Clase: CONTROL DE LA CALIDAD.

Grupo: MI10C
Docente: ELIXON CANALES LARA
Tema: Resumen bibliográfica sobre confiablidad.
Estudiante: José Antonio Alemán
 Resumen.
La confiabilidad se refiere a la capacidad de un sistema, componente o proceso para
realizar una función requerida bajo condiciones específicas y durante un período de
tiempo determinado. En otras palabras, es la medida de la probabilidad de que un
sistema funcione correctamente sin fallas durante un cierto período de tiempo bajo
condiciones específicas de operación.
La confiabilidad es un concepto fundamental en diversos campos, como la ingeniería, la
manufactura, la informática, la medicina, entre otros. Implica asegurar que los sistemas
y procesos puedan cumplir con sus funciones previstas de manera consistente y sin
interrupciones no planificadas.
Para evaluar la confiabilidad de un sistema o proceso, se utilizan diversos métodos y
técnicas, como el análisis de datos históricos, pruebas de laboratorio, modelado
matemático y simulaciones. La confiabilidad se mide comúnmente utilizando indicadores
como el tiempo medio entre fallas (MTBF, por sus siglas en inglés) o la tasa de fallos.
La confiabilidad no solo se refiere a la capacidad de un sistema para funcionar sin fallos
durante un período de tiempo específico, sino también a su capacidad para mantener
un rendimiento consistente y predecible a lo largo de su vida útil. Esto implica no solo
evitar fallos catastróficos, sino también minimizar los fallos intermitentes o
degradaciones en el rendimiento que puedan afectar la operación del sistema.
Además, la confiabilidad no es un atributo estático; puede ser influenciada por una
variedad de factores, como el diseño del sistema, la calidad de los materiales y
componentes utilizados, las condiciones de operación, el mantenimiento adecuado y las
acciones de gestión de riesgos. Por lo tanto, la confiabilidad es un objetivo continuo que
requiere atención y gestión constantes a lo largo del ciclo de vida del sistema o proceso.
En muchos casos, la confiabilidad se considera junto con otros atributos de rendimiento,
como la disponibilidad, la seguridad y la mantenibilidad, para evaluar de manera integral
la calidad y el desempeño de un sistema o proceso. Esto permite a los diseñadores,
ingenieros y administradores tomar decisiones informadas sobre cómo mejorar y
mantener la confiabilidad de manera efectiva en diferentes contextos y aplicaciones.
Funciones en confiabilidad
En esta sección se describen las funciones que se utilizan en confiabilidad. Primero se
define cada función en general y después se ilustra utilizando una de las distribuciones
de tiempo de vida más simple, que es el modelo exponencial.
Función de densidad
La función 𝑓(𝑡) es función de densidad (continua) si cumple que:
∞

𝑓 (𝑡) ≥ 0 𝑦 ∫ 𝑓(𝑡) 𝑑𝑡 = 1 ; −∞ < 𝑡 < ∞

−∞
es decir, es una función no negativa cuya integral, sobre todo su rango posible, es igual
a 1 (véase capítulo 3), con lo que el área total bajo la curva es igual a 1. Lo anterior
significa que el área bajo la curva entre dos valores es la probabilidad de observar fallas
en ese intervalo. En la figura 13.2a se muestra una función de densidad típica para datos
de vida. Por ejemplo, para la distribución exponencial, la función de densidad está dada
por:

𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 ; 𝑡 ≥ 0

y su representación gráfica se muestra en la figura 13.4a. El parámetro de esta

distribución es λ, que es necesario estimar a partir de los datos de vida. Con ello es
posible contestar cualquier pregunta acerca de la confiabilidad del producto objeto de
estudio. Las siguientes funciones, definidas a partir de la función de densidad, son útiles
para contestar algunas de las preguntas de interés. Es importante aclarar que, de
manera alternativa, la distribución exponencial se puede escribir con el parámetro
recíproco en la forma,

1 −𝑡
𝑓 (𝑡) = 𝑒 𝜃
𝜃
1
donde se cumple que 𝜆 = 𝜃.

