Analisis de La Confiabilidad

Anlisis de la Confiabilidad
El Mantenimiento Centrado en la Confiabilidad (RCM).

Estudios de Ingeniera RAMS.
La Confiabilidad de los equipos, sistemas y procesos.
Un estudio de Confiabilidad.
El periodo de vida de un equipo.
El anlisis tcnico de fallas (AEF).
El Anlisis Estadstico de Fallas. Parmetros del AEF.
Periodo de vida de un equipo. Periodo de arranque. Periodo de
operacin normal. Periodo de desgaste.
Efectividad de Sistemas.
Probabilidad Weibull de TIEMPODEFA
-log[1-F(t)]
10
FORMA= 4,635 ESCALA = 33.674,2
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.
Los Estudios de Confiabilidad

Un estudio de confiabilidad es un anlisis de fallas de un equipo o componente, este
anlisis es el paso decisivo en el estudio econmico de un sistema de mantenimiento y
este depende de la determinacin y el conocimiento del ndice de fallas de los equipos

que participan en el sistema de mantenimiento.
En un estudio confiabilidad, los componentes de un producto o el sistema se analizan
en un esfuerzo para predecir la frecuencia con la cual el producto o el sistema fallar.
El estudio de confiabilidad se realiza mediante dos anlisis:
Anlisis Tcnico de fallas para determinar la causa y la magnitud de la falla
Anlisis Estadstico de fallas que es el estudio estadstico de las fallas en el

tiempo.
Las metodologas de un estudio de confiabilidad incluyen, entre otros, el anlisis

cualitativo de riesgos, los clculos probabilistas, los estudios de fallas y de fiabilidad,
los rboles funcionales y la determinacin de criticidades, el mantenimiento orientado
por la confiabilidad y los clculos de disponibilidad y operatividad, estos estudios son
los pasos decisivos en el anlisis tcnico y econmico de un sistema de mantenimiento
y con ellos se conocen y determinan el ndice de fallas de los equipos que participan en
el sistema de mantenimiento
La Confiabilidad se mide calculando la probabilidad de que el equipo no falle
durante un periodo dado.
Los clculos de la prediccin de la confiabilidad se realizan para ayudar a identificar la
confiabilidad del producto, el porcentaje de averas y el MTBF, y las reas principales
para la mejora potencial de la confiabilidad, la base del anlisis es generalmente un
modelo de la prediccin de la confiabilidad.
Los modelos de la prediccin de la confiabilidad presentan las ecuaciones del
comportamiento esperado del sistema que permiten calcular el porcentaje de fallas de
los componentes basados en datos y parmetros.
Estos parmetros incluyen a menudo el ambiente, la temperatura, la calidad y la
tensin, y se utilizan para establecer los factores, que son las variables usadas en las
ecuaciones de la prediccin de la confiabilidad. .
Un sistema confiable es aquel que puede continuar procesando las solicitudes del
usuario an cuando el sistema sobre el que opera no es confiable, aun cuando los
componentes de un sistema fallen, un sistema confiable debe seguir ejecutando las
solicitudes de usuario sin violar la consistencia de la base de datos.
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...
Modelos para predecir la Confiabilidad

El desarrollo de las concepciones y tcnicas del Anlisis de Confiabilidad de
componentes, equipos y sistemas ha estado estrechamente asociado al desarrollo de
tecnologas complejas y de alto riesgo
El riesgo se mantiene a bajos niveles, asumiendo en la fase de diseo del producto
mrgenes de seguridad elevados.
Los modelos de la prediccin de la confiabilidad presentan las graficas y las
ecuaciones para calcular la rata de fallas de los componentes basados en datos y
parmetros, estos parmetros incluyen el ambiente, la temperatura, la calidad, y la
tensin y se utilizan para establecer los factores, que son las variables usadas en las
ecuaciones de la prediccin de la confiabilidad.
El anlisis de Weibull es un trmino que describe el anlisis estadstico y grfico que
utiliza varias distribuciones de la probabilidad.
La distribucin de Weibull de dos parmetros es la funcin distribucin de
probabilidades mas usada para representar los tiempos de falla y estudiar la
confiabilidad de equipos y sistemas, pero la Weibull de tres parmetros, la distribucin
normal, la distribucin log-normal, la distribucin de valores extremos de Gumbell y la
distribucin exponencial negativa tambin son usadas con eficacia en los anlisis de
confiabilidad de los productos, equipos y sistemas.
Los tcnicos, los ingenieros, la gerencia, el personal de la garanta de calidad, y los
responsables del control de la variabilidad de los procesos pueden de aplicar las
tcnicas de Weibull en el lugar de trabajo para mejorar la confiabilidad de sus sistemas
y los productos.
Los anlisis de Weibull pueden indicar si ms piezas viejas o ms piezas nuevas son
ms probables fallar.
Las tcnicas del anlisis de Weibull se utilizan para analizar datos del campo o del
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...
El Mantenimiento Centrado en la ConfiabilidadMCC

4
El MCC es la denominacin para una metodologa que permite definir, en forma

sistemtica, estrategias de mantenimiento de plantas, mquinas y equipos, es una
metodologa diseada para elaborar o redisear programas de mantenimiento para una
planta, una lnea de produccin o para un equipo complejo.
Los ingenieros tienen en la MCC una herramienta clara y efectiva, un lenguaje tcnico
comn y un sistema de trabajo conjunto para la Produccin y el Mantenimiento
El MCC es una aplicacin sistemtica y analtica de procedimientos para organizar y
realizar las funciones operativas del mantenimiento de manera que realiza y organiza
las funciones de manera que esta aplicacin tenga una alta posibilidad de xito y el
establecimiento de prioridades para la aplicacin de un plan de Mantenimiento
Preventivo.
El MCC trata de reducir el costo de mantenimiento descartando las acciones de
mantenimiento que no sean estrictamente necesarias El RCMtrata de reducir el costo
de mantenimiento descartando las acciones de mantenimiento que no sean
estrictamente necesarias.
El MCC es una tcnica que desarrolla un sistema de Mantenimiento Preventivo de los
sistemas y equipos en base al supuesto tcnico de que la confiabilidad inherente al
sistema o al equipo es una funcin del diseo del sistema o del equipo.
La metodologa del MCC tiene su origen en la industria de la aviacin, en este sector
industrial comienzan a aplicarse los primeros programas de mantenimiento basado en
la confiabilidad, esta metodologa para el mantenimiento preventivo planificando se ha
consolidado como una excelente herramienta para desarrollar la gestin de
mantenimiento de todo tipo de empresa.
Procedimiento para elaborar un MCC

Para elaborar un MCC se debe seguir un procedimiento como el siguiente:
Seleccin del sistema y documentacin.
Definicin de los lmites del sistema.
Elaboracin de los diagramas funcionales del sistema.
Identificacin de funciones y fallas funcionales.
Elaboracin del anlisis de fallas y de efectos.
Construccin del rbol lgico de decisiones
Identificacin las tareas critica y apropiadas del mantenimiento.
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
Realizados estos ensayos, es posible anticipar los efectos de los cambios y

de las correcciones que se deben hacer al diseo para mejorar la
confiabilidad.
Los diversos estudios realizados al producto se relacionan y examinan
para determinar su confiabilidad bajo diversas perspectivas, para detectar
posibles problemas en el diseo, construccin o funcionamiento del
equipo y para facilitar la bsqueda de correcciones y mejoras.
Para determinar la confiabilidad, se analizan los componentes de un
producto o de un sistema para predecir la frecuencia con la cual fallara el
producto o el sistema, los clculos de la prediccin de la confiabilidad
permiten identificar la confiabilidad del producto, el porcentaje de fallas y
el MTBF (tiempo medio de buen funcionamiento), y las reas de punta
para la mejora potencial de la confiabilidad.
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.
Un estado interno es la respuesta del sistema a un estmulo interno, desde el punto de

vista de confiabilidad, es conveniente definir a un estado interno como la unin de
todos los estados externos de las componentes que constituyen el sistema, el cambio
de estado interno se da como respuesta a los estmulos del medio ambiente. 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.
Por medio de una especificacin se establece el comportamiento del sistema al
responder a cualquier estmulo del medio ambiente, esta especificacin establece el
comportamiento vlido de cada estado del sistema, esta especificacin es no slo
necesaria para obtener un buen diseo sino tambin es esencial para definir los
siguientes conceptos de confiabilidad.
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.
Una Falta lleva a una Falla.

La confiabilidad de un sistema, R(t), se define como la siguiente probabilidad
condicional:
R(t) = Pr{ 0 fallas en el tiempo [0,t] |no hubo fallas en t=0 }
Si la ocurrencia de fallas sigue una distribucin de Poisson, entonces,
R (t) = Pr {0 fallas en el tiempo [0, t]}
Es posible derivar la siguiente expresin:
{0 fallas en el tiempo [0, t]} =

donde m (t) se le conoce como la funcin de riesgo la cual proporciona el rango de
fallas de la componente dependiente del tiempo y se define como
m(t) =
El nmero esperado de fallas en el intervalo [0,t] puede ser calculado como
E[k] = ke-m(t)/k! [m(t)] k

y la varianza se puede calcular como
Var(k) = E[k2] - (E[k)2

entonces la confiabilidad de una componente simple es
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
Se ha convenido en usar dos medidas de un slo parmetro para modelar el

comportamiento del sistema: el tiempo medio entre fallas (MTBF por sus siglas en
ingls) y el tiempo medio para reparaciones (MTTR).
El MTBF puede ser calculado a partir de datos empricos de la funcin de
confiabilidad como:
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
LOS TIEMPOS EN LOS ESTUDIOS DE CONFIABILIDAD

