Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fiabilidad Conceptos Básicos
Fiabilidad Conceptos Básicos
MAPA CONCEPTUAL_________________________________________________
Funcin de
Supervivencia y
Tasa de Fallos
Tabla de Superv.
Fiabilidad (I):
Conceptos Bsicos
Exponencial
Weibull
Distribuciones
habituales en fiabilidad
Lognormal
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
INTRODUCCIN_____________________________________________________
Muchas de las tcnicas que se presentan a lo largo de este trabajo, en especial las no paramtricas,
fueron inicialmente desarrolladas para su uso en estudios mdicos y biolgicos bajo el nombre
genrico de anlisis de supervivencia (comparacin de diferentes tratamientos mdicos,
determinacin de los factores que intervienen en la supervivencia de los peces de un ro, etc.).
En la actualidad, sin embargo, la aplicacin de dichas tcnicas, en especial las paramtricas, se ha
extendido a otras reas como la econmica o la industrial bajo el nombre de anlisis de tiempos de
fallo (establecimiento de perodos de garanta de un producto, diseo de planes de mantenimiento
preventivo, etc.).
La fiabilidad de un dispositivo (componente o sistema), sometido a unas condiciones de trabajo
concretas, es la probabilidad de que ste funcione correctamente (sobreviva sin fallar) durante un
determinado perodo de tiempo. As pues, la fiabilidad constituye un aspecto fundamental de la
calidad de todo dispositivo. Por tal motivo, resulta especialmente interesante la cuantificacin de
dicha fiabilidad, de forma que sea posible hacer estimaciones sobre la vida til del producto.
As, por ejemplo, en el caso de una avioneta monomotor, ser de gran conveniencia conocer la
probabilidad de ste falle en diferentes etapas de su vida (tras 500 horas de funcionamiento, 800
horas de funcionamiento, etc.). El obtener una buena estimacin de la fiabilidad del motor, posibilitar
la toma de decisiones racionales acerca de cundo conviene revisarlo o cambiarlo por otro nuevo.
Hay una caracterstica comn a los datos que aparecen en la mayora de los estudios sobre la
fiabilidad de un dispositivo, y es el hecho de que contengan observaciones censuradas:
supongamos que se lleva a cabo una investigacin, de duracin predeterminada, para analizar la
efectividad de un nuevo mtodo de produccin de bombillas. La variable de inters en este caso sera
el nmero de das que cada una de las bombillas sobrevive (funciona correctamente, sin fallos).
A primera vista, parecera sensato utilizar los mtodos estadsticos tradicionales (tanto paramtricos
como no paramtricos) con objeto de describir el tiempo medio de supervivencia y comparar el nuevo
mtodo de produccin con los mtodos anteriores. Sin embargo, al final de la investigacin, es
probable que siga habiendo bombillas que funcionen correctamente, y el investigador no ser capaz
de estimar con precisin cunto tiempo ms permanecern sin fallar.
Para trabajar con este tipo de datos con informacin parcial no servirn pues los mtodos
tradicionales, sino que sern necesarias tcnicas especficas como las que presentamos en este
trabajo.
El math-block comienza con la definicin de tres conceptos estadsticos bsicos: funcin de
fiabilidad, vida media de un dispositivo, y tasa de fallo. Se clasifican despus los distintos tipos de
observaciones censuradas, y se comenta el uso de los tests Chi-cuadrado para realizar contrastes
de hiptesis.
El documento concluye con la presentacin de las tablas de supervivencia (un mtodo clsico, no
paramtrico, que permite realizar estimaciones sobre los tiempos de fallo), y de algunas de las
distribuciones tericas que ms se utilizan en el anlisis de la fiabilidad como son la exponencial, la
Weibull, y la lognormal.
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
P(a T b) = f (t )dt
a
f (t ) =
dF (t )
dt
Dado 0 < p < 1, por tp se denotar al cuantil p de F(t), i.e., tp ser el menor instante temporal t tal que
F(t) = P( T t ) p .
Se llama vida media o tiempo medio hasta el fallo (Mean Time To Failure) de un
dispositivo a la esperanza de la v.a. T, i.e., la vida media determina el tiempo de duracin
esperada de un dispositivo:
MTTF = E [T ] = t f (t )dt
0
h(t1 , t 2 ) =
R(t1 ) R(t 2 )
(t 2 t1 ) R(t1 )
Observar que R(t1) R(t2) representa la proporcin de dispositivos totales que, habiendo
sobrevivido al instante t1 , han fallado en el intervalo (t1,t2). Al dividir esta diferencia por
R(t1) se obtiene la proporcin de dispositivos supervivientes a t1 que han fallado en (t1,t2),
i.e.:
R(t1 ) R (t 2 )
R(t1 )
es la probabilidad condicional de que un dispositivo que haya sobrevivido al instante t1
falle en el intervalo (t1,t2). Finalmente, al dividir por la longitud del intervalo, obtenemos la
proporcin anterior (su media) por unidad de tiempo.
h(t1 ) = lim
La tasa de fallo puede pues interpretarse como la velocidad a la cual se producen los
fallos, i.e.: es una medida de lo propenso que resulta el dispositivo a fallar en funcin de
su edad.
