TEMA 2

DISTRIBUCION DEL TIEMPO DE VIDA

Nieves Martínez Alzamora

Departamento de Estadística e Investigación Operativa y Calidad
Universidad Politécnica de Valencia
 2

INTRODUCCION ...................................................................................................................................3

OBJETIVOS DEL TEMA ......................................................................................................................3

IDEAS PRINCIPALES DEL TEMA ....................................................................................................3

SEGMENTOS DE CONTENIDO DEL TEMA...................................................................................4

1. INTRODUCCION ..............................................................................................................................4

2. FUNCION DE FIABILIDAD............................................................................................................5

3. FUNCIÓN DE RIESGO.....................................................................................................................7

4. FUNCION DE RIESGO ACUMULADO......................................................................................10

5. TIEMPO MEDIO HASTA EL FALLO.........................................................................................12

6. FIABILIDAD CONDICIONAL......................................................................................................13

7. CENSURA..........................................................................................................................................13

8. ESTIMACIÓN EMPÍRICA ............................................................................................................15

Datos completos ...................................................................................................................................16
Datos censurados..................................................................................................................................19

RECUERDA QUE .................................................................................................................................23

GLOSARIO ............................................................................................................................................26

BIBLIOGRAFÍA DE APOYO PARA EL TEMA.............................................................................27

 3

INTRODUCCION

En esta Unidad Pedagógica se definen las funciones y las medidas que se utilizan habitualmente para
describir y comparar las distribuciones de probabilidad del tiempo hasta el fallo en distintas poblaciones.
Se trabajan en el caso discreto y en el caso continuo para facilitar la asimilación intuitiva de los
conceptos. Se incluyen varios ejercicios cuyo objetivo es que el alumno maneje con soltura estas
funciones y las ecuaciones que permiten pasar de unas a otras. El tema incluye también los métodos de
estimación no parametrica de la función de fiabilidad y de la función de riesgo y algunos ejercicios
resueltos. El conocimiento de estos métodos y el estudio detallado de la resolución de estos ejercicios
ayudará al alumno a interpretar mas fácilmente los valores que toman estas funciones.

OBJETIVOS DEL TEMA

Al finalizar el estudio de este tema, se espera que el alumno:

− Conozca las distintas funciones que se utilizan en análisis de fiabilidad para describir la
distribución del tiempo de fallo

− Conozca las ecuaciones que permiten pasar de una función a otra y las maneje con soltura

− Conozca las medidas mas utilizadas para comparar las distribuciones del tiempo hasta el
fallo de distintas poblaciones

− Entienda la importancia de la presencia de datos censurados en el estudio de la distribución

de T y sepa reconocer los distintos tipos de censura

− Conozca los métodos que se utilizan habitualmente para obtener una estimación empírica
de la función de fiabilidad y de la función de riesgo cuando los datos son completos y
cuando existen datos censurados, analizando las consecuencias de la presencia de datos
censurados en la muestra y profundizando en la interpretación de los valores que toman
estas funciones.

IDEAS PRINCIPALES DEL TEMA

Se indican los motivos que han llevado en el análisis de fiabilidad a describir funciones y medidas
específicas para describir la distribución de la variable tiempo hasta el fallo, como alternativa a las
utilizadas habitualmente en estadística para el resto de las variables.

Se define la función de fiabilidad en el caso continuo y se obtienen las ecuaciones que relacionan esta
función con las funciones utilizadas habitualmente en estadística para describir las variables continuas:
función de distribución y función de densidad. Se define también la función de fiabilidad en el caso
discreto y se obtienen las ecuaciones que relacionan esta función con las funciones utilizadas
habitualmente en estadística para describir las variables discretas: función de probabilidad y función de
distribución.
 4

Se define la tasa de fallo y a partir de este concepto se pasa a definir en el caso continuo la función de
riesgo. Se obtienen las ecuaciones que relacionan la función de riesgo con la función de fiabilidad y con
la función de densidad. A continuación se analiza la interpretación de las distintas formas que suele
tomar habitualmente esta función. Se pasa a definir la función de riesgo en el caso discreto y se obtienen
las ecuaciones que relacionan la función de riesgo con la función de fiabilidad y la función de
probabilidad. A continuación, se define la función de riesgo acumulado y la tasa media de fallo. Se
incluyen varios ejercicios cuyo objetivo es que el alumno maneje con soltura estas funciones y las
ecuaciones que permiten pasar de unas a otras.

Se describen las medidas de posición y dispersión mas utilizadas para la distribución del tiempo hasta el
fallo: tiempo medio hasta el fallo, mediana del tiempo hasta el fallo y desviación típica, indicando como
pueden obtenerse estas medidas a partir de la función de fiabilidad.

En el punto 6 se define la distribución condicional que permite obtener la fiabilidad de una componente
después de un período de puesta a punto y se indica como obtener la vida media residual a partir de la
función de fiabilidad. Se incluye un ejercicio con el objetivo de afianzar estos conceptos.

En el punto 7 se introduce el concepto de censura, necesario en la utilización de técnicas estadísticas en

el estudio de fiabilidad y se describen los distintos tipos de censura.

Por último, se describen los principales métodos de estimación no parametrica de la función de fiabilidad
y de la función de riesgo, para datos completos y para datos censurados y se proporcionan ejemplos
resueltos en cada caso. El conocimiento de estos métodos y el estudio detallado de estos ejemplos
ayudará al alumno a interpretar mas fácilmente los valores que toman las funciones de fiabilidad y la
función de riesgo y comprender las ideas en base a las cuales se han desarrollado los diferentes métodos
que permiten incorporar la información que proporcionan los datos censurados en la estimación empírica
de estas funciones.

