Confiabilidad basada en Datos Genéricos
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Yañez Medardo. – Semeco Karina. . 3<br />
(t<br />
)<br />
Disponibilidad: D(t ) (6)<br />
(t<br />
) (t<br />
)<br />
donde (t): tasa de reparación y (t): tasa de fallas.<br />
Para equipos cuyos “tiempos para la falla” sigu<strong>en</strong> o<br />
se ajustan a una distribución expon<strong>en</strong>cial, puede<br />
decirse que la tasa de fallas es una constante; es<br />
decir , (t)= En este caso,las ecuaciones “5” y “6”<br />
se transforma <strong>en</strong>:<br />
.t<br />
<strong>Confiabilidad</strong>: C(t ) e<br />
(7)<br />
(t<br />
)<br />
Disponibilidad: D (t ) <br />
(8)<br />
(t<br />
) <br />
En este punto vale la p<strong>en</strong>a hacer énfasis <strong>en</strong> lo<br />
sigui<strong>en</strong>te: asumir tiempos para la falla<br />
expon<strong>en</strong>cialm<strong>en</strong>te distribuidos o, lo que es lo mismo,<br />
asumir una tasa de fallas constante, es razonable<br />
cuando el análisis se hace a nivel de “equipos”; y no<br />
lo es, cuando se hace a nivel de compon<strong>en</strong>tes. Por<br />
ejemplo; consideremos un tipo de equipo que ti<strong>en</strong>e 5<br />
compon<strong>en</strong>tes internos; cada uno de los cuales, al<br />
fallar produce la falla o parada del equipo. Si<br />
observamos por un largo período de tiempo una<br />
población de este tipo de equipos; con alta<br />
probabilidad <strong>en</strong>contraremos lo sigui<strong>en</strong>te:<br />
Al analizar los tiempos para la falla de la<br />
población de equipos, discriminando por compon<strong>en</strong>te<br />
que produjo la falla, <strong>en</strong>contraremos que los tiempos<br />
para la falla por tipo de compon<strong>en</strong>tes ti<strong>en</strong>d<strong>en</strong><br />
mayoritariam<strong>en</strong>te a seguir distribuciones como<br />
Weibull, Gamma, Lognormal y Beta <strong>en</strong>tre otras<br />
Si analizamos todos los tiempos para la falla<br />
para la población de equipos, sin discriminar por el<br />
compon<strong>en</strong>te que causo la falla, <strong>en</strong>contraremos que<br />
los tiempos para la falla, <strong>en</strong> la gran mayoría de los<br />
casos, sigu<strong>en</strong> la distribución expon<strong>en</strong>cial;, es decir,<br />
la tasa de falla es constante. [2],[4],[10]<br />
Lo expuesto refuerza la validez de las ecuaciones “7”<br />
y “8” para la estimación de la confiabilidad y la<br />
disponibilidad a nivel de equipos; y <strong>en</strong> consecu<strong>en</strong>cia<br />
refuerza la importancia del cálculo del parámetro<br />
tasa de fallas ().<br />
2.2.3 Estimación de la tasa de fallas utilizando el<br />
Teorema de Bayes<br />
La ecuación (2), mostrada <strong>en</strong> la sección 2.1, nos dice<br />
que para estimar la m<strong>en</strong>cionada tasa de fallas (), <strong>en</strong><br />
casos donde la evid<strong>en</strong>cia o muestra es nula o no es<br />
repres<strong>en</strong>tativa; se requiere hallar la distribución<br />
posterior o actualizada de la tasa de fallas “f(/X)”.<br />
Para ello es necesario por una parte definir una<br />
distribución “previa” de la tasa de fallas g()<br />
(Conocimi<strong>en</strong>to Previo) y por la otra, construir la<br />
función de verosimilitud o probabilidad de la<br />
evid<strong>en</strong>cia L(X/). Este procedimi<strong>en</strong>to de cálculo es<br />
g<strong>en</strong>eralm<strong>en</strong>te conocido como “actualización de la<br />
tasa de fallas”.<br />
Dos preguntas son obvias <strong>en</strong> este procedimi<strong>en</strong>to:<br />
Qué es conocimi<strong>en</strong>to previo y cómo se<br />
determina la “distribución previa” de la tasa de la<br />
fallas g()?<br />
Como construimos la función de verosimilitud<br />
L(X/)?<br />
2.2.3.1. Conocimi<strong>en</strong>to previo y determinación de la<br />
“distribución previa” de la tasa de la fallas g()?<br />
El conocimi<strong>en</strong>to previo (prior knowledge) esta<br />
repres<strong>en</strong>tado por el cúmulo de información que<br />
poseemos de la variable de interés; <strong>en</strong> este caso la<br />
tasa de fallas (); antes de recibir la evid<strong>en</strong>cia.<br />
Normalm<strong>en</strong>te; este conocimi<strong>en</strong>to previo; se basa <strong>en</strong><br />
la observación y experi<strong>en</strong>cia con equipos similares<br />
<strong>en</strong> operación (equipos similares al equipo al que le<br />
queremos estimar la tasa de fallas). Estas<br />
observaciones, normalm<strong>en</strong>te no nos permit<strong>en</strong> inferir<br />
un valor único de la tasa de fallas; <strong>en</strong> su lugar, <strong>en</strong> la<br />
mayoría de los casos lo mejor que podemos hacer<br />
es inferir un rango; es decir puede determinarse que<br />
la tasa de fallas varia desde un valor mínimo ( MIN)<br />
hasta un valor máximo ( MAX). En otros casos, un<br />
número de observaciones un poco mayor, nos<br />
permite expresar nuestro conocimi<strong>en</strong>to de la tasa de<br />
fallas con tres valores; un valor mínimo ( MIN), un<br />
valor medio o mas probable ( MEDIO) y un valor<br />
máximo ( MAX). En contadas ocasiones pued<strong>en</strong><br />
reunirse una bu<strong>en</strong>a cantidad de observaciones de<br />
equipos similares operando <strong>en</strong> condiciones similares<br />
<strong>en</strong> sistemas similares, que permit<strong>en</strong> ya no tres<br />
valores sino un “set” completo de valores de la tasa<br />
de fallas (). En conclusión, este conocimi<strong>en</strong>to<br />
previo es casi siempre un conocimi<strong>en</strong>to disperso. Sin<br />
embargo; sea un rango; sean tres valores o sean<br />
múltiples valores; exist<strong>en</strong> métodos para procesar<br />
cada tipo de información y transformarla <strong>en</strong> una<br />
distribución de probabilidades a la que se le conoce<br />
como distribución previa de la tasa de fallas g(). A<br />
continuación se explican estos métodos.<br />
2.2.3.1.1 Métodos para construir la “distribución<br />
previa” de la tasa de la fallas g() a partir de<br />
diversos tipos de información.<br />
A continuación se detallan los métodos para la<br />
construcción de fallas g() a partir de diversos tipos<br />
de información. En las refer<strong>en</strong>cias [3],[5],[13] estos<br />
métodos se docum<strong>en</strong>tan ampliam<strong>en</strong>te.<br />
2.2.3.1.1.1.Construcción de la distribución previa<br />
g(l) a partir de un rango [ MIN , MAX].<br />
Como se m<strong>en</strong>cionó previam<strong>en</strong>te; <strong>en</strong> ocasiones la<br />
mejor información que t<strong>en</strong>emos sobre la tasa de<br />
fallas de un equipo, es un rango; es decir, sabemos<br />
que la tasa de fallas para ese tipo de equipos varía