Confiabilidad

CURSO DE CONFIABILIDAD
P. REYES / DIC. 2006
Elabor: Dr. Primitivo Reyes Aguilar

Diciembre de 2006
Pgina 1
CONTENIDO
1. Introduccin a la confiabilidad
2. Distribuciones de probabilidad
3. Modelos de distribuciones de probabilidad para el tiempo

de falla
4. Estimacin de parmetros del modelo
5. Determinacin de la confiabilidad
6. Pruebas de vida aceleradas
7. Confiabilidad de sistemas
8. Mantenabilidad y disponibilidad
Pgina 2
MTODOS DE CONFIABILIDAD
INTRODUCCIN
Los Requerimientos de confiabilidad se establecen en la fase desarrollo de
ingeniera. Las actividades pueden incluir: coleccin de datos, anlisis de fallas,
acciones correctivas y establecimiento de metas de confiabilidad. En las fases
de verificacin y validacin del diseo, se realizan actividades de control para
asegurar que se cumplan los requerimientos de confiabilidad establecidos. Los
datos de falla son analizados estadsticamente y se enfatiza el proceso de
planeacin.
Fuentes de confiabilidad
Para establecer los requisitos de confiabilidad se pueden utilizar algunas de las
siguientes fuentes:
Internas
o Polticas corporativas y organizacionales
o Sistemas de coleccin de datos para confiabilidad
o Metas de diseo de confiabilidad del producto
o Prediccin de la confiabilidad
o Procedimientos de prueba de la confiabilidad
Externas
o APQP
o Programas de confiabilidad para sistemas y equipos MIL-STD785
o Kit de herramientas de la confiabilidad de la USAF
o Requerimientos del consumidor sobre la confiabilidad del
producto
o Evaluacin del desempeo de confiabilidad de la competencia
o Diagrama de flujo detallado del programa de confiabilidad
Algunos web sites relacionados con la confiabilidad son:
o American National of Standards Association - ANSI www.ansi.org
o American Society for Qaulity - ASQ www.asq.org
o Automotive Industry Action Group - AIAG www.aiag.org
o Internacional Organization for Standarization ISO www.iso.ch
o Society of Automotive Engineers www.sae.org
o Thoery of Inventive Problem Solving TRIZ
www.personal.engin.umich.edu/ gmasur/triz/
o Formato de coleccin de datos de garanta TMC
www.truckline.com
o Weibull www.barringer1.com/ www.weibullnews.com
www.reliasfot.com
Pgina 3
CONCEPTO
Planeacin de la confiabilidad
Su propsito es ser proactivo anticipndose y verificando modos de falla y sus
causas en la fase de planeacin del diseo, donde es ms efectivo atender y
resolver los problemas, en lugar de apagar fuegos para resolver los problemas
solo despus de que han aparecido.
Desarrollo del Programa de confiabilidad
El programa debe utilizarse como lnea base que permita a los ingenieros de
aplicacin determinar la profundidad y amplitu de acuerdo a las necesidades.
Funcin der Despliegue de Calidad (QFD)
Es un proceso que desarrolla una presentacin visual de cmo se realizan las
interacciones del sistema de valores del cliente (voz del cliente) con relacin al
diseo, proceso de desarrollo de ingeniera, y proceso de manufactura del
producto.
Benchmarking
Es un proceso de medicin y comparacin continua del desempeo de los
procesos de una organizacin, contra los de otras organizaciones, a nivel
global, para obtener informacin de prcticas, procesos, y mtodos que ayuden
a la organizacin a mejorar su desempeo. Pueden incluir organizaciones
dentro y fuera del sector industrial.
Anlisis y gestin del riesgo
Es un mtodo proactivo que identifica si todos los recursos de la planeacin,
desarrollo, y gestin del proyecto son adecuados para cumplir con los
requerimientos del proyecto. Permite que las consecuencias adversas se
resuelvan hasta un punto en que no tengan impacto significativo en el logro del
proyecto.
Diseo para Seis Sigma (DFSS)
Es un proceso que identifica, documenta, y asegura que los requerimientos de
los clientes internos y externos, sean comprendidos e integrados en la solucin
de un producto o servicio. Tambin ayuda a definir los atributos que los clientes
consideran Crticos para la Calidad (CTQs).
Metas de confiabilidad
Las metas se establecen en la fase de desarrollo del concepto, con base en la
voz del cliente por medio de QFD, DFSS, e historial de fallas.
Pgina 4
DISEO DE INGENIERA
Despus de definir las metas de confiabilidad. Se identifican los problemas en
estas etapas tempranas y se corrigen antes de la produccin masiva. La clave
es agregar la dimensin del tiempo mientras los productos estn expuestos a la
posibilidad de falla, esto requiere probar en ambientes reales y simulando el
uso real del cliente.
Entre las herramientas disponibles se tienen: FRACAS, Diagramas de bloques
de confiabilidad, Anlisis de degradacin, Anlisis de rbol de falla, Anlisis de
criticalidad de riegos, Revisiones de diseo, De-gradacin, HLAT/HAST, FMEA
de diseo, Modelo de crecimiento de la confiabilidad, y Anlisis de datos de
vida de Weibull.
Sistema de Reporte de fallas, su anlisis, y accin correctiva (FRACAS)
Es un sistema de bucle cerrado para iniciar el reporte, el anlisis de fallas, y
retroalimentar acciones correctivas dentro del diseo, fabricacin, y procesos
de prueba para promover la mejora de la confiabilidad a travs del ciclo de vida
del producto.
Diagramas de bloque de confiabilidad
Indica las relaciones funcionales de confiabilidad entere componentes de un
ensamble y entre ensambles de un sistema. Las representaciones ms
comunes son las relaciones en serie y las relaciones en paralelo. Los sistemas
complejos se pueden modelar combinando las relaciones serie y paralelo.
La combinacin de confiabilidad en serie entre partes, representa la situacin
donde todos los componentes necesitan funcionar correctamente para que el
ensamble funcione correctamente, si una parte falla, falla el sistema. Una
relacin en serie es descrita con bloques conectados en serie.
Confiabilidad en serie de A y B = R(A) * R(B)
La confiabilidad en paralelo entre partes representa la situacin donde
justamente una de las partes necesita funcionar adecuadamente para que le
ensamble funcione correctamente. La relacin paralela es descrita como
bloques compartiendo las mismas entradas y salidas.
Confiabilidad en paralelo de A y B = 1 [(1-R(A)) * (1-R(B))]
Anlisis de degradacin
Proporciona una estimacin de de los modos de falla de componentes a largo
plazo que no pueden ser fcilmente duplicados en pruebas. Estos efectos
toman un largo tiempo en aparecer y normalmente pueden ser atendidos
revisando los datos histricos de confiabilidad y garantas de productos o
componentes similares.
Pgina 5
Anlisis de rbol de fallas (FTA)

Los eventos catastrficos o significativos pueden requerir un anlisis de rbol
de falla (FTA), que inicia con el evento significativo (en la parte superior), e
identifica causas asociadas intermedias (en medio) y finalmente las causas raz
(en la parte inferior). Se pueden asociar probabilidades con cada evento
relevante en la estructura de rbol y combinando las probabilidades se
proporciona una forma de calcular la probabilidad de que ocurra el evento en la
parte superior.
Un FTA es un subconjunto de los eventos descritos en un anlisis de FMEA.
Slo los eventos que pueden causar el evento significativo se incluyen en el
rbol de fallas.
Anlisis de criticalidad de riesgo
La asignacin de categoras de criticalidad y probabilidades asociadas a cada
una de las posibilidades falla proporciona un anlisis completo de riegos. Esto
normalmente se combina con el anlisis de FMEA.
Un conjunto tpico de categoras de criticalidad puede ser:
Categora 4: catastrfica causa de muerte, falla en un sistema de

seguridad o falla en un sistema complejo
Categora 3: significativa tal como accidente humano reportable OSHA
o prida mayor de parte de un sistema de seguridad
Categora 2. Menor tal como interrupcin temporal de un sistema no
relacionado con la seguridad
Categora 1 Despreciable tal como una indicacin espuria de luces
indicadoras o bocinas.
Revisiones de diseo
Las revisiones de diseo preliminares (PDR) y revisin crtica de diseo (CDR)
coordinan los esfuerzos y reenfocan las prioridades.
La PDR se puede realizar despus de que se termina el diseo conceptual.
La CDR se puede realizar despus de que el diseo detallado est terminado y
antes de la manufactura, atendiendo los problemas de manufactura y
mantenabilidad.
Anlisis de De-rating
Arroja resultados para proporcionar un factor de seguridad suficiente entre el
esfuerzo de la parte y su capacidad real. Los componentes protegidos con este
factor de seguridad se espera que tengan una vida ms larga.
Pgina 6
Prueba de vida altamente acelerada (HALT)

Es una reproduccin personalizad del ambiente real en el que el producto ser
utilizado, donde puede ocurrir una falla en la vida relevante del producto. Sus
resultados pueden ser analizados por tcnicas estadsticas, tales como los
anlisis con las distribuciones de Weibull / log normal, junto con el
conocimiento del factor de aceleracin para formar la base de prediccin del
comportamiento en el campo.
El factor de aceleracin es la razn del tiempo de vida en un ambiente real de
servicio al tiempo de vida de prueba.
A = factor de aceleracin = Tiempo de vida en un ambiente de servicio real /
Tiempo de vida de prueba. Es ms tardado que HAST.
Prueba de esfuerzo altamente acelerado (HAST)
Sobre esfuerzo del producto para inducirle fatiga, que causa falla y revela
debilidad, tiene la desventaja que las debilidades del producto pudieran no
ocurrir en la vida til del producto.
Diseo para manufactura y ensamble (DFMA) / Metodloga de integracin
de sistema
La integracin de sistemas en produccin pueden ocasionar fallas que no se
presentan con componentes simples. Tales posibilidades deben ser
consideradas en el diseo preliminar. Los errores humanos tales como fallas en
ensamble pueden mitigarse con DFMA.
Anlisis del Modo y Efecto de Falla de Diseo (FMEA)
Este mtodo lista cada de una las partes funcionales en su nivel ms bajo e
incluye todos los ensambles mayores. Es una auditora de las posibilidades de
falla y las consecuencias de esas fallas en el siguiente nivel de ensamble.
Modelado del crecimiento de la confiabilidad
Los modelos de AMSAA (Duane) y otros modelos de crecimiento de la
confiabilidad llevan seguimiento de cambios de la confiabilidad en el tiempo.
Anlisis de datos de tiempo de vida de Weibull
Con Weibull se pueden medir los tipos de datos siguientes:
Datos estndar todos los tiempos de falla y suspensin son

conocidos.
Modos de falla mezclados o en competencia las fallas y tiempos de
suspensin son conocidos pero los modos de falla son desconocidos.
Pgina 7
Datos de intervalo, datos agrupados, o de inspecciones no destructivas

el tiempo de falla exacto no es conocido solo el intervalo en el cual
ocurro la falla es conocido.
Datos de inspeccin destructiva o quantiles cada observacin es falla
o censurada.
VERIFICACIN Y VALIDACIN DEL DISEO

Como resumen de planeacin y realizacin de actividades de pruebas con
objeto de asegurar que el diseo cumple con los requerimientos de
confiabilidad. Las disciplinas de solucin de problemas son importantes para
identificar y resolver los modos de falla durante las pruebas.
Plan de verificacin del diseo y reporte (DVP&R)
El plan describe el mtodo de la actividad de prueba tanto para la verificacin
como para la validacin. El plan identifica el nmero y tipo de aspectos a ser
probados y los criterios para certificar que los resultados son aceptables.
Las estrategias de prueba consideran prueba por atributos versus variables y
tiempo versus truncado de fallas. Las pruebas pueden realizarse con o sin
reemplazo de artculos con falla. Se incluye la determinacin estadstica del
tamao de muestra requerida para llegar a una decisin acerca de la hiptesis
nula establecida e intervalo de confianza.
Pruebas de confiabilidad
Las pruebas determinan la capacidad de un producto para cumplir con los
requerimientos de confiabilidad, sujetando al producto a un conjunto de
pruebas fsicas, qumicas, ambientales, o de condiciones de operacin. Una
prueba de confiabilidad mide tanto la confiabilidad como la confianza bajo
diversas condiciones.
La informacin obtenida de estas pruebas se utiliza para estimar la
confiabilidad alcanzable dentro de los intervalos de confianza especificados.
Los resultados se comparan con las metas como base para toma de acciones
correctivas para mejorar la confiabilidad.
Entre las pruebas utilizadas para detectar modos de falla se encuentran:
pruebas funcionales, ambientales, aceleradas, de quemado, y confiabilidad en
vida til.
Pruebas aceleradas
Las pruebas aceleradas se utilizan para recrear modos de falla conocidos o
conceptualizados en le laboratorio, acortando el tiempo de prueba al exponer al
producto a condiciones ms severas de operacin o ambientales que las
normales de uso.
Pgina 8
Tcnicas de Shanin
SU proceso de prevencin se enfoca a identificar y eliminar enlaces dbiles de
alto riesgo antes de la manufactura del producto, se hace en tres etapas:
Comprensin de cmo se disea el producto para su funcin y como

puede fallar en esa funcin.
La confirmacin de la relacin entre las especificaciones del producto y
las tolerancias de manufactura.
Se aplican mtodos de prueba acelerados y de sobre esfuerzo para
asegurar la confiabilidad del producto.
Diseo experimentos (DOE)

El DOE se refiere a la planeacin, realizacin, anlisis e interpretacin de
pruebas controladas, para evaluar los factores que controlan el valor de un
parmetro o grupo de parmetros.
La lista siguiente identifica conceptos que pueden ser considerados para
disear experimentos efectivos:
Conceptos estadsticos de DOE

Pruebas de hiptesis
Modelado de medias y desviaciones estndar
Tipos de respuestas variables y atributos
Tamaos de muestra y potencia
Experimentos simples comparativos
Experimentos de un factor
Bloques aleatorizados, Cuadrados latinos y diseos relacionados
Diseos factoriales y fraccionales de dos niveles
Bloqueo
Alias / confusin
Resolucin
Experimentacin secuencial / Desaliasing / Diseos desdoblados
Diseo factoriales y fraccionales de tres niveles y niveles mezclados
Diseo anidados
Ajuste de modelos de regresin
Mtodos de superficie de respuesta
Diseos de Taguchi
Determinacin de la muestra para diferencias discriminantes
Necesidad de aleatorizacin y mtodos
Caractersticas experimentales de diseo
Anlisis de correlacin y regresin
Anlisis de varianza
Diseos factoriales completos y fraccionales
Operacin evolutiva (EVOP)
Pgina 9
VERIFICACIN Y VALIDACIN DEL PROCESO

Muchos de los mtodos de verificacin y validacin del diseo tambin se
aplican a los procesos. Con lo problemas tpicos de arranque como falta partes,
errores humanos y cambios en los requerimientos de los clientes requiere que
el desempeo del producto se pruebe en lotes pequeos.
Plan de verificacin y reporte (PVP&R
El propsito es identificar cambios sistmicos que puedan resultar de
variaciones en el proceso durante la transicin de diseo a produccin. Se
toman unidades de la produccin piloto para su validacin y verificacin en
confiabilidad y durabilidad de acuerdo a especificaciones. Las diferencias
pequeas pueden impactar significativamente la confiabilidad del producto.
Anlisis del modo y efecto de falla de proceso (PFMEA)
Identifica aspectos de alto riesgo en el proceso de manufactura y se hace una
vez completado el FMEA de diseo. Cualquier nmero de prioridad de riesgo
(RPN) que no pueda ser resuelto por el equipo de manufactura o
modificaciones al proceso o a prueba de error, debe considerarse para prueba.
Otras tcnicas para mejorar la confiabilidad
Otros mtodos de apoyo son:
Proceso de aprobacin de partes para produccin PPAP

Anlisis de sistemas de medicin MSA
Etc.
MONITOREO DESPUS DEL LANZAMIENTO / MEJORA

Incluye tres reas diferentes:
Coleccin de datos en campo

Tcnicas analticas para interpretar los datos
Distribucin de los resultados de anlisis a las diferentes reas de la
organizacin
Coleccin de datos
Incluyen:
Datos de reclamaciones en garanta, es necesario un filtraje perceptual
de esta informacin
Pgina 10
Anlisis de partes con falla en campo, se requiere un rbol de decisin

para determinar quien debe estar involucrado en el anlisis (laboratorio,
proveedor, etc.)
Filtrado de esfuerzo ambiental, para componentes electrnicos con
pruebas de quemado se eliminan las fallas de ensamble e infantiles.
Identificacin de problemas potenciales en campo, hotlines.
Reporteo por Internet
Resultados de pruebas en campo (mejora de partes / durabilidad),
encontrar usuarios que se presten a las pruebas.
RESUMEN
Los diseos se crean o mejoran utilizando el historial de fallas, expectativas de
los clientes, y demandas externas (gubernamentales y de limitacin de
recursos). Los diseos se prueban antes de hacer las partes y tambin se
prueban con pruebas fsicas. Despus se verifican y validan los diseos y los
procesos de manufactura. Se introduce el producto al mercado y se evala que
tan bueno es realmente. La experiencia real en las manos del cliente o
usuario se usa para ayudar a desarrollar la siguiente generacin de productos.
El ciclo se repite una y otra vez.
Pgina 11
Pasos para el anlisis de datos de vida

Rama principal
1. Identificar el tipo de datos Qu tipo de datos se tienen?
2. Datos estndar si se conocen todos los tiempos de falla y todos los
tiempos de suspensin. Pruebas controladas o datos de garantas. Ir a rama A.
3. Modos de falla en competencia o mezclados no se conocen los modos de
falla o no se sabe si los modos de falla son iguales. Los datos de garantas
caen en este grupo. Ir a rama B.
4. Datos por intervalo, datos agrupados, o datos de pruebas no destructivasse presentan cuando las inspecciones se hacen en varios puntos en el tiempo y
las fallas se encuentran solo durante esas inspecciones, el tiempo de falla
exacto no se conoce, solo el intervalo en que ocurri. Las garantas
contabilizadas por mes caen en esta categora. Ir a rama C.
5. Datos de inspecciones destructivas o quantiles son datos donde una
pieza slo se inspecciona una vez. Cada observacin es falla o censurada
(como las pruebas de bombas). Ir a rama D.
Rama A (datos estndar)
6. Se tienen cero fallas en los datos?
7. Si lo anterior sucede, el nico anlisis que se puede hacer es el de
Weibayes. Se puede seleccionar una pendiente basada en experiencias
previas con modos de falla esperados. Se usa para probar si se ha eiliminado
un tipo de falla.
8. Se tiene una falla?
9. Se tienen suspendidos posteriores?, un suspendido posterior es una unidad
que no ha fallado y que ha funcionado ms tiempo que las unidades con falla.
10. Si hay una falla y cero suspendidos, usar Weibayes. Se debe conocer el
nmero de unidades que hay y que tanto duraron. Se debe hacer una
suposicin de la pendiente para usar Weibayes, en base a experiencias previas
o conocimiento del mecanismo de falla.
11. Si hay suspendidos, se tiene un buen conocimiento de la pendiente?
12. Si hay confianza en la pendiente usar Weibayes como lo indica el punto 10.
13. Si no hay confianza acerca del conocimiento de la pendiente, usar MLE?
14. Se tienen ms de una falla pero menos de 10 fallas?
Pgina 12
15. Con dos a nueve fallas, se tiene un buen conocimiento de la pendiente?

