FUNDAMENTAREA UNOR MODELE DE CRESTERE A

FIABILITATII
Asupra modelelor Duane si AMSAA

ANGELICA BACIVAROV* si IOAN C. BACIVAROV*

1. Consideratii preliminare

Cresterea fiabilitatii reprezinta o strategie – deopotriva tehnica si manageriala -de

imbunatatire a fiabilitatii produselor aflate in faza incipienta a fabricatiei, prin intermediul
unui proces iterativ de tipul testare - reproiectare - testare.
Modelarea cresterii fiabilitatii are drept scop estimarea eficacitatii acestei actiuni, a
rezultatelor ce pot fi obtinute in intervalul de timp disponibil si a masurilor si mijloacelor
materiale necesare pentru aducerea acestor rezultate la nivelul cerintelor fiabilistice (niveluri de
fiabilitate) consacrate pe plan mondial.
Intr-o lucrare anterioara [1] au fost analizate principalele concepte legate de cresterea
fiabilitatii si au fost introdusi parametri specifici.
In cadrul lucrarii de fata vor fi fundamentate din punct de vedere matematic si analizate
comparativ modele de crestere a fiabilitatii. Pornind de la acest studiu, autorii au implementat
un pachet de produse software, a carui prezentare va face obiectul unei lucrari viitoare; aceste
produse software permit estimarea parametrilor programelor de crestere a fiabilitatii pornind de
la datele experimentale si predictia - pe aceasta baza - a cresterii fiabilitatii.

2. Asupra modelelor de crestere a fiabilitatii

Modelarea cresterii fiabilitatii presupune gasirea unor functii capabile sa ofere predictii
plauzibile in desfasurarea programelor de crestere. Marea varietate a seturilor de date ce se obtin
in etapele iterative de testarea a fiabilitatii a dus, la dezvoltarea de-a lungul ultimelor trei
decenii unui numar mare de modele care au in vedere fie acoperirea unui spectru cat mai larg de
domenii, fie sunt specializate asupra unor domenii particulare; mentionam intre acestea
modelele Duane, Duane-AMSAA, Compertz, Weiss, Chernoff-Woods, Wolman s.a. Unele
dintre aceste modele pot fi utilizate atat in cazul sistemelor hardware, cat si a celor software, in
timp ce altele doar pentru una dintre aceste categorii de sisteme.
In cadrul lucrarii de fata vor fi avute in vedere modelele de crestere a fiabilitatii ce pot fi
utilizate in cazul sistemelor materiale (hardware)
__________________________
*Profesor universitar doctor, Catedra Tehnologie Electronica si Fiabilitate, Universitatea "Politehnica"
din Bucuresti

1
 O atentie speciala va fi acordata modelului Duane-AMSAA, care este, in diferitele sale
variante - de departe - cel mai utilizat si mai bine validat model de crestere a fiabilitatii
Analiza va urmari prezentarea expresiilor analitice ale modelelor, a metodelor de
determinare a parametrilor si a justificarilor matematice ale acestor metode.
Alaturi de analiza metodelor "consacrate" sunt dezvoltate si metodologii imbunatatite
pentru calculul parametrilor celui mai raspandit dintre modelele de crestere a fiabilitatii -
modelul Duane-AMSAA.

3. Modelul Duane

Pe baza observatiilor experimentale realizate asupra a mai multor tipuri de sisteme

dezvoltate de catre firma General Electric, J.T. Duane a stabilit in mod empiric (la inceputul
anilor ‘60) o dependenta liniara - in coordonate dublu logaritmice - dintre timpul cumulat de
testare si rata de defectare cumulativa (timpul mediu de buna functionare). Pornind de la aceasta
dependenta, exprimata ca
ln  (t )     ln t (1)
rezulta - in coordonate liniare - relatia:
 (t )  e   ln(t )  kt (  ) , (2)
unde s-a utilizat notatia k  e  , iar  (t ) reprezinta rata de defectare cumulativa.
Pentru MTBF cumulativ rezulta
MTBFc (t )  k 1t  (3)
ln  (t )

