Sunteți pe pagina 1din 30

UNIVERSIDAD SIM

ON BOL

IVAR
Notas del Curso de Conabilidad
Isabel Llatas Salvador
Sartenejas, Septiembre-Diciembre 2004

Indice general
1. Clase introductoria 4
1.1. Deniciones de probabilidad . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Deniciones de censura . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Modelos 7
2.1. No parametricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Parametricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1. Modelo exponencial . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2. Modelo Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3. Modelo Lognormal . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. De regresi on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1. Modelos para pruebas aceleradas . . . . . . . . . . . . . . . . 11
2.3.2. Modelos de peligro proporcional . . . . . . . . . . . . . . . . . 12
2.3.3. Modelos basados en la distribuci on Weibull . . . . . . . . . . . 12
3. Estimaci on 13
3.1. Cl asica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1. Formas gr acas . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2. Funci on de verosimilitud . . . . . . . . . . . . . . . . . . . . . 13
3.1.3. Bondad de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2. Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.1. Estimaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4. Conabilidad de Sistemas 18
4.1. Sistemas en Serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.1. Modos de falla . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2. Sistemas en Paralelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3. Sistemas en espera . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2
4.4. Sistemas complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4.1. r out of n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4.2. Combinaci on de sistemas . . . . . . . . . . . . . . . . . . . . . 21
4.5. Modelos de defectos y pruebas pre-venta . . . . . . . . . . . . . . . . 21
4.6. An alisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.6.1. M(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.6.2. F(t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5. Sistemas reparables 25
5.1. Sistemas reparables renovados . . . . . . . . . . . . . . . . . . . . . . 25
5.1.1. Proceso de Poisson Homogeneo . . . . . . . . . . . . . . . . . 26
5.2. Sistemas reparables no renovados . . . . . . . . . . . . . . . . . . . . 26
5.2.1. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.2. Pruebas gr acas . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2.3. Pruebas analticas . . . . . . . . . . . . . . . . . . . . . . . . . 29
3
Captulo 1
Clase introductoria
1.1. Deniciones de probabilidad
1. T: variable aleatoria que representa el tiempo de vida utl de un objeto (fsico o
biol ogico)
2. F(t): Funci on de distribuci on de probabilidad acumulada, F(t) = Pr{T t}
3. f(t) : Funci on de densidad de probabilidad ; f(t) = F

(t) (bajo la suposici on


que la funci on F es diferenciable).
4. R(t): Funci on de conabilidad (reliability) o de supervivencia, igual a la pro-
babilidad de que T sea mayor que t; R(t) = 1 F(t). Cuando se trata de un
objeto biol ogico la funci on se suele llamar de supervivencia y se denota como
S(t) en lugar de R(t)
5. h(t): Funci on de peligro, denida como la tasa instantanea de falla basada en
la denici on de la probabilidad condicional que el objeto deje de funcionar en
el pr oximo instante de tiempo dado que ha sobrevivido hasta ese momento
h(t) =
f(t)
R(t)
6. H(t) : Funci on de peligro acumulado, denido como
H(t) =
_
t
0
h(s)ds = ln R(t)
de donde sale que
F(t) = 1 exp{H(t)}
4
7. AFR : (Average Failure Rate) Tasa promedio de fallas, una manera natural es
dena la tasa de falla entre el tiempo t
1
y t
2
como
AFR(t
1
, t
2
) =
_
t
2
t
1
h(s)ds
t
2
t
1
Si se considera el intervalo de tiempo entre 0 y T se obtiene :
AFR(T) =
H(T)
T
con lo que se tiene tambien que
F(t) = 1 exp{T AFR(T)}
8. Unidades: Las tasas de falla de componentes de un sistema, sobre todo si son
electr onicos frecuentemente son muy peque nas y las unidades de fallas por
hora no son apropiadas. La escala mas frecuentemente usada para tasa de
fallas es el porcentaje de fallas por mil horas ( %K); esto es 1 %K signica que
se espera una tasa de una falla por cada cien componentes que operan por
1000 horas. Otra escala que es popular para denotar las fallas de componentes
altamente conables es partes por millon por 1000 horas que se denota o bien
como PPM/K o como FIT (Fails in time), que se corresponde en este caso a 1
falla de un mill on de componentes operando por 1000 horas.
9. Valor esperado o MTTF. (Mean time to failure), se corresponde al valor espe-
rado de la variable T.
MTTF
T
=
_

0
sf(s)ds
1.1.1. Ejercicios
1. Suponga que una poblaci on de componentes sigue el siguiente modelo de tiempo
de vida:
F(t) = 1 e
(t/2000)
0,5
a) Cu al es la probabilidad que un item nuevo fallar a antes de las 500 horas
de uso.
b) Calcule la tasa de falla para 10, 100, 1000, 10000, y 100000 horas de uso,
escriba las respuestas en unidades de %K y FITs.
2. Para la distribuci on F(t) = 1 (1 + 0,001t)
1
, encuentre la tasa de fallas y
calcule la tasa de falla en 100 y 10000 horas.
5
a) Cual es la tasa de fallas promedio entre 1000 y 10000 horas?
b) Si cinco componentes con esta distribuci on comienzan a funcionar al mis-
mo tiempo, cual es la probabilidad de que no experimenten fallas en las
proximas 1000 hr?
1.2. Deniciones de censura
Tipo I: Un experimento con n unidades en riesgo y se decide concluir el expe-
rimento en un tiempo predeterminado C. De esta manera se observa
y
i
= mn(t
i
, C)
Tiene la ventaja que se termina el experimento en un momento conocido, pero
tiene la desventaja que el n umero de unidades que fallan para el tiempo C
es desconocido y es posibel que no se obtenga suciente informaci on sobre la
conabilidad.
Tipo II: Se concluye el experimento cuando r unidades de las n han fallado,
buena pues se puede denir el n umero de unidades pero mala porque no se sabe
cuando se termina el experimento.
Datos de lectura (readout); en este caso se especica unos tiempos en los que
se revisa si las unidades estan funcionando o no, por lo que los datos estan
agrupados.
6
Captulo 2
Modelos
Suposici on general: Se asume que todos las unidades en prueba tienen la misma
distribuci on y son variables aleatorias independientes.
2.1. No parametricos
(Ojo modicado desde la vez anterior)