En los procesos de produccin, mantenimiento y control de calidad se
estudia el tiempo hasta que un cierto producto falla (tiempo de falla), o el
tiempo de espera hasta recibir un servicio (tiempo de espera).
El parmetro de tiempo usado en los estudios de la Confiabilidad es el
TIEMPO ENTRE FALLAS (TEF), el cual puede ser descrito o
medido por una informacin de campo en las siguientes formas:
1. Tiempo promedio entre fallas o media entre fallas TPEF ==
MTEF. Es el intervalo de tiempo ms probable entre un arranque y
la aparicin de una falla.
2. Tiempo
promedio entre paradas o media de tiempo
entre paradas: TPEP = MTEP. Identifica el intervalo de tiempo
ms probable entre la aparicin de una parada,
reparacin,
arranque y la aparicin de una nueva parada.
3. Tiempo promedio entre inspecciones media entre inspecciones:
TPEI = MTEI. Es el tiempo ms probable entre dos inspecciones.
4. Tiempo promedio entre reparaciones generales o media de tiempo
entre reparaciones generales: TPER = MTER Identifica el
intervalo de tiempo entre la realizacin de dos reparaciones.
TIEMPOS EN EL CALCULO DE LA MANTENIBILI DAD

El parmetro de tiempo necesario para el estudio de mantenibilidad es
el TIEMPO FUERA DE SERVICIO (TFS) O TIEMPO PARA REPARAR
(TPR) que se describe como el intervalo de tiempo transcurrido desde
que el Equipo de Produccin es desactivado hasta que es activado
de nuevo por el equipo de operaciones, listo para cumplir su funcin de
produccin, este tiempo puede ser dividido de la siguiente forma:
9
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
Parmetros Usados en el Anlisis Estadstico de Fallas

Los parmetros utilizados en el AEF son los siguientes:
1. Tiempo Promedio Entre Fallas
El TPEF o MBTF , es el tiempo promedio entre fallas e indica el
intervalo de tiempo ms probable que ocurre entre el arranque la
10
ocurrencia de la primera falla, mientras mayor sea este valor mayor es la

confiabilidad del equipo, este parmetro se expresa en horas o das.
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.
4-. Calculo de la probabilidad de supervivencia Ps(t)
r(t) = p(t)/Ps(t) =
= - ln(Ps(t))
Ps(t) =
Periodo de vida de un equipo

La vida til de un equipo est dividida en tres periodos perfectamente
definidos:
Periodo de Arranque
Periodo de Operacin Normal
Periodo de Desgaste
11
1-. Periodo de Arranque o de Mortalidad Infantil

Durante el periodo de arranque se presenta un ndice de fallas
descendiente, la rata de falla disminuye con el tiempo, en el la
probabilidad de falla de maana es menor que la de hoy, en este periodo
estn los equipos recin arrancados y la confiabilidad es muy baja, las
fallas en el periodo de arranque las cubre la garanta del equipo y la
correccin de las fallas corresponde al grupo de arranque.
Cuando a un equipo se la hace una reparacin general(Overhaul) comienza
un nuevo periodo de arranque y como una consecuencia tcnica de la
reparacin el equipo tiene una mayor probabilidad de falla que antes de
realizarse la reparacin.
En este periodo el proceso de fallas se puede describir con una
distribucin normal donde la rata de falla que disminuye con el tiempo.
2-. Periodo de Operacin Normal

El proceso de generacin de fallas durante el periodo de operacin normal
puede describirse usando la distribucin exponencial:
Ps(t) = r(t)
Ps(t) =
y como r(t) = r = Constante = 1/MTEF

=
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.
3-. Periodo de Desgaste

Su principal caracterstica es que el ndice de fallas aumenta a
medida que trascurre el tiempo.
En este perodo las fallas son debidas a: fatiga, erosin, corrosin o
desgaste mecnico.
12
Cuando un equipo entra en este periodo, debe someterse a una

Reparacin General e idealmente se analizan las fallas en funcin de los
costos asociados a la reparacin.
Las polticas de mantenimiento a dictarse deben estar orientadas
fundamentalmente por el anlisis de fallas para prever las fallas de los
equipos y eventuales paradas y hacia la aplicacin conjuntamente de un
mantenimiento rutinario, programado, circunstancial (si es el caso)que
identifique las averas y las repare hasta que el estudio econmico lo
indique.
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
El principal objetivo en los estudios de eficiencia de un proceso es la

bsqueda de un valor de eficiencia del sistema que produzca menores costos.
En las refineras y en plantas qumicas que son plantas de procesos
continuos, la disponibilidad es alta (80- 98%), la confiabilidad es baja ( 0.00110%), y la mantenibilidad es alta (50 - 90%) , y la productividad es alta (60 90%).
La principal razn para cuantificar los componentes de la eficiencia, es la
de identificar y encontrar los componentes crticos para tatar de mejorar la
eficiencia, por ejemplo, si la disponibilidad es del 98%, la confiabilidad es
del 70%, la mantenibilidad es del 70%, y la capacidad es del 65%, seria
ms conveniente para mejorar la eficiencia del sistema, mejorar la
capacidad antes que mejorar la disponibilidad.
Una alta confiabilidad (pocas fallas) y una alta mantenibilidad (tiempos
predecibles de mantenimiento) son caractersticas de sistemas altamente
efectivos.
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
2. Disponibilidad Lograda, tal como es apreciada por los directivos del

Departamento de Mantenimiento, incluye tanto el Mantenimiento
Correctivo como el Preventivo, pero no incluye demoras en
suministros y demoras administrativas, y es definida como:
AL = MTBM/(MTBM + MAMT)
Donde MTBMes el tiempo medio entre acciones Correctivas y

Preventivas, y MAMT es el Tiempo Medio en que Mantenimiento
estuvo Activo.
3. Disponibilidad Operacional, tal como es vista por el usuario, y es
definida como:
AO = MTBM/(MTBM + MDT), MDTes el tiempo medio de parada.
Un 98% de disponibilidad para un proceso continuo de 8.000 horas

significa que se espera un tiempo de servicio de 0.98*TIEMPO TOTAL =
0.98*8.000 =7620 hr/ao y de parada de (1-.98)*TIEMPO TOTAL =
0.02*8000 = 160 hr/ao
La prdida de disponibilidad es un problema relacionado principalmente
con las fallas de los equipos.
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)
R(t) = exp(-t/MTBF) = exp(-t)
dondees la rata constante de falla y MTBF es el Tiempo Medio Entre Fallas, el

MTBF mide el tiempo entre las fallas del sistema.
Para los modos de falla distribuidos exponencialmente, el MTBF es un ndice bsico
de confiabilidad, la rata de falla, es el recproco del MTBF.
Si se desea una alta confiabilidad, se requiere un MTBF bastante grande, por ejemplo
para un tiempo de corrida de un ao con un equipo, el cual tiene un tiempo medio entre
fallas de 30 aos, da una confiabilidad del 96.72% que es la probabilidad de cumplir
un intervalo de tiempo de un ao sin fallas y una probabilidad de falla de 3.378%.
Determinemos la confiabilidad de un sistema con un tiempo total de servicio de un ao
(8.760 horas) y un tiempo medio entre acciones de mantenimiento de 720.2 horas, la
confiabilidad del sistema se calcula usando la distribucin exponencial, el sistema tiene
una confiabilidad de exp(-8760/720.2) = 0.000523%., en este caso el valor de la
confiabilidades la probabilidad de cumplir un ao de corrida sin fallas.
15
Para un ao como tiempo de corrida el sistema es altamente no-confiable , y las

acciones de mantenimiento tienen una alta demanda, dado que para el sistema se
espera que tenga 8760/720.3 = 12.16 acciones de mantenimiento por ao.
Anlisis grafico de la confiabilidad

Modelos para ajustar los tiempos de falla
Linearizacion de las distribuciones
La PPCC
La grafica de probabilidad
El anlisis Weibull
(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
Ajuste de los tiempos de falla

En muchas ocasiones ser posible identificar la distribucin que mejor se ajusta a las
observaciones mediante el uso de grficos de probabilidad.
Las graficas de probabilidad son procedimientos visuales que se obtienen, graficando
la funcin de distribucin de probabilidades (fdp) vs. el tiempo de falla en un papel de
probabilidad apropiado, se dispone de papeles de probabilidad para cada uno de los
tipos de modelos de distribucin usados para ajustar los tiempos de falla.
Los papeles de probabilidad se fundamentan en la idea de escribir la CDF del modelo
de tal forma que la funcin F (t) sea una ecuacin lineal en t.
El grafico de probabilidad presenta la f.d.p linealizada de una distribucin terica y
una nube de puntos que representan los valores de la f.d.p de la data de los tiempos de
falla.
Si los datos de los tiempos de falla se ajustan a una distribucin, estos valores deberan,
tericamente, caer sobre la lnea recta que representa la f.d.p linealizada de una
distribucin terica, por lo que cuanto ms se aproxime la nube de puntos a la recta
que aparece en el grfico, tanto mejor ser el ajuste
Modelos para ajustar los tiempos de falla

Linealizacin de una distribucin de Probabilidades
1-.Modelo Exponencial
La Funcin de distribucin exponencial negativa se escribe como:
ln [1/ 1-F(t)] = [ln10 ] t
o el equivalente
ln [1/ 1-F(t)] = t
17
Sea y = 1/{1 - F(t)} y
x = t, entonces log (y) es lineal en base a log(x) con

una pendiente de ln10. De esta manera podemos construir un papel de
probabilidades exponencial usando un papel semilogaritmico estndar.
Para cada valor de t se determina el par (t, F (t)), si la data se ajusta a una
distribucin exponencial, los pares de puntos graficados deben caer sobre de la lnea
recta de pendiente / ln10.
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
2-. Linealizacin de una distribucin Lognormal

La CDF de la distribucin Lognormal se escribe como:
ln(t { F(t) } + ln T50

y como log(t) = (1/ln10){ F(t) } + ln T50
Donde es la funcin inversa de distribucin normal
y T50 es la mediana
lognormal Si y = t y x = F(t), entonces log (y) es lineal en base a log(x) con
una pendiente de log(t) y un intercepto de log T50 cuando F(t) = .5.