 01
panta (  1 )
 02

panta (  2 )

t02 t01 ln t

Fig.1 Modelul Duane

2
 Termenul "cumulativ" este folosit in ambele cazuri pentru a indica faptul ca estimarea se
face pentru intreaga evolutie anterioara a procesului, deci tinand cont de toate valorile anterioare
ale ratei de defectare(fig.1).
Tinand cont de modul de definire a ratei de defectare cumulative
N (t )
 (t )   kt  (4)
t
rezulta ca numarul de defecte cumulat la momentul t va fi:
N (t )  kt  ( 1)  kt  (5)
unde s-a notat   1   .
Deci rata de defectare instantanee r(t) care reprezinta variatia lui N(t) in unitatea de timp va avea
valoarea:

dN (t )
r (t )   kt  1 . (6)
dt
Aceasta expresie coincide cu rata de defectare a unui proces de tip Weibull, observatie ce
a permis ulterior o importanta imbunatatire a insasi modului de abordare cresterii fiabilitatii,
prin trecerea la metode statistice. O varianta a modelului Duane intens utilizata in practica, care
ia in consideratie acest factor, este modelul AMSAA; acest model, in diferitele sale variante, va
fi analizat pe larg in partea a doua a acestei lucrari.
Revenind la modelul Duane propriu-zis, trebuie mentionat ca deducerea parametrilor k si
 se face pe baza perechilor de date experimentale, pe cale grafica, avandu-se in vedere
urmatorii pasi:
 Se reprezinta, in coordonate dublu logaritmice pe baza ai relatiei relatiei (5), punctele

N (t )
succesive ln  ln k   ln t .
t

 Se traseaza dreapta care interpoleaza cel mai bine punctele obtinute, tinand cont de faptul ca
fiecare punct contine toata informatia pe care o pot da punctele anterioare (se lucreaza cu
valori cumulative) si deci acordand o atentie mai mare celor mai recente puncte,
 In final, se masoara pe grafic panta si valoarea pantei dreptei la momentul t=1, valori ce
constituie estimarile parametrilor  si respectiv k (fig.1).
Folosind aceste valori, relatia  (t)  kt  permite extrapolari in vederea evolutiei
viitoare a sistemului in procesul de crestere a fiabilitatii, in ipoteza ca efortul de dezvoltare a
sistemului si conditiile adiacente acestei dezvoltari vor ramane neschimbate.
Marea simplitate formala si usurinta utilizarii acestui model l-au impus, intr-o prima
etapa, drept principalul element teoretic al modelarii cresterii fiabilitatii; si , desi ulterior a fost
practic inlocuit de modelul AMSAA, de altfel direct derivat din modelul Duane, acesta isi
pastreaza importanta ca mijloc conceptual in intelegerea problemelor cresterii fibilitatii.

3
 Intr-adevar, inca de la aparitia modelului, dependenta liniara (in coordonate log-log)
dintre rata de defectare si timp a impus analogia cu asa numita "functie de invatare", reflectand
cresterea eficacitatii unei activitati realizate pentru prima data pe masura familiarizarii
subiectului uman cu obiectul asupra caruia isi fixeaza atentia, si in conditiile ambientale.
Modelul Duane poate fi inca folosit in practica, dar numai atunci cand la aplicarea
modelului AMSAA, valoarea parametrului Cramer von Mises calculata din observatii este
considerabil mai mica decat valoarea critica corespunzatoare testului respectiv, lucru ce se
traduce printr-o grupare vizibila a punctelor experimentale pe traiectoria sau in imediata
vecinatate a dreptei de interpolare.

4. Modelul AMSAA

Modelul AMSAA, numit astfel dupa numele comisiei insarcinate cu elaborarea sa in

cadrul programelor militare americane de studiu a cresterii fiabilitatii -Army Material Systems
Analysis Activity - si-a demonstrat cu atata eficacitate utilitatea, incat intr-un interval de timp
scurt s-a impus drept referinta in modelarea cresterii fabilitatii.
Acest model porneste de la premisa ca in timpul testarii unui produs supus procesului de
crestere a fiabilitatii, defectarile urmeaza un proces de tip Weibull cu r (t )  t  1 , unde 
>0, 0<  1. Pentru  =1 avem r(t)=  si suntem in cazul exponential, in schimb pentru  <1,
r(t) este o functie scazatoare in timp, lucru ce echivaleaza cu o imbunatatire a fiabilitatii.
In paragraful anterior, considerand =-1, am aratat ca modelul Duane se bazeaza pe o
relatie similara. Dar exista deosebirea esentiala ca modelul Duane studiaza cresterea fiabilitatii
considerand-o determinista, in timp ce modelul AMSAA ia in consideratie caracterul aleator al
defectarilor, permitand astfel prelucrarea prin metode statistice a rezultatelor experimentale.
Pot fi astfel obtinute estimari cu intervale de incredere si se pot introduce criterii de
verificare a oportunitatii modelului, avantaje ce au transformat modelul AMSAA in cea mai
utilizata metoda relativ la cresterea fiabilitatii sistemelor hardware.
Desi unitar, modelul AMSAA are mai multe variante ce corespund diferitelor tipuri
incercari (testari). In continuare vor fi analizate acele variante care corespund celor mai utilizate
forme de testare folosite in cazul cresterii fiabilitatii, respectiv incercarilor trunchiate, cenzurate,
cu date atributive, cu defectare si respectiv cu nedefectare la testul final.