Un buen conocimiento de la pendiente puede ser el conocimiento en base a
experiencias previas, datos de la biblioteca de Weibull, o conocimiento del
mecanismo de falla.
16. Si se est satisfecho con el conocimiento de la pendiente con el
conocimiento en base a experiencias previas, datos de la biblioteca de Weibull,
o conocimiento del mecanismo de falla, se puede usar Weibayes.
17. Si no se est satisfecho con el conocimiento de la pendiente, ajustar un
modelo de dos parmetros de Weibull con una regresin de rango de medianas
de X sobre Y.
18. Ajustar un modelo de estimacin de mxima verosimilitud (MLE) por medio
del ajuste reducido de sesgo (RBA).
19. Los modelos de ajuste en pasos 17 y 18 parecen razonables con base en
el conocimiento de las fallas?
20. Si el modelo en 19 no parece razonable, usar Weibayes con el
conocimiento en base a experiencias previas, datos de la biblioteca de Weibull,
o conocimiento del mecanismo de falla.
21. Los modelos en 17 y 18 estn en acuerdo razonable?
22. Si los modelos en 17 y 18 concuerdan razonablemente, usar el ms
conservador de los dos modelos.
23. Si los modelos en 17 y 18 no tienen un acuerdo razonable, considerar la
posibilidad de problemas de lote. Hay varios indicadores a buscar: 1) es el
lmite inferior del intervalo de confianza para el riesgo presente mayor al
nmero de fallas observadas? 2) es la pendiente MLE menor que la pendiente
de la regresin de rango de medianas? 3) la funcin acumulada agregada de
falla indica un efecto de lote?
La rama A1 inicia aqu:
24. se tienen entre 10 y 20 fallas?
25. Si hay entre 10 y 20 fallas, ajustar con un modelo de dos parmetros de
Weibull con una regresin de rango de medianas de X sobre Y.
26. Es adecuado el ajuste anterior? Considerar el coeficiente de correlacin
crtico y el coeficiente crtico de determinacin.
27. Si el ajuste es aceptable, usar la regresin de rango de medianas de X
sobre Y.
28. Ajustar un modelo de 2 parmetros con la regresin de rango de medianas
de X sobre Y.
Pgina 13
29. Es adecuado el ajuste anterior? Considerar el coeficiente de correlacin

crtico y el coeficiente crtico de determinacin.
30. Utilizar el modelo de 2 parmetros con la regresin de rango de medianas
de X sobre Y.
31. Si hay ms de 20 fallas. Realizar un anlisis de la distribucin para
identificar la que mejor ajuste a los datos.
32. Se identific una distribucin que ajuste adecuadamente? Considerar el
coeficiente de correlacin crtico y el coeficiente crtico de determinacin.
33. Desea verificar el resultado de la regresin por rango de medianas con el
MLE?
34. Usar el modelo de regresin por rango de medianas de 32.
35. Ajustare el modelo MLE para la mejor distribucin encontrada en 32.
36. Concuerdan los modelos de regresin y MLE?
37. Si concuerdan, utilizar el modelo ms conservador.
38. Si no concuerdan, se tienen ms de 100 fallas?
39. Si se tienen ms de 100 fallas utilizar el modelo MLE.
40. Si se tienen menos de 100 fallas, usar el resultado de la regresin por
rango.
41. Si el ajuste no es aceptable, verificar si hay mezcla de modos de falla.
Aqu inicia la rama B
42. se pueden separar los modos de falla mezclados? Requiere un anlisis de
las partes con falla.
43. Si se pueden separa los modos de falla, ir a paso 2 y realizar el anlisis
para cada uno de los modos de falla. En el anlisis, considerar las fallas de
otros modos como suspensin.
44. Se pueden separar los modos de falla estadsticamente?
45. Si se pueden separar los modos de fallas estadsticamente, usar estos
resultados e ir al paso 2 y realizar el anlisis para cada uno de los modos de
falla. En el anlisis tratar los otros modos de falla como suspendidos.
Pgina 14
46. Si no se pueden separar los modos de falla se desea predecir el tiempo

de vida con base en tiempo de prueba / calendario o antigedad de las
unidades?
47. Si se quiere predecir la vida con base en la antigedad de las unidades,
usar Kaplan Meir.
48. Si se quiere predecir la vida con base en tiempo de prueba o de calendario,
usar Crow-AMSAA-Duane.
La rama C inicia aqu
49. se tiene fallas benignas que se encuentran solo en la inspeccin?
50. Cuando se encuentran estas fallas, ajustar un modelo al punto mximo del
intervalo de datos.
51. se inspecciona el mismo nmero de unidades y se usa el mismo intervalo
para todas las inspecciones?
52. Si no se inspecciona el mismo nmero de unidades, se usa el mismo
intervalo de inspeccin para todas las inspecciones?
53. Usar el mtodo de intervalo MLE.
54. Usar Probit.
55. Usar Kaplan Meir
Aqu inica la rama D
56. Usar Probit
Mtodo WeiBayes
Es un trmino acuado por el Dr. Bob Abernethy para el anlisis de Weibull
cuando se selecciona el parmetro de la pendiente de antremano, con relacin
al supuesto Bayesiano. El Dr. Abernethy se refiere a esta tcnica como Weibull
de un parmetro dado que uno de los dos parmetros de Weibull ya est
seleccionado. Este mtodo basado en la mxima verosimilitud proporciona
respuesta a preguntas difciles con relacin a la mejora del producto y
comparaciones de diseo.
Su uso es posible sin requerir la prueba a falla, lo cual puede ser tardado y
costoso. La situacin de no falla produce un lmite de confianza ms bajo para
la vida caracterstica, reducindose a un punto estimado.
Pgina 15
Pgina 16
Contenido
Introduccin y relacin con el APQP
1. Prueba de vida acelerada
2. Benchmarking
3. Anlisis de degradacin
4. Diseo para manufactura y ensamble
5. Diseo de experimentos
6. Revisin de diseo **
7. Seleccin del diseo y optimizacin
8. Identificacin temprana de problemas
9. Seleccin por esfuerzo ambiental
10. A prueba de error / deteccin de falla / Poka Yokes
11. FMEA
12. Reporte de falla, anlisis y sistema de accin correctiva (FRACAS)
13. Anlisis de rbol de falla
14. Anlisis de elemento finito
15. Diagrmas de bloque funcionales
16. Pruebas de vida altamente acelerada (HALT) / Seleccin por esfuerzo
(HASS)
17. Anlisis de costo de ciclo de vida
18. Anlisis de datos de vida
19. Anlisis de sistemas de medicin (MSA)
20. Anlisis Multivari
21. Diagramas de parmetros
22. Derating de partes
23. Solucin de problemas anlisis de causa raz
24. Estudios de capacidad de procesos
25. Mapeo de procesos
26. Especificaciones de desempeo del producto **
27. Plan de confiabilidad del producto **
28. Tablero de control del producto
29. Proceso de aprobacin de partes de produccin (PPAP)
30. Despliegue de la funcin de calidad (QFD)
31. Modelo de asignacin de confiabilidad **
32. Diagramas de bloque de confiabilidad
33. Mantenimiento centrado en confiabilidad
34. Modelado de crecimiento de la confiabilidad (Crow/AMSAA)
35. Prediccin de confiabilidad
36. Anlisis de seguridad en peligros
37. Anlisis de circuitos
38. Anlisis del software
39. Caractersticas especiales
40. Tolerancias estadsticas
41. Diseo robusto de taguchi
42. Planes y reportes de pruebas **
43. Bases de datos de garantas
44. Anlisis de Weibull
45. Anlisis del peor caso.
Pgina 17
Introduccin y relacin con el APQP
Las herramientas y actividades clave relacionadas con el APQP para hacer
productos ms confiables se indican a continuacin:
FASE I. PLANEACIN
Determinar las necesidades de confiabilidad del mercado y las

expectativas.
Identificar las mtricas clave de confiabilidad que sern aplicadas al
producto, con la definicin adecuada de falla relacionada con cada
mtrica.
Desarrollar metas cuantitativas de confiabilidad del producto para cada
mtrica.
Caracterizar, en trminos medibles, el perfil operativo y ambiental del
producto.
Asignar las metas de confiabilidad, perfil de operacin, y ambiental a los
principales subsistemas y componentes del producto.
Realizar un estudio de factibilidad del concepto inicial del diseo contra
metas de confiabilidad.
Compara el costo beneficio orientado a la confiabilidad asociado a
alternativas de diseo.
Preparar los programas de confiabilidad y presupuestos asociados.
El cliente puede no especificar las metas de confiabilidad, en todo caso el

proveedor debe establecerlas como sigue:
Una meta mejorada sobre el desempeo pasado del producto.

Benchmarks competitivos.
Lmites deseables para la exposicin del producto a riesgos de garanta.
Encuestas de satisfaccin y lealtad de clientes.
La informacin para los planes de confiabilidad puede venir de fuentes como

son:
Datos de mantenimiento de campo

Datos de planes de prueba anteriores
Encuestas de clientes
Clnicas de clientes / grupos de enfoque
Visitas a las instalaciones del cliente
Entrevistas en exposiciones
Anlisis de los datos reales de garantas
Requerimientos obligatorios del gobierno
Benchmarks competitivos de producto
Requerimientos / especificaciones del cliente
Pgina 18
Pgina 19
Fase primaria 1 Objetivos de confiabilidad

Los tres principales objetivos de la actividad de confiabilidad durante la fase de
planeacin son:
1. Definir requerimientos, se incluyen aspectos de mantenabilidad y de
disponibilidad (uptime).
2. Identificar y mitigar el riesgo, usar informacin histrica de fallas.
3. Planear el proyecto de confiabilidad
FASE 2 DISEO y DESARROLLO DEL PRODUCTO
El objetivo es asegurar que los productos nuevos, cumplan o excedan las
expectativas de confiabilidad del cliente.
Entradas:
Metas generales de confiabilidad del diseo

Plan del programa de confiabilidad del producto
Diagramas de bloques funcionales
Predicciones de confiabilidad a nivel del sistema
Definiciones del perfil ambiental y de uso
Metas de costo de ciclo de vida
Metas y riesgos de costos de garanta
Lista de materiales preliminar
Diagrama de flujo del proceso preliminar
Plan preliminar de crecimiento de la confiabilidad
Actividades de confiabilidad:
Especificaciones de desempeo del producto (subsistemas y

componentes)
Modelo de asignacin de confiabilidad a ensambles, subensambles, y
componentes.
Prediccin de la confiabilidad
DFMEA
DFM/A
Seleccin y optimizacin del diseo
DOE enfocado a la confiabilidad
Pruebas de vida aceleradas
Planes y repoirtes de prueba
Caractersticas especiales
Anlisis de costo del ciclo de vida
Planeacin y gestin del crecimiento de la confiabilidad
Solucin de problemas, anlisis de causas raz
Pgina 20
Sistema de reporte de fallas, anlisis y accin coreectiva (FRACAS)

Anlisis de Weibull
Anlisis de datos de vida
Anlisis de rbol de falla (FTA)
Salidas:
Predicciones de confiabilidad
DFMEA
Estimacin del costo del ciclo de vida
Estimacin de costos de garanta
Revisiones de diseo
Verificaciones de diseo
Plan de validacin de diseo
Plan de crecimiento de confiabilidad
DFM/A
Plan de control de prototipo
Dibujos de ingeniera con clculos
Especificaciones de ingeniera
Requerimientos de confiabilidad y garanta de proveedores
Lista de materiales final
Requerimientos de nuevos equipos, herramentales e instalaciones
Caractersticas especiales del proceso o producto
Requerimientos de equipo e instrumentos de prueba
FASE 3. DISEO Y DESARROLLO DEL PROCESO

Define y reduce los riesgos de confiabilidad asociados con el proceso de
manufactura. Se realiza en forma concurrente con la fase 2.
Objetivos primarios de la fase 3:
1. Definir un proceso de manufactura que optimice la confiabilidad inherente del
producto
2. Asegurar el control de las caractersticas crticas de manufactura
Entradas:
Adicionales a las salidas de la fase 2 se incluye lo siguiente:
Resultados del DFMEA

Listado de caractersticas crticas
Lista de materiales preliminar
Especificaciones y dibujos de ingeniera
Requerimientos de equipos e instrumentos de medicin y prueba
Soporte de la direccin al comit de factibilidad
Pgina 21
Mapa de proceso
PFMEA de proceso
Estudios de capacidad de proceso
Anlisis del sistema de medicin
DFM/A
Seleccin del diseo y optimizacin
Revisiones de diseo
DOE para proceso
Diseo robusto de Taguchi
Anlisis Multivari
Solucin de problemas anlisis de causa raz
A prueba de error / Poka Yokes
FRACAS
Plan y reporte de prueba
Salidas:
Layout final
Instructivos de operacin por estacin
Plan de control del prelanzamiento
Requerimientos de confiabilidad / garanta de proveedores
Seleccin de proveedores
Plan de aseguramiento de calidad de proveedores
Requerimientos de nuevos equipos, herramentales e instalaciones
Requerimientos de equipos e instrumentos de medicin y prueba
Evaluaciones de materiales en recibo y de producto embarcado
FASE 4. VALIDACIN DE PRODUCTO Y PROCESO

Se enfoca a probar que tanto el producto como el proceso de manufactura son
capaces de cumplir con los requerimientos incluyendo los de confiabilidad del
producto y capacidad del proceso. Es un paso necesrio previo a la produccin
normal
1. Probar que la confiabilidad del producto representativo de la produccin, el
proceso de manufactura y ensamble, cumple con los requerimientos de
confiabilidad.
2. Validad que el proceso de produccin es capaz de producir repetidamente un
producto que cumpla sus requerimientos de confiabilidad y otros.
Pgina 22
3. Verificar la eficacia de los planes de control de produccin

4. Resolver problemas de diseo y manufactura que se descubran durante las
actividades de validacin antes de su lanzamiento a produccin
Entradas
Adems de las salidas de la fase 2 y fase 3, las siguientes entradas osn
necesarias:
Estndares de empaque
Revisiones del sistema de calidad del producto/proceso
Matriz de caractersticas
Pruebas aceleradas
FRACAS
Anlisis de sistemas de medicin
Anlisis Multivari
Solucin de problemas causa raz
Estudios de capacidad de proceso
Proceso de aprobacin de partes de produccin (PPAP)
Plan y reporte de pruebas
Salidas:
Corrida de la produccin piloto

Aprobacin de la produccin de partes
Evaluacin del empaque
Planes de control revisados
Liberacin de la planeacin de calidad y soporte de la direccin
FASE 5. PRODUCCIN
Es imperativo durante esta fase monitorear el desempeo del producto y su
confiabilidad. Es crucial la retroalimentacin del cliente sobre la funcionalidad
del producto, utilidad, y disponibilidad, as como asegurar el cuimplimiento de
las variables del proceso.
1. Monitorear y mejorar confiabilidad verdadera del producto experimentada por
el cliente. Es necesario tener un sistema de aviso para detectar fallas en
campo, tan rpido como sea posible, dar seguimiento, identificar causas raz y
tomar acciones correctivas para eliminar los modos de falla.
Pgina 23
2. Asegurar que el conocimiento ganado con el programa de confiabilidad sea

capturado y est disponible para usos futuros. Como bibliotecas con
distribuciones de tiempos de vida de componentes y subsistemas.
Entradas:
Adems de las salidas de la fase 4 se tienen:
Planes de control del proceso de manufactura
Formacin de bases de datos de garantas

FRACAS
Identificacin temprana de problemas
Solucin de problemas anlisis de causa raz
DOE
Anlisis multivari
Filtraje con esfuerzo ambiental para productos electrnicos
Caractersticas especiales. Criticas para la funcionalidad y confiabilidad
del producto
Anlisis de Weibull
Salidas:
Seguimiento de metas de confiabilidad y garanta

Seguimiento de la capacidad en caractersticas especiales contra metas
Documentacin de lecciones prendidas en el desarrollo del producto
FASE 6. HISTORIAL DE CONFIABILIDAD Y LECCIONES APRENDIDAS

Se realiza en forma concurrente con las otras fases.
1. Colectar datos de la confiabilidad del producto (o no confiabilidad) para la
realizacin de actividades de prevencin de fallas.
2. Proporcionar un creciente repositorio de conocimiento para la organizacin,
reduciendo la dependencia de conocimiento tribal, que se puede perder
fcilmente cuando la gente se va de la organizacin.
Entradas:
Pgina 24
Recibe informacin de todas las dems fases, con excepcin de la fase de

planeacin. El propsito es contar con con sistemas de informacin que
estructuren los datos de forma que se pueda utilizar por las primeras etapas del
diseo.
Soportan la actualizacin de los siguientes repositorios de conocimiento de
confiabilidad:
FMEA de proceso y de diseo (PFMEA y DFMEA)

Base de datos de Weibull, desempeo de confiabilidad de productos,
sistemas subsistemas, componentes y por modo de falla promueve
modelado exacto de la confiabilidad para nuevos proyectos.
Base de datos de capacidad de caractersticas especiales, crucial para
DFMA/A.
Guas de diseo
Base de datos de lecciones aprendidas, bitcoras de revisiones de
diseo, FRACAS reportes de solucin, y acciones de accin correctiva
deben estar disponibles para referencia cuando se planeen y ejecuten
proyectos.
Salidas:
Se proporciona a las diferentes fases del proceso de desarrollo del

producto en la forma de datos e informacin.
Pgina 25
1. PRUEBAS ACELERADAS
Es una evaluacin realizada en ciclos de vida ms rpidos, donde sea
aplicable, y con altos esfuerzo de operacin y ambientales, mayores a los
normales. Hay modelos como el de Arrhenius, Eyring, HALT, HASS.
Ejemplos de factores usados para acelerar las pruebas:
Mecnicos
Climticos
Esfuerzo
operativo
Sock, vibracin, Temperatura,
Voltaje, presind
colisin,
humedad, cmara e aire, presin de
aceleracin, polvo salina,
lluvia, fluido,
peso,
y grava
viento,
presin transientes
atmosfrica,
elctricos
presin, radiacin
solar
Tasa de ciclo
Ciclos
transicin
temperatura,
aplicaciones
mecnicas,
flexiones,
movimientos,
aperturas
cierres, etc.
de
de
Propsito:
Se usa para estimar las caractersticas de confiabilidad de un producto bajo
uso normal. Otros usos son filtraje de lnea base para esfuerzo ambiental
usado en manufactura y mejora de la confiabilidad del producto.
Beneficios:
Tiempo de prueba reducido

Se pueden obtener distribuciones de vida, determinacin de la
confiabilidad, y modos de falla de manera rpida antes de lanzar el
producto
Se pueden hacer comparaciones rpidas entre diseos diferentes
Se pueden evaluar problemas de campo durante la vida del producto de
manera rpida
Se puede hacer un monitoreo eficiente del producto en relacin a su
confiabilidad
Implementacin:
Se pueden hacer pruebas con diferentes tipos de esfuerzos al mismo tiempo.
Algunas limitaciones son:
La determinacin de los factores de aceleracin puede ser difcil
Pgina 26
Para nuevos productos puede no haber correlacin entre la prueba

acelerada y el uso normal, dado que los modos de falla no se han
establecido.
Un esfuerzo excesivo puede ocasionar cambios fsicos no realistas.
La inversin inicial en equipo reprueba es costoso.
Se pueden inducir modos de falla no indicativos del uso normal.
Ejemplo:
Un componente se usa con esfuerzo para determinar si o no se podra utilizar
una prueba actual para reducir el ciclo de diseo. Se evalu la prueba en tres
niveles de esfuerzo.
Timepo_a_falla
3890000
3980000
4132000
2363000
2478000
2483000
1310000
1336000
1365000
Newtons
5573
5573
5573
697
697
697
640
640
640
Identificacin de la distribucin de ajuste:

1. Stat > Reliability / Survival > Distribution analysis (right censoring)
2. Distribution ID Plot > Variable Tiempo_de_falla > Distribution Lognormal
3. OK
Probability Plot for Timepo_ a_ falla
LSXY Estimates-Complete Data
Correlation Coefficient
Lognormal
0.941
Lognormal
99
95
Percent
80
50
20
5
1
Timepo_ a_ falla
Pgina 27
Tiempo de vida acelerado:

1. Stat > Reliability / Survival > Accelated life testing
2. Variables > TIempo_de_falla
3. Accelerating var. Newtons
4. Estimate: Confidence level 95%
OK
La grfica resultante se muestra a continuacin:
Probability Plot (Fitted Linear) for Timepo_ a_ falla

Lognormal
Complete Data - ML Estimates
99
Newtons
5573
6967
8640
95
90
Table of Statistics
Loc
Scale AD*
15.2032 0.0218849 3.757
14.7050 0.0218849 4.167
14.1071 0.0218849 3.417
Percent
80
70
60
50
40
30
F
3
3
3
C
0
0
0
20
10
5
1
1500000
2000000
3000000
Timepo_ a_ falla
4000000
Relation Plot (Fitted Linear) for Timepo_ a_ falla

Lognormal - 99% CI
Complete Data - ML Estimates
Percentiles
90
50
10
Timepo_ a_ falla
4000000
3000000
2000000
1500000
5500
6000
6500
7000
7500
Newtons
8000
8500
9000
Se observa que los tres estados no difieren significativamente a un 99% de NC:
Pgina 28
1. Graph Lognormal
2. Variable Tiempo_de_falla
3. OK
Probability Plot of Timepo_ a_ falla
Lognormal - 99% CI
99
Loc
Scale
N
AD
P-Value
95
90
14.67
0.4759
9
0.552
0.111
Percent
80
70
60
50
40
30
20
10
5
1000000
10000000
Timepo_ a_ falla
Fitted Line Plot

Y = 8642485 - 856.2 X
S
R-Sq
R-Sq(adj)
4000000
3500000
3000000
2500000
2000000
1500000
1000000
5500
6000
6500
7000
7500
8000
8500
Factor de aceleracin
Pgina 29
9000
244824
98.3%
96.6%
Accelerated Life Testing: Timepo_a_falla versus Newtons

Response Variable: Timepo_a_falla
Censoring Information
Uncensored value
Count
9
Estimation Method: Maximum Likelihood

Distribution:
Lognormal
Relationship with accelerating variable(s):
Linear
Regression Table
Standard
95.0% Normal CI
Predictor
Coef
Error
Z
P
Lower
Upper
Intercept
17.1949 0.0417192 412.16 0.000
17.1132
17.2767
Newtons
-0.0003574 0.0000058 -61.43 0.000 -0.0003688 -0.0003460
Scale
0.0218849 0.0051583
0.0137884
0.0347357
Log-Likelihood = -110.419
Probability Plot (Fitted Linear) for Timepo_a_falla

Anderson-Darling (adjusted) Goodness-of-Fit
At each accelerating level
Fitted
Level
Model
5573
3.757
6967
4.167
8640
3.417
Pgina 30
2. BENCHMARKING
Es el proceso para mejorar el desempeo de los productos y los procesos,
identificando, comprendiendo, y adaptando las mejores prcticas, procesos y
caractersticas, y desempeo de productos y procesos de clase mundial, de
manera continua. El benchmarking compara productos, procesos, o servicios y
puede ser interno o externo.
Beneficios
Evitar reinventar la rueda