Función de distribución acumulada

Con esta función, denotada con 𝐹(𝑡) , se obtiene la probabilidad de que un producto
falle antes del tiempo t, con lo que 𝐹(𝑡) = 𝑃(𝑇 ≤ 𝑡). De esta manera, si nos limitamos
a funciones de densidad de probabilidades definidas en el intervalo de cero a infinito,
entonces 𝐹(𝑡) se obtiene integrando la función de densidad 𝑓 (𝑡) de la siguiente manera:
𝑡

𝐹 (𝑡) = 𝑃(𝑇 ≤ 𝑡) = ∫ 𝑓 (𝑥 )𝑑𝑥

0
Esta función siempre es creciente (véase figura 13.2b). Por ejemplo, en el caso
exponencial:
𝑡

𝐹 (𝑡) = ∫ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = −𝑒 −𝜆𝑥 |𝑡0 = 1 − 𝑒 −𝜆𝑡 ; 𝑡 ≥ 0

0
Función de confiabilidad
Con esta función, denotada con 𝐶(𝑡) y también conocida como función de supervivencia,
se obtiene la probabilidad de que el producto no haya fallado (sobreviva) en el tiempo t
(figura 13.2c). Con lo que 𝐶(𝑡) = 𝑃(𝑇 > 𝑡) = 1 – 𝐹(𝑡). Por ejemplo, para la distribución
exponencial se tiene que:
 ∞

𝐶 (𝑡) ∫ 𝑓 (𝑥 ) 𝑑𝑥 = 1 − 𝐹 (𝑡) = 1 − (1 − 𝑒 −𝜆𝑡 ) = 𝑒 −𝜆𝑡

𝑡

Función de riesgo
Con esta función, denotada con ℎ(𝑡) , se obtiene la propensión a fallar que tiene un
producto al tiempo 𝑡. Por ello 𝑎 ℎ(𝑡) también se le conoce como tasa de falla instantánea
o tasa de riesgo. En términos matemáticos ℎ(𝑡) se define como:

𝑓(𝑡) 𝑓 (𝑡)
ℎ(𝑡) = =
𝐶 (𝑡) 1 − 𝐹 (𝑡)

y se puede probar (véase Meeker y Escobar, 1999) que es el resultado del siguiente
límite:

𝑙𝑖𝑚 𝑃(𝑡 < 𝑇 < 𝑡 + ∆𝑇 > 𝑡)

ℎ(𝑡) = ∆→0
∆

De aquí se deduce que ℎ(𝑡)𝛥 es aproximadamente igual a la probabilidad condicional

de que, dado que el producto no ha fallado al tiempo 𝑡, sí falle en el siguiente instante,
es decir, en el intervalo pequeño [𝑡, 𝑡 + 𝛥]. Por eso se dice que ℎ(𝑡) da la propensión a
fallar que un producto tiene en el tiempo t. Por ejemplo, en el caso exponencial la función
de riesgo está dada por:

𝑓(𝑡) 𝜆𝑒 −𝜆𝑡
ℎ(𝑡) = = −𝜆𝑡 = 𝜆
𝐶 (𝑡) 𝑒
lo cual indica que el riesgo de falla es constante. Esto significa que, si el tiempo de falla
de un producto tiene una distribución exponencial, la propensión a fallar de éste es la
misma independientemente del tiempo transcurrido. Más adelante veremos que la
función de riesgo para otras distribuciones puede ser creciente o decreciente en lugar
de constante. Lo que se explica a continuación ayuda a entender mejor el significado de
ℎ(𝑡).
Ciclo de vida de un producto
En muchos productos se distinguen tres periodos diferentes en cuanto a su tasa o
función de riesgo (véase figura 13.3): la mortalidad infantil o fallas tempranas que
ocurren al inicio de la vida del producto (riesgo decreciente); la vida útil o fallas aleatorias
que marcan el periodo donde el producto cumple con bajo riesgo (constante) la función
para la que fue diseñado; y el envejecimiento o fallas por desgaste, que se distingue por
el incremento en la propensión a fallar del producto (riesgo creciente). La función de
riesgo de la figura 13.3, debido a su forma, se conoce como curva de bañera. Por
ejemplo, la vida humana tiene este comportamiento: es mayor el riesgo de morir en los
primeros cinco o seis años de vida, y al pasar esta edad, dicho riesgo se mantiene
constante aproximadamente hasta los 45 años, a partir de los cuales el riesgo comienza
a incrementarse, pero ahora debido al envejecimiento. Por supuesto que durante la vida
útil también ocurren muertes (fallas), el riesgo de que éstas ocurran es menor. Los dos
puntos de inflexión (figura 13.3) que separan las tres etapas de la vida son de interés en
el estudio de la confiabilidad del producto: el primero tiene relación directa con la
determinación del tiempo de quemado o burn-in,1 y el segundo se relaciona con el
tiempo al cual la unidad debe sustituirse por una nueva, o bien, cuando se le debe dar
un mantenimiento mayor para alargar su vida útil.
La mayoría de los estudios de confiabilidad se enfocan en estudiar uno de los
lados de la tina de baño, ya sean las fallas tempranas o aquellas por envejecimiento. El
fin último es mejorar la confiabilidad del producto.
Función de riesgo acumulado
Esta función acumula el riesgo de falla que ha tenido un producto hasta el tiempo t, y se
obtiene con:
𝑡

