niveles
 Bloqueo
 Alias / confusión
 Resolución
 Experimentación secuencial / Desaliasing / Diseños desdoblados
 Diseño factoriales y fraccionales de tres niveles y niveles mezclados
 Diseño anidados
 Ajuste de modelos de regresión
 Métodos de superficie de respuesta
 Diseños de Taguchi
 Determinación de la muestra para diferencias discriminantes
 Necesidad de aleatorización y métodos
 Características experimentales de diseño
 Análisis de correlación y regresión
 Análisis de varianza
 Diseños factoriales completos y fraccionales
 Operación evolutiva (EVOP)
Página 9
VERIFICACIÓN Y VALIDACIÓN DEL PROCESO
Muchos de los métodos de verificación y validación del diseño también se

aplican a los procesos. Con lo problemas típicos de arranque como falta partes,
errores humanos y cambios en los requerimientos de los clientes requiere que
el desempeño del producto se pruebe en lotes pequeños.
Plan de verificación y reporte (PVP&R
El propósito es identificar cambios sistémicos que puedan resultar de

variaciones en el proceso durante la transición de diseño a producción. Se
toman unidades de la producción piloto para su validación y verificación en
confiabilidad y durabilidad de acuerdo a especificaciones. Las diferencias
pequeñas pueden impactar significativamente la confiabilidad del producto.
Análisis del modo y efecto de falla de proceso (PFMEA)
Identifica aspectos de alto riesgo en el proceso de manufactura y se hace una

vez completado el FMEA de diseño. Cualquier número de prioridad de riesgo
(RPN) que no pueda ser resuelto por el equipo de manufactura o
modificaciones al proceso o a prueba de error, debe considerarse para prueba.
Otras técnicas para mejorar la confiabilidad
Otros métodos de apoyo son:
 Proceso de aprobación de partes para producción – PPAP

 Análisis de sistemas de medición – MSA
 Etc.
MONITOREO DESPUÉS DEL LANZAMIENTO / MEJORA
Incluye tres áreas diferentes:
 Colección de datos en campo

 Técnicas analíticas para interpretar los datos
 Distribución de los resultados de análisis a las diferentes áreas de la
organización
Colección de datos
Incluyen:
 Datos de reclamaciones en garantía, es necesario un filtraje perceptual
de esta información
 Análisis de partes con falla en campo, se requiere un árbol de decisión
para determinar quien debe estar involucrado en el análisis (laboratorio,
proveedor, etc.)
Página 10
 Filtrado de esfuerzo ambiental, para componentes electrónicos con

pruebas de quemado se eliminan las fallas de ensamble e infantiles.
 Identificación de problemas potenciales en campo, “hotlines”.
 Reporteo por Internet
 Resultados de pruebas en campo (mejora de partes / durabilidad),
encontrar usuarios que se presten a las pruebas.
RESUMEN
Los diseños se crean o mejoran utilizando el historial de fallas, expectativas de

los clientes, y demandas externas (gubernamentales y de limitación de
recursos). Los diseños se prueban antes de hacer las partes y también se
prueban con pruebas físicas. Después se verifican y validan los diseños y los
procesos de manufactura. Se introduce el producto al mercado y se evalúa que
tan bueno es realmente. La experiencia real “en las manos del cliente o
usuario” se usa para ayudar a desarrollar la siguiente generación de productos.
El ciclo se repite una y otra vez.
Página 11
Pasos para el análisis de datos de vida
Rama principal
1. Identificar el tipo de datos “¿Qué tipo de datos se tienen?”
2. “Datos estándar” – si se conocen todos los tiempos de falla y todos los

tiempos de suspensión. Pruebas controladas o datos de garantías. Ir a rama A.
3. “Modos de falla en competencia o mezclados” – no se conocen los modos de

falla o no se sabe si los modos de falla son iguales. Los datos de garantías
caen en este grupo. Ir a rama B.
4. “Datos por intervalo, datos agrupados, o datos de pruebas no destructivas”-

se presentan cuando las inspecciones se hacen en varios puntos en el tiempo y
las fallas se encuentran solo durante esas inspecciones, el tiempo de falla
exacto no se conoce, solo el intervalo en que ocurrió. Las garantías
contabilizadas por mes caen en esta categoría. Ir a rama C.
5. “Datos de inspecciones destructivas o quantiles” – son datos donde una

pieza sólo se inspecciona una vez. Cada observación es falla o censurada
(como las pruebas de bombas). Ir a rama D.
Rama A (datos estándar)
6. ¿Se tienen cero fallas en los datos?
7. Si lo anterior sucede, el único análisis que se puede hacer es el de

Weibayes. Se puede seleccionar una pendiente basada en experiencias
previas con modos de falla esperados. Se usa para probar si se ha eiliminado
un tipo de falla.
8. ¿Se tiene una falla?
9. ¿Se tienen suspendidos posteriores?, un suspendido posterior es una unidad

que no ha fallado y que ha funcionado más tiempo que las unidades con falla.
10. Si hay una falla y cero suspendidos, usar Weibayes. Se debe conocer el
número de unidades que hay y que tanto duraron. Se debe hacer una
suposición de la pendiente para usar Weibayes, en base a experiencias previas
o conocimiento del mecanismo de falla.
11. Si hay suspendidos, ¿se tiene un buen conocimiento de la pendiente?
12. Si hay confianza en la pendiente usar Weibayes como lo indica el punto 10.
13. Si no hay confianza acerca del conocimiento de la pendiente, usar MLE?
14. ¿Se tienen más de una falla pero menos de 10 fallas?
Página 12
15. Con dos a nueve fallas, ¿se tiene un buen conocimiento de la pendiente?
Un buen conocimiento de la pendiente puede ser el conocimiento en base a
experiencias previas, datos de la biblioteca de Weibull, o conocimiento del
mecanismo de falla.
16. Si se está satisfecho con el conocimiento de la pendiente con el

conocimiento en base a experiencias previas, datos de la biblioteca de Weibull,
o conocimiento del mecanismo de falla, se puede usar Weibayes.
17. Si no se está satisfecho con el conocimiento de la pendiente, ajustar un

modelo de dos parámetros de Weibull con una regresión de rango de medianas
de X sobre Y.
18. Ajustar un modelo de estimación de máxima verosimilitud (MLE) por medio

del ajuste reducido de sesgo (RBA).
19. ¿Los modelos de ajuste en pasos 17 y 18 parecen razonables con base en

el conocimiento de las fallas?
20. Si el modelo en 19 no parece razonable, usar Weibayes con el

conocimiento en base a experiencias previas, datos de la biblioteca de Weibull,
o conocimiento del mecanismo de falla.
21. ¿Los modelos en 17 y 18 están en acuerdo razonable?
22. Si los modelos en 17 y 18 concuerdan razonablemente, usar el más

conservador de los dos modelos.
23. Si los modelos en 17 y 18 no tienen un acuerdo razonable, considerar la

posibilidad de problemas de lote. Hay varios indicadores a buscar: 1) ¿es el
límite inferior del intervalo de confianza para el riesgo presente mayor al
número de fallas observadas? 2) ¿es la pendiente MLE menor que la pendiente
de la regresión de rango de medianas? 3) ¿la función acumulada agregada de
falla indica un efecto de lote?
La rama A1 inicia aquí:
24. ¿se tienen entre 10 y 20 fallas?
25. Si hay entre 10 y 20 fallas, ajustar con un modelo de dos parámetros de

Weibull con una regresión de rango de medianas de X sobre Y.
26. ¿Es adecuado el ajuste anterior? Considerar el coeficiente de correlación

crítico y el coeficiente crítico de determinación.
27. Si el ajuste es aceptable, usar la regresión de rango de medianas de X

sobre Y.
28. Ajustar un modelo de 2 parámetros con la regresión de rango de medianas

de X sobre Y.
Página 13
29. ¿Es adecuado el ajuste anterior? Considerar el coeficiente de correlación

crítico y el coeficiente crítico de determinación.
30. Utilizar el modelo de 2 parámetros con la regresión de rango de medianas

de X sobre Y.
31. Si hay más de 20 fallas. Realizar un análisis de la distribución para

identificar la que mejor ajuste a los datos.
32. ¿Se identificó una distribución que ajuste adecuadamente? Considerar el

coeficiente de correlación crítico y el coeficiente crítico de determinación.
33. ¿Desea verificar el resultado de la regresión por rango de medianas con el

MLE?
34. Usar el modelo de regresión por rango de medianas de 32.
35. Ajustare el modelo MLE para la mejor distribución encontrada en 32.
36. ¿Concuerdan los modelos de regresión y MLE?
37. Si concuerdan, utilizar el modelo más conservador.
38. Si no concuerdan, ¿se tienen más de 100 fallas?
39. Si se tienen más de 100 fallas utilizar el modelo MLE.
40. Si se tienen menos de 100 fallas, usar el resultado de la regresión por

rango.
41. Si el ajuste no es aceptable, verificar si hay mezcla de modos de falla.
Aquí inicia la rama B
42. ¿se pueden separar los modos de falla mezclados? Requiere un análisis de
las partes con falla.
43. Si se pueden separa los modos de falla, ir a paso 2 y realizar el análisis

para cada uno de los modos de falla. En el análisis, considerar las fallas de
otros modos como suspensión.
44. ¿Se pueden separar los modos de falla estadísticamente?
45. Si se pueden separar los modos de fallas estadísticamente, usar estos

resultados e ir al paso 2 y realizar el análisis para cada uno de los modos de
falla. En el análisis tratar los otros modos de falla como suspendidos.
Página 14
46. Si no se pueden separar los modos de falla ¿se desea predecir el tiempo
de vida con base en tiempo de prueba / calendario o antigüedad de las
unidades?
47. Si se quiere predecir la vida con base en la antigüedad de las unidades,

usar Kaplan Meir.
48. Si se quiere predecir la vida con base en tiempo de prueba o de calendario,

usar Crow-AMSAA-Duane.
La rama C inicia aquí
49. ¿se tiene fallas benignas que se encuentran solo en la inspección?
50. Cuando se encuentran estas fallas, ajustar un modelo al punto máximo del
intervalo de datos.
51. ¿se inspecciona el mismo número de unidades y se usa el mismo intervalo

para todas las inspecciones?
52. Si no se inspecciona el mismo número de unidades, ¿se usa el mismo

intervalo de inspección para todas las inspecciones?
53. Usar el método de intervalo MLE.
54. Usar Probit.
55. Usar Kaplan Meir
Aquí inica la rama D
56. Usar Probit
Método WeiBayes
Es un término acuñado por el Dr. Bob Abernethy para el análisis de Weibull

cuando se selecciona el parámetro de la pendiente de antremano, con relación
al supuesto Bayesiano. El Dr. Abernethy se refiere a esta técnica como Weibull
de un parámetro dado que uno de los dos parámetros de Weibull ya está
seleccionado. Este método basado en la máxima verosimilitud proporciona
respuesta a preguntas difíciles con relación a la mejora del producto y
comparaciones de diseño.
Su uso es posible sin requerir la prueba a falla, lo cual puede ser tardado y
costoso. La situación de no falla produce un límite de confianza más bajo para
la vida característica, reduciéndose a un punto estimado.
Página 15
Página 16
Contenido
Introducción y relación con el APQP

1. Prueba de vida acelerada
2. Benchmarking
3. Análisis de degradación
4. Diseño para manufactura y ensamble
5. Diseño de experimentos
6. Revisión de diseño **
7. Selección del diseño y optimización
8. Identificación temprana de problemas
9. Selección por esfuerzo ambiental
10. A prueba de error / detección de falla / Poka Yokes
11. FMEA
12. Reporte de falla, análisis y sistema de acción correctiva (FRACAS)
13. Análisis de árbol de falla
14. Análisis de elemento finito
15. Diagrmas de bloque funcionales
16. Pruebas de vida altamente acelerada (HALT) / Selección por esfuerzo
(HASS)
17. Análisis de costo de ciclo de vida
18. Análisis de datos de vida
19. Análisis de sistemas de medición (MSA)
20. Análisis Multivari
21. Diagramas de parámetros
22. Derating de partes
23. Solución de problemas – análisis de causa raíz
24. Estudios de capacidad de procesos
25. Mapeo de procesos
26. Especificaciones de desempeño del producto **
27. Plan de confiabilidad del producto **
28. Tablero de control del producto
29. Proceso de aprobación de partes de producción (PPAP)
30. Despliegue de la función de calidad (QFD)
31. Modelo de asignación de confiabilidad **
32. Diagramas de bloque de confiabilidad
33. Mantenimiento centrado en confiabilidad
34. Modelado de crecimiento de la confiabilidad (Crow/AMSAA)
35. Predicción de confiabilidad
36. Análisis de seguridad en peligros
37. Análisis de circuitos
38. Análisis del software
39. Características especiales
40. Tolerancias estadísticas
41. Diseño robusto de taguchi
42. Planes y reportes de pruebas **
43. Bases de datos de garantías
44. Análisis de Weibull
45. Análisis del peor caso.
Página 17
Introducción y relación con el APQP
Las herramientas y actividades clave relacionadas con el APQP para hacer

productos más confiables se indican a continuación:
FASE I. PLANEACIÓN
 Determinar las necesidades de confiabilidad del mercado y las

expectativas.
 Identificar las métricas clave de confiabilidad que serán aplicadas al
producto, con la definición adecuada de “falla” relacionada con cada
métrica.
 Desarrollar metas cuantitativas de confiabilidad del producto para cada
métrica.
 Caracterizar, en términos medibles, el perfil operativo y ambiental del
producto.
 Asignar las metas de confiabilidad, perfil de operación, y ambiental a los
principales subsistemas y componentes del producto.
 Realizar un estudio de factibilidad del concepto inicial del diseño contra
metas de confiabilidad.
 Compara el costo beneficio orientado a la confiabilidad asociado a
alternativas de diseño.
 Preparar los programas de confiabilidad y presupuestos asociados.
El cliente puede no especificar las metas de confiabilidad, en todo caso el

proveedor debe establecerlas como sigue:
 Una meta mejorada sobre el desempeño pasado del producto.

 Benchmarks competitivos.
 Límites deseables para la exposición del producto a riesgos de garantía.
 Encuestas de satisfacción y lealtad de clientes.
La información para los planes de confiabilidad puede venir de fuentes como

son:
 Datos de mantenimiento de campo

 Datos de planes de prueba anteriores
 Encuestas de clientes
 Clínicas de clientes / grupos de enfoque
 Visitas a las instalaciones del cliente
 Entrevistas en exposiciones
 Análisis de los datos reales de garantías
 Requerimientos obligatorios del gobierno
 Benchmarks competitivos de producto
 Requerimientos / especificaciones del cliente
Página 18
Fase primaria 1 Objetivos de confiabilidad
Los tres principales objetivos de la actividad de confiabilidad durante la fase de

planeación son:
1. Definir requerimientos, se incluyen aspectos de mantenabilidad y de

disponibilidad (uptime).
2. Identificar y mitigar el riesgo, usar información histórica de fallas.
3. Planear el proyecto de confiabilidad
FASE 2 DISEÑO y DESARROLLO DEL PRODUCTO
El objetivo es asegurar que los productos nuevos, cumplan o excedan las

expectativas de confiabilidad del cliente.
Entradas:
 Metas generales de confiabilidad del diseño

 Plan del programa de confiabilidad del producto
 Diagramas de bloques funcionales
 Predicciones de confiabilidad a nivel del sistema
 Definiciones del perfil ambiental y de uso
 Metas de costo de ciclo de vida
 Metas y riesgos de costos de garantía
 Lista de materiales preliminar
 Diagrama de flujo del proceso preliminar
 Plan preliminar de crecimiento de la confiabilidad
Actividades de confiabilidad:
 Especificaciones de desempeño del producto (subsistemas y

componentes)
 Modelo de asignación de confiabilidad a ensambles, subensambles, y
componentes.
 Predicción de la confiabilidad
 DFMEA
 DFM/A
 Selección y optimización del diseño
 DOE enfocado a la confiabilidad
 Pruebas de vida aceleradas
 Planes y repoirtes de prueba
 Características especiales
 Análisis de costo del ciclo de vida
 Planeación y gestión del crecimiento de la confiabilidad
 Solución de problemas, análisis de causas raíz
 Sistema de reporte de fallas, análisis y acción coreectiva (FRACAS)
 Análisis de Weibull
Página 19
 Análisis de datos de vida

 Análisis de árbol de falla (FTA)
Salidas:
 Predicciones de confiabilidad
 DFMEA
 Estimación del costo del ciclo de vida
 Estimación de costos de garantía
 Revisiones de diseño
 Verificaciones de diseño
 Plan de validación de diseño
 Plan de crecimiento de confiabilidad
 DFM/A
 Plan de control de prototipo
 Dibujos de ingeniería con cálculos
 Especificaciones de ingeniería
 Requerimientos de confiabilidad y garantía de proveedores
 Lista de materiales final
 Requerimientos de nuevos equipos, herramentales e instalaciones
 Características especiales del proceso o producto
 Requerimientos de equipo e instrumentos de prueba
FASE 3. DISEÑO Y DESARROLLO DEL PROCESO
Define y reduce los riesgos de confiabilidad asociados con el proceso de

manufactura. Se realiza en forma concurrente con la fase 2.
Objetivos primarios de la fase 3:
1. Definir un proceso de manufactura que optimice la confiabilidad inherente del

producto
2. Asegurar el control de las características críticas de manufactura
Entradas:
Adicionales a las salidas de la fase 2 se incluye lo siguiente:
 Resultados del DFMEA

 Listado de características críticas
 Lista de materiales preliminar
 Especificaciones y dibujos de ingeniería
 Requerimientos de equipos e instrumentos de medición y prueba
 Soporte de la dirección al comité de factibilidad
 Mapa de proceso
 PFMEA de proceso
Página 20
 Estudios de capacidad de proceso
 Análisis del sistema de medición
 DFM/A
 Selección del diseño y optimización
 Revisiones de diseño
 DOE para proceso
 Diseño robusto de Taguchi
 Análisis Multivari
 Solución de problemas – análisis de causa raíz
 A prueba de error / Poka Yokes
 FRACAS
 Plan y reporte de prueba
Salidas:
 Layout final
 Instructivos de operación por estación
 Plan de control del prelanzamiento
 Requerimientos de confiabilidad / garantía de proveedores
 Selección de proveedores
 Plan de aseguramiento de calidad de proveedores
 Requerimientos de nuevos equipos, herramentales e instalaciones
 Requerimientos de equipos e instrumentos de medición y prueba
 Evaluaciones de materiales en recibo y de producto embarcado
FASE 4. VALIDACIÓN DE PRODUCTO Y PROCESO
Se enfoca a probar que tanto el producto como el proceso de manufactura son

capaces de cumplir con los requerimientos incluyendo los de confiabilidad del
producto y capacidad del proceso. Es un paso necesrio previo a la producción
normal
1. Probar que la confiabilidad del producto representativo de la producción, el

proceso de manufactura y ensamble, cumple con los requerimientos de
confiabilidad.
2. Validad que el proceso de producción es capaz de producir repetidamente un

producto que cumpla sus requerimientos de confiabilidad y otros.
3. Verificar la eficacia de los planes de control de producción
4. Resolver problemas de diseño y manufactura que se descubran durante las

actividades de validación antes de su lanzamiento a producción
Entradas
Página 21
Además de las salidas de la fase 2 y fase 3, las siguientes entradas osn

necesarias:
 Estándares de empaque
 Revisiones del sistema de calidad del producto/proceso
 Matriz de características
 Pruebas aceleradas
 FRACAS
 Análisis de sistemas de medición
 Análisis Multivari
 Solución de problemas – causa raíz
 Estudios de capacidad de proceso
 Proceso de aprobación de partes de producción (PPAP)
 Plan y reporte de pruebas
Salidas:
 Corrida de la producción piloto

