FIABILIDAD DE MAQUINAS AUTOMOTRICES

E INDUSTRIALES

ISBN 978- 959 -261- 335-5

MSc. Ing. Carlos Manuel Bonet Borjas

Ing. Eduardo María Pedro Domingos Pinda

Enero 2010
(Actualizada, enero 2012)
Índice
1 Introducción. 2
2 Conceptos básicos. 6
3 Clasificación de los fallos. 8
4 Propiedades de la fiabilidad. 11
Conceptos básicos de probabilidades y estadística usados en la
5 13
fiabilidad.
6 Leyes de distribución más utilizadas en la teoría de la fiabilidad. 19
Cálculo de los índices simples y complejos. El coeficiente de
7 32
efectividad global o total.
Índices de fiabilidad propulsores en la gestión del
8 50
mantenimiento.
9 Fiabilidad de sistema o estructural 52
10 Redundancia. 56
11 Árbol de fallos. 61
12 Procedimiento para el experimento fiabilístico. 66
12.18 Elaboración de la carta de fiabilidad. 82
Demanda de intercambio de piezas y cálculo del módulo de
12.19 82
piezas de repuesto.
13 Ley de Pareto aplicada a la fiabilidad 87
14 Cálculo de las pérdidas representativas. 93
15 Uso del Statgraphics aplicado a la fiabilidad. 96
El RCM (Reliability Centered Maintenance) como filosofía de la
16 112
gestión del mantenimiento.
17 Bibliografía. 121
18 Glosario. 122
19 Auto evaluación. 127
Anexos 135

FIABILIDAD APLICADA AL TRANSPORTE

1
1. INTRODUCCION.

La Fiabilidad es uno de los problemas fundamentales de la ingeniería y

herramienta esencial para organizar el mantenimiento a los equipos e influye en el
cuidado del medio ambiente.
En el sistema de Mantenimiento Preventivo (en el MP se trabaja con la media, no
se particulariza) y en la filosofía de gestión de Mantenimiento Centrado en la
Fiabilidad (RCM) es su herramienta básica.
Surge con la aviación, década del 10 siglo XX y se desarrolla en la década del 50
siglo XX con la industria coheteríl.
El aumento de la fiabilidad de los equipos es uno de los problemas más actuales
vinculados con el desarrollo de la técnica moderna. Este objetivo se ha agudizado
en los últimos años debido a las siguientes razones:

1. El aumento de la complejidad de los sistemas técnicos modernos por la

variedad y responsabilidad de las funciones que se les imponen, así como por
la elevada cantidad de elementos componentes.
2. La intensidad de los regímenes de trabajo o funcionamiento del sistema o
sus partes individuales: altas temperaturas, altas presiones, altas cargas, altas
velocidades, etc.
3. Las condiciones de extrema explotación, caracterizadas por amplios rangos
de temperatura del medio circundante, de humedad del aire ambiental,
vibraciones diversas, regímenes de aceleraciones, ambientes radioactivos y
otras difíciles condiciones. Ello implica que la probabilidad del surgimiento del
fallo se eleva significativamente. También se dificulta el control del estado de
los sistemas componentes no descubriéndose a tiempo los procesos que dan
lugar al fallo y así prever su aparición.
4. Se elevan las exigencias a la calidad del trabajo del equipo.
Se busca mayor precisión y exactitud en las cualidades y características del
producto que se fabrique con el equipo, una mayor efectividad del trabajo y
mayor eficiencia. Ello implica que se permite menos separación entre los
valores nominales y admisibles de los parámetros que caracterizan el trabajo
de las máquinas e instalaciones.
5. Importancia de la disminución de la estadía.
El aumento de responsabilidad de las funciones cumplidas por el sistema y
con ello el alto valor técnico – económico de la interrupción debida al fallo. Las
pérdidas son elevadas y en ocasiones los efectos son catastróficos. El fallo de
aparatos de mando automático de los procesos de elaboración en la industria
química motiva pérdidas cientos de veces mayores que el propio valor del
artículo que falla y hasta peligro para los operarios.
6. La automatización total o parcial y la exclusión de la participación directa del
hombre no posibilita la observación continúa y confía el control a sistemas de
la propia instalación que deben ser altamente fiables.

2
7. Aumento de la seguridad en la explotación de la máquina ( cero fallo, cero
accidente)
8. Aumento de la seguridad humana y del medio ambiente.

Etapas de la fiabilidad.
El aseguramiento de la fiabilidad es una tarea a cumplir durante todo el ciclo de
vida del artículo y posee tres etapas fundamentales:

1ra- Se origina (se concibe) durante el diseño del artículo.

2da- Se desarrolla (se materializa) durante el proceso de producción.

3ra- Se mantiene (Se realiza) durante la explotación.

A. Durante el diseño del artículo.

Los aspectos a tener en cuenta en esta etapa son:

1. La calidad de los componentes y elementos a utilizar.

La elección de los componentes y sus materiales debe realizarse teniendo en
cuenta las futuras condiciones de trabajo (climáticas, de producción, etc.). Se
deben satisfacer los requisitos funcionales, la resistencia mecánica y térmica,
la rigidez necesaria, la precisión y la fiabilidad para las futuras condiciones de
explotación. La utilización de elementos unificados y la concepción de módulos
– bloques favorecen la elevación de la fiabilidad desde el diseño.
Formas y materiales que han dado buenos resultados en artículos semejantes
tienen preferencia.

2. La concepción de regímenes de trabajo racionales para el artículo, sus

sistemas y elementos favorece la disminución de fallos durante la
explotación.
Se disminuye la intensidad del desgaste, se evitan excesos en el régimen
térmico, en la dinámica general del equipo y en general se atenúa el ritmo de
envejecimiento futuro. La utilización de regímenes de trabajo imprevistos es
una de las fuentes fundamentales de los fallos.