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
ETAPA VIDA
TIL
T suele seguir
una distrib.
Exponencial o
Weibull
PERODO DE
DESGASTE
T suele seguir
una distribucin
Weibull
Tasa de fallo
PERODO
INFANTIL
T suele seguir
aprox. una
distrib. Weibull
h(t)
Tiempo
As, por ejemplo, muchos automviles nuevos suelen presentar pequeos defectos de
funcionamiento al poco de comprarse (elevada tasa de fallos inicial). Una vez solventados tales
defectos, es de esperar que el vehculo proporcione un largo y complaciente perodo de
funcionamiento (baja tasa de fallos intermedia). Mas tarde, conforme pasan los aos, el automvil
se vuelve ms propenso a sufrir averas hasta que, finalmente, despus de 15 o 20 aos,
prcticamente todos los vehculos estn inservibles (elevada tasa de fallos final).
Observar que, a partir de la ltima ecuacin, es posible expresar R(t) como funcin de h(t):
dF (t )
dt
1 dR(t )
f (t )
dR(t )
=
h(t ) =
=
h(t )dt = R (t )
R(t )
R(t ) dt
R(t )
si ahora tomamos integrales a ambas partes:
t
h(u )du =
dR(u )
t
du = -[log R(u )]0 = - log R(t )
R(u )
de donde:
R(t ) = e
t
- h(u)du
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
OBSERVACIONES CENSURADAS______________________________________
Normalmente, los estudios de fiabilidad tienen una duracin predeterminada, por lo que no todos los
dispositivos analizados habrn fallado a su conclusin. Por tanto, el investigador sabr que un cierto
nmero de dispositivos han sobrevivido durante el perodo de tiempo que ha durado el test, pero
desconocer el momento exacto en que hubieran fallado si el estudio se hubiese prolongado de
forma indefinida. Este tipo de datos se llaman observaciones censuradas.
Las observaciones de censura por tiempo o de tipo I aparecen al finalizar un test de duracin
predeterminada: de los dispositivos supervivientes slo se sabe que no han fallado hasta ese
momento. En este caso, el tiempo de duracin del test es fijo, mientras que el nmero de productos
que fallan es una v.a.
Por contra, las observaciones de censura por fallos o de tipo II aparecen cuando el test contina
hasta que una proporcin predeterminada de dispositivos hayan fallado. Ahora, el nmero de
productos que fallan es fijo, siendo el tiempo de duracin del test una v.a.
CENSURA TIPO II
CENSURA TIPO I
....
7
6
5
....
T5
4
3
2
1
7
6
5
t0
T6
t0
4
3
t0
2
1
T3
T1
El Dispositivo falla
t0
T6
T5
T3
T2
T1
Tiempo
Tiempo
CENSURA A DERECHA
CENSURA A IZQUIERDA
....
7
....
7
6
5
6
5
4
3
2
4
3
2
Tiempo
Tiempo
Fallo observado
Fallo NO observado
En los grficos anteriores muestran los dos tipos de censura: en el primero, el experimento
termina cuando se llega al instante t0 ; en el segundo, el experimento termina cuando falla un
determinado porcentaje de dispositivos, en este caso 5.
Por otra parte, cuando la censura ocurre para un t > 0 (siendo t = 0 el instante en que se inicia el
test de fiabilidad) estaremos ante lo que se conoce como censura a la derecha. Podra ocurrir
tambin que la censura tuviera lugar para t < 0 (censura a la izquierda): por ejemplo, en una
investigacin mdica sobre el cncer, se puede saber que el paciente ingres en el hospital en
una fecha determinada (fecha de inicio del test), y que sobrevivi durante un intervalo temporal
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
definido; sin embargo, probablemente no se conocer cundo aparecieron por primera vez los
sntomas de la enfermedad.
Se suele hablar de censura por intervalos o arbitraria para referirse a observaciones que han
sido censuradas tanto a derecha como a izquierda (es decir, de ellas slo sabemos que entran
en la investigacin cuando sta ya estaba inicializada y salen de la misma, sin haber fallado,
antes de que finalice).
