Académique Documents
Professionnel Documents
Culture Documents
TEORA DE FIABILIDAD
Introduccin
La teora de la fiabilidad industrial estudia mtodos que deben seguirse tanto en el diseo
como en la recepcin, el transporte y el uso de los productos para garantizar al mximo su
rendimiento. Uno de los objetivos de la teora de la fiabilidad industrial es el abandono de la
subjetividad en las previsiones sobre la duracin de los productos a travs de la
cuantificacin de dichas previsiones. As expresiones como: "Esta construccin es ms
segura que aqulla", "Nuestro producto es ms resistente que el de la competencia", tienen
que sustituirse por formulaciones ms precisas, que necesitan del lenguaje estadstico.
Hay que pensar en la fiabilidad desde la primera fase del desarrollo de un producto. Antes
de tomar la decisin de fabricarlo en serie hay que someterlo a ensayos que sean
suficientemente representativos de sus condiciones de fabricacin como para permitir no
slo juzgar lo ensayado, sino tambin la fabricacin en serie. En la etapa de desarrollo de un
producto deben elaborarse una serie de reglas que se tendrn que observar a la hora de
fabricar los productos, en su recepcin y en su explotacin, con la finalidad de preservar la
fiabilidad.
NA
P(A)= .
N
El origen de la fiabilidad puede atribuirse a los estudios para poder evaluar la mortalidad
derivada de las epidemias y a los mtodos actuariales desarrollados por las compaas de
seguros, para determinar los riesgos de sus plizas. Como herramienta para el clculo del
riesgo se utilizaba las tablas de vida.
La primera tabla de vida data de 1693 y es debida a Edmund Halley1, astrnomo ingls
conocido por haber predicho la rbita del cometa que lleva su nombre.
En 1939 Walodie Weibull, cuando era profesor del Royal Institute of Technology en Suiza,
propuso una distribucin para describir la duracin de materiales, que ms tarde llevara su
nombre. La distribucin de Weibull es muy utilizada en las aplicaciones, ya que es muy
verstil, pues admite distintas formas de funciones de riesgo.
En 1951 Epstein y Sobel empezaron a trabajar con la distribucin exponencial como modelo
probabilstico para estudiar el tiempo de vida de dispositivos [ver Epstein y Sobel (1953)].
Este modelo de probabilidad, tan bueno como muchos otros, se basa en el concepto de
poblacin de tamao infinito o no acotado. La distribucin exponencial tiene la propiedad de
no tener memoria; es decir, en el clculo de la probabilidad de que falle un dispositivo no
influye el tiempo que hace que funciona.
1
Puede encontrarse una traduccin al espaol del artculo citado en James R. Newman (1968).
El clculo de la fiabilidad de los sistemas haba llegado a un nivel de complejidad tal que era
necesaria la formalizacin abstracta de dichos sistemas.
El anlisis mediante rboles de fallo, FTA (failure tree analysis), es un mtodo de anlisis de
la seguridad de un sistema. Lo desarroll por primera vez H.A. Watson en los laboratorios
Bell. Pero es en los aos 70 cuando el anlisis de la fiabilidad de un sistema mediante
rboles de fallo toma ms fuerza por problemas relacionados con la seguridad en las
centrales nucleares.
En los aos 80 el objetivo principal de los trabajos de fiabilidad est en las redes de
comunicaciones. Esto fue motivado por el proyecto Advanced Research Project Agency
Network (ARPAnet) del Departamento de Defensa americano, que se plante el objetivo de
la alta fiabilidad de las comunicaciones entre centros estratgicos, aunque los nodos
intermedios no fueran altamente fiables. El resultado de estos trabajos ha encontrado
aplicacin en los sistemas de web e Internet actuales.
En los aos 90, la investigacin de la fiabilidad toma nuevas direcciones con M.B. Mendel.
Los orgenes de su investigacin se basan en la hiptesis de que muchas de las
representaciones en el espacio muestral que se han considerado en la estadstica no
correspondan en ingeniera a los espacios eucldeos. Por ello, utiliza la geometra diferencial
como base para la aproximacin de los problemas de ingeniera estadstica. Esto puntos de
vista se pueden encontrar en recientes publicaciones sobre problemas de fiabilidad de la
ingeniera, entre ellos los de Shortle y Mendel (1994) y (1996).
Objetivos de la materia
La materia de fiabilidad que se imparte en este texto es una introduccin a las tcnicas
estadsticas para resolver cuestiones de fiabilidad industrial.
La fiabilidad industrial se diferencia de otras tcnicas estadsticas por utilizar los modelos
probabilsticos propios de las variables aleatorias que son tiempos de vida hasta el fallo,
como la distribucin exponencial y la Weibull. Otro rasgo diferencial es que en la prctica las
muestras aleatorias de que se dispone no son completas. Esto es debido a que en muchos
casos las pruebas de vida o ensayos de fiabilidad son destructivas, con lo cual son costosas
econmicamente y en tiempo. Por ello, en muchos casos, se finaliza el ensayo antes de
observar el fallo.
Se hace una introduccin a las pruebas de vida acelerada, que son una prctica comn en
la industria. Son aquellos ensayos que se realizan a un nivel de estrs superior al de las
condiciones ordinarias de funcionamiento, con el fin de provocar la aparicin de fallos en un
tiempo ms corto. Estas pruebas se realizan exponiendo los productos a condiciones ms
severas que las usuales. Generalmente implica aumentar la temperatura, el voltaje, la
presin, la vibracin, el tiempo operativo, etc.
Las pruebas de vida acelerada pueden usarse tanto para evaluar la capacidad de un
componente, a fin de satisfacer los requisitos de fiabilidad, como para tener un medio ms
rpido de detectar debilidades potenciales o modos de fallo.
El objetivo principal de esta materia es dar una introduccin a la fiabilidad industrial de forma
que el estudiante sea capaz de:
Establecer cul es el modelo probabilstico adecuado que ajusta mejor los datos de una
prueba de vida.
Estimar grficamente con una hoja de clculo los parmetros de los modelos
exponencial y Weibull para muestras con datos completos y datos censurados.
Calcular las caractersticas de fiabilidad: la fiabilidad, la vida media hasta el fallo, la tasa
de fallo, la funcin de riesgo, los percentiles y la mediana.
Calcular los intervalos de confianza de la vida media y la tasa de fallo del modelo
exponencial.
Calcular las constantes de los modelos de pruebas de vida con estrs constante: el de
Arrhenius y el de la potencia inversa de Weibull.
Este captulo trata el modelo de Weibull, que permite modelar tasas de fallo constante,
crecientes y decrecientes. Tambin se tratan otras distribuciones como la Gumbel, la
Normal y la lognormal. Se describen los grficos de probabilidad como herramienta para
validar el modelo de Weibull y estimar sus parmetros, tanto para muestras completas
como datos censurados. Se expone brevemente el mtodo de estimacin de la mxima
verosimilitud y se proponen estimadores para los parmetros basados en este mtodo.
Es una introduccin a las pruebas de vida acelerada, que son una prctica comn en
situaciones donde es difcil la aparicin de fallos. Se explican dos tipos de pruebas de
donde, a partir de los datos de dispositivos sometidos a una aceleracin, se puede
inferir la fiabilidad del dispositivo en condiciones normales de uso. Se exponen el
modelo de Arrhenius y el de la potencia inversa de Weibull, dos modelos tpicos de
pruebas de vida con estrs constante,
Autoevaluaciones de fiabilidad
1 CONCEPTOS FUNDAMENTALES
Hay muchas razones por las que la fiabilidad necesita ser cuantificada. Quiz el ms
importante es el econmico ya que la mejora de la fiabilidad cuesta dinero, y esto puede ser
justificado slo si se puede evaluar la no fiabilidad de un equipo. Para un componente
crtico, del cual su operacin funcional es esencial en un sistema, la fiabilidad puede ser
medida como la probabilidad de que el componente opere con xito, y la esperanza del
costo de un componente no fiable se mide como el producto de la probabilidad de fallo y el
costo del fallo. En una aplicacin rutinaria, donde los componentes que fallan pueden ser
reparados, la media del tiempo entre fallos (Mean Time Between Failures) es un parmetro
crtico. En ambos casos, la necesidad de una definicin probabilstica de fiabilidad es
evidente.
