El Proceso de Poisson en

Confiabilidad
Enrique Villa Diharce

Verano de Probabilidad y Estadística 2009

CIMAT, Guanajuato, Gto. 15 de Julio de 2009.
Resumen:

El objeto de estudio en confiabilidad son la fallas de

componentes o sistemas, por esta razón una parte
importante de los estudios en confiabilidad, consiste en
modelar procesos de falla y estimar las cantidades de
interés, como son principalmente: tasas de falla, y tiempo
esperado de falla.

En esta platica se discute la modelación de procesos de

fallas utilizando procesos de Poisson, ilustrando, como
diferentes restricciones de los procesos de fallas pueden ser
consideradas a través de diferentes tipos de procesos de
Poisson. Se ilustran los modelos considerados, con
ejemplos de datos de confiabilidad reales.
 Contenido

Sistemas y componentes no reparables

Sistemas reparables
Procesos de Poisson
Homogéneo
No homogéneo
Inferencia
 Calidad a través del tiempo

LSE

tiempo

LIE
1.0

Confiabilidad: Probabilidad de estar

dentro de especificaciones

0
 Modelos de confiabilidad

Los tiempos de vida de la unidades que fallan, tienen un

patrón aleatorio.

Para modelar los tiempos de vida o tiempos a la falla

utilizamos variables aleatorias no negativas.

Toda la información de una variable aleatoria se

encuentra en su distribución.

La materia prima en los estudios de confiabilidad son

los tiempos de vida de las unidades estudiadas.
 Funciones de confiabilidad:

Función de distribución acumulada F (t ) = P (T ≤ t )

Función de confiabilidad C (t ) = P(T > t ) = 1 − F (t )

Función de densidad de probabilidades f (t ) = dF (t ) / dt

Función de riesgo h(t ) = f (t ) / C (t )

t
Función de riesgo acumulado H (t ) = ∫ h(u )du
0

También se cumple: C (t ) = exp{− H (t )}

 Función de riesgo

dF (t ) / dt
h(t ) = f (t ) / C (t ) =
C (t )
F (t + δ ) − F (t ) 1 P (T ≤ t + δ ) − P (T ≤ t )
= limδ →0 = limδ →0
δC (t ) δ P (T > t )
1 P (t < T ≤ t + δ ) 1
= limδ →0 = limδ →0 P (t < T ≤ t + δ | T > t )
δ P (T > t ) δ

Para delta pequeña:

h(t ) ≅ δ × P (t < T ≤ t + δ | T > t )

 Distribuciones más comunes en confiabilidad

Distribución Exponencial f (t ) = λ exp(−λt )

F (t ) = 1 − exp(−λt )
C (t ) = exp(−λt )
h(t ) = λ

Esta distribución modela adecuadamente el patrón de falla de

componentes que no envejecen, como por ejemplo algunos
componentes electrónicos.
 Riesgo Densidad

0.6 0.8 1.0 1.2 1.4 0.0 0.2 0.4 0.6 0.8 1.0

0
0

1
1

2
2

Tiempo
Tiempo

3
3

4
4

5
5

Confiabilidad Distribución

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

0
0

1
1

2
2

Tiempo
Tiempo

3
3

4
4

5
5
Distribución Exponencial λ = 1, θ = 1 / λ = 1
 Distribuciones más comunes en confiabilidad

Distribución Weibull f (t ) = ( β / η )(t / η ) β −1 exp[−(t / η ) β ]

β
F (t ) = 1 − exp(−(t / η ) )
C (t ) = exp(−(t / η ) β
h(t ) = ( β / η )(t / η ) β −1

Esta es una distribución muy flexible, que puede modelar

patrones de falla con función de riesgo constante, creciente o
decreciente. El parámetro de forma es β y η es el
parámetro de escala.
 Distribución Weibull β = 2, σ = 1

1.0
0.8
dweibull(tiempo, 2, 1)

pweibull(tiempo, 2, 1)

0.8
0.6

0.6
0.4

0.4
0.2

0.2
0.0

0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

tiempo tiempo

1.0
6

1 - pweibull(tiempo, 2, 1)

