Sie sind auf Seite 1von 105

DIPLOMADO DE INGENIERIA

DEL MANTENIMIENTO

Ingeniería de la
Confiabilidad
Aplicado al
Mantenimiento

Contenido

Introducción

Unidad 1: Fundamento Estadístico


Unidad 2: Datos y Tipo de Datos
Unidad 3: Distribución Weibull
Unidad 4: Distribución Exponencial
Unidad 5: Distribución Normal

1
VIDEO
MOTIVACIONAL

¿Qué es Confiabilidad?
• Característica de calidad mas importante para
componentes, productos y sistemas.
• Metodología científica para conocer el
desempeño de vida de productos, equipos,
procesos; para asegurar que estos ejecuten su
función, sin fallar, por un periodo de tiempo
en una condición especifica.

2
INTRODUCCIÓN

¿Qué es Confiabilidad?
• Característica de calidad mas importante para
componentes, productos y sistemas.
• Metodología científica para conocer el
desempeño de vida de productos, equipos,
procesos; para asegurar que estos ejecuten su
función, sin fallar, por un periodo de tiempo
en una condición especifica.

3
Propósito de la Confiabilidad
• Conocer la Confiabilidad de los productos y
ser capaces de controlarla.
• Nivel óptimo de Confiabilidad permitirá gasto
mínimo durante el ciclo de vida y costo
mínimo de producción, sin comprometer la
Confiabilidad y la Calidad.

Ingeniería de Confiabilidad
• Conjunto de Herramientas que permiten
especificar la probabilidad y la capacidad según
la cual componentes, productos, equipos y
sistemas desempeñaran sus funciones, por
periodos determinados de tiempo, en
ambientes específicos y sin presentar fallas.

4
Ingeniería de Confiabilidad
• Permitirá responder las siguientes preguntas:
– ¿Cuál es la expectativa de vida de un producto/
equipo/sistema?
– ¿Cuántos retornos/fallas son esperados para el
próximo año?
– ¿Cuánto costará desarrollar y dar soporte a este
producto?
– ¿Podemos optimizar los costos involucrados?

¿Por qué la Confiabilidad es


Importante?

5
Consumidores exigen Confiabilidad

Factores valorados Critico/muy Experiencia/


para compra de importante excede
vehículos nuevos expectativa

Prestigio del fabricante 81.9% 96.0%

Calidad del producto 92.8% 92.9%

Confiabilidad 94.0% 96.3%

Innovación del producto 59.9% 96.6%

Fuente: Polk´s manufacturer Loyalty Excelerator. First half 2000 Model Year

¿Por que Ingeniería de Confiabilidad?

• Una investigación realizada en los años 80


mostró que cuando un cliente esta satisfecho
con un producto, comenta su satisfacción a 8
personas, mientras que un cliente insatisfecho
lo dirá a 22 personas.

6
Como seria el resultado de esta
investigación hoy en día…

¿Por que Ingeniería de Confiabilidad?

• El consumidor de hoy es mas “inteligente” y


esta mas informado sobre el producto.
• En el futuro, sobrevivirán solamente las
empresas que sean capaces de controlar la
Confiabilidad de sus productos.
• La responsabilidad por un producto no
confiable puede ser muy alta.

7
Línea de Montaje de un producto
• Un fabricante de automóviles tiene USD 4.300
de utilidad bruta por cada vehículo fabricado.
• Cada línea de montaje produce 60 vehículos
por hora, cuando la producción fluye sin
problemas.
– ¿Qué sucede si una línea de montaje para?.

Línea de Montaje de un producto


• Actualmente las líneas de montaje producen
mucho menos que 75% de su capacidad
máxima.
– El costo por la “No Confiabilidad”, para cada linea,
sobrepasa USD 500.000 por turno.
– Esto excede USD 1,5 millones por día, y en tres
turnos por día...

8
Ensayo de Durabilidad
• Una gran empresa de auto partes redujo la
inversión en ensayos experimentales.
– Para demostrar sus metas de Confiabilidad
hicieron algunas pruebas en componentes.
– Ejm.: Realizaron pruebas en cilindros de freno y
aprobaron los que pasaron el tiempo de prueba
acumulado de 1.000.000 km.
– Este tipo de ensayo de Confiabilidad: ¿Es una
buena estrategia para la empresa?

Mantenimiento
• El costo medio de reparación de una bomba es de
U$ 8.000 en una industria petroquímica.
• El MTTF de esta bomba es de 18 meses.
• Dado el gran numero de bombas existentes, los
costos de reparación podrían ser muy altos.
• El análisis de datos de vida permitió tomar acciones
de mejora que generaron una reducción de 30% de
las fallas.

9
Las fallas pueden tener muchos efectos, desde un
desagrado hasta una catástrofe!

Confiabilidad es dinero!
• A pesar de que la Confiabilidad es una
metodología Matemática y Estadística, su
aplicación en productos y equipos tiene
impacto directo en el desempeño de las
empresas!

1
Confiabilidad es dinero!
• Todos sabemos que no se puede administrar
una empresa sin datos, informes y pronósticos
financieros precisos.
• ¿Los datos de confiabilidad de su empresa no
deberían ser debidamente analizados y
divulgados, dado que la Confiabilidad permite
generar lucro o prejuicio?

Conceptos de Confiabilidad

10
Balance de la Confiabilidad

• La Confiabilidad debe estar balanceada con los otros aspectos


de negocio de la empresa, como costos de producción,
ventas, características del producto y satisfacción del cliente.

¿Quiénes debe estar involucrados?


Operaciones

Gerencia
Técnicos
Ejecutivos

12
¿Cuándo se debe aplicar la
Confiabilidad?
• Desde el nacimiento hasta la muerte.
(Todo el ciclo de vida del producto)

¿Cuándo se debe aplicar la


confiabilidad?
• Inicio del Proyecto – Pruebas de Confiabilidad (piezas)
• Fase Intermedia del Desarrollo – Pruebas de Confiabilidad de
los prototipos.
• Fase final del desarrollo – Demostración previa de la
Confiabilidad de las pruebas de desarrollo.
• Fase de Producción Inicial – Determinación de la variación de
la Confiabilidad debido a los efectos del inicio de producción.
• Fase de Producción – Determinación de efectos de los
cambios de proyecto y el proceso, en la Confiabilidad.
• Pos venta – Determinación de la Confiabilidad a lo largo de la
utilización del producto, para subsidiar nuevos proyectos.

13
Ingeniería de Confiabilidad vs. Control de Calidad

• Ingeniería de Confiabilidad estudia el comportamiento


de la tasa de fallas en el tiempo.
• Control de calidad estudia cuantos productos están
fuera de las especificaciones, o presentan defectos en
un instante dado en la línea de producción.
• La Confiabilidad es la calidad a lo largo del tiempo.

Costo del producto vs. Confiabilidad

• Un aumento de la Confiabilidad del producto,


aumentará el costo del proyecto.
– Una baja producción y costo del proyecto no
significa un bajo costo en el producto final.
– El costo del producto deberá ser determinado no
solo por el costo hasta la puerta de la fabrica, si no
también incluyendo el costo total del producto
durante el tiempo de vida.

14
15/09/2015

Costo del Producto vs. Confiabilidad

Curva de la Bañera “Idealizada”

15
Diferentes patrones de tasa de falla

Curva de la Bañera para un Auto


Tasa de Fallas

Vida (Km)

16
Mantenimiento Preventivo
Nuevoperiodo

Tasa de Fallas

t =?

Vida(Km)

Cuantificando la Confiabilidad

17
Cuantificando la Confiabilidad
• La probabilidad de que un ítem, desempeñe una función
dada, sin fallar por un determinado periodo de tiempo y
dentro de ciertas condiciones de uso.

– Función del tiempo


– Función de las condiciones
– Definición precisa del Modo de Falla...

