Escolar Documentos
Profissional Documentos
Cultura Documentos
-log[1-F(t)]
10
0,1
0,01
10000
100000
TIEMPODEFA
Anlisis de Confiabilidad
Introduccin
El Anlisis de Confiabilidad de componentes, equipos y sistemas es el conjunto de
modelos matemticos y grficos que se usan para representar el comportamiento de los
sistemas y equipos y para modificar y mejorar el diseo, la operacin y el
mantenimiento de los sistemas, equipos o componentes.
La confiabilidad se define como la probabilidad de que un componente o equipo lleve
a cabo su funcin adecuadamente durante un periodo dado y bajo condiciones de
operacin constantes, un equipo es confiable cuando funciona cada vez que se requiere
y hace bien el trabajo para el cual se requiri, de otra manera se dice que el equipo es
desconfiable.
La Confiabilidad se mide calculando la probabilidad de que el equipo no falle
durante un periodo dado.
En las fases de planeacin, diseo y operacin de los sistemas de ingeniera simples y
complejos, los ingenieros pueden beneficiarse de la aplicacin de los conceptos, de los
procedimientos y de las tcnicas del anlisis de confiabilidad
El estudio de nuevas tcnicas para el anlisis de la confiabilidad de equipos y sistemas
ha suscitado un gran inters principalmente en sectores como la ingeniera, el manejo
y produccin de energa, transporte, ingeniera militar, medicina y la administracin
pblica, donde se ha observado un incremento progresivo en la aplicacin de los
estudios de confiabilidad.
En la fase de diseo, la estimacin de la confiabilidad de los equipos se realiza
mediante el uso de modelos probabilistas o mtodos de simulacin, estas estimaciones
se usan para comprobar analticamente los valores de fiabilidad o disponibilidad
especificados en la fase de diseo
En el periodo de vida operativa, las estimaciones de la confiabilidad se usan para
validar los supuestos de confiabilidad establecidos en la fase de diseo del equipo con
la informacin obtenida de su experiencia operacional.
Para realizar esta validacin, se usa una serie de medidas y ensayos que provn una
estimacin cuantitativa de la confiabilidad, estas medidas, que se calculan a partir del
histrico de mantenimiento y fallas del equipo, expresan una serie de factores tales
como: la fiabilidad esperada a lo largo del tiempo, la mantenibilidad, y los niveles de
disponibilidad del equipo durante su vida operativa.
laboratorio
la confiabilidad.
Los estudios de confiabilidad se realizan a partir de dos tipos de anlisis
1. Anlisis Tcnico de fallas para determinar la causa y la magnitud de las fallas.
2. Anlisis Estadstico de fallas que es el estudio estadstico de las fallas en el
tiempo.
Los estudios de confiabilidad se aplican a situaciones donde se requiere comprobar
analticamente los valores de fiabilidad o disponibilidad especificados con anterioridad
en el diseo y a situaciones en las cuales los criterios y datos de seguridad del
sistema se han proporcionado ya en las fases iniciales del proyecto...
La Confiabilidad en un MCC
La confiabilidad es la capacidad de un producto de realizar la funcin para
la cual fue diseado, la confiabilidad es la probabilidad de que un
producto realizar su funcin prevista sin fallas por un perodo
especificado y bajo condiciones establecidas. Un anlisis de la
confiabilidad en un equipo o un sistema incluye la realizacin de diversos
ensayos para determinar cuan confiable es el equipo o el sistema.
5
Definiciones
La confiabilidad se puede interpretar de varias formas, la confiabilidad se puede ver
como una medida con la cual un sistema conforma su comportamiento a alguna
especificacin y tambin se puede interpretar como la probabilidad de que un sistema
no haya experimentado ninguna falla dentro de un periodo de tiempo dado.
La confiabilidad se utiliza bsicamente como un criterio para describir sistemas que no
pueden ser reparados o donde la operacin continua del sistema es crtica.
Un sistema confiable
Es aquel que puede continuar funcionando aun cuando el sistema sobre el que opere no
sea confiable, aun cuando los componentes de un sistema fallen, un sistema confiable
debe seguir funcionando adecuadamente sin violar la consistencia del sistema.
La Disponibilidad.
Es la fraccin del tiempo que un sistema satisface su especificacin, es la probabilidad
de que el sistema sea operacional en un instante dado de tiempo.
El Sistema
Un sistema se refiere a un mecanismo que consiste de una coleccin de componentes y
sus interacciones con el medio ambiente que responden a estmulos que provienen del
mismo con un patrn de comportamiento reconocible, cada componente de un sistema
puede ser as mismo un sistema, llamado comnmente subsistema.
Un estado externo de un sistema se puede definir como la respuesta que un sistema
proporciona a un estmulo externo, por lo tanto, es posible hablar de un sistema que se
mueve dentro de estados externos de acuerdo a un estmulo proveniente del medio
ambiente.
La Falla
Cualquier desviacin de un sistema del comportamiento descrito en su especificacin
se considera como una falla, cada falla necesita ser rastreada hasta su causa, en un
sistema confiable los cambios van de estados vlidos a estados vlidos.
En un sistema no confiable, es posible que el sistema caiga en un estado interno el cual
no obedece a su especificacin; a este tipo de estados se les conoce como estados
errneos, las transiciones a partir de este estado pueden causar una falla.
La parte del estado interno que es incorrecta se le conoce como error del sistema,
cualquier error en los estados internos de las componentes del sistema se le conoce
como una falta en el sistema, una falta causa un error lo que puede inducir una falla del
sistema.
. Las faltas del sistema se pueden clasificar como severas (Hard) y no severas (Soft).
Las faltas severas casi siempre son de tipo permanente y conducen a fallas del sistema
severas.
Las faltas no severas por lo general son transitorias o intermitentes. Ellas inducen fallas
no severas y representan, por lo general, el 90 % de todas las fallas.
m(t) =
El nmero esperado de fallas en el intervalo [0,t] puede ser calculado como
R(t) = Ri(t)
y la de un sistema de n componentes no redundantes es
RSYS(t) = Ri(t)
La disponibilidad se establece como: A(t) = Pr{ sistema sea operacional en el tiempo t
}
Un nmero de fallas pueden haber ocurrido antes del tiempo t, pero si todas ellas han
sido reparadas, el sistema es disponible en tiempo t.
La disponibilidad se refiere a sistemas que pueden ser reparados. Si se supone que las
fallas siguen una distribucin de Poisson con una media de fallas, y el tiempo de
reparacin es exponencial con un tiempo de reparacin medio de 1/ la disponibilidad
de un estado estable del sistema se puede escribir como:
A lim A(t )
t 0
MTBF = R(t)dt
8
El MTTR est relacionado al rango de reparacin de la misma forma que el MTBF est
relacionado al rango de fallas.
Usando estas dos medidas, la disponibilidad (A) de un estado estable de un sistema
con rangos de falla y reparacin exponencial se puede especificar como
1. TIEMPO DE ENFRIAMIENTO
Es el intervalo de tiempo transcurrido desde que el equipo es
desconectado hasta el momento en que las condiciones permitan
que se ejecuten las acciones de mantenimiento
correspondiente.
2. TIEMPO DE LOCALIZACION DE LA FALLA
Tiempo empleado en la investigacin del motivo de la falla.
3. TIEMPO DE ESPERA DE MATERIALES Y EPUESTOS
Es el intervalo de tiempo utilizado en la localizacin y puesta
en sitio
4. TIEMPO ADMINISTRATIVO
Es el intervalo de tiempo empleado en los diferentes trmites para
la consecucin de los diferentes recursos necesarios para
la ejecucin de la accin.
5. TIEMPO DE REPARACIN PROPIAMENTE DICHA
Es el intervalo de tiempo utilizado en la ejecucin de la accin
de mantenimiento.
6. TIEMPO DE ARRANQUE, PRUEBAS Y CALENTAMIENTOS
Es el intervalo de tiempo utilizado en preparar el SP para ser
entregado al grupo de operaciones, despus que todos los trabajos
han concluido y no existen ms
Todas las polticas de mantenimiento deben estar enfocadas hacia el
mejoramiento de la mantenibilidad mediante la reduccin al mnimo de
los tiempos descritos anteriormente, esta reduccin se consigue con
planes y programa ptimos, la utilizacin de mano de obra calificada,
un conocimiento integral del funcionamiento del Sistema de
Produccin a mantener, una adecuada descripcin de los
procedimientos de ejecucin, la eliminacin al mnimo de los trmites
administrativos, un buen apoyo logstico, un adecuado stock de
materiales, repuestos, instrumentos, herramientas y equipos necesarios
para ejecutar el mantenimiento
2. Probabilidad de Supervivencia
Es el complemento de la probabilidad de falla y expresa la
probabilidad de que el equipo sobreviva un tiempo t.
Ps(t) = 1- Pf(t).
3. Rata de Fallas
La rata de fallas o la frecuencia de ocurrencia de las fallas se definen como
la probabilidad inmediata de un equipo al llegar a t horas de operacin.
r(t) = p(t)/Ps(t)
Donde p(t) es el valor de la funcin de intensidad de fallas en el tiempo t ,
y Ps(t) es la probabilidad de supervivencia en el tiempo t.