4.1. Modelul AMSAA - Test cenzurat

In acest caz, testarea se incheie dupa un numar predeterminat de defectari. Datele initiale
sunt cele n momente de defectare ti , pentru care au fost elaborate metode de determinare a

4
parametrilor  si  , a intervalului de incredere pentru  si a predictiilor pentru viitorul
apropiat. Intrucat referintelereferitoare la acest subiect se rezuma -in general- la o prezentare
sumaraaa formulelor utilizate, in continuare va fi stabilita si o justificare teoretica a respectivelor
expresii.
Pornind de la datele experimentale, se vor stabili mai intai - prin metoda verosimilitatii
maxime- estimatiile parametrilor  si  .
Metodologia utilizata se bazeaza pe metoda verosimilitatii maxime, care va fi
prezentata pe scurt in cele ce urmeaza:
Se considera o populatie statistica in care sunt definite r variabile aleatoare  1…  r , se
presupune ca densitatea de probabilitate a acestei repartitii r-dimensionale depinde de s
parametri  1…  s, adica este de forma f(x;  1…  s), unde x=(x1…xr) este un vector in
spatiul cu r dimensiuni, iar variabila  i poate lua valorile xi1…xin. Daca se noteaza cu xk=(x1k…
xrk) ansamblul valorilor luate de cele r variabile aleatoare in incercarea k, functia de
verosimilitate are expresia:
n
 (x1...xn;  1…  s) =  f ( x k ; 1 ...s ) (7)
k 1

Valorile parametrilor  1…  s se determina cu conditia ca functia de verosimilitate 

sa aiba valoarea maxima. Cum insa maximul lui  are loc odata cu maximul functiei (ln  ),
valorile parametrilor  k , k= 1, s , se determina din sistemul de ecuatii:
 ln  ( x1 ... x n ; 1 ...s )
0 , k= 1, s (8)
k

Ecuatiile (8) se numesc ecuatii de verosimilitate, iar solutiile sistemului pe care ele il
formeaza, k cu k= 1, s , se numesc estimatii de verosimilitate maxima sau indicatori de
probabilitate maxima.
Aceasta metoda va fi aplicata in cazul modelului AMSAA.
Deoarece

f (t ) 

t
F (t ) 
t

 tt  1
e   1
   (   1)t  2 e tt , (9)

se poate construi functia de verosimilitate de forma:

n
    (   1)t j 2 e t
 1

.
j 1

Utilizand pasii mentionati anteriori ai metodei verosimilitatii maxime, rezulta:

n
ln    (ln   ln   ln(1   )  (   2) ln t j  t j 1 )
j 1

 ln  n
1 1 
    ln t j  t j 1   t j 1 ln t j  (10)
 j 1   1  

 ln  n
1 
    t j 1 
 j 1   
5
  ln 
Egaland cu zero, se obtine

n
N
   t j 1 , de unde
 j 1

N
 n
  t j 1 (11)
j 1

Inlocuind valoarea obtinuta in (10), rezulta:

  
  
 ln  n
1 N 1 N ln t j  1 
    ln t j  n  N ln t n  n  
   n
j 1

  t j 1  t j 1   t j 1  
 j  1 j 1  j 1 
  
n 
 
1  N 
    ln t j  ln t n 1  n


j 1     1 
   t j 
  j 1 

 ln  n
1 
Utilizand relatia (8), deci egaland

cu 0, rezulta     ln t j  ln t n   0 .
j 1  
Astfel, se obtine:
N
N
 N ln t N   ln t j ,deci
 j 1

N 1
N
 ( N  1) ln t N  ln t N   ln t j  ln t N ,
 j 1

de unde rezulta estimatia punctuala a parametrului 

N
ˆ  N 1
( N  1) ln t N   ln t j (12)
j 1

Analog, din (11) rezulta estimatia punctuala a parametrului :