3. La accesibilidad a todas las partes del artículo para permitir la acción del
mantenimiento durante la explotación.
Muchas actividades de mantenimiento que pudieran elevar la fiabilidad del
artículo, se ven imposibilitadas por no haberse previsto desde el diseño la
forma de su ejecución por el hombre.
Por ejemplo: la ausencia de captadores o lugares donde colocarlos impiden el
control de parámetros de diagnóstico del sistema, como temperaturas,
presiones, vibraciones, etc.
En otros casos se limita el trabajo preventi vo de ajustes y regulaciones por no
contarse con los mecanismos pertinentes que se debieron prever durante el
diseño. La concepción de módulos y bloques favorece su rápido intercambio
ante un fallo, aunque en ocasiones disminuye la posibilidad de su
mantenimiento interno (sistemas o módulos sellados al explotador).

3
 También se conciben sistemas de autocontrol que mantienen un monitoreo
continuo o al menos intermitente de importantes parámetros de la máquina,
avisando oportunamente la aparición del fallo.

4. La utilización de dispositivos de protección.

Lo que permite que ante un fallo, no se produzcan averías posteriores. O sea,
se le quita el carácter dependiente a muchos fallos. Ello evita grandes
pérdidas y garantiza seguridad operacional para el hombre.

B. Durante el proceso de producción del artículo.

Es una etapa importante para su futura fiabilidad, destacándose el
cumplimiento de la disciplina tecnológica establecida en el diseño para los
procesos de elaboración.
La calidad de la materia prima, la limpieza de la instalación y puestos de
trabajo, la verificación periódica de la calidad y la prohibición de alteraciones
de los dispuestos en la documentación técnica son aspectos que garantizan la
futura fiabilidad del artículo elaborado.

C. Durante la explotación.

1. Las condiciones de explotación (climatológicas y de trabajo):

La acción de altas o bajas temperaturas del medio, las oscilaciones de la
temperatura, humedad, lluvias y la variación de los regímenes de trabajo por
encima o por debajo de lo establecido en la documentación afectan
significativamente la fiabilidad del artículo en uso.
La ubicación de las máquinas en lugares donde predominan vibraciones,
aceleraciones u otros efectos negativos también afecta la fiabilidad.

2. El servicio de mantenimiento racional a las máquinas es decisivo en la

fiabilidad de las mismas.

La decisión acertada sobre dónde utilizar un tipo de sistema de mantenimiento,

cuáles acciones son las efectivas, con qué periodicidad y otros aspectos del
campo de la organización del mantenimiento son aspectos que tienen relación
directa con la fiabilidad de la máquina que se explota.

3. La calificación y responsabilidad del personal.

Tanto del servicio de mantenimiento, como los de operación (división que
desaparece con el moderno Mantenimiento Productivo Total – TPM.), influye
muchísimo en el resultado del trabajo de la máquina o instalación. La fiabilidad
del funcionamiento de aparatos de un mismo tipo se diferenciará
sensiblemente si el personal de servicio no tiene igual preparación o
responsabilidad para su cuidado.
La experiencia demuestra que el cambio frecuente del personal disminuye la
responsabilidad y afecta el dominio de los equipos que se atienden.

Cada una de estas tres etapas tiene su influencia propia en la fiabilidad de los
artículos, dependiendo su magnitud del tipo de artículo y de otro grupo de
factores.

4
Por ejemplo, un estudio de causas de fallos en equipos radio electrónicos arrojó
que:
a- 40-45 % eran responsabilidad del diseño.
b- Un 20 % por errores de producción.
c- Un 30 % debido a problemas de explotación.
d- Y sólo 5-7 % por procesos de desgaste natural y envejecimiento.

En resumen, la fiabilidad se concibe en el diseño, se materializa con la

construcción del artículo y se realiza en la explotación.

La Teoría de la Fiabilidad.

Es la ciencia que estudia los procesos de envejecimiento de los artículos,

entendiéndose por envejecimiento el cambio de la calidad con el tiempo.

¿Qué estudia la teoría de la fiabilidad?

La teoría de la fiabilidad estudia:

• Las regularidades del surgimiento de los fallos y la recuperación de la

capacidad de trabajo de los artículos.
• La influencia de los factores externos e internos en los procesos que se
desarrollan en los artículos.
• Los métodos para determinar y valorar los índices de fiabilidad de los
artículos.
• Las actividades para aumentar la fiabilidad al diseñar y producir los artículos,
así como los procedimientos para mantener y elevar el nivel necesario de
fiabilidad durante la explotación.

¿Qué problemas resuelve la teoría de la fiabilidad?

1. El pronóstico de los fallos de los artículos.

2. La determinación del recurso y/o el plazo de los artículos.
3. El tiempo de vida útil del artículo.
4. Determinación y ajuste de las periodicidades entre mantenimiento.
5. Determinación y ajuste de las periodicidades entre diagnóstico.
6. Planificación de piezas de repuesto.
7. Determinación de período de garantía de fabricación y / o reparación de
artículos.
8. Planificar los gastos laborales (mano de obra, materiales, etc.) y la estadía en
los talleres.

¿Qué relación existe entre el diagnóstico técnico y la teoría de la fiabilidad?

R/ Diagnóstico técnico es la disciplina de la ingeniería que estudia las formas de
manifestación del estado técnico, así como los métodos y medios para detectar
los defectos y pronosticar el recurso del artículo sin efectuar el desarme.

La teoría de fiabilidad está relacionada con el diagnóstico técnico ya que:

5
1- Estudia las regularidades y leyes del surgimiento del fallo, crea las bases para
la predicción del mismo y determina los métodos de control y análisis de la
información estadística para la fiabilidad y el diagnóstico técnico resulta una
herramienta para elevar la fiabilidad de los artículos y pone los métodos y
medios para la búsqueda de los fallos.