La vida de un producto es el perodo de tiempo durante el que puede ser utilizado, en las
condiciones establecidas.
Fallo (failure) es la prdida de alguna de las propiedades del dispositivo que reduce, total o
parcialmente, su funcionamiento.
Ejemplo 1.1
Un tipo de resistencia elctrica de 3.000 nominales presenta una deriva del parmetro
fundamental segn el siguiente esquema: el valor medio decrece a razn del 1% de su valor
inicial cada 1.000 horas; la desviacin estndar, inicialmente del 2%, es decir 60, aumenta
a razn del 0,5% de su valor inicial cada 1.000 horas. Un esquema de la pauta de la deriva
puede ser el de la figura 1.1.
Figura 1.1 Ejemplo de la deriva de los parmetros de la distribucin Normal con el tiempo
En ciertos casos la nocin de fallo no es transparente: por ejemplo, nos puede interesar
saber cundo una pieza de un motor deja de funcionar de manera adecuada; en este caso
debe precisarse muy bien cul es el fallo. Por ejemplo, si el fallo se detecta por el ruido del
motor, se tendr que definir cmo medirlo (en decibelios por ejemplo) y definir un lmite
superior de tolerancia (por ejemplo 60 dB). Cuando se supera el lmite de 60 dB, tenemos el
fallo.
Los fallos se pueden clasificar segn la causa que lo provoca: fallo por uso indebido (misuse
failure) cuando la causa es extrnseca al dispositivo, y fallo por debilidad inherente (inherent
weakness failure) cuando la causa es intrnseca.
En los dispositivos que no se reparan, nicamente tiene sentido considerar tiempos de vida
hasta el primer fallo, y la variabilidad de una unidad a otra da una distribucin, que es el
objeto de estudio de la fiabilidad.
Si los dispositivos son reparados tiene sentido considerar el tiempo entre fallos
consecutivos. La fiabilidad en este caso es ms complicada, a menos que la distribucin de
probabilidad de tiempo entre fallos sea independiente de la edad del dispositivo.
La fiabilidad es la probabilidad de que una variable aleatoria T: tiempo hasta el fallo supere
un cierto perodo de tiempo en funcionamiento y se denota por R(t):
R(t) = Pr(T > t), donde T: tiempo hasta el fallo es la variable aleatoria.
Ejemplo 1.2
24.609; 25.237; 30.391; 41.434; 42.212; 51.615; 60.000+; 60.000+; 60.000+; 60.000+;
60.000+; 60.000+.
donde se interpreta que este nuevo mecanismo tiene una fiabilidad observada del 0,58, es
decir un 58% de las impresoras superan los 50.000 ciclos.
El intervalo de confianza asocia una verosimilitud o nivel de certeza que puede atribuirse a
la estimacin del parmetro .
Un intervalo de confianza (1-) en el sentido clsico (no bayesiano) es tal que, si repetimos
el experimento una infinidad de veces (y cada vez recalculamos el intervalo) entonces un
porcentaje (1-)100 % de las veces, el intervalo cubrira el verdadero valor del parmetro
desconocido .
Ejemplo 1.3
55, 58, 86, 131, 335, 376, 517, 544, 920, 953, 1.072 y 1.260 horas hasta el fallo.
Slo se dispone del tiempo hasta el fallo de 12 de los 20 dispositivos; de los 8 restantes
sabemos que han superado las 1.260 horas de funcionamiento.
Si suponemos que la distribucin exponencial se ajusta bien a los datos podemos estimar la
vida media hasta el fallo como:
T
= MTTFOBSERVADO = = 1.365,58
12
T = 55+58+86+131+335+376+517+544+920+953+1.072+1.260+860 = 16.387
La fiabilidad observada a 600 horas es 12/20 = 0,60, donde 12 son los dispositivos que han
superado las 600 horas.
Clculo de la fiabilidad mnima de 600 horas con una confianza del 0,95
Primero se calcula el intervalo de confianza unilateral del 0,95 para , que es:
2T
900,01=
0,95:24
2
De donde se interpreta que, como mnimo, la fiabilidad a 600 horas es de 0,51 con una
confianza del 0,95, lo que indica que 51% de los dispositivos superarn las 600 horas y esta
afirmacin se hace con una confianza del 0,95.
La tasa de fallo (failure rate) es una caracterstica de la fiabilidad que se puede interpretar
como la velocidad a la que se producen los fallos, la fraccin de unidades de un producto
que fallan por unidad de tiempo.
Si la tasa de fallo es constante se designa por y si es funcin del tiempo t se designa por
h(t) y se llama funcin de riesgo (Hazard function).
Igual que las otras caractersticas de fiabilidad, la tasa de fallo para un tiempo dado puede
ser observada, extrapolada, etc.
R (t1)-R (t 2 )
h(t1, t2)=
(t 2 -t1)R (t1)
y es llamada tambin tasa de fallo autntico (true failure rate). La fiabilidad R(t) representa la
proporcin de unidades que no han fallado en el instante t.
El cociente (R(t1) - R(t2)) / R(t1) representa la fraccin de unidades que, no habiendo fallado
en el instante t1, fallan en el intervalo (t1, t2).
Si hacemos el lmite de h(t1, t2) cuando t2 tiende a t1 se obtiene la funcin de riesgo o tasa
de fallo instantneo en un instante t, que es una derivada:
-R (t)
h(t)=
R (t)
Ejemplo 1.4
La siguiente tabla de mortalidad debida a Halley (1693) es un ejemplo clsico, que fue
discutido por Todhunter en 1949, que puede servir de ilustracin para discutir las frmulas
de la fiabilidad y de la tasa de fallo definidas. La tabla muestra las edades de defuncin de
las personas de la poca, que vienen agrupadas en intervalos de 5 aos.
Las pruebas de vida son experimentos cuya finalidad es determinar el valor de una
caracterstica de fiabilidad (determination tests) o bien asegurar que una caracterstica de
fiabilidad es superior o inferior a un lmite especificado (compliance test).
La aproximacin de las pruebas de vida es estadstica, puesto que a priori no puede saberse
cundo se va a producir el fallo. Es decir, la aparicin del fallo tiene un carcter aleatorio.
El conjunto de reglas que rigen el desarrollo de las pruebas se designa por plan de las
pruebas y ste ha de estar bien definido antes de empezar a experimentar. Debe fijarse el
nmero de unidades que se prueban, y la duracin, que vendr restringida por la
disponibilidad econmica y de tiempo. La duracin puede fijarse en tiempo o en nmero de
unidades que s esta dispuesto a observar que fallen. En ambos casos puede pasar que la
prueba termine y haya unidades donde no se ha observado el fallo.
Los ejemplos 1.2 y 1.3 ilustran situaciones tpicas de pruebas de vida: en el ejemplo 1.2 se
fija la duracin de la prueba en 60.000 ciclos y en el ejemplo 1.3 se fija la cantidad de
unidades que se est dispuesto a esperar que fallen, en particular 12.
Es importante establecer si las unidades que fallan sern reemplazadas o no, a medida que
vayan fallando (sistemas reparables o no reparables) y cundo se d por terminada la
prueba.
Otro aspecto distintivo del anlisis estadstico de los datos de fiabilidad es el papel central
que juegan la funcin de fiabilidad y la funcin de riesgo (Hazard Function) y la natural
aparicin de datos censurados.
