Seminario Confiabilidad Ecuador

SEMINARIO:
CONFIABILIDAD
Material elaborado especialmente para este Seminario por:

Dra. Ing. Estrella María de la Paz Martínez
-2018-
OBJETIVO GENERAL DEL SEMINARIO:
Al finalizar el Seminario, los participantes estarán mejor preparados para:
Comprender y utilizar métodos estadísticos para recolectar y analizar datos de fallos de equipos, propiciando
que se pueda calcular la probabilidad de ocurrencia de fallos en el tiempo y otros índices de Confiabilidad (C),
la Mantenibilidad (M) asociada a las reparaciones y la Disponibilidad (D), asociada a la posibilidad de
generar productos o servicios, todo lo cual les permitirá predecir el comportamiento de los equipos para definir
mejor las estrategias de mantenimiento y operaciones.
METODOLOGÍA
Exposiciones teóricas presentadas con apoyo de medios técnicos y la utilización de métodos participativos,
técnicas de trabajo en grupo para estudio de casos de equipos críticos de diferentes procesos productivos,
todo ello con manejo de software específico. Se utiliza el método de aprender-haciendo y se explica el software
según se avanza en los temas. Se desarrollan varios talleres de solución de problemas y se analizan casos
reales.
NOTA: Si el SEMINARIO fuera a “tiempo parcial” se solicitará a los participantes una data de tiempos de fallos
para el último encuentro.
CONTENIDO
 Tema I: Recolección de datos de fallos para los análisis de CMD.
 Tema II: Análisis probabilístico-estadístico de datos de fallos en el tiempo.
 Tema III: Cálculo y Análisis de los Índices de CMD.
 Uso y aplicación de software estadístico.
 Tema opcional: Fiabilidad estructural (de acuerdo a las posibilidades del contexto)
D) PROGRAMA DETALLADO
Temas Contenidos
Introducción a la metodología CMD: La Confiabilidad, la Mantenibilidad y la Disponibilidad.
Tema I Los datos de fallos. Recolección de datos de fallos en el tiempo: Tiempo Entre Fallos, Tiempo
de Operación, Tiempo Fuera de Servicio, Tiempo de Reparación. Estadística descriptiva de
datos de fallos en el tiempo. Prueba para “valores extremos”.
La fiabilidad como una probabilidad. La Curva de supervivencia. La tasa de fallos y la Curva
de la Bañera. Las variables aleatorias y las Funciones de Distribución de Fallos (Normal,
Tema II Exponencial, Weibull, entre otras) que aplican al análisis de datos de fallos en el tiempo.
Cálculo de probabilidad de fallos en el tiempo. La Curva de la Bañera ampliada. Ajuste de
datos de fallos a modelos probabilísticos.
Tema III Propiedades e Índices de confiabilidad y decisiones sobre mantenimiento. La Mantenibilidad.
La Disponibilidad como índice complejo de la Confiabilidad. Taller de solución de problemas.
Uso y aplicación de Software estadístico según se avanza en los Temas.
Tema IV* Fiabilidad estructural. Notaciones. Configuración Serie. Configuración Paralelo. Algunas
técnicas generales de análisis de fiabilidad de sistemas complejos.
“SEMINARIO DE CONFIABIIDAD” 2
Dra. Ing. Estrella M. de la Paz Martínez. UCLV, Cuba.
Presentación:
El Mantenimiento se ha convertido en una estrategia empresarial de competitividad y es por eso que deberá
tomar en consideración, no solo medidas técnicas, sino también medidas económicas y organizativas. Estas
medidas incluyen todos los procesos de toma de decisiones que conlleven a que el ciclo de vida de los activos
sea costo – eficiente.
Las técnicas más avanzadas para lograr la eficiencia de dichas decisiones incluyen tanto métodos cualitativos
como cuantitativos. Estos últimos, son en muchas ocasiones obviados, por considerarse “demasiado
complejos” o simplificados en forma arbitraria para que se apliquen aunque sea superficialmente.
El mantenimiento debe evitar las fallas de un sistema reemplazando periódicamente sus partes, afinándolo,
limpiándolo o reparándolo. Es importante establecer procedimientos de mantenimiento basados en las
propiedades de la confiabilidad (*) de los componentes del sistema, pero que sean económicos y permitan la
disponibilidad del mismo.
Confiabilidad: Fiabilidad (*), Reliability, Fiabilité, Zuverssigkeit)
(*) Es necesario precisar que muchos autores consideran diferentes los términos Fiabilidad y Confiabilidad;
por ejemplo: Mora, Ortiz & Pérez (2003) señalan la traducción de “Fiabilidad” del vocablo en inglés:
“Dependability” y “Confiabilidad” como la traducción de “Reliability” aunque en la misma obra (Ídem) más
adelante y citando al autor británico Denis Parkes señalan: “Se puede explicar del documento de Parkes que
los rendimientos son la Confiabilidad, la Mantenibilidad y la Disponibilidad”. En todo caso, la autora de este
material complementario utilizará indistintamente ambos términos para referirse a la probabilidad de que una
máquina no falle al estar funcionando durante un período de tiempo, bajo condiciones normales de operación.
El punto de partida para la realización de un estudio de fiabilidad es la información cualitativa y cuantitativa que
sobre los fallos se tenga a disposición (Estadística de fallas). Existen diversos formatos para su recolección,
pero lo más importante es recopilarla.
Peter Drucker hace dos afirmaciones básicas, primera: afirma que pocos factores son tan importantes para la
actuación de la organización como la medición y segunda: lamenta el hecho de que la medición sea el área
más débil de la gestión en muchas empresas.
Las estadísticas permiten responder preguntas como:

• ¿cuáles son las averías que más se han producido en el último trimestre?
• ¿en cuál etapa del ciclo de vida se encuentra cada uno de los equipos de la planta?
• ¿cuál es el tiempo promedio de estadía de sus equipos principales?
• ¿cuál es el tiempo medio entre fallos de cada equipo? ¿Cuáles son los tiempos promedios, máximos y
mínimos de reparaciones por tipo de averías?
Un ATRIBUTO del MANTENIMIENTO CLASE MUNDIAL es: “Utilice herramientas estadísticas”.

Mantenimiento aprende:
• con el análisis estadístico de fallas.
• con los intervalos del mantenimiento preventivo.
• con el ciclo de vida útil.
Los métodos cuantitativos, además de los cualitativos, son sumamente útiles para tomar buenas decisiones en
el campo de la Gestión de Mantenimiento y en la Gestión de activos en general, sin embargo, aún no se utilizan
en la práctica cotidiana.
Tema I. Recolección de datos de fallos para los análisis de CMD.
Introducción a la metodología CMD: La Confiabilidad, la Mantenibilidad y la Disponibilidad. Los datos
de fallos. Recolección de datos de fallos en el tiempo: Tiempo Entre Fallos, Tiempo de Operación,
Tiempo Fuera de Servicio, Tiempo de Reparación. Estadística descriptiva de datos de fallos en el
tiempo. Prueba para “valores extremos”.
El Mantenimiento:
Con la construcción de las máquinas y su introducción para multiplicar la limitada labor manual, aparece la
tarea de repararlas; sin embargo, en la mayoría de los trabajos en los que se contempla la evolución del
mantenimiento, con ciertas variaciones en el enunciado, aparece la idea de que el mantenimiento no fue una
actividad industrial importante hasta después de la Segunda Guerra Mundial. La Segunda Guerra Mundial
trajo consigo cambios relevantes en el área productiva, pues se introducen tecnologías que propician nuevos
conceptos para el logro de la optimización del funcionamiento de los equipos militares, así como en su
producción.
Se afirma que la historia del mantenimiento tiene “…dos partes bien diferenciadas: la historia técnica y la
historia económica. El mantenimiento, en su aspecto técnico, nació con la primera herramienta, con la primera
piedra afilada, y a partir de aquel momento no ha cesado en su evolución técnica siguiendo una línea de
evolución igual a la seguida por la actividad productiva (…). El mantenimiento, en su aspecto económico, nació
con el taylorismo. Se introdujo en aquel momento el elemento diferenciador entre la actividad productiva y la
actividad de mantenimiento.
Otros aspectos que han propiciado la evolución del Mantenimiento:
 La forma de ejecutarlo.
 La aparición de los talleres mecánicos, que aportaban ya un cierto grado de especialización en las
reparaciones.
 La aparición de las instalaciones eléctricas y los automatismos.
 Los procesos continuos de la industria química y en particular la petroquímica.
 Los estudios de Whöler sobre fatiga y las primeras previsiones de vida de los elementos, en función de
cuya estimación, a partir de la década de los años veinte del siglo pasado se introdujo en Estados
Unidos un nuevo concepto de mantenimiento: el mantenimiento preventivo.
La planificación del mantenimiento mejoró considerablemente las actuaciones hasta el inicio de la Segunda
Guerra Mundial y se convirtió en factor de la mayor importancia y necesidad en 1940, cuando los países en
conflagración exigían de sus industrias la continuidad de servicio para obtener la máxima producción.
En aquellas circunstancias, cada fábrica o taller solicitaba del servicio de mantenimiento la seguridad de
funcionamiento de toda la maquinaria antigua y moderna, de accionamiento manual, semiautomático o
completamente automático y al costo que fuese. Esto obligó a estudiar los equipos y máquinas, investigar sus
averías, recopilar datos, confeccionar estadísticas, en definitiva, a organizar científicamente el trabajo y
“…conformar un cuerpo de doctrina que desde entonces no ha dejado de evolucionar.” [Asociación Española
de Mantenimiento (AEM), 1995, p. 14.]
Las investigaciones en técnicas y sistemas de mantenimiento, iniciadas y divulgadas por la gran industria
norteamericana [Morrow, 1957], fueron asimiladas por las principales empresas de otros países. Sin embargo,
fue comprobándose que los sistemas de mantenimiento preventivo, en forma de planes para el desmontaje y
revisión total con sustitución a priori de todos los elementos sujetos a desgaste, corrosión o fatiga, aún siendo
un importante avance cualitativo, suponían un gran desperdicio, tanto en recursos humanos como materiales.
A partir de la década de los años sesenta, se produce un gran desarrollo de las industrias electrónica,
aeronáutica y espacial y por su propia naturaleza, estas requieren instrumentos y técnicas más sofisticadas. Se
ponen a punto entonces, técnicas de inspección basadas en la medición durante el funcionamiento, de ciertos
parámetros que deben permanecer dentro de los límites prestablecidos. Apareció así, en el mundo anglosajón
el Mantenimiento Predictivo, por el cual la intervención no depende ya del tiempo de funcionamiento sino del
estado o condición efectiva del equipo o sus elementos y de la fiabilidad determinada del sistema.
La llegada de los misiles atómicos, el desarrollo de la industria nuclear, de la guerra espacial, el avance de la
electrónica, las restricciones económicas y la competitividad de los mercados, hicieron que el mantenimiento
ejecutado, tanto en la fase de la posguerra como durante las últimas décadas, cambiara su visión empírica y
simplista por una posición científica, basada en la aplicación de nuevas técnicas de administración, del
análisis estadístico y de la informática y como aspecto de no menor importancia se analiza su influencia en
la conservación del medio ambiente.
Una definición de Mantenimiento de Excelencia o Clase Mundial [De la Paz, 2014] puede ser la siguiente:
Mantenimiento es la integración de las acciones técnicas, organizativas y económicas encaminadas a
conservar o restablecer el buen estado de los activos (Mantenibilidad), a partir de la observancia y reducción
de su desgaste y con el fin de alargar su vida útil económica, con una mayor Disponibilidad y Confiabilidad
para cumplir con calidad y eficiencia sus funciones, conservando el ambiente y la seguridad durante su Ciclo
de Vida.
Las “estrategias gerenciales” que se inscriben dentro de Mantenimiento están orientadas hacia: TAREAS
REACTIVAS, TAREAS PREVENTIVAS, TAREAS PREDICTIVAS Y TAREAS DETECTIVAS. En muchas
ocasiones, estas estrategias se utilizan de forma combinada, integrándose para aprovechar las ventajas de
cada una y atenuar sus desventajas, adaptándose al CONTEXTO OPERACIONAL del equipo en cuestión.
La decisión sobre cuál o cuáles tareas realizarle a cada activo en su contexto operacional suele ser un asunto
bastante complejo, por ejemplo, en 1965 se publicó la norma Programas de Fiabilidad para Equipos y Sistemas
(MIL-STD 785, Reliability Programmes for Systems and Equipment). Esta norma obligaba a la integración de
un programa de actividades de ingeniería de fiabilidad en las actividades tradicionales de ingeniería de diseño,
desarrollo y producción. En esa época se publicaron importantes trabajos sobre la relación costo-beneficio de
fiabilidades más altas de los sistemas, mostrándose que, en general, las reducciones de costos de utilización y
mantenimiento compensaban ampliamente las inversiones realizadas en los programas de fiabilidad.
Existen numerosas técnicas y Normas que tratan y regulan las “estrategias gerenciales” de Mantenimiento,
estableciendo vías para la toma de decisiones en Mantenimiento, entre ellas:
 MIL-STD-1629A. FMEA/FMECA. Procedures for Performing a Failure Mode, Effects and Criticality
 Analysis.
 MIL-STD-2173. (AS). Handbook for Reliability-Centered Maintenance Requirement for Naval Aircraft,
Weapons Systems and Support Equipment.
 SAE JA1011 Evaluation Criteria for Reliability-Centered Maintenance Process.
 SAE JA1012 A Guide to the Reliability-Centered Maintenance Standard.
 DEF STAN 02-45 Issue 2. Requirements for the application of Reliability-Centered Maintenance
Techniques to Royal Navy Ships, Submarines, Fleet Auxiliaries and other Naval Auxiliary Vessels.
Ministry of Defense. July 2000.
 “Reliability-Centered Maintenance”, John Moubray. Editado por Aladon LLC, edición en español 2005.
Una DE LAS VÍAS PARA LA TOMA DE DECISIONES es el análisis de CMD (Confiabilidad-Mantenibilidad-