N
ˆ  (13)
(t N ) 

Expresiile anterioare ce reprezinta estimatiile de verosimilitate maxima ale celor doi

parametri  si  in cazul unei incercari cenzurate.
Dar fiind vorba de marimi statistice, se poate construi un interval mai larg in jurul
acestor valori, interval in care valorile reale se vor incadra cu o probabilitate apriori aleasa.
Un astfel de interval poarta numele de interval de incredere, iar probabilitatea de
incadrare in limitele sale a valorilor reale ale parametrilor analizati reprezinta nivelul de
incredere.
Vom prezenta pe scurt fundamentarea matematica a estimatiei cu interval de incredere.

6
 Se presupune ca este data densitatea de repartitie f(x,  ) care contine parametrul
necunoscut  si ca, efectuand o selectie de volum n, x 1 …x n , exista doua statistici 1 (x 1 …
x n ) si 2 (x 1 …x n ) astfel ca probabilitatea inegalitatii
1 (x 1 …x n )    2 (x 1 …x n ) (8)
sa nu depinda de  . Deci se considera:
P[ 1 (x 1 …x n )    2 (x 1 …x n )]=  (9),
unde  nu depinde de  . Rezulta ca daca numarul  este foarte apropiat de 1, inegalitatea (8)
este indeplinita in cele mai multe cazuri; pentru o selectie realizata, 1 si 2 iau valori bine
determinate. A fost gasit deci un interval [ 1 , 2 ] care il contine pe  cu o probabilitate  .
Cu cat acest interval [ 1 , 2 ] este mai mic si probabilitatea  este mai apropiata de 1, cu atat
avem o indicatie (estimatie) mai precisa cu privire la parametrul  .
Intervalul variabil [ 1 , 2 ] care acopera punctul  se numeste interval de incredere,
iar numarul  din relatia (9) nivel de incredere al intervalului [ 1 , 2 ]. Multimea punctelor
de selectie (x 1 …xn) pentru care are loc relatia (8) constituie regiunea de acceptare pentru  .
Exista doua situatii distincte in care se pot determina intervalele de incredere:
1. Presupunand ca exista o functie h(x 1 …x n ,  )strict monotona in raport cu  , astfel

incat probabilitatea de a avea a  h(x 1 …x n ,  )  b sa nu depinda de  , putem gasi doua

numere a(  ) si b(  ) astfel incat P[a(  )  h(x 1 …x n ,  )  b(  )]=  , unde  va fi ales
apropiat de 1.
2. Fie h(x 1 …x n ) o statistica avand functia de repartitie continua F(x;  ) si densitatea
de probabilitate continua f(x;  ). Fie de asemenea g 1 (  ;  ) doua functii de  si  care
satisfac egalitatile:
g1 (  ; )

 f ( x;  )dx  k (1   )
a
1

(10)
b

 f ( x;  )dx  k
g 2 (  ; )
2 (1   )

unde k1 si k2 sunt numere pozitive asa incat k1+k2=1. In ipoteza ca [a,b] este intervalul valorilor
functiei h(x1…xn) avem evident:
b g 2 (  ; )


a
f ( x;  )dx  1 , de unde rezulta ca  f ( x;  )dx  
g1 (  ; )

Daca functia g1(  ;  ) este descrescatoare in raport cu  iar functia g2(  ;  ) este
crescatoare in raport cu  se poate construi un interval de incredere pentru  . Intr-adevar,
rezulta ca:

7
 P[g1(  ;  )  h(x1…xn)  g2(  ;  )]=  si implicit
P[ 1 (x1…xn;  )    2 (x1…xn;  )]= 
Revenind la cazul modelului AMSAA, se pot identifica doua functii de tipul g1 si g2 cu
ajutorul repartitiei  2 . Se observa ca densitatea de repartitie a acesteia :
n x
1 1
f (t )  x 2 2 2
e
n
n cu x  [0; ), n
2   
2 n

2
   
permite utilizarea a doua functii g1  f  x;1   , g 2  f  x;  astfel incat egalitatile (10) sa
 2  2

ˆ  egal, din expresia (6), cu

fie indeplinite. Daca se alege ca factor de scala raportul
2N

1
 N 
t 
2 ln   N   astfel incat inegalitatile sa tina cont de estimarea anterioara a lui  , se
j 1  t j

 
obtine:

2N 2  ˆ  2  ˆ
2    2 si deci 1 , 2 M ,2 M
1 , 2 M
2 ˆ
2
,2 M 2
  2
2N 2N
M ˆ
Deoarece M=N-1, putem uniformiza notatiile considerand ˆ   . Relatia devine:
N

2  ˆ  2  ˆ
1 , 2 M
2
  2
,2 M
; (11)
2M 2M
ˆ
corespunzator, pentru  se obtin din relatia  
N
ˆ
 xN   doua inegalitati similare.