El proceso de Poisson modeliza los tiempos entre sucesos aleatorios. Supongamos que se
observan una serie de sucesos aleatorios; concretando, supongamos que los sucesos son
fallos de unidades, de forma que las observaciones son tiempos entre fallos, por ejemplo en
sistemas reparables. Las hiptesis naturales, las cuales pueden o no satisfacerse en algn
ejemplo particular, son:
Los tiempos entre fallos sucesivos son variables aleatorias independientes, cada una de
las cuales sigue una distribucin exponencial con parmetro , as que:
Adems, el proceso de Poisson es un buen modelo para aquellos sistemas con muchos
componentes que pueden fallar, pero que la probabilidad de fallo de cada uno de los
componentes es pequea. Este fenmeno es conocido con el nombre de sucesos raros.
En las aplicaciones la hiptesis 2 puede ser crtica, ya que muchos sistemas pueden mejorar
o deteriorarse con el tiempo. En este caso se necesitan modelos ms generales como los
procesos de Poisson no homogneos (Nonhomogeneous Poisson Process) donde la tasa
de fallo no es constante. Este tipo de modelos es particularmente importante en el anlisis
de sistemas reparables. Para ampliar el tema consultar el captulo 8 del libro de Crowder y
otros (1995).
Aqu utilizaremos tiempo en el sentido ms general. Puede ser tiempo real o tiempo
operacional o incluso cualquier variable no negativa, tal como resistencia a la rotura o
nmero de revoluciones hasta el fallo o nmero de ciclos hasta el fallo. Entonces
F(t) = Pr(T t)
es la funcin de distribucin de T y
dF (t ) dR(t )
f(t) = =-
dt d(t )
as que la probabilidad de que una unidad falle en un intervalo de tiempo pequeo (t, t+t] es
f(t )t
Pr(t < T t+t| T>t)
R (t )
f (t ) -R (t )
h(t) = =
R (t ) R (t )
t
H(t)= h(u )du
0
R(t) = exp{-H(t)}
f(t) = e-t
Si h(t) es una funcin creciente de t, entonces se dice que T tiene una tasa de fallo
creciente. Esto es apropiado cuando las unidades estn sujetas al envejecimiento
debido al desgaste, la fatiga o la acumulacin de daos. Esta es la etapa de la vida de
un dispositivo llamada perodo de fallo por desgaste (wear-out failure periode).
Si h(t) es una funcin decreciente de t, ent nces se dice que T tiene una tasa de fall
n decreciente.
Si h(t) es unaEstfuncin
puede currir, p de
decreciente r ejempl , cuand
t, entonces el prque
se dice ces de fabricacin
T tiene una tasa deprfalloduce
una pr p rcin
decreciente. apreciable
Esto de unidades
puede ocurrir, c n baja
por ejemplo, cuandocalidad que pueden
el proceso pr v car
de fabricacin un fall
produce
prec z. Pasad apreciable
una proporcin un ciert tiemp , quedan
de unidades conlas
bajaunidades
calidad de
quecalidad
puedensuperi r, l uncual
provocar falloda
una tasaPasado
precoz. de fallun cierto
inferi tiempo,
r. Esta quedan
es unalassituacin
unidadescdemn en superior,
calidad algun s lo disp
cualsitiv
da s
electrnic s. En tales cas s se s mete a veces al disp sitiv a una prueba de
una tasa de fallo inferior. Esta es una situacin comn en algunos dispositivos
resistencia
electrnicos.c Enn estrs ms se
tales casos grande
somete dela cveces
rrespalndiente a las
dispositivo a unac ndici
prueba nesdede
resistencia con estrs ms grande del correspondiente a las
funci namient para eliminar las unidades subestndares. Estas pruebas s n tpicas condiciones deen
lafuncionamiento para eliminar
industria electrnica, las unidades
y se llaman pruebassubestndares. Estases
de burn-in. Esta pruebas
la etapasondetpicas
la vidaende
la industria electrnica, y se llaman pruebas de burn-in. Esta
un disp sitiv llamada perodo de fallo precoz (early failure periode). es la etapa de la vida de
un dispositivo llamada perodo de fallo precoz (early failure periode).
Otra c sa que se debe resaltar es la funcin de riesg en f rma curva de baera (bath-
n Otra cosa que se debe resaltar es la funcin de riesgo en forma curva de baera (bath-
tub hazard), que tiene un riesg inicial decreciente per eventualmente pasa a un riesg
tub hazard), que tiene un riesgo inicial decreciente pero eventualmente pasa a un riesgo
creciente. Un escenari en el cual se puede bservar este c mp rtamient es c m
creciente. Un escenario en el cual se puede observar este comportamiento es como
sigue. L s disp sitiv s c n baja calidad tienden a tener una fallada prec z, dejand
sigue. Los dispositivos con baja calidad tienden a tener una fallada precoz, dejando
pas
paso aa l los
s dede alta
alta calidad.
calidad. Est
Estoss tienden
tienden aa hacer
hacer bajar
bajary yaacontinuacin
c ntinuacinaplanar
aplanarla la
funcin de riesg en la etapa de su vida para la cual ha sid diseada. Despus
funcin de riesgo en la etapa de su vida para la cual ha sido diseada. Despus de este de este
per d , debid
perodo, debido aa la
la fatiga,
fatiga, empieza
empieza aa crecer,
crecer,yycausa
causauna
unafuncin
funcindederiesgo
riesgcreciente.
creciente.
Tasa
Tasa de
de fallo
fallo
FFALLO
ALLO DD ESGASTE
ESGASTE
PRECOZ
PRECOZ
T
TASA
ASACONSTANTE
CONSTANTE Tiempo
Tiempo
Figura 1.2
Figura 1.2 Etapas
Etapas de
de lalavida
vidade
deun
undispositivo
disp sitiv
Observaciones: en
Observaciones: en muchas
muchas situaci
situaciones
nes de
de inters
inters aplicado
aplicad lalamayora
may radedelaslasunidades
unidades
defectu sas s n separadas (quiz c m resultad del c ntr l de calidad)antes
defectuosas son separadas (quiz como resultado del control de calidad) antesdede empezar
empezar
el perodo de observacin con lo cual es difcil encontrar funciones de riesgo decreciente. La
el per d de bservacin c n l cual es difcil enc ntrar funci nes de riesg decreciente. La
fiabilidad de algunos componentes electrnicos, puede ser tan alta que el equipo del que
fiabilidad de algun s c mp nentes electrnic s, puede ser tan alta que el equip del que
formaran parte quedar obsoleto antes de llegar a la fase de desgaste, por lo cual en este
f tipo
rmaran parte quedar bs let antes de llegar a la fase de desgaste, p r l cual en este
de productos no interesa la etapa del perodo de envejecimiento.
tip de pr duct s n interesa la etapa del per d de envejecimient .
En algunos productos el perodo de fallo precoz no forma parte de su vida comercial, ya que
Ensealgun
organizas prla duct s el per
produccin d deque
de forma fall elprec
fallo z n f rma
precoz se dparte dede
dentro sulavida c mercial,
fbrica. Por estoyase
que
sesomete
rganiza la pr duccin
a veces de f rma
al dispositivo que prueba
a una el fall prec z se d dentr
de resistencia de la fbrica.
con estrs P r estdelse
ms grande
s correspondiente
mete a veces a al las
dispcondiciones
sitiv a una prueba de resistencia c n estrs
de funcionamiento. Estas pruebas son tpicas ms grande
en ladel
c industria
rresp ndiente a las c ndici nes de funci namient . Estas pruebas
electrnica, y se llaman pruebas de burn-in. Y es por esto, que en muchos s n tpicas en la
industria electrnica, y se llaman pruebas de burn-in. Y es
productos solamente interesa la etapa perodo de fallo con tasa constante. p r est , que en much s
pr duct s s lamente interesa la etapa per d de fall c n tasa c nstante.
Es difcil encontrar modelos probabilsticos para modelar funciones de riesgo con curva de
Es difcil Pueden
baera. enc ntrar m del s pr
encontrarse babilstic
estudios donde s para m este
se trata delarproblema
funci nes ende riesg
Gaver c n(1979).
y Acar curva de
baera. Pueden enc ntrarse estudi s d nde se trata este pr blema en Gaver y Acar (1979).
