Curso Confiabilidad

1.
CONCEPTOS DE
CONFIABILIDAD
1-1
Objetivo: Presentar los conceptos
indispensables para entender la
confiabilidad
Propsitos
presentar el concepto de tiempo de vida y falla
exponer el concepto de distribucin de
probabilidad
definir confiabilidad
definir MTBF - MTTF
explicar el tiempo de misin
visualizar la velocidad de falla grficamente
presentar los elementos de estadstica descriptiva
obtener una distribucin empricamente
1-2
CONFIABILIDAD PARA QU?
Cul es la vida promedio del producto?

Cuntas fallas espera el prximo ao?
Cunto nos costar desarrollar y dar servicio a este
producto?
Cmo podemos hacerlo ms efectivo en costo?
1-3
TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida til
de un producto. Durante este perodo el cliente obtiene
las caractersticas ofrecidas intencionalmente.
Cuando cesa la capacidad del producto para entregar la

caracterstica ofrecida al cliente, se considera que ha
habido una Falla del producto. Esto representa el
trmino del tiempo de vida.
1-4
MODELOS DE TIEMPO DE VIDA
Para modelar el tiempo de vida se asigna una
medida: La frecuencia relativa o la
probabilidad con que ocurrir el evento.
La regla que asigna valores de frecuencia

relativa o probabilidades a los valores de una
variable se llama Distribucin de
Probabilidad
1-5
DISTRIBUCIONES DE
PROBABILIDAD
Funcin de Densidad de Probabilidad (pdf), f(t)
Predice el comportamiento de cualquier situacin
probabilstica
Probabilidad de t de caer en algn punto del rango t1 a t2
t2
p ( t1 t t 2 ) f( t )d t
t1
El rea total bajo la
curva siempre es 1 o
100%
f(t)
t1 t2
t 1-6
EJEMPLOS DE DISTRIBUCIONES
DE PROBABILIDAD
56.399 138.573 172.78 39.655 30.0000
Histograma
30
56.554 132.988 45.735 9.52
35.389 234.234 62.171 29.374
56.215 63.378 78.558 46.076
188.26 28.855 75.812 193.45
20
90.882 49.089 75.492 103.507
Percent
132.312 123.442 27.978 107.717 15.0000
13.3333
60.465 49.526 145.911 179.036
301.525 71.698 95.475 61.099
10 8.3333 8.3333
302.01 45.352 175.935 46.613 6.6667
6.6667
101.978 182.344 34.899 82.272
3.3333
3.3333 3.3333
98.37 225.349 43.461 176.949 1.6667
64.026 137.758 52.311 145.45 0.0000
0.0000
0
43.881 93.901 49.619 73.873
53.358 77.471 92.019 117.592 0 100 200 300
OBS
0.4
0.3
PDF Weibull
f(t)
0.2
0.1
0.0
0 5 10 1-7
t
DISTRIBUCION ACUMULADA DE
PROBABILIDAD
Si acumulamos las probabilidades desde el inicio hasta
un tiempo t1, obtenemos la Distribucin de
Probabilidad Acumulada {CDF F(t)}.
F(t1) = P(t t1)
1-8
PROBABILIDAD
Funcin de Distribucin Acumulada
La Probabilidad de una variable es menor o igual a un valor
especfico, e.g., t1 t1
F (t ) P(0 t t1 ) f (t )dt
0
Cuando la variable es tiempo de falla, esto
representa la no confiabilidad o la
probabilidad de que una unidad falle
antes del tiempo t1
1-9
PROBABILIDAD
t1
F( t) P(0 t t 1 ) f ( t)dt
0
Funcin de Densidad de Probabilidad Funcin de Distribucin Acumulada
1
No confiabilidad, F(t)
F(t)
f(t)
0
t1
t 0 t1
t 1-10
DEFINICIN DE CONFIABILIDAD
Confiabilidad es la probabilidad de que un sistema

ejecute su funcin de intencin sin fallar para un
intervalo especfico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.
R(t) = 1 - F(t)
Algunos autores presentan como sinnimos
Supervivencia y Confiabilidad
1-11
DEFINICIN DE CONFIABILIDAD
t
R ( t ) 1 F ( t ) 1 f ( t ) d t f ( t ) d t
0 t
Funcin de Densidad de Probabilidad Funcin de Confiabilidad
R(t)
f(t)
0
0 0
t1
t t1
t 1-12
MTBF - MTTF
Si el tiempo de vida para una caracterstica de calidad
es una variable aleatoria y conocemos su distribucin
de probabilidad , podemos calcular una medida de
localizacin, por ejemplo el valor de su media.
El valor medio del Tiempo de Vida se denomina Tiempo

Promedio entre Fallas, MTBF es el acrnimo en
Ingls, y se refiere a una medicin bsica de
confiabilidad para artculos que se pueden reparar.
MTTF se refiere al Tiempo Promedio de Fallas, esto es

para artculos que no pueden ser reparados.
1-13
MTBF - MTTF
La media estimada del 98.932
tiempo de vida est marcada
30.0000
30
con la lnea punteada es de 20
98.932, se obtuvo
Percent
15.0000
13.3333
calculando el promedio de 10 8.3333

6.6667
8.3333
6.6667
los tiempos N 3.3333

3.3333 3.3333
ti
1.6667
0.0000
0.0000
0
m i 1 0 100 200 300

N tiempo
0.4
La media calculada para esta
1.77245
0.3 distribucin Weibull es funcin
de sus parmetros h=2 y b=2
f(t)
0.2
1
0.1
MEDIA h1
0.0 b
0 5 10 1-14
t
TIEMPO DE MISIN
Tiempo de Misin se refiere al tiempo intentado durante
el cual el producto entrega la caracterstica de
calidad satisfactoriamente.
El Tiempo de Misin es una decisin de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus caractersticas.
Tiempo de Misin
Qu confiabilidad lograremos?, R(tiempo de misin)

1-15
VELOCIDAD DE FALLA
La Velocidad de Falla Tasa de Riesgo o tambin Tasa
de Falla es la fraccin de fallas probables entre la
proporcin de supervivientes al tiempo t. Cuando se
conoce la Distribucin de Probabilidad de t, se
calcula a partir de
h(t) = PDF / R(t)

Es una medida de la mortalidad entre los artculos
que quedan.
La tasa de falla representa la propensin a la falla de un
producto como una funcin de su edad o tiempo en
operacin. La tasa de falla en cualquier tiempo dado es la
proporcin que caer en la siguiente unidad de tiempo
respecto a aquellas unidades que han sobrevivido a este
tiempo. 1-16
TASA DE FALLA O TASA DE RIESGO
Por ejemplo, 1000 motores elctricos se ponen a prueba
en el tiempo CERO. Cuatrocientos de ellos estn
trabajando a las 2000 horas, 50 de ellos fallaron en las
siguientes 100 horas y otros 50 fallaron en las siguientes
horas como lo ilustra la figura.
No. de
1000 400 350 300 sobrevivientes
0 2000 2100 2200 horas tiempo
La tasa de falla para los motores a las 2000 horas es:

h(2000) = (nmero de fallas por hora posteriores a las 2000 horas)
nmero de sobrevivientes a las 2000 horas
= (50/100)/400 = 0.00125 unidades/hora
Similarmente, la tasa de falla a las 2100 horas es:
h(2100) = (50/100)/350 = 0.0014 unidades/hora 1-17
CURVA DE LA BAERA
Si se dibuja la tasa de riesgo o falla para una poblacin

a travs del tiempo se observa un comportamiento
descrito como la Curva de la Baera
h(t)
Fallas infantiles Fallas por deterioro o desgaste
Fallas constantes
t
1-18
ESTADISTICA DESCRIPTIVA
La Estadstica Descriptiva se
orienta a proporcionar una
descripcin til, clara e
informativa de una masa de 30
30.0000
datos numricos.
Esto se hace al considerar 20
Percent
tpicos como:
15.0000
13.3333
10 8.3333 8.3333
la coleccin y procesamiento de 6.6667

6.6667
datos originales,
3.3333
3.3333 3.3333
1.6667
0.0000
0.0000
0
presentacin tabular y grfica, 0 100

OBS
200 300
fuentes de datos, Un histograma es una descripcin

distribucin de frecuencias, til, clara e informativa de la
distribucin de frecuencias
medidas de tendencia central y
medidas de dispersin.
1-19
ESTADISTICOS
Un estadstico es cualquier funcin de las observaciones en una
muestra aleatoria, que no dependa de parmetros desconocidos
La media muestral, la varianza muestral, la desviacin estndar
muestral y los coeficientes de variacin, sesgo y curtosis son
algunos de los estadsticos ms comunes.
Obsrvese que como un estadstico es una funcin de los datos
provenientes de una muestra aleatoria, es a su vez una variable
aleatoria.
Es decir, si se obtuvieran dos muestras aleatorias diferentes
provenientes de la misma poblacin y se calcularan las medias
muestrales, podra esperarse que los valores obtenidos fueran
diferentes. 1-20
Estadstica Descriptiva
Medidas
Descriptivas Descripcin POBLACION MUESTRA
Medida de 1 n
Otras medidas son la mediana y la
MEDIA tendencia
E(t ) tf (t )dt mx xi
n i 1
moda, la media tiene propiedades
central

estadsticas mejores
Medida de 2 t f (t )dt
1 n
x i x 2 la desviacin estndar es la
s2
2
VARIANZA n 1 i 1
dispersin raz cuadrada de la varianza
Medida del La Normal tiene un rango

COEFICIENTE DE CV CV = S
grado de 0.05<CV<0.25
VARIACIN x
variabilidad La exponencial: CV= 1
x x
n
3
COEFICIENTE DE Medida de t
3
f (t )dt i 3<0 cola izquierda
i 1
SESGO Simetra 3 3=0 simtrica (v.gr.Normal)
2 3/2 3
s
n
2 3/2 3>0 cola derecha
x x
n
COEFICIENTE DE Medida de 4
4<0 - aguda que la Normal
t
i
CURTOSIS Agudeza 4
f (t )dt i 1
4=0 aguda como Normal
n
4
4 4>0 +aguda que la Normal
2 2
s2
2
1-21
Porqu son importantes los

estadsticos?
Describen completamente los datos
Coeficiente de Variacin CV
comnmente utilizado para describir propiedades
mecnicas de los materiales.
aproximadamente 15% para fractura
aproximadamente 7% para resistencia a la cedencia
ayudan a determinar la distribucin apropiada
la distribucin normal tiene un rango 0.05 < CV < 0.25
Exponencial CV = 1
1-22
Porqu son importantes los estadsticos?

Coeficiente de sesgo
medida de simetra
3 < 0 distribucin sesgada a la izquierda(tiene una cola a la
izquierda)
3 = 0 distribucin simtrica
Distribucin Normal 3 = 0
3 > 0 distribucin sesgada a la derecha (tiene una cola a la
derecha
Coeficiente de curtosis
medida de agudeza (puntiaguda)
4 < 3 distribucin menos aguda que la Normal
4 = 3 distribucin Normal
4 > 3 distribucin ms aguda que la Normal
1-23
Porqu son importantes los estadsticos

los tres ayudan a determinar los parmetros de la
distribucin
CV
La Exponencial tiene un CV constante
El parmetro de forma de la distribucin Weibull es bien
estimado con el coeficiente de variacin CV
coeficientes de sesgo y curtosis
la relacin entre ellos ayuda a determinar la distribucin que mejor
se ajusta
1-24
EJEMPLO DE DISTRIBUCIN
lt
PDF f (t ) le
lt
CDF F (t ) 1 e Distribucin
l Exponencial
CONFIABILIDAD R(t ) e t
TASA DE FALLA h (t ) l
1
MEDIA
Funcin de Densidad de Probabilidad Exponencial
0.0035
l 0.0030 l= 0.003, MEDIA = 333
0.0025
l= 0.002, MEDIA = 500
0.0020
f(t)
l= 0.001, MEDIA = 1,000

0.0015
0.0010
0.0005
0.0000
0 500 1,000 1,500 2,000 1-25
Tiempo
b
b 1 t
bt
h
PDF f (t ) e Distribucin
h h Weibull 2
b
t

parmetros
h
CDF F (t ) 1 e
b
t

h
CONFIABILIDAD R(t ) e
b 1
bt
TASA DE FALLA h (t )
h h
1
MEDIA h1
b 1-26
Abra el archivo Distribucin.xls Seale la columna de
tiempo y pongala en
orden ascendente
Veamos cmo se construyen las

curvas de distribucin usando el
EXCEL
1-27
Agregue un Agregue una columna
rengln inicial Obtenga R(t) por la
donde estime F(t)
con cero y una diferencia R(t) = 1-F(t)
usando la frmula de
columna con un Kaplan Meier*: Note que puede estimar la
contador que
( F(t) = i/N) Confiabilidad de 90% para
inicie en cero
un tiempo de 35.389
* La frmula de Kaplan Meier se recomienda para muestras grandes

1-28
Se estima la tasa de falla para los
tiempos observados, con el inverso del R(t )LS R(t ) Z 2 R(t ) F (t ) N
nmero de supervivientes 1/(N+1-i) R(t )LI R(t ) Z 2 R(t ) F (t ) N
Por ltimo se estima

el intervalo de
confianza normal al
95% para la
confiabilidad
1-29
R(ti)= 1-F(ti)
1.0000
0.9000
Grficas de
Confiabilidad R(t) y de
0.8000
0.7000
0.6000
la Funcin Acumulada
F(t) generadas en
0.5000 R(ti)= 1-F(ti)
0.4000
0.3000
EXCEL
0.2000
F(ti)= i/N
0.1000
1.0000
0.0000
0 50 100 150 200 250 300 350 0.9000
0.8000
0.7000
Recuerde que: 0.6000
0.5000 F(ti)= i/N
R(t) = 1- F(t)
0.4000
0.3000
0.2000
0.1000
0.0000
0 50 100 150 200 250 300 350 1-30
EJEMPLO DE DISTRIBUCION
Use el archivo: distribucin.mtw
Ahora en Minitab...
1-31
Distribution Analysis Clculo de R(t) para un tiempo
Variable: tiempo
Censoring Information Count
Uncensored value 60 Para un tiempo
Nonparametric Estimates
Characteristics of Variable de 35.389 la
Standard 95.0% Normal CI
Mean Error lower upper confiabilidad es
98.9320 8.4776 82.3162 115.5478
del 90%
Median = 75.8120
IQR = 83.4620 Q1 = 49.5260 Q3 = 132.9880
Kaplan-Meier Estimates
Number Number Survival Standard 95.0% Normal CI
Time at Risk Failed Probability Error Lower Upper
9.5200 60 1 0.9833 0.0165 0.9509 1.0000
27.9780 59 1 0.9667 0.0232 0.9212 1.0000
28.8550 58 1 0.9500 0.0281 0.8949 1.0000
29.3740 57 1 0.9333 0.0322 0.8702 0.9965
34.8990 56 1 0.9167 0.0357 0.8467 0.9866
35.3890 55 1 0.9000 0.0387 0.8241 0.9759
39.6550 54 1 0.8833 0.0414 0.8021 0.9646
43.4610 53 1 0.8667 0.0439 0.7807 0.9527
43.8810 52 1 0.8500 0.0461 0.7597 0.9403
45.3520 51 1 0.8333 0.0481 0.7390 0.9276
45.7350 50 1 0.8167 0.0500 0.7188 0.9146
46.0760 49 1 0.8000 0.0516 0.6988 0.9012
46.6130 48 1 0.7833 0.0532 0.6791 0.8876
49.0890 47 1 0.7667 0.0546 0.6596 0.8737
49.5260 46 1 0.7500 0.0559 0.6404 0.8596
49.6190 45 1 0.7333 0.0571 0.6214 0.8452
52.3110 44 1 0.7167 0.0582 0.6026 0.8307 1-32
INTERPRETACION DE
RESULTADOS
Nonparametric Hazard Plot for tiempo
Observamos las
Empirical Hazard Function
Complete Data
grficas de las
1.0 Mean 98.932
Median 75.812
0.9
IQR 83.462
0.8
0.7
distribuciones
0.6
empricas de: riesgo
Rate
y confiabilidad
0.5
0.4
0.3
Nonparametric Survival Plot for tiempo
0.2
Kaplan-Meier Method-95.0% Conf idence Interv als
Complete Data
0.1
0.0 1.0 Mean 98.932