H (t) ∫ h(x)dx
0
La utilidad de 𝐻(𝑡) resulta que la función de confiabilidad se puede obtener como:

𝐶 (𝑡) = 𝑒 −𝐻(𝑡)
De aquí es posible deducir que el riesgo acumulado siempre tiende a infinito cuando el
tiempo tiende a infinito, lo cual indica que a la larga todos los productos fallan, aunque
la tasa de riesgo sea decreciente.
Vida media o tiempo medio a la falla
La vida media es el valor esperado o media de la variable T (véase capítulo 3), es decir,
∞

𝐸 (𝑇) = ∫ 𝑡𝑓 (𝑡)𝑑𝑡
0
Por ejemplo, la vida media para un modelo exponencial está dada por:
∞
−𝜆𝑡 ∞ 1
E(T) = ∫ 𝜆𝑒 dt = −t𝑒−𝜆𝑡 |0 =
0
𝜆
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
definida como el cuantil 50.
Función cuantil
En el capítulo 2 se definieron de manera general los cuantiles y percentiles, que son
medidas de localización que se emplean para describir un conjunto de datos. Estas
medidas de localización son de particular utilidad en confiabilidad. En este contexto el
cuantil p es el tiempo 𝑡𝑝 al cual falla una proporción p de las unidades. Éste se puede
definir en términos de la función de distribución acumulada como:

𝑡𝑝 = F −1 (p)
donde F −1 es la función inversa de 𝐹(𝑡). Por ejemplo, en el caso exponencial 𝐹(𝑡) =
1 – 𝑒 −𝜆𝑡 y la función inversa resulta de despejar t en esta ecuación, de modo que la
función cuantil está dada por:

1 1
𝑡𝑝 = F −1 ( p) = − 1n(1 − F (t)) = 1n(1 p)
𝜆 𝜆
La función cuantil es útil en confiabilidad porque contesta de manera directa la pregunta
acerca del tiempo al cual falla una fracción deseada de las unidades. Por lo general
interesa estimar el tiempo al cual falla un porcentaje bajo de las unidades (1, 5, 10, 15%).
En la figura 13.4 se presentan las funciones de densidad 𝑓(𝑡), de distribución acumulada
𝐹(𝑡), de confiabilidad 𝐶(𝑡)y de riesgo ℎ(𝑡) para una distribución exponencial con
parámetro λ = 1/133.43. Si usa la otra parametrización del modelo exponencial,
1
entonces 𝜃 = 133.43 = , es valor que corresponde a la vida media. Cada una de las
𝜆
funciones mencionadas caracteriza la distribución de probabilidades a la que pertenece,
lo cual hace posible que, dada una de ellas, sea posible deducir todas las demás.

Modelos (distribuciones) para el tiempo de falla

Existe una gran variedad de distribuciones de probabilidad (véase capítulo 3), algunas
son de particular utilidad como modelos de tiempo de falla; por ejemplo, las
distribuciones exponenciales, Weibull, valor extremo, normal y log normal. En seguida
se dan las expresiones para f(t), F(t), C(t), h(t), vida media y la función cuantil para cada
una de estas distribuciones. Para cada modelo se menciona la teoría que motiva su
posible aplicación a un producto dado, pero en la práctica, además de lo anterior, es
importante verificar que un modelo se ajuste a los datos observados

Distribución exponencial

En la sección anterior se vio 𝑓 (𝑡), 𝐹(𝑡), 𝐶(𝑡), ℎ(𝑡), vida media y la función cuantil para
este modelo. Asimismo, es importante considerar que una de las características
distintivas de la distribución exponencial es que su función de riesgo es constante. Esto
significa que los productos cuyo tiempo de falla siguen una distribución exponencial, “no
envejecen” o “no se fatigan”. Pero esto no significa 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

Dada su flexibilidad, la distribución Weibull es de las más utilizadas para describir la vida
de productos, ya que permite modelar productos con tasas de riesgo creciente,
constante y decreciente (figura 13.5b). La función de densidad Weibull está dada por:

𝛽
β 𝑡 𝛽−1 − 𝜂t
f (t) = ( ) e
𝜂 𝜂
𝑐𝑜𝑛 𝑡 > 0, 𝛽 > 0, 𝜂 > 0. Como se observa, esta distribución es determinada por dos
parámetros: el de forma (𝛽) y el de escala 𝜂. Como sus nombres lo indican, el primero
tiene efecto sobre la forma que toma la distribución (figura 13.5a) y el segundo afecta la
escala del tiempo de vida. La distribución acumulada está dada por:

t 𝛽
f (t) = 1 − e − ( )
𝜂
mientras que las funciones de confiabilidad y riesgo son,

t 𝛽 β t 𝛽−1
−( )
C (t) = e 𝜂 y h(t) = ( )
𝜂 𝜂
1
La vida media de la distribución Weibull es 𝐸(𝑡) = 𝜂𝛤 (1 + 𝛽) y la función cuantil está
dada por,