2- Los métodos matemáticos de la teoría de la fiabilidad permiten obtener los

datos sobre la distribución de los fallos en las diferentes etapas de vida del
artículo (a través de las leyes de distribución), con lo cual es posible
pronosticar con suficiente certeza la demanda global de reparaciones,
mantenimientos, piezas de repuestos, etc., sin embargo producto del carácter
estadístico (aleatorio) que tienen estos resultados, los mismos no pueden ser
aplicados, en general a una máquina en particular, es decir se puede prever
cuantas máquinas de un parque de equipos habrán de fallar en un período
dado, pero no es posible predecir cuales concretamente serán, por lo que es
preciso controlar sistemáticamente el estado técnico de las máquinas y para
esto se usan las técnicas del diagnóstico técnico.

3- Para determinar la periodicidad del diagnóstico técnico y poder realizar el

análisis de tendencias hay que determinarlo con procedimientos de la
fiabilidad.

4- Otra similitud entre ambos es la terminología: fallo, defecto, artículo,

pronóstico, etc.

NOTA:
• En el sistema de mantenimiento preventivo planificado la herramienta básica
es la fiabilidad.
• En el sistema de mantenimiento predictivo la herramienta básica es el
diagnóstico técnico, aunque también se usa la fiabilidad.

2. CONCEPTOS BASICOS

a- Fiabilidad (según NC 92-10).

Es la propiedad que tiene el artículo
 de cumplir las funciones asignadas,
 conservando en el tiempo los valores de los requisitos de utilización
establecidos dentro de los límites fijados,
 en correspondencia con las condiciones establecidas.

La fiabilidad es una propiedad del artículo, es el índice más general y complejo

de la calidad de cualquier máquina.

La fiabilidad es una cualidad del artículo que se manifiesta de forma diferente en

función de las condiciones de explotación en que se use y es variable en el
tiempo.

Por la fiabilidad hay que pagar, tanto al comprar la máquina como al explotarla.
En tanto su calidad sea peor, vale decir, en tanto sus cualidades de fiabilidad
sean peores, el precio de adquisición puede ser bajo, pero para alcanzar un

6
recurso dado será necesario invertir más en la explotación, contrariamente a lo
que sucedería si la máquina fuera de mayor calidad.
Cad
n= (2.1)
CCF (lr )

Donde:
n: nivel de fiabilidad.
Cad : costo de adquisición.
CCF (lr): costo para conservar la fiabilidad en un recurso lr.

CCF(lr)= C PR + CM + C MO + C EST (2.2)

Donde:
CPR ----- costo en piezas de repuesto.
CM ------- costo en materiales.
CMO ----- costo en mano de obra.
CEST ------costo para compensar la estadía.

Si n aumenta ⇒ aumenta la fiabilidad de la máquina. Actualmente se fabrican

autos con n = 1.5 - 2

b- Términos más usados:

 Artículo: Unidad de un producto industrial

Puede contarse en piezas o ejemplares. El concepto de artículo es relativo y
depende de la definición del especialista, por ejemplo: las bolas son artículos
de un rodamiento (sistema), pero el rodamiento puede ser un artículo de un
reductor, y el reductor un artículo de un transportador y este puede ser un
artículo de un central azucarero.
La fiabilidad se aplica a artículos que constituyen sistemas y también a sus
componentes, como por ejemplo: estructuras, instalaciones, dispositivos,
máquinas, aparatos, instrumentos, subconjuntos y piezas sueltas.

 Artículo reparable: Es aquel que puede ser reparado al presentarse un fallo y

ser devuelto a la explotación en un tiempo racional.

 Artículo no reparable: Es aquel que después del fallo debe ser sustituido por
otro artículo nuevo.

 Capacidad de trabajo: Es el estado del artículo que le permite cumplir las

funciones asignadas manteniendo sus especificaciones dentro de los límites
establecidos.

 Defecto: Es el no cumplimiento de uno o varios requisitos de la

documentación técnica.

 Deterioro: Suceso que consiste en la variación del estado normal del objeto
técnico, debido a la influencia de factores externos, que sobrepasan los
niveles establecidos.

7
 Estado límite: Es el estado en el que se interrumpe la utilización del artículo
por criterios técnicos, económicos y/o de seguridad (humanos o ambientales).

Como índice del estado límite puede servir la rotura de la pieza, la corrosión, la
magnitud del desgaste, el elevado consumo de combustible, de aceite, la
contaminación.

 Fallo: Es la pérdida total o parcial de la capacidad de trabajo del artículo

.
 Momento del fallo: Instante en el cual se produce el fallo del artículo.

 Proceso del fallo: Conjunto de los fenómenos que originan el fallo.

 Modo de fallo: Manifestación observable que es el resultado de un proceso

de fallo durante la explotación o uso del artículo. La causa del fallo funcional
(circunstancia que induce o activa un proceso de fallo).

 Efecto del fallo: Alteración que produce el fallo del artículo en que ocurre. O
sea lo que pasa cuando falla.

 Criterios de fallos: Característica o conjunto de características de incapacidad

de trabajo establecida en la documentación técnica.

Nota: Un fallo es un defecto pero un defecto no tiene por que ser un fallo.

 Labor: Es el trabajo realizado por un artículo.

 Plazo de servicio: Es la duración calendarial del recurso técnico (reloj,

almanaque).
 Recurso técnico: Es el trabajo útil hasta el estado límite.

 Trabajo útil: Trabajo neto del artículo (Km, horas, toneladas, etc.).