Median 75.812
0 100 200 300 0.9
IQR 83.462
Time to Failure 0.8
0.7
Las asignaciones de
Probability
0.6
probabilidades se basan slo

0.5
0.4
en las frecuencias
0.3
0.2
observadas, y no suponen
0.1
0.0
ningn modelo especial. 0 100
Time to Failure
200 300
1-33
PUNTOS CLAVE
tiempo de vida til y falla

distribucin de probabilidad
confiabilidad
MTBF - MTTF
tiempo de misin
velocidad de falla
estadstica descriptiva
distribucin emprica
1-34
2. MODELOS DE
CONFIABILIDAD
Distribuciones de Probabilidad
Exponencial
Weibull
Lognormal
1-35
OBJETIVO
Presentar los modelos Exponencial, Weibull y

Lognormal para la confiabilidad, sus caractersticas
principales y guas para su empleo
Puntos:
Modelos Paramtricos de Confiabilidad
Distribuciones de Probabilidad
Parmetros
Propiedades
Situaciones para modelar
Gua para eleccin del modelo
1-36
Modelos Paramtricos de
Confiabilidad
Distribuciones Paramtricas
Algunas Distribuciones de Probabilidad se pueden
expresar como una funcin matemtica de la variable
aleatoria.
La funcin tiene adems de la variable aleatoria,
constantes que le dan comportamientos especficos
a las distribuciones
Los parmetros definen:
FORMA
ESCALA
LOCALIZACION
1-37
Qu hay atrs de una distribucin?
Los Parmetros definen lo que esta detrs de cada

distribucin.
Conociendo los parmetros de una distribucin podemos
inferir el comportamiento de la confiabilidad
La Forma de la distribucin
La Escala de la distribucin
La Localizacin de la distribucin
1-38
Distribucin Normal
La Normal o Distribucin Gaussiana es la distribucin
ms conocida
Tiene Media = Mediana = Moda
La Media , es tambin su parmetro de localizacin
La PDF normal tiene forma de una campana con
simetra sobre su media
La normal no tiene parmetro de forma. Esto significa
que la PDF normal slo tiene una forma, la campana
y esta forma no cambia
La desviacin estndar , es el parmetro de escala
de la PDF normal
1-39
Distribucin Normal
1 1 t 2
f( t ) exp
2 2
Distribucin de la Funcin Normal
Funcin de Densidad de Probabilidad Normal
0.0140
0.0120
0.0100 = 500
= 30
0.0080 = 50
= 70
f(t)
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
1-40
Tiempo
Distribucin Normal

R ( t ) f( t )d t ( z )d z
t z(t)
Funcin de Distribucin Normal donde z(t) = (t-/ y (z) = normal estandarizada pdf
Funcin de Confiabilidad Normal
1.000
= 500
0.800
= 30
= 50
= 70
0.600
R(t)
0.400
0.200
0.000
200 400 600 800 1000 1-41
Tiempo
Distribucin Normal
(z)
h(t )
Funciones de Distribucin Normal R( z )
donde (z) =normal estandarizada pdf
Funcin Normal de Tasa de Falla
0.2500
0.2000
= 500
= 30
= 50
0.1500
= 70
h(t)
0.1000
0.0500
0.0000
1-42
200 400 600 800 1000
Tiempo
Distribucin Normal
Distribucin Normal
Tienden a seguir una distribucin normal los ciclos de falla en
componentes mecnicos sometidos a niveles altos de estrs
Es til si el coeficiente de variacin es pequeo (<10%)

Las propiedades de varios materiales tienden a seguir una
distribucin Normal
Las fallas a la tensin de muchos materiales estructurales
siguen una distribucin Normal
Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Lmite Central (CLT)
1-43
Distribucin Exponencial
El modelo exponencial, con un solo parmetro, es el ms
simple de todo los modelos de distribucin del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
lt
CDF : F (t ) 1 e
lt
CONFIABILIDAD : R(t ) e
Funcin de Densidad de Probabilidad Exponencial
0.0035
PDF : f (t ) le
lt 0.0030 l= 0.003, MEDIA = 333
0.0025
1 l= 0.002, MEDIA = 500
MEDIA : m 0.0020
l
f(t)
l= 0.001, MEDIA = 1,000
0.0015
ln 2 0.693
MEDIANA : @ 0.0010
l l 0.0005
1 0.0000
VARIANZA : 0 500 1,000 1,500 2,000
l 2 Tiempo
TASA DE FALLA : h (t ) l
1-44
R(t) = e(-lt) (Confiabilidad)
Funcin de Confiabilidad Exponencial

1.200
1.000
0.800 l= 0.001, MTBF = 1,000

l= 0.002, MTBF = 500
R(t)
0.600
l= 0.003, MTBF = 333
0.400
0.200
0.000
0 500 1,000 1,500 2,000
Tiempo 1-45
h(t) = lMEDIA (Velocidad de Falla)
Note que la tasa de
Funcin de la Tasa de Falla Exponencial falla tiende a ser una
0.004 constante l para
l= 0.003, MTBF = 333
cualquier tiempo. La
0.003 distribucin exponencial
es la nica que tiene
l= 0.002, MTBF = 500
una velocidad de falla
h(t)
0.002
constante
l= 0.001, MTBF = 1,000
0.001
0.000
0 500 1,000 1,500 2,000
Tiempo
1-46
Es usada como el modelo, para la parte de vida til de la
curva de la baera, i.e., la tasa de falla es constante
Los sistemas complejos con muchos componentes y
mltiples modos de falla tendrn tiempos de falla que
tiendan a la distribucin exponencial
desde una perspectiva de confiabilidad, es la distribucin
ms conservadora para prediccin.
La forma de la exponencial
siempre es la misma
1-47
La Distribucin exponencial de 2 parmetros tiene las siguientes ecuaciones:
CDF : F (t ) 1 e
l ( t g ) g es el parmetro de
l ( t g )
localizacin, si es positivo,
CONFIABILIDAD : R(t ) e cambia el comienzo de la
PDF : f (t ) le
l ( t g ) distribucin por una distancia g
a la derecha del origen,
1
MEDIA : m g significando que las
l posibilidades de falla empiezan
ln 2 0.693 a ocurrir slo despus de g
MEDIANA : g @g horas de operacin, y no
l l
pueden ocurrir antes.
1
VARIANZA :
l2 Note que la varianza y la tasa de falla son
TASA DE FALLA : h (t ) l iguales a las de la exponencial de un parmetro
1-48
Distribucin Weibull b
t

La distribucin de h
Weibull es un
CDF : F (t ) 1 e
b
modelo de t

h
distribucin de vida CONFIABILI DAD : R(t ) e
til muy flexible, b 1 t
b
para el caso de 2 bt
h
parmetros: PDF : f (t ) e
h h
Donde h es un 1
MEDIA : h1
parmetro de escala (la b
vida caracterstica) y b
MEDIANA : h ln 2 b
1
se conoce como el
parmetro de forma 2
(pendiente) y es la 2 1
VARIANZA : h 1 h1
2
funcin Gamma con b b
(N)=(N-1)! para N b 1
entero bt
TASA DE FALLA :
h b 1-49
Distribucin Weibull b
t g

Una forma ms general de CDF : F (t ) 1 e h
3 parmetros de la Weibull b
t g
incluye un parmetro de
h
tiempo de espera CONFIABILI DAD : R(t ) e
(localizacin b 1 t g
b
desplazamiento). Las b t g
h

PDF : f (t ) e
frmulas se obtienen h h
reemplazando t por (t-g).
1
No puede ocurrir una falla MEDIA : g h1
b
antes de g horas, el tiempo
MEDIANA : g h ln 2 b
1
comienza en g no en 0.
2
2 1
VARIANZA : h 1 h1
2
b b
b 1
b t g
TASA DE FALLA :
h b 1-50
Distribucin Weibull
b 1 t b
b t
Funcin de Distribucin Weibull f( t ) exp
h h h
Funcin de Densidad de Probabilidad Weibull
0.0030
b = 0.5
h = 1000
0.0020
b = 1.0 b = 3.4
h = 1000
f(t)
h = 1000
0.0010
0.0000
0 500 1000 1500 2000 2500 3000 1-51
Tiempo
Distribucin Weibull
t b
R ( t ) exp
Funciones de Distribucin Weibull h
Funcin de Confiabilidad Weibull
1.000
b = 3.4
0.800 h = 1000
b = 1.0
0.600 h = 1000
R(t)
0.400
b = 0.5
0.200 h = 1000
0.000
0 500 1000 1500 2000 2500 3000 1-52
Tiempo
Distribucin Weibull
b 1
b t
h( t )
Funciones de Distribucin Weibull h h
Funcin Tasa de Falla Weibull
0.0060
b = 3.4
h = 1000
0.0040
b = 0.5
h = 1000
h(t)
b = 1.0
0.0020 h = 1000
0.0000
0 500 1000 1500 2000 2500 3000 1-53
Tiempo
Distribucin Weibull
Distribucin Weibull
mientras la funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la Weibull
modela la caracterstica de vida de los componentes y
partes
modela fatiga y ciclos de falla de los slidos
es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una distribucin de la
confiabilidad de los elementos de una muestra
muy flexible y puede tomar diferentes formas
1-54
Distribucin Weibull
Tiene usted una Distribucin Weibull con b=2
y h=2, Cul es la media y la varianza?
1
m h1
b
2
2 2 1
varianza h 1 h1

b b
1 Archivo
Weibull.xls
2
3 1-55
Las tres porciones de la curva
Distribucin Weibull de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
l l l
decreciente constante creciente constante y el desgaste se
caracteriza por un ndice de
b< 1 b= 1 b> 1
falla creciente. La distribucin
Fallas Desgaste
de Weibull puede modelar
tempranas Tiempo de vida til matemticamente estas tres
situaciones.
tiempo
b < 1 disminuye la tasa de riesgo, implica mortalidad infantil

b = 1 tasa de riesgo constante, fallas aleatorias
1< b < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
b > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
1-56
envejecimiento
La Distribucin Weibull - Interpretacin
b = 1 (Tasa de riesgo constante)
b < 1 (Tasa de riesgo decreciente)
Implica fallas aleatorias(Distribucin
Implica mortalidad infantil Exponencial)
Si esto ocurre, puede existir: Una parte vieja es tan buena como una
-Carga, inspeccin o prueba inadecuada nueva
-Problemas de Manufactura
-Problemas de reparacin Si esto ocurre:
-Mezcla de modos de falla
Si un componente sobrevive la mortalidad -Las fallas pueden deberse a eventos
infantil , la resistencia a fallar mejora con la externos, como:luminosidad o errores
edad. humanos
-Fundido y removido antes de su
1 <b4 (Tasa de Riesgo creciente) desgaste
Si esto ocurre b4 (La tasa de riesgo crece rpidamente)

-La mayora de los baleros y engranes
fallan Implica edad avanzada y rpido desgaste
-Corrosin o Erosin
-El reemplazo programado puede ser Si esto ocurre, sospeche de:
efectivo en costo -Propiedades del material
b=3.44aprox. Normal, b=2Rayleigh -Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material 1-57
Distribucin Weibull
Cuando b = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando b = 5 la Weibull se aproxima a una Normal
puntiaguda.
1-58
Distribucin Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse
adecuadamente mediante la Weibull. Algunos
ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan,
tales como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa
una distribucin de valor extremo).
1-59
Distribucin Weibull
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = h?
Al llegar al
t b
tiempo de vida
R(t ) exp igual a la vida
h
caracterstica el
si t h 63.2% de los
h b elementos habr
R(t h ) exp e 1 0.3678 fallado. Este
h hecho se usa en
F (t h ) 1 R(t h ) 0.6321 las grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso exponencial,

recordando que la Weibull se puede reducir a una exponencial cuando
b = 1.
1-60
Distribucin Lognormal
Un tiempo de falla se distribuye segn una Lognormal si el

logaritmo del tiempo de falla est normalmente distribuido.
La Distribucin Lognormal es una distribucin sesgada hacia la

derecha.
La PDF comienza en cero, aumenta hasta su moda y diminuye

despus.
1-61
Si un tiempo t est distribuido Lognormal,
t~LN(t, t) y si Y = ln(t) entonces Y~N(y, y)
t y = ln(t)
2 2
1 y y 1 y y

PDF f (t )
1
e
2 y

f (y )
1
e
2 y

t y 2 y 2
ln( t T50 ) y y
CDF F (t ) F ( y )
y
y
y2
MEDIA t T50 exp y y ln(T50 )
2

t
T50 exp( y )
MEDIANA t2 y
1 2
t
)exp( ) 1
t2
VARIANZA T exp(
2 2 2
ln1 2
50 y y
t

1-62
(z) es la CDF de la Normal estndar
La Distribucin de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parmetros tiene los
parmetros ln(t) = y parmetro de forma, y T50 = la mediana (un
parmetro de escala)
Si el tiempo para la falla t, tiene una distribucin Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene
una distribucin normal con media y = ln T50 y desviacin
estndar y.
Esto hace a los datos lognormales convenientes para trabajarlos
as: determine los logaritmos naturales de todos los tiempos de
falla y de los tiempos censurados (y = ln(t)) y analice los datos
normales resultantes. Posteriormente, haga la conversin a
tiempo real y a los parmetros lognormales usando y como la
forma lognormal y T50 = exp(y como (mediana) el parmetro de
escala.
1-63
1 1 ln ( t ) 2
Funcin de Distribucin f( t ) exp
t 2 2

Lognormal
donde y son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.5000
=0
0.4000 = 0.5
=0
0.3000 =1
f(t)
=1
= 0.5
0.2000
=1
=1
0.1000
0.0000
0 1 2 3 4 5 6 7 1-64
Tiempo

R ( t ) f( t )d t f [ln ( t ) ] d [ln ( t ) ] ( z )d z
Funcin de Distribucin t ln ( t ) z [ln ( t ) ]
Lognormal donde z[ln(t)] = [ln(t)-/]
(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
1.000
=1
= 0.5
0.800
=1
=1
0.600
R(t)
0.400 =0
=1
0.200 =0
= 0.5
0.000
1-65
0 1 2 3 4 5 6 7
Tiempo
f( t )
Funcin de Distribucin Lognormal h ( t )
R( t)
Funcin Tasa de Falla Lognormal
0.7000
=0
0.6000 = 0.5
0.5000
0.4000 =1
h(t)
= 0.5
0.3000
0.2000
0.1000
=1 =0
=1 =1
0.0000
0 1 2 3 4 5 6 7
Tiempo 1-66
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)

Calculemos los valores que nos permiten usar la tabla normal estndar
t2
2
4
T50 t 1 2 25 1 24.68
t 25
2
4
2

y2 ln1 t2 ln1 0.02527
25
t
y 0.02527 0.1589
Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) =

0.023
1-67
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, niveles de tensin significativamente menores que sus
lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso
La resistencia de materiales frecuentemente sigue una distribucin

Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal
Es una buena distribucin para cualquier variable