Usualmente r(t) se expresa en nmero de fallas por hora o por dia.
r(t) = p(t)/Ps(t) =
= - ln(Ps(t))
Ps(t) =
11
e-rt
Durante
el
periodo
normal
la
probabilidad
de
supervivencia(Confiabilidad) est caracterizado por una distribucin
exponencial, en este periodo la probabilidad de que el equipo sobreviva la
media del tiempo entre fallas (MTEF) es de 0.368.
12
Efectividad de Sistemas
La Disponibilidad, la Confiabilidad, la Mantenibilidad y la Capacidad son los
componentes de la de efectividad de los sistemas, un estudio de la efectividad
del proceso consiste en determinar cules de estos componentes de la
efectividad influyen negativamente en la valoracin del desempeo, en
muchas plantas con procesos continuos la confiabilidad de un componente es
el factor ms importante en la determinacin del desempeo de toda la planta.
La Eficiencia est definida mediante una ecuacin que es el producto de estos
cuatro componentes, estos cuatro componentes de la eficiencia varan
aleatoriamente.
E = D*C*M*CA
Eficiencia = Disponibilidad* Confiabilidad* Mantenibilidad *Capacidad
La eficiencia es el producto de:
Disponibilidad:
La oportunidad del equipo o sistema de estar disponible para desempear su
trabajo,
Confiabilidad
El equipo i operar por un tiempo dado sin falla.
Mantenibilidad
El equipo es reparado sin prdidas excesivas de tiempo de Mantenimiento
Capacidad
El equipo puede desempear su actividad productiva para la cual fue
creado, de acuerdo a estndares determinados.
13
La Disponibilidad A de la Efectividad
La Disponibilidad Aes una medida de lo frecuente que el sistema est en
buen estado bien y listo para prestar el servicio y se expresa como:
(tiempo en servicio)/(tiempo en servicio + tiempo en parada), a medida
que la disponibilidad crece, la capacidad de produccin aumenta, pues el
equipo est en servicio un mayor porcentaje de tiempo.
El MTTR se puede utilizar en una prediccin de la confiabilidad para
calcular la disponibilidad de un producto o de un sistema.
La disponibilidad es la probabilidad que un producto est en un estado
operable en cualquier momento, y est basado en una combinacin del
MTBF y del MTTR, la Disponibilidad se describe en trminos
cuantitativos como: tiempo en lnea, tiempo de factor de corrida, y falta
de paradas y frecuentemente se utilizan tres ecuaciones para expresar la
disponibilidad:
1. Disponibilidad Inherente, tal como es considerada por el personal de
Mantenimiento, no incluye las paradas por Mantenimientos
Preventivos, las demoras en suministros, y las demoras
administrativas, y es definida como:
AI = MTBF/(MTBF + MTTR)
14
La Confiabilidad de la Efectividad
La Confiabilidad R se define como la probabilidad de tener una
operacin sin fallas, durante un intervalo de tiempo dado, y es expresada
como:
R(t) = exp(-t/MTBF) = exp(-t)
(X 0,001)
15
12
Densidad
Funcion de Densidad
Distribution
Exponential
Lognormal
Normal
Weibull (3-Parameter)
9
6
3
0
0
30
60
FA LLA S
90
16
120
150
180
P O RC E N TA JE AC U M U L A D O
Weibull
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
1000
10000
DATA
100000
o el equivalente
ln [1/ 1-F(t)] = t
17
Exponential Probabilidad
18000,00
{G}
T im e
15000,00
12000,00
9000,00
6000,00
0,00
0,88
1,75
2,63
3,50
Exponential Quantile
L n ( T im e )
9,80
{G}
9,50
9,20
8,90
8,60
-2,00
-1,00
0,00
1,00
2,00
Lognormal Quantile
18
ln(1-F(t)) = -(t/)
19
GRAFICA WEIBULL
PORCENTAJE ACUMULADO
99,9
99
90
70
50
30
20
10
5
MLE
FORMA= 3,160
ESCALA=27718
LOCAELIZACION=0.0
1
0,5
0,1
1000
10000
100000
TIEMPO DE FALLAS
t
1
2 0,69
3
-9,2
0 0,69
-6,4
1,1 0,01
1,1
-4,8
-3,7 0,9
-2,8 0,8
-2 0,7
-1,4 0,6
-2
-0,9
2,2 0,48
2,2
-0,4
0,5
-4
10
2,3 0,63
2,3
11
2,4 0,77
2,4
0 0,4
0,4 0,3
-6
0,7 0,2
1
0,1
1,3
0
1,6
16 2,77
1,9
Weibull Linealizado
-8
-10
0
0,5
1,5
2,5
Se usa el EXCEL para generar 20 observaciones del tiempo de falla en horas segn una
distribucin de Weibull con un factor de forma = 1.5 y un 500.
El periodo de prueba es de T = 500 obtenemos hasta 10 observaciones que se producen
antes de este tiempo (500 horas), estas observaciones son: 54, 187, 216, 240, 244, 335,
361, 373, 375, y 386.
SOLUCION:
Se elabora la grafica de la CDF basada en un estimado de estos tiempos de falla y luego
se construye una grafica de probabilidad con nuestro propio papel Weibull
21.657
23.03
23.23
24.05
24.321
25.5
25.52
25.8
26.69
26.77
26.78
27.05
27.67
29.9
31.11
33.2
33.73
33.76
33.89
34.76
35.75
35.91
36.98
37.08
37.09
39.58
44
45
(i-.5)/ 30.2
PA PEL WEIBULL
Lineal (ln(1/ (1-F(t)))
ln(1/ (1-F(t))
4
3.5
3
ln ( 1 /(1 - F (t ) )
20.8
F(t)
ln(1/(1-F(t))
0.016694879
0.050944802
0.086409511
0.123178359
0.161350932
0.201038681
0.242366876
0.285477
0.330529664
0.377708224
0.427223289
0.479318401
0.534277285
0.592433205
0.654181212
0.719994431
0.790446092
0.866239931
0.948253083
1.037598183
1.135716039
1.244518899
1.366621596
1.505734398
1.66737575
1.860279416
2.099509105
2.414590151
2.877213673
3.764516868
2.5
2
1.5
1
TIEMPO DE FALLA
0.5
0
-0.5
15
20
25
30
35
40
45
50
-1
PA PEL
WEIBULL
ln(1
/ (1-F(t))
(i-.5)/ 30.2
4
3.5
3
ln (1 /(1 -F (t))
18.83
F(t) Estimada
(i-.5)/30.2
0.016556291
0.049668874
0.082781457
0.11589404
0.149006623
0.182119205
0.215231788
0.248344371
0.281456954
0.314569536
0.347682119
0.380794702
0.413907285
0.447019868
0.48013245
0.513245033
0.546357616
0.579470199
0.612582781
0.645695364
0.678807947
0.71192053
0.745033113
0.778145695
0.811258278
0.844370861
0.877483444
0.910596026
0.943708609
0.976821192
2.5
2
1.5
1
TIEMPO DE FALLA
0.5
0
-0.5
11
16
21
26
-1
ln-ln1-F(x) = (x-)/
Con la funcin F(t), para cada valor de t determinamos el par (t, y), si la data es
consistente con una Distribucin de valores Extremos-Tipo I para mnimo, los punto
s (pares) graficados deben caer sobre o muy cerca de la lnea recta con pendiente 1e
intercepto
21
31
La Grafica PPCC
La grafica de probabilidad del coeficiente de correlacin (PPCC) es una
tcnica grafica que se utiliza para identificar y estimar el valor del parmetro de
forma de la distribucin que mejor describe una data.
Esta tcnica es apropiada para distribuciones como la de Weibull que son
definidas por un parmetro de forma, por un parmetro de localizacin y por un
parmetro de escala y no es apropiada para distribuciones como la normal que
son definidas solamente por un parmetro de escala y por un parmetro de
localizacin.
El grafico PPCC se construye de la siguiente manera:
1. Se determinan el coeficiente de correlacin asociados a la grafica de
probabilidad para cada valor de una serie de valores del parmetro de
forma.
2. Se grafican los valores de los coeficientes vs. los valores de los
parmetros de forma correspondientes.
3. Se hace corresponder el valor ptimo del parmetro de forma al mximo
valor del coeficiente de correlacin.
4.
Se usa el grafico PPCC para determinar un buen parmetro de forma y con este
parmetro se construye el grafico de probabilidad para estimar los parmetros de
localizacin y de escala de la distribucin.
La PPCC se usa para determinar la distribucin o la familia de la distribucin
que ajusta adecuadamente una data, para la data de un estudio de confiabilidad
se generaran graficas PPCC para distribuciones de Weibull, Lognormal,
Gamma, o de Gumbell y se determina cual de estas distribuciones provee el
mejor valor del parmetro de forma y se determina cual de estas distribuciones
provee la mxima probabilidad de los coeficientes de correlacin, esta ser la
distribucin que mejor ajusta la data
La Data
18.830
20.800
21.657
23.030
23.230
24.050
24.321
25.500
25.520
25.800
26.690
26.770
22
26.780
27.050
27.670
29.900
31.110
33.200
33.730
33.760
33.890
34.760
35.750
35.910
36.980
37.080
37.090
39.580
44.045
45.290
45.381
23
ANALISIS GRAFICO
1-. Histograma
El primer paso de este estudio grafico es la construccin y anlisis del histograma
de frecuencia de la data.