3. CLASIFICACIÓN DE LOS FALLOS.

El fallo es el concepto fundamental de la teoría de la fiabilidad, es el evento por

excelencia a estudiar en fiabilidad, es el objeto de estudio, siendo importante el
análisis de su naturaleza física, sus causas y elaborar las medidas encaminadas
para pronosticarlos.

Los fallos pueden ser:

 Recurrente, los mismos modos de fallo, lo que ocurre casi siempre.

 Incipiente, son aquellos donde las condiciones que llevan al fallo y reducen la
vida del artículo están presentes, ej. La presencia de contaminación anormal
en un sistema, aunque la máquina puede no estar experimentando una
pérdida en su desempeño o degradación de sus componentes las condiciones
que lo llevarán al fallo están presentes.

8
 Funcionales se definen como la incapacidad de un artículo para satisfacer un
estándar de funcionamiento deseado.

 Potenciales se define como la condición física identificable (síntoma o

advertencia) que indica que el fallo funcional va a ocurrir o que está en el
proceso de ocurrir. Para determinarlo se usan técnicas de MTTO predictivo y /
o monitoreo por condición (condition monitoring).

 No evidente son los que no tienen impacto directo pero pueden provocar
consecuencias serias, Ej. Los dispositivos de seguridad que no suponen
seguridad inherente (de diseño).

Para analizar la naturaleza física de los fallos, así como para elaborar las medidas
encaminadas a pronosticarlos, los mismos se clasifican según varios factores
NC-92-10)

A. Según su interrelación pueden ser:

♦ Dependientes: Surgen como consecuencia del fallo de otros elementos y/o su

surgimiento puede provocar fallo en otro elemento. O sea, la dependencia
puede ser como causa o por efecto.
♦ Independientes: Su aparición no tiene relación con otros fallos anteriores ni
posteriores.

B. Según sus consecuencias pueden ser:

♦ Peligrosos: Su aparición representa un peligro para las personas que operan

o dan servicio al equipo.
♦ No peligrosos: No tienen consecuencias en este aspecto.
C. Según el carácter de aparición pueden ser:

♦ Súbitos o repentinos: Se caracterizan por las variaciones bruscas de una o

varias especificaciones del artículo.
♦ Graduales: Se caracterizan por el cambio progresivo de una o varias
especificaciones del artículo.
♦ Intermitentes: Se manifiestan repetidamente durante intervalos de tiempo
separados por períodos en que la máquina recupera su capacidad de trabajo
sin intervenciones exteriores.

Esta clasificación es un tanto relativa, toda vez que el fallo súbito en general es
consecuencias del empeoramiento paulatino de las propiedades físico –
mecánicas y químicas de los materiales, lo cual permanece oculto hasta tanto no
se manifiesta el fallo.

D. Según la etapa del ciclo de vida en que se ubica su causa pueden ser:

9
• De diseño: Se produce por decisiones no adecuadas durante el diseño y
concepción del artículo.
• Tecnológicos: Sus causas se detectan por la violación de la disciplina
tecnológica y el no cumplimiento de lo establecido en la documentación
técnica para la construcción.
• De explotación: Surgen por violaciones de las especificaciones de
explotación, condiciones inadecuadas, regímenes anormales y otros efectos
no establecidos.
• Por envejecimiento normal: Surgen como consecuencia del desgaste
sistemático e indetenible o por los cambios en las propiedades físico –
mecánicas de los materiales durante su trabajo normal, la corrosión y la
erosión inevitables aún en condiciones normales.

Esta clasificación es de especial interés para la elaboración de medidas

encaminadas a elevar la fiabilidad durante todo el ciclo de vida del artículo

E. Según su intensidad:

 Total.
 Parcial.

F. Según la combinación de su intensidad y rapidez de ocurrencia (carácter

de aparición):

 Catastróficos son repentino y total.

 Por degradación son gradual y parcial

Es evidente que cada posible fallo de la máquina puede ser clasificado como se
ha expuesto y se ubica en una determinada categoría dentro de cada tipo de
clasificación. O sea, un fallo puede ser independiente, peligroso, gradual y de
diseño, u otras muchas combinaciones posibles.

De manera que la mayor atención se prestará a aquellos que sean catastróficos,

dependientes y peligrosos ya que son los más problemáticos. Menor interés se le
prestará a aquellos que sean independientes, no peligrosos y por degradación.

Para alcanzar los mejores resultados con el estudio y aplicación de la teoría de la

fiabilidad, uno de los primeros pasos a dar por el especialista es la completa
clasificación de los fallos debido:

 Hay cierta relación entre el tipo de fallo según el carácter de aparición y la

posible ley de distribución que cumple (es una de las herramientas para
plantear la hipótesis en el experimento fiabilístico).

Ejemplo:
a- Fallo súbito (rotura, fatiga) ⇒ LDE (Ley de Distribución Exponencial)
b- Fallo gradual (debido al desgaste) ⇒ LDN (Ley de Distribución Normal).

10
 Conociendo la clasificación del fallo según la etapa del ciclo de vida, se puede
inferir la causa y donde está el problema o sea si la causa es de diseño, de
producción, explotación, etc.

Ejemplo:
1- Fallos infantiles o precoses son de diseño o de producción.
2- Fallos que ocurren aproximadamente en el mismo período son de diseño o de
producción.
3- Fallos accidentales son de explotación.

4. PROPIEDADES DE LA FIABILIDAD.

La fiabilidad es una propiedad compleja, la cual, en dependencia del destino de

los artículos (objetos técnicos) y las condiciones de utilización, se compone de
una combinación de propiedades particulares tales como:

1- Operatividad (funcionabilidad, trabajo sin fallo).

2- Durabilidad.
3- Mantenibilidad.
4- Conservabilidad.

