Prcticas de Fiabilidad

Prctica 2:
Objetivo:
El objetivo de esta prctica es conocer y aprender a manejar las herramientas que nos
van a permitir decidir si nuestros datos de supervivencia se comportan de acuerdo a
algn modelo estadstico conocido.
El hecho de tener un modelo para los datos ofrece ventajas frente a la estimacin
emprica en que se bas la prctica 1. Podremos conocer de forma ms precisa cul es la
tasa de fallos y la funcin de supervivencia en cualquier momento, ya que
dispondremos de funciones NO escalonadas, al contrario de lo que suceda en los
anlisis de la prctica 1.
Una vez obtenidos los modelos ms adecuados para nuestros datos, se realizarn
simulaciones para continuar con el problema de fiabilidad de sistemas que se propuso
en la primera prctica.

Conceptos bsicos:
Como en la prctica anterior se parte de una muestra de tiempos de vida de un
determinado componente: x1, x2, ..., xn. sta es una muestra aleatoria procedente de un
determinado modelo de probabilidad, es decir, posee una funcin de distribucin F(x) y,
por consiguiente, una funcin de densidad f(x).
Existen numerosos modelos probabilsticos que se emplean para modelizar tiempos de
duracin de componentes. Entre ellos se podran destacar los siguientes:
1. Modelo Exponencial: Depende de un solo parmetro: . Se caracteriza por
tener una tasa de fallo constante (igual a ). En la figura 1 se encuentran las
funciones de densidad de modelos exponenciales para distintos valores del
parmetro (que est representado por la media 1/) y en la figura 2 sus
respectivas tasas de fallo.
2. Modelo Weibull: Depende de dos parmetros: (escala o scale) y (forma
o shape). Dependiendo del valor del parmetro de forma el modelo puede
tener tasa de fallo decreciente (<1), constante (se reduce al modelo
exponencial, =1) y creciente (>1). En la figura 3 se encuentra la funcin
de densidad Weibull para distintos valores de los parmetros y en la figura 4
sus respectivas tasas de fallo.
3. Modelo Gamma: Depende de dos parmetros: (escala o scale) y (forma
o shape). Puede modelizar variables con tasas de fallo cambiantes (crecientes
y decrecientes). En la figura 5 se encuentra la funcin de densidad Gamma
para distintos valores de los parmetros y en la figura 6 sus respectivas tasas
de fallo.
4. Modelo Lognormal: Depende de dos parmetros: (media o mean) y
(desviacin tpica o standard deviation). Puede modelizar variables con tasas
de fallo cambiantes (crecientes y decrecientes). El ejemplo para distintos

valores de los parmetros aparece en la figura 7 y en la figura 8 sus

respectivas tasas de fallo.

Exponential Distribution
Mean
10
15
20
25

0,1

density

0,08
0,06
0,04
0,02
0
0

30

60

90

120

150

x
Figura 1. Funcin de densidad exponencial.

Exponential Distribution
0,12

Mean
10
15
20
25

hazard

0,1
0,08
0,06
0,04
0,02
0
0

30

60

90

120

150

x
Figura 2. Tasa de fallos de la funcin de densidad exponencial.

Weibull Distribution
Shape,Scale
1,1
0,8,2
2,1
5,3

density

0,8
0,6
0,4
0,2
0
0

12

15

18

x
Figura 3. Funcin de densidad Weibull.

Weibull Distribution
Shape,Scale
1,1
0,8,2
2,1
5,3

hazard

15

10

0
0

x
Figura 4. Tasa de fallos de la funcin de densidad Weibull.

Gamma Distribution
Shape,Scale
1,1
2,1
0,5,1
4,0,5

1,5

density

1,2
0,9
0,6
0,3
0
0

10

15

20

25

30

x
Figura 5. Funcin de densidad Gamma.