 Aprobación de la producción de partes
 Evaluación del empaque
 Planes de control revisados
 Liberación de la planeación de calidad y soporte de la dirección
FASE 5. PRODUCCIÓN
Es imperativo durante esta fase monitorear el desempeño del producto y su

confiabilidad. Es crucial la retroalimentación del cliente sobre la funcionalidad
del producto, utilidad, y disponibilidad, así como asegurar el cuimplimiento de
las variables del proceso.
1. Monitorear y mejorar confiabilidad verdadera del producto experimentada por

el cliente. Es necesario tener un sistema de aviso para detectar fallas en
campo, tan rápido como sea posible, dar seguimiento, identificar causas raíz y
tomar acciones correctivas para eliminar los modos de falla.
2. Asegurar que el conocimiento ganado con el programa de confiabilidad sea

capturado y esté disponible para usos futuros. Como bibliotecas con
distribuciones de tiempos de vida de componentes y subsistemas.
Entradas:
Además de las salidas de la fase 4 se tienen:
Página 22
 Metas de confiabilidad
 Planes de control del proceso de manufactura
 Formación de bases de datos de garantías

 FRACAS
 Identificación temprana de problemas
 Solución de problemas – análisis de causa raíz
 DOE
 Análisis multivari
 Filtraje con esfuerzo ambiental para productos electrónicos
 Características especiales. Criticas para la funcionalidad y confiabilidad
del producto
 Análisis de Weibull
Salidas:
 Seguimiento de metas de confiabilidad y garantía

 Seguimiento de la capacidad en características especiales contra metas
 Documentación de lecciones prendidas en el desarrollo del producto
FASE 6. HISTORIAL DE CONFIABILIDAD Y LECCIONES APRENDIDAS
Se realiza en forma concurrente con las otras fases.
1. Colectar datos de la confiabilidad del producto (o no confiabilidad) para la

realización de actividades de prevención de fallas.
2. Proporcionar un creciente repositorio de conocimiento para la organización,

reduciendo la dependencia de “conocimiento tribal”, que se puede perder
fácilmente cuando la gente se va de la organización.
Entradas:
Recibe información de todas las demás fases, con excepción de la fase de

planeación. El propósito es contar con con sistemas de información que
estructuren los datos de forma que se pueda utilizar por las primeras etapas del
diseño.
Soportan la actualización de los siguientes repositorios de conocimiento de

confiabilidad:
Página 23
 FMEA de proceso y de diseño (PFMEA y DFMEA)

 Base de datos de Weibull, desempeño de confiabilidad de productos,
sistemas subsistemas, componentes y por modo de falla promueve
modelado exacto de la confiabilidad para nuevos proyectos.
 Base de datos de capacidad de características especiales, crucial para
DFMA/A.
 Guías de diseño
 Base de datos de lecciones aprendidas, bitácoras de revisiones de
diseño, FRACAS reportes de solución, y acciones de acción correctiva
deben estar disponibles para referencia cuando se planeen y ejecuten
proyectos.
Salidas:
 Se proporciona a las diferentes fases del proceso de desarrollo del

producto en la forma de datos e información.
Página 24
1. PRUEBAS ACELERADAS
Es una evaluación realizada en ciclos de vida más rápidos, donde sea

aplicable, y con altos esfuerzo de operación y ambientales, mayores a los
normales. Hay modelos como el de Arrhenius, Eyring, HALT, HASS.
Ejemplos de factores usados para acelerar las pruebas:
Mecánicos Climáticos Esfuerzo Tasa de ciclo

operativo
Sock, vibración, Temperatura, Voltaje, presiónd Ciclos de
colisión, humedad, cámara e aire, presión de transición de
aceleración, polvo salina, lluvia, fluido, peso, temperatura,
y grava viento, presión transientes aplicaciones
atmosférica, eléctricos mecánicas,
presión, radiación flexiones,
solar movimientos,
aperturas y
cierres, etc.
Propósito:
Se usa para estimar las características de confiabilidad de un producto bajo

uso normal. Otros usos son filtraje de línea base para esfuerzo ambiental
usado en manufactura y mejora de la confiabilidad del producto.
Beneficios:
 Tiempo de prueba reducido

 Se pueden obtener distribuciones de vida, determinación de la
confiabilidad, y modos de falla de manera rápida antes de lanzar el
producto
 Se pueden hacer comparaciones rápidas entre diseños diferentes
 Se pueden evaluar problemas de campo durante la vida del producto de
manera rápida
 Se puede hacer un monitoreo eficiente del producto en relación a su
confiabilidad
Implementación:
Se pueden hacer pruebas con diferentes tipos de esfuerzos al mismo tiempo.
Algunas limitaciones son:
 La determinación de los factores de aceleración puede ser difícil
Página 25
 Para nuevos productos puede no haber correlación entre la prueba

acelerada y el uso normal, dado que los modos de falla no se han
establecido.
 Un esfuerzo excesivo puede ocasionar cambios físicos no realistas.
 La inversión inicial en equipo reprueba es costoso.
 Se pueden inducir modos de falla no indicativos del uso normal.
Ejemplo:
Un componente se usa con esfuerzo para determinar si o no se podría utilizar

una prueba actual para reducir el ciclo de diseño. Se evaluó la prueba en tres
niveles de esfuerzo.
Timepo_a_falla Newtons
3890000 5573
3980000 5573
4132000 5573
2363000 697
2478000 697
2483000 697
1310000 640
1336000 640
1365000 640
Identificación de la distribución de ajuste:
1. Stat > Reliability / Survival > Distribution analysis (right censoring)

2. Distribution ID Plot > Variable Tiempo_de_falla > Distribution Lognormal
3. OK
Probability Plot for Timepo_a_falla

LSXY Estimates-Complete Data
C orrelation C oefficient
Lognormal Lognormal
0.941
99
95
80
Percent
50
20
1
00 00 00 00 00
0
00
0 00 00
0
00
0
00
0 0
00 00
0
00 00 00 00 00 00 00
0
00 00 00 000 000
70 80 90 100 15 20 30 40 50 60 7 8
Timepo_a_falla
Página 26
Tiempo de vida acelerado:
1. Stat > Reliability / Survival > Accelated life testing

2. Variables > TIempo_de_falla
3. Accelerating var. Newtons
4. Estimate: Confidence level 95%
OK
La gráfica resultante se muestra a continuación:
Probability Plot (Fitted Linear) for Timepo_a_falla

Lognormal
Complete Data - ML Estimates
99
Newtons
5573
95 6967
90 8640
Table of S tatistics
80 Loc Scale A D* F C
70 15.2032 0.0218849 3.757 3 0
Percent
60 14.7050 0.0218849 4.167 3 0

50 14.1071 0.0218849 3.417 3 0
40
30
20
10
5
1
1500000 2000000 3000000 4000000
Timepo_a_falla
Relation Plot (Fitted Linear) for Timepo_a_falla

Lognormal - 99% CI
Complete Data - ML Estimates
Percentiles
4000000 90
50
10
3000000
Timepo_a_falla
2000000
1500000
5500 6000 6500 7000 7500 8000 8500 9000

Newtons
Se observa que los tres estados no difieren significativamente a un 99% de NC:
Página 27
1. Graph Lognormal
2. Variable Tiempo_de_falla
3. OK
Probability Plot of Timepo_a_falla

Lognormal - 99% CI
99
Loc 14.67
Scale 0.4759
95 N 9
AD 0.552
90
P-Value 0.111
80
70
Percent
60
50
40
30
20
10
1
1000000 10000000
Timepo_a_falla
Fitted Line Plot

Y = 8642485 - 856.2 X
4000000 S 244824
R-Sq 98.3%
R-Sq(adj) 96.6%
3500000
3000000
2500000
Y
2000000
1500000
1000000
5500 6000 6500 7000 7500 8000 8500 9000
X
Factor de aceleración
Página 28
Accelerated Life Testing: Timepo_a_falla versus Newtons

Response Variable: Timepo_a_falla
Censoring Information Count

Uncensored value 9
Estimation Method: Maximum Likelihood

Distribution: Lognormal
Relationship with accelerating variable(s): Linear

Regression Table
Standard 95.0% Normal CI
Predictor Coef Error Z P Lower Upper
Intercept 17.1949 0.0417192 412.16 0.000 17.1132 17.2767
Newtons -0.0003574 0.0000058 -61.43 0.000 -0.0003688 -0.0003460
Scale 0.0218849 0.0051583 0.0137884 0.0347357
Log-Likelihood = -110.419
Probability Plot (Fitted Linear) for Timepo_a_falla

Anderson-Darling (adjusted) Goodness-of-Fit
At each accelerating level
Fitted
Level Model
5573 3.757
6967 4.167
8640 3.417
Página 29
2. BENCHMARKING
Es el proceso para mejorar el desempeño de los productos y los procesos,

identificando, comprendiendo, y adaptando las mejores prácticas, procesos y
características, y desempeño de productos y procesos de clase mundial, de
manera continua. El benchmarking compara productos, procesos, o servicios y
puede ser interno o externo.
Beneficios
 Evitar reinventar la rueda

 Acelera el cambio (usa prácticas probadas, convence a escepticos, etc.)
 Orienta a buscar soluciones en el exterior de la organización
 Fuerza a la organización a hacer análisis de sus procesos actuales
 Identifica quienes son los mejores en la industria
3. ANÁLISIS DE DEGRADACIÓN
Degradación es la propiedad de uin proceso o producto que pierde su calidad
de diseño o características de confiabilidad en el tiempo al ser sometido a
esfuerzo.
Beneficios
 Identifica criterios básicos de diseño

 Establece vida de anaquel para los productos
 Proporciona confianza estadística de que un diseño es confiable en el
tiempo.
Ejemplo:
Se hace una prueba de hipótesis para probar si hay diferencia entre el antes y
después de someter a un producto a una prueba de esfuerzo, con partes
idénticas.
Antes Despues
1.701 1.66
1.694 1.699
1.88 1.701
1.686 1.71
1.696 1.719
Two-Sample T-Test and CI: Antes, Despues
Two-sample T for Antes vs Despues
N Mean StDev SE Mean

Antes 5 1.7314 0.0832 0.037
Despues 5 1.6978 0.0226 0.010
Página 30
Difference = mu (Antes) - mu (Despues)

Estimate for difference: 0.033600
95% CI for difference: (-0.055350, 0.122550)
T-Test of difference = 0 (vs not =): T-Value = 0.87 P-Value = 0.409 DF = 8
Both use Pooled StDev = 0.0610
Boxplot of Antes, Despues

1.90
1.85
1.80
Data
1.75
1.70
1.65
Antes Despues
Evaluación de la confiabilidad
Identificación de la distribución que mejor ajuste a los datos de Después:
1. Stat > Reliability / survival > Distribution analysis (right censoring)

2. Distribution (ID) Plot
3. Variables Despúes seleccionar Use all distributions
4.OK
Probability Plot for Despues

3-Parameter Weibull 3-Parameter Lognormal
3-P arameter Weibull
99
0.952
90
3-Parameter Lognormal
90
0.917
50
2-Parameter E xponential
Percent
Percent
50 *
10 3-P arameter Loglogistic
0.920
10
1 1
52.65 52.70 52.75 52.80 52.95 53.00 53.05
Despues - Threshold Despues - Threshold
2-Parameter Exponential 3-Parameter Loglogistic

99
90
90
50
Percent
Percent
50
10
10
1 1
0.001 0.010 0.100 52.65 52.70 52.75 52.80
Despues - Threshold Despues - Threshold
Página 31
Evaluando la fracción defective Antes y Después se tiene:
1. Stat > Quality tools > Capability Analysis > Nonnormal

2. Data as single column – antes y después
3. Distribution 3-Parameters Loglogistic Lower spec 1.6 Upper spec 1.9
4. OK
Process Capability of Antes

Calculations Based on Loglogistic Distribution Model
LSL Target USL

Process Data O v erall C apability
LS L 1.60000 Pp 0.47
Target 1.75000 PP L 3.38
U SL 1.90000 PP U 0.32
S ample M ean 1.73140 Ppk 0.32
S ample N 5
E xp. O v erall Performance
Location -3.46682
P P M < LS L 0.0
S cale 0.45862
P P M > U SL 12581.6
Threshold 1.66914
P P M Total 12581.6
O bserv ed P erformance
PP M < LS L 0
PP M > U S L 0
PP M Total 0
1.60 1.65 1.70 1.75 1.80 1.85 1.90
Process Capability of Despues

Calculations Based on Loglogistic Distribution Model
LSL Target USL

P rocess Data O v erall C apability
LS L 1.60000 Pp 2.07
Target 1.75000 PP L 1.40
U SL 1.90000 PP U 2.74
S ample M ean 1.69780 Ppk 1.40
S ample N 5
E xp. O v erall P erformance
Location 3.96368
P P M < LS L 98.6823
S cale 0.00021
PPM > USL 0.0139
Threshold -50.94981
P P M Total 98.6963
O bserv ed P erformance
P P M < LS L 0
P P M > US L 0
P P M Total 0
1.60 1.64 1.68 1.72 1.76 1.80 1.84 1.88
Página 32
4. DISEÑO PARA MANUFACTURA Y ENSAMBLE (DFMA)
Es una metodología interdisciplinaria que proporciona un método para analizar

un diseño propuesto desde le punto de vista del ensamble y manufactura.
Beneficios
 Permite reducir los costos en producción, proceso y ensamble.

 Mejora la confiabilidad del producto al hacerlo más sencillo.
 Integra aspectos del factor humano en el diseño del proceso.
 Proporciona un método para minimizar partes junto con su manejo e
inserción durante el ensamble.
 Proporciona una métrica de “Factor de complejidad del diseño” que
considera el número de partes, sus tipos, e interfases en el ensamble.
Actividades clave
 Minimizar el número de partes

 Estandarizar partes y materiales
 Minimizar reorientación de partes durante el ensamble
 Crear ensambles modulares
 Diseño para uniones eficientes
 Simplificar el número de operaciones de manufactura
5. DISEÑO DE EXPERIMENTOS (DOE)
Se usa para proporcionar un método estadístico estructurado para la

planeación y ejecución de pruebas. Se basa en la variación sistemática de
parámetros para determinar el efecto de esos parámetros en el resultado.
Beneficios
 Mejora la robustes del desempeño y la confiabilidad de un producto, al

identificar y controlar las variables que más influyen en el producto. En
algunos casos los productos se pueden hacer insensibles a variables no
controladas.
 Permite identificar las interacciones entre las variables que tienen
influencia en el desempeño del producto.
 El DOE permite estudiar el efecto de los parámetros de influencia de
manera simultanea, para hacer eficientes las pruebas.
Tipos de DOEs
 Diseños estándar 2^(K-p) (Box, Hunter & Hunter)

 Diseños de filtraje de 2 niveles (Plackett Burman)
 Diseños 2^(K-p) con máxima no confusión
 Diseños 3^(K-p) y diseños de Box-Behnken
 Diseños con 2 y 3 niveles mezclados
 Diseños de superficie de respuesta
Página 33
 Cuadrados latinos y grecolatinos

 Diseño de experimentos robustos de Taguchi
 Diseños de mezclas y diseños de superficies triangulares
 Diseños de superficies y mezclas restringidas
 Diseños algorítmicos óptimos D- y A-(T-)
Actividades
 Definir las metas de la experimentación

 Determinar la variable de respuesta
 Determinar las variables de entrada a ser controladas y sus niveles
 Determinar las variables no controladas que puedan tener influencia en
la respuesta
 Determinar las variables de entrada que se mantendrán constantes
 Seleccionar el método de prueba a utilizar
 Diseñar la prueba
 Realizar la prueba
 Analizar los resultados
 Confirmar los resultados
 Formular las conclusiones e implementar las acciones
6. REVISIONES DE DISEÑO
Es una evaluación disciplinada e interdisciplinaria por un grupo de expertos

para encontrar y resolver deficiencias o impedimentos que puedan afectar el
lanzamiento de proyecto, revisando al final de cada actividad mayor del plan
del proyecto. Las revisiones pueden ser formales e informales.
Beneficios
 Espíritu de equipo
 Comunicación mejorada
 Reglas formales de operación
 Agenda y actividades de seguimiento formales
Se puede utilizar una lista de verificación con los aspectos relevantes del
diseño o una agenda de revisión.
Ejemplo de lista de verificación:
Entradas a la revisión Función responsable Revisión de diseño

del diseño
Requerimientos del
cliente
Requerimientos
funcionales
Metas de calidad
Metas de confiabilidad
Página 34
Metas de
mantenabilidad
Requerimientos
reglamentarios
DFMA y análisis de
riesgos
7. SELECCIÓN DEL DISEÑO Y OPTIMIZACIÓN
Es un proceso en el cual los conceptos de diseño se ponderan ante los criterios

de desempeño del producto, confiabilidad, manufacturabilidad, serviciabilidad, y
otras especificaciones para seleccionar la mejor alternativa. Se tienen dos
modelos: la matriz de Pugh y al método MCDMDA (Multi criteria Decisión
Management Decisión Analysis). El proceso se enlaza con el QFD para
comprender los requerimientos de los clientes.
Actividades
 Definir el equipo de trabajo multifuncional

 Definir los criterios y requerimientos del QFD, especificaciones de
desempeño, historial de desempeño, y capacidades de manufactura y
de proveedores.
 Definir conceptos de diseño alternativos.
 Definir escalas de calificación
 Preparar una matriz alternativa de atributos
 Evaluar y ordenar por rango las alternativas
Ejemplo de Matriz de pugh
Requisitos Del Impor- Línea base Alternativa Alternativa

cliente tancia Diseño de diseño A de diseño B
actual
Costo 5 0 - -
Manufacturabilida 8 0 - -
d
Confiabilidad 10 0 0 +
Mantenabilidad 5 0 0 0
Serviciabilidad 5 0 0 0
Disponibilidad 10 0 + +
Empaque 8 0 + +
Durabilidad 5 0 0 0
56 5 15
Notas:
0 bajo - Desventaja
10 alto 0 Similar al diseño actual
Página 35
+ Ventaja
El valor más alto es el mejor
8. IDENTIFICACIÓN TEMPRANA DE PROBLEMAS

Es un método que aplica métodos estadísticos a datos de campo para detectar
problemas de producto y proceso lo más antes posible.
Beneficios
 Reduce el tiempo tomado para identificar problemas

 Aplica soluciones a lotes pequeños en vez de a la producción masiva
 Reduce costos de garantías
 Mejora la calidad del producto
Actividades
 La tarea principal es formar depositorios de datos (data warehousing),

que provienen de campo, centros de llamadas, garantías, quejas, etc.)
cuantificando los datos textuales y detectando y dando seguimiento a
patrones, con alertas automáticas de problemas emergentes.
 Con minería de datos (data mining) se tiene la capacidad de identificar y
dar seguimiento a patrones en los datos. Analizándolos para detectar
tasas de falla con variación anormal (se puede aplicar el CEP).
Por ejemplo:
A representa el límite de tasa de falla “normal” para un producto, cuando está

abajo del límite se tomaron acciones.
Time Series Plot of A, Limite

Variable
60 A
Limite
55
50
Data
45
40
35
30
Month Ene May Sep Ene May Sep

Year 2001 2002
Página 36
9. SELECCIÓN POR ESFUERZO AMBIENTAL /

QUEMADO
El quemado (Burn in) y la selección por esfuerzo ambiental (Environmental
Stress Screening) se utilizan en la manufactura para precipitar la mortalidad
infantil causada por defectos en componentes electrónicos o electromecánicos.
Se trata de evitar que estos defectos se presenten con el cliente, normalmente
asignados a fallas del ensamble (soldadura pobre, componentes débiles, etc.)
10. A PRUEBA DE ERROR (POKA YOKE)