Acelera el cambio (usa prcticas probadas, convence a escepticos, etc.)
Orienta a buscar soluciones en el exterior de la organizacin
Fuerza a la organizacin a hacer anlisis de sus procesos actuales
Identifica quienes son los mejores en la industria
3. ANLISIS DE DEGRADACIN
Degradacin es la propiedad de uin proceso o producto que pierde su calidad
de diseo o caractersticas de confiabilidad en el tiempo al ser sometido a
esfuerzo.
Beneficios
Identifica criterios bsicos de diseo

Establece vida de anaquel para los productos
Proporciona confianza estadstica de que un diseo es confiable en el
tiempo.
Ejemplo:
Se hace una prueba de hiptesis para probar si hay diferencia entre el antes y
despus de someter a un producto a una prueba de esfuerzo, con partes
idnticas.
Antes
1.701
1.694
1.88
1.686
1.696
Despues
1.66
1.699
1.701
1.71
1.719
Two-Sample T-Test and CI: Antes, Despues

Two-sample T for Antes vs Despues
Antes
Despues
N
5
5
Mean
1.7314
1.6978
StDev
0.0832
0.0226
SE Mean
0.037
0.010
Pgina 31
Difference = mu (Antes) - mu (Despues)

Estimate for difference: 0.033600
95% CI for difference: (-0.055350, 0.122550)
T-Test of difference = 0 (vs not =): T-Value = 0.87
Both use Pooled StDev = 0.0610
P-Value = 0.409
DF = 8
Boxplot of Antes, Despues

1.90
1.85
Data
1.80
1.75
1.70
1.65
Antes
Despues
Evaluacin de la confiabilidad
Identificacin de la distribucin que mejor ajuste a los datos de Despus:
1. Stat > Reliability / survival > Distribution analysis (right censoring)
2. Distribution (ID) Plot
3. Variables Despes seleccionar Use all distributions
4.OK
Probability Plot for Despues
3-Parameter Weibull
3-Parameter Weibull
0.952
3-Parameter Lognormal
0.917
2-Parameter Exponential
*
3-Parameter Loglogistic
0.920
3-Parameter Lognormal
99
90
90
Percent
Percent
50
10
50
10
1
52.65
52.70
52.75
Despues - Threshold
52.80
52.95
2-Parameter Exponential
53.00
Despues - Threshold
53.05
3-Parameter Loglogistic
99
90
90
Percent
Percent
50
10
50
10
0.001
0.010
0.100
Despues - Threshold
1
52.65
52.70
52.75
Despues - Threshold
Pgina 32
52.80
Evaluando la fraccin defective Antes y Despus se tiene:

1. Stat > Quality tools > Capability Analysis > Nonnormal
2. Data as single column antes y despus
3. Distribution 3-Parameters Loglogistic Lower spec 1.6 Upper spec 1.9
4. OK
Process Capability of Antes
Calculations Based on Loglogistic Distribution Model
LSL
Target
USL
Process Data
LSL
1.60000
Target
1.75000
USL
1.90000
Sample Mean 1.73140
SampleN
5
Location
-3.46682
Scale
0.45862
Threshold
1.66914
Overall Capability
Pp
0.47
PPL
3.38
PPU
0.32
Ppk
0.32
Exp. Overall Performance
PPM<LSL
0.0
PPM>USL 12581.6
PPMTotal
12581.6
Observed Performance
PPM<LSL 0
PPM>USL 0
PPMTotal 0
1.60
1.65
1.70
1.75
1.80
1.85
1.90
Process Capability of Despues

Calculations Based on Loglogistic Distribution Model
LSL
Target
USL
Process Data
LSL
1.60000
Target
1.75000
USL
1.90000
Sample Mean
1.69780
SampleN
5
Location
3.96368
Scale
0.00021
Threshold
-50.94981
Overall Capability
Pp
2.07
PPL
1.40
PPU
2.74
Ppk
1.40
PPM<LSL 98.6823
PPM>USL 0.0139
PPMTotal
98.6963
Observed Performance
PPM<LSL 0
PPM>USL 0
PPMTotal 0
1.60 1.64 1.68 1.72 1.76 1.80 1.84 1.88
Pgina 33
4. DISEO PARA MANUFACTURA Y ENSAMBLE (DFMA)

Es una metodologa interdisciplinaria que proporciona un mtodo para analizar
un diseo propuesto desde le punto de vista del ensamble y manufactura.
Beneficios
Permite reducir los costos en produccin, proceso y ensamble.

Mejora la confiabilidad del producto al hacerlo ms sencillo.
Integra aspectos del factor humano en el diseo del proceso.
Proporciona un mtodo para minimizar partes junto con su manejo e
insercin durante el ensamble.
Proporciona una mtrica de Factor de complejidad del diseo que
considera el nmero de partes, sus tipos, e interfases en el ensamble.
Actividades clave
Minimizar el nmero de partes

Estandarizar partes y materiales
Minimizar reorientacin de partes durante el ensamble
Crear ensambles modulares
Diseo para uniones eficientes
Simplificar el nmero de operaciones de manufactura
5. DISEO DE EXPERIMENTOS (DOE)

Se usa para proporcionar un mtodo estadstico estructurado para la
planeacin y ejecucin de pruebas. Se basa en la variacin sistemtica de
parmetros para determinar el efecto de esos parmetros en el resultado.
Beneficios
Mejora la robustes del desempeo y la confiabilidad de un producto, al

identificar y controlar las variables que ms influyen en el producto. En
algunos casos los productos se pueden hacer insensibles a variables no
controladas.
Permite identificar las interacciones entre las variables que tienen
influencia en el desempeo del producto.
El DOE permite estudiar el efecto de los parmetros de influencia de
manera simultanea, para hacer eficientes las pruebas.
Tipos de DOEs
Diseos estndar 2^(K-p) (Box, Hunter & Hunter)

Diseos de filtraje de 2 niveles (Plackett Burman)
Diseos 2^(K-p) con mxima no confusin
Diseos 3^(K-p) y diseos de Box-Behnken
Diseos con 2 y 3 niveles mezclados
Pgina 34
Diseos de superficie de respuesta

Cuadrados latinos y grecolatinos
Diseo de experimentos robustos de Taguchi
Diseos de mezclas y diseos de superficies triangulares
Diseos de superficies y mezclas restringidas
Diseos algortmicos ptimos D- y A-(T-)
Actividades
Definir las metas de la experimentacin

Determinar la variable de respuesta
Determinar las variables de entrada a ser controladas y sus niveles
Determinar las variables no controladas que puedan tener influencia en
la respuesta
Determinar las variables de entrada que se mantendrn constantes
Seleccionar el mtodo de prueba a utilizar
Disear la prueba
Realizar la prueba
Analizar los resultados
Confirmar los resultados
Formular las conclusiones e implementar las acciones
6. REVISIONES DE DISEO
Es una evaluacin disciplinada e interdisciplinaria por un grupo de expertos
para encontrar y resolver deficiencias o impedimentos que puedan afectar el
lanzamiento de proyecto, revisando al final de cada actividad mayor del plan
del proyecto. Las revisiones pueden ser formales e informales.
Beneficios
Espritu de equipo
Comunicacin mejorada
Reglas formales de operacin
Agenda y actividades de seguimiento formales
Se puede utilizar una lista de verificacin con los aspectos relevantes del
diseo o una agenda de revisin.
Ejemplo de lista de verificacin:
Entradas a la revisin Funcin responsable
del diseo
Requerimientos
del
cliente
Requerimientos
funcionales
Pgina 35
Revisin de diseo
Metas de calidad
Metas
de
mantenabilidad
Requerimientos
reglamentarios
DFMA y anlisis de
riesgos
7. SELECCIN DEL DISEO Y OPTIMIZACIN

Es un proceso en el cual los conceptos de diseo se ponderan ante los criterios
de desempeo del producto, confiabilidad, manufacturabilidad, serviciabilidad, y
otras especificaciones para seleccionar la mejor alternativa. Se tienen dos
modelos: la matriz de Pugh y al mtodo MCDMDA (Multi criteria Decisin
Management Decisin Analysis). El proceso se enlaza con el QFD para
comprender los requerimientos de los clientes.
Actividades
Definir el equipo de trabajo multifuncional

Definir los criterios y requerimientos del QFD, especificaciones de
desempeo, historial de desempeo, y capacidades de manufactura y
de proveedores.
Definir conceptos de diseo alternativos.
Definir escalas de calificacin
Preparar una matriz alternativa de atributos
Evaluar y ordenar por rango las alternativas
Ejemplo de Matriz de pugh

Requisitos
cliente
Del Impor- Lnea base

tancia Diseo
actual
Costo
5
0
Manufacturabilida
8
0
d
Confiabilidad
10
0
Mantenabilidad
5
0
Serviciabilidad
5
0
Disponibilidad
10
0
Empaque
8
0
Durabilidad
5
0
56
Alternativa
de diseo A
Notas:
Pgina 36
Alternativa
de diseo B
0
0
0
+
+
0
5
+
0
0
+
+
0
15
0 bajo
10 alto
- Desventaja
0 Similar al diseo actual
+ Ventaja
El valor ms alto es el mejor
8. IDENTIFICACIN TEMPRANA DE PROBLEMAS

Es un mtodo que aplica mtodos estadsticos a datos de campo para detectar
problemas de producto y proceso lo ms antes posible.
Beneficios
Reduce el tiempo tomado para identificar problemas

Aplica soluciones a lotes pequeos en vez de a la produccin masiva
Reduce costos de garantas
Mejora la calidad del producto
Actividades
La tarea principal es formar depositorios de datos (data warehousing),

que provienen de campo, centros de llamadas, garantas, quejas, etc.)
cuantificando los datos textuales y detectando y dando seguimiento a
patrones, con alertas automticas de problemas emergentes.
Con minera de datos (data mining) se tiene la capacidad de identificar y
dar seguimiento a patrones en los datos. Analizndolos para detectar
tasas de falla con variacin anormal (se puede aplicar el CEP).
Por ejemplo:
A representa el lmite de tasa de falla normal para un producto, cuando est
abajo del lmite se tomaron acciones.
Pgina 37
Time Series Plot of A, Limite

Variable
A
Limite
60
55
Data
50
45
40
35
30
Month Ene
Year 2001
May
Sep
9. SELECCIN
QUEMADO
Ene
2002
POR
May
Sep
ESFUERZO
AMBIENTAL
El quemado (Burn in) y la seleccin por esfuerzo ambiental (Environmental

Stress Screening) se utilizan en la manufactura para precipitar la mortalidad
infantil causada por defectos en componentes electrnicos o electromecnicos.
Se trata de evitar que estos defectos se presenten con el cliente, normalmente
asignados a fallas del ensamble (soldadura pobre, componentes dbiles, etc.)
10. A PRUEBA DE ERROR (POKA YOKE)

Pgina 38
Es la prctica de disear productos o procesos de manera que se minimice o

prevenga la probabilidad de errores humanos o mecnicos.
Se aplica para:
Evitar que los productos se fabriquen o ensamblen incorrectamente
Disear el proceso de manufactura para evitar partes ms ensambladas
Disear el software que no permita entradas en campos incorrectos
Cuando se identifiquen fuentes potenciales de productos no conformes, a
travs de Kaizen y con el apoyo de expertos, utilizar el FMEA, estudios de
capacidad de procesos, y reportes de servicio para identificar oportunidades de
accin.
Actividades
Organizar el lugar de trabajo con las 5Ss

Establecer procedimientos estndar
Compartir los estndares con todos los involucrados
Avisar de posibles situaciones anormales
Prevenir los defectos
A prueba de error
Fuentes de error humanos:
Olvidos
No comprensin
Mala identificacin
Falta de conocimiento
No poner atencin a detalles
No seguir procedimientos estndar
Respuesta inadecuada a problemas
Fuentes de error en equipos y sus condiciones
Ajustes excesivos
Tiempos de preparacin largos
Complejidad del proceso innecesaria
Falta de instrucciones de trabajo efectivas o estandarizadas
Trabajo de la mquina excediendo su capacidad
Proceso congestionado
Dispositivos Poka Yoke
Listas de verificacin
Pins de gua, referencia o interferencia
Plantillas
Microswitches o switches lmite
Switches de proximidad
Pgina 39
Indicadores visuales
Restricciones de secuencia
Detectores de condiciones crticas
Sensores de nivel de fluidos
Lgica de software
11. ANLISIS DEL MODO Y EFECTO DE FALLA (FMEA)

Es un grupo de actividades sistemtico orientado a reconocer y evaluar las
fallas potenciales de un producto o proceso y los efectos de esa falla,
identificando acciones que puedan eliminar o reducir la posibilidad de que
ocurra la falla, y documentar el proceso completo.
El FMEA se enfoca a mejorar el diseo del producto o proceso a travs de
anlisis preventivo y proactivo.
Actividades
Formar un equipo de trabajo

Definir el alcance del sistema o proceso a ser analizado
Listar los aspectos clave del sistema o procesos a ser analizado
(ambientales, reglamentarios, etc.)
Desarrollar los bloques funcionales o flujo de proceso que se utilizar
para realizar el anlisis. Definir las interfases de los elementos.
Usar el manual de la AIAG o SAE como referencia
Analizar los riesgos y a quine corresponden, y enfocar su solucin.
Actualizar el FMEA conforme se tenga nueva informacin
Se consideran tres niveles:
El nivel de sistema (especfico de la aplicacin)

El nivel de diseo de componentes (especfico del componente)
El nivel de procesos de manufactura (especfico de manufactura)
12. REPORTE DE FALLAS, ANLISIS, SISTEMA DE

ACCIN CORRECTIVA (FRACAS)
Es una revisin formal de la direccin y un sistema de bucle cerrado que se
enfoca a resolver incidentes de fallas. Un grupo interdisciplinario analiza,
determina la causa de falla, e inicia la accin correctiva, agrupando los
incidentes individuales para enfocar de modo eficiente los recursos.
Despus de la solucin del problema la informacin se transfiere a un archivo
de lecciones aprendidas para su uso futuro.
Pgina 40
El FRACAS asegura que todos los modos de falla que ocurran en un producto
durante su desarrollo desde su arranque, estn documentados, monitoreados,
y corregidos como sea necesario.
Beneficios
Permite dar soluciones efectivas y permanentes a los problemas

Descubre modos de falla antes de que el producto llegue al cliente
Conciencia en el uso efectivo de recursos priorizando problemas del
desarrollo.
Proporciona un mtodo comn para resolver problemas de confiabilidad
asegurando que la accin correctiva sea efectiva.
Documenta los problemas de confiabilidad y acciones correctivas para
su uso en el futuro
Actividades:
Establecer el proceso
Ocurre un incidente
Describir la falla y las partes con falla
Realizar priorizacin y asignar
Reporte de estatus y mtrica
Se puede utilizar para cada incidente un formato de 7/8 pasos como sigue:
Descripcin del problema (qu, dnde, cundo, impacto)
Acciones interinas
Acciones de contencin del problema
Acciones correctivas
Verificacin de la efectividad de la accin correctiva
Control de la recurrencia
Prevencin de ocurrencia de fallas potenciales futuras
16. ANLISIS DE RBOL DE FALLA (FTA)

El FTA es un proceso lgico y estructurado de anlisis de causas potenciales
de fallas en el sistema (riesgos), no identificando riesgos.
El FTA es usa para representar la interaccin lgica y las probabilidades de
ocurrencia de fallas de componentes y otros eventos del sistema en el evento
superior bajo estudio.
Por ejemplo para un equipo de compresor:
Pgina 41
14. ANLISIS DE ELEMENTOS FINITOS (FEA)

El anlisis de elementos finitos (FEA) es un modelo matemtico para predecir
el esfuerzo o respuesta trmica de una estructura a la carga o estmulo trmico.
Puede usarse tambin para modelado de fluidos. La estructura se divide en
elementos muy pequeos analizando su interaccin. El comportamiento de los
elementos individuales se suma y la respuesta de la estructura completa se
predice, en relacin con la distribucin del esfuerzo, temperatura o flujo.
De esta forma se puede identificar el peor caso.
Actividades
Definir el componente especfico a ser analizado

Crear un modelo slido en CAD
Transferir el modelo de CAD al programa FEA
Definir las restricciones del modelo
Definir las cargas del modelo
Definir los materiales
Pgina 42
Definir las relaciones de contacto entre componentes en el ensamble

Correr el modelo
Evaluar la validez del modelo contra resultados de prueba
Comparar los resultados del modelo contra los criterios de diseo
Modificar el diseo como sea necesario
15. DIAGRAMAS DE BLOQUE FUNCIONALES (FBD)

Son medios grficos para reducir sistemas complejos dentro de partes ms
pequeas de elementos comprensibles con el propsito de realizar anlisis
(FMEA / FMECA/ Confiabilidad, etc.), tambin se refieren como BOundary
Diagrams
Beneficios
Define la propiedad de elementos de sistemas e interfases
Mejora la comprensin de sistemas complejos y las interfases
funcionales
Resalta las interdependencias funcionales y de interfase cuando se
requieren anlisis detallados.
Quin es el
responsable?
Cules son
las interfases
y el medio
ambiente?
Qu es?
16. PUEBAS DE VIDA ALTAMENTE ACELERADAS

(HALT) Y SELECCIN CON ESFUERZO ALTAMENTE
ACELERADO (HASS)
HALT aplica estmulos ambientales simples y mltiples para descubrir
debilidades inherentes en el diseo inicial, encontrar causas raz y hacer los
productos ms robustos y con mayor confiabilidad. Se utiliza vibracin, ciclos
de temperatura, y parmetros elctricos como estmulos ambientales, adems
de otros que se consideren necesarios.
HASS es un filtro rpido de produccin una vez que se ha caracterizado el
producto con HALT. Como participacin se aplican algunos de los mismos
esfuerzos de HALT pero en menor grado, por debajo de los lmites de
destruccin pero siempre ms all de las condiciones normales de operacin.
Como deteccin la prueba se hace en las condiciones normales de operacin.
Beneficios
Pgina 43
Se usa un nmero pequeo de muestras y periodos cortos de tiempo en

el proceso HALT, lo cual reduce los costos de experimentacin.
Establecimiento de lmites de operacin
Entrada proporcionada para determinar los requerimientos HASS
Recepcin de un producto madura en la introduccin
Eliminacin de apagar fuegos despus del lanzamiento inicial.
El proceso HASS puede ser considerado un filtrado de esfuerzo ambiental

(Environmental Stress Screen ESS), reduciendo el tiempo necesario para
precipitar el proceso de defectos del producto fabricado.
Los procesos HALT y HASS son procesos complemetarios, HALT se utiliza
como una herramienta de diseo acelerado para refinarlo, y HASS se usa
como una herramienta de filtro en la manufactura con esfuerzo ambiental
acelerado.
Pgina 44
17. ANLISIS DEL COSTO DE CICLO DE VIDA (LCC)

El precio que un cliente paga por un producto, es solo el costo inicial en el que
el cliente incurrir durante la vida til del producto.
El anlisis de costo del ciclo de vida se realiza para desarrollar un estimado del
LCC de un producto o un elemento de producto que se somete a estudios de
negociacin de diseo, una vez realizado, se puede usar para:
Comparar alternativas de diseo desde un punto de vista del LCC

Identificar los motivadores LCC de un sistema
Soportar la planeacin presupuestal para soporte de un sistema
Pgina 45
Se estima que entre el 90 a 95% del costo de ciclo de vida inherente a un

diseo de producto se establece durante las fases de desarrollo del concepto y
desarrollo de ingeniera. Para minimizar el LCC, se debe analizar desde las
primeras etapas del diseo para optimizarlo.
Beneficios
Mejora la satisfaccin del cliente

Ventaja competitiva debido a una mayor efectividad del costo del
producto
Capacidad para vender mejoras al producto con base en el costo del
ciclo de vida del producto
Mayores contratos ganados cuando no se es proveedor de bajo costo
Es importante considerar el costo del dinero en el tiempo (Valor Presente Neto)

para comparar alternativas.
Como alternativas de anlisis se sugiere utilizar un FMEA dando una alta
calificacin en Severidad al impacto de las fallas crticas, de esta forma al
menos se identifican los riesgos futuros desde el punto de vista del costo
operativo y de soporte, sin tener que desarrollar un modelo especial para esto.
Pgina 46
18. ANLISIS DE DATOS DE VIDA

Sirve de marco de referencia analtico para determinar la probabilidad de falla
de productos durante su ciclo de vida y evaluar la conformancia de acuerdo a
los requerimientos especificados de entrada.
EL anlisis de datos de vida caracterizan las distribuciones de probabilidad de
falla de un componente, subsistema, o producto para evaluar su conformancia
de las caractersticas de confiabilidad contra los requerimientos establecidos.
Beneficios
Demuestra el desempeo de la confiabilidad durante cualquier punto del

diseo. La forma de la curva determina si se trata de fallas infantiles,
fallas aleatorias o desgaste.
Pgina 47
Actividades
Definir la prueba y/o tipo de de datos (con reemplazo y sin reemplazo,

prueba terminada a falla o a tiempo, ensamble o componente, modos de
falla simples o mltiples).
Definir el esquema de muestreo de datos (discretos o continuos)
Recolectar datos (muestras verus vida)
Graficar frecuencia de falla versus vida
Ajustar los datos contra el mejor modelo (exponencial, Weibull,
Lognormal, Normal, etc.) con el criterio de aceptacin de bondad de
ajuste
Realizar el estimado del intervalo de confianza
Realizar el anlisis de riesgos
Determinar la naturaleza de los datos (mortalidad infantil, aleatorio,
desgaste)
Realizar acciones correctivas como sea adecuado
Por ejemplo:
Temp80_1
50
60
53
40
51
99
35
55
74
101
56
45
61
92
73
51
49
24
37
31
Cens80_1
1
1
1
1
1
0
1
1
1
0
1
1
1
0
0
1
1
1
1
1
Temp100_1 Cens100_1
101
0
11
1
48
1
32
1
36
1
22
1
72
1
69
1
35
1
29
1
18
1
38
1
39
1
68
1
36
1
18
1
25
1
14
1
77
0
47
1
Identificacin de la distribucin:
Pgina 48
Probability Plot for Temp80_ 1, Temp100_ 1