Disponibilidad) también conocido como Modelo RAM (Reliability-Availability-Maintainability), por sus
siglas en inglés.
Introducción a la metodología CMD:
Si partimos de que un MANTENIMIENTO DE EXCELENCIA O CLASE MUNDIAL se encuentra en integración

con OPERACIONES (por lo general conocido como PRODUCCIÓN) en un entorno de CALIDAD TOTAL, de
manera que ambos actúan para lograr la Efectividad Operacional de los ACTIVOS, entonces podemos definir:
Confiabilidad
Se define como la probabilidad de que un ACTIVO no falle, al estar funcionando durante un período de tiempo,
bajo condiciones normales de operación.
Mantenibilidad
Se le denomina a la ciencia que relaciona al MANTENIMIENTO con el ACTIVO, la cual se acepta
internacionalmente como la probabilidad de que el ACTIVO regrese a su estado de referencia en lo corpóreo y
funcional, después de haber sido utilizado durante un período de tiempo.
Disponibilidad
Es la relación integral entre los tres elementos: MANTENIMIENTO - ACTIVO – OPERACIONES, reflejada
como la probabilidad de que el sistema integral sea capaz de generar un volumen de producción (o prestar un
servicio definido) en un período de tiempo, bajo condiciones normales de operación y sostenimiento corpóreo y
funcional.
Muy similar planteamiento han hecho diferentes autores, en particular, se toma como referencia lo planteado
por Mora, L.A. (2003), como “Sistema Kantiano integral de industrias”:
Por todo esto, proponemos una “Metodología” para la toma de decisiones a partir del Modelo
CMD que se resume en los pasos siguientes:
1. Registro de datos de fallos del artículo.

2. Comprobación de la validez de los datos registrados.
3. Determinación del parámetro Beta de la Distribución de Weibull para sugerir el momento de la vida en
que se encuentra el artículo. Primer nivel de DECISIÓN.
4. Comprobación del ajuste de los datos a una Distribución probabilística.
5. Cálculo de los índices de Confiabilidad (Operatividad). Probabilidad de fallos. Segundo nivel de
DECISIÓN.
6. Registro de datos de tiempos de Reparación. Comprobación de la validez de los datos registrados.
Comprobación del ajuste de los datos a una Distribución probabilística. Cálculo de la Mantenibilidad.
Segundo nivel de DECISIÓN.
7. Cálculo de la Disponibilidad. Tercer nivel de DECISIÓN.
A continuación se describirán los aspectos teóricos y prácticos para seguir la METODOLOGÍA

enunciada antes, comenzando por los conceptos para el manejo de datos y el cálculo de la
Confiabilidad.
La Confiabilidad
El comienzo histórico de la aplicación de las técnicas de fiabilidad se inicia en 1713 cuando Jacob Bernoulli
formuló la ley de probabilidades de dos eventos independientes, posteriormente y antes de la Segunda Guerra
Mundial el concepto se desarrolló y aplicó en la aviación. No obstante, fueron los servicios militares, por tener
los problemas más agudos, los que dieron impulso al ordenado desarrollo de la Ingeniería de Fiabilidad. Los
problemas de mantenimiento, reparación y las fallas de campo, se convirtieron en dificultades severas del
equipamiento militar en la Segunda Guerra Mundial.
Entre 1945 y 1950 fueron revelados varios estudios sobre investigaciones realizadas y durante los años 50
numerosas compañías se enfrentaron con nuevos problemas en el diseño y construcción de complejos
sistemas a niveles de confiabilidad sobre lo usual, motivando esto el surgimiento de un nuevo tipo de
especialista conocido como Ingeniero de Fiabilidad (Reliability Engineer).
Con estos antecedentes, se afirma que la Fiabilidad se ha convertido ya en una ciencia independiente,
relativamente joven, que se ha formado como consecuencia del estudio teórico y experimental multifacético
de las regularidades relacionadas con el aseguramiento del trabajo sin fallo de los artículos técnicos,
teniendo como base y utilizando en gran medida, entre otras:
 La teoría de las Probabilidades y la Estadística Matemática
 La Electrónica
 La Ciencia de los Materiales
 La teoría del Desgaste
 La Economía
Definición de Fiabilidad
(Definición corrientemente aceptada)
Fiabilidad es la probabilidad de que un dispositivo realice satisfactoriamente su función específica

durante un período especificado y bajo un conjunto dado de condiciones operativas.
Conceptos, términos y definiciones más utilizados:
Artículo: Dispositivo considerado en el cálculo de la fiabilidad como una parte autónoma separada que posee
su índice cualitativo general de fiabilidad. Constituye el elemento de cálculo de fiabilidad que incluye
las piezas, elementos, aparatos, sistema o conjunto de sistemas incluso; entendiendo por sistema
una entidad formada por elementos discretos que interaccionan mutuamente. Pueden ser
reparables o no reparables.
Buen estado: Estado del artículo en el cual el mismo satisface todos los requisitos establecidos.
Estado de capacidad de trabajo: Estado del artículo que le permite cumplir las funciones asignadas
manteniendo sus especificaciones dentro de los límites establecidos.
Estado límite: Estado del artículo en el cual su utilización es interrumpida debido a:

 violaciones insuperables de los requisitos de seguridad,
 corrimiento irreversible de sus especificaciones fuera de los límites establecidos,
 reducción insuperable de la eficiencia de la utilización por debajo de lo permisible.
Fallo: Concepto básico de la Teoría de la Fiabilidad y constituye el hecho a partir del cual el artículo deja de
cumplir total o parcialmente sus funciones. Es el cese del estado de capacidad de trabajo del artículo.
Para analizar la naturaleza de los fallos, así como para elaborar las medidas encaminadas a pronosticarlos o
preverlos, estos se clasifican atendiendo a diversos criterios tal y como se muestra en la Tabla 2.
Criterio de clasificación Tipo de fallo
Por su influencia en la capacidad de trabajo Total
Parcial
Por su interacción con otros fallos Dependiente
Independiente
Por las causas que lo provocan Constructivos
Tecnológicos
De explotación
Por desgaste
Por su modo de manifestación respecto al tiempo Repentino
Gradual
Por el período de la vida del artículo en que se manifiestan Prematuro
Casual
De desgaste o envejecimiento
Por su severidad Leve
Marginal
Crítico
Catastrófico
Por su frecuencia de ocurrencia Frecuente
Probable
Ocasional
Remoto
Extremadamente remoto
Tabla 2. Clasificación de los fallos
La ocurrencia de un fallo ocasiona COSTOS:

 Directos (debidos a la reparación).
 Indirectos (por pérdidas de producción y recursos ociosos).
 Potenciales (por deterioro de partes relacionadas y por aumento de inventarios de repuestos por pérdidas
de confiabilidad en el equipo).
 Otros (incumplimiento de entregas al cliente, deterioro de imagen por pérdidas del nivel competitivo).
PASO 1: Los datos de fallos. Recolección o REGISTRO de datos de fallos en el Tiempo.
En los análisis de fiabilidad una de las mayores dificultades se afronta con la insuficiente base de datos sobre el
surgimiento de los fallos, debido fundamentalmente a la ausencia de una organización correcta que permita
obtener los mismos.
Los datos de fallos son obtenidos, por lo general, de dos fuentes:

1. Los tiempos de fallas de varias unidades sometidas a una prueba de fiabilidad (ensayo de fiabilidad).
2. Reportes de reparación o reposición de artículos puestos en manos de los consumidores.
Entre los principales datos de fallos en el Tiempo se encuentran los siguientes:
TEF: Tiempo Entre Fallos

TO: Tiempo de Operación
TFS: Tiempo Fuera de Servicio
TR: Tiempo de reparación o Tiempo para Reparar.
Debe señalarse además que TEFi = TOi+1 + TFSi
Estadística descriptiva de datos de fallos en el tiempo
La Estadística es la ciencia del análisis de datos y de la deducción de conclusiones a partir de

aquellos, tomando en cuenta las variaciones, de manera que constituye una herramienta poderosa
para los análisis de fiabilidad y consecuentemente en la toma de decisiones en mantenimiento
basada en la Fiabilidad.
Los datos estadísticos, obtenidos de muestras, experimentos o cualquier colección de mediciones, a