Ejemplo 1. 5
0,25
0,2
0,15
0,1
0,05
0
5
10
15 5
20 0
25 5
30 0
35 5
40 0
45 5
50 0
55 5
60 0
65 5
70 0
75 5
80 0
5
0-
-1
-2
-2
-3
-3
-4
-4
-5
-5
-6
-6
-7
-7
-8
-8
5-
10
AOS
Para finalizar este captulo, y a manera de sntesis podemos decir que la fiabilidad en la
industria se puede enfocar desde un punto de vista cuantitativo o cualitativo.
Desde el punto de vista cualitativo las herramientas que se utilizan en la industria son el
Anlisis de modo de fallo y sus efectos (AMFE) y los anlisis por rboles de fallos FTA
(failure tree analysis). Este ltimo se desarrollara en el captulo 5.
Fue desarrollado por la NASA en el proyecto Apolo a mediados de los aos 70. Despus de
las aplicaciones en los viajes areos y espaciales as como en las centrales nucleares se
utiliz de inmediato en la industria de la automocin; actualmente es una herramienta de uso
habitual en la industria.
Es una tcnica de carcter preventivo que debe llevarse a cabo en las fases de diseo y
desarrollo de productos y servicios a lo largo del proceso de fabricacin para que se puedan
detectar y prevenir los posible modos de fallo potenciales.
En el manual Potential Failure Mode and Effects Analysis de la QS 9000, normativa del
sector de la automocin Ford, Opel y General Motors, pueden encontrase las ideas
fundamentales de esta tcnica y la manera de aplicarlas.
-t
R(t) = Pr(T > t) = exp(-t) = exp , t > 0
Utilizando las frmulas del apartado 1.4 se deduce que h(t), la funcin de riesgo (hazard
function) de la distribucin exponencial es constante:
-R (t )
h(t) = =
R (t )
1 t
f(t) = exp(-t) = exp - , t >0
Para cualquier valor de la forma de la funcin de densidad es siempre la misma. As, por
ejemplo, si el tiempo en minutos, T, de cierto dispositivo es exponencial con tasa de fallo ,
el tiempo en horas es T*=T/60, y T* se distribuye exponencial con tasa de fallo 60. La
figura 2.2 muestra dos funciones de densidad exponencial.
E(T) = tf (t )dt = = 1/
0
y la varianza
Var(T) = (t - )2 f (t )dt = 2 = (1/)2
0
F ia b ilid a d
1
0 ,8 =5
0 ,6
R(t)
0 ,4 =10
0 ,2
0
0 0 ,2 0 ,4 0 ,6 0 ,8 1 1 ,2
T
D e n s id a d
10
8 =10
6
f(t)
=5
4
2
0
0 0 ,1 0 ,2 0 ,3 0 ,4 0 ,5 0 ,6 0 ,7 0 ,8
T
La duracin en km del cambio de un motor Diesel de un automvil sigue una ley exponencial
de vida media = 300.000 km. La tasa de fallo es = 1/300.000 = 310-6 fallos/km o 3 fallos
por 1 milln de km de funcionamiento.
La direccin de una fabrica quiere decidir si es necesario redisear los equipos actuales
para poder mantener la garanta, que es actualmente de 20.000 km de funcionamiento.
20.000
Pr(T 20.000) = F(20.000) = 1-R(20.000) = 1-exp - = 0,0645
300.000
La direccin de la empresa quiere saber en qu valor tiene que fijar la garanta para que
fallen nicamente un 5% de los cambios de los motores.
Para esto se plantea cul ha de ser el valor k de la variable aleatoria T para que
F(t) = 1-R(k) = 0,05, es decir R(k) = Pr(T > k) = 0,95, de donde se deduce:
k
R(k) = exp - = 0,95 k = -ln(0,95)x300.000 = 15.388 km
300.000
Conclusin: Si la direccin desea que slo fallen un 5% de los cambios del motor durante el
perodo de garanta debera fijarla en 15.388 Km. de funcionamiento. En caso de querer
mantener los 20.000 Km. debera redisear los cambios. Es importante remarcar que esto
se ha hecho suponiendo que el modelo exponencial es adecuado para modelar los km de
funcionamiento hasta el fallo de los cambios de los motores.
Ocurre comnmente que el valor exacto del tiempo de vida de una unidad no es observado
pero se sabe que excede de un cierto tiempo c. Tales tipos de observaciones reciben el
nombre de censuradas por la derecha. Una observacin de este tipo aparece cuando la
unidad an no ha fallado cuando termina el tiempo previsto de la prueba de vida.
Sea T = "tiempo de vida de una unidad", una variable aleatoria que se distribuye exp().
Sea T1, T2, ... , Tn una muestra aleatoria de T. Se define el tiempo total de test T, como la
suma de los tiempos de funcionamiento de las unidades de la muestra (hayan fallado o no).
T
MTTF = =
r
^ indica la estimacin del parmetro , la vida media hasta el fallo. T es el tiempo total en
test y r es el nmero de fallos observados. Cuando la muestra es completa r coincide con n,
tamao de la muestra.
r
=
T
2.4 Pruebas con datos completos. Intervalos de confianza 1- para la vida media
y la tasa de fallo
2T 2T
(2.1)
2
(1-/2);2n 2
(/2);2n
2T
(2.2)
(1-2 );2n
donde T es el tiempo total en test de una muestra de tamao n y 2; es el (1-)-percentil de
la distribucin 2 con grados de libertad, en este caso = 2n.
2;2n (2.4)
2T
Ejemplo 2.2
La siguiente tabla presenta los datos obtenidos en una prueba de vida en que se midieron
los tiempos de perforacin (time to breakdown) en minutos, de un fluido aislante entre
electrodos sometido a un voltaje de 34 kV. El experimento dur hasta que todos los
componentes (n = 19) fallaron.
T
La media del tiempo de vida en minutos es = = 272,8191/19 = 14,3589 minutos.
n
El intervalo de confianza 0,95, aplicando la frmula (2.1), de la media del tiempo de vida es
9,59 23,85
0,025;38
2
= 22,8785 0,975;38
2
= 56,8955
lo que indica que la vida media de un fluido sometido a un voltaje de 34kV se encuentra
entre 9,59 y 23,85 minutos con una confianza del 0,95.
La tasa de fallo se estima como = 1/ = 0,0696, de donde se deduce que la tasa de fallo
es de 0,0696 fallos por minuto.
Aplicando la frmula (2.3) se calcula el intervalo de confianza 0,95 para la tasa de fallo:
0,0419 0,1043
lo que indica que la tasa de fallo de un fluido sometido a un voltaje de 34kV se encuentra
entre 0,042 y 0,10 fallos por minuto.
-t
R(t) = exp , t0
14,36
de donde podemos decir que la fiabilidad evaluada a 15 minutos sera 0,35, es decir, que el
35% de los componentes sometidos a un voltaje constante de 34kV superaran los 15
minutos.
Es decir, que con una confianza del 0,975 podemos asegurar que el 21% de los
componentes superaran los 15 minutos.
Nota: Obsrvese que para el clculo del intervalo de confianza unilateral 0,975 para R(15)
utilizamos el lmite inferior del intervalo de confianza 0,95 de la estimacin de la media del
tiempo de vida.
r
T= t +(n-r )t
i=1
i 0 , donde ti t0
2T 2T
(2.6)
2
1-(/2);2r +2 2
(/2);2r
la muestra.
Ejemplo 2.3
Se realiza una prueba de vida con n = 12 componentes durante una semana, es decir
fijando el tiempo de duracin en t0 = 168 horas, con substitucin, observndose r = 3 fallos.
Se quiere evaluar la fiabilidad al cabo de 168 horas y la vida media en horas de
funcionamiento. El tiempo total en test T es de 168 x 12 = 2.016 horas.
