Prácticas de Fiabilidad

Práctica 1:

Objetivo:
En esta práctica se van a analizar una serie de muestras de duración de procesos para ver
si corresponden a procesos con Tasa de Fallos (Hazard Rate) creciente, decreciente o
constante.

También se aprenderá a calcular la función de supervivencia empírica y a aplicarla en el

cálculo de fiabilidad de sistemas.

Conceptos básicos:
En las prácticas de fiabilidad las variables que van a ser analizadas son duraciones o
tiempos de vida útil de componentes. Es decir, se va a partir de una muestra de tiempos
x1, x2, ..., xn. Estos tiempos se comportan (distribuyen) de acuerdo a alguna función de
distribución de probabilidad que llamamos F(x). La función de densidad asociada a
F(x) es f(x) y cumple que
t
F (t ) = ∫ f ( x)dx .
0

Se define la función de supervivencia para un instante t como la probabilidad de que el

componente funcione más de dicho tiempo, es decir, como
∞
R (t ) = P( X ≥ t ) = ∫ f ( x)dx = 1 − F (t ) .
t

La tasa de fallos o h(t) representa la posibilidad de fallo inmediatamente después del

tiempo t dado que en t el componente funcionaba. Así pues una tasa de fallos elevada
indica una alta probabilidad de fallo justo después de dicho instante. Esta tasa se define
como
f (t )
h(t ) = .
R(t )
Se pueden diferenciar esencialmente tres tipos de tasas de fallos:

• Tasa de fallos CONSTANTE o CFR (Constant Failure Rate): La probabilidad

de fallo instantáneo es siempre la misma. NO hay desgaste y NO hay defectos
ocultos en el componente.
• Tasa de fallos CRECIENTE o IFR (Increasing Failure Rate): Conforme pasa el
tiempo aumenta la probabilidad de fallo. SI hay desgaste del componente.
• Tasa de fallos DECRECIENTE o DFR (Decreasing Failure Rate): La
probabilidad de fallo al principio es alta y va disminuyendo conforme pasa el
tiempo. Hay defectos ocultos del componente que salen a la luz en el inicio del
uso.

La combinación de estos tres tipos de tasas da lugar a otros modelos más complejos
entre los que destaca la curva de la bañera: Tasa de fallos primero decreciente
(mortalidad infantil), luego constante (vida útil) y finalmente creciente (desgaste en
el componente).
La función de supervivencia empírica para un instante t se define como la proporción
de tiempos de la muestra que sobrepasa dicho tiempo. Es decir, dada la muestra x1, x2,
..., xn de tiempos de fallo, la función de supervivencia empírica para un tiempo t queda
definida como
# {xi : xi ≥ t} n º de observaciones con duraciones ≥ t
Rˆ (t ) = = .
n n

NOTA IMPORTANTE: El programa Statgraphics no proporciona la tasa de fallo,

sino la Tasa de Fallo Acumulada (Cumulative Hazard Function). La tasa de fallos
acumulada es la integral de la tasa de fallos:
t
H (t ) = ∫ h( x)dx .
0

Por lo tanto se tiene que la tasa de fallos acumulada será:

• Una recta de pendiente positiva si h(t) es constante

• Una curva creciente y convexa si h(t) es creciente
• Una curva creciente y cóncava si h(t) es decreciente
• Creciente y Cóncava más recta de pendiente positiva más creciente y convexa
si h(t) es una curva de bañera.

Datos:
Los datos que se van a analizar se encuentran en el fichero practica 1 fiabilidad.sf.
El fichero contiene 18 muestras denominadas V1 hasta V18. Todas las variables
contienen tiempos de fallos simulados.

La primera parte de la práctica consiste en averiguar el tipo de tasa de fallos que tiene
cada una de las 18 variables contenidas en el fichero. La segunda parte consiste en la
estimación de la fiabilidad de sistemas formados por componentes en serie y en
paralelo.

