Conceptos bsicos de Fiabilidad

FIABILIDAD (I): CONCEPTOS BSICOS

Autores: ngel A. Juan (ajuanp@uoc.edu), Rafael Garca Martn (rgarciamart@uoc.edu).

RELACIN CON OTROS MATH-BLOCS__________________________________

Este math-block forma parte de una serie de 8 documentos relacionados todos ellos con la Fiabilidad
de componentes desde un punto de vista estadstico:

Conceptos Bsicos (I).

Identificacin y descripcin grfica de los datos (II).
Anlisis paramtrico de los tiempos de fallo (III).
Anlisis no paramtrico de los tiempos de fallo (IV).
Comparacin no paramtrica de muestras (V).
Tests de vida acelerada (VI).
Modelos de regresin para observaciones censuradas (VII).
Anlisis Probit (xito / fracaso) (VIII).

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)

Conceptos bsicos de Fiabilidad

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)

Conceptos bsicos de Fiabilidad

FUNCIN DE FIABILIDAD, VIDA MEDIA Y TASA DE FALLO_________________

Notacin: en lo que sigue, se denotar por T a la variable aleatoria continua que describe los tiempos
de fallo de un determinado dispositivo, i.e.: T = tiempo transcurrido hasta que se produce el fallo".
Denotando por f(t) a la funcin de densidad de probabilidad (f.d.p.) de T, y por F(t) a su funcin de
distribucin (f.d.), se cumplir:
b

P(a T b) = f (t )dt
a

F (t) = P(T t ) = f (u)du

0

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 .

La funcin de fiabilidad R(t) o funcin de supervivencia S(t), es la complementaria de

la f.d. de T, i.e., nos determina la probabilidad de que el dispositivo sobreviva al instante t
(esta funcin determina la proporcin de dispositivos iniciales que seguirn funcionando
correctamente en el instante t):

S (t ) R(t ) = 1 F (t ) = P(T > t )

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

Cuando se consideren dispositivos reparables (que puedan seguir funcionando tras un

fallo), se hablar de tiempo medio entre fallos (MTBF).

Se define la tasa de fallo media en el intervalo (t1 , t2 ) como:

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.

Haciendo tender t2 a t1, obtenemos la llamada tasa de fallo o tasa de riesgo:

R(t1 ) R(t 2 ) R (t1 ) F (t1 ) f (t1 )

=
=
=
t 2 t 1 (t t ) R (t )
R(t1 )
R(t1 ) R(t1 )
2
1
1

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)

Conceptos bsicos de Fiabilidad

En la mayora de los dispositivos electromecnicos, la funcin tasa de fallo tiene forma de

baera: cuando se inicia la vida de un aparato, la tasa de fallo instantnea resulta ser
relativamente alta (es lo que se denomina "mortalidad infantil"); una vez que los componentes y
partes electromecnicas se han acoplado, la tasa de fallo es relativamente constante y baja
(etapa de vida til); ms adelante, tras un tiempo de funcionamiento, la tasa de fallo vuelve a
incrementarse hasta que, finalmente, todos los dispositivos habrn fallado (efecto
envejecimiento).

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)

Conceptos bsicos de Fiabilidad

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)

Conceptos bsicos de Fiabilidad

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).

CENSURA ARBITRARIA O POR INTERVALOS

....
7
6
5
4
3
2
1

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.).

INTERPRETACIN DE LOS TESTS CHI-CUADRADO 2 ____________________

En los prximos math-blocks se usar un test 2 para contrastar la bondad del ajuste propuesto o
para contrastar diferencias entre grupos. Dado que las hiptesis del test sern diferentes segn el
contexto en que estemos, tambin lo sern las conclusiones que se extraigan a partir del p-valor.
Un p-valor es estadsticamente significativo cuando sea menor o igual a una constante prefijada .
Si as ocurre, se rechazar la hiptesis nula H0 en favor de la hiptesis alternativa H1. La constante
representa la probabilidad condicional de rechazar la hiptesis nula, a partir de las observaciones, en
el supuesto de que esta hiptesis sea cierta (esto se conoce como error de tipo I). Por tal motivo,
interesa elegir un valor muy pequeo para .

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Conceptos bsicos de Fiabilidad

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:

para contrastar posibles diferencias entre grupos muestrales, las hiptesis

H0 : Todos los grupos son (aprox.) iguales

H1 : Todos los grupos NO son iguales

Un p-valor significativo implicar aceptar la existencia de diferencias entre grupos.