LSXY Estimates-Censoring Column in Cens80_1, Cens100_1
Weibull
Variable
Temp80_1
Temp100_1
Lognormal
99
90
50
Percent
Percent
90
10
Weibull
0.989, 0.979
Lognormal
0.982, 0.990
Exponential
*, *
Loglogistic
0.988, 0.990
50
10
10
100
10
Data
100
Data
Exponential
Loglogistic
99
90
50
Percent
Percent
90
10
50
10
10
Data
100
1000
10
100
Data
Pruebas de vida a dos temepraturas

Probability Plot for Temp80_ 1, Temp100_ 1
Weibull - 95% CI
Censoring Column in Cens80_1, Cens100_1 - LSXY Estimates
Percent
99
Variable
Temp80_1
Temp100_1
90
80
70
60
50
40
30
Table of Statistics
Shape
Scale Corr F C
3.70020 59.2118 0.989 16 4
2.07260 45.4911 0.979 18 2
20
10
5
3
2
1
10
Data
100
19. ANLISIS DEL SISTEMA DE MEDICIN (MSA)

El MSA determina la variacin del sistema de medicin en proporcin a la
variacin del proceso y/o la tolerancia permitida. Es el proceso por medio del
cual se califica si un sistema de medicin es adecuado para el uso. Es decir,
indica si el sistema de medicin es capaz de medir cambios y mejoras en la
variacin del proceso y/o si es adecuado para determinar la capacidad del
Pgina 49
proceso con respecto al rango de las especificaciones. Se usa para identificar

las causas de las variaciones, ya sea por personal o por equipo.
Es importante seleccionar el diseo experimental de Repetibilidad y
Reproducibilidad (R&R), involucra diferentes operadores y diferentes muestras.
Mide la razn de variacin del sistema de medicin a la variacin en el proceso.
Un error R&R menor al 10% se considera aceptable, entre 10% y 30% puede
ser aceptable dependiendo de la importancia del a aplicacin, costo del
dispositivo de medicin, costo de reparacin, etc.. Un valor mayor al 30% es
inaceptable.
Premisas requeridas en los sistemas de medicin
El proceso o sistema bajo medicin debe estar en control estadstico,

con slo variacin comn presente.
La variabilidad del sistema de medicin debe ser pequea comparada
con la variabilidad del proceso de manufactura si la intencin es medir
esta variabilidad.
La variabilidad del sistema de medicin debe ser pequea comparada
con los lmites de especificacin si la intencin es medir la capacidad del
proceso.
Para lo incrementos de medicin no deben ser mayores a 1/10 de la
ms pequea entre la variabilidad del proceso o los lmites de
especificacin dependiendo de los que se mida.
Tipos de anlisis
Continuos
Mtodo corto del rango
Estimacin de la varianza
Porcentaje de tolerancia
Mtodo de la X media y del rango (X-R)
Mtodo del Anlisis de varianza (ANOVA)
Mtodo de ANOVA en porcentaje de tolerancia
Mtodos por atributos
Actividades
Definir el proceso a ser medido

Desarrollar la matriz de causa efecto
Definir las mediciones
Definir el sistema de medicin
Seleccionar las partes especficas
Determinar la matriz de prueba
Colectar datos de acuerdo a la matriz de prueba
Realizar los anlisis estadsticos de los datos, determinando la
repetibilidad, reproducibilidad y razn de precisin a tolerancia
Pgina 50
Tomar acciones correctivas como sea necesario
Ejemplo:
Se toma una parte con tolerancia 0.9, usando 6 sigmas, realizar un estudio de
R&R por ANOVA cuando 3 operadores miden 3 partes en 3 intentos:
Operador
1
1
1
1
1
1
2
2
2
2
2
2
3
3
3
3
3
3
Parte
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
Medicin
0.12
0.14
0.13
0.14
0.12
0.15
0.12
0.11
0.16
0.13
0.12
0.14
0.12
0.14
0.15
0.11
0.14
0.15
Las instrucciones para correrlo son:
1. Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)
2. Part numbers Partes Operators Operadores Measurement data
Mediciones seleccionar Method of Analysis ANOVA
3. Options: Study variation 6 Process tolerance 0.9
4. OK
Los resultados se muestran a continuacin:
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source
Operador
Parte
Operador * Parte
Repeatability
Total
DF
2
2
4
9
17
SS
0.0000778
0.0018111
0.0009222
0.0009500
0.0037611
MS
0.0000389
0.0009056
0.0002306
0.0001056
F
0.16867
3.92771
2.18421
Pgina 51
P
0.850
0.114
0.152
Gage R&R
%Contribution
(of VarComp)
100.00
37.62
62.38
40.10
22.28
0.00
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Parte
Parte*Operador
Part-To-Part
Total Variation
VarComp
0.0002806
0.0001056
0.0001750
0.0001125
0.0000625
0.0000000
0.0002806
Source
Total Gage R&R
Repeatability
Reproducibility
Parte
Parte*Operador
Part-To-Part
Total Variation
StdDev (SD)
0.0167498
0.0102740
0.0132288
0.0106066
0.0079057
0.0000000
0.0167498
Study Var
(6 * SD)
0.100499
0.061644
0.079373
0.063640
0.047434
0.000000
0.100499
%Study Var
(%SV)
100.00
61.34
78.98
63.32
47.20
0.00
100.00
%Tolerance
(SV/Toler)
11.17
6.85
8.82
7.07
5.27
0.00
11.17
Number of Distinct Categories = 1
Gage R&R (ANOVA) for Medicin

Reported by:
Tolerance:
Misc:
Gage name:
Date of study:
Components of Variation
Medicin by Operador
100
% Contribution
0.16
Percent
%StudyVar
% Tolerance
50
0.14
0.12
Gage R&R
Repeat
Reprod
Part-to-Part
Sample Range
R Chart by Parte
0.04
Medicin by Parte
UCL=0.03993
_
R=0.01222
0.00
0.16
0.12
LCL=0
Xbar Chart by Parte

1
2
Parte
Parte * Operador I nteraction
3
UCL=0.15576
_
_
X=0.13278
0.12
0.150
Average
Sample Mean
0.14
0.14
0.02
0.16
2
Operador
LCL=0.10979
Parte
1
2
3
0.135
0.120
1
2
Operador
El sistema de medicin es adecuado para determinar aceptabilidad de acuerdo

a la tolerancia, pero no puede usarse para evaluar mejora en el proceso mismo
ya que la variacin de medicin es una porcin significativa de la variacin de
las partes.
Pgina 52
Boxplot of Medicin
1
0.165
0.150
Medicin
0.135
0.120
3
0.165
0.150
0.135
0.120
Panel variable: Operador
20. ANLISIS MULTIVARI

Es una herramienta grfica utilizada en la solucin de problemas para
identificar las fuentes de varianza durante la manufactura.
Beneficios
Despliega patrones de cambio en las mediciones

Enfoca los esfuerzos sobre aspectos con el efecto ms significativo,
resaltando grupos de mediciones con la mayor variacin
Las muestras se deben tomar en forma secuencial de la produccin, al menos

tres muestras por familia y tomar tres familias, los resultados de las mediciones
deben incluir al menos el 80% del rango de variacin experimentado. La familia
con el rango de varianza mayor contiene la causa raz sospechada.
Por ejemplo: Una parte con dos secciones y dos dimetros de mide en
diferentes tiempos:
Tipo
A
A
B
B
A
A
B
B
A
A
B
B
Diametro
12.8
12.6
12.9
12.7
12.6
12.5
12.5
12.4
12.7
12.6
12.7
12.7
Extremo
1
2
1
2
1
2
1
2
1
2
1
2
Hora
7
7
7
7
7
7
7
7
7
7
7
7
Pgina 53
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
A
A
B
B
11.8
11.5
11.8
11.4
11.7
11.4
11.7
11.4
11.8
11.6
11.8
11.6
10.7
10.7
10.75
10.75
10.5
10.5
10.5
10.5
10.8
10.7
10.8
10.7
12.7
12.5
12.7
12.5
12.8
12.6
12.8
12.7
12.7
12.6
12.6
12.6
11.5
11.5
11.5
11.5
11.6
11.4
11.6
11.4
11.7
11.4
11.7
11.4
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
9
9
9
9
9
9
9
9
9
9
9
9
11
11
11
11
11
11
11
11
11
11
11
11
12
12
12
12
12
12
12
12
12
12
12
12
13
13
13
13
13
13
13
13
13
13
13
13
Pgina 54
Instrucciones:
1. Stat > Quality Tools > Multivari charts
2. Response Dimetro Factor 1 Extremo Factor 2 Tipo Factor 3 Hora
3. Ok
La grfica resultante es la siguiente:
Multi-Vari Chart for Diametro by Extremo - Hora
A
7
13.0
11
B
12
13
Extremo
1
2
Diametro
12.5
12.0
11.5
11.0
Tipo
Panel variable: Hora
En la grfica la mayor varianza es la que ocurre de tiempo a tiempo, algo pasa

a las 11AM.
21. DIAGRAMAS DE PARMETROS

Son un medio para reducir sistemas complejos a elementos comprensibles con
el propsito de identificar influencias internas y externas en la funcionalidad del
sistema, subsistema, ensamble o componente.
Los diagramas de parmetros se utilizan para diagnosticar problemas donde la
funcionalidad se degrada o no es aceptable, los resultados motivan a mejorar la
robustez.
Beneficios
Define el alcance del anlisis a ser realizado

Define la propiedad de los elementos del sistema, interfases, y factores
de control
Mejora la comprensin de sistemas complejos y las interfases
funcionales
Junto con los diagramas de bloque, facilita el anlisis en el FMEA.
Pgina 55
Resalta riesgos que requieren pruebas como un esfuerzo para verificar

veracidad o funcionamiento inadecuado.
Actividades
Definir los componentes a ser analizados. Determinar los lmites y

nivel de complejidad del componente.
Definir los factores fsicos controlables del artculo o componente.
Qu parmetros de diseo del componente se pueden controlar y
que puede cambiar?
Definir los factores de ruido que pueden tener influencia en la
funcionalidad del artculo o componente
Determinar el efecto potencial en la funcionalidad del artculo o
componente en trminos de estados de error potenciales.
Por ejemplo:
Las preguntas que surgen al hacer un diagrama de parmetros son las
siguientes:
Qu puede ser controlado (factores de control)?

Qu influencias externas degradan la salida (factores de ruido)?
Cmo se manifiesta esta degradacin al cliente o usuario (estados de
error)?
Un anlisis detallado de las influencias puede orientar a anlisis ms

profundos y esfuerzos de optimizacin (DOE, etc.)
Pgina 56
Pgina 57
22. DERATING DE PARTES

Es un mtodo de diseo utilizado para asegurar que los componentes tengan
robustez en una aplicacin especfica de diseo, incrementado el margen de
seguridad del componente, contra esfuerzos que se puedan presentar con el
uso.
Derating significa: incrementar la resistencia promedio; reducir el esfuerzo
promedio; reducir las variaciones del esfuerzo a que se someten los
componentes, reducir las variaciones de resistencia, todo esto mejora la
durabilidad y la confiabilidad.
Beneficios
Elimina el potencial de fallas prematuras bajo las condiciones

especificadas.
Mejora o mantiene los niveles especificados de confiabilidad,
incrementado la resistencia para un ambiente dado o limitando el
impacto de esfuerzos externos.
Orienta al desarrollo de guas para futuras aplicaciones.
Ejemplos:
Tipo de parte
Capacitores
Resistores
Semiconductores
Microcircuitos
Bobinas
Nivel recomendado de Derating

Mximo 60% del voltaje mximo
Mximo 60% de la potencia mxima
Temperatura en la unin mx. 110C
Mximo 80% del voltaje de alim. Mx.
Temperatura en la unin mx. 100C
Mximo 50% de la corriente mxima
Tasa de esfuerzo = Esfuerzo aplicado / Esfuerzo mximo

Tasa de esfuerzo = 1.0
Tasa de
Falla

Temperatura
Bases para el Derating de tasa de falla contra temperatura
Pgina 58
23. PROCESO DE SOLUCIN DE PROBLEMAS AIAG

El mtodo proporciona una lista de verificacin completa de acciones a
considerar cuando se desarrolle una accin correctiva o preventiva ante un
problema. Se recomienda el uso de herramientas de coleccin y anlisis de
datos en cada paso para asegurar que las acciones en el proceso se basen en
la causa raz, las decisiones se basen en datos y la solucin prueb ser efectiva.
Se trata de identificar, documentar, analizar, y eliminar la recurrencia del
problema.
Beneficios
Proporciona soluciones a problemas efectivas y permanentes

Proporciona un proceso claro que puede ser seguido con FRACAS
Proporciona un mecanismo de seguimiento para problemas del
programa de confiabilidad
Actividades (en cada caso, fechas programada y terminacin, y responsable)
Identificar el problema
Determinar y clasificar las posibles causas
Tomar accin a corto plazo
Recolectar informacin / Disear pruebas
Realizar pruebas / Analizar datos / Identificar causas raz / Seleccionar la
solucin
Planear e implementar una solucin permanente
Medir y evaluar / Reconocer al equipo
En este ltimo paso se proporciona evidencia de la efectividad de las acciones

correctivas y describir otras medidas preventivas tomadas.
Documentos a actualizar:
DFMEA
PFMEA
Plan de control de proceso
Prcticas
Documentacin de ingeniera
Plan de capacitacin
Capacitacin realizada
Pgina 59
24. ESTUDIOS DE CAPACIDAD DE PROCESO

Los estudios de capacidad de procesos evalan la habilidad de un proceso
para mantener una caracterstica o caractersticas del proceso dentro de
especificaciones.
Cuando el proceso es capaz, se tiene confianza en la funcionalidad y la
confiabilidad del producto.
Un estudio de capacidad de sistemas de medicin deben preceder al estudio
de capacidad para asegurar que el sistema de medicin es adecuado.
Los planes de control deben definir el proceso que se est midiendo y reflejar el
sistema de medicin y proceso usado.
La efectividad de los estudios de capacidad de proceso estn muy relacionados
con la criticalidad de las caractersticas para la funcionalidd del producto y su
confiabilidad.
Actividades
Definir los requerimientos de tolerancia de las caractersticas del

producto, a travs de FMEA, FTA, 8Ds, pruebas de campo.
Definir los requerimientos de capacidad de las caractersticas del
producto.
Definir el mtodo de medicin, por variables o por atributos.
Definir / evaluar el plan de control
Realizar un estudio del sistema de medicin
Realizar el estudio de capacidad de procesos
Documentar los resultados
Mejorar el proceso como sea necesario
Ejemplo:
Una parte tiene una dimensin de 0, +6 mm, con un requerimiento de Cpk de
1.33. Se hace un estudio R&R y se determina un error versus tolerancia de 8%,
lo cual es adecuado. Se realiza un estudio de capacidad de proceso como
sigue:
1. Cargar datos
2. Stat > Quality tools > Capability analysis > Normal
3. Lower Spec 0 Upper spec 6
4. seleccionar Estimate Rbar
5. OK
Pgina 60
Process Capability of Altura

LSL
USL
Within
Overall
Process Data
LSL
0.00000
Target
*
USL
4.50000
Sample Mean
2.04800
SampleN
100
StDev(Within)
0.54266
StDev(O verall) 0.62086
Potential (Within) Capability

Cp
1.38
CPL
1.26
CPU
1.51
Cpk
1.26
CCpk 1.38
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
0.00
O bserved Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal
0.00
0.75
1.50
Exp. Within Performance

PPM<LSL 80.33
PPM>USL 3.11
PPMTotal
83.44
2.25
3.00
3.75
1.21
1.10
1.32
1.10
*
4.50

PPM<LSL 485.80
PPM>USL 39.19
PPMTotal
524.98
16. MAPA DE PROCESO / DIAGRAMA DE FLUJO

Es una representacin grfica para reducir procesos complejos a elementos
ms pequeos comprensibles, que faciliten el anlisis de (PFMEA), la
simulacin y la mejora continua.
Proporciona un mapa de las actividades realizadas y sus interdependencias
(internas / externas) para un producto dado que ser producido en un proceso.
Pgina 61
26. ESPECIFICACIONES DE DESEMPEO DEL

PRODUCTO
Es una lista de todos los requerimientos tcnicos que debe cumplir un producto
durante su vida til. Incluye, descripciones funcionales, tiempos de ciclo,
requerimientos de confiabilidad, requerimientos ambientales, y requerimientos
reglamentarios. Tambin identifica todos los factores externos que pueden
influenciar el desempeo y confiabilidad del producto.
Beneficios
Se identifican los requerimientos de confiabilidad desde el inicio del

desarrollo del producto, con base en esto se pueden desarrollar perfiles
de prueba especficos y criterios bajo los cuales se evale el producto.
Permite desarrollar perfiles de prueba ambientales que no tengan
referencia a estndares, al probar con usuarios finales.
Actividades
Considerar todas las entradas externas que puedan afectar el

desempeo y durabilidad del producto.
Determinar la variacin en el tiempo de estas entradas en la vida til del
producto
Hacer una referencia cruzada de la coincidencia de tiempo de las
entradas requeridas
Investigar y documentar los lmites en cada modo de operacin
Resumir todos los requerimientos en la especificacin de desempeo del
producto
Ejemplo
Entradas ambientales
Muestra
Bajo
Rango temp.
20
Vibracin
5 rpm
Ozono
0.1 ppm
Medio
40
10 rpm
0.2 ppm
Alto
60
20 rpm
0.5 ppm
Perfil operacional
Circuito Enc.
Circuito Espera
Circuito Apag.
Hrs/Ao
400
5
9000
Hrs en vida til

5000
50
83000
Pgina 62
% vida
5
.05
94.5
Tiempo
1 hora
200 horas
4000 horas
27. PLAN DE CONFIABILIDAD DEL PRODUCTO

Documenta las actividades de planeacin enfocadas a alcanzar los objetivos de
confiabilidad de un programa de producto. Incluye el establecimiento de
polticas, procedimientos, y actividades necesarias para lograr los objetivos de
confiabilidad. Identifica las tcnicas y herramientas empleadas en el programa,
su justificacin, los tiempos y responsabilidades para su ejecucin.
Proporciona una ruta del control proactivo de la confiabilidad del producto,
desde su concepto hasta su servicio postventa en campo.
Beneficios
Permite una planeacin sistemtica de la confiabilidad.
Actividades
Establecer requerimientos cuantitativos de la confiabilidad (confiabilidad,

IC de MTBF, perfil de uso del producto, y ambiente al que ser
expuesto).
Hacer una evaluacin de requerimientos de riesgo de alto nivel, con
base en comparaciones, historial de desempeo de productos similares,
predicciones de confiabilidad, FMEA de concepto.
Actividades de confiabilidad planeadas, identificando las tcnicas y
herramientas utilizadas para alcanzar los objetivos y su justificacin, as
como mitigar los riesgos de manera adecuada.
Programacin de tareas, con carta de Gantt incluyendo el programa de
cada tarea y los eventos importantes a revisar.
Responsabilidades, de cada tarea o actividad.
Datos generales
Actividades
1. Gestin del programa
Departamento
1.1 Plan de confiabilidad

1.2 Revisiones de diseo formales
1.3 Revisiones al programa de confiabilidad
2. Actividades de ingeniera
2.1 Lista de aspectos de confiabilidad
2.2 Asignacin de confiabilidad
2.3 Prediccin de la confiabilidad / Simulacin
2.4 Revisin historial de desempeo campo
2.5 FMEA de diseo
2.6 FMEA de proceso
2.7 Anlisis FTA
2.8 Anlisis de esfuerzo elctrico
2.9 Anlisis de esfuerzo mecnico
2.10 Anlisis trmico
2.11 Anlisis del costo del ciclo de vida
2.12 Anlisis del mantenimiento centrado en la
Pgina 63
Responsable
confiabilidad
3. Actividades de prueba
3.1 Plan de pruebas formales
3.2 Pruebas de esfuerzo acelerado /etapas
3.3 Pruebas de desempeo
3.4 Pruebas de calificacin de confiabilidad
3.5 Pruebas de desarrollo / crecimiento de la
confiabilidad
3.6 Otras pruebas
4. Control de proveedores/ subcontratistas

4.1 Requerimientos de confiabilidad asignados
4.2 Alcance de la ingeniera de confiabilidad
4.3 Planes de prueba del proveedor
4.4 Pruebas de validacin del proveedor
4.5 Requerimientos de garanta del proveedor
5. Control de la manufactura
5.1 Control de caractersticas crticas
6. Actividades de mejora continua

6.1 FRACAS
6.2 Medicin de la confiabilidad
6.3 Medicin del crecimiento
confiabilidad
de
la
Uso del producto y perfil de operacin

Esfuerzo o condicin
Valor
de operacin
Metas cuantitativas de confiabilidad

Caracterstica
Valor objetivo
Disponibilidad
MTBF
Vida esperada
Pgina 64
% del valor en la vida

del producto
Mtodo de
verificacin
Mtodo de
validacin
Ambiente de operacin
Factor ambiental
Temperatura
Humedad
Vibracin
Choque mecnico
Campo magntico
Polvo
Corrosivos
Solventes
Ruido elctrico
Vapores qumicos
Rango
Tasa de cambio
Anlisis de aspectos mayores de confiabilidad y nivel de detalle

