w

w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 3
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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:
Dado 0 < p < 1, por t
p
se denotar al cuantil p de F(t), i.e., t
p
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):
) ( ) ( 1 ) ( ) ( t T P t F t R t S >
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:
[ ]

0
) ( dt t f t T E MTTF
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:
) ( ) (
) ( ) (
) , (
1 1 2
2 1
2 1
t R t t
t R t R
t t h

Observar que R(t
1
) R(t
2
) representa la proporcin de dispositivos totales que, habiendo
sobrevivido al instante t
1
, han fallado en el intervalo (t
1
,t
2
). Al dividir esta diferencia por
R(t
1
) se obtiene la proporcin de dispositivos supervivientes a t
1
que han fallado en (t
1
,t
2
),
i.e.:
) (
) ( ) (
1
2 1
t R
t R t R

es la probabilidad condicional de que un dispositivo que haya sobrevivido al instante t
1

falle en el intervalo (t
1
,t
2
). Finalmente, al dividir por la longitud del intervalo, obtenemos la
proporcin anterior (su media) por unidad de tiempo.
Haciendo tender t
2
a t
1
, obtenemos la llamada tasa de fallo o tasa de riesgo:
) (
) (
) (
) (
) (
) (
) ( ) (
) ( ) (
lim ) (
1
1
1
1
1
1
1 1 2
2 1
1 2
1
t R
t f
t R
t F
t R
t R
t R t t
t R t R
t h
t t

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.

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


t
du u f t T P t F
0
) ( ) ( ) (
dt
t dF
t f
) (
) (
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 4
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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).









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):
) (
) (
- ) (
) (
) (
1
-
) (
) (
) (
) (
) (
t R
t dR
dt t h
dt
t dR
t R t R
dt
t dF
t R
t f
t h
(
,
\
,
(
j

si ahora tomamos integrales a ambas partes:
[ ] ) ( log - ) ( log -
) (
) (
) (
0
0 0
t R u R du
u R
u dR
du u h
t
t t



de donde:
]
]
]
]
,
,

t
0
h(u)du -
) ( e t R

Tiempo
T
a
s
a

d
e

f
a
l
l
o

h(t)
PERODO DE
DESGASTE
T suele seguir
una distribucin
Weibull
PERODO
INFANTIL
T suele seguir
aprox. una
distrib. Weibull
ETAPA VIDA
TIL
T suele seguir
una distrib.
Exponencial o
Weibull
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 5
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.
En los grficos anteriores muestran los dos tipos de censura: en el primero, el experimento
termina cuando se llega al instante t
0
; 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
1 T
1
t
0
T
3
t
0
T
5
T
6
t
0
2
3
4
5
6
7
....
t
0
CENSURA TIPO I
El Dispositivo falla
Tiempo
1 T
1
T
3
T
5
T
6
2
3
4
5
6
7
....
CENSURA TIPO II
T
2
Tiempo
1
2
3
4
5
6
7
....
CENSURA A DERECHA
Tiempo
Fallo observado
Fallo NO observado
1
2
3
4
5
6
7
....
CENSURA A IZQUIERDA
Tiempo
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 6
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).
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 H
0
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 .

Fallo observado
Fallo NO observado
1
2
3
4
5
6
7
....
CENSURA ARBITRARIA O POR INTERVALOS
Tiempo
1
2
3
4
5
6
7
....
CENSURA SIMPLE
Tiempo
1
2
3
4
5
6
7
....
CENSURA MLTIPLE
Tiempo
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 7
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
H0 : Todos los grupos son (aprox.) iguales

H
1
: Todos los grupos NO son iguales
H
0
: El modelo propuesto NO es mejor que el modelo nulo (i.e.: todos los coeficientes son cero)

H
1
: El modelo propuesto es significativamente mejor que el nulo (i.e.: no todos los coeficientes
Habitualmente se toma = 0,05, con lo cual slo en 5 de cada 100 casos en los que H
0
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.

As, cuando se use un test
2
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:

.