Tiempo
Fallo observado
Fallo NO observado
CENSURA SIMPLE
CENSURA MLTIPLE
....
7
6
....
7
6
5
4
5
4
3
2
1
3
2
1
Tiempo
Tiempo
Finalmente, se puede tener censura simple (si el experimento finaliza en el mismo instante para
todos los dispositivos observados), o censura mltiple. Un ejemplo de esta ltima sera cuando los
pacientes abandonan el hospital en instantes diferentes (bien por estar recuperados, bien por irse a
otro centro, etc.).
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Habitualmente se toma = 0,05, con lo cual slo en 5 de cada 100 casos en los que H0 sea cierta
ser rechazada. Si se pretende ser an ms exigentes en cuanto a las evidencias que se han de
presentar para rechazar la hiptesis nula, se tomar = 0,01 o bien = 0,005. Observar, sin
embargo que, si bien escogiendo un diminuto resulta ms improbable un error de tipo I, tambin
resultar ms probable cometer un error de tipo II, i.e.: que la hiptesis nula sea aceptada en las
ocasiones en que sta sea falsa.
Fijar = 0,05 0,01 0,005
segn nivel de exigencia
= Pr(rechazar H0
cuando H0 cierta)
NO rechazar H0
p-valor <= ?
Rechazar H0
As, cuando se use un test para contrastar si las observaciones se pueden ajustar mediante una
distribucin exponencial (i.e., para contrastar si los datos obtenidos podran corresponder
aproximadamente a una v.a. que siguiese dicha distribucin), el test ser:
H0 : Las observaciones corresponden (aproximadamente) a una distrib. Exponencial
.
H1 : Las observaciones NO corresponden a una distrib. Exponencial
Obtener aqu un p-valor significativo implicar que la distribucin utilizada no es buena para ajustar
los datos.
2
Si se recurre a un test
sern:
Si el test resulta significativo, se tendr que al menos una de las variables explicativas del modelo
afecta al valor de la variable dependiente.
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Intervalo
1
2
3
4
5
6
7
8
9
10
11
12
Dispositivos
Estimaciones
Inicio Int. Entrantes Censurados En Riesgo Fallados Prob. Fallo Prob. Superv.
R(t)
0,00
65
14
58,0
19
0,3276
0,6724
1,0000
161,36
32
4
30,0
4
0,1333
0,8667
0,6724
322,73
24
4
22,0
0
0,0227
0,9773
0,5828
484,09
20
4
18,0
1
0,0556
0,9444
0,5695
645,45
15
1
14,5
1
0,0690
0,9310
0,5379
806,82
13
3
11,5
1
0,0870
0,9130
0,5008
968,18
9
1
8,5
2
0,2353
0,7647
0,4572
1129,55
6
1
5,5
0
0,0909
0,9091
0,3496
1290,91
5
1
4,5
1
0,2222
0,7778
0,3179
1452,27
3
2
2,0
0
0,2500
0,7500
0,2472
1613,64
1
0
1,0
0
0,5000
0,5000
0,1854
1775,00
1
1
0,5
0
1,0000
0,0000
0,0927
1,00
0,0020
0,80
Probabilidad
Probabilidad
0,0025
0,0015
0,0010
0,0005
0,0000
2
0,60
0,40
0,20
0,00
10 11
Intervalo
Tasa de Riesgo
Probabilidad
0,80
0,60
0,40
0,20
0,00
3
Intervalo
10 11
1,00
Intervalo
h(t)
0,0024
0,0009
0,0001
0,0004
0,0004
0,0006
0,0017
0,0006
0,0015
0,0015
0,0031
---
f.d. F(t)
f.d.p. f(t)
f(t)
0,0020
0,0006
0,0001
0,0002
0,0002
0,0003
0,0007
0,0002
0,0004
0,0004
0,0006
---
10
11
0,0040
0,0030
0,0020
0,0010
0,0000
1
10 11
Intervalo
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
di
n'i
i 1
(1 p j )
j =1
S
i +1
fi = i
t i t i 1
=
h
i
(t i t i 1 )
(ni + ni +1 ) / 2
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Parmetro de localizacin : se usa para desplazar una distribucin hacia un lado u otro.
Esto significa que, dada una distribucin cuyo dominio habitual sea [0 , +), la inclusin de un
parmetro de localizacin cambiar el dominio a [ , +). En el caso de la normal, el
parmetro de localizacin es la media.