Elemento
de
diseo o
proceso
Asignacin
de
confiabilidad
Prediccin
de
confiabilidad
FMEA
de
diseo
FMEA
de
proceso
Anlisis
de rbol
de falla
Anlisis
LLC
Nivel de detalle: 1-Sistema, 2-Ensamble, 3-Componente, 4-Estndar,

Monitoreo del desempeo en campo
Anlisis de datos colectados por el cliente

Anlisis de reclamaciones y garantas
Anlisis de reemplazo de partes
Auditoras peridicas de desempeo
Contactos informales y seguimiento por personal de campo
Programacin de tareas:
Pgina 65
Otros
16. TABLERO DE PRODUCTO

Es una herramienta utilizada en el Diseo para Seis Sigma (DFSS) que da
seguimiento al logro de la capacidad para cada uno de los parmetros crticos.
Los parmetros crticos se identifican en varios niveles del diseo.
Pgina 66
El tablero de producto se utiliza durante cada una de las fases del proceso de
desarrollo, incluye informacin de manufactura e ingeniera, mostrando los
entregables crticos medidos, para identificar y corregir por anticipado
problemas de confiabilidad.
Beneficios
Son una ayuda visual para identificar los avances y obstculos del
programa.
Proporcionan un mecanismo de seguimiento a travs del programa de
desarrollo.
Actividades
Identificar necesidades del cliente

Identificar requerimientos de sistema
Identificar requerimientos de subsistemas
Identificar requerimientos de componentes
Identificar requerimientos de manufactura
Identificar las respuestas funcionales crticas en cada nivel
Introducir los datos en el programa de seguimiento / matriz
Seguir el baase en el logro de la capacidad
Ejemplo
Tablero de Control de alto nivel: CTQs de alto nivel para DFSS
CTQ
Unidad
TF
Especificacin
Mn Nom Mx
Mn
Como se dise Prediccin conf. Proceso

Nom Mx Cp Cpk Media Desv.
Est.
Cp
Validacin
Cpk n Media
Desv.
Est.
Cp
Cpk
Desv.
Est.
Cp
Cpk
Desv.
Est.
Cp
Cpk
Tablero de Control de nivel medio: CTQs y X`s de nivel medio

CTQ
Unidad
TF
Especificacin
Mn Nom Mx
Mn

Est.
Cp
Validacin
Cpk n Media
Cp
Validacin
Cpk n Media
Tablero de Control de nivel inferior: un CTQ

CTQ
Unidad
TF
Especificacin
Mn Nom Mx
Mn

Est.
Pgina 67
29. PROCESO DE APROBACIN DE PARTES PARA

PRODUCCIN (PPAP)
Es un mtodo estructurado para que los proveedores sometan partes nuevas o
cambiadas para aprobacin de sus clientes antes de embarcan produccin
normal de productos.
El PPAP se usa para determinar si los registros de diseo de ingeniera del
cliente y las especificaciones son comprendidas por el proveedor y que el
proceso tiene el potencial de producir productos que consistentemente cumplan
esos requerimientos durante una produccin real en su tasa establecida.
Beneficios
Tener un proceso estndar de someter muestras iniciales al cliente.
Actividades
Realizar una planeacin avanzada de la calidad (APQP), involucrando al

usuario, proveedor, etc. como sea necesario, durante las fases de
prototipo y produccin piloto.
Utilizar mapas de proceso, planes de control, anlisis de capacidad del
proceso y FMEA
Realizar el PPAP
El ejemplo se omite por ser muy largo.
30. DESPLIEGUE DE LA FUNCIN DE CALIDAD (QFD)

Es una herramienta sistemtica para traducir los requerimientos del cliente en
requerimientos organizacionales para cada una de las fases desde el concepto,
desarrollo de ingeniera, manufactura, hasta ventas y distribucin.
Tiene el propsito de desplegar la voz del cliente a toda la organizacin (desde
el concepto hasta su disposicin) usando una serie de fases: Concepto, diseo,
manufactura, y produccin.
31. MODELO DE ASIGNACIN DE CONFIABILIDAD

Es la tarea de distribuir los requerimientos de confiabilidad / garanta a
subsistemas individuales y componentes para cumplir con los requerimientos
de confiabilidad del sistema, desde el sistema de alto nivel al nivel de
componente, a travs de un proceso lgico.
Pgina 68
Pgina 69
Teora de la confiabilidad
Pgina 70
1. Introduccin a la confiabilidad
No es suficiente que un producto cumpla las especificaciones y criterios de
calidad establecidos sino que adems es necesario que tenga un buen
desempeo durante su vida til es decir que sea confiable. Esto cada vez cobra
una importancia mayor dado que cambia la tecnologa, los productos son cada
vez ms complejos, los clientes se tornan cada vez ms exigentes y la
competencia es alta.
Confiabilidad es la probabilidad de que un componente o sistema desempee
satisfactoriamente la funcin para la que fue creado durante un periodo
establecido y bajo condiciones de operacin establecidos. La confiabilidad es
calidad en el tiempo.
Falla de un producto sucede cuando deja de operar, funcionar o no realiza
satisfactoriamente la funcin para la que fue creado. El tiempo de falla es el
tiempo que transcurre hasta que el producto deja de funcionar.
Las razones de estudio de la confiabilidad de productos son las siguientes:
1. Determinar el tiempo tp hasta el cual se espera que falle una proporcin p
dada de los productos en operacin. Esto es til para determinar tiempos de
garanta apropiados as como sus costos.
2. Encontrar el tiempo tp al cual se espera que sobreviva una proporcin 1-p
dada de los productos en operacin. Es una estimacin de la confiabilidad de
los productos.
3. Determinar la propensin a fallar que tienen el producto en un tiempo dado.
Para comparar dos o ms diseos o procesos, o lo que se publicita por un
proveedor.
4. Dado que un artculo ha sobrevivido un tiempo T0, encontrar la probabilidad
de que sobreviva un tiempo un tiempo t adicional. Para planear el reemplazo de
los equipos.
5. Los puntos anteriores se pueden hacer de manera comparativa para
diferentes materiales, proveedores o modos de falla.
La informacin para los estudios de confiabilidad tienen diferentes
denominaciones: datos de tiempos de vida, datos de tiempos de falla, datos de
tiempo a evento, datos de degradacin, etc.
Entre las caractersticas que tienen los estudios de confiabilidad se encuentran
los siguientes:
1. Los tiempos de falla son positivos con comportamiento asimtrico y sesgo
positivo, por tanto las distribuciones para modelar estos tiempos de falla son la
Weibull, lognormal, exponencial y gamma, la distribucin normal casi no se
utiliza.
Pgina 71
2. Mientras que en estadstica lo que interesa son los parmetros de la

poblacin media y desviacin estndar, en la confiabilidad lo que interesa son
las tasas de falla, las probabilidades de falla y los cuantiles. Un cuantil es el
tiempo tp hasta el cual se espera que falle una proporcin p de artculos.
3. Para tener datos es necesario tener datos a travs de pruebas las que en
algunas ocasiones son costosas.
4. A veces el tiempo para observar las fallas es muy largo y es necesario cortar
el tiempo de prueba, dando lugar a observaciones censuradas. Normalmente
se requiere extrapolar los resultados, por ejemplo al estimar la tasa de falla a
las 10,000 horas con pruebas de funcionamiento durante 1,000 horas.
5. Cuando es necesario acortar el tiempo de prueba se pueden hacer pruebas
de vida acelerada utilizando condiciones estresantes.
Ejemplo:
Se tomaron n = 1,000 chips probados durante 1,500 horas a una temperatura
de 80C y se observaron 40 con falla. Al finalizar la prueba 960 chips
funcionaban adecuadamente.
Entre las preguntas que se pueden contestar se encuentran las siguientes:
Cul es la probabilidad de que fallen los chips antes de las 500 horas?
Cul es el riesgo de falla a las 300 horas?
Cul es la proporcin de chips que fallarn antes de 250 horas?
Datos censurados
Censura
Pgina 72
Se tienen datos censurados cuando no se conocen los tiempos de falla de las

unidades de manera exacta, sino solo los intervalos de tiempo donde
ocurrieron o hubieran ocurrido las fallas. Es informacin parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:
Tiempo fijo de terminacin de la prueba

Tiempos de inspeccin (lmites superiores e inferiores en T)
Modos de falla mltiples (tambin conocidos como riesgos en
competencia, y dando por resultado censura por la derecha),
Independiente (simple) y no independiente(difcil).
TIPOS DE CENSURA
Censura por la derecha (tipo I y II): La tipo I es cuando se tienen

unidades sin falla limitando el tiempo de observacin o censura por
tiempo. Cuando se limita el tiempo hasta que fallan r unidades, se tiene
censura tipo II para las unidades sobrevivientes (n-r).
Censura por la izquierda: Ocurre cuando al inspeccionar las unidades

despus de un periodo de tiempo se encuentra que algunas fallaron,
pero no se sabe el momento de su ocurrencia.
Pgina 73
Censura por intervalo cuando se inspecciona en intervalos de tiempo y

se observan fallas en cierto intervalo pero no se conoce exactamente en
que momento ocurrieron, se censuran los productos sobrevivientes.
Censura mltiple: Cuando en el mismo estudio se tienen diferentes tipos

de censura.
Ejemplo:
A
B
C
Fig. 1 Tipos de censura: A sin censura; B Censura por la izquierda; C Censura por la derecha;
D censura por intervalo.
2. Distribuciones de probabilidad
Pgina 74
Verosimilitud (probabilidad de los datos)

La Verosimilitud proporciona un mtodo general y verstil de estimacin, se
prefieren las combinaciones de Modelo/Parmetros con Verosimilitud grande.
Permite censura, intervalos, y datos truncados.
La forma de la verosimilitud depender del: propsito del estudio, modelo
asumido, sistema de medicin e identificacin y parametrizacin.
La contribucin por diferentes tipos de censura es como sigue:
Por ejemplo para la funcin de distribucin:
La verosimilitud en censura por intervalo es:
Si una unidad continua operando en el tiempo T=1.0 pero ha fallado en t= 1.5,

Li =F(1.5) - F(1) = 0.231
La verosimilitud de censura por la izquierda es:
Si una falla se detecta en la primera inspeccin a un tiempo t=0.5,

Pgina 75
Li = F(0.5) = .265
La verosimilitud de censura por la derecha es:
Si una unidad continua operando en la ultima inspeccin en el tiempo T=2.0,

Li =1 - F(2) = 0.0388
Para una tabla de tiempos de vida se tiene:
Los datos son: el nmero de las fallas (di), censuradas por la derecha (ri), y
censuradas por la izquierda (li) en cada uno de los intervalo (no traslapadas)
(ti-1, ti ], i = 1. . . m, m+1, t0 = 0. La verosimilitud (probabilidad de los datos)
para una sola observacin, en (t i-1, ti ] es:
Si se supone que la censura es en ti:
Pgina 76
Anlisis no paramtrico de los tiempos de falla

Para la estimacin no paramtrica de F(ti) con base en la teora binomial para
datos con censura simple de intervalo se tiene:
Con los datos:
n = tamao de muestra
Di = # de fallas en el iesimo intervalo
De la distribucin binomial se tiene:
Por ejemplo si en una muestra de n = 100, en el primer intervalo se obtienen

d1 = 2 fallas, en el segundo periodo se obtienen d2 = 2 fallas y en el periodo
d3 = 2 fallas, entonces:
est definida slo al final del intervalo
Pgina 77
Es el estimador de mxima verosimilitud de F(t).

El incremento en
a cada valor de ti es
El nivel de confianza expresa la confianza (no probabilidad) de que un intervalo

especfico contiene la cantidad de inters.
La probabilidad de cobertura es la probabilidad de que el procedimiento dar
lugar a un intervalo que contiene la cantidad de inters. Un intervalo de
confianza es aproximado si el nivel especificado de la confianza no es igual a la
probabilidad real de la cobertura.
Con datos censurados la mayora de los intervalos de confianza son
aproximados, para mejorar las aproximaciones se requieren ms clculos.
El intervalo de confianza de F(ti) con base en la distribucin binomial es:
Donde
es el cuantil 100(1-/2) de
la distribucin F con (1, 2) grados de libertad.

Usando la aproximacin normal del intervalo de confianza para F(ti), el intervalo
aproximado del cuantil 100(1-) en % para F(ti) esta dado por:
Es el cuantil 100(1-/2) de la distribucin normal estndar.

Es una estimacin de la desviacin
estndar de
Del ejemplo para un nivel de confianza del 95% se tiene:
Pgina 78
Cuando el nmero de inspecciones se incrementa, el ancho del intervalo (ti-1,

ti) tiende a cero y los tiempos de falla son exactos.
F(t) est definido para todo t en el intervalo (0, tc ] donde tc es el tiempo de
censura F(t) es el estimador de mv de F(t). La estimacin es una funcin
escalonada con un paso del tamao 1/n en cada tiempo de falla, algunas
veces es mltiplo de 1/n porque hay tiempos de falla similares. Cuando no hay
censura, el F(t) es el fda emprico bien conocido.
Para la estimacin no paramtrica de F(ti) con base en datos por intervalo y
censura mltiple por la derecha se tiene:
n=tamao de muestra
di = numero de fallas en el intervalo i
ni = conjunto bajo riesgo al tiempo t-1
ri = numero de observaciones censuradas al tiempo ti
En el lmite, si el numero de intervalos aumenta, el ancho del intervalo tiende a
0 y obtenemos el estimador Kaplan Maier o producto limite. Las fallas se
concentran en intervalos con ancho de intervalo infinitesimal. El estimador ser
constante sobre todos los intervalos que no tienen fallas. La funcin cambia
cuando existe alguna falla,
Pgina 79
Pgina 80
Funcin de densidad de probabilidad

La funcin de densidad f(t) es continua si cumple para f(t) >= 0 el rea bajo la
curva es igual a 1, en confiabilidad el intervalo es de cero a infinito o sea:
f (t ) dt 1
Para el caso de la distribucin exponencial se tiene que:

f (t )e t ; t 0
Funcin de distribucin acumulada

Esta funcin se define como la integral de la funcin de densidad desde cero
hasta el tiempo t y representa la probabilidad de fallar antes del tiempo t
(P(t) t), es decir:
t
P(T t ) F (t ) f ( x )dx 1
0
Para el caso de la distribucin exponencial se tiene:

t
P(T t ) F (t ) e x dx e x
t
0
1 e t , t 0
Funcin de confiabilidad
Es una funcin decreciente denominada tambin funcin de supervivencia es la
probabilidad de sobrevivir hasta el tiempo t, se representa como:
R(t)= 1 F(t)
Para el caso de la funcin exponencial es:
R (t ) e t
f(t)
tiempo
Fig.2 Funcin de densidad
F(t)
tiempo
Funcin de distribucin
Pgina 81
R(t)
tiempo
Funcin de
Acumulada
confiabilidad
Funcin de riesgo / Tasa de riesgo / Tasa instantnea de riesgo

Se define como:
h(t )
f (t )
R (t )
Es el resultado del siguiente lmite:

h(t ) lim
P (t T T T t )
Representa la probabilidad de falla instantnea en el tiempo t + t dado que la

unidad ya sobrevivi hasta el tiempo t.
Vida til de un producto
La vida til de un producto se puede representar por una curva de la baera,
como sigue:
f(t)
Mortalidad
Infantil o
Fallas tempranas
Vida til o fallas

aleatorias
tiempo
Envejecimiento
o fallas por desgaste
Fig. 3 La curva de la baera con el ciclo de vida de un producto
La mortalidad infantil representa las fallas debidas a problemas de

diseo o ensamble con tasa de falla decreciente respecto al tiempo.
Normalmente se hace un quemado a las unidades durante un tiempo
razonable para eliminar este tipo de fallas al usuario del producto.
La zona de fallas aleatorias representa una tasa de falla constante

respecto al tiempo.
Pgina 82
La zona de desgaste o envejecimiento representa la zona de tasa de

falla creciente cuando el componente est llegando a su vida til.
Funcin de riesgo acumulado

Es la integral hasta el tiempo t de la funcin de riesgo como sigue:
t
H (t ) h( x ) dx 1
0
Por medio de esta funcin tambin se puede calcular la confiabilidad como

sigue:
R (t ) e H ( t )
Vida promedio o tiempo medio entre falla (MTBF)

La vida media es el valor esperado o media de la variable T como sigue:
E (t )
tf (t )dt
0
La vida media para el caso de la distribucin exponencial es:

Por tanto para la distribucin exponencial la vida media es la inversa de la tasa
de riesgo.
Funcin cuantil
El cuantil p es el tiempo tp al cual falla una porcin de las unidades. Se define
en trminos de la distribucin acumulada como:
t p F 1 ( p )
La funcin F-1(p) es la funcin inversa de F(t). En el caso exponencial resulta de

despejar t como sigue:
t p F 1 ( p )
1
1
ln(1 F (t )) ln(1 p )
Ejemplo:
Se someten 20 componentes a una prueba de vida y las horas transcurridas
hasta la falla fueron las siguientes:
Pgina 83
Unidad
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Horas
3.70
3.75
12.18
28.55
29.37
31.61
36.78
51.14
108.71
125.21
125.35
131.76
158.61
172.96
177.12
185.37
212.98
280.40
351.28
441.79
Si las horas de falla siguen la distribucin exponencial, estimar las funciones de

densidad de probabilidad, funcin de distribucin acumulada, funcin de
confiabilidad y funcin de riesgo.
Como no hay censura la media concuerda con las media de las observaciones
o sea 133.43.
La funcin de densidad es:
1
f (t )
t
1
e 133.43
133.43
La funcin de distribucin acumulada es la siguiente:

F (t ) 1 e
1
t
133.43
La probabilidad de que los componentes fallen antes de las 20 horas es:

F(20) = 0.139
La funcin de confiabilidad es la siguiente:
R (t ) e
1
t
133.43
Pgina 84
Y la funcin de riesgo es:

h(t )
1
133.43
3. Modelos (distribuciones de probabilidad) para el

tiempo de falla
Los modelos que se utilizan para el tiempo de falla son: Weibull, Valor extremo,
exponencial, normal y lognormal. Aqu se mostrarn sus funciones de densidad
f(t), distribucin acumulada F(t), funcin de confiabilidad R(t) y funcin o tasa
de riesgo h(t). Tambin se incluyen la vida media y la funcin cuantil de cada
distribucin.
Distribucin exponencial de un parmetro
Modelo de confiabilidad para tasa de riesgo constante, de componentes de
muy larga vida y alta calidad que no envejecen durante su vida til. Se dice
que esta distribucin tiene falta de memoria ya que no importa el tiempo que
haya transcurrido, su probabilidad de falla es la misma que cuando estaba
nuevo. Es muy aplicable a componentes electrnicos ya que no exhiben
desgaste o mejora en el tiempo (por ejemplo los transistores, los resistores, los
circuitos integrados y los condensadores). No es aplicable a componentes con
desgaste como las balatas o bateras cuya tasa de falla se incrementa con el
tiempo.
Sus funciones bsicas son:
f (t ) e t , F (t ) 1 e t , R (t ) e t , h(t )
La funcin cuantil y la vida media son:

t p (1 / ) ln(1 p ), E (T ) 1 /
En funcin de la media se tiene (MTBF = ):
Pgina 85
f(t)
tiempo
Fig.4 Funcin de densidad
F(t)
tiempo
Acumulada
.008
Funcin de riesgo
El efecto de la tasa de falla en la pdf es:
Pgina 86
R(t)
tiempo
Funcin de
confiabilidad
Distribucin exponencial de dos parmetros

Para:
Donde > 0 es un parmetro de escala y

es un parmetro
localizacin y frontera. Cuando = 0 se tiene la distribucin exponencial
de un parmetro.
Los cuantiles son:

Tp = - log (1-p)
Los Momentos son.
Pgina 87
Distribucin Weibull de dos parmetros

Es una distribucin flexible donde su tasa de falla puede ser decreciente,
constante o creciente dependiendo de sus parmetros. Normalmente se define
con dos parmetros: el de forma que tiene efecto sobre la forma de la
distribucin y el de escala que afecta la escala del tiempo de vida.
La teora de valores extremos demuestra que la distribucin de Weibull se
puede utilizar para modelar el mnimo de una gran cantidad de variables
aleatorias positivas independientes de cierta distribucin: tales como falla de un
sistema con una gran cantidad de componentes en serie y con los mecanismos
de falla aproximadamente independientes en cada componente.
Sus funciones bsicas son:
f (t )
e
t
F (t ) 1 e
t
R (t ) e
h(t )
Distribucin acumulada
1
Distribucin de densidad
Funcin de riesgo
La vida media y la funcin cuantil son las siguientes:

E (T ) (1 1 / )
t p ln(1 p )
1/
La funcin gamma se define como:

( x )
x 1
e t dt
Generalizacin del factorial de un nmero
( x ) ( x 1) ( x 1)
Para cualquier nmero
( n) (n 1)!
Para nmeros enteros
Pgina 88
=0.5
=1
=2
Tiempo
Figura 5. Funciones de densidad
Funciones de riesgo
En general cuando el para valores de beta 0<<1 la funcin de riesgo es

decreciente y para valores de >1 la funcin de riesgo es creciente. tambin
se conoce como pendiente.
Pgina 89
Pgina 90
Pgina 91
Esta distribucin se aplica a productos con varios componentes de vida similar,

donde cuando falla un componente falla el producto.
Pgina 92
Distribucin Weibull de tres parmetros