Obtener aqu un p-valor significativo implicar que la distribucin utilizada no es buena para ajustar
los datos.
Si se recurre a un test
2
para contrastar posibles diferencias entre grupos muestrales, las hiptesis
sern:



Un p-valor significativo implicar aceptar la existencia de diferencias entre grupos.
Finalmente, un test
2
para determinar la validez de un modelo de regresin ser de la forma:


Si el test resulta significativo, se tendr que al menos una de las variables explicativas del modelo
afecta al valor de la variable dependiente.
= Pr(rechazar H
0

cuando H
0
cierta)

p-valor <= ?
Rechazar H
0

NO rechazar H
0

Fijar = 0,05 0,01 0,005
segn nivel de exigencia
H
0
: Las observaciones corresponden (aproximadamente) a una distrib. Exponencial

H
1
: Las observaciones NO corresponden a una distrib. Exponencial
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 8
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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:

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 Inicio Int. Entrantes Censurados En Riesgo Fallados Prob. Fallo Prob. Superv. R(t) f(t) h(t)
1 0,00 65 14 58,0 19 0,3276 0,6724 1,0000 0,0020 0,0024
2 161,36 32 4 30,0 4 0,1333 0,8667 0,6724 0,0006 0,0009
3 322,73 24 4 22,0 0 0,0227 0,9773 0,5828 0,0001 0,0001
4 484,09 20 4 18,0 1 0,0556 0,9444 0,5695 0,0002 0,0004
5 645,45 15 1 14,5 1 0,0690 0,9310 0,5379 0,0002 0,0004
6 806,82 13 3 11,5 1 0,0870 0,9130 0,5008 0,0003 0,0006
7 968,18 9 1 8,5 2 0,2353 0,7647 0,4572 0,0007 0,0017
8 1129,55 6 1 5,5 0 0,0909 0,9091 0,3496 0,0002 0,0006
9 1290,91 5 1 4,5 1 0,2222 0,7778 0,3179 0,0004 0,0015
10 1452,27 3 2 2,0 0 0,2500 0,7500 0,2472 0,0004 0,0015
11 1613,64 1 0 1,0 0 0,5000 0,5000 0,1854 0,0006 0,0031
12 1775,00 1 1 0,5 0 1,0000 0,0000 0,0927 --- ---
Dispositivos Estimaciones
TABLA DE SUPERVIVENCIA (Life Table)
Funcin de Supervivencia R(t)
0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10 11
Intervalo
P
r
o
b
a
b
i
l
i
d
a
d
f.d.p. f(t)
0,0000
0,0005
0,0010
0,0015
0,0020
0,0025
1 2 3 4 5 6 7 8 9 10 11
Intervalo
P
r
o
b
a
b
i
l
i
d
a
d
Tasa de Riesgo h(t)
0,0000
0,0010
0,0020
0,0030
0,0040
1 2 3 4 5 6 7 8 9 10 11
Intervalo
T
a
s
a

d
e

R
i
e
s
g
o
f.d. F(t)
0,00
0,20
0,40
0,60
0,80
1,00
1 2 3 4 5 6 7 8 9 10 11
Intervalo
P
r
o
b
a
b
i
l
i
d
a
d
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 9
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
La distribucin de los tiempos de supervivencia (o tiempos de fallo) se divide en un determinado
nmero de intervalos. Se denotar por (t
i-1
, t
i
] al i-simo intervalo. Para cada intervalo se registra el
nmero de observaciones o dispositivos que han entrado en buen estado n
i
(entrantes), el nmero de
los que han fallado en l d
i
(fallados), y el nmero de observaciones perdidas o censuradas en l r
i

(censurados).
A partir de estos datos, es posible calcular otros estadsticos adicionales que se describen a
continuacin:
Nmero de observaciones en riesgo n
i
: 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:
2
i
i i
r
n n
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
i
i
n
d
p
'

Probabilidad de supervivencia: es la proporcin de observaciones en riesgo que
sobreviven (1 probabilidad de fallo):
i i
p q