0.8
5
4
2 * tiempo

0.6
3

0.4
2

0.2
1

0.0
0

0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

tiempo tiempo
 Distribuciones más comunes en confiabilidad

Distribución Lognormal
f (t ) = (1 / tσ )φ[(ln(t ) − μ ) / σ ]
F (t ) = Φ[(ln(t ) − μ ) / σ ]
C (t ) = 1 − Φ[(ln(t ) − μ ) / σ ]
h(t ) = f (t ) / C (t )

Esta distribución es muy flexible y frecuentemente compite

con la distribución Weibull en la modelación de patrones de
falla.
 Riesgo Densidad

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.1 0.2 0.3 0.4 0.5

0
0

1
1

2
2

Tiempo
Tiempo

3
3

4
4

5
5

Confiabilidad Distribución

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Distribución Lognormal

0
0

1
1

2
2

Tiempo
Tiempo

3
3

4
4
μ = .5, σ = .5

5
5
Componentes o sistemas noreparables:
Son aquellos que al fallar se eliminan.

Componentes o sistemas reparables:

Tenemos este tipo de componentes,
cuando al fallar se reparan y vuelven a
funcionar.
 Proceso de Poisson

Falla y se repara

0 t1 t 2 t3 t 4 t5 t6 t7
 Proceso de Poisson

7
6
5 N(t)
4
3
2
1

0 t1 t 2 t3 t 4 t5 t6 t7
 Proceso de Poisson

Un proceso estocástico {N (t ), t ≥ 0} es un proceso de conteo si

N(t) satisface

1. N( 0 ) = 0.
2. N (t ) es entero.
3. Si s < t , entonces N ( s ) ≤ N (t ).
4. Para s < t , [ N(t)-N(s)] representa el número de fallas que
han ocurrido en el intervalo (s, t].
 Proceso de Poisson

Tasa del proceso. La tasa del proceso de conteo al tiempo es :

d d
λ (t ) = W (t ) = E[ N(t)],
dt dt
donde W (t ) = E[ N(t)] denota el número medio de fallas en el
intervalo de tiempo (s, t].

ROCOF
Cuando los eventos de un proceso de conteo son fallas, la tasa
λ(t) del proceso se llama tasa de ocurrencia de fallas (ROCOF).
 Proceso de Poisson

El proceso de conteo {N (t ), t ≥ 0} es un PPH que tiene una

tasa λ ≥ 0, si
1. N( 0 ) = 0.
2. El proceso tiene incrementos independientes.
3. Existe una función λ (t) tal que
P ( N (t , t + Δt) = 1)
λ (t) = lim Δt →0 .
Δt
P ( N (t , t + Δt) = 1)
4. λ (t) = lim Δt →0 .
Δt
 Proceso de Poisson

El proceso de conteo {N (t ), t ≥ 0} es un PPH que tiene una

tasa λ ≥ 0, si
1. N( 0 ) = 0.
2. El proceso tiene incrementos independientes.
3. Para cualesquier a < b, N ( a, b] tiene distribuci ón
Poisson con media
b
E ( N ( a, b]) = ∫ λ (t)dt.
a
 Proceso de Poisson

7
6
5 N(t)
4
3 W (t )
2
1

0 t1 t 2 t3 t 4 t5 t6 t7
 Proceso de Poisson

7
6
5
4
3
N(t)
2
1 W (t )
0 t1 t2 t3 t 4 t5 t 6 t 7
 Proceso de Poisson

7 W (t )
6
5
4 N(t)
3
2
1

0t
1 t 2 t3 t 4 t5 t6 t7
 Proceso de Poisson
Ejemplo. Suponga que un proceso de Poisson tiene función
de intensidad λ (t ) = 0.002t 1.25
La función media es
b b
Λ (t) = ∫ λ (x)dx = ∫ 0.002x 1.25 dx = 0.00089t 2.25 .
a a