La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
1-68
Confiabilidad
Ventajas
Usados cuando la distribucin subyacente de los tiempos de
falla se conoce o puede ser supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., MIL-HDBK-217)
Conocimiento Ingenieril del mecanismo de falla
Tiene ms poder para hacer una decisin correcta que en
las pruebas no-paramtricas
Rinde informacin ms precisa que los mtodos no-
paramtricos
Los intervalos de confianza son ms amplios usando no-
paramtricas
Permite extrapolar fuera del rango de los datos
1-69
Confiabilidad
Desventajas
El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
Implica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observacin estadstica
Si no se conoce nada
sobre la falla debe tenerse
cuidado en un
procedimiento para
seleccionar un modelo
adecuado.
1-70
Cuadro de Distribuciones
Modelos Comunes
de Confiabilidad Exponencial Weibull Normal Lognormal
Funcin de Densidad b1 t b 1 t 2
b t 1 1 ln(t) 2
f(t) exp f(t) exp f(t)
1
exp
de Probabilidad (pdf), f(t) = lexp(-lt) h h h 2 2 t 2
2
f(t)

t b
Funcin de R(t) = exp(-lt) R ( t ) exp ( ) (z)dz
Rt R(t) (z)dz
Confiabilidad, R(t) h z(t)
z[ln(t)]
b1 ( z )
b
h(t) t
Funcin de Tasa de f(t)
h(t) = l h( t ) h(t)R(t)
Falla, h(t) h h R( z )
1
Tiempo Medio Entre T
1
T h(
1
1)
T exp(T ' 2 T ' )
l b T media 2
Fallas (MTBF) donde T' es la funcion ln(t)
h = escala
Parmetros 1/l= escala b = forma, o media = localizacin media de lns = escala
sin forma pendiente Weibull = escala de lns = forma
Aplicaciones Sistema complejo b < 1, fallas infantiles z(t) = (t - )/ z[ln(t)] = (ln(t) - )/

vida til b = 1, exponencial (z) = pdf normal std. donde = media de lns
electrnica b > 1, desgaste desgaste alto = desv. std. de lns
b app 3.4, app. normal efectos aditivos (CLT) (z) = pdf normal std.
muy flexible fatiga en metales
bien para fatiga en desgaste de partes mecnicas 1-71
componentes mecnicos efectos multiplicativos
Identificacin de Modelos
Debemos de elegir
cuidadosamente el modelo
apropiado de distribucin de vida
Cualquiera que sea el mtodo usado
para escoger el modelo, debemos
verificar:
que tenga sentido - por ejemplo no usar
un modelo exponencial que tiene una
tasa de falla constante para modelar una
falla de desgaste.
Pasar las pruebas estadsticas y visuales
para ajuste de datos
1-72
Grficas, Abrir: identificacin.mtw
Descriptive Statistics
No pasa el criterio
Variable: T de normalidad
=0.9966, el
Anderson-Darling Normality Test coeficiente de
A-Squared: 2.339 variacin es
P-Value: 0.000
prcticamente 1
Mean 101.453
StDev 101.127 Media y desviacin
Variance
Skewness
10226.7
2.00837
estndar son
Kurtosis 5.38151 iguales
N 50
0 100 200 300 400 500
Sesgo >0
Minimum 0.124
1st Quartile 30.898 distribucin sesgada
Median 82.077 a la derecha
3rd Quartile 124.588
95% Conf idence Interv al f or Mu Maximum 520.432
Curtosis >3, tiene
95% Conf idence Interv al f or Mu ms agudeza que
72.713 130.193
una normal
48 58 68 78 88 98 108 118 128 138 95% Conf idence Interv al f or Sigma
84.475 126.018
95% Conf idence Interv al f or Median
53.078 102.444
Seguir la secuencia STAT>Basic Statistics>Display Descriptive Statistics 1-73

Grficas
Abrir:
identificacin.mtw
1-74
Four-way Probability Plot for T
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
-100 0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
Exponential Weibull
99 99
95
90
98
75
97 60
95 40
30
Percent
Percent
90 20
10
80
70 5
60 3
50
2
30
10 1
0 100 200 300 400 500 0.1 1.0 10.0 100.0 1000.0
Cul ajusta mejor...?

1-75
El modelo
exponencial
1-76
Overview Plot for T
No censoring
Probability Density Function Exponential Probability
0.010
99 Exponential
ML Estimates
Mean: 101.453
95
Fail. Rate: 9.86E-03
Percent
0.005 MTBF: 101.453
90
80
70
60
50
40
30
20
10
5
1
0.000
0 100 200 300 400 500 600 700 0 100 200 300 400 500
Survival Function Hazard Function

1.0
0.9 0.00990
0.8
0.7
Probability
0.6
Rate
0.5
0.00985
0.4
0.3
0.2
0.1
0.0 0.00980
0 100 200 300 400 500 0 100 200 300 400 500
1-77
Ejercicio
Ahora Usted...
Abra los datos en distribucin.mtw (los
del captulo 1) y proponga qu modelo de
distribucin los representa mejor.
Analice los datos en la columna C5
Obtenga las grficas
Calcule los estadsticos descriptivos
Utilice algn procedimiento automatizado para
identificacin de distribucin
proponga una distribucin
1-78
Ejercicio
Descriptive Statistics
Variable: tiempo
Anderson-Darling Normality Test

A-Squared: 2.346
P-Value: 0.000
Mean 98.9320
StDev 65.6671
Variance 4312.17
Skewness 1.30399
Kurtosis 1.49195
N 60
0 50 100 150 200 250 300
Minimum 9.520
1st Quartile 49.549
Median 76.642
3rd Quartile 136.566
95% Conf idence Interv al f or Mu Maximum 302.010
95% Conf idence Interv al f or Mu
81.968 115.896
60 70 80 90 100 110 120 95% Conf idence Interv al f or Sigma
55.662 80.092
61.055 98.620
1-79
Ejercicio
Four-way Probability Plot for tiempo
No censoring
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
40 40
30 30
20 20
10 10
5 5
1 1
0 100 200 300 10 100
Exponential Weibull
99 99
95
90
98
75
97 60
95 40
30
Percent
Percent
90 20
10
80
70 5
60 3
50
2
30
10 1
0 100 200 300 400 10 100
1-80
Ejercicio
Overview Plot for tiempo
No censoring
Probability Density Function Lognormal Probability
0.010
99 Lognormal
ML Estimates
95
90
Location: 4.38759
80
70 Scale: 0.66066
Percent
60 MTBF: 100.066
0.005 50
40
30
20
10
5
0.000 1 MTB
0 100 200 300 400 500 600 10 100
reporta la
1.0
Survival Function Hazard Function media y la
desviacin
0.015
0.9
0.8
0.7
estndar
Probability
0.6
de los
0.010
Rate
0.5
logaritmos
0.4
0.3
de los
0.2 0.005
0.1
0.0
0 100 200 300 400 0 100 200 300 400

tiempos
1-81
Puntos Clave
Los modelos paramtricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
Es necesario asegurar cul es el modelo ms
apropiado para modelar
La decisin depende del conocimiento del
mecanismo de falla y la forma en que se observa.
Las distribuciones tienen parmetros que le dan
ciertas caractersticas: forma, escala, localizacin.
Recuerde siempre confirmar el modelo de
distribucin a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-82
3. DEFINICIN DE
PROYECTOS DE
CONFIABILIDAD
1-83
Objetivo
Propsitos:
Conocer las herramientas utilizadas en la identificacin
de proyectos de confiabilidad.
Asegurar el control del impacto en el sistema bajo
estudio, en un proyecto de confiabilidad a travs del uso
de las herramientas para la identificacin de proyectos.
Aprender de un proyecto real la secuencia e integracin
de las herramientas para la identificacin de proyectos de
confiabilidad.
1-84
DMAIC Y Confiabilidad
1-85
Definicin Medicin Anlisis Mejora
Identificar Objetivo: determinar la Objetivo: determinar las Objetivo: determinar los
Oportunidades: SCR, Confiabilidad y "X" vitales niveles de las "X"" vitales
Cambio de Proveedor, capacidad actuales
Costos, Productividad,
Comparacin Sistema de Medicin, Pruebas Estadsticas: Diseo de Experimentos,
Competitiva, 6s Calibrado, Lineal, Comparacin de Superficie de Respuesta,
Estable, Gage RyR < Confiabilidad actual Predicciones, Regresin
Diagrama de Bloques 20% contra propuesta: de Parmetros,
Funcionales de Producto Anlisis Paramtrico, Optimizacin de funcin
Diseo para Anlisis No Paramtrico.
Reproduccin de la falla Diseo de experimentos
Diagrama de Relaciones para eliminar X's. Corrida de comprobacin
de Proceso Regresin de parmetros de la mejor solucin.
Medir Condicin actual: Observacin de tiempos Verificacin Estadstica
1. Datos de campo, 2. de falla o degradacin de
Identificar Confiabilidad Laboratorio de pruebas, Y
Actual: CTQs de proceso 3. Base de Datos
y producto, tiempo de
misin, condiciones de
Control
ambiente Caracterizar Y, X, t: Determinar tipo de
El CTQ, las causas observacin en la
posibles y el tiempo de confiabilidad: 1. pruebas AMEF definitivo, Plan de
Establecer Metas de falla: media, dispersin, terminadas a tiempo Control, Documentacin
Confiabilidad: Nivel de distribucin, MTBF, determinado, 2. Pruebas oficial
Confiabilidad R(t), tiempo parmetros, h(t), R(t), Z terminadas a nmero de
de misin (t), Nivel de fallas determinado 3. Entrenamiento del
Confianza (1-a) Identificar los parmetros Datos por intervalo de personal involucrado,
relevantes del ruido tiempo 4. Aceleracin de Documentacin ISO,
ambiental: Mximo, Pruebas por aumento de Procedimientos,
Elaborar Diagramas P de carga Auditoras
mnimo, media,
condiciones de
dispersin, distribucin.
operacin, ruidos
internos y externos Evaluar niveles de
En pruebas aceleradas: capacidad y metas de
Validar confiabilidad
Identificacin inicial de Transformaciones para comprometidas
causas y efectos de falla, la regresin del factor
AMEF inicial, jerarquizar acelerante
Xs
Evaluar metas de Confiabilidad y de Capacidad de proceso.
Continuar, Modificar o Cancelar Proyecto
FIN DEL 1-86

PROYECTO
Diagrama de Bloques Funcionales
1-87
Qu es un Diagrama de Bloques Funcionales?
Un Diagrama de Bloques Funcionales

es una representacin grfica de los
elementos funcionales de un sistema y
sus interconexiones.
1-88
Para que utilizar el Diagrama de
Bloques Funcionales?
Es el primer paso para desarrollar el modelo del sistema
y se utiliza como punto de partida en la realizacin de un
anlisis de modo y efecto de falla (AMEF).
Entender la relacin que guardan los subsistemas entre

s y el impacto de un cambio o ms en el sistema.
Construir grficamente los elementos funcionales de un

sistema y sus interrelaciones, complementar con la misin
crtica que corresponde a cada elemento en el sistema.
1-89
Pasos en la construccin de un
Diagrama de Bloques Funcionales:
1. Defina la funcin del sistema.
2. Defina los modos de operacin del sistema.
3. Liste los subsistemas (muestre los lmites de

referencia).
4. Liste las funciones de los subsistemas (activas y

pasivas) para cada modo de operacin.
5. Defina las entradas y salidas de los subsistemas.
6. Defina la falla crtica de los subsistemas/partes y

la interdependencia 1-90
DIAGRAMA DE RELACIONES
1-91
DIAGRAMA DE RELACIONES
Muestra las relaciones causa-efecto. De igual importancia,

es que el proceso de creacin de un diagrama de
relaciones ayuda a un grupo en el anlisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.
Cuando usarlo
Un tema complejo est siendo analizado por causas.
Una iniciativa compleja est siendo implementada.
Despus de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de rbol, para
explorar con mayor nfasis las relaciones de las ideas.
1-92
Determinacin de Factores de Control y de Ruido
Diagrama-P
1-93
Qu es un Diagrama de Parmetros
Es la forma esquemtica en la que se presentan las

entradas, variables independientes y salidas del
proceso/producto sometido a un cambio tipo C, cuya
informacin proviene de un Diagrama de Bloques
Funcionales.
El diagrama de parmetros bosqueja en forma sencilla y

clara los factores que afectan la salida del diseo del
producto/proceso que pueden estar bajo control o no del
diseador/responsable de la iniciativa de confiabilidad
1-94
Para que utilizar el Diagrama de Parmetros:
Para desarrollar el plan de pruebas de confiabilidad.
Proporciona un enfoque disciplinado para la planeacin de
pruebas.
Para asegurar que el plan de pruebas de confiabilidad

incluya las condiciones ambientales aplicables al producto,
tal que todos los modos de falla puedan ser entendidos,
considerados y cuantificados.
Facilitar la ejecucin del AMEF y el diseo de

experimentos.
1-95
MATRIZ DE FACTORES
F
FACTORES QUE DAN
A
LIBERTAD DE ACCION
C C SI FACTORES DE
Y
T O
POSIBILIDAD DE AHORROS CONTROL
O N
R T
E R
S O FACTORES POR LOS
L FACTORES DE
QUE NO VALE LA PENA
O NO RUIDO
Q PREOCUPARSE
U
E
NO SI
FACTORES QUE AFECTAN EL PROCESO

1-96
Puntos Clave en la definicin de Factores de Control y de Ruido
1. Variable de Respuesta: Es una variable observada o medida en un
experimento, algunas veces llamada variable dependiente, es la Y. La variable de
respuesta es el resultado de un experimento y es denominada como un
CTQ o una medida del desempeo del proceso.
2. Factor: algunas veces llamada variable independiente o variable causal,

es una variable que es deliberadamente cambiada o modificada en un
experimento para observar su impacto en la variable de respuesta.
3. Factor de Control. Un factor de control es aquel que puede ser controlado en la
produccin regular o un parmetro que puede ser especificado en un diseo.
Ejemplo, la temperatura de la soldadura en una mquina de soldar o la dimensin
de una parte en un diseo mecnico.
4. Factor de Ruido. Un factor de ruido es aquel que el equipo tcnico considera

costoso o imposible de controlar en la produccin regular. Por ejemplo, las
condiciones ambientales; la humedad y temperatura son frecuentemente
considerados factores de ruido en los experimentos de mejoramiento de
procesos.
1-97
Anlisis del Modo y Efecto de la Falla
1-98
Qu es el AMEF
Es una estructura para lograr:

Identificar las formas en las que un proceso puede fallar por no
reunir los requerimientos crticos del cliente
Estimar el riesgo de las causas especficas con respecto a estas
fallas
Evaluar el plan de control actual para prevenir que estas fallas
ocurran
Dar prioridad a las acciones que deberan efectuarse para mejorar
el proceso
Concepto: Identificar las formas en que puede fallar el producto, el

proceso o el servicio al proporcionar la funcin planeada.
Identificar las causas posibles y eliminar las causas
Ubicar los impactos de falla y reducir los efectos
1-99
AMEF
Qu hace?
Jerarquiza los problemas en los que se debe trabajar
primero
Identifica las fallas en los planes de control
Conduce a hacer ms preguntas acerca del proceso
Ayuda a evaluar el riesgo del cambio de proceso
Establece la prioridad de las acciones a ejecutar
1-100
AMEF
Es la herramienta clave con que cuenta un equipo para mejorar
el proceso de una manera adquisitiva (antes de que ocurra la
falla)
Empleado para dar prioridad a los recursos que aseguran

atencin a los esfuerzos de mejora del proceso que son
benficos para el cliente
Usado para documentar los clculos de riesgo de la terminacin

de los proyectos y de las mejoras resultantes
Debe ser un documento dinmico, que est siendo

continuamente revisado, corregido y actualizado
1-101
El Modelo AMEF
Prevencin Deteccin Deteccin
Modo de la Falla
Causa Efecto
(Defecto)
Material o Cliente externo o