SEGMENTOS DE CONTENIDO DEL TEMA

1. INTRODUCCION

Uno de los objetivos principales del estudio de fiabilidad es la modelización de la distribución del tiempo
hasta el fallo, T. Esta es una variable, no negativa, que suele tener una distribución asimétrica positiva.
Su distribución de probabilidad, como la de cualquier otra variables puede ser descrita por la función de
densidad o por la función de distribución, como ya se ha visto en el Modulo I y pueden utilizarse las
medidas habituales para realizar comparaciones. No obstante se han definido otras funciones
alternativas, equivalentes a la función de densidad o de distribución, específicas para esta variable, que
aportan una información más interpretable desde el punto de vista intuitivo. Por otra parte, debido a la
asimetría frecuente de su distribución suelen utilizarse medidas de posición alternativas a las habituales
para realizar comparaciones entre distribuciones e incluso se han definido medidas específicas para este
tipo de distribución.
 5

2. FUNCION DE FIABILIDAD

Sea T una variable aleatoria, no negativa, que representa el tiempo de vida de una componente. La
variable T puede ser considerada como una variable continua que toma valores en [0,∞) o como una
variable discreta (debido al redondeo de mediciones, agrupación de valores en intervalos, etc.) La
distribución de probabilidad de T, al igual que la distribución de cualquier otra variable, puede
especificarse, como se vio en el Modulo I, a través de diferentes funciones equivalentes, en el sentido de
que conocida cualquiera de ellas puede determinarse el resto.

Tres de estas funciones son especialmente útiles, por su interpretación intuitiva, en el estudio del tiempo
de vida: la función de fiabilidad, la función de riesgo y la función de riesgo acumulado. Veremos a
continuación la definición de estas funciones y las interrelaciones entre ellas para distribuciones
discretas y para distribuciones continuas.

Consideraremos la función de fiabilidad (reliability function) de T, definida como,

R (t ) = P (T > t ) 0≤t≤∞

ya que esta es la definición mas utilizada. No obstante, algunos autores clásicos como Kalbfleisch (1980)
y Crowder (1991) prefieren definir R(t) como P(T≥t) y F(t) como P(T<t). En la práctica, esto no
establece ninguna diferencia en el caso continuo, pero sí que las establece en el caso discreto.

Así definida, la función de fiabilidad es una función monótona, no creciente, con R(0)=1 y lim R(t)=0
t→∞
(fig. 1).

Figura 1

La función de distribución acumulativa de la v.a. T en el instante t, es

F (t ) = P (T ≤ t )

y por lo tanto la función de fiabilidad y la función de distribución son funciones complementarias,

 6

R (t ) + F (t ) = 1

Si consideramos que T es una variable continua, la función de fiabilidad, R(t), puede obtenerse
integrando la función de densidad, f(t) como:

∞
R (t ) = ∫ f (t )dt
t

En aquellos puntos en los que la función de fiabilidad sea derivable se verificará que,

dR (t ) d (1 − F (t ) )
= = − f (t )
dt dt

La probabilidad de que ocurra un fallo en un intervalo [t1 ,t 2 ] puede expresarse en términos de función
de fiabilidad como,

t2

∫ f (t )dt = R(t ) − R(t )

t1
1 2

La pendiente de la función de fiabilidad varía según el riesgo de que el suceso en estudio ocurra en el
tiempo t, pero es difícil determinar un patrón de fallo simplemente observando su representación gráfica.
En cualquier caso, su estudio detallado puede resultar muy útil para comparar dos o más patrones de
fallo (fig. 2).

Figura 2

Si T es considerada como una variable discreta y toma los valores t1< t2 < ... con función de probabilidad
asociada,

p(tj)=P(T=tj), j=1,2,....,

la función de fiabilidad puede escribirse como :

 7

R(t) = ∑ p(t j )
t j >t

3. FUNCIÓN DE RIESGO

Una forma alternativa para describir la distribución del tiempo de vida, básica en su análisis, es la
función de riesgo (hazard function) . Esta función proporciona generalmente más información, acerca de
los mecanismos de fallo, que la función de fiabilidad.

Dado un intervalo (t , t + ∆t ) , se llama tasa de fallo de una unidad en dicho intervalo a la probabilidad
de que una unidad, que ha estado operativa hasta el inicio del intervalo, falle en dicho intervalo dividida
por la amplitud del intervalo

P(t < T ≤ t + ∆t / T > t )

∆t

La función de riesgo, h(t), de una unidad en el instante t se define como la tasa instantánea de fallo en
T=t, es decir el limite de la tasa de fallo cuando la amplitud del intervalo tiende a cero.

P(t < T ≤ t + ∆t / T > t )

h(t ) = lim+
∆t →0 ∆t

Si T es considerada como una variable continua, la función de riesgo en t se puede obtener como:

P(t < T ≤ t + ∆t ) 1 f (t )
h(t ) = lim+ =
P(T > t ) R(t )
(1)
∆t →0 ∆t

Tanto la función de fiabilidad como la función de densidad pueden ser obtenidas a partir de la función de
riesgo.

En efecto, Partiendo de la ecuación (1) tenemos que,

R ' (t ) d ln R (t ) ⎛ t ⎞
h(t ) = − =− ⇒ R (t ) = exp⎜⎜ − ∫ h(t ) dt ⎟⎟
R (t ) dt ⎝ 0 ⎠

En cuanto a la función de densidad, partiendo de la misma expresión (1), tenemos que:

⎛ t ⎞
f (t ) = h(t )exp⎜⎜ − ∫ h(t ) dt ⎟⎟
⎝ 0 ⎠
 8

Si T es considerada como una variable discreta, la función de riesgo en tj se define como la probabilidad
fallo en t, condicionada a la fiabilidad hasta ese momento,

h j = P(T = t j /T > t j-1 ) j = 1,2,...