R(t) =
#{i : t
i
> t}
n
es decir la probabilidad de supervivencia es estimada por la proporcion de observa-
ciones que exceden a t.
Con observaciones censuradas, se dene el estadistico de orden de la muestra
como t
(1)
< t
(2)
< . . . < t
(r)
los primeros r fracasos ordenados. Sea R
j
el n umero de
unidades que est an en condiciones de trabajo justo antes de t
j
(conjunto en riesgo) y
sea D
j
el conjunto de unidades que fallan en ese momento, entonces el estimador de
Kaplan-Meier (1958) viene dado por:

R(t) =

j:t
(j)
t
_
R
j
D
j
R
j
_
Para t < t
(1)

R(t) = 1.
Ejemplo con un conjunto peque no de datos:
Observaciones sin censura
36.3 41.7 43.9 49.9 50.1 50.1 51.9
52.1 52.3 52.3 52.4 52.6 52.6 54.1
Observaciones censuradas
26.8 29.6 33.4 35 40 41.9 42.5
7
C alculos para el estimador de Kaplan-Meier
j t
(j)
R
j
D
j
(R
j
D
j
)/R
j

(R)(t
(j)
+ 0)
0 21 0 1.000 1.000
1 36.3 17 1 0.941 0.941
2 41.7 15 1 0.933 0.878
3 43.9 12 1 0.917 0.805
4 49.9 11 1 0.909 0.732
5 50.1 10 2 0.800 0.586
6 51.9 8 1 0.875 0.512
7 52.1 7 1 0.857 0.439
8 52.3 6 2 0.667 0.293
9 52.4 4 1 0.750 0.220
10 52.6 3 2 0.333 0.07
La desviaci on est andar asociada a este estimador se puede construir considerando
que para cada t se observa una variable tipo Bernoulli (Exito, Fracaso) con probabi-
lidad R(t) asi que
D.E.
_

R(t)
_
=

R(t)
_
_
_

(t)
D
j
R
j
(R
j
D
j
)
_
_
_
1/2
donde

(t)
denota las suma sobre todos los j tal que t
j
< t.
2.2. Parametricos
2.2.1. Modelo exponencial
Este es el caso m as sencillo de tiempos de vida considerando que la unidad no
envejece, por lo que se puede considerar que la funci on de peligro instantaneo es
constante, esto es:
h(t) =
A partir de alli se construyen las expresiones para las funciones de probabilidad,
densidad, etc.
Las unidades de son fallas por unidad de tiempo, si el tiempo es en unidades
de 1000 horas (abreviado como escribimos previamente como K, entonces son fallas
por K.
Ejemplito: Supongase que un transistor tiene una tasa de fallas instantanea =
0,04 %K. Cual es la probabilidad de que uno de estos transistores falle antes de 15000
horas de uso? Cuanto tiempo debe trascurrir para que esperemos 1 % de fallas?
8
Respuesta: Lo primero es que hay que convertir unidades, si lo quiero hacer por
horas = 0,04 10
5
o = 0,0000004. Entonces la probabilidad de falla antes de las
15000 horas es:
F(15000) = 1 exp{0,04 10
5
15 10
3
} = 0,006
Para encontrar el tiempo que debe trasnscurrir lo que tenemos es que despejar a t de
la ecuaci on F(t) = 0,01, lo que da t = 25,126 horas.
La distribuci on exponencial exhibe una propiedad que se conoce como falta de
memoria (equivalente a no envejecimiento), y es la unica distribuci on que tiene esa
propiedad:
Prob (Falle en el pr oximo )h| sobrevive en h) = Prob (Nueva unidad falle en h)
Otra propiedad que exhibe es la siguiente: Si se tiene un sistema de n componen-
tes, cada una de ellas con tiempo de vida modelado como exponencial y se supone que
el sistema falla cuando una de los componentes falla (sistema en serie), entonces la
distribuci on del tiempo de vida del sistema tambien es exponencial, y el riesgo instan-
taneo del sistema es igual a la suma de los riesgos instantaneos de los componentes.
( Saben como demostrarlo?).
2.2.2. Modelo Weibull
Este modelo considera que la funci on de peligro puede ser representada por un
mononio (polinomio de s olo un termino), de alli se puede ver que la funci on de con-
abilidad o sobreviviencia viene dada por:
R(t) = exp
_

