1.

CONCEPTOS DE
CONFIABILIDAD

1-1
 Objetivo: Presentar los conceptos
indispensables para entender la
confiabilidad
Propósitos
– presentar el concepto de tiempo de vida y falla
– exponer el concepto de distribución de probabilidad
– definir confiabilidad
– definir MTBF - MTTF
– explicar el “tiempo de misión”
– visualizar la velocidad de falla gráficamente
– presentar los elementos de estadística descriptiva
– obtener una distribución empíricamente

1-2
 CONFIABILIDAD ¿PARA QUÉ?

• ¿Cuál es la vida promedio del producto?

• ¿Cuántas fallas espera el próximo año?
• ¿Cuánto nos costará desarrollar y dar servicio a este
producto?
• ¿Cómo podemos hacerlo más efectivo en costo?

1-3
 TIEMPO DE VIDA Y FALLA
La confiabilidad es una medida del Tiempo de Vida útil
de un producto. Durante este período el cliente obtiene
las características ofrecidas intencionalmente.

Cuando cesa la capacidad del producto para entregar la

característica ofrecida al cliente, se considera que ha
habido una Falla del producto. Esto representa el
término 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 ocurrirá el evento.

La regla que asigna valores de frecuencia

relativa o probabilidades a los valores de una
variable se llama Distribución de
Probabilidad

1-5
 DISTRIBUCIONES DE
PROBABILIDAD
• Función de Densidad de Probabilidad (pdf), f(t)
– Predice el comportamiento de cualquier situación
probabilística
– Probabilidad de t de caer en algún punto del rango t1 a t2

t2
p( t1  t  t 2 )   f( t )dt
t1
El área 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
30
56.554
35.389
132.988
234.234
45.735
62.171
9.52
29.374 Histograma
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
0.0000
0.0000
64.026 137.758 52.311 145.45 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 Distribución de
Probabilidad Acumulada {CDF ó F(t)}.

F(t1) = P(t  t1)

1-8
 DISTRIBUCION ACUMULADA DE
PROBABILIDAD
• Función de Distribución Acumulada
– La Probabilidad de una variable es menor o igual a un valor
específico, 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
 DISTRIBUCION ACUMULADA DE
PROBABILIDAD
t1

() P
Ft (0t t1) f()
t dt
0
Función de Densidad de Probabilidad Función de Distribución Acumulada
1
No confiabilidad, F(t)

F(t)
f(t)

0
t1
t 0 t1
t 1-10
 DEFINICIÓN DE CONFIABILIDAD

Confiabilidad es la probabilidad de que un sistema

ejecute su función de intención sin fallar para un
intervalo específico, bajo condiciones establecidas.
Se define como la Probabilidad de Supervivencia en un
determinado tiempo.

R(t) = 1 - F(t)

Algunos autores presentan como sinónimos

Supervivencia y Confiabilidad

1-11
 DEFINICIÓN DE CONFIABILIDAD
t 
R( t )  1F( t )  1  f( t )dt   f( t )dt
0 t

Función de Densidad de Probabilidad Función de Confiabilidad

R(t)
f(t)

0
0
t
0
t1 t1
t 1-12
 MTBF - MTTF
Si el tiempo de vida para una característica de calidad
es una variable aleatoria y conocemos su distribución
de probabilidad , podemos calcular una medida de
localización, por ejemplo el valor de su media.

El valor medio del Tiempo de Vida se denomina Tiempo

Promedio entre Fallas, MTBF es el acrónimo en
Inglés, y se refiere a una medición básica de
confiabilidad para artículos que se pueden reparar.

MTTF se refiere al Tiempo Promedio de Fallas, esto es

para artículos que no pueden ser reparados.
1-13
 MTBF - MTTF
La media estimada del 98.932
30.0000

tiempo de vida está marcada 30

con la línea punteada es de 20

98.932, se obtuvo calculando

Percent
15.0000
13.3333

el promedio de los tiempos 10 8.3333

6.6667
8.3333
6.6667

N 3.3333
3.3333 3.3333

t
1.6667
0.0000
0.0000
i 0

m i 1 0 100 200 300

N tiempo

0.4
La media calculada para esta
1.77245
0.3
distribución Weibull es función
de sus parámetros =2 y =2
f(t)

0.2

 1
MEDIA  1  
0.1

0.0  
0 5 10 1-14
t
 TIEMPO DE MISIÓN
Tiempo de Misión se refiere al tiempo intentado durante
el cual el producto entrega la característica de
calidad satisfactoriamente.
El Tiempo de Misión es una decisión de negocios y
sirve para establecer una meta de logro por parte del
producto en cuanto a sus características.

Tiempo de Misión

¿Qué confiabilidad lograremos?, R(tiempo de misión)

1-15
 VELOCIDAD DE FALLA
La Velocidad de Falla ó Tasa de Riesgo o también Tasa
de Falla es la fracción de fallas probables entre la
proporción de supervivientes al tiempo t. Cuando se
conoce la Distribución de Probabilidad de t, se
calcula a partir de

h(t) = PDF / R(t)

Es una medida de la “mortalidad” entre los artículos
que quedan.
La tasa de falla representa la propensión a la falla de un
producto como una función de su edad o tiempo en
operación. La tasa de falla en cualquier tiempo dado es la
proporción que caerá 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 eléctricos se ponen a prueba
en el tiempo CERO. Cuatrocientos de ellos están
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) = (número de fallas por hora posteriores a las 2000 horas)
número 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 BAÑERA”

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

a través del tiempo se observa un comportamiento
descrito como la “Curva de la Bañera”
h(t)
Fallas “infantiles” Fallas por deterioro o desgaste

Fallas constantes

t
1-18
 ESTADISTICA DESCRIPTIVA
La Estadística Descriptiva se
orienta a proporcionar una
descripción útil, clara e 30
30.0000

informativa de una masa de

datos numéricos.
20

Esto se hace al considerar

Percent
15.0000
13.3333

tópicos como: 10 8.3333 8.3333

6.6667
6.6667

•la colección y procesamiento de 1.6667

3.3333
3.3333 3.3333

datos originales, 0
0.0000
0.0000

0 100 200 300

•presentación tabular y gráfica, OBS

•fuentes de datos, Un histograma es una descripción

útil, clara e informativa de la
•distribución de frecuencias, distribución de frecuencias
•medidas de tendencia central y
• medidas de dispersión. 1-19
 ESTADISTICOS
Un estadístico es cualquier función de las observaciones en una
muestra aleatoria, que no dependa de parámetros desconocidos
La media muestral, la varianza muestral, la desviación estándar
muestral y los coeficientes de variación, sesgo y curtosis son
algunos de los estadísticos más comunes.
Obsérvese que como un estadístico es una función 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 población y se calcularan las medias
muestrales, podría esperarse que los valores obtenidos fueran
diferentes. 1-20
 Estadística Descriptiva
Medidas
Descriptivas Descripción POBLACION MUESTRA

Medida de 1 n
Otras medidas son la mediana y la
MEDIA tendencia
E (t )   tf (t )dt mx  xi
n i 1
moda, la media tiene propiedades

central estadísticas mejores

Medida de  2    t    f (t )dt
1 n
 xi  x  2
 la desviación estándar es la
2
VARIANZA s2 
dispersión 
n  1 i 1 raíz cuadrada de la varianza

Medida del  La Normal tiene un rango

COEFICIENTE DE CV  CV = S
grado de  0.05<CV<0.25
VARIACIÓN x
variabilidad La exponencial: CV= 1
n

x  x
3
• 3<0 cola izquierda
COEFICIENTE DE Medida de  t   
3
f (t )dt i 1
i

SESGO Simetría 3  
n
• 3=0 simétrica (v.gr.Normal)
  2 3/2 ˆ 3 
s  2 3/2 • 3>0 cola derecha
n
Medida de
x  x
4
COEFICIENTE DE • 4<0 - aguda que la Normal
 t   
4 i
CURTOSIS Agudeza f (t )dt i 1
• 4=0 aguda como Normal
ˆ 4  n
4  
• 4>0 +aguda que la Normal
  2 2 s 
2 2

1-21
 Estadística Descriptiva

• ¿Porqué son importantes los

estadísticos?
• Describen completamente los datos
• Coeficiente de Variación CV
• comúnmente utilizado para describir propiedades
mecánicas de los materiales.
– aproximadamente 15% para fractura
– aproximadamente 7% para resistencia a la cedencia
• ayudan a determinar la distribución apropiada
• la distribución normal tiene un rango 0.05 < CV < 0.25
– Exponencial CV = 1

1-22
 Estadística Descriptiva

• ¿Porqué son importantes los estadísticos?

• Coeficiente de sesgo
• medida de simetría
– 3 < 0 distribución sesgada a la izquierda(tiene una cola a la
izquierda)
– 3 = 0 distribución simétrica
» Distribución Normal 3 = 0
– 3 > 0 distribución sesgada a la derecha (tiene una cola a la
derecha
– Coeficiente de curtosis
• medida de agudeza (puntiaguda)
– 4 < 3 distribución menos aguda que la Normal
– 4 = 3 distribución Normal
– 4 > 3 distribución más aguda que la Normal

1-23
 Estadística Descriptiva

• Porqué son importantes los estadísticos

• los tres ayudan a determinar los parámetros de la
distribución
• CV
– La Exponencial tiene un CV constante
– El parámetro de forma de la distribución Weibull es bien
estimado con el coeficiente de variación CV
• coeficientes de sesgo y curtosis
– la relación entre ellos ayuda a determinar la distribución que mejor
se ajusta

1-24
 EJEMPLO DE DISTRIBUCIÓN

PDF  f (t )  e t
t Distribución
  
CDF F (t ) 1 e
t Exponencial

CONFIABILIDAD R(t ) e 
TASA DE FALLA h (t )  
1 Función de Densidad de Probabilidad Exponencial

MEDIA  0.0035
 0.0030 = 0.003, MEDIA = 333

0.0025
= 0.002, MEDIA = 500
0.0020
f(t)

= 0.001, MEDIA = 1,000

0.0015

0.0010

0.0005

0.0000
0 500 1,000 1,500 2,000 1-25
Tiempo
 EJEMPLO DE DISTRIBUCIÓN

 1 t 
 t   
 
PDF  f (t )    e Distribución
   Weibull 2

t 
  parámetros
 
CDF  F (t )  1  e

t 
 
 
CONFIABILIDAD  R(t )  e
 1
 t 
TASA DE FALLA h (t )   
  
 1
MEDIA  1  
  1-26
 EJEMPLO DE DISTRIBUCIÓN
Abra el archivo Distribución.xls Señale la columna de
tiempo y pongala en
orden ascendente

Veamos cómo se construyen las

curvas de distribución usando el
EXCEL
1-27
 EJEMPLO DE DISTRIBUCIÓN
Agregue un Agregue una columna
renglón inicial Obtenga R(t) por la
donde estime F(t)
con cero y una diferencia R(t) = 1-F(t)
usando la fórmula 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

1-28
* La fórmula de Kaplan Meier se recomienda para muestras grandes
 EJEMPLO DE DISTRIBUCIÓN
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
número de supervivientes 1/(N+1-i) R(t ) LI  R(t )  Z 2  R(t )  F (t ) N

Por último se estima

el intervalo de
confianza normal al
95% para la
confiabilidad

1-29
 EJEMPLO DE DISTRIBUCIÓN
R(ti)= 1-F(ti)

1.0000

0.9000

0.8000
Gráficas de
0.7000 Confiabilidad R(t) y de
0.6000

la Función 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: distribución.mtw

Ahora en Minitab... 1-31

Distribution Analysis Cálculo 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
Empirical Hazard Function
Complete Data
Observamos las
1.0

gráficas de las
Mean 98.932
Median 75.812
0.9
IQR 83.462

0.8

0.7
distribuciones
0.6
empíricas 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

1.0 Mean 98.932

0.0
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

0.5

probabilidades se basan sólo 0.4

en las frecuencias
0.3

0.2

observadas, y no suponen
0.1

0.0

ningún modelo especial. 0 100

Time to Failure
200 300

1-33
 PUNTOS CLAVE

– tiempo de vida útil y falla

– distribución de probabilidad
– confiabilidad
– MTBF - MTTF
– tiempo de misión
– velocidad de falla
– estadística descriptiva
– distribución empírica
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 características
principales y guías para su empleo Expone
ncial
Puntos: W eib ul l
– Modelos Paramétricos de Confiabilidad
– Distribuciones de Probabilidad
– L o g n o rm a l
Parámetros
– Propiedades
– Situaciones para modelar
– Guía para elección del modelo

1-36
 Modelos Paramétricos de
Confiabilidad
Distribuciones Paramétricas
• Algunas Distribuciones de Probabilidad se pueden
expresar como una función matemática de la variable
aleatoria.
• La función tiene además de la variable aleatoria,
constantes que le dan comportamientos específicos
a las distribuciones
Los parámetros definen:
•FORMA
•ESCALA
•LOCALIZACION 1-37
¿Qué hay atrás de una distribución?