Se verificará que,

P((T = t j ) ∩ (T > t j-1 )) p(t j )

hj = = j = 1,2,...
P(T > t j-1 ) R(t j-1 )

siendo R(t0)=1. Si expresamos la función de fiabilidad y la función de probabilidad en términos de la

función de fallo tenemos que,

R(t ) = P(T > t ) = ∏ P(T ≠ t j / T > t j −1 ) = ∏ (1 − h j )

t j ≤t t j ≤t

j −1
p (t j ) = h j ∏ (1 − hi )
i =1

Respecto a la interpretación de la forma que suele tomar la función de riesgo h(t):

− Si h(t) es creciente esto nos indica que la tasa instantánea de fallo se va incrementando a medida
que transcurre el tiempo.
− Si h(t) es constante esto nos indica que la unidad no envejece.
− Si h(t) es decreciente indica que la tasa instantánea de fallo va decreciendo a medida que
transcurre el tiempo.

NOTA : La forma más frecuente de la función de riesgo es la forma de bañera que se recoge en la
figura siguiente:

Fallos Fallos accidentales Fallos envejecimiento

precoces
 9

Los fallos precoces son los que se producen en el periodo inicial de funcionamiento.

• Son debidos a errores de diseño o fabricación

• Se evitan realizando una puesta a prueba o depuración
• La eliminación de este tipo de fallos es precisa en los sistemas de misión única y es aconsejable
por la imagen que este tipo de fallos produce en el cliente

El período de vida útil (fallos accidentales) es la vida efectiva del producto

• Tasa de fallo generalmente constante

• Fallos accidentales debidos al azar debidos a esfuerzos ocasionales o errores de operación en el
usuario
• En general son situaciones impredecibles
• Estos fallos se controlan con un buen procedimiento de operación y un adecuado mantenimiento
preventivo

Los fallos de envejecimiento se asocian a la edad: fatiga del material, degradación de los
componentes,..

• La velocidad de crecimiento de la tasa de fallo en este período dependerá del régimen de uso en el
período de vida útil
• La tasa de fallo podrá reducirse con planes de mantenimiento preventivo que reduzcan el
agotamiento de las componentes

Obviamente, no todas las componentes tienen una función de riesgo en forma de bañera:

• La mayoría de componentes eléctricas y electrónicas no tienen zona de envejecimiento

• Algunas componentes mecánicas pueden no tener una tasa de fallo constante en el período de vida
útil
• La longitud de cada período variará de una componente a otra

EJEMPLO: En la figura 3, tenemos las funciones de densidad, distribución, fiabilidad y riesgo

correspondientes a tres modelos estadísticos diferentes. En el primer modelo, la función de riesgo es
creciente, en el segundo es constante y en el tercero es decreciente. Podéis observar como repercute la
forma de la función h(t) en el resto de las funciones que pueden describir la distribución del tiempo de
vida. ¿Que relación tienen h(t) y R(t)?¿Que relación tienen F(t) y R(t)?
 10

Figura 3

4. FUNCION DE RIESGO ACUMULADO

Otra forma de describir la distribución de probabilidad de T, relacionada con la función de riesgo, y

utilizada especialmente en la construcción de papeles probabilísticos y en el análisis de residuos, es la
función de riesgo acumulado (cumulative hazard function) , H(t), definida en el caso continuo como:

t
H (t ) = ∫ h(t )dt
0

Se verifica que,

t
H (t ) = ∫ h(t )dt =− ln[ R (t )] ⇒ R(t ) = e − H (t )
0

Un concepto útil y relacionado con la función de riesgo acumulado es la tasa media de fallo (Average
Failure Rate), definida entre dos tiempos t1 y t2 como:

ln R(t ) − ln R (t )
∫ h(t )dt =
1 t2
AFR (t1 , t 2 ) = 1 2

t 2 − t1 t1 t −t2 1

Si consideramos t1=0 y t2=t tendremos que,

ln R (0 ) − ln R (t ) − ln R (t ) H (t )
AFR (t ) = = =
t −0 t t
 11

Si consideramos que T es una variable discreta definiremos la función de riesgo acumulado, H(t),
como:

H (t ) = ∑ h(t j )
t j ≤t

EJERCICIO 1: Sea T el tiempo de fallo de una componente cuya función de densidad viene dada por la
expresión,
⎛ 1 ⎞ ⎛1⎞
f (t ) = ⎜ ⎟*⎜ ⎟ 25.000 < t < 50.000 horas
⎝ ln 2 ⎠ ⎝ t ⎠

¿cuál es la función de riesgo de esta componente?

Sol : h(t ) =
1
t * ln (50.000 t )

EJERCICIO 2 : Sea T el tiempo de fallo de una componente del tiempo hasta el fallo cuya función de
distribución es,
F (t ) = 1 − e − t + e −8t
8 1
7 7

Hallar la función de fiabilidad y la función de riesgo

8 7 * e − t − 8 7 * e −8t
Sol : h(t ) =
8 7 * e − t − 1 7 * e −8t

EJERCICIO 3: La función de riesgo de un sistema hidráulico es

(
h(t ) = 0'003 1 + 2'5e −3t + e − t / 50 ) fallos por año

¿Cuál será la fiabilidad a los 10 años?

Sol : 0'94205

EJERCICIO 4 : Sea T el tiempo de fallo de una componente cuya función de riesgo viene dada por la
expresión,

h(t ) =
1 −1 / 4
t
25

Hallar la función de fiabilidad y la función de densidad.