_
t

_
El par ametro se conoce como la vida caracteristica, mientras que es el par ame-
tro de forma.
Ejercicio Compruebe las propiedades de la distribuci on Weibull que se exhiben
en la siguiente tabla (f es la funci on de densidad, h la funci on de peligro):
9
Par ametro de forma F(t h(t)
0 1 Decrece exponencialmente
desde innito
Decrece exponencialmente
desde innito
= 1 Decrece exponencialemente
desde 1/
Constante
> 1 Crece hasta un m aximo y
luego decrece
Creciente
m = 2 Distribuci on de Rayleigh Creciente linealmente
3 4 Tiene una apariencia como
la campana gaussiana
Incrementa rapidamente
> 10 Tiene apariencia de una dis-
tribuci on de valores extre-
mos Tipo I
Incrementa muy rapida-
mente
Al igual que la exponencial la distribuci on Weibull tiene la propiedad de clausura,
es decir, si el sistema est a compuesto de n partes, cada una de ellas con un tiempo de
vida Weibull con el mismo par ametro de forma y vidas caracteristicas
1
,
2
, . . . ,
n
independientes, y es sistema falla cuando cualquiera de las componentes falla, entonces
la distribuci on del tiempo de vida del sistema es Weibull con el mismo par ametro de
forma y vida caracteristica dada por

s
=
_
n

i=1
1

i
_

(? Como se demuestra?).
Si T es una variable aleatoria distribuida como una Weibull, la distribuci on acu-
mulada de la variable Y = ln T es:
Prob(ln T y) = Prob(T exp(y))
= 1 exp
_

_
exp(y)

_
= 1 exp
_

exp(y)
exp(ln )
_
= 1 exp
_
exp(
_
y

__
donde = ln y = 1/.
2.2.3. Modelo Lognormal
Este modelo es muy usado en aplicaciones de alta tecnolna, pues parece ajustarse
bastante bien a los mecanismos de falla por degradaci on de los semiconductores,
10
modelos de fallas por fatiga de materiales o fallas debido a la propagaci on de grietas.
Lo cierto es que como est a basado en la distribuci on normal, es decir T es distribuida
como Lognormal si lnT se distribuye normal, entonces toda la inferencia sobre estas
variables puede hacerse con la teora cl asica m as desarrollada en estadstica.
Para escoger una distribuci on Lognormal se necesita denir dos par ametros, siendo
los mas naturales la mediana T
50
y el par ametro de forma, con lo que la distribuci on
de ln T es normal, con media igual a = ln T
50
y desviaci on est andar .
Ejercicios
1. Utilizando ayuda computacional construya la funci on de peligro para =
0,2, 0,5, 1, 2, 5 Notese que para valores cercanos a 1 la funci on de peligro es
casi constante durante un perodo largo de tiempo.
2. Demuestre que si T es una variable aleatoria con distribuci on Lognormal enton-
ces
E(T) = MTTF = T
50
e

2
/2
V ar(T) = T
50
e

2
_
e

2
1
_
2.3. De regresi on
2.3.1. Modelos para pruebas aceleradas
En este caso se supone que hay una funci on que depende de las condiciones a las
que est a sometida la unidad x tal que
R(t; x) = Prob(T > t|x) = R
0
(t(x))
donde R
0
es una funci on de conabilidad base y (x) 0.
Ejemplo: Sea T el tiempo de ruptura de un aislador electrico sujeto a un voltaje
constante x; suponga que (x) = x

para alg un y la funci on de conabilidad base es


R
0
(t) = e
t
entonces lo que se est a diciendo es que la distribuci on de T es exponencial
con MTTF = 1/(x) = x

.
En los modelos acelerados de vida se puede que pensar que el tiempo escaladoT(x)
tiene funci on de sobrevivencia R
0
; as que si consideramos la log vidaln T = ln (x)+
ln W donde W es una variable aleatoria con conabilidad R
0
, o lo que es lo mismo,
la distribuci on de ln T es la misma que la de ln W sujeta a un cambio de localizaci on
de tama no ln (x).
La funci on de peligro satisface la ecuaci on:
h(t, x) = (x)h
0
(t(x))
11
Si estamos en presencia de datos de pruebas aceleradas se puede considerar gracar
la log vidacontra los valores de x, para obtener informaci on sobre la forma de (x).
2.3.2. Modelos de peligro proporcional
En el caso de este tipo de modelos lo que se supone es que la funci on de peligro
satisface
h(t; x) = h
0
(t)(x)
de manera que h
0
representa el riesgo base y que (x) > 0; como h(t; x
1
)/h(t; x
2
) =
(x
1
)/(x
2
) es independiente de t, los peligros en diferentes valores de x estan en
proporciones constantes sobre el tiempo.
La funci on de sobrevivencia cumple que R(t; x) = R
0
(t)
(x)
.
Modelo de peligro proporcional de Cox
h(t|x) = h
0
(t)exp{x

}
2.3.3. Modelos basados en la distribuci on Weibull
Una forma simple del modelo Weibull usa la funci on de sobrevivencia
S(t; x) = exp{(t/
x
)

}
con independiente de x y, por ejemplo,
x
= x
T
(modelo loglineal). Notese que
si ponemos S
0
(t) = exp(t

), se tiene que S(t; x) corresponde a un modelo de vida


acelerada, que tambien puede verse como un modelo de peligro proporcional.
12
Captulo 3
Estimaci on
3.1. Clasica
3.1.1. Formas gracas
Aprovechando que los seres humanos vemos mas facilmente cuando un conjunto
de datos siguen una linea recta; se considera un estimador de la funci on de conabi-
lidad (o sobreviviencia)