Es la práctica de diseñar productos o procesos de manera que se minimice o
prevenga la probabilidad de errores humanos o mecánicos.
Se aplica para:
 Evitar que los productos se fabriquen o ensamblen incorrectamente
 Diseñar el proceso de manufactura para evitar partes más ensambladas
 Diseñar el software que no permita entradas en campos incorrectos
Cuando se identifiquen fuentes potenciales de productos no conformes, a

través de Kaizen y con el apoyo de expertos, utilizar el FMEA, estudios de
capacidad de procesos, y reportes de servicio para identificar oportunidades de
acción.
Actividades
 Organizar el lugar de trabajo con las 5S’s

 Establecer procedimientos estándar
Página 37
 Compartir los estándares con todos los involucrados

 Avisar de posibles situaciones anormales
 Prevenir los defectos
 A prueba de error
Fuentes de error humanos:
 Olvidos
 No comprensión
 Mala identificación
 Falta de conocimiento
 No poner atención a detalles
 No seguir procedimientos estándar
 Respuesta inadecuada a problemas
Fuentes de error en equipos y sus condiciones
 Ajustes excesivos
 Tiempos de preparación largos
 Complejidad del proceso innecesaria
 Falta de instrucciones de trabajo efectivas o estandarizadas
 Trabajo de la máquina excediendo su capacidad
 Proceso congestionado
Dispositivos Poka Yoke
 Listas de verificación
 Pins de guía, referencia o interferencia
 Plantillas
 Microswitches o switches límite
 Switches de proximidad
 Indicadores visuales
 Restricciones de secuencia
 Detectores de condiciones críticas
 Sensores de nivel de fluidos
 Lógica de software
11. ANÁLISIS DEL MODO Y EFECTO DE FALLA (FMEA)

Es un grupo de actividades sistemático orientado a reconocer y evaluar las
fallas potenciales de un producto o proceso y los efectos de esa falla,
identificando acciones que puedan eliminar o reducir la posibilidad de que
ocurra la falla, y documentar el proceso completo.
El FMEA se enfoca a mejorar el diseño del producto o proceso a través de

análisis preventivo y proactivo.
Actividades
Página 38
 Formar un equipo de trabajo

 Definir el alcance del sistema o proceso a ser analizado
 Listar los aspectos clave del sistema o procesos a ser analizado
(ambientales, reglamentarios, etc.)
 Desarrollar los bloques funcionales o flujo de proceso que se utilizará
para realizar el análisis. Definir las interfases de los elementos.
 Usar el manual de la AIAG o SAE como referencia
 Analizar los riesgos y a quine corresponden, y enfocar su solución.
 Actualizar el FMEA conforme se tenga nueva información
Se consideran tres niveles:
 El nivel de sistema (específico de la aplicación)

 El nivel de diseño de componentes (específico del componente)
 El nivel de procesos de manufactura (específico de manufactura)
12. REPORTE DE FALLAS, ANÁLISIS, SISTEMA DE

ACCIÓN CORRECTIVA (FRACAS)
Es una revisión formal de la dirección y un sistema de bucle cerrado que se

enfoca a resolver incidentes de fallas. Un grupo interdisciplinario analiza,
determina la causa de falla, e inicia la acción correctiva, agrupando los
incidentes individuales para enfocar de modo eficiente los recursos.
Después de la solución del problema la información se transfiere a un archivo

de lecciones aprendidas para su uso futuro.
El FRACAS asegura que todos los modos de falla que ocurran en un producto
durante su desarrollo desde su arranque, estén documentados, monitoreados,
y corregidos como sea necesario.
Beneficios
 Permite dar soluciones efectivas y permanentes a los problemas

 Descubre modos de falla antes de que el producto llegue al cliente
 Conciencia en el uso efectivo de recursos priorizando problemas del
desarrollo.
 Proporciona un método común para resolver problemas de confiabilidad
asegurando que la acción correctiva sea efectiva.
 Documenta los problemas de confiabilidad y acciones correctivas para
su uso en el futuro
Actividades:
 Establecer el proceso
 Ocurre un incidente
 Describir la falla y las partes con falla
 Realizar priorización y asignar
Página 39
 Reporte de estatus y métrica
Se puede utilizar para cada incidente un formato de 7/8 pasos como sigue:
 Descripción del problema (qué, dónde, cuándo, impacto)
 Acciones interinas
 Acciones de contención del problema
 Acciones correctivas
 Verificación de la efectividad de la acción correctiva
 Control de la recurrencia
 Prevención de ocurrencia de fallas potenciales futuras
16. ANÁLISIS DE ÁRBOL DE FALLA (FTA)

El FTA es un proceso lógico y estructurado de análisis de causas potenciales
de fallas en el sistema (riesgos), no identificando riesgos.
El FTA es usa para representar la interacción lógica y las probabilidades de

ocurrencia de fallas de componentes y otros eventos del sistema en el evento
superior bajo estudio.
Por ejemplo para un equipo de compresor:
Página 40
14. ANÁLISIS DE ELEMENTOS FINITOS (FEA)
El análisis de elementos finitos (FEA) es un modelo matemático para predecir

el esfuerzo o respuesta térmica de una estructura a la carga o estímulo térmico.
Puede usarse también para modelado de fluidos. La estructura se divide en
elementos muy pequeños analizando su interacción. El comportamiento de los
elementos individuales se suma y la respuesta de la estructura completa se
predice, en relación con la distribución del esfuerzo, temperatura o flujo.
De esta forma se puede identificar el peor caso.
Actividades
 Definir el componente específico a ser analizado

 Crear un modelo sólido en CAD
 Transferir el modelo de CAD al programa FEA
 Definir las restricciones del modelo
 Definir las cargas del modelo
 Definir los materiales
 Definir las relaciones de contacto entre componentes en el ensamble
 Correr el modelo
 Evaluar la validez del modelo contra resultados de prueba
 Comparar los resultados del modelo contra los criterios de diseño
 Modificar el diseño como sea necesario
15. DIAGRAMAS DE BLOQUE FUNCIONALES (FBD)
Son medios gráficos para reducir sistemas complejos dentro de partes más
pequeñas de elementos comprensibles con el propósito de realizar análisis
(FMEA / FMECA/ Confiabilidad, etc.), también se refieren como “BOundary
Diagrams”
Beneficios
 Define la propiedad de elementos de sistemas e interfases
 Mejora la comprensión de sistemas complejos y las interfases
funcionales
 Resalta las interdependencias funcionales y de interfase cuando se
requieren análisis detallados.
¿Quién es el ¿Cuáles son ¿Qué es?

responsable? las interfases
y el medio
ambiente?
Página 41
16. PUEBAS DE VIDA ALTAMENTE ACELERADAS

(HALT) Y SELECCIÓN CON ESFUERZO ALTAMENTE
ACELERADO (HASS)
HALT aplica estímulos ambientales simples y múltiples para descubrir
debilidades inherentes en el diseño inicial, encontrar causas raíz y hacer los
productos más robustos y con mayor confiabilidad. Se utiliza vibración, ciclos
de temperatura, y parámetros eléctricos como estímulos ambientales, además
de otros que se consideren necesarios.
HASS es un filtro rápido de producción una vez que se ha caracterizado el

producto con HALT. Como participación se aplican algunos de los mismos
esfuerzos de HALT pero en menor grado, por debajo de los límites de
destrucción pero siempre más allá de las condiciones normales de operación.
Como detección la prueba se hace en las condiciones normales de operación.
Beneficios
 Se usa un número pequeño de muestras y periodos cortos de tiempo en

el proceso HALT, lo cual reduce los costos de experimentación.
 Establecimiento de límites de operación
 Entrada proporcionada para determinar los requerimientos HASS
 Recepción de un producto madura en la introducción
 Eliminación de “apagar fuegos” después del lanzamiento inicial.
El proceso HASS puede ser considerado un filtrado de esfuerzo ambiental

(Environmental Stress Screen ESS), reduciendo el tiempo necesario para
precipitar el proceso de defectos del producto fabricado.
Los procesos HALT y HASS son procesos complemetarios, HALT se utiliza

como una herramienta de diseño acelerado para refinarlo, y HASS se usa
como una herramienta de filtro en la manufactura con esfuerzo ambiental
acelerado.
Página 42
Página 43
17. ANÁLISIS DEL COSTO DE CICLO DE VIDA (LCC)

El precio que un cliente paga por un producto, es solo el costo inicial en el que
el cliente incurrirá durante la vida útil del producto.
El análisis de costo del ciclo de vida se realiza para desarrollar un estimado del
LCC de un producto o un elemento de producto que se somete a estudios de
negociación de diseño, una vez realizado, se puede usar para:
 Comparar alternativas de diseño desde un punto de vista del LCC

 Identificar los motivadores LCC de un sistema
 Soportar la planeación presupuestal para soporte de un sistema
Se estima que entre el 90 a 95% del costo de ciclo de vida inherente a un

diseño de producto se establece durante las fases de desarrollo del concepto y
desarrollo de ingeniería. Para minimizar el LCC, se debe analizar desde las
primeras etapas del diseño para optimizarlo.
Página 44
Beneficios
 Mejora la satisfacción del cliente

 Ventaja competitiva debido a una mayor efectividad del costo del
producto
 Capacidad para vender mejoras al producto con base en el costo del
ciclo de vida del producto
 Mayores contratos ganados cuando no se es proveedor de bajo costo
Es importante considerar el costo del dinero en el tiempo (Valor Presente Neto)

para comparar alternativas.
Como alternativas de análisis se sugiere utilizar un FMEA dando una alta

calificación en “Severidad” al impacto de las fallas críticas, de esta forma al
menos se identifican los riesgos futuros desde el punto de vista del costo
operativo y de soporte, sin tener que desarrollar un modelo especial para esto.
Página 45
18. ANÁLISIS DE DATOS DE VIDA
Sirve de marco de referencia analítico para determinar la probabilidad de falla

de productos durante su ciclo de vida y evaluar la conformancia de acuerdo a
los requerimientos especificados de entrada.
EL análisis de datos de vida caracterizan las distribuciones de probabilidad de

falla de un componente, subsistema, o producto para evaluar su conformancia
de las características de confiabilidad contra los requerimientos establecidos.
Beneficios
 Demuestra el desempeño de la confiabilidad durante cualquier punto del

diseño. La forma de la curva determina si se trata de fallas infantiles,
fallas aleatorias o desgaste.
Actividades
 Definir la prueba y/o tipo de de datos (con reemplazo y sin reemplazo,

prueba terminada a falla o a tiempo, ensamble o componente, modos de
falla simples o múltiples).
 Definir el esquema de muestreo de datos (discretos o continuos)
 Recolectar datos (muestras verus vida)
 Graficar frecuencia de falla versus vida
 Ajustar los datos contra el mejor modelo (exponencial, Weibull,
Lognormal, Normal, etc.) con el criterio de aceptación de “bondad de
ajuste”
 Realizar el estimado del intervalo de confianza
 Realizar el análisis de riesgos
 Determinar la naturaleza de los datos (mortalidad infantil, aleatorio,
desgaste)
 Realizar acciones correctivas como sea adecuado
Por ejemplo:
Temp80_1 Cens80_1 Temp100_1 Cens100_1

50 1 101 0
60 1 11 1
53 1 48 1
40 1 32 1
51 1 36 1
99 0 22 1
35 1 72 1
55 1 69 1
74 1 35 1
101 0 29 1
56 1 18 1
45 1 38 1
61 1 39 1
92 0 68 1
Página 46
73 0 36 1
51 1 18 1
49 1 25 1
24 1 14 1
37 1 77 0
31 1 47 1
Identificación de la distribución:
Probability Plot for Temp80_1, Temp100_1

LSXY Estimates-Censoring Column in Cens80_1, Cens100_1
V ariable
Weibull Lognormal
Temp80_1
99
Temp100_1
90
90 C orrelation C oefficient
50 Weibull
P er cent
P er cent
0.989, 0.979
50
Lognormal
10
0.982, 0.990
10 E xponential
*, *
1 1 Loglogistic
10 100 10 100 0.988, 0.990
Data Data
Exponential Loglogistic
99
90
90
50
P er cent
P er cent
50
10
10
1 1
1 10 100 1000 10 100
Data Data
Pruebas de vida a dos temepraturas
Página 47
Probability Plot for Temp80_1, Temp100_1

Weibull - 95% CI
Censoring Column in Cens80_1, Cens100_1 - LSXY Estimates
99
Variable
90 Temp80_1
80 Temp100_1
70 Table of Statistics
60 S hape Scale C orr F C
50 3.70020 59.2118 0.989 16 4
40
2.07260 45.4911 0.979 18 2
30
Percent
20
10
3
2
1
1 10 100
Data
19. ANÁLISIS DEL SISTEMA DE MEDICIÓN (MSA)
El MSA determina la variación del sistema de medición en proporción a la

variación del proceso y/o la tolerancia permitida. Es el proceso por medio del
cual se califica si un sistema de medición es adecuado para el uso. Es decir,
indica si el sistema de medición es capaz de medir cambios y mejoras en la
variación del proceso y/o si es adecuado para determinar la capacidad del
proceso con respecto al rango de las especificaciones. Se usa para identificar
las causas de las variaciones, ya sea por personal o por equipo.
Es importante seleccionar el diseño experimental de Repetibilidad y

Reproducibilidad (R&R), involucra diferentes operadores y diferentes muestras.
Mide la razón de variación del sistema de medición a la variación en el proceso.
Un error R&R menor al 10% se considera aceptable, entre 10% y 30% puede
ser aceptable dependiendo de la importancia del a aplicación, costo del
dispositivo de medición, costo de reparación, etc.. Un valor mayor al 30% es
inaceptable.
Premisas requeridas en los sistemas de medición
 El proceso o sistema bajo medición debe estar en control estadístico,

con sólo variación común presente.
 La variabilidad del sistema de medición debe ser pequeña comparada
con la variabilidad del proceso de manufactura si la intención es medir
esta variabilidad.
 La variabilidad del sistema de medición debe ser pequeña comparada
con los límites de especificación si la intención es medir la capacidad del
proceso.
Página 48
 Para lo incrementos de medición no deben ser mayores a 1/10 de la

más pequeña entre la variabilidad del proceso o los límites de
especificación dependiendo de los que se mida.
Tipos de análisis
 Continuos
 Método corto del rango
 Estimación de la varianza
 Porcentaje de tolerancia
 Método de la X media y del rango (X-R)
 Método del Análisis de varianza (ANOVA)
 Método de ANOVA en porcentaje de tolerancia
 Métodos por atributos
Actividades
 Definir el proceso a ser medido

 Desarrollar la matriz de causa efecto
 Definir las mediciones
 Definir el sistema de medición
 Seleccionar las partes específicas
 Determinar la matriz de prueba
 Colectar datos de acuerdo a la matriz de prueba
 Realizar los análisis estadísticos de los datos, determinando la
repetibilidad, reproducibilidad y razón de precisión a tolerancia
 Tomar acciones correctivas como sea necesario
Ejemplo:
Se toma una parte con tolerancia 0.9, usando 6 sigmas, realizar un estudio de
R&R por ANOVA cuando 3 operadores miden 3 partes en 3 intentos:
Operador Parte Medición

1 1 0.12
1 2 0.14
1 3 0.13
1 1 0.14
1 2 0.12
1 3 0.15
2 1 0.12
2 2 0.11
2 3 0.16
2 1 0.13
2 2 0.12
2 3 0.14
3 1 0.12
3 2 0.14
3 3 0.15
Página 49
3 1 0.11
3 2 0.14
3 3 0.15
Las instrucciones para correrlo son:
1. Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
2. Part numbers Partes Operators Operadores Measurement data

Mediciones seleccionar Method of Analysis ANOVA
3. Options: Study variation 6 Process tolerance 0.9
4. OK
Los resultados se muestran a continuación:
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Operador 2 0.0000778 0.0000389 0.16867 0.850
Parte 2 0.0018111 0.0009056 3.92771 0.114
Operador * Parte 4 0.0009222 0.0002306 2.18421 0.152
Repeatability 9 0.0009500 0.0001056
Total 17 0.0037611
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0002806 100.00
Repeatability 0.0001056 37.62
Reproducibility 0.0001750 62.38
Parte 0.0001125 40.10
Parte*Operador 0.0000625 22.28
Part-To-Part 0.0000000 0.00
Total Variation 0.0002806 100.00
Study Var %Study Var %Tolerance

Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0167498 0.100499 100.00 11.17
Repeatability 0.0102740 0.061644 61.34 6.85
Reproducibility 0.0132288 0.079373 78.98 8.82
Parte 0.0106066 0.063640 63.32 7.07
Parte*Operador 0.0079057 0.047434 47.20 5.27
Part-To-Part 0.0000000 0.000000 0.00 0.00
Total Variation 0.0167498 0.100499 100.00 11.17
Number of Distinct Categories = 1
Página 50
Gage R&R (ANOVA) for Medición

Reported by :
Gage name: Tolerance:
Date of study : M isc:
Components of Variation Medición by Operador

100 % Contribution 0.16
% Study Var
Percent
% Tolerance
0.14
50
0.12
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3
Operador
R Chart by Parte
1 2 3 Medición by Parte
0.04 UCL=0.03993 0.16
Sample Range
0.14
0.02
_
R=0.01222 0.12
0.00 LCL=0
1 2 3
Parte
Xbar Chart by Parte
1 2 3 Parte * Operador Interaction
0.16
UCL=0.15576 0.150 Parte
Sample Mean
Average
0.14 _
_ 0.135
2
3
X=0.13278
0.12 0.120
LCL=0.10979
1 2 3
Operador
El sistema de medición es adecuado para determinar aceptabilidad de acuerdo

a la tolerancia, pero no puede usarse para evaluar mejora en el proceso mismo
ya que la variación de medición es una porción significativa de la variación de
las partes.
Boxplot of Medición
1 2
0.165
0.150
0.135
0.120
Medición
3
0.165
0.150
0.135
0.120
Panel variable: Operador
20. ANÁLISIS MULTIVARI

Es una herramienta gráfica utilizada en la solución de problemas para
identificar las fuentes de varianza durante la manufactura.
Página 51
Beneficios
 Despliega patrones de cambio en las mediciones

 Enfoca los esfuerzos sobre aspectos con el efecto más significativo,
resaltando grupos de mediciones con la mayor variación
Las muestras se deben tomar en forma secuencial de la producción, al menos

tres muestras por familia y tomar tres familias, los resultados de las mediciones
deben incluir al menos el 80% del rango de variación experimentado. La familia
con el rango de varianza mayor contiene la causa raíz sospechada.
Por ejemplo: Una parte con dos secciones y dos diámetros de mide en
diferentes tiempos:
Tipo Diametro Extremo Hora

A 12.8 1 7
A 12.6 2 7
B 12.9 1 7
B 12.7 2 7
A 12.6 1 7
A 12.5 2 7
B 12.5 1 7
B 12.4 2 7
A 12.7 1 7
A 12.6 2 7
B 12.7 1 7
B 12.7 2 7
A 11.8 1 9
A 11.5 2 9
B 11.8 1 9
B 11.4 2 9
A 11.7 1 9
A 11.4 2 9
B 11.7 1 9
B 11.4 2 9
A 11.8 1 9
A 11.6 2 9
B 11.8 1 9
B 11.6 2 9
A 10.7 1 11
A 10.7 2 11
B 10.75 1 11
B 10.75 2 11
A 10.5 1 11
A 10.5 2 11
B 10.5 1 11
B 10.5 2 11
A 10.8 1 11
A 10.7 2 11
B 10.8 1 11
B 10.7 2 11
A 12.7 1 12
Página 52
A 12.5 2 12
B 12.7 1 12
B 12.5 2 12
A 12.8 1 12
A 12.6 2 12
B 12.8 1 12
B 12.7 2 12
A 12.7 1 12
A 12.6 2 12
B 12.6 1 12
B 12.6 2 12
A 11.5 1 13
A 11.5 2 13
B 11.5 1 13
B 11.5 2 13
A 11.6 1 13
A 11.4 2 13
B 11.6 1 13
B 11.4 2 13
A 11.7 1 13
A 11.4 2 13
B 11.7 1 13
B 11.4 2 13
Página 53
Instrucciones:
1. Stat > Quality Tools > Multivari charts
2. Response Diámetro Factor 1 Extremo Factor 2 Tipo Factor 3 Hora
3. Ok
La gráfica resultante es la siguiente:
Multi-Vari Chart for Diametro by Extremo - Hora

A B A B
7 9 11 12 13 Extremo
13.0 1
2
12.5
Diametro
12.0
11.5
11.0
A B A B A B
Tipo
Panel variable: Hora
En la gráfica la mayor varianza es la que ocurre de tiempo a tiempo, algo pasa

a las 11AM.
21. DIAGRAMAS DE PARÁMETROS
Son un medio para reducir sistemas complejos a elementos comprensibles con

el propósito de identificar influencias internas y externas en la funcionalidad del
sistema, subsistema, ensamble o componente.
Los diagramas de parámetros se utilizan para diagnosticar problemas donde la

funcionalidad se degrada o no es aceptable, los resultados motivan a mejorar la
robustez.
Beneficios
 Define el alcance del análisis a ser realizado

 Define la propiedad de los elementos del sistema, interfases, y factores
de control
 Mejora la comprensión de sistemas complejos y las interfases
funcionales
 Junto con los diagramas de bloque, facilita el análisis en el FMEA.
Página 54
 Resalta riesgos que requieren pruebas como un esfuerzo para verificar

veracidad o funcionamiento inadecuado.
Actividades
 Definir los componentes a ser analizados. Determinar los límites y

nivel de complejidad del componente.
 Definir los factores físicos controlables del artículo o componente.
¿Qué parámetros de diseño del componente se pueden controlar y
que puede cambiar?
 Definir los factores de ruido que pueden tener influencia en la
funcionalidad del artículo o componente
 Determinar el efecto potencial en la funcionalidad del artículo o
componente en términos de “estados de error” potenciales.
Por ejemplo:
Las preguntas que surgen al hacer un diagrama de parámetros son las

siguientes:
 ¿Qué puede ser controlado (factores de control)?