menudo son tan numerosos que carecen de utilidad, a menos que sean condensados, compactados
o reducidos a una forma más adecuada. Para esto suelen utilizarse los métodos de la Estadística
Descriptiva, particularmente las distribuciones empíricas de frecuencia, los gráficos estadísticos y
las medidas de tendencia central y de dispersión.
Paso 2: Prueba para “valores extremos”
La calidad de los datos recopilados es fundamental para tomar decisiones acertadas sobre las
poblaciones de las que han sido tomados. Resulta importante entonces, “limpiar” los datos tomados,
de manera que los datos “raros” no influyan negativamente en los análisis, deformando las
inferencias sobre las poblaciones originales.
La Estadística ofrece varios métodos de determinación de valores “raros”, también llamados “valores
extremos”. En nuestro caso utilizaremos la asociada en el software utilizado.
Software específico: RELEST
El software es presentado por JOSÉ LUIS DUARTE RIBEIRO CELSO FRITSCH, GRADUATE PROGRAM OF
PRODUCTION ENGINEERING, FEDERAL UNIVERSITY OF RIO GRANDE DO SUL, RS, BRAZIL y ELSAYED
A. ELSAYED, DEPARTMENT OF INDUSTRIAL ENGINEERING, RUTGERS UNIVERSITY, NEW JERSEY,
USA. (Incluye un Manual de usuario).
El objetivo principal de Relest (la estimación de fiabilidad) es ajustar las distribuciones de probabilidad a datos
de tiempos de fallo. Ofrece una serie de ayudas para escoger al modelo de Distribución probabilística
apropiado y como consecuencia permitir la realización de análisis de Fiabilidad.
El software también incluye: Accelife (el análisis o Prueba de "vida acelerada") es un sistema diseñado para
realizar el análisis de fiabilidad de vida acelerando las tensiones de esta. El sistema permite el montaje de
varios modelos experimentales (físicos) basados en datos estadísticos. Relest y Accelife siguen a los
modelos diseñados por E. A. Elsayed (Addison-Wesley, 1996).
Descripción del sistema: RELEST
El punto de partida es la pantalla principal que aparece cuando Relest se inicia. La pantalla principal contiene
los campos para entrar la información necesaria para caracterizar la muestra de los datos de fallo bajo
investigación. También contiene las opciones del análisis.
El sistema realiza el análisis de las muestras y proporciona estimaciones de los parámetros de la distribución.
Además de los valores medios, el sistema proporciona también las variaciones de los parámetros y los
intervalos de confianza correspondientes. Después de determinar los parámetros de la distribución, el sistema
puede trazar la función de fiabilidad, la razón o tasa de fallas, la función de densidad probabilística y la función
de densidad Acumulativa. También computa los valores medios de la variable de tiempo analizada.
La serie de pasos que deben seguirse para completar el análisis puede enumerarse según la
sucesión en que ellos aparecen en el sistema. Sin embargo, en este momento utilizaremos el
software para hacer la prueba de “valores extremos”. Para “aprender-haciendo” partiremos de un
ejemplo al que recurriremos también posteriormente como caso de estudio.
Caso de estudio: A Usted, como estadístico y especialista del área de Mantenimiento y Confiabilidad se le ha
encargado el análisis de los ciclos actuales de mantenimiento programado de los equipos de la planta
energética de la empresa. La información extraída del historial del equipo Konus Heater, plasmada en el
expediente del mismo, plantea que los TEF (Tiempos Entre Fallos) son los que se muestran en la tabla:
No. TEF:
1 27
2 679
3 3
4 502
5 1800
6 2013
7 665
8 1000
9 156
10 1550
Lo primero, después de instalar el RELEST, es entrar los datos en la pantalla principal que aparece
cuando Relest se inicia:
La indicación de que todos los datos han sido tecleados se hace con el botón “Proceed”, con lo cual quedarán
los datos ordenados de menor a mayor.
La prueba para “valores extremos” se hará a partir del Modelo exponencial. El “camino” es:
Analysis /Model Options (Exponencial) /Distribution Fitting /Observar en la parte inferior de la ventana a la
derecha:
Test for abnormally short/long failure times:
Fcal (short- data: 1) = 74.44 Significance Level= 0.0133
Fcal (long- data: 10) = 1.07 Significance Level= 0.3655
Lo que se hace es comparar cada uno de los Significance Level con 0,05. El dato menor o mayor será
“raro” o “extremo” siempre que su correspondiente Significance Level sea MENOR QUE 0.05. En este
caso particular, esto sucede con el dato menor, o sea el de valor 3. Este dato debe entonces ELIMINARSE y
volver a correr la prueba, esta vez con el resto de los datos. Para eliminar el dato 3 puede utilizarse la opción
“EDIT”, cortar el dato y de nuevo “Proceed”. Ya nos quedarán para este caso solo 9 datos, pero cuando
volvemos a hacer la prueba para “valores extremos”, podemos observar que ya ninguno de ellos tiene un
nivel de significación menor que 0,05:
Analysis /Model Options (Exponencial) /Distribution Fitting /Observar en la parte inferior de la ventana a la
derecha:
Test for abnormally short/long failure times:
Fcal (short- data: 1) = 9.19 Significance Level= 0.1024
Fcal (long- data: 9) = 0.95 Significance Level= 0.4087
Esto implica que ya todos nuestros datos son válidos para continuar el análisis.
Tema II. Análisis probabilístico-estadístico de datos de fallos en el tiempo
La fiabilidad como una probabilidad. La Curva de supervivencia. La tasa de fallos y la Curva de la

Bañera. Las variables aleatorias y las Funciones de Distribución de Fallos (Normal, Exponencial,
Weibull, entre otras) que aplican al análisis de datos de fallos en el tiempo. Cálculo de probabilidad de
fallos en el tiempo. La curva de la bañera ampliada. (Primer nivel de decisión). Ajuste de datos de fallos
a modelos probabilísticos.
Si la efectividad de un sistema es definida como la probabilidad de que el sistema pueda satisfacer

exitosamente una demanda operacional dentro de un tiempo dado cuando opera bajo condiciones
especificadas, entonces, se convendrá en que la Fiabilidad es uno de los mejores atributos para
determinar la efectividad del sistema, a partir de tres elementos:
1. La aceptación de la noción probabilística de Fiabilidad.

2. Los problemas asociados con la definición de un adecuado desempeño, particularmente para parámetros
del sistema que se deterioran poco con el tiempo.
3. El criterio requerido para determinar el verdadero estado de las condiciones de operación.
Desde el punto de vista de una misión donde no existe la posibilidad de reparación, la fiabilidad es la
probabilidad de que un aparato o dispositivo trabaje correctamente durante un tiempo determinado y en las
condiciones de servicio que encuentre (por ejemplo, el tiempo de recorrido de un coche sin mantenimiento en
la prueba París-Dakar o el de una misión a la Luna). [Creus i Solé, 1991.]
La fiabilidad no es una predicción, sino que es la probabilidad de acción correcta de un artículo
En otras palabras, el fabricante no garantiza en absoluto que el artículo trabaje durante h horas, sólo da la
probabilidad de su funcionamiento correcto durante las h horas.
Desde el punto de vista de Ingeniería, la fiabilidad es la probabilidad de que un artículo desarrolle una
determinada función bajo condiciones fijadas durante un período de tiempo determinado, es decir entre 0 y t.
Es necesario especificar exactamente lo que se entiende por la función a desarrollar por el artículo ya que, por
ejemplo, el funcionamiento de una computadora en una oficina puede ser muy diferente a su funcionamiento en
una industria controlando un proceso.
El artículo cuya fiabilidad se estudia, se supone que está trabajando correctamente al inicio de su vida útil. Así,
representando con R la fiabilidad (Reliability en inglés) y situando entre paréntesis al tiempo, resulta:
R (0) = 1 al inicio de su vida útil cuando el artículo con seguridad funciona.

R () = 0, ya que en un tiempo muy largo con seguridad el artículo habrá fallado.
La relación entre la fiabilidad de un lote y sus componentes es:
Ns(t ) N (0)  Nf (t )
R(t )   (1)
N (0) N (0)
donde:
R (t): Fiabilidad del lote en un tiempo t
Ns (t): Número de componentes que continúan funcionando (sobreviven) al cabo de un tiempo t
Nf (t): Número de componentes que han fallado al cabo de un tiempo t
N (0): Número total de componentes que existen al inicio del ensayo
Ejemplo: En un seguimiento de averías efectuado en el microprocesador de una marca de ordenadores, se

sabe que de 400 unidades se ha averiado una al cabo de un tiempo t de servicio. La fiabilidad R(t) será de
399/400 = 0,9975, o sea al cabo del tiempo t quedan 399 unidades “vivas” de las 400, el 99,75%; Y eso
es lo mismo que la probabilidad de supervivencia en el tiempo t.
El gráfico de la función de Fiabilidad se conoce como: Curva de supervivencia
Derivando la expresión (1) se obtiene:

dR(t ) 1 dNf (t )
  (2)
dt N (0) dt
Si dt se hace muy pequeño, la expresión anterior indicará la probabilidad instantánea de no fallo en el instante
t, o sea, la función de densidad probabilística de no fallo, pasando a:
f(t) = - dR(t)/ dt (3)
Si el artículo no desarrolla su función al cabo de un tiempo t determinado, es decir, falla entre 0 y t, se tiene
entonces la probabilidad de fallo, infiabilidad o inconfiabilidad cuyo valor es:
Q(t) = 1 - R(t)
En el ejemplo anterior, la probabilidad de fallo correspondiente sería:

Q(t) = 1 - 0,9975 = 0,0025 = 0,25%
La función de densidad de fallos (que veremos más detalladamente después), por analogía con la ecuación
(3), es la derivada de la probabilidad de fallo respecto al tiempo:
dQ dR(t )
f (t )  
dt dt
De la ecuación (2) se deduce:

dNf (t ) dR(t )
  N (0) 
dt dt
y dividiendo por Ns(t):

1 dNf (t ) N (0) dR(t )
     (t ) (4)
Ns(t ) dt Ns(t ) dt
 (t): tasa instantánea de fallos (denominada también como probabilidad instantánea de fallos por componente)
o probabilidad de fallo del componente en un tiempo infinitamente pequeño dt cuando en el tiempo t
estaba operativo.
La curva de la bañera (Bathtub Curve)

Como la tasa instantánea de fallos varía respecto al tiempo, su representación típica tiene forma de bañera, con tres etapas
diferenciadas:
 Fallos iniciales (“infantiles”)
 Operación normal o de fallos aleatorios
 Fallos de desgaste o envejecimiento
La primera etapa, de fallos iniciales o infantiles corresponde generalmente a la existencia de dispositivos
defectuosos con una tasa de fallo superior a la normal, que están incluidos entre los dispositivos normales.
Esta tasa de fallo elevada (número de componentes que han fallado en un incremento de tiempo dividido por el
número de partes que sobreviven) va disminuyendo con el tiempo hasta alcanzar un valor casi constante.
La segunda etapa, de operación normal, también llamada de fallos aleatorios, es debida usualmente a
operaciones con solicitaciones superiores a las proyectadas. Durante esta etapa, la tasa de fallo se estabiliza a
un valor casi constante y los fallos que se presentan se denominan aleatorios o catastróficos, ya que ocurren
de forma totalmente aleatoria o inesperada.
La tercera etapa, de fallos de desgaste o de envejecimiento, es debida a la superación de la vida prevista del
artículo, cuando empiezan a aparecer fallos de degradación como consecuencia del desgaste. Se caracteriza
por un aumento de la tasa de fallo, tanto más elevado cuanto mayor sea el tiempo transcurrido desde el final de
la segunda etapa.
Este patrón básico fue considerado único hasta que hace poco tiempo se refrendaron 5 patrones mas, todos
pueden verse en el Anexo 2.
En la ecuación (4), sustituyendo Ns (t) / N (0) por R (t) resulta:
1 dR(t ) f (t )
 (t )     (5)
R(t ) dt R( t )
Lo que indica que (t) es también el cociente entre la función de densidad de fallos y la fiabilidad.
Reordenando la expresión (5), integrando entre 0 y t, evaluando para t = 0 y R(t) = 1 se obtiene:

t
   ( t ). dt
0
 ln R ( t )  ln 1  ln R ( t )
t
   ( t ).dt
y de aquí: R( t )  e 0
que es la expresión general matemática de la fiabilidad en
función de la distribución de fallos específica.
En el caso de que la tasa instantánea de fallos (t) sea constante (independiente del tiempo t), se obtiene la
expresión siguiente que corresponde a la función de fiabilidad para una Distribución Exponencial, que
veremos mas adelante con mayor detalle:
R (t )e   .t
De este modo,  es entonces la frecuencia conque se presentan los fallos en los componentes, y se expresa
normalmente en fallos/hora, es decir horas elevado a (-1). La inversa de  es 1/ (horas/fallo) o MTBF (Middle
Time Between Failures - Tiempo Medio Entre Fallos).
Conceptos y definiciones de Probabilidades:
La teoría de las probabilidades estudia las leyes que rigen ciertos tipos de fenómenos naturales o producto de
experimentos realizados por el hombre llamados fenómenos aleatorios, como son el lanzamiento de una
moneda, el arribo de buques a un puerto, el conteo de la cantidad de averías de un artículo, el tiempo de vida
de una válvula electrónica, etcétera.
Los fenómenos aleatorios se caracterizan porque su observación o realización, bajo un conjunto de condiciones
dadas, no conduce siempre al mismo resultado, aunque es posible determinar leyes que traduzcan el
comportamiento de los diferentes resultados obtenidos, cuando la observación o el experimento se repite
muchas veces bajo dichas condiciones. Estas leyes se denominan leyes probabilísticas o estocásticas.
La Teoría de las Probabilidades ofrece un modelo matemático para el estudio de los fenómenos
aleatorios
Punto muestral: Cada uno de los posibles resultados de un fenómeno aleatorio.

Espacio muestral: Es el conjunto de todos los puntos muestrales de un experimento aleatorio. Se denotará por
S.
Ejemplo:
Suponga el experimento aleatorio correspondiente al lanzamiento de un dado perfectamente balanceado de 6

caras:
a) Describa el Espacio Muestral correspondiente.
Evento: Conjunto de puntos muestrales. Se denotará con letra mayúscula: A, B,…
Ocurrencia de un evento: Sea A un evento de cierto experimento E. Diremos que el evento A ocurre cuando
al realizar el experimento E, el resultado que obtenemos es un punto muestral de
A.
Familia de eventos: Dado un experimento aleatorio E, una familia de eventos A, B, C,…, de E, está dada por
todos aquellos eventos que pueden ocurrir cuando el experimento E se realice.
b) En el mismo experimento aleatorio, describa los eventos siguientes:

A: Que salga par
B: Que salga impar
R: Que salga primo
D: Que salga un número mayor que dos.
Álgebra de eventos: Operaciones que pueden realizarse entre eventos tales como: suma (+), el producto (.) ó
el complemento de un evento.
Siendo A y B dos eventos cualesquiera de un espacio muestral S:

A + B: Subconjunto de S que contiene todos los elementos de A y de B.
A. B: Subconjunto de S que contiene los elementos que están a la vez en A y en B.
A’ = Ac es el Subconjunto de S que contiene todos los elementos que no están en A.
Las operaciones entre eventos pueden representarse también mediante Diagramas de Venn.
Ejemplo: Sean A y B eventos del espacio muestral S.