Gamma Distribution
Shape,Scale
1,1
2,1
0,5,1
4,0,5

2,4

hazard

2
1,6
1,2
0,8
0,4
0
0

10

15

20

25

30

x
Figura 6. Tasa de fallos de la funcin de densidad Gamma.

Lognormal Distribution
Mean,Std. dev
1,1
2,2
5,1
10,2

density

0,8
0,6
0,4
0,2
0
0

12

16

20

x
Figura 7. Funcin de densidad Lognormal.

Lognormal Distribution
Mean,Std. dev
1,1
2,2
5,1
10,2

hazard

1,6
1,2
0,8
0,4
0
0

12

16

20

x
Figura 8. Tasa de fallos de la funcin de densidad Lognormal.

Estos son slo algunos ejemplos de funciones de densidad conocidas. Pero, qu

herramientas estadsticas hay para saber qu modelos pueden ser adecuados para mi
variable? Qu herramientas estadsticas ayudan a decidir si un modelo es o no
adecuado?
Para hacer un primer anlisis de la variable se debe hacer uso de tcnicas descriptivas,
es decir, se emplea el histograma para ver cmo se distribuye la muestra por intervalos y
se realizan estimaciones de la funcin de densidad para obtener algo semejante al
histograma pero de forma suave y continua (no por intervalos).
En cuanto a las herramientas para determinar si un modelo es adecuado a una muestra
se pueden clasificar en procedimientos grficos y numricos.
Grficamente se puede comprobar si la funcin de densidad del modelo propuesto es
aproximadamente igual que el histograma de los datos. Aunque es mucho ms fiable el
grfico cuantil-cuantil o quantil-quantil plot (QQ-plot) que consiste en hacer un grfico
de dispersin entre los valores de la muestra ordenados y los cuantiles del modelo
propuesto. El modelo podr ser adecuado si los puntos del grfico estn alineados.

NOTA: Se dice que X p es el cuantil de probabilidad p si F ( X p ) = p .

Ejemplo: Supongamos que tenemos la siguiente muestra de tiempos: 6.2, 1.5, 2.1, 3.5 y
0.7. Que tenemos un modelo representado por la funcin de distribucin F(x) y cuya
inversa es F-1(p), con p entre cero y uno. Lo que hace el QQ-plot es hacer el diagrama
de dispersin de las columnas 2 y 3 de la siguiente tabla. La primera columna representa
la funcin de distribucin emprica de la muestra. La segunda los datos de la muestra
ordenada y la tercera la inversa de la funcin de distribucin del modelo evaluada en los
puntos de la columna 1. En la tabla se disponen los datos de forma ordenada.
Fn (xi)
1/5
2/5
3/5
4/5
1

xi
0.7
1.5
2.1
3.5
6.2

F-1(Fn (xi))
F-1(1/5)
F-1(2/5)
F-1(3/5)
F-1(4/5)
F-1(1)

As pues, si los datos se distribuyen segn F(x) se tiene que F-1(1/5) ser prximo a 0.7,
F-1(2/5) ser prximo a 1.5 y as sucesivamente, es decir, en el grfico los puntos
aparecen alineados segn la recta y=x.
Los procedimientos numricos consisten en realizar contrastes de hiptesis sobre los
datos. Por tanto atenderemos al p-valor de los mismos para determinar si existe la
posibilidad de que la muestra se comporte segn un determinado modelo o no. Las
hiptesis de este tipo de contrastes son:

H 0 : f ( x ) puede ser la densidad de x1 , x2 ,..., xn

H 1 : f ( x ) no es la densidad de x1 , x2 ,..., xn
Como en todo contraste de hiptesis si se obtienen p-valores bajos existe evidencia en
los datos a favor de la hiptesis alternativa (en este en particular, evidencias que indican
que los datos no tienen esa funcin de densidad). Dos ejemplos clsicos de contrastes
que trabajan estas hiptesis son el de Chi-cuadrado (Chi-square) y KolmogorovSmirnof.
NOTA MUY IMPORTANTE: Si se rechaza la hiptesis nula (los datos ofrecen
evidencia a favor de la alternativa) significa que se tiene una confianza importante en
que los datos no siguen el modelo propuesto. Pero si no se rechaza la hiptesis nula, no
quiere decir que el modelo propuesto sea el que siguen los datos. Es decir, si no se
rechaza la nula quiere decir que el modelo propuesto resulta compatible con los datos,
pero no se puede afirmar con rotundidad que sea se. En STATGRAPHICS, el resultado
del test Chi-cuadrado puede ser diferente segn la versin instalada del programa. Por
tanto, utilizaremos el test de Kolmogorov para realizar estos contrastes.

Datos:
Los datos que se van a analizar se encuentran en el fichero practica 1 fiabilidad.sf.

Nota: Recordar que las cuatro primeras columnas del fichero recogen la duracin de los
cuatro componentes para los que se estudi varios sistemas.

Qu hay que hacer:

No se va a realizar ningn anlisis descriptivo previo ya que con el anlisis de ajuste de
distribucin (distribution fitting) de Statgraphics se obtiene directamente el histograma
y existe la posibilidad de obtener la estimacin de la densidad.
Nota: Antes de realizar el anlisis de ajuste de distribucin conviene mencionar que por
defecto el programa Statgraphics compara con la distribucin normal, para la que
estima los parmetros correspondientes.

Se abre el fichero practica 1 fiabilidad.sf.

Se va a:
DESCRIBE
Distributions
Distribution Fitting (Uncensored data) (Ajuste de distribucin, datos sin
censura)

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

empezar con V1 y se continuar hasta V4 (el resto se dejan como tarea para la
prctica del alumno).
Por defecto, el programa proporciona un resumen numrico (Analysis Summary) y
el grfico de la estimacin de la funcin de densidad (Density Trace).
Se va a obtener tambin el resto de herramientas comentadas anteriormente. Para
obtener los tests o contrastes de bondad de ajuste, se presiona el botn de opciones
y se selecciona la opcin de test de bondad de ajuste
de tabla (tabular options)
(Goodness-of-fit tests). Tambin se van a obtener dos grficos ms. Se presiona el
botn de opciones grficas (graphical options)
y se seleccionan el histograma y
el QQ-plot.

A continuacin se estudian todos los anlisis para determinar el (los) modelo(s) ms

adecuados para esta variable.
La figura 9 recoge el resumen del anlisis (Analysis Summary). ste nos indica que la
variable V1 es una muestra de 100 observaciones, con un mnimo de 3.68535 y un
mximo de 3215.24. Nos informa que se le ha ajustado una distribucin normal y que
los valores estimados de los parmetros son de 801.838 para la media y de 742.109 para
la desviacin tpica.

Analysis Summary
Data variable: V1
100 values ranging from 3,68535 to 3215,24
Fitted normal distribution:
mean = 801,838
standard deviation = 742,109

Figura 9. Resumen del anlisis.

El histograma de los datos se encuentra en la figura 10. Se observa una curva

superpuesta a ste. Esa curva es la funcin de densidad correspondiente a una
distribucin normal con los parmetros que aparecen en la figura 9.

Histogram for V1

frequency

40
30
20
10
0
-200

800

1800

2800

3800

V1
Figura 10. Histograma de V1 con densidad normal.

Tambin se puede observar una incongruencia con la naturaleza de los datos. El lmite
inferior del primer intervalo es 200!! Dado que se dispone de datos de tiempos de
vida, hay que corregir esto en el grfico, hay que cambiar el lmite inferior del grfico.
Esto se hace con el cursor sobre el grfico, presionando el botn derecho y
seleccionando opciones de panel (pane options). Aparece la ventana de la figura 11. La
primera casilla nos muestra el nmero de clases o intervalos del histograma (debe
variarse su valor para ver cmo va cambiando el histograma). La segunda y tercera
casilla nos indica el lmite inferior y superior del grfico. En el lmite inferior ponemos
un cero, para conseguir un grfico ms consistente con los datos.

