TECSUP

Herramientas para la Confiabilidad

UNIDAD I
Fundamento Estadstico
En este captulo, daremos una introduccin elemental breve a las ecuaciones estadsticas ms comunes y fundamentales y las definiciones usadas en la ingeniera de confiabilidad y el anlisis de datos de vida. Se usarn las ecuaciones y conceptos presentados en este captulo extensivamente en los captulos que siguen en el presente texto.

1.1 Definiciones Estadsticas bsicas Variables aleatorias En general, la mayora de los problemas en ingeniera de confiabilidad tratan con medidas cuantitativas, como el tiempo para la falla de un componente, o si el componente falla o no falla. Para juzgar si un componente es defectuoso o no, slo hay dos resultados posibles. Podemos denotar una variable aleatoria X como representante de estos posibles resultados (es decir defectuoso o no defectuoso). En este caso, X es una variable aleatoria que slo puede asumir estos valores. En el caso de tiempo para la falla, la variable aleatoria X puede asumir el tiempo para la falla (o el tiempo para un evento de inters) del producto o componente y puede estar en un rango de 0 al infinito (ya que no sabemos el tiempo exacto a priori). En el primer caso, dnde la variable aleatoria toma slo dos valores discretos (digamos defectuoso = 0 y no defectuoso = 1), se dice que la variable es una variable aleatoria discreta. En el segundo caso, el producto puede encontrarse fallado en cualquier tiempo despus de 0, es decir a las 12.4 horas o a las 100.12 horas, etc., as X puede asumir algn valor en este rango. En este caso, la variable aleatoria X es una variable aleatoria continua. En este texto, trataremos casi exclusivamente con las variables aleatorias continuas. 1.1.1 Densidad de Probabilidad y Funciones de distribucin Cumulativas Designaciones De la probabilidad y estadstica, dada una variable aleatoria continua X, denotamos: La funcin densidad de probabilidad, pdf como f(x). (nota: Esta funcin tambin es conocida como la funcin de distribucin de probabilidad y la funcin de probabilidad de masa, pero se utilizar de aqu en adelante como la funcin de densidad de probabilidad.) La funcin de distribucin cumulativa, cdf, como F(x).
1

Herramientas para la Confiabilidad

TECSUP

La pdf y cdf dan una descripcin completa de la distribucin de probabilidad de una variable aleatoria. Definiciones Si X es una variable aleatoria contina, entonces la funcin de densidad de probabilidad, pdf, de X, es una funcin f(x) tal que para dos nmeros, a y b (a<= b) se representa con:

(1)

Es decir, la probabilidad que X asuma un valor en el intervalo [a, b] es el rea bajo la funcin de densidad. La funcin de distribucin cumulativa, cdf, es la funcin F(x) de una variable aleatoria, X, y est definido para un nmero x por:

(2)

Es decir, para un valor dado x, F(x) es la probabilidad que el valor observado de X ser a lo sumo x. Note que los lmites de integracin dependen del dominio de f(x). Por ejemplo, para todas las distribuciones consideradas, este dominio sera [0, +], [-, +] o [, +]. En el caso de [, +] usaremos la constante para denotar un punto arbitrario diferente de cero (o una situacin que indica el punto de partida para la distribucin). La figura 1.4 ilustra la relacin entre la funcin de densidad de probabilidad y la funcin de distribucin cumulativa.

TECSUP

Herramientas para la Confiabilidad

Figura 1.4: Representacin grfica de la relacin entre la pdf y cdf.

La relacin matemtica entre la pdf y cdf esta da por:

(3)

Por otro lado:

El valor de la cdf en x depende el rea bajo la funcin de densidad de probabilidad hasta x, en ese caso. Tambin debe sealarse que el rea total bajo la pdf siempre es igual a 1, o matemticamente:

Herramientas para la Confiabilidad

TECSUP

Un ejemplo de una funcin de densidad de probabilidad es la distribucin normal, muy conocida, por cuya pdf es:

Dnde es la media y es la desviacin estndar. La distribucin normal es una distribucin de dos parmetros, es decir con dos parmetros y . Otra distribucin de dos parmetros es la distribucin lognormal, cuya pdf es:

Dnde t' es el logaritmo natural del tiempo para la fallas, ' es la media de los logaritmos naturales del tiempo para la falla y ' es la desviacin estndar de los logaritmos naturales de los tiempos para la falla, t.'

1.1.2 Funcin de Confiabilidad La funcin de Confiabilidad puede derivarse usando la definicin anterior de la funcin de distribucin cumulativa, la ecuacin (3). La probabilidad de un evento que sucede en el tiempo t esta da por:

(4)

En particular, representa la probabilidad de una unidad que falla en el tiempo t. De esto, obtenemos la funcin de confiabilidad que representa la probabilidad de xito de una unidad realizando una misin de una duracin prescrita.