El número de fallas N en el intervalo [50,100] tiene una

distribuci on Poisson con media
100
Λ (199) − Λ (50) = ∫ 0.002x 1.25 dx = 22.2.
50

asi, la probabilidad de tener 30 o mas fallas en el intervalo [50,100] es

exp(-22.2)22.2 n
∑n =30 P(N = n) =∑n =30
∞ ∞
≅ 0.0658.
n
 Proceso de Poisson

El proceso de conteo {N (t ), t ≥ 0} es un PPH que tiene una

tasa λ ≥ 0, si
1. N( 0 ) = 0.
2. El proceso tiene incrementos independientes.
3. El número de eventos en cualquier intervalo de longitud t tiene
distribuci ón Poisson con media λt. Esto es, para todo s, t > 0,
(λ t ) n − λ t
P ( N (t + s ) − N ( s ) = n) = e , n = 0,1,2,...
n
 Proceso de Poisson
7 x7
6 x6
5 x5
4 x4
3 x3 N(t)
2 x2
1 x1
0 t1 t 2 t3 t 4 t5 t6 t7
Un proceso es un PPH con intensidad λ , si y solo si los
tiempos entre fallas son v.a.i.i distribuidas exponencialmente,
con media θ = 1 / λ .
 Proceso de Poisson
Ejemplo. Se tienen los tiempos en horas de operación de
acciones de mantenimiento no programado de un motor de
diessel del submarino USS Grampus, Lee (1980).

860 2439 4411 6137 8498 10191 12795 14035

1258 3203 4456 6221 8690 11511 13399 14173
1317 3298 4517 6311 9042 11575 13668 14173
1442 3902 4899 6613 9330 12100 13780 14449
1897 3910 4910 6975 9394 12126 13877 14587
2011 4000 5676 7335 9426 12368 14007 14610
2122 4247 5755 8158 9872 12681 14028 15070
 50
40 Proceso de Poisson
Num. de falla

30
20
10
0

2000 4000 6000 8000 10000 12000 14000

Tiempo(Horas)
 Proceso de Poisson

Tiempos en que falla y se repara el motor. Aquí se

considera despreciable el tiempo que tarda la
reparación.

860 2439 4411 6137 8498 10191 12795 14035

1258 3203 4456 6221 8690 11511 13399 14173
1317 3298 4517 6311 9042 11575 13668 14173
1442 3902 4899 6613 9330 12100 13780 14449
1897 3910 4910 6975 9394 12126 13877 14587
2011 4000 5676 7335 9426 12368 14007 14610
2122 4247 5755 8158 9872 12681 14028 15070
 Proceso de Poisson

Tiempos entre fallas(y reparaciones) del motor.

860 764 61 302 64 242 21

398 95 382 362 32 313 7
59 604 11 360 446 114 138
125 8 766 823 319 604 0
455 90 79 340 1320 269 276
114 247 382 192 64 112 138
111 164 84 352 525 97 23
317 45 90 288 26 130 460
 Proceso de Poisson

Probability Plot of xGrampus

Exponential - 95% CI
99.9
Mean 274.0
99
N 55
AD 0.296
90
P-Value 0.827
80
70
60
50
40
Percent

30
20

10

3
2

1
1 10 100 1000
xGrampus
 Proceso de Poisson
Ejemplo. Las fallas de un sistema reparable son modeladas
por un proceso de Poisson con una tasa de fallas
λ (t ) = 1 / 50, 0 ≤ t ≤ 365,
con el tiempo medido en días. La compañía que posee esta
máquina tiene tres opciones para el plan de mantenimiento
anual. Cual de las siguientes tres opciones es mejor?
Plan de Mantenimiento 1:
$12,000 sin cargo por cada reparación.
Plan de Mantenimiento 2:
$4,000 mas $1,000 por cada reparación.
Plan de Mantenimiento 3:
$1,500 por cada reparación.
 Proceso de Poisson
Ejemplo.
Costo esperado:
EC (t ) = c0 + c1 E{N (0,365]}

EC (t ) = 12,000 + 0 × 7.3 = 12,000

EC (t ) = 4,000 + 1,000 × 7.3 = 11,300

EC (t ) = 0 + 1,500 × 7.3 = 10,950
Utilizando como criterio el costo esperado, el mejor plan de
mantenimiento es el último.
 PPNH Definiciones

Cuando la función de intensidad es constante, tenemos un

proceso de Poisson homogeneo (PPH).