• El “Control de Calidad” tradicional, garantiza que el producto


funcionara después del montaje si esta conforme con su
especificación. La Confiabilidad observa el periodo de tiempo
en que el producto funcionara.

¿Como se calcula la Confiabilidad?


• Necesita de:
– Datos
– Modelos
– Un diagnostico para la elección del modelo
apropiado.
– Medios para ser comunicada:

• Gráficos
• Informaciones
• Costos

18
Ejemplo : Compañía de Seguro
• Se obtuvieron los siguientes datos :
• Muestra de datos de mortalidad (edad):
• 48, 58, 65, 68, 72, 74, 81, 82, 83, 88
• ¿Será suficiente decir que la vida promedio
(basada en estos datos) es de 71,9 años de edad?
– Si el objetivo es entregar un seguro de vida para 20
hombres con 50 años de edad y otro 20 hombres con
40 años: ¿Esta media me ayudara a determinar
Cuanto cobrar?

Ejemplo : Compañía de seguros


• Se necesita mas información que solo la media.
– Usted necesita de una estimación de cuantos asegurados
sobrevivirán el próximo año, dado sus edades actuales.
• Necesita cuantificar:
– Como la tasa de mortalidad varia de grupo en grupo,
cambiando la franja de edad.
– El numero de defunciones esperados en cada grupo por franja
de edad.

• Si estamos analizando productos/equipos, la tasa de


mortalidad puede ser entendida como tasa de falla.

19
Ejemplo : Compañía de seguros
• Se necesita de un modelo que pueda generar los resultados
deseados.
– En la mayoría de los casos, será un modelo probabilístico –
entregando información de probabilidad, talescomo:
• La expectativa es que el 99,9% de los hombres con 40 años de la
edad sobrevivirán un año mas.
• La expectativa es que el 99,3% de los hombres con 50 años de
edad sobrevivirán un año mas.

– El modelo describirá la probabilidad de sobrevivencia


(Confiabilidad).

Modelos

• Entregan la estimación de tasa de falla del


producto en función del tiempo.
• Los modelos son representaciones
matemáticas de los datos, (funciones
continuas).

20
Modelos
• Están basados en distribuciones estadísticas.
Las mas utilizadas son las “distribuciones de vida”.

Distribución Weibull

Distribución Exponencial

Distribución Normal

Modelos para Datos de Vida


1. Definir el modelo.
2. Caracterizar el modelo por el comportamiento de la falla.

Tasa de falla (probabilidad Instantánea)


Es la chance de fallar en la próxima y menor unidad de
tiempo, dado que el ítem funciono hastaentonces
– Tasa de falla puede ser creciente, decreciente, constante, en
forma de “bañera” o ninguno de los citados anteriormente.
• Tasas de falla decreciente: (mortalidad infantil, infancia)
• Tasa de falla constante: (Vida útil).
• Tasa de falla creciente: (desgaste, vejez)
• “Curva de la bañera” : (infancia + vida útil + vejez)

20
Curva de la Tasa de Falla

Construcción de Modelos:
• Datos de terreno (campo)
• Banco de Pruebas (inducir fallas y realizar un
análisis rápido)
– Ensayo Durante el Desarrollo del Proyecto
– Ensayo de Calificación
– Ensayos de Vida
– Ensayos Acelerados de Vida Cuantitativos
– Ensayo de Crecimiento de la Confiabilidad.

22
Datos de Terreno
• Recolectados a partir de centrales telefónicas,
reclamos de garantías, inspecciones de ítems
desarrollados.
• Pueden contener Datos sesgados.
• Reflejan las condiciones actuales de uso (y
abuso).
• Requiere sistema de colecta y análisis de
datos.

Preparación de Datos
90% de los esfuerzos!!

• Obtener los datos (cuanto mas automatizado


mejor)
• Calificar los datos
– Entrada Correcta
– Representatividad
– Sin Desvíos (Viciados o Ficticios)
• Tabular los datos de forma correcta.

23
Ingeniería de Confiabilidad y
Estadística

Análisis de datos de Vida


• Utiliza metodologías
estadísticas para construir
modelos probabilísticos a
partir de Datos de vida.
• Los modelos son utilizados
para realizar predicciones
precisas.

24
Estimaciones & Predicciones
• En el análisis de Datos de Vida y en la
Ingeniería de Confiabilidad todo esta basado
en estimaciones.
• El valor real de la Confiabilidad de un
producto nunca será conocido.
– El valor real de la Confiabilidad solo será conocido
cuando todos los productos ya hayan fallado.
• El objetivo de la Ingeniería de Confiabilidad es
predecir con precisión el valor real.

Para Ilustrar…
• Tenemos una piscina con bolitas negras y
rojas.
– Calcule el porcentaje de bolitas negras, P.

25
Se toma una muestra de 20 bolas

• 8/20 negras
• 12/20 rojas
• 40% son negras y 60% son rojas

Se toma otra muestra de 20 bolas

• 11/20 negras
• 9/20 rojas
• 55% son negras y 45% son rojas

26
Se toma una muestra de 200 bolas

 108/200negras
 92/200rojas
 54% son negras y 46% son rojas

Se toma otra muestra de 200 bolas

 105/200negras
 95/200rojas
 52.5% son negras y 47.5% son rojas

27
Tipos de Datos de Confiabilidad
• Los tipos de datos afectan el proceso de
estimación de la Confiabilidad
• Es fundamental la correcta clasificación del
tipo de dato.
• 2 tipos de datos:
– Completos
– Censurados

Datos Censurados
(Olvidando la Historia)

• La mayoría de Datos de Confiabilidad contiene


censuras. (información incompleta).
• Nuestros modelos y Análisis deben ser
capaces de tratar esos casos!

28
Datos Completos y Censurados
• Datos Completos (Tiempo Tiempo de Falla

hasta la falla) t t (h)

• Datos Censurados (no se


conoce el tiempo de falla)
– Censura aDerecha Tiempo de no Falla
X

t t (h)
?

– Censura enIntervalo Depende de las inspecciones

t t (h)
?

– Censura aIzquierda
Tiempo es en un intervalo [0,t]

t t (h)
?

Datos Censurados a Derecha


• 100 bombas operando por tres meses.
– Una falló durante el primer mes.
– Una falló durante el segundo mes.
– Dos fallaron en el tercer mes.
• Cual es el tiempo medio de falla?

1(1)+1(2)+2(3) = 2.25?
4

29
Datos Censurados a Derecha
• Si se fabricaron 100 unidades y tres retornan
en el primer mes, dos en el mes siguiente,
¿Cual es la media de retorno?
3(1)+2(2) =1.4?
5
• ¿Puede ignorar las unidades que no retornan?
• No puede responder esta cuestión sin utilizar
un modelo apropiado para este tipo de datos.

Datos Censurados a Derecha (Suspensiones)


• Suspensiones son ítems donde los tiempos de
falla solo serán conocidos cuando excedemos
cierto valores de tiempo.
– Las 95 unidades restantes fueron suspendidas.
Nosotros solo sabemos que el tiempo de falla de ellas
es mayor que 2 meses.
• Las Suspensiones no agregan tanta información
como los tiempos de falla exactos.
• Las Suspensiones requieren de tratamientos
estadísticos especiales.
• Las Suspensiones no deben ser ignoradas.

30
UNIDAD 1
Fundamentos Estadísticos

Variables Aleatorias
• Los problemas en Ingeniería de Confiabilidad ser
refieren a la cuantificación de medidas.
– Se puede denotar con la variable aleatoria X con las
posibles salidas (defectuoso o no defectuoso).
– En el caso del tiempo hasta la falla, nuestra variable
aleatoria X puede poseer el valor de tiempo hasta la falla
del producto o componente y el valor va de 0 hasta el
infinito (en el caso donde no tenemos el tiempo exacto).