Operatividad (caracteriza la frecuencia con que ocurren los fallo y la capacidad

de trabajo del artículo):

Propiedad que tiene el artículo de mantener ininterrumpidamente el estado de

capacidad de trabajo durante una labor específica en condiciones de operación
dadas (propiedad del artículo de trabajar sin fallo en un periodo dado). Una
máquina tendrá mejor operatividad en la medida que puede laborar más tiempo
ininterrumpidamente sin perder su capacidad de trabajo.
Durante el proceso de diseño y fabricación de una máquina y sus elementos
componentes se conforman las cualidades que habrán de determinar su
funcionabilidad tales como: la resistencia a la fatiga, a la corrosión, al desgaste, la
ausencia de defectos de diseño, etc. Estas cualidades se realizan durante la
explotación.

Durabilidad (Está relacionado con el recurso y el plazo de servicio):

Propiedad del artículo de mantener el estado de capacidad de trabajo hasta llegar

al estado límite en condiciones de operación dadas.

Mantenibilidad (Esta relacionado con la prevención, descubrimiento y eliminación

del fallo y sus consecuencias, con la estadía del equipo en el taller, gastos de
fuerza de trabajo, materiales, etc.):

Es la propiedad del artículo consistente en la facilidad que brinda para prevenir y

descubrir las causas que originan sus fallos y deterioros, así como para la
eliminación de sus consecuencias mediante la realización del mantenimiento. La
efectividad de un sistema de mantenimiento estará en dependencia del grado de
mantenibilidad de la máquina a atender, entre otros factores.

11
Esta propiedad está influenciada por cuestiones organizativas y tecnológicas (no
hay piezas, la tecnología es obsoleta).

Esta propiedad es también una propiedad compleja ya que ella depende de la:

1- Controlabilidad (facilidad de diagnóstico): Tener en cuentas captadores o

lugares donde colocarlos para el control de parámetros de diagnóstico del
sistema, como: temperaturas, presiones, vibraciones, etc.
2- Accesibilidad: Facilidad de llegar al lugar donde hay que hacer la acción de
mantenimiento.
3- Facilidad de desarme.
4- Bloquesidad (modularidad): Bloques funcionales para sacar y poner sistemas
o agregados

Conservabilidad (caracteriza la capacidad del articulo de resistir las acciones del

medio (temperatura, humedad, radiaciones, etc.,) y las cargas durante la
transportación y almacenaje:

Propiedad del artículo de conservar su capacidad de trabajo y otras

características, durante un tiempo en el cual no está operando y se encuentra en
condiciones dadas de transportación y/o almacenaje.
Esta propiedad es importante en el ramo militar en la conservación de la logística
militar.

El objetivo general que se persigue con la aplicación de la teoría y las técnicas de

fiabilidad es situar las anteriores propiedades al más alto nivel, ello se logra:

1- Diseñando bien.
2- Produciendo mejor.
3- Explotando dentro de las condiciones previstas.
4- Y ejecutando un excelente servicio de operación y mantenimiento.

Para evaluar estas propiedades existen normas que establecen todos los
índices e indicadores que permiten su valoración cuantitativa y cualitativa
(indicadores, ver epig. 7) [7]

a-¿Cuál es la propiedad que más interesa en el cohete impulsor de una nave

espacial?
b-¿Cuál es la propiedad que más interesa en los motores de autos de carreras
(Formula 1)?

R/ a- Un cohete tiene poca durabilidad, pero una alta operatividad, durante el

lanzamiento no puede fallar, pero después que pone en órbita la capsula se
destruye, por lo tanto la que interesa es la operatividad.

R/ b- Los motores de los autos de carrera se le aumenta la relación de

compresión para ganar en potencia sin importarle que detone (la detonación
puede destruir el motor), lo que importa es ganar la carrera, por lo tanto la que
interesa es la operatividad.
También es importante la mantenibilidad durante la competencia.

12
5. CONCEPTOS BÁSICOS DE PROBABILIDADES Y ESTADÍSTICA USADOS
EN LA FIABILIDAD.

Los procesos técnicos – productivos están influidos por una gran cantidad de
factores, muchos de carácter casual que hacen que el comportamiento de los
indicadores que los describen constituyan variables aleatorias.
Está claro que el surgimiento del fallo, así como el trabajo útil al cabo del cual
puede tener lugar son fenómenos aleatorios.
Variable aleatoria (VA) es aquella que como resultado de un experimento u
observación del comportamiento de una máquina, puede tomar cualquier valor
previamente desconocido y que depende de factores fortuitos.
Las variables aleatorias pueden ser discretas y continuas.
Las VA discretas sólo toman valores enteros, por ejemplo: la cantidad de
máquinas que requieren reparación eventual en un día, número de fallos en un
periodo dado, cantidad de piezas a cambiar en un cierto período dado.
Las VA continuas pueden tomar cualquier valor desconocido de antemano,
teóricamente de cero a infinito contenido en un intervalo, por ejemplo: el tiempo
hasta el fallo de un artículo de la máquina, el trabajo útil hasta el cambio de la
pieza, posibles valores de desgaste de una superficie.
De acuerdo con la información que se posea de la variable aleatoria objeto de
estudio, se estará en el campo de las probabilidades o en el de la estadística.
En la teoría de las probabilidades se parte del conocimiento de las características
de la población para inferir el comportamiento de muestras de ella. Es un proceso
deductivo en el cual con el conocimiento de lo general se logra el conocimiento de
lo particular.
En la estadística es lo inverso, pues a partir del conocimiento y análisis de los
datos de una muestra se infiere acerca de las características de la población. Los
métodos estadísticos son para tratar datos obtenidos mediante muestreo u
observaciones reiteradas o susceptibles de repetición.
En mantenimiento lo general es estar en este segundo caso, o sea, frente a
fenómenos aleatorios desconocidos que se investigan a partir de datos mediante
muestreo con el objetivo de establecer las leyes que pueden describirlos.
Como el objetivo es describir el comportamiento de una variable aleatoria, se
necesita conocer la probabilidad con que la misma toma un valor dado, entonces
hay que definir la Ley de Distribución.
Se define como Ley de Distribución (LD) de la variable aleatoria como la relación
que existe entre los posibles valores de la variable aleatoria y sus probabilidades
correspondientes. Con la ley de distribución se logra conocer el comportamiento
de una variable aleatoria, ya que se conoce la probabilidad con que la misma
toma un valor dado.
La ley de distribución representa la expresión matemática del comportamiento
real de fenómenos aleatorios masivos.