TECSUP

Herramientas para la Confiabilidad

Para demostrarlo matemticamente, definimos la funcin no confiabilidad, Q(t), que es la probabilidad de falla, o la probabilidad que el tiempo para la falla est en la regin de 0 (o ) y t. As de la Ecuacin (4):

En esta situacin, hay slo dos estados que pueden ocurrir: xito o falla. Estos dos estados tambin son mutuamente exclusivos. Desde que la confiabilidad y la no confiabilidad son las probabilidades de dos estados mutuamente exclusivos, la suma de estas probabilidades siempre es igual a la unidad. As:

Recprocamente:

Herramientas para la Confiabilidad

TECSUP

Funcin de Confiabilidad Condicional La funcin de confiabilidad discutida previamente asume que la unidad est empezando la misin sin tiempo acumulado, es decir articulo nuevo. Los clculos de confiabilidad condicional permiten determinar la probabilidad de una unidad que completa con xito una misin de una duracin particular dada, y que ya ha completado con xito una misin de una cierta duracin. Podra considerarse que la funcin de confiabilidad condicional es la confiabilidad del equipo usado.

La funcin de confiabilidad condicional est da por la ecuacin,

Donde t es la duracin de la nueva misin y T es la duracin de la misin anterior completada con xito. En otras palabras, el hecho que el equipo ya ha completado con xito una misin, T, nos dice que el producto recorri el camino de tasa de falla con xito para el perodo 0 T y estar fallando segn la tasa de falla desde TT+t. (nota: Si la distribucin subyacente tiene una tasa de falla constante, esto no tiene efecto). Esto se usa al analizar los datos de garanta.

1.1.3 Funcin de tasa de Falla La funcin tasa de falla permite la determinacin del nmero de fallas que ocurren por unidad de tiempo. Omitiendo la derivacin (ver capitulo Datos & Tipos de Datos), la tasa de falla est dada matemticamente como,

La funcin tasa de falla tiene unidades de fallas por unidad de tiempo entre sobrevivientes, por ejemplo 1 falla por mes.

TECSUP

Herramientas para la Confiabilidad

1.1.4 Funcin de Vida Media La funcin de vida media, que proporciona una medida del tiempo promedio de funcionamiento hasta la falla esta da por:

(5)

Debe notarse que ste es el tiempo para la falla esperada o promedio y se denota como MTBF (Tiempo promedio antes de la falla) y tambin MTTF (tiempo para la falla). (nota: El trmino MTBF tambin se ha traducido ampliamente como el tiempo promedio entre fallas. Para la funcin de vida media, el nico tiempo para que la traduccin tiempo promedio entre fallas sea correcta es cuando la distribucin subyacente tiene una tasa de falla constante (por ejemplo la funcin exponencial). En este caso, el tiempo para la falla y el tiempo promedio entre fallas es idntico; sin embargo, si la tasa de falla no es constante, entonces estas condiciones no son iguales.)

1.1.5 Funcin de vida mediana La vida mediana, es el valor de la variable aleatoria que tiene exactamente la mitad del rea bajo la pdf a su izquierda y la otra mitad a su derecha. La mediana se obtiene de:

(6)

Para los datos de la muestra, por ejemplo 12, 20, 21, la mediana es el valor del punto medio, o 20 en este caso.

1.1.6 Funcin Modal La vida modal (o moda), , es el valor mximo T que satisface:

(7)

Para una distribucin continua, la moda es el valor de la variable que corresponde a la densidad de probabilidad mxima (el valor dnde la pdf tiene su valor mximo).

Herramientas para la Confiabilidad

TECSUP

1.2 Distribuciones Una distribucin estadstica se describe totalmente por su pdf (funcin de densidad de probabilidad). En las secciones anteriores, usamos la definicin de la pdf para mostrar como pueden derivarse todas las otros funciones comnmente utilizadas en la ingeniera de confiabilidad y el anlisis de datos de vida, denominadas la funcin de Confiabilidad, la funcin de tasa de falla, funcin de tiempo medio, la funcin de vida mediana, etc., Todos stos pueden determinarse directamente de la definicin de la pdf, o f(t). Existen diferentes distribuciones, como la funcin normal, exponencial, etc., que tienen una forma predefinida de f(t). Las definiciones de estas distribuciones pueden encontrarse en muchas referencias. De hecho, se han dedicado textos enteros para definir familias de distribuciones estadsticas. Estas distribuciones fueron formuladas como modelos matemticos por estadsticos, matemticos e ingenieros. Por ejemplo, la distribucin Weibull fue formulada por Walloddi Weibull y por ello lleva su nombre. Algunas distribuciones tienden a representar bien los datos de vida y normalmente son llamadas distribuciones de tiempo de vida. Una de las distribuciones ms simples y ms comnmente utilizadas (y a menudo errneamente utilizada debido a su simplicidad), es la distribucin exponencial. La pdf de la distribucin exponencial est matemticamente definida como:

En esta definicin, note que t es la variable aleatoria la cual representa el tiempo y la letra (lambda) representa lo que normalmente se denomina parmetro de la distribucin. Dependiendo del valor de , f(t) variar su representacin. Para cualquier distribucin, el parmetro o parmetros de la distribucin se estiman a partir de los datos. Por ejemplo, la distribucin ms conocida, la distribucin normal (o Gausiana), est da por:

Donde sus parmetros son, la media () y la desviacin estndar (). Ambos parmetros se estiman desde los datos, es decir la media y desviacin estndar de los datos. Una vez que estos parmetros se han estimado, la funcin f(t) est totalmente definida y podemos obtener algn valor de f(t) dado cualquier valor de t. Dado la representacin matemtica de una distribucin, tambin podemos derivar todas las funciones necesarias para el anlisis de datos de vida que de nuevo slo depender del valor de t despus de que el valor del parmetro de la distribucin o parmetros, se han estimado a partir de los datos. (Nota: no se preocupe sobre
8

TECSUP

Herramientas para la Confiabilidad

cmo se estiman estos parmetros, esto se discutir en las siguientes secciones). Por ahora, asuma que podemos asignar valores a estos parmetros basados en los datos. Por ejemplo, sabemos que la pdf de la distribucin exponencial se da por:

As, la funcin de Confiabilidad exponencial puede derivarse como:

La funcin de tasa de falla exponencial es:

El tiempo promedio para la falla exponencial (MTTF) se da por:

Esta misma metodologa se puede aplicar a cualquier distribucin dada su pdf, con varios grados de dificultad dependiendo de la complejidad de f(t). Tipos del parmetro Las distribuciones pueden tener cualquier nmero de parmetros. Note que si el nmero de parmetros aumenta, la cantidad de datos requerida para un anlisis apropiado debe aumentar. En general, la mayora de las distribuciones que se usan para la confiabilidad y anlisis de datos de vida, normalmente estn limitadas a un mximo de tres parmetros. Estos tres parmetros normalmente son conocidos
9

Herramientas para la Confiabilidad

TECSUP

como el parmetro de escala, el parmetro de forma y el parmetro de la ubicacin. Parmetro de Escala El parmetro de escala es el tipo ms comn de parmetro. Todas las distribuciones tienen un parmetro de escala. En el caso de distribuciones de un parmetro, el nico parmetro es el parmetro de escala. Este parmetro define donde queda el volumen de la distribucin, o cmo se estir la distribucin. En el caso de la distribucin normal, el parmetro de escala es la desviacin estndar. Parmetro de Forma El parmetro de forma, como implica el nombre, ayuda a definir la forma de una distribucin. Algunas distribuciones, como la exponencial o normal, no tiene un parmetro de forma ya que tienen una forma predefinida que no cambia. En el caso de la distribucin normal, la forma es siempre la forma de una campana. El efecto del parmetro de forma en una distribucin se refleja en las formas de la pdf, la funcin de confiabilidad y la funcin tasa de fallas. Parmetro de Ubicacin El parmetro de ubicacin se usa para cambiar la posicin de una distribucin en una u otra direccin a lo largo del eje horizontal. El parmetro de ubicacin, normalmente se representa como , y define la situacin del origen de una distribucin y puede ser positivo o negativo. En trminos de las distribuciones de tiempo de vida, el parmetro de ubicacin representa un cambio de tiempo.

Esto significa que la inclusin de un parmetro de ubicacin para una distribucin cuyo dominio normalmente es [0,] cambiar al dominio [,], dnde puede ser positivo o negativo. Esto puede tener algunos efectos profundos en trminos de Confiabilidad. Para un parmetro de ubicacin positivo, esto indica que la confiabilidad para esa distribucin particular siempre ser 100% hasta ese punto . En otras palabras, una falla no puede ocurrir antes de este tiempo . Muchos ingenieros se sienten incmodos diciendo que absolutamente ninguna falla
10

TECSUP

Herramientas para la Confiabilidad

suceder antes de cualquier tiempo dado. Por otro lado, se puede argumentar que casi todas las distribuciones de vida tienen un parmetro de ubicacin, aunque muchos de ellos pueden ser despreciablemente pequeos. De igual forma, muchas personas se sienten incmodas con el concepto de un parmetro de ubicacin negativo, el cual establece que el estado de falla ocurre tericamente antes del tiempo cero. Realmente, el clculo de un parmetro de ubicacin negativo es indicativo de fallas inmviles (fallas que ocurren antes de que un producto se use por primera vez) o de problemas con la fabricacin, empaquetado o durante el proceso de envo. Se debe prestar ms atencin al concepto del parmetro de ubicacin en las siguientes discusiones de la distribucin exponencial y Weibull que son las distribuciones de tiempo de vida que ms emplean el parmetro de ubicacin.