 ¿Qué influencias externas degradan la salida (factores de ruido)?
 ¿Cómo se manifiesta esta degradación al cliente o usuario (estados de
error)?
Un análisis detallado de las influencias puede orientar a análisis más

profundos y esfuerzos de optimización (DOE, etc.)
Página 55
Página 56
22. DERATING DE PARTES

Es un método de diseño utilizado para asegurar que los componentes tengan
robustez en una aplicación específica de diseño, incrementado el margen de
seguridad del componente, contra esfuerzos que se puedan presentar con el
uso.
Derating significa: incrementar la resistencia promedio; reducir el esfuerzo

promedio; reducir las variaciones del esfuerzo a que se someten los
componentes, reducir las variaciones de resistencia, todo esto mejora la
durabilidad y la confiabilidad.
Beneficios
 Elimina el potencial de fallas prematuras bajo las condiciones

especificadas.
 Mejora o mantiene los niveles especificados de confiabilidad,
incrementado la resistencia para un ambiente dado o limitando el
impacto de esfuerzos externos.
 Orienta al desarrollo de guías para futuras aplicaciones.
Ejemplos:
Tipo de parte Nivel recomendado de Derating
Capacitores Máximo 60% del voltaje máximo
Resistores Máximo 60% de la potencia máxima
Semiconductores Máximo 50% de la potencia máxima
Máximo 75% del voltaje máximo
Temperatura en la unión máx. 110ºC
Microcircuitos Máximo 80% del voltaje de alim. Máx.
Máximo 75% de la potencia máxima
Temperatura en la unión máx. 100ºC
Bobinas Máximo 50% del voltaje máximo
Máximo 50% de la corriente máxima
Tasa de esfuerzo = Esfuerzo aplicado / Esfuerzo máximo
Tasa de Tasa de esfuerzo = 1.0

Falla
Tasa de esfuerzo = 0.8
Tasa de esfuerzo = 0.6
Temperatura
Bases para el Derating de tasa de falla contra temperatura
Página 57
23. PROCESO DE SOLUCIÓN DE PROBLEMAS – AIAG

El método proporciona una lista de verificación completa de acciones a
considerar cuando se desarrolle una acción correctiva o preventiva ante un
problema. Se recomienda el uso de herramientas de colección y análisis de
datos en cada paso para asegurar que las acciones en el proceso se basen en
la causa raíz, las decisiones se basen en datos y la solución prueb ser efectiva.
Se trata de identificar, documentar, analizar, y eliminar la recurrencia del

problema.
Beneficios
 Proporciona soluciones a problemas efectivas y permanentes

 Proporciona un proceso claro que puede ser seguido con FRACAS
 Proporciona un mecanismo de seguimiento para problemas del
programa de confiabilidad
Actividades (en cada caso, fechas programada y terminación, y responsable)
 Identificar el problema
 Determinar y clasificar las posibles causas
 Tomar acción a corto plazo
 Recolectar información / Diseñar pruebas
 Realizar pruebas / Analizar datos / Identificar causas raíz / Seleccionar la
solución
 Planear e implementar una solución permanente
 Medir y evaluar / Reconocer al equipo
En este último paso se proporciona evidencia de la efectividad de las acciones

correctivas y describir otras medidas preventivas tomadas.
Documentos a actualizar:
 DFMEA
 PFMEA
 Plan de control de proceso
 Prácticas
 Documentación de ingeniería
 Plan de capacitación
 Capacitación realizada
Página 58
24. ESTUDIOS DE CAPACIDAD DE PROCESO

Los estudios de capacidad de procesos evalúan la habilidad de un proceso
para mantener una característica o características del proceso dentro de
especificaciones.
Cuando el proceso es capaz, se tiene confianza en la funcionalidad y la

confiabilidad del producto.
Un estudio de capacidad de sistemas de medición deben preceder al estudio

de capacidad para asegurar que el sistema de medición es adecuado.
Los planes de control deben definir el proceso que se está midiendo y reflejar el
sistema de medición y proceso usado.
La efectividad de los estudios de capacidad de proceso están muy relacionados

con la criticalidad de las características para la funcionalidd del producto y su
confiabilidad.
Actividades
 Definir los requerimientos de tolerancia de las características del

producto, a través de FMEA, FTA, 8Ds, pruebas de campo.
 Definir los requerimientos de capacidad de las características del
producto.
 Definir el método de medición, por variables o por atributos.
 Definir / evaluar el plan de control
 Realizar un estudio del sistema de medición
 Realizar el estudio de capacidad de procesos
 Documentar los resultados
 Mejorar el proceso como sea necesario
Ejemplo:
Una parte tiene una dimensión de 0, +6 mm, con un requerimiento de Cpk de

1.33. Se hace un estudio R&R y se determina un error versus tolerancia de 8%,
lo cual es adecuado. Se realiza un estudio de capacidad de proceso como
sigue:
1. Cargar datos
2. Stat > Quality tools > Capability analysis > Normal
3. Lower Spec 0 Upper spec 6
4. seleccionar Estimate Rbar
5. OK
Página 59
Process Capability of Altura
LSL USL
P rocess Data Within
LS L 0.00000 Overall
Target *
U SL 4.50000 P otential (Within) C apability
S ample M ean 2.04800 Cp 1.38
S ample N 100 C PL 1.26
S tDev (Within) 0.54266 C PU 1.51
S tDev (O v erall) 0.62086 C pk 1.26
C C pk 1.38
O v erall C apability
Pp 1.21
PPL 1.10
PPU 1.32
P pk 1.10
C pm *
0.00 0.75 1.50 2.25 3.00 3.75 4.50

O bserv ed Performance Exp. Within Performance E xp. O v erall Performance
PP M < LS L 0.00 P P M < LS L 80.33 PP M < LS L 485.80
PP M > U S L 0.00 P P M > U SL 3.11 PP M > U S L 39.19
PP M Total 0.00 P P M Total 83.44 PP M Total 524.98
16. MAPA DE PROCESO / DIAGRAMA DE FLUJO

Es una representación gráfica para reducir procesos complejos a elementos
más pequeños comprensibles, que faciliten el análisis de (PFMEA), la
simulación y la mejora continua.
Proporciona un mapa de las actividades realizadas y sus interdependencias

(internas / externas) para un producto dado que será producido en un proceso.
Página 60
26. ESPECIFICACIONES DE DESEMPEÑO DEL

PRODUCTO
Es una lista de todos los requerimientos técnicos que debe cumplir un producto
durante su vida útil. Incluye, descripciones funcionales, tiempos de ciclo,
requerimientos de confiabilidad, requerimientos ambientales, y requerimientos
reglamentarios. También identifica todos los factores externos que pueden
influenciar el desempeño y confiabilidad del producto.
Beneficios
 Se identifican los requerimientos de confiabilidad desde el inicio del

desarrollo del producto, con base en esto se pueden desarrollar perfiles
de prueba específicos y criterios bajo los cuales se evalúe el producto.
 Permite desarrollar perfiles de prueba ambientales que no tengan
referencia a estándares, al probar con usuarios finales.
Actividades
 Considerar todas las entradas externas que puedan afectar el

desempeño y durabilidad del producto.
 Determinar la variación en el tiempo de estas entradas en la vida útil del
producto
 Hacer una referencia cruzada de la coincidencia de tiempo de las
entradas requeridas
 Investigar y documentar los límites en cada modo de operación
 Resumir todos los requerimientos en la especificación de desempeño del
producto
Ejemplo
Entradas ambientales
Muestra Bajo Medio Alto Tiempo
Rango temp. 20 40 60 1 hora
Vibración 5 rpm 10 rpm 20 rpm 200 horas
Ozono 0.1 ppm 0.2 ppm 0.5 ppm 4000 horas
Perfil operacional
Hrs/Año Hrs en vida útil % vida
Circuito Enc. 400 5000 5
Circuito Espera 5 50 .05
Circuito Apag. 9000 83000 94.5
Página 61
27. PLAN DE CONFIABILIDAD DEL PRODUCTO

Documenta las actividades de planeación enfocadas a alcanzar los objetivos de
confiabilidad de un programa de producto. Incluye el establecimiento de
políticas, procedimientos, y actividades necesarias para lograr los objetivos de
confiabilidad. Identifica las técnicas y herramientas empleadas en el programa,
su justificación, los tiempos y responsabilidades para su ejecución.
Proporciona una ruta del control proactivo de la confiabilidad del producto,

desde su concepto hasta su servicio postventa en campo.
Beneficios
 Permite una planeación sistemática de la confiabilidad.
Actividades
 Establecer requerimientos cuantitativos de la confiabilidad (confiabilidad,

IC de MTBF, perfil de uso del producto, y ambiente al que será
expuesto).
 Hacer una evaluación de requerimientos de riesgo de alto nivel, con
base en comparaciones, historial de desempeño de productos similares,
predicciones de confiabilidad, FMEA de concepto.
 Actividades de confiabilidad planeadas, identificando las técnicas y
herramientas utilizadas para alcanzar los objetivos y su justificación, así
como mitigar los riesgos de manera adecuada.
 Programación de tareas, con carta de Gantt incluyendo el programa de
cada tarea y los eventos importantes a revisar.
 Responsabilidades, de cada tarea o actividad.
Datos generales
Actividades Departamento Responsable
1. Gestión del programa
1.1 Plan de confiabilidad
1.2 Revisiones de diseño formales
1.3 Revisiones al programa de confiabilidad
2. Actividades de ingeniería
2.1 Lista de aspectos de confiabilidad
2.2 Asignación de confiabilidad
2.3 Predicción de la confiabilidad / Simulación
2.4 Revisión historial de desempeño campo
2.5 FMEA de diseño
2.6 FMEA de proceso
2.7 Análisis FTA
2.8 Análisis de esfuerzo eléctrico
2.9 Análisis de esfuerzo mecánico
2.10 Análisis térmico
2.11 Análisis del costo del ciclo de vida
2.12 Análisis del mantenimiento centrado en la
Página 62
confiabilidad
3. Actividades de prueba
3.1 Plan de pruebas formales
3.2 Pruebas de esfuerzo acelerado /etapas
3.3 Pruebas de desempeño
3.4 Pruebas de calificación de confiabilidad
3.5 Pruebas de desarrollo / crecimiento de la
confiabilidad
3.6 Otras pruebas
4. Control de proveedores/ subcontratistas

4.1 Requerimientos de confiabilidad asignados
4.2 Alcance de la ingeniería de confiabilidad
4.3 Planes de prueba del proveedor
4.4 Pruebas de validación del proveedor
4.5 Requerimientos de garantía del proveedor
5. Control de la manufactura
5.1 Control de características críticas
6. Actividades de mejora continua

6.1 FRACAS
6.2 Medición de la confiabilidad
6.3 Medición del crecimiento de la
confiabilidad
Uso del producto y perfil de operación

Esfuerzo o condición Valor % del valor en la vida
de operación del producto
Metas cuantitativas de confiabilidad

Característica Valor objetivo Método de Método de
verificación validación
Disponibilidad
MTBF
Vida esperada
Página 63
Ambiente de operación
Factor ambiental Rango Tasa de cambio

Temperatura
Humedad
Vibración
Choque mecánico
Campo magnético
Polvo
Corrosivos
Solventes
Ruido eléctrico
Vapores químicos
Análisis de aspectos mayores de confiabilidad y nivel de detalle
Elemento Asignación Predicción FMEA FMEA Análisis Análisis Otros

de de de de de de árbol LLC
diseño o confiabilidad confiabilidad diseño proceso de falla
proceso
Nivel de detalle: 1-Sistema, 2-Ensamble, 3-Componente, 4-Estándar,
Monitoreo del desempeño en campo
 Análisis de datos colectados por el cliente

 Análisis de reclamaciones y garantías
 Análisis de reemplazo de partes
 Auditorías periódicas de desempeño
 Contactos informales y seguimiento por personal de campo
Programación de tareas:
Página 64
16. TABLERO DE PRODUCTO

Es una herramienta utilizada en el Diseño para Seis Sigma (DFSS) que da
seguimiento al logro de la capacidad para cada uno de los parámetros críticos.
Los parámetros críticos se identifican en varios niveles del diseño.
Página 65
El tablero de producto se utiliza durante cada una de las fases del proceso de
desarrollo, incluye información de manufactura e ingeniería, mostrando los
entregables críticos medidos, para identificar y corregir por anticipado
problemas de confiabilidad.
Beneficios
 Son una ayuda visual para identificar los avances y obstáculos del
programa.
 Proporcionan un mecanismo de seguimiento a través del programa de
desarrollo.
Actividades
 Identificar necesidades del cliente

 Identificar requerimientos de sistema
 Identificar requerimientos de subsistemas
 Identificar requerimientos de componentes
 Identificar requerimientos de manufactura
 Identificar las respuestas funcionales críticas en cada nivel
 Introducir los datos en el programa de seguimiento / matriz
 Seguir el bañase en el logro de la capacidad
Ejemplo
Tablero de Control de alto nivel: CTQs de alto nivel para DFSS

Especificación Como se diseñó Predicción conf. Proceso Validación
CTQ Unidad TF Mín Nom Máx Mín Nom Máx Cp Cpk Media Desv. Cp Cpk n Media Desv. Cp Cpk
Est. Est.
Tablero de Control de nivel medio: CTQs y X`s de nivel medio

Est. Est.
Tablero de Control de nivel inferior: un CTQ

Est. Est.
Página 66
29. PROCESO DE APROBACIÓN DE PARTES PARA

PRODUCCIÓN (PPAP)
Es un método estructurado para que los proveedores sometan partes nuevas o

cambiadas para aprobación de sus clientes antes de embarcan producción
normal de productos.
El PPAP se usa para determinar si los registros de diseño de ingeniería del

cliente y las especificaciones son comprendidas por el proveedor y que el
proceso tiene el potencial de producir productos que consistentemente cumplan
esos requerimientos durante una producción real en su tasa establecida.
Beneficios
 Tener un proceso estándar de someter muestras iniciales al cliente.
Actividades
 Realizar una planeación avanzada de la calidad (APQP), involucrando al

usuario, proveedor, etc. como sea necesario, durante las fases de
prototipo y producción piloto.
 Utilizar mapas de proceso, planes de control, análisis de capacidad del
proceso y FMEA
 Realizar el PPAP
El ejemplo se omite por ser muy largo.
30. DESPLIEGUE DE LA FUNCIÓN DE CALIDAD (QFD)

Es una herramienta sistemática para traducir los requerimientos del cliente en
requerimientos organizacionales para cada una de las fases desde el concepto,
desarrollo de ingeniería, manufactura, hasta ventas y distribución.
Tiene el propósito de desplegar la voz del cliente a toda la organización (desde

el concepto hasta su disposición) usando una serie de fases: Concepto, diseño,
manufactura, y producción.
31. MODELO DE ASIGNACIÓN DE CONFIABILIDAD

Es la tarea de distribuir los requerimientos de confiabilidad / garantía a
subsistemas individuales y componentes para cumplir con los requerimientos
de confiabilidad del sistema, desde el sistema de alto nivel al nivel de
componente, a través de un proceso lógico.
Página 67
Página 68
Teoría de la confiabilidad
Página 69
1. Introducción a la confiabilidad
No es suficiente que un producto cumpla las especificaciones y criterios de

calidad establecidos sino que además es necesario que tenga un buen
desempeño durante su vida útil es decir que sea confiable. Esto cada vez cobra
una importancia mayor dado que cambia la tecnología, los productos son cada
vez más complejos, los clientes se tornan cada vez más exigentes y la
competencia es alta.
Confiabilidad es la probabilidad de que un componente o sistema desempeñe

satisfactoriamente la función para la que fue creado durante un periodo
establecido y bajo condiciones de operación establecidos. La confiabilidad es
calidad en el tiempo.
Falla de un producto sucede cuando deja de operar, funcionar o no realiza

satisfactoriamente la función para la que fue creado. El tiempo de falla es el
tiempo que transcurre hasta que el producto deja de funcionar.
Las razones de estudio de la confiabilidad de productos son las siguientes:
1. Determinar el tiempo tp hasta el cual se espera que falle una proporción p

dada de los productos en operación. Esto es útil para determinar tiempos de
garantía apropiados así como sus costos.
2. Encontrar el tiempo tp al cual se espera que sobreviva una proporción 1-p

dada de los productos en operación. Es una estimación de la confiabilidad de
los productos.
3. Determinar la propensión a fallar que tienen el producto en un tiempo dado.