Para cada valor de t se determina el par (t, F (t)), Si la data se ajusta a una distribucin
Lognormal, los pares graficados deben caer sobre la lnea recta con pendiente log(t).
Lognormal Probabilidad
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
3-. Linealizacin de una distribucin de Weibull

Al representar grficamente las funciones de distribucin de probabilidades (f.d.p) de
las diferentes distribuciones tericas, se obtienen curvas muy similares, muchas de
ellas difciles de ser identificadas a simple vista, por ello se utilizan los grficos de
probabilidad, los cuales hacen uso de escalas especiales en los ejes, de manera que al
representar la f.d.p sta tenga forma lineal.
El primer paso ser pues encontrar la transformacin adecuada para t y F(t) de modo
que al representar t vs. F(t) se obtenga una funcin lineal.
Linealizacin de una distribucin de Weibull

La f.d.p asociada a una distribucin Weibull de dos parmetros (, ) viene dada por la
expresin:
F(t) = 1 exp{-(t/)} con , > 0

Esta funcin puede ser linealizada de la forma: y = a + bx:
F(t) = 1 exp{-(t/)} ln(1-F(t)) = ln(exp{-(t/)})
ln(-ln(1-F(t))) = ln(t/)
ln(1-F(t)) = -(t/)
ln(ln(1-F(t))-1) = ln(t) - ln()
Tomando ahora y = ln(ln(1-F(t))-1) , y x = ln(t) la f.d.p se pone en forma lineal

como:
y = x - ln(). Y como: lnln[1/ 1-F(t)] = g ln( t) - g ln(a)
Si y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una
pendiente de
Una vez conocidas las transformaciones que permiten linealizar la f.d.p asociada a una
distribucin Weibull, se puede construir una escala loglog estandard sobre la cual se
representa una nube de puntos que contenga cada uno de los tiempos de fallo
observados (eje x), de esta manera podemos construir nuestro propio papel de
probabilidades Weibull usando un papel loglog estndar
Con la funcin F(t), para cada valor de t determinamos el par (t y ), si la data es
consistente con una distribucin Weibull, los puntos (pares) graficados deben caer sobre
o muy cerca de de la lnea recta con pendiente . esta lnea debe cortar al eje Log x en el
tiempo t = y al eje Log y en log
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
Se representa grficamente la f.d.p de una Weibull (con escala = 10 y forma = 4 y

su versin linealizada:
ln(t) F(t) ln(t) lnln(1/ 1-F(t) ]
t
1
2 0,69
3
-9,2
0 0,69
-6,4
1,1 0,01
1,1
4 1,39 0,03 1,39

5 1,61 0,06 1,61
6 1,79 0,12 1,79
7 1,95 0,21 1,95
8 2,08 0,34 2,08
-4,8
fdp Weibull 10,4
-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
12 2,48 0,87 2,48
15 2,71 0,99 2,71
0,7 0,2
1
0,1
1,3
0
1,6
16 2,77
1,9
13 2,56 0,94 2,56

14 2,64 0,98 2,64
1 2,77
Weibull Linealizado
-8
-10
0
0,5
1,5
2,5
El papel de probabilidades Weibull

20
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
Lineal ((i-.5)/ 30.2)
Lineal (ln(1/ (1-F(t)))
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
4-. Linealizacin de una distribucin de Gumbell

La distribucin de valores Extremos-TipoI (Gumbell) para mnimo se escribe como:
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
Uso del PPCC para determinar la distribucin que 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
La data que se utilizara en el estudio es el tiempo de falla en horas de un equipo.
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
Un anlisis general del histograma de la data rata de fallas muestra lo siguiente

El rango del tiempo de de falla esta entre 15000-47.000 horas
Se presentan modas aproximadamente en 28.000 y 38.000 horas.
La data es aproximadamente simtrica con una cada en la mitad.
2-.La grafica de Probabilidad Normal
Proporcion
Probabilidad Normal de Tiempo de Falla

99,9
99
95
80
50
20
5
1
0,1
COEFICIENTE DE CORRELACION = 0.9776
18
23
28
33
Tiempos de Falla
38
43
48
(X 1000)
La recta de regresin de la probabilidad normal tiene un coeficiente de

correlacin de 0.980. Podemos usar este valor para comparar el comportamiento
de otra distribucin de probabilidades.
Existe un amplio numero de distribuciones candidatas para ajustar la data de
tiempos de falla pero el estudio se restringe a estudiar aquellas distribuciones que
mas frecuentemente se usan en los estudios de confiabilidad , estas distribuciones
1
son las siguientes:Normal, Exponencial, Weibull,

Gumbel
Lognormal,
Gamma
Uso de las graficas PPCC

Para seleccionar la distribucin que mejor ajusta a la data tiempo de falla, se hace
una comparacin de los valores estimados de los parmetros de localizacin, de
forma y de escala de cada una de las distribuciones candidatas, se presenta una
lista de las distribuciones con los valores de los estimados de: Mximo PPCC,
Parmetro de Forma, Parmetro Localizacin y Parmetro de Escala.
Normal
Mx. PPCC = 0.980
Estimado de Localizacin = 30.81
Estimado de Escala = 7.38
Weibull
Mx. PPCC = 0.988
Estimado de Forma = 2.13
Lognormal
Mx. PPCC = 0.986
Estimado de Localizacin = -9.96
Gamma
Mx. PPCC = 0.987
Gumbell
Mx. PPCC = 0.987
Estos resultados indican que varias de estas distribuciones ajustan
adecuadamente la data tiempo de fallas. La distribucin de Weibull de 3
parmetros seria una buena eleccin para ajustar la data, pues ella presenta un
buen balance de simplicidad y ajuste preciso.
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 de falla esperado usando Weibull.

TIEMPO DE FALLA
20723,3
24365,0
42667,3
44141,4
46814,6
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)]
Probabilidad Weibull de TIEMPODEFA

10
FORMA = 4,635
ESCALA = 33.674,2
0,1
0,01
10000
100000
TIEMPODEFA
Al lo siguiente analizar la grafica de probabilidad Weibull se observa:
La grafica de probabilidad de Weibull es aproximadamente lineal

indicando que la data TIEMPODEFA puede ser adecuadamente ajustada
con una distribucin de Weibull de 2 parmetros.
El estimado del parmetro de forma es 4,635 y el estimado del parmetro
de escala es 33.67
Funcin de riesgo
Funcin de riesgo acumulativa

12
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
Weibull (4,6; 3,37E+4)
Weibull (4,6; 3,37E+4)
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 )
Func i n de de ns idad de pro babilidad

5E-5
4,5E-5
4E-5
3,5E-5
3E-5
2,5E-5
2E-5
1,5E-5
1E-5
5E-6
0
0
20000
40000
x
Weibull (4,6; 3,37E+4)
F(x)
Funcin de dis tribucin acumulativa

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)
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
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.
P ORC E N TAJE AC U M U LAD 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)
Logistica
99,9
99,5
99
95
90
70
50
30
10
5
1
0.5
0.1
0
3
DATA
6
(X 10000,0)
Grfico de probabilidad normal

El grfico de probabilidad normal es una tcnica grfica, utilizada para contrastar la
normalidad de un conjunto de datos. Permite comparar la distribucin emprica de una
muestra de datos, con la distribucin normal. Es un caso prticular de grfico de
probabilidad.
Ejemplo de un grfico de probabilidad normal.

La idea bsica consiste en representar, en un mismo grfico, los datos empricos
observados, frente a los datos que se obtendran en una distribucin normal terica. Si la
distribucin de la variable es normal, los puntos quedarn cerca de una lnea recta. Es
frecuente observar una mayor variabilidad (separacin) en los extremos.
El grfico de probabilidad normal es un caso especial de grfico de probabilidad.
Para construir el grfico de probabilidad normal para un conjunto de
datos
se representan:
Eje vertical: valores ordenados de los datos
Eje horizontal: valor esperado del i-simo estadstico de orden de una

distribucin normal.
Los puntos vienen dados por
aunque hay otras formas de
elegirlos con resultados parecidos.

Los grficos de probabilidad son similares a los grficos P-P y los grficos Q-Q. La
diferencia es que en los grficos P-P se confrontan las proporciones acumuladas de una
variable, con las de una distribucin normal. Los grficos Q-Q se obtienen de modo
9
anlogo, esta vez representando los cuantiles respecto a los cuantiles de la distribucin
normal.
Uniforme
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
P ORC E N TAJE AC U M U LAD O
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)
Ajuste de una data y calculo de la supervivencia

En el anlisis de la confiabilidad y la supervivencia la variable de inters es el tiempo
hasta que ocurre un suceso, este anlisis suponer que esos tiempos siguen una
determinada distribucin de probabilidades o funcin matemtica.
La tasa de mortalidad se denomina funcin de riesgo, si la tasa no vara a lo largo del
tiempo, la funcin de supervivencia es:
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
Se plantea un modelo la tasa de mortalidad en funcin del tiempo y una vez

determinada la tasa de mortalidad, se calcula, a partir de ella, la funcin de
supervivencia
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 -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
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
9
6
3
0
0
30
60
FALLA S
90
120
150
180
Exponencial
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
Lognormal Hazard Rate GRAFICA

0,001
{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
2.Prueba Kolmogorov-Smirnov de bondad de ajuste.