1.2.1 Distribuciones ms utilizadas Hay muchas distribuciones de tiempo de vida diferentes que pueden usarse para modelar los datos de Confiabilidad. Leemis [22] y otros autores presentan una buena apreciacin global de muchas de estas distribuciones. En este texto, nos concentraremos en las ms utilizadas y las distribuciones de mayor aplicacin en el anlisis de datos de vida, como se ver en las secciones siguientes.

Distribucin de Weibull La distribucin Weibull es una distribucin de Confiabilidad de propsito general utilizada para modelar la resistencia del material, el tiempo para la falla de componentes electrnicos y mecnicos, equipo o sistemas. En su caso ms general, la pdf Weibull de tres parmetros est definido por:

Con parmetros , y , dnde = parmetro de forma, = parmetro de escala y = parmetro de ubicacin. Si el parmetro de ubicacin , se asume cero, la distribucin se convierte en una distribucin Weibull de dos parmetros o:

Una forma adicional es la distribucin de Weibull de un parmetro, que asume que el parmetro de ubicacin , es cero, y el parmetro de forma es una constante conocida, o = constante = C; as:

11

Herramientas para la Confiabilidad

TECSUP

Distribucin Exponencial La distribucin exponencial normalmente se usa para componentes o sistemas que exhiben una tasa de falla constante y est definido en su caso ms general por:

(8)

(Tambin conocido como exponencial de dos parmetros), con dos parmetros, a saber y . Si el parmetro de ubicacin , se asume cero, la distribucin se vuelve exponencial de un parmetro o,

Se presentan la distribucin exponencial y sus caractersticas en ms detalle en el captulo correspondiente.

Distribucin normal La distribucin normal se utiliza para el anlisis de Confiabilidad general, el tiempo para la falla de componentes electrnicos y mecnicos simples, equipo o sistemas. La pdf de la distribucin normal esta da por:

(9)

Donde = media de los tiempos normales para falla, = desviacin estndar de los tiempos para la falla. Se presenta la distribucin normal y sus caractersticas en ms detalle en el captulo correspondiente.

12

TECSUP

Herramientas para la Confiabilidad

1.2.2 Otras Distribuciones Adems de las distribuciones mencionadas, existen distribuciones adicionales, aunque utilizada con poca frecuencia en el Anlisis de Datos de Vida, que tienen una variedad de aplicaciones y puede encontrarse en muchas referencias estadsticas.

Distribucin de Weibull Bayesiana Otro enfoque es el modelo Weibull Bayesiano que asume que el analista tiene algn conocimiento previo sobre la distribucin del parmetro de forma () de la distribucin Weibull. Hay muchas aplicaciones prcticas para este modelo, particularmente cuando se trata con tamaos de muestra pequeos y/o est disponible algn conocimiento previo para el parmetro de forma. Por ejemplo, cuando se realiza una prueba, hay a menudo una buena comprensin sobre el comportamiento del modo de falla bajo investigacin, principalmente a travs de datos histricos o fsicos de falla. Note que esto no es igual que el llamado modelo WeiBayes. El llamado modelo WeiBayes realmente es una distribucin Weibull de un parmetro. Asume un valor fijo (constante) para el parmetro de forma y resuelve para el parmetro de escala.

La Distribucin Weibull Mixta La distribucin Weibull mixta normalmente se usa para modelar el comportamiento de componentes o sistemas que exhiben modos de falla mltiples (poblaciones mixtas). Da una visin global de la vida de un producto mezclando diferentes distribuciones Weibull para diferentes estados de la vida del producto y est definido por:

Donde el valor de S es igual al nmero de sub-poblaciones. Note de que de esto resulta un total de (3 S - 1) parmetros. En otras palabras, cada poblacin tiene un pi, porcin o peso de la mezcla para la poblacin i-esima, a i, o parmetro de forma para la poblacin i-esima y un ni, o parmetro de escala para la poblacin iesima. Note que los parmetros se reducen (3 S - 1), dado el hecho que tambin puede usarse la siguiente condicin:

13

Herramientas para la Confiabilidad

TECSUP

Distribucin Log normal La distribucin log normal se usa para el anlisis de Confiabilidad general, ciclos para la falla en la fatiga, resistencia de materiales y en el diseo probabilstico de cargas variables. Cuando los logaritmos naturales del tiempo para la falla estn normalmente distribuidos, decimos que los datos siguen la distribucin log normal. La pdf de la distribucin log normal est dada por:

(10)

Donde

' = media de los logaritmos naturales del tiempo para la falla. T = desviacin estndar de los logaritmos naturales de los tiempos de falla.