•Los Parámetros definen lo que esta detrás de cada

distribución.
• Conociendo los parámetros de una distribución podemos
inferir el comportamiento de la confiabilidad
• La Forma de la distribución
• La Escala de la distribución
• La Localización de la distribución

1-38
 Distribución Normal
• La Normal o Distribución Gaussiana es la distribución
más conocida
• Tiene Media = Mediana = Moda
• La Media , es también su parámetro de localización
• La PDF normal tiene forma de una campana con
simetría sobre su media
• La normal no tiene parámetro de forma. Esto significa
que la PDF normal sólo tiene una forma, “la campana” y
esta forma no cambia
• La desviación estándar , es el parámetro de escala
de la PDF normal

1-39
 Distribución Normal
1  1 t    2 
f( t )  exp     
 2  2   

Distribución de la Función Normal
Función de Densidad de Probabilidad Normal

0.0140

0.0120

0.0100  = 500
 = 30
0.0080  = 50
f(t)

 = 70
0.0060

0.0040

0.0020

0.0000
200 400 600 800 1000
1-40
Tiempo
 Distribución Normal
 
R( t )   f( t )dt   (z)dz
t z( t )
Función de Distribución Normaldonde z(t) = (t-/ y (z) = normal estandarizada pdf

Función 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
 Distribución Normal
 (z)
Funciones de Distribución Normal h(t )  R ( z )
donde (z) =normal estandarizada pdf
Función 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
 Distribución Normal
• Distribución Normal
– Tienden a seguir una distribución normal los ciclos de falla en
componentes mecánicos sometidos a niveles altos de estrés

– Es útil si el coeficiente de variación es pequeño (<10%)

– Las propiedades de varios materiales tienden a seguir una
distribución Normal
– Las fallas a la tensión de muchos materiales estructurales
siguen una distribución Normal
– Puede representar el tiempo de falla cuando un efecto aditivo
es involucrado, i.e., el Teorema del Límite Central (CLT)

1-43
 Distribución Exponencial
• El modelo exponencial, con un solo parámetro, es el más simple
de todo los modelos de distribución del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
 t
CDF : F (t )  1  e
t
CONFIABILIDAD : R(t )  e
Función de Densidad de Probabilidad Exponencial
0.0035

PDF : f (t )  e t 0.0030 = 0.003, MEDIA = 333

0.0025
1 = 0.002, MEDIA = 500
MEDIA : m  0.0020

f(t)
= 0.001, MEDIA = 1,000
0.0015

ln 2 0.693
MEDIANA :  0.0010

  0.0005

1 0.0000
VARIANZA : 2 0 500 1,000 1,500 2,000
 Tiempo

TASA DE FALLA :h (t )  
1-44
 Distribución Exponencial
R(t) = e(-t) (Confiabilidad)

Función de Confiabilidad Exponencial

1.200

1.000

0.800 = 0.001, MTBF = 1,000

= 0.002, MTBF = 500
R(t)

0.600
= 0.003, MTBF = 333

0.400

0.200

0.000
0 500 1,000 1,500 2,000
Tiempo 1-45
 Distribución Exponencial
h(t) = MEDIA(Velocidad de Falla)
Note que la tasa de
Función de la Tasa de Falla Exponencial falla tiende a ser una
0.004 constante  para
= 0.003, MTBF = 333
cualquier tiempo. La
0.003 distribución exponencial
es la única que tiene
= 0.002, MTBF = 500
una velocidad de falla
h(t)

0.002
constante
= 0.001, MTBF = 1,000
0.001

0.000
0 500 1,000 1,500 2,000
Tiempo

1-46
 Distribución Exponencial

• Distribución Exponencial
– Es usada como el modelo, para la parte de vida útil de la
curva de la bañera, i.e., la tasa de falla es constante
– Los sistemas complejos con muchos componentes y
múltiples modos de falla tendrán tiempos de falla que
tiendan a la distribución exponencial
– desde una perspectiva de confiabilidad, es la distribución
más conservadora para predicción.

La forma de la exponencial
siempre es la misma

1-47
 Distribución Exponencial

• La Distribución exponencial de 2 parámetros tiene las siguientes ecuaciones:

CDF : F (t )  1  e
 ( t  )  es el parámetro de
 ( t  )
localización, si es positivo,
CONFIABILIDAD : R(t )  e cambia el comienzo de la
 
PDF : f (t )  e ( t ) distribución por una distancia 
a la derecha del origen,
1
MEDIA : m    significando que las
 posibilidades de falla empiezan
ln 2 0.693 a ocurrir sólo después de 
MEDIANA :     horas de operación, y no
 
pueden ocurrir antes.
1
VARIANZA : 2
 Note que la varianza y la tasa de falla son
TASA DE FALLA :h (t )   iguales a las de la exponencial de un
parámetro
1-48
 Distribución Weibull 
t 
• La distribución de Weibull es   
 
un modelo de distribución de CDF : F (t )  1  e
vida útil muy flexible, para el

caso de 2 parámetros: t 
  
 
CONFIABILI DAD : R(t )  e

 1 t 
 t   
 
PDF : f (t )    e
  
Donde  es un  1
MEDIA : 1  
parámetro de escala (la  
vida característica) y  1
se conoce como el MEDIANA :   ln 2  
parámetro de forma 2
(pendiente) y  es la  2   1 
VARIANZA :  1    1  
2
función Gamma con       
(N)=(N-1)! para N  1
entero  t 
TASA DE FALLA :  
  1-49
 Distribución Weibull 
 t  
  
Una forma más general de CDF : F (t )  1  e   
3 parámetros de la Weibull 
 t  
incluye un parámetro de   
 
tiempo de espera CONFIABILI DAD : R(t )  e 

(localización ó  1  t  


desplazamiento). Las 
t   
 


PDF : f (t )   e 
fórmulas se obtienen 
  
reemplazando t por (t-).
 1
No puede ocurrir una falla MEDIA :   1  
 
antes de  horas, el tiempo
1
comienza en  no en 0. MEDIANA :     ln 2  

2
 2   1 
VARIANZA :  1    1  
2

      
 1
 t  
TASA DE FALLA :  
    1-50
 Distribución Weibull
 1  
 t    t   
Función de Distribución Weibull f( t )    exp     
       
  
Función de Densidad de Probabilidad Weibull

0.0030

 = 0.5
 = 1000

0.0020
 = 1.0  = 3.4
 = 1000
f(t)

 = 1000

0.0010

0.0000
0 500 1000 1500 2000 2500 3000 1-51
Tiempo
 Distribución Weibull
 
  t   
R( t) exp      
Funciones de Distribución Weibull 
 
   

Función de Confiabilidad Weibull

1.000

 = 3.4
0.800  = 1000

 = 1.0
0.600  = 1000
R(t)

0.400
 = 0.5
0.200  = 1000

0.000
0 500 1000 1500 2000 2500 3000 1-52
Tiempo
 Distribución Weibull
 1
 t 
h (t)   
Funciones de Distribución Weibull  

Función Tasa de Falla Weibull

0.0060
 = 3.4
 = 1000

0.0040
 = 0.5
 = 1000
h(t)

 = 1.0
0.0020  = 1000

0.0000
0 500 1000 1500 2000 2500 3000 1-53
Tiempo
 Distribución Weibull

• Distribución Weibull
– mientras la función pdf de la distribución exponencial
modela la característica de vida de los sistemas, la Weibull
modela la característica de vida de los componentes y
partes
– modela fatiga y ciclos de falla de los sólidos
– es el traje correcto para datos de vida
• La función de distribución Weibull pdf es una distribución de la
confiabilidad de los elementos de una muestra
• muy flexible y puede tomar diferentes formas

1-54
 Distribución Weibull
• Tiene usted una Distribución Weibull con =2
y =2, ¿Cuál es la media y la varianza?
 1
m  1  
 
2
 2   1 
varianza   2 1    1  
      

11 Archivo
Weibull.xls

22
33 1-55
 Distribución Weibull Las tres porciones de la curva
de tina de la bañera tienen
diferentes índices de falla.
Las fallas tempranas se
caracterizan por un índice de
falla decreciente, la vida útil
por un índice de falla
Índice de falla 

  
decreciente constante creciente constante y el desgaste se
caracteriza por un índice de
< 1 = 1 > 1
falla creciente. La distribución
Fallas Desgaste
de Weibull puede modelar
tempranas Tiempo de vida útil matemáticamente estas tres
situaciones.
tiempo

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

 = 1 tasa de riesgo constante, fallas aleatorias
1<  < 4 aumenta la tasa de riesgo, fallas por corrosión, erosión
 > 4 aumenta rápidamente la tasa de riesgo, implica fallas por desgaste y
1-56
envejecimiento
 La Distribución Weibull - Interpretación
 < 1 (Tasa de riesgo decreciente)
•Implica mortalidad infantil
•Si esto ocurre, puede existir:
Carga, inspección o prueba inadecuada
Problemas de Manufactura
Problemas de reparación
•Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
 1 <4 (Tasa de Riesgo creciente)
•Si esto ocurre
La mayoría de los baleros y engranes
fallan
Corrosión o Erosión
El reemplazo programado puede ser
efectivo en costo
=3.44aprox. Normal,
=2Rayleigh
 = 1 (Tasa de riesgo constante)
•Implica fallas aleatorias(Distribución
Exponencial)
•Una parte vieja es tan buena como una
nueva
•Si esto ocurre:
Mezcla de modos de falla
Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
Fundido y removido antes de su
desgaste
4 (La tasa de riesgo crece rápidamente)
•Implica edad avanzada y rápido desgaste
•Si esto ocurre, sospeche de:
Propiedades del material
Materiales frágiles como la cerámica
Variabilidad pequeña en manufactura o
material 1-57
 Distribución Weibull
•Cuando  = 2.5 la Weibull se aproxima a la
distribución Lognormal(estas distribuciones son tan
cercanas que se requieren tamaños de muestra
mayores a 50 para distinguirlas).
•Cuando se modela el tiempo que se necesita para
que ocurran reacciones químicas, se ha mostrado
que la distribución Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
•Cuando  = 5 la Weibull se aproxima a una Normal
puntiaguda.

1-58
 Distribución 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 electrónicos.
3.El tiempo de falla para artículos que se desgastan,
tales como las llantas de un automóvil.
4.Sistemas que fallan cuando falla el componente más
débil del sistema(la distribución Weibull representa
una distribución de valor extremo).
1-59
 Distribución Weibull
•¿Qué pasa en una distribución Weibull si el tiempo
tiene el valor de la vida característica, t = ?
Al llegar al
  t     tiempo de vida
R(t )  exp    
igual a la vida
     
característica el
si t   63.2% de los
       elementos habrá
R(t   )  exp      e 1  0.3678 fallado. Este
      hecho se usa en
F (t   )  1  R(t   )  0.6321 las gráficas para
identificar el valor
de  (eta)

Este mismo resultado se obtiene para el caso exponencial,

recordando que la Weibull se puede reducir a una exponencial
cuando = 1. 1-60
 Distribución Lognormal

• Un tiempo de falla se distribuye según una Lognormal si el

logaritmo del tiempo de falla está normalmente distribuido.

• La Distribución Lognormal es una distribución sesgada hacia la

derecha.

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

después.