R considerando los tiempos de sobrevivencia observados (no
censurados) t
(
j) se puede gracar los puntos (t
(j)
, 1 p
j
) donde
p
j
= 1
1
2
{

R(t
(j)
+

R(t
(j)
+ 0)}
En el caso en que la distribuci on se asuma proveniente de una Weibull, un gr aco de
los puntos (ln(t
(j)
), ln{ln(1p
j
)}) debera ser aproximadamente lineal. Si se asume
que los datos provienen de una lognormal, un gr aco de (ln(t
(j)
),
1
(p
j
)), donde
corresponde a la funci on de probabilidad acumulada de una variable normal est andar.
3.1.2. Funci on de verosimilitud
Suposici on: Las observaciones son independientes, lo que hace que la densidad
conjunta de los tiempos de vida de los aparatos sea el producto de las densidades de
cada variable. Ahora bien, supongamos que tenemos algunos datos censurados a la
derecha, entonces se tiene dos conjuntos de datos, los observados (O) y los censurados
(C) y la verosimilitud se puede escribir como:
L() =
_
|

iO
f(t
i
; )
__

iC
R(t
i
; )
_
para datos censurados por la izquierda, se remplaza la funci on de sobrevivencia por la
funci on de distribuci on acumulada, mientras que si los datos tienen censura tanto a
13
izquierda como a derecha, dicha funci on se remplaza por la probabilidad de ocurrencia
de un tiempo de vida en el intervalo observable.
El estimador m aximo verosimil de , al que llamaremos

es la soluci on del sistema
de ecuaciones (frecuentemente no lineales)
l

j
= 0 (j = 1, . . . , m)
donde l() = ln L().
La teora asint otica de la estimaci on m aximo verosimil provee de una estimaci on
de la variablidad de la estimaci on (y no es broma!), considerando la llamada matriz
de informaci on de Fisherque tiene entradas
J =
_

2
l

k
_
(j = 1, . . . , m), (k = 1, . . . , m)
Ejemplo: Suponemos que se tienen n unidades en prueba con distribuci on expo-
nencial de par ametro , de las que fallan r de ellas en tiempos t
(1)
, . . . , t
(r)
, siendo
n r observaciones censuradas, entonces la log-verosimilitud es:
l() = r ln
n

i=1
t
i
Ahora si suponemos que se tiene una muestra Weibull (funci on de conabilidad
R(t) = exp{(t/)

} ) nos deja:
l(, ) = r ln r ln + ( 1)

O
ln(t
(i)
)

i=1
t

i
Ejercicio, escriba la verosimilitud considerando la transformaci on x
i
= ln t
i
.
3.1.3. Bondad de ajuste
Para vericar si un modelo te orico se ajusta a un conjunto de datos, se puede
considerar gracar (p
j
, F(t
j
,

), y si se ve linealse puede pensar que tenemos un
modelo adecuado; sin embargo se puede considerar utilizar la transformaci on de Fisher
para estabilizar la variancia y gracar los puntos
_
2

sin
1
_
p
1/2
j
_
;
2

sin
1
_
F
1/2
_
a
j
;

__
_
14
3.2. Bayesiana
El paradigma de la estadstica Bayesiana esta basado en la idea que, en un mo-
delo probabilistico con datos y par ametros, son los par ametros lo que es desconocido
y como tal, puede considerarse una distribuci on de probabilidad en el espacio de
par ametros. Comencemos diciendo que se supone que los datos observados D, fueron
generados por un mecanismo aleatorio dado un vector de par ametros , lo que da
lugar a la funci on de verosimilitud L(|D) que es equivalente a la densidad condi-
cional de los datos dado , antes de observar los datos. Bajo la suposici on de que
es aleatorio, tiene una distribuci on previa (). La inferencia sobre el par ametro
est a basada en la distribuci on posterior, la que se obtiene utilizando los resultados
del teorema de Bayes:
(|D) =
L(|D)()
_

L(|D)()d
donde denota el espacio de los par ametros. Tambien es claro que (|D) es pro-
porcional a la verosimilitud por la previa,
(|D) L(|D)()
y que la cantidad en el denominador, a la que llamaremos m(D), es la constante de
normalizaci on de (|D y es frecuentemente llamado la distribuci on marginal de los
datos o la predictiva previa, mientras que la predictiva posterior, es decir la informa-
ci on sobre una observaci on futura dados los datos D, es igual a:
(z|D) =
_

f(z|)(|D)d
donde f(z|) es la densidad muestral de z.
3.2.1. Estimaci on
En muchos modelos no se puede encontrar una forma analtica cerrada para m(D),
lo que en principio limita la aplicabilidad del metodo; sin embargo gracias a los
avances de computaci on se han propuesto e implementado metodos de muestreo de
la distribuci on posterior basados en tecnicas de simulaci on (o Monte Carlo). Uno de
los metodos m as populares es el llamado muestreador de Gibbs que se puede resumir
de la siguiente manera:
Sea = (
1
,
2
, . . . ,
p
)

un vector de par ametros p-dimensional y sea (|D) su


distribuci on posterior.
Paso 0 Escoja un punto arbitrario de partida en el espacio de par ametros
0
y j = 0
15
Paso 1 Genere
i+1
= (
1,i+1
,
2,i+1
, . . . ,
p,i+1
)

de la siguiente manera:
Genere
1,i+1
(
1
|
2,i
, . . . ,
p,i
, D);
Genere
2,i+1
(
2
|
1,i+1
,
3,i
, . . . ,
p,i
, D);