Tenemos un proceso de Poisson no homogeneo (PPNH),

cuando la función de intensidad no es constante.
 PPNH Definiciones
El PPNH es un modelo adecuado para un sistema reparable
con reparación mínima, esto es, una reparación que consiste
en reemplazar o restaurar solo un número pequeño de
componentes del sistema.

Esta reparación dejará al sistema aproximadamente en el

mismo estado (envejecimiento) que se encontraba antes de
fallar.

Dos funciones de intensidad de uso común en confiabilidad

son:
Loglineal : λ (t ) = exp( β 0 + β1t )
Potencia : λ (t) = γβt β -1
 Procesos de Poisson no homogeneos.

Tipo de reparación

Reparación perfecta
Reparación imperfecta Reparación mínima
o reemplazo
(reparación normal) (as bad as old)
(as good as new)

Modelos de
Proceso de
HPP Reparación NHPP
renovación
imperfecta
 Proceso de Poisson

7
6
Reparación perfecta
5
4
3
2
1

0 t1 t2 t3 t4
 Proceso de Poisson

7
6
Reparación mínima
5
4
3
2
1

0 t1 t2
 Proceso de Poisson

7
6
Reparación imperfecta
5
4
3
2
1

0 t1 t2 t3 t4
 Inferencia:
Estimacion y PH
 Inferencia:
Estimacion y PH

Esquemas de observación:

Esquema 1. Observamos el sistema en un intervalo de

tiempo (0,t0] y ocurren fallas en los tiempos t1, t2, … ,tn.

Esquema 2. Observamos el sistema hasta la n-ésima falla y

registramos los tiempos t1, t2, …,tn.

Esquema 3. No observamos las fallas y solo conocemos los

números de fallas n1, n2, …,nm en los intervalos ajenos (a1,
b1], (a2, b2], …,(am, bm].
 Inferencia:
Estimacion y PH
Esquema 1.
(0, t1 ] 0 fallas
(t1 , t1 + δt1 ) 1 falla P{N (t1 , t 2 ] = 0}
(t1 + δt1 , t 2 ) 0 fallas { t2
= exp − ∫ ν (t )dt
t1
}
(t 2 , t 2 + δt 2 ) 1 falla
(t 2 + δt 2 , t3 ) 0 fallas P{N (t1 , t 2 ] = 1}
.....
.....
{ t2

t1
} t2
= exp − ∫ ν (t )dt × ∫ ν (t )dt
t1

(t n + δt n , t0 ) 0 fallas
 Inferencia:

Esquema 1.
Función de verosimilitud
L= {∏ n
i =1
ν (t } {
i ) exp − ∫ ν
t0

0
(t ) dt }
Función logverosimilitud
l = ∑i =1 log[ν (ti )] − ∫ ν (t )dt
n t0

Esquema 2.
Las funciones L y l igual que el Esquema 1,
sustituyendo t0 por t n .
 Inferencia:

Esquema 3.
Función de verosimilitud
ni
⎛ bi
⎞
⎧ m
⎫ m ⎜
⎝ ∫ ν (t ) dt ⎟
⎠
L = exp⎨− ∑ ∫ ν (t )dt ⎬ ∏
b i ai

⎩ i =1 ai ⎭ i =1 ni

Función logverosimilitud
m ⎧
l = ∑i =1 ⎨ni log ∫ ν (t )dt − ∫ ν (t )dt ⎫⎬
⎡ bi
⎤ bi

⎩ ⎢⎣ ai ⎥⎦ ai ⎭
 Inferencia:

Modelo Loglineal, esquema 1.

Función de intensidad
ν (t) = exp( β 0 + β1t)

Función logverosimilitud
exp( β 0 ){exp( β1t0 ) − 1}
l = nβ 0 + β1 ∑i =1 ti −
n

β1
 Inferencia:
Matriz de información observada
I = (−∂ l / ∂β 0 ∂β1 )
2

Matriz de varianzas y covarianzas

Cov( β 0 , β1 ) = I −1

En particular, el error estándar de β̂1 es

{ } (∑ t ) / n⎫⎬⎭
1/ 2
se( βˆ1 ) = ⎧⎨βˆ1−1 ∑i =1 i 1 0
n n 2
t ( β
ˆ t − 2) + nt −
i =1 i
⎩
0
 Inferencia:

Bondad de ajuste. Prueba de Laplace

Hipótesis Nula a probar: El proceso de Poisson es

Homogeneo, esto es, β1 = 0 .