30
Variables Aleatorias Discretas
• Si la variable aleatoria contiene solo
informaciones de valores pre-definidos,
entonces se denomina variable aleatoria
discreta.
• Por ejemplo, el resultado del lanzamiento de
un dado honesto, (con seis lados), puede ser:
• 1, 2, 3, 4, 5 ó 6.

Variables Aleatorias Continuas


• Si la variable aleatoria puede asumir cualquier
valor en una escala continua, entonces esta se
define como una variable aleatoria continua.
• Para un neumático, Kilómetros hasta la falla,
puede tomar cualquier valor desde 0 hasta
infinito (p.e.10.000 kilómetros, 17.523
kilómetros, etc.).

32
Funciones Básicas: pdf y cdf
• Estadísticamente, para cada variable aleatoria
continua X, denotamos:
– La función densidad de probabilidad, pdf, como
f(x).
– La función distribución acumulada, cdf, como F(x)
• La pdf y la cdf dan una descripción completa
de la distribución de probabilidad de la
variable aleatoria.

Definición de la pdf
Considere un conjunto de datos representando 100 variables aleatorias continuas,
obtenidas de una misma población, como se muestra en la siguiente tabla:

32.8 148.7 53.9 53.4 28.2 45.6 106.5 65.3 188.0 37.6

15.1 18.2 85.8 101.4 116.5 96.5 110.6 55.1 104.9 22.2
22.4 82.3 44.6 5.1 9.2 48.2 130.8 20.6 34.6 57.4

77.9 38.1 44.9 26.7 67.5 129.2 44.2 94.3 211.3 181.2

46.7 89.1 93.9 46.9 22.3 52.3 74.2 35.4 58.7 19.6

28.2 144.7 32.7 8.9 91.5 70.8 35.6 64.0 26.3 161.6

83.5 30.5 97.3 21.1 88.6 48.8 23.6 38.6 24.1 71.7

124.8 120.1 147.1 72.0 31.2 28.8 178.0 16.6 20.2 21.5

30.1 82.2 60.3 102.7 82.1 65.4 89.8 41.9 57.0 44.8

68.9 103.0 41.9 78.1 38.6 35.0 75.7 28.5 53.9 49.4

33
Definición de la pdf
• ¿Cuál es el comportamiento de esos datos?.
– Podríamos clasificar los datos separándolos por
intervalos y visualizar la porción de datos en cada
intervalo.
– Una representación gráfica de esta clasificación es
llamada histograma.

Definición de la pdf
Histograma
Tamaño del Rango =50

60

50

40

30

20

10

0
50 100 150 200 250

34
Definición de la pdf

Histograma
Tamaño del Rango = 20

30
25
20
15
10
5
0
160 180 200
20 40 60 80 100 120 140 220

141 161 181


0 21 41 61 81 101 121 201

Definición de la pdf
Histograma
Tamaño del Rango=15

20
18
16
14
12
10

8
6
4
2

0
15 30 45 60 75 90 105 120 135 150 165 180 195 210 225

0 16 31 46 61 76 91 106 121 136 151 166 181 196 211

35
Definición de la pdf
DISTRIBUCIONWEIBULL
Funcion Densidad

0.120

0.100

0.080
f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo

Definición de la pdf
Si X es variable aleatoria continua, entonces la función de densidad de
probabilidad, pdf de X, es una función f(x) tal que, para dos números, a y b
con a<b resulta:

 f(x)dx
b
P(a  X  b)  a
y f(x)  0 para todo x

– La probabilidad de que X tenga un valor en el intervalo [a,b] es el


área de la función densidad entre a y b.

36
Definición de la cdf
• Para obtenido la probabilidad a partir de la pdf, es necesario
calcular el área bajo la curva.
• La función de distribución acumulada, cdf, entrega este valor
directamente.
• La cdf es una función F(X) de la variable aleatoria X, definida
por:
a

F (a)  P( X  a)   f ( X )dX
0,
donde, para una variable aleatoria X, F(a) es la probabilidad de
que el valor observado X será a lo masa.

Relación entre la pdf y la cdf


a
F(a)  P(x  a)  0, f (x)dx

P(X≤a)

37
Relación entre la pdf y la cdf
• La relación matemática entre la pdf y la cdf
esta dada por:

F (x)   f (x)dx


x

• Derivando:
d(F (x))
f (x) 
dx

Relación entre la pdf y la cdf


• La cdf es el área formada por la función
densidad de probabilidad, hasta un valor
escogido de x.
– Esto significa que el área total bajo la pdf es
siempre igual a 1, o matemáticamente:



f (x)dx 1

38
La pdf es una ecuación
• Un ejemplo de una función densidad de probabilidad es la
distribución Normal, cuya pdf esta dada por:

1 t  2
1   
 
f (t)  e 2
 2

– Donde µ es la media y σ es la desviaciónestándar.


– La distribución normal es una distribución con dos parámetros.

La función de Confiabilidad

R(t)

39
La función de Confiabilidad
• La función de Confiabilidad es obtenida a
través de la probabilidad de éxito, o de la
probabilidad de que no se observe la falla, en
el tiempo t.
• Definiendo la no confiabilidad como Q(t)
entonces:

F (t)  Q(t)  0 f (t)dt


t

La función de Confiabilidad (R(t)


• Tenemos:
F (t)  R(t)  1
R(t)  1 F (t)
R(t)  1 0 f (t)dt
t


R(t)  t f (t)dt

d (R(t))
• Derivando: f (t)  
dt

40
Terminología de la Confiabilidad
• La Confiabilidad no puede ser especificada sin la asociación
con el tiempo, en otras palabras, no puede decir que unítem
posee una Confiabilidad de 90% sin decir para que intervalo
de tiempo.
– Para ser mas preciso deberíamos siempre especificar la
Confiabilidad, el tiempo y los limites de confianza.
DISTRIBUCION WEIBULL
Funcion de Supervivencia

1.200
Función Confiabilidad
1.000

0.800
R(t)

0.600
0.400

0.200

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
31

Tiempo

La función Tasa de falla


• Permite determinar el número de fallas ocurridas por unidad
de tiempo. Esta es dado matemáticamentepor:

f (t)
(t) 
R (t )
• La tasa de falla se expresa en fallas por unidad de tiempo.
– El tiempo puede ser cualquier medida que pueda ser
cuantificada. Ejm.: minutos, horas, ciclos, actuaciones.
– El termino “Hazard Rate” es sinónimo de tasa de falla

40
La función Confiabilidad Condicional
• Permite determinar la probabilidad de que un ítem
sobreviva a una nueva misión de duración t, dado
que ya han completado con éxito una misión de
duración T.

R(T  t)
R(t / T ) 
R(T)

Ejemplos:
• Un vuelo de Lima a Tacna, si la aeronave llegó a
Arequipa, tiene mayor probabilidad de completar el
vuelo (Confiabilidad) sin problemas, que la que tiene
una aeronave que aún está en Lima.

• Se tiran los dados. La probabilidad de que salga 3 es


1/6. ¿La probabilidad que salga 3 habiendo salido un
numero impar es: ………………….?

42
Vida Media (MTTF)
• La Función vida media entrega la medida del tiempo de operación hasta la
falla. La vida media representa el equilibrio de toda la población. Se le
denomina también “Expectativa de Vida” y “Esperanza Matemática”. Esta
dada por:

  m  0 t. f (t)dt
– Es el valor medio esperado del tiempo hasta la falla y generalmente se
denota como MTTF (Mean Time-to-Failure).
– También es denominado MTBF (Mean Time Between Failures). Esto es
incorrecto en la mayoría de los casos. El único caso donde eso podría ser
verdadero (y correcto) es cuando la tasa de falla fuese constante, y esta
suposición en la mayoría de las veces, es cuestionable.
– MTTF = MTBF (solo cuando λ = cte )

Ejemplo de una distribución Simétrica

Distribución Normal
Media

pdf

43
Ejemplo de una distribución Asimétrica

DISTRIBUCIONWEIBULL
FuncionDensidad

0.120

0.100

0.080 Media = 12 hrs.


f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo

Vida Mediana
• La Vida mediana, T, es el valor de la variable aleatoria que divide la pdf por
la mitad, dejando tanto para el lado izquierdo como para el derecho la
mitad del área. La mediana es obtenida por:


T


f (t)dt  0,5

• Ejemplo de una muestra de datos:


• 11, 12, 13, 20, 21, 24, 145

– La mediana es el punto central de estos valores, que en este caso es


20.