Se dice que una v.a. Y pertenece a la familia localizacin-escala (location-scale) si su f.d. se puede
expresar de la forma:
F(y; , ) = P(Y y) =
y -
Normal
F( y;, ) = nor
Logstica
F( y; , ) = logis
log(t)
Log log stica F(t; , ) = log is
log(t)
Weibull F(t; , ) = ve
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
10
Las distribuciones que ms se emplean a la hora de modelar tiempos de fallo, algunas de las cuales
sern comentadas a continuacin, son la Weibull, la exponencial, la normal, la log-normal, la logstica,
la log-logstica, y la de valores extremos.
Distribucin Exponencial: se utiliza para modelar el tiempo transcurrido entre dos sucesos
aleatorios no muy frecuentes cuando la tasa de ocurrencia, , se supone constante.
En fiabilidad se usa para describir los tiempos de fallo de un dispositivo durante su etapa de vida til,
en la cual la tasa de fallo es (aproximadamente) constante, i.e.: h(t) = . Una tasa de fallo constante
significa que, para un dispositivo que no haya fallado con anterioridad, la probabilidad de fallar en el
siguiente intervalo infinitesimal es independiente de la edad del dispositivo.
La tasa de fallo es el parmetro que caracteriza a esta distribucin. Este valor es la inversa del
tiempo medio que transcurre hasta el fallo (o entre dos fallos consecutivos, MTBF, si el dispositivo
sigue funcionando), i.e.: = MTTF = 1/ . Observar que aqu es el parmetro de escala, tambin
llamado vida caracterstica. La f.d.p. de una distribucin exponencial es de la forma:
f(t) = exp{ t}
0,25
lamda = 0,250
lam da = 0,250
0,15
F(t)
f(t)
0,20
0,10
lamda = 0,125
0,5
lamda = 0,125
0,05
0,0
0,00
0
50
100
50
100
1,0
0,25
0,5
h(t)
S(t)
lamda = 0,250
lam da = 0,125
0,20
lam da = 0,250
lam da = 0,125
0,15
0,0
0
50
100
50
100
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
11
exp
f(t; , ) =
t
exp
0,15
forma = 1
forma = 4
0,10
F(t)
f(t)
forma = 1
0,5
forma = 2
forma = 2
0,05
forma = 4
0,0
0,00
0
10
20
10
20
1,0
forma = 4
forma = 4
0,5
h(t)
R(t)
0,3
forma = 2
forma = 1
forma = 1
0,2
forma = 2
0,1
0,0
0,0
0
10
20
10
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
12
Distribucin Lognormal: La f.d.p. de una distribucin normal es no nula en todo el eje real (y no
slo en el semieje positivo). Por este motivo, el uso de la normal implicara que el fallo puede
producirse antes del instante t = 0. Para evitar esta inconveniencia que presenta la distribucin
normal, se puede utilizar en su lugar la distribucin Log-normal.
Se dice que una variable aleatoria T sigue una distribucin Lognormal (base e), de parmetros
(localizacin) y (escala), cuando su logaritmo neperiano Y = Log(T) se distribuye de forma normal
con media y desviacin tpica .
Y
Inversamente, dada una v.a. YN(,), la variable aleatoria T = e seguir una distribucin
Lognormal (base e) de parmetros = (localizacin) y = (escala), cuya f.d.p. ser:
f(t) =
1
(ln(t) )2
exp
2
t 2
2
t>0
1,5
1,0
sigma = 0,3
sigma = 0,3
1,0
f(t)
F(t)
sigma = 1
sigma = 0,1
0,5
sigma = 0,5
0,5
sigma = 1
0,0
0,0
0
1,0
sigma = 0,3
h(t)
R(t)
sigma = 0,1
0,5
sigma = 0,3
sigma = 0,1
sigma = 1
sigma = 1
0,0
0
0
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
13
BIBLIOGRAFA______________________________________________________
[1]
[2]
[3]
Barlow & Proshan (1981). Statistical theory of reliability and life testing. To begin with.
[4]
Breuer, M.A.; Friedman, A.D (1976), Diagnosis and reliable design of digital systems.
Computer Science Press.
[5]
Garca Muoz R., Quiles Flor F (1992), Fiabilidad y Test de Sistemas. Depto Informtica
Albacete, UCLM.
[6]
[7]
Trivedi (1982). Probability and statistics with reliability, queueing and computer science
applications. Ed. Prentice Hall.
[8]
[9]
ENLACES___________________________________________________________
[W1]
Desde la pgina de la empresa espaola ISDEFE podemos bajarnos dos libros de la serie
azul de las monografias. El primero de ellos es Fiabilidad de Joel A. Nachlas.
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
14
Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
15