Figura 11. Opciones de panel del histograma.

El nuevo grfico es el correspondiente a la figura 12. Se observa claramente que la

funcin de densidad normal no es adecuada para estos datos que, aparentemente, poseen
una distribucin exponencial.

Histogram for V1
50

frequency

40
30
20
10
0
0

V1

4
(X 1000)

Figura 12. Histograma de V1 corregido.

La figura 13 contiene el grfico de la funcin de densidad estimada (density trace). Este

grfico se interpreta como un histograma pero tiene la ventaja de tener un
comportamiento suave y continuo.

Density Trace for V1

(X 0,0001)
6

density

5
4
3
2
1
0
0

V1

4
(X 1000)

Figura 13. Funcin de densidad estimada de V1

La curva obtenida sale por defecto muy suavizada. Para que se vea mejor la distribucin
de los datos hay que cambiar el parmetro Interval width (por defecto del 60%) que se
encuentra en Pane options. Si modificamos este valor a 10% obtenemos la densidad de
la figura 14.
Ambas densidades nos muestran de nuevo la falta de ajuste de V1 con la distribucin
normal ya que los datos presentan una clara asimetra (hacia la derecha positiva) y la
distribucin normal es simtrica.

Density Trace for V1

(X 0,0001)
10

density

8
6
4
2
0
0

V1

4
(X 1000)

Figura 14. Funcin de densidad estimada de V2 con ancho de banda del 10%.

Por ltimo el grfico QQ-plot (figura 15) muestra una vez ms que la distribucin
normal no es adecuada. Los puntos no estn alineados sobre la recta y=x, por lo tanto
debemos cambiar a otra distribucin.

Quantile-Quantile Plot
(X 1000)
4

V1

3
2
1
0
0

Normal distribution

4
(X 1000)

Figura 15. QQ-plot de V1 frente a distribucin normal.

Por ltimo debemos confirmar mediante los contrastes de hiptesis lo que se ha venido
concluyendo con los anlisis grficos: que la normal no es un buen modelo para estos
datos. Antes de pasar a analizar la tabla de dichos contrastes hay que mencionar que
cuando el nmero de observaciones es pequeo (menos de 30 datos) no es
conveniente hacer uso de los contrastes. Los contrastes son tiles para conjuntos de
datos de tamao mayor que 30. En caso contrario la decisin de si nuestros datos
pueden seguir un modelo determinado hay que tomarla de forma grfica
empleando en mayor medida el ltimo grfico mencionado, el QQ-plot.
La siguiente figura (figura 16) muestra la tabla correspondiente al apartado Goodnessof-fit tests o tests de bondad de ajuste. Como se dijo en la parte de conceptos bsicos
hay que analizar los p-valores de los contrastes (valores sombreados en la figura 16).

Para el test de Chi-cuadrado se tiene un valor de 9.84e-10 a , para Kolmogorov 0.0149 y

