En este trabajo, se investiga el efecto de las fallas atascadas distribuidas aleatoriamente (SAFs) en matrices de puntos cruzados (CPA) memristivas de una y múltiples capas (SLPs y MLPs, respectivamente) destinadas a tareas de reconocimiento de patrones mediante simulaciones SPICE realistas. Se considera aquí el modelo de memdiodo cuasiestático (QMM) para el modelado de los pesos sinápticos implementados con memristores. Siguiendo el enfoque memristivo estándar, el QMM comprende dos ecuaciones acopladas, una para el transporte de electrones basada en la ecuación de doble diodo con una resistencia en serie única y una segunda ecuación para el estado de memoria interno del dispositivo basada en el llamado histéresis logístico. Al modificar el parámetro de estado en la característica corriente-voltaje, se simulan SAFs de diferentes severidades y se analiza el resultado final. Se emplea un entrenamiento ex situ supervisado y dos conjuntos de datos de imágenes bien conocidos que involucran dígitos escritos a mano y rostros humanos para evaluar la precisión de inferencia de la SLP en función de la proporción de dispositivos defectuosos. Los roles desempeñados por los parámetros eléctricos del memristor, la resistencia de línea, la estrategia de mapeo, la pixelación de imágenes y el tipo de falla (atascado en ON o atascado en OFF) en el rendimiento de la CPA se analizan estadísticamente siguiendo un enfoque de Monte Carlo. Se investigan exhaustivamente tres esquemas de remapeo diferentes para ayudar a mitigar el efecto de los SAFs en la fase de inferencia de la SLP.