44
Ejemplo para una distribución Simétrica

La media, mediana
y moda tienen el
mismo valor

Ejemplo para una distribución Asimétrica

DISTRIBUCION WEIBULL
Funcion Densidad

0.120

0.100 Mediana = 11
0.080
Media = 12
f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo

45
Vida Media y Vida Mediana
• Observe que la vida media es igual a la mediana (o el50º
percentil) en el caso de la distribución normal y otras
distribuciones simétricas.
• Para las distribuciones asimétricas, la media puede variar,
pudiendo ser mayor o menor que la mediana.
– Para la distribución exponencial, la vida media siempre
corresponderá al percentil 63,2, o el tiempo en que 63,2% de
las unidades fallarán.
– Para la distribución Weibull, no hay un valor fijo. Este
porcentaje es función de los parámetros del modelo.

Media vs. Mediana


• A veces se usa las media y mediana como si fuesen lo mismo. Esto no es
correcto!.
• Solo en los casos donde tenemos distribuciones simétricas, la media y la
mediana poseen el mismo valor.
• En el resto de los casos, la diferencia entre los valores de la media y la
mediana puede ser muy grande.
• Ejemplo: considere un conjunto de cinco datos:
(1, 2, 3, 4, 100)
• La media es:
(1 2  3 4 100)  110  22
5 5

• Sin embargo. La mediana de este conjunto de Datos es el valor 3, o sea el


valor central de los datos.

46
Moda
• La vida modal o moda, es el valor máximo de t
que satisfaga:
d[ f (t)] 0
dt
– Para distribuciones continuas, la moda
corresponde al máximo valor de la densidad de
probabilidad, o sea el valor donde la pdf tiene su
máximo (pico).

Ejemplo para una distribución Simétrica

47
Ejemplo para una distribución Asimétrica

DISTRIBUCION WEIBULL
Funcion Densidad

0.120
0.100
Moda = 9
0.080
Mediana = 11
Media = 12
f(t)

0.060

0.040

0.020

0.000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

Tiempo

Resumen: Métricas Comunes


• Confiabilidad, R(t): Probabilidad de que la falla no ocurrirá
hasta el tiempo t.
• No Confiabilidad, Q(t): Probabilidad de que la fallaserá
observada en el tiempo t.
• Confiabilidad Condicional (T, t): Probabilidad de que una falla
no será observada por un tiempo adicional t, dado queel ítem
vivió con éxito por un tiempo T.
• Vida BX: tiempo en que la no confiabilidad es igual aX%
• Vida Media (MTTF): tiempo medio hasta la falla
• Vida Mediana: tiempo en que el 50%de las fallas son
esperadas.
• Tasa de falla (λ)

48
Estimación de Parámetros

Parámetros de una Distribución

• Los parámetros de una distribución describen y


definen la distribución en particular, y son estimados
(obtenidos) a partir de datos. Ejemplo:
En la distribución exponencial, dependiendo del valor de
lambda,λ, f(t) exhibirá diferentes características.

49
Estimación de Parámetros
• Para ajustar un modelo a los datos, es
necesario realizar un estimación de los
parámetros del modelo escogido.
• Esta estimación se realiza basándose en el
conjunto de datos.

Estimación de Parámetros
La estimación de Relia Soft Weibull++ 7 - www.ReliaSoft.com

4.000E-4
Función de Densidad de Probabilidad
Pdf

parámetros de la Datos 1
Normal-2P
RRX MREMEDMF
F=3/S=0

distribución normal para


Línea de la Fdp

3.200E-4

datos completos es
trivial. 2.400E-4
f( t)

– Ejemplo: 1.600E-4

– 3,000, 4,000, 5,000


8.000E-5

– µ = 4,000 Juan Musayon


TECSUP
01/02/2008
02:46:30 p.m.
0.000

– σ = 1,000
0.000 4000.000 8000.000 12000.000 16000.000 20000.000
Tiempo, (t)
  

50
Método de estimación de parámetros
• Hay varios métodos para la estimación de parámetros. Los
mas conocidos son:

– El método del Ploteo de Probabilidades (probability plotting)


– El método de los mínimos cuadrados (least squares) y
– El método de la Máxima Verosimilitud (maximum likelihood).

• Se presentara una visión general del método de ploteo de


probabilidades.

Ploteo de Probabilidades
• Método mas conocido (manual) para distribuciones
complejas (probability plotting).
• Considera el ploteo de los datos en un papel especial
obteniéndose el grafico de probabilidades.
• El principio básico es linealizar la cdf.
• Con algebra básica, se puede fácilmente obtener la
ecuación de la recta (y=mx+b).

50
Ploteo de Probabilidades
• Los puntos ploteados representan los datos de
tiempo hasta la falla.
• Estos tiempos son los valores del eje x.
• Para determinación la posición y (probabilidad de
falla), hay que determinar el valor de la “categoría
mediana” (median rank) para cada tiempo hasta la
falla.

Categorías Medianas (MR)


• Las categorías medianas son utilizadas para obtener una
estimación de la no confiabilidad, Q(T), para cada tiempo
hasta la falla.
• Por aproximación, la categoría mediana esta dada por:
(Aproximación de Bernard)

j  0.3
Y  MR 
N  0.4
– MR = Rango Medio (Media Rank)
– N = Tamaño de la muestra
– J = Numero de Orden (posición de la falla)

52
Categorías Medianas (MR)
Adicionalmente, se puede emplear la siguiente tabla para determinar
MR:
1 2 3 4 5 6 7 8 9 10 11 12
1 50 29.289 20.630 15.910 12.945 10.910 9.428 8.300 7.412 6.697 6.107 5.613
2 70.711 50.000 38.573 31.381 26.445 22.849 20.113 17.962 16.226 14.796 13.598
3 79.370 61.427 50.000 42.141 36.412 32.052 28.624 25.857 23.578 21.669
4 84.090 68.619 57.859 50.000 44.015 39.308 35.510 32.390 29.758
5 87.055 73.555 63.588 55.984 50.000 45.169 41.189 37.853
6 89.090 77.151 67.948 60.691 54.811 50.000 45.951
7 90.572 79.887 71.376 64.490 58.811 54.049
8 91.700 82.018 74.142 67.620 62.147
9 92.587 83.774 76.421 70.242
10 93.303 85.204 78.331
11 93.893 86.402
12 94.387

MR  i  0.3
n  0.4

UNIDAD 2
Datos y Tipos de Datos

53
Tipos de Datos de Vida
• Datos Completos (tiempo hasta la falla)
• Datos Censurados (no se conoce el tiempo de
falla)

– Censura a Derecha (Suspensión)