Para comparar dos o más diseños o procesos, o lo que se publicita por un
proveedor.
4. Dado que un artículo ha sobrevivido un tiempo T0, encontrar la probabilidad

de que sobreviva un tiempo un tiempo t adicional. Para planear el reemplazo de
los equipos.
5. Los puntos anteriores se pueden hacer de manera comparativa para

diferentes materiales, proveedores o modos de falla.
La información para los estudios de confiabilidad tienen diferentes

denominaciones: datos de tiempos de vida, datos de tiempos de falla, datos de
tiempo a evento, datos de degradación, etc.
Entre las características que tienen los estudios de confiabilidad se encuentran

los siguientes:
1. Los tiempos de falla son positivos con comportamiento asimétrico y sesgo

positivo, por tanto las distribuciones para modelar estos tiempos de falla son la
Weibull, lognormal, exponencial y gamma, la distribución normal casi no se
utiliza.
Página 70
2. Mientras que en estadística lo que interesa son los parámetros de la

población media y desviación estándar, en la confiabilidad lo que interesa son
las tasas de falla, las probabilidades de falla y los cuantiles. Un cuantil es el
tiempo tp hasta el cual se espera que falle una proporción p de artículos.
3. Para tener datos es necesario tener datos a través de pruebas las que en
algunas ocasiones son costosas.
4. A veces el tiempo para observar las fallas es muy largo y es necesario cortar
el tiempo de prueba, dando lugar a observaciones censuradas. Normalmente
se requiere extrapolar los resultados, por ejemplo al estimar la tasa de falla a
las 10,000 horas con pruebas de funcionamiento durante 1,000 horas.
5. Cuando es necesario acortar el tiempo de prueba se pueden hacer pruebas

de vida acelerada utilizando condiciones estresantes.
Ejemplo:
Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura

de 80ºC y se observaron 40 con falla. Al finalizar la prueba 960 chips
funcionaban adecuadamente.
Entre las preguntas que se pueden contestar se encuentran las siguientes:
¿Cuál es la probabilidad de que fallen los chips antes de las 500 horas?
¿Cuál es el riesgo de falla a las 300 horas?
¿Cuál es la proporción de chips que fallarán antes de 250 horas?
Datos censurados
Censura
Página 71
Se tienen datos censurados cuando no se conocen los tiempos de falla de las

unidades de manera exacta, sino solo los intervalos de tiempo donde
ocurrieron o hubieran ocurrido las fallas. Es información parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:
 Tiempo fijo de terminación de la prueba

 Tiempos de inspección (límites superiores e inferiores en T)
 Modos de falla múltiples (también conocidos como riesgos en
competencia, y dando por resultado censura por la derecha),
Independiente (simple) y no independiente(difícil).
TIPOS DE CENSURA
 Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

unidades sin falla limitando el tiempo de observación o censura por
tiempo. Cuando se limita el tiempo hasta que fallan r unidades, se tiene
censura tipo II para las unidades sobrevivientes (n-r).
 Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

después de un periodo de tiempo se encuentra que algunas fallaron,
pero no se sabe el momento de su ocurrencia.
Página 72
 Censura por intervalo cuando se inspecciona en intervalos de tiempo y

se observan fallas en cierto intervalo pero no se conoce exactamente en
que momento ocurrieron, se censuran los productos sobrevivientes.
 Censura múltiple: Cuando en el mismo estudio se tienen diferentes tipos

de censura.
Ejemplo:
A X
B ¿ ¿
C
¿
D
Fig. 1 Tipos de censura: A sin censura; B Censura por la izquierda; C Censura por la derecha;
D censura por intervalo.
2. Distribuciones de probabilidad
Página 73
Verosimilitud (probabilidad de los datos)
La Verosimilitud proporciona un método general y versátil de estimación, se

prefieren las combinaciones de Modelo/Parámetros con Verosimilitud grande.
Permite censura, intervalos, y datos truncados.
La forma de la verosimilitud dependerá del: propósito del estudio, modelo

asumido, sistema de medición e identificación y parametrización.
La contribución por diferentes tipos de censura es como sigue:
Por ejemplo para la función de distribución:
La verosimilitud en censura por intervalo es:
Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

Li =F(1.5) - F(1) = 0.231
La verosimilitud de censura por la izquierda es:
Si una falla se detecta en la primera inspección a un tiempo t=0.5,
Página 74
Li = F(0.5) = .265
La verosimilitud de censura por la derecha es:
Si una unidad continua operando en la ultima inspección en el tiempo T=2.0,

Li =1 - F(2) = 0.0388
Para una tabla de tiempos de vida se tiene:
Los datos son: el número de las fallas (di), censuradas por la derecha (ri), y
censuradas por la izquierda (li) en cada uno de los intervalo (no traslapadas)
(ti-1, ti ], i = 1. . . m, m+1, t0 = 0. La verosimilitud (probabilidad de los datos)
para una sola observación, en (t i-1, ti ] es:
Si se supone que la censura es en ti:
Página 75
Análisis no paramétrico de los tiempos de falla
Para la estimación no paramétrica de F(ti) con base en la teoría binomial para

datos con censura simple de intervalo se tiene:
Con los datos:
n = tamaño de muestra
Di = # de fallas en el iesimo intervalo
De la distribución binomial se tiene:
Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

d1 = 2 fallas, en el segundo periodo se obtienen d2 = 2 fallas y en el periodo
d3 = 2 fallas, entonces:
está definida sólo al final del intervalo
Página 76
Es el estimador de máxima verosimilitud de F(t).
El incremento en a cada valor de ti es
El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

específico contiene la cantidad de interés.
La probabilidad de cobertura es la probabilidad de que el procedimiento dará

lugar a un intervalo que contiene la cantidad de interés. Un intervalo de
confianza es aproximado si el nivel especificado de la confianza no es igual a la
probabilidad real de la cobertura.
Con datos censurados la mayoría de los intervalos de confianza son

aproximados, para mejorar las aproximaciones se requieren más cálculos.
El intervalo de confianza de F(ti) con base en la distribución binomial es:
Donde y es el cuantil 100(1-/2) de
la distribución F con (1, 2) grados de libertad.
Usando la aproximación normal del intervalo de confianza para F(ti), el intervalo

aproximado del cuantil 100(1-) en % para F(ti) esta dado por:
Es el cuantil 100(1-/2) de la distribución normal estándar.
Es una estimación de la desviación
estándar de
Del ejemplo para un nivel de confianza del 95% se tiene:
Página 77
Cuando el número de inspecciones se incrementa, el ancho del intervalo (ti-1,

ti) tiende a cero y los tiempos de falla son exactos.
F(t) está definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de

censura F(t) es el estimador de mv de F(t). La estimación es una función
escalonada con un paso del tamaño 1/n en cada tiempo de falla, algunas
veces es múltiplo de 1/n porque hay tiempos de falla similares. Cuando no hay
censura, el F(t) es el fda empírico bien conocido.
Para la estimación no paramétrica de F(ti) con base en datos por intervalo y

censura múltiple por la derecha se tiene:
n=tamaño de muestra
di = numero de fallas en el intervalo i
ni = conjunto bajo riesgo al tiempo t-1
ri = numero de observaciones censuradas al tiempo ti
En el límite, si el numero de intervalos aumenta, el ancho del intervalo tiende a

0 y obtenemos el estimador Kaplan Maier o producto limite. Las fallas se
concentran en intervalos con ancho de intervalo infinitesimal. El estimador será
constante sobre todos los intervalos que no tienen fallas. La función cambia
cuando existe alguna falla,
Página 78
Página 79
Función de densidad de probabilidad
La función de densidad f(t) es continua si cumple para f(t) >= 0 el área bajo la
curva es igual a 1, en confiabilidad el intervalo es de cero a infinito o sea:



f (t ) dt  1
Para el caso de la distribución exponencial se tiene que:
f (t )e  t ; t  0
Función de distribución acumulada
Esta función se define como la integral de la función de densidad desde cero

hasta el tiempo t y representa la probabilidad de fallar antes del tiempo t
(P(t)  t), es decir:
t
P(T  t )  F (t )   f ( x )dx  1
0
Para el caso de la distribución exponencial se tiene:
t
P(T  t )  F (t )   e x dx  e x t
0  1  e t , t  0
0
Función de confiabilidad
Es una función decreciente denominada también función de supervivencia es la

probabilidad de sobrevivir hasta el tiempo t, se representa como:
R(t)= 1 – F(t)
Para el caso de la función exponencial es:
R (t ) e  t
f(t) 1 F(t) 1 R(t)
0 tiempo 0 tiempo 0 tiempo
Fig.2 Función de densidad Función de distribución Función de
Página 80
Acumulada confiabilidad
Función de riesgo / Tasa de riesgo / Tasa instantánea de riesgo
Se define como:
f (t )
h(t ) 
R (t )
Es el resultado del siguiente límite:
P (t  T  T   T  t )
h(t )  lim
 0 
Representa la probabilidad de falla instantánea en el tiempo t + t dado que la

unidad ya sobrevivió hasta el tiempo t.
Vida útil de un producto
La vida útil de un producto se puede representar por una curva de la bañera,

como sigue:
f(t)
tiempo
Mortalidad Vida útil o fallas Envejecimiento
Infantil o aleatorias o fallas por desgaste
Fallas tempranas
Fig. 3 La curva de la bañera con el ciclo de vida de un producto
 La mortalidad infantil representa las fallas debidas a problemas de

diseño o ensamble con tasa de falla decreciente respecto al tiempo.
Normalmente se hace un quemado a las unidades durante un tiempo
razonable para eliminar este tipo de fallas al usuario del producto.
 La zona de fallas aleatorias representa una tasa de falla constante

respecto al tiempo.
 La zona de desgaste o envejecimiento representa la zona de tasa de

falla creciente cuando el componente está llegando a su vida útil.
Página 81
Función de riesgo acumulado
Es la integral hasta el tiempo t de la función de riesgo como sigue:

t
H (t )   h( x) dx  1
0
Por medio de esta función también se puede calcular la confiabilidad como

sigue:
R (t )  e  H ( t )
Vida promedio o tiempo medio entre falla (MTBF)
La vida media es el valor esperado o media de la variable T como sigue:
t
E (t )   tf (t )dt
0
La vida media para el caso de la distribución exponencial es:
Por tanto para la distribución exponencial la vida media es la inversa de la tasa

de riesgo.
Función cuantil
El cuantil p es el tiempo tp al cual falla una porción de las unidades. Se define

en términos de la distribución acumulada como:
t p  F 1 ( p)
La función F-1(p) es la función inversa de F(t). En el caso exponencial resulta de

despejar t como sigue:
1 1
t p  F 1 ( p)   ln(1  F (t ))   ln(1  p)
 
Ejemplo:
Se someten 20 componentes a una prueba de vida y las horas transcurridas

hasta la falla fueron las siguientes:
Unidad Horas
1 3.70
Página 82
2 3.75
3 12.18
4 28.55
5 29.37
6 31.61
7 36.78
8 51.14
9 108.71
10 125.21
11 125.35
12 131.76
13 158.61
14 172.96
15 177.12
16 185.37
17 212.98
18 280.40
19 351.28
20 441.79
Si las horas de falla siguen la distribución exponencial, estimar las funciones de

densidad de probabilidad, función de distribución acumulada, función de
confiabilidad y función de riesgo.
Como no hay censura la media concuerda con las media de las observaciones
o sea 133.43.
La función de densidad es:
1
1  t
f (t ) e 133.43
133.43
La función de distribución acumulada es la siguiente:
1
 t
F (t ) 1  e 133.43
La probabilidad de que los componentes fallen antes de las 20 horas es:
F(20) = 0.139
La función de confiabilidad es la siguiente:
1
 t
R (t ) e 133.43
Y la función de riesgo es:
Página 83
1
h(t ) 
133.43
3. Modelos (distribuciones de probabilidad) para el

tiempo de falla
Los modelos que se utilizan para el tiempo de falla son: Weibull, Valor extremo,
exponencial, normal y lognormal. Aquí se mostrarán sus funciones de densidad
f(t), distribución acumulada F(t), función de confiabilidad R(t) y función o tasa
de riesgo h(t). También se incluyen la vida media y la función cuantil de cada
distribución.
Distribución exponencial de un parámetro
Modelo de confiabilidad para tasa de riesgo constante, de componentes de

muy larga vida y alta calidad que “no envejecen” durante su vida útil. Se dice
que esta distribución tiene falta de memoria ya que no importa el tiempo que
haya transcurrido, su probabilidad de falla es la misma que cuando estaba
nuevo. Es muy aplicable a componentes electrónicos ya que no exhiben
desgaste o mejora en el tiempo (por ejemplo los transistores, los resistores, los
circuitos integrados y los condensadores). No es aplicable a componentes con
desgaste como las balatas o baterías cuya tasa de falla se incrementa con el
tiempo.
Sus funciones básicas son:
f (t )  e  t , F (t )  1  e  t , R(t )  e  t , h(t )  
La función cuantil y la vida media son:
t p  (1 /  ) ln(1  p ), E (T )  1 / 
En función de la media se tiene (MTBF = ):
Página 84
f(t) 1 F(t) 1 R(t)
0 tiempo 0 tiempo 0 tiempo
Fig.4 Función de densidad Función de distribución Función de

Acumulada confiabilidad
.008
Función de riesgo
El efecto de la tasa de falla en la pdf es:
Página 85
Distribución exponencial de dos parámetros
Para:
• Donde  > 0 es un parámetro de escala y  es un parámetro

localización y frontera. Cuando  = 0 se tiene la distribución exponencial
de un parámetro.
Los cuantiles son:
Tp =  -  log (1-p)
Los Momentos son.
Página 86
Distribución Weibull de dos parámetros
Es una distribución flexible donde su tasa de falla puede ser decreciente,

constante o creciente dependiendo de sus parámetros. Normalmente se define
con dos parámetros: el de forma  que tiene efecto sobre la forma de la
distribución y el de escala  que afecta la escala del tiempo de vida.
La teoría de valores extremos demuestra que la distribución de Weibull se

puede utilizar para modelar el mínimo de una gran cantidad de variables
aleatorias positivas independientes de cierta distribución: tales como falla de un
sistema con una gran cantidad de componentes en serie y con los mecanismos
de falla aproximadamente independientes en cada componente.
Sus funciones básicas son:


 1  t 
 t  
f (t )    e   Distribución de densidad
  

 t 
  
F (t )  1  e   Distribución acumulada

 t 
 
R (t )  e   Función de confiabilidad
 1
 t 
h(t )    Función de riesgo
  
La vida media y la función cuantil son las siguientes:
E (T )  (1  1 /  )
t p     ln(1  p )
1/ 
La función gamma se define como:


t
x 1
( x)  e t dt Generalización del factorial de un número
0
( x )  ( x  1) ( x  1) Para cualquier número
( n)  (n  1)! Para números enteros
Página 87
=0.5 =1 =2

1
Tiempo
Figura 5. Funciones de densidad Funciones de riesgo
En general cuando el para valores de beta 0<<1 la función de riesgo es

decreciente y para valores de >1 la función de riesgo es creciente.  también
se conoce como pendiente.
Página 88
Página 89
Página 90
Esta distribución se aplica a productos con varios componentes de vida similar,

donde cuando falla un componente falla el producto.
Página 91
Distribución Weibull de tres parámetros
En ocasiones las fallas no empiezan a observarse desde el tiempo cero sino

hasta después de un periodo , es decir hasta después de este tiempo la
probabilidad de falla es mayor a cero. Para esto se introduce en la distribución
un parámetro de localización que recorre el inicio de la distribución a la
derecha, quedando las funciones de densidad, de distribución, de confiabilidad
y de riesgo para la distribución de Weibull (, , ) como sigue:

 1  t  
  t    
f (t )    e    Distribución de densidad
   

 t  
 
F (t )  1  e    Distribución acumulada

 t  
 
R (t )  e    Función de confiabilidad
 1
  t  
h(t )    Función de riesgo
   
Donde t>= 
E (T )    (1  1 /  )
t p       ln(1  p )
1/ 
En el caso de =1 se tiene la distribución exponencial.
Página 92
Ejemplo:
Sea la función de riesgo de Weibull dada por:
h(t )  (0.5 / 1000)(t / 1000) 0.5 t se expresa en años
Si se implementa un periodo de quemado (burn-in) de 6 meses (tb=0.5), a que

tiempo las unidades sobrevivientes tendrán una confiabilidad de 90%.
De la función de riesgo, el parámetro de forma =0.5 y el parámetro de escala
es =1000.
Sustituyendo estos valores en la función de confiabilidad de Weibull se tiene:

0 .5
 t 
 
R (t )  0.9  e  1000 
t  1000  ln(0.90)  11 .1
2
A seis meses la confiabilidad de las unidades sobrevivientes estará dada por la

probabilidad condicional siguiente:
Página 93
C (t t  t b )  0.90 

R(t  t b ) exp  ((t  0.5) / 1000) 0.5


R (t b ) 
exp  (0.5) / 1000) 0.5 
Igualando a 90% y despejando para t se obtiene t = 15 años, es decir el
periodo de quemado eliminaría unidades débiles que fallarían pronto y las
unidades sobrevivientes tienen mayor confiabilidad.
Distribución Valor extremo para mínimos
Se utiliza para describir la vida de productos cuya duraci´´on está determinada

por la vida mínima de sus componentes:
1 t    t   
f (t )  exp   exp  Función de densidad
     
  t   
F (t )  1  exp  exp  Función de distribución
   
  t   
R (t )  exp  exp  Función de confiabilidad
   
1 t   
h(t )  exp  Función de riesgo
   
E (T )    0.5772 0.5772 constante de Euler
t p     ln  ln(1  p)
=1 =2 =3

1
Tiempo
La distribución Valor extremo se relaciona con la distribución Weibull donde si

la variable T sigue una distribución Weibull (, ), su logartimao ln(T) sigue una
Página 94
distribución valor extremo con parámetros de escala =1/ y parámetro de

localización =ln().
Para:
Donde
Son fdp y fda para una normal estándar  es el parámetro de localización y 

es el parámetro de escala.
Los cuantiles son:
Donde es el cuantil p de una normal estándar.
Los Momentos son:
Página 95
Distribución de los valores extremos máximos
Para
Donde:
Son fdp y fda para una distribución
 es el parámetro de localización y  es el parámetro de escala.
Los cuantiles son:
La media y la varianza son las siguientes:
Página 96
Distribución normal
No es muy utilizada en confiabilidad dado su comportamiento simétrico, el

comportamiento del tiempo de vida es asimétrico, sin embargo es un modelo
adecuado cuando muchos componentes tienen un efecto aditivo en la falla del
producto. Aquí  es el parámetro de localización y  es el parámetro de
escala.
Sus funciones básicas de densidad, distribución y confiabilidad son las

siguientes:
2
1  t  
1   
f (t )  e 2  
Función de densidad
2
t  
t
F (t )   f ( x)dx  

 
 Función de distribución
t  
t
R(t )  1   f ( x)dx  1  

 
 Función de confiabilidad
La vida media y la función cuantil estan dadas por:
E (T )  
t p     1 ( p )
Donde -1 es la función inversa de la distribución normal estándar acumulada.
=1 =2 =3