Distribucin Gamma Generalizada La distribucin gamma generalizada no es utilizada frecuentemente para modelar los datos de vida como las distribuciones discutidas previamente, sin embargo tiene la habilidad de imitar los atributos de otras distribuciones, como Weibull o log normal, basado en los valores de los parmetros de la distribucin y tambin ofrece un compromiso entre dos distribuciones de tiempos de vida. La funcin gamma generalizada es una distribucin de tres parmetros, con parmetros , y . La pdf de la distribucin esta dada por,

Dnde (x) es la funcin gamma, definida por:

14

TECSUP

Herramientas para la Confiabilidad

Esta distribucin se comporta como las otras distribuciones basadas en los valores de los parmetros. Por ejemplo, si =1, la distribucin es idntica a la distribucin Weibull. Si ambos =1 y =1, la distribucin es idntica a la distribucin exponencial y para =0, es idntica a la distribucin log normal. La distribucin gamma generalizada no se usa a menudo para modelar los datos de vida por si sola, su habilidad de comportarse como otras distribuciones de vida es normalmente usada para determinar cual de las distribuciones de vida debera utilizarse para modelar un juego particular de datos. Distribucin Gamma La distribucin gamma es una distribucin flexible que puede ofrecer una buena aproximacin a algn juego de datos de vida. A veces llamada distribucin Erlang, la distribucin gamma tiene aplicaciones en el anlisis Bayesiano como una distribucin anterior y tambin se usa normalmente en la teora de colas. La pdf de la distribucin gamma esta dada por:

(11)

Donde = parmetro de escala, k= parmetro de forma; 0 < t <, - < < y k > 0.

Distribucin Logistic La distribucin logistic tiene una forma muy similar a la distribucin normal (es decir forma de campana), pero con las colas ms pesadas. Desde que la distribucin logistic ha dado soluciones ms precisas para la Confiabilidad, la cdf y las funciones de tasa de falla, a veces se prefieren en vez de la distribucin normal, dnde estas funciones slo pueden obtenerse numricamente. La pdf de la distribucin logistic esta dada por:

(12)

Donde: = parmetro de ubicacin (tambin denotado como ), = parmetro de escala.

15

Herramientas para la Confiabilidad

TECSUP

Distribucin Loglogistic Como puede resumirse del nombre, la distribucin loglogistic es similar a la distribucin logistic. Especficamente, los datos siguen una distribucin loglogistic cuando los logaritmos naturales del tiempo para la falla siguen una distribucin logistic. De ello, las distribuciones loglogistic y lognormal tambin comparten muchas similitudes. La pdf de la distribucin loglogistic esta da por:

(13)

Donde, ' = parmetro de escala, T = parmetro de forma

Distribucin Gumbel La distribucin Gumbel, tambin llamada distribucin del valor extremo ms pequeo (SEV o del tipo 1), es apropiada para modelar esfuerzos que a veces se sesgan a la izquierda (pocas unidades dbiles fallan a baja tensin, mientras que las restantes fallan a tensiones ms altas). La distribucin Gumbel tambin podra ser apropiada para modelar la vida de productos que experimentan un desgaste muy rpido luego de alcanzar una cierta edad. La pdf de la distribucin Gumbel esta da por:

(14)

Donde = parmetro de ubicacin, = parmetro de escala.

1.2.3 Estimacin de parmetros Una vez que una distribucin ha sido seleccionada, se necesita estimar sus parmetros. Estn disponibles varios mtodos de estimacin de parmetros. Esta seccin presentar una visin global de estos mtodos, comenzando con el mtodo relativamente ms simple, el trazado de probabilidad y continuando con los ms
16

TECSUP

Herramientas para la Confiabilidad

sofisticados como el mtodo de los mnimos cuadrados y el mtodo de mxima probabilidad.

1.2.3.1 Trazado de probabilidad El mtodo menos intensivo matemticamente hablando para la estimacin de parmetros es el mtodo de trazado de probabilidad. Como implica el trmino, el trazando de probabilidad involucra plotear los datos de probabilidad en un papel construido especialmente para este fin. Este mtodo se realiza a mano. El mtodo de trazado de probabilidad toma la cdf de la distribucin e intenta linealizarla, empleando un papel construido especialmente. Por ejemplo, en el caso del la distribucin Weibull de dos parmetros, la cdf y la no confiabilidad Q(T), puede mostrarse como:

Esta funcin puede ser linealizada (es decir ponerla en la forma comn y = a + bx) como sigue:

(15)

17

Herramientas para la Confiabilidad

TECSUP

Reemplazando y por:

y:

La ecuacin puede volverse a escribir como,

La cual es ahora una ecuacin lineal con una pendiente y una interseccin con el eje y de ln (). El siguiente paso es dibujar en un papel con un apropiado eje x e y. El clculo del eje x es fcil ya que es un simple logaritmo. El eje y, sin embargo, tiene que representar,

Donde Q(T) es la no confiabilidad (o el doble logaritmo en una escala recproca). Los papeles han sido creados por los diferentes proveedores y se les llama papeles para trazado de la probabilidad. (nota: puede obtener los diferentes papeles en www.weibull.com.). Para ilustrar, considere el siguiente ploteo de probabilidad en un papel de probabilidad Weibull.