Histograma de Tiempo de Fallas
Frecuencia
6
4
2
0
17
22
27 32 37 42 47
(X 1000)
Tiempos de Fallas
Proporcion
18
23
28
33
Tiempos de Falla
38
43
48
(X 1000)
Lognormal,
Gamma
Aplicacin
Se usara la distribucin de Weibull con los valores de los parmetros de forma,
escala y localizacin estimados para calcular el tiempo para el cual han fallado
el: 1%, 2%, 95%, 97 y 99%. de los equipos.
2
TIEMPO vs PROBABILIDAD
1
0,8
Probabilidad
PERCENTAJE
0.01
0.02
0.95
0.97
0.99
0,6
0,4
0,2
0
2
2,5
3,5
TIEMPO (horas)
4,5
5
(X 10000)
Conclusiones
A partir de graficas de probabilidad y de la grafica del Coeficiente de
Correlacin de la recta de Probabilidad (PPCC) de la funcin de Weibull
podemos arribar a las siguientes conclusiones:
1. El valor del parmetro gamma que proporciona un mayor probabilidad en
el grafico de probabilidad normal es de = 2.13
2. Para un valor optimo del parmetro de forma , el valor de la PPCC es de
0.988
3. Para un valor optimo del parmetro de forma, el estimado del parmetro
de localizacin es 15.90 y el estimado del parmetro de escala es 16.92.
4. Ajustando el valor del estimado de gamma alrededor de 2 a 2.12 se
obtiene un mnimo impacto sobre el valor la PPCC.
Se pueden usar como graficas alternativas para realizar este anlisis en lugar de
las graficas las graficas de probabilidad y de la grafica PPCC, las graficas de
densidad de Weibull y la grafica de riesgo Weibull.
Estos dos procedimientos, especialmente el grafico de Weibull, son comnmente
usados, ambos asumen que el parmetro de localizacin es cero y por lo tanto se
ajusta una distribucin de Weibull de 2 parmetros en lugar de una Weibull de
tres parmetros pero tiene la ventaja de que los procedimientos estn muy bien
elaborados para trabajar tanto con data censurada como con data no censurada.
-lo g [1 -F (t)]
FORMA = 4,635
ESCALA = 33.674,2
0,1
0,01
10000
100000
TIEMPODEFA
Funcin de riesgo
9E-4
8E-4
7E-4
6E-4
10
h
(x)
H
(x)
4
2
0
0
20000
40000
5E-4
4E-4
3E-4
2E-4
1E-4
0
0
20000
40000
S(x)
Funcin de s upervivencia
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
20000
40000
x
Weibull (4,6; 3,37E+4)
f(x )
20000
40000
x
Weibull (4,6; 3,37E+4)
F(x)
20000
40000
x
Weibull (4,6; 3,37E+4)
Grfico de probabilidad
El grfico de probabilidad es una tcnica grfica, utilizada para contrastar la
distribucion que ajusta adecuadamente a un conjunto de datos, permite comparar la
distribucin emprica de una muestra de datos, con una distribucin teorica.
El grafico de probabilidad es un caso particular de grfico de probabilidad.
La idea bsica consiste en representar, en un mismo grfico, los datos empricos
observados, frente a los datos que se obtendran en una distribucin terica.
Si la distribucin de la variable es del tipo de la distribucin considerada, los puntos
quedarn cerca de una lnea recta.
Es frecuente observar una mayor variabilidad (separacin) en los extremos.de la grafica,
el grfico de probabilidad normal es un caso especial de grfico de probabilidad.
Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q, la
diferencia radica en que en los grficos P-P se confrontan las proporciones acumuladas
de una variable, con las de una distribucin teorica
Los grficos Q-Q se obtienen de modo anlogo, esta vez representando los cuantiles
respecto a los cuantiles de la distribucin teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme,
Weibull, Lognormal, Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de seleccin de la distribucin que mejor
Uniforme
10
Lognormal
99,9
80
PORCENTAJE ACUMULADO
99
60
40
20
0
95
80
50
20
5
1
0.1
10000
18 23 38 4
DAT (X10,)
100000
DATA
ajusta a la data.
Weibull
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
1000
10000
DATA
100000
PORCENTAJE ACUMULADO
VAORES EXTREMOS
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
-6
14
24
DATA
34
44
54
(X 1000,0)
Logistica
PORCENTAJE ACUMULADO
99,9
99,5
99
95
90
70
50
30
10
5
1
0.5
0.1
0
3
DATA
6
(X 10000,0)
anlogo, esta vez representando los cuantiles respecto a los cuantiles de la distribucin
normal.
Uniforme
PORCENTAJE ACUMULADO
100
80
60
40
20
0
18
23
28
33
DATA
99
99
95
95
80
80
PO
R
CEN
T
A
JEA
C
U
M
U
LA
D
O
99,9
P
O
R
C
E
N
T
A
JE
A
C
U
M
U
L
A
D
O
50
20
5
1
0.1
23
28
33
DATA
43
48
(X 1000,0)
Lognormal
Normal
99,9
18
38
38
43
50
20
5
1
0.1
10000
48
(X 1000,0)
100000
DATA
10
P O RC E N TAJE AC U M U L AD O
Weibull
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
1000
10000
DATA
100000
VAORES EXTREMOS
99,9
99
90
70
50
30
20
10
5
1
0.5
0.1
-6
14
24
DATA
34
44
54
(X 1000,0)
Si la tasa de mortalidad vare en funcin del tiempo transcurrido desde el comienzo del
estudio, en este caso, un modelo muy utilizado, es el de Weibull que se representa
como:
11
1-.Ejemplo
El objetivo de este anlisis es determinar un modelo de distribucin para ajustar
adecuadamente la Data y calcular estimaciones de la supervivencia.
DATA
18.830
20.800
21.657
23.030
23.230
24.050
24.321
25.500
25.520
25.800
26.690
26.770
26.780
27.050
27.670
29.900
31.110
33.200
33.730
33.760
33.890
34.760
35.750
35.910
36.980
37.080
37.090
39.580
44.045
45.290
45.381
12
Distribuciones consideradas
Se analizaron los datos mediante el mtodo descrito anteriormente para los siguientes modelos de
distribucin:
1. Distribucin normal
2. Distribucin Exponencial
3. Distribucin de Weibull
4. Distribucin lognormal
Grfico de probabilidad
El grfico de probabilidad es una tcnica grfica, utilizada para contrastar la distribucion que ajusta
adecuadamente a un conjunto de datos, permite comparar la distribucin emprica de una muestra de datos,
con una distribucin teorica..
Es un caso prticular de grfico de probabilidad.
La idea bsica consiste en representar, en un mismo grfico, los datos empricos observados, frente a los
datos que se obtendran en una distribucin terica.
Si la distribucin de la variable es del tipo de la distribucin considerada, los puntos quedarn cerca de una
lnea recta.
Es frecuente observar una mayor variabilidad (separacin) en los extremos.de la grafica, el grfico de
probabilidad normal es un caso especial de grfico de probabilidad.
Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q, la diferencia radica en
que en los grficos P-P se confrontan las proporciones acumuladas de una variable, con las de una
distribucin teorica
Los grficos Q-Q se obtienen de modo anlogo, esta vez representando los cuantiles respecto a los
cuantiles de la distribucin teorica.
Se presentan las graficas de probabilidad para las distribuciones: Normal, Uniforme, Weibull, Lognormal,
Gumbell, Exponencial y Logistica de la data considerada.
El examen de estas graficas ayuda al proceso de seleccin de la distribucin que mejor ajusta a la data.
GRAFICA DE SUPERVIVENCIA
1,000
Normal
Uniforme
99,9
0,4
0,2
0
0
80
Exponencial
60
Lognormal
Normal
Weibull (3-Parameter)
Weibull -3p
PO
R
CEN
T
A
JEA
CU
M
U
LA
D
O
P
O
R
C
E
N
T
A
JEA
C
U
M
U
L
A
D
O
Probabilidad Acumulada
0,6
40
20
0 30
18
1
60
23
PROB SUPERVIVENCIA
95
CDF
1
0,8
16
90
FALLAS
28
120
33
DATA
150
38
43
50
20
48
(X 1000,0)
12
0,500
Grafica de Probabilidad
5
1
0,8
0,6
0,2
0
18
0,250
23
0,4
0.1
180
Exponencial
Lognormal
Normal
Weibull
P robabilidad A cumulada
80
Histograma de Fallas
0,750
99
F
re
c
u
e
n
c
ia
100
Exponencial
Gumbell
Lognormal-3p
0,000
0
Normal
15000,0 26250,0 37500,0
60000,0
0 Weibull-3p
40 48750,0
80
120
160
260
28
300
33
DATA
340
38
380
Fallas
43
420
48
(X 1000,0)
DATA WEIBU
LL
FALLAS
460
500
200
Quantile-Quantile Plot
500
Distribution
Exponential
Lognormal
Normal
Weibull (3-Parameter)
FALLAS
400
300
200
100
0
0
(X 0,001)
15
Densidad
12
100
200
300
Exponential distribution
400
500
Funcion de Densidad
Distribution
Exponential
Lognormal
Normal
Weibull (3-Parameter)
9
6
3
0
0
30
60
FALLA S
90
120
150
180
Exponencial
PORCENTAJE ACUMULADO
99,9
99,5
99
95
90
80
70
50
0.1
0
4
DATA
8
(X 10000,0)
Confiabilidad y Supervivencia
Paramtricas
1. Modelos paramtricos usados en los estudios de Confiabilidad y
Supervivencia
2. El nivel de significacin P (o P valor)
3. Las pruebas de ajuste: Chi-cuadrado, Kolmogorov-Smirnov y
Anderson-Darling.