1-61
 Distribución Lognormal
• Si un tiempo t está 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 1 2   y  1 2   y 
f (t )  e 
f (y )  e 

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

VARIANZA 
T502 exp( y2 ) exp( y2 )  1    t2
ln1  2



 t 
1-62
(z) es la CDF de la Normal estándar
 Distribución Lognormal
• La Distribución de vida Lognormal, como la Weibull, es un modelo
muy flexible que puede empíricamente ajustar a muchos tipos de
datos de falla. En su forma de dos parámetros tiene los parámetros
ln(t) = y parámetro de forma, y T50 = la mediana (un parámetro
de escala)
• Si el tiempo para la falla t, tiene una distribución Lognormal,
entonces el logaritmo natural del tiempo de falla (y =ln(t)) tiene una
distribución normal con media y = ln T50 y desviación estándar y.
• Esto hace a los datos lognormales convenientes para trabajarlos
así: 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 conversión a tiempo
real y a los parámetros lognormales usando y como la forma
lognormal y T50 = exp(y como (mediana) el parámetro de escala.

1-63
 Distribución Lognormal
1  1 ln( t )   2 
Función de Distribución f( t )  exp     
t 2     
 2
Lognormal
donde  y  son funciones de ln’s
Función 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
 Distribución Lognormal
  
R( t )   f( t )dt   f[ln( t)]d[ln( t)]   (z)dz
Función de Distribución t ln( t ) z[ln( t )]
Lognormal donde z[ln(t)] = [ln(t)-/]
(z) = normal estandarizada normal pdf
Función 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
 Distribución Lognormal
f( t )
Función de Distribución Lognormal h (t) 
R( t )
Función 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
 Distribución Lognormal

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

• Calculemos los valores que nos permiten usar la tabla normal estándar
2
 t2 4
T50   t  1  2  25  1     24.68
t  25 

  2
   4 
2

 y  ln1  2   ln 1      0.02527
2
 t
 
 t    25  
 

 y  0.02527  0.1589

• Para poder usar las Tablas de la Normal Estándar:

– 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
 Distribución Lognormal
• Distribución Lognormal
– Número de ciclos de falla en la fatiga de los metales y partes
metálicas, niveles de tensión significativamente menores que sus
límites
– Representa bien el tiempo de falla de los dispositivos mecánicos,
especialmente en el caso de uso

– La resistencia de materiales frecuentemente sigue una distribución

Lognormal
– Las variables de peso son frecuentemente bien representadas con
una distribución Lognormal

– Es una buena distribución para cualquier variable

– La medida de cualquier resultado el cual es el resultado de una
proporción o efecto multiplicativo es Lognormal
1-68
 Modelos Paramétricos de
Confiabilidad
• Ventajas
– Usados cuando la distribución subyacente de los tiempos de
falla se conoce o puede ser supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-217)
• Conocimiento Ingenieril del mecanismo de falla
– Tiene más poder para hacer una decisión correcta que en
las pruebas no-paramétricas
– Rinde información más precisa que los métodos no-
paramétricos
• Los intervalos de confianza son más amplios usando no-
paramétricas
– Permite extrapolar fuera del rango de los datos

1-69
 Modelos Paramétricos de
Confiabilidad
• Desventajas
– El uso no apropiado del
modelo puede llevar a
conclusiones incorrectas
– Implica un conocimiento
previo del comportamiento
de los mecanismos de falla
y su efecto en la
observación estadística
– 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

Función de Densidad  t 
 1   t     1  1 t   2 
1  1  ln( t)    2 
f(t)   exp       f( t)  exp      f( t )  exp    
de Probabilidad (pdf), f(t) = exp(-t)          2  2     t 2   2
   

f(t)

  
Función de 
  t   

R(t) = exp(-t) R( t ) exp       R(t) (zdz
) R( t)   (z)dz
Confiabilidad, R(t)  
    
  z(t) z[ln(t )]

 1
 ( z ) f(t)
h (t)   t 
Función de Tasa de h(t) =  h (t)  h (t) R(t)
Falla, h(t)   R ( z )

1
Tiempo Medio Entre T
1 1 T  exp(T '  2 T ' )
T   ( 1) T  media 2
 
Fallas (MTBF) donde T' es la funcion ln(t)
 = escala
Parámetros 1/= escala  = forma, o media = localización media de ln’s = escala
sin forma pendiente Weibull = escala de ln’s= forma

Aplicaciones Sistema complejo  < 1, fallas infantiles z(t) = (t - )/ z[ln(t)] = (ln(t) - )/
vida útil  = 1, exponencial (z) = pdf normal std. donde  = media de ln’s
electrónica  > 1, desgaste desgaste alto  = desv. std. de ln’s
 app 3.4, app. normal efectos aditivos (CLT) (z) = pdf normal std.
muy flexible fatiga en metales
bien para fatiga en desgaste de partes mecánicas 1-71
componentes mecánicos efectos multiplicativos
 Identificación de Modelos

• Debemos de elegir
cuidadosamente el modelo
apropiado de distribución de vida
– Cualquiera que sea el método 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 estadísticas y visuales
para ajuste de datos
1-72
 Identificación de Modelos
• Gráficas, Abrir: identificación.mtw
Descriptive Statistics
•No pasa el criterio
Variable: T de normalidad
•  =0.9966, el
Anderson-Darling Normality Test coeficiente de
A-Squared: 2.339 variación es
P-Value: 0.000
prácticamente 1
Mean 101.453
StDev 101.127 •Media y desviación
Variance 10226.7
Skewness 2.00837 estándar son
Kurtosis 5.38151 iguales
N 50
0 100 200 300 400 500
•Sesgo >0
Minimum 0.124
1st Quartile 30.898 distribución sesgada
Median 82.077 a la derecha
3rd Quartile 124.588
Maximum 520.432
95% Conf idence Interv al f or Mu •Curtosis >3, tiene
95% Conf idence Interv al f or Mu
más 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
95% Conf idence Interv al f or Median
53.078 102.444

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

 Identificación de Modelos

• Gráficas
Abrir:
identificación.mtw

1-74
 Identificación de Modelos
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

90 Percent 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

¿Cuál ajusta mejor...? 1-75

 Identificación de Modelos

El modelo
exponencial

1-76
 Identificación de Modelos
Overview Plot for T
No censoring
Probability Density Function Exponential Probability
0.010 Exponential
99
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
0.000 5
1

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 distribución.mtw (los
del capítulo 1) y proponga qué modelo de
distribución los representa mejor.
– Analice los datos en la columna C5
– Obtenga las gráficas
– Calcule los estadísticos descriptivos
– Utilice algún procedimiento automatizado para
identificación de distribución
– proponga una distribución

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
95% Conf idence Interv al f or Median
95% Conf idence Interv al f or Median
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
0.015
0.9

0.8
desviación
0.7 estándar
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 paramétricos tienen muchas ventajas
para modelar situaciones de confiabilidad.
• Es necesario asegurar cuál es el modelo más
apropiado para modelar
• La decisión depende del conocimiento del
mecanismo de falla y la forma en que se observa.
• Las distribuciones tienen parámetros que le dan
ciertas características: forma, escala, localización.
• Recuerde siempre confirmar el modelo de
distribución a usar y ver que las propiedades
correspondan a lo conocido sobre la falla
1-82
3. DEFINICIÓN DE
PROYECTOS DE
CONFIABILIDAD

1-83
 Objetivo
Propósitos:
• Conocer las herramientas utilizadas en la identificación de
proyectos de confiabilidad.
• Asegurar el control del impacto en el sistema bajo
estudio, en un proyecto de confiabilidad a través del uso
de las herramientas para la identificación de proyectos.
• Aprender de un proyecto real la secuencia e integración
de las herramientas para la identificación de proyectos de
confiabilidad.

1-84
DMAIC Y Confiabilidad

1-85
 Definición Medición Análisis 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,
Comparación Sistema de Medición, Pruebas Estadísticas: Diseño de Experimentos,
Competitiva, 6s Calibrado, Lineal, Comparación de Superficie de Respuesta,
Estable, Gage RyR < Confiabilidad actual Predicciones, Regresión
Diagrama de Bloques 20% contra propuesta: de Parámetros,
Funcionales de Producto Análisis Paramétrico, Optimización de función
Diseño para Análisis No Paramétrico.
Reproducción de la falla Diseño de experimentos
Diagrama de Relaciones para eliminar X's. Corrida de comprobación
de Proceso Regresión de de la mejor solución.
Medir Condición actual: parámetros Verificación Estadística
1. Datos de campo, 2. Observación de tiempos
Identificar Confiabilidad Laboratorio de pruebas, de falla o degradación de
Actual: CTQs de proceso 3. Base de Datos Y
y producto, tiempo de
misión, condiciones de
Control
ambiente Caracterizar Y, X, t: Determinar tipo de
El CTQ, las causas observación en la
posibles y el tiempo de confiabilidad: 1. pruebas AMEF definitivo, Plan de
Establecer Metas de falla: media, dispersión, terminadas a tiempo Control, Documentación
Confiabilidad: Nivel de distribución, MTBF, determinado, 2. Pruebas oficial
Confiabilidad R(t), parámetros, h(t), R(t), Z terminadas a número de
tiempo de misión (t), fallas determinado 3. Entrenamiento del
Nivel de Confianza (1-a) Identificar los parámetros Datos por intervalo de personal involucrado,
relevantes del ruido tiempo 4. Aceleración de Documentación ISO,
ambiental: Máximo, Pruebas por aumento de Procedimientos,
Elaborar Diagramas P de carga Auditorías
mínimo, media,
condiciones de
dispersión, distribución.
operación, ruidos
internos y externos Evaluar niveles de
En pruebas aceleradas: capacidad y metas de
Validar Transformaciones confiabilidad
Identificación inicial de para la regresión del comprometidas
causas y efectos de falla, factor acelerante
AMEF inicial, jerarquizar
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
¿Qué es un Diagrama de Bloques Funcionales?

Un Diagrama de Bloques Funcionales

es una representación gráfica 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 realización de un
análisis de modo y efecto de falla (AMEF).

 Entender la relación que guardan los subsistemas entre

sí y el impacto de un cambio o más en el sistema.

 Construir gráficamente los elementos funcionales de un

sistema y sus interrelaciones, complementar con la misión
crítica que corresponde a cada elemento en el sistema.

1-89
 Pasos en la construcción de un
Diagrama de Bloques Funcionales:
• 1. Defina la función del sistema.

• 2. Defina los modos de operación del sistema.

• 3. Liste los subsistemas (muestre los límites de referencia).

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

modo de operación.

• 5. Defina las entradas y salidas de los subsistemas.

• 6. Defina la falla crítica 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 creación de un diagrama de
relaciones ayuda a un grupo en el análisis de los enlaces
naturales entre aspectos diferentes de un problema
complejo.

Cuando usarlo
Un tema complejo está siendo analizado por causas.
Una iniciativa compleja está siendo implementada.
Después de haber generado un diagrama de afinidad, un
diagrama de causa-efecto o un diagrama de árbol, para
explorar con mayor énfasis las relaciones de las ideas.
1-92
Determinación de Factores de Control y de Ruido

Diagrama-P

1-93
 Qué es un Diagrama de Parámetros

• Es la forma esquemática en la que se presentan las

entradas, variables independientes y salidas del
proceso/producto sometido a un cambio tipo “C”, cuya
información proviene de un Diagrama de Bloques
Funcionales.

• El diagrama de parámetros bosqueja en forma sencilla y

clara los factores que afectan la salida del diseño del
producto/proceso que pueden estar bajo control o no del
diseñador/responsable de la iniciativa de confiabilidad

1-94
Para que utilizar el Diagrama de Parámetros:
 Para desarrollar el plan de pruebas de confiabilidad.
Proporciona un enfoque disciplinado para la planeación 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 ejecución del AMEF y el diseño de

experimentos.

1-95
 MATRIZ DE FACTORES

F
FACTORES QUE DAN
A
LIBERTAD DE ACCION
C C SI FACTORES DE
Y
T O
CONTROL
O N POSIBILIDAD DE AHORROS
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 definición 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 desempeño 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
producción regular o un parámetro que puede ser especificado en un diseño.
Ejemplo, la temperatura de la soldadura en una máquina de soldar o la dimensión
de una parte en un diseño mecánico.

4. Factor de Ruido. Un factor de ruido es aquel que el equipo técnico considera

costoso o imposible de controlar en la producción 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
Análisis del Modo y Efecto de la Falla

1-98
 Qué es el AMEF

Es una estructura para lograr:



Identificar las formas en las que un proceso puede fallar por no

reunir los requerimientos críticos del cliente
Estimar el riesgo de las causas específicas con respecto a estas
fallas
Evaluar el plan de control actual para prevenir que estas fallas
ocurran
Dar prioridad a las acciones que deberían efectuarse para mejorar
el proceso

Concepto: Identificar las formas en que puede fallar el producto, el

proceso o el servicio al proporcionar la función planeada.
—Identificar las causas posibles y eliminar las causas

—Ubicar los impactos de falla y reducir los efectos

1-99
 AMEF
¿Qué hace?
• Jerarquiza los problemas en los que se debe trabajar
primero

• Identifica las fallas en los planes de control

• Conduce a hacer más 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

atención a los esfuerzos de mejora del proceso que son
benéficos para el cliente

Usado para documentar los cálculos de riesgo de la terminación

de los proyectos y de las mejoras resultantes

Debe ser un documento dinámico, que está siendo

continuamente revisado, corregido y actualizado

1-101
 El Modelo AMEF
Prevención Detección Detección

Modo
Modode
delalaFalla
Falla
Causa
Causa Efecto
Efecto
(Defecto)
(Defecto)

Material o Cliente externo o

Paso del Proceso paso del proceso
Entrada de con la corriente
Proceso

Controles
Controles

1-102
 Definición Modo de Falla
• El Modo de Falla necesita ser claramente definido en
términos de la operación realizada
• Ejemplos de Modo de Falla:

– distorsión
– fractura Usar números 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) Oxidación del alambre
calentado, y disminución
del cromado
El mecanismo es de
degradación, corrosión química

MLPL nos dice cómo fallan los componentes

Ejemplo: Elemento Calorífico 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 más de un acelerador ( por ejemplo, voltaje,
vibración, temperatura)
Seis Sigma / Enfoque Diseño 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 Parámetros

• AMEF

• Modo de Falla

• Mecanismo de la Falla

1-107
4. OBSERVACIÓN DE FALLAS

1-108
 Objetivo: Presentar alternativas de
Análisis en función del Tipo de Datos
Propósitos:
• 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 Misión establecido
– Estimación de Parámetros
• Interactuar con ReliaSoft´s Weibull++5.0 para el análisis de
datos

1-109
 Recolección de Datos
La Recolección 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 predicción 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 duración 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 artículos, se obtendrán
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 artículos 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 análisis en una etapa intermedia antes de que se termine
la prueba, el resultado será: 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 número
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 última
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 cliente 3
1 y cuando se reportó la falla de 4
la unidad 1, las otras estaban
trabajando. Las unidades 4, 5 y 6 5
fueron vendidas al cliente 2 y 6
cuando se reportó 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. Así 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 métodos de
análisis para tales datos, así como 6
también para datos de censurado
simple, incluirán la información de
aquellas unidades que no fallaron
porque estaban funcionando en el = Falla
momento en que tenían que retirarse de
la prueba. Tal información agrega
= Sobreviviente
usualmente precisión 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
específicos 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

análisis correcto para un tipo dado
de datos con el objeto de obtener la
mayor información 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

No Todos Suspensiones (Censura Derecha)
Fallaron
Tiempos de Falla con
Intervalo
Suspensiones 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
Intervalo Suspensiones 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 estimación 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 suspensión
A la izquierda
A la derecha

• Datos por Intervalo; el tiempo de falla está basado sobre

un intervalo en el que se realiza la inspección
1-118
 Sin Censura
• Veamos un ejemplo simple, que nos guiará en la situación
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 distribución que modela su comportamiento.
• Estimar los parámetros.
• Gráfica de probabilidad

1-119
 Censura a la Derecha
(ejemplo 2)

•Diez unidades idénticas fueron probadas para determinar su

confiabilidad a la misma aplicación y a tres niveles de operación. 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,
después de 120 horas.Nos interesa determinar los parámetros de la
distribución Weibull, su Función de Densidad y la Gráfica de
Probabilidad, para su interpretación.

120
tiempo 1-120
Con Censura introduciendo el concepto
Tiempo de Misión

En ocasiones nos interesa conocer la confiabilidad o la

no confiabilidad de unidades sometidas a pruebas para
un cierto tiempo de misión.
Siendo que el tiempo que se denomina de misión es una
decisión de negocio, resulta fundamental saber en que
medida los productos que fabricamos satisfacen la
decisión de negocio.
Utilizando la misma información del ejemplo 2,
preguntamos ¿Cuál es la confiabilidad de las unidades
para una duración (tiempo) de misión de 226 horas,
iniciando el tiempo de misión en el T=0 ?

1-121
 Con Censura introduciendo el
concepto de Tiempo de Misión
con un valor inicial diferente de
cero
Confiabilidad Condicional

Utilizando los datos del ejemplo 2, calcular la confiabilidad

para un tiempo de misión de t = 30 horas, iniciando la
misión al tiempo T = 30 horas?
¿Cuál es el tiempo de garantía para lograr una
confiabilidad de 85%?

T = 30 horas t = 30 horas
Inicio Tiempo de Misión Tiempo de Misión
definida por el negocio 1-122
Función que representa la confiabilidad buscada::

R (T  t )
R (T , t ) 
R (T )
T; tiempo de duración de la misión
t ; tiempo de inicio de la misión

ˆ 0.7077
R (30hr ,30hr )   0.8218
0.8612

ˆ (30hr ,30hr )  82.18%

R
1-123
 Análisis de Datos Agrupados

El procedimiento de Análisis de Datos Agrupados se

explica a través de un ejercicio. La diferencia reside en
decir el número de estados que se presentan para cada
tiempo de falla, esta información se registra al realizar
las pruebas de confiabilidad. Dependiendo del
agrupamiento que se de a los datos será el análisis de
los mismos.
Los datos se presentan en la siguiente pantalla:

1-124
 Estimación Máxima Verosimilitud

Una característica es que cada tiempo individual es

explícitamente usado en el cálculo de los parámetros,
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

 2.6885 3.6214

 724.3180 810.2044

Los resultados muestran valores de los parámetros

muy diferentes, ¿cuáles son las implicaciones en la
confiabilidad?
1-126
¿Máxima Verosimilitud o Mínimos
cuadrados?
• ¿Qué método preferir?
• La respuesta es: depende
• Para muestras pequeñas MLE es mejor
• RR da una medida del ajuste de los datos a la distribución con
el coeficiente de correlación. Un mal ajuste alerta sobre la
posibilidad de múltiples modos de falla. Esto se puede
identificar en la gráfica lineal, cosa que en MLE es más difícil
por la forma de graficar una solución

1-127
 Datos Agrupados, enfatizando su Distribución y
Función
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 falló a las 500
horas, y 2 unidades fallaron a las 600 horas.

• Utilizar la distribución exponencial y estimar sus parámetros.

• Generar la Gráfica de Probabilidad Exponencial.
• Generar la Gráfica de Confiabilidad contra Tiempo de Falla
• Obtener la Gráfica de la Función de Densidad de
Probabilidad
• Obtener la Gráfica que relaciona la Tasa de Falla contra el
Tiempo
1-128
Parámetros de la Distribución Exponencial

1-129
Gráfica de
Probabilidad
Exponencial

Confiabilidad
contra tiempo

1-130
Función de Densidad
de Probabilidad
Lambda = 0.0058
Gamma = 72.68

Gráfica de Tasa de Fallas

contra Tiempo

1-131
 Tiempo de falla asumiendo que los datos se aproximan a una
Distribución 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 parámetros de la Distribución y en particular utilizar
como el método de estimación de los Parámetros Regresión
del Rango sobre la X
• Gráfica de Probabilidad para los datos.
• Gráfica de la Función de Densidad de Probabilidad

1-132
 Pasos en la solución del ejemplo caracterizado
por una Distribución Normal

1. Seleccionar el
tipo de datos

2. Vaciar los datos

1-133
3. Seleccionar la
Distribución Normal
y regresión del
Rango sobre la X
para estimación de
los parámetros

4. Función
de Densidad
de la Normal
media =
12751.67
sigma=
1348.27

1-134
 5. Gráfica 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 misión 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 estimación puntual de la confiabilidad:

R(t=11,000) = 0.9031
Y la estimación 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 estimación puntual de la vida media:

Vida Media= 12,751.7
Y la estimación 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
continuación

Determine los
Número en Última Tiempo final
parámetros
Estado inspección Estado de estado
de una
5 0.00 F 6.12
Weibull de 2
16 6.12 F 19.92
parámetros
12 19.92 F 29.64
usando MLE
18 29.64 F 35.40 y obtenga el
18 35.40 F 39.72 gráfico de la
2 39.72 F 45.24 función 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 más común en la práctica.
• 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 misión 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 podría 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
• Parámetros de las Distribuciones de Probabilidad:
• - Weibull
• - Exponencial
• - Normal
• - Lognormal

1-142
 Puntos Clave
• Métodos de Estimación de Parámetros:

- Regresión del Rango sobre X

- Regresión del Rango sobre Y
- Método de Estimación de Máxima Verosimilitud

•Gráficas Especiales
- Función de Distribución Acumulada
- Gráfica de Probabilidad
- Función de Densidad de Probabilidad
- Tasa de Falla contra tiempo
- Confiabilidad contra tiempo
• Intervalos de confianza para la confiabilidad

1-143
5. CÁLCULOS Y PRUEBAS
DE CONFIABILIDAD

1-144
• Agenda
– Introducción
– Métodos No-paramétricos
– Métodos Paramétricos
– Planear Pruebas

1-145
 - Introducción

• Tópicos cubiertos
– Pruebas de Demostración de Confiabilidad
• Resultados de pruebas
• Planeación de pruebas
– Pruebas No-Paramétricas
• Prueba de Rachas exitosas
• Prueba de Porcentaje Superviviente
• Prueba de Mann-Whitney
– Pruebas Paramétricas
• Caso Exponencial
• Caso Weibull
– Planear Pruebas
• Caso Exponencial
• Weibull sin fallas

1-146
 - Introducción
• Tópicos no cubiertos
– Pruebas de Crecimiento de Confiabilidad
• v.g., Modelos Duane, Modelos Gompertz

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

– Muchos otros métodos no-paramétricos

• v.g., Prueba de Rachas Wald-Wolfowitz, Pruebas
Binomial-Pearson

– Muchos otros métodos paramétricos

• v.g. Pruebas de Muerte Súbita, SPRT’s

1-147
 - No-paramétricas
• No-paramétricas
– Usadas cuando la distribución subyacente de los tiempos
para falla no se conoce
• No se conocen los parámetros de la distribución o pueden estar
supuestos
• Insuficientes unidades de prueba disponibles para determinar la
distribución subyacente

– No tienen una potencia tan alta para hacer una decisión

correcta como una prueba paramétrica.
• La potencia aumenta con el tamaño de la muestra
• Pudiera ser tan potente si los datos no siguen una distribución
conocida

1-148
 - No-paramétricas
• Prueba de Rachas Exitosas

– La duración de la prueba está predeterminada

– La duración de la prueba debe igualar a la

duración de la misión
• El término exitoso de la prueba proporciona una
confiabilidad para esa duración de prueba.
• El valor de la confiabilidad no puede ser determinado
para cualquier otra duración
– Los métodos presentados después intentan atender esto

– Requiere que todas las unidades sobrevivan

para la duración (no se permiten fallas)
• Todas las unidades son exitosas, de ahí el nombre de la
prueba
1-149
 - No-paramétricas
• Prueba de Rachas Exitosas

– El límite inferior de confianza, de un solo lado,

para la confiabilidad es

• RL1(t) = (1-CL)1/N

– RL1(t) = límite inferior de confianza, para intervalo de un

solo lado, para la confiabilidad de una misión de duración t
– CL = nivel de confianza (en decimales, esto es, 0.90 y no
90 para un 90% de confianza)
– N = tamaño de muestra
» número de unidades probadas para una duración t sin
falla
» número de misiones exitosas terminadas por una
unidad

1-150
 - No-paramétricas

• Prueba de Rachas Exitosas

– Puede negociar RL1(t), CL, y N

• Para un CL dado, RL1(t) aumenta con el tamaño de la
muestra

– Dado un requerimiento de confiabilidad para algún

tiempo y nivel de confianza especificados, la
ecuación se puede arreglar para determinar el
tamaño de muestra requerido
– N  ln(1 CL)
ln RL1 t  

1-151
• Prueba de Rachas Exitosas - No-paramétricas
– Ejemplo
• 10 tuercas fueron puestas en una prueba de vida simulando 10
años de servicio. Todas las diez tuercas completaron la prueba
sin fallas. ¿Cuál es el límite inferior de 90% de confianza unilateral
para la confiabilidad de estas unidades?.

– Solución
• RL1(t) = (1-CL)1/N En EXCEL Archivo Cap 5.xls
– N = 10
– CL = 0.90 LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD
N= 10 piezas que completan prueba sin falla
– t = 10 años CL = 0.9 valor de confianza
t= 10 años
• RL1(10 años) = (1-0.90) 1/10
RL1 == 0.794 o 79%
0.79432823 Límite inferior unilateral de confiabilidad

– ¿Qué puede decirse acerca de la confiabilidad para 20

años basándose en este análisis?

1-152
 - No-paramétricas
• Prueba de Rachas Exitosas
– Ejemplo (continua)
• El requerimiento de confiabilidad para la tuerca
realmente fue confiabilidad de 90% en 10 años de
servicio con 90% de confianza. ¿Cuántas unidades
necesitan completar exitosamente la prueba para
demostrar el requerimiento?

– Solución N
ln(1 CL )
ln RL1 t  

– RL1(10 años) = 90%, ó 0.90

– CL = 90%, ó 0.90

ln(1  CL ) ln(1  0.90 )

N   21.85 o 22
ln R L1  t   ln(0.90 ) 1-153
 - No-paramétricas
• Prueba de Porcentaje-Superviviente

– La duración de la prueba está predeterminada

– La duración de la prueba deberá igualar a la duración de la

misión
• Completar exitosamente la prueba provee una confiabilidad para esa
duración de la prueba
• El valor de la Confiabilidad no puede ser determinado para cualquier
otra duración
– Los métodos presentados después tratarán de atender esto.

– No requiere tiempos de falla, sólo el número de fallas

ocurrido
• Las unidades falladas no se reemplazan

1-154
• Prueba de Porcentaje-Superviviente - No-paramétricas

– Estimado de confiabilidad para una prueba cuya duración está

predeterminada

Nr para r > 0

R 
– El límite N
inferior de confianza, de un solo lado, para la
confiabilidad de una prueba cuya duración está predeterminada

donde F = punto de porcentaje superior de la distribución F tal que el área a

la izquierda con m y n grados de libertad = (1-)
1
RL1 
r 1 
1  F
 Nr  1;2r 2;2N2r

1-155
 • Prueba de Porcentaje-Superviviente- No-paramétricas
Ejemplo para una prueba cuya duración está
predeterminada
• Dado que 20 motores se probaron 500 horas y 2
motores fallaron durante esta prueba, ¿Cuál es el
límite inferior de confianza 90%, de un solo lado,
sobre la confiabilidad?
1
RL1 
r 1 
1  F
 Nr  1;2r2;2N2r

1 1 1
RL1     0.755
2 1  3
1   1325
.
F 1    195
. 
 20  2  0.90;2(2)2;2(20)2(2)  18 

LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA POR TIEMPO)

Encontrada en tabla F
N= 20 piezas que completan prueba sin falla
(1 - ) =
r=
0.9 valor de confianza
2 número de piezas falladas
En EXCEL
F(1-;2r+2;N-2r) = 1.94454941 Percentil de distrib. F tal que el área a la izquierda = (1-)
t= 500 horas
Archivo
RL1 =
Rmedia =
0.75523478 Límite inferior unilateral de confiabilidad
0.9
Cap 5.xls 1-156
• Prueba de Porcentaje-Superviviente - No-paramétricas

– Ejemplo para una prueba cuya duración está

predeterminada (continuación)
• ¿Cuál sería el límite 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
 Nr  1;2r2;2N2r

1 1 1
RL1     0.891
0 1  1
1  F 1    2.44 1122
.
 20  0  0.90;2(0)2;2(20)2(0)  20 

Encontrada en tabla F

1-157
 - No-paramétricas
• Prueba de Porcentaje-Superviviente

– Estimado de confiabilidad para una prueba terminada al momento

de ocurrir la r-ésima falla

Nr
R  para r > 0
N
– El límite inferior de confianza, de un solo lado, para la confiabilidad
de una prueba terminada al momento de ocurrir la r-ésima falla

• donde F = punto de porcentaje

1 superior de la distribución F tal que el área a
RL1  con m y n grados de libertad = (1-)
la izquierda r 
1  F
 Nr  1;2r;2N2r

1-158
 • Prueba de Porcentaje-Superviviente
- No-paramétricas

– Ejemplo para una prueba terminada al ocurrir la

r-ésima 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, ¿Cuál es el límite
inferior de confianza de 90%, de un solo lado, para la
confiabilidad?
1
RL1 
r 
1  F
 Nr  1;2r;2N2r

1 1 1
RL1     0.743
3  3
1  F

1   (196
. ) 1346
.
En EXCEL  20  3  0.90;2(3);2(20)2(3)  17 
Archivo LÍMITE INFERIOR UNILATERAL DE CONFIABILIDAD (PRUEBA TERMINADA A FALLA)
N= 20 piezas que completan prueba sin falla
Cap 5.xls (1 - ) =
r=
0.9 valor de confianza
3 número de piezas falladas
F(1-;2r+2;N-2r) = 1.95501215 Percentil de distrib. F tal que el área a la izquierda = (1-)
t= 500 horas
RL1 = 0.74349324 Límite inferior unilateral de confiabilidad
1-159
 - No-paramétricas
• Prueba de Mann-Whitney
– Usada para determinar si dos muestras son
significativamente diferentes
• Supone que las distribuciones subyacentes de tiempo
para falla difieren sólo en sus medias
– No se requieren los tiempos exactos de falla
– Sólo se necesita saber el orden en que la muestra
combinada falló
– No requiere tamaños de muestra iguales

• Muchas pruebas de comparación no-paramétricas requieren

observaciones apareadas o tamaños de muestra iguales
1-160
• Prueba de Mann-Whitney - No-paramétricas
– 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 están
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
831 887
858
896

Abrir el archivo dosmfr.MTW

1-161
 - No-paramétricas

• Prueba de Mann-Whitney

1-162
 - No-paramétricas

• Prueba de Mann-Whitney

Mann­Whitney Confidence Interval and Test

Mfr A      N =   8     Median =      870.00
Mfr B      N =  10     Median =      891.50
Point estimate for ETA1­ETA2 is      ­23.00
95.4 Percent CI for ETA1­ETA2 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-paramétricas

– Revisión del procedimiento

• Obtenga 2 muestras y póngalas 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
• Señale 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 hipótesis alternativa es no igual , mayor que,
menor que
• Marque OK
• En la ventana de Sesión tiene los resultados:
– La prueba de hipótesis 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 Hipótesis nula con
alfa de 5% 1-164
• Resumen No-paramétrico - No-paramétricas
– Prueba de Rachas Exitosas
• Usado para obtener un límite de confianza inferior unilateral sobre la
confiabilidad
• El tamaño de muestra N debe ser probado el tiempo de duración de la misión
sin fallas

– Prueba de Porcentaje-Superviviente
• Usado para obtener un límite de confianza inferior, unilateral de la
confiabilidad
• El tamaño de muestra N probado para la duración de la misión con fallas
permitidas
• Los tiempos de falla no se necesitan conocer, sólo el número de fallas

– Prueba de Mann-Whitney
• Usada para comparar la confiabilidad de dos muestras
• Permite tamaños de muestra desiguales
• Todas las unidades probadas hasta fallar; necesita sólo el orden de las fallas

1-165
• Paramétricas - Paramétricas
– Usadas cuando la distribución subyacente de los
tiempos para fallar se conoce o puede ser supuesta
• Datos de prueba previos
• Parámetros de industria aceptados (v.g., MIL-HDBK-217)
• Conocimiento Ingenieril del mecanismo de falla
– Tiene más poder para hacer una decisión correcta que
las pruebas no-paramétricas
• Puede ser más incorrecta si la distribución verdadera es
diferente que la distribución, o los parámetros de distribución
supuestos.
– Rinde información más precisa que los métodos no-
paramétricos
• Los intervalos de confianza son más amplios usando no-
paramétricas
– Permite extrapolar fuera del rango de los datos

1-166
 - Paramétricas

• Dos distribuciones cubiertas

– Exponencial

– Weibull

Estas dos tienen más aplicación a nuestro negocio.

1-167
 - Paramétricas

• 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
» Estimación de MTBF
» Límites de Confianza de MTBF

– Terminada por Fallas, con y sin reemplazos

• La prueba se detiene cuando la falla résima ocurre
» Estimación de MTBF
» Límites de confianza de MTBF

1-168
 - Paramétricas
• Pruebas Exponenciales
– Definiciones
• = tasa de falla
• MTBF = tiempo medio entre fallas (mean time between
failures) = 1/ 
• m = estimado de MTBF
• N = tamaño de muestra
• td = duración de prueba
• Ta = horas de prueba acumuladas = Ntd
• r = número de fallas
• CL = nivel de confianza = 1 - 
– donde  es el riesgo de hacer una decisión equivocada

1-169
 - Paramétricas
• Exponencial
– Pruebas terminadas por tiempo sin reemplazo

• Estimado de MTBF

Tconfianza,  T  (N  r ) td
a i  1 i unilateral, de MTBF, m L1
• Límite inferior
m de 
r r

¿Por qué inferior, unilateral?

2 rm 2 Ta
m L1  
 2 ; 2 r  2  2 ; 2 r  2

1-170
 - Paramétricas
• 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. ¿Cuál es la estimación de m y un límite
inferior de 95% de confianza unilateral de m?.¿Cuánto
es el estimado de la confiabilidad para una misión de
500 horas? ¿Cuál es el límite inferior unilateral de 95%
de confianza para una misión de 500 horas?
r
 Ti  (N  r )td
Ta i1 234  776 1078  (10  3)1500 12588
m      4196
r r 3 3

2rm 2 Ta 2 12588  25176

m L1      1624
 2;2r  2  2;2r  2  20.05;2( 3 ) 2 15.507

1-171
De tabla
 - Paramétricas
• Exponencial
– Pruebas terminadas por tiempo sin remplazo
• Ejemplo (continua): ¿Cuánto es el estimado de confiabilidad
para una misión de 500 horas? ¿Cuál es el límite inferior
unilateral de 95% de confianza para una misión de 500 horas?
• El estimado de R(t) está asociado con el estimado de MTBF, y
el límite inferior de confianza de R(t) está asociado con el
límite 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 misión de 500 horas
1-172
 •Exponencial pruebas terminadas
Abra tsinr.wdf por tiempo sin reemplazo
•Marque distribución
exponencial con un
parámetro
•Elija MLE,
estimación de
máxima verosimilitud

Marque el botón de
cálculo de
parámetros
Señale el botón de la
“Calculadora”

1-173
 •Exponencial pruebas terminadas por
tiempo sin reemplazo

1
•Aparece la
Calculadora Señale: 2
Show
•Marcar Option, Confidence
Other Calculations Bounds

•Deje marcado: 3 •Marque 4

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

•Ahora marque Std Prob Calculations

•Escriba en Mission End Time: 500

Señalando en
Calculate se obtiene
una R(t) = 0.8877 y
RL1(t) = 0.7349
1-175
 - Paramétricas
• Exponencial

Terminadas por Tiempo Terminadas por Fallas

m = Ta/r = Ntd/r m = Ta/r = Ntd/r

con reemplazo
2rm 2 Ta 2 Ta
m L1   mL1  2
 2 ;2r  2 2
 ; 2r  2  ; 2r

r r
 Ti  (N  r )td  Ti  (N  r )td
Ta i1 Ta i1
m   m  
r r r r
sin reemplazo
2rm 2 Ta 2 Ta
m L1   mL1  2
 2 ;2r  2  2;2r  2  ; 2r

En cualquier caso, las estimaciones se basan en las horas

totales acumuladas y el número de fallas observadas
1-176
 - Paramétricas
• 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
idénticas. Las restantes 7 continuaron hasta las 1500 horas
sin fallar. ¿Cuál es la estimación de m y un límite inferior de
95% de confianza unilateral de m?.¿Cuánto es el estimado de
la confiabilidad para una misión de 500 horas? ¿Cuál es el
límite inferior unilateral de 95% de confianza para una misión
de 500 horas?
• Estimación de MTBF
– m = Ntd/r = Ta/r

• límite inferior, unilateral de confianza

2rmde MTBF,
2Ta m L1
mL1  
 2 ;2r 2  2 ;2r 2

1-177
• Exponencial - Paramétricas
– Pruebas terminadas por tiempo con remplazo
• Ejemplo: (continua)

• Estimación de MTBF
– m = Ntd/r = Ta/r = (10)(1500)/3 = 5000 horas

• límite inferior, unilateral de confianza de MTBF, mL1

2rm 2Ta 2(15000 )

m L1     1935 horas
  ;2 r  2   ; 2 r  2
2 2
15 . 507
donde 2;2r+2 = 20.05;2(3)+2 = 15.507

Puedeverificarse
Puede verificarseen
entconr.wdf
tconr.wdf
1-178
• Exponencial - Paramétricas

– Pruebas terminadas por tiempo con reemplazo

• Ejemplo (continuación): ¿Cuánto es el estimado de confiabilidad
para una misión de 500 horas? ¿Cuál es el límite inferior unilateral
de 95% de confianza para una misión de 500 horas?

• El estimado de R(t) está asociado con el estimado de MTBF y el

límite inferior de confianza de R(t) está asociado con el límite
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
• Exponencial - Paramétricas

– Caso especial cuando no se observan fallas

• m = Ta/r = Ta/0 = ?

• No puede estimarse MTBF o la confiabilidad correspondiente

• Puede calcular un límite inferior, unilateral, de confianza de MTBF

• Puede obtener 2rm 2 Ta unilateral

2 Ta de confianza
2 Ta Ta confiabilidad
mL1 un 2límite inferior,
2
 2
 2
 de
RL1(t) = exp(-t/mL1);2r 2  ;2r 2  ;2(0)2  ;2 ln(1 CL )

Consejo: Si  = 0.50, se obtuvo un estimado 1-180

 - Paramétricas
• Exponencial
– Caso especial cuando no se observan fallas
• Ejemplo: Diez unidades se pusieron a prueba por 1500
horas.. Todas completaron la prueba sin falla. ¿Cuál es
la estimación de m y un límite inferior de 95% de
confianza unilateral de m?.¿Cuánto es el estimado de la
confiabilidad para una misión de 500 horas? ¿Cuál es el
límite inferior unilateral de 95% de confianza para una
misión de 500 horas?
• Aquí podemos usar CL = 50% para obtener un estimado
y un CL = 95% para obtener los límites de confianza
inferiores unilaterales

1-181
• Exponencial - Paramétricas

– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para estimar, use el límite

inferior unilateral de confianza de MTBF, mL1, con CL =
0.50

2rm 2Ta 2Ta 2Ta Ta

mL1     
 2 ;2r 2  2 ;2r 2  2 ;2(0)2  2 ;2 ln(1 CL)

10 1500
mL1   21640
ln(1 0.50) sin fallas

Puede
Puede
verificarseen
verificarse en
tsinf.wdf
tsinf.wdf
1-182
• Exponencial - Paramétricas

– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para obtener el límite inferior,

de confianza unilateral de confianza de MTBF, mL1, con
CL = 0.95

2rm 2Ta 2Ta 2Ta Ta

mL1     
 2 ;2r 2  2 ;2r 2  2 ;2(0)2  2 ;2 ln(1 CL)

10 1500
mL1   5007
ln(1 0.95)

1-183
• Exponencial - Paramétricas
– Caso especial cuando no se observan fallas

• Ejemplo (continuación): Para estimar la confiabilidad y el límite inferior,

unilateral de confianza de la confiabilidad use el m L1 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 misión

– Para el límite 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 misión

1-184
 - Paramétricas

• Dos distribuciones cubiertas

Hemos visto la
– Distribución Exponencial

Ahora, cubriremos la
– Distribución Weibull

Estas dos tienen la mayor aplicación en nuestro negocio

1-185
 - Paramétricas
• Distribución Weibull
– mientras la pdf exponencial modela las
características de vida de los sistemas, la Weibull
modela las características de vida de
componentes y partes

– modela fatiga y ciclos de falla de sólidos

– muy adecuado para datos de vida

– la pdf Weibull es una distribución de los elementos más débiles de
una muestra

– muy flexible y puede tomar muchas formas

diferentes
1-186
• Weibull - Paramétricas

– Caso especial cuando se observaron pocas o ninguna falla

• Es necesario suponer una Pendiente Weibull, , para obtener un

estimador de la vida característica, 
– Aproximada de datos similares
– Por juicio de ingeniería requiriendo conocimiento del mecanismo de
falla v.g.,
» fatiga de ciclos bajos y corrosión típicamente tienen una
pendiente Weibull de 1 <  < 2
» fatiga de ciclos altos y mecanismos de desgaste rápido
típicamente tienen una pendiente Weibull 2 <  < 5

• Deben realizarse análisis con varias pendientes para determinar la

sensibilidad al supuesto de pendiente

1-187
 - Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• El límite inferior, de confianza unilateral de la Vida Característica

es 1
 N  
  
2 Ti 

   2i1 
  ;2r2 
 
1
  Nt d 
  
• Si no hay fallas, entonces   ln(1 CL ) 

Consejo: Si  = 0.50, se obtuvo un estimado

1-188
• Weibull - Paramétricas

– Caso especial cuando se observaron pocas o ninguna

falla

• Para obtener un límite inferior, unilateral de confianza de la

confiabilidad

– RL1(t) = exp{-(t / L1 )

pendiente supuesta

1-189
• Weibull - Paramétricas

– Caso especial cuando se observaron pocas o ninguna

falla

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

Todas completaron la prueba sin fallar. Suponiendo que el
tiempo de falla para estas unidades sigue una distribución
Weibull con pendiente  = 1.5, ¿Cuál es el límite inferior
unilateral de 95% de confianza de ? ¿ Cuál es el límite inferior
unilateral de 95% de confianza de la confiabilidad para una
misión de 500 horas?
1 1
  Nt d  (10)(1500 15
.
) 15
.
L1        3350
  ln(1 CL )    ln(1 0.95 ) 

RL1(t) = exp{-(t / L1 )} = exp{-(500/3350)1.5} = 0.943

1-190
• Weibull - Paramétricas

– Caso especial cuando se observaron pocas o ninguna

falla •Abrir el archivo tsinf.wdf
•Pida el análisis Weibull para dos parámetros

1-191
 - Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto

de la pendiente?

• Supongamos una pendiente de 1.25

1 1
  Nt d  (10)(1500125
.
) 125
.
L1        3934
  ln(1 CL )    ln(1 0.95 ) 

RL1(t) = exp{-(t / L1 )} = exp{-(500/3934)1.25} = 0.927

1-192
 - Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto

de la pendiente?

• Supongamos una pendiente de 1.75

1 1
 (10)(1500
  Nt d  175
.
) 175
.
L1        2987
  ln(1 CL )    ln(1 0.95 ) 

RL1(t) = exp{-(t / L1 )} = exp{-(500/2987)1.75} = 0.957

1-193
 - Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto

de la pendiente(resumen)?
RL1(500)

0.905  = 1 es exponencial,
=1 más conservador

}
 = 1.25 0.927

= 1.5 0.943 No mucha influencia

en este caso
= 1.75 0.957

Cuando no se observan fallas, se da más potencia si

se puede suponer una pendiente de Weibull > 1 1-194
 - Paramétricas
• Weibull
– Caso especial cuando se observaron pocas o ninguna
falla

• Ejemplo (continuación): ¿Cuánta influencia tiene el supuesto

de la pendiente? ¿Qué pasa si yo estimo exageradamente la
pendiente Weibull, y supongo una pendiente de 3?

1 1
 Nt d   (10)(1500 3
 )3
L1        2242
 ln(1 CL )   ln(1 0.95) 

RL1(t) = exp{-(t / L1 )} = exp{-(500/2242)3} = 0.989

Necesita justificarse el supuesto de la pendiente Weibull, ya que un

supuesto de pendiente alta puede influir fuertemente los resultados 1-195
 - Planear Pruebas
• Planear Pruebas para la Exponencial

– Use la meta de confiabilidad, Rg, igual a R L1

• Si RL1 = Rg, podemos estar CL% seguros que la R real será al
menos Rg

– Necesita determinar Ta, r, y N tales que R L1 = Rg en el

CL escogido

– Recuerde, R = exp(-t/MTBF)
• Dado Rg, MTBFg puede ser determinado

1-196
 - Planear Pruebas
• Planear Pruebas para la Exponencial

– MTBFg está 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 número permisible de fallas para una prueba cuya
duración es predeterminada

2rm 2Ta
mL1  MTBFg  
 2 ;2r2  2 ;2r2

MTBFg(  2 ;2r2 )
Ta 
2
1-197
 - Planear Pruebas
• Planear Pruebas para la Exponencial

– Si no están permitidas las fallas

2rm 2Ta 2Ta 2Ta Ta
mL1  MTBFg     
 2 ;2r 2  2;2r 2  2 ;2(0)2  2 ;2 ln(1 CL )

Ta  MTBFg{ln(1 CL )}

– Permite la negociación entre tamaño de muestra y

duración de la prueba para lograr una confiabilidad
dada a una confianza dada

1-198
 - Planear Pruebas
• Planear Pruebas para la Exponencial

– si no se permiten fallas

• Ejemplo: El requerimiento de confiabilidad para una unidad es 99%

confiable para una misión de 500 horas con 95% de confianza
(inferior, unilateral). Dado que no se permiten fallas, ¿Cuántas
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

– si no se permiten fallas

• Ejemplo (continuación):

2rm 2Ta 2Ta 2Ta Ta

mL1  MTBFg     
 2;2r 2  2 ;2r 2  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 logrará este requerimiento

• N = 20 probadas por 7452 horas sin fallas logrará también

este requerimiento

1-200
• Planear Pruebas para la Exponencial - Planear Pruebas

– si no se permiten fallas

• Ejemplo (continuación): Si estamos limitados en el número de

unidades que podemos probar (debido a la disponibilidad de lugar,
costo o disponibilidad unitario, etc.) a N = 8, ¿Cuánto 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 (continuación): Qué pasa si permitimos una falla durante la

prueba y esta es remplazada. ¿Cuánto debe durar la prueba?

2rm 2Ta
mL1  MTBFg  
 2;2r 2  2 ;2r 2
obtenido de tabla
2 2
• Entonces, MTBFg (  ;220
Ta  si tenemos r 2 )lugares
 de( prueba
49750 2) 49750(9.podemos
0.05;2(1)disponibles

488)
 236014
poner 20 unidades2 en prueba. 19 deben 2 de ir 11800 horas 2 sin fallas. Si
ocurre una falla y es reemplazada inmediatamente, el reemplazo debe
terminar la prueba sin falla.

1-202
• 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 demostración, no una prueba de

crecimiento
• Las pruebas de crecimiento deben tener fallas
– Necesario suponer una pendiente Weibull
– Aproximada de datos similares
– Por juicio de ingeniería requiriendo conocimiento del mecanismo de falla
v.g.,
» fatiga de ciclos bajos y corrosión típicamente tienen una pendiente
Weibull de 1 <  < 2
» fatiga de ciclos altos y mecanismos de desgaste rápido típicamente
tienen una pendiente Weibull 2 <  < 5

• Deben realizarse análisis con varias pendientes para determinar la

sensibilidad al supuesto de pendiente

1-204
 - Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar

– Recuerde la ecuación para estimar la vida

característica sin fallar
1
  Nt d 
  
  ln(1 CL ) 

– Recuerde la ecuación de confiabilidad Weibull

 
  t   
R( t ) exp      
    
  

1-205
 - Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar

– Substituyendo la primera ecuación en la segunda

ecuación y solucionando para N, el tamaño de muestra


 t   ln(1 CL ) 
N   
– Si la d   ln(R ) 
meta de tconfiabilidad
y la confianza requerida se
substituyen, puede negociarse el tiempo de prueba con
el tamaño de muestra

1-206
 - Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo:
• El requerimiento de confiabilidad para una unidad es 99% confiable para una
misión de 500 horas con un 95% de confianza (inferior, unilateral). Para este
ejemplo, supongamos que es un balero que históricamente ha tenido una
pendiente Weibull de 1.5. Dado que no se permiten fallas, ¿Cuántas
unidades debo de probar por cuanto tiempo para lograr este requerimiento?

 15
. 15
.
 t   ln(1 CL )   500   ln(1 0.95)   500 
• EntoncesN, si hay 1500
 horas deprueba
  disponibles,
    necesarias
serían  (298)58

unidades para sert d   ln(R )
probadas por  t 
 1500d horas  ln( 0.99 )  t d 
 para lograr los requerimientos

1-207
 - Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo (continuación):
• Qué pasa si hay sólo 25 lugares de prueba disponibles,
o sea., ¿Cuánto tiempo necesitarán las 25 ser probadas
sin fallar para lograr el requerimiento?

 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 

500
td  1
 2609
 25  15
.
 
 298 

1-208
 - Planear Pruebas
• Planear Pruebas para la Weibull sin Fallar

– Ejemplo (continuación):
• ¿Cómo se compara este último resultado con un plan de prueba
usando la Prueba de Rachas Exitosas?

– Weibull sin fallar y suponiendo una pendiente de 1.5 fue 25

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

– Prueba de Rachas Exitosas

ln(1 CL ) ln(1 0.95)

N   298
ln RL1 t   ln(0.99)
– o 298 unidades probadas por 500 horas sin fallar
» sobre 149,000 horas de prueba- unidades

1-209
 Resumen
• La técnica No-paramétrica puede ser rápida y fácil
– Lo bastante exacta para hacer un juicio de ingeniería
– Puede ser potente si los tamaños de muestra son bastante
grandes
– Apropiadas si nada se conoce
• Paramétricas - Exponencial
– Más potentes que las no-paramétricas
– Permiten negociar entre tamaño de muestra, CL, número de
fallas permisibles, confiabilidad
– Las unidades que fallan pueden ser reemplazadas para
aumentar el tiempo total de prueba
– La estimación más conservadora
1-210
 Resumen
• Paramétricas - Weibull
– Más potentes que las no-paramétricas y que suponer
exponencial
– Necesario suponer una pendiente Weibull
• Necesita justificarse por datos previos, conocimiento de los
mecanismos de falla, etc.
– Permite negociar la duración de la prueba y el tamaño
de muestra para una confiabilidad y confianza dadas.
– Disminuirá el tiempo total de prueba requerido para
demostrar un requerimiento

1-211
 Resumen
• Planear Pruebas
– Cubiertas sólo las estadísticas de pruebas de
demostración
– Necesita asegurarse que la prueba puede duplicar los
mecanismos de falla experimentados en el campo
• Experiencia con partes regresadas, AMEF’s, Diagramas-P,
etc
– Dada una prueba apropiada, necesita definir tamaño
de muestra, duración de prueba, número de fallas
permisibles, etc., que logren el requerimiento de
confiabilidad

1-212
6. PRUEBAS ACELERADAS

1-213
 Objetivo:
• Propósitos:
– Presentar el concepto de prueba acelerada
– Conocer los modelos para transformar los
esfuerzos
– Uso de los paquetes estadísticos para predecir
con modelos de aceleración.

1-214
 ¿Para qué acelerar
las fallas?
¡Para ahorrar tiempo!

Los resistencias eléctricas 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 lograrán los requerimientos, y sabemos que la información
más valiosa viene de probar hasta que falle, si una resistencia
forrada se prueba en voltaje nominal, la prueba podrá durar muchos
meses. Sin embargo, si el voltaje es elevado por encima del nominal,
1-215
el tiempo de prueba puede ser reducido.
 Problema

¿Cómo 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
 Solución
Group 1 Group 2 Group 3
260V 270 V 280V
Corra al menos 3 grupos en voltajes diferentes, 1 347hrs 97hrs 15hrs

manteniendo el voltaje más bajo tan cercano al 2

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

Corra las partes para fallar y ajuste con

70
60
50
40

una ecuación paramétrica los datos de

30
Percent

20

falla.
10

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

predicción de vida. 0
280 270 260

1-217
 Información de Falla por Prueba
Acelerada
• Sobre-esforzar a los productos para obtener
fallas “rápido” es quizás la forma más antigua de
Pruebas de Confiabilidad.

Usualmente No se
obtiene
información sobre
la distribución de
la vida
(Confiabilidad)
1-218
 Información de Falla por Prueba
Acelerada
• Una prueba
acelerada que sólo
da Información de
Falla (ó Modos de
Falla), comúnmente
se llama “Prueba de
Tortura”, “Prueba de
Elefante”, “Prueba
Cualitativa”, etc.

1-219
¿Qué es una Prueba de Tortura?
• Las pruebas de Tortura se realizan sobre muestras
de tamaño pequeño y los especímenes se sujetan a
un ambiente agresivo (niveles severos de esfuerzo)
– Si el especimen sobrevive, pasó 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 revelación de
modos probables de falla
• Cuestiones Sin Resolver
– ¿Cuál es la Confiabilidad del Producto?
– ¿Los Modos de Falla serán los mismos que
ocurrirán durante la vida del producto bajo
uso normal?

1-221
 La Aceleración 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, está diseñada para
proveer Información de la Confiabilidad del
producto, componente o sistema
• Un Dato básico es el Tiempo para Fallar
– El tiempo para falla puede estar en cualquier
medida cuantitativa, tal como: horas, días, ciclos,
actuaciones, etc.

1-223
 ¿Qué es aceleración física y
como se modela?
• La Aceleración Física significa que operando
una unidad en un esfuerzo mayor se
producen las mismas fallas que ocurren con
los esfuerzos típicos de uso, excepto que
suceden mucho más rápido.

1-224
 Factor de aceleración
• La falla se puede deber a la fatiga mecánica,
corrosión, reacción química, difusión,
migración, etc.
• Estos son exactamente los mismos eventos
conducentes a una falla en esfuerzos mayores
que en esfuerzos normales. Sólo cambia la
escala del tiempo.
• Un Factor de Aceleración es el multiplicador
constante entre los dos niveles de esfuerzo.
1-225
 Factor de Aceleración
• Cuando hay verdadera aceleración, cambiar
los esfuerzos es equivalente a transformar la
escala del tiempo usada para registrar
cuando ocurren las fallas.
• Las transformaciones usadas comúnmente
son lineales, lo que significa que el tiempo
para fallar en un esfuerzo alto sólo tiene que
ser multiplicado por una constante (el factor
de aceleración) para obtener el tiempo
equivalente de falla en el esfuerzo de uso
1-226
 Factor de Aceleración
Relaciones Lineales de Aceleración
Tiempo de Falla
Probabilidad de Falla
Confiabilidad
PDF o Función de Densidad
Tasa de Falla
Donde:
tu: tiempo de falla en uso ts: tiempo de falla en esfuerzo
Fu(t): CDF en uso
fu(t): PDF en uso
u(t): tasa de falla en uso
AF: Factor de Aceleración
tu = AF x ts
Fu(t) = Fs(t/AF)
Ru(t) = Rs(t/AF)
fu(t) = (1/AF)fs(t/AF)
u(t) = (1/AF)s(t/AF)
Fs(t): CDF en esfuerzo
fs(t): PDF en esfuerzo
s(t): tasa de falla en esfuerzo

Cada modo de falla tiene su propio factor de aceleración. Los datos de falla deben
separarse por modo de falla cuando se analizan, si la aceleración es relevante.
1-227
 Factor de Aceleración
Una consecuencia de las Probability Plot for 260V-280V
Weibull Distribution-95.0% Conf idence Interv als

relaciones lineales es que

Complete Data

260V
99
270V
95
90 280V

El Parámetro de Forma para

80
70
60
50
40
30

Percent
los modelos clave de
20

10

distribución de vida
3
2

(Weibull y Lognormal) no 10 100

Time to Failure
1000

cambia para las unidades Las Gráficas en escala de

operando bajo diferentes Probabilidad de los datos de
esfuerzos. diferentes condiciones de
esfuerzo se alinearán
aproximadamente paralelas.
1-228
 ¿Cuáles son los modelos de
aceleración comunes?
• Los modelos de Aceleración predicen el tiempo de
falla en función del esfuerzo
Los factores de aceleración 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 función del esfuerzo debiera ser mejor que
una colección de factores de aceleración. Si escribimos tf =G(S), donde G(S) es la
ecuación del modelo para un valor arbitrario de S, entonces el factor de aceleración
entre los esfuerzos S1 y S2 puede evaluarse simplemente por

AF = G(S1)/G(S2)
Ahora se puede probar en el nivel de esfuerzo más alto S2, obtener un número suficiente de
fallas para ajustar al modelo de distribución de vida y evaluar las tasas de falla.
Después se usa la Tabla de Relaciones Lineales de Aceleración para predecir lo que
pasará en el nivel de esfuerzo menor S1.

1-229
 ¿Cuáles son los modelos de
aceleración comunes?
• Los modelos de aceleración se derivan a
menudo de modelos físicos o cinéticos
relacionados al modelo de falla
Un modelo que predice el tiempo de falla como función de los esfuerzos de operación
se conoce como Modelo de Aceleración
Se presentarán varios modelos útiles:
• Arrhenius
• Eyring
• Regla de Potencia Inversa para Voltaje
• Modelo exponencial de Voltaje
• Modelos de Dos: Temperatura / Voltaje
• Modelo de Electromigración
• Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
• Modelo Coffin-Manson de Crecimiento de Fracturas Mecánicas
1-230
 Arrhenius
• El Modelo de Arrhenius predice la aceleración
de las fallas debido al aumento de
temperatura
– Uno de las primeras transformaciones y la de más éxito
para predecir como varía el tiempo de falla con la
temperatura
 H  Donde: AF= Factor de Aceleración
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 = Energía de Activación
A = Constante de escala (se elimina en AF)
1-231
 Arrhenius
Ejemplo

• El Factor de Aceleración AF entre

25°C y 125°C, 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 teórica
en la química y en la mecánica cuántica y se
puede usar para modelar la aceleración
cuando muchos esfuerzos están involucrados
 H  C 
t f  AT  exp   B  S1 
 kT  T 
 H  C  D 
t f  AT  exp   B  S1   D  S 2 
 kT  T  T 

Donde:T= temperatura °K (273.16+°C); k = Constante de Boltzmann (8.617E-05 eV/K)

H = Energía de Activación; A , B, C D, E= Constantes de escala;
S1 y S2 Esfuerzos diferentes
1-233
 Otros Modelos
• Modelos útiles 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 Mecánico 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 Electromigración
t f  AJ n e kT

H
Modelos de tres esfuerzos
t f  Ae V B RH 
kT
(Temperatura, Voltaje, Humedad)

N f  Af  T   G TMAX  Modelo de crecimiento de Fisuras Mecánicas

1-235
Datos + Distribución + 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
encontrará bajo condiciones normales

1-237
 Distribución
• Elija una Distribución apropiada de vida
– Exponencial

– Weibull

– Lognormal
Four-way Probability Plot for C1
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 1000 2000 100 1000 10000

Exponential Weibull
99
95
90
75
60
40
99 30
20
98

Percent
Percent

10
97
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 característica de la distribución de un
nivel a otro
Esfuerzo
de uso
Esfuerzo
Esfuerzo alto 2 Esfuerzo
alto 3 alto 1

¿?

1-239
 ¿Qué Característica de la
Distribución?
• Vida Característica, Parámetro de la Distribución,
(Media, Mediana, R(t), F(t), )
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
30
Percent

20

10

3
2

10 100 1000

Time to Failure

La Distribución Weibull con (s) como una función del esfuerzo

1-240
 Parámetros comúnmente usados
como una Función del Esfuerzo para
diferentes distribuciones de vida

• Exponencial Media o Velocidad de Falla)

• Weibull (Parámetro de Escala)
– El parámetro de forma usualmente se supone constante
• Lognormal (Ln - Media o Mediana)
– El parámetro de Ln - Desviación Estándar usualmente se
supone constante

1-241
Formar un nuevo modelo que incluya
tanto el modelo de la distribución y el
de aceleración
• Relación Weibull - Potencia Inversa:

 1  t 
 t   


f (t )    e 
  
1
  L( S ) 
K Sn

 
 1  
  
t 
  t   1 
 
f (t , S )    e  K S n 
1  1 
n  
K S  K Sn  1-242
 Resultado

• Resolver para los Parámetros del Modelo


 
 1  
  
t 
  t   1



f (t , S )    e  K S n 
1  1 
n  
K S  K S n


•Una vez que los parámetros , K y n son

estimados, las predicciones de vida pueden
hacerse para diferentes t y S
1-243
 Estimación de Parámetros

• La estimación de parámetros puede variar de ser

trivial (con muchos datos, un solo esfuerzo constante, una
distribución simple y un modelo simple) a ser una tarea casi
imposible
– Métodos Disponibles
• Gráfico
• Mínimos Cuadrados
• MLE

1-244
 ¿Cómo elegir un modelo
apropiado de aceleración física?
• Elegir un modelo de aceleración física es
similar a elegir un modelo de distribución de
vida.
• Primero identifique el modo de falla y que
esfuerzos son relevantes (o sea que
acelerarán 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 mecánica) aplican a
mecanismos de falla químicos o electrónicos ya
que la temperatura es casi siempre una carga
relevante para estos mecanismos. El modelo
Arrhenius es casi siempre una parte de cualquier
modelo más general.
• El modelo Coffin-Manson trabaja bien para para
muchos mecanismos relacionados con la fatiga
mecánica

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 podría ocurrir debido a un mecanismo
particular a menos que un esfuerzo (temperatura por
ejemplo) este más allá de un valor de cambio. Un
modelo para mecanismo dependiente de temperatura
con un cambio en T = T0 podría verse como
Tiempo para falla = f(T((T-T0))
Donde f(T) pudiera ser Arrhenius. Conforme la
temperatura desciende hacia T 0 el tiempo de falla
aumenta hacia infinito en este modelo (deterministico)
de aceleración

1-247
 Ejemplo1
Un nuevo producto fue probado para confiabilidad. Como la vida de este
producto bajo condiciones de operación se espera que tenga más de 15,000
horas, probar bajo esas condiciones no resulta factible en el tiempo. Por esa
razón, se decidió correr una prueba acelerada. La temperatura de operación
para este producto es 323K (50°C)y la temperatura es la única variable de
aceleración.
•Se desea determinar los parámetros de una Weibull de 2 parámetros en cada
nivel de esfuerzo, usando la Regresión sobre X de los Rangos
•Estimar los parámetros para el modelo de Eyring
•Calcular la Confiabilidad de la unidad para una duración de misión de 9,000
horas, comenzando en T=0 y a temperatura de operación 323K
Abra el archivo Eyring.wdf

1-248
 Ejemplo1
Una vez abierto el
archivo calcule los
parámetros de la
Weibull con 2.
Los resultados
aparecen en la
imagen.
 = 4.1598
 = 5713.99
Para separar los datos en tres conjuntos de datos diferentes
use Batch Auto Run. Este usa la columna de Identificación
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 están
como Identificaciones
disponibles de los
subconjuntos

Ahora También se
seleccionamos los puede hacer
tres para generar doble clic sobre
los tres los
subconjuntos, uno seleccionados,
para cada para señalarlos
temperatura
1-250
Marque Action Preferences for Subsets
 Ejemplo1
La ventana de Preferencias de Acción
para los Subconjuntos tiene como valor
previsto el Cálculo de los parámetros
para los subconjuntos seleccionados.
Marque OK, 2 veces

Se generaron tres
subconjuntos, uno para
cada identificación

Para cada uno se

calcularon los parámetros
de la Weibull de 2

1-251
Inserte una Hoja General en el Folio de
Datos
 Ejemplo1
Capture los
valores de los
parámetros Note que 
permanece
calculados, para constante y solo 
cada subconjunto, cambia
como se muestra

En Tools>Non-Linear Equation Fit Solver se abre la

hoja para ajustar ecuaciones no lineales, ahí se
copiarán los valores de Esfuerzo y de Eta, como X y Y.

•Para Hacerlo señale con el cursor los valores y rótulos

de esfuerzo y Eta, a continuación 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
Límite inferior,
Estimado y
Límite superior
para A y B

1-254
 Ejemplo1
Los valores
para los
valores Límite
y Estimación
de A y B
deberán
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
están en la
columna
Solución.
Usando esos
valores se
puede
calcular Eta
para
cualquier
nivel de
Temperatura
(Esfuerzo)

Señale y copie el recuadro para pegarlo en la hoja general. 1-256

 Ejemplo1
La Hoja
general
quedará 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 ó
valor de la
B según
celda E18
corresponda
como el
valor de B
1-258
 Fórmula
de Eyring
Ejemplo1

Fórmula
en C25

•Llene las columnas A y B como se muestra, con los valores de Temperatura

•Escriba en C25 la fórmula = (1/B25)*exp(-(A-(B/B25))), Cópiela
•El valor de Eta para una Temperatura de uso de 323 es 17933.85

Ahora se calculará 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 fórmula =EXP*(-((A47/$B$42)^$B$41)), Cópiela
1-260
A las 9,000 horas en temperatura de 323K la confiabilidad es 94.69%
 Análisis de vida acelerada
• El análisis de datos de vida acelerada se efectúa
por medio de regresión
• La regresión para vida acelerada construye un
modelo que predice tiempos de falla
• Las instrucciones en Regresión para Confiabilidad
en Vida Acelerada indican que puede aceptar
diferentes modelos de distribución y admite datos
censurados
• Minitab usa Máxima Verosimilitud para estimar los
parámetros 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 regresión simple con un solo predictor, es una
columna con los varios niveles de la variable acelerante.
(Temperatura)
• Para regresión con varios predictores ponga una columna
por predictor. Estas variables pueden ser tratadas como
factores, covariados, interacciones o términos anidados.
– Cada columna deberá estar en tal forma que cada renglón sea una observación, o una observación
con su correspondiente en una columna de frecuencias
– Las columnas de frecuencias son útiles 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 eléctricos.
Los motores normalmente trabajan entre 80° y
100°C. Para ahorrar tiempo y dinero, se decidió
correr una prueba de vida acelerada.
• Primero se obtienen tiempos de falla para el aislamiento en
temperaturas más altas - 110, 130, 150 y 170°C - para
acelerar el deterioro. Con esta información, se puede
extrapolar a 80° y 100°C. Se sabe que existe una relación
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)
están los valores de
uso normal 1-264
 Ejemplo 2
Ponga la columna
Censor, y OK

Señale
Stat>Reliability/
Survival>Acceler
ated 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
Weibull Distribution-95.0% Conf idence Interv als
Censoring Column in Censor

10.0%
Con la Gráfica 50.0%

de relación, se 100000
90.0%

puede ver la
distribución 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 regresión estima los percentiles de la distribución del
tiempo de falla: Y p =  0 +  1X + p donde: Yp = percentil p de la distribución del tiempo de falla
0 = intersección en Y (constante)
Dependiendo de la distribución, Y p= 1 = coeficiente de regresión
• ln(tiempo de falla), para Weibull, exponencial, lognormal y X = valores del predictor (pueden estar transformados)
loglogística. = parámetro de escala
1-266
p = percentil p de la distribución del error
• Tiempo de falla, para normal, valor extremo, logística
 Ejemplo 2
Probability Plot for SResids of FailureT
Extreme v alue Distribution-95.0% Conf idence Interv als
Censoring Column in Censor
Esta gráfica le
99.9
permite evaluar si 99

la distribución 95
90
80
seleccionada 70
60
50
ajusta a los datos. 40
30
En general, entre 20

más cercanos
Percent

10

estén los puntos 5

a la línea 3
2
ajustada, mejor 1

es el ajuste.

0.1

-8 -4 0

Standardized Residuals

El valor de la distribución del error p, depende de la distribución seleccionada

Para la Weibull y la exponencial, MTB toma el logaritmo de los datos y usa la
distribución de valor extremo 1-267
Regression with Life Data Ejemplo 2
Response Variable: FailureT Usted acaba de obtener una fórmula que relaciona el tiempo de falla
en función de la temperatura:
Censoring Information Count ln(tiempo de falla) = -15.1874 + 0.83072(ArrTemp) +0.35403p
Uncensored value 66
donde: p = percentil (p) de la distribución estándar de valor extremo
Right censored value 14
ArrTemp= 11604.83/ (Temp + 273.16)
Distribution: Weibull
Transformation on accelerating variable: Arrhenius

Regression Table
Standard 95.0% Normal CI
Predictor Coef Error Z P Lower Upper
Intercept -15.1874 0.9862 -15.40 0.000 -17.1203 -13.2546
Temp 0.83072 0.03504 23.71 0.000 0.76204 0.89940
Scale 0.35403 0.03221 0.29621 0.42313

Log-Likelihood = -43.64

Table of Percentiles
Standard 95.0% Normal CI
Percent Temp Percentile Error Lower Upper
50 80.0000 159584.5 27446.85 113918.2 223557.0
50 100.0000 36948.57 4216.511 29543.36 46209.94

La tabla de percentiles muestra los percentiles 50 para las temperaturas que se pusieron. El percentil
50 es una buena estimación de duración del aislamiento en el campo a 80°C, el aislamiento durará
alrededor de 159,584.5 horas o 18.20 años, a 100°C el aislamiento durará alrededor de 36,984.57 1-268
horas o 4.21 años
 Precauciones y Peligros al
determinar el Factor de Aceleración
• Al determinar el Factor de Aceleración, tenga cuidado de ser
demasiado optimista.
– Suponer un Factor muy alto puede dar un falso sentido de
seguridad.
– Podría 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
Aceleración demasiado optimista..
• La estimación de un factor demasiado optimista, puede a su
vez resultar en la aceptación 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 Función y Ambiente
3. Conducir / Interpretar Análisis 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 tamaño de muestra para cada nivel de
esfuerzo
Ejecutar, 8. Determinar donde será corrida la prueba
analizar, 9. Determinar el modelos de distribución y aceleración
e 10. Validar el sistema de medición
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 Aceleración e implantarlo
 FRACAS
FAILURE REPORTING AND
CORRECTIVE ACTION SYSTEM

1-271
Objetivo

Su principal objetivo es describir cualquier modo de falla

detectado a través de las pruebas del sistema, subsistema
o componente en evaluación a todos los involucrados de
manera fácil y rápida, así como dar a conocer las acciones
correctivas por implementarse dadas por el equipo
involucrado.

Alcance

Este sistema es una herramienta únicamente 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 Henninger’s 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
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
• Engineering Statistics Handbook, capitulo 8, en
http://www.itl.nist.gov/div898/handbook/main.htm
• Reliability and Life Testing Handbook, Vols.1 y 2, Dimitri Kececioglu, Prentice
Hall, 1991
• Reliability: For Technology, Engineering, and Management, Paul Kales, Prentice
Hall, 1998
• Reliability Methods for Engineers, K. S. Krishnamoorthi, ASQ 1992
• Reliability Statistics, Robert A. Dovich, ASQ 1990
• Software - Minitab version 12.2 (Minitab Inc) y WEIBULL 5.0 (Reliasoft)
• Otras fuentes - Mechanical Prediction Library, Reliability Tips, Brian Henninger,
Doug Kemp, Ken Zagray, Bill Wunderlin, Alex Cambon, University of Maryland
Accelerated Testing Course - Modarres

1-274
 Referencias
• Accelerated Testing , Wayne Nelson, Wiley, 1990
• Statistical Methods for Reliability Data, Meeker and Escobar, 1998
• Handbook of Reliability Engineering and Management by Ireson, Coombs, and
Moss, McGraw Hill, 1990
• How To Plan An Accelerated Life Test -- Some Practical Guidelines., Meeker and
Hahn, ASQ
• Reliability and Life Testing Handbook, Vol. 2, Dmitri Kececioglu, Prentice Hall, 1991
• Electronic Component Reliability, Finn Jensen, Wiley, 1998
• Reliability Review, ASQ
• Brian Henninger’s 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