3.Prueba de Anderson-Darling de bondad de ajuste.
El nivel de significacin P (o P-valor).
La significacin estadstica o el nivel de significacin (p- valor) es una medida del grado
en el cual los resultados obtenidos son verdaderos, en el sentido que los resultados
obtenidos por medio de muestras sean extensibles a la poblacin, el nivel de
significacin de un test es un concepto estadstico asociado a la verificacin de una
hiptesis.
El nivel de significacin mide la probabilidad de cometer error al aceptar los resultados
obtenidos en un procedimiento como resultados generalmente validos, es decir validos
para toda la poblacin
El nivel de significacin es equivalente al Error Tipo 1 (alfa: Probabilidad de rechazar la
hiptesis nula dado que esta es verdadera), (decisin conocida como error de tipo I, o
"falso positivo").
Si el valor P es inferior al nivel de significacin, entonces la hiptesis nula es rechazada.
Cuanto menor sea el valor P, ms significativo ser el resultado.
Un valor alto del p-valor representa una menor confianza en que los resultados obtenidos
con la manipulacin de la muestra sean equiparables a los de la poblacin.
El nivel de significacin mide la probabilidad de cometer error al aceptar los resultados
obtenidos en un procedimiento como resultados generalmente validos, es decir validos
para toda la poblacin
Un p-valor de 0.05 se interpreta como que existe el 5% de probabilidad de que las
relaciones encontradas entre las variables a partir de la manipulacin de muestras hayan
sido debido al puro azar, ala pura suerte (de Chiripa)
Si se asume que en la poblacin no existe relacin entre las variables.
Un nivel de significancia de 5% indica que se debe esperar hasta 20 repeticiones para
que aparezca un experimento donde existan entre las variables relaciones mucho ms
significativas que las que se pudieran encontrar en las anteriores replicas del
experimento.
En muchas reas tcnicas el nivel mnimo de significacin se ha establecido en 5%, en
otras ms exigentes como el rea cientfica o de investigacin cientfica requieren de 1%
y otras hasta de 0.1%.
.
.
PRUEBA CHI-CUADRADO DE BONDAD DE AJUSTE

La prueba basada en la ji-cuadrado se realiza distribuyendo el periodo de observacin
en k intervalos y calculando el estadstico:
Siendo Oi los eventos observados en el intervalo i y Ei los esperados en la hiptesis de

que los datos provengan realmente de la distribucin considerada.
Este estadstico, se distribuye aproximadamente como una Chi-cuadrado con k - r - 1
grados de libertad, donde r es el nmero de parmetros de la distribucin estimados a
partir de la muestra
La prueba Chi - cuadrado se utiliza para comprobar si una muestra de los datos
procedede una poblacin con una distribucin especfica.
Una caracterstica atractiva de la Chi-cuadrado es que se puede aplicar a cualquier
distribucin univariada para los que pueden calcular la funcin de distribucin
acumulada.
La prueba Chi-cuadrado se puede aplicar a las distribuciones discretas, como la
binominal y la de Poisson y a cualquier distribucin univariada a la se pueda calcular
con facilidad la funcin de distribucin acumulada.
Las pruebas de Kolmogorov-Smirnov y Anderson-Darling se limitan a las
distribuciones continuas.
La prueba Chi-cuadrado se define por la hiptesis:
Hiptesis
Ho
Ha:
Los datos siguen una distribucin especificada.

Los datos no siguen la distribucin especificada.
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
donde F es la funcin de distribucin acumulada de la

distribucin que se est probando y N es el tamao de
6
la muestra.
Regla de Decisin:
Se acepta H0 cuando
En caso contrario se rechaza. H0

Donde t representa el valor proporcionado por las tablas, segn el nivel de significacin
estadstica elegido.
Si existe concordancia entre las frecuencias observadas y las esperadas el estadstico
tomar un valor igual a 0; por el contrario, si existen grandes discrepancias entre estas
frecuencias el estadstico tomar un valor grande y, en consecuencia, se rechazar la
hiptesis nula.
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
Donde F(x) es la distribucin presentada como hiptesis.
Regla de Decisin
Si Dn+ > W1-
Rechazamos Ho o si
Si Dn- < W
Rechazamos Ho
W 1- es el valor de la prueba KolmogorovSmirnov
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 ))
Donde F es la funcin de distribucin acumulada de la distribucin especificada.

8
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.
AJUSTE DE UNA DATA

A UNA DISTRIBUCIN LOGNORMAL.
La data LOGNORMAL el nmero de meses a los que se produjo la primera falla en
cada uno de los 121 equipos que componen un sistema de transporte. Se tratara de
ajustar la data a una distribucin lognormal.
DATA LOGNORMAL
2 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 7 7
8 8 8 8 8 8 8 8 8 8 9 9 9 9 9 9 9 9 9 9 9 9 10 10 10 10 10
10 10 10 10 10 10 10 10 10 10 10 10 11 11 11 11 11 11 11 11 11 11 11 11 12 12 12
12 12 12 12 12 13 13 14 14 14 14 14 14 14 15 15 15 15 15 15 16 16 16 17 17 17 17
19 19 21 22 24 24 24 27 32 35
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
Si aceptamos que el modelo lognormal es adecuado para ajustar la data LOGNORMAL

podemos calcular la supervivencia a 8 meses y la mediana de supervivencia.
En la grfica se observa que para T=8,
para t=10 aproximadamente.
S (t) es aproximadamente 0,7 y que S (t)=0,5
Usando las frmulas la probabilidad de supervivencia a los 8 meses es 0,7019.

La mediana es el tiempo para el cual:
S (t)=0,5 y
Test de confiabilidad para Lognormal

Cuando ajustamos los tiempos entre fallas a una distribucin Lognormal no es sencillo
determinar un test para la confiabilidad, como esta distribucin tiene dos parmetros,
para obtener una estimacin de estos dos parmetros se requiere que se produzcan al
menos dos fallas y se requieren mucho mas de dos fallas para obtener una buena
estimacin de los dos parmetros de la distribucin.
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:
donde F es la CDF de la normal estndar.Estas suposiciones transforman el problema

de confiabilidad en un problema de Muestreo de Aceptacin de Lotes.
12
Lognormal Hazard Fn grafica

3,500
{G}
Hazard Fn
2,625
1,750
0,875
0,000
6000,0
9000,0
12000,0
15000,0
18000,0
TIEMPOSUP
Lognormal Hazard Rate GRAFICA

0,001
{G}
Hazard Rate
0,001
0,001
0,000
0,000
0,0
5000,0
10000,0 15000,0 20000,0
TIEMPOSUP
Lognormal Survival GRAFICA

1,000
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
12000,0 15000,0 18000,0
TIEMPOSUP
-1,00
0,00
1,00
Lognormal Quantile
Modelo Exponencial
13
2,00
La Funcin de distribucin exponencial negativa se escribe como:
ln [1/ 1-F(t)] = [ln10 ] t
el equivalente ln [1/ 1-F(t)] = t

Sea y = 1/{1 - F(t)} y x = t, entonces log (y) es lineal en base a log(x) con una pendiente de ln10.
De esta manera podemos construir nuestro propio papel de probabilidades exponencial usando un papel
semilogaritmico estndar.
Para cada valor de t determinamos el par (t, F (t)),
Si la data se ajusta a una distribucin exponencial, los puntos (pares) graficados deben caer sobre de la
lnea recta con pendiente / ln10.
Ajuste de una data a una distribucin exponencial

Se dispone de la data del tiempo de falla de un grupo de 40 componentes electrnicos no reparables.
Se desea conocer si la ley que rige los tiempos de falla de estos componentes es una distribucin
exponencial negativa.
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
Estadsticas descriptivas para los intervalos :

Lmite
Lmite
Frecuenci
Frecuencia
inferior
superior
a
relativa
0
130
17
0,436
130
260
7
0,179
260
390
4
0,103
390
520
5
0,128
520
650
4
0,103
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
Bondad de ajuste Resumen

Distribucin
1 Exponencial
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%.
Graficas de Densidad y de Supervivencia

Funcin de distribucin acumulativa
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
La Funcin de distribucin de Weibull

Un modelo de distribucin que se utiliza con bastante frecuencia para modelar los tiempos de vida
es la distribucin de Weibull.
Creada por el Profesor Waloddi Weibull, esta distribucin esta descrita por tres parmetros; B el
parmetro de forma, C el parmetro de escala y D el parmetro de localizacin, la expresin de la
Weibull en funcion de de estos parmetros es:
f ( t | B,C,D ) = (B/C) (t-D)(B-1) e(t-D)B
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.
La distribucin de Weibull de dos parmetros

La distribucin Weibull de dos parmetros es bastante utilizada en los estudios de la confiabilidad
y la supervivencia, ella presenta una gran flexibilidad para crear modelos de varios tipos de
comportamiento de riesgo, es fcilmente manejable algebraicamente y como toda distribucin de
dos parmetros puede describir bastante bien muchas situaciones reales.
La distribucin Weibull-2p es un caso representativo de variable aleatoria no negativa, ella
admite una interpretacin fsica bastante verosmil.
La funcin de Weibull de dos parmetros est definida por:
f(t) = t)
= ctes > 0
Para = 1 esta funcin es la distribucin exponencial, la funcin exponencial es una

particularizacin de la funcin ms general de Weibull.
Las funciones de supervivencia y riesgo para esta variable son:
S(t) = e-(t)yh (t) = (t)
El riesgo es creciente en el tiempo para > 1, constante para = 1 y decreciente para
< 1.
Al tomar dos veces el logaritmo de la funcin de supervivencia obtenemos:
ln[S(t)] = -(t)
ln(-ln(S(t))] = ln(t) +ln( A+Bln( ))
y calculando el logaritmo de la funcin de riesgo

ln[h(t)] = ln() + (ln( + (ln(t) A + Bln(t)
las relaciones entre el logaritmo del logaritmo cambiado de signo de la Supervivencia
con el logaritmo del tiempo y el logaritmo del riesgo con el logaritmo del tiempo son
lineales.
Se usan estas relaciones para evaluar la idoneidad del modelo de Weibull, la
distribucin de Weibull se utiliza para modelar tiempos de falla, los dos parmetros de
la distribucin se suelen llamar de forma (alfa) y de escala (gamma.).
La funcin de densidad de probabilidades de Weibull

La formula de la funcin de densidad de probabilidades de la distribucin Weibull es:
f(x)
x ( 1)
(
) exp( ((x )/) )
x ; , 0
18
donde es el parmetro de forma, es el parmetro de escala .El caso donde

= 1 es llamado la distribucin Estndar de Weibull.
=0 y
El caso donde = 0 se llama la distribucin de Weibull de 2 parmetros.