2

Finalmente, un test para determinar la validez de un modelo de regresin ser de la forma:

H0 : El modelo propuesto NO es mejor que el modelo nulo (i.e.: todos los coeficientes son cero)
H1 : El modelo propuesto es significativamente mejor que el nulo (i.e.: no todos los coeficientes

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)

Conceptos bsicos de Fiabilidad

TABLA DE SUPERVIVENCIA o ACTUARIAL_______________________________

Uno de los mtodos no paramtricos ms clsicos y directos para describir la fiabilidad de una
muestra es la tabla de supervivencia, la cual no es ms que una tabla de frecuencias mejorada y
ampliada. A partir de ella es posible hacer una primera estimacin sobre el comportamiento de la
funcin de supervivencia S(t), de la funcin de distribucin F(t), de la funcin de densidad f(t), y de la
tasa de fallo h(t). El anlisis del siguiente ejemplo, construido con ayuda de la hoja de clculo Excel
(ver archivo TablaSup.xls ), permitir entender su funcionamiento:

TABLA DE SUPERVIVENCIA (Life Table)

Inputs: Intervalos, dispositivos entranes, disp. censurados, y disp. fallados.
Nota: A fin de obtener estimaciones razonables, el nmero de dispositivos observados habr de ser mayor de 30.

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

Tasa de Riesgo h(t)

1,00

Intervalo

Funcin de Supervivencia R(t)

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)

Conceptos bsicos de Fiabilidad

La distribucin de los tiempos de supervivencia (o tiempos de fallo) se divide en un determinado

nmero de intervalos. Se denotar por (ti-1, ti] al i-simo intervalo. Para cada intervalo se registra el
nmero de observaciones o dispositivos que han entrado en buen estado ni (entrantes), el nmero de
los que han fallado en l di (fallados), y el nmero de observaciones perdidas o censuradas en l ri
(censurados).
A partir de estos datos, es posible calcular otros estadsticos adicionales que se describen a
continuacin:

Nmero de observaciones en riesgo ni : es el n de observaciones que entr en el

intervalo respectivo en buen estado, menos la mitad del n de observaciones perdidas o
censuradas en dicho intervalo:
r
ni = ni i
2

Probabilidad de fallo: para cada intervalo, es la proporcin de observaciones en riesgo que

fallan. En el caso de que un intervalo no registre ningn fallo, se acostumbra a tomar 0,5 en
lugar de 0 a la hora de contabilizar el nmero de fallos (a fin de suavizar las funciones
estimadas):
i =
p

di
n'i

Probabilidad de supervivencia: es la proporcin de observaciones en riesgo que

sobreviven (1 probabilidad de fallo):
i = 1 p
i
q

Funcin de supervivencia: para cada intervalo, es la proporcin de observaciones que han

logrado llegar hasta l en buen estado. Se calcula multiplicando la proporcin de
supervivientes de todos los intervalos anteriores (se supone que los fallos en un intervalo son
independientes de los anteriores):
=S
(t ) =
S
i
i 1

i 1

(1 p j )
j =1

Funcin de densidad de probabilidad (f.d.p.): para cada intervalo, es una estimacin de la

probabilidad de fallo por unidad de tiempo. Para calcularla, primero se halla la diferencia entre
la proporcin de dispositivos supervivientes al inicio del intervalo y la proporcin de
supervivientes al final del intervalo. El valor que obtenido se dividir por la longitud del
intervalo:
S

S
i +1

fi = i
t i t i 1

Tasa de fallo o de riesgo: es la probabilidad, por unidad de tiempo, de que un dispositivo

que haya sobrevivido hasta el inicio del intervalo falle en l. Para hallarla, primero se
calcular el cociente entre el n de fallos (usando 0,5 cuando ste sea 0) y la longitud del
intervalo. El resultado obtenido se dividir por la media entre el nmero de dispositivos
entrantes en dicho intervalo y el nmero de dispositivos entrantes en el intervalo siguiente:
di

=
h
i

(t i t i 1 )
(ni + ni +1 ) / 2

A fin de obtener estimaciones razonables de la funcin de supervivencia, de la funcin de

densidad de probabilidad, y de la funcin tasa de fallo, ser necesario disponer de, como
mnimo, 30 observaciones completas (no censuradas).

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Conceptos bsicos de Fiabilidad

DISTRIBUCIONES HABITUALES EN FIABILIDAD__________________________

La tabla de supervivencia proporciona una visin descriptiva de cmo se distribuyen los tiempos de
fallo. Sin embargo, para poder realizar predicciones probabilsticas ser necesario conocer cual es
(aproximadamente) la distribucin de la poblacin que subyace tras las observaciones.
Sea T la variable que representa los tiempos de fallo de un determinado dispositivo ( T > 0 ). El
objetivo ser conocer (si ello es posible) la funcin de distribucin asociada a T, la cual ser de la
forma F( t ; ) = P( T t ) , siendo un vector de parmetros.
En general, la mayora de distribuciones usadas en fiabilidad tienen, a lo sumo, tres parmetros:

Parmetro de escala : este es el parmetro que caracteriza a las distribuciones

unipararamtricas. El parmetro de escala define cun dispersa se encuentra la distribucin
(en el caso de la distribucin normal, el parmetro de escala es la desviacin tpica).