18

TECSUP

Herramientas para la Confiabilidad

Este papel esta construido basado en las transformaciones de los ejes x y mencionados dnde el eje y representa la no confiabilidad y el eje x representa el tiempo de vida. Los dos valores deben conocerse por cada punto del tiempo para la falla que queremos trazar. Entonces, dado los valores de x e y para cada punto, los puntos pueden ponerse fcilmente en el grafico. Una vez que los puntos se han puesto en el grfico, se traza la mejor lnea recta posible a travs de estos puntos. Una vez que la lnea ha sido trazada, puede obtenerse la pendiente de la lnea (algunos papeles de probabilidad incluyen un indicador de la pendiente para simplificar este clculo). El valor de la pendiente es el parmetro . Para determinar el parmetro de escala (tambin llamado vida caracterstica), simplemente debe poner t = en la ecuacin de la cdf. Note de la anterior ecuacin:

19

Herramientas para la Confiabilidad

TECSUP

As a T =:

As, si nosotros entramos en el eje y a Q(T) = 63.2%, el valor correspondiente de T ser igual a . As, usando esta simple pero tediosa metodologa, pueden estimarse los parmetros de la distribucin Weibull. Determinando la posicin x e y de los puntos ploteados Los puntos en el grfico representan los datos o, ms especficamente, los datos del tiempo para la falla. Por ejemplo, si probramos cuatro unidades que fallaron a las 10, 20, 30 y 40 horas, usaramos estos tiempos como los valores x o valores de tiempo. Determinar cual es la posicin y apropiada, o el valor de la no confiabilidad, es un poco ms complejo. Para determinar la posicin y, debemos determinar primero un valor que indique la no confiabilidad correspondiente para esa falla. En otras palabras, necesitamos obtener el porcentaje cumulativo de falla para cada tiempo de falla. En este ejemplo, y para 10 horas, el porcentaje cumulativo de falla es 25%, para 20 horas es 50%, y as sucesivamente. ste es un simple mtodo que ilustra la idea. El problema con este mtodo simple es el hecho que el punto 100% no est definido en la mayora de ploteos de probabilidad, as que debe usarse una alternativa y un enfoque ms consistente. El mtodo ampliamente utilizado para determinar este valor es el mtodo del rango medio para cada falla. Este mtodo se discute luego. El rango medio Se usa el rango medio para obtener una estimacin de la no confiabilidad, Q(Tj), para cada falla. Es el valor que da la verdadera probabilidad de falla, Q(Tj), que debe tener al fallar la j-esima falla de una muestra de N unidades a un 50% nivel de confianza. Esto significa esencialmente que sta es nuestra estimacin ptima para la no confiabilidad. La mitad del tiempo el verdadero valor ser mayor que el 50% estimado de confianza, la otra la mitad del tiempo, el verdadero valor ser menor. Esta estimacin esta basada en la solucin de la ecuacin binomial. El rango puede encontrarse para cualquier punto porcentual, P, mayor que cero y menor que uno y resolviendo la ecuacin binomial cumulativa para Z. Esto representa el rango, o la no confiabilidad estimada, para la falla j-esima [15; 16] en la siguiente ecuacin para la binomial cumulativa:

Donde N es el tamao de la muestra y j el nmero de orden de la falla.

20

TECSUP

Herramientas para la Confiabilidad

El rango medio se obtiene resolviendo esta ecuacin para Z a P = 0.50.

(16)

Por ejemplo, si N = 4 y tenemos cuatro fallas, resolveramos la ecuacin del rango medio, Ecuacin (16), cuatro veces; una vez para cada falla con j = 1, 2, 3 y 4, para el valor de Z. Este resultado puede usarse entonces como la no confiabilidad estimada para cada falla o la posicin ploteada . (En el captulo de la distribucin Weibull se presenta un ejemplo paso a paso de este mtodo). La solucin de la ecuacin (16) para Z requiere el uso de mtodos numricos. Un mtodo ms directo y fcil de estimar el rango medio es aplicando dos transformaciones a la ecuacin (16), primero a la distribucin beta y luego a la distribucin F, resultando las expresiones [12;13],

F0.50;m;n denota la distribucin F en el punto 0.50, con m y n grados de libertad, para la falla j-esima de N unidades. Otro mtodo rpido, pero menos exacto, es la aproximacin del rango medio dada por [15]:

(17)

Esta aproximacin del rango medio tambin es conocida como la aproximacin de Benard. Algunas deficiencias en el ploteo manual de la Probabilidad Adems de la desventaja ms obvia del ploteo de la probabilidad que es el esfuerzo requerido para trazar el grafico, el ploteo manual de la probabilidad no siempre ofrece resultados consistentes. Dos personas que trazan una lnea recta a travs de un juego de datos no siempre dibujarn esta lnea de la misma manera, y as propondrn resultados ligeramente diferentes. Este mtodo se usa como una primera aproximacin antes de utilizar una computadora, la cual podra realizar fcilmente los clculos para los mtodos de estimacin de los parmetros ms complicados, como los mtodos de los mnimos cuadrados y de mxima probabilidad.