para los otros dos contrastes p-valores menores que 0.01. Por lo tanto, dados estos
valores existen evidencias suficientes para decir con una elevada confianza que la
variable V1 no sigue una distribucin normal.
Goodness-of-Fit Tests for V1
Chi-Square Test
---------------------------------------------------------------------------Lower
Upper
Observed
Expected
Limit
Limit
Frequency
Frequency
Chi-Square
---------------------------------------------------------------------------at or below
-256,468
0
7,69
7,69
-256,468
44,829
5
7,69
0,94
44,829
255,41
19
7,69
16,62
255,41
429,0
16
7,69
8,97
429,0
584,116
11
7,69
1,42
584,116
730,18
9
7,69
0,22
730,18
873,496
6
7,69
0,37
873,496
1019,56
8
7,69
0,01
1019,56
1174,68
2
7,69
4,21
1174,68
1348,27
3
7,69
2,86
1348,27
1558,85
4
7,69
1,77
1558,85
1860,14
6
7,69
0,37
above
1860,14
11
7,69
1,42
---------------------------------------------------------------------------Chi-Square = 46,9006 with 10 d.f.
P-Value = 9,84404E-7
Estimated Kolmogorov statistic DPLUS = 0,156492
Estimated Kolmogorov statistic DMINUS = 0,14107
Estimated overall statistic DN = 0,156492
Approximate P-Value = 0,0149233
EDF Statistic
Value
Modified Form
P-Value
--------------------------------------------------------------------Kolmogorov-Smirnov D
0,156492
1,57666
<0.01*
Anderson-Darling A^2
4,80867
4,84582
0,0000*
--------------------------------------------------------------------*Indicates that the P-Value has been compared to tables of critical values
specially constructed for fitting the currently selected distribution.
Other P-values are based on general tables and may be very conservative.

Figura 16. Tests de bondad de ajuste de V1 suponiendo distribucin normal.

Debemos probar con otras variables hasta encontrar modelos que puedan describir la
variable V1. Para conseguirlo se presiona el botn derecho y se seleccionan las opciones
de anlisis (Analysis Options). Aparece la ventana de la figura 17. En ella aparecen
numerosos modelos. Entre ellos cabe destacar dos grupos. Distribuciones de variables
discretas y distribuciones de variables continuas (el caso de tiempos de vida). De entre
las continuas, las ms usadas en estudios de fiabilidad son: Exponencial, Gamma,
Weibull, Lognormal y Erlang.
En la prctica anterior se determin que la tasa de fallos de V1 era constante, por lo
tanto la posibilidad de que la exponencial sea un modelo adecuado es alta. Y, por lo
comentado anteriormente, tambin la Weibull y la Gamma son buenas opciones
(recordar que la exponencial es caso particular de ambas). As pues se va a analizar el
a

Recordar que el resultado de este test puede ser diferente segn la versin instalada de
STATGRAPHICS

10

QQ-plot para V1 y estas tres distribuciones (exponencial: figura 18, Weibull: figura 19
y Gamma: figura 20) as como el p-valor para el contraste de Kolmogorov (tabla de la
figura 21).

Figura 17. Posibles modelos para ajustar.

Quantile-Quantile Plot

Quantile-Quantile Plot

V1

(X 1000)
4

V1

(X 1000)
4

2
1

0
0

4
(X 1000)

exponential distribution

Weibull distribution

Figura 18. Exponencial-V1.

4
(X 1000)

Figura 19. Weibull-V1.

Quantile-Quantile Plot

(X 1000)
4

V1

3
2
1
0
0

gamma distribution

4
(X 1000)

Figura 21. Gamma-V1.

Distribucin
Exponencial
Weibull
Gamma

Parmetros Estimados p-valor Kolmogorov

Mean: 801.838
Shape: 1.045
Scale: 815.878
Shape: 1.058
Scale: 0.0013

0.91884
0.98327
0.98560

Figura 22. Tabla con los parmetros y p-valores de los tests para V1.

Grficamente se observan pocas diferencias entre los tres grficos. A pesar de eso si se
observa un mejor comportamiento en el correspondiente a la distribucin exponencial,

11

ya que en los otros dos el punto de ms valor est sensiblemente ms alejado que en
ste. El comportamiento para el resto de puntos es prcticamente igual.
En cuanto a la tabla que contiene las estimaciones de los parmetros y los p-valores se
observa que los tres modelos se ajustan muy bien.
Para la variable V2 tenemos los siguientes resultados para el ajuste a las densidades
exponencial, Weibull, Gamma y lognormal (figuras 23 a 26 respectivamente).
Quantile-Quantile Plot

Quantile-Quantile Plot

10

10

V2

(X 1000)
12

V2

(X 1000)
12

0
0

10

exponential distribution

12
(X 1000)

Figura 23. Exponencial-V2.