A: evento que cierto artículo falle debido al componente A
B: evento que cierto artículo falle debido al componente B
Denote los eventos siguientes (utilice el Álgebra de eventos y un Diagrama de Venn):
a) Fallan A ó B
b) Fallan A y B
c) No falla B
d) No falla A y sí B
La definición clásica de probabilidad (o a priori): Descansa en la noción de equiprobabilidad o igual
posibilidad (Laplace, 1812) y plantea que la probabilidad de que un evento ocurra es la razón de los casos
m
favorables y todos los casos que puedan ocurrir: P( A) 
n
donde:
P(A): Probabilidad de ocurrencia del evento A
m: puntos muestrales de A
n: puntos muestrales de S (espacio muestral finito y equiprobable)
Ejemplo:
En el mismo experimento aleatorio del lanzamiento del dado, calcule las probabilidades de los eventos
definidos antes:
A: Que salga par
B: Que salga impar
R: Que salga primo
D: Que salga un número mayor que dos.
La definición frecuencial o estadística de la probabilidad:

Se basa en el concepto de frecuencia relativa de ocurrencia de un evento, la que a su vez presupone la
repetición del experimento aleatorio un número considerable de veces.
De manera que: P(A) = fr (A) = lím f(A)/n
n→ ∞
donde:
fr(A): frecuencia relativa de ocurrencia del evento A
f(A): cantidad de veces que ocurrió El evento A en las n pruebas realizadas
n: cantidad de pruebas realizadas
Ejemplo: Ciertas pruebas muestran que 294 de 300 aislantes de cerámica probados podrían resistir un choque
térmico. ¿Cuál es la probabilidad de que uno de ellos seleccionado aleatoriamente pueda resistir el choque?
Axiomas de las Probabilidades:
1. La probabilidad es un número real positivo o cero para cualquier evento A.

P(A) ≥ 0
2. Todo espacio muestral tiene la probabilidad 1
P(S) = 1
3. Si A y B son dos eventos mutuamente excluyentes cualesquiera:
P(A+B) = P(A) + P(B) si A.B = 
Algunos corolarios:
1. P () = 0
2. P (A’) = 1 - P(A)
3. P (A+B) = P(A) + P(B) - P(A.B) si A.B 
4. P (A.B’) = P (A) - P(A.B)
5. P (A’.B’) = P (A+B)’
6. P (A’+B’) = P (A.B)’
Variables Aleatorias y Distribuciones de Probabilidad:
Variable aleatoria: Dado un Espacio Muestral S de un experimento aleatorio, una variable aleatoria (va) es
cualquier regla que asocia un número con cada resultado de S. Una variable aleatoria es generalmente
denotada como “x”, pudiendo ser discreta o continua.
Una va. es discreta si su conjunto de valores posibles es un conjunto discreto, es decir, está formado por un
número contable o numerable en secuencia, de modo que haya un primer elemento, un segundo elemento y
así sucesivamente, en la lista.
Ejemplo: X: va. correspondiente a la cantidad de averías que sufre un equipo en un año. (VALORES QUE SE
CUENTAN).
Una va. es continua si su conjunto de posibles valores es todo un intervalo de números, enteros o
fraccionarios.
Ejemplo: X: va. correspondiente al Tiempo Entre Fallos (TEF) de un artículo reparable. (VALORES QUE SE
MIDEN).
Una Distribución de Probabilidad es un modelo matemático que relaciona el valor de la variable

aleatoria con la probabilidad de ocurrencia de ese valor en la población.
En los estudios de ingeniería se estudian múltiples distribuciones probabilísticas, cuya adopción depende del
grado de ajuste de los datos a la función considerada y del tipo de fenómeno que se analiza. Estas
distribuciones pueden ser discretas o continuas atendiendo al tipo de v.a. a la que están asociadas.
Las Distribuciones de Probabilidad asociadas a las v.a. pueden ser de diferentes tipos: Funciones de
Probabilidad, Funciones de densidad probabilística y Funciones de distribución acumulativas.
Función de probabilidad: p(x) ------- Para v.a. discreta
Sea p una función de variable real, discontinua, que toma valores en el intervalo [0,1] subconjunto de ;p
es una Función de Probabilidad de una va. si: 
p ( x)  1
x
Y también se cumple que:  x  , p( x)  0

Ejemplo: En el lanzamiento de dos monedas no trucadas, se describe la v.a. siguiente:
x: va. Cantidad de caras que se obtienen, donde x puede tomar los valores:
x = 0,1,2
y la función de probabilidad asociada a esta va puede plantearse como sigue:

1 / 4 para x  0,2
p (x) = 
1 / 2 para x  1
0 para otros valores de x

O en forma de tabla:
x 0 1 2
p(x) 1/4 1/2 1/4
VEAMOS A CONTINUACIÓN LAS FUNCIONES ASOCIADAS A LAS VARIABLES CONTINUAS YA QUE

TRATAREMOS DATOS DE FALLOS EN EL TIEMPO.
 Función de densidad probabilística: f(x)
Sea f una función real integrable; f es una función de densidad probabilística si:

f(x) ≥ 0,  x  y
 f ( x)dx  1

 Función de distribución acumulativa: Fx (t)

Fx (t) = P (x ≤ t) ,  t 
Esta Función permite acumular probabilidades hasta el valor t de la v.a., independientemente de que esta sea
discreta o continua.
Ejemplo: Considere la v.a. x, que representa el Tiempo hasta el fallo (en años) de un componente electrónico:
0 para x  0

f(x) = 2 x para 0  x  1
0 para x  1

a) Compruebe que f(x) es una función de densidad probabilística.
b) Construya el gráfico de la función de densidad probabilística.
c) Calcule la probabilidad de que el componente falle antes de 0,5 años.
d) Calcule la probabilidad de que el componente sobreviva los 0,5 años.
Medidas de Tendencia Central y Dispersión de las variables aleatorias:

Las variables aleatorias pueden ser caracterizadas mediante las medidas de tendencia central y las de
dispersión. Estas medidas pueden ser definidas tanto para variables aleatorias discretas como para variables
aleatorias continuas, pero en este caso nos centraremos en las v.a. CONTINUAS.
Medidas de Tendencia Central:

Las medidas de tendencia central se conocen muchas veces como promedios. Un promedio es un valor
típico en el sentido de que se emplea ocasionalmente para representar todos los valores individuales de una
serie o de una variable.
Entre las medidas de tendencia central se encuentra el Valor Esperado o Esperanza matemática, denotado
como E(x) y que puede obtenerse como:
E(x)=  x  f x dx donde x es una v.a. continua y f(x) es su función de densidad probabilística
x
Así, la vida media de un artículo viene definida por la integral del producto del tiempo de vida por la función de
densidad probabilística de este tiempo de vida, es decir, tal y como habíamos visto antes:

vm   t. f (t )dt
0
El Tiempo Medio Entre Fallos (TMEF) o MTBF como medida de Tendencia Central:
Dada la v.a. continua t: TEF (Tiempo Entre Fallos) de un artículo, su Valor Esperado será el Tiempo Medio
Entre Fallos (TMEF). Este es considerado como uno de los Índices de Clase Mundial del Mantenimiento y es
además uno de los Índices de Operatividad dentro de las llamadas: cifras de mérito de la fiabilidad (como
se verá mas adelante).
Para calcularlo, será necesario conocer la función de densidad probabilística f(t) correspondiente a esta v.a. y

la expresión será: TMEF  MTBF   t. f (t )dt
0
Medidas de dispersión
La importancia de los promedios a menudo se exagera, un “promedio” sin salvedades puede carecer
virtualmente de significado. En otras palabras un promedio puede ser muy engañoso, a menos que sea
identificado y vaya acompañado de otra información que nos diga algo sobre la dispersión de los datos; la
dispersión nos indica que tan concentrados o “desparramados” están los datos. Darell Huff en su libro “How To
Lie With Statitics” (Cómo mentir con estadísticas) nos expresa la importancia de la variación: ...“Deposite poca
fe en un promedio, en un gráfico, o en una tendencia cuando dichas cifras importantes brillan por su ausencia.
De otro modo, se encuentra usted tan ciego como un hombre que escoge lugar para acampar guiándose por
un informe de la temperatura media solamente. Puede usted considerar 61 o F como una media anual
agradable, dándole a elegir en California entre lugares tales como el Desierto Interior y la Isla de San Nicolás,
frente a la Costa Sur. Pero puede usted congelarse o asarse si ignora la variación. Para San Nicolás es de 47 a
87o F para el Desierto es de 15 a 104o F”.
Entre las medidas de dispersión o variabilidad se encuentran la Varianza, denotada como: σ2(x) y la
desviación estándar denotada como: σ (x). En general la varianza puede calcularse a partir del valor
esperado como:
2(x)= E(X2) -[E(X)]2
Ejemplo:
Calcule el TIEMPO MEDIO HASTA EL FALLO y la DESVIACIÓN ESTANDAR DEL TIEMPO HASTA EL FALLO
del componente electrónico cuya función de densidad probabilística para el THF es:
0 para x  0

f(x) = 2 x para 0  x  1
0 para x  1

Funciones de Distribución de Fallos que aplican al cálculo de la Fiabilidad:
En los estudios de fiabilidad se estudian varios tipos de distribuciones probabilísticas, cuya adopción
depende del grado de ajuste de los datos a la función considerada y del tipo de fenómeno que se analiza. Entre
las distribuciones de v.a. continua más utilizadas en estudios de Fiabilidad y por tanto relacionadas con el
mantenimiento de equipos, se encuentran: la Normal, la Exponencial, la de Weibull y la Normal logarítmica,
entre otras. A continuación se describirán algunas de estas distribuciones:
La Distribución Normal
La Distribución o Ley Normal, encuentra una amplia utilización en la solución de distintos problemas ingenieriles
y económicos. Utilizada en la teoría matemática de la fiabilidad, esta ley describe muy bien los fallos
progresivos de los artículos originados por la salida de explotación de diferentes elementos del mismo. La
expresión de su función de densidad probabilística es:
 x 
2
1  
f x  
1  
 x 
2
e
 2
Notación: x  N (,2)
El valor esperado: E(x)= 
La varianza: 2(x)= 2
Para facilitar el cálculo de probabilidades debe realizarse el proceso de estandarización de la variable y

x
auxiliarse entonces de la Tabla de la Distribución Normal Estándar: Z 

1  1 z2
De donde, la función de densidad probabilística se definirá como: f ( z )  e 2  z 
2
Notación: z  N (0,1)
El valor esperado: E(x)= 0
La varianza: 2(x)= 1
Una vez estandarizada la variable se podrá buscar el valor de la probabilidad que deseamos en la Tabla (Ver
Tabla en Anexo 6).
En el manejo de la Tabla de esta distribución se debe prestar atención a cuál es el área bajo la curva
que ofrece la Tabla para llevar el área que queremos encontrar a la forma que da la Tabla. También es
conveniente recordar que esta Distribución es simétrica respecto a su Valor Esperado y que esta
propiedad de simetría nos puede ser útil en el cálculo de probabilidades.
Ejemplo:
Un fabricante concluye que el tiempo que transcurre antes de que se funda un bombillo sigue una distribución
Normal. Se prueba una muestra de ellos y se encuentra que la vida promedio es de 60 días con una desviación
estándar de 20 días.
¿Cuál es la probabilidad de que un bombillo seleccionado aleatoriamente de un lote de estos, falle:
a) antes de los 60 días de vida?
b) antes de los 70 días de vida?
c) entre los 80 y los 100 días de vida?
La distribución Logarítmica Normal
Es la distribución de los logaritmos de los datos. Su gráfico es muy parecido al de la Distribución Normal, como
puede observarse en el Anexo 3.
Notación: X LN ( ln ; σ 2 ln)
E(X) =  ln es la media de los logaritmos de las observaciones, o sea los ln de las xi
Para calcular las probabilidades asociadas a esta distribución, se puede trabajar con la Tabla de la Distribución
Normal estándar, aunque igual que en ésta, es necesario restar ln t -  ln y luego dividir entre σ ln, o sea
estandarizar.
Ejemplo: El tiempo en que ocurren los fallos de un equipo sigue una distribución LN con  ln = 5h y σln, de 2h.
¿Cuál es la probabilidad de que el equipo opere ininterrumpidamente al menos 1500 horas?
La Distribución Exponencial
La Distribución Exponencial es la más ampliamente utilizada en los estudios de fiabilidad. En general, esta
distribución representa la fase normal de operación de un artículo, en la cual se producen fallos repentinos
debidos a choques, exceso de carga, de tensión eléctrica, etcétera. Se emplea para determinar el tiempo hasta
el fallo de un componente o de un sistema.
Sus principales características son:

Notación: x  E ()
El valor esperado: E(x)= 1/
La varianza: 2(x)= 1/2
Si x: v.a. tiempo entre fallos de un artículo, la función de densidad probabilística es:
f (x )  e  x ;x0 y 0 es constante
donde:
: tasa de fallos del sistema (número medio de sucesos en la unidad de tiempo)
Como ya vimos antes, si la distribución de fallos es Exponencial, esto hace que, la Función de Fiabilidad R(t)

es: R(t )e   .t y entonces: vm  e   .t
. dt 
1
de manera que:
0

1/ : tiempo medio hasta el fallo.
Ejemplo:
Un instrumento de sondeo electromecánico trabaja en un ambiente de polvo adherente que da lugar a un
tiempo medio entre fallos de 2 000 horas, tras las cuales el cable que sostiene el peso queda trabado en la
polea por el depósito de polvo adherente dejando de funcionar. Si se asume una distribución Exponencial,
calcule la probabilidad de que el instrumento aún funcione al cabo de 10 horas.
De acuerdo con esta información se tiene que: t: v.a. tiempo entre fallos.
Tiempo medio entre fallos (MTBF) = 2 000 horas
La tasa de fallos () es, por tanto, de 1 / 2 000 = 0,0005.
t  E (0,0005)
P(t > 10) = R (t) = R(10)= R (10)e 0 , 0005.10 = e-0,005 = 0,995 = 99,5%
Calcule la Fiabilidad al cabo de 2000 horas.
Ejemplo: Un fabricante de calculadoras electrónicas ofrece una garantía de un año. Si la calculadora llega a
fallar durante este periodo, se la reemplaza. El tiempo hasta el fallo se modela aceptablemente con la
distribución probabilística:
f (t )0,125e 0,125t
¿Qué porcentaje de las calculadoras deberán ser reemplazadas dentro del término de la garantía?
La distribución de Weibull
Weibull, investigador sueco, propuso la distribución que lleva su nombre en 1939. Esta distribución es
ampliamente utilizada por su gran flexibilidad, al poder ajustarse a una gran variedad de los datos disponibles
de funcionamiento y de vida útil de los artículos. Describe muy bien los fallos progresivos de los artículos
originados por el envejecimiento del material.
La distribución de Weibull es una familia de distribuciones cuya función general es:

 1
  x 
 x 
 
 
f ( x)     e
   
O, planteada ya la variable como t (de tiempo) quedaría:

 1
   t 
 t 
 
 
f (t )     e
   
donde:
: parámetro de escala, se relaciona con la curtosis de la curva (más o menos aguda). Es la VIDA
CARACTERÍSTICA.
: parámetro de forma
: parámetro de localización, es un parámetro inicial de posición (generalmente toma valor 0 pues se trata de la
“vida mínima”).
El parámetro de forma : es muy importante pues refleja el patrón de la curva (si toma el valor 1 es
Exponencial, si es aproximadamente 3,5 siendo =1 y =0 entonces es Normal).
La función de distribución acumulativa es la siguiente:


 t 
 
 
Fx (t )  1  e
La expresión general de la fiabilidad es la siguiente:


 t 
 
 
R(t )  e
1
La expresión para la media (MTBF) es la siguiente:   


 (1 
1
) para α < 1

1
y   (1  ) para α > 1, siendo la Función Gamma: Γ(n) = (n-1)! (si n es entero).

Ver Anexo 5 para otros valores de la Función Gamma.
En el Anexo 3 se muestran los gráficos de la Función de densidad f(t), la Función de Fiabilidad R(t) y
la Tasa de fallos  (t) correspondientes a diferentes valores de  de esta Distribución. Observe la
relación de los valores del parámetro  con el gráfico de la tasa de fallos:
Si  <1, entonces la tasa de fallos disminuye con el tiempo, .lo que constituye la fase de fallos
iniciales o juveniles del artículo.
Si  = 1, entonces la tasa de fallos es constante, lo que corresponde a la fase de operación normal.
Si  >1, entonces la tasa de fallos aumenta con el tiempo, lo que constituye la fase de fallos de
desgaste o de envejecimiento del artículo.
Ejemplo:
La vida útil de cierta clase de batería (h) es una variable aleatoria que tiene distribución de Weibull
con  = 100 y  = 1.
a) ¿Cuál es la vida promedio de esta batería?
b) ¿Cuál es la probabilidad de que sobreviva su vida media?
c) ¿Cuál es la probabilidad de que dure más de 200 horas?
d) ¿Cuál es la probabilidad de que dure más de 300 horas?
PASO 3: Curva de la Bañera ampliada. Primer nivel de decisión:
Ya hemos visto que el valor que tome el parámetro de forma Beta de la Distribución de Weibull define
la ETAPA o FASE en que se encuentra el artículo.
λ (t)
0<β<1 β=1 < β4
1 > β 1>= ≤4
Distribución de fallas
Distribución de
Distribución de fallas creciente se aproxima
Distribución de fallas Distribución de fallas
Distribución de fallas exponencial, con a la distribución
decrecientes con el
tasa constante. creciente, cóncava , para fallas constante, creciente y
Normal; simétrica
tiempo para β= 2 o conocida convexa
1<β<2
Fase I como Rayleigh para 3<=β<=4
para 2<β<3
Infancia o Fase II
de Rodaje o Madurez Fase III
Mortalidad O Vida Útil.
Infantil Envejecimiento o de Vejez o de Desgaste
(similar al comportamiento de envejecimiento Humano)
Estrategia de Fase III, vigilar y controlar todas las variables técnicas y humanas de mantenimiento.
Estrategia de Fase I,
acciones correctivas o Estrategia de Fase II, vigilar y controlar Es la etapa propia para acciones preventivas y modificativas de mantenimiento.
modificativas de todas las variables técnicas y humanas de
operación. Eventualmente pueden usarse Eventualmente pueden usarse acciones correctivas y modificativas, dependiendo de su costo.
mantenimiento,
chequeo de calidad de acciones especiales de mantenimiento, El LCC es el principal parámetro con relación al costo de mantener para determinar el momento del
t
equipos y montaje. según la falla presentado en particular. reemplazo o modificación sustancial. Se usan complementarios al LCCV, el RPN y el FMECA.
•Defectos de materiales, de Sobrecargas de operación. iempo(x . η )

diseño o de fabricación. Más que todo se deben a desgastes y degradaciones, debido al roce mecánico, al uso o abuso, u a otras
Mala utilización de los
consideraciones técnicas del tiempo.
•Montajes, ajustes o equipos.
construcciones En esta fase III la tasa de falla aumenta sostenidamente .
Cambio constante de las
defectuosas.
condiciones de Operación. En determinado momento, los costos de mantenimiento e indisponibilidad serán tan elevados que el
•Calidad defectuosa de equipo deberá sustituirse. Alternativamente, podría implantarse una política de sustitución de
Fase II la tasa de fallas es
instalación. elementos que permitiera aumentar el período de vida útil (Nachlas,1995,61).
constante y de causas
El proceso de eliminación aleatorias, no depende del
sistemática de éstas fallas tiempo.
se conoce en inglés en
debugging.
CURVA DE DAVIES O BAÑERA ASOCIADA A CONCEPTOS
DE FALLA Y MANTENIMIENTO
En la Figura anterior podemos observar el Grafico de la Tasa de Fallos, más conocido por Curva de
la Bañera o Curva de Davies, pero con una ampliación de la FASE III. De aquí las características de
los Fallos en cada etapa y las DECISIONES ASOCIADAS que se muestran en la tabla siguiente:
FASE VALOR Causas de fallos Características Estrategias de FASE
DE β de la (Primer Nivel de Decisión)
Distribución
Fase I Defectos de diseño, de Distribución de fallas Acciones correctivas o modificativas de
Infancia o materiales decreciente con el tiempo mantenimiento.
0< β<1
Mortalidad o de fabricación. Chequeo de calidad del montaje
Infantil Montajes, ajustes o Eliminación de estas causas se conoce
construcciones defectuosas. como Debugging.
Calidad defectuosa de
instalación.
Errores humanos por falta de
adiestramiento
Fase II Sobrecargas de operación. Vigilar y controlar todas las variables
Madurez u Mala utilización del equipo. Distribución de fallas técnicas y humanas de operación.
β=1
Operación Cambio de las condiciones de Exponencial (tasa Eventualmente hacer acciones
Normal operación. Causas aleatorias constante) especiales de mantenimiento por
que no dependen del tiempo. alguna falla particular.
Los fallos son “catastróficos”, ya
que ocurren de forma
totalmente aleatoria o
inesperada.
1< β<2 Desgastes o degradaciones, Distribución de fallas Vigilar y controlar todas las variables
Fase III debido al roce mecánico, la creciente cóncava técnicas y humanas de mantenimiento.
Envejecimiento β=2 corrosión, la fatiga, al uso o Distribución de fallas Es la FASE propia para acciones
por abuso. constante (Rayleigh) preventivas y modificativas de
Desgaste 2< β <3 La tasa de fallas aumenta Distribución de fallas mantenimiento.
sostenidamente, ya que se creciente y convexa Eventualmente usar acciones
3 ≤ β≤ 4 supera la vida prevista del Distribución de fallas correctivas y dependiendo de su costo.
artículo. creciente se aproxima a la Usar FMECA y LCC para determinar el
Dist. Normal. momento del reemplazo.
En determinado momento, los costos
de mantenimiento e indisponibilidad
serán tan altos que el equipo deberá
sustituirse.
Alternativamente, podría implantarse
una política de sustitución de
elementos para aumentar vida útil.
PASO 4: Ajuste de datos de fallos a modelos probabilísticos. Software específico para

comprobar el ajuste.
Como se ha visto el hecho de conocer la Distribución probabilística es una gran ventaja para calcular la
Fiabilidad y la Probabilidad de fallo de un artículo. En los estudios de fiabilidad es necesario trabajar con una
serie de datos que permitan realizar el cálculo de los índices de fiabilidad y realizar los correspondientes
análisis.
La Estadística es la ciencia del análisis de datos y de la deducción de conclusiones a partir de aquellos,

tomando en cuenta las variaciones, de manera que constituye una herramienta poderosa para los análisis de
fiabilidad y consecuentemente en la toma de decisiones en mantenimiento basada en la Fiabilidad.
Los datos estadísticos, obtenidos de muestras, experimentos o cualquier colección de mediciones, a menudo
son tan numerosos que carecen de utilidad, a menos que sean condensados, compactados o reducidos a una
forma más adecuada. Para esto suelen utilizarse los métodos de la Estadística Descriptiva, particularmente
las distribuciones empíricas de frecuencia, los gráficos estadísticos y las medidas de tendencia central y de
dispersión.
Con los datos de fallos se pueden construir fácilmente los gráficos estadísticos, particularmente los
Histogramas de frecuencias cuya principal utilidad radica en permitirnos obtener una visión de la distribución
a que mejor se “ajustan” los datos obtenidos y procesados. Este “ajuste” no es mas que el grado de
concordancia entre los datos y alguna de las Distribuciones probabilísticas.
Si bien el histograma de frecuencias nos puede dar una idea de la distribución a la cual se ajustan los datos,
existen métodos de la Estadística no paramétrica que nos permiten realizar dicha comprobación de manera
mucho más eficaz. Las llamadas pruebas de bondad del ajuste, se emplean con estos fines.
Pruebas de concordancia
Si se pretende comprobar el “ajuste” de los datos a una Distribución Normal, la Hipótesis a plantear es: Ho: x ~
N , o si se quiere hacer la prueba de concordancia con una Exponencial sería: Ho: x ~ E.
Existen dos pruebas estadísticas bien conocidas para probar el ajuste o concordancia:
 Prueba de Jí - Cuadrado (Chi-Square) ó ²
 Prueba de Kolmogorov-Smirnov
De manera general se puede plantear que la cantidad necesaria de datos para que la realización de estas
pruebas ofrezca confiabilidad se recomienda a un valor mínimo de 100 mediciones u observaciones, no
obstante, pueden utilizarse para tamaños de muestra más pequeños.
Prueba de Jí - Cuadrado (Chi-Square) ó ²
La Prueba de Jí-Cuadrado suele emplearse para datos agrupados en intervalos de clase. El estadígrafo
utilizado para la prueba ² es el siguiente:
k
( fi  Ei ) 2
 2
 
