Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Conabilidad y Supervivencia
Modelo Weibull
Contenidos
1 Conabilidad
Conceptos Básicos
Conabilidad
Es la probabilidad de que un componente o sistema desempeñe de manera satis-
factoria la función para la que fue creado, durante un periodo establecido y bajo
condiciones de operación especícos.
Falla
Es cuando un producto, componente o sistema deja de funcionar o no realiza de
manera satisfactoria la función para la que fue creado.
Tiempo de falla
Es el tiempo que transcurre hasta que el producto deja de funcionar. Por lo tanto,
es el tiempo de vida del producto.
Tipos de Censura
Datos Censurados
Cuando no se conocen los tiempos de falla de las unidades de manera exacta, sino só-
lo intervalos donde las fallas ocurrieron o hubieran ocurrido. Es información parcial
sobre los tiempos de falla.
Tipos de Censura
Censura múltiple
Cuando en el mismo estudio de conabilidad se tienen unidades con diferentes tiem-
pos de censura.
Tipos de Censura
Funciones en conabilidad
Función de densidad
La función f (t) es función de densidad (continua) si cumple que:
Z
f (t) ≥ 0 y f (t) dt = 1, t∈R
R
Zt
F (t) = P (T ≤ t) = f (x) dx
0
Funciones en conabilidad
Función de conabilidad
Es la probabilidad de sobrevivir al tiempo t.
Z∞
C(t) = P (T ≥ t) = f (x) dx = 1 − F (t)
t
Función de Riego
Tasa de falla instantánea o tasa de riesgo, h(t). Es la propensión a fallar al tiempo
t, es decir, dado que se sobrevive hasta el tiempo t, es la probabilidad de fallar justo
en el siguiente instante.
f (t) f (t)
h(t) = =
C(t) 1 − F (t)
Funciones en conabilidad
Zt
H(t) = h(x) dx
0
Note que, en este caso, la vida media es el inverso de la tasa de riesgo. Es importante
comentar que la vida media no es muy útil cuando la distribución de los tiempos
de vida es sumamente asimétrica. Por ello, es más recomendable calcular la vida
mediana denida como el cuantil 50.
Función cuantil
Es el tiempo al cual se espera falle una fracción o proporción p de las unidades.
tp = F (t)−1
Ejemplo
Suponga que 20 componentes son sometidos a una prueba de vi-
da, y que las horas transcurridas hasta la falla fueron las siguien-
tes: 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 a la falla siguen la distribu-
ción exponencial, interesa estimar las funciones de densidad, de
distribución acumulada, de conabilidad y de riesgo.
Denición
Considere la función de densidad
λk xk−1 e−λx
f (x | k, λ) = , x>0 (1)
Γ(k)
Observación
1 Γ(1) = Γ(2) = 1. 3 Con k > 0, Γ(k + 1) = kΓ(k).
√
1
2 Γ = π . (Use t = u2 ). 4 Dado n ∈ N, Γ(n + 1) = n!
2
Observaciones
Si Γ(k = 1, λ), entonces Γ(k = 1, λ) = Exp(λ)
n 1 n 1
Si Γ(k = , λ = ), entonces Γ(k = , λ = ) = χ2(n) (familia chi cuadrado
2 2 2 2
con n grados de libertad)
λ
Si X ∼ Γ(k, λ), si y solo si aX ∼ Γ(k, )
a
k k
E(X) = V ar(X) =
λ λ2
Denición
Una variable aleatoria X se dice tener una distribución exponencial con pará-
metro λ con λ > 0. Si
−λx
λe , x≥0
f (x) =
0, x<0
Teorema
Sea X una variable aleatoria y tiene una distribución Poisson, entonces:
1 1
E(X) = V ar(X) =
λ λ2
Observación
La distribución exponencial, al igual que la geométrica, tiene la propiedad de ser
desmemoria, esto es; si X es una v.a. exponencial de parámetro λ, y a, b > 0,
entonces:
Distribución Exponencial
Aplicaciones
Es importante considerar que una de las características distintivas de la distribución
exponencial es que su función de riesgo es constante. Esto signica que los productos
cuyo tiempo de falla siguen una distribución exponencial, no envejecen o no se
fatigan. Pero esto no signica que no fallen, más bien, implica que su tasa de
riesgo o propensión a fallar se mantiene constante en el tiempo. Esta propiedad se
conoce como falta de memoria, en el sentido de que los productos cuya vida es
exponencial no registran en su tasa de riesgo el tiempo transcurrido: sin importar
que el producto tenga mucho tiempo funcionando, su riesgo de fallar es el mismo que
cuando estaba nuevo. Si bien la propiedad de falta de memoria parece irreal, en la
práctica existen productos cuya vida se puede modelar bien con esta distribución.
Por ejemplo, se ha utilizado para describir la vida de componentes electrónicos
de alta calidad que generalmente fallan por causas ajenas o extrínsecas al propio
producto, y estas fallas ocurren de manera aleatoria en el tiempo. Sin embargo,
la distribución exponencial no es útil para modelar la vida de productos sujetos a
desgaste o fatiga de algún tipo, por ejemplo, piezas metálicas como balatas, baleros,
bisagras, etc., ya que en estos productos la tasa de riesgo se incrementa con el
tiempo.