1
Página 97
Tiempo
Página 98
Página 99
Distribución lognormal
Esta distribución es apropiada cuando los tiempos de falla son el resultado de

muchos efectos pequeños que actúan de manera multiplicativa. Esto hace que
al sacar el logaritmo de dichos efectos actúen como de manera aditiva sobre el
logaritmo del efecto global o logaritmo del tiempo de falla, se aplica a procesos
de degradación por ejemplo de fatiga de metales y de aislantes eléctricos.
La distribución lognormal es un modelo común para los tiempos de la falla, se

justifica para una variable aleatoria obtenida como el producto de un número
variables aleatorias positivas, independientes e idénticamente distribuidas. Se
se puede aplicar como modelo de el tiempo de falla causado por un proceso de
degradación con tazas aleatorias que se combinan multiplicativamente.
La distribución lognormal se relaciona con la normal ya que si T sigue una

distribución lognormal, su logaritmo sigue una distribución normal. O si T tiene
una distribución normal, Y=exp(T) sigue una distribución lognormal.
Sus funciones básicas son las siguientes:
1  1 
2
1  ln( t )   
  
f (t )   e 2    Función de densidad
t  2 
 
 ln(t )   
t
F (t )   f ( x)dx  




Función de distribución
 ln(t )   
t
R (t )  1   f ( x)dx  1  




Función de confiabilidad
La vida media y la función cuantil estan dadas por:
E (T )  exp(   2 / 2)
t p  exp(    1 ( p )
Página 100
Página 101
Página 102
Donde el cuantil para la distribución normal es
La media y el cuantil es:
Página 103
Distribución logística
Para:
 es el parámetro de localización y  > 0 es el parámetro de escala
Donde y son fdp y fda para una logistica estandarizada dada por:
Los cuantiles son:
Con
es el p esimo cuantil para una distribución logística estándar.
La media y la varianza son:
Página 104
Ejemplos:
Distribución Loglogística
Si entonces
Con:
Donde y son fdp y fda para una logistica estándar . Exp( ) es el

parámetro de localización y  > 0 es el parámetro de escala.
La media para sigma > 1 es:
Y para sigma < ½ es:
Página 105
Página 106
4. Estimación de parámetros del modelo
Los modelos paramétricos complementan a las técnicas no paramétricas. Los

modelos paramétricos se pueden describir con precisión con apenas algunos
parámetros, en vez de tener que reportar una curva entera.
Es posible utilizar un modelo paramétrico para extrapolar (en tiempo) a la cola

inferior a o superior de una distribución. En la práctica a menudo es útil
comparar varios análisis paramétricos y no paramétricos de un conjunto de
datos.
Funciones de los parámetros
Función de distribución acumulativa
El p cuantil es el valor mas pequeño de tp tal que
La función de Riesgo
El tiempo medio de falla, MTTF, de T (también conocida como esperanza de T).
Si esta integral no converge, se dice que la media no existe.
La varianza (o el segundo momento central) de T y la desviación estándar son:
El coeficiente de variación es:
Página 107
Distribuciones con parámetros de localización y escala
Para las distribuciones de esta familia su fda se puede expresar como.
Dónde - < µ <  es un parámetro de localización y  >0 es un parámetro

de escala.
 es la fda de Y cuando µ = 0 y  = 1 y  no depende de ningún parámetro

desconocido. Como en la distribución de Z = (Y- µ ) /  que no depende de
ningún parámetro desconocido.
Las distribuciones estadísticas de esta clase de distribuciones son las

siguientes: distribuciones exponenciales, normales, Weibull, lognormal,
loglogistica, logísticas, y de valor extremos. Su teoría es relativamente simple.
Resumen de modelos de confiabilidad
En la tabla siguiente se relaciona la distribución de los tiempos de falla T con:

1) Las transformaciones idóneas para Tp , y
2) Las distribuciones que siguen los residuos.
Página 108
Especificación de la distribución de vida y estimación gráfica de sus

parámetros
Un primer paso en un estudio de confiabilidad es identificar la distribución que

mejor modela los tiempos de falla (o vida) de los productos.
Linearización de la función de distribución acumulada (fda)
Esto es necesario para determinar la confiabilidad usando papel deprobailidad

de Weibull:
Para el caso de la distribución exponencial se tiene:
t

F (t )1  e 
Se deduce que:
t

e 
 1  F (t )
t
 ln1  F (t ) 

Es la ecuación de la recta y = ax con y = -ln(1-F(t)) y x = t. La pendiente de la

recta es 1/. Por tanto se pueden graficar los pares ordenados (t(i), -ln(1-
F^(t(i))) con F^(t(i)) = (i-0.5)/n, en papel ordinario o graficar en papel
exponencial los pares (t(i), (i-0.5)/n).
 t t (i )
Exponencial 1  exp    log(1  p( i ) ) 
  
Para el caso de Weibull dela función cuantil:
t p     ln(1  p )
1/ 
Tomado logaritmos naturales de ambos lados y sustituyendo p por F(ft) (es lo

mismo), se obtiene:
1
ln(t )  ln( )  ln  ln(1  F (t )

Reacomodando la ecuación queda como:
ln  ln(1  F (t )    ln( )   ln(t )
Ecuación de la foirma y = ax + b, con y = ln (-ln(1-F(t)), a = - ln() y x = ln(t).
Se puede graficar en papel ordinario (ln(t(i), ln (-ln(1-F(t)), o graficar en papel

logarítmico de Weibull (t(i), (i-0.5)/n).
Página 109
Ejemplo:
Se prueban seis unidades similares en un estudio de confiabilidad, las cuales

presentaron fallas como sigue:
Tiempo de Orden de Posición en gráfica

falla (Hrs.) fallas, i (i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916
Utilizando Minitab con las siguientes instrucciones:
1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis
2. Variables t; Assumed distribution Weibull
3. OK
Los resultados son los siguientes:
Distribution Analysis: t
Variable: t

Uncensored value 6
Estimation Method: Least Squares (failure time(X) on rank(Y))
Distribution: Weibull
Parameter Estimates
Parameter Estimate Error Lower Upper
Shape 1.43966 0.770081 0.504604 4.10744
Scale 76.1096 23.0668 42.0206 137.853
Goodness-of-Fit
Anderson-Darling (adjusted) = 1.980
Correlation Coefficient = 0.996
Characteristics of Distribution
Estimate Error Lower Upper
Mean(MTTF) 69.0792 21.6192 37.4070 127.568
Standard Deviation 48.7161 31.6088 13.6579 173.765
Median 59.0032 19.5515 30.8190 112.962
First Quartile(Q1) 32.0329 17.6650 10.8690 94.4070
Third Quartile(Q3) 95.4934 31.2532 50.2794 181.366
Interquartile Range(IQR) 63.4604 32.7893 23.0514 174.707
Table of Percentiles
Página 110
Percent Percentile Error Lower Upper

1 3.11703 5.40393 0.104239 93.2077
2 5.06250 7.48720 0.278920 91.8864
3 6.73318 8.95519 0.496722 91.2696
4 8.25196 10.1030 0.748881 90.9288
5 9.67027 11.0465 1.03062 90.7361
6 11.0159 11.8452 1.33886 90.6365
7 12.3060 12.5347 1.67146 90.6017
8 13.5521 13.1381 2.02681 90.6153
9 14.7626 13.6715 2.40367 90.6672
10 15.9435 14.1466 2.80105 90.7505
20 26.8511 16.9820 7.77351 92.7483
30 37.1916 18.1019 14.3268 96.5476
40 47.7313 18.6733 22.1717 102.756
50 59.0032 19.5515 30.8190 112.962
60 71.6255 21.8154 39.4287 130.114
70 86.5837 26.9542 47.0382 159.376
80 105.925 37.2835 53.1361 211.156
90 135.843 59.0936 57.9098 318.656
91 140.131 62.6511 58.3405 336.587
92 144.857 66.6766 58.7677 357.060
93 150.135 71.2939 59.1935 380.792
94 156.128 76.6846 59.6209 408.847
95 163.088 83.1306 60.0537 442.898
96 171.433 91.1043 60.4981 485.788
97 181.936 101.493 60.9642 542.951
98 196.302 116.288 61.4723 626.862
99 219.854 141.853 62.0763 778.651
Probability Plot for t

Weibull - 95% CI
Complete Data - LSXY Estimates
99
Table of S tatistics
Shape 1.43966
90 Scale 76.1096
80 M ean 69.0792
70 StD ev 48.7161
60 M edian 59.0032
50 IQ R 63.4604
40 F ailure 6
30
Percent
C ensor 0
20 A D* 1.980
C orrelation 0.996
10
3
2
1
0.1 1.0 10.0 100.0 1000.0
t
La confiabilidad a las 15 horas por medio de la distribución de Weibull es:
> Estimate Estimate survival probabilities for these times (values) 15

Table of Survival Probabilities
95.0% Normal CI
Time Probability Lower Upper
15 0.908008 0.276139 0.992789
Página 111
Por cálculo manual se tiene con Shape 1.43966 y Scale 76.1096:
1.43966
 15 
  
R (15)  e  76.1096 
0.9080
Por tanto el 90.8% de los componentes duran más de 15 horas.
Estimador de Kaplan Meyer
Si se consideran los datos censurados por la derecha, para graficar en papel

de probabilidad, se utilizan las posiciones estimadas por Kaplan Meyer (KM) de
la función de confiabilidad definido como:

R(t (i ) )  1  f (1)
n (1)  x1  .....1  
f ( 2)
n( 2)
f (i )
n (i )
Donde f(j) son las unidades que fallan en el j-ésimo intervalo de tiempo (ti-1, ti)
y n(j) son las unidades en riesgo justo antes del tiempo j. Las unidades en
reisgo son iguales al total de unidades menos las que han fallado hasta antes
de ese tiempo, menos las que fueron censuradas hasta ese tiempo, es decir.
i 1 i 1
n ( j )  n   f ( j )   rj
j 0 j 0
Donde rj denota el número de unidades que fueron censuradas en el tiempo tj,

y además f(0) = 0 y r(0) = 0.
El estimador de Kaplan Meyer toma en cuenta la censura contando las

unidades en riesgo un instante antes del tiempo j.
Ejemplo:
t(i) Fallas f(j)

Posición en gráfica
(i-0.5)/6
16 1 0.083
34 2 0.250
53 3 0.416
75 4 0.583
93 5 0.750
120 6 0.916
De aquí siguen las lienalizaciones
Estimación por mínimos cuadrados
Página 112
Es un método para estimar los parámetros de las distribuciones de probabilidad

que se basa en ajustar un modelo de regresión lineal simple a los datos,
graficados en el papel de probabilidad correspondiente.
Las ecuaciones linealizadas para las distribuciones de probabilidad

acumuladas son las siguientes:
Distribución fda, F(t) fda en forma de y = a + bx
 t t (i )
Exponencial 1  exp    log(1  p( i ) ) 
  
Weibull
  t 
1  exp   
  



 
log  log(1  p(i )    log( )   log(t (i ) )
 
 t      t (i )
Valor extremo 1  exp  exp 
   
 
log  log(1  p( i ) )   
 

t   t(i )
Normal    1 ( p( i ) )   
    
 log(t )     log(t (i ) )
Lognormal    1 ( p( i ) )   
    
En las ecuaciones de la última columna se aprecian la pendiente de la recta y

la ordenada al origen.
Por ejemplo para la distribución exponencial, se hace una regresión simple

entre las parejas de coordenadas (t(i), ln(1-P(i)) para i = 1, 2, ……, n.
La pendiente de la recta es un estimador del parámetro 1/.
Por ejemplo para los datos anteriores se tiene:
Tiempo de Orden de Posición en gráfica Ln(1-P(i))

falla (Hrs.) fallas, i P(i) = (i-0.5)/6
16 1 0.083 -0.08664781
34 2 0.250 -0.28768207
53 3 0.416 -0.5378543
75 4 0.583 -0.87466906
93 5 0.750 -1.38629436
120 6 0.916 -2.47693848
Página 113
Fitted Line Plot

Y = 0.4929 - 0.02201 t
S 0.268099
R-Sq 92.6%
0.0
R-Sq(adj) 90.7%
-0.5
-1.0
Y
-1.5
-2.0
-2.5
20 40 60 80 100 120
t
Así 1/ = -0.022 por tanto el MTBF = 45.45
Para la distribución Weibull las parejas a ajustar son:
(log(t(i)), log(-log(1-p(i)).
Tiempo Orden Posición en Log(t(i) log(-log(1-P(i))

de de gráfica
falla fallas, i P(i) = (i-0.5)/6
(Hrs.)
16 1 0.083 2.77258872 -2.44590358
34 2 0.250 3.52636052 -1.24589932
53 3 0.416 3.97029191 -0.62016758
75 4 0.583 4.31748811 -0.13390968
93 5 0.750 4.53259949 0.32663426
120 6 0.916 4.78749174 0.90702331
Página 114
Fitted Line Plot

log(-log(1-P(i)) = - 6.955 + 1.611 Log(t(i)
1.0 S 0.108555
R-Sq 99.3%
R-Sq(adj) 99.2%
0.5
0.0
log(-log(1-P(i))
-0.5
-1.0
-1.5
-2.0
-2.5
3.0 3.5 4.0 4.5 5.0

Log(t(i)
Y la pendiente b estima a  y  se obtiene con exp(-a/b).
Por tanto  = 1.611 y  = 74.978 similar al obtenido arriba.
Máxima verosimilitud
Es un método para estimar los parámetros del modelo que provee los
estimadores que maximizan la probabilidad de haber observado los datos bajo
tal modelo.
Es más recomendado para estimar los parámetros del modelo, consiste en

maximizar la función de verosimilitud.
Con los datos se desea estimar el valor del parámetro . Los datos son un
evento E en el espacio muestral del modelo y la probabilidad de E será función
de los valores desconocidos de los parámetros del modelo, P(E;). El
estimador de máxima verosimilitud (emv) de  es el valor de  que maximiza
P(E;), y se denota por ^. La función de verisimilitud L() se define como la
probabilidad conjunta de los datos:
L( )  cP( E ; ) c es una constante que no depende de .
Para el caso de una variable aleatoria discreta como P(T=ti) la da la función de

probabilidad P(T=ti), la función de verosimilitud estará dada por:
L( , t i )  P(T  t ; )  f (t i , )
Por ejemplo para el caso de la distribución binomial se tiene:
Página 115
 n  x n x
L( p;x)  f (x; p)    p (1 p)
 x
Donde x es el número de éxitos observados, p es la probailidad. Por lo que
dado x, L(p) toma distintos valores en función de p. El valor de p que maximice
L(p) es el (evm).
Para el caso de una variable continua, si se tienen n observaciones no

censuradas e independientes: t1, t2, t3,…., tn, la información que paortan esos
datos sobre  lo proporciona la función de verosimilitud dada por:
n
L( ; datos )  c f (t i ; )
i 1
Los estimadores de máxima verosimilitud son los valores de los parámetros

que maximizan la función L(), que maximizan la probabilidad de ahaber
observado esos datos bajo el modelo propuesto.
Para el caso de una observación censurada por la derecha, el artículo no había

fallado al tiempo t, o sea T > t, por lo tanto la verosimilitud de este evento es
proporcional a la probabilidad del mismo, es decir:
L( ; T  t )  P (T  t ; )  R (t ; ) Función de confiabilidad
Para el caso de una observación censurada por la izquierda, lo que se sabe es

que T < t, por tanto la verosimilitud de este evento es proporcional a la
probabilidad del mismo;
L( ; T  t )  P (T  t ; )  F (t ; ) Función de distribución acumulada
Para el caso de censura por intervalo, o por resolución baja del instrumento, se
sabe que el evento ocurrió entre: t i 1  T  t i y su verosimilitud está dada por:
ti
L( )  P (t i 1  t  t i )   f (t; )dt  F (t )  F (t
t 1
i i 1 )
Si se tienen cuatro datos: uno completo ti, uno censurado por la derecha tder,
otro por la izquierda tizq y el último por intervalo (tbajo, talto), la función de
verosimilitud para el modelo es:

L( ; datos)  f (t i ; ) xC (t der ; ) xF (t izq ; ) x F (t alto ; )  F (t bajo ; ) 
Página 116
En general la maximización de esta función para obtener los estimadores de

máxima verosimilitud para algunos de los modelos se hace por cálculo
diferencial (derivando e igualando a cero). Para el caso exponencial con
parámetro , considerando n tiempos de falla exactos,
n 
1  i  1   ti
t 1
L( ; datos)    e    n e 
i 1    
Maximizar esta función equivale a maximizar su logaritmo dado por:
1 n
ln L( ; datos)   n ln( )   ti
 i 1
Derivando respecto a  e igualando a cero se tiene:
d ln( L ( ))  n 1 n
d
 
 2
t
i 1
i 0
Despejando  para obtener el estimados de máxima verosimilitud se tiene:
n

   ti
i 1
Varios tipos de falla
Las unidades de prueba de un estudio de confiabilidad pueden fallar de

diversas maneras, no solo del tipo de falla que más interesa en un momento
dado. Si los modos de falla son independientes, cada uno debe analizarse por
separado, para lo cual las otras unidades que fallaron debido a otros modos de
falla se toman como censuradas. Si Ri(t) es la función de confiabilidad para el
modo de falla i, entonces la confiabilidad global del producto al tiempo t
consiuderando los k modos de falla del producto es:
R g (t )  R1 (t ) xR2 (t ) x....... xRk (t )
O sea que para sobrevivir al tiempo t se debe sobrevivir a todos los modos de
falla.
Ejemplo: Vida de conexiones con dos modos de falla
Los datos de la tabal siguiente son esfuerzos de ruptura de 20 conexiones de

alambre, con un extremo soldado sobre un semiconductor y el otro al poste
Terminal. Cada falla consiste en la ruptura del alambre (modo de falla 1 = A) o
de una soldadura (modo de falla 2 = S). En este caso el esfuerzo hace las
veces de tiempo de falla:
Esfuerzo Modo de
falla
Página 117
550 S
750 A
950 S
950 A
1150 A
1150 S
1150 S
1150 A
1150 A
1250 S
1250 S
1350 A
1450 S
1450 S
1450 A
1550 S
1550 A
1550 A
1850 A
2050 S
Interesa estudiar la distribución del esfuerzo de las conexiones, considerando

que se requiere que menos del 1% debe tener un esfuerzo menor a 500 mg. O
sea que al menos el 99% de las conexiones resista un esfuerzo de mayor a
500 mg. Se desea estimar el esfuerzo que resultaría de eliminar uno de los
modos de falla.
Primero se hace un análisis sin distinguir los modos de falla, identificando la

distribución que ajuste a los datos:
Con Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right censoring) >
Distribution ID Plot
2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal, Exponential,

Normal)
3. Options > Estimation Maximum likelihood
4. OK
Página 118
Probability Plot for Esfuerzo

ML Estimates-Complete Data
A nderson-Darling (adj)
Weibull Lognormal
Weibull
99
1.011
90
Lognormal
90
1.123
50
E xponential
P er cent
P er cent
50 5.561
10 N ormal
0.970
10
1 1
500 1000 2000 1000 2000
Esfuer zo Esfuer zo
Exponential Normal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
10 100 1000 10000 500 1000 1500 2000
Esfuer zo Esfuer zo
3. Options > Estimation Least squares

Weibull Lognormal
Weibull
99
0.981
90
Lognormal
90
0.958
50
Exponential
P er cent
P er cent
50 *
10 N ormal
0.981
10
1 1
500 1000 2000 1000 2000
Esfuer zo Esfuer zo
E xponential Normal
99
90
90
50
P er cent
P er cent
50
10
10
1 1
10 100 1000 10000 500 1000 1500 2000
Esfuer zo Esfuer zo
Se puede observar que la distribución normal y la de Weibull dan un ajuste

parecido y los datos parecen provenir de una misma población donde las fallas
se presentan por la “liga más débil” que favorece al modelo Weibull donde .
Determinado los parámetros de la distribución Weibull por medio de Minitab:
Página 119
Distribution Overview Plot
2. En Variables Esfuerzo Parametric analysis - distribution Weibull
4. OK
Distribution Overview Plot for Esfuerzo

Table of Statistics
P robability Density F unction Weibull
S hape 3.96368
0.0012
S cale 1416.71
90
M ean 1283.45
50 S tDev 363.046
0.0008
M edian 1291.59
P er cent
P DF
IQ R 503.809
10 F ailure 20
0.0004
C ensor 0
A D* 0.998
C orrelation 0.981
0.0000 1
500 1000 1500 2000 500 1000 2000
Esfuer zo Esfuer zo
Surv iv al F unction H azard F unction

100
0.0075
P er cent
0.0050
Rate
50
0.0025
0 0.0000
500 1000 1500 2000 500 1000 1500 2000
Esfuer zo Esfuer zo
Se obtiene una distribución Weibull con parámetro de forma o aspecto Beta =