10

12
(X 1000)

Figura 24. Weibull-V2.

Quantile-Quantile Plot

Quantile-Quantile Plot
(X 1000)
12

10

10

V2

(X 1000)
12

V2

Weibull distribution

0
0

10

gamma distribution

12
(X 1000)

Figura 25. Gamma-V2.

Distribucin
Exponencial
Weibull
Gamma
Lognormal

10

lognormal distribution

12
(X 1000)

Figura 26. Lognormal-V2.

Parmetros Estimados p-valor Kolmogorov

Mean: 1315.63
Shape: 0.6669
Scale: 997.268
Shape: 0.542
Scale: 0.0004
Mean: 3157.64
Std. Dev.: 23882.6

0.00544
0.4486
0.1234
0.1446

Figura 27. Tabla con los parmetros y p-valores de los tests para V2.

Grficamente se tienen dos opciones por encima del resto, que son el modelo Weibull y
el modelo Gamma. De entre los dos el mejor es el del modelo Weibull, ya que en el
modelo Gamma el punto de mayor valor est ms alejado y el comportamiento del resto
de los puntos es prcticamente idntico.
En cuanto a los p-valores recogidos en la figura 27 el modelo que ofrece mayor p-valor
es el Weibull, por lo tanto si debemos decir qu modelo es ms parecido a estos datos
elegiramos sin duda a ste.

12

Para la variable V3 se tienen dos posibles modelos de nuevo: el Weibull y el Gamma.

Las figuras 28 y 29 respectivamente contienen sus QQ-plot. Y la tabla de la figura 30
contiene los p-valores y los parmetros estimados para estos modelos.

Quantile-Quantile Plot

Quantile-Quantile Plot

V3

(X 10000)
5

V3

(X 10000)
5

2
1

2
1

0
0

5
(X 10000)

Weibull distribution

Figura 28. Weibull-V3.

Distribucin
Weibull

gamma distribution

5
(X 10000)

Figura 29. Gamma-V3.

Parmetros Estimados p-valor Kolmogorov

Shape: 0.62
Scale: 1756.52
Shape: 0.49
Scale: 0.00019

Gamma

0.95
0.83

Figura 30. Tabla con los parmetros y p-valores de los tests para V3.

Para V4 se tienen esencialmente dos posibilidades: Erlang y Weibull. A continuacin se

muestran los grficos y la tabla que confirman dicha posibilidad.
Quantile-Quantile Plot

Quantile-Quantile Plot

1500

1500

1200

1200

V4

1800

V4

1800

900

900

600

600

300

300

0
0

300

600

900

1200

1500

1800

300

Weibull distribution

Figura 31. Weibull-V4.

Distribucin
Weibull
Erlang

600

900

1200

1500

1800

Erlang distribution

Figura 32. Erlang-V4.

Parmetros Estimados p-valor Kolmogorov

Shape: 1.5546
Scale: 707.938
Shape: 2
Scale: 0.0031

0.94
0.86

Figura 32. Tabla con los parmetros y p-valores de los tests para V4.

Supongamos el modelo exponencial para la variable V1:

DESCRIBE
Distributions
Distribution Fitting (Uncensored data) (En data poner V1)

13

Presionar el botn derecho y seleccionar Analysis Options. Elegir la distribucin

exponencial. Cmo se puede saber cual es la supervivencia segn este modelo
estimado para la variable V1? Cmo se puede obtener un valor crtico? (La definicin
de valor crtico es la misma que la de cuantil).
Para obtener estos valores hay que presionar el botn de opciones de tabla
seleccionar las opciones tail areas y critical values (figura 33).

Figura 33. Opciones de tabla.