Distribución Weibull
La tecnología actual nos permite diseñar muchos sistemas complicados cuya opera-
ción, o quizá seguridad, depende de la conabilidad de los diversos componentes
que conforman los sistemas. Por ejemplo, un fusible puede quemarse, una columna
de acero puede torcerse o un dispositivo sensor de calor puede fallar. Componentes
idénticos sujetos a idénticas condiciones ambientales fallarán en momentos diferentes
e impredecibles. Ya examinamos el papel que las distribuciones Gamma y exponen-
cial juegan en estos tipos de problemas. Otra distribución que se ha utilizado con
amplitud en años recientes para tratar con tales problemas es la distribución de
Weibull, que presentó el físico sueco Waloddi Weibull en 1939.
Denición
La variable aleatoria continua X , tiene distribución Weibull de parámetros de forma
α > 0 y escala β > 0 si su función de densidad es:
α−1 α
α x − x
f (x | α, β) = e β , x>0
β β
Weibull
Teorema
1
Si X ∼ W eibull(α, β), entonces Y = X α ∼ Γ(1, λ) o Y = X α ∼ Exp =λ
β
Teorema
Sea X una variable aleatoria y tiene una distribución Weibull, entonces:
1
E(X) = βΓ 1 +
α
( 2 )
2 1
V ar(X) = β2 Γ 1+ − Γ 1+
α α
Teorema
Sea X una variable aleatoria y tiene una distribución Weibull, entonces:
x )α
−( β
FX (x) = 1 − e ; x>0
Funciones de Conabilidad
x )α
−( β 1
C(t) = e tp = F (t)−1 = β(− ln(1 − p)) α
Weibull(α, β, γ)
En ocasiones, las fallas no comienzan a observarse desde el tiempo cero, sino hasta
después de un periodo, γ . Es hasta después de dicho tiempo que la ocurrencia de
fallas tiene probabilidad mayor que cero. Este desfase en la aparición de las fallas se
introduce a la función de densidad Weibull mediante el parámetro γ de localización,
cuyo efecto es que recorre hacia la derecha el inicio de la distribución. Con esto, las
funciones del modelo Weibull (α, β, γ) toman la siguiente forma:
α−1 α
α x−γ − x−γ
f (x | α, β) = e β , x>0
β β
Funciones de Conabilidad
−( t−γ )α 1
F (t) = 1 − e β E(T ) = γ + βΓ 1 +
−( t−γ )α
α
C(t) = e β
α t − γ α−1
1
h(t) = tp = γ + β(− ln(1 − p)) α
β β
Distribución Lognormal
Distribución Lognormal
Esta distribución, junto con la Weibull, es uno de los modelos más usados para
tiempos de falla. El modelo lognormal se emplea para modelar los tiempos de fa-
lla de procesos de degradacion, por ejemplo, de fatiga de metales y de aislantes
eléctricos. Sus funciones se denen en términos de la densidad normal estándar φ
y de la distribución acumulada normal estándar Φ, de acuerdo con las siguientes
expresiones:
2
1 −1
ln(t)−µ 1 ln(t) − µ
f (t) = √ e 2 σ = φ
t · σ 2π t·σ σ
Distribución Lognormal
Funciones de Conabilidad
F (t) = Φ
ln(t)−µ
distribución acumulada normal
σ estándar.
ln(t)−µ
C(t) = 1 −Φ σ
No existe una expresión cerrada
σ2 para la función de riesgo, y se
E(t) = exp µ +
2 obtiene con su denición.
tp = exp µ + σΦ−1 (p) , donde
Φ−1 es la función inversa de la
Estimación
Ejemplo
En el caso de la distribución Weibull se aprecia que las parejas a capturar están
dadas por (log(t(i)), log[−log(1 − p(i))] donde p(i) = (i − 0, 5)/n. Al ajustar la recta
su pendiente, b, estimara a α, mientras que con la ordenada al origen, a, de esta
recta, se obtiene la estimación de β , con exp(−a/b).
Maxima Verosimilitud
Método para estimar los parámetros de un modelo que provee los estimadores que
maximizan la probabilidad de observar los datos bajo tal modelo.
Conabilidad de Sistemas
Sistema en Serie
Suponga un sistema en serie con k componentes, cuyas conabilidades son
C1 , C2 , . . . , Ck , respectivamente. Bajo el supuesto de que trabajan de manera in-
dependiente, la conabilidad del sistema es igual a la probabilidad de que todos
funcionen, por lo tanto está dada por: Cs = C1 × C2 × . . . × Ck
Ejemplo
Por ejemplo, un producto electrónico tiene 40 componentes en serie. La conabilidad
de cada componente es igual a 0.999. Entonces, la conabilidad de la unidad está
dada por Cs = (0,999)40 = 0,961
Conabilidad de Sistemas
Sistema en Paralelo
Suponga un sistema en serie con k componentes, cuyas conabilidades son
C1 , C2 , . . . , Ck , respectivamente. Basta con que uno de ellos funcione para que el
sistema funcione. O bien, se requiere que todos fallen para que el sistema falle. De
aquí que restar a 1 la probabilidad de que todos fallen es igual a la conabilidad del
sistema, que es:
Conabilidad de Sistemas
Sistema Mixto
Muchos sistemas están compuestos por subsistemas en serie y en paralelo que están
conectados de cierta manera. En algunos de estos casos es complicado obtener la
conabilidad del sistema. De hecho, un problema que surge es determinar la con-
guración de los componentes que maximizan la conabilidad del sistema. En la
gura se muestra un sistema con siete componentes, algunos en serie y otros en
paralelo.
Conabilidad de Sistemas
Ejemplo
suponga que la conabilidad de los componentes del sistema represen tado en la
gura son CA = 0,96, CB = 0,92, CC = 0,94, CD = 0,89, CE = 0,95, CF = 0,88 y
CG = 0,90. Calcule la conabilidad del sistema