13
La ley de distribución puede representarse en forma:
1. De tabla (representación tabular).
2. Gráficamente (ej. Histograma, polígono de frecuencia (f(x)), polígono de
frecuencia acumulada (F(x)).
3. Analíticamente (leyes de distribución).

Existen dos formas típicas para expresar una ley de distribución analíticamente:

a) La función de distribución → F(x).

b) La densidad de distribución → f(x).

La función de distribución (función acumulada de distribución) se define como

la probabilidad de que la variable tome valores menores que un cierto valor dado:
F ( X 1) = P ( X < X 1)

Posee las siguientes propiedades:

1. Es una función creciente de su argumento, o sea.

X 2 > X 1 , entonces F ( X 2 ) > F ( X 1)
2. Evaluada para menos infinito toma el valor cero.
F (− ∞ ) = 0

La función de distribución se expresa gráficamente como se muestra en la fig. 1.

a) Para variable continua b) Para variable discreta

F(X) F(X)
1 1

0 X
X

Fig. 5.1 - Expresión gráfica de la función de distribución

3. Evaluada para más infinito toma el valor uno.

F (+ ∞ ) = 1
4. La probabilidad de que la variable aleatoria tome valores entre dos magnitudes
cualesquiera equivale a la diferencia de la función de distribución entre dichos
puntos:

P( X 1 < X < X ) = F (X ) − F (X )
2 2 1
si X 2
> X 1

Generalizando se tiene:
P ( X i < X < X i + ∆X ) = F ( X i + ∆X ) − F ( X i )

14
La función densidad de distribución se define como la derivada de la función
de distribución respecto a la variable aleatoria.

F ( X + ∆X ) − F ( X ) dF ( X )
f ( x ) = lim X → 0 =
∆X dX

f(x) = FI(x) (5.1)

f(X) f(X)

X1 X2 X -∞ +∞ X
(1) (2)

f(X) f(X)

X1 X X1 X
(3) (4)

Fig.5. 2 - Expresión gráfica de la densidad de distribución y sus

propiedades.

ni
f (xi ) = (5.2)
n * ∆X
Donde:
f(xi) – Da los puntos de la curva de la densidad de distribución (probabilística)
ni – Cantidad de variables en el intervalo analizado.
*
n - Cantidad de variables de la muestra.
∆X – Intervalo analizado.

15
Entre sus propiedades están:

1. La probabilidad de que la variable tome valores entre dos magnitudes

cualesquiera es su integral entre dichas magnitudes (fig. 5.2.1):
X2
P ( X 1 < X < X 2 ) = ∫ f ( X )dX (5.3)
X1
P(X1, X2) = f(x)* ∆X (5.4)

2. Su integral entre menos infinito y más infinito vale la unidad (fig. 5.2.2):
+∞

∫ f ( X )dX = 1
−∞
(5.5)

3. Su integral desde menos infinito hasta cierta magnitud de la variable equivale

a la función de distribución evaluada en ese valor de la variable (fig. 5.2.3):
X1
∫ f ( X )dX = P(X <
−∞
X ) = F (X )
1 1 (5.6)

4. Su integral desde cierto valor de la variable hasta más infinito equivale a la

función complementaria de la función de distribución (fig. 5.2.4):
+∞

∫ f ( X )dX = P(X > X ) = 1 − F ( X ) = R( X )

1 1 1
(5.7)
X1

La expresión gráfica de la función densidad de distribución se presenta en la

figura 5.2. En ella se representan sus diferentes propiedades como áreas debajo
de las curvas.

NOTA: Para las variables aleatorias discretas no existe la densidad de

distribución.

F ( X ) + R( X ) = 1 (Teorema de las probabilidades) (5.8)

La ecuación 5.8 es una de las expresiones más sencillas y más importantes

de la teoría de la fiabilidad.

Si la variable aleatoria “X” fuese la labor (trabajo útil) hasta el fallo, entonces la
función de distribución F(x) representa la probabilidad de fallo del artículo hasta
cierta labor dada.

La función complementaria R(x) expresará la probabilidad de trabajo sin fallo

hasta esa misma labor.

Ambas funciones en cualquier instante suman lógicamente la unidad.

Gráficamente ambas funciones se representan como se muestra en la figura 5.3.

16
Ambas funciones coinciden en el valor de “0,5” para cierta magnitud del trabajo
útil “X 0,5”, la cual depende del comportamiento de la fiabilidad del artículo. El
artículo es más fiable en la medida que X 0,5 se mueve a la derecha.

F( x ) R( x )
1

F ( x ) Curva de
0.5 Mortandad

R( x) Curva de Supervivencia
o de Fiabilidad

x 0,5 x
Fig. 5.3 - Expresión gráfica de la función de distribución y su complementaria.

Para el estudio de la fiabilidad de los artículos se utilizan también otras variables

aleatorias tales como:

• Recurso medio.
• Plazo de servicio.
• Tiempo medio de reparación eventual.
• Tiempo gamma de conservación.

La función de distribución y su complementaria tendrán interpretaciones

particulares según el caso.

Características numéricas de las variables aleatorias (estadígrafos).