 12

Sol : R (t ) = e − (4 75 )*t
34

f (t ) = (1 25) * t −(1 4 ) * e −(4 75 )*t

(3 4 )

5. TIEMPO MEDIO HASTA EL FALLO

Una medida de posición, que permite comparar la fiabilidad de varios sistemas es el tiempo medio
hasta el fallo (Mean Time To Failure). Si consideramos que T es continua, el valor medio del tiempo
hasta el fallo se define como

∞
MTTF = E (T ) = ∫ t f (t )dt
0

Es posible calcular MTTF a partir de la función de fiabilidad, ya que,

dR(t )
∞ ∞ ∞
dt = −tR (t ) 0 + ∫ R(t )dt = ∫ R(t )dt
∞
MTTF = − ∫ t
0
dt 0 0

Obviamente, acompañando al MTTF, debe calcularse una medida de dispersión. La más utilizada es la
varianza del tiempo hasta el fallo,

∞
σ 2 = ∫ (t − MTTF )2 f (t )dt
0

Esta ecuación puede escribirse también como,

∞
σ 2 = ∫ t 2 f (t )dt − (MTTF )2
0

La raíz cuadrada de la varianza es la desviación típica que vendrá medida en las mismas unidades que la
variable T.

El valor medio del tiempo hasta el fallo es solo una de las diferentes medidas de posición de la
distribución de T. Otra medida de posición, alternativa al MTTF, es la mediana del tiempo hasta el
fallo, t med , que verifica que

R(t med ) = 0.5

La mediana divide la distribución en dos partes, con un 50% de los fallos que ocurren antes de la
mediana y un 50% de los fallos que ocurren después. La mediana es habitualmente utilizada como
medida de posición cuando la distribución es muy asimétrica.
 13

6. FIABILIDAD CONDICIONAL

La fiabilidad condicional es útil para describir la fiabilidad de una componente o sistema después de un
periodo de puesta a punto T0 o después de un periodo de garantía T0. Se define la fiabilidad condicional
como la fiabilidad de un sistema que ha estado en funcionamiento durante un tiempo T0:
T0 + t
h (t )dt
R(T0 + t ) e ∫0
− T0 + t
−∫ h (t )dt
R(t / T0 ) = P{T > T0 + t / T > T0 } = = = e T0
R(T0 ) h (t )dt
T0

e ∫0
−

Como R(t/T0) es una función de fiabilidad, puede calcularse el MTTF de la distribución condicional o
vida media residual (Mean Residual Life) como

∞ ∞
MRL(T0 ) = ∫ R(t / T0 )dt = R(T0 + t )dt
1
0 R(T0 ) ∫0

Si consideramos que t’=t+T0 tendremos que el valor medio del tiempo de vida restante para aquellas
unidades que permanecían en funcionamiento en el instante T0 puede calcularse como

∞
R(t ')dt '
1
MRL(T0 ) = ∫
R(T0 ) T0

EJERCICIO 5: Sea T el tiempo de fallo en horas de una componente cuya función de densidad viene dada
por la expresión,

f (t ) = 0,05 e −0,05t 0<t <∞

Hallar a) MTTF
b) vida media residual de la componente si sabemos que ha funcionado durante 100 horas.

Sol : MTTF = 20; MRL=20

7. CENSURA

Desde un punto de vista estadístico, un aspecto que dificulta el estudio de la fiabilidad es la censura de
los datos que tiene lugar frecuentemente debido a que todas las unidades sometidas a prueba no fallan
antes de que se verifique el criterio de parada de la prueba.
 14

En las observaciones censuradas no se conoce el valor exacto del tiempo de vida, T, de algunos
individuos y lo único que se sabe acerca de su valor es que pertenece a un determinado intervalo.

Como se ha comentado anteriormente, antes de utilizar técnicas estadísticas clásicas en un estudio de

fiabilidad es necesario revisar si es posible su aplicación en presencia de datos censurados. Como ya se
comento en la U.P. anterior, la presencia de censura dificulta o imposibilita el uso de las técnicas
estadísticas clásicas, pero no es posible prescindir de los datos censurados ya que, si esto se hiciera, los
resultados obtenidos estarían claramente sesgados. En efecto, ignorar las unidades censuradas en el
análisis, eliminaría valiosa información y sesgaría los resultados, ya que sólo las unidades más débiles,
con los tiempos de fallo mas cortos entrarían en el análisis y la fiabilidad de las componentes sería muy
subestimada.

Existen varios tipos de censura y, en cada caso, el análisis de los datos se plantea basándose en el tipo de
censura. El planteamiento del ensayo es el que determina el tipo de censura.

Basándose en el diseño del ensayo, una censura es de Tipo I, o censura por tiempo, si el estudio tiene
una duración determinada y es de Tipo II, o censura por fallo, si el estudio se detiene cuando el suceso
ha ocurrido un número de veces, r, determinado a priori. La censura de Tipo I se suele utilizar en
análisis de supervivencia, en el área de medicina, ya que no es posible esperar a que fallezcan todos los
individuos, y la censura de Tipo II se utiliza a menudo en fiabilidad, en el área de ingeniería, ya que
ahorra tiempo y dinero, garantiza un determinado número de ocurrencias y su análisis es más sencillo.

Las censuras de Tipo I o Tipo II pueden ser únicas o múltiples. La censura será múltiple si las
componentes entran al estudio en diferentes tiempos o bien sucesos diferentes al suceso en estudio, como
averías debidas a otra causa, provocan que una componente sea excluida de un estudio (figura 4). Estas
averías hacen que la componente sea aleatoriamente censurada respecto al suceso de interés y en este
caso la censura se denomina censura aleatoria.