.
.
.
Genere
p,i+1
(
p
|
1,i+1
, . . . ,
p1,i+1
, D);
Paso 2 i = i + 1, y regrese al Paso 1.
Cada componente de es generada, y de acuerdo a la bibliograa del area, (Gelfand
y Smith (1990)), bajo condiciones de regularidad, la secuencia de vectores (que forma
una cadena de Markov), tiene distribuci on estacionaria igual a (|D).
Otro algoritmo que se utiliza con frecuencia es el algoritmo de Metropolis-Hastings
(ojo Metropolis es un apellido, no la ciudad de Superman). En este caso sea q(, )
una densidad que ser a usada como candidata, es decir que
_
q(, )d = 1
y sea U(, ) la distribuci on uniforme en el intervalo (0, 1), entonces:
Paso 0 Escoja un punto arbitrario de partida en el espacio de par ametros
0
y j = 0
Paso 1 Genere un punto candidato

de q()
i
,

) y un u de U.
Paso 2 Decida que
i+1
=

si u a(
i
,

), y
i+1
=
i
en otro caso, donde la
probabilidad de aceptaci on est a dada por
a(, ) = mn
_
(|D)q(, )
(|D)q(, )
, 1
_
Paso 3 i = i + 1, y regrese al Paso 1.
Por supuesto que la eciencia de este algoritmo depende de la escogencia de la funci on
q
Ejercicio: Suponga que T tiene una distribuci on Weibull R(t) = exp(t

) (es
decir la vida caracterstica es 1/, y suponga que se tienen n valores de T, algunos
de ellos censurados a la derecha.
1. Supongase que = 2 y que es desconocido. Encuentre el estimador de m axima
verosimilitud de .
2. Supongase que = 2 y que ()
1
. Encuentre la distribuci on posterior de
.
16
3. Bajo que condiciones es la distribuci on derivada en el punto anterior una dis-
tribuci on propia (es decir que la densidad tiene integral nita.
4. Suponga que = 1 (caso exponencial) y que para el i-esimo sujeto
i
= x

donde x
i
es un vector de covariables y es un vector de coecientes y suponga
que () 1. Derive la distribucion condicional posterior para (
i
|D,
j
, i = j).
17
Captulo 4
Conabilidad de Sistemas
Hasta ahora hemos analizado modelos y formas de estimar la conabilidad de una
unidad sujeta o no a algun esfuerzo. Esta parte se reere a los c alculos de conabilidad
para sistemas compuestos de diferentes unidades.
4.1. Sistemas en Serie
En este caso se supone que n unidades, cada una de ellas con conabilidad R
i
,
se encuentran conectadas en un sistema que falla si alguna de las unidades falla y
tambien se supone que las fallas de los componentes son independientes entre si.
Llamando T
i
al tiempo de falla del i-esimo componente y a T
s
al tiempo de falla del
sistema, la conabilidad del sistema, R
s
, vendr a dada por:
Prob{T
s
> t} = Prob{T
i
> tpara todo i}
=
n

i=1
R
i
(t)
Ejercicio: Demuestre que en este caso la funcion de peligro del sistema h
s
es igual
a suma de las funciones de peligro de los componentes:
h
s
(t) =
n

i=1
h
i
(t)
4.1.1. Modos de falla
Otra aplicacion de los sistemas en serie es para obtener la conabilidad de un
aparato que puede presentar distintos modos de falla, de manera que las fallas estasn
18
compitiendo por ser la primera en ocurrir (en ingles se llama competing risk models),
siempre que se suponga que las fallas son independientes.
Ejemplo: Considere la tarjeta madre de un computador personal, suponga que
este tiene 16 modulos de memoria, 12 componentes discretos y un microprocesador.
Suponga que los modulos de memoria tienen una funci on de peligro constante (modelo
exponencial) con tasa de falla instantea igual a 0.01 %K. Las componentes discretas
tienen distribuci on Weibull con vida caracterstica de 3.2500.000 horas, y par ametro
de forma = 0,85. Adem as suponga que el microprocesador tiene dos mecanismos de
falla posibles. Cada mecanismo de falla fue modelado despues de un test acelerado,
uno como una lognormal con = 1,4 y T
50
= 300,000 y el otro como exponencial de
par ametro = 0,08 %K. Suponiendo que todos los mecanismos y componentes fallas
de manera independiente encuentre la tasa instantanea de fallas a las 5000 horas, y
la conabilidad en 40.000 horas de uso. (La suma de todas las funciones de peligro
para 5000 horas es 1.16 %K, la conabilidad es 0.632).
4.2. Sistemas en Paralelo
En este caso se supone que el sistema es redundante, esto es, el sistema falla s olo
cuando los n componentes fallan. Estos sistemas se construyen cuando se necesita
alta conabilidad y el costo por componente no es una limitante importante. En este
caso la conabilidad del sistema es:
Prob{T
s
> t} = 1 Prob{T
s
t}
= 1 Prob{T
i
tpara todo i}
= 1
n