Qué hay que hacer:

• Se abre el fichero practica 1 fiabilidad.sf.

• Se va a:

DESCRIBE
LIFE DATA
LIFE TABLES (times)

• En Data ponemos el nombre de la variable que queremos analizar. En la práctica se

empezará con V1 y se continuará con todas las variables del fichero.
• El ordenador proporciona:
o La tabla de la función de supervivencia empírica (figura 1) y
o El gráfico de la función de supervivencia empírica (figura 2).
• Hay que obtener también el gráfico de la tasa de fallos acumulada (figura 3)
(Cumulative Hazard Function). Este se obtiene presionando el botón de opciones
gráficas (o Graphical options) y seleccionando el gráfico.
Análisis de resultados y de tasas de fallos:
En primer lugar en la parte de los análisis numéricos tenemos la función de
supervivencia empírica o estimada. Esta tabla recoge información de los tiempos de
fallos, del número de observación, de los que aún no han fallado en un tiempo
determinado, de la función de supervivencia y de la tasa de fallos acumulada.

Pero para ilustrar mejor la tabla veamos qué tenemos para la primera fila:

• El componente que falla primero (es la primera fila, tiempos ordenados), lo hizo en
el instante de tiempo 3.68535 (Time). Éste corresponde a la observación 26 de los
datos (Row). El estado (Status) que se recoge es el de un fallo (en prácticas
siguientes no todos serán fallos). El número de observaciones que tienen tiempos
(estrictamente) mayores que 3.68535 (Number at Risk) es 99, lo que representa un
0.99 ya que tenemos 100 observaciones en esta variable (Cumulative Survival). Las
últimas dos columnas representan la desviación típica (Standard Error) de esa
estimación (de 0,99) y la tasa de fallos acumulada (Cumulative Hazard).

• ¿Cuál es la función de supervivencia en el instante 35? Hay que buscar cuántos

tiempos están por encima de este valor. Para ello localizamos el fallo
inmediatamente anterior a dicho valor: fila 4, tiempo de fallo 32.3228 y 96 tiempos
más altos. Por lo tanto la supervivencia es 0.96=96/100. ¿Cuál es la función de
supervivencia en 40? No varía sigue siendo 0.96. ¡¡La función de supervivencia
empírica se caracteriza por ser escalonada!!

Figura 1. Tabla del resumen del análisis.

En segundo lugar vamos a analizar los resultados de la parte gráfica, es decir, el gráfico
de la función de supervivencia empírica (Estimated Survival Function, figura 2) y el de
la tasa de fallos acumulada (Estimated Cumulative Hazard Function, figura 3).

La figura 2 muestra la función de supervivencia empírica para la variable V1. Es decir,

es la representación de la columna “Cumulative Survival” de la tabla anterior. Se aprecia
que es monótona decreciente y escalonada. Para tiempos más grandes la probabilidad de
supervivencia siempre será menor que para tiempos pequeños. Al ser escalonada habrá
muchos tiempos que compartan una misma probabilidad de supervivencia.

Figura 2. Función de supervivencia empírica.

Por último la figura 3 nos muestra la tasa de fallos acumulada para la variable V1. Se
observa que la tasa de fallos acumulada evoluciona de forma lineal, por lo tanto, como
ésta es la integral de la tasa de fallos, podemos decir que la tasa de fallos de esta
variable es constante, es decir, es CFR (Constant Failure Rate).

Figura 3. Tasa de fallos acumulada de V1.

Tasas de fallo de otras variables

En este apartado vamos a estudiar las tasas de fallo de otras variables del fichero.
Analizamos las variables V7, V8 y V16. Se vuelven a hacer los análisis para estas
variables.