21

Herramientas para la Confiabilidad

TECSUP

1.2.3.2 Estimacin de Parmetros por el mtodo de los Mnimos cuadrados (Anlisis de regresin) Utilizando la idea del trazado de la probabilidad, un anlisis matemtico de regresin logra la mejor lnea recta para un juego de puntos, en un esfuerzo por estimar los parmetros. Esencialmente, es una versin matemtica de trazado de la probabilidad basada en el mtodo discutido previamente.

Teora fundamental El mtodo lineal de mnimos cuadrados se usa para todo anlisis de regresin, salvo los casos de las distribuciones Weibull de tres parmetros, Weibull mixto, gamma y gamma generalizada, dnde se emplea una tcnica de regresin nonlineal. Los trminos regresin lineal y mnimos cuadrados se utilizan similarmente en este texto. El trmino rango de regresin se usa en lugar de los mnimos cuadrados, o regresin lineal, porque la regresin se realiza en los valores del rango, ms especficamente, los valores del rango medio (representado en el eje y). El mtodo de mnimos cuadrados requiere que una lnea recta encaje en un juego de datos, tal que la suma de los cuadrados de la distancia de los puntos a la lnea trazada sea mnima. Esta minimizacin puede realizarse en la direccin vertical u horizontal. Si la regresin es en el eje X, entonces la lnea es trazada tal que las desviaciones horizontales de los puntos a la lnea se minimicen. Si la regresin est en el eje Y, entonces esto significa que la distancia de las desviaciones verticales de los puntos a la lnea se minimice. Esto se ilustra en la figura siguiente.

Rango de regresin en Y Asuma que un juego de pares de datos (x1,y1), (x2,y2),..., (xN,yN) se obtienen y trazan, y que los valores X son conocidos exactamente. Entonces, segn el principio de los mnimos cuadrados, que minimiza la distancia vertical entre los datos y la lnea recta trazada, la mejor lnea recta para estos datos es la lnea recta

22

TECSUP

Herramientas para la Confiabilidad

y = + x (donde los smbolos introducidos (^) indican que ese valor es una estimacin) tal que:

y donde y son las estimaciones de los mnimos cuadrados de a y b, y N es el nmero de puntos trazados. Estas ecuaciones se minimizan estimando y tal que:

y:

Rango de regresin en X Asuma que un juego de pares de datos (x1,y1), (x2,y2),..., (xN,yN) se obtienen y trazan, y que los valores Y son conocidos exactamente. Entonces, segn el principio de los mnimos cuadrados, que minimiza la distancia horizontal entre los datos y la lnea recta trazada, la mejor lnea recta para estos datos es la lnea recta x = + y tal que:

De nuevo, y son las estimaciones de los mnimos cuadrados de a y b, y N es el nmero de puntos. Estas ecuaciones se minimizan por las estimaciones de y tal que:

(19)

23

Herramientas para la Confiabilidad

TECSUP

y:

(20)

Las relaciones correspondientes por determinar los parmetros para las distribuciones especficas (es decir Weibull, exponencial, etc.), se presenta en los captulos correspondientes.

El Coeficiente de correlacin El coeficiente de correlacin es una medida de qu tan bien la regresin lineal carga los datos y normalmente se denota por . En el caso de anlisis de datos de vida, es una medida de la fuerza de la relacin lineal (correlacin) entre el rango medio y los datos. El coeficiente de correlacin de la poblacin est definido como sigue:

Dnde xy = covarianza de x e y, x = desviacin estndar de x, y y = desviacin estndar de y. El estimador de es el coeficiente de correlacin de la muestra, ^ dado por,

El rango de, ^ es -1<=^ <=1.

24

TECSUP

Herramientas para la Confiabilidad

Cuanto ms cerca est el valor a 1, mas lineal es el conjunto de datos. Note que +1 indican una estimacin perfecta (los pares de valores (xi, yi) caen en una lnea recta) con una inclinacin positiva, mientras -1 indican una estimacin perfecta con una inclinacin negativa. Un valor del coeficiente de correlacin cero indicara que los datos se esparcen al azar y no tienen un modelo o correlacin respecto al modelo de lnea de regresin.

Comentarios del Mtodo de los Mnimos cuadrados El mtodo de estimacin de mnimos cuadrados es bastante bueno para funciones que pueden ser linealizadas. (nota: la mayora de las distribuciones usadas en el anlisis de datos de vida pueden ser linealizadas). Para estas distribuciones, los clculos son relativamente fciles y directos, teniendo soluciones parecidas que pueden presentar una respuesta rpida sin tener que acudir a tcnicas numricas o tablas. Adicionalmente, esta tcnica proporciona una buena medida de la confianza de la estimacin de la distribucin escogida en el coeficiente de correlacin. Generalmente se usa mejor los mnimos cuadrados en conjuntos de datos que contienen datos completos, es decir, datos que slo consisten en tiempos para la falla sin censura o datos en intervalo. El captulo de Datos y tipo de Datos detalla los diferentes tipos de datos, incluyendo datos completos, censurados a la izquierda, censurados a la derecha (o suspendidos) y datos en intervalo.