i=1
F
i
(t)
= 1
n

i=1
[1 R
i
(t)]
Ejercicio: Muestre que si un componente con CDF F es reemplazado por n com-
ponentes, entonces la tasa de fallas mejora por un factor
k =
1 +F +F
2
+. . . F
n1
nF
n1
(para dos es facil, puesto que F
s
= F
2
; por tanto
h
s
=
2Ff
1 F
2
=
2Ff
(1 F)(1 +F)
=
2F
1 +F
f
1 F
=
1
k
h
19
4.3. Sistemas en espera
En este caso se supone que las unidades son identicas, una est a en funcionamiento
y las dem as est an esperando a ser utilizadas como repuesto; en este caso, el tiempo
de vida del sistema es igual a la suma de los tiempos de vida de los componentes, es
decir
T
s
= T
1
+T
2
+. . . +T
n
Si suponemos que las fallas son independientes podemos ver que la CDF de T
s
, para
n = 2 es
F
2
(t) = Prob{T
1
+T
2
t} =
_
t
0
F(u)f(t u)du
y en general
F
n
(t) =
_
t
0
F
n1
(u)f(t u)du
Si se supone que las componentes tienen tiempos de vida distribuidos como Wei-
bull o lognormales las integrales hay que calcularlas numericamente; en el caso de
la exponencial las formulas se simplican gracias a la propiedad reproductiva de la
distribuci on Gamma. (recordar la exponencial es una de ellas); por ejemplo si supo-
nemos que el tiempo de vida de las unidades es exponencial de par ametro se tiene,
para un sistema con una unidad funcionando y otra de repuesto,
F
s
(t) =
_
t
0
(1 e
u
)e
(tu)
du = 1 te
t
e
t
asi que la funci on de densidad es igual a:
f
s
(t) =
2
te
t
En el caso en que se tengan n repuestos, la densidad es:
f
s
(t) =

n
t
n1
e
t
(n 1)!
que corresponde a una distribuci on gamma.
4.4. Sistemas complejos
Se pueden complicar las reglas de falla; por ejemplo
20
4.4.1. r out of n
Esto signica que el sistema funcionar a siempre que al menos r componentes esten
funcionando, por ejemplo un avi on de cuatro motores que puede volar siempre que
dos de ellos funcione. El caso m as sencillo de entender es cuando las componentes
son independientes identicamente distribuidas; pues se puede considerar el problema
como un problema escogencia binomial, esto es, la probabilidad para el tiempo t que
i componentes esten funcionando es
_
_
n
i
_
_
R
i
(t)[1 R(t)]
ni
, con lo que
R
s
(t) =
n

i=r
_
_
n
i
_
_
R
i
(t)[1 R(t)]
ni
donde
_
_
n
i
_
_
representa el combinatorio de n tomado de i en i.
4.4.2. Combinaci on de sistemas
La mayoria de los sistemas puede dividirse en subsistemas, cada uno de ellos
con conguraci on en paralelo o en serie, para encontrar la conabilidad del sistema
(suponiendo que se conoce o se estima la conabildad de los componentes) se puede
proceder de la siguiente manera:
Primero se puede diagramar el sistema como si fuese un circuito electrico, y
el sistema funciona siempre que la electricidad uyade un extremo a otro del
sistema; considere un diagrama donde los componentes se representan como
crculos y escriba la conabilidad dentro del circulo.
Luego reduzca las combinaciones en serie o paralelo a una unidad con conabili-
dad equivalente a la de la combinacion e itere hasta obtener un s olo componente
con conabilidad equivalente a la del sistema.
4.5. Modelos de defectos y pruebas pre-venta
En el ciclo de vida de una unidad se puede presentar situaciones donde la forma
de la funci on de riesgo instantaneo es de tipo ba nera. Una forma de construir tal
funci on de peligro es considerar la mezcla de distribuciones que representen los dis-
tintos tipos de fallas. Sea F
N
la CDF correspondiente al funcionamiento normal de la
unidad (que puede ser calculada como 1

R
i
, donde R
i
corresponden a las n posi-
bles modos de falla en competencia en funcionamiento normal), F
e
la correspondiente
21
CDF del tiempo que se tarda en descubrir que la unidad vendida es defectuosa, y F
d
es la distribuci on de fallas de arranque (o inicio). Entonces la distribucion acumulada
de probabilidad para la unidad puede ser representada como
F
T
= F
e
+F
d
+ (1 )F
N
donde representa el porcentaje de unidades defectuosas que fueron vendidas, el
porcentaje de unidades con problemas de conabilidad.
Si no consideramos el descubrimiento de los defectuosos, los problemas de cona-
bilidad se ven reejados en la mezcla de la tasa instantanea de peligro
h
T
(t) =
f
d
(t) + (1 )f
N
(t)
1 [F
d
(t) + (1 )F
N
(t)]
Puede ser que la funci on de peligro de la parte inicial h
d
sea excesivamente alta
para tiempos peque nos, pero no es posible hacer cambios en el proceso de manufactura
que cambien signicativametne este comportamiento. Una opci on para el fabricante
es aumentar el nivel de pruebas previo al envio de la unidad, via una prueba acelerada
que quemeel tiempo inicial y as elimine casi todos las unidades que pueden fallar
temprano.
4.6. Analisis de datos
4.6.1. M(t)
En el caso en que se tenga datos de un unico sistema reparable con c componentes,
se puede considerar el estimador (insesgado)