i 1 Ei
donde:
Ei = n . Pi (Frecuencia teórica o esperada)
Pi: Probabilidad asociada al intervalo correspondiente de la distribución a la cual se ajusta.
n: Cantidad total de observaciones
fi: Frecuencia observada
Regla de decisión:
Si ² > ² ; se rechaza la hipótesis de ajuste.
Prueba de Kolmogorov-Smirnov:
Estadígrafo: Dn = máx | Fe - Fi |
donde:
Fe: Frecuencia relativa acumulada Esperada o Teórica
Fi: Frecuencia Observada Acumulada
Regla de decisión:
Si Dn > Dn* se rechaza la hipótesis de ajuste.
El valor Dn* se encuentra en Introduction to Probability and Statistics (G.W. McElrath y B.M. Lindgren) y en el
Anexo 4 de este material.
Sin embargo, todo esto puede ser calculado fácilmente utilizando software específicos como el SPSS,
el DISMA, el Bestfit o el Relest.
Software para el ajuste a distribuciones. Ejemplo de USO DEL SOFTWARE
Los TIEMPOS ENTRE FALLOS de un equipo fueron registrados y convenientemente ordenados en orden
creciente tal y como se muestra en la Tabla. Utilizando el software RELEST:
Tiempo Entre Fallos (días) a) Determine una Distribución que ajuste con un nivel de significación
40 de 0,05.
98 b) Obtenga el valor de los parámetros de dicha Distribución.
165
235
312
428
547
720
925
Tema III: Cálculo y Análisis de los Índices de CMD.
Propiedades e Índices de confiabilidad y decisiones sobre mantenimiento. La Mantenibilidad.
La Disponibilidad como índice complejo de la Confiabilidad. Taller de solución de problemas
de casos reales.
En las definiciones de fiabilidad, el término “probabilidad” indica el uso de una medida cuantitativa de la
fiabilidad, la cual se expresa a través de los índices de fiabilidad, también llamados: cifras de mérito de la
fiabilidad.
El índice de fiabilidad se define como la característica cuantitativa que depende de una o varias
propiedades y expresa la fiabilidad del artículo.
Según las propiedades que se consideren, así se agruparán los índices que las reflejan. De este modo, en este
curso veremos los índices simples de las propiedades:
OPERATIVIDAD Y MANTENIBILIDAD
OPERATIVIDAD
Propiedad del artículo de mantener ininterrumpidamente el estado de capacidad de trabajo durante un tiempo
específico en condiciones de operación dadas. Durante el proceso de diseño y fabricación de los artículos se
conforman las cualidades que habrán de determinar su operatividad, tales como resistencia a la rotura por
fatiga, corrosión o desgaste, estabilidad de las propiedades físico - químicas de los materiales, etcétera. Estas
cualidades se verifican en el proceso de explotación, influyendo factores externos. En dependencia de las
diferentes causas de la alteración de la capacidad de trabajo, la operatividad de los artículos se valora desde el
punto de vista de la fiabilidad elemental y de la fiabilidad funcional:
Fiabilidad elemental: Pertenecen los fallos que se eliminan con el reemplazo de elementos constructivos.
Fiabilidad funcional: Pertenecen los fallos que se eliminan con trabajos de regulación, limpieza u otros
análogos.
MANTENIBILIDAD:
Propiedad del artículo consistente en la facilidad que el mismo brinda para prevenir y detectar las causas que
originan sus fallos y deterioros, así como la eliminación de sus consecuencias, mediante la realización de
mantenimiento, reparaciones y restauraciones. En dependencia de la mayor o menor facilidad conque se
detectan los fallos, menor o mayor será el tiempo necesario para eliminarlos y por tanto el tiempo improductivo
del artículo (estadía) está determinado en gran medida por las cualidades de mantenibilidad del mismo. En los
estudios de fiabilidad también es importante tener en consideración la posibilidad o no de reparar el
artículo.
INDICES DE FIABILIDAD
Existen índices simples y complejos de fiabilidad. Los denominados simples están relacionados con una de
las propiedades y los complejos relacionan más de una propiedad. En la Tabla 3 pueden apreciarse los
índices simples caracterizados por los diferentes autores con la nomenclatura más usual para las dos
PROPIEDADES bajo estudio.
Propiedad Índice Denominación
Operatividad P(t) Prob. de trabajo sin fallos (Función de confiabilidad)
Q(t) Prob. de fallo (Función de inconfiabilidad)
 (t) Intensidad de fallos (Tasa de fallos para artículos NO REPARABLES)
 (t) Flujo de fallos (Tasa de fallos para artículos REPARABLES)
to
Tiempo medio hasta el fallo (MTTF)
t Tiempo medio entre fallos (MTBF)
Mantenibilidad Tiempo medio de reparación
t
t' Tiempo medio de restauración
t H Tiempo medio improductivo debido al fallo
t e Tiempo medio de espera para reparar
t b Tiempo medio de búsqueda del fallo
P(tB) Prob. de restauración en un tiempo dado

Tabla 3. Índices simples de fiabilidad
PASO 5: Cálculo de los índices de fiabilidad (Operatividad) para artículos reparables.
Una vez obtenida la distribución de probabilidad que sigue el tiempo entre fallos, entonces el trabajo
matemático para el cálculo de los índices de fiabilidad se hace más sencillo, no obstante, también se pueden
calcular a partir de la distribución empírica de frecuencias.
Artículos REPARABLES
Se caracterizan porque pueden ser reparados en caso de un fallo mediante reparaciones de corta duración.
Nota: Los tiempos en que el artículo no se utiliza sin que haya fallado se excluyen de este análisis.
1. Probabilidad de trabajo sin fallo: P(t)

 t
P(t )   f (t ) dt  1   f (t ) dt  1  F (t )
t 0
2. Probabilidad de fallo: Q(t) Q(t) = 1 - P(t) = F(t)

t
Q(t )   f (t ) dt
0
Es requisito conocer f(t)
3. Tiempo medio entre fallos (MTBF):

t
t  t  f (t ) dt
0
ó también:
n m
t j 1 i 1
ji
t 
n
donde:
tji: tiempo de trabajo entre dos fallos consecutivos del j-ésimo artículo
n*: Cantidad total de fallos al ensayar n artículos.
ES IMPORTANTE EL CONTROL DE LOS TIEMPOS MEDIOS ENTRE FALLOS (MTBF Índice CLASE
MUNDIAL!!). Puede utilizarse LA COMPARACIÓN DE CADA TEF CON EL MTBF. PUEDE LLEVARSE LA
COMPARACIÓN DEL MTBF CON RESPECTO A UN VALOR LÍMITE PREDETERMINADO o con un valor
anterior. Siempre que el valor de TEF disminuye respecto a un momento anterior o respecto al MTBF
DEBEN INTENSIFICARSE LAS ACCIONES TANTO POR PARTE DE OPERACIONES (PRODUCCIÓN)
COMO DE MANTENIMIENTO para encontrar las causas de los Fallos (Técnica de AMEF o ACR). Si en la
FASE I se producen fallos repetitivos, estos deben ser analizados con AMEF y ACR para eliminar los
DEBUGGINGS.
4. Flujo de fallos:
Densidad probabilística del surgimiento del fallo de un artículo reparable determinada en un intervalo de
tiempo dado. Representa el número promedio de fallos por unidad de tiempo.
Ni
 (t )
nt
donde:
Ni: Cantidad de artículos que han fallado en el intervalo
n: Cantidad de artículos que se someten a prueba
t: intervalo de tiempo considerado.
1
Si (t) permanece constante, entonces: t

Taller de USO DEL SOFTWARE y toma de decisiones (SEGUNDO NIVEL DE DECISIÓN)
A Usted, como estadístico y especialista del área de Mantenimiento y Confiabilidad se le ha encargado

el análisis de los ciclos actuales de mantenimiento programado de los equipos de la planta energética
de la empresa.
De los EXPEDIENTES DE EQUIPOS se ha extraído información de su desempeño en los últimos años,
se tienen los datos de Tiempos de Operación entre fallos, los ciclos de mantenimiento establecidos
actualmente con la frecuencia de intervención, así como los COSTOS por reparación. Se ha decidido
comenzar el análisis por tres de ellos (Compresor de Aire, Bomba de agua de la caldera y Calentador de
Aceite (Konus Heater) cuyos datos se muestran a continuación:
EQUIPO: Compresor de Aire

Los TEF (Tiempos Entre Fallos) han sido los que se muestran en la tabla (YA ORDENADOS). Este equipo tiene
10 años de explotación y no tiene un “redundante” o “sustituto” para cuando falle, además, el ti actual es de 900
horas y el costo/intervención es de $XXXX/int. (MEDIANO)
Tiempo Entre Fallos (días)
40 a) Determine en qué etapa del ciclo de vida se encuentra este
98 compresor.
165 b) Obtenga la distribución a la que pueden ajustarse estos datos.
235 c) Obtenga los parámetros de dicha distribución.
312 d) Determine el Tiempo Medio Entre Fallos (TMEF).
428 e) Obtenga los “Tiempos característicos” y a partir de ellos, realice
547 un análisis del ciclo actual de mantenimiento programado y
720 proponga el tiempo entre intervenciones (ti) más adecuado a
925 su consideración.
EQUIPO: Bomba de agua tratada a Caldera

Los TEF (Tiempos Entre Fallos) han sido los que se muestran en la tabla. Esta bomba es un equipo
“convencional”, tiene dos años de instalada y trabaja en régimen de dos turnos al día que son los que trabaja la
Planta, planificándosele las intervenciones de mantenimiento cada 300 horas. El costo/intervención es de
$XXX/int. (BAJO).
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
54 27 18 9 702 135 144 189 216 315 189 378 459 468 1159 990 72 576
a) Obtenga la distribución a la que pueden ajustarse estos datos.
b) Obtenga los parámetros de dicha distribución.
c) Determine el Tiempo Medio Entre Fallos (TMEF).
d) Obtenga los “Tiempos característicos” y a partir de ellos, realice un análisis del ciclo actual de
mantenimiento programado y proponga el tiempo entre intervenciones (ti) más adecuado a su
consideración.
EQUIPO: Konus Heater
Los TEF (Tiempos Entre Fallos) han sido los que se muestran en la tabla. Este es un equipo altamente
complejo, muy costoso, único y de gran importancia para los procesos que desarrolla la Planta. Tiene 10 años
de instalado y trabaja en régimen de dos turnos al día que son los que trabaja la Planta, planificándosele las
intervenciones de mantenimiento cada 2000 horas. El costo/intervención es de $XX XXX/int. (ALTO).
1 2 3 4 5 6 7 8 9 10
27 679 3 502 1800 2013 665 1000 156 1550
a) Obtenga la distribución a la que pueden ajustarse estos datos.
b) Obtenga los parámetros de dicha distribución.
c) Determine el Tiempo Medio Entre Fallos (TMEF).
d) Obtenga los “Tiempos característicos” y a partir de ellos, realice un análisis del ciclo actual de
mantenimiento programado y proponga el tiempo entre intervenciones (ti) más adecuado a su
consideración.
PASO 6: Registro de datos de tiempos de Reparación. Comprobación de la validez de los datos

registrados. Cálculo de la Mantenibilidad. Segundo nivel de DECISIÓN.
De la misma manera que se han trabajado los TIEMPOS asociados con los índices de operatividad, se puede
trabajar con los datos asociados a los índices de Mantenibilidad, incluso se puede utilizar el propio Software
RELEST, con la particularidad de que los Tiempos que se entran al mismo son los TIEMPOS DE
REPARACIÓN o cualquier otro Tiempo del período de “Fuera de servicio”, si fuera interés hacer estudios y
tomar decisiones sobre ellos.
La Mantenibilidad M(t) = P (TTR < ti) es la Probabilidad de reparar exitosamente un activo en un tiempo ti
(En este caso el Software se trabaja como mismo se trabaja la Probabilidad de fallo, ya que, como puede verse,
se busca la Función de distribución acumulativa Fx(t).
Recordemos que:
TFS = TR + T improductivo debido al fallo.
DONDE:
TFS: Tiempo Fuera de Servicio
TR: Tiempo de reparación o Tiempo para Reparar. En inglés:TTR: Time To Repair
Tiempo Promedio de reparación: MTTR, se calcula como cualquier Valor Esperado, siempre que se conozca
la función de densidad probabilística de los Tiempos de reparación, o sea:
t
MTTR = t = t  t  f (t ) dt
0
Si no se conoce la f(t), entonces:
MTTR 
TTR
Cantidad de Re paraciones
ES IMPORTANTE EL CONTROL DE LOS TIEMPOS DE REPARACIÓN A TRAVÉS DE LA COMPARACIÓN