La ecuacin Weibull de 2 parmetros se representa en este caso con la siguiente
expresin:
f ( x) x ( 1) exp(( x )
x 0 0
La siguiente es la grafica de la funcin de densidad de la distribucin de Weibull con

valores de : 0.5, 1, 2 y 5
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
La funcin de probabilidad Acumulada de Weibull

La formula de la funcin de probabilidad Acumulada de la distribucin Weibull es:
F(t) = 1 exp(- x)
x 0 ; 0
La siguiente es la grafica de la funcin de probabilidad Acumulada de la distribucin

Weibull con valores de : 0.5, 1, 2 y 5
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
La funcin de riesgo de la distribucin Weibull

La expresin para la funcin de riesgo de la distribucin Weibull es:
h(x) = x(-1)
x 0; g > 0
La siguiente es la grafica de la funcin de riesgo de la distribucin Weibull con un valor

de 0,5, 1, 2, y 5
Funcion Riesgo Weibull

100
Forma,Escala
0,5,1
1,1
2,1
5,1
Riesgo
80
60
40
20
0
0
La funcin del riesgo acumulado de Weibull

La expresin de la funcin del riesgo acumulado de Weibull es:
H(x) = x x > 0: > 0
La siguiente es la grafica de la funcin del riesgo acumulado de Weibull con los
intervalos de confianza de 95%.
20
R IE S G O R IE S G O A C U M U L A D O
RIESGO ACUMULADO WEIBULL
15,000
{G}
11,250
7,500
3,750
0,000
15000,0
26250,0
37500,0
48750,0
60000,0
TIEMPO DE FALLA
La funcin de la Supervivencia de la distribucin Weibull

La expresin para la funcin de la Supervivencia de la distribucin Weibull es:
x > 0: > 0
S(x) = exp-(x)
Prob. Supervivencia
La siguiente es la grafica de la funcin de la Supervivencia de la probabilidad de la

distribucin Weibull con un valor de : 0,5, 1, 2, y 5.
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
La funcin Inversa de la Supervivencia de Weibull

La expresin para la funcin Inversa de la Supervivencia de la distribucin Weibull es:
Z(p) = (ln(p))10 p 1 > 1
La siguiente es la grafica de la funcin del logaritmo de la Supervivencia de la
probabilidad de la distribucin Weibull con un valor de : 0,5, 1, 2, y 5.
21
Prob. logSupervivencia
Weibull Distribucin
3
Forma,Escala
0,5,1
1,1
2,1
5,1
-7
-17
-27
-37
0
10
15
Ajuste de una data

a una distribucin Weibull
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
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
50% (Mediana) 1,7135
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
Bondad de ajuste - Detalles

Weibull (3P)
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
0,1484 0,16959 0,18841 0,21068 0,22604

No
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
Ajuste de una data

a una distribucin Weibull
23
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
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
50% (Mediana) 1,7135
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
Se puede probar si la distribucin Weibull ajusta adecuadamente a los datos de tiempo

de vida, mediante las pruebas de Bondad de Ajuste
puede ser adecuadamente modelada por una distribucin Weibull

La tabla presenta los detalles de las pruebas: Kolmogorov-Smirnov, Anderson-Darling
y Chi-cuadrado
Bondad de ajuste - Detalles

Weibull (3P)
Kolmogorov-Smirnov
Estadstica
0,06894
24
Valor P
Rango
0,95823
10
0,2
Valor crtico
Rechazar?
0,1
0,05
0,02
0,01
0,1484 0,16959 0,18841 0,21068 0,22604

No
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
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.
Pruebas de Bondad-de-Ajuste para

Tiempo de vida
La tabla muestra los resultados de la prueba de Kolmogorov-Smirnov realizada para
determinar si la data tiempo de vida puede ser modelada adecuadamente por la
distribucin Weibull 3P.
Pruebas de Bondad-de-Ajuste para tiempo de vida
Prueba de Kolmogorov-Smirnov
DMAS
DMENOS
DN
Valor-P
Normal
0,130632
0,122675
0,130632
0,364094
Weibull (3-Parmetros)
0,0497935
0,0689363
0,0689363
0,971407
25
El Test Kolmogorov-Smirnov determina el estadstico para la mxima distancia entre la

distribucin acumulada de tiempo de vida y la CDF de la distribucin terica de
Weibull 3P, la mxima distancia es 0,0689363.
El menor valor de P-valor es 0,971407. Por ser el P-valor mayor o igual a 0.10, no
podemos rechazar la hiptesis de que la data tiempo de vida provenga de una
distribucin Weibull 3P.
Comparacin de Distribuciones Alternas

Esta tabla compara la bondad de ajuste cuando varias distribuciones se ajustan a tiempo
de vida
De acuerdo con el estadstico log verosimilitud, la distribucin de mejor ajuste es la
distribucin Weibull de 3 parmetros.
Distribucin
Weibull
Gamma
Exponencial
Loglogstica
Lognormal
Valor Extremo Ms Grande
Birnbaum-Saunders
Logstica
Normal
Laplace
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
Evaluacin visual de las graficas.

Se puede evaluar visualmente que tan bien se ajusta la distribucin y determinar los
valores puntuales del riesgo y la supervivencia, con el uso de las graficas: histograma de
frecuencias, de la grafica de riesgo y grafica de supervivencia
Funcin de Densidad
0,5
d e n s id a d
0,4
Distribucin
Lognormal
Normal
0,3
0,2
0,1
0
0
4
6
tiempo de vida
26
10
DISTRIBUCION DE FRECUENCIA
12
Distribucin
Normal
frecuencia
10
8
6
4
2
0
-1
11
tiempo de vida
Fu ncin Estimada de Su pervivencia
P rob de s upervivencia
1
0,8
0,6
0,4
0,2
0
0
4
6
tiempo de vida
10
Comparacin de Distribuciones Alternas

Esta tabla compara la bondad de ajuste cuando varias distribuciones se ajustan a tiempo
de vida
De acuerdo con el estadstico log verosimilitud, la distribucin de mejor ajuste es la
distribucin Weibull de 3 parmetros.
Distribucin
Weibull
Gamma
Exponencial
Loglogstica
Lognormal
Valor Extremo Ms Grande
Birnbaum-Saunders
Logstica
Normal
Laplace
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
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
donde es el parmetro de forma, es el parmetro de localizacin y es el parmetro

de escala.
El caso donde = 0 y = 1 se refiere como la distribucin lognormal estndar.
Si
X~ N() es una distribucin normal, entonces: exp(X) ~ Log- N()
donde = 0 se llama la distribucin lognormal de 2 parmetros.
La distribucin Lognormal Estndar

La expresin general de la funcin de densidad de probabilidades de la distribucin
Lognormal Estndar es la siguiente:
30
f (t )
e ((ln t ) / 2 2 )
t 2
La ecuacin de la distribucin general Lognormal se puede expresar en trminos de la

ecuacin de la distribucin Lognormal Estndar.
La grafica presenta las curvas de la densidad de probabilidad de la distribucin
Lognormal de media 1 y para cuatro valores distintos de la desviacin tpica
y
1,5
1,2
Media,Desv. Tp.
1,5
1,0,5
1,1
1,2
0,9
0,6
0,3
0
0
La funcin de distribucin Acumulada de la lognormal

La expresin de la distribucin acumulada de la distribucin Lognormal es:
F ( X ) (
ln( x )
donde es la funcin de distribucin acumulada de la normal estndar.

La siguiente es la grafica de la funcin de distribucin Lognormal acumulada de
media 1 y para cuatro valores distintos de la desviacin tpica : 5, 2, 1 y 0.5.
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
Funcin de riesgo de la distribucin Lognormal

La expresin de la funcin de riesgo de la distribucin Lognormal es:
1
ln t
t
h(t , )
(
)
_ ln t
(
)
R I E SG O
La siguiente es la grafica de la funcin de riesgo de la distribucin Lognormal, para los

mismos valores de la media 1 y para una desviacin tpica y es la
funcin de densidad de la Normal.
Las siguientes
3 son las graficas de la funcin de riesgo de la distribucin
Media,Desv. T p.
Lognormal, para los mismos valores
de la media 1 y para una desviacin tpica de
1,0,5
2,5
y 5)
1,1
2
1,2
1,5
1,5
1
0,5
0
0
10
15
20
25
30
Funcin de Supervivencia de la distribucin Lognormal

La expresin de la funcin de Supervivencia de la distribucin Lognormal es:
S(t) = 1- ln(t)
La siguiente es la grafica de la funcin de Supervivencia de la distribucin Lognormal, para
los mismos valores de la media 1 y para una desviacin tpica y
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
Ajuste de una data

a una distribucin Lognormal
Ajuste de Datos bacteriolgicos a una distribucin lognormal
La data presenta los valores del nmero ms probable de bacterias en cada 100 ml, se desea
ajustar estos datos a una distribucin lognormal .
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
NMP/100 ml
Estadstica
Valor
Percentil
Valor
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
Pruebas de Bondad de Ajuste para NMP/100 ml

La tabla presenta los detalles de las pruebas: Kolmogorov-Smirnov, Anderson-Darling
y Chi-cuadrado, se usaran para determinar si la data NMP/100 ml puede ser modelada
adecuadamente por la distribucin lognormal.
Se puede probar si la distribucin lognormal ajusta adecuadamente a los datos de
NMP/100 ml mediante el valor del p-valor para las pruebas de Bondad de Ajuste
Pruebas de Bondad de ajuste

Lognormal
Kolmogorov-Smirnov
Tamao de la muestra
Estadstica
Valor P
Rango
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
Se puede probar si la distribucin lognormal ajusta adecuadamente a los datos de

NMP/100 ml comparando el valor del p-valor para las pruebas de Bondad de Ajuste
realizadas con el valor 0.06.
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 NMP/100 ml proviene de la distribucin
lognormal.
Pruebas de Bondad de Ajuste para

NMP/100 ml
La tabla muestra los resultados de la prueba de Kolmogorov-Smirnov realizada para
determinar si la data NMP/100 ml puede ser modelada adecuadamente por la
distribucin lognormal.
Pruebas de Bondad-de-Ajuste para NMP/100 ml

1.Test Kolmogorov-Smirnov
DMAS
DMENOS
DN
Valor-P
Lognormal
0,0858608
0,117279
0,117279
0,672761
La prueba de Kolmogorov-Smirnov calcula la distancia mxima entre la distribucin

acumulada de la data NMP/100 ml y la FDA de la distribucin lognormal ajustada.
En la tabla se observa que el estadstico para la mxima distancia entre la distribucin
acumulada de NMP/100 ml y la CDF de la distribucin terica de lognormal es
0,117279.
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
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
Chi-Cuadrada = 4,64677 con 3 g.l. Valor-P = 0,199563

El P-valor es 0,199563. 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
Evaluacin visual de las graficas.