In acest moment se poate trece deci la evaluarea predictiilor necesare, pe baza estimarilor
anterior prezentate ale parametrilor  si  .
Totusi, este utila o verificare a oportunitatii utilizarii modelului AMSAA, intr-o situatie
concreta data intrucat distributia punctelor experimentale ar putea fi de asa natura incat folosirea
unui alt model sa permita o aproximare mai precisa. In consecinta este recomandata utilizarea
statistici Cramer von Mises calculata din observatii, marime utilizata pentru estimarea erorii:
 2
M 
1  X  2i  1
C 2
M     i    (12)
12 M i 1  X N  2M 
 
Aceasta se compara cu valoarea corespunzatoare aceluiasi M si unui coeficient  de
admisibilitate, valoare extrasa dintr-un tabel precalculat pe baza valorilor expresiei C 2M pentru
aproximari din ce in ce mai imprecise ale punctelor experimentale de catre curba modelului
AMSAA. Daca C2M EXP depaseste acest prag, modelul AMSAA este respins. In caz contrar se

8
poate trece la partea finala a algoritmului, realizarea predictiilor, pe baza estimarilor realizate
anterior ale parametrilor  si  .
~
Trebuie insa precizat ca in practica s-a constatat ca valoarea  calculata ca mai sus este

M
sistematic mai mare decat cea reala de ori. In consecinta valoarea utilizata in toate
M 1
aplicatiile este:
 M 1 ~ N  2 
   
M N
valoare pe care o vom considera in continuare ca fiind atribuita implicit parametrului  ori de
cate ori il vom folosi.
Cu  si  de mai sus, folosind r(t)=   t  1 se pot face evaluari ale ratei de
defectare atat in interiorul intervalului (t1, tN) cat si in afara acestuia, in speta pentru o perioada
egala cu un procent important (pana la 50%∙(t N-t1)) din timpul de testare deja trecut. Intervalul
de incredere se calculeaza, pentru momentele ulterioare lui tN, in functie de estimarile obtinute la

1 1
momentul t; daca notam cu a  2  1 , 2 M , b  2   ,2 M , intervalul de incredere pentru t>t n
2 2

2 2

a ( N  1) b( N  1)
este rˆ(t )  r (t )  rˆ(t ) ,
N N
sau, inlocuind rata de defectare cu media timpului de buna functionare, notata simplificat

1
MTBF(t)=M(t)= .
r (t )

N M ˆ (t ) N M ˆ (t )
 M (t )  .
b( N  1) a ( N  1)

Modelul AMSAA - Test trunchiat

Practic, se foloseste aceeasi metodologie ca in cazul testarii cenzurate, cu deosebirea ca,

intrucat testarea nu se mai incheie dupa un anumit numar de defectari ci la un moment de timp
prestabilit, valoarea finala T va inlocui momentul corespunzator tN din cazul precedent in toate
relatiile in care tN aparea drept limita a testului. Astfel, aplicand absolut identic metodologia
expusa la 5.2.1. pentru obtinerea si reolvarea ecuatiilor de verosimilitate maxima, se vor stabili
relatii similare:
- estimatorul lui :
N N
̂   N
N
T 
 ln  N ln T   ln X i
i 1  Xi  i 1

9
 - estimatorul parametrilor de scala :
N
ˆ  ˆ
T
- valoarea direct utilizabila a parametrului de crestere:
N 1 ˆ
  
N
- expresia statisticii Cramer von Mises calculata din observatii cu scopul stabilirii
oportunitatii modelului AMSAA:
2
M 
2i  1 

1  Xi 
C 2
M       
12 M i 1  T  2M 
 

- intervalul de incredere pentru predictii:

rˆ( t )  ˆˆt  1
ˆ

a ( N  1) b( N  1)
rˆ(t )  r (t )  rˆ(t )
N N
1
MTBF 
r (t )

notatiile, modul de calcul si toate marimile implicite fiind aceleasi ca in paragrafele anterioare
Pe aceiasi baza, autorii au elaborat programele de calcul prezentarea acestor va face
obiectul unei lucrari AMSAA1 si AMSAA2 care constituie o exemplificare concreta a aplicarii
modelului AMSAA pentru teste trunchiate si cenzurate, de la inregistrarea perechilor de date
experimentale si pana la obtinerea predictiilor de fiabilitate pentru perioada de interes.