– Censura en Intervalos
– Censura a Izquierda

Datos Completos

Realizamos un Unidad1
X Falló

ensayo con 5 ítems y Unidad2 X Falló

si todos fallasen, Unidad3 X Falló

tendríamos toda la Unidad 4 X Falló


información de la
muestra. Unidad5 X Falló

Tiempo

54
Datos Censurados a Derecha (Suspendidos)

• Si ensayamos cinco ítems,


pero solo tres fallan. Unidad 1 No falló

• Tenemos los datos Unidad 2 X Falló

completos de tres ítems Unidad 3 X Falló

que fallaron, pero no de Unidad 4 No falló

los dos ítems que no Unidad 5 X Falló


fallaron.
Tiempo

Datos Censurados en el Intervalo

• Ensayamos cinco ítems y


realizamos inspecciones Falló
Unidad 1
cada 100 horas.
• Si el ítem fallo entre las Unidad 2
Falló

inspecciones, no Unidad 3
Falló
sabremos el momento
exacto en que le falla Unidad 4
Falló

ocurrió, pero sabemos


que la falla ocurrió dentro Unidad 5
Falló

del intervalo de
inspección. Tiempo

55
Datos Censurados a Izquierda

• Representa situaciones
donde el ítem es
Falló
encontrado en estado de Unidad 1

falla solo después de un Unidad 2 X Falló


cierto periodo de tiempo
y donde también es Unidad 3 X Falló
Falló
desconocido el momento Unidad 4
exacto de la falla.
Unidad 5 X Falló

Tiempo

Tips con Relación a los Datos de


Intervalo
• Se puede afirmar que todos los tipos de datos
son datos en Intervalo.
• Trataremos los datos como datos en intervalo
solo cuando el periodo de observación sea mayor
que el del periodo requerido como resultado.
– Si el resultado deseado es en meses y mis datos están
en meses, entonces consideraremos el conjunto de
datos como datos completos.
– Si el resultado deseado es en días y mis datos están en
meses, entonces consideraremos el conjunto de Datos
como datos de intervalo.

56
Ploteo de los Datos Censurados (Suspensión)

• Cuando utilizamos el análisis de regresión para


considerar el hecho de que algunos ítems no fallaron,
o quedaron en suspensión, necesitamos ajustar su
probabilidad de falla, o de no confiabilidad.
• Utilizaremos la metodología de Leonard Jonhson
para determinar su posición.

Ploteando Datos Censurados a Derecha


• Ejemplo para ilustrar la metodología:
Se ensayaron 5 ítems y se obtuvo tres fallas y dos
suspensiones.
Posición Estado Vida del ítem
F oS (ciclos)
1 F1 5100
2 S1 9500
3 F2 15000
4 S2 22000
5 F3 40000

57
Ploteando datos Censurados a Derecha

• En esta secuencia, F1 es la primera de las 5


fallas.
Posición Estado Vida del ítem Numero de
F oS (ciclos) Falla

1 F1 5100 1
2 S1 9500
3 F2 15000 ?
4 S2 22000
5 F3 40000 ?

Ploteando Datos Censurados a Derecha


• Para determinar los valores de orden, primero listamos las diferentes
secuencias de posibilidades de fallas. En este caso F1 será la primera
observación. Podemos encontrar diferentes posibilidades en que puede
ocurrir la falla F2. Estas posibilidades son listadas en las siguientes tablas:
F2 en posición 2 F2 en posición 3
1 2 3 4 5 6 1 2
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 F2 F2 F2 F2 S1 S1
S1 S2 F3 S1 S2 F3 F2 F2
S2 S1 S1 F3 F3 S2 S2 F3
F3 F3 S2 S2 S1 S1 F3 S2

58
Ploteando Datos Censurados a Derecha

• Utilizando la misma lógica, la tercera falla puede ser localizada


en la posición 3, 4, o 5, como muestran las tablassiguientes:
F3 en posición 4 F3 en posición 5
F3 en posición 3
1 2 3 1 2 3
1 2
F1 F1 F1 F1 F1 F1
F1 F1
S1 F2 F2 S1 F2 F2
F2 F2
F2 S1 S2 F2 S1 S2
F3 F3

S1 S2 F3 F3 F3 S2 S2 S1

S2 S1 S2 S2 S1 F3 F3 F3

• Entonces la Media del Numero de Orden de la tercera falla F3,


será:
MON3  233435 4.125
233

Fórmula General
• Para obtener la variación en el orden cuando existen datos censurados se
puede utilizar la siguiente fórmula:

N 1 j 
j 
1 N 

j  j 
anterior j

j* = Posición anterior a suspensión


N* = Número total de datos después de la suspensión.

59
Ejemplos:
• Para el cálculo del MON2:
5 11  5 1.25
J 2 
1 3 4

J 2  Janterior   j 2 11.25  2.25
• Para el cálculo del MON3 :
5 12.25  3.75  1.875
J 3 
11 2

J3  2.25 1.875  4.125

Ploteando Datos Censurados a Derecha


• Una vez establecida la media del número de orden,
necesitamos obtener posiciones de la categoría mediana para
las fallas en la media del número de orden. Simplificando,
debemos tener la categoría mediana de los números de
orden: 1, 2.25 y 4.125 para un muestra de tamaño 5,como se
muestra en la tabla:
Posiciones ploteadas para las fallas
(Tamaño de muestra =5)
N° Falla MON MR (%)
1: F1 1 13%

2: F2 2.25 36%

3: F3 4.125 71%

60
Gráfico de la cdf
Relia Soft Weibull++ 7 - www.ReliaSoft.com
Probabilidad - W eibull
99.000
Probabilidad-Weibull

Da tos 1
We ibull-2P
RRX MRE MEDMF
F=3/S=2
Puntos de Datos
Línea de Probabilidad
90.000
D e s c o n fi a b i l i d a d , F ( t)

50.000

Juan Musayon
TECSUP
04/02/2008
10.000 08:54:56 a.m.
1000.000 10000.000 100000.000

Tiempo,(t)
   

Errores del Método de Ajuste MR


• Este método de ajuste es el mas utilizado en el
análisis de datos suspendidos.
• Pero es importante indicar posibles errores
que pueden ocurrir:
– Solo se toma en cuenta en los cálculos, la posición
en que la falla ocurrió. No se consideran los
tiempos exactos de suspensión.
– Esta metodología nos daría exactamente el mismo
resultado para el caso 1, como para el caso 2 que
veremos a continuación.

60
Errores del Método de Ajuste MR
Posición Estado Vida del ítem Posición Estado Vida del ítem
F oS (ciclos) F oS (ciclos)

1 F1 1000 1 F1 1000
2 S1 1100 2 S1 9700
3 S2 1200 3 F2 9800
4 S3 1300 4 S2 9900
5 F2 10000 5 F3 10000

  1.33   0.9337
  6900   21,348
En ambos casos se obtiene la misma MON, y por tanto, los resultados
de la categoría mediana serán los mismos.
Es por tanto, una limitación del método.

Errores del Método de Ajuste MR


• Este tipo de error es significativo cuando el número de fallas
es pequeño y el número de suspensiones es grande y no
uniformemente distribuidos entre las fallas, como en los datos
mostrados anteriormente.

• En estos casos, lo recomendable es utilizar el método del


estimador de la máxima verosimilitud (MLE), en vez del
método de los mínimos cuadrados, dado que la máxima
verosimilitud no lleva en consideración las categorías o
posiciones de ploteado, sino que por el contrario, utiliza cada
tiempo hasta la falla o suspensión.

62
Regla para escoger el método de análisis

• Use el método de regresión (RRX)


– Datos Completos y pequeñas muestras
• Use MLE
– Grandes cantidades y/o mezclados con censura.
– Grandes muestras (30+ fallas)

UNIDAD 3
Distribución Weibull

63
Distribución Weibull
• Es una propuesta general para análisis de Confiabilidad
• La pdf puede tener diferentes formas y puede
aproximarse a las otras distribuciones.
• El comportamiento de la tasa de falla puede ser
creciente, decreciente o constante.
• Tipos:
– Weibull de 3 parámetros
– Weibull de 2 parámetros
– Weibull Mixta

Distribución Weibull de 3 parámetros


Wallodi Weibull 1887-

La pdf de la distribución esta dada por: 1979


 1  T  
 
f (T)   T    e   

  
 : Parámetro de forma
 : Parámetro de escala
 : Parámetro de ubicación

64
Distribución Weibull de 2 parámetros

• Es la forma más
popular.
• La pdf esta dada por:

 1 t 
f (t)    t 
 

e
  

Analizando β

• β es el parámetro de forma o inclinación (en


un papel de probabilidad Weibull) de la
distribución.
• La forma de la pdf es alterada cambiando el
valor β.
• β es un número adimensional.