2x2016
2 =259,96 horas
0,95;8
donde 0,95;
2
8 = 15,51 se encuentra en las tablas estadsticas del Anexo. Lo que indica que
estos dispositivos tienen una duracin media mnima de 259,96 horas, y esta afirmacin se
hace con una confianza del 0,95.
Obsrvese que sta es una estimacin puntual sin ningn grado de confianza. Se podra
precisar ms dando una aproximacin por intervalo de confianza. Utilizando el lmite de
confianza inferior de la estimacin de la vida media se obtiene con un 95% de confianza:
Es decir, la probabilidad de que una pieza funcione al cabo de 168 horas es superior al
52,4% con una confianza del 95%.
Si durante este perodo de 168 horas los n=12 componentes no hubiesen fallado, es decir,
no se hubiese observado ningn fallo, podramos asegurar, con una confianza del 95%, que
la vida media de estos dispositivos es superior a:
2x2.016 4.092
= =673,12
0,95;2
2
5,99
En los estudios de fiabilidad en la industria pueden plantearse pruebas de vida donde, fijado
un tiempo de duracin t0, slo se pueda obtener el nmero de fallos y no se registre el
tiempo de fallo de cada unidad. En este caso puede calcularse la fiabilidad en el momento t0
como:
n- r
R(t0)= (fiabilidad observada)
n
1 F1
R (t0 ) (2.7)
1+ (r +1)/(n -r ) F2 F1+(r /n - r +1))
donde F1 = F (1- 2 ;2n -2r +2;2r ) y F2 = F (1- 2 ;2r +2;2n -2r ) son los (1-/2) percentiles de la distribucin F
con 2n-2r+2 y 2r grados de libertad y 2r+2 y 2n-2r respectivamente. Los percentiles del 0,90
y 0,95 de la distribucin F se encuentran en las tablas estadsticas del Anexo.
De la misma manera que en la frmula 2.6, puede obtenerse el intervalo unilateral inferior
sustituyendo /2 por en el lmite inferior de la frmula (2.7). El comentario se ilustra en el
ejemplo 2.4.
-t 0 -t 0
= = (2.8)
lnR (t 0 ) n-r
ln
n
Ejemplo 2.4
La fiabilidad observada de este producto al cabo de una semana R(168) = 15/20 = 0,75
horas, lo que indica que un 0,75% de los dispositivos superan la semana. Esta aproximacin
es sin grado de confianza.
Si podemos suponer que los tiempos de vida (no registrados) se distribuyen exponencial, a
partir de la frmula (2.8) una estimacin puntual de la vida media es:
-168
= = 583,9 horas
15
ln
20
El intervalo unilateral inferior con una confianza del 95%, utilizando el lmite de confianza
inferior obtenido para la fiabilidad en la frmula 2.8, es:
-168
= 272,6
ln(0,54)
Concluimos que la validez del modelo exponencial permite asegurar que la vida media es
superior a 272,6 horas, con una confianza del 95%.
2.6 Pruebas de vida con nmero de fallos prefijados (Censuramiento tipo II)
Sea r el nmero de fallos prefijado; entonces la muestra ordenada de los tiempos ser
t(1), t(2), ... ,t(r), t(r+1), ... ,t(n) y el tiempo total de test
Nota: Una muestra ordenada es cuando t(1) t(2) ... t(r) < t(r+1) ... t(n), donde el subndice
entre parntesis sirve para distinguirla de una muestra aleatoria simple.
= MTTF = T /r
2T 2T
2
(1- /2);2 r 2
( /2);2 r
Ejemplo 2.5
Se quiere evaluar la vida media de los dispositivos y la fiabilidad al cabo de 200 horas de
funcionamiento.
T = t(1) + t(2) + ... + t(r) + (n-r)t(r) = 175,2 + 185,5 + 215,2 + 315,7 + 8x315,7 = 3.417,2 horas.
La estimacin de la vida media es
= MTTF = T/r = 854,3 horas.
El intervalo de confianza bilateral 0,90 es
2x3.417,2 2x3.417,2
440,64= =2.503,44
2
0,95;8
2
0,05;8
donde 0,95;8
2
= 15,51 y 0,05;8
2
= 2,73.
lo que indica que un 79% de los dispositivos superan las 200 horas.
Para calcular el intervalo unilateral de la fiabilidad a las 200 horas se sustituye el lmite
inferior de la estimacin por el intervalo de la vida media del dispositivo en la expresin de la
fiabilidad. Se obtiene
R(200) exp(-200/440,64) = 0,45
Por lo tanto, la fiabilidad estimada al cabo de 200 horas ser superior al 0,45, con una
confianza del 95%.
Este captulo trata el modelo de Weibull, que permite modelar tasas de fallo no constante,
crecientes y decrecientes. Tambin se tratan otras distribuciones como la Gumbel, la Normal
y la lognormal. Se describen los grficos de probabilidad como herramienta para validar el
modelo de Weibull y estimar sus parmetros. Se expone brevemente el mtodo de
estimacin de la mxima verosimilitud y se proponen estimadores para los parmetros
basados en este mtodo.
t
R(t) = Pr(T > t) = exp , t 0 (3.1)
h(t) = -t-1
Si > 1 la funcin de riesgo es creciente. Esto indica que los fallos son debidos al
envejecimiento, a la fatiga o al desgaste. En particular si 1 < < 2, la funcin de riesgo crece
rpidamente al principio y muy poco al final; para = 2 la funcin de riesgo crece
linealmente con el tiempo; para > 2 crece poco al principio y rpido posteriormente, es
decir, el intervalo de tiempo en el cual se produce un fallo es cada vez menor. Es
recomendable que los dispositivos con tasa de fallo creciente tengan un plan de
mantenimiento preventivo.
tp = [-ln(1-p)]1/
=8
0,8
0,6
0,4
= 3,5
=2
0,2
=1
0
0 0,5 1 1,5 2 2,5 3 3,5
6
=2,5
=2
4
=0,5
2 =1
0
0 0,5 1 1,5 2
-1 t
f(t) = t exp - , t > 0
La media viene dada por
y la varianza por
donde la funcin es
0 u
x -1 -u
(x) = e du
Cuando es grande (mayor que 5), la media y la varianza se pueden aproximar por y
1,642/2 respectivamente.
La forma de la densidad depende del valor de . En la figura 3.3 se muestran una seleccin
de funciones de densidad.
3,5
3
= 8
2,5
2
1,5
= 1 = 3,5
1
=2
0,5
0
-0,5 0 0,5 1 1,5 2 2,5 3
Ejemplo 3.1
Sea T el tiempo de vida del tambor de una lavadora, que se distribuye segn un modelo de
Weibull con parmetros =10 aos y =2.
El parmetro =10 aos indica que un 36,8% de las bobinas duran ms de 10 aos, puesto
que a es percentil del 0,632 de la distribucin del tiempo de vida.
El parmetro =2 indica que tiene una funcin de riesgo linealmente creciente con el tiempo
(figura 3.2). Esto indica que los fallos son debidos al envejecimiento.
Para todos los parmetros tiene la misma forma. La figura 3.4 muestra la funcin de
densidad y la funcin de riesgo de una distribucin de Gumbel con = 0 y = 1, donde
puede observarse que la funcin de riesgo es creciente.
0,4
0,3
0,2
0,1
0
-4 -3 -2 -1 0 1 2
1,5
0,5
0
-4 -3 -2 -1 0 1
Algunas veces se utiliza la distribucin Normal como distribucin del tiempo de vida, aunque
da valores negativos con probabilidad positiva. Ms frecuente es el uso como modelo para
logT, logaritmo del tiempo de vida, que es equivalente a considerar la distribucin lognormal
para los tiempos de vida.
1,5
0,5
0
-3,5 -2,5 -1,5 -0,5 0,5 1,5 2,5 3,5
25
20
15
10
5
0
-1 -5 0 1 2 3 4
Figura 3.5 Funciones de densidad y de riesgo de la distribucin Normal para = 1; 0,5 y 0,25 y = 0.