4. Contrastes de hiptesis.Comparacinentre mtodos paramtricos y
no paramtricos.
5. Los modelos: exponencial,Weibull ylognormal.
6. Ajuste de datas a la distribucin Weibull, a la distribucin
exponencial ya la distribucin lognormal.
H a z a rd R a te
{G}
0,001
0,001
0,000
0,000
0,0
5000,0
10000,0
15000,0
20000,0
TIEMPOSUP
Mtodosparamtricos en
Los estudios de Confiabilidad y Supervivencia
Si se asume como conocida la funcin de probabilidad que gobierna la variable tiempo
de vida y si las pruebas de bondad de ajuste muestran que la asuncin del tipo de
funcin de probabilidad que gobierna la variable tiempo de vida es aceptable, entonces
se pueden usar mtodos paramtricos para estudiar la supervivencia
El procedimiento paramtrico consiste en estimar, con el mtodo de mxima
verosimilitud, los parmetros caractersticos de la funcin de distribucin de
probabilidades del tiempo de supervivencia, y usar la distribucin determinada para
estudiar el comportamiento de las funciones de supervivencia y realizar contrastes de
hiptesis sobre ellas.
Las pruebas de bondad de ajuste se realizan con prueba ji-cuadrado, con la del logaritmo
del cociente de verosimilitudes.
Las pruebas de ajuste comnmente utilizadas son las siguientes:
1. Prueba Chi-cuadrado de bondad de ajuste.
4
Hiptesis
Ho
Ha:
Estadstica
de prueba
Para calcular el estadstico de bondad de ajuste (Chicuadrado), los datos se dividen en k cajas y la
estadstica del ensayo se define como
dnde
es la frecuencia observada de la clase i y
Ei es la frecuencia esperada de la clase i.
La frecuencia esperada se calcula por
la muestra.
Regla de Decisin:
Se acepta H0 cuando
La regin crtica
La regin crtica estar situada en el extremo superior de la distribucin Chi-cuadrado con
k-1 grados de libertad.
La
prueba de Kolmogorov-Smirnov.
Caractersticas de la prueba
La prueba de KolmogorovSmirnov es una prueba de bondad de ajuste que permite
determinar si razonablemente las mediciones mustrales provienen de una poblacin
que tiene esa distribucin de probabilidad terica
La prueba de una muestra de K-S puede en todos los casos en que se aplique ser ms
poderosa que su prueba alternativa, la prueba de 2
La prueba compara la distribucin de frecuencia acumulativa de la distribucin terica
con la distribucin de frecuencia acumulativa observada determinando el punto en el
que estas dos distribuciones muestran la mayor divergencia.
Hiptesis
Ho: La distribucin observada se ajusta a la distribucin terica.
H1: La distribucin observada no se ajusta a la distribucin terica.
Estadgrafo de prueba
Para dos colas el estadstico de prueba viene dado por
Regla de Decisin
Si Dn+ > W1-
Rechazamos Ho o si
Si Dn- < W
Rechazamos Ho
LA PRUEBA ANDERSON-DARLING
La prueba Anderson-Darling se utiliza para comprobar si una muestra de los datos
proceden de una poblacin con una distribucin especfica.
La prueba A-D es una prueba alternativa de las pruebas Chi-cuadrado y la de
Kolmogorov-Smirnov, se trata de una modificacin de la prueba Kolmogorov-Smirnov
(KS) que le da ms peso a las colas que la prueba de KS.
En la prueba KS los valores crticos no dependen de la distribucin que se esta poniendo
a prueba, en la prueba Anderson-Darling para el clculo de valores crticos se hace uso
de la distribucin que se esta poniendo a prueba, lo que permite tener una prueba ms
sensible
Los valores crticos en la prueba A-D debern calcularse para cada distribucin y se
dispone
de las tablas de valores crticos para la normal, lognormal, exponencial, Weibull y las
del valor extremo de tipo I y tipo II
La prueba Anderson-Darling se define como:
Hiptesis
H 0: Los datos siguen una distribucin especificada.
H a:
Los datos no siguen la distribucin especificada
Estadstico
El estadstico de prueba
de prueba como:
de Anderson-Darling se define
A2 = N S
S
i 1
( 2i 1)
ln F (Yi ) ln(1 F (YN
N
1 i ))
Regla de decisin
El estadstico de la prueba se compara con las distribuciones del estadstico de prueba:
A2 > F para determinar el P-valorde la prueba.
Regin crtica:
Los valores crticos para la prueba de Anderson-Darling dependen de la distribucin
especfica que se est probando.
Solucin
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si la data:
LOGNORMAL puede ser adecuadamente modelada con una distribucin lognormal
La data LOGNORMAL presenta 121 valores
El rango de valores es de 2 hasta 35
Una lognormal con: Media 11,3259 y Desviacin Estndar 5,45928
rea bajo 9,04463 = 0,396064
rea bajo 10,1752 = 0,497662
rea bajo 11,3058 = 0,588879
rea bajo 12,4364 = 0,667559
rea bajo 13,5669 = 0,733538
El Test Chi -Cuadrado reparte la data en varios intervalos y compara el nmero de
observaciones con el nmero de observaciones esperadas si la distribucin de la data
fuese una distribucin lognormal
Bondad de Ajuste para la data: LOGNORMAL
Chi-Cuadrado Test
Inferior
Superior
Observada
9
Esperada
Limite
Limite
Frequen
Frequen
Chisquare
Debajo de 5,0
10,0
56
51,20
0,45
10,0
15,0
35
38,47
0,31
15,0
20,0
12
15,62
0,84
Sobre
20,0
8
8,52
0,03
Chi-Square = 2,74254 con 2 d.f. P-Value = 0,253785
.
Estadstica Estimada de Kolmogorov DPLUS = 0.0792284
Estadstica Estimada de Kolmogorov DMINUS = 0.0861148
Estadstica Estimada de Kolmogorov GLOBAL = 0.0861148
P-Valor Aproximado = 0.33146
El Test Kolmogorov-Smirnov determina el estadstico para la mxima y la mnima
distancia entre la distribucin acumulada de LOGNORMAL y la CDF de la distribucin
terica lognormal, la mxima distancia es 0.0861148., el menor valor de P-valor es
0.253785
Por ser el P-valor mayor o igual a 0.10, no podemos rechazar la hiptesis de que
Tiempos de Fallas provenga de una distribucin Normal con un 90% o ms de
confianza, para este caso aceptamos la hiptesis alternativa de que la variable
LOGNORMAL se ajusta a una distribucin lognormal.
10
S (t)=0,5 y
11
Debido a la censura, sin una buena conjetura sobre el valor de uno de los parmetros,
cualquier test planeado posiblemente falle, con un parmetro conocido es posible
desarrollar un test aceptable para los tiempos de fallas.
Siempre es posible establecer una buena conjetura sobre el valor de uno de los
parmetros, generalmente esta conjetura se establece sobre el parmetro de forma (para
la Lognormal)
Se disea un plan de muestreo que tome n unidades bajo prueba por T horas
consecutivas y acepte el lote de n unidades si fallan r unidades o menos.
Para desarrollar este test se supone que la distribucin de los tiempos es Lognormal, que
es conocida de pruebas anteriores y no varia de lote a lote y que la Confiabilidad del
lote varia porque T50 (la mediana lognormal del 50avo percentil) difiere de lote a lote.
El mximo valor del factor de aceleracin es A, el valor de Tu, se determina con la CDF
y es la probabilidad (Ho) de que sobreviva 100,000 horas.
El factor de aceleracin A se usa para calcular una proporcin de fallas buena o
aceptable pa y una proporcin de fallas mala o inaceptable
Tu = 1000.000 e- (p0 )
donde es la inversa de la distribucin normal estndar.