DE CADA UNO CON EL MTTR. PUEDE LLEVARSE LA COMPARACIÓN DEL MTTR CON RESPECTO A UN
VALOR LÍMITE PREDETERMINADO. Siempre que el valor del TR aumenta respecto a un momento
anterior o respecto al MTTR DEBEN REFORZARSE LAS ESTRATEGIAS DE REPARACIONES, de manera
que los tiempos de estadía no se incrementen y no incrementen los costos de mantenimiento.
PASO 7: Cálculo de la Disponibilidad. Tercer nivel de DECISIÓN.
La DISPONIBILIDAD ES UN ÍNDICE COMPLEJO DE LA FIABILIDAD PORQUE INVOLUCRA ÍNDICES DE

DOS PROPIEDADES.
La Disponibilidad de un artículo en el tiempo t es la probabilidad de que esté activo y funcionando en el
momento t.
Si consideramos las categorías de tiempo siguientes:

1. Tiempo de operación: intervalo durante el cual el artículo está realmente funcionando.
2. Tiempo de operación programado: intervalo durante el cual se requiere que el artículo trabaje bien.
3. Tiempo libre: intervalo durante el cual se programa el artículo para que esté inactivo.
4. Tiempo dentro “in”: intervalo durante el cual el artículo está trabajando o listo para trabajar.
5. Tiempo fuera “out”: intervalo, durante el tiempo programado de operación, en el cual el artículo está
en estado de “fallo” (no se puede hacer trabajar). Es la suma de: tiempo de búsqueda del fallo, tiempo
de reparación activa, y tiempo de espera por causas organizativas o logísticas (suspensión de la
reparación por falta de refacciones o “repuestos”).
Entonces:
Tiempo de operación
 Disponibilidad = ---------------------------------------------------------------
Tiempo de operación + tiempo “fuera”
Tiempo de operación
 Disponibilidad intrínseca = -----------------------------------------------------------------------------
Tiempo de operación + Tiempo de reparación activa
Tiempo “dentro”
 Disponibilidad operativa = ----------------------------------------
Tiempo calendario total
Ejemplo:
Una máquina debe trabajar dos turnos diarios de 8 horas cada uno, 5 días a la semana. Durante las últimas 48
semanas, la máquina estuvo inactiva cinco veces. El tiempo “fuera” promedio se clasifica como sigue:
Tiempo promedio organizativo: 9 h
Tiempo promedio de reparación: 30 h
Tiempo promedio logístico: 7,6 h
Así, el Tiempo de operación programado total es: 48 * 16 * 5 = 3840 h (1)
El tiempo de inactividad total (“fuera”) en las 48 semanas es 5 * (9+30+7,6) = 233 h (2)
Pero, el Tiempo de operación es (1) – (2) = 3840-233 = 3607 h
El Tiempo calendario Total es: 48*7*24= 8064
De donde:
3607
Disponibilidad = ------------ = 0,9393 = 93,93%
3840
3607
Disponibilidad intrínseca = ---------------- = 0,9601 = 96,01% (Este 150 = 30h *5 paradas)
3607+150
8064 - 233
Disponibilidad operativa = ------------------- = 0,9711 = 97,11%
8064
Los índices de fiabilidad por su naturaleza poseen carácter aleatorio y es por esto que, para su determinación,
es necesario utilizar los métodos de la Teoría de Probabilidades y la Estadística Matemática. Si se conoce la
distribución probabilística de vida del artículo, entonces puede plantearse que el Coeficiente de Disponibilidad
es la relación entre el valor esperado del tiempo en que el artículo mantiene su estado de capacidad de trabajo
y la suma de este y el de todas las paradas debido al mantenimiento y reparaciones durante un período
cualquiera de utilización.
Es también muy usual, determinar la Disponibilidad a partir de los Tiempos Medios, como sigue:
t
D 
t  t
Y otro indicador útil pudiera ser el Coeficiente de Utilización Técnica:
t
Kut 
t  t  te  tb
Donde:
tH  te  tb  Tiempo Medio improductivo debido al fallo
DESARROLLO DE OTROS CASOS REALES SEGÚN INTERESES DEL GRUPO.
CONCLUSIONES:
1. Las estrategias gerenciales de mantenimiento se encuentran orientadas hacia diferentes
acciones: las Reactivas (maneja acciones correctivas de “ataque rápido”, lideradas por la
Gerencia de Mantenimiento) y las Proactivas (maneja acciones planeadas: predictivas y
preventivas, en los diferentes campos: eléctrico-electrónico-instrumental-mecánico y otros,
lideradas por Mantenimiento Eléctrico-Electrónico y Mantenimiento Mecánico-soldadura,
entre otros equipos de especialistas). En muchas ocasiones, se requieren también acciones en el
ámbito de la Logística y en Ingeniería de proyectos tales como las acciones modificativas
(uniendo a mantenimiento con nuevos proyectos).
2. La metodología de CMD y los indicadores asociados permiten elevar el nivel de confiabilidad
en las decisiones que se toman alrededor de la ingeniería de fábricas, obteniendo entre otros
muchos beneficios, la disminución o eliminación de fallos, la disminución de los costos y
aumentos significativos de la vida útil de los equipos, seguridad en la planeación de la
producción con el indicador Disponibilidad, elevación de la calidad y en general trabajar con
calma y suficiente tiempo de planear todas las actividades inherentes al mantenimiento y la
operación.
3. El trabajar con parámetros de orden internacional eleva la competitividad de las fábricas que
practican su uso acompañados de pronósticos y de métodos estándares de cálculo CMD con
análisis estadístico de la información, soportados en tácticas avanzadas de mantenimiento
(Reactiva y Proactiva) y con desarrollos de acciones correctivas-modificativas-preventivas-
predictivas, todo esto a partir del factor ßeta, acompañados de procesos tales como FMECA,
LCC, RCA, a partir de las normas internacionales de mantenimiento, tales como BS3811 y
MIL-STAN-785, entre otras.
BIBLIOGRAFÍA BÁSICA UTILIZADA
1. Creus i Solé, A. [1991] Fiabilidad. y seguridad de los procesos industriales./ Editorial Marcondo. España.
2. De la Paz Martínez, E. El Mantenimiento en el aprovechamiento energético y el medio ambiente.
Revista “Con Mantenimiento Productivo”, No. 22, Año 4, Agosto-Septiembre 2003, México.
3. ________ Mantenimiento y confiabilidad. Revista Mundo Eléctrico. Octubre 2003, Colombia. ISSN
1692-7052. Ver: www.mundoelectrico.com
4. ________Gestión de recursos humanos. El impacto en la gestión del mantenimiento. Revista Con
Mantenimiento Productivo, No.28, Agosto-Sept. 2004. México. Ver: www.conmantenimiento.com.mx
5. ________ Editora del Libro Proceedings of IV International Conference on Applied Enterprise Science.
Shaker Verlag. Germany, 2004. ISBN 3-8322-3143-9.
6. _______ [2001] Herramientas para la toma de decisiones en mantenimiento. /E. De la Paz et al./
www.angelfire.com/ar2/k/mantenimiento.htm
7. _______ [2007] Evaluación de los costos en mantenimiento y operación para diferentes alternativas de
generación de electricidad. Revista Mundo Eléctrico, No.69, Oct.-Dic. Colombia. S. Mojicar, E. de la Paz y
F.C. Williams. pp. 140-143. ISSN 1692-7052. Ver: www.mundoelectrico.com
8. _______ [2009] Estimación de la confiabilidad en sistemas de generación distribuida de electricidad.
Revista Mundo Eléctrico, No.74, Ene.-Marzo. Vol. 23. Colombia. S. Mojicar, E. de la Paz y T. Kareem. pp.
62-66. ISSN 1692-7052. Ver: www.mundoelectrico.com
9. ________ Herramientas estadísticas para la toma de decisiones en mantenimiento. Material para el
curso. UCLV. 2009.
10. Dounce Villanueva, E. [2006] Un enfoque analítico del Mantenimiento industrial. 1. edición. Compañía
Editorial Continental. México. 252 p.
11. Kenett, R. y S. Zacks [2000] Estadística industrial moderna. Diseño y control de la calidad y la
confiabilidad. Internacional Thomson Editores, S.A. de C.V. México.
12. Kohler, Eric L. [1990] Diccionario para contadores./ Unión Tipográfica Editorial Hispano Americana
(UTEHA). México. 1239p.
13. Mora, Luis Alberto; Toro, Juan Carlos y Céspedes, Pedro Alejandro – Gestión de Mantenimiento de
Quinta Generación – II Congreso Bolivariano de Ingeniería Mecánica, II COMBI Ecuador Julio 23 al 26
– 2001.
14. Mora, L.A., Ortiz Plata, G y Pérez Peral, A. ¿Indicadores de Gestión y Operación del Mantenimiento?....
¡No!.... ¡Gestar y Operar del Mantenimiento a partir de indicadores futuros!. Congreso COCIER.
Colombia, 2003.
15. Mora, Luis A. y Plaza Sibaja, O. Herramientas para la estimación de la demanda futura de repuestos de
mantenimiento tipo Pull. Memorias del VIII Congreso Panamericano de Ingeniería de Mantenimiento.
XXXIII Convención UPADI. La Habana, Cuba, 2012. Editorial Obras. ISBN 978-959-247-094-1.
16. Morrow, L.C. [1957] Maintenance Engineering Handbook./ McGraw Hill Book Company, Inc., USA.
17. Moubray, J. [1997] Reliability Centered Maintenance./ Industrial Press Inc. Second Edition.
18. Nakajima, S. [1988] Introduction to TPM./ Productivity Press. Cambridge, Massachusetts.
19. NC 92-10-78: Control de la calidad. Fiabilidad. Términos y definiciones./ CEN. Cuba.
20. Tavares, L. [1999] Administración Moderna del Mantenimiento./ Novo Polo Publicaçoes. Brasil. 160 p.
21. Tavares, L., M. C. Gonzaça y P. R. Poydo [2005] Manutençao Centrada no Negócio./ Novo Publicacoes.
Brasil. 213 p.
22. Thuesen, H.G. [1993] Ingeniería Económica./ H.B. Thuesen, W.J. Fabricky y G.J. Thuesen./ Prentice Hall
Hispanoamericana, S.A., México.
23. Zapata, C. y C. M. Arbeláez. [2007] Análisis de la evolución de la confiabilidad de lotes de componentes
reparables. Revista Mundo Eléctrico, No.69, Oct.-Dic. 2007. Colombia. pp. 132-136. ISSN 1692-7052.
Ver: www.mundoelectrico.com
24. Zacks, S. [1992] Introduction to Reliability Analysis: Probability models and Statistical Methods. Springer – Verlag.
New York.
Anexo1
Anexo 2: Patrones de Fallo
Curva de la Bañera:
Elevada mortalidad infantil seguida de un
período con tasa de fallos constante y ter-
minando con tasa de fallos creciente.
A
Tasa de fallos constante o ligeramente

creciente, terminando con desgaste o
envejecimiento, con tasa de fallos
B bastante acentuada.
Tasa de fallos lineal, ligeramente creciente,

con un período de envejecimiento bién
C marcado.
Tasa de fallos baja durante la juventud del

artículo, aumentando hasta un nivel cons-
D tante que se mantendrá hasta el final de la
utilización del artículo.
Tasa de fallos constante durante todo el

E ciclo de vida.
Elevada mortalidad infantil que decrece

F hasta un valor constante o ligeramente
creciente de probabilidad de avería.
Anexo 3 Distribuciones probabilísticas relacionadas con estudios de Fiabilidad
La Distribución de Weibull
Dr. Walodi Weibull (1877-1979) presentó en 1951 ante la Sociedad Americana de Ingenieros Mecánicos
(ASME por sus siglas en inglés) siete estudios de casos en los que usó la Distribución de Weibull. En estos
casos comprobó que esta es la más aplicable a los materiales, estructuras y sistemas biológicos teniendo en
común un incremento porcentual de fallas. *(Tomado de Dounce [2006].)
f(t) R(t) λ(t)
=3
=3
=3(Normal)
(normal)
=1
=1(Exp) =0.5
=0.5 =1
Función de densidad =1 Función de fiabilidad  = 1 Tasa de fallos instantánea  = 1
Anexo 3 (Cont.)
Distribución Triangular (TR): es útil como aproximación inicial cuando no se dispone de datos
confiables. Notación: XTR (a, b, c).
Un ejemplo donde se muestra el comportamiento de dicha distribución es la estimación de la
duración de un proyecto:
f(x)
Donde:
2 a- Pesimista.
c-a b- Muy probable
c- Pesimista
a b c
Distribución Erlang: Caracteriza el tiempo entre fallos.