Se puede evaluar visualmente que tan bien se ajusta la data de NMP/100 ml a la
distribucin lognormal y determinar los valores puntuales del riesgo y la supervivencia,
con el uso de las graficas: histograma de frecuencias, de la grafica de riesgo y de la
grafica de supervivencia
Histograma para NMP/100 ml
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
p ro b ab ilid ad d e su p erviven cia
Lognormal
1
0,8
Media,Desv. Est.
3,62,1,21
0,6
0,4
0,2
0
0
10
La traza de densidad para NMP/100 ml.

Una traza de densidad es, esencialmente, un histograma suavizado el cual muestra la
forma de la distribucin de la cual proviene la muestra.
La traza se construye contando el nmero de observaciones dentro de un intervalo de
ancho fijo conforme se mueve a lo largo del eje X, y ponderndolas de tal modo que den
un estimado suavizado de la funcin de densidad subyacente
La grfica muestra la traza de densidad para NMP/100 ml.
37
Traza de Densidad para NMP/100 ml

(X 0,001)
6
d e n s id a d
5
4
3
2
1
0
0
100
200
300
NMP/100 ml
400
500
DISTRIBUCION DE VALORES EXTREMOS-GUMBEL

La distribucin de valores extremos, referida como la distribucin de Gumbel,
tiene dos formas de expresin, una basada en el extremo inferior y otra basada en
el extremo superior.
La expresin general para la funcin de densidad de la distribucin Gumbell es:
f ( x)
donde es el parmetro de localizacin y es el parmetro de escala. El caso

cuando = 0 y = 1 se refiere como la distribucin estndar de Gumbell.
La ecuacin de la distribucin estndar de Gumbel se expresa como:
f ( x) e x e e
Se presenta una grafica con las funciones de densidad de la distribucin de

valores extremos (Gumbel) con un valor del parmetro de escala de 1 y para
Modas de 1,2 y 5.
Distribucion Valores Extremos
densidad
0,4
0,3
Moda,Escala
1,1
2,1
5,1
0,2
0,1
0
38
-4
-2
La grafica presenta la funcin de densidad de la distribucin de Gumbel para el

caso del extremo inferior (mnimo) y parmetros 1 y 1.
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
parmetro de localizacin y es el parmetro de escala. Cuando = 0 y = 1

se refiere como la distribucin estndar de Gumbell para el extremo superior
(mximo).La ecuacin de la distribucin estndar de Gumbell para el extremo
f ( x) e x e e La siguiente es una grafica de la
superior se expresa como:
funcin de densidad de la distribucin de Gumbell para el caso del extremo
x
39
superior (mximo) y con parmetros 5 y 1.
DENSIDAD
0,4
0,3
Extremo Superior
Extremo Superior
5,1
0,2
0,1
0
Funcin de Distribucin Acumulada de Gumbel

La distribucin acumulada de Gumbel para el extremo inferior se expresa como:
La siguiente es una grafica de la funcin distribucin acumulada de la

distribucin de valor extremo con un valor del parmetro de escala de 1 y para
Modas de 1,2 y 5.
Valor Extremo Distribucin

Prob. Acumulada
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
Acumulada Valores Extremos Inferior

Probab Acumulada
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.
Acumulada Valores Extremos

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
Riesgo Valores Extremos

Extremo Inferior
24
20
Extremo Inferior
0,5,1
Riesgo
16
12
8
4
0
-4,5
-2,5
-0,5
1,5
3,5

extremo superior se expresa como:
para el extremo superior con parmetros 5 y 1.

Extremo Superior
24
20
Extremo Superior
5,1
Riesgo
16
12
8
4
0
0
42
Las formulas de los estadisticos de Gumbel Extremo superior .

Mediana
Moda
Rango
Desviacin
Estandar
Sesgo
Curtosis
Coeficiente
De variacion
MEDIA
Menos Infinito
Mas Infinito..
1.13955
5.4
0.5752
0.5752 es el nmero de Euler
Los parmetros de Gumbel Superior con el mtodo de los momentos son:
S 6
donde
x 0.5772
y s son la media y la desviacin estndar de la muestra.
Ajuste de una distribucin de Gumbel

La data GUMBEL el nmero de horas de operacin a las que se produjo la
primera falla en cada uno de los 30 equipos que componen un sistema de
transporte lacustre en el lago de Maracaibo
Se tratara de ajustar la data a una distribucin de Gumbel
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
Solucin
Estadstica
Valor
Percentil
Valor
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
50% (Mediana) 291
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
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.
Resultados de ajuste
# Distribucin
Parmetros
1 Gumbel Min =52,827 =330,53

Bondad de ajuste - Resumen
# Distribucin
Kolmogorov
Smirnov
Estadstica
1 Gumbel Min
Anderson
Darling
Rango Estadstica
0,28077
Chi-cuadrado
Rango
3,3598
Estadstica Rango
7,5917
Parmetro de Forma =330,53 y un parmetro de Escala de 52,8275.

Funcin de distribucin acumulativa
1
0,9
0,8
0,7
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
Las Areas 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
44
500
Bondad de ajuste Resumen
# Distribucin
Kolmogorov
Smirnov
Anderson
Darling
Chi-cuadrado
Estadstica Rango Estadstica Rango Estadstica Rango

1 Gumbel Min
0,28077
3,3598
7,5917
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 = 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.
Funcin de Supervivencia Acumulada
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
Funcin de Probabilidad Emprica vs. Probabilidad del Modelo

Probabilidad-Probabilidad
1
0,9
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
DISTRIBUCION DE VALORES EXTREMOS-GUMBEL

La distribucin de valores extremos, referida como la distribucin de Gumbel,
tiene dos formas de expresin , una basada en el extremo inferior y otra basada
en el extremo superior.
La expresion general para la funcin de densidad de la distribucin Gumbell es:
f ( x)
donde es el parmetro de localizacin y es el parmetro de escala. El caso

cuando = 0 y = 1 se refiere como la distribucin estndar de Gumbell.
La ecuacin de la distribucin estndar de Gumbel.se expresa como:
46
f ( x) e x e e
La grafica presenta la funcin de densidad de la distribucin de Gumbel para el

caso del extremo inferior (mnimo) y parmetros 1 y 1.:
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
parmetro de localizacin y es el parmetro de escala. Cuando = 0 y = 1

se refiere como la distribucin estndar de Gumbell para el extremo superior
(mximo).
La ecuacin de la distribucin estndar de Gumbell para el extremo superior se
f ( x) e x e e
expresa como:
x
La siguiente es una grafica de la funcin de densidad de la distribucin de

Gumbell para el caso del extremo superior (mximo) y con parmetros 5 y 1.
47
Extremo Superior
DENSIDAD
0,4
Extremo Superior
5,1
0,3
0,2
0,1
0
Funcin de Distribucin Acumulada de Gumpel

La distribucin acumulada de Gumbel para el extremo inferior se expresa como:

el extremo inferior y con parmetros 1 y 1.
Acumulada Valores Extremos Inferior

Probab Acumulada
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:

el extremo superior y con parmetros 5 y 1.
48
Acumulada Valores Extremos

1
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.
La ecuacin de la distribucin inversa acumulada de Gumbell para el extremo

inferior se expresa como:
La siguiente es una grafica de la funcin distribucin inversa acumulada de

Gumbell para el extremo superior.
49

h(x) = ex
para el extremo inferior y parmetros 0.5 y 1.

Extremo Inferior
24
Riesgo
20
Extremo Inferior
0,5,1
16
12
8
4
0
-4,5
-2,5
-0,5
1,5
3,5

para el extremo superior con parmetros 5 y 1.
50

Extremo Superior
24
20
Extremo Superior
5,1
Riesgo
16
12
8
4
0
0
FUNCION ACUMULADA DE RIESGO DISTRIBUCION DE VALORES

EXTREMOS-GUMBEL
La ecuacin de la funcin Acumulada del Riesgo de la distribucin de Gumbel
para el extremo inferior se expresa como:

para el extremo inferior.
La ecuacin de la funcin Acumulada del riesgo de la distribucin de Gumbel

para el extremo superior se expresa como:
51
La siguiente es una grafica de la funcin del riesgo de la distribucin

Gumbell para el extremo superior.
de
La ecuacin de la funcin de Supervivencia de la distribucin de Gumbel para el

La siguiente es una grafica de la funcin de Supervivencia de la distribucin de

Gumbel para el extremo inferior.
La ecuacin de la funcin de Supervivencia de la distribucin de Gumbel para el

52
La siguiente es una grafica de la funcin de Supervivencia de la distribucin de

Gumbel para el extremo superior.
FUNCION DE LA INVERSA DE LA SUPERVIVENCIA GUMBEL

La ecuacin de la funcin de la Inversa de la Supervivencia de la distribucin de
Gumbel para el extremo inferior se expresa como:

La siguiente es una grafica de la funcin Inversa de la Supervivencia de la
distribucin de Gumbel para el extremo
FUNCION DE LA INVERSA DE LA SUPERVIVENCIA

La ecuacin de la funcin de la Inversa de la Supervivencia de la distribucin de
Gumbel para el extremo superior se expresa como:
53
La siguiente es una grafica de la funcin Inversa de la Supervivencia de la

distribucin de Gumbel para el extremo superior.
Las formulas de los estadisticos de Gumbel Extremo superior .