El factor de aceleracin A se usa para calcular una proporcin de fallas aceptable p a y
una proporcin de inaceptable referida como pb:
12
{G}
Hazard Fn
2,625
1,750
0,875
0,000
6000,0
9000,0
12000,0
15000,0
18000,0
TIEMPOSUP
{G}
Hazard Rate
0,001
0,001
0,000
0,000
0,0
5000,0
TIEMPOSUP
Lognormal Probabilidad
9,80
{G}
9,50
Ln(Time)
Survival
0,750
0,500
0,250
0,000
6000,0
{G}
9,20
8,90
9000,0
8,60
-2,00
TIEMPOSUP
-1,00
0,00
1,00
Lognormal Quantile
Modelo Exponencial
13
2,00
Estadstica descriptiva
Estadstica
Valor
Percentil
Valor
Tamao de la muestra
40
Min
10
Rango
1190
5%
15,25
Media
261,15
10%
23,0
Varianza
70449,0
25% (Q1)
53,25
Desviacin estndar
265,42
50% (Mediana)
161,5
Coef. de variacin
1,0164
75% (Q3)
446,25
Error estndar
41,967
90%
601,9
Asimetra
1,6021
95%
886,5
Curtosis
3,0049
Max
1200
14
Densidad
0,003
0,001
0,001
0,001
0,001
Densid
ad
0,385
0,237
0,146
0,090
0,055
650
780
910
1040
1170
780
910
1040
1170
1300
Distribucin
1 Exponencial
0
1
0
0
1
0,000
0,026
0,000
0,000
0,026
0,000
0,000
0,000
0,000
0,000
0,034
0,021
0,013
0,008
0,005
Parmetros
=0,00383
Kolmogorov
Smirnov
Anderson
Darling
Chi-cuadrado
Estadstica
Rango
Estadstica
Rango
Estadstica
Rango
0,09134
0,37797
1,5225
Anlisis Estadstico
Se presentan los resultados de las pruebas estadsticas para determinar si la data puede
ser adecuadamente modelada por una distribucin exponencial.
La prueba Chi-cuadrada divide la data en 6 intervalos y compara el nmero de
observaciones en cada clase con el nmero de observaciones que se espera sobre la
base de la distribucin exponencial.
La prueba Kolmogorov-Smirnov computa la mxima distancia entre la distribucin
acumulativa y la data y la mxima distancia entre la data y la distribucin
exponencial
15
Prueba de Kolmogorov-Smirnov:
D
p-valor
Alfa
0,085
0,929
0,05
Interpretacin de la prueba:
H0: La muestra sigue una distribucin Exponencial
Ha: La muestra non sigue una distribucin Exponencial
Como el p-valor calculado es mayor que el nivel de significacin alfa=0,05, se puede
aceptar la hiptesis nula H0.
El riesgo de rechazar la hiptesis nula H0 cuando es verdadera es de 92,85%.
Funcin de supervivencia
1
0,9
0,9
0,8
0,8
0,7
0,7
0,6
F(x)
0,5
0,5
0,4
0,4
0,3
0,3
0,2
0,2
0,1
0,1
0
0
0
200
400
600
800
1000
1200
200
400
600
Muestra
800
1000
1200
x
Muestra
Exponential
Exponential
Probabilidad-Probabilidad
1
0,9
0,8
0,7
0,6
P (Modelo)
S(x)
0,6
0,5
0,4
0,3
0,2
0,1
0,1
0,2
0,3
0,4
0,5
0,6
P (Emprico)
Exponential
16
0,7
0,8
0,9
Parametro de Forma-B
El parametro de forma de la funcin de densidad de esta distribucin, el rango de
variacin tpica de este parmetro es entre 0.5 y 8.0. y el valor ms comn es 2.0.
Una de las razones del amplio uso de esta distribucin es que ella incluye otras
distribuciones como casos especiales de Weibull para distintos valores del parmetro de
forma B, as si:
.
B = 1 La distribucin Weibull es idntica a la distribucin exponencial.
B = 2 La distribucin Weibull es idntica a la distribucin Rayleigh.
B = 2.5 La distribucin Weibull se aproxima a la distribucin lognormal.
B = 3.6 La distribucin Weibull se aproxima a la distribucin normal
Parmetro de Escala - C
El parmetro C de escala controla la escala de la funcin de densidad Weibull en el eje
de la variable tiempo, un cambio en este parmetro tiene el mismo en la distribucin
como un cambio de escala de tiempo sin cambiar la forma original de la distribucin. El
parmetro C es conocido como la vida caracterstica de la poblacin que sigue la
Weibull.
Parmetro de Localizacin - D
El parmetro D de localizacin es el valor mnimo de la variable aleatoria t, cuando D
es cero tenemos la Weibull de dos parmetros.
Si la variable aleatoria t sigue una distribucin de Weibull, entonces la variable x = ln(t) sigue
una distribucin de Valores Extremos
La distribucin Weibull de dos parmetros se utiliza extensivamente en el desarrollo de modelos
de confiabilidad, ella presenta una gran flexibilidad a la hora de crear modelos de varios tipos de
comportamiento de riesgo, es fcilmente manejable algebraicamente, como toda distribucin de
dos parmetros puede describir bastante bien muchas situaciones reales.
Adems, como la distribucin Weibull es una distribucin de valores extremos, si se considera
que un dispositivo puede fallar debido a alguna de varias causas posibles, el primer mecanismo de
falla que ocurra (tiempo mnimo hasta su aparicin) determina la falla del dispositivo, por lo
tanto, el tiempo de falla es el valor mnimo de un conjunto, y debe ser representado utilizando una
distribucin de la clase de distribuciones de valores extremos
Las variables aleatorias no negativas como es el caso del tiempo de vida de un equipo tienen a la
distribucin Weibull de dos parmetros como una buena representante, la distribucin Weibull
hace una interpretacin fsica bastante verosmil de los tiempos d e falla de los equipos
17
industriales.
= ctes > 0
x ( 1)
(
) exp( ((x )/) )
x ; , 0
18
=0 y
x 0 0
DENSIDAD DE WEIBULL
2
Forma,Escala
0,5,1
1,1
2,1
5,1
D
EN
SID
A
D
1,6
1,2
0,8
0,4
0
0
x 0 ; 0
19
P ro b. Acum ulada
Weibull Acumulada
1
Forma,Escala
0,5,1
1,1
2,1
5,1
0,8
0,6
0,4
0,2
0
0
10
x 0; g > 0
Forma,Escala
0,5,1
1,1
2,1
5,1
Riesgo
80
60
40
20
0
0
20
R IE S G O R IE S G O A C U M U L A D O
15,000
{G}
11,250
7,500
3,750
0,000
15000,0
26250,0
37500,0
48750,0
60000,0
TIEMPO DE FALLA
S(x) = exp-(x)
Prob. Supervivencia
Supervivencia Weibull
1
Forma,Escala
0,5,1
1,1
2,1
5,1
0,8
0,6
0,4
0,2
0
0
10
Prob. logSupervivencia
Weibull Distribucin
3
Forma,Escala
0,5,1
1,1
2,1
5,1
-7
-17
-27
-37
0
10
15
8.223
2.230
2.920
0.761
1.064
0.836
3.810
0.968
4.490
0.186
2.634
1.624
0.333
1.514
2.782
4.778
1.507
4.025
1.064
3.246
0.406
2.343
0.538
5.088
5.587
0.517
1.458
0.234
1.401
0.685
2.330
0.774
3.323
0.294
1.725
2.563
0.023
3.334
3.491
1.267
0.511
0.225
2.325
2.921
1.702
Estadstica descriptiva
Estadstica
Valor
Percentil
Valor
Tamao de la muestra 50
Min
0,023
Rango
8,2
5%
0,20745
Media
2,2679
10%
0,2979
Varianza
3,7343
25% (Q1)
0,742
Desviacin estndar
1,9324
Coef. de variacin
0,85207
75% (Q3)
22
3,2652
6.426
3.214
7.514
0.334
1.849
Error estndar
0,27329
90%
5,057
Asimetra
1,2494
95%
6,9156
Curtosis
1,4013
Max
8,223
Kolmogorov-Smirnov
Tamao de la muestra
Estadstica
Valor P
Rango
Valor crtico
Rechazar?
50
0,06894
0,95823
10
0,2
0,1
0,05
0,02
0,01
No
No
No
No
0,1
0,05
0,02
0,01
2,5018
3,2892
3,9074
No
No
No
No
0,1
0,05
0,02
0,01
11,07
13,388
15,086
No
No
Anderson-Darling
Tamao de la muestra
Estadstica
Rango
Valor crtico
Rechazar?
50
0,17848
7
0,2
1,3749 1,9286
No
Chi-cuadrado
Grados de libertad
Estadstica
Valor P
Rango
Valor crtico
Rechazar?
5
1,5277
0,90985
16
0,2
7,2893 9,2364
No
No
La siguiente muestra de tamao 50 ha sido obtenida de una poblacin que registra la vida til
(en unidades de tiempo) de bateras alcalinas tipo AAA. Prubese la hiptesis nula de que
la variable aleatoria vida til de las bateras sigue una distribucin exponencial negativa.
Considrese un nivel de significancia alfa de 5%.
8.223
2.230
2.920
0.761
1.064
0.836
3.810
0.968
4.490
0.186
2.634
1.624
0.333
1.514
2.782
4.778
1.507
4.025
1.064
3.246
0.406
2.343
0.538
5.088
5.587
0.517
1.458
0.234
1.401
0.685
2.330
0.774
3.323
0.294
1.725
2.563
0.023
3.334
3.491
1.267
0.511
0.225
2.325
2.921
1.702
6.426
3.214
7.514
0.334
1.849
Solucin
La tabla presenta las estadsticas de la data tiempo de vida
Estadstica descriptiva
Estadstica
Valor
Percentil
Valor
Tamao de la muestra
50
Min
0,023
Rango
8,2
5%
0,20745
Media
2,2679
10%
0,2979
Varianza
3,7343
25% (Q1)
0,742
Desviacin estndar
1,9324
Coef. de variacin
0,85207
75% (Q3)
3,2652
Error estndar
0,27329
90%
5,057
Asimetra
1,2494
95%
6,9156
Curtosis
1,4013
Max
8,223
Valor P
Rango
0,95823
10
0,2
Valor crtico
Rechazar?