DESCRIBE
LIFE DATA
LIFE TABLES (times) (y en data el nombre de estas variables)

La figura 4 muestra la tasa de fallos acumulada de la variable V7. Se puede observar

que el crecimiento es más rápido que lineal, es decir, estamos ante una función convexa,
cuya derivada (la tasa de fallos) será creciente. Por lo tanto diremos que la tasa de fallos
de V7 es IFR (Increasing Failure Rate) o creciente.
 Figura 4. Tasa de fallos acumulada de V7.

La figura 5 muestra la tasa de fallos acumulada de la variable V8. Observamos que el

crecimiento es más lento que lineal, es decir, estamos ante una función cóncava, cuya
derivada (tasa de fallos) será decreciente. Por lo tanto diremos que la tasa de fallos de
V8 es DFR (Decreasing Failure Rate) o decreciente.

Figura 5. Tasa de fallos acumulada de V8.

La figura 6 muestra la tasa de fallos acumulada de la variable V16. Al principio el

crecimiento es más lento que lineal, es decir, estamos ante una función cóncava, cuya
derivada (tasa de fallos) será decreciente (DFR). Después de ese periodo se tiene un
crecimiento lineal, por tanto su derivada será constante (CFR). Y finalmente se tiene un
crecimiento más rápido que lineal, es decir, tiene derivada creciente (IFR). Así pues
diremos que la tasa de fallos de V16 es una curva de bañera.

Figura 6. Tasa de fallos acumulada de V16.

Análisis de la fiabilidad de sistemas:

En la segunda parte de la práctica se van a realizar estimaciones de la fiabilidad de

sistemas compuestos por varios componentes. Es decir, se va a aprender a realizar
estimaciones de la probabilidad de que un sistema compuesto por varios componentes
funcione correctamente más de un tiempo determinado. Los datos de que se va a
disponer son datos de tiempos de vida de componentes. Así podemos planificar cómo es
mejor montar un sistema sin necesidad de montarlo realmente.

La distribución de componentes en un sistema la podemos realizar de dos formas:

• Poniendo los componentes en serie: Ambos tienen que funcionar para que el sistema
funcione

• Poniendo los componentes en paralelo: Con que funcione uno es suficiente para que
el sistema también lo haga

Los sistemas pueden estar formados por cualquier combinación de estas dos
configuraciones. Pero, ¿cómo puedo calcular la fiabilidad de un sistema? ¿cómo puedo
elegir la mejor configuración de los componente con el objetivo de obtener la más
fiable?

En esta práctica se aborda este problema desde dos puntos de vista y se aplican ambos
métodos para calcular la fiabilidad del siguiente sistema

Los tiempos de vida de los distintos componentes C1 a C4 están recogidos en las

variables V1 a V4. En total tenemos 100 tiempos para cada componente y supondremos
independencia entre componentes (es decir, que el tiempo de fallo de un componente no
afecta al tiempo de fallo de los demás).

Opción 1:

Se irá descomponiendo el sistema en procesos en serie y en paralelo más pequeños y

manejables. Como hemos supuesto independencia y tenemos cien tiempos de cada
componente vamos a suponer que cada fila de nuestra tabla de datos son los tiempos de
fallo de los cuatro componentes de un sistema con la configuración anterior. Es decir,
tenemos una muestra de 100 sistemas (ver figura 7).
 Figura 7. Visión de simulación del sistema completo.

La figura 8 muestra la descomposición en subsistemas del sistema que se va a analizar y

los nombres de éstos.

Figura 8. Descomposición en subsistemas.

Empezamos viendo el tiempo de fallo del subsistema en serie de los componentes C1 y

C2, al que llamaremos S12. Al ser una configuración en serie, el subsistema S12 fallará
cuando falle uno de los dos, es decir, fallará cuando falle el primero. Por lo tanto el
tiempo de fallo de S12 es igual al mín(V1,V2).

El siguiente paso es analizar el comportamiento del sistema S12 con el componente C3.
Como esta configuración es en paralelo, se tiene que el sistema falla cuando fallen los
dos, es decir, cuando falle el último. Por lo tanto, llamando a este nuevo sistema S123
tenemos que el tiempo de fallo será el máx(V3,S12) que es igual al
máx(V3,min(V1,V2)).