Paso del Proceso paso del proceso
Entrada de con la corriente
Proceso
Controles
1-102
Definicin Modo de Falla
El Modo de Falla necesita ser claramente definido en
trminos de la operacin realizada
Ejemplos de Modo de Falla:
distorsin
fractura Usar nmeros en donde sea posible
tolerancia excedida
circuito abierto
corto circuito
descalibrado
Definir el Modo de Falla antes de la Prueba

1-103
Mecanismo de Falla
Los Resultados de las Pruebas estuvieron disponibles para
determinar los modos de falla
Los modos de falla primarios son: Alambre abierto y fundido
MLPL describe los mecanismos de la falla
Mecanismo de la Falla
MLPL
1) Oxidacin del alambre
calentado, y disminucin
del cromado
El mecanismo es de
degradacin, corrosin qumica
MLPL nos dice cmo fallan los componentes
Ejemplo: Elemento Calorfico MLPL 1-104

Acelerar las pruebas
El tiempo para determinar la confiabilidad a
veces no es suficiente
Un producto con alta confiabilidad tarda
mucho en exhibir las fallas
Es necesario determinar que tipo de carga o
esfuerzo ACELERA el modo de falla
1-105
Determinar el Mecanismo del Modo de la Falla
a ser Acelerado
Para estar seguros de acelerar todos los modos de falla, se
necesita usar ms de un acelerador ( por ejemplo, voltaje,
vibracin, temperatura)
Seis Sigma / Enfoque Diseo de Experimentos
85 C, 85 RH
85 RH
Humedad
85 C, 75 RH
65 RH
65 C Temperatura 85 C
1-106
Puntos Clave
Confiabilidad - DMAIC
Diagrama de Bloques Funcionales
Diagrama de Relaciones
Diagrama de Parmetros
AMEF
Modo de Falla
Mecanismo de la Falla
1-107
4. OBSERVACIN DE FALLAS
1-108
Objetivo: Presentar alternativas de
Anlisis en funcin del Tipo de Datos
Propsitos:
Clasificar el Tipo de Datos Observados
Analizar Datos Agrupados y Datos no Agrupados
Censurados a la izquierda
Censurados a la derecha
Sin Censura
Con Tiempo de Misin establecido
Estimacin de Parmetros
Interactuar con ReliaSofts Weibull++5.0 para el anlisis de
datos
1-109
Recoleccin de Datos
La Recoleccin de datos es una parte
importante de todo proyecto.
Los datos representan datos de vida o datos de
tiempo de falla de los productos que
hacemos.
La exactitud de cualquier prediccin es
directamente proporcional a la calidad y
exactitud de los datos recolectados.
1-110
Tipos de Datos
Cuando se examinan datos sobre la vida o duracin de un producto debe
reconocerse que hay diferentes clases de ellos. En el trabajo regular del
control de calidad si se inspecciona una muestra de 10 artculos, se obtendrn
10 observaciones. Tales datos se conocen como datos completos. En pruebas
de vida, cuando una muestra de 10 se pone a prueba es muy raro que se
obtengan 10 observaciones, porque algunos de los artculos en la muestra
pueden no fallar dentro de un periodo razonable de tiempo y la prueba puede
detenerse antes de que fallen todas las unidades. Bajo estas circunstancias o
cuando se desea un anlisis en una etapa intermedia antes de que se termine
la prueba, el resultado ser: datos incompletos o datos censurados.
Los datos censurados pueden clasificarse en tres tipos: censurado simple

Tipo I, censurado simple Tipo II y multicensurados. Es necesario entender que
tipo de datos se tienen con el objeto de analizarlos correctamente.
1-111
Censurado simple Tipo I Tiempo T
La figura muestra las condiciones que Unidades
generan este tipo de datos. La prueba se de la
detiene en un tiempo T predeterminado. Los muestra 1
datos se llaman de censurado simple
porque todos los sobrevivientes se quitan 2
de la prueba al mismo tiempo. Cuando los 3
sobrevivientes tienen diferentes tiempos de
sobrevivencia, como sucede bajo ciertas 4
condiciones experimentales o de uso en
campo, se dice que los datos son 5
multicensurados. 6
= Falla
Los datos de censurado simple Tipo I con
frecuencia se refieren como datos = Sobreviviente
censurados por el tiempo o datos truncados
por el tiempo.
1-112
Censurado simple Tipo II
La figura muestra las
circunstancias bajo las cuales Tiempo
aparecen este tipo de datos.
La prueba es detenida tan Unidades
de la
pronto como ocurra un nmero
muestra 1
predeterminado de fallas.
Todas las unidades 2
sobrevivientes tienen los
3
mismos tiempos de
sobrevivencia y son iguales al 4
tiempo de falla de la ltima
5
falla.
6
Los datos de censurado
simple Tipo II son = Falla
llamados simplemente
datos censurados por falla = Sobreviviente
o datos truncados por
falla.
1-113
Multicensurados
Se caracterizan por las unidades
sobrevivientes que tienen Tiempo
diferentes tiempos de
Unidades
sobrevivencia. Tales datos
de la 1
pueden aparecer por diferentes
muestra
situaciones. La Figura muestra 2
un ejemplo. En ella, las unidades
1, 2 y 3 fueron vendidas al 3
cliente 1 y cuando se report la 4
falla de la unidad 1, las otras
estaban trabajando. Las 5
unidades 4, 5 y 6 fueron 6
vendidas al cliente 2 y cuando se
report la falla de la unidad 4, las
unidades 5 y 6 aun estaban
trabajando. = Falla
= Sobreviviente
1-114
Multicensurados Cont.
En la Figura , de seis unidades puestas a
prueba tres fallaron en los tiempos Tiempo
mostrados, pero para las otras tres los
dispositivos de prueba fallaron antes de Unidades
que fallaran las unidades. As las de la 1
unidades tuvieron que quitarse de la muestra
prueba en diferentes tiempos cuando los 2
dispositivos fallaron.
3
4
Existen muchas otras situaciones en las
cuales aparecen los datos 5
multicensurados. Los mtodos de
anlisis para tales datos, as como 6
tambin para datos de censurado
simple, incluirn la informacin de
aquellas unidades que no fallaron
porque estaban funcionando en el = Falla
momento en que tenan que retirarse
de la prueba. Tal informacin agrega
= Sobreviviente
usualmente precisin o confianza en los
resultados. 1-115
Datos por Intervalo
La figura muestra donde aparecen Tiempo
los datos por intervalo. Se sabe que
ciertas unidades de la muestra
fallan en ciertos intervalos de Unidades
tiempo, su tiempo exacto de falla de la 1
sigue siendo desconocido. Esto muestra
ocurre cuando las muestras son 2
inspeccionadas en tiempos 3
especficos y son observadas sus
condiciones. Este tipo de datos 4
proviene tanto de pruebas de 5
campo como de laboratorio.
6
Es necesario aplicar el tipo de

anlisis correcto para un tipo dado
de datos con el objeto de obtener
la mayor informacin posible de
este.
1-116
Tipos de Datos
Exacto Tiempos de Falla (Sin Censura)
Todos
Fallaron
Intervalo Tiempos de Falla con Intervalos
(Intervalos y Censura Izquierda)
Datos No
Agrupados
Exacto Tiempos de Falla con Suspensiones
No Todos (Censura Derecha)
Fallaron
Tiempos de Falla con Suspensiones
Intervalo
e Intervalos (Intervalos y Censura
Derecha Izquierda)
Exacto Tiempos de Falla (Sin Censura)

Todos
Fallaron
Tiempos de Falla con Intervalos

Intervalo
(Intervalos y Censura Izquierda)
Datos
Agrupados
Exacto Tiempos de Falla con Suspensiones
(Censura Derecha)
No Todos
Fallaron
Tiempos de Falla con Suspensiones
Intervalo e Intervalos (Intervalos y Censura
Derecha Izquierda)
1-117
Tipos de Datos como se definen en Weibull++5.0
El tipo de datos afecta el proceso de estimacin de la

confiabilidad
Es muy importante clasificar correctamente los datos de
acuerdo a su tipo:
Datos Agrupados.
Datos no Agrupados
Datos censurados; utilizan el tiempo para fallar y tiempo

de suspensin
A la izquierda
A la derecha
Datos por Intervalo; el tiempo de falla est basado sobre

un intervalo en el que se realiza la inspeccin
1-118
Sin Censura
Veamos un ejemplo simple, que nos guiar en la situacin
de Datos Sin Censura. Se realizaron pruebas de
confiabilidad a seis unidades y se observaron los
siguientes tiempos de falla: 64,46,83,123,105 y 150 horas,
nos interesa conocer;
El tipo de distribucin que modela su comportamiento.
Estimar los parmetros.
Grfica de probabilidad
1-119
Censura a la Derecha
(ejemplo 2)
Diez unidades idnticas fueron probadas para determinar su

confiabilidad a la misma aplicacin y a tres niveles de operacin. Seis
de esas diez fallaron durante la prueba Tj: 16,34,53,75,93, y 120.
Las cuatro unidades restantes permanecieron operando, este es un
claro ejemplo de datos censurados a la derecha o suspendidos,
despus de 120 horas.Nos interesa determinar los parmetros de la
distribucin Weibull, su Funcin de Densidad y la Grfica de
Probabilidad, para su interpretacin.
120
tiempo 1-120
Con Censura introduciendo el concepto
Tiempo de Misin
En ocasiones nos interesa conocer la confiabilidad o la

no confiabilidad de unidades sometidas a pruebas para
un cierto tiempo de misin.
Siendo que el tiempo que se denomina de misin es una
decisin de negocio, resulta fundamental saber en que
medida los productos que fabricamos satisfacen la
decisin de negocio.
Utilizando la misma informacin del ejemplo 2,
preguntamos Cul es la confiabilidad de las unidades
para una duracin (tiempo) de misin de 226 horas,
iniciando el tiempo de misin en el T=0 ?
1-121
Con Censura introduciendo el
concepto de Tiempo de Misin
con un valor inicial diferente de
cero
Confiabilidad Condicional
Utilizando los datos del ejemplo 2, calcular la confiabilidad

para un tiempo de misin de t = 30 horas, iniciando la
misin al tiempo T = 30 horas?
Cul es el tiempo de garanta para lograr una
confiabilidad de 85%?
T = 30 horas t = 30 horas
Inicio Tiempo de Misin Tiempo de Misin
1-122
definida por el negocio
Funcin que representa la confiabilidad buscada::
R(T t )
R(T , t )
R(T )
T; tiempo de duracin de la misin
t ; tiempo de inicio de la misin
0.7077
R (30hr ,30hr ) 0.8218
0.8612
(30hr ,30hr ) 82.18%

R
1-123
Anlisis de Datos Agrupados
El procedimiento de Anlisis de Datos Agrupados se

explica a travs de un ejercicio. La diferencia reside en
decir el nmero de estados que se presentan para cada
tiempo de falla, esta informacin se registra al realizar
las pruebas de confiabilidad. Dependiendo del
agrupamiento que se de a los datos ser el anlisis de
los mismos.
Los datos se presentan en la siguiente pantalla:
1-124
Estimacin Mxima Verosimilitud
Una caracterstica es que cada tiempo individual es

explcitamente usado en el clculo de los parmetros,
entonces no hay diferencia en la entrada de un grupo de
10 unidades fallando a las 100 horas y 10 entradas
individuales de 100 horas. Sin embargo, si hay
incertidumbre en conocer cual es el tiempo exacto al que
las unidades fallaron, se recomienda utilizar datos por
intervalos, ejemplo 10 unidades fallaron a las 100 horas,
otras unidades fallaron entre las 100 y las 200 horas, y
otras 10 fallaron entre 200 y 300 horas.
1-125
Tabla Resumen
RRX MLE
b 2.6885 3.6214
h 724.3180 810.2044
Los resultados muestran valores de los parmetros

muy diferentes, cules son las implicaciones en la
confiabilidad?
1-126
Mxima Verosimilitud o
Mnimos cuadrados?
Qu mtodo preferir?
La respuesta es: depende
Para muestras pequeas MLE es mejor
RR da una medida del ajuste de los datos a la distribucin con
el coeficiente de correlacin. Un mal ajuste alerta sobre la
posibilidad de mltiples modos de falla. Esto se puede
identificar en la grfica lineal, cosa que en MLE es ms difcil
por la forma de graficar una solucin
1-127
Datos Agrupados, enfatizando su Distribucin y
Funcin
Ejemplo 4
Fue probada la confiabilidad de 20 unidades, los tiempos de

falla son: 7 unidades fallaron a las 100 horas, 5 unidades
fallaron a las 200 horas, 3 unidades fallaron a las 300 horas,
2 unidades fallaron a las 400 horas, una unidad fall a las 500
horas, y 2 unidades fallaron a las 600 horas.
Utilizar la distribucin exponencial y estimar sus parmetros.

Generar la Grfica de Probabilidad Exponencial.
Generar la Grfica de Confiabilidad contra Tiempo de Falla
Obtener la Grfica de la Funcin de Densidad de
Probabilidad
Obtener la Grfica que relaciona la Tasa de Falla contra el
Tiempo
1-128
Parmetros de la Distribucin Exponencial
1-129
Grfica de
Probabilidad
Exponencial
Confiabilidad
contra tiempo
1-130
Funcin de Densidad
de Probabilidad
Lambda = 0.0058
Gamma = 72.68
Grfica de Tasa de Fallas

contra Tiempo
1-131
Tiempo de falla asumiendo que los datos se aproximan a una
Distribucin Normal
Ejemplo 5
Se probaron seis unidades y los tiempos de falla fueron:

11,260; 12,080; 12,125; 12,825; 13,550 y 14,760 horas, nos
interesa conocer:
Los parmetros de la Distribucin y en particular utilizar
como el mtodo de estimacin de los Parmetros Regresin
del Rango sobre la X
Grfica de Probabilidad para los datos.
Grfica de la Funcin de Densidad de Probabilidad
1-132
Pasos en la solucin del ejemplo caracterizado
por una Distribucin Normal
1. Seleccionar el
tipo de datos
2. Vaciar los datos
1-133
3. Seleccionar la
Distribucin Normal
y regresin del
Rango sobre la X
para estimacin de
los parmetros
4. Funcin
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27
1-134
5. Grfica de
Probabilidad Normal
incluyendo el
intervalo de
confianza del 90%
1-135
Datos con Censura
Ejemplo 6
Usando los datos del ejemplo 5 contestar las siguientes

preguntas:
1. Determinar la confiabilidad para un tiempo de misin de

11,000 horas y un intervalo de confianza del 90% sobre su
confiabilidad.
2. Determinar el tiempo promedio entre falla para un

intervalo de confianza del 90% sobre el MTBF
1-136
Respuesta pregunta 1
Tenemos la estimacin puntual de la confiabilidad:

R(t=11,000) = 0.9031
Y la estimacin de un intervalo de confianza de 90% de confianza:
P(0.5828<R(t=11,000)<0.9916) = 0.90
1-137
Respuesta pregunta 2
Requerimientos
Respuesta
Tenemos la estimacin puntual de la vida media:

Vida Media= 12,751.7
Y la estimacin de un intervalo de confianza de 90% de confianza:
1-138
P(11,846.1<Media<13,657.2) = 0.90
Datos por intervalo
Considere los datos por intervalo dados a
continuacin
Determine los
Nmero en ltima Tiempo final
parmetros
Estado inspeccin Estado de estado
de una
5 0.00 F 6.12 Weibull de 2
16 6.12 F 19.92 parmetros
12 19.92 F 29.64 usando MLE
18 29.64 F 35.40 y obtenga el
18 35.40 F 39.72 grfico de la
2 39.72 F 45.24 funcin de
6 45.24 F 52.32 logaritmo de
17 52.32 F 63.48 verosimilitud
73 63.48 S 63.48
1-139
Beta=1.4854
Eta= 71.6904
1-140
Ventajas de los Datos con
Censura
Es el esquema de datos ms comn en la prctica.
Representan situaciones reales de confiabilidad en donde no todas
las unidades fallan, o bien no se conocen los tiempos para fallar de
todas las unidades.
Censura a la Derecha son datos de vida de unidades que no fallaron
en el tiempo de misin establecido.
Intervalo de Datos Censurados, se refiere a datos en donde existe la
incertidumbre del tiempo exacto en que las unidades fallaron.
Censura a la Izquierda parecido al intervalo, en ellos el tiempo de
falla no se conoce exactamente sino hasta que se inspecciona, la
falla podra ocurrir entre 0 y 100 horas.
1-141
Puntos Clave
Tipo de Datos Observados
Datos Agrupados y Datos no Agrupados
Censurados a la izquierda
Censurados a la derecha
Sin Censura
Parmetros de las Distribuciones de Probabilidad:
- Weibull
- Exponencial
- Normal
- Lognormal
1-142
Puntos Clave
Mtodos de Estimacin de Parmetros:
- Regresin del Rango sobre X

- Regresin del Rango sobre Y
- Mtodo de Estimacin de Mxima Verosimilitud
Grficas Especiales
- Funcin de Distribucin Acumulada
- Grfica de Probabilidad
- Funcin de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
Intervalos de confianza para la confiabilidad
1-143
5. CLCULOS Y PRUEBAS
DE CONFIABILIDAD
1-144
Agenda
Introduccin
Mtodos No-paramtricos
Mtodos Paramtricos
Planear Pruebas
1-145
- Introduccin
Tpicos cubiertos
Pruebas de Demostracin de Confiabilidad
Resultados de pruebas
Planeacin de pruebas
Pruebas No-Paramtricas
Prueba de Rachas exitosas
Prueba de Porcentaje Superviviente
Prueba de Mann-Whitney
Pruebas Paramtricas
Caso Exponencial
Caso Weibull
Planear Pruebas
Caso Exponencial
Weibull sin fallas 1-146
- Introduccin
Tpicos no cubiertos
Pruebas de Crecimiento de Confiabilidad
v.g., Modelos Duane, Modelos Gompertz
Pruebas Aceleradas
v.g., HALT, HASS, Modelos Arrhenius
Muchos otros mtodos no-paramtricos

v.g., Prueba de Rachas Wald-Wolfowitz, Pruebas
Binomial-Pearson
Muchos otros mtodos paramtricos

v.g. Pruebas de Muerte Sbita, SPRTs
1-147
- No-paramtricas
No-paramtricas
Usadas cuando la distribucin subyacente de los
tiempos para falla no se conoce
No se conocen los parmetros de la distribucin o
pueden estar supuestos
Insuficientes unidades de prueba disponibles para
determinar la distribucin subyacente
No tienen una potencia tan alta para hacer una

decisin correcta como una prueba paramtrica.
La potencia aumenta con el tamao de la muestra
Pudiera ser tan potente si los datos no siguen una
distribucin conocida
1-148
- No-paramtricas
Prueba de Rachas Exitosas
La duracin de la prueba est predeterminada
La duracin de la prueba debe igualar a la

duracin de la misin
El trmino exitoso de la prueba proporciona una
confiabilidad para esa duracin de prueba.
El valor de la confiabilidad no puede ser determinado
para cualquier otra duracin
Los mtodos presentados despus intentan atender esto
Requiere que todas las unidades sobrevivan

para la duracin (no se permiten fallas)
Todas las unidades son exitosas, de ah el nombre de la
prueba
1-149
- No-paramtricas
El lmite inferior de confianza, de un solo lado,

para la confiabilidad es
RL1(t) = (1-CL)1/N
RL1(t) = lmite inferior de confianza, para intervalo de un

solo lado, para la confiabilidad de una misin de duracin t
CL = nivel de confianza (en decimales, esto es, 0.90 y no
90 para un 90% de confianza)
N = tamao de muestra
nmero de unidades probadas para una duracin t sin
falla
nmero de misiones exitosas terminadas por una
unidad
1-150
- No-paramtricas
Puede negociar RL1(t), CL, y N

Para un CL dado, RL1(t) aumenta con el tamao de la
muestra
Dado un requerimiento de confiabilidad para algn

tiempo y nivel de confianza especificados, la
ecuacin se puede arreglar para determinar el
tamao de muestra requerido
ln(1 CL)
N
lnRL1 t
1-151
Prueba de Rachas Exitosas - No-paramtricas
Ejemplo
10 tuercas fueron puestas en una prueba de vida
simulando 10 aos de servicio. Todas las diez tuercas
completaron la prueba sin fallas. Cul es el lmite
inferior de 90% de confianza unilateral para la
confiabilidad de estas unidades?.
En EXCEL Archivo Cap 5.xls

Solucin
RL1(t) = (1-CL)1/N LMITE INFERIOR UNILATERAL DE CONFIABILIDAD
N= 10 piezas que completan prueba sin falla
N = 10 CL =
t=
0.9 valor de confianza
10 aos
CL = 0.90 RL1 = 0.79432823 Lmite inferior unilateral de confiabilidad
t = 10 aos
RL1(10 aos) = (1-0.90)1/10 = 0.794 o 79%
Qu puede decirse acerca de la confiabilidad

1-152
para 20 aos basndose en este anlisis?
- No-paramtricas
Ejemplo (continua)
El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 aos de
servicio con 90% de confianza. Cuntas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?
Solucin ln(1 CL)

N
lnRL1 t
RL1(10 aos) = 90%, 0.90

CL = 90%, 0.90
ln( 1 CL) ln( 1 0.90)

N 21.85 o 22
lnRL1 t ln( 0.90) 1-153
Prueba de Porcentaje-Superviviente- No-paramtricas
La duracin de la prueba est predeterminada
La duracin de la prueba deber igualar a la

duracin de la misin
Completar exitosamente la prueba provee una
confiabilidad para esa duracin de la prueba
El valor de la Confiabilidad no puede ser determinado
para cualquier otra duracin
Los mtodos presentados despus tratarn de atender
esto.
No requiere tiempos de falla, slo el nmero de

fallas ocurrido
Las unidades falladas no se reemplazan
1-154
- No-paramtricas
Prueba de Porcentaje-Superviviente
Estimado de confiabilidad para una prueba cuya

duracin est predeterminada
Nr
R para r > 0
N
El lmite inferior de confianza, de un solo lado,

para la confiabilidad de una prueba cuya duracin
est predeterminada
1
RL1
r 1
1 F
Nr 1;2r2;2N2r
donde F = punto de porcentaje superior de la distribucin F
tal que el rea a la izquierda con m y n grados de
libertad = (1-)
1-155
Ejemplo para una prueba cuya duracin est
predeterminada
Dado que 20 motores se probaron 500 horas y 2
motores fallaron durante esta prueba, Cul es el
lmite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad?
1
RL1
r 1
1 F
Nr 1;2r2;2N2r
1 1 1
RL1 0.755
2 1
1 3 1325
.
F 1 195
.
20 2 0.90;2(2)2;2(20)2(2) 18
LMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA POR TIEMPO)

Encontrada en tabla F
(1 - ) =
r=
2 nmero de piezas falladas
En EXCEL
F(1-;2r+2;N-2r) = 1.94454941 Percentil de distrib. F tal que el rea a la izquierda = (1-)
t= 500 horas
Archivo
RL1 =
Rmedia =
0.75523478 Lmite inferior unilateral de confiabilidad
0.9
Cap 5.xls 1-156
Prueba de Porcentaje-Superviviente - No-paramtricas
Ejemplo para una prueba cuya duracin est

predeterminada (continuacin)
Cul sera el lmite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad si no se hubieran observado fallas en
esta prueba?
1
RL1
r 1
1 F
Nr 1;2r2;2N2r
1 1 1
RL1 0.891
01
1 1 1122
.
F 1 2.44
20 0 0.90;2(0)2;2(20)2(0) 20
Encontrada en tabla F
1-157
- No-paramtricas
Estimado de confiabilidad para una prueba terminada

al momento de ocurrir la r-sima falla
Nr
R para r > 0
N
El lmite inferior de confianza, de un solo lado, para la

confiabilidad de una prueba terminada al momento de
ocurrir la r-sima falla
1
RL1
1
r
F
Nr 1;2r;2N2r
donde F = punto de porcentaje superior de la distribucin F tal

1-158
que el rea a la izquierda con m y n grados de libertad = (1-)
Ejemplo para una prueba terminada al ocurrir la

r-sima falla
Dados 20 motores como antes, probados por 500
horas, pero esta vez la prueba se detiene cuando el
tercer motor falla a las 500 horas, Cul es el lmite
inferior de confianza de 90%, de un solo lado, para la
confiabilidad?
1
RL1
1
r
F
Nr 1;2r;2N2r
1 1 1
RL1 0.743
1
3 3 1346
.
F 1 (196
. )
En EXCEL 20 3 0.90;2(3);2(20)2(3) 17
Archivo LMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA A FALLA)
Cap 5.xls (1 - ) =
r=
3 nmero de piezas falladas
F(1-;2r+2;N-2r) = 1.95501215 Percentil de distrib. F tal que el rea a la izquierda = (1-)
t= 500 horas
1-159
RL1 = 0.74349324 Lmite inferior unilateral de confiabilidad
- No-paramtricas
Usada para determinar si dos muestras son
significativamente diferentes
Supone que las distribuciones subyacentes de tiempo
para falla difieren slo en sus medias
No se requieren los tiempos exactos de falla
Slo se necesita saber el orden en que la muestra
combinada fall
No requiere tamaos de muestra iguales
Muchas pruebas de comparacin no-paramtricas requieren

observaciones apareadas o tamaos de muestra iguales
1-160
Prueba de Mann-Whitney - No-paramtricas
Ejemplo
El mismo componente se surte por dos
manufactureros diferentes, llamados A y B. Se
obtuvieron 8 componentes de A y 10 de B y todos los
18 se pusieron en una prueba de confiabilidad (los
resultados estn abajo). Hay una diferencia entre
los manufactureros en un nivel de confianza de 95%?
Ciclos al Ciclos al
Fallar- Fallar- HO : A B
Mfr A Mfr B H1 : A B
865 884
919 905
894 914
840 835
899 942
787 878
875 922 Abrir el archivo dosmfr.MTW
831 887
858 1-161
896
- No-paramtricas
1-162
- No-paramtricas
Mann-Whitney Confidence Interval and Test
Mfr A N = 8 Median = 870.00

Mfr B N = 10 Median = 891.50
Point estimate for ETA1-ETA2 is -23.00
95.4 Percent CI for ETA1-ETA2 is (-66.99,12.00)
W = 60.0
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0.1684
Cannot reject at alpha = 0.05
1-163
Prueba de Mann-Whitney - No-paramtricas
Revisin del procedimiento

Obtenga 2 muestras y pngalas en una prueba de
confiabilidad
Registre los tiempos de falla o al menos el orden de falla
Capture las dos muestras en dos columnas en una hoja de
datos Minitab
Siga la secuencia Stat>Nonparametrics>Mann-Whitney
Seale la primera columna como la primera muestra
Seleccione la segunda columna como la segunda muestra
Fije el nivel de confianza deseado para la prueba
Establezca si la hiptesis alternativa es no igual , mayor que,
menor que
Marque OK
En la ventana de Sesin tiene los resultados:
La prueba de hiptesis declarada
El intervalo de confianza de la diferencia de las medianas
el valor p
un mensaje que declara si se puede rechazar o no la Hiptesis nula con
alfa de 5%
1-164
Resumen No-paramtrico - No-paramtricas

Usado para obtener un lmite de confianza inferior unilateral
sobre la confiabilidad
El tamao de muestra N debe ser probado el tiempo de
duracin de la misin sin fallas
Usado para obtener un lmite de confianza inferior, unilateral
de la confiabilidad
El tamao de muestra N probado para la duracin de la
misin con fallas permitidas
Los tiempos de falla no se necesitan conocer, slo el
nmero de fallas
Usada para comparar la confiabilidad de dos muestras
Permite tamaos de muestra desiguales
Todas las unidades probadas hasta fallar; necesita slo el
orden de las fallas 1-165
Paramtricas - Paramtricas
Usadas cuando la distribucin subyacente de
los tiempos para fallar se conoce o puede ser
supuesta
Datos de prueba previos
Parmetros de industria aceptados (v.g., MIL-HDBK-
217)
Conocimiento Ingenieril del mecanismo de falla
Tiene ms poder para hacer una decisin
correcta que las pruebas no-paramtricas
Puede ser ms incorrecta si la distribucin verdadera
es diferente que la distribucin, o los parmetros de
distribucin supuestos.
Rinde informacin ms precisa que los
mtodos no-paramtricos
Los intervalos de confianza son ms amplios usando
no-paramtricas
Permite extrapolar fuera del rango de los datos 1-166
- Paramtricas
Dos distribuciones cubiertas

Exponencial
Weibull
Estas dos tienen ms aplicacin a nuestro negocio.
1-167
- Paramtricas
Pruebas Exponenciales
Terminadas por Tiempo, con y sin reemplazos
La prueba se detiene cuando td horas (ciclos) han
pasado y y no hay falla coincidente con td
Estimacin de MTBF
Lmites de Confianza de MTBF
Terminada por Fallas, con y sin reemplazos

La prueba se detiene cuando la falla rsima ocurre
Estimacin de MTBF
Lmites de confianza de MTBF
1-168
- Paramtricas
Pruebas Exponenciales
Definiciones
l= tasa de falla
MTBF = tiempo medio entre fallas (mean time between
failures) = 1/ l
m = estimado de MTBF
N = tamao de muestra
td = duracin de prueba
Ta = horas de prueba acumuladas = Ntd
r = nmero de fallas
CL = nivel de confianza = 1 -
donde es el riesgo de hacer una decisin equivocada
1-169
- Paramtricas
Exponencial
Pruebas terminadas por tiempo sin reemplazo
Estimado de MTBF
Ta Ti (N r ) td
m i1
r r
Lmite inferior de confianza, unilateral, de MTBF, mL1
2rm 2 Ta
mL 1 @
2 ; 2 r 2 2 ; 2 r 2
Por qu inferior, unilateral?
1-170
- Paramtricas
Exponencial
Pruebas terminadas por tiempo sin remplazo
Ejemplo: Diez unidades se pusieron a prueba por 1500
horas. Las fallas ocurrieron a las 234 horas, 776, horas y
1078 horas. Las restantes 7 continuaron hasta las 1500
horas sin fallar. Cul es la estimacin de m y un lmite
inferior de 95% de confianza unilateral de m?.Cunto
es el estimado de la confiabilidad para una misin de
500 horas? Cul es el lmite inferior unilateral de 95%
de confianza para una misin de 500 horas?
r
Ti (N r )td
Ta i1 234 776 1078 (10 3)1500 12588
m 4196
r r 3 3
2rm 2 Ta 212588 25176

m L1 @ 1624
2 ;2r 2 ; 2r 2
2
02.05;2( 3 ) 2 15.507
1-171
De tabla
- Paramtricas
Exponencial
Pruebas terminadas por tiempo sin remplazo
Ejemplo (continua): Cunto es el estimado de
confiabilidad para una misin de 500 horas? Cul es el
lmite inferior unilateral de 95% de confianza para una
misin de 500 horas?
El estimado de R(t) est asociado con el estimado de
MTBF, y el lmite inferior de confianza de R(t) est
asociado con el lmite inferior de confianza de MTBF
R(t) = exp(-t/m) = exp(-500/4196) = 0.888
RL1(t) = exp(-t/mL1) = exp(-500/1624) = 0.735
Estamos 95% confiados que la confiabilidad para estas

unidades excede 73.5% para una misin de 500 horas
1-172
Exponencial pruebas terminadas
Abra tsinr.wdf por tiempo sin reemplazo
Marque distribucin
exponencial con un
parmetro
Elija MLE,
estimacin de
mxima verosimilitud
Marque el botn de
clculo de
parmetros
Seale el botn de la
Calculadora
1-173
Exponencial pruebas terminadas por
tiempo sin reemplazo
1
Aparece la
Calculadora
Seale: 2
Show
Marcar Option, Confidence
Bounds
Other Calculations
Deje marcado: 3 Marque 4