0,1
0,05
0,02
0,01
No
No
No
No
0,1
0,05
0,02
0,01
2,5018
3,2892
3,9074
No
No
No
No
0,1
0,05
0,02
0,01
11,07
13,388
15,086
No
No
No
Anderson-Darling
Tamao de la muestra 50
Estadstica
0,17848
Rango
7
0,2
Valor crtico
Rechazar?
1,3749 1,9286
No
Chi-cuadrado
Grados de libertad
Estadstica
Valor P
Rango
5
1,5277
0,90985
16
0,2
Valor crtico
Rechazar?
7,2893 9,2364
No
No
En la tres pruebas y para todos los niveles de confianza considerados los P-Valores son
mayores que 0,05 lo que indica que la data tiempo de vida proviene de la distribucin
Weibull 3P.
Normal
0,130632
0,122675
0,130632
0,364094
Weibull (3-Parmetros)
0,0497935
0,0689363
0,0689363
0,971407
25
Parmetros Est.
3
2
2
1
2
2
2
2
2
2
2
Log Verosimilitud
-90,1286
-90,2176
-90,3529
-90,9436
-94,1726
-95,0998
-95,7681
-100,618
-102,195
-103,386
-103,541
KS D
0,0689363
0,0644522
0,0729389
0,0859146
0,0926777
0,11322
0,0921058
0,211992
0,126432
0,130632
0,156939
d e n s id a d
0,4
Distribucin
Lognormal
Normal
Weibull (3-Parmetros)
0,3
0,2
0,1
0
0
4
6
tiempo de vida
26
10
DISTRIBUCION DE FRECUENCIA
12
Distribucin
Normal
Weibull (3-Parmetros)
frecuencia
10
8
6
4
2
0
-1
11
tiempo de vida
P rob de s upervivencia
1
0,8
0,6
0,4
0,2
0
0
4
6
tiempo de vida
10
Parmetros Est.
3
2
2
1
2
2
2
2
2
2
2
Log Verosimilitud
-90,1286
-90,2176
-90,3529
-90,9436
-94,1726
-95,0998
-95,7681
-100,618
-102,195
-103,386
-103,541
27
KS D
0,0689363
0,0644522
0,0729389
0,0859146
0,0926777
0,11322
0,0921058
0,211992
0,126432
0,130632
0,156939
DISTRIBUCION DE FRECUENCIA
12
Distribucin
Normal
Weibull (3-Parmetros)
f r e c u e n c ia
10
8
6
4
2
0
-1
tiempo de vida
28
11
29
La distribucion lognormal
El modelo de distribucin lognormal se usa para modelar los tiempos de fallas en los
estudios de la confiabilidad y la supervivencia.
La variable t sigue una distribucin lognormal si ln(t) tiene una distribucin normal de
media y varianza , en consecuencia, la variable y = ((ln(t) / es una
variable normal estndar, es decir de media igual a 0 y desviacin tpica igual a 1.
La funcin de supervivencia se puede escribir como: S(t) = 1- (y)
Siendo la funcin de distribucin acumulativa de la normal estndar, por lo tanto un
modo grfico de verificar esta distribucin es comparar la funcin de supervivencia
dibujada en papel lognormal con una lnea recta.
La funcin Lognormal est caracterizada por los dos parmetros y , que no son su
media y desviacin tpica.
Una variable t esta lognormalmente distribuida si Y = ln(t) esta normalmente
distribuida, la expresin general de la funcin de densidad de probabilidades de la
distribucin Lognormal es la siguiente:
f(t)
( ln (( t )/m)2
/( 2 2 ))
(t ) 2
30
f (t )
e ((ln t ) / 2 2 )
t 2
1,5
1,2
Media,Desv. Tp.
1,5
1,0,5
1,1
1,2
0,9
0,6
0,3
0
0
ln( x )
Lognormal Acumulada
Prob. Acumulada
M edia,Desv. T p.
1,0,5
1,1
1,2
1,5
0,8
0,6
0,4
0,2
31
0
0
10
15
20
(
)
R I E SG O
10
15
20
25
30
Supervivencia Lognormal
P rob. S perv
1
Media,Desv. T p.
1,0,5
1,1
1,2
1,5
0,8
0,6
0,4
0,2
32
0
0
10
15
INVERSA DE LA SUPERVIVENCIA
DE LA DISTRIBUCION LOGNORMAL
La expresin de la funcin Inversa de Supervivencia de la distribucin Lognormal es:
Z(p) = exp(-1(1-p)), donde es la funcin Inversa Acumulada de la distribucin
normal
La siguiente es la grafica de la funcin Inversa de Supervivencia de la distribucin
Lognormal, con los mismos valores de media 1 y para una desviacin tpica
y
Prob L og Superv
Distribucion Lognormal
9
-1
Media,Desv. T p.
1,0,5
1,1
1,2
1,5
-11
-21
-31
0
10
15
20
25
30
NMP/100 ml
11
7
39
280
20
64
9
28
75
28
20
39
3
28
120
39
43
110
15
28
390
28
43
75
3
75
460
11
28
43
4
75
210
14
64
93
33
150
43
Solucin
La tabla presenta las estadsticas de la data NMP/100 ml
Estadstica descriptiva
NMP/100 ml
Estadstica
Valor
Percentil
Valor
Tamao de la muestra 38
Min
Rango
457
5%
Media
74,079
10%
6,7
Varianza
10386,0
25% (Q1)
18,75
Desviacin estndar
101,91
50% (Mediana) 39
Coef. de variacin
1,3757
75% (Q3)
75
Error estndar
16,533
90%
217,0
Asimetra
2,6175
95%
393,5
Curtosis
6,9198
Max
460
38
0,11605
0,64318
12
0,2
0,1
0,05
0,02
0,01
Valor crtico
0,16966
0,19392
0,21544
0,24089
0,25843
Rechazar?
No
No
No
No
No
Anderson-Darling
34
Tamao de la muestra
Estadstica
Rango
38
0,28508
8
0,2
0,1
0,05
0,02
0,01
Valor crtico
1,3749
1,9286
2,5018
3,2892
3,9074
Rechazar?
No
No
No
No
No
Chi-cuadrado
Grados de libertad
Estadstica
Valor P
Rango
4
1,2247
0,87401
14
0,2
0,1
0,05
0,02
0,01
Valor crtico
5,9886
7,7794
9,4877
11,668
13,277
Rechazar?
No
No
No
No
No
Lognormal
0,0858608
0,117279
0,117279
0,672761
35
El menor valor de P-valor es 0,672761. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hiptesis de que la data NMP/100 ml provenga de una
distribucin lognormal.
La prueba chi-cuadrada
La prueba de chi-cuadrada divide el rango de la data NMP/100 ml en varios intervalos de clase
y compara el nmero de observaciones que caen en cada en cada clase con el nmero esperado
de observaciones que caen en estas clases en la distribucin lognormal ajustada.
Prueba Chi-Cuadrada de la data NMP/100 ml
Lmite
Lmite
Frecuencia
Inferior Superior Observada
menor o igual
37,5
17
37,5
75,0
13
75,0
112,5
2
112,5
150,0
2
150,0
225,0
1
mayor
225,0
3
Frecuencia
Esperada
19,04
8,15
3,83
2,12
2,16
2,70
Chi-Cuadrada
0,22
2,89
0,87
0,01
0,62
0,03
fre c u e n c ia
30
Distribucin
Lognormal
25
20
15
10
5
0
0
100
200
300
400
NMP/100 ml
36
500
600
Lognormal
1,2
rie s g o
1
0,8
0,6
Media,Desv. Est.
3,62,1,21
0,4
0,2
0
0
10
Lognormal
1
0,8
Media,Desv. Est.
3,62,1,21
0,6
0,4
0,2
0
0
10
37
d e n s id a d
5
4
3
2
1
0
0
100
200
300
NMP/100 ml
400
500
densidad
0,4
0,3
Moda,Escala
1,1
2,1
5,1
0,2
0,1
0
38
-4
-2
Distribucion Gumbell
0,4
DENSIDAD
0,3
Extremo Inferior
1,1
0,2
0,1
0
-4
-2
x
La expresin general para la funcin de densidad de la distribucin de Gumbel
para el caso del extremo superior es f ( x)
donde es el
39
Distribucion Gumbell
DENSIDAD
0,4
0,3
Extremo Superior
Extremo Superior
5,1
0,2
0,1
0
Moda,Escala
1,1
2,1
5,1
0,8
0,6
0,4
0,2
0
-4
-2
x
La siguiente es una grafica de la funcin distribucin acumulada de la
distribucin Gumbel de extremo inferior con parmetros 1 y 1.
40
Extremo Inferior
1,1
0,8
0,6
0,4
0,2
0
-4
-2
x
La ecuacin de la distribucin acumulada de Gumbell para el extremo superior
se expresa como:
La siguiente es una grafica de la funcin distribucin acumulada de Gumbel para
el extremo superior y con parmetros 5 y 1.