Mediana
Moda
Menos Infinito Mas Infinito..
Rango
Desviacin
Estandar
1.13955
Sesgo
5.4
Curtosis
Coeficiente
De variacion
MEDIA
0.5752 0.5752 es el numero de Euler
Los parmetros de Gumbel Superior con el mtodo de los momentos son:
donde
y s son la media y la desviacin estndar de la muestra.
Ajuste de una distribucin de Valores Extremos Gumbel

La data GUMBEL el nmero de horas de operacin a las que se produjo la
primera falla en cada uno de los 30 equipos que componen un sistema de
54
transporte lacustre en el lago de Maracaibo. Se tratara de ajustar la data a una

distribucin de Valores Extremos - Gumbel
DATA GUMBEL
230 282 309 249 348 360 220 295 255 195 288 275 294 245 305 375 287 210 286 500
295 462 400 299 285 330 237 278 307 300
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
Si aceptamos que el modelo de Valores Extremos 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...
En la grfica se observa que para T=250 horas S(t) es aproximadamente 0,75 y
que S(t) = 0,5 para T = 300 horas aproximadamente.
Prediccin de la Confiabilidad
Ensayos de Demostracin de la Confiabilidad

Ensayos de vida acelerada en Confiabilidad
Modelo de aceleracin de Arrhenius
56
Significado del Mtbf de un dispositivo.

Calculo del MTBF
Los intervalos de confianza del MTBF
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
La informacin de la confiabilidad de los componentes individuales y los mtodos de

clculo estn disponibles en normas y tablas, las tablas ms utilizadas son las normas
MIL- STANDAD y las normas de Bellcore.
La norma MIL-STANDADD-217 establece dos mtodos de prediccin de confiabilidad,
uno denominado de Relacin de Componentes y otro denominado de Anlisis de
Esfuerzos
El mtodo Bellcore permite integrar datos de diferente procedencia, datos de campo,
datos de laboratorio, datos de la norma MIL-STD-217 o datos del fabricante.
Ensayos de Demostracin de la Fiabilidad

Mediante ensayos es posible obtener una informacin ms precisa acerca de la
confiabilidad que del equipo o del sistema.
El ensayo determina la confiabilidad de la muestra ensayada, cuanto mayor sea el
tamao de la muestra y el tiempo de ensayo, ms exacta ser la estimacin del MTBF.
Con los Ensayos de Demostracin de Fiabilidad, se pretende demostrar que se cumple
con un determinado requisito de confiabilidad, con un cierto grado de confianza. Con
las normas MIL-STANDARD se determinan los planes de muestreo estadstico que
permiten definir el tamao de la muestra.
Los modelos de pruebas de vida acelerada tiene las siguientes dos
componentes: Una distribucin de vida que representa la dispersin
de la vida del producto y la relacin vida esfuerzo.
Las distribuciones ms usuales para pruebas de vida son:
exponencial, normal, lognormal, Weibull y de valores extremos
(Gumbell).
Cuando el tiempo de la prueba se especifica y algunas unidades no
han fallado hasta ese momento, se dice que stas estn censuradas o
que se tienen datos censurados por la derecha.
En muchas aplicaciones industriales, las variables de aceleracin ms
comunes son la temperatura, voltaje y presin, dependiendo de stas
se aplica una relacin vida esfuerzo especfica, por ejemplo si el
esfuerzo es temperatura, la relacin usual es la de Arrhenius, aunque
cabe aclarar que sta no siempre se aplica en situaciones en donde la
variable de aceleracin es temperatura ya que en algunos casos no
se tiene un buen ajuste del modelo. Algunas aplicaciones de esta
relacin son: aislantes elctricos y dielctricos, estados slidos y
semiconductores, celdas de batera, lubricantes, plsticos, lmparas
incandescentes, etc.
Si el esfuerzo aplicado en la prueba es voltaje, la relacin ms comn
es la de potencia inversa.
En cualquier caso se necesita el uso de una distribucin de prueba de
vida, dependiendo de la distribucin utilizada, se tiene los modelos
para pruebas de vida acelerada, por ejemplo si la relacin es potencia
58
inversa y se usa la distribucin Weibull, se tiene el modelo potencia

inversa Weibull
Ensayos de vida acelerada en confiabilidad

Las pruebas aceleradas son muy usadas en la industria manufacturera, particularmente para
obtener informacin de la confiabilidad de sus componentes y materiales. Existe una gran
variedad de mtodos estadsticos en la aceleracin de la vida de un producto complicado que
puede fallar de diferentes maneras. Generalmente, la informacin de las pruebas a altos
niveles de una o ms variables de aceleracin o esfuerzo (como pueden ser temperatura,
voltaje o presin) se utiliza para estimar la distribucin de vida del producto. El trmino
aceleracin tiene varios significados en el campo de la confiabilidad, pero el trmino
generalmente implica ir ms rpido, de tal forma que la informacin de la confiabilidad pueda
obtenerse ms rpidamente. Existen diferentes tipos de pruebas de confiabilidad en las fases
del proceso de produccin del producto, las ms comunes son pruebas de vida acelerada y
pruebas de degradacin acelerada.
Pruebas de vida acelerada
Una prueba acelerada de vida es aquella en la cual un artculo o producto de inters, se

somete a un esfuerzo en condiciones ambientales mayores a las que tpicamente estar
operando. Los principales objetivos de acelerar la vida de un producto son: estimar la
distribucin de vida de dicho producto, identificar fallas en el diseo, medir y demostrar la
confiabilidad.
Los ensayos de vida acelerada (HALT) estn destinados a la realizacin de pruebas de

vida acelerada de los materiales, los equipos, los mecanismos y los sistemas, con el fin
de evaluar sus puntos vulnerables, susceptibles de presentar posibles fallos cuando se
encuentran sometidos a los entornos climticos en que se desarrollan
Los ensayos de envejecimiento ambiental acelerado facilitan a los ingenieros, una
informacin para localizar debilidades, detectar fallos de diseo o construccin,
de
optimizar tolerancias de mecanizacin y ensamblaje, mejorar los procesos

produccin, corregir defectos incipientes, y sobre todo, minimizar la incertidumbre para
asegurar la capacidad del producto para poder desempear las funciones asignadas
Los ensayos de vida acelerada

Una prueba de vida acelerada es aquella en la cual un equipo o
producto de inters, se somete a un esfuerzo en condiciones
ambientales mayores a las que tpicamente estar operando.
Los principales objetivos de acelerar la vida de un producto son:
estimar la distribucin de vida de dicho producto, identificar fallas en
el diseo, medir y demostrar la confiabilidad.
Los ensayos de vida acelerada (HALT) estn destinados a la realizacin de pruebas de
vida acelerada de los materiales, los equipos, los mecanismos y los sistemas, con el fin
de evaluar sus puntos vulnerables, susceptibles de presentar posibles fallos cuando se
encuentran sometidos a los entornos climticos en que se desarrollan
Los ensayos de envejecimiento ambiental acelerado facilitan a los ingenieros, una
informacin para localizar debilidades, detectar fallos de diseo o construccin,
optimizar tolerancias de mecanizacin y ensamblaje, mejorar los procesos de
59
produccin, corregir defectos incipientes, y sobre todo, minimizar la incertidumbre para

asegurar la capacidad del producto para poder desempear las funciones asignadas.
El objetivo que tienen estos ensayos es reducir el tiempo de prueba necesario para
determinar su fiabilidad.
Los ensayos acelerados se basan en acelerar mediante la aplicacin de un alto nivel de
esfuerzo o acelerar mediante la compresin en el tiempo.
Se han desarrollado procedimientos de ensayo basados en la aplicacin de un alto nivel
de esfuerzo, que han sido aplicados principalmente a componentes individuales.
Un ejemplo clsico de ensayo acelerado es la utilizacin de la Cmara de Presin de
Vapor en el ensayo de componentes y que consiste en someter las muestras a una
presin superior a la atmosfrica con objeto de controlar la humedad para temperaturas
superiores a los 100 C.
Modelo de aceleracin de Arrhenius

El modelo de Arrhenius es uno de los ms antiguos y eficientes modelos para describir
un modelo de aceleracin de un proceso que predice como el tiempo de falla varia con
la temperatura, por ejemplo.
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)
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:
F = exp.(H/k) [ 1/T1 - 1/T2 ]
Usando el valor de k dado arriba, esta expresin se puede escribir en trminos T en

grados Celsius como:
F = exp.(H*11605* [ 1/(T1 +273,16) - 1/(T2 +273,16) ]

60
El parmetro de esta formula es H, un factor de aceleracin entre 25C y 125C es

calculado como F = 133
Modelo de Arrhenius lognormal

La vida de algunos productos y materiales en una prueba con
temperatura acelerada se describe adecuadamente con una
De acuerdo con la ley de Arrhenius, la razn de una simple reaccin
qumica (R) depende de la temperatura como sigue R(T) = Aexp(Ea/KbT ) donde Ea es la energa a la cual se activa la reaccin,
usualmente en volts (eV), KB = 8.6171 x 10-5 = 1/11605 es la
constante de Boltzmanns en electrn volts por C, T = TempC+
273.15 es la temperatura absoluta en la escala de Kelvin, A es una
caracterstica de falla del producto en condiciones de prueba, Ea y A son
parmetros del modelo que deben estimarse.
La vida del producto tiene un distribucin lognormal o el equivalente que el logaritmo
de sta tiene una distribucin normal, la desviacin estndar, , del logaritmo de la vida
es constante independiente de la temperatura y el logaritmo de la vida media .5(T) es
una funcin lineal del inverso de la temperatura absoluta, esto es, log[0.5(T)] = 1+
(2/T), la cual se llama la relacin de Arrhenius.
Los parmetros 1, 2 y son caractersticas del producto y del
mtodo de prueba, los cuales son estimados de los datos.
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
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
momento cuando ocurre la falla, k es la constante de Boltzmann (8.617 x 10-5 en ev/K).
61

F = exp(H/k) [ 1/T1 - 1/T2 ]

Usando el valor de k dado arriba, esta expresin se puede escribir en trminos de T en
t 273.16
F exp H * 1160 *
1
t
273.16
El modelo de Arrhenius es uno de los ms antiguos y eficientes modelos para describir

un modelo de aceleracin de un proceso que predice como el tiempo de falla varia
con la temperatura, por ejemplo.
El modelo de Arrhenius ha sido usado exitosamente para estudiar mecanismos de fallas
mecnico que causan las fallas en los equipos electrnicos, la ecuacin de Arrhenius se
expresa de la siguiente forma:
tf = Aexp(H/kT)
momento cuando ocurre la falla y k es la constante de Boltzmann (8.617 x 10 -5 en
ev/K).
El factor de aceleracin entre dos temperaturas aumenta exponencialmente tanto
como H
F = exp.(H/k) [ 1/T1 - 1/T2 ]

Usando el valor de k dado arriba, esta expresin se puede escribir en trminos T en
F = exp.(H*11605* [ 1/(T1 +273,16) - 1/(T2 +273,16) ]

62
El parmetro de esta formula es H, un factor de aceleracin entre 25C y 125C, F

= 133, si H = .5, F= 17,597 si H = 1.0 y F= 17,597 si H = 1.0.
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
SIGNIFICADO DEL MTBF DE UN DISPOSITIVO.