En ocasiones las fallas no empiezan a observarse desde el tiempo cero sino
hasta despus de un periodo , es decir hasta despus de este tiempo la
probabilidad de falla es mayor a cero. Para esto se introduce en la distribucin
un parmetro de localizacin que recorre el inicio de la distribucin a la
derecha, quedando las funciones de densidad, de distribucin, de confiabilidad
y de riesgo para la distribucin de Weibull (, , ) como sigue:
f (t )
F (t ) 1 e
R (t ) e
h(t )
Distribucin de densidad
Distribucin acumulada
1
Funcin de riesgo
Donde t>=
E (T ) (1 1 / )
t p ln(1 p )
1/
En el caso de =1 se tiene la distribucin exponencial.
Pgina 93
Ejemplo:
Sea la funcin de riesgo de Weibull dada por:
h(t ) (0.5 / 1000)(t / 1000) 0.5
t se expresa en aos
Si se implementa un periodo de quemado (burn-in) de 6 meses (tb=0.5), a que

tiempo las unidades sobrevivientes tendrn una confiabilidad de 90%.
De la funcin de riesgo, el parmetro de forma =0.5 y el parmetro de escala
es =1000.
Sustituyendo estos valores en la funcin de confiabilidad de Weibull se tiene:
R (t ) 0.9 e
1000
0 .5
t 1000 ln(0.90) 11.1

2
A seis meses la confiabilidad de las unidades sobrevivientes estar dada por la

probabilidad condicional siguiente:
Pgina 94
C (t t t b ) 0.90
R (t t b ) exp ((t 0.5) / 1000) 0.5
R (t b )
exp (0.5) / 1000) 0.5
Igualando a 90% y despejando para t se obtiene t = 15 aos, es decir el

periodo de quemado eliminara unidades dbiles que fallaran pronto y las
unidades sobrevivientes tienen mayor confiabilidad.
Distribucin Valor extremo para mnimos
Se utiliza para describir la vida de productos cuya duracion est determinada
por la vida mnima de sus componentes:
f (t )
t
1
t
exp
exp

Funcin de densidad
t
F (t ) 1 exp exp

t
R (t ) exp exp

h(t )
1
t
exp
Funcin de riesgo

E (T ) 0.5772
0.5772 constante de Euler
t p ln ln(1 p )
=1
=2
=3
Tiempo
Funciones de riesgo
La distribucin Valor extremo se relaciona con la distribucin Weibull donde si

la variable T sigue una distribucin Weibull (, ), su logartimao ln(T) sigue una
Pgina 95
distribucin valor extremo con parmetros de escala =1/ y parmetro de

localizacin =ln().
Para:
Donde
Son fdp y fda para una normal estndar es el parmetro de localizacin y

es el parmetro de escala.
Los cuantiles son:
Donde
es el cuantil p de una normal estndar.
Los Momentos son:
Pgina 96
Distribucin de los valores extremos mximos

Para
Donde:
Son fdp y fda para una distribucin

es el parmetro de localizacin y es el parmetro de escala.
Los cuantiles son:
La media y la varianza son las siguientes:
Pgina 97
Distribucin normal
No es muy utilizada en confiabilidad dado su comportamiento simtrico, el
comportamiento del tiempo de vida es asimtrico, sin embargo es un modelo
adecuado cuando muchos componentes tienen un efecto aditivo en la falla del
producto. Aqu es el parmetro de localizacin y es el parmetro de
escala.
Sus funciones bsicas de densidad, distribucin y confiabilidad son las
siguientes:
f (t )
Funcin de densidad
t
F (t )
1 t

1
e 2
2
f ( x)dx
R (t ) 1
f ( x)dx 1
La vida media y la funcin cuantil estan dadas por:

E (T )
t p 1 ( p )
Donde -1 es la funcin inversa de la distribucin normal estndar acumulada.

=1
=2
=3
Pgina 98
Tiempo
Funciones de riesgo
Pgina 99
Pgina 100
Distribucin lognormal
Esta distribucin es apropiada cuando los tiempos de falla son el resultado de
muchos efectos pequeos que actan de manera multiplicativa. Esto hace que
al sacar el logaritmo de dichos efectos acten como de manera aditiva sobre el
logaritmo del efecto global o logaritmo del tiempo de falla, se aplica a procesos
de degradacin por ejemplo de fatiga de metales y de aislantes elctricos.
La distribucin lognormal es un modelo comn para los tiempos de la falla, se
justifica para una variable aleatoria obtenida como el producto de un nmero
variables aleatorias positivas, independientes e idnticamente distribuidas. Se
se puede aplicar como modelo de el tiempo de falla causado por un proceso de
degradacin con tazas aleatorias que se combinan multiplicativamente.
La distribucin lognormal se relaciona con la normal ya que si T sigue una
distribucin lognormal, su logaritmo sigue una distribucin normal. O si T tiene
una distribucin normal, Y=exp(T) sigue una distribucin lognormal.
Sus funciones bsicas son las siguientes:
1
f (t )
t
1 ln( t )
Funcin de densidad
ln(t )
F (t )

1
e 2
2
f ( x)dx
R(t ) 1
ln(t )
f ( x)dx 1
La vida media y la funcin cuantil estan dadas por:

E (T ) exp( 2 / 2)
t p exp( 1 ( p )
Pgina 101
Pgina 102
Pgina 103
Donde el cuantil para la distribucin normal es
La media y el cuantil es:
Pgina 104
Distribucin logstica
Para:
es el parmetro de localizacin y > 0 es el parmetro de escala

Donde
son fdp y fda para una logistica estandarizada dada por:
Los cuantiles son:
Con
es el p esimo cuantil para una distribucin logstica estndar.

La media y la varianza son:
Pgina 105
Ejemplos:
Distribucin Loglogstica
Si
entonces
Con:
Donde
y
son fdp y fda para una logistica estndar . Exp( ) es el
parmetro de localizacin y > 0 es el parmetro de escala.
La media para sigma > 1 es:
Y para sigma < es:
Pgina 106
Pgina 107
4. Estimacin de parmetros del modelo

Los modelos paramtricos complementan a las tcnicas no paramtricas. Los
modelos paramtricos se pueden describir con precisin con apenas algunos
parmetros, en vez de tener que reportar una curva entera.
Es posible utilizar un modelo paramtrico para extrapolar (en tiempo) a la cola
inferior a o superior de una distribucin. En la prctica a menudo es til
comparar varios anlisis paramtricos y no paramtricos de un conjunto de
datos.
Funciones de los parmetros
Funcin de distribucin acumulativa
El p cuantil es el valor mas pequeo de tp tal que
La funcin de Riesgo
El tiempo medio de falla, MTTF, de T (tambin conocida como esperanza de T).
Si esta integral no converge, se dice que la media no existe.

La varianza (o el segundo momento central) de T y la desviacin estndar son:
El coeficiente de variacin es:
Pgina 108
Distribuciones con parmetros de localizacin y escala

Para las distribuciones de esta familia su fda se puede expresar como.
Dnde - < < es un parmetro de localizacin y >0 es un parmetro de

escala.
es la fda de Y cuando = 0 y = 1 y no depende de ningn parmetro
desconocido. Como en la distribucin de Z = (Y- ) / que no depende de
ningn parmetro desconocido.
Las distribuciones estadsticas de esta clase de distribuciones son las
siguientes: distribuciones exponenciales, normales, Weibull, lognormal,
loglogistica, logsticas, y de valor extremos. Su teora es relativamente simple.
Resumen de modelos de confiabilidad
En la tabla siguiente se relaciona la distribucin de los tiempos de falla T con:
1) Las transformaciones idneas para Tp , y
2) Las distribuciones que siguen los residuos.
Pgina 109
Especificacin de la distribucin de vida y estimacin grfica de sus

parmetros
Un primer paso en un estudio de confiabilidad es identificar la distribucin que
mejor modela los tiempos de falla (o vida) de los productos.
Linearizacin de la funcin de distribucin acumulada (fda)
Esto es necesario para determinar la confiabilidad usando papel deprobailidad
de Weibull:
Para el caso de la distribucin exponencial se tiene:
F (t )1 e
Se deduce que:
e
1 F (t )
ln1 F (t )
Es la ecuacin de la recta y = ax con y = -ln(1-F(t)) y x = t. La pendiente de la

recta es 1/. Por tanto se pueden graficar los pares ordenados (t(i), -ln(1F^(t(i))) con F^(t(i)) = (i-0.5)/n, en papel ordinario o graficar en papel
exponencial los pares (t(i), (i-0.5)/n).
t
1 exp

Exponencial
log(1 p( i ) )
t (i )
Para el caso de Weibull dela funcin cuantil:

t p ln(1 p )
1/
Tomado logaritmos naturales de ambos lados y sustituyendo p por F(ft) (es lo

mismo), se obtiene:
ln(t ) ln( )
ln ln(1 F (t )
Reacomodando la ecuacin queda como:

ln ln(1 F (t ) ln( ) ln(t )
Ecuacin de la foirma y = ax + b, con y = ln (-ln(1-F(t)), a = - ln() y x = ln(t).

Se puede graficar en papel ordinario (ln(t(i), ln (-ln(1-F(t)), o graficar en papel
logartmico de Weibull (t(i), (i-0.5)/n).
Pgina 110
Ejemplo:
Se prueban seis unidades similares en un estudio de confiabilidad, las cuales
presentaron fallas como sigue:
Tiempo de
falla (Hrs.)
16
34
53
75
93
120
Orden de
fallas, i
1
2
3
4
5
6
Posicin en grfica
(i-0.5)/6
0.083
0.250
0.416
0.583
0.750
0.916
Utilizando Minitab con las siguientes instrucciones:

1. Stat > Reliability / Survival > Distribution analysis (Right sensoring) >
Parametric distribution analysis
2. Variables t; Assumed distribution Weibull
3. OK
Los resultados son los siguientes:
Distribution Analysis: t
Variable: t
Censoring Information Count

Uncensored value
6
Estimation Method: Least Squares (failure time(X) on rank(Y))
Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
1.43966
76.1096
Standard
Error
0.770081
23.0668
95.0% Normal CI
Lower
Upper
0.504604 4.10744
42.0206 137.853
Goodness-of-Fit
Anderson-Darling (adjusted) = 1.980
Correlation Coefficient = 0.996
Characteristics of Distribution
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Interquartile Range(IQR)
Estimate
69.0792
48.7161
59.0032
32.0329
95.4934
63.4604
Standard
Error
21.6192
31.6088
19.5515
17.6650
31.2532
32.7893
95.0% Normal CI
Lower
Upper
37.4070 127.568
13.6579 173.765
30.8190 112.962
10.8690 94.4070
50.2794 181.366
23.0514 174.707
Table of Percentiles
Standard
95.0% Normal CI
Pgina 111
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
3.11703
5.06250
6.73318
8.25196
9.67027
11.0159
12.3060
13.5521
14.7626
15.9435
26.8511
37.1916
47.7313
59.0032
71.6255
86.5837
105.925
135.843
140.131
144.857
150.135
156.128
163.088
171.433
181.936
196.302
219.854
Error
5.40393
7.48720
8.95519
10.1030
11.0465
11.8452
12.5347
13.1381
13.6715
14.1466
16.9820
18.1019
18.6733
19.5515
21.8154
26.9542
37.2835
59.0936
62.6511
66.6766
71.2939
76.6846
83.1306
91.1043
101.493
116.288
141.853
Lower
0.104239
0.278920
0.496722
0.748881
1.03062
1.33886
1.67146
2.02681
2.40367
2.80105
7.77351
14.3268
22.1717
30.8190
39.4287
47.0382
53.1361
57.9098
58.3405
58.7677
59.1935
59.6209
60.0537
60.4981
60.9642
61.4723
62.0763
Upper
93.2077
91.8864
91.2696
90.9288
90.7361
90.6365
90.6017
90.6153
90.6672
90.7505
92.7483
96.5476
102.756
112.962
130.114
159.376
211.156
318.656
336.587
357.060
380.792
408.847
442.898
485.788
542.951
626.862
778.651
Probability Plot for t

Weibull - 95% CI
Complete Data - LSXY Estimates
Percent
99
Table of Statistics
Shape
1.43966
Scale
76.1096
Mean
69.0792
StDev
48.7161
Median
59.0032
IQR
63.4604
Failure
6
Censor
0
AD*
1.980
Correlation
0.996
90
80
70
60
50
40
30
20
10
5
3
2
1
0.1
1.0
10.0
t
100.0
1000.0
La confiabilidad a las 15 horas por medio de la distribucin de Weibull es:

> Estimate Estimate survival probabilities for these times (values) 15
Table of Survival Probabilities
Time
15
Probability
0.908008
95.0% Normal CI
Lower
Upper
0.276139 0.992789
Pgina 112
Por clculo manual se tiene con Shape
R (15) e
15
76.1096
1.43966
y Scale
76.1096:
1.43966
0.9080
Por tanto el 90.8% de los componentes duran ms de 15 horas.

Estimador de Kaplan Meyer
Si se consideran los datos censurados por la derecha, para graficar en papel
de probabilidad, se utilizan las posiciones estimadas por Kaplan Meyer (KM) de
la funcin de confiabilidad definido como:
R (t (i ) ) 1
f (1)
n (1)
x1 .....1
f ( 2)
n ( 2)
f (i )
n (i )
Donde f(j) son las unidades que fallan en el j-simo intervalo de tiempo (ti-1, ti)
y n(j) son las unidades en riesgo justo antes del tiempo j. Las unidades en
reisgo son iguales al total de unidades menos las que han fallado hasta antes
de ese tiempo, menos las que fueron censuradas hasta ese tiempo, es decir.
i 1
i 1
j 0
j 0
n ( j ) n f ( j ) rj
Donde rj denota el nmero de unidades que fueron censuradas en el tiempo tj,

y adems f(0) = 0 y r(0) = 0.
El estimador de Kaplan Meyer toma en cuenta la censura contando las
unidades en riesgo un instante antes del tiempo j.
Ejemplo:
t(i)
Fallas f(j)
Posicin en grfica
(i-0.5)/6
16
1
0.083
34
2
0.250
53
3
0.416
75
4
0.583
93
5
0.750
120
6
0.916
De aqu siguen las lienalizaciones
Estimacin por mnimos cuadrados
Pgina 113
Es un mtodo para estimar los parmetros de las distribuciones de probabilidad

que se basa en ajustar un modelo de regresin lineal simple a los datos,
graficados en el papel de probabilidad correspondiente.
Las ecuaciones linealizadas
acumuladas son las siguientes:
para
las
distribuciones
de
probabilidad
Distribucin
fda, F(t)
fda en forma de y = a + bx
Exponencial
1 exp

log(1 p( i ) )
Weibull
t
1 exp
Valor extremo
t
1 exp exp

Normal
Lognormal
t (i )
log log(1 p( i ) log( ) log(t ( i ) )
log log(1 p( i ) )
t (i )
1 ( p( i ) )
t(i )
log(t )
1 ( p( i ) )
log(t (i ) )
En las ecuaciones de la ltima columna se aprecian la pendiente de la recta y

la ordenada al origen.
Por ejemplo para la distribucin exponencial, se hace una regresin simple
entre las parejas de coordenadas (t(i), ln(1-P(i)) para i = 1, 2, , n.
La pendiente de la recta es un estimador del parmetro 1/.
Por ejemplo para los datos anteriores se tiene:
Tiempo de
falla (Hrs.)
16
34
53
75
93
120
Orden de
fallas, i
1
2
3
4
5
6
Posicin en grfica
P(i) = (i-0.5)/6
0.083
0.250
0.416
0.583
0.750
0.916
Pgina 114
Ln(1-P(i))
-0.08664781
-0.28768207
-0.5378543
-0.87466906
-1.38629436
-2.47693848
Fitted Line Plot

Y = 0.4929 - 0.02201 t
S
R-Sq
R-Sq(adj)
0.0
0.268099
92.6%
90.7%
-0.5
-1.0
-1.5
-2.0
-2.5
20
40
60
80
100
120
As 1/ = -0.022 por tanto el MTBF = 45.45

Para la distribucin Weibull las parejas a ajustar son:
(log(t(i)), log(-log(1-p(i)).
Tiempo
de
falla
(Hrs.)
16
34
53
75
93
120
Orden
de
fallas, i
Posicin
en Log(t(i)
grfica
P(i) = (i-0.5)/6
log(-log(1-P(i))
1
2
3
4
5
6
0.083
0.250
0.416
0.583
0.750
0.916
-2.44590358
-1.24589932
-0.62016758
-0.13390968
0.32663426
0.90702331
2.77258872
3.52636052
3.97029191
4.31748811
4.53259949
4.78749174
Pgina 115
Fitted Line Plot

log(-log(1-P(i)) = - 6.955 + 1.611 Log(t(i)
1.0
S
R-Sq
R-Sq(adj)
log(-log(1-P(i))
0.5
0.108555
99.3%
99.2%
0.0
-0.5
-1.0
-1.5
-2.0
-2.5
3.0
3.5
4.0
Log(t(i)
4.5
5.0
Y la pendiente b estima a y se obtiene con exp(-a/b).

Por tanto = 1.611 y = 74.978 similar al obtenido arriba.
Mxima verosimilitud
Es un mtodo para estimar los parmetros del modelo que provee los
estimadores que maximizan la probabilidad de haber observado los datos bajo
tal modelo.
Es ms recomendado para estimar los parmetros del modelo, consiste en
maximizar la funcin de verosimilitud.
Con los datos se desea estimar el valor del parmetro . Los datos son un
evento E en el espacio muestral del modelo y la probabilidad de E ser funcin
de los valores desconocidos de los parmetros del modelo, P(E;). El
estimador de mxima verosimilitud (emv) de es el valor de que maximiza
P(E;), y se denota por ^. La funcin de verisimilitud L() se define como la
probabilidad conjunta de los datos:
L( ) cP( E ; )
c es una constante que no depende de .
Para el caso de una variable aleatoria discreta como P(T=ti) la da la funcin de

probabilidad P(T=ti), la funcin de verosimilitud estar dada por:
L( , t i ) P (T t ; ) f (t i , )
Por ejemplo para el caso de la distribucin binomial se tiene:

Pgina 116
n x n x
L( p;x) f (x; p) p (1 p)
x
Donde x es el nmero de xitos observados, p es la probailidad. Por lo que
dado x, L(p) toma distintos valores en funcin de p. El valor de p que maximice
L(p) es el (evm).
Para el caso de una variable continua, si se tienen n observaciones no
censuradas e independientes: t1, t2, t3,., tn, la informacin que paortan esos
datos sobre lo proporciona la funcin de verosimilitud dada por:
n
L( ; datos ) c f (t i ; )
i 1
Los estimadores de mxima verosimilitud son los valores de los parmetros

que maximizan la funcin L(), que maximizan la probabilidad de ahaber
observado esos datos bajo el modelo propuesto.
Para el caso de una observacin censurada por la derecha, el artculo no haba
fallado al tiempo t, o sea T > t, por lo tanto la verosimilitud de este evento es
proporcional a la probabilidad del mismo, es decir:
L( ; T t ) P(T t ; ) R (t ; )
Para el caso de una observacin censurada por la izquierda, lo que se sabe es

que T < t, por tanto la verosimilitud de este evento es proporcional a la
probabilidad del mismo;
L( ; T t ) P (T t ; ) F (t ; )
Funcin de distribucin acumulada
Para el caso de censura por intervalo, o por resolucin baja del instrumento, se
sabe que el evento ocurri entre: t i 1 T t i y su verosimilitud est dada por:
L( ) P (t i 1 t t i )
ti
f (t; )dt F (t ) F (t
i
i 1
t 1
Si se tienen cuatro datos: uno completo ti, uno censurado por la derecha tder,
otro por la izquierda tizq y el ltimo por intervalo (tbajo, talto), la funcin de
verosimilitud para el modelo es:
L( ; datos ) f (ti ; ) xC (t der ; ) xF (tizq ; ) x F (t alto ; ) F (t bajo ; )
Pgina 117
En general la maximizacin de esta funcin para obtener los estimadores de

mxima verosimilitud para algunos de los modelos se hace por clculo
diferencial (derivando e igualando a cero). Para el caso exponencial con
parmetro , considerando n tiempos de falla exactos,
1 ti
L( ; datos ) e
i 1
n
ti
1n e