Basándose en la relación existente entre el tiempo de vida, T, y el tiempo C, en el cual se realiza la

censura, ésta puede clasificarse en censura por la derecha, censura por la izquierda o censura por
intervalo. En una censura por la derecha, se sabe únicamente que el suceso de interés todavía no ha
ocurrido en el tiempo C en el cual se realiza la censura. En una censura por la izquierda, todo lo que se
sabe es que el suceso de interés ha ocurrido antes de C. En una censura por intervalo, la única
información es que el suceso ha ocurrido en un intervalo (C1,C2]. Si los datos han sido censurados por la
derecha pueden ser representados por un par de variables (X, δ), siendo X=min(T,C) y δ un indicador
que toma el valor 1 si el suceso ha ocurrido en el período de observación y el valor 0 si el dato ha sido
censurado. Si los datos han sido censurados por la izquierda, X=max(T,C). Klein (1997) ha publicado un
interesante libro en el cual plantea detalladamente el tratamiento de datos censurados por la izquierda y
datos censurados por intervalo.

Una hipótesis fundamental en el análisis estadístico de datos parcialmente censurados es la

independencia del tiempo de vida, T, y el tiempo de censura C. Si no puede admitirse esta independencia
deben utilizarse técnicas especiales en su análisis basadas en la estimación de la distribución conjunta de
T y C.
 15

x
x
x
x
x
x
x
x

T T
Datos completos
Censura única

x
x fallo
o censura
x

Censura múltiple

Figura 4

8. ESTIMACIÓN EMPÍRICA

Los métodos empíricos de estimación de la función de fiabilidad y de la función de riesgo que vamos a
ver a continuación, son métodos no paramétricos. En los estudios no paramétricos no se asume ningún
tipo concreto de modelo probabilístico para los tiempos de fallo y se estiman directamente de los datos
las funciones básicas (fiabilidad, riesgo). En los estudios paramétricos se asume un determinado modelo
para la distribución de los tiempos de fallo y se estiman los parámetros de dicho modelo, deduciéndose a
partir de dichos parámetros los niveles de fiabilidad de la población

Tanto los métodos no paramétricos como los métodos paramétricos, permiten tratar datos completos y
datos censurados. No obstante, en presencia de datos censurados, la curva de fiabilidad estimada se
truncará a la derecha en el punto que ha terminado la prueba y las fórmulas para calcular la media
muestral y la varianza muestral no serán válidas. En este caso, un modelo paramétrico dará una visión
mas completa del proceso de fallo a la derecha del punto en el que ha terminado la prueba y permitirá
estimar el MTTF.
 16

DATOS COMPLETOS

Datos no agrupados

Si t 1 ≤ t 2 ≤ ...... ≤ t n son n tiempos de fallo ordenados, el número de unidades que sobreviven en el

instante ti es n-i. Por lo tanto, una posible estimación de la función de fiabilidad en ti, R(t i ) sería
simplemente la proporción de unidades que sobreviven en el instante ti ,

n−i
Rˆ (ti ) =
n

y la estimación para la función de distribución sería,

Fˆ (t i ) =
i
n

No obstante, esta estimación implicaría que Rˆ (tn ) = n n = 0 . Consecuentemente, habría una

probabilidad cero de sobrevivir mas allá del mayor tiempo hasta el fallo observado tn. Por lo tanto esta
ecuación tiende a subestimar la fiabilidad de la componente.

Una mejora de la estimación de las funciones de distribución y fiabilidad será,

n +1− i
Rˆ (ti ) =
n +1

Fˆ (t i ) =
i
n +1

Estas estimaciones se utilizarán, como se verá mas adelante, en los papeles probabilísticos para elegir
familias de distribuciones en la modelización paramétrica del tiempo hasta el fallo. Una estimación de la
función de densidad, basándose en la relación entre f(t) y R(t) será,

Rˆ (ti ) − Rˆ (ti +1 )
fˆ (t ) =
1
= ti < t < ti +1
ti +1 − ti (ti +1 − ti )(n + 1)
y una estimación de la función de riesgo,

fˆ (t )
hˆ(t ) =
1
= t i < t < t i +1
Rˆ (t ) (t i +1 − t i )(n + 1 − i )

Una estimación del valor medio del tiempo hasta el fallo puede obtenerse a partir de la media muestral y
una estimación de la varianza de la distribución del tiempo hasta el fallo a partir de la varianza muestral.
Si el tamaño muestral es grande, un intervalo de confianza de nivel 100(1-α) para el MTTF puede
obtenerse mediante la expresión,
 17

s
MTˆTF ± t α / 2 ,n −1
n

donde tα/2,n-1 es el valor crítico correspondiente de una distribución t de Student con n-1 grados de
libertad y nivel de confianza 1-α.

EJEMPLO: Dados los siguientes tiempos hasta el fallo en horas,

24’5,18’9,54’7,48’2,20’1,29’3,15,4,33’9,72’0,86’1, estimar R(15’4), F(15’4), f(t) y h(t) en
15’4<t<18’9 y calcular un intervalo de confianza al 90% para el MTTF:

Datos agrupados

Si solo disponemos del número de unidades n1 , n2 ,..., n k que han sobrevivido a los tiempos de revisión
t1 , t 2 ,..., t k , una estimación lógica para la función de fiabilidad será,

n
Rˆ (t i ) = i i = 1,2,....k
n
 18

siendo n el número de unidades sometidas a prueba. Debido a que generalmente se presenta un tamaño
de muestra mayor cuando los datos están agrupados no son necesarias estimaciones alternativas. La
estimación de las funciones de densidad y riesgo será,

Rˆ (t i +1 ) − Rˆ (t i ) ni − ni +1
fˆ (t ) = = t i < t < t i +1
t i +1 − t i (t i +1 − t i )n

fˆ (t ) n − ni +1
hˆ(t ) = = i t i < t < t i +1
R(t ) (t i +1 − t i )ni
ˆ

y las estimaciones del MTTF se realizan en base al punto medio de cada intervalo,

k −1 (ni − ni +1 )
MTˆTF = ∑ t i
i =0 n

siendo t i = (t i + t i +1 ) 2 , t0=0 y n0=n

k −1 (ni − ni +1 )
s 2 = ∑ t i2 − MTTˆF 2
i =0 n

EJEMPLO: Un fabricante de bombillas está interesado en estimar el tiempo medio de vida de una
partida de bombillas. Doscientas bombillas se someten a un test de fiabilidad. Las bombilllas se
observan y los fallos, en intervalos de 1000 horas se recogen en la siguiente tabla:

Tiempo (horas) Fallos

0-1000 100
1001-2000 40
2001-3000 20
3001-4000 15
4001-5000 10
5001-6000 8
6001-7000 7
Total 200

Estimar a partir de los datos la función de fiabilidad, la función de distribución, la función de

densidad y la función de riesgo.
 19

DATOS CENSURADOS

Datos no agrupados: Estimación de Kaplan-Meier

Supongamos que n unidades son puestas a prueba y ocurren r fallos (r<n). Para datos con censura única
por la derecha, las estimaciones de R(t),f(t) y h(t) pueden calcularse con las ecuaciones que hemos visto
anteriormente.

Para datos con censura múltiple, si ti representa un tiempo de fallo y ti+ representa un dato censurado
(extraído de la prueba en ese instante), la muestra estará formada por un conjunto de tiempos de fallo y
tiempos censurados ordenados:

t1 , t 2 , t 3+ ,....., t i , t i++1 ,...., t n

Se han desarrollado varios métodos no paramétricos para estimar la función de fiabilidad con datos no
agrupados en presencia de censura. El mas utilizado es el estimador producto-límite de Kaplan-Meier,
que coincide, en caso de no presentarse censura, con uno de los estimadores que hemos visto antes para
datos completos no agrupados. Si ti es el tiempo hasta el fallo ordenado, ni el número de unidades que
quedaban en riesgo justo antes del fallo i-ésimo, no hay tiempos repetidos y los tiempos censurados no
coinciden con los tiempos de fallo, el estimador de Kaplan-Meier viene dado por la expresión,

⎛ ⎞
Rˆ (t ) = ∏ ⎜⎜1 −
1
⎟⎟
{i:ti ≤t } ⎝ ni ⎠

Cada término en la ecuación representa una estimación de la probabilidad condicional de no fallar en ti

dado que se ha sobrevivido hasta antes de ti. El producto de estas probabilidades condicionales es la
probabilidad de resistir mas de t. Lawless(1982) proporcionó una estimación de la varianza de la
fiabilidad estimada,
 20

Vˆar [R(t )] = Rˆ (t ) ∑
2 1
{i:ti <t } ni (ni − 1)

EJEMPLO: Los siguientes tiempos de fallo y censura (en horas de funcionamiento) fueron recogidos
para 10 turbinas: 150, 340+, 560, 800, 1130+, 1720, 2470+, 4210+, 5230, 6890. Se considero censura
cualquier tipo de fallo distinto de fatiga o desgaste. Determinar una curva empírica de fiabilidad.

6/7

Datos agrupados: Tablas de vida

Las estimaciones no paramétricas en presencia de datos censurados y agrupados pueden ser realizadas
construyendo una tabla de vida. Las tablas de vida han sido utilizadas por médicos y aseguradores. Estas
tablas, en el caso de la ingeniería resumirían las experiencias sobre la resistencia de las unidades que han
sido colocadas a prueba. Si los tiempos hasta el fallo y los tiempos censurados han sido agrupados en
k+1 intervalos de la forma [t i , t i +1 ) , para i=1,2,...,k+1, donde t1=0 y se denomina,

di= número de fallos en el intervalo i-ésimo

ri= número de censuras en el intervalo i-ésimo
ni= número de individuos en riesgo en el instante ti; n1=n y ni = ni −1 − (d i −1 + ri −1 ) i=2,..
ri
ni ' = ni − = número ajustado de componentes en riesgo suponiendo que la censura ocurre
2
de forma uniforme durante el intervalo

se verifica que ,
di
p̂i = = probabilidad condicional de fallo en el intervalo i-ésimo dado que ha resistido
ni '
hasta el inicio del intervalo
 21

di
qˆ i = 1 − = probabilidad condicional de resistir el intervalo i-ésimo dado que ha resistido
ni '
hasta el inicio del intervalo

y la probabilidad de que una unidad resista mas allá del inicio del intervalo i-ésimo puede escribirse
como Rˆ (t1 ) = 1 y para i=2,.....,k

R̂(t i ) = P{unidad resista hasta ti dado que ha resistido hasta ti-1}x

⎡ d i −1 ⎤ ˆ
P{unidad resista hasta ti-1}= ⎢1 − ⎥ × R(t i −1 )
⎣ ni' −1 ⎦

La tabla de vida toma la siguiente forma,

Intervalo nº fallos nºcensuras nº unid. nº ajust. Unid. Prob.sobrev. Fiabilidad

riesgo riesgo
[t i , t i +1 ) di ri ni n i’ q̂i R̂(t i )

Como en el caso del estimador de Kaplan-Meier, se ha desarrollado también una medida de la

estimación de esta precisión, desarrollado esta vez por Greenwoood (1926):

( ) 1− p
Vˆar Rˆ i = Rˆ i2 ∑ ' k
i

k =1 N p
k k

La estimación de las funciones de densidad y riesgo será,

Rˆ (t i +1 ) − Rˆ (t i )
fˆ (t ) = t i < t < t i +1
t i +1 − t i
fˆ (t )
hˆ(t ) = t i < t < t i +1
Rˆ (t )
siendo
Rˆ (t i ) + Rˆ (t i +1 )
Rˆ (t ) = t i < t < t i +1
2

EJEMPLO: Doscientos condensadores de cerámica son sometidos a un test de vida acelerada. Los
tiempos de fallo de algunos de los condensadores han sido censurados debido a que el equipo usado
para realizar la prueba ha fallado durante la realización de esta. El número de unidades que han
fallado y el número de unidades que han sido censuradas viene recogido en la tabla siguiente,
 22

Intervalo Nº unidades Nº unidades

tiempo falladas censuradas
0-10 0 3
10-20 6 8
20-30 7 9
30-40 6 8
40-50 6 15
50-60 5 20
60-70 4 18
70-80 3 20
80-90 2 30
90-100 1 29

Estimar la función de fiabilidad, la tasa de fallo y la tasa de fallo acumulativa.