3.96368 y parámetro de escala Etha = 1416.71.
5. Determinación de la confiabilidad
Haciendo un análisis de confiabilidad considerando los dos tipos de falla se

tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
2. En Variables Esfuerzo Assumed distribution - Weibull
Página 120
4. OK
Los resultados se muestran a continuación:

Weibull - 95% CI
99
Table of Statistics
Shape 3.96368
90
Scale 1416.71
80 M ean 1283.45
70
StDev 363.046
60
50 M edian 1291.59
40 IQ R 503.809
F ailure 20
30
Percent
C ensor 0
20 A D* 0.998
C orrelation 0.981
10
5
3
2
1
0 0 0 0 0 0 0 0 00 00
30 40 50 60 70 80 90 100 15 20
Esfuerzo
Estimado la confiabilidad para 500 mg. Se tiene:
3ª. Estimate > Estimate survival probailities for these times 500 OK
Distribution Analysis: Esfuerzo
Variable: Esfuerzo

Uncensored value 20
Parameter Estimates

Shape 3.96368 0.708783 2.79182 5.62743
Scale 1416.71 84.2759 1260.80 1591.91
Goodness-of-Fit
Página 121

Mean(MTTF) 1283.45 80.9684 1134.17 1452.37
Median 1291.59 85.3243 1134.73 1470.13
First Quartile(Q1) 1034.60 95.8025 862.880 1240.48
Third Quartile(Q3) 1538.40 87.8896 1375.44 1720.68

1 443.865 102.702 282.032 698.558
2 529.362 106.405 356.990 784.963
3 587.135 107.635 409.915 840.973
4 632.155 107.983 452.296 883.535
5 669.641 107.910 488.287 918.353
6 702.091 107.604 519.920 948.091
7 730.908 107.159 548.361 974.223
8 756.969 106.628 574.349 997.655
9 780.860 106.042 598.382 1018.98
10 802.995 105.420 620.818 1038.63
20 970.366 98.8486 794.742 1184.80
30 1092.26 93.0318 924.324 1290.70
40 1195.86 88.4357 1034.51 1382.39
50 1291.59 85.3243 1134.73 1470.13
60 1385.81 84.1349 1230.34 1560.92
70 1484.64 85.6630 1325.89 1662.40
80 1597.44 91.5272 1427.75 1787.29
90 1748.50 106.332 1552.03 1969.84
91 1768.35 108.820 1567.43 1995.03
92 1789.78 111.634 1583.83 2022.52
93 1813.20 114.856 1601.50 2052.88
94 1839.16 118.600 1620.80 2086.94
95 1868.53 123.044 1642.28 2125.94
96 1902.70 128.478 1666.84 2171.94
97 1944.24 135.440 1696.11 2228.68
98 1998.66 145.109 1733.56 2304.30
99 2082.63 161.124 1789.61 2423.63
95.0% Normal CI
500 0.984016 0.920465 0.996872
Y el porcentaje de falla será 100 – 98.40 = 1.6% que es mayor al objetivo del
1%, por lo que se tratará de eliminar uno de los modos de falla.
Obteniendo el análisis separado por modo de falla se tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
Página 122
2. En Variables Esfuerzo By Variable Modo de falla Assumed distribution -

Weibull
4. OK
Los resultados son:
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = A

Uncensored value 10
Parameter Estimates

Shape 4.27142 1.20349 2.45892 7.41995
Scale 1414.58 110.427 1213.90 1648.45
Goodness-of-Fit

Mean(MTTF) 1287.02 107.337 1092.94 1515.57
Median 1298.27 112.923 1094.78 1539.58
First Quartile(Q1) 1056.70 133.092 825.550 1352.58
Third Quartile(Q3) 1527.00 115.966 1315.82 1772.08

1 481.849 159.303 252.056 921.140
2 567.416 162.268 323.949 993.862
3 624.664 162.391 375.287 1039.75
4 668.990 161.599 416.684 1074.07
5 705.726 160.416 452.015 1101.84
6 737.405 159.046 483.188 1125.37
7 765.450 157.585 511.303 1145.92
8 790.745 156.082 537.058 1164.26
9 813.878 154.565 560.927 1180.90
10 835.265 153.050 583.249 1196.17
20 995.688 139.088 757.214 1309.27
30 1111.24 127.738 887.082 1392.05
Página 123
40 1208.74 118.942 996.715 1465.86

50 1298.27 112.923 1094.78 1539.58
60 1385.93 110.342 1185.69 1619.98
70 1477.41 112.463 1272.65 1715.13
80 1581.30 121.743 1359.82 1838.86
90 1719.60 144.914 1457.79 2028.43
91 1737.71 148.743 1469.32 2055.12
92 1757.25 153.056 1481.47 2084.36
93 1778.57 157.969 1494.41 2116.77
94 1802.19 163.649 1508.37 2153.25
95 1828.88 170.351 1523.70 2195.18
96 1859.90 178.497 1540.98 2244.81
97 1897.55 188.861 1561.25 2306.28
98 1946.79 203.138 1586.72 2388.56
99 2022.57 226.538 1623.92 2519.08

Modo A
95.0% Normal CI
500 0.988299 0.841829 0.999196
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = S

Uncensored value 10
Parameter Estimates

Shape 3.32722 0.953840 1.89697 5.83582
Scale 1425.91 142.915 1171.60 1735.43
Goodness-of-Fit

Mean(MTTF) 1279.60 133.140 1043.53 1569.06
Median 1277.18 141.540 1027.83 1587.03
First Quartile(Q1) 980.548 157.439 715.811 1343.20
Third Quartile(Q3) 1573.00 155.189 1296.43 1908.56
Página 124

1 357.805 152.934 154.819 826.932
2 441.349 162.918 214.078 909.895
3 499.313 167.355 258.866 963.098
4 545.250 169.647 296.317 1003.31
5 583.983 170.836 329.150 1036.11
6 617.849 171.372 358.745 1064.09
7 648.177 171.486 385.917 1088.66
8 675.802 171.314 411.190 1110.70
9 701.288 170.939 434.927 1130.78
10 725.033 170.416 457.390 1149.29
20 908.468 162.047 640.438 1288.67
30 1045.99 153.087 785.145 1393.50
40 1165.24 145.843 911.751 1489.20
50 1277.18 141.540 1027.83 1587.03
60 1388.94 141.628 1137.33 1696.20
70 1507.73 148.293 1243.38 1828.28
80 1645.16 165.486 1350.79 2003.69
90 1832.13 203.940 1473.02 2278.80
91 1856.94 210.156 1487.52 2318.09
92 1883.78 217.141 1502.85 2361.28
93 1913.18 225.082 1519.19 2409.34
94 1945.86 234.251 1536.88 2463.67
95 1982.93 245.065 1556.35 2526.41
96 2026.21 258.210 1578.38 2601.10
97 2079.02 274.954 1604.30 2694.21
98 2148.52 298.080 1636.99 2819.90
99 2256.48 336.193 1685.05 3021.71

Modo S
95.0% Normal CI
500 0.969865 0.762180 0.996558
Página 125

Weibull - 95% CI
99
Modo
90 de
80 falla
70 A
60 S
50
40 Table of Statistics
Shape Scale C orr F C
30
Percent
4.27142 1414.58 0.986 10 0

20 3.32722 1425.91 0.962 10 0
10
3
2
1
100 1000
Esfuerzo
Combinado los dos se tiene:
Rg = RA x RS =0.988299 x 0.969865 = 0.95851661
En este caso se observa que para tener menos de 1% de falla en 500 mg. Es
necesario eliminar los dos modos de falla, uno no es suficiente.
Página 126
6. Pruebas de vida acelerada
Los fabricantes desean tener resultados de confiabilidad para sus productos,

más rápidamente, que bajo condiciones de funcionamiento normal. Para lo
cual, se trata de acelerar las fallas sometiendo los productos a niveles altos de
esfuerzo, para después, extrapolar la confiabilidad a condiciones normales de
operación.
Se tienen los tipos de Pruebas de vida aceleradas cualitativas y cuantitativas:
Pruebas Cualitativas
Las pruebas de vida aceleradas cualitativas (tales como las pruebas de tortura)
se utilizan sobre todo para revelar los modos de falla probables para el
producto con objeto de mejorar su diseño. Una prueba acelerada que sólo da
Información de Falla (ó Modos de Falla), comúnmente se llama “Prueba de
Tortura”, “Prueba de Elefante”, “Prueba Cualitativa”, etc.
Sobre-esforzar a los productos para obtener fallas más “rápido” es la forma

más antigua de Pruebas de Confiabilidad. Normalmente no se obtiene
información sobre la distribución de la vida (Confiabilidad). Los tipos de
esfuerzo son en: Temperatura, Voltaje, Humedad, Vibración o, cualquier otro
esfuerzo que afecte directamente la vida del producto.
Las pruebas de Tortura se realizan sobre muestras de tamaño pequeño y los

productos se someten a un ambiente agresivo (niveles severos de esfuerzo)
Si el producto sobrevive, pasó la prueba. Muchas veces los datos de las
pruebas de tortura no pueden ser extrapolados a las condiciones de uso
Como beneficios de las pruebas de tortura se aumenta la Confiabilidad por la

revelación de modos probables de falla, aunque quedan en el aire diversos
cuestionamientos como son: ¿Cuál es la Confiabilidad del Producto?, ¿se
mantendrán los mismos Modos de Falla durante la vida del producto bajo uso
normal?
Pruebas Cuantitativas
Las pruebas de vida aceleradas cuantitativas (QALT) se diseñan para

cuantificar la vida útil del producto.
La Prueba de Vida acelerada, a diferencia de la Prueba de Tortura, está

diseñada para proveer Información de la Confiabilidad del producto,
componente o sistema, como dato básico se tiene el Tiempo de Falla, puede
estar en cualquier medida cuantitativa, tal como: horas, días, ciclos,
actuaciones, etc.
Los modelos de tiempos de vida de escala acelerada (TAEF) se definen como:
Página 127
Cuando FA(x)>1, el modelo acelera el tiempo, esto es T(x) >T(x0); en caso

contrario, el modelo desacelera el tiempo.
En la grafica de T(x0) vs T(x):

 El modelo TAEF se representa por líneas rectas a través del origen.
 El modelo TAEF acelerado se representa por lineas rectas por abajo de
la diagonal.
 El modelo TAEF desacelerado se representa por líneas rectas por arriba
de la diagonal.
Para un modelo TFAE T(x) = T(x0)/FA(x), (Ψ(x) > 0), donde:
 Si la cdf base está en x0 F(t; x0) entonces AF(x0) = 1
 Tiempo escalado: F(t; x) = F [AF(x) t; x0]. Entonces las cdfs F(t; x) y F(t;
x0) no se cruzan.
 Cuantiles proporcionales: tp(x) = tp(x0)/AF(x). Entonces tomando

Logaritmos se tiene log[tp(x0)] − log[tp(x)] = log[AF(x)]. Esto muestra que
cualquier grafica en escala log-tiempo tp(x0) y tp(x) son equidistantes.
 En particular, en una grafica de probabilidad en escala log-tiempo F(t, x)
es una translación de F(t, x0) a lo largo del eje log(t).
Página 128
Grafica de Probabilidad Weibull de dos miembros de una familia TFAE de

modelos con distribución Lognormal
Note que para modelos con una sola variable de la familia log-localización –
escala:
Por tanto pertenecen a la familia de modelos de tiempos de vida de escala

acelerada y,
Página 129
Modelos de vida acelerada
Se han desarrollado modelos que relacionan el nivel de esfuerzo y la función

de densidad de los tiempos de falla como sigue:
Modelos de aceleración
Los modelos de aceleración se derivan a menudo de modelos físicos o

cinéticos relacionados al modelo de falla, por ejemplo:
 Arrhenius
 Eyring
 Regla de Potencia Inversa para Voltaje
 Modelo exponencial de Voltaje
 Modelos de Dos: Temperatura / Voltaje
 Modelo de Electromigración
 Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
 Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas
Ley de la potencia inversa
L = medida cuantificable de vida, tal como la media, la mediana cuantiles, etc.,

S = nivel de estrés o esfuerzo
K = parámetros del modelo por determinar (K debe ser > 0), y,
n = es otro parámetro del modelo.
Para el caso de la distribución de Weibull, se tiene:
Página 130
Una vez que se estiman los parámetros b, K y n, se pueden hacer

predicciones de vida útil para diferentes valores de t y S.
El modelo de Arrhenius se muestra a continuación:
R = velocidad de reacción,
A = constante desconocida,
EA = energía de activación (eV),
K = constante de Boltzman, y
T = temperatura absoluta (Kelvin).
El modelo de Eyring es como sigue:
L = medida cuantificable de vida, tal como la media, la mediana, cuantiles, etc.,

V = nivel de estrés (temperatura medida en grados kelvin)
A = uno de los parámetros del modelo, y,
B = otro parámetro del modelo
Página 131
Los modelos de regresión lineales y log lineales vistos anteriormente pueden

ser útiles para modelar diversos efectos de estrés. Para distribuciones de la
familia log-localización escala (weibull, exponencial, lognormal):
Con media:
Y modelo de regresión:
Sus residuos se definen como:
Para distribuciones de la familia localización-escala (Normal, Logística, valores

extremos):
Con media:
Y Tp:
Sus residuos se definen como:
Página 132
Como resumen de los modelos se tiene:
Los modelos más utilizados son los siguientes:
 El modelo de Arrhenius,
 El modelo de Eyring y
 El modelo de la ley de la potencia inversa
Página 133
7. Confiabilidad de sistemas
Cuando se estudia la confiabilidad de un sistema compuesto por componentes,
la falla de alguno de ellos hace que todo el sistema deje de funcionar, en este
caso el se dice que los componentes están en serie. En caso de que la falla de
un componente particular no afecte al funcionamiento total del sistema dado
que otros componentes continúan funcionando, se dice que están conectados
en paralelo.
Sistemas Complejos
El estudio de sistemas complejos implica la subdivisión de un producto en sus

componentes individuales. Al modelar un sistema complejo es crucial
especificar el nivel del detalle del modelo. La operación del sistema se expresa
en función de la operación de los componentes. La función de estructura
describe el lazo entre el estado del sistema y el estado de los n componentes
que forman el sistema.
El Estado del Sistema
El sistema se asume como una colección de “n” componentes. También se

asume que hay dos estados posibles para los componentes del sistema:
“funcionando” o “falla”. El estado del componente i, denotado por Xi, es:
para i = 1...,n.
Los estados de los n componentes se pueden escribir como el vector X=(X1...,

Xn). Hay n componentes, cada uno de los cuales puede tomar 2 valores,
entonces, hay 2n posibles estados del sistema.
Función de Estructura de un sistema
La función de estructura asocia los estados del sistema { X } al conjunto { 0.1 },

rindiendo el estado del sistema.
El estado del sistema es:
La forma de la función de estructura depende del diseño del sistema. Las

estructuras más comunes que vemos son sistemas en series y sistemas en
paralelo.
Considere un sistema con k componentes y sea la variable xi (i=1, 2, 3,…., k)

que toma el valor 1 si el i-ésimo componente funciona y el valor 0 si no
Página 134
funciona. En cierto momento el estado del sistema está determinado por el

vector X = (x1, x2, x3,…., xk) de ceros y unos. La función de estructura del
sistema está definida en este espacio de vectores y toma valores:
1,
 (x)   1 si el sistema funciona; 0 si no funciona
0
La función de estructura de un sistema serie es:
k
 ( x )   xi
i 1
La función de estructura de un sistema paralelo es:
k
 ( x )  1   (1  xi )
i 1
Cada vector X donde el sistema funciona se denomina trayectoria y cada vector

X donde el sistema no funciona se denomina corte. En total se tienen 2K
posibles estados sumando los cortes y las trayectorias. En el sistema serie solo
hay una trayectoria con un vector de unos X=(1,1,1…,1) y 2 K-1 cortes y en el
sistema paralelo solo hay un corte cuando X=(0,0,0,…,0) y 2K-1 trayectorias.
El número de componentes que funcionan en un estado se denominan tamaño

de X, con valores desde 1 hasta k. La trayectoria mínima es un vector X con
todos los componentes funcionando.
Revisar la importancia estructural:
¿Qué importancia tienen los componentes en la estructura?

¿Si el componente i falla, dejará de operar el sistema?
¿Cuántos estados posibles hay del sistema?
¿En cuantos estados el componente i es funcional?
¿En que estados al fallar el componente i el sistema fallará?
Por ejemplo para el componente 1:
Página 135
Ahora considere que el componente 1 falla.

El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Entonces el componente 1 tiene una importancia estructural de 4/4.
Si falla el componente 2:
El sistema operara en el estado (1,1,1) y fallará en los estados (0,1,1) y (0,1,0)
y (1,0,1).
Entonces la importancia estructural del componente 2 es 1/4.
Por simetría, la importancia estructural del componente 3 es 1/4.
Página 136
Sistemas en Serie
Un sistema en serie tiene k componentes. Suponiendo que trabajan en modo

independiente, la confiabilidad del sistema es la probabilidad de que todos los
componentes funcionen.
Entonces (X) = 1 si todas los valores Xi toman el valor 1 y (X) = 0 de otra

manera. Por tanto:
Regla de producto de probabilidades
Los diagramas de bloque son usados para visualizar sistemas de

componentes. El diagrama de bloque que corresponde a un sistema de la
serie es:
El diagrama de bloque representa el lazo lógico de la operación de los

componentes y el sistema. No representa su disposición física. La idea es que
si se puede trazar un camino de izquierda a derecha a través del sistema, el
sistema funciona.
Ejemplo:
Un producto electrónico tiene 40 componentes en serie. La confiabilidad de

cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:
Rs  (0.999) 40  0.961
Si el producto se rediseñara para tener solo 20 componentes, la confiabilidad

sería de Rs = 0.98.
A B C Z
Figura 7. Sistema con componentes en serie
Sistemas en paralelo
En este sistema, si tiene k componentes, basta con que uno funcione para que
siga en operación. Se requiere que todos los componentes fallen para que falle
el sistema, o sea:
Página 137
 ( X )  max{ X 1 ,..., X n },
n
 1   (1  X i ).
i 1
Rs  1  P(todos fallen)  1   (1  R1 ) x(1  R2 ) x......x(1  Rk )
El diagrama de bloque para una estructura en paralela es
Entre más componentes redundantes haya, la confiabilidad del sistema es

mayor, esto también está presente en los seres vivos, como por ejemplo en los
riñones.
Ejemplo:
Considere 4 componentes A, B, C y D de un producto conectados en paralelo,

con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la confiabilidad
total es:
Rs  1   (1  0.93)(1  0.88)(1  0.95)(1  0.92)  1  0.0000336  0.9999664
B
A
C
D
Fig. 8 Sistema con 4 componentes en paralelo
Sistemas con componentes en serie o en paralelo (K de n)
Página 138
Los sistemas pueden tener componentes en serie y en paralelo, en algunos

casos es importante identificar cuales componentes son clave para incrementar
la confiabilidad del sistema.
Un sistema k de n funciona si cualesquier k de los n componentes del sistema

funcionan. Los sistemas en serie y en paralelo son casos especiales del
sistema k en n. Un sistema en serie es un sistema k de k. Un sistema en
paralelo es un sistema 1 de n.
Por ejemplo:
En los puentes algunos de los cables de la suspensión pueden fallar, y el
puente no cae. En las bicicletas algunos de los rayos pueden fallar.
La función de estructura es:
Un ejemplo de diagrama de bloques para un sistema 2 de 3 donde con dos de