65
Efecto de  en la pdf
ß = 0.5
ß = 5.0  =0

ß = 3.44
ß = 2.5

f(t)

ß = 1.0

0
0 t

Efecto de β en la cdf

66
Efecto de β sobre la Confiabilidad

Efecto de  sobre tasa de fallas

 = 2.5
Riesgo de falla, r(t)

 = 1.0

 = 0.5
t
?

67
Analizando η

• Es el parámetro de escala de la distribución


Weibull, y tiene las mismas unidades de T,
como horas, Kilómetros, ciclos, actuaciones,
etc.

Efecto de  en la pdf
Vida Característica

R() 36.8%
1 < 2
ß = 2.5,
f(t)  =0
ß = 2.5,
 =0

1 2

0
0 t

68
Analizando 

• Es el parámetro de ubicación de la distribución


Weibull y tiene la misma unidad de T.
• Representa un desplazamiento en el eje x, es decir,
cambiar el punto de inicio de la distribución a un
valor diferente a cero.
• Esto puede ser aplicada a otras distribuciones.

Parámetro de ubicación, 
Vida mínima

ß = 2.5
f(t)


0
0 t

69
 Positivo
• Un valor positivo para el parámetro de ubicación
indica que las fallas solo ocurrirán después del
tiempo equivalente a , en otras palabras, hasta el
tiempo  la Confiabilidad es igual a 100%

 negativo

• Indica que los ítems poseen una Confiabilidad menor


que 100% para el tiempo igual a cero.
• Esto puede ocurrir debido al método utilizado para
registrar el tiempo, o puede indicar algún modo de
falla que ocurre debido al transporte, degradación
del ítem por estar en stock, por cuestiones de
manufactura, etc.

70
Análisis Weibull
• Requiere el tiempo para la falla como dato.
• Una falla debe ser un evento definido y no solo una
valoración subjetiva de perdida de rendimiento.
• Los datos deberán ser estadísticamente una muestra
al azar de la población.
• Emplear la medida de utilización adecuada para el
equipo y el mayor modo de falla.
• Revisar otros factores tales como posición instalada,
mal uso, incorrecto diagnostico de falla, etc.

El Papel Weibull

  t   
F(t) 1 exp   
   
 

 1 
lnln    ln(t   )  ln
1 F(t)

Sobre un papel Weibull, el eje vertical está en escala


lnln y el eje horizontal está en escala ln.

70
Papel
Weibull

Ejercicio: Análisis Weibull


Se ha obtenido datos de 10 items, seleccionados
aleatoriamente y todos los cuales han fallado. El tiempo
para la falla del equipofue:
410, 1050, 825, 300, 660, 900, 500, 1200, 750, 600

Paso 1 Ordenar los datos en orden ascendente


Paso 2 Tabular con el valor correspondiente F(t)
para una muestra de 10, empleando la tabla
del Rango Medio.

72
Ejercicio : Análisis Weibull
Número Horas para LíneaMedia
Fall la Falla % Acum Falla
a (i) (ti) F(t)
1 300 6.7
2 410 16.2
3 500 25.9
4 600 35.5
5 660 45.2
6 750 54.8
7 825 64.5
8 900 74.1
9 1050 83.8
10 1200 93.9

2.4
Estimación de
Factores
720 830
0

Vida Mínima, 
Factor Forma, 
Vida Característica, 
Vida Media, 
Vida Promedio

Vida Bq

73
Vida Característica

f(t)

 = 2.4
63.2%

 = 830 tiempo

Vida Media

f(t)

 = 2.4
52.7%

 = 740 tiempo

74
Vida Mediana

f(t)

 = 2.4
50%

tiempo
B50 life = 720

Ploteando los datos usando el parámetro de ubicación

• El tercer parámetro de la distribución Weibull es utilizado


cuando no es posible trazar una recta con los datos.
• Para poder utilizar el método de ploteo de probabilidad, se
utiliza la siguiente formula para determinar un nuevo valor de
:
T3 T2 T2 T1
   T2 
T3 T2  T2 T1
• Restar de cada dato el valor de  * y plotearla
correspondiente recta.

75
Estimación del Factor de Ubicación
b

(t3 t2 )(t2 t1 )


  t2 
(t 3t 2) (t 2t 1)
a

t1 t2 t3 tiempo

Ejercicio : Ploteo de Probabilidad


(con Weibull 3P)
• Seis ítems idénticos, están siendo probados en las
mismas condiciones de aplicación y exigencia.
• Todos los ítems fallan durante el ensayo siguiendo los
siguientes numero de horas:
48;66;85;107;125 y 152 horas.
• Encuentre los parámetros de la distribución Weibull 3P
(tres-parámetros) usando el método de ploteo de
probabilidad.

76
Resultado:
Probabilidad - W eibull
99.000

90.000

Datos   1.95
D e s c o n fi a b i l i d a d , F ( t)

ajustado por γ Datos   92.32


originales
50.000

  17.26

10.000
10.000 100.000 1000.000

Tiempo, ( t)

Ejercicio: Análisis de Weibull 3P


Número Horas para la Línea Media %
Falla (i) Falla (ti) Acum Falla F(t)
1 1000 9.4
2 1300 22.8
3 1550 36.4
4 1850 50.0
5 2100 63.6
6 2450 77.2
7 3000 90.6

77
Estimación del factor de Ubicación
Desde los datos: t1 = 810 horas
t2 = 1500 horas
t3 = 4000 horas

ˆ  t2 
t3  t2 t2  t1   1500  4000 15001500  810
t3  t2 t2  t1 4000 1500 1500 810  547

Replanteandot:i  
t1  1000 – 547 = 453 horas
t2  1300 – 547 = 753 horas
t3  1550 – 547 = 1003 horas, etc.

Ejercicio: Análisis Weibull 3P

Número Horas para la Línea media


falla falla % Acum. Falla
(i) ajustadas F(t)
1 453 9.4
2 753 22.8
3 1003 36.4
4 1303 50.0
5 1553 63.6
6 1903 77.2
7 2453 90.6

El ajuste del tiempo para la falla es ahora lineal

78
Resultado:
Probabilidad - W eibull
99.000

90.000

Datos Corregidos
Datos Originales
50.000
D e s c o n fi a b i l i d a d , F ( t)

10.000

5.000
Beta= 1.85
Eta= 1538.7

Gamma = 558.5

1.000
100.000 1000.000 10000.000

Tiempo, ( t)

Efecto del Factor de Ubicación

f(t)

 = 1.9
63.2%

 = 547 1560 tiempo


nuevo  =
547+1560

79
UNIDAD 4
Distribución Exponencial

Distribución Exponencial
• Una de las distribuciones mas simples, utilizada erróneamente
debido a su facilidad.
• Definida como:

f (t)  .e.t
donde:
– t es la variable aleatoria que representa el tiempo.
– La letra griega λ (lambda) representa el parámetro de la
distribución.

80
Gráfico de la Función Exponencial

Funciones Relacionadas

• Dada la representación matemática de la distribución


(pdf), podemos obtener también todas las funciones
necesarias para el análisis de datos de vida.
• Ejemplo, la pdf de la distribución exponencial es:

f (t)  .e.t
• Por lo tanto la Función Confiabilidad puede
obtenerse por:

80
Función Confiabilidad
t


R(t)  1  .e .sds
0

R(t)  1[1  e t ]

R(t)  e .t

Función tasa de falla

• La Función tasa de falla es dada por:

( )  .e .t
(t)  f t  .t  
R(t) e

82
Media o MTTF
• El tiempo medio hasta la falla (MTTF) esta dadopor
(equilibrio), (esperanza de vida):
__ 
T   t. f (t)dt
0
__ 
1
T (MTTF) t..e.t dt 
0

• Esta misma metodología puede ser aplicada para cualquier
distribucion, dada la pdf, con varios grados de dificultad
dependiendo de la complejidad de la f(t).