La opcin de tail areas da como resultado el valor de la funcin de distribucin en un

determinado punto. As pues si se desea conocer la supervivencia de la variable V1
segn un modelo exponencial (ajustado a esos datos) para el instante 100, es decir,
S(100), debemos obtener la funcin de distribucin en dicho valor, ya que S(100)=1F(100). Para hacer esto hay que situar el cursor encima del panel de tail areas, presionar
el boton derecho y elegir la opcin pane options. Aparecer una ventana con cinco
casillas. En cada casilla se puede introducir un tiempo de inters. En este caso se pondr
100 en una de ellas (figura 34) y se presionar el boton OK.

Figura 34. Pane options de tail areas.

El programa proporciona: area below 100.0 =0.11725, es decir, probabilidad de que

el tiempo de vida del componente V1 sea menor que 100 (esto es P(T<t)=1-S(t)). Por lo
tanto la supervivencia en este instante ser: S(100)=1-0.11725=0.88275 (frente al 0.9
que se obtuvo en la prctica 1). Cul ser la supervivencia en 101 segn el modelo
exponencial ajustado a V1? S(100)=1-0.11835=0.88165 (frente al 0.9 de la prctica 1).
Una primera consecuencia de estimar un modelo si ste es adecuado, es que se dispone
de tasa de fallos acumulada y funcin de supervivencia NO escalonada. Con los valores

14

obtenidos por medio de tail areas se pueden rehacer los clculos de fiabilidad de los
sistemas de la prctica 1.
En cuanto a los valores crticos, la forma de obtenerlos es anloga. Cul es el valor de
la variable para el que la supervivencia vale 0.45? Se pide el tiempo de fallo para el que
S(x)=0.45, es decir, para que 1-F(x)=0.45, o lo que es lo mismo, para que F(x)=0.55.
Para el panel de critical values se obtienen sus pane options y se introduce 0.55 en una
de las casillas (figura 35). Obtenindose que F-1(0.55)=640.274.

Figura 35. Pane options de critical values.

Simulacin de variables aleatorias:

En esta seccin se va a aprender a simular muestras de variables aleatorias con el
objetivo de realizar simulaciones de sistemas de componentes. Supongamos que se
tienen cuatro componentes cuyas duraciones se distribuyen de la siguiente manera:

C1: Weibull(2,750)
C2: Weibull(0.7, 1500)
C3: Exponencial(1000)
C4: Exponencial(1300)

Se van a generar para cada componente una muestra de 5000 observaciones que ser
empleada para simular los tiempos de fallo del primer sistema de la prctica anterior
(figura 36).

Figura 36. Sistema descompuesto en subsistemas.

Se comenzar generando las muestras de los componentes C1 y C2:

15

DESCRIBE
Distributions
Probability Distributions
Aparece una ventana de seleccin de modelo (figura 37). En sta seleccionamos la
opcin Weibull.

Figura 37. Seleccin de distribucin.

Por defecto el anlisis muestra informacin para una Weibull(1,1). As pues, lo primero
que se debe hacer es poner los parmetros de las distribuciones de los componentes C1
y C2. Lo hacemos presionando el botn derecho y seleccionando las opciones de
anlisis (Analysis Options). Se pueden introducir hasta cinco pares de parmetros
distintos. Se rellena la tabla como muestra la figura 38.

Figura 38. Parmetros componentes C1 y C2.

En el grfico de la funcin de densidad aparecen ahora dos curvas, una para cada
componente. En este anlisis podemos obtener la tasa de fallos, la funcin de
supervivencia y la de distribucin (en la parte grfica). Si se hace ha de obtenerse una
curva creciente para la tasa de fallos del componente C1 y otra decreciente para el
componente C2 (ver los valores del parmetro de forma).

16

Para generar nmeros aleatorios se trabaja con las opciones numricas,

,
seleccionando random numbers o nmeros aleatorios. Las otras opciones son tail areas
y critical values para esta distribucin con estos parmetros (figura 39).