Las leyes de distribución son caracterizadas por valores numéricos que se

denominan características numéricas de la variable aleatoria o parámetros de la
distribución o estadígrafos.

Los más importantes a utilizar en la teoría de la fiabilidad son:

1- La esperanza matemática o media aritmética → E(x).

2- La desviación cuadrática media o desviación standard → σ (x)
3- El coeficiente de variación porcentual → V(x)

a) La esperanza matemática caracteriza la posición de la variable aleatoria y

es una magnitud alrededor de la cual se agrupan todos los valores posibles de la
variable.

Las expresiones de cálculo pueden ser:

1- Estadísticamente.
1 n
E(X ) = ∑
n i =1 X i
(5.9)

Donde:
Xi – diferentes valores de la variable.

17
 n - cantidad total de los valores observados (muestra)

Si los resultados están expresados en intervalos de clases.

K
E ( X ) = ∑ Yi * f ( X i ) (5.10)
i =1

P (Xi) = f(Xi) = ni /n (5.11).

Donde:
ni - frecuencia absoluta de cada intervalo o cantidad de impactos.
f(Xi) – probabilidad de que la variable tome cierto valor (frecuencia relativa o
probabilidad estadística en el intervalo).
Yi - marca de clase o diputado.
K – cantidad de intervalos.

2 - Teniendo la Ley de Distribución.

+∞
E ( X ) = ∫ X * f ( X )dX (5.12)
−∞

b) La desviación cuadrática media (desviación standard) caracteriza el

agrupamiento de los valores de la variable aleatorio alrededor de su esperanza
matemática, indicando el grado de dispersión de dichos valore, se define como:
σ (X ) = D ( X ) (5.13)

Donde:
D(x)- varianza.

D ( X ) = ∑ ( X i − E ( X )) *
n
2 1
(5.15)
i =1 n −1

nota: n -1 → se emplea para muestras pequeñas. Hay autores que plantean

muestra pequeña cuando n es ≤ 30 y otros plantean cuando n es ≤ 50. Para
muestra grandes se divide entre n.

Si los resultados están expresados en intervalos de clases

D ( X ) = ∑ (Y i − E ( X )) * f ( X i )
K
2
(5.16)
i =1
2 - Teniendo la Ley de Distribución
+∞
D (X ) = ∫ (x − E ( X )) * f ( x )dX
2
i 5.17)
−∞

c) El coeficiente de variación porcentual es una importante relación que se

establece entre la desviación cuadrática media y la esperanza matemática. Su
valor es reflejo de la posible forma de distribución de la variable. (Sirve para

18
 plantear la hipótesis). Muestra cuan grande es la dispersión en comparación con
el valor medio de la variable aleatoria.
σ ( x)
V (X ) = (5.18)
E ( x)
V(X) = 0,08 – 0.6 se puede asumir Ley Distribución Norma (V(X) = 0.33 ⇒ LDN)
V(X) = 0.6 –1.6 se puede asumir Ley Distribución Exponencial (V(X) = 1 ⇒ LDE)
V(X) = 2,0 se puede asumir otra variante de la Weibull

Es importante expresar los estadígrafos acompañados de sus respectivos errores,

de manera que haya certeza en qué rango se encuentran sus valores. El error
de la esperanza matemática se calcula por:
σ ( x)
ε E (X ) = (5.19)
n

Expresándose como estadígrafo de la siguiente forma:

E ( X ) = E ( X ) ± εE ( X ) (5.20)

El cálculo de los estadígrafos constituye uno de los pasos necesarios para lograr
el ajuste de una ley de distribución de una base de datos muéstrales.

6. LEYES DE DISTRIBUCIÓN MÁS UTILIZADAS EN LA TEORIA DE LA

FIABILIDAD.

Son varias las leyes que pueden representar el comportamiento de fenómenos en

el campo de la mecánica y en particular en el del mantenimiento de equipos e
instalaciones. Sin embargo, la experiencia ha demostrado que durante la
explotación de las máquinas existen tres etapas bien definidas y diferenciadas, las
cuales se observan en la figura 6.1.

λ(x)

I II III
x
asent. Explot. Normal envejecimiento

Fig. 6.1- Etapas durante la explotación de las máquinas.

Es por ello que las leyes que definen los procesos pueden cambiar de una etapa
a otra e incluso de un proceso a otro, según sus características de
envejecimiento.

Lo más general en opinión de especialistas es que durante el asentamiento la

intensidad del deterioro disminuya pues se adaptan los pares conjugados, se

19
adapta el servicio técnico a la máquina y finaliza la aparición de la mayoría de los
defectos y fallos por causas de diseño y producción.

En la explotación normal durante un largo período se estabiliza el ritmo de

deterioro y se puede considerar que la intensidad de fallos (λ ( x ) ) es constante.

En la tercera etapa se incrementa de nuevo la intensidad de fallos por razones de

desgastes, deformaciones, pérdidas de propiedades en la superficie, etc.

Todo esto da como resultado la famosa curva “bañera” de la figura 6.1 aceptada
por muchos especialistas en la materia, indicando que se cumplen al menos tres
tipos de leyes de distribución durante la etapa de explotación de las máquinas.

En la zona I aparecen los fallos precoces o infantiles.

En la zona II aparecen los fallos accidentales (zona de cálculo de los índices de
fiabilidad).
En la zona III aparecen los fallos por desgaste o envejecimiento (zona de estado
límite).

Por lo general casi siempre el artículo se encuentra en el período de explotación

normal y en dicho período el trabajo útil entre fallos, según la experiencia, se
ajustan a una Ley de Distribución Exponencial (λ( x ) = constante) y los tiempos
de reparación a una Ley de Distribución Weibull, además el valor del trabajo útil
realizado y el tiempo utilizado en la reparación son 2 eventos fundamentalmente
estudiados en la teoría de la fiabilidad y ambas son magnitudes de variables
aleatorias continuas. En este trabajo se analizarán las leyes de distribución de
variables aleatorias continuas.