MTBF son las siglas de "Mean Time Between Faillure" o "Tiempo Medio de
Vida entre Fallas". El MTBF se expresa en horas y para cada equipo o
dispositivo se puede determinar un MTBF terico o calculado y un MTBF
prctico o medido
Cuando se realiza el clculo terico del MTBF de un dispositivo, se obtiene un
valor en horas que representa el tiempo que ste permanecer sin fallar si lo
ponemos a trabajar en las condiciones de temperatura, presin y del ambiente
especificadas para el dispositivo.
El valor del MTBF nos da una medida precisa de la Calidad del producto que
diseamos, fabricamos, vendemos o compramos
Los componentes de los circuitos, por ejemplo, estn sometidos a diversos tipos
de estrs que determinan su duracin.
Cuando se tiene un cierto nmero de dispositivos funcionando un determinado
nmero de horas, si se produce un fallo, el MTBF es el producto del nmero de
dispositivos por las horas que llevan funcionando
66
CALCULO DEL MTBF

El tiempo medio antes de la falla o el MTBF es una de las medidas mas usada
para determinar la disponibilidad de un sistema.
Cuando se trata de estimar estadsticamente este parmetro es comn encontrar
datos de equipos que han sido retirados del sistema sin que hallan presentado
falla alguna o de equipos que hallan presentado fallas producidas por causas
extraas al funcionamiento del equipo, este tipo de informacin se denomina
informacin censurada o data censurada.
Los datos censurados son una informacin valiosa para determinar los
parmetros de funcionamiento del sistema y ellos deben ser incluidos en la
determinacin del MTBF por medio del uso de mtodos estadsticos como el
anlisis de supervivencia.
El MTBF se interpreta como el tiempo de operacin esperado o ms probable al
cual ocurrir una falla, una vez obtenida la funcin de confiabilidad R (t) se
determina el MTBF.
MTBF R(t)dt R(t)(tj tj 1)

0
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
VARIAC ION DEL M TBF EN FUNC ION DEL

LUGAR DE USO Y DE LA TEM PERATURA
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
GB: Ambiente benigno. Edificios, oficinas, casas, garajes, almacenes, aulas.

GF: Ambiente fijo. Postes, cabinas, cabrias.
GM: Ambiente mvil. Automvil, camiones, tractores, balancn
EJEMPLO DEL CLCULO DEL MTBF

En un campo petrolero se simula un ensayo acelerado para estimar el valor real
del MTBF del equipo de medicin de temperatura (termocuplas)
La tabla presenta los datos tiempos en das a los cuales se produce la primera
falla en la medicin en cada poso., la columna Status identifica con "1" a los
equipos que presentan fallas y con "0" a los equipos a los datos censurados.
TERMOCUPLA
TIEMPO
STATUS
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
Calcular el numero de fallas esperada en los 15 equipos en los prximos

365 das
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
d-.Cuando se calcula el Tiempo Medio de Operacin usando promedios se trata

de favorecer el valor del MTBF incluyendo dentro de las fallas a equipos con
elevados tiempos de operacin y que han sido retirados del sistema.
Si para el anlisis de supervivencia se incluye la termocupla del pozo numero 6
como falla se obtiene un MTBF de 989,1 das, resultado que es sensiblemente
diferente al obtenido cuando se considero como censurado. El dato de la
termocupla del pozo numero 6
e-. Para estimar el nmero de fallas esperado en periodo determinado se puede
usar la funcin de distribucin acumulada de fallas.
(t) = NF (t) N (1- R (t)) = N (1-
-1
e MTBF
Para un periodo de un ao (365 das) el nmero de fallas esperado ser:
N (365) = = 15(1-
-365
e1019,4
) = 10,49
Determinacin de los intervalos de confianza del MTBF
Se estima el MTBF con el tiempo total dividida entre las fallas

totales.
Se calculan los factores inferiores y superiores en las tablas de los
intervalos de confianza para un nivel de confianza y un numero de
fallas r.
Se multiplica el MTBF estimado por los factores inferior y superior
para obtener el MTBF Inferior y MTBF Superior
Cuando r (el numero de fallas) = 0, multiplicar el tiempo total por la
fila 0 para obtener un 100 (1- /2) % una banda inferior del MTBF.
Cuando r =0 no hay banda superior.
Se asume el intervalo (MTBF Inferior , MTBF Superior ) como un
100(1-)% intervalo de confianza para el MTBF (r > 0)
Se usa el MTBFInferior como limite inferior 100(1- /2)% del MTBF
Se usa el MTBFSuperior como limite superior 100(1- /2)% del MTBF
Se usa el intervalo (1/ MTBF Superior , 1/ MTBF Inferior ) como un
100(1-% nivel de confianza para
Se usa 1/ MTBF Superior como un limite inferior 100(1-/2)% para
Se usa 1/ MTBF Inferior como un limite superior 100(1- /2)% para
Ecuacin de los Intervalos de Confianza

70
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
Cuando T = Tiempo Total se obtiene una expresin simplificada de la expresin anterior:
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)
La interpretacin de esta banda es la siguiente: Si el verdadero MTBF es algo

menor que MTBF Inferior se producir por lo menos una falla durante T horas de
prueba con probabilidad de al menos 1- y tendremos un 100 (1-) % de
confianza de que el verdadero MTBF ser menor que el MTBF Inferior,
Con estas expresiones se pueden obtener los intervalos de confianza inferior y

superior para un 60%, 80%, 90%, y 95% de confianza y se hacen los grficos de
los intervalos de confianza del MTFB.
Intervalos de Confianza del MTBF
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
INTERVALOS DE CONFIANZA LIMITE INFERIOR Y SUPERIOR 90 Y 95%
72
17
19
21
23
25

Analisis de La Confiabilidad

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analisis de La Confiabilidad

Enviado por

Direitos autorais:

Formatos disponíveis

Anlisis de la Confiabilidad

El Mantenimiento Centrado en la Confiabilidad (RCM).

Probabilidad Weibull de TIEMPODEFA

FORMA= 4,635 ESCALA = 33.674,2

Los Estudios de Confiabilidad

este depende de la determinacin y el conocimiento del ndice de fallas de los equipos

Anlisis Tcnico de fallas para determinar la causa y la magnitud de la falla

Anlisis Estadstico de fallas que es el estudio estadstico de las fallas en el

Las metodologas de un estudio de confiabilidad incluyen, entre otros, el anlisis

Modelos para predecir la Confiabilidad

El Mantenimiento Centrado en la ConfiabilidadMCC

El MCC es la denominacin para una metodologa que permite definir, en forma

Procedimiento para elaborar un MCC

Realizados estos ensayos, es posible anticipar los efectos de los cambios y

Un estado interno es la respuesta del sistema a un estmulo interno, desde el punto de

Una Falta lleva a una Falla.

{0 fallas en el tiempo [0, t]} =

E[k] = ke-m(t)/k! [m(t)] k

Var(k) = E[k2] - (E[k)2

Se ha convenido en usar dos medidas de un slo parmetro para modelar el

LOS TIEMPOS EN LOS ESTUDIOS DE CONFIABILIDAD

TIEMPOS EN EL CALCULO DE LA MANTENIBILI DAD

Parmetros Usados en el Anlisis Estadstico de Fallas

ocurrencia de la primera falla, mientras mayor sea este valor mayor es la

4-. Calculo de la probabilidad de supervivencia Ps(t)

Periodo de vida de un equipo

1-. Periodo de Arranque o de Mortalidad Infantil

2-. Periodo de Operacin Normal

y como r(t) = r = Constante = 1/MTEF

3-. Periodo de Desgaste

Cuando un equipo entra en este periodo, debe someterse a una

El principal objetivo en los estudios de eficiencia de un proceso es la

2. Disponibilidad Lograda, tal como es apreciada por los directivos del

Donde MTBMes el tiempo medio entre acciones Correctivas y

Un 98% de disponibilidad para un proceso continuo de 8.000 horas

R(t) = exp(-t/MTBF) = exp(-t)

dondees la rata constante de falla y MTBF es el Tiempo Medio Entre Fallas, el

Para un ao como tiempo de corrida el sistema es altamente no-confiable , y las

Anlisis grafico de la confiabilidad

Ajuste de los tiempos de falla

Modelos para ajustar los tiempos de falla

ln [1/ 1-F(t)] = [ln10 ] t

Sea y = 1/{1 - F(t)} y

x = t, entonces log (y) es lineal en base a log(x) con

2-. Linealizacin de una distribucin Lognormal

ln(t { F(t) } + ln T50

una pendiente de log(t) y un intercepto de log T50 cuando F(t) = .5.

3-. Linealizacin de una distribucin de Weibull

Linealizacin de una distribucin de Weibull

F(t) = 1 exp{-(t/)} con , > 0

ln(ln(1-F(t))-1) = ln(t) - ln()

Tomando ahora y = ln(ln(1-F(t))-1) , y x = ln(t) la f.d.p se pone en forma lineal

Se representa grficamente la f.d.p de una Weibull (con escala = 10 y forma = 4 y

ln(t) F(t) ln(t) lnln(1/ 1-F(t) ]

4 1,39 0,03 1,39

fdp Weibull 10,4

12 2,48 0,87 2,48

15 2,71 0,99 2,71

13 2,56 0,94 2,56

El papel de probabilidades Weibull

Lineal ((i-.5)/ 30.2)

Lineal (ln(1/ (1-F(t)))

4-. Linealizacin de una distribucin de Gumbell

Uso del PPCC para determinar la distribucin que ajusta