1
(t - )
f(t) = (t - ) exp - , t >
Actualmente los programarios estadsticos tienen incorporadas rutinas para dibujar grficos
probabilsticos. El Minitab en particular, en su apartado de fiabilidad, dibuja los grficos
Tambin es posible evaluar mediante grficos la adecuacin del modelo de Weibull para
muestras completas, mediante simples clculos y grficos utilizando una hoja de clculo.
Los ejercicios prcticos de este apartado se plantean utilizando la hoja de clculo del Excel.
Para ilustrar la base terica del grfico probabilstico de Weibull consideremos la funcin de
fiabilidad de Weibull:
ln(1-F(t)) = -(t/)
ln(-ln(1-F(t)) = ln(t)-ln()
que es equivalente a
ln(ln(1/(1-F(t))) = ln(t)-ln()
o lo que es equivalente:
Se dibuja en el eje de abscisas ln(t(i)), es decir, el logaritmo de los datos, donde t(i) es la
muestra ordenada; y en el eje de ordenadas lnln[1/(1-Fn(i)], donde Fn(i) es la funcin de
distribucin emprica, y se ajusta una recta.
En funcin de lo bien que se ajusten los datos a la recta se decide si la relacin es lineal, y
en caso afirmativo se concluye que el modelo de Weibull es adecuado.
Puede utilizarse la recta mnimo cuadrtica para estimar grficamente los parmetros de la
Weibull. La pendiente es el parmetro de forma , y puede estimarse teniendo en cuenta
que es el percentil del 63% (ejemplo 3.2).
Los estimadores grficos de los parmetros de una distribucin no son los ptimos, en el
sentido que los de mxima verosimilitud tienen propiedades mejores (se explicarn en el
siguiente apartado), pero tienen algunas ventajas como el ser rpidos y fciles de calcular.
Ayudan a presentar los datos de forma comprensible visualmente, cosa que es muy til a la
hora de sacar conclusiones, y facilitan su comprensin. Las hojas de clculo, como por
ejemplo el Excel, son una buena herramienta de clculo, de fcil manejo, para hacer un
grfico probabilstico.
i -0,5 (*)
Fn(i) = , i=1,,n
n
4. Dibujar los puntos: para el fallo de rango i se sita en ln (t(i)) en las abcisas, y en el eje
de ordenadas lnln(1/(1-Fn(i))).
5. Determinar visualmente una recta de manera que las desviaciones entre los datos y la
recta sean lo menores posible y decidir si el ajuste es suficiente. Puede utilizarse la recta
mnima cuadrtica.
En el apartado de prcticas del captulo 3 se desarrolla un ejemplo con las pautas que se
deben seguir para construir el grfico probabilstico con una hoja de clculo Excel.
(*)
La frmula dada para el clculo de la funcin de distribucin emprica no es nica. Interesados en profundizar
el tema consultar pg. 118 de Nelson (1982). El programa Minitab da distintas opciones como: la normal escore
(i-3/8)/n-1/4, la de Kaplan-Meier modificado (i-0,5)/n, la de Herd-Honson i/(n+1) y i/n, que se llama de Kaplan-
Meir.
Ejemplo 3. 2
Se dibuja lnln[1/ (1-Fn(t)] versus ln(t). En este caso se ha realizado con una hoja de clculo
del Excel, agregndose a los datos la lnea de tendencia, lo que indica que:
= 1,203 = exp(0,0334/1,203)=1,32
Los grficos de riesgo son la alternativa a los grficos de probabilidad cuando los datos
estn censurados.
A continuacin damos la justificacin terica y las pautas para realizar el grfico de riesgo
con una hoja de clculo.
t
H(t) = h(u )du
0
t
H(t) =
1. Ordenar los n datos de menor a mayor, teniendo en cuenta tanto los tiempos de fallo
observados como los datos censurados, marcando stos con el signo +.
3. Calcular el valor de riesgo emprico, nicamente para los tiempos de fallo observados:
hn = 1/rango decreciente
i
4. Calcular el riesgo acumulado Hn(i )= hn (k ) para cada fallo.
k =1
5. Para cada tiempo de fallo observado dibujar ln(ti) en el eje de abcisas y ln(Hn(i)) en el eje
de ordenadas. Los datos censurados no aparecen en el grfico.
Ejemplo 3.3
Se dibuja lnHn(i) versus ln(t). En este caso se ha realizado con una hoja de clculo del Excel,
y se ha agregado a los datos la lnea de tendencia, lo que indica que
lnH(t) = 2,3278ln(t)25,59
0,000
-0,50010,00 10,20 10,40 10,60 10,80 11,00
-1,000
-1,500
-2,000
-2,500 y = 2,3278x - 25,59
2
-3,000 R = 0,8759
= 2,3278 = 59.451,18
Si algunas de las observaciones estn censuradas por la derecha, podemos partir los
nmeros de la observaciones 1,2,...,n en dos conjuntos disjuntos: uno llamado N,
correspondiente a las observaciones no censuradas, y otro llamado C, correspondiente a las
observaciones censuradas por la derecha. Entonces la funcin de verosimilitud se expresa
como
L() = f (t ; )R(t ; )
i N
i
i U
i
Los estimadores mximo verosmil 1, 2 ..., m de 1,2,...,m son aquellos valores que
maximizan la funcin de verosimilitud, o lo que es equivalente, el logaritmo de la funcin de
verosimilitud.
l
=0 , j = 1,2, ... ,m
j
El ejemplo 3.3 ilustra cmo se calculan los estimadores mximo verosmil en el caso de la
distribucin normal. Muchas veces la solucin de estas ecuaciones no es explcita y se
requiere de mtodos numricos tales como el algoritmo de Newton. La problemtica al
entorno de estas soluciones se escapa del objetivo de estos apuntes. Si se quiere ampliar el
tema se puede consultar el captulo 3 de Crowder y otros.
Basndose en la teora general del mtodo de mxima verosimilitud, una vez estimados los
parmetros y de la Weibull y las varianzas de y , pueden estimarse las
caractersticas de fiabilidad y los intervalos de confianza.
~N(;Var( )) ~N(;Var( ))
- z /2 Var( ) + z /2 Var( )
(3.7)
- z /2 Var( ) + z /2 Var( )
donde z/2 es el valor de la distribucin N(0;1) que deja en la cola una probabilidad /2 y el
tamao de la muestra n tiene que ser grande.
2
1,1087 0,6079
Var( ) Var( ) 2
n n
R (t 0 )=exp -(t 0 / )
y la estimacin del percentil p:
tp = [-ln(1-p)]
1/
Los estimadores obtenidos de la fiabilidad y del percentil son tambin mximo verosmiles
gracias a la propiedad de invariancia funcional de los estimadores MV.
Conceptos avanzados
n
lnL (x i -) (x i -)=0
= =0
i =1
2
n
ln L = - n + 1
(x -) =0 2 (x i -)2
2 22 2 4
i 2 = i=1
n
En este captulo se hace una introduccin de las pruebas de vida acelerada y se explican
dos modelos tpicos de pruebas de vida con estrs constante, el de Arrhenius y el de la
potencia inversa de Weibull.
Las pruebas de vida acelerada son aquellas que se realizan a un nivel de estrs superior al
de las condiciones ordinarias de funcionamiento, con el fin de provocar la aparicin de fallos
en un tiempo ms corto. Estas pruebas se realizan exponiendo los productos a condiciones
ms severas que las usuales. Generalmente implica aumentar la temperatura, el voltaje, la
presin, la vibracin, el tiempo operativo, etc.
Las pruebas de vida acelerada pueden usarse tanto para evaluar la capacidad de un
componente para satisfacer los requisitos de fiabilidad como para tener un medio ms
rpido de detectar debilidades potenciales o modos de fallo.
Por ejemplo es habitual en la industria hacer estudios del nmero de ciclos hasta el fallo de
aparatos como lavadoras, tostadoras, etc., de forma seguida, que condensan el
envejecimiento correspondiente de 6 meses a 10 aos. En estos casos no es necesario un
aparato matemtico especial para determinar la relacin de tiempo de vida, puesto que se
extrapola en funcin del tiempo operativo de los mismos.