Probab Acumulada
0,8
Extremo Superior
5,1
0,6
0,4
0,2
0
0
x
FUNCION RIESGO DE LA DISTRIBUCION GUMBEL
La ecuacin de la funcin del riesgo de la distribucin de Gumbel para el
extremo inferior se expresa como:
h(x) = ex
La siguiente es una grafica de la funcin del riesgo de la distribucin de Gumbel
para el extremo inferior y parmetros 0.5 y 1.
41
Extremo Inferior
0,5,1
Riesgo
16
12
8
4
0
-4,5
-2,5
-0,5
1,5
3,5
Extremo Superior
5,1
Riesgo
16
12
8
4
0
0
42
MEDIA
Menos Infinito
Mas Infinito..
1.13955
5.4
0.5752
S 6
donde
x 0.5772
Solucin
Estadstica descriptiva
Estadstica
Valor
Percentil
Valor
Tamao de la muestra 30
Min
195
Rango
305
5%
203,25
Media
300,03
10%
221,0
Varianza
4590,6
25% (Q1)
253,5
43
Desviacin estndar
67,754
Coef. de variacin
0,22582
75% (Q3)
314,25
Error estndar
12,37
90%
397,5
Asimetra
1,258
95%
479,1
Curtosis
2,1516
Max
500
Parmetros
Kolmogorov
Smirnov
Estadstica
1 Gumbel Min
Anderson
Darling
Rango Estadstica
0,28077
Chi-cuadrado
Rango
3,3598
Estadstica Rango
7,5917
F(x)
0,6
0,5
0,4
0,3
0,2
0,1
0
200
250
300
350
400
450
x
Muestra
Gumbel Min
500
# Distribucin
Kolmogorov
Smirnov
Anderson
Darling
Chi-cuadrado
0,28077
3,3598
7,5917
P-Valu = 0,0176537
El Test Kolmogorov-Smirnov determina el estadstico para la mxima y la
mnima distancia entre la distribucin acumulada de Gumbel y la CDF de la
distribucin terica de Valores Extremos de Gumbel, la mxima distancia es
0,280772., el menor valor de P-valu es 0,0176537
Por ser el P-valu menor de 0.05 podemos aceptar la hiptesis, con un 95% o
ms de confianza, de que la data GUMBEL proviene de una distribucin de
Gumbell con un 95% o ms de confianza
Si aceptamos que el modelo de Gumbel es adecuado para ajustar la data
GUMBEL podemos calcular la supervivencia a las 250 horas de haber
comenzado el estudio y la mediana de supervivencia en ese tiempo...
De la grfica deducimos que para T=250 horas S(t) es aproximadamente 0,75 y
que S(t) = 0,5 para T = 300 horas aproximadamente.
45
Funcin de supervivencia
1
0,9
0,8
0,7
S(x)
0,6
0,5
0,4
0,3
0,2
0,1
0
200
250
300
350
400
450
500
x
Mues tra
Gumbel Min
P (M o d e lo )
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,2
0,4
0,6
0,8
P (Emprico)
Gum bel Min
f ( x) e x e e
Distribucion Gumbell
0,4
DENSIDAD
0,3
Extremo Inferior
1,1
0,2
0,1
0
-4
-2
x
La expresin general para la funcin de densidad de la distribucin de Gumbel
para el caso del extremo superior es f ( x)
donde es el
47
Distribucion Gumbell
Extremo Superior
DENSIDAD
0,4
Extremo Superior
5,1
0,3
0,2
0,1
0
1
0,8
Extremo Inferior
1,1
0,6
0,4
0,2
0
-4
-2
x
La ecuacin de la distribucin acumulada de Gumbell para el extremo superior
se expresa como:
48
Probab Acumulada
0,8
Extremo Superior
5,1
0,6
0,4
0,2
0
0
x
FUNCION INVERSA ACUMULADA DE LA GUMBEL
La ecuacin de la distribucin inversa acumulada de Gumbel para el extremo
inferior se expresa como:
La siguiente es una grafica de la funcin distribucin inversa acumulada de
Gumbel para el extremo inferior.
h(x) = ex
La siguiente es una grafica de la funcin del riesgo de la distribucin de Gumbel
para el extremo inferior y parmetros 0.5 y 1.
Riesgo
20
Extremo Inferior
0,5,1
16
12
8
4
0
-4,5
-2,5
-0,5
1,5
3,5
50
Extremo Superior
5,1
Riesgo
16
12
8
4
0
0
51
de
52
MEDIA
donde
Solucin
La tabla presenta el resultado del Test de Bondad de Ajuste para determinar si la
data: GUMBEL puede ser adecuadamente modelada con una distribucin de
Valores Extremos Gumbel.
La data GUMBEL presenta 30 valores , el rango de valores es de 195 horas
hasta 500 horas y se ajusta a una distribucin de Valores Extremos - Gumbel
con: Parmetro de Forma de 330,526 y un parmetro de Escala de 52,8275.
Algunas reas de bajo esta distribucin son:
rea bajo 87,5117 = 0,01
rea bajo 211,645 = 0,1
rea bajo 311,164 = 0,5
rea bajo 374,586 = 0,9
rea bajo 411,203 = 0,99
El Test Chi -Cuadrado reparte la data en varios intervalos y compara el nmero
de observaciones con el nmero de observaciones esperadas si la distribucin de
la data fuese una distribucin Gumbel
Estadstica Estimada de Kolmogorov DPLUS = 0,280772
Estadstica Estimada de Kolmogorov DMINUS = 0,0758911
Estadstica Estimada de Kolmogorov GLOBAL = 0,280772
P-Valu Aproximado = 0,0176537
El Test Kolmogorov-Smirnov determina el estadstico para la mxima y la
mnima distancia entre la distribucin acumulada de Gumbel y la CDF de la
distribucin terica de Valores Extremos de Gumbel, la mxima distancia es
0,280772., el menor valor de P-valu es 0,0176537
Por ser el P-valu menor o igual a 0.05 podemos rechazar la hiptesis de que
GUMBEL provenga de una distribucin de Valores Extremos de Gumbel con un
95% o ms de confianza, para este caso aceptamos la hiptesis alternativa de que
la variable GUMBEL se ajusta a una distribucin de Valores Extremos de
Gumbel.
55
Prediccin de la Confiabilidad
c u m u la tiv e p e r c e n t
Weibull Plot
99,9
99
90
70
50
30
20
10
5
Temperature
150
175
200
1
0,5
0,1
10
100
1000
10000
Hours
t 273.16
F exp H * 1160 *
1
t
273.16
Prediccin de la Confiabilidad
Para formular una prediccin de la confiabilidad, se debe estimar la fiabilidad del
equipo o del sistema en funcin de los datos de diseo y de la confiabilidad de los
componentes, a partir de esta prediccin de la confiabilidad se puede constatar el
cumplimiento de los requerimientos de confiabilidad y de mantenimiento.
57
de
tf = Aexp(H/kT)
T denota la temperatura medida en grados Kelvin(273.16 + grados Celsius) en el
momento cuando ocurre la falla y k es la constante de Boltzmann (8.617 x 10-5 en
ev/K).
La constante A es el factor de escala y H es la energa activada en el proceso cuando
ocurre la falla y que depende del mecanismo de falla y de los materiales presentes y
tiene un rango tpico de 0.3 a 1.5
El factor de aceleracin entre dos temperaturas aumenta exponencialmente tanto
como H
El factor de aceleracin entre dos temperaturas una alta T2 y una baja T1 esta dado por:
Ley de Arrhenius
La ley de Arrhenius mide la velocidad de los procesos, expresa la velocidad de cambio
de una caracterstica por unidad de tiempo.
El modelo de Arrhenius es uno de los mas antiguos y eficientes modelos para describir
un modelo de aceleracin que predice como el tiempo de falla varia con la temperatura,
el modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas
que dependen de las reacciones qumicas, de los procesos de difusin o de los procesos
de emigracin, los cuales cubren la mayor parte de los modos de fallas de tipo no
mecnico que causan las fallas en los equipos electrnicos.
La ecuacin de Arrhenius se expresa de la siguiente forma:
tf = Aexp(H/kT)
El factor de aceleracin entre dos temperaturas aumenta exponencialmente tanto como
crece H
T denota la temperatura medida en grados Kelvin(273.16 + grados Celsius) en el
momento cuando ocurre la falla, k es la constante de Boltzmann (8.617 x 10-5 en ev/K).
61
t 273.16
F exp H * 1160 *
1
t
273.16
tf = Aexp(H/kT)
T denota la temperatura medida en grados Kelvin(273.16 + grados Celsius) en el
momento cuando ocurre la falla y k es la constante de Boltzmann (8.617 x 10 -5 en
ev/K).
La constante A es el factor de escala y H es la energa activada en el proceso cuando
ocurre la falla y que depende del mecanismo de falla y de los materiales presentes y
tiene un rango tpico de 0.3 a 1.5
El factor de aceleracin entre dos temperaturas aumenta exponencialmente tanto
como H
El factor de aceleracin entre dos temperaturas una alta T2 y una baja T1 esta dado por:
Grafica de Arrhenius
Mediante un ensayo acelerado se puede incrementar el nmero de fallas aumentando el
estrs causado por una o ms variables.