La Distribución Exponencial

• Es muy utilizada en la Ingeniería de Confiabilidad


debido a su simplicidad.
• Se utiliza para describir ítems que fallan con tasa de
fallas constante.

83
15/09/2015

Distribución Exponencial
con un parámetro
• La pdf de la exponencial con un parámetro esta dada por:
t
1
f (t)  .e .t
 em

m
Donde:
λ = Tasa de fallas constante.
m = Media entre fallas o hasta la falla
t = Tiempo de operación, vida o edad.

• Es un caso especial de la distribución Weibull con β = 1

Distribución Exponencial
con dos parámetros
• La pdf de la exponencial con dos parámetros esta
dada por:
f (t)  .e (t )
f (t)  0; 0; t  
• Donde γ es el parámetro de localización (vida
mínima)

84
Estadísticas de la Exponencial
• Confiabilidad: R(T)  e (T  )

• Confiabilidad Condicional: R(T,t)  R(T  t)  e.t


R(T)

• Tasa de fallas: (T)  


1
• Media (MTTF): MTTF   

El efecto λ en la pdf Exponencial

• La pdf de la exponencial no tiene un parámetro de forma,


porque solo tiene una forma.
• La pdf siempre es convexa y se prolonga a la derecha con el
valor de decrecimiento λ.
• El valor de la función pdf siempre es igual al valor de λ en T=0
• El parámetro de localización γ positivo altera el inicio de la
distribución a la derecha del origen, lo que significa que las
fallas ocurrirán solo después de “γ” horas de operación.

85
El efecto de λ en la pdf

Ejercicio:

• Un nuevo producto está siendo probado para


determinar el periodo de garantía. El tiempo límite
de ensayo es de 2 meses.
• Después de este tiempo, solo 1 de 100 unidades falló
(en 150 hrs). Las otras 99 fueron suspendidas en
1440 hrs de ensayo.
• ¿Cómo debería ser determinado el periodo de
garantía al 90% de Confiabilidad?

86
Consideraciones preliminares

• Necesitamos determinar el periodo de garantía, el


cual está directamente relacionado con la tasa de
fallas.
• Con una falla, ¿Se puede asumir la tasa de fallas?
– Como solo se observó una falla, la distribución exponencial
es una buenaopción.
– Con datos históricos se podría utilizar la distribución Weibull
de un parámetro y luego calcular β.

Solución:
• El tiempo de garantía se calcula con:
R(t )  e.t G

Ln(R)
tG  

• Caso 1: Con Censura


# fallas
(#S t )  # fallas t
s f

• Caso 2: Sin Censura



# fallas
# fallas t f

87
Solución:
• Estamos en el caso 1.
1
  7 106 fallas /hr
9914401150

• Para una confiabilidad del 90%:

Ln(0.9)
tG   15,036 hr
7106

UNIDAD 5
Distribución Normal

88
Distribucion Normal
• Es utilizada comúnmente en
el análisis de Confiabilidad,
para tiempos hasta la fallade
componentes electrónicos y
mecánicos, equipos o
sistemas.
• La pdf de la distribución
normal es dada por:
1T 2
1  
 
f (T)  e 2
 2

Log normal pdf


Relia Soft Weibull++ 7 - www.ReliaSoft.com
Función de Densidad de Probabilidad
0 .0 0 2


Pdf

Mientras la distribución Da to s 1
Lognormal-2P
RRX MRE MED MF

normal es simétrica, la 0 .0 0 2
F =8 /S=0
Lí ne a de la F dp

distribución log normal es


asimétrica y desplazada 0 .0 0 1

hacia la izquierda,
f( t)

permitiendo una mejor 8 .0 0 0 E-4

adecuación para el modelo


de datos de vida. 4 .0 0 0 E-4

Jua n Musa yo n
TECSUP
0 1 /0 2 /2 0 0 8
0 .0 0 0 1 2 :2 1 :0 1 p.m .
0 .0 0 0 4 0 0 .0 0 0 8 0 0 .0 0 0 1 2 0 0 .0 0 0 1 6 0 0 .0 0 0 2 0 0 0 .0 0 0

Tiempo, ( t)
                    

89
pdf de la distribución Normal

• La distribución Normal es una distribución de 2


parámetros (μ,σ), y esta dada por:
1 T  
2

1  
 
f (T)  e 2

 2
μ= Media normas de los tiempos de falla
σ = Desviación estándar de los tiempos de falla.

Características

• La pdf tiene el mismo valor para la media, mediana y


moda.
• La pdf tiene la forma de una campana y es simétrica
en relación a la media.
• La pdf no tiene parámetro de forma. Esto significa
que tiene formaúnica.

90
Características

• La desviación estándar σ es el parámetro de escala


de la pdf.
• Si σ disminuye, la pdf se acerca a la media, es decir
mas estrecha y mas alta.
• Si σ aumenta, la pdf se torna mas ancha y mas baja.

Ejercicio:
• Se probaron 20 muestras de paletas de turbina para
determinar su frecuencia natural. Basada en esta
muestra, se desea determinar la porción de la
población que poseerá frecuencias fuera del
intervalo de 7,8 hasta 8,2 kHz.

90
Ejercicio:
• El siguiente cuadro muestra las frecuencias
naturales de las paletas (en kHz)

7.93 8.08 7.76 7.88


8.14 7.97 7.57 7.98

7.50 8.12 7.89 7.64

7.91 8.02 8.00 7.98

8.11 8.06 8.02 7.94

Solución:
• Necesitamos conocer la probabilidad del área
sombreada:

92
Solución: (ver tabla de distribución Normal)
• Porción de la población P( f  8.2) 5.8%
mayor que 8.2 kHz:

• Porción de la población P( f  7.8)  1 P( f  7.8)


menor que 7.8 kHz:
P( f  7.8)  176.8%
P( f  7.8)  23.7%

• Porción de la población
fuera de los límites 5.8%  23.7%  29.5%
especificados:

Distribución Lognormal

93
Distribucion Lognormal
• Es comúnmente utilizada en el análisis de Confiabilidad, en ciclos hasta la
falla, para fatiga resistencia de materiales y en un proyecto probabilístico
con cargas variables.
• Cuando el logaritmo natural de los tiempos hasta la falla son normalmente
distribuidos, entonces decimos que los datos siguen una distribución Log
normal.
• La pdf de la distribución lognormal es dada por:

T’=LogT ( se saca primero el Log de los datos. luego se utiliza la Función


normal)

pdf de distribución Lognormal

• Una variable aleatoria se distribuye de acuerdo log


normalmente, si el logaritmo de la variable aleatoria
se distribuye normalmente.
• La distribución esta dada por:
2
1  T   

1 2    
f (T  )  e 
 
2
Donde:
T* = Ln(T), y T es el tiempo de falla
μ* = media del logaritmo natural de los tiempos de falla
σ* = desviación estándar del logaritmo natural de los tiempos de falla.