1

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):
( )

1
1
1
1 ) (

i
j
j i i
p t S S
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:
1
1

i i
i i
i
t t
S S
f
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:
2 / ) (
) (

1
1
+
+

i i
i i
i
i
n n
t t
d
h
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).
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 10
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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:
(
,
\
,
(
j

- y
y Y P y F ) ( ) , ; (
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 =

y
) , ; y ( F
nor
donde
nor
es la f.d. de una N(0,1)
Logstica =

y
) , ; y ( F
is log
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:
(
,
\
,
(
j

) log(
) , ; (
t
t F LogNormal
nor

(
,
\
,
(
j

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

(
,
\
,
(
j

) log(
) , ; (
t
t F Weibull
ve
donde
ve
(z) = 1 exp{-exp(z)}
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 11
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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:
0 , t 0 > < < t t f exp ) (
0 50 100
0,00
0,05
0,10
0,15
0,20
0,25
t
f
(
t
)
f.d.p. de una Exponencial
lamda = 0,250
lamda = 0,125
0 50 100
0,0
0,5
1,0
t
F
(
t
)

f.d. de una Exponencial
lamda = 0,250
lamda = 0,125
0 50 100
0,0
0,5
1,0
t
S
(
t
)
Funcin de Supervivencia de una Exponencial
lamda = 0,125
lamda = 0,250
0 50 100
0,15
0,20
0,25
t
h
(
t
)
Tasa de Riesgo de una Exponencial
lamda = 0,125
lamda = 0,250
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 12
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Una generalizacin de la distribucin anterior sera la distribucin exponencial bi-paramtrica, cuya
f.d.p. es de la forma:
(
,
\
,
(
j

t
t f exp
1
) , ; ( ,
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:
0 , 0 , t 0
t
exp
t
) t ( f
1
> > < <

(
,
\
,
(
j

(
,
\
,
(
j

Observar que cuando =1, basta con tomar = 1/ para obtener la f.d.p. de la distribucin
exponencial.
20 10 0
0,15
0,10
0,05
0,00
t
f
(
t
)
f.d.p. f(t) Weibull para escala = 10
forma = 4
forma = 2
forma = 1
0 10 20
0,0
0,5
1,0
t
F
(
t
)
f.d. F(t) Weibull para escala = 10
forma = 1
forma = 4
forma = 2
0 10 20
0,0
0,5
1,0
t
R
(
t
)
Funcin Supervivencia Weibull para escala = 10
forma = 4
forma = 1
forma = 2
0 5 10
0,0
0,1
0,2
0,3
0,4
t
h
(
t
)
Tasa Riesgo h(t) Weibull para escala = 10
forma = 1
forma = 4
forma = 2
w
w
w
.
.
c
o
m
M
a
t
e
m
a
t
i
c
a
1
Conceptos bsicos de Fiabilidad
Proyecto e-Math 13
Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
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 .
Inversamente, dada una v.a. YN(,), la variable aleatoria T = e
Y
seguir una distribucin
Lognormal (base e) de parmetros = (localizacin) y = (escala), cuya f.d.p. ser:
( ) 0 t >

2
2
) ln(
2
1
exp
2
1
) ( t
t
t f
0 1 2 3 4 5
0,0
0,5
1,0
1,5
t
f
(
t
)
f.d.p. f(t) Lognormal para mu = 0
sigma = 0,3
sigma = 0,5
sigma = 1
0 1 2 3 4 5
0,0
0,5
1,0
t
F
(
t
)
f.d. F(t) Lognormal para mu = 0
sigma = 0,3
sigma = 0,1
sigma = 1
0 1 2 3 4 5
0,0
0,5
1,0
t
R
(
t
)
Funcin Supervivencia Lognormal para mu = 0
sigma = 0,3
sigma = 0,1
sigma = 1
0 1 2 3 4 5
0
1
2
3
4
t
h
(
t
)
Tasa Riesgo h(t) Lognormal para mu = 0
sigma = 0,3
sigma = 0,1
sigma = 1