Show Mean
Show Lower Sided
Life
Regrese a Basic
0.95 en
Calculations
Confidence
Level
Marque
Calculate
1-174
Exponencial pruebas terminadas
por tiempo sin reemplazo
La media se estima en 4196, con un
lmite inferior unilateral de 1622.9
Ahora marque Std Prob Calculations

Escriba en Mission End Time: 500
Sealando en
Calculate se obtiene
una R(t) = 0.8877 y
RL1(t) = 0.7349
1-175
- Paramtricas
Exponencial
Terminadas por Tiempo Terminadas por Fallas
m = Ta/r = Ntd/r m = Ta/r = Ntd/r
con reemplazo 2 Ta
2rm 2Ta
mL1 @ mL1
2 ;2r 2 2 ;2r 2 ;
2
2r
r r
Ti (N r)td Ti (N r)td
Ta i1 Ta i1
m m
r r r r
sin reemplazo
2rm 2Ta 2 Ta
mL1 @ mL1
2 ;2r 2 2 ;2r 2 ;
2
2r
En cualquier caso, las estimaciones se basan en las horas

totales acumuladas y el nmero de fallas observadas
1-176
- Paramtricas
Exponencial
Pruebas terminadas por tiempo con remplazo
Ejemplo: Diez unidades se pusieron a prueba por
1500 horas. Las fallas ocurrieron a las 234 horas,
776, horas y 1078 horas. Las fallas fueron
reemplazadas con unidades idnticas. Las restantes
7 continuaron hasta las 1500 horas sin fallar. Cul
es la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de
la confiabilidad para una misin de 500 horas? Cul
es el lmite inferior unilateral de 95% de confianza
para una misin de 500 horas?
Estimacin de MTBF
2rm 2Ta
m = Ntd/r = Ta/r mL1 @
2 ;2r 2 2 ;2r 2
lmite inferior, unilateral de confianza de MTBF, mL1

1-177
Exponencial - Paramtricas
Pruebas terminadas por tiempo con remplazo

Ejemplo: (continua)
Estimacin de MTBF
m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas
lmite inferior, unilateral de confianza de MTBF, mL1

2rm 2Ta 2(15000)
mL1 @ 1935 horas
2;2r 2 2;2r 2 15.507
donde 2;2r+2 = 20.05;2(3)+2 = 15.507
Puede verificarse en tconr.wdf

1-178
- Paramtricas
Exponencial
Pruebas terminadas por tiempo con reemplazo
Ejemplo (continuacin): Cunto es el estimado de
misin de 500 horas?
El estimado de R(t) est asociado con el estimado de

MTBF y el lmite inferior de confianza de R(t) est
asociado con el lmite inferior de confianza de MTBF
R(t) = exp(-t/m) = exp(-500/5000) = 0.905
RL1(t) = exp(-t/mL1) = exp(-500/1935) = 0.772
Hay una oportunidad de demostrar mayor confiabilidad

si las unidades falladas son reemplazadas 1-179
Caso especial cuando no se observan fallas
m = Ta/r = Ta/0 = ?
No puede estimarse MTBF o la confiabilidad correspondiente
Puede calcular un lmite inferior, unilateral, de confianza de

MTBF
2rm 2Ta 2Ta 2Ta Ta

mL1 @
2 ;2r2 2 ;2r 2 2 ;2(0)2 2 ;2 ln(1 CL )
Puede obtener un lmite inferior, unilateral de confianza de

confiabilidad
RL1(t) = exp(-t/mL1)
Consejo: Si = 0.50, se obtuvo un estimado 1-180
- Paramtricas
Exponencial
Ejemplo: Diez unidades se pusieron a prueba por 1500
horas.. Todas completaron la prueba sin falla. Cul es
la estimacin de m y un lmite inferior de 95% de
confianza unilateral de m?.Cunto es el estimado de la
misin de 500 horas?
Aqu podemos usar CL = 50% para obtener un estimado
y un CL = 95% para obtener los lmites de confianza
inferiores unilaterales
1-181
Ejemplo (continuacin): Para estimar, use el lmite

inferior unilateral de confianza de MTBF, mL1, con CL =
0.50
2rm 2Ta 2Ta 2Ta Ta

mL1 @
2 ;2r2 2 ;2r2 2 ;2(0)2 2 ;2 ln(1 CL)
101500
mL1 @ 21640
ln(1 0.50) sin fallas
Puede
verificarse en
tsinf.wdf
1-182
Ejemplo (continuacin): Para obtener el lmite inferior,

de confianza unilateral de confianza de MTBF, mL1, con
CL = 0.95
2rm 2Ta 2Ta 2Ta Ta

mL1 @
2 ;2r2 2 ;2r2 2 ;2(0)2 2 ;2 ln(1 CL)
101500
mL1 @ 5007
ln(1 0.95)
1-183
Ejemplo (continuacin): Para estimar la confiabilidad y el

lmite inferior, unilateral de confianza de la confiabilidad
use el mL1 apropiado
Para estimar,
RL1(t) = exp(-t/mL1) = exp(-500/21640) = 0.977, o
estamos 50% confiados que la confiabilidad es no
menor de 0.977 para 500 horas de misin
Para el lmite inferior, unilateral de confianza ,

RL1(t) = exp(-t/mL1) = exp(-500/5007) = 0.905, o estamos
95% confiados que la confiabilidad no es menor de
0.905 para 500 horas de misin
1-184
- Paramtricas
Dos distribuciones cubiertas
Hemos visto la
Ahora, cubriremos la
Distribucin Weibull
Estas dos tienen la mayor aplicacin en nuestro

negocio
1-185
- Paramtricas
Distribucin Weibull
mientras la pdf exponencial modela las
caractersticas de vida de los sistemas, la Weibull
modela las caractersticas de vida de
componentes y partes
modela fatiga y ciclos de falla de slidos
muy adecuado para datos de vida

la pdf Weibull es una distribucin de los elementos ms dbiles de
una muestra
muy flexible y puede tomar muchas formas

diferentes
1-186
Weibull - Paramtricas
Caso especial cuando se observaron pocas o

ninguna falla
Es necesario suponer una Pendiente Weibull, b, para

obtener un estimador de la vida caracterstica, h
Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del
mecanismo de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < b < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < b < 5
Deben realizarse anlisis con varias pendientes para

determinar la sensibilidad al supuesto de pendiente
1-187
- Paramtricas
Weibull
Caso especial cuando se observaron pocas o ninguna
falla
El lmite inferior, de confianza unilateral de la Vida Caracterstica

es 1
N b b
2 Ti

h 2i1
;2r2

1
Nt db b
h
Si no hay fallas, entonces ln(1CL)
Consejo: Si = 0.50, se obtuvo un estimado

1-188

falla
Para obtener un lmite inferior, unilateral de confianza de la

confiabilidad
RL1(t) = exp{-(t / hL1 )b
pendiente supuesta
1-189

falla
Ejemplo: Diez unidades se pusieron a prueba por 1500 horas.

Todas completaron la prueba sin fallar. Suponiendo que el
tiempo de falla para estas unidades sigue una distribucin
Weibull con pendiente b = 1.5, Cul es el lmite inferior
unilateral de 95% de confianza de h? Cul es el lmite inferior
unilateral de 95% de confianza de la confiabilidad para una
misin de 500 horas?
1 1
Nt db b (10)(1500 15
.
) 15
.
hL1 3350
ln(1 CL ) ln(1 0.95 )
RL1(t) = exp{-(t / hL1 )b} = exp{-(500/3350)1.5} = 0.943
1-190

falla Abrir el archivo tsinf.wdf
Pida el anlisis Weibull para dos parmetros
1-191
- Paramtricas
Weibull
falla
Ejemplo (continuacin): Cunta influencia tiene el supuesto

de la pendiente?
Supongamos una pendiente de 1.25
1 1
Nt db b (10)(1500 125
.
) 125
.
hL1 3934
ln(1CL) ln(1 0.95)
RL1(t) = exp{-(t / hL1 )b} = exp{-(500/3934)1.25} = 0.927
1-192
- Paramtricas
Weibull
falla

de la pendiente?
Supongamos una pendiente de 1.75
1 1
Nt db b (10)(1500 175
.
) 175
.
hL1 2987
ln(1 CL ) ln(1 0.95 )
RL1(t) = exp{-(t / hL1 )b} = exp{-(500/2987)1.75} = 0.957
1-193
- Paramtricas
Weibull
falla

de la pendiente(resumen)?
RL1(500)
0.905 b = 1 es exponencial,
b=1
ms conservador
b = 1.25 0.927
b= 1.5
b= 1.75
0.943
0.957 } No mucha influencia

en este caso
Cuando no se observan fallas, se da ms potencia si

se puede suponer una pendiente de Weibull > 1 1-194
- Paramtricas
Weibull
falla

de la pendiente? Qu pasa si yo estimo exageradamente la
pendiente Weibull, y supongo una pendiente de 3?
1 1
Nt db b (10)(1500 3
)3
hL1 2242
ln(1 CL ) ln(1 0.95 )
RL1(t) = exp{-(t / hL1 )b} = exp{-(500/2242)3} = 0.989
Necesita justificarse el supuesto de la pendiente Weibull, ya que un

supuesto de pendiente alta puede influir fuertemente los resultados 1-195
- Planear Pruebas
Planear Pruebas para la Exponencial
Use la meta de confiabilidad, Rg, igual a RL1

Si RL1 = Rg, podemos estar CL% seguros que la R real
ser al menos Rg
Necesita determinar Ta, r, y N tales que RL1 = Rg

en el CL escogido
Recuerde, R = exp(-t/MTBF)
Dado Rg, MTBFg puede ser determinado
1-196
- Planear Pruebas
MTBFg est determinado por

Rg = exp(-t/MTBFg)
MTBFg = -t/ln(Rg)
Ahora, tenemos el requerimiento en una forma que
podemos usar para determinar el tiempo de prueba y
el nmero permisible de fallas para una prueba cuya
duracin es predeterminada
2rm 2Ta
mL1 MTBFg @
2 ;2r2 2 ;2r2
MTBFg( 2 ;2r2 )
Ta
2
1-197
- Planear Pruebas
Si no estn permitidas las fallas

2rm 2Ta 2Ta 2Ta Ta
mL1 MTBFg @
2 ;2r2 2 ;2r 2 2 ;2(0)2 2 ;2 ln(1 CL)
Ta MTBFg{ln(1 CL)}
Permite la negociacin entre tamao de muestra y

duracin de la prueba para lograr una
confiabilidad dada a una confianza dada
1-198
- Planear Pruebas
si no se permiten fallas
Ejemplo: El requerimiento de confiabilidad para una

unidad es 99% confiable para una misin de 500 horas
con 95% de confianza (inferior, unilateral). Dado que no
se permiten fallas, Cuntas unidades debo de probar
por cuanto tiempo para lograr este requerimiento?
MTBFg se determina por
Rg = exp(-t/MTBFg)
MTBFg = -t/ln(Rg)
MTBFg = -500/ln(0.99) = 49750
1-199
Planear Pruebas para la Exponencial- Planear Pruebas
Ejemplo (continuacin):
2rm 2Ta 2Ta 2Ta Ta
mL1 MTBFg @
2 ;2r2 2 ;2r2 2 ;2(0)2 2 ;2 ln(1 CL)
Ta MTBFg{ln(1 CL)} 49750{ln(1 0.95)} 149036
Entonces Ntd = 149036, o N = 10 unidades cada una

probada a 14904 horas sin fallas lograr este
requerimiento
N = 20 probadas por 7452 horas sin fallas lograr

tambin este requerimiento 1-200
Planear Pruebas para la Exponencial- Planear Pruebas
Ejemplo (continuacin): Si estamos limitados en el

nmero de unidades que podemos probar (debido a la
disponibilidad de lugar, costo o disponibilidad unitario,
etc.) a N = 8, Cunto debe correrse sin fallas para
alcanzar la meta de confiabilidad?
Ta = Ntd = 149036
donde N = 8
td = 18630
1-201
Planear Pruebas para la Exponencial - Planear Pruebas
Si se permite una falla
Ejemplo (continuacin): Qu pasa si permitimos una falla

durante la prueba y esta es remplazada. Cunto debe
durar la prueba?
2rm 2Ta
mL1 MTBFg @
2 ;2r2 2 ;2r2
obtenido de tabla
MTBFg( 2 ;2r2 ) 49750( 02.05;2(1)2 ) 49750(9.488)

Ta 236014
2 2 2
Entonces, si tenemos 20 lugares de prueba disponibles

podemos poner 20 unidades en prueba. 19 deben de ir
11800 horas sin fallas. Si ocurre una falla y es reemplazada
inmediatamente, el reemplazo debe terminar la prueba sin 1-202
falla.
Planear Pruebas para la Exponencial - Planear Pruebas
Similarmente, planes de prueba pueden ser

determinados para todos los esquemas de prueba
exponenciales
Una buena referencia es Reliability & Life Testing

Handbook Volume I, Kececioglu, pp. 133-265
Algunos de estos planes de prueba han sido tabulados

y pueden ser hallados en MIL-HDBK 781
1-203
- Planear Pruebas
Planear Pruebas para la Weibull sin Fallar
Debe ser una prueba de demostracin, no una prueba

de crecimiento
Las pruebas de crecimiento deben tener fallas
Necesario suponer una pendiente Weibull
Aproximada de datos similares
Por juicio de ingeniera requiriendo conocimiento del mecanismo
de falla v.g.,
fatiga de ciclos bajos y corrosin tpicamente tienen una
pendiente Weibull de 1 < b < 2
fatiga de ciclos altos y mecanismos de desgaste rpido
tpicamente tienen una pendiente Weibull 2 < b < 5
Deben realizarse anlisis con varias pendientes para

determinar la sensibilidad al supuesto de pendiente
1-204
- Planear Pruebas
Recuerde la ecuacin para estimar la vida

caracterstica sin fallar
1
Nt db b
h
ln(1CL)
Recuerde la ecuacin de confiabilidad Weibull

b
t
R ( t ) exp
h

1-205
- Planear Pruebas
Substituyendo la primera ecuacin en la segunda

ecuacin y solucionando para N, el tamao de
muestra
b
t ln(1 CL )
N
t d ln(R)
Si la meta de confiabilidad y la confianza

requerida se substituyen, puede negociarse el
tiempo de prueba con el tamao de muestra
1-206
- Planear Pruebas
Ejemplo:
El requerimiento de confiabilidad para una unidad es 99%
confiable para una misin de 500 horas con un 95% de
confianza (inferior, unilateral). Para este ejemplo, supongamos
que es un balero que histricamente ha tenido una pendiente
Weibull de 1.5. Dado que no se permiten fallas, Cuntas
unidades debo de probar por cuanto tiempo para lograr este
requerimiento?
b 15
. 15
.
t ln(1 CL ) 500 ln(1 0.95) 500
N (298)
t d ln(R) t d ln(0.99) t d
Entonces , si hay 1500 horas de prueba disponibles, seran

necesarias 58 unidades para ser probadas por 1500 horas para
1-207
lograr los requerimientos
- Planear Pruebas
Qu pasa si hay slo 25 lugares de prueba disponibles,
o sea., Cunto tiempo necesitarn las 25 ser probadas
sin fallar para lograr el requerimiento?
b 15
. 15
.
t ln(1CL) 500 ln(1 0.95) 500
N (298)
t d ln(R) t d ln(0.99 ) t d
500
td 1
2609
25 15
.