Son bien conocidas, por ejemplo, las tasas de fallo en funcin de las tensiones aplicadas y
las temperaturas de funcionamiento de condensadores y resistencias, y las relaciones
pueden usarse para evaluar unidades de un nuevo lote, tipo o fabricante. Una relacin
frecuentemente usada es que la tasa de fallo se duplica aproximadamente por cada subida
de 10C. Puesto que estos componentes suelen ser muy fiables, se usan temperaturas
elevadas en combinacin con sobretensiones, a fin de determinar tasas de fallo en un
tiempo razonable.
Los ensayos acelerados de nuevos productos es una prctica comn y se usa para detectar
modos de fallo potenciales.
Las pruebas de vida acelerada con fines de valoracin se restringen a las piezas y los
componentes, de los cuales se conocen las relaciones entre las tasas de fallo en
condiciones normales y de estrs. Un requisito importante es que las condiciones de estrs
no puedan introducir nuevos modos de fallo.
Cuando las relaciones estn bien definidas, las pruebas de vida aceleradas pueden dar
estimaciones de las caractersticas de fiabilidad a una fraccin del coste de las pruebas
ordinarias, y son ventajosas.
La relacin entre pruebas aceleradas y normales puede ser relativa a una tasa de fallo, a
una tasa de degradacin o cambio de una caracterstica, o al tiempo del desgaste. Siempre
que se conozca la relacin, los datos en condiciones aceleradas pueden reducirse a datos
en condiciones normales, generalmente multiplicados por algunas constantes apropiadas.
De todas formas, para ciertos componentes se conocen las constantes a partir de estudios
documentados. El manual MIL-HBK-217 es la fuente ms consultada en la industria
electrnica.
Hay otra aplicacin en que se usan las pruebas de vida aceleradas, las pruebas conocidas
como burn-in, de purga, que causan el efecto de eliminar las unidades potencialmente
infiables sin afectar a las unidades buenas. Un ejemplo de esta prueba es el ensayo de
aceleracin a 20.000 g , donde g es la aceleracin de la gravedad 9,81m/s2, que se aplica a
los semiconductores (hay algn fabricante que ha aumentado incluso este nivel de g en un
50%, hasta 30.000 g en algunas unidades, sin observar efectos medibles sobre la actuacin
o longevidad de las unidades que pasan la prueba). Tal ensayo sirve para eliminar las
unidades que tienen una debilidad mecnica en potencia y una fiabilidad inferior. El ensayo
puede tambin hacer que fallen ciertas unidades cuya fiabilidad hubiera sido satisfactoria,
pero, imponindolo a todas las unidades, la fiabilidad general resultante del lote despus del
ensayo es considerablemente superior a la que hubiera sido de no haberse realizado el
ensayo. Es importante verificar que las unidades que superan la prueba no se hayan
degradado.
En este apartado se desarrollan dos tipos de pruebas de donde, a partir de los datos de
dispositivos sometidos a una aceleracin, se puede inferir la fiabilidad del dispositivo en
condiciones normales de uso. Son modelos tpicos de pruebas de vida con estrs constante,
el de Arrhenius y el de la potencia inversa. La relacin entre el estrs y el tiempo de vida
hasta el fallo consiste en una funcin de potencia o exponencial. Esta relacin puede
transformarse en una relacin lineal entre el estrs (o una funcin de ste) y el logaritmo del
tiempo.
Una relacin entre el estrs y la vida. Esta relacin se tiene que materializar, con el fin
de que sea operativa, en una ecuacin matemtica que relacione el estrs con un
parmetro de posicin de la distribucin del tiempo de fallo.
() = AeB / (4.1)
= ln() = 0 + 1/
donde es un parmetro en funcin del estrs (en este caso es funcin del parmetro de
posicin , la vida media, de la distribucin del tiempo de vida). Las constantes 0 y 1 se
determinan por regresin lineal a partir de los datos de pruebas de vida aceleradas. En el
caso de que el modelo sea vlido slo puede extrapolarse en el intervalo de temperatura en
el cual no quede modificado el mecanismo de fallo.
Este modelo es muy utilizado en el sector electrnico, donde se dispone de tasas de fallo de
diferentes componentes. En general se trabaja con la distribucin exponencial y el modelo
de Arrhenius, puesto que permiten obtener tasas de fallo mediante pruebas de vida
acelerada en un tiempo compatible con los ajustados ciclos del desarrollo de nuevos
productos.
A = 0,9259108 B = 6.373
Contando 8.760 horas por ao, resulta una vida media de 287,24 aos.
La fiabilidad al ao es:
T = K V -N
= 0+1ln(V)
donde las constantes 0 = ln(k) y 1 = -N, se determinan a partir de las pruebas de vida
aceleradas mediante la regresin lineal.
(V) = K V -N
donde (V) es el parmetro de escala de una distribucin de Weibull y vara con el voltaje V,
mientras que es independiente del voltaje:
De aqu se deduce que el logaritmo del parmetro escala de las distribuciones Weibull a
distintos voltajes es lineal respecto del logaritmo de los voltajes. Para ilustrar este hecho se
utiliza el ejemplo 4.2, debido a Nelson.
El siguiente grfico probabilstico justifica la distribucin de Weibull para los datos de cada
voltaje.
La relacin lineal entre ln() y ln(V) se calcula con una hoja de clculo Excel:
y = -17,579x + 64,263
8
R2 = 0,9916
Log(alpha)
4
2
0
3,2000 3,3000 3,4000 3,5000 3,6000 3,7000
Log(V)
con un coeficiente de determinacin de R2 = 0,9916, lo que indica una relacin lineal alta.
Un sistema es, en este contexto, un dispositivo formado por partes cuya fiabilidad es
conocida. Estas partes se llaman componentes.
1 si el componente funciona
Xi =
0 si el componente no funciona
1 si el sistema funciona
=
0 si el sistema no funciona
La funcin de estructura es = ( X) , donde X = (x1, ... ,xn) es el vector de los estados de los
componentes.
Ejemplos
n
(X) = x
i
i=1
A B C
Es aquel para el cual se produce un fallo cuando todos los componentes fallan.
n
(X) = 1- (1- xi )
i=1
Es un sistema ms general que enlaza los sistemas serie y los sistemas paralelos. En este
caso el sistema est operativo si por lo menos K componentes de entre n componentes
estn operativos. K = n corresponde a un sistema en serie y K = 1 corresponde a un
sistema en paralelo.
1 si xi K
( X ) = (5.1)
0 si xi < K
El sistema 2 entre 3 de la figura 5.2 est operativo si por lo menos dos componentes de una
de las tres cadenas estn operativos. En este caso la expresin (5.1) debera contener la
restriccin que los componentes fueran de la misma cadena.
Este sistema se puede representarse grficamente (figura 5.4), donde 1, 2 y 3 son las tres
terminales, 4 el computador, 5 la impresora local y 6 la otra unidad. Y en este caso
A partir de este ejemplo sencillo puede apreciar el potencial que uno puede tener para
sistemas ms complicados. Por ejemplo, un sistema computacional de una compaa o una
universidad puede representarse mediante diagramas de este tipo donde los sistemas,
mucho ms grandes y complejos, pueden requerir millares de componentes y una estructura
de redes complicadas. Tambin las centrales nucleares han sido modeladas por redes de
este tipo.