94
Características:
• La distribución lognormal es asimétrica, desplazada
positivamente lo que da mas sentido al modelamiento de
datos de vida.
• La tasa de fallas es inicialmente creciente y luego decreciente.
Relia Soft Weibull++ 7 - www.ReliaSoft.com Gráfico de T a s a de F a l l a s vs. T i e m po
F unc i ó n de D e ns i da d de Pr o ba bi l i da d 200.000
0.002
Pdf

Datos 1
Lognor mal-2P
RRX MRE MEDMF
F=8/S=0
Línea de la Fdp

0.002 160.000

T a s a d e F a l l a s , f( t) / C ( t)
0.001
120.000
f( t)

8.000E-4
80.000

4.000E-4

40.000

Juan Musay on
TECSUP
01/02/2008
0.000 12:21:01 p.m .
0.000 400.000 800.000 1200.000 1600.000 2000.000

Tiempo, ( t)
0.000
                 0.000 60.000 120.000 180.000 240.000 300.000

Tiempo, ( t)

Ejercicio:

• 8 unidades se someten a una prueba de vida hasta la


falla. Las fallas ocurrieron a las 45, 140, 260, 500,
850, 1400, 3000 y 9000 horas. Estimar los
parámetros de la distribución que mejor se ajuste a
estos datos.
• Determinar la confiabilidad a las 1000 hrs

95
Solución:
Probabilidad - Lognormal


99.000

Ploteando la
probabilidad:

• μ* = 6.45

D e s c o n fi a b i l i d a d , F (
• σ* = 1.88
50.000
t)

• μ = 3735 hr
10.000

• R(1000)= 40.5% 5.000

1.000
100.000 1000.000 10000.000
10.000
Tiempo, (t)

APLICACIONES GENERALES

96
Datos de Mortalidad Humana
Estado Año Estado Año Estado Año Estado Año Estado Año

S 23 S 36 S 39 S 54 S 74
S 25 S 36 S 40 S 55 F 75

S 27 S 37 S 41 S 55 F 77

S 28 F 38 S 41 F 58 F 78

S 29 S 38 S 41 S 59 F 82

S 29 S 38 S 43 F 61 F 88
S 29 S 39 F 46 S 63

S 31 S 39 F 51 F 64
S 34 S 39 S 52 F 68

F 35 S 39 S 53 F 69
S 36 S 39 F 54 F 72

S= Vivo F=Fallecido

Probabilidad - Exponencial
99.000

5 0 .0 0 0

λ =0.0067
C o n fi a b i l i d a d , C ( t)

R(50) =38.37%
1 0 .0 0 0

µ = 52.2 años
5 .0 0 0

1 .0 0 0
2 0 .0 0 0 3 4 .0 0 0 4 8 .0 0 0 6 2 .0 0 0 7 6 .0 0 0 9 0 .0 0 0

Tiempo, ( t)

97
Probabili dad - Normal
99.000

µ = 68.17 años

σ = 15.36

R(50) =88.16% D e s c o n fi a b i l i d a d , F ( t)

50.000

10.000

5.000

1.000
20.000 34.000 48.000 62.000 76.000 90.000
Tiempo,(t)

Probabilidad - Lognormal
99.000

µ´ = 4.198

σ´ = 0.2609
D e s c o n fi a b i l i d a d , F ( t)

R(50) =86.38%
5 0 .0 0 0

µ = 68.88 años

1 0 .0 0 0

5 .0 0 0

1.000
1 0 .0 0 0 1 0 0 .0 0 0

Tiempo, ( t)

98
Probabilidad - W eibull
99.000

β = 5.16 9 0 .0 0 0

η = 74.08
5 0 .0 0 0

R(50)=87.75% D e s c o n fi a b i l i d a d , F ( t)

µ = 68.16 años
1 0 .0 0 0

5 .0 0 0

1 .0 0 0
1 0 .0 0 0 1 0 0 .0 0 0

Tiempo, ( t)

Cálculos de Confiabilidad adicionales


• Probabilidad de que una persona vivir hasta los 60 años:

t 
 

R(t  60)  e
• Realizando el cálculo: R(t) = 71.48%
• Probabilidad de que una persona con 40 años de edad
sobrevivirá un año más (hasta 41 años): 99.44%.
T t 
( )

e
R(T,t)  T
( ) 

e

99
Modelando Componentes de fallas

• Se asume informaciones de falla/reparación para una


flota de 10 camiones que están siendo monitoreadas
y registrados.

– Mas aún, suponga que un componente simple es de


interés.
– A continuación se muestran los datosregistrados:

Camión Evento Kilometraje Km para la falla Km sin falla

Primerreemplazo 62874 62874

e 1 Segundo reemplazo 95777 32903

Kilómetros recorridos 113266 17489

Primerreemplazo 33094 33094

Segundo reemplazo 64111 31017


2
Kilómetros recorridos 106945 42834

Primerreemplazo 5811 5811


Camión1: Segundo reemplazo 47952 42141
3
- Falla con 62.874 millas Kilómetros recorridos 86366 38414

4 Primerreemplazo 74354 74354


- Falla con 32.903 millas Kilómetros recorridos 184755 110401
- Operando sin fallas: 17.489 millas Primerreemplazo 48000 48000

Camión2: Segundo reemplazo 57760 9760


5 Tercer reemplazo 83538 25778
- Falla con 33.094 millas
Kilómetros recorridos 85758 2220
- Falla con 31.017 millas Primerreemplazo 28234 28234

- Operando sin fallas: 42.834 millas 6 Kilómetros recorridos 100281 72047

Primerreemplazo 14563 14563

7 Kilómetros recorridos 80052 65489

Primerreemplazo 28020 28020

Segundo reemplazo 114452 86432


8
Kilómetros recorridos 117980 3528

Primerreemplazo 46014 46014

Segundo reemplazo 66446 20432


9 Tercer reemplazo 91035 24589

Kilómetros recorridos 127216 36181

Primerreemplazo 65165 65165

10 Kilómetros recorridos 78226 13061

10
Análisis de Datos
Función de Densidad de Probabilidad

  t  1 t 


2.000E - 5

f (t)     e  

1.600E - 5

1.200E - 5

β = 1.6
f( t)

8.000E - 6
η = 57505

4.000E - 6

0.000
0.000 40000.000 80000.000 120000.00 0 160000.00 0 200000.00 0

Tiempo, ( t)

Análisis de Datos
Probabilidad - W eibull
99.000

9 0 .0 0 0

5 0 .0 0 0
D e s c o n fi a b i l i d a d , F ( t)

1 0 .0 0 0

5 .0 0 0

1 .0 0 0
1 0 0 0 .0 0 0 10000.000 1 0 0 0 0 0 .0 0 0

Tiempo, ( t)

100
Cuestiones Básicas

• Confiabilidad en cualquier tiempo:


– 10.000 = 94.3%
– 20.000 = 83%
–…
– 50.000 = 44.92%
• Media hasta la falla = 51.576 Km
• Mediana hasta la falla = 45.690 Km
(50% de falla)

Proyección de fallas

• Un resultado de interés es la proyección del número


esperado de fallas de un componente de la flota,
para un periodo de tiempo futuro, dado el
kilometraje actual de la flota.
• La Probabilidad Condicional puede ser utilizada para
determinar la probabilidad de fallas de cada
componente, dado su kilometraje actual.
– Basado en el modelo ajustado Weibull

102
Proyecto de fallas (cont.)

• Dada el kilometraje actual de la flota, ¿cuántas fallas


mas debería esperar para los 10.000 Km siguientes?

Camión 1
• Kilometraje actual del componente: 17.489.
– Probabilidad de falla del componente para los 10.000 Km
siguientes = 14.65% 
  T  t 
  
e
R(T , t )  
  T 
 
e
 17,48910,000 
1.6

 57.505 
e
R(T,t)  1.6  0,8535 85.35%
17,489
 
 57.505
e
F(T,t) 1 R(T,t)  0,1465 14.65%

103
Proyecto de la Flota
Kilometraje Probabilidad
Camión Actual Condicional de
falla
1 17489 0.14623
El mas
2 42834 0.22044 probable que
3 38414 0.20937 falle!

4 110401 0.34463
5 2220 0.07543
6 72047 0.28220
7 65489 0.26972
8 3528 0.08354
9 36181 0.20355
10 13061 0.12929

LC para ejemplo de Camiones:


Probabilidad - W eibull
99.000

90.000

50.000
D e s c o n fi a b i l i d a d , F ( t)

10.000

5.000

1.000
1000.000 10000.000 100000.000

Tiempo, (t)

104
• Preguntas …..

GRACIAS

105