Notación: X Erlang (m; ) donde m>0 y entero; >0.
No posee un comportamiento estable, pues el mismo depende de los valores que tengan
sus parámetros, por ejemplo:
f (x) para Erlang en (1,1) f (x) para Erlang en (4,2)
2 4 x 20 x
Anexo 3 (Continuación)
Distribución Log Normal: distribución de los ln de X.
Notación: X LN ( ln ; σ 2 ln) Su comportamiento se observa en la gráfica:
f(x)
E(X) =  ln es la media de los logaritmos de las observaciones, o sea los ln de las xi

Para trabajar con la Tabla de la Distribución Normal estándar es necesario restar ln t -  ln y luego
dividir entre σ ln, o sea estandarizar.
Ejemplo: El tiempo en que ocurren los fallos de un equipo sigue una distribución LN con  ln = 5h y
σln, de 2h. ¿Cuál es la probabilidad de que el equipo opere ininterrumpidamente al menos 1500
horas?
Distribución de Rayleigh: Caracteriza el tiempo para completar una tarea y el tiempo hasta
el fallo de una pieza de un equipo.
Notación: X Rayleigh (b), donde b>0. El comportamiento de esta distribución se observa
en el gráfico siguiente:
f (x)
Distribución de Pareto: al igual que la Erlang caracteriza el tiempo entre fallas.

Notación: X Pareto ( ; a), a>0 y >0. Esta distribución al aumentar el valor de sus
parámetros se desplaza en el eje x de la siguiente forma:
f(x) Pareto en (2,1) f(x) Pareto en (5,5)
Anexo 3 (Continuación)
Distribución uniforme o rectangular: Es propia de componentes mecánicos (engranes,
rodamientos, motores) siempre que interviene en la probabilidad solo la longitud del intervalo de
tiempo transcurrido.
 1
Notación: XUN (a,b) f(x)=  para a  x  b y 0 para otros valores de x; a y b 
b  a
f(x) Fx (t)
a b a b
Ejemplo: Un rodamiento del tipo A, después de instalado en un motor, puede operar por diseño
hasta 30 días. ¿Qué probabilidad existe de que si se instala el 16 de diciembre en un equipo de
producción continua y en condiciones operativas ideales, falle antes del 1 de enero?
Distribución Gamma: Varios autores han tratado dicha distribución por lo que sus parámetros son
los siguientes:
X  GA ( ; 1/) ó también: X  GA (r ; ) .
Donde:  ó r son parámetros de forma no enteros.

 ó  parámetros de escala
Si r es entero, la Gamma es la suma de r distribuciones Exponenciales, cada una con parámetro .
Esta distribución adopta una forma para cada valor de su parámetro r por ejemplo:

r=1
r=2
r=3
ANEXO 4: Acceptance limits for the Kolmogorov-Smirnov test of goodness of fit
SIGNIFICANCE LEVEL
Sample size
(n) 0.20 0.15 0.10 0.05 0.01
1 .900 .925 .950 .975 .995
2 .684 .726 .776 .842 .929
3 .565 .597 .642 .708 .829
4 .494 .525 .564 .624 .734
5 .446 .474 .510 .563 .669
6 .410 .436 .470 .521 .618
7 .381 .405 .438 .486 .577
8 .358 .381 .411 .457 .543
9 .339 .360 .388 .432 .514
10 .322 .342 .368 .409 .486
11 .307 .326 .352 .391 .468
12 .295 .313 .338 .375 .450
13 .284 .302 .325 .361 .433
14 .274 .292 .314 .349 .418
15 .266 .283 .304 .338 .404
16 .258 .274 .295 .328 .391
17 .250 .266 .286 .318 .380
18 .244 .259 .278 .309 .270
19 .237 .252 .272 .301 .361
20 .231 .246 .264 .294 .352
25 .21 .22 .24 .264 .32

30 .19 .20 .22 .242 .29
35 .18 .19 .21 .23 .27
40 .21 .25
50 .19 .23
60 .17 .21
70 .16 .19
80 .15 .18
90 .14
100 .14
Asymptotic 1.07 1.14 1.22 1.36 1.63

formula: n n n n n
Reject the hypothetical distribution F(x) if Dn = max |Fn(x) – F(x)| exceeds the tabulated value.
For  = 0,01 y 0,05, asymptotic formulas give values which are too high—by 1.5 percent for n = 80.
(Tabla tomada de “Introduction to Probability and Statistics” de G.W. McElrath y B.W. Lindgren).
Anexo 5: GAMMA FUNCTION
e
x
Values of Γ(n) = x n 1 dx
0
n Γ(n) n Γ(n) n Γ(n) n Γ(n)

1.00 1.0000 1.25 .90640 1.50 .88623 1.75 .91906
1.01 .99433 1.26 .90440 1.51 .88659 1.76 .92137
1.02 98884 1.27 .90250 1.52 .88704 1.77 .92376
1.03 .98355 1.28 .90072 1.53 .88757 1.78 .92623
1.04 .97844 1.29 .89904 1.54 .88818 1.79 .92877
1.05 .97350 1.30 .89747 1.55 .88887 1.80 .93138
1.06 .96874 1.31 .89600 1.56 .88964 1.81 .93408
1.07 .96415 1.32 .89464 1.57 .89049 1.82 .93685
1.08 .95973 1.33 .89338 1.58 .89142 1.83 .93969
1.09 .95546 1.34 .89222 1.59 .89243 1.84 .94261
1.10 .95135 1.35 .89115 1.60 .89352 1.85 .94561
1.11 .94739 1.36 .89018 1.61 .89468 1.86 .94869
1.12 .94359 1.37 .88931 1.62 .89592 1.87 .95184
1.13 .93993 1.38 .88854 1.63 .89724 1.88 .95507
1.14 .93642 1.39 .88785 1.64 .89864 1.89 .95838
1.15 .93304 1.40 .88726 1.65 .90012 1.90 .96177
1.16 .92980 1.41 .88676 1.66 .90167 1.91 .96523
1.17 .92670 1.42 .88636 1.67 .90330 1.92 .96878
1.18 .92373 1.43 .88604 1.68 .90500 1.93 97240
1.19 .92088 1.44 .88580 1.69 .90678 1.94 .97610
1.20 .91817 1.45 .88565 1.70 .90864 1.95 .97988
1.21 .91558 1.46 .88560 1.71 .91057 1.96 98374
1.22 .91311 1.47 .88563 1.72 .91258 1.97 .98768
1.23 .91075 1.48 .88575 1.73 .91466 1.98 .99171
1.24 .90852 1.49 .88595 1.74 .91683 1.99 .99581
2.00 1.0000
Anexo 6

Seminario Confiabilidad Ecuador

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Seminario Confiabilidad Ecuador

Hochgeladen von

Copyright:

Verfügbare Formate

SEMINARIO:

Material elaborado especialmente para este Seminario por:

Confiabilidad: Fiabilidad (*), Reliability, Fiabilité, Zuverssigkeit)

Las estadísticas permiten responder preguntas como:

Un ATRIBUTO del MANTENIMIENTO CLASE MUNDIAL es: “Utilice herramientas estadísticas”.

Otros aspectos que han propiciado la evolución del Mantenimiento:

Una DE LAS VÍAS PARA LA TOMA DE DECISIONES es el análisis de CMD (Confiabilidad-Mantenibilidad-

Introducción a la metodología CMD:

Si partimos de que un MANTENIMIENTO DE EXCELENCIA O CLASE MUNDIAL se encuentra en integración

1. Registro de datos de fallos del artículo.

A continuación se describirán los aspectos teóricos y prácticos para seguir la METODOLOGÍA

Fiabilidad es la probabilidad de que un dispositivo realice satisfactoriamente su función específica

Conceptos, términos y definiciones más utilizados:

Estado límite: Estado del artículo en el cual su utilización es interrumpida debido a:

La ocurrencia de un fallo ocasiona COSTOS:

PASO 1: Los datos de fallos. Recolección o REGISTRO de datos de fallos en el Tiempo.

Los datos de fallos son obtenidos, por lo general, de dos fuentes:

Entre los principales datos de fallos en el Tiempo se encuentran los siguientes:

TEF: Tiempo Entre Fallos

Debe señalarse además que TEFi = TOi+1 + TFSi

La Estadística es la ciencia del análisis de datos y de la deducción de conclusiones a partir de

Los datos estadísticos, obtenidos de muestras, experimentos o cualquier colección de mediciones, a

Paso 2: Prueba para “valores extremos”

Software específico: RELEST

Descripción del sistema: RELEST

La fiabilidad como una probabilidad. La Curva de supervivencia. La tasa de fallos y la Curva de la

Si la efectividad de un sistema es definida como la probabilidad de que el sistema pueda satisfacer

1. La aceptación de la noción probabilística de Fiabilidad.

La fiabilidad no es una predicción, sino que es la probabilidad de acción correcta de un artículo

R (0) = 1 al inicio de su vida útil cuando el artículo con seguridad funciona.

La relación entre la fiabilidad de un lote y sus componentes es:

Ejemplo: En un seguimiento de averías efectuado en el microprocesador de una marca de ordenadores, se

Derivando la expresión (1) se obtiene:

f(t) = - dR(t)/ dt (3)

En el ejemplo anterior, la probabilidad de fallo correspondiente sería:

De la ecuación (2) se deduce:

y dividiendo por Ns(t):

La curva de la bañera (Bathtub Curve)

En la ecuación (4), sustituyendo Ns (t) / N (0) por R (t) resulta:

Reordenando la expresión (5), integrando entre 0 y t, evaluando para t = 0 y R(t) = 1 se obtiene:

función de la distribución de fallos específica.

Punto muestral: Cada uno de los posibles resultados de un fenómeno aleatorio.

Suponga el experimento aleatorio correspondiente al lanzamiento de un dado perfectamente balanceado de 6

Evento: Conjunto de puntos muestrales. Se denotará con letra mayúscula: A, B,…

b) En el mismo experimento aleatorio, describa los eventos siguientes:

Siendo A y B dos eventos cualesquiera de un espacio muestral S:

Ejemplo: Sean A y B eventos del espacio muestral S.

La definición frecuencial o estadística de la probabilidad:

Axiomas de las Probabilidades:

1. La probabilidad es un número real positivo o cero para cualquier evento A.

Variables Aleatorias y Distribuciones de Probabilidad:

Una Distribución de Probabilidad es un modelo matemático que relaciona el valor de la variable

Función de probabilidad: p(x) ------- Para v.a. discreta

Y también se cumple que:  x  , p( x)  0

y la función de probabilidad asociada a esta va puede plantearse como sigue:

VEAMOS A CONTINUACIÓN LAS FUNCIONES ASOCIADAS A LAS VARIABLES CONTINUAS YA QUE

 Función de densidad probabilística: f(x)

 Función de distribución acumulativa: Fx (t)

Medidas de Tendencia Central y Dispersión de las variables aleatorias:

Medidas de Tendencia Central:

Funciones de Distribución de Fallos que aplican al cálculo de la Fiabilidad:

Para facilitar el cálculo de probabilidades debe realizarse el proceso de estandarización de la variable y

La distribución Logarítmica Normal

E(X) =  ln es la media de los logaritmos de las observaciones, o sea los ln de las xi