Processing math: 100%
TecnoStats

Reparaciones perfectas.
Modelo HPP.

El proceso homogéneo de Poisson

Suponemos un sistema que se mantiene en funcionamiento hasta que se produce un fallo; a continuación se repara, dejándolo como nuevo, y se vuelve a poner en servicio hasta el próximo fallo, repitiéndose este procedimiento de forma indefinida. Este modelo se denomina de reparación perfecta o AGAN (As Good As New).

El modelo más sencillo para estas situaciones es el del Proceso homogéneo de Poisson o HPP (Homogeneous Poisson Process), que definimos en los siguietes términos:

La familia de variables aleatorias {N(t),t>0} es un proceso HPP si se cumplen las siguientes condiciones:

En lenguaje más llano, N(t) es el número de fallos que ha experimentado el sistema durante el intervalo temporal (0,t] y experimentará un incremento de una unidad cada vez que se produzca un fallo. Si el sistema falla en los instantes s1,s2,, estos puntos son las realizaciones de cierto proceso {Si,iN}. Entre dos fallos consecutivos transcurre un tiempo aleatorio definido por Ti=TiTi1, lo que define otro proceso estocástico de interés, {Ti,iN}.

Hay tres variables aleatorias cuyas distribuciones son de interés:

Estimación del parámetro λ

Si el sistema se pone en funcionamiento y se mantiene en observación hasta que se producen exactamente n fallos con sus respectivas reparaciones perfectas, registrándose los tiempos transcurridos entre dos fallos consecutivos, t1,t2,,tn, teniendo en cuenta que estos valores son realizaciones de una distribución exponencial de parámetro λ, se puede obtener su función de verosimilitud,

f(t):= lambda * exp(- lambda * t)$
L: prod(f(t[i]), i, 1, n);

ni=1λetiλ

Si se toman logaritmos, se deriva e iguala cero, siguiendo el procedimiento habitual, al aislar λ se obtiene el estimador de máxima verosimilitud de este parámetro.

simpsum : true$
mv: solve(diff(log(L), lambda)=0, lambda);

[λ=nni=1ti]

Ahora bien, la suma de los tiempos ti es igual al tiempo total de observación T,

subst([sum(t[i],i,1,n)=T], mv);

[λ=nT]

Finalmente se ha llegado a la conclusión de que el estimador de máxima verosimilitud de λ depende únicamente del tiempo total de observación, T, y del número total de fallos observados, n.

Más general, si se observan N sistemas de forma independiente y bajo las misma condiciones, cada uno de ellos durante el tiempo Tq necesario para que se produzcan exactamente nq fallos, con q=1,2,,N, el estimador m.v. se expresa de la forma ˆλ=Nq=1nqNq=1Tq.

Cantidades de interés

Una vez se dispone de un estimador del parámetro λ, es posible calcular algunas cantidades que caracterizan al proceso.


© 2011-2016, TecnoStats.