298
1-208
- Planear Pruebas
Cmo se compara este ltimo resultado con un plan de
prueba usando la Prueba de Rachas Exitosas?
Weibull sin fallar y suponiendo una pendiente de 1.5 fue 25

unidades para 2609 horas sin fallar
sobre 65,000 horas de prueba- unidades

ln(1CL) ln(1 0.95)
N 298
lnRL1 t ln(0.99)
o 298 unidades probadas por 500 horas sin fallar

sobre 149,000 horas de prueba- unidades
1-209
Resumen
La tcnica No-paramtrica puede ser rpida y fcil
Lo bastante exacta para hacer un juicio de ingeniera
Puede ser potente si los tamaos de muestra son
bastante grandes
Apropiadas si nada se conoce
Paramtricas - Exponencial
Ms potentes que las no-paramtricas
Permiten negociar entre tamao de muestra, CL,
nmero de fallas permisibles, confiabilidad
Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
La estimacin ms conservadora 1-210
Resumen
Paramtricas - Weibull
Ms potentes que las no-paramtricas y que
suponer exponencial
Necesario suponer una pendiente Weibull
Necesita justificarse por datos previos, conocimiento de
los mecanismos de falla, etc.
Permite negociar la duracin de la prueba y el
tamao de muestra para una confiabilidad y
confianza dadas.
Disminuir el tiempo total de prueba requerido
para demostrar un requerimiento
1-211
Resumen
Planear Pruebas
Cubiertas slo las estadsticas de pruebas de
demostracin
Necesita asegurarse que la prueba puede duplicar
los mecanismos de falla experimentados en el
campo
Experiencia con partes regresadas, AMEFs, Diagramas-
P, etc
Dada una prueba apropiada, necesita definir
tamao de muestra, duracin de prueba, nmero
de fallas permisibles, etc., que logren el
requerimiento de confiabilidad
1-212
6. PRUEBAS ACELERADAS
1-213
Objetivo:
Propsitos:
Presentar el concepto de prueba acelerada
Conocer los modelos para transformar los
esfuerzos
Uso de los paquetes estadsticos para predecir
con modelos de aceleracin.
1-214
Para qu acelerar
las fallas?
Para ahorrar tiempo!
Los resistencias elctricas forradas se requieren para durar un gran

tiempo y lograr las expectativas de los clientes. Probar las
resistencias es una buena manera de ganar la confianza de que las
partes lograrn los requerimientos, y sabemos que la informacin
ms valiosa viene de probar hasta que falle, si una resistencia forrada
se prueba en voltaje nominal, la prueba podr durar muchos meses.
Sin embargo, si el voltaje es elevado por encima del nominal, el
1-215
tiempo de prueba puede ser reducido.
Problema
Cmo correlaciona la vida de una parte

probada en un voltaje alto a la vida esperada
de la misma parte en un voltaje nominal de
uso?
1-216
Solucin
Group 1 Group 2 Group 3
260V 270 V 280V
Corra al menos 3 grupos en voltajes diferentes, 1 347hrs 97hrs 15hrs
2
manteniendo el voltaje ms bajo tan cercano al 3
498hrs
601hrs
106hrs
122hrs
24hrs
30hrs
nominal como sea posible 4 720hrs 140hrs 34hrs
5 812hrs 167hrs 38hrs
6 889hrs 190hrs 41hrs
Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als
Complete Data
260V
99
270V
95
90 280V
80
70
60
50
40
Corra las partes para fallar y ajuste con
Percent
30
20
una ecuacin paramtrica los datos de
10
5
falla.
3
2
1 1000
900
10 100 1000
Time to Failure 800
700
Elija un porcentaje particular de falla y

600
90%
500 50%
10%
ajuste la curva de regreso a las 400
300
condiciones nominales para tener una 200
100
prediccin de vida. 0
280 270 260
1-217
Informacin de Falla por Prueba
Acelerada
Sobre-esforzar a los productos para obtener
fallas rpido es quizs la forma ms antigua
de Pruebas de Confiabilidad.
Usualmente No se
obtiene
informacin sobre
la distribucin de
la vida
(Confiabilidad)
1-218
Informacin de Falla por Prueba
Acelerada
Una prueba
acelerada que slo
da Informacin de
Falla ( Modos de
Falla), comnmente
se llama Prueba de
Tortura, Prueba de
Elefante, Prueba
Cualitativa, etc.
1-219
Qu es una Prueba de Tortura?
Las pruebas de Tortura se realizan sobre
muestras de tamao pequeo y los
especmenes se sujetan a un ambiente
agresivo (niveles severos de esfuerzo)
Si el especimen sobrevive, pas la prueba
Los datos de las pruebas de tortura
generalmente no pueden ser extrapolados a las
condiciones de uso
1-220
Prueba de Tortura
Beneficios
Aumenta la Confiabilidad por la revelacin de
modos probables de falla
Cuestiones Sin Resolver
Cul es la Confiabilidad del Producto?
Los Modos de Falla sern los mismos que
ocurrirn durante la vida del producto bajo
uso normal?
1-221
La Aceleracin por Sobre-
Esfuerzo
Prueba de Tortura o Prueba Elefante
Prueba de Vida Acelerada
1-222
Prueba de Vida Acelerada
La Prueba de Vida acelerada, a diferencia de
la Prueba de Tortura, est diseada para
proveer Informacin de la Confiabilidad del
producto, componente o sistema
Un Dato bsico es el Tiempo para Fallar
El tiempo para falla puede estar en cualquier
medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.
1-223
Qu es aceleracin fsica y
como se modela?
La Aceleracin Fsica significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos tpicos de uso, excepto que
suceden mucho ms rpido.
1-224
Factor de aceleracin
La falla se puede deber a la fatiga mecnica,
corrosin, reaccin qumica, difusin,
migracin, etc.
Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Slo cambia la
escala del tiempo.
Un Factor de Aceleracin es el multiplicador
constante entre los dos niveles de esfuerzo.
1-225
Factor de Aceleracin
Cuando hay verdadera aceleracin, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
Las transformaciones usadas comnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto slo tiene que
ser multiplicado por una constante (el factor
de aceleracin) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-226
Relaciones Lineales de Aceleracin
Tiempo de Falla tu = AF x ts
Probabilidad de Falla Fu(t) = Fs(t/AF)
Confiabilidad Ru(t) = Rs(t/AF)
PDF o Funcin de Densidad fu(t) = (1/AF)fs(t/AF)
Tasa de Falla lu(t) = (1/AF)ls(t/AF)
Donde:
tu: tiempo de falla en uso ts: tiempo de falla en esfuerzo
Fu(t): CDF en uso Fs(t): CDF en esfuerzo
fu(t): PDF en uso fs(t): PDF en esfuerzo
lu(t): tasa de falla en uso ls(t): tasa de falla en esfuerzo
AF: Factor de Aceleracin
Cada modo de falla tiene su propio factor de aceleracin. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleracin es relevante.
1-227
Una consecuencia de las Probability Plot for 260V-280V
relaciones lineales es que 99

95
Complete Data
260V
270V
90 280V
El Parmetro de Forma para

80
70
60
50
40
Percent
30
los modelos clave de 20
10
distribucin de vida 3
2
(Weibull y Lognormal) no 10 100
Time to Failure
1000
cambia para las unidades Las Grficas en escala de

operando bajo diferentes Probabilidad de los datos de
esfuerzos. diferentes condiciones de
esfuerzo se alinearn
aproximadamente paralelas.
1-228
Cules son los modelos de
aceleracin comunes?
Los modelos de Aceleracin predicen el
tiempo de falla en funcin del esfuerzo
Los factores de aceleracin muestran como el tiempo de falla de un nivel particular
de esfuerzo (para un modo o mecanismo de falla) puede ser usado para
predecir el tiempo equivalente de falla en un nivel diferente de esfuerzo.
Un modelo que predice el tiempo de falla como funcin del esfuerzo debiera ser
mejor que una coleccin de factores de aceleracin. Si escribimos tf =G(S),
donde G(S) es la ecuacin del modelo para un valor arbitrario de S, entonces el
factor de aceleracin entre los esfuerzos S1 y S2 puede evaluarse simplemente
por
AF = G(S1)/G(S2)
Ahora se puede probar en el nivel de esfuerzo ms alto S2, obtener un nmero
suficiente de fallas para ajustar al modelo de distribucin de vida y evaluar las
tasas de falla. Despus se usa la Tabla de Relaciones Lineales de Aceleracin
para predecir lo que pasar en el nivel de esfuerzo menor S1.
1-229
Cules son los modelos de
aceleracin comunes?
Los modelos de aceleracin se derivan a
menudo de modelos fsicos o cinticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como funcin de los esfuerzos de
operacin se conoce como Modelo de Aceleracin
Se presentarn varios modelos tiles:
Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Modelo Coffin-Manson de Crecimiento de Fracturas Mecnicas

1-230
Arrhenius
El Modelo de Arrhenius predice la
aceleracin de las fallas debido al aumento
de temperatura
Uno de las primeras transformaciones y la de ms xito
para predecir como vara el tiempo de falla con la
temperatura
H Donde: AF= Factor de Aceleracin

t f A exp
kT T= temperatura K (273.16+C)
H 1 1
AF exp k = Constante de Boltzmann (8.617E-05 eV/K)
k T1 T2
H = Energa de Activacin
A = Constante de escala (se elimina en AF)
1-231
Arrhenius
Ejemplo
El Factor de Aceleracin AF entre
25C y 125C, para un producto, es
132.65 si H es 0.5 y 17,596 si H =
1.0.
1-232
Eyring
El modelo de Eyring tiene una base terica
en la qumica y en la mecnica cuntica y se
puede usar para modelar la aceleracin
cuando muchos esfuerzos estn involucrados
H C
t f AT exp B S1
kT T
H C D
t f AT exp B S1 D S2
kT T T
Donde:T= temperatura K (273.16+C); k = Constante de Boltzmann (8.617E-05 eV/K)

H = Energa de Activacin; A , B, C D, E= Constantes de escala;
S1 y S2 Esfuerzos diferentes
1-233
Otros Modelos
Modelos tiles para 1, 2 o 3 esfuerzos son
modelos Eyring, los citados exitosamente son:
La Regla de Potencia (inversa) para Voltaje
El Modelo de Voltaje Exponencial
Los Modelos de Dos Esfuerzos Temperatura/Voltaje
Modelos de tres Esfuerzos (Temperatura, Voltaje ,
humedad)
Modelo Mecnico de Crecimiento de Fisuras Coffin -
Manson
1-234
Otros Modelos
t f AV B Regla de Potencia (inversa) para Voltaje
t f Ae BV Modelo de Voltaje Exponencial

H H
t f Ae V B Ae
kT kT
e BV Modelos de dos esfuerzos Temperatura/Voltaje
H
Modelo de Electromigracin
t f AJ n e kT
H Modelos de tres esfuerzos

B g
t f Ae V RH
kT
(Temperatura, Voltaje, Humedad)
Nf Af T b GTMAX Modelo de crecimiento de Fisuras Mecnicas
1-235
Datos + Distribucin + Modelo = Resultado
1-236
Datos
Los datos de vida (tiempos para falla) se obtienen de

pruebas aceleradas en laboratorio
Obtener datos sobre los esfuerzos usados
Obtener datos sobre los esfuerzos que el producto
encontrar bajo condiciones normales
1-237
Distribucin
Elija una Distribucin
apropiada de vida Four-way Probability Plot for C1
No censoring
Exponencial
Normal Lognormal
99 99
95 95
90 90
80 80
70 70
Percent
Percent
60 60
50 50
Weibull
40 40
30 30
20 20
10 10
5 5
1 1
0 1000 2000 100 1000 10000
Lognormal Exponential
99
Weibull
95
90
75
60
40
99 30
20
98
Percent
Percent
97 10
95 5
3
90 2
1
80
70
60
50
30
10
0 1000 2000 3000 4000 5000 6000 7000 8000 100 1000
1-238
Elija un Modelo
seleccione un modelo (o genere) un modelo que

describa una caracterstica de la distribucin de un
nivel a otro
Esfuerzo
de uso
Esfuerzo
Esfuerzo alto 2 Esfuerzo
alto 3 alto 1
?
1-239
Qu Caracterstica de la
Distribucin?
Vida Caracterstica, Parmetro de la Distribucin,
(Media, Mediana, R(t), F(t), l,b,h,,)
Probability Plot for 260V-280V
Complete Data
260V
99
270V
95
90 280V
80
70
60
50
40
Percent
30
20
10
3
2
10 100 1000
Time to Failure
La Distribucin Weibull con h(s) como una funcin del esfuerzo

1-240
Parmetros comnmente usados
como una Funcin del Esfuerzo para
diferentes distribuciones de vida
Exponencial Media o Velocidad de Falla)

Weibull (Parmetro de Escala)
El parmetro de forma usualmente se supone constante
Lognormal (Ln - Media o Mediana)
El parmetro de Ln - Desviacin Estndar usualmente se
supone constante
1-241
Formar un nuevo modelo que incluya
tanto el modelo de la distribucin y el
de aceleracin
Relacin Weibull - Potencia Inversa:
b
b 1 t
b t
h

f (t ) e
h h
1
h L( S )
K Sn
b

b 1

t
b t 1

f (t , S ) e K S n
1 1
n
K S K Sn 1-242
Resultado
Resolver para los Parmetros del Modelo

b

b 1

t
b t 1

f (t , S ) e K S n
1 1
n
K S K Sn
Una vez que los parmetros b, K y n son

estimados, las predicciones de vida pueden
hacerse para diferentes t y S
1-243
Estimacin de Parmetros
La estimacin de parmetros puede variar de ser

trivial (con muchos datos, un solo esfuerzo constante, una
distribucin simple y un modelo simple) a ser una tarea casi
imposible
Mtodos Disponibles
Grfico
Mnimos Cuadrados
MLE
1-244
Cmo elegir un modelo
apropiado de aceleracin fsica?
Elegir un modelo de aceleracin fsica es
similar a elegir un modelo de distribucin de
vida.
Primero identifique el modo de falla y que
esfuerzos son relevantes (o sea que
acelerarn el mecanismo de falla)
Luego verifique en literatura y otros proyectos
que le den ejemplos de un modelo particular
para este mecanismo de falla
1-245
Nivel de Cambio
Casi todos los modelos reportados (excepto
el Coffin-Manson para fractura mecnica)
aplican a mecanismos de falla qumicos o
electrnicos ya que la temperatura es casi
siempre una carga relevante para estos
mecanismos. El modelo Arrhenius es casi
siempre una parte de cualquier modelo ms
general.
El modelo Coffin-Manson trabaja bien para
para muchos mecanismos relacionados con
la fatiga mecnica 1-246
Nivel de Cambio
Algunos modelos tienen que ser ajustados para
incluir un nivel de cambio para algunos esfuerzos o
cargas.
La falla nunca podra ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este ms all de un valor de cambio. Un
modelo para mecanismo dependiente de
temperatura con un cambio en T = T0 podra verse
como
Tiempo para falla = f(T((T-T0))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T0 el tiempo de falla
aumenta hacia infinito en este modelo
(deterministico) de aceleracin 1-247
Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operacin se espera que tenga ms de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razn, se decidi correr una prueba acelerada. La temperatura de operacin
para este producto es 323K (50C)y la temperatura es la nica variable de
aceleracin.
Se desea determinar los parmetros de una Weibull de 2 parmetros en cada
nivel de esfuerzo, usando la Regresin sobre X de los Rangos
Estimar los parmetros para el modelo de Eyring
Calcular la Confiabilidad de la unidad para una duracin de misin de 9,000
horas, comenzando en T=0 y a temperatura de operacin 323K
Abra el archivo Eyring.wdf
1-248
Ejemplo1
Una vez abierto el
archivo calcule los
parmetros de la
Weibull con 2.
Los resultados
aparecen en la
imagen.
b = 4.1598
h = 5713.99
Para separar los datos en tres conjuntos de datos diferentes
use Batch Auto Run. Este usa la columna de Identificacin
para extraer los datos
Si quiere editar los encabezados haga doble clic sobre ellos. 1-249
Ejemplo1
Aparece la siguiente
Ventana, los tres
niveles de la
temperatura estn
como Identificaciones
disponibles de los
subconjuntos
Ahora Tambin se
seleccionamos los puede hacer
tres para generar doble clic sobre
los tres los
subconjuntos, uno seleccionados,
para cada para sealarlos
temperatura
Marque Action Preferences for Subsets 1-250
Ejemplo1
La ventana de Preferencias de Accin
para los Subconjuntos tiene como valor
previsto el Clculo de los parmetros
para los subconjuntos seleccionados.
Marque OK, 2 veces
Se generaron tres
subconjuntos, uno para
cada identificacin
Para cada uno se

calcularon los parmetros
de la Weibull de 2
Inserte una Hoja General en el Folio de Datos 1-251