1
𝑡𝑝 = 𝜂{−1𝑛(1 − 𝑝} 𝛽

donde Γ(x) es la función gamma.2 En la figura 13.5a se presentan tres posibles formas
de la distribución Weibull, dependiendo del valor del parámetro de forma, β, mientras se
mantiene fijo el parámetro de escala en el valor η = 1. En general, para valores de 0 < β
< 1, la función de riesgo es decreciente y para valores de β > 1 la función de riesgo es
creciente. Se puede verificar de la función de densidad que cuando β = 1, la distribución
Weibull se reduce a la distribución exponencial (tasa de riesgo constante).

La distribución Weibull es un modelo apropiado para modelar tiempos de falla de

productos compuestos por muchas partes con distribuciones de vida comparables,
donde el producto falla cuando una de las partes falla. Es decir, el tiempo de falla del
producto es igual al tiempo de falla mínimo de las partes que lo conforman (falla de
eslabón más débil). Por ejemplo, la vida de un capacitor está determinada por la porción
de su dieléctrico con la vida más corta.
Distribución Weibull con tres parámetros 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 (𝛽, 𝜂, 𝛾) toman la
siguiente forma
𝛽 𝛽 𝛽
β t − γ 𝛽−1 −( t−γ) −(
t−γ
) −(
t−γ
) β t − γ 𝛽−1
𝑓(𝑡) = ( ) 𝑒 𝜂 , 𝐹(𝑡) = 1 − 𝑒 𝜂 , 𝐶(𝑡) = 𝑒 𝜂 𝑦 ℎ(𝑡) = ( )
𝜂 𝜂 𝜂 𝜂

1
donde 𝑡 ≥ γ. La vida media 𝑒𝑠 𝐸 (𝑡) = 𝛾 + 𝜂𝛤 (1 + ) y la función cuantil es 𝑡 𝑝 = 𝛾 +
𝛽
𝜂{−1𝑛 (1 – 𝑝)}1/𝛽.

Distribución valor extremo (para mínimos)

Esta distribución es útil para modelar productos cuya vida está dada por el componente
que dura menos. La función de densidad para esta distribución es:

1 𝑡− 𝜇 𝑡− 𝜇
𝑓 (𝑡) = 𝑒𝑥𝑝 [ ] − 𝑒𝑥𝑝 ( )
𝜎 𝜎 𝜎
con t y μ son cualquier número real y 𝜎 > 0. Además, μ es parámetro de localización y
σ de escala. Las funciones de distribución acumulada, confiabilidad y de riesgos están
dadas por:

𝑡− 𝜇 𝑡− 𝜇 1 𝑡− 𝜇
𝑓(𝑡) = 1 − 𝑒𝑥𝑝 [−𝑒𝑥𝑝 [ ]] 𝑦 𝐶(𝑡) = 𝑒𝑥𝑝 [−𝑒𝑥𝑝 [ ]] 𝑦 ℎ(𝑡) = 𝑒𝑥𝑝 ( )
𝜎 𝜎 𝜎 𝜎

y la función cuantil es 𝑡 𝑝 = 𝜇 + 𝜎 𝑙𝑛[−𝑙𝑛(1 − 𝑝)]. La vida media 𝑒𝑠 𝐸(𝑡) = 𝜇 +

0.5772 𝜎, donde 0.5772 es la constante de Euler. En la figura 13.6 se presentan las
funciones de densidad y de riesgo para diferentes valores del parámetro de escala σ.

La distribución valor extremo está relacionada de manera estrecha con la Weibull, ya

que si la variable 𝑇 sigue una distribución Weibull (𝛽, 𝜂), su logaritmo 𝑙𝑛(𝑇) sigue una
distribución valor extremo con parámetro de escala 𝜎 = 1/𝛽 y parámetro de
𝑙𝑜𝑐𝑎𝑙𝑖𝑧𝑎𝑐𝑖ó𝑛 𝜇 = 𝑙𝑛(𝜂).

Distribución normal

La distribución normal no es de las más utilizadas en el análisis de datos de vida, puesto

que la variable tiempo de falla suele tener un comportamiento asimétrico, mientras que
la normal siempre es simétrica (véase figura 13.7a). Sin embargo, en ocasiones es el
modelo seleccionado porque se ajusta mejor a los datos. En teoría, la distribución
normal es el modelo apropiado cuando la falla del producto es el resultado de muchos
pequeños efectos que actúan de manera aditiva sobre la vida del producto.