Number of Failures: fallos

Number Censored: censtabla
Life Table
Number of Number Number Cumulative
Interval Failures Withdrawn at Risk Survival Hazard Density
--------------------------------------------------------------------------------------
0,0-10,0 0 3 198,5 1,000000 0,000000 0,000000
(0,000000) (0,000000) (0,000000)
10,0-20,0 6 8 193,0 1,000000 0,003158 0,003109
(0,000000) (0,001289) (0,001249)
20,0-30,0 7 9 178,5 0,968912 0,004000 0,003800
(0,012493) (0,001512) (0,001409)
30,0-40,0 6 8 163,0 0,930915 0,003750 0,003427
(0,018499) (0,001531) (0,001375)
40,0-50,0 6 15 145,5 0,896649 0,004211 0,003698
(0,022494) (0,001719) (0,001481)
50,0-60,0 5 20 122,0 0,859673 0,004184 0,003523
(0,026146) (0,001871) (0,001547)
60,0-70,0 4 18 98,0 0,824441 0,004167 0,003365
(0,029441) (0,002083) (0,001652)
70,0-80,0 3 20 75,0 0,790790 0,004082 0,003163
(0,032696) (0,002356) (0,001794)
80,0-90,0 2 30 47,0 0,759159 0,004348 0,003230
(0,036130) (0,003074) (0,002240)
90,0-100,0 1 29 15,5 0,726854 0,006667 0,004689
(0,041185) (0,006663) (0,004543)
--------------------------------------------------------------------------------------
Total 40 160
 23

RECUERDA QUE

− El tiempo de vida es una variable no negativa que suele tener una distribución asimétrica

− La función de fiabilidad en t se define como

R (t ) = P (T > t ) 0≤t≤∞

− la función de fiabilidad y la función de distribución son funciones complementarias,

R (t ) + F (t ) = 1

− la función de fiabilidad, R(t), puede obtenerse a partir de la función de densidad, f(t) como:

∞
R(t ) = ∫ f (t )dt
t

− Dado un intervalo (t , t + ∆t ) , se llama tasa de fallo de una unidad en dicho intervalo a la

probabilidad de que una unidad, que ha estado operativa hasta el inicio del intervalo, falle en
dicho intervalo dividida por la amplitud del intervalo

P(t < T ≤ t + ∆t / T > t )

∆t

− La función de riesgo, h(t), de una unidad en el instante t se define como la tasa instantánea de
fallo en T=t, es decir el limite de la tasa de fallo cuando la amplitud del intervalo tiende a cero.

P(t < T ≤ t + ∆t / T > t )

h(t ) = lim+
∆t →0 ∆t

− Si T es considerada como una variable continua, la función de riesgo en t se puede obtener

como:

f (t )
h(t ) =
R(t )

− Tanto la función de fiabilidad como la función de densidad pueden ser obtenidas a partir de la
función de riesgo.

⎛ t ⎞ ⎛ t ⎞
R (t ) = exp⎜⎜ − ∫ h(t ) dt ⎟⎟ f (t ) = h(t )exp⎜⎜ − ∫ h(t ) dt ⎟⎟
⎝ 0 ⎠ ⎝ 0 ⎠
 24

− la función de riesgo acumulado (cumulative hazard function) , H(t), se define en el caso

continuo como:
t
H (t ) = ∫ h(t )dt
0

− Se verifica que,

R(t ) = e − H (t )

− Una medida de posición, que permite comparar la fiabilidad de varios sistemas es el tiempo
medio hasta el fallo (Mean Time To Failure). Si consideramos que T es continua,

∞
MTTF = ∫ R (t )dt
0

− Otra medida de posición, alternativa al MTTF, es la mediana del tiempo hasta el fallo, t med
que divide la distribución en dos partes, con un 50% de los fallos que ocurren antes de la
mediana y un 50% de los fallos que ocurren después.

− La fiabilidad condicional es útil para describir la fiabilidad de una componente o sistema

después de un periodo de puesta a punto T0 :

R (T0 + t )
R(t / T0 ) = P{T > T0 + t / T > T0 } =
R(T0 )

− Puede calcularse el MTTF de la distribución condicional o vida media residual (Mean Residual
Life) o valor medio del tiempo de vida restante para aquellas unidades que permanecían en
funcionamiento en el instante T0 como

R(t ')dt '

1 ∞
MRL(T0 ) = ∫
R(T0 ) T0

− Desde un punto de vista estadístico, un aspecto que dificulta el estudio de la fiabilidad es la

censura de los datos que tiene lugar frecuentemente debido a que todas las unidades sometidas a
prueba no fallan antes de que se verifique el criterio de parada de la prueba.

− En las observaciones censuradas no se conoce el valor exacto del tiempo de vida, T, de algunos
individuos y lo único que se sabe acerca de su valor es que pertenece a un determinado intervalo.