Leyes de distribución más usadas en la fiabilidad:

a- Para variables aleatorias continuas:

1. Ley de Distribución Exponencial (LDE).

2. Ley de Distribución Normal (ley de Gauss) (LDN).
3. Ley de Distribución Weibull (LDW).
4. Ley de Distribución Logarítmica-Normal (LD log-N)

b- Para variables aleatorias discretas:

1- Ley de Distribución Binomial.

2- Ley de Distribución Poissón.

Las leyes comúnmente se representan como función densidad de distribución.

I- Ley de distribución exponencial.

Esta es la ley que más frecuentemente se usa ya que es muy fácil de operar,
sencilla y con ensayos relativamente cortos se obtienen buenos resultados
fiables.

20
Tiene su campo de aplicación en:

1. El análisis de las máquinas complejas después del período de asentamiento,

donde aparece una regularidad de fallos (λ(X) es aproximadamente
constante).
2. Para el análisis de equipos y componentes eléctricos, que son elementos que
no se desgastan en el tiempo pero que sus defectos internos producen fallos
súbitos.
3. Todos aquellos fallos que aparecen de forma imprevista (súbito, repentino).

Definición. Es la distribución probabilística de una variable aleatoria continua que

puede tomar valores desde cero hasta más infinito con la función de densidad
siguiente:
f ( x ) = λ e − λx (6.1)

Para la condición de “λ” positivo (λ>0) y de valor constante.

Si X es el trabajo útil entre fallos, entonces la magnitud “λ” es la intensidad o tasa

de fallos (razón de fallo por unidad de labor).
La función de distribución correspondiente es:
x
F (x ) = ∫ f (x )dx = 1 − e −λx (6.2)
0

Si x es el trabajo útil entre fallos entonces F(x) representa la probabilidad de fallos

hasta la labor X y la función complementaria es la probabilidad de trabajo sin
fallos que en este caso será:
R ( x ) = 1 − F ( x ) = e − λx (6.3)

Se x aumenta → R(x) disminuye.

Los estadígrafos en esta ley se calculan por:

x x
E ( x ) = ∫ xf ( x )dx = ∫ xλe −λx dx =
1
(6.4
0 0
λ

x
D ( x ) = ∫ ( x − E ( x )) f ( x )dx =
2 1
(6.5)
0
λ2

σ (x ) = λ1 (6.6)

1
V (x ) =
σ (x ) = λ =1
E (x )
(6.7)
1
λ

21
Por este resultado se puede plantear que cuando V (x) está alrededor de 1 se
puede plantear como hipótesis la LDE.

Es interesante determinar el valor de la probabilidad de fallo al cabo de la

esperanza matemática:
1
−λ *
F (E (x )) = 1 − e − λE ( x )
= 1− e λ
= 0,63 (6.8)

Resulta un valor superior a 0,5 y significa que falla el 63% de la muestra al cabo
de la esperanza matemática. La representación gráfica de la función de densidad
se puede observar en la figura 6.2

f(x)
λ

x
Fig. 6.2 Representación gráfica de f(x) para la LDE

R(x) Curva de
1 supervivencia

0 x
Fig. 6.3- Representación gráfica de R(x) para la LDE

Entonces:
Para X= E(x)
1
−λ *
R(E (x )) = e − λE ( x )
=e λ
= e −1 = 0.37

Para X= 0
R(0) = e − λ *0 = e 0 = 1
R(x ) =
1
Si X aumenta ⇒ R(x) disminuye
e λ* X

f (x ) λ e − λX
λ (x ) = = = λ ⇒ λ(x) es constante, por lo que se corresponde
R(x ) e −λX
con un flujo estacionario (que no progresa) de sucesos aleatorios.

Es importante destacar que λ (x) = 1 / E(x) y que es constante, esto último implica
que cuando se analiza un articulo que se encuentra en el periodo de explotación
normal se puede suponer (hipótesis) que la ley a que se ajusta es LDE.

22
Resumiendo las propiedades de la LDE:
1- Es uniparamétrica (su vínculo = 1, solo depende de λ)
2- La LDE es asimétrica.

3- La VA toma valores de 0 → ∞
4- λ es constante.
5- Evaluada para x = 0 ⇒ f (0) = λ.

Ya que f (0) = λe − λ 0 = λe o = λ
6- Otra característica importante es que con ensayos relativamente cortos se
obtienen resultados confiables.
7- E(x) o MTTF= 1 / λ.
8- σ(x) = E(x) = 1 / λ.
9- V(x) = 1
10- F(E(x)) = 0.6321
11- R(E(x)) = 0.3679.
12- También se cumple que x = E ( x ) * [1 − R ( x )] lo que sirve para determinar
el periodo de prueba que se desee (periodicidad del mantenimiento, del
diagnóstico).

Ejemplo: Si se supone que R(x) = 0.9 ⇒ X = 0.1*E(x) y esto significa que para
R(x) = 0.9 (o lo que es lo mismo para F(x) = 0.1) de 100 artículos hay 10 con la
probabilidad que fallen antes de alcanzar la labor 0.1*E(x).

Nota: Cuando λ*X << 0.1 ⇒ e − λ*x = 1 - λ*x.

Entonces ⇒ R(x) = 1 - λ*x = 1- (X / E(x)) = (E(x) – X) / E(x) ⇒ R(x)*E(x) = E(x) - X
⇒ X = E(x) - R(x)*E(x) = E(x)( 1 – R(x)).

II - Ley de distribución normal (Ley de Gauss).

Esta ley es muy utilizada en la teoría de la fiabilidad de