Esta prueba se basa en el estadístico

∑
n
t i − (1 / 2) nt
U= i =1 0

t0 (n / 12) 1/ 2

Bajo la hipótesis nula, esta estadística tiene una distribución

aproximadamente normal.
 Inferencia:
Ejemplo. Fallas del motor del submaríno.
Modelamos de los tiempos de falla no programados, con un
PPNH loglineal, con función de intensidad
λ (t ) = exp( β 0 + β1t )

Los estimadores de máxima verosimilitud de los parámetros,

son los valores que maximizan la función logverosimilitud

exp( β 0 ){exp(15070 β1 ) − 1}
l = 56 β 0 + 461731β1 −
β1
 Inferencia:
Ejemplo. Fallas del motor del submarino.
Los estimadores son
βˆ0 = 3.73, βˆ1 = 0.57, se( βˆ1 ) = 0.47
Estos valores sugieren que el valor de βˆ1 no es significativo
estadísticamente. Utilizando la prueba de homogeneidad de
Laplace, tenemos
∑
n
t − (1 / 2)nt0
i =1 i 461731 − 56 ×15070 / 2
U= = = 1.22
t0 (n / 12)1/ 2 15070 56 / 12
El valor del estadístico de prueba es muy pequeño, por lo
cual no podemos rechazar la hipótesis de función de
intensidad constante para estos datos.
 Crecimiento de la confiabilidad
El objetivo de las pruebas de crecimiento de confiabilidad es
mejorar la confiabilidad a través del tiempo, introduciendo
cambios en el diseño del producto y en el proceso de
manufactura.

Prueba de Evaluación de
Diseño inicial
crecimiento confiabilidad

Análisis de
Rediseño ingeniería

El ciclo del crecimiento de la confiabilidad

 Crecimiento de la confiabilidad
M (t )
MTTF objetivo
MF

Mi MTTF en la i-ésima prueba

MI MTTF en el ciclo inicial de prueba

t1 ti
El ciclo del crecimiento de la confiabilidad
 Crecimiento de la confiabilidad

λ (t )
λ1
Tasa de fallas

λ (t ) = abt b −1

λ2
λ3
λ4

t=0 s1 s2 s3 s4
Modelo AMSAA de crecimiento de confiabilidad
(Army Material Sistems Analysys Activity , 1984)
 Crecimiento de la confiabilidad
Sean 0 < s1 < s2 < ... < sk los tiempos de prueba
acumulados en los que se hacen modificaciones al diseño.

Suponemos que las tasas de falla son constantes entre los

cambios de diseño.

El número de fallas durante el i-ésimo período de prueba,

tiene una función de probabilidad Poisson dada por

[λi ( si − si −1 )] exp( −λi ( si − si −1 ))

n
P ( N i = n) =
n
 Crecimiento de la confiabilidad
Si t es el tiempo de prueba acumulado y n(t) es el número
acumulado de fallas al tiempo t de pruebas, entonces

[λ (t )] exp( −λ (t ))
n
P (n(t ) = n) =
n
donde la tasa de fallas acumulada es de la forma
⎧
⎪ λ1t 0 ≤ t < s1
⎪
λ (t ) = ⎨ λ1s1 + λ2 (t − s1 ) s1 ≤ t < s2
⎪λ1s1 + λ2 s2 + λ (t − s2 ) s2 ≤ t < s3
⎪
⎩..........
 Crecimiento de la confiabilidad

En la practica se aproxima el modelo por un PPNH con la

función de intensidad de potencia,

λ (t ) = abt b −1
Los procesos de Poisson en confiabilidad son
de gran utilidad para modelar procesos de
fallas en:
Sistemas reparables
Mantenimiento
Crecimiento de la confiabilidad
Confiabilidad de software
GRACIAS