3 componentes que operen, el sistema continuará operando, es el siguiente:
Ejemplo:
Para el caso de un avión continua volando si funcionan 2 de 4 motores.
Su diagrma de bloques es el siguiente:
Su función de estructura es la siguiente:
Página 139
Ejemplo:
Se tienen los siguientes 7 componentes conectados en serie y en papralelo,

sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89; RE=0.95;
RF=0.88; RG=0.90.
A G
C D
E F
B
Figura 9. Sistema con 7 componentes en serie y en paralelo
Rs = Rab x Rc x Rd x Refg
Rab = 1-(1-0.96)(1-0.92) = 0.9968
Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836
Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
Método de trayectoria para calcular la confiabilidad de un sistema
Para calcular las confiabilidades de sistemas simples se aplican las fórmulas de

estructuras serie o paralelo. Para sistemas más complejos, es necesario
conocer las reglas siguientes:
Regla 1. Sean dos sistemas, uno con función de estructura 1(x)= 0(x) A(x) y
otro con función de estructura 2(x)= 0(x) B(x). Si se conectan en serie, la
función de estructura resultante es: (x)= 0(x) A(x) B(x) puesto que 02(x)=
0(x).
Regla 2. Si los mismos sistemas anteriores se conectan en paralelo, la función

de estructura resultante es: (x)= 0(x)[(1- A(x)) (1- B(x)) ].
Se siguen los pasos siguientes:
1. Encontrar todas las trayectorias mínimas posibles.
Página 140
2. Dado que para que el sistema funcione es necesario que funcione al menos
una de las trayectorias mínimas, se aplica la definición de sistema paralelo a
dichas trayectorias.
3. Se simplifica la expresión resultante aplicando las reglas 1 y 2.
4. Se sustituyen las xi (i=1, 2, 3,…., k) por las confiabilidades de las k

componentes y se resuelve.
Ejemplo:
Para el sistema de la figura 9, las trayectorias mínimas son: ACDEF, ACDG,

BCDEF y BCDG.
Aplicando la función de estructura en paralelo se tiene:
s(x) = 1 – (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =
= BCD(EF + G + EFG) + ACD(EF – BEF + G –BG – EFG + BEFG) = 0.82
Página 141
Estructuras de puente
Su diagrama de bloques es el siguiente:
El sistema funcionara si alguno de los siguientes conjuntos funciona: {1,3,5}

{1,4} {2,3,4} {2,5}. Estos conjuntos son denominados conjuntos de ruta
mínima, dando un diagrama equivalente a:
Redundancia
La redundancia a nivel componente es siempre proporciona una mayor

confiabilidad que a nivel sistema. Sea (X) la función de estructura para un
sistema coherente de n componentes. Para cualquier vector de estados X y Y
Página 142
Uso de Minitab
Se capturan dos columnas, una para los tiempos de falla observados y otra
para indicar cuales tiempos son falla y cuales son censuras por la derecha. Se
puede escoger 1 para censuras y 0 para falla.
Cuando se tienen fallas por intervalos se construyen tres columnas, en dos de

ellas se señala el inicio y el final de cada intervalo de tiempo y en la tercera la
frecuencia de las fallas observadas en cada intervalo.
Para los análisis se usa el menú Stat > Relibility / Survival, en la primera opción
se identifica la distribución de manera gráfica, en la segunda se hace una
exploaración más detallada (paramétrica o no paramétrica) de la distribución
seleccionada, en la tercera opción se hace el análisis paramétrico detallado y
en la cuarta el análisis no paramétrico. En el primer bloque se considera
censura por la derecha y en el segundo bloque se analiza lo mismo con otras
opciones de censura.
Página 143
8. Mantenabilidad y disponibilidad
Los sistemas reparables reciben Acciones de mantenimiento cuando fallan.

Estas acciones se deben ahora tomar en la consideración al determinar el
comportamiento del sistema. La edad de los componentes del sistema ya no
es uniforme ni el tiempo de operación del sistema es continuo.
Mantenimiento
El Mantenimiento se define como cualquier acción que restaure unidades

falladas a una condición operacional, o conserve unidades que no están en un
estado operacional. Para los sistemas reparables, el mantenimiento
desempeña un papel vital en la vida de un sistema. Afecta la confiabilidad total
del sistema, la disponibilidad, el tiempo muerto, los costos de operación, etc.
Generalmente, las acciones del mantenimiento se pueden dividir en tres tipos:
Mantenimiento correctivo, es la accion(es) tomado para restaurar un sistema

que ha fallado, al estado operacional.
Mantenimiento preventivo, es la práctica de susstituir componentes o

subsistemas antes de que fallen, para promover la operación continua del
sistema. Son las Inspecciones que se utilizan para descubrir fallas ocultas
(también llamadas fallas inactivas).
Mantenabilidad
Es la capacidad de mantenimiento se define como la probabilidad de realizar

una acción acertada de reparación dentro de un tiempo dado. Es decir la
capacidad de mantenimiento mide la facilidad y la velocidad con las cuales un
sistema se puede restaurar al estado operacional después de que fallo.
Por ejemplo, se dice que un componente particular tiene una mantenabilidad o

capacidad de mantenimiento del 90% en una hora, esto significa que hay una
probabilidad del 90% que el componente será reparado dentro de una hora.
La mantenabilidad puede incluir los eventos siguientes:
1. El tiempo que toma diagnosticar con éxito la causa de la falla.

2. El tiempo que toma procurar o entregar las piezas necesarias para realizar
la reparación.
4. El tiempo que toma quitar los componentes dañados y substituirlos por los
buenos.
5. El tiempo que toma regresar el sistema a su estado de funcionamiento.
6. El tiempo que toma verificar que el sistema está funcionando dentro de lo
especificado.
7. El tiempo asociado de ajuste de un sistema para su operación normal.
Página 144
Para el caso de sistemas donde su mantenabilidad sigue la distribución

exponencial se tiene:
Donde = tasa de la reparación.
La media de la distribución se puede obtener con:
Para el caso de la distribución de Weibull se tiene:
La tasa de reparación es:
Disponibilidad
La disponibilidad, se define como la probabilidad que el sistema esté

funcionando correctamente cuando se solicita para el uso. Criterio del
funcionamiento para los sistemas reparables que considera las características
de confiabilidad y de mantenabilidad o capacidad de mantenimiento de un
componente o sistema.
Por ejemplo, si una lámpara tiene una disponibilidad del 99.9%, habrá una vez
fuera de mil que alguien necesite utilizar la lámpara y suceda que la lámpara no
opere.
Los conceptos de confiabilidad, mantenabilidad y disponibilidad se relacionan

como sigue:
Un sistema reparable que funciona adecuadamente un periodo de tiempo,

después falla y es reparado para regresarlo a su condición operacional puede
tener los siguientes comportamientos:
Página 145
El artículo funcionó correctamente a partir de 0 a t con la probabilidad R(t)

o funcionó correctamente desde la reparación pasada en el tiempo u, 0 < u < t,
con probabilidad:
Con m(u) siendo la función de la densidad de la renovación del sistema.

Entonces la disponibilidad del punto es la adición de estas dos probabilidades:
Se tienen diversos tipos de disponibilidad como sigue: Disponibilidad

instantánea; Disponibilidad media; Disponibilidad Limite; Disponibilidad
Inherente; y Disponibilidad Operacional.
Disponibilidad instantánea, A(t):
La disponibilidad instantánea es la probabilidad que un sistema (o el

componente) será operacional (en servicio) en cualquier hora, t.
Página 146
Esto es muy similar a la función de la confiabilidad en que da una probabilidad

que un sistema funcione en el tiempo dado, t. La medida instantánea de la
disponibilidad incorpora la información de la mantenabilidad.
Disponibilidad media
La disponibilidad media es la proporción de tiempo durante una misión o un

período de tiempo en que el sistema está disponible para el uso.
Representa el valor medio de la función instantánea de la disponibilidad sobre

el período (0, T ] y esta dada por:
Disponibilidad Limite
Disponibilidad inherente
Página 147
La disponibilidad inherente es la disponibilidad del estado constante al

considerar solamente el tiempo muerto correctivo del sistema. Para un solo
componente, esto se puede calcular como sigue:
Disponibilidad operacional
La disponibilidad operacional es una medida de la disponibilidad media durante

el tiempo e incluye todas las fuentes experimentadas del tiempo muerto, tales
como tiempo muerto administrativo, tiempo muerto logístico, etc.
Ejemplo:
Un generador de energía está proveyendo electricidad, sin embargo en los

últimos seis meses, había acumulado fallas por 1.5 meses. El generador tiene
un MTTF = 50 días (o 1200 horas) y MTTR = 3 horas. Se puede poner un
generador de viento alterno con una disponibilidad del 99.71% con sus
parámetros MTTF = 2,400 Horas y MTTR = 7 horas.
Página 148
Página 149
Problemas
1. Escribir y graficar la función de riesgo h(t) para una distribución de Weibull
con parámetros a) Beta =1, Etha = 4; b) Beta = 2, Etha = 2; c) Beta = 3, Etha =
1. Comentar el efecto de cada parámetro.
2, La duración t en horas de cierto componente electrónico es una variable

aleatoria con función de densidad f(t) = 0.001exp(-t/1000) para t >0.
a) Calcular F(t), R(t) y h(t)
b) ¿Cuál es la confiabilidad del componente a las 100 horas?
c) Si una unidad ha sobrevivido a las 100 horas, ¿cuál es la probabilidad de

que sobreviva a las 200 horas?
d) Graficar h(t) e interpretar los resultados.
2. Una unidad de disco tiene una falla temprana si ocurre antes del tiempo t =
alfa y una falla por desgaste si ocurre después de t = beta. Si la vida del disco
se puede modelar con la distribución f(t) = 1/(Beta – alfa):
a) Obtener las ecuaciones de F(t) y R(t)
b) Calcular la tasa de riesgo h(t)
c) Graficar la tasa de riesgo si Alfa = 100 y Beta = 1500 horas.
d) ¿Con los datos de c) cuál es la confiabilidad de la unidad a las 500 horas?
3. Se realizó un estudio para estimar la vida media de locomotoras. Se

operaron 96 máquinas durante 135,000 millas o hasta que fallaron y de estas,
37 fallaron antes de cumplirse el periodo de 135,000 millas, la tabal siguiente
muestra las fallas de las 37. Las otras 59 no fallaron por tanto entran al estudio
en forma censurada.
22.5 57.5 78.5 91.5 113.5 122.5

37.5 66.5 80.0 93.5 116.0 123.0
46 68 81.5 102.5 117.0 127.5
48.5 69.5 82.0 107.0 118.5 131.0
51.5 76.5 83.0 108.5 119.0 132.5
53 77 84.0 112.5 120.0 134.0
54.5
Página 150
a) Utilizando Minitab identificar la distribución que mejor aproxime a los datos.
b) Comparar las estimaciones por mínimos cuadrados y por máxima

verosimilitud.
c) Determinar la vida mediana de las locomotoras.
d) ¿Cuál es la confiabilidad de las locomotoras a las 200,000 millas?. Dar un

intervalo de confianza para esta confiabilidad e interpretarlo.
4. Un fabricante de balatas le da seguimiento al tiempo de falla de las mismas

en kilómetros recorridos. Al finalizar el estudio no todas las balatas habían
fallado pero por su desgaste se estimó el tiempo de falla. Los datos obtenidos
para los 55 productos se muestran a continuación:
9500 10512 12824 13514 14096 14128 14404 14520 14689 14766 14859
14951 15117 15520 15555 15912 16037 16481 16622 16626 16689 16935
17980 18508 18624 18699 18719 18773 19126 19165 19274 19414 19429
19451 19611 19708 20066 20546 20610 21599 21978 21978 22386 23592
23659 24165 25731 25961 25991 26553
a) Utilizando el Minitab, identificar la distribución que siguen los datos.
b) Estimar los parámetros de la distribución que mejor se ajuste utilizando

mínimos cuadrados y máxima verosimilitud. Comparar los estimadores.
c) ¿Cuál es la confiabilidad de las balatas a los 10,000 kms.?
d) Si el fabricante no está dispuesto a reemplazar más de 2% de las balatas

¿es razonable otorgar una garantía de 10,000 kms?.
e) Proporcionar un intervalo de confianza al 95% para los kilómetros en que

falla el 2% de las balatas e interpretarlo.
5. La vida de ventiladores se registra como ventiladores fallados y ventiladores

con censura a la derecha (1) indicando que su vida fue más larga.
0-no censurado 1-censurado
450 0 1850 1 2200 1 3750 1 4300 1 6100 1 7800 1 8750 0

460 1 1850 1 3000 1 4150 1 4600 0 6100 0 7800 1 8750 1
1150 0 1850 1 3000 1 4150 1 4850 1 6100 1 8100 1 9400 1
1150 0 2030 1 3000 1 4150 1 4850 1 6100 1 8100 1 9900 1
1560 1 2030 1 3000 1 4150 1 4850 1 6300 1 8200 1 10100 1
1600 0 2030 1 3100 0 4300 1 4850 1 6450 1 8500 1 10100 1
1660 1 2070 0 3200 1 4300 1 5000 1 6450 1 8500 1 10100 1
1850 1 2070 0 3450 0 4300 1 5000 1 6700 1 8500 1 11500 1
1850 1 2080 0 3750 1 5000 1 7450 1 8750 1
El objetivo es determinar la proporción de ventiladores que fallan antes de

tiempo de garantía que es de 8,000 horas.
Página 151
a) Estimar el modelo adecuado para los datos
b) Estimar los parámetros de la distribución que mejor se ajuste utilizando

mínimos cuadrados y máxima verosimilitud. Comparar los estimadores.
c) Graficar el estimador no paramétrico de la función de supervivencia.
c) ¿Cuál es la proporción de ventiladores que fallan antes del tiempo de

garantía de 8,000 horas?
d) ¿Será necesario rediseñar los ventiladores para tratar de incrementar su

confiabilidad?
6. La duración de un chip de computadora tiene una distribución de Weibull.

Para estimar sus parámetros, se someten 100 chips a prueba y se registra el
número de supervivientes al final de cada año, durante 8 años. Los datos con
censura por intervalo son los siguientes:
Año Superv.
1 94
2 78
3 88
4 36
5 22
6 10
7 6
8 2
a) Utilizar el método de mínimos cuadrados para obtener Beta y Etha.
b) Establcer un intervalote confianza del 95% para el percentil 1%.
c) Calcular la probabilidad de que un chip falle antes de 5 años.
d) Estimar la confiabilidad de los chips en el tiempo de 7 años.
e) Calcular la tasa de riesgo, h(t) y graficarla. Obtener la tasa de riesgo a t=4

años e interpretar su valor.
7. Se toma una muestra de n = 138 baleros y se hace una prueba de vida. La

tabla siguiente muestra los que seguían funcionando al final de cada periodo de
100 horas hasta que todos fallaron.
Horas Baleros Horas Baleros

4 138 12 8
5 114 13 6
6 104 17 4
7 64 19 3
8 37 24 2
9 29 51 1
Página 152
10 20
11 10
a) Ajustar un modelo de Weibull a estos datos.
b) Dar un intervalo de confianza al cual falla el 2% de los baleros.
c) Calacular la confiabilidad a las 400 horas.
d) Calacular la confiabilidad de que habiendo sobrevivido las primeras 300

horas, un balero sobreviva 100 horas más.
8. El tiempo de vida en años de un generador que se compra tiene una

distribución Weibull con parámetros Etha = 13 años y Beta = 2. El period de
garantía es de dos años.
a) ¿Cuál es la confiabilidad del generador al fin del periodo de garantía?
b) ¿Si se compran 1000 unidades cuál es el número de reclamos al fabricante?
c) ¿Cuál es el periodo de garantía que debe ofrecerse si se quiere tener una

proporción de reclamos a lo más del 1%?
Página 153

Confiabilidad

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Confiabilidad

Hochgeladen von

Copyright:

Verfügbare Formate

CURSO DE CONFIABILIDAD P. REYES / DIC.

Elaboró: Dr. Primitivo Reyes Aguilar

3. Modelos de distribuciones de probabilidad para el tiempo

4. Estimación de parámetros del modelo

6. Pruebas de vida aceleradas

Los Requerimientos de confiabilidad se establecen en la fase desarrollo de

Para establecer los requisitos de confiabilidad se pueden utilizar algunas de las

Su propósito es ser proactivo anticipándose y verificando modos de falla y sus

Desarrollo del Programa de confiabilidad

Función der Despliegue de Calidad (QFD)

Es un proceso que desarrolla una presentación visual de cómo se realizan las

Es un proceso de medición y comparación continua del desempeño de los

Análisis y gestión del riesgo

Es un método proactivo que identifica si todos los recursos de la planeación,

Diseño para Seis Sigma (DFSS)

Es un proceso que identifica, documenta, y asegura que los requerimientos de

Las metas se establecen en la fase de desarrollo del concepto, con base en la

Después de definir las metas de confiabilidad. Se identifican los problemas en

Entre las herramientas disponibles se tienen: FRACAS, Diagramas de bloques

Sistema de Reporte de fallas, su análisis, y acción correctiva (FRACAS)

Es un sistema de bucle cerrado para iniciar el reporte, el análisis de fallas, y

Diagramas de bloque de confiabilidad

Indica las relaciones funcionales de confiabilidad entere componentes de un

La combinación de confiabilidad en serie entre partes, representa la situación

Confiabilidad en serie de A y B = R(A) * R(B)

La confiabilidad en paralelo entre partes representa la situación donde

Confiabilidad en paralelo de A y B = 1 – [(1-R(A)) * (1-R(B))]

Proporciona una estimación de de los modos de falla de componentes a largo

Análisis de árbol de fallas (FTA)

Los eventos catastróficos o significativos pueden requerir un análisis de árbol

Un FTA es un subconjunto de los eventos descritos en un análisis de FMEA.

Análisis de criticalidad de riesgo

La asignación de categorías de criticalidad y probabilidades asociadas a cada

Un conjunto típico de categorías de criticalidad puede ser:

 Categoría 4: catastrófica – causa de muerte, falla en un sistema de

Las revisiones de diseño preliminares (PDR) y revisión crítica de diseño (CDR)

La PDR se puede realizar después de que se termina el diseño conceptual.

La CDR se puede realizar después de que el diseño detallado está terminado y

Arroja resultados para proporcionar un factor de seguridad suficiente entre el

Prueba de vida altamente acelerada (HALT)

Es una reproducción personalizad del ambiente real en el que el producto será

El factor de aceleración es la razón del tiempo de vida en un ambiente real de

A = factor de aceleración = Tiempo de vida en un ambiente de servicio real /

Prueba de esfuerzo altamente acelerado (HAST)

Diseño para manufactura y ensamble (DFMA) / Metodlogía de integración

La integración de sistemas en producción pueden ocasionar fallas que no se

Análisis del Modo y Efecto de Falla de Diseño (FMEA)

Modelado del crecimiento de la confiabilidad

Los modelos de AMSAA (Duane) y otros modelos de crecimiento de la

Análisis de datos de tiempo de vida de Weibull

Con Weibull se pueden medir los tipos de datos siguientes:

 “Datos estándar” – todos los tiempos de falla y suspensión son

 “Datos de intervalo, datos agrupados, o de inspecciones no destructivas”

VERIFICACIÓN Y VALIDACIÓN DEL DISEÑO

Como resumen de planeación y realización de actividades de pruebas con

Plan de verificación del diseño y reporte (DVP&R)

El plan describe el método de la actividad de prueba tanto para la verificación

Las estrategias de prueba consideran prueba por atributos versus variables y

Las pruebas determinan la capacidad de un producto para cumplir con los

La información obtenida de estas pruebas se utiliza para estimar la

Entre las pruebas utilizadas para detectar modos de falla se encuentran:

Las pruebas aceleradas se utilizan para recrear modos de falla conocidos o

SU proceso de prevención se enfoca a identificar y eliminar enlaces débiles de

 Comprensión de cómo se diseña el producto para su función y como