Figura 39. Opciones de tabla de probability distributions.

En el nuevo panel del anlisis se informa que se han generado 100 nmeros aleatorios
de las distribuciones que se estn analizando. Pero hay que cambiar el tamao de la
muestra. Eso se hace en pane options (botn derecho). Se introduce 5000 en la nueva
ventana (figura 40).

Figura 40. Tamao muestral nmeros aleatorios.

Tan slo falta guardar estas muestras en nuevas variables, cuyos nombres sern C1 y
C2. Esto se hace presionando el botn
en la figura 41.

. Se rellena la nueva ventana como se indica

Figura 41. Guardar aleatorios con nombre.

El proceso se repite para los componentes C3 y C4. Los aleatorios los guardamos con
esos mismos nombres.
NOTA IMPORTANTE: Se estn generando nmeros aleatorios. Cada vez que se
repita el proceso los nmeros cambian y, por lo tanto, los clculos de fiabilidad

17

tambin lo harn. Pero, al trabajar con muestras de un tamao tan grande, si los
clculos son correctos, las variaciones sern muy pequeas. Igual ocurre con los
siguientes grficos, de forma aproximada han de ser as, pero habr detalles que
varen un poco.
Una vez que se tienen la cuatro nuevas variables (de C1 a C4). Podemos obtener como
se hizo en la prctica 1 los tiempos de fallo de esta muestra de 5000 sistemas que se ha
obtenido. Entonces se puede obtener la tasa de fallos acumulada y saber si el sistema
tiene tasa de fallos creciente, decreciente o constante.
Nota: Recordar que haba que generar nuevas columnas, de nombres: S12, S123 y
S1234; con los siguientes textos:

Para S12: C1*(C1<C2)+C2*(C2<=C1)

Para S123: C3*(S12<C3)+S12*(C3<=S12)
Para S1234: C4*(C4<S123)+S123*(S123<=C4)

cumulative hazard

Estimated Cumulative Hazard Function

10
8
6
4
2
0
0

S1234

10
(X 1000)

Figura 42. Tasa de fallos acumulada de S1234.

Quantile-Quantile Plot
(X 1000)
10

S1234

8
6
4
2
0
0

Weibull distribution

10
(X 1000)

Figura 43. QQ-plot de S1234 y Weibull

El grfico de la tasa de fallos acumulada de S1234 ofrece indicios de que la tasa de

fallos del sistema es aproximadamente constante (figura 42). De hecho el QQ-plot de
esa variable para un modelo Weibull (figura 43) muestra que el modelo se ajusta
bastante bien (confirmado tambin por los tests de hiptesis), teniendo un parmetro de
forma casi igual a 1 (en la simulacin realizada para esta prctica vale 1.09). Por ltimo,
la fiabilidad en el instante 100 para este sistema es aproximadamente de 0.9128 (en

18

otras simulaciones se obtendrn otros resultados pero cercanos a este). Debido a que
esta probabilidad es menor que la que se obtuvo en la prctica 1, que fue de 0.92 (con el
primer mtodo, el que se ha usado aqu) y 0.905 (con el segundo mtodo) se concluira
que para montar este sistema, los componentes usados en la prctica anterior se
comportan prcticamente de la misma manera que los simulados aqu.

Autoevaluacin de la prctica:
Se puede dar por superada esta prctica cuando tras su realizacin el alumno sea capaz
de:

Encontrar el/los modelo/s ms adecuado/s a un conjunto de observaciones

Identificar cuando un modelo no es adecuado para un conjunto de observaciones
Calcular supervivencias en cualquier instante para un modelo ajustado a unos datos
y lo mismo para los valores crticos (probability distributions)
Calcular supervivencias en cualquier instante para un modelo ajustado a unos datos
y lo mismo para los valores crticos (distribution fitting)
Generar nmeros aleatorios y combinarlos para obtener simulaciones de sistemas de
varios componentes

19