Modelul AMSAA - Date atributive cu defectare la testul final

Acelasi model AMSAA poate asigura o buna aproximare a datelor experimentale si

atunci cand rezultatele testarilor sunt inregistrate ca date atributive, de tipul
defectare/nedefectare. Deci este vorba de incercari in cadrul carora ceea ce se inregistreaza este
nu momentul fiecarei defectari ci numarul (in raport cu toate testarile) testarii la care se produce
defectarea; aplicarea acestei variante a modelului este proprie acelor echipamente solicitate
pentru scurt timp dar la intervale aleatoare si unde analiza timpului de buna funcrtionare
continua s-ar dovedi cu totul nerelevanta.
Intrucat modul de aplicare al modelului AMSAA este acelasi ca la cele doua tipuri de
testari prezentate anterior, majoritatea formulelor si in general metodologia de calculare a
estimatorilor raman neschimbate, deducerea lor facandu-se pe baza aceluiasi algoritm pus la
dispozitie de metoda verosimilitatii maxime.
Notand cu N numarul total de defectari si cu Xi numarul incercarii la care s-a produs
fiecare defectare, estimatorul parametrului de crestere  se calculeaza cu aceeasi formula:

10
 N
ˆ  N 1 N 2 ˆ
;   
( N  1) ln X N   ln X i N
i 1

iar estimatorul parametrului de scala:

N
ˆ  ˆ
XN
Oportunitatea utilizarii modelului AMSAA face apel la aceeasi statistica Cramer von
Mises,
 2
M 
1  X  2i  1
C 2
M     i   
12 M i 1  X N  2M 
 

care trebuie sa fie inferioara valorii admisibile; in fine, predictiile rˆ( X )  ˆˆX  1 si estimarile
ˆ

a ( N  1) b( N  1)
intervalelor de incredere rˆ( X )  r ( X )  rˆ( X ) , se fac in acelasi mod, cu
N N
deosebirea ca timpul t (ti) este inlocuit cu numarul incercarii X (Xi), iar media timpului de buna
functionare se transforma in numarul mediu de incercari dintre doua defectari succesive,
M(x)=1/r(x). De asemenea, intrucat in cazul datelor distributive rata de defectare este egala cu
probabilitatea de defectare, este posibila estimarea directa a fiabilitatii la incercarea a 10-a ca
ˆ ( X )  1  rˆ( X ) ,
R din intervalul de incredere calculat pentru r fiind posibila deci estimarea
directa a intervalului de incredere pentru fiabilitatea sistemului in momentul fiecarei incercari.

Modelul AMSAA - Date atributive cu nedefectare la testul final

Evident, asemanarea cu precedentul caz este frapanta; singura diferenta consta in luarea
in considerare a faptului ca testul final inceteaza a mai obtine o defectare, iar acest lucru se
traduce exclusiv prin modificarea formulei estimatorului parametrului de crestere :
N
ˆ  N
, intrucat la momentul final T nemaiproducandu-se o defectare,
N ln T   ln X i
i 1

xN≠T si reducerea lnT-ln(xi)=0 , folosita in cazul precedent, nu mai este posibila.

In rest, metodologia este absolut identica cu cea prezentata la testarea cu defectare in
incercarea finala, in subcapitolul 5.2.3.
Si pentru aceste doua variante ale modelului AMSAA, exemplificarile sunt continute de
doua programe AMSAA3 si AMSAA4.

BIBLIOGRAFIE

11
1. Angelica Bacivarov, I.C. Bacivarov, Asupra modelarii cresterii fiabilitatii in
Asigurarea Calitatii, vol V, 1999, no 19, pp. 7-10.
2. xxx Colectia revistei IEEE Transactions on Reliability, 1978-1999.
3. xxx Colectia revistei IEEE Transactions on System, Man and Cybernetics,
1981-1997.
4. xxx Colectia revistei Microelectronics and Reliability, 1973 –1995
5. xxx Proceedings of the Annual Reliability and Maintainability Symposium,
USA, 1985 – 1998.

12