Y finalmente tenemos que el fallo del sistema entero, llamémoslo S1234, será lo que
ocurra primero, bien el fallo de C4 o bien el de S123. Es decir, tendremos que el tiempo
de fallo del sistema entero será:

S1234=mín(S123,V4)=min(máx(V3,min(V1,V2)),V4).
Para poder estimar la fiabilidad del sistema para distintos tiempos vamos a generar
nuevas columnas que contengan el tiempo de fallo de cada subsistema en cada una de
las 100 réplicas.

El Statgraphics no permite trabajar con columnas para calcular máximos y mínimos

entre ellas. Así que se va a proceder de la siguiente forma para poder obtenerlas. Se van
a ir obteniendo las variables S12, S123 y S1234 en distintas columnas.

Para resolver el problema del máximo y del mínimo entre variables vamos a usar
expresiones lógicas. Así podemos usar:

min(a, b) = a ⋅ I (a < b ) + b ⋅ I (b ≤ a )
y
max(a, b) = b ⋅ I (a < b ) + a ⋅ I (b ≤ a )

donde I (a < b ) vale 1 si a es menor que b y 0 en caso contrario (booleano).

Comenzamos calculando S12, que es el mínimo entre V1 y V2: situar el cursor sobre el
nombre de la variable Col_19, se presiona el botón derecho y se elige la opción
“Generate data”.

Figura 7. Generación de datos.

A continuación se escribe: V1*(V1<V2)+V2*(V2<=V1) y se presiona “Ok”.

Figura 8. Ecuación de generación de S12.

Le cambiamos el nombre (sobre Col_19, botón derecho, “Modify column”) y ponemos
S12.

El siguiente tiempo a calcular es S123=máx(V3,S12). En Col_20 vamos a generar de

nuevo una columna de datos. En esta ocasión es un máximo, por lo tanto debemos
escribir: S12*(V3<S12)+V3*(S12<=V3). Renombramos la columna como S123.

Figura 9. Ecuación de generación de S123.

Y para finalizar tenemos que calcular S1234=mín(S123,V4). Generamos sobre Col_21 la

nueva variable con el siguiente texto: V4*(V4<S123)+S123*(S123<=V4).
Renombramos la columna como S1234. Esta columna contiene los tiempos de fallo de
nuestro sistema, así que si queremos por ejemplo saber cual es la probabilidad de que
dure más de 100 instantes basta con hacer:

DESCRIBE
LIFE DATA
LIFE TABLES (times)
EN DATA PONER S1234

Y en la tabla se busca el fallo inmediatamente anterior al instante 100, que es en el

instante 77.1862 y se ve cual es la supervivencia de ese instante: 0.92. ¿Y en el instante
105? También 0.92. Recordemos que las funciones de supervivencia empíricas son
escalonadas.

Opcion 2:

Como en el caso anterior descomponemos el sistema en los mismos subsistemas. La

diferencia reside en que ahora vamos a trabajar con supervivencias estimadas de los
componentes pero de forma individual. Antes se trabajó de forma conjunta.

Una hipótesis fundamental es de nuevo la independencia entre componentes. Esta

independencia nos dice que dados dos valores a y b cualesquiera, la probabilidad de que
el componente i supere el instante a no depende de si el componente j (j distinto de i) ha
superado o no el instante b. Matemáticamente nos indica que:

P(Vi > a y Vj > b) = P(Vi > a) ⋅ P(Vj > b) .

Con esta hipótesis de partida vamos a ir construyendo las probabilidades de cada

subsistema, pero antes de nada hay que obtener la supervivencia de los cuatro
componentes al instante 100.
 DESCRIBE
LIFE DATA
LIFE TABLES (times)...