Ejemplo1
Capture los
valores de los
parmetros Note que b
permanece
calculados, para constante y solo h
cada subconjunto, cambia
como se muestra
En Tools>Non-Linear Equation Fit Solver se abre la

hoja para ajustar ecuaciones no lineales, ah se
copiarn los valores de Esfuerzo y de Eta, como X y Y.
Para Hacerlo seale con el cursor los valores y rtulos
de esfuerzo y Eta, a continuacin invoque la
herramienta de ajuste de ecuaciones no lineales
1-252
Ejemplo1
En las
columnas X y
Y quedan los
datos
importados
de la hoja
Seleccione
el modelo
de Eyring de
la lista de
ecuaciones
1-253
Ejemplo1
Luego de
seleccionar el
modelo de
Eyring de la
Lista de
Ecuaciones.
Cambie los
valores de
Lmite inferior,
Estimado y
Lmite superior
para A y B
1-254
Ejemplo1
Los valores
para los
valores Lmite
y Estimacin
de A y B
debern
quedar como
lo muestra la
figura.
Para
encontrar los
valores de A y
B marque en
Calculate
1-255
Ejemplo1
Los valores
encontrados
para A y b
estn en la
columna
Solucin.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)
Seale y copie el recuadro para pegarlo en la hoja general. 1-256

Ejemplo1
La Hoja
general
quedar como
se muestra.
Marque la
celda E17 (el
valor de A)
para definirla
como variable.
Seleccione
Edit>Define
Name... para
definir el valor
en la celda
como el valor
de A
1-257
Ejemplo1
Defina el
valor de
la celda
E17 como
el valor
de A
Escriba
dentro del
cuadro
Defina el
Name: A B
valor de
segn
la celda
corresponda
E18 como
el valor
de B 1-258
Frmula
de Eyring
Ejemplo1
Frmula
en C25
Llene las columnas A y B como se muestra, con los valores de Temperatura

Escriba en C25 la frmula = (1/B25)*exp(-(A-(B/B25))), Cpiela
El valor de Eta para una Temperatura de uso de 323 es 17933.85
Ahora se calcular la Confiabilidad en un rango de 1,000 a 10,000 horas

1-259
Ejemplo1
Confiabilidad a
las 9,000 horas
En las celdas B41 y B42 ponga los valores encontrados de Beta y Eta
Llene el rango de valores en la columna A como se muestra
En la celda B47 escriba la frmula =EXP*(-((A47/$B$42)^$B$41)), Cpiela
A las 9,000 horas en temperatura de 323K la confiabilidad es 94.69% 1-260
Anlisis de vida acelerada
El anlisis de datos de vida acelerada se
efecta por medio de regresin
La regresin para vida acelerada construye
un modelo que predice tiempos de falla
Las instrucciones en Regresin para
Confiabilidad en Vida Acelerada indican que
puede aceptar diferentes modelos de
distribucin y admite datos censurados
Minitab usa Mxima Verosimilitud para
estimar los parmetros del modelo
1-261
Estructura de Datos en Minitab
Consiste de tres columnas:
Los tiempos de falla
Los indicadores de censura (si se necesitan)
Las variables predictoras
Para regresin simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
Para regresin con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o trminos anidados.
Cada columna deber estar en tal forma que cada rengln sea una observacin, o una observacin con
su correspondiente en una columna de frecuencias
Las columnas de frecuencias son tiles cuando se tienen grandes cantidades de datos con tiempos de
falla o censura comunes y valores predictores iguales.
1-262
Ejemplo 2
Suponga que Usted quiere investigar el
deterioro de un aislamiento usado para
motores elctricos. Los motores normalmente
trabajan entre 80 y 100C. Para ahorrar
tiempo y dinero, se decidi correr una prueba
de vida acelerada.
Primero se obtienen tiempos de falla para el aislamiento
en temperaturas ms altas - 110, 130, 150 y 170C -
para acelerar el deterioro. Con esta informacin, se
puede extrapolar a 80 y 100C. Se sabe que existe una
relacin Arrhenius entre temperatura y falla
Abra el archivo INSULATE.MTW
1-263
Ejemplo 2
En C1 (Temp)
tenemos los niveles
de Temperatura
En C4 (FailureT)
se registra el tiempo
observado
En C5 (Censor) se
indica si el tiempo
es de falla o
censurado
En C6 (Design)
estn los valores de
uso normal
1-264
Ejemplo 2
Ponga la columna
Censor, y OK
Seale
Stat>Reliability/S
urvival>Accelera
ted Life Testing
Ponga la
columna
Design, y
OK
Ponga 80 y
Probability
Plot for
Standardized
residuals y OK
1-265
Ejemplo 2
Relation (Arrhenius) Plot for FailureT
Censoring Column in Censor
10.0%
Con la Grfica 50.0%
de relacin, se 100000
90.0%
puede ver la
distribucin de
Time to Failure
los tiempos de
falla para cada 10000
nivel de
temperatura -
en este caso, 1000
los percentiles
10, 50 y 90
70 90 110 130 150 170
Temp
El modelo de regresin estima los percentiles de la distribucin del
tiempo de falla: Yp = b0 + b1X +ep donde: Yp = percentil p de la distribucin del tiempo de falla
b0 = interseccin en Y (constante)
Dependiendo de la distribucin, Yp= b1 = coeficiente de regresin
ln(tiempo de falla), para Weibull, exponencial, lognormal y X = valores del predictor (pueden estar transformados)
loglogstica. = parmetro de escala
ep = percentil p de la distribucin del error 1-266
Tiempo de falla, para normal, valor extremo, logstica
Ejemplo 2
Probability Plot for SResids of FailureT
Extreme v alue Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Esta grfica le
permite evaluar si
99.9
99
la distribucin 95
90
80
seleccionada 70
60
ajusta a los datos. 50
40
30
En general, entre 20
ms cercanos
Percent
10
estn los puntos 5
a la lnea 3
2
ajustada, mejor 1
es el ajuste.
0.1
-8 -4 0
Standardized Residuals
El valor de la distribucin del error ep, depende de la distribucin seleccionada
Para la Weibull y la exponencial, MTB toma el logaritmo de los datos y usa la
distribucin de valor extremo
1-267
Regression with Life Data Ejemplo 2
Response Variable: FailureT Usted acaba de obtener una frmula que relaciona el tiempo de falla
en funcin de la temperatura:
Censoring Information Count ln(tiempo de falla) = -15.1874 + 0.83072(ArrTemp) +0.35403ep
Uncensored value 66
donde: ep = percentil (p) de la distribucin estndar de valor extremo
Right censored value 14
ArrTemp= 11604.83/ (Temp + 273.16)
Distribution: Weibull
Transformation on accelerating variable: Arrhenius
Regression Table
Predictor Coef Error Z P Lower Upper
Intercept -15.1874 0.9862 -15.40 0.000 -17.1203 -13.2546
Temp 0.83072 0.03504 23.71 0.000 0.76204 0.89940
Scale 0.35403 0.03221 0.29621 0.42313
Log-Likelihood = -43.64
Table of Percentiles
Percent Temp Percentile Error Lower Upper
50 80.0000 159584.5 27446.85 113918.2 223557.0
50 100.0000 36948.57 4216.511 29543.36 46209.94
La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron. El percentil 50
es una buena estimacin de duracin del aislamiento en el campo a 80C, el aislamiento durar alrededor
de 159,584.5 horas o 18.20 aos, a 100C el aislamiento durar alrededor de 36,984.57 horas o 4.21 aos 1-268
Precauciones y Peligros al
determinar el Factor de Aceleracin
Al determinar el Factor de Aceleracin, tenga cuidado de ser
demasiado optimista.
Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
Podra no tener el alto nivel de confiabilidad que Usted cree.
Errar al detectar cambios en el modo de falla, usar el modelo
equivocado, validar mal el modelo puede resultar en un Factor de
Aceleracin demasiado optimista..
La estimacin de un factor demasiado optimista, puede a su
vez resultar en la aceptacin de componentes no confiables y ,
finalmente, costos altos y clientes insatisfechos!
Debemos aprender de los ejemplos anteriores para evitar esos
errores.
1-269
Proceso de 15 Pasos
1. Evaluar Costos y Beneficios de Acelerar
2. Determinar Funcin y Ambiente
3. Conducir / Interpretar Anlisis de Modo de Falla
Planear 4. Determinar modo/mecanismo de falla a acelerar
la prueba 5. Determinar como acelerar el mecanismo de falla
6. Determinar niveles de los esfuerzos
7. Seleccionar el tamao de muestra para cada nivel de
esfuerzo
Ejecutar, 8. Determinar donde ser corrida la prueba
analizar, 9. Determinar el modelos de distribucin y aceleracin
10. Validar el sistema de medicin
e
11. Correr la Prueba
implementar
12. Graficar e interpretar los resultados
la prueba
13. Ajustar el Modelo
14. Validar el Modelo
1-270
15. Determinar el Factor de Aceleracin e implantarlo
FRACAS
FAILURE REPORTING AND
CORRECTIVE ACTION SYSTEM
1-271
Objetivo
Su principal objetivo es describir cualquier modo de falla

detectado a travs de las pruebas del sistema, subsistema
o componente en evaluacin a todos los involucrados de
manera fcil y rpida, as como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.
Alcance
Este sistema es una herramienta nicamente para

almacenaje de registros.
1-272
REFERENCIAS
Statistical Methods for Reliability Data, Meeker and Escobar, 1998
Handbook of Reliability Engineering and Management by Ireson,
Coombs, and Moss, McGraw Hill, 1990
Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu,
Prentice Hall, 1991
Electronic Component Reliability, Finn Jensen, Wiley, 1998
Reliability Review, ASQ
Brian Henningers accelerated test project
Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres
1-273
REFERENCIAS
Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu, Prentice
Hall, 1991
Reliability: For Technology, Engineering, and Management, Paul Kales, Prentice
Hall, 1998
Reliability Methods for Engineers, K. S. Krishnamoorthi, ASQ 1992
Reliability Statistics, Robert A. Dovich, ASQ 1990
Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres
1-274
Referencias
Accelerated Testing , Wayne Nelson, Wiley, 1990
Handbook of Reliability Engineering and Management by Ireson,
Coombs, and Moss, McGraw Hill, 1990
How To Plan An Accelerated Life Test -- Some Practical Guidelines.,
Meeker and Hahn, ASQ
Reliability and Life Testing Handbook, Vol. 2, Dmitri Kececioglu,
Prentice Hall, 1991
Electronic Component Reliability, Finn Jensen, Wiley, 1998
Reliability Review, ASQ
Brian Henningers accelerated test project
Software - Minitab version 12.2 (Minitab Inc) y ALTA (Reliasoft)
Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian
Henninger, Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon,
University of Maryland Accelerated Testing Course - Modarres
1-275

Curso Confiabilidad

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Curso Confiabilidad

Uploaded by

Copyright:

Available Formats

1.

Cul es la vida promedio del producto?

Cuando cesa la capacidad del producto para entregar la

La regla que asigna valores de frecuencia

F(t1) = P(t t1)

Confiabilidad es la probabilidad de que un sistema

Funcin de Densidad de Probabilidad Funcin de Confiabilidad

El valor medio del Tiempo de Vida se denomina Tiempo

MTTF se refiere al Tiempo Promedio de Fallas, esto es

con la lnea punteada es de 20

calculando el promedio de 10 8.3333

los tiempos N 3.3333

m i 1 0 100 200 300

Qu confiabilidad lograremos?, R(tiempo de misin)

h(t) = PDF / R(t)

0 2000 2100 2200 horas tiempo

La tasa de falla para los motores a las 2000 horas es:

Si se dibuja la tasa de riesgo o falla para una poblacin

la coleccin y procesamiento de 6.6667

presentacin tabular y grfica, 0 100

fuentes de datos, Un histograma es una descripcin

Medida del La Normal tiene un rango

Porqu son importantes los

Porqu son importantes los estadsticos?

Porqu son importantes los estadsticos

l= 0.001, MEDIA = 1,000

Veamos cmo se construyen las

* La frmula de Kaplan Meier se recomienda para muestras grandes

Por ltimo se estima

Recuerde que: 0.6000

0.5000 F(ti)= i/N

Use el archivo: distribucin.mtw

0.0 1.0 Mean 98.932

probabilidades se basan slo

ningn modelo especial. 0 100

tiempo de vida til y falla

Presentar los modelos Exponencial, Weibull y

Los Parmetros definen lo que esta detrs de cada

Funcin de Confiabilidad Normal

Es til si el coeficiente de variacin es pequeo (<10%)

Funcin de Confiabilidad Exponencial

0.800 l= 0.001, MTBF = 1,000

La Distribucin exponencial de 2 parmetros tiene las siguientes ecuaciones:

Funcin Tasa de Falla Weibull

b < 1 disminuye la tasa de riesgo, implica mortalidad infantil

Si esto ocurre b4 (La tasa de riesgo crece rpidamente)

Este mismo resultado se obtiene para el caso exponencial,

Un tiempo de falla se distribuye segn una Lognormal si el

La Distribucin Lognormal es una distribucin sesgada hacia la

La PDF comienza en cero, aumenta hasta su moda y diminuye

Ejemplo: Dado t~LN(25,4), encuentre P(t<18)

Para poder usar las Tablas de la Normal Estndar:

P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) =

La resistencia de materiales frecuentemente sigue una distribucin

Es una buena distribucin para cualquier variable

Aplicaciones Sistema complejo b < 1, fallas infantiles z(t) = (t - )/ z[ln(t)] = (ln(t) - )/

Seguir la secuencia STAT>Basic Statistics>Display Descriptive Statistics 1-73

Cul ajusta mejor...?

Survival Function Hazard Function

Anderson-Darling Normality Test

0 100 200 300 10 100

0 100 200 300 400 10 100

0 100 200 300 400 0 100 200 300 400

FIN DEL 1-86