1.2.3.3 MLE (Mxima Probabilidad) Estimacin de parmetros para datos completos Desde un punto de vista estadstico, el mtodo de estimacin de mxima probabilidad es considerado, con algunas excepciones, como el ms robusto de las tcnicas de estimacin de parmetros. Este mtodo se presenta en esta seccin para datos completos, es decir, datos que slo consisten en tiempo para la falla.

Teora fundamental La idea bsica detrs del MLE es obtener valores de los parmetros ms probables, para una distribucin dada que describan mejor los datos. Como un ejemplo, considere los siguientes datos (-3, 0, 4) y asuma que est intentando estimar la media de los datos. Ahora, si tiene que escoger el valor ms probable para la media de -5, 1 y 10, cul escogera?. En este caso, el valor ms probable es 1 (dado lo limitado de las opciones). Similarmente, bajo el MLE, uno determina el valor ms probable para los parmetros de la distribucin supuesta.

25

Herramientas para la Confiabilidad

TECSUP

Esto se formula matemticamente como sigue: Si x es una variable aleatoria contina con la pdf:

Donde 1, 2,..., k son los k parmetros desconocidos que necesitan ser estimados, con R observaciones independientes, x1, x2,... xR que corresponde en el caso de anlisis de datos de vida a tiempos de falla. La funcin de probabilidad esta da por:

i = 1, 2,..., R

El estimador de mxima probabilidad (o valores del parmetro) de 1, 2,..., k son obtenidos maximizando L o . Maximizando , que es mucho ms fcil de trabajar que con L, los estimadores de mxima probabilidad (MLE) de 1, 2,..., k son las soluciones simultneas de las ecuaciones de k, tales que:

Aunque es prctica comn trazar las soluciones de MLE usando rangos medios (se trazan los puntos segn el rango medio y la lnea segn las soluciones de MLE), esto no es completamente representativo. Como puede verse de las ecuaciones anteriores, el mtodo MLE es independiente de cualquier rango. Por esta razn, la solucin MLE parece a menudo no rastrear los datos en el trazado de la probabilidad. Esto es absolutamente aceptable desde que los dos mtodos son independientes, y de ninguna manera sugiere que la solucin est equivocada.

Comentarios sobre el Mtodo MLE El mtodo MLE tiene muchas propiedades en muestras grandes que hacen atractivo su uso. Es consistente asintoticamente, lo que significa que cuando el tamao de la muestra es ms grande, las estimaciones convergen a los valores correctos. Es asintoticamente eficaz, lo que significa que para muestras grandes, produce las estimaciones ms precisas. Es asintoticamente imparcial, lo que significa que para grandes muestras se espera conseguir el valor correcto en promedio. La distribucin de las estimaciones por si mismas es normal, si la muestra es bastante grande, y sta es la base para el uso de los lmites confianza de
26

TECSUP

Herramientas para la Confiabilidad

la Matriz de Fisher, discutida despus. stas son todas las excelentes propiedades de la muestra grandes. Desgraciadamente, el tamao de la muestra necesaria para lograr estas propiedades debe ser bastante grande: treinta a cincuenta a ms de cien tiempos de falla exactos, dependiendo de la aplicacin. Con menos puntos, los mtodos pueden desviarse mal. Por ejemplo, es conocido que el MLE estima el parmetro de forma para la distribucin Weibull lejos del valor correcto para tamaos de la muestra pequeos, y el efecto puede aumentarse dependiendo de la cantidad de datos censurados. Este prejuicio puede causar diferencias mayores en el anlisis. Hay tambin situaciones anmalas cuando las propiedades asintoticas del MLE no se aplican. Uno de stos es la estimacin del parmetro de ubicacin para la distribucin Weibull de tres parmetros cuando el parmetro de forma tiene un valor cerca de 1. Estos problemas, tambin, pueden causar diferencias mayores. Sin embargo, el MLE puede manejar las suspensiones y datos del intervalo mejor que el rango de regresin, particularmente al tratar con un conjunto de datos pesadamente censurados con pocos tiempos de falla exactos o cuando los tiempos censurados estn irregularmente distribuidos. Tambin puede proporcionar estimaciones con una o ninguna falla observada, lo que el rango de regresin no puede hacer. Como una regla de aproximacin, se recomienda usar las tcnicas de rango de regresin cuando los tamaos de la muestra son pequeos y sin fuerte censura (la censura se discute en el captulo Datos y tipos de datos). El mtodo MLE se prefiere cuando est presente una censura fuerte o desigual, cuando una proporcin alta de datos del intervalo est presente y/o cuando el tamao de la muestra es suficiente.

27

Herramientas para la Confiabilidad

TECSUP

ANOTACIONES:

28