Hacemos el análisis para cada componente (de V1 a V4) y buscamos el valor en la tabla
del resumen del análisis. En este caso tenemos los siguientes valores:

P(V 1 > 100) = 0.9, P(V 2 > 100) = 0.84, P(V 3 > 100) = 0.85 y P(V 4 > 100) = 0.94 .

Fiabilidad del subsistema S12. Este sistema falla cuando falle uno de los dos, así que
sigue funcionando cuando ambos lo hagan:

P(V 1 > 100 y V 2 > 100) = P(V 1 > 100) ⋅ P(V 2 > 100) = 0.9 ⋅ 0.84 = 0.756 .

Fiabilidad del subsistem a S123. Este sistema funciona cuando funcione bien C3, bien C1
y C2, o bien todos a la vez. Es decir, cuando funcione bien el sistema S12, bien el C3 o
bien ambos (unión de sucesos):

P( S123 > 100) = P( S12 > 100 ó V 3 > 100)

P( S12 > 100 ó V 3 > 100) = P( S12 > 100) + P(V 3 > 100) − P( S12 > 100) ⋅ P(V 3 > 100)

= 0.756 + 0.85 − 0.756 ⋅ 0.85 = 0.9634

Fiabilidad del Sistema entero. Funcionará cuando lo hagan el sistema S123 y también
C4. Por lo tanto:

P ( S1234 > 100 ) = P ( S123 > 100 y V 4 > 100 ) = P ( S123 > 100 ) ⋅ P (V 4 > 100) = 0.9634 ⋅ 0.94 = 0.905596

Se observa que las probabilidades obtenidas por ambos métodos son distintas pero sí
son bastante próximas. Estas probabilidades son aproximaciones no paramétricas (no
suponemos que los datos siguen un modelo probabilístico determinado, por ejemplo
exponencial, Weibull, etc.). En la siguiente práctica se aprenderá a encontrar modelos
adecuados a los datos, lo que nos permitirá que podamos estimar mediante funciones no
escalonadas la fiabilidad de los componentes. Evitando de ese modo que la fiabilidad en
dos instantes de tiempo distintos sea la misma.

Ejemplo de otro sistema

Supongamos ahora que tenemos un sistema con todos los componentes en serie (ver
figura 10).

Figura 10. Sistema de cuatro componentes en serie.

¿Cual es más fiable de los dos en el instante 100? Habría que calcular la probabilidad de
que el nuevo sistema funcione más allá del instante 100. De nuevo se puede hacer de las
dos formas. De forma rápida se realiza el cálculo del segundo método (se deja para el
alumno el conseguir los tiempos de fallo suponiendo que tenemos una muestra de 100
sistemas, ya que nos aporta más información: función de supervivencia, tasa de fallos,
...). Al ser un sistema en serie tienen que funcionar todos los componentes para que el
sistema funcione:
4
P(V 1 > 100 y V 2 > 100 y V 3 > 100 y V 4 > 100) = ∏ P (Vi > 100) = 0.9 ⋅ 0.84 ⋅ 0.85 ⋅ 0.94 = 0.604044
i =1

Se tiene que para el instante 100 es más fiable el primer sistema, ya que sigue
funcionando después de ese instante con una mayor probabilidad.

Autoevaluación de la práctica:

Se puede dar por superada esta práctica cuando tras su realización el alumno sea capaz
de:

• Calcular la supervivencia para cualquier instante de tiempo

• Clasificar una variable en función de su tasa de fallos
• Calcular, para la función de densidad exponencial ( f ( x ) = λe − λx , x ≥ 0, λ > 0 ), la
función de supervivencia, la tasa de fallos y la tasa de fallos acumulada
• Calcular la fiabilidad de sistemas complejos
• Obtener los tiempos de fallo de sistemas complejos a partir de muestras de los
componentes independientes y analizar su tasa de fallos y su función de
supervivencia
• Seleccionar de entre dos sistemas el más fiable para un instante determinado.