M(t) =
n(t)
c
donde n(t) es el n umero de reparaciones para todos los componentes antes del tiempo
t.
En el caso de los sistemas reparables es posible que se tengan copias independien-
tesde dichos sistemas, de manera que en lugar de contar con s olo una realizaci on del
proceso estoc astico, se puede considerar un promediode las realizaciones para encon-
trar una estimaci on empirica de M(t), propuesto por Nelson. Por ejemplo (datos del
libro de Tobias & Trindade), supongamos que se tienen cinco sistemas con su historia
de reparaci on dada por:
22
Reparaci on Sis.1 Sis.2 Sis.3 Sis.4 Sis.5
1 222 273 125 63 91
2 584 766 323 195 427
3 985 1054 325 761
4 1161 1096
5 1796
Censura 1901 1316 442 636 2214
Tabla de datos de tiempos de
reparaci on para cinco sistemas equivalentes
Gr aco de los estimadores de K-M para la conabilidad de los sistemas
El procedimiento de Nelson considera ordenar de menor a mayor los tiempos de re-
paraci on. Mientras t sea menor que el primer tiempo de censura, se considera

M(t) co-
mo el promedio de las reparaciones ocurridas en los cinco sistemas; entre el primer y se-
gundo tiempo se considera

M(t) como la suma del valor estimado para el primer tiem-
po de censura m as el promedio de reparacion ocurridas en los cuantro sistemas restan-
tes y as sucesivamente; esto es:

M(63) = 1/5,

M(91) = 2/5, . . . ,

M(427) = 9/5 = 1,8;
luego

M(584) = 1,8 + 1/4 = 2,05, porque uno de los sistemas fue censurado en la
hora 442, el siguiente punto de cambio es 761, y para ese momento s olo tres sistemas
pueden considerarse como activos.
a
s que

M(761) = 2,05 + 1/3. Esta estimaci on
puede gracarse como una curva ponderada.
23
4.6.2. F(t)
Existe una relaci on entre M(t) y F(t) (ecuaci on fundamental de renovaci on) que
dice:
M(t) = F(t) +
_
t
0
M(t x)dF(x)
que tambien se puede escribir como
F(t) = M(t) +
_
t
0
M(x)dF(t x)
En base a esta ultima ecuaci on se propone estimar a F(t) considerando la siguiente
euristica recursiva, basada en la aproximaci on n umerica de la integral:
1. Para el primer tiempo de renovaci on

F(t
1
) =

M(t
1
)
2. Para el k-esimo tiempo de renovaci on, con k 2:

F(t
k
) =

M(t
k
)
k1

j=1

F(t
k
t
j
)[

M(t
j
)

M(t
j1
)]
Ejemplo: Para un sistema con 20 componentes fueron reportadas cuatro fallas
a las 40, 82, 142 y 225 horas, por ello

M(40) = 0,05,

M(82) = 0,10,

M(142) =
0,15,

M(225) = 0,20 por lo que los estimados de

F quedan:

F(40) =

M(40) = 0,05

F(82) =

M(82)

F(42)[

M(40)

M(0)] = 0,10 0,05 0,05 = 0,0975

F(142) =

M(142)

F(102)[

M(40)

M(0)]

F(60)[

M(82)

M(40)]
= 0,15 0,0975 0,05 0,05 0,05 = 0,142625
24
Captulo 5
Sistemas reparables
5.1. Sistemas reparables renovados
Entendermos un sistema como reparable si su funcionamiento puede ser restaura-
do despues de una falla por alg una acci on tomada sobre el mismo. El ejemplo m as a
mano que tenemos es el de un automovil, y es claro que entender el comportamien-
to del sistema es importante a la hora de establecer programas de mantenimiento
e inventario de partes que son consecuencia directa de la tasa de reparaci on. Ahora
bien, para estudiar este comportamiento comenzaremos con una simplicaci on, con-
siderando que una vez se realiza la reparaci on el sistema se renuevay mantiene las
caracteristicas de falla previas, esto es, no se considera el caso en el que las condicio-
nes de uso degradan el sistema (por ejemplo cuando la aparicion de fallas se acelera
a medida que el sistema envejece). Asi tenemos un proceso de renovaci on, esto es,
uno en el que los tiempos entre fallas se consideran independientes e identicamente
distribuidos, y supondremos que el tiempo de reparaci on es despreciable.
En este caso, las cantidades de interes son N(t), el n umero de reparaciones rea-
lizadas para el tiempo t, y T(k), el tiempo de funcionamiento del sistema hasta que
se requiere la k-esima reparaci on. Si llamamos X
i
al tiempo transcurrido entre re-
paraciones, con X
0
= 0, tenemos que X
i
= T(i) T(i 1) (o T(i) =

i
j=0
X
j
), y
adem as N(t) es el m aximo entero k tal que la suma de los primeros k tiempos entre
reparaciones es menor que el tiempo t.
N(t) es un proceso estoc astico discreto, es decir, para cada t es una variable alea-
toria que toma valores enteros, cuya distribuci on depende de la distribuci on conjunta
de los tiempos de falla del sistema; el valor esperado de N(t) se le llama funci on
de renovaci on y se denota como M(t), mientras que dM(t)/dt es llamada tasa de
renovaci on.
25
5.1.1. Proceso de Poisson Homogeneo
Como se deni o anteriormente, el tipo de proceso de renovaci on depende de la
distribuci on que se escoja para los tiempos entre reparaci on; la m as facil de trabajar
es la distribuci on exponencial, esto es:
X
i
f(x) = e
x
x 0
entonces, sabemos que T(k) se distribuye de acuerdo con una gamma con par ametro
, esto es:
f
k
(t) =