Parmetro de forma : este parmetro define la forma de la distribucin. Algunas

distribuciones (como la exponencial o la normal) carecen de este parmetro pues tienen una
forma predeterminada que nunca vara (en el caso de la normal, sta tiene siempre forma de
campana).

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 -

donde no depende de ningn parmetro desconocido. En tal caso, (- , +) es el

parmetro de localizacin, y > 0 es el parmetro de escala.
Observar que es la f.d. de la v.a. Z = (Y - )/ . Muchas de las distribuciones ms habituales, o bien
pertenecen a esta familia o bien estn ntimamente relacionadas. Ejemplos de distribuciones que
pertenecen a esta familia son la normal, la logstica, y la de valores extremos:

Normal

F( y;, ) = nor

Logstica

F( y; , ) = logis

donde nor es la f.d. de una N(0,1)

donde logis (z) = exp(z) / (1 + exp(z))

Se dice que una v.a. T pertenece a la familia log-localizacin-escala si Y = log(T) es un miembro de la

familia localizacin-escala. Ejemplos de distribuciones que pertenecen a esta familia son la
exponencial, la Weibull, la log-normal, y la log-logstica:
log(t)
LogNormal F(t; , ) = nor

log(t)
Log log stica F(t; , ) = log is

log(t)
Weibull F(t; , ) = ve

donde ve (z) = 1 exp{-exp(z)}

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

10

Conceptos bsicos de Fiabilidad

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 < t < , > 0

f.d.p. de una Exponencial

f.d. de una Exponencial

1,0

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

Funcin de Supervivencia de una Exponencial

Tasa de Riesgo de una Exponencial

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

Conceptos bsicos de Fiabilidad

Una generalizacin de la distribucin anterior sera la distribucin exponencial bi-paramtrica, cuya

f.d.p. es de la forma:
1

exp

f(t; , ) =

donde = 1/ > 0 es el parmetro de escala, y es el parmetro de localizacin. Notar que cuando

= 0 se obtiene la distribucin exponencial de un nico parmetro.
Distribucin de Weibull: Se ha comentado antes que la distribucin exponencial es utilizada a
menudo para modelar los tiempos de fallo cuando la tasa de riesgo es constante. Si, por el contrario,
la probabilidad de fallo vara con el tiempo resulta ms apropiada una Weibull (de hecho la
exponencial puede verse como un caso particular de la Weibull).
La Weibull es tan flexible que, eligiendo adecuadamente sus parmetros, permite describir las tres
etapas de la funcin tasa de fallos (curva de la baera). Esta distribucin viene caracterizada por dos
parmetros: (escala) y (forma). Su f.d.p. es:
f (t) =

t
exp

Observar que cuando =1, basta con tomar

exponencial.

0<t< , >0 , >0

= 1/

f.d.p. f(t) Weibull para escala = 10

para obtener la f.d.p. de la distribucin

f.d. F(t) Weibull para escala = 10

1,0

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

Tasa Riesgo h(t) Weibull para escala = 10

Funcin Supervivencia Weibull para escala = 10

0,4

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

Conceptos bsicos de Fiabilidad

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

f.d.p. f(t) Lognormal para mu = 0

t>0

f.d. F(t) Lognormal para mu = 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

Funcin Supervivencia Lognormal para mu = 0

Tasa Riesgo h(t) Lognormal para mu = 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

Conceptos bsicos de Fiabilidad

BIBLIOGRAFA______________________________________________________
[1]

Arsenault, J.E.; Roberts, J.A.(1980): Reliability and maintainnability of electronic systems.

Computer Science Press.

[2]

Ascher, H.; Feingold, H. (1984), Repairable systems reliability. Dekker.

[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]

Sundararajan, C.R. (1991), Guide to reliability engineering. VNR.

[7]

Trivedi (1982). Probability and statistics with reliability, queueing and computer science
applications. Ed. Prentice Hall.

[8]

Warleta, J. (1973), "Fiabilidad. Bases tericas y prcticas". INTA.

[9]

Zacks (1992). Introduction to reliability analysis. Ed. Springer Verlag.

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.

as como tambin el libro Mantenibilidad de Jezdimir Knezzevic.

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

14

Conceptos bsicos de Fiabilidad

ambos son excelentes introduciones al tema.

[W2]

Antonio ngel Blesa de la Universidad de Las Palmas de Gran Canaria ha elaborado un

excelente Tutorial sobre fiabilidad.

Proyecto e-Math
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

15