Maximizar esta funcin equivale a maximizar su logaritmo dado por:

ln L( ; datos ) n ln( )
1 n
ti
i 1
Derivando respecto a e igualando a cero se tiene:

d ln( L( )) n 1
d
2
t
i 1
Despejando para obtener el estimados de mxima verosimilitud se tiene:

n
ti
i 1
Varios tipos de falla

Las unidades de prueba de un estudio de confiabilidad pueden fallar de
diversas maneras, no solo del tipo de falla que ms interesa en un momento
dado. Si los modos de falla son independientes, cada uno debe analizarse por
separado, para lo cual las otras unidades que fallaron debido a otros modos de
falla se toman como censuradas. Si Ri(t) es la funcin de confiabilidad para el
modo de falla i, entonces la confiabilidad global del producto al tiempo t
consiuderando los k modos de falla del producto es:
R g (t ) R1 (t ) xR2 (t ) x.......xRk (t )
O sea que para sobrevivir al tiempo t se debe sobrevivir a todos los modos de
falla.
Ejemplo: Vida de conexiones con dos modos de falla
Los datos de la tabal siguiente son esfuerzos de ruptura de 20 conexiones de
alambre, con un extremo soldado sobre un semiconductor y el otro al poste
Terminal. Cada falla consiste en la ruptura del alambre (modo de falla 1 = A) o
de una soldadura (modo de falla 2 = S). En este caso el esfuerzo hace las
veces de tiempo de falla:
Esfuerzo
Modo de
falla
Pgina 118
550
750
950
950
1150
1150
1150
1150
1150
1250
1250
1350
1450
1450
1450
1550
1550
1550
1850
2050
S
A
S
A
A
S
S
A
A
S
S
A
S
S
A
S
A
A
A
S
Interesa estudiar la distribucin del esfuerzo de las conexiones, considerando

que se requiere que menos del 1% debe tener un esfuerzo menor a 500 mg. O
sea que al menos el 99% de las conexiones resista un esfuerzo de mayor a
500 mg. Se desea estimar el esfuerzo que resultara de eliminar uno de los
modos de falla.
Primero se hace un anlisis sin distinguir los modos de falla, identificando la
distribucin que ajuste a los datos:
Con Minitab:
1. Stat > Reliability / Survival > Distribution analysis (right censoring) >
Distribution ID Plot
2. En Variables Esfuerzo Use all distributions (Weibull, Lognormal, Exponential,
Normal)
3. Options > Estimation Maximum likelihood
4. OK
Pgina 119
Probability Plot for Esfuerzo

ML Estimates-Complete Data
Weibull
Anderson-Darling (adj)
Weibull
1.011
Lognormal
1.123
Exponential
5.561
Normal
0.970
Lognormal
99
90
50
Percent
Percent
90
10
50
10
500
1000
Esfuerzo
2000
1000
Esfuerzo
Exponential
2000
Normal
99
90
50
Percent
Percent
90
10
50
10
10
100
1000
Esfuerzo
10000
500
1000
1500
Esfuerzo
2000
3. Options > Estimation Least squares

Weibull
Weibull
0.981
Lognormal
0.958
Exponential
*
Normal
0.981
Lognormal
99
90
50
Percent
Percent
90
10
50
10
500
1000
Esfuerzo
2000
1000
Esfuerzo
Exponential
2000
Normal
99
90
50
Percent
Percent
90
10
50
10
10
100
1000
Esfuerzo
10000
500
1000
1500
Esfuerzo
2000
Se puede observar que la distribucin normal y la de Weibull dan un ajuste

parecido y los datos parecen provenir de una misma poblacin donde las fallas
se presentan por la liga ms dbil que favorece al modelo Weibull donde .
Determinado los parmetros de la distribucin Weibull por medio de Minitab:
Pgina 120
Distribution Overview Plot
2. En Variables Esfuerzo Parametric analysis - distribution Weibull
4. OK
Distribution Overview Plot for Esfuerzo
Probability Density Function
Table of Statistics
Shape
3.96368
Scale
1416.71
Mean
1283.45
StDev
363.046
Median
1291.59
I QR
503.809
Failure
20
Censor
0
AD*
0.998
Correlation
0.981
Weibull
0.0012
90
PDF
Percent
0.0008
0.0004
0.0000
500
1000
1500
Esfuerzo
50
10
2000
500
Survival Function
1000
Esfuerzo
2000
Hazard Function
100
Rate
Percent
0.0075
50
0.0050
0.0025
0.0000
500
1000
1500
Esfuerzo
2000
500
1000
1500
Esfuerzo
2000
Se obtiene una distribucin Weibull con parmetro de forma o aspecto Beta =

3.96368 y parmetro de escala Etha = 1416.71.
5. Determinacin de la confiabilidad
Haciendo un anlisis de confiabilidad considerando los dos tipos de falla se
tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
2. En Variables Esfuerzo Assumed distribution - Weibull
Pgina 121
4. OK
Los resultados se muestran a continuacin:

Weibull - 95% CI
Percent
99
Table of Statistics
Shape
3.96368
Scale
1416.71
Mean
1283.45
StDev
363.046
Median
1291.59
I QR
503.809
Failure
20
Censor
0
AD*
0.998
Correlation
0.981
90
80
70
60
50
40
30
20
10
5
3
2
1
Esfuerzo
Estimado la confiabilidad para 500 mg. Se tiene:

3. Estimate > Estimate survival probailities for these times 500 OK
Distribution Analysis: Esfuerzo
Variable: Esfuerzo
Uncensored value
Count
20

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
3.96368
1416.71
Standard
Error
0.708783
84.2759
95.0% Normal CI
Lower
Upper
2.79182 5.62743
1260.80 1591.91
Goodness-of-Fit
Pgina 122
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1283.45
363.046
1291.59
1034.60
1538.40
503.809
Standard
Error
80.9684
53.1580
85.3243
95.8025
87.8896
77.9169
95.0% Normal CI
Lower
Upper
1134.17 1452.37
272.475 483.722
1134.73 1470.13
862.880 1240.48
1375.44 1720.68
372.069 682.196
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
443.865
529.362
587.135
632.155
669.641
702.091
730.908
756.969
780.860
802.995
970.366
1092.26
1195.86
1291.59
1385.81
1484.64
1597.44
1748.50
1768.35
1789.78
1813.20
1839.16
1868.53
1902.70
1944.24
1998.66
2082.63
Standard
Error
102.702
106.405
107.635
107.983
107.910
107.604
107.159
106.628
106.042
105.420
98.8486
93.0318
88.4357
85.3243
84.1349
85.6630
91.5272
106.332
108.820
111.634
114.856
118.600
123.044
128.478
135.440
145.109
161.124
95.0% Normal CI
Lower
Upper
282.032 698.558
356.990 784.963
409.915 840.973
452.296 883.535
488.287 918.353
519.920 948.091
548.361 974.223
574.349 997.655
598.382 1018.98
620.818 1038.63
794.742 1184.80
924.324 1290.70
1034.51 1382.39
1134.73 1470.13
1230.34 1560.92
1325.89 1662.40
1427.75 1787.29
1552.03 1969.84
1567.43 1995.03
1583.83 2022.52
1601.50 2052.88
1620.80 2086.94
1642.28 2125.94
1666.84 2171.94
1696.11 2228.68
1733.56 2304.30
1789.61 2423.63

Time
500
Probability
0.984016
95.0% Normal CI
Lower
Upper
0.920465 0.996872
Y el porcentaje de falla ser 100 98.40 = 1.6% que es mayor al objetivo del
1%, por lo que se tratar de eliminar uno de los modos de falla.
Obteniendo el anlisis separado por modo de falla se tiene:
Instrucciones de Minitab:;
Parametric Distribution Analysis
Pgina 123
2. En Variables Esfuerzo By Variable Modo de falla Assumed distribution Weibull

4. OK
Los resultados son:
Distribution Analysis: Esfuerzo by Modo de falla
Variable: Esfuerzo
Modo de falla = A
Uncensored value
Count
10

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
4.27142
1414.58
Standard
Error
1.20349
110.427
95.0% Normal CI
Lower
Upper
2.45892 7.41995
1213.90 1648.45
Goodness-of-Fit
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1287.02
340.225
1298.27
1056.70
1527.00
470.298
Standard
Error
107.337
79.4624
112.923
133.092
115.966
116.703
95.0% Normal CI
Lower
Upper
1092.94 1515.57
215.258 537.739
1094.78 1539.58
825.550 1352.58
1315.82 1772.08
289.168 764.885
Percent
1
2
3
4
5
6
7
8
9
10
20
30
Percentile
481.849
567.416
624.664
668.990
705.726
737.405
765.450
790.745
813.878
835.265
995.688
1111.24
Standard
Error
159.303
162.268
162.391
161.599
160.416
159.046
157.585
156.082
154.565
153.050
139.088
127.738
95.0% Normal CI
Lower
Upper
252.056 921.140
323.949 993.862
375.287 1039.75
416.684 1074.07
452.015 1101.84
483.188 1125.37
511.303 1145.92
537.058 1164.26
560.927 1180.90
583.249 1196.17
757.214 1309.27
887.082 1392.05
Pgina 124
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
1208.74
1298.27
1385.93
1477.41
1581.30
1719.60
1737.71
1757.25
1778.57
1802.19
1828.88
1859.90
1897.55
1946.79
2022.57
118.942
112.923
110.342
112.463
121.743
144.914
148.743
153.056
157.969
163.649
170.351
178.497
188.861
203.138
226.538
996.715
1094.78
1185.69
1272.65
1359.82
1457.79
1469.32
1481.47
1494.41
1508.37
1523.70
1540.98
1561.25
1586.72
1623.92
1465.86
1539.58
1619.98
1715.13
1838.86
2028.43
2055.12
2084.36
2116.77
2153.25
2195.18
2244.81
2306.28
2388.56
2519.08

Modo A
Time
500
Probability
0.988299
95.0% Normal CI
Lower
Upper
0.841829 0.999196
Distribution Analysis: Esfuerzo by Modo de falla

Variable: Esfuerzo
Modo de falla = S
Uncensored value
Count
10

Distribution:
Weibull
Parameter Estimates
Parameter
Shape
Scale
Estimate
3.32722
1425.91
Standard
Error
0.953840
142.915
95.0% Normal CI
Lower
Upper
1.89697 5.83582
1171.60 1735.43
Goodness-of-Fit
Mean(MTTF)
Standard Deviation
Median
First Quartile(Q1)
Third Quartile(Q3)
Estimate
1279.60
423.801
1277.18
980.548
1573.00
592.449
Standard
Error
133.140
103.468
141.540
157.439
155.189
149.699
Pgina 125
95.0% Normal CI
Lower
Upper
1043.53 1569.06
262.633 683.874
1027.83 1587.03
715.811 1343.20
1296.43 1908.56
361.053 972.145
Percent
1
2
3
4
5
6
7
8
9
10
20
30
40
50
60
70
80
90
91
92
93
94
95
96
97
98
99
Percentile
357.805
441.349
499.313
545.250
583.983
617.849
648.177
675.802
701.288
725.033
908.468
1045.99
1165.24
1277.18
1388.94
1507.73
1645.16
1832.13
1856.94
1883.78
1913.18
1945.86
1982.93
2026.21
2079.02
2148.52
2256.48
Standard
Error
152.934
162.918
167.355
169.647
170.836
171.372
171.486
171.314
170.939
170.416
162.047
153.087
145.843
141.540
141.628
148.293
165.486
203.940
210.156
217.141
225.082
234.251
245.065
258.210
274.954
298.080
336.193
95.0% Normal CI
Lower
Upper
154.819 826.932
214.078 909.895
258.866 963.098
296.317 1003.31
329.150 1036.11
358.745 1064.09
385.917 1088.66
411.190 1110.70
434.927 1130.78
457.390 1149.29
640.438 1288.67
785.145 1393.50
911.751 1489.20
1027.83 1587.03
1137.33 1696.20
1243.38 1828.28
1350.79 2003.69
1473.02 2278.80
1487.52 2318.09
1502.85 2361.28
1519.19 2409.34
1536.88 2463.67
1556.35 2526.41
1578.38 2601.10
1604.30 2694.21
1636.99 2819.90
1685.05 3021.71
Modo S
Time
500
Probability
0.969865
95.0% Normal CI
Lower
Upper
0.762180 0.996558
Pgina 126

Weibull - 95% CI
99
Modo
de
falla
A
S
Percent
90
80
70
60
50
40
30
Table of Statistics
Shape
Scale Corr F C
4.27142 1414.58 0.986 10 0
3.32722 1425.91 0.962 10 0
20
10
5
3
2
1
100
1000
Esfuerzo
Combinado los dos se tiene:

Rg = RA x RS =0.988299
x 0.969865
= 0.95851661
En este caso se observa que para tener menos de 1% de falla en 500 mg. Es
necesario eliminar los dos modos de falla, uno no es suficiente.
Pgina 127
6. Pruebas de vida acelerada

Los fabricantes desean tener resultados de confiabilidad para sus productos,
ms rpidamente, que bajo condiciones de funcionamiento normal. Para lo
cual, se trata de acelerar las fallas sometiendo los productos a niveles altos de
esfuerzo, para despus, extrapolar la confiabilidad a condiciones normales de
operacin.
Se tienen los tipos de Pruebas de vida aceleradas cualitativas y cuantitativas:
Pruebas Cualitativas
Las pruebas de vida aceleradas cualitativas (tales como las pruebas de tortura)
se utilizan sobre todo para revelar los modos de falla probables para el
producto con objeto de mejorar su diseo. Una prueba acelerada que slo da
Informacin de Falla ( Modos de Falla), comnmente se llama Prueba de
Tortura, Prueba de Elefante, Prueba Cualitativa, etc.
Sobre-esforzar a los productos para obtener fallas ms rpido es la forma
ms antigua de Pruebas de Confiabilidad. Normalmente no se obtiene
informacin sobre la distribucin de la vida (Confiabilidad). Los tipos de
esfuerzo son en: Temperatura, Voltaje, Humedad, Vibracin o, cualquier otro
esfuerzo que afecte directamente la vida del producto.
Las pruebas de Tortura se realizan sobre muestras de tamao pequeo y los
productos se someten a un ambiente agresivo (niveles severos de esfuerzo)
Si el producto sobrevive, pas la prueba. Muchas veces los datos de las
pruebas de tortura no pueden ser extrapolados a las condiciones de uso
Como beneficios de las pruebas de tortura se aumenta la Confiabilidad por la
revelacin de modos probables de falla, aunque quedan en el aire diversos
cuestionamientos como son: Cul es la Confiabilidad del Producto?, se
mantendrn los mismos Modos de Falla durante la vida del producto bajo uso
normal?
Pruebas Cuantitativas
Las pruebas de vida aceleradas cuantitativas (QALT) se disean para
cuantificar la vida til del producto.
La Prueba de Vida acelerada, a diferencia de la Prueba de Tortura, est
diseada para proveer Informacin de la Confiabilidad del producto,
componente o sistema, como dato bsico se tiene el Tiempo de Falla, puede
estar en cualquier medida cuantitativa, tal como: horas, das, ciclos,
actuaciones, etc.
Los modelos de tiempos de vida de escala acelerada (TAEF) se definen como:
Pgina 128
Cuando FA(x)>1, el modelo acelera el tiempo, esto es T(x) >T(x0); en caso

contrario, el modelo desacelera el tiempo.
En la grafica de T(x0) vs T(x):

El modelo TAEF se representa por lneas rectas a travs del origen.
El modelo TAEF acelerado se representa por lineas rectas por abajo de
la diagonal.
El modelo TAEF desacelerado se representa por lneas rectas por arriba
de la diagonal.
Para un modelo TFAE T(x) = T(x0)/FA(x), ((x) > 0), donde:
Si la cdf base est en x0 F(t; x0) entonces AF(x0) = 1
Tiempo escalado: F(t; x) = F [AF(x) t; x0]. Entonces las cdfs F(t; x) y F(t;
x0) no se cruzan.
Cuantiles proporcionales: tp(x) = tp(x0)/AF(x). Entonces tomando

Logaritmos se tiene log[tp(x0)] log[tp(x)] = log[AF(x)]. Esto muestra que
cualquier grafica en escala log-tiempo tp(x0) y tp(x) son equidistantes.
En particular, en una grafica de probabilidad en escala log-tiempo F(t, x)
es una translacin de F(t, x0) a lo largo del eje log(t).
Pgina 129
Grafica de Probabilidad Weibull de dos miembros de una familia TFAE de

modelos con distribucin Lognormal
Note que para modelos con una sola variable de la familia log-localizacin
escala:
Por tanto pertenecen a la familia de modelos de tiempos de vida de escala

acelerada y,
Pgina 130
Modelos de vida acelerada

Se han desarrollado modelos que relacionan el nivel de esfuerzo y la funcin
de densidad de los tiempos de falla como sigue:
Modelos de aceleracin
Los modelos de aceleracin se derivan a menudo de modelos fsicos o
cinticos relacionados al modelo de falla, por ejemplo:
Arrhenius
Eyring
Regla de Potencia Inversa para Voltaje
Modelo exponencial de Voltaje
Modelos de Dos: Temperatura / Voltaje
Modelo de Electromigracin
Modelos de tres esfuerzos (Temperatura, Voltaje y Humedad)
Modelo Coffin-Manson de Crecimiento de Fracturas Mecnicas
Ley de la potencia inversa
L = medida cuantificable de vida, tal como la media, la mediana cuantiles, etc.,

S = nivel de estrs o esfuerzo
K = parmetros del modelo por determinar (K debe ser > 0), y,
n = es otro parmetro del modelo.
Para el caso de la distribucin de Weibull, se tiene:
Pgina 131
Una vez que se estiman los parmetros b, K y n, se pueden hacer

predicciones de vida til para diferentes valores de t y S.
El modelo de Arrhenius se muestra a continuacin:
R = velocidad de reaccin,
A = constante desconocida,
EA = energa de activacin (eV),
K = constante de Boltzman, y
T = temperatura absoluta (Kelvin).
El modelo de Eyring es como sigue:
L = medida cuantificable de vida, tal como la media, la mediana, cuantiles, etc.,

V = nivel de estrs (temperatura medida en grados kelvin)
A = uno de los parmetros del modelo, y,
B = otro parmetro del modelo
Pgina 132
Los modelos de regresin lineales y log lineales vistos anteriormente pueden

ser tiles para modelar diversos efectos de estrs. Para distribuciones de la
familia log-localizacin escala (weibull, exponencial, lognormal):
Con media:
Y modelo de regresin:
Sus residuos se definen como:
Para distribuciones de la familia localizacin-escala (Normal, Logstica, valores

extremos):
Con media:
Y Tp:
Sus residuos se definen como:
Pgina 133
Como resumen de los modelos se tiene:
Los modelos ms utilizados son los siguientes:
El modelo de Arrhenius,
El modelo de Eyring y
El modelo de la ley de la potencia inversa
Pgina 134
7. Confiabilidad de sistemas
Cuando se estudia la confiabilidad de un sistema compuesto por componentes,
la falla de alguno de ellos hace que todo el sistema deje de funcionar, en este
caso el se dice que los componentes estn en serie. En caso de que la falla de
un componente particular no afecte al funcionamiento total del sistema dado
que otros componentes continan funcionando, se dice que estn conectados
en paralelo.
Sistemas Complejos
El estudio de sistemas complejos implica la subdivisin de un producto en sus
componentes individuales. Al modelar un sistema
complejo es crucial
especificar el nivel del detalle del modelo. La operacin del sistema se expresa
en funcin de la operacin de los componentes. La funcin de estructura
describe el lazo entre el estado del sistema y el estado de los n componentes
que forman el sistema.
El Estado del Sistema
El sistema se asume como una coleccin de n componentes. Tambin se
asume que hay dos estados posibles para los componentes del sistema:
funcionando o falla. El estado del componente i, denotado por Xi, es:
para i = 1...,n.
Los estados de los n componentes se pueden escribir como el vector X=(X1...,
Xn). Hay n componentes, cada uno de los cuales puede tomar 2 valores,
entonces, hay 2n posibles estados del sistema.
Funcin de Estructura de un sistema
La funcin de estructura asocia los estados del sistema { X } al conjunto { 0.1 },
rindiendo el estado del sistema.
El estado del sistema es:
La forma de la funcin de estructura depende del diseo del sistema. Las

estructuras ms comunes que vemos son sistemas en series y sistemas en
paralelo.
Considere un sistema con k componentes y sea la variable xi (i=1, 2, 3,., k)
que toma el valor 1 si el i-simo componente funciona y el valor 0 si no
Pgina 135
funciona. En cierto momento el estado del sistema est determinado por el

vector X = (x1, x2, x3,., xk) de ceros y unos. La funcin de estructura del
sistema est definida en este espacio de vectores y toma valores:
1,
(x)
0
1 si el sistema funciona; 0 si no funciona
La funcin de estructura de un sistema serie es:

k
( x ) xi
i 1
La funcin de estructura de un sistema paralelo es:

k
( x) 1 (1 xi )
i 1
Cada vector X donde el sistema funciona se denomina trayectoria y cada vector

X donde el sistema no funciona se denomina corte. En total se tienen 2K
posibles estados sumando los cortes y las trayectorias. En el sistema serie solo
hay una trayectoria con un vector de unos X=(1,1,1,1) y 2 K-1 cortes y en el
sistema paralelo solo hay un corte cuando X=(0,0,0,,0) y 2K-1 trayectorias.
El nmero de componentes que funcionan en un estado se denominan tamao
de X, con valores desde 1 hasta k. La trayectoria mnima es un vector X con
todos los componentes funcionando.
Revisar la importancia estructural:
Qu importancia tienen los componentes en la estructura?
Si el componente i falla, dejar de operar el sistema?
Cuntos estados posibles hay del sistema?
En cuantos estados el componente i es funcional?
En que estados al fallar el componente i el sistema fallar?
Por ejemplo para el componente 1:
Pgina 136
Ahora considere que el componente 1 falla.

