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 \(\{N(t), t\gt 0\}\) es un proceso HPP si se cumplen las siguientes condiciones:

• \(N(0)=0\)
• \(N(t) \in \mathbb{N}, \forall t\)
• \(N(t_1) \leq N(t_2)\) si \(t_1 \lt t_2\)
• \([N(t_1)-N(0)], [N(t_2)-N(t_1)], [N(t_3)-N(t_2)], \ldots\) son v.a. independientes para \(0 \lt t_1 \lt t_2 \lt t_3, \ldots\), (condición de los incrementos independientes).
• Para cualesquiera \(t \gt s \geq 0\) y \(c \gt 0\) las v.a. \([N(t)-N(s)]\) y \([N(t+c)-N(s+c)]\) tienen la misma distribución de probabilidad, (condición de estacionariedad).
• \(\lim_{h \rightarrow 0} \frac{\Pr(N(h)=1)}{h}=\lambda\), lo cual se interpreta como que la probabilidad de fallo en un intervalo pequeño es \(\lambda h\).
• \(\lim_{h \rightarrow 0} \frac{\Pr(N(h) \geq 2)}{h}=0\), lo que se interpreta como que la probabilidad de dos o más fallos en un intervalo pequeño es 0.

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 \(s_1, s_2, \ldots\), estos puntos son las realizaciones de cierto proceso \(\{S_i, i \in \mathbb{N}\}\). Entre dos fallos consecutivos transcurre un tiempo aleatorio definido por \(T_i=T_{i}-T_{i-1}\), lo que define otro proceso estocástico de interés, \(\{T_i, i \in \mathbb{N}\}\).

Hay tres variables aleatorias cuyas distribuciones son de interés:

• Número de fallos en un intervalo de tiempo \((v_1,v_2]\): se trata de la variable \(N(v_2)-N(v_1)\), cuya distribución es de Poisson de parámetro \(\lambda (v_2-v_1)\), que solo depende de la amplitud del intervalo temporal. Su función de probabilidad es \(p(k)=(\lambda v)^k e^{-\lambda v}/k!\), con \(k \in \mathbb{N}\) y \(v=v_2-v_1\).
• Tiempo que transcurre entre dos fallos consecutivos: las variables aleatorias \(T_i\) son independientes y tienen distribución exponencial de parámetro λ, por lo que su función de densidad es \(f(t)=\lambda e^{-\lambda t}, \forall t \geq 0\).
• Tiempo de espera para que se produzcan exactamente n fallos: es la variable \(S_n\), que se distribuye con una gamma de parámetros \(a=n\) y \(s=1/\lambda\), por lo que su función de densidad es \(f_n(t)=\lambda e^{-\lambda t} (\lambda t)^{n-1}/(n-1)!\), \(\forall t \geq 0\).

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, \(t_1, t_2, \ldots, t_n\), 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);

\[ \prod_{i=1}^{n}{\lambda\,e^ {- t_{i}\,\lambda }} \]

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);

\[ \left[ \lambda={{n}\over{\sum_{i=1}^{n}{t_{i}}}} \right] \]

Ahora bien, la suma de los tiempos \(t_i\) es igual al tiempo total de observación T,

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

\[ \left[ \lambda={{n}\over{T}} \right] \]

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 \(T_q\) necesario para que se produzcan exactamente \(n_q\) fallos, con \(q=1,2, \ldots, N\), el estimador m.v. se expresa de la forma \[ \hat{\lambda} = \frac{\sum_{q=1}^N n_q}{\sum_{q=1}^N T_q}. \]

Cantidades de interés

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

• Tiempo medio entre fallos: se conoce también por sus siglas en inglés, MTBF (Mean Time Between Failures), y es la esperanza de las variables exponenciales \(T_i\), por lo que \[MTBF = \frac{1}{\lambda}.\]
• Número esperado de fallos durante un intervalo de tiempo \((0,t]\): es la esperanza de la variable Poisson \(N(t)\); su valor es \(E[N(t)]=\lambda t\).
• Tasa de fallo: se relaciona con el apartado anterior y se define como \(w(t)=\frac{d E[N(t)]}{dt}\), que para el modelo HPP se reduce a \(w(t)=\lambda\), que es constante, por lo que en el modelo HPP el riesgo de que se produzca un fallo no aumenta ni disminuye con el tiempo. A la tasa de fallo se la conoce también por las siglas ROCOF (Rate Of Occurrence Of Failures).
• Tiempo de espera medio para que se produzcan n fallos: es la esperanza de la variable gamma \(S_n\), cuyo valor es \(n / \lambda\).
• Probabilidad de que ocurra al menos un fallo en el intervalo \((0,t]\): haciendo uso de la distribución de Poisson, \[\Pr(N(t) \gt 1) = 1-\Pr(N(t)=0) = 1-e^{-\lambda t}.\]

© 2011-2016, TecnoStats.