− Ignorar las unidades censuradas en el análisis, eliminaría valiosa información y sesgaría los
resultados, ya que sólo las unidades más débiles, con los tiempos de fallo mas cortos entrarían en
el análisis y la fiabilidad de las componentes sería muy subestimada.
 25

− Existen varios tipos de censura y, en cada caso, el análisis de los datos se plantea basándose en
el tipo de censura.

o una censura es de Tipo I, o censura por tiempo, si el ensayo tiene una duración
determinada
o una censura es de Tipo II, o censura por fallo, si el ensayo se detiene cuando el suceso
ha ocurrido un número de veces, r, determinado a priori.

o Las censuras de Tipo I o Tipo II pueden ser únicas o múltiples. La censura será
múltiple si las componentes entran al estudio en diferentes tiempos o bien sucesos
diferentes al suceso en estudio, como averías debidas a otra causa, provocan que una
componente sea excluida de un estudio

− Los métodos empíricos de estimación de la función de fiabilidad y de la función de riesgo que

hemos visto son métodos no paramétricos, en los que no se asume ningún tipo concreto de
modelo probabilístico para los tiempos de fallo y se estiman directamente de los datos las
funciones básicas (fiabilidad, riesgo).

o Datos completos

− Datos no agrupados

n +1− i
Rˆ (ti ) =
n +1
Rˆ (ti ) − Rˆ (ti +1 )
fˆ (t ) =
1
= ti < t < ti +1
ti +1 − ti (ti +1 − ti )(n + 1)
fˆ (t )
hˆ(t ) =
1
= t i < t < t i +1
Rˆ (t ) (t i +1 − t i )(n + 1 − i )

− Datos agrupados

n
Rˆ (t i ) = i i = 1,2,....k
n
Rˆ (t i +1 ) − Rˆ (t i ) ni − ni +1
fˆ (t ) = = t i < t < t i +1
t i +1 − t i (t i +1 − t i )n
fˆ (t ) n − ni +1
hˆ(t ) = = i t i < t < t i +1
Rˆ (t ) (t i +1 − t i )ni

o Datos censurados

− Datos no agrupados: Estimación de Kaplan-Meier

Si tenemos un ensayo en el cual n unidades son puestas a prueba y

ocurren r fallos (r<n).
 26

t1 ≤ t 2 ≤ t 3+ ≤ ..... ≤ t i ≤ t i++1 ≤ .... ≤ t n

y ni el número de unidades que quedaban en riesgo justo antes del

fallo i-ésimo, el estimador de Kaplan-Meier viene dado por la
expresión,
⎛ ⎞
Rˆ (t ) = ∏ ⎜⎜1 −
1
⎟⎟
{i:ti ≤t } ⎝ ni ⎠

− Datos agrupados: Tablas de vida

Si los tiempos hasta el fallo y los tiempos censurados han sido

agrupados en k intervalos de la forma [t i , t i +1 ) , para
i=1,2,...,k+1, donde t1=0 y se denomina,

di= número de fallos en el intervalo i-ésimo

ri= número de censuras en el intervalo i-ésimo
ni= número de individuos en riesgo en el instante ti-1;
ni = ni −1 − (d i −1 + ri −1 )
ri
ni ' = ni − = número ajustado de componentes en riesgo
2
suponiendo que la censura ocurre de forma uniforme durante el
intervalo

se verifica que ,
⎡ d ⎤
Rˆ (t i ) = ⎢1 − i' −1 ⎥ × Rˆ (t i −1 )
⎣ ni −1 ⎦

GLOSARIO

f(t) : función de densidad

p(t) : función de probabilidad
F(t) : función de distribución
Función de fiabilidad (reliability function), R(t): Dada una variable aleatoria, no negativa, T, que
representa el tiempo de vida de una componente se define la función de fiabilidad en t como

R (t ) = P (T > t ) 0≤t≤∞

Tasa de fallo (hazard rate): Dado un intervalo (t , t + ∆t ) , se llama tasa de fallo de una unidad en dicho
intervalo a la probabilidad de que una unidad, que ha estado operativa hasta el inicio del intervalo, falle
en dicho intervalo dividida por la amplitud del intervalo
Función de riesgo (hazard function), h(t), : Se define la función de riesgo de una unidad en el instante
t como la tasa instantánea de fallo en T=t, es decir el limite de la tasa de fallo cuando la amplitud del
intervalo tiende a cero.
 27

Función de riesgo acumulado (cumulative hazard function), H(t) : Se define en el caso continuo
t

∫
como H (t ) = h(t ) dt
0
AFR (Average Failure Rate) : Tasa media de fallo
MTTF (Mean Time To Failure) : tiempo medio hasta el fallo
tmed : mediana del tiempo hasta el fallo
R(t/T0): fiabilidad condicional de una componente después de un periodo de puesta a punto T0
MRL(T0) (Mean Residual Life) : vida media residual
Ensayo con datos completos: La prueba finaliza cuando fallan todas las unidades de la muestra
Ensayo con datos censurados: Hay unidades sometidas a prueba que no fallan antes de que se verifique
el criterio de parada de la prueba
Censura tipo I : censura por tiempo
Censura tipo II: censura por número de fallos
Estimación Kaplan-Meier: Método de estimación empírica de R(t) para datos censurados no agrupados
Tablas de vida: Método de estimación empírica de R(t) para datos censurados agrupados en intervalos

BIBLIOGRAFÍA DE APOYO PARA EL TEMA

Crowder,M.J.; Kimber,A.C.; Smith,R.L. y Sweeting,T.J. (1991). Statistical Analysis of Reliability

Data. Ed. Chapman & Hall. Apartados 2.1, 2.2 y 2.9 a 2.11

Kalbfleisch,J.D. y Prentice, R.L. (1980). The Statistical Analysis of Failure Time Data. Ed. Wiley.
Apartado 1.2 y 1.3

Klein,J.P. y Moeschberger,M.L. (1997). Survival Analysis. Ed. Springer-Verlag. Capitulo 2 a 5

Martínez Alzamora, N. (2001). Fiabilidad, garantía y mantenimiento preventivo. Editorial UPV.

Capitulo 3,6 y 7

Meeker, W.Q. ; Escobar, L.A. (1998). Statistical Methods for Reliability Data. Ed.Wiley Capítulo 3