El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Entonces el componente 1 tiene una importancia estructural de 4/4.
Si falla el componente 2:
El sistema operara en el estado (1,1,1) y fallar en los estados (0,1,1) y (0,1,0)
y (1,0,1).
Entonces la importancia estructural del componente 2 es 1/4.
Por simetra, la importancia estructural del componente 3 es 1/4.
Pgina 137
Sistemas en Serie
Un sistema en serie tiene k componentes. Suponiendo que trabajan en modo
independiente, la confiabilidad del sistema es la probabilidad de que todos los
componentes funcionen.
Entonces (X) = 1 si todas los valores Xi toman el valor 1 y (X) = 0 de otra
manera. Por tanto:
Regla de producto de probabilidades

Los diagramas de bloque son usados
para visualizar sistemas de
componentes. El diagrama de bloque que corresponde a un sistema de la
serie es:
El diagrama de bloque representa el lazo lgico de la operacin de los
componentes y el sistema. No representa su disposicin fsica. La idea es que
si se puede trazar un camino de izquierda a derecha a travs del sistema, el
sistema funciona.
Ejemplo:
Un producto electrnico tiene 40 componentes en serie. La confiabilidad de
cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:
Rs (0.999) 40 0.961
Si el producto se rediseara para tener solo 20 componentes, la confiabilidad

sera de Rs = 0.98.
Figura 7. Sistema con componentes en serie

Sistemas en paralelo
En este sistema, si tiene k componentes, basta con que uno funcione para que
siga en operacin. Se requiere que todos los componentes fallen para que falle
el sistema, o sea:
Pgina 138
( X ) max{ X 1 ,..., X n },
n
1 (1 X i ).
i 1
Rs 1 P (todos fallen) 1 (1 R1 ) x (1 R2 ) x......x(1 Rk )
El diagrama de bloque para una estructura en paralela es
Entre ms componentes redundantes haya, la confiabilidad del sistema es

mayor, esto tambin est presente en los seres vivos, como por ejemplo en los
riones.
Ejemplo:
Considere 4 componentes A, B, C y D de un producto conectados en paralelo,
con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la confiabilidad
total es:
Rs 1 (1 0.93)(1 0.88)(1 0.95)(1 0.92) 1 0.0000336 0.9999664
B
A
C
D
Fig. 8 Sistema con 4 componentes en paralelo
Sistemas con componentes en serie o en paralelo (K de n)
Pgina 139
Los sistemas pueden tener componentes en serie y en paralelo, en algunos

casos es importante identificar cuales componentes son clave para incrementar
la confiabilidad del sistema.
Un sistema k de n funciona si cualesquier k de los n componentes del sistema
funcionan. Los sistemas en serie y en paralelo son casos especiales del
sistema k en n. Un sistema en serie es un sistema k de k. Un sistema en
paralelo es un sistema 1 de n.
Por ejemplo:
En los puentes algunos de los cables de la suspensin pueden fallar, y el
puente no cae. En las bicicletas algunos de los rayos pueden fallar.
La funcin de estructura es:
Un ejemplo de diagrama de bloques para un sistema 2 de 3 donde con dos de

3 componentes que operen, el sistema continuar operando, es el siguiente:
Ejemplo:
Para el caso de un avin continua volando si funcionan 2 de 4 motores.
Su diagrma de bloques es el siguiente:
Su funcin de estructura es la siguiente:
Pgina 140
Ejemplo:
Se tienen los siguientes 7 componentes conectados en serie y en papralelo,
sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94; RD=0.89; RE=0.95;
RF=0.88; RG=0.90.
G
C
D
E
B
Figura 9. Sistema con 7 componentes en serie y en paralelo
Rs = Rab x Rc x Rd x Refg
Rab = 1-(1-0.96)(1-0.92) = 0.9968
Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836
Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
Mtodo de trayectoria para calcular la confiabilidad de un sistema
Para calcular las confiabilidades de sistemas simples se aplican las frmulas de
estructuras serie o paralelo. Para sistemas ms complejos, es necesario
conocer las reglas siguientes:
Regla 1. Sean dos sistemas, uno con funcin de estructura 1(x)= 0(x) A(x) y
otro con funcin de estructura 2(x)= 0(x) B(x). Si se conectan en serie, la
funcin de estructura resultante es: (x)= 0(x) A(x) B(x) puesto que 02(x)=
0(x).
Regla 2. Si los mismos sistemas anteriores se conectan en paralelo, la funcin
de estructura resultante es: (x)= 0(x)[(1- A(x)) (1- B(x)) ].
Se siguen los pasos siguientes:
1. Encontrar todas las trayectorias mnimas posibles.
Pgina 141
2. Dado que para que el sistema funcione es necesario que funcione al menos
una de las trayectorias mnimas, se aplica la definicin de sistema paralelo a
dichas trayectorias.
3. Se simplifica la expresin resultante aplicando las reglas 1 y 2.
4. Se sustituyen las xi (i=1, 2, 3,., k) por las confiabilidades de las k
componentes y se resuelve.
Ejemplo:
Para el sistema de la figura 9, las trayectorias mnimas son: ACDEF, ACDG,
BCDEF y BCDG.
Aplicando la funcin de estructura en paralelo se tiene:
s(x) = 1 (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =
= BCD(EF + G + EFG) + ACD(EF BEF + G BG EFG + BEFG) = 0.82
Pgina 142
Estructuras de puente
Su diagrama de bloques es el siguiente:
El sistema funcionara si alguno de los siguientes conjuntos funciona: {1,3,5}

{1,4}
{2,3,4}
{2,5}. Estos conjuntos son denominados conjuntos de ruta
mnima, dando un diagrama equivalente a:
Redundancia
La redundancia a nivel componente es siempre proporciona una mayor
confiabilidad que a nivel sistema. Sea (X) la funcin de estructura para un
sistema coherente de n componentes. Para cualquier vector de estados X y Y
Pgina 143
Uso de Minitab
Se capturan dos columnas, una para los tiempos de falla observados y otra
para indicar cuales tiempos son falla y cuales son censuras por la derecha. Se
puede escoger 1 para censuras y 0 para falla.
Cuando se tienen fallas por intervalos se construyen tres columnas, en dos de
ellas se seala el inicio y el final de cada intervalo de tiempo y en la tercera la
frecuencia de las fallas observadas en cada intervalo.
Para los anlisis se usa el men Stat > Relibility / Survival, en la primera opcin
se identifica la distribucin de manera grfica, en la segunda se hace una
exploaracin ms detallada (paramtrica o no paramtrica) de la distribucin
seleccionada, en la tercera opcin se hace el anlisis paramtrico detallado y
en la cuarta el anlisis no paramtrico. En el primer bloque se considera
censura por la derecha y en el segundo bloque se analiza lo mismo con otras
opciones de censura.
Pgina 144
8. Mantenabilidad y disponibilidad
Los sistemas reparables reciben Acciones de mantenimiento cuando fallan.
Estas acciones se deben ahora tomar en la consideracin al determinar el
comportamiento del sistema. La edad de los componentes del sistema ya no
es uniforme ni el tiempo de operacin del sistema es continuo.
Mantenimiento
El Mantenimiento se define como cualquier accin que restaure unidades
falladas a una condicin operacional, o conserve unidades que no estn en un
estado operacional. Para los sistemas reparables, el mantenimiento
desempea un papel vital en la vida de un sistema. Afecta la confiabilidad total
del sistema, la disponibilidad, el tiempo muerto, los costos de operacin, etc.
Generalmente, las acciones del mantenimiento se pueden dividir en tres tipos:
Mantenimiento correctivo, es la accion(es) tomado para restaurar un sistema
que ha fallado, al estado operacional.
Mantenimiento preventivo, es la prctica de susstituir componentes o
subsistemas antes de que fallen, para promover la operacin continua del
sistema. Son las Inspecciones que se utilizan para descubrir fallas ocultas
(tambin llamadas fallas inactivas).
Mantenabilidad
Es la capacidad de mantenimiento se define como la probabilidad de realizar
una accin acertada de reparacin dentro de un tiempo dado. Es decir la
capacidad de mantenimiento mide la facilidad y la velocidad con las cuales un
sistema se puede restaurar al estado operacional despus de que fallo.
Por ejemplo, se dice que un componente particular tiene una mantenabilidad o
capacidad de mantenimiento del 90% en una hora, esto significa que hay una
probabilidad del 90% que el componente ser reparado dentro de una hora.
La mantenabilidad puede incluir los eventos siguientes:
1. El tiempo que toma diagnosticar con xito la causa de la falla.
2. El tiempo que toma procurar o entregar las piezas necesarias para realizar
la reparacin.
4. El tiempo que toma quitar los componentes daados y substituirlos por los
buenos.
5. El tiempo que toma regresar el sistema a su estado de funcionamiento.
6. El tiempo que toma verificar que el sistema est funcionando dentro de lo
especificado.
7. El tiempo asociado de ajuste de un sistema para su operacin normal.
Para el caso de sistemas donde su mantenabilidad sigue la distribucin
exponencial se tiene:
Pgina 145
Donde = tasa de la reparacin.

La media de la distribucin se puede obtener con:
Para el caso de la distribucin de Weibull se tiene:
La tasa de reparacin es:
Disponibilidad
La disponibilidad, se define como la probabilidad que el sistema est
funcionando correctamente cuando se solicita para el uso. Criterio del
funcionamiento para los sistemas reparables que considera las caractersticas
de confiabilidad y de mantenabilidad o capacidad de mantenimiento de un
componente o sistema.
Por ejemplo, si una lmpara tiene una disponibilidad del 99.9%, habr una vez
fuera de mil que alguien necesite utilizar la lmpara y suceda que la lmpara no
opere.
Los conceptos de confiabilidad, mantenabilidad y disponibilidad se relacionan
como sigue:
Un sistema reparable que funciona adecuadamente un periodo de tiempo,

despus falla y es reparado para regresarlo a su condicin operacional puede
tener los siguientes comportamientos:
Pgina 146
El artculo funcion correctamente a partir de 0 a t con la probabilidad R(t)

o funcion correctamente desde la reparacin pasada en el tiempo u, 0 < u < t,
con probabilidad:
Con m(u) siendo la funcin de la densidad de la renovacin del sistema.

Entonces la disponibilidad del punto es la adicin de estas dos probabilidades:
Se tienen diversos tipos de disponibilidad como sigue: Disponibilidad

instantnea; Disponibilidad media; Disponibilidad Limite; Disponibilidad
Inherente; y Disponibilidad Operacional.
Disponibilidad instantnea, A(t):
La disponibilidad instantnea es la probabilidad que un sistema (o el
componente) ser operacional (en servicio) en cualquier hora, t.
Pgina 147
Esto es muy similar a la funcin de la confiabilidad en que da una probabilidad

que un sistema funcione en el tiempo dado, t. La medida instantnea de la
disponibilidad incorpora la informacin de la mantenabilidad.
Disponibilidad media
La disponibilidad media es la proporcin de tiempo durante una misin o un
perodo de tiempo en que el sistema est disponible para el uso.
Representa el valor medio de la funcin instantnea de la disponibilidad sobre
el perodo (0, T ] y esta dada por:
Disponibilidad Limite
Disponibilidad inherente
Pgina 148
La disponibilidad inherente es la disponibilidad del estado constante al

considerar solamente el tiempo muerto correctivo del sistema. Para un solo
componente, esto se puede calcular como sigue:
Disponibilidad operacional
La disponibilidad operacional es una medida de la disponibilidad media durante
el tiempo e incluye todas las fuentes experimentadas del tiempo muerto, tales
como tiempo muerto administrativo, tiempo muerto logstico, etc.
Ejemplo:
Un generador de energa est proveyendo electricidad, sin embargo en los
ltimos seis meses, haba acumulado fallas por 1.5 meses. El generador tiene
un MTTF = 50 das (o 1200 horas) y MTTR = 3 horas. Se puede poner un
generador de viento alterno con una disponibilidad del 99.71% con sus
parmetros MTTF = 2,400 Horas y MTTR = 7 horas.
Pgina 149
Pgina 150
Problemas
1. Escribir y graficar la funcin de riesgo h(t) para una distribucin de Weibull
con parmetros a) Beta =1, Etha = 4; b) Beta = 2, Etha = 2; c) Beta = 3, Etha =
1. Comentar el efecto de cada parmetro.
2, La duracin t en horas de cierto componente electrnico es una variable
aleatoria con funcin de densidad f(t) = 0.001exp(-t/1000) para t >0.
a) Calcular F(t), R(t) y h(t)
b) Cul es la confiabilidad del componente a las 100 horas?
c) Si una unidad ha sobrevivido a las 100 horas, cul es la probabilidad de
que sobreviva a las 200 horas?
d) Graficar h(t) e interpretar los resultados.
2. Una unidad de disco tiene una falla temprana si ocurre antes del tiempo t =
alfa y una falla por desgaste si ocurre despus de t = beta. Si la vida del disco
se puede modelar con la distribucin f(t) = 1/(Beta alfa):
a) Obtener las ecuaciones de F(t) y R(t)
b) Calcular la tasa de riesgo h(t)
c) Graficar la tasa de riesgo si Alfa = 100 y Beta = 1500 horas.
d) Con los datos de c) cul es la confiabilidad de la unidad a las 500 horas?
3. Se realiz un estudio para estimar la vida media de locomotoras. Se
operaron 96 mquinas durante 135,000 millas o hasta que fallaron y de estas,
37 fallaron antes de cumplirse el periodo de 135,000 millas, la tabal siguiente
muestra las fallas de las 37. Las otras 59 no fallaron por tanto entran al estudio
en forma censurada.
22.5
37.5
46
48.5
51.5
53
54.5
57.5
66.5
68
69.5
76.5
77
78.5
80.0
81.5
82.0
83.0
84.0
91.5
93.5
102.5
107.0
108.5
112.5
Pgina 151
113.5
116.0
117.0
118.5
119.0
120.0
122.5
123.0
127.5
131.0
132.5
134.0
a) Utilizando Minitab identificar la distribucin que mejor aproxime a los datos.

b) Comparar las estimaciones por mnimos cuadrados y por mxima
verosimilitud.
c) Determinar la vida mediana de las locomotoras.
d) Cul es la confiabilidad de las locomotoras a las 200,000 millas?. Dar un
intervalo de confianza para esta confiabilidad e interpretarlo.
4. Un fabricante de balatas le da seguimiento al tiempo de falla de las mismas
en kilmetros recorridos. Al finalizar el estudio no todas las balatas haban
fallado pero por su desgaste se estim el tiempo de falla. Los datos obtenidos
para los 55 productos se muestran a continuacin:
9500
14951
17980
19451
23659
10512
15117
18508
19611
24165
12824
15520
18624
19708
25731
13514
15555
18699
20066
25961
14096
15912
18719
20546
25991
14128
16037
18773
20610
26553
14404
16481
19126
21599
14520
16622
19165
21978
14689
16626
19274
21978
14766
16689
19414
22386
14859
16935
19429
23592
a) Utilizando el Minitab, identificar la distribucin que siguen los datos.

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.
c) Cul es la confiabilidad de las balatas a los 10,000 kms.?
d) Si el fabricante no est dispuesto a reemplazar ms de 2% de las balatas
es razonable otorgar una garanta de 10,000 kms?.
e) Proporcionar un intervalo de confianza al 95% para los kilmetros en que
falla el 2% de las balatas e interpretarlo.
5. La vida de ventiladores se registra como ventiladores fallados y ventiladores
con censura a la derecha (1) indicando que su vida fue ms larga.
0-no censurado 1-censurado
450
460
1150
1150
1560
1600
1660
1850
1850
0
1
0
0
1
0
1
1
1
1850
1850
1850
2030
2030
2030
2070
2070
2080
1
1
1
1
1
1
0
0
0
2200
3000
3000
3000
3000
3100
3200
3450
3750
1
1
1
1
1
0
1
0
1
3750
4150
4150
4150
4150
4300
4300
4300
1
1
1
1
1
1
1
1
4300
4600
4850
4850
4850
4850
5000
5000
5000
1
0
1
1
1
1
1
1
1
6100
6100
6100
6100
6300
6450
6450
6700
7450
0
1
1
1
1
1
1
1
7800
7800
8100
8100
8200
8500
8500
8500
8750
1
1
1
1
1
1
1
1
1
8750
8750
9400
9900
10100
10100
10100
11500
El objetivo es determinar la proporcin de ventiladores que fallan antes de

tiempo de garanta que es de 8,000 horas.
Pgina 152
0
1
1
1
1
1
1
1
a) Estimar el modelo adecuado para los datos

b) Estimar los parmetros de la distribucin que mejor se ajuste utilizando
mnimos cuadrados y mxima verosimilitud. Comparar los estimadores.
c) Graficar el estimador no paramtrico de la funcin de supervivencia.
c) Cul es la proporcin de ventiladores que fallan antes del tiempo de
garanta de 8,000 horas?
d) Ser necesario redisear los ventiladores para tratar de incrementar su
confiabilidad?
6. La duracin de un chip de computadora tiene una distribucin de Weibull.
Para estimar sus parmetros, se someten 100 chips a prueba y se registra el
nmero de supervivientes al final de cada ao, durante 8 aos. Los datos con
censura por intervalo son los siguientes:
Ao
1
2
3
4
5
6
7
8
Superv.
94
78
88
36
22
10
6
2
a) Utilizar el mtodo de mnimos cuadrados para obtener Beta y Etha.

b) Establcer un intervalote confianza del 95% para el percentil 1%.
c) Calcular la probabilidad de que un chip falle antes de 5 aos.
d) Estimar la confiabilidad de los chips en el tiempo de 7 aos.
e) Calcular la tasa de riesgo, h(t) y graficarla. Obtener la tasa de riesgo a t=4
aos e interpretar su valor.
7. Se toma una muestra de n = 138 baleros y se hace una prueba de vida. La
tabla siguiente muestra los que seguan funcionando al final de cada periodo de
100 horas hasta que todos fallaron.
Horas
4
5
6
7
8
9
Baleros
138
114
104
64
37
29
Horas
12
13
17
19
24
51
Pgina 153
Baleros
8
6
4
3
2
1
10
11
20
10
a) Ajustar un modelo de Weibull a estos datos.

b) Dar un intervalo de confianza al cual falla el 2% de los baleros.
c) Calacular la confiabilidad a las 400 horas.
d) Calacular la confiabilidad de que habiendo sobrevivido las primeras 300
horas, un balero sobreviva 100 horas ms.
8. El tiempo de vida en aos de un generador que se compra tiene una
distribucin Weibull con parmetros Etha = 13 aos y Beta = 2. El period de
garanta es de dos aos.
a) Cul es la confiabilidad del generador al fin del periodo de garanta?
b) Si se compran 1000 unidades cul es el nmero de reclamos al fabricante?
c) Cul es el periodo de garanta que debe ofrecerse si se quiere tener una
proporcin de reclamos a lo ms del 1%?
Pgina 154

Confiabilidad

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Confiabilidad

Transféré par

Droits d'auteur :

Formats disponibles

CURSO DE CONFIABILIDAD

P. REYES / DIC. 2006

Elabor: Dr. Primitivo Reyes Aguilar

P. REYES / DIC. 2006

3. Modelos de distribuciones de probabilidad para el tiempo

4. Estimacin de parmetros del modelo

6. Pruebas de vida aceleradas

P. REYES / DIC. 2006

P. REYES / DIC. 2006

P. REYES / DIC. 2006

P. REYES / DIC. 2006

Anlisis de rbol de fallas (FTA)

Categora 4: catastrfica causa de muerte, falla en un sistema de

P. REYES / DIC. 2006

Prueba de vida altamente acelerada (HALT)

Datos estndar todos los tiempos de falla y suspensin son

P. REYES / DIC. 2006

Datos de intervalo, datos agrupados, o de inspecciones no destructivas

VERIFICACIN Y VALIDACIN DEL DISEO

P. REYES / DIC. 2006

Comprensin de cmo se disea el producto para su funcin y como

Diseo experimentos (DOE)

Conceptos estadsticos de DOE

P. REYES / DIC. 2006

VERIFICACIN Y VALIDACIN DEL PROCESO

Proceso de aprobacin de partes para produccin PPAP

MONITOREO DESPUS DEL LANZAMIENTO / MEJORA

Coleccin de datos en campo

P. REYES / DIC. 2006

Anlisis de partes con falla en campo, se requiere un rbol de decisin

P. REYES / DIC. 2006

Pasos para el anlisis de datos de vida

P. REYES / DIC. 2006

15. Con dos a nueve fallas, se tiene un buen conocimiento de la pendiente?

P. REYES / DIC. 2006

29. Es adecuado el ajuste anterior? Considerar el coeficiente de correlacin

P. REYES / DIC. 2006

46. Si no se pueden separar los modos de falla se desea predecir el tiempo

P. REYES / DIC. 2006

P. REYES / DIC. 2006

P. REYES / DIC. 2006

Determinar las necesidades de confiabilidad del mercado y las

El cliente puede no especificar las metas de confiabilidad, en todo caso el

Una meta mejorada sobre el desempeo pasado del producto.

La informacin para los planes de confiabilidad puede venir de fuentes como

Datos de mantenimiento de campo

P. REYES / DIC. 2006

P. REYES / DIC. 2006

Fase primaria 1 Objetivos de confiabilidad

Metas generales de confiabilidad del diseo

Especificaciones de desempeo del producto (subsistemas y

P. REYES / DIC. 2006

Sistema de reporte de fallas, anlisis y accin coreectiva (FRACAS)

FASE 3. DISEO Y DESARROLLO DEL PROCESO

Resultados del DFMEA

P. REYES / DIC. 2006

FASE 4. VALIDACIN DE PRODUCTO Y PROCESO

P. REYES / DIC. 2006

3. Verificar la eficacia de los planes de control de produccin

Corrida de la produccin piloto

P. REYES / DIC. 2006

2. Asegurar que el conocimiento ganado con el programa de confiabilidad sea

Formacin de bases de datos de garantas