k
(k 1)!
t
k1
e
t
por lo que el tiempo promedio para la k-esima reparaci on es k/ y la variancia es
k/
2
, adem as
Prob{N(t) = k} = Prob{
k

i=1
X
i
ty
k+1

i=1
X
i
> t}
=
_
t
0
Prob{X
k+1
> t s}Prob{
k

i=1
X
i
= s}ds
=
_
t
0
e
(ts)

k
(k 1)!
s
k1
e
s
ds
=

k
e
t
(k 1)!
_
t
0
s
k1
ds
=
(t)
k
k!
e
t
es decir que la distribuci on de N(t) es Poisson, con M(t) = t, o lo que es igual, con
tasa de renovaci on constante (). Tambien puede verse que la funci on de probabilidad
acumulada para T(k) se puede escribir como:
F
k
(t) = Prob{ al menos han ocurrido k fallas para el tiempo t}
= 1 Prob{ no m as de k 1 fallas han ocurrido para el tiempo t}
= 1 e
t
k1

i=0
(t)
i
i!
5.2. Sistemas reparables no renovados
Por supuesto que la hip otesis de renovaci on de un sistema reparable no es precisa-
mente la hip otesis m as realista cuando se tiene un sistema de multiples componentes,
en el que los tiempos entre reparaciones no tienen por que ser independientes o identi-
camente distribuidos, en este caso lo que sucede es que se tiene alg un tipo de tendencia
26
en la tasa de reparaciones. Un modelo que puede representar esto es el Proceso de
Poisson no homogeneo es decir considerando que la tasa instantanea de reparaci on
varia a medida que el sistema envejece, esto es, que la funci on de renovaci on puede
escribirse como:
M(t) =
_
t
0
()d
se puede demostrar que
Prob{N(t +s) N(t) = n} = e
[M(t+s)M(t)]
[M(t +s) M(t)]
n
n!
es decir que el incremento de reparaciones entre el tiempo t y t + s tiene una distri-
buci on Poisson con un n umero esperado de ocurrencias igual a M(t +s) M(s).
Si denimos la conabilidad R
t
(s) como la probabilidad de que el sistema no
presente una falla entre el tiempo t y t +s lo que nos queda es
R
t
(s) = e
[M(t+s)M(t)]
5.2.1. Modelos
Dos modelos son utilizados frecuentemente en la literatura de conabilidad: el
modelo de potencia, esto es
M(t) = at
b
, con lo que (t) = abt
b1
y el modelo exponencial
(t) = e
c+bt
notese que estos modelos contienen al modelo Poisson homogeneo (caso 1: b = 1,
caso 2: b = 0) y en la literatura se han propuesto pruebas de hip otesis que permiten
corroborar si unos datos provienen mas pausiblemente de un proceso de renovaci on o
no.
5.2.2. Pruebas gracas
Consideremos por el momento un sistema para el que el tiempo que toma una
reparaci on se ignora, y se desea establecer si el sistema puede pensarse como un
sistema de renovaci on o no. Una primera herramienta gr aca es considerar un gr aco
de dispersi on de los tiempos de reparaci on vs el n umero acumulado de reparaciones.
Si los puntos presentan una estructura lineal puede considerarse pausible el modelo
de renovaci on; vea la siguiente gura:
27
N umero de reparaciones acumulado.
20 41 67 110 159 214 281 387 503 660
Se puede pensar que este sistema est a mejorando en el tiempo, de manera que no es
verdad que los incrementos sean independientes. Esto tambien se puede ver con un
gr aco de los tiempos entre reparaciones (X
i
) y la edad del sistema
Tiempo entre reparaciones.
28
Compare con los siguientes gr acos de un proceso m as parecido a un proceso de
renovaci on:
5.2.3. Pruebas analticas
Aqu se piensa que la hip otesis b asica es que el proceso subyacente es un proce-
so de Poisson homogeneo; si esto es as, se puede vericar que, dado el n umero de
reparaciones n hasta el tiempo T

, la distribuci on de los tiempos de reparaci on es


equivalente a la distribuci on de n variables aleatorias independientes, uniformes en el
intervalo (0, T

). por lo que tienen media igual a T

/2 y variancia igual a (T

)
2
/12.
29
El teorema central del lmite nos indica que el estadstico, (de Laplace)
L
1
=

n
j=1
t
i

nT

2
T

_
n
12
asintoticamente se distribuye como una normal est andar, y se puede usar esta distri-
buci on de referencia para construir una prueba de signicancia.
Si se tiene m as de un sistema y se conoce que para los tiempos T
i
han ocurrido
n
i
reparaciones, se puede ponderarlos estadsticos de Laplace para construir un
estadstico que tambien tendr a como distribuci on asint otica a la distribuci on Normal
est adar.
L =

n
1
j=1
t
1j
+. . .

n
k
j=1
t
kj

1
2
(n
1
T
1
+. . . +n
k
T
k
)
_
1
12
(n
1
T
2
1
+. . . n
k
T
2
k
)
30