1
2 4
Un sistema representado por una funcin de estructura es coherente si cumple les dos
propiedades siguientes:
El i-simo componente es irrelevante si, para todos los estados de los otros componentes
x1,...,xi-1,xi+1,...,xn el estado del sistema es el mismo, independientemente de que xi sea 0 1:
( x1, ... ,xi-1,1,xi+1, ... ,xn) = ( x1, ... ,xi-1,0,xi+1, ... ,xn)
f:fuente
t:terminal f:fuente
t:terminal
( x1,...,xi-1,0,xi+1,...,xn) ( x1,...,xi-1,1,xi+1,...,xn)
n
R(t) = ( x ){R (t ) i
xi
}
(1- Ri (t ))1- xi
x i =1
Regla del producto: un sistema en serie, con los componentes independientes, funciona s y
slo s todos los componentes funcionan:
Hablamos de sistema en serie con tasa de fallo constante cuando todos los componentes
tienen tasa de fallo constante, es decir, cuando el tiempo de vida de los componentes se
distribuye exponencial de parmetro i, Ri(t) = e-t y por la regla del producto:
R(t)= e- 1t e- 2t ...e- nt
Un sistema en serie con los componentes con tasa de fallo constante tiene la tasa de fallo
constante e igual a la suma de las tasas de fallo.
Nota: Puede servir para calcular la tasa de fallo de un producto que tiene diferentes tipos de
fallo independientes y con tasa de fallo constante.
La vida media de un sistema en serie con los componentes con tasa de fallo constante se
calcula a partir de las vidas medias i = 1/i de sus componentes:
1
=
1 1 1
+ +...+
1 2 n
1
=
n1 n2 n
+ +... + k
1 2 n
La tasa de fallo de un sistema en serie, formado por n componentes idnticas con tasa de
fallo c, es:
= nc
Si los componentes no son idnticos, a veces es til considerar la tasa de fallo equivalente,
que sera la que tendran los componentes de un sistema con la misma fiabilidad si fuesen
idnticos. Es igual a la media aritmtica de las tasas de fallo reales de los componentes:
1 + 2 ... + n
c =
n
Si todos los componentes son idnticos, con fiabilidad Rc(t), entonces la fiabilidad es
R(t) = 1-(1-Rc(t))n
La fiabilidad de un sistema en paralelo, donde todos los componentes tienen tasa de fallo
constante, es
Concluimos que un sistema en paralelo, donde todos los componentes tengan tasa de fallo
constante, no tiene tasa de fallo constante.
R(t) = 1- (1- e- ct )n
1 1 1 1
y la vida media puede obtenerse como = 1+ 2 + 3 +...+ n .
c
1
Para n grande se puede utilizar la aproximacin (logn + ) , donde es la constante de
c
Euler : = 0,577.
5.4 Redundancia
En ambos ejemplos, el componente redundante (la rueda o el sextante) se usa slo cuando
falla el sistema primario. Este uso se llama redundancia secuencial.
Otros sistemas redundantes se hacen funcionar simultneamente, de modo que todos los
sistemas utilizables (no fallados) realicen la funcin durante todo el tiempo. Este tipo se
llama redundancia en paralelo activo. El uso de cuatro motores en un avin es un ejemplo
de redundancia en paralelo activo.
El tipo de redundancia viene impuesto ante todo por consideraciones de actuacin del
sistema. La redundancia secuencial proporciona tericamente ms fiabilidad que la
redundancia en paralelo activo si las funciones de deteccin de fallos y conmutacin son
extremadamente fiables. En caso contrario se prefiere la redundancia en paralelo activo
desde el punto de vista de la fiabilidad. Ambos tipos dan una fiabilidad del sistema mucho
mejor que el sistema no redundante. Los clculos de la fiabilidad de sistemas redundantes
pueden resultar muy complicados. En esta apartado se presentan, a ttulo de ejemplo,
algunos clculos de fiabilidad de sistemas con componentes redundantes.
Ejemplo 5.5
Supongamos que cierto componente tiene, para una cierta misin, una fiabilidad del 0,75. Si
sustituimos este componente por dos componentes idnticos en paralelo, obtenemos una
fiabilidad del 93,75%:
R = 1-(1-0,75)2 = 0,9395
R = 1-(1-0,75)4 = 0,9961
Para un sistema en paralelo con n componentes standby, con interruptor 100% fiable, con
todos los componentes con la misma tasa de fallo , constante, la fiabilidad puede
calcularse a travs de la frmula:
que es la expresin para un sistema con n unidades iguales y con n-1 unidades de reserva.
Ejemplo 5.6
En el ejemplo 5.5 se considera un sistema en paralelo donde los componentes tienen una
fiabilidad Rc = 0,75 = exp(-t). Esto equivale a t =0,2876.
Supongamos ahora que se trata de un sistema standby con interruptor 100%, con dos
componentes, uno funcionado y el otro en standby:
R = 0,75(1+0,2867) = 0,965
R = 0,75(1+0,2867+0,041) = 0,996
En el ejemplo 5.6 puede apreciarse, comparado con el ejemplo 5.5, que la redundancia
secuencial con interruptor 100% fiable requiere de menos componentes para alcanzar la
misma fiabilidad que la redundancia en paralelo activa.
En este caso, dado un sistema formado por dos componentes con tasa de fallo constante en
redundancia standby, si la activacin del componente es manual, mediante un interruptor
100% fiable, y Psw es la probabilidad de deteccin, entonces la fiabilidad es
Observaciones:
R(t) = e- t 1+ (1-e- st )
s
Ejemplo 5.7
Supongamos un sistema formado por dos componentes en standby, con tasa de fallo
constante 0,75. La activacin es manual, con un interruptor 100% fiable y una probabilidad
de deteccin del 90%.
R = 0,75(1+0,9x0,2876) = 0,944
Los sistemas combinados de la figura 5.5 estn formados por subsistemas en serie del
mismo componente. El primero es un sistema en serie formado por tres unidades de este
componente, y los otros tres son sistemas combinados formados a partir de 6 unidades del
componente.
a) Serie
b) Paralelo-serie
c) Mixto-paralelo
d) Serie-paralelo
a) Ra = 0,950,950,95 = 0,857375
b) Rb = 1-(1-0,950,950,95)2 = 0,9796
c) Rc = (1-(1-0,950,95)2)(1-(1-0,95)2) = 0,9880
Muchas veces un rbol de fallos (o rbol lgico) es el mejor dispositivo para deducir cul es
el mayor evento que puede producir un fallo en el sistema.
El anlisis mediante rboles de fallo, abreviadamente FTA (failure tree analysis), es una
tcnica que utiliza grficos, denominados rboles de fallo, que representan con operadores
booleanos ("Y" y "O") las combinaciones de estados lgicos susceptibles de conducir un
sistema a una situacin no deseada.
El crculo define un fallo inherente bsico de un elemento del sistema cuando opera sin las
especificaciones diseadas. Nos referimos a este suceso como suceso bsico primario. El
rombo representa aquel fallo, distinto del fallo primario, que no interesa desarrollar ms (lo
denominamos suceso bsico secundario). Los sucesos bsicos, pus, son primarios
(crculo) o secundarios (rombo). El suceso interruptor representa un suceso que, por diseo,
se espera que ocurra siempre (on) o que no ocurra nunca (off).
Suceso de fallo Suceso bsico primario Suceso bsico secundario Suceso interruptor
Los rboles de fallo utilizan puertas O (OR gates) y puertas Y (AND gates). La puerta O es
una conexin lgica entre un suceso combinado y diversos sucesos elementales, lo que
significa que el suceso combinado tiene lugar cuando se da al menos alguno de los sucesos
elementales. La puerta Y es una conexin lgica entre un suceso combinado y diversos
sucesos elementales, lo que significa que el suceso combinado tiene lugar cuando se dan
simultneamente todos los sucesos elementales.
+ .
Puerta O Puerta Y
Ejemplo 5.9
La fiabilidad del sistema de la figura 5.8 se calcula a partir de los fallos primarios cuyos
sucesos 1, 2, 3, 4, 5, 6 y 7 son independientes. Supongamos que las probabilidades de
estos fallos son, respectivamente
PF = PAP1PB
PB se calcula por la regla del producto a partir de la probabilidad del complementario, ya que
se trata de una puerta O:
PF = 0,023040,20,41656 = 0,0019195
A 1
B
. +
2 3 4 5 6 7