Un acelerador muy comn es la temperatura, se puede analizar las tasas de fracaso a
altas temperaturas con un modelo de Arrhenius.
A partir de la grafica de Arrhenius construida con la data a altas temperaturas, es posible
extrapolar los datos a una temperatura de funcionamiento normal
Grafica de Arrhenius
Porcentil =1.675 a 300 grados
10000000000
1000000000
100000000
P
o
r
c
e
n
t
il
10000000
1000000
100000
10000
1000
100
30
32
34
36
38
40
1/(k*degrees)
c u m u l a ti v e p e r c e n t
Weibull Plot
99,9
99
90
70
50
30
20
10
5
Temperature
150
175
200
1
0,5
0,1
10
100
1000
Hours
63
10000
Temp
80
80
80
80
80
80
80
80
80
80
125
125
125
125
125
125
125
125
125
125
150
150
150
150
150
150
150
150
150
150
175
175
175
175
175
175
175
175
175
175
200
200
200
200
200
200
200
200
200
horas
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
3000
2350
2560
2980
3000
3000
3000
3000
3000
3000
3000
800
1130
1210
1310
1350
1350
1370
1420
1770
1960
220
250
280
330
370
380
460
460
510
Censura
Temp
P50
1
150
3260,62
1
175
1379,61
1
200
388,615
1
1 Ejemplo de una grafica de Arrhenius
1 La duracin en horas de la aparicin de fallas tomadas a cinco temperaturas /
1 80, 125, 150, 175 y 200 grados Celsius), se ajusta con un modelo de Arrhenius
1 de forma P=A*exp(Delta/kT)
1
1 El modelo ajustado se puede utilizar para predecir el percentil correspondiente
1 a una temperatura normal.
1
1 En este caso, el modelo ajustado es P50 = 0, 0000070398 * exp (0,730577/k *
1 Junction Temp + 273,15) donde k = constante de Boltzmann (8, 617E-5
1 EV/grados K).
1 Extrapolando este modelo a una temperatura de 400 grados se predice un
1 percentil igual a 11292,4.
1 Los lmites de confianza de 95,0% para este percentil se extienden desde
1 143.741 hasta 887135.
1
0
0
0
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
64
cumulative percent
Weibull Plot
99,9
99
90
70
50
30
20
10
5
Temperature
150
175
200
1
0,5
0,1
10
100
1000
10000
Hours
Arrhenius Grafico
Percentil Estimado = 7,34999E8
1000000000
a 300 K
100000000
10000000
P50
1000000
100000
10000
1000
100
29
31
33
35
1/ (k*degrees)
65
37
39
EL MTBF
1. Significado del MTBF de un dispositivo.
2. Calculo del MTBF
3. Ejemplo del clculo del MTBF
Determinacin de los intervalos de confianza del MTBF
66
El numero de fallas que ocurre en un periodo fijo siguen una distribucin uniforme por
lo que el tiempo entre fallas (confiabilidad) responde a una distribucin exponencial. La
ocurrencia de fallas se expresa con la inversa del MTBF.
La unidad de fallas. FIT (Failure unIT) es equivalente a una falla cada 109 horas para
componentes elctricos
MTEF = Tiempo Medio Entre Fallas = 109F.
El MTBF puede ser radicalmente alterado por factores ambientales tales como uso
inadecuado de energa y enfriamiento. El MTBF puede ser bajado por el exceso de
vibraciones o de otras formas de abuso.
67
Aos
180
160
Ambiente GB
Ambiente GF
140
Ambiente GM
120
100
80
60
40
20
0
0
10
20
30
40
50
60
70
80
T emper atur a en C
1
12
0
0
2
25
2
1
3
12
5
0
4
145
7
1
5
90
1
6
123
1
0
7
83
7
1
8
13
3
0
9
51
2
1
10
65
7
1
Se requiere:
Calcular el MTBF
Hacer el grafico de la Confiabilidad Y de la Supervivencia.
Calcular el MTBF sin incluir el pozo 8
Calcular el MTBF considerando como falla el pozo 6.
68
11
75
3
0
12
81
8
0
13
31
5
0
14
12
3
0
15
1333
0
Solucin
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
ti R(ti-1)
R(ti) R(ti)At
90 0,9375 0,9375
90
120
1
28,12
123
1
2,82
133
1
7,5
252 0,90909 0,8522 111,56
315
1
53,54
512 0,88889 0,7575
167,9
657 0,87878 0,66288 109,86
753
1
63,64
818
1
43,09
837
0,8 0,5303
12,59
1213
1
199,39
1333
1
63,64
1457
0,5 0,26511
65,76
GRAFICA DE LA CONFIABILIDAD
R(ti)
1
0,8
0,6
0,4
0,2
0
1
9 10 11 12 13 14 15
Respuesta
a-. MTBF (Mean Time Before Failure) = 1019,4 dias
b-. En la grafica
c-. Al calcular el MTBF excluyendo el pozo numero 8 se obtiene un valor de
1017,3das, lo que significa que al excluir datos censurados se pierde
informacin para realizar un calculo adecuado del MTBF.
69
-1
e MTBF
N (365) = = 15(1-
-365
e1019,4
) = 10,49
Los lmites de confianza para una situacin de Censura Tipo1 se obtienen con las
tablas de la distribucin Chi-Cuadrado.
La expresin para calcular los intervalos de confianza es la siguiente:
MTBFx 2r
MTBFx 2r
MTBF 2
> 1-
2
/
2
,
2
(
r
1
)
1
/
2
,
2
r
Tx 2
/ 2 , 2 r 1)
MTBF
Tx 2
2
1 / 2 , 2 r
> 1
Estas bandas son exactas en los casos de una o ms sistemas reparables probados
para un tiempo fijo.
Las bandas son exactas para los casos donde uno o mas sistemas no- reparables
son probados para un tiempo fijo y las unidades que fallan son reemplazadas con
nuevas unidades durante el curso de la prueba.
Cuando hay cero fallas durante el tiempo de operacin de la prueba, solo existe una
banda del MTBF, y esta viene dada por:
MTBF Inferior = T/(-ln)
nm. Fallas r
60%
Inferior para MTBF
0
1
2
3
4
0.6213
0.3340
0.4674
0.5440
0.5952
Superior
MTBF
4.4814
2.4260
1.9543
1.7416
71
para
80%
Inferior
MTBF
Sper para
MTBF
0.4343
0.2571
0.3758
0.4490
0.5004
9.4912
3.7607
2.7222
2.2926
I N T E R V A L O D E C O N F IA N Z A S U P E R I O R D E L M T B F
8 0%
24 .2 6 0
19 .5 4 3
17 .4 1 6
16 .1 8 4
15 .3 7 0
14 .7 8 8
14 .3 4 7
14 .0 0 0
13 .7 1 9
13 .4 8 5
13 .2 8 8
13 .1 1 8
12 .9 7 0
12 .8 4 0
12 .3 6 7
12 .0 6 3
11 .8 4 8
11 .6 8 7
11 .5 6 0
11 .4 5 6
11 .3 7 1
11 .0 9 0
10 .9 2 9
10 .4 0 1
9 0%
5 6 .2 8 1
3 6 .6 8 9
2 9 .2 7 6
2 5 .3 7 9
2 2 .9 6 2
2 1 .3 0 7
2 0 .0 9 6
1 9 .1 6 8
1 8 .4 3 2
1 7 .8 3 1
1 7 .3 3 0
1 6 .9 0 6
1 6 .5 4 1
1 6 .2 2 3
1 5 .0 8 9
1 4 .3 8 3
1 3 .8 9 3
1 3 .5 2 9
1 3 .2 4 7
1 3 .0 2 0
1 2 .8 3 2
1 2 .2 2 6
1 1 .8 8 5
1 0 .7 8 1
95 %
82 .5 73
48 .4 91
36 .7 02
30 .7 98
27 .2 49
24 .8 72
23 .1 63
21 .8 69
20 .8 53
20 .0 32
19 .3 53
18 .7 81
18 .2 91
17 .8 67
16 .3 71
15 .4 52
14 .8 22
14 .3 57
13 .9 97
13 .7 10
13 .4 73
12 .7 14
12 .2 90
10 .9 38
IN T R V A L O S U P E R I O R M T B F
6 0%
8 0%
90%
95%
25 00 00
20 00 00
HORAS
6 0%
3 7. 6 0 7
2 7. 2 2 2
2 2. 9 2 6
2 0. 5 5 4
1 9. 0 3 6
1 7. 9 7 4
1 7. 1 8 2
1 6. 5 6 7
1 6. 0 7 4
1 5. 6 6 8
1 5. 3 2 7
1 5. 0 3 6
1 4. 7 8 4
1 4. 5 6 4
1 3. 7 6 9
1 3. 2 6 7
1 2. 9 1 5
1 2. 6 5 2
1 2. 4 4 6
1 2. 2 8 0
1 2. 1 4 2
1 1. 6 9 4
1 1. 4 3 9
1 0. 6 0 3
15 00 00
10 00 00
5 0 0 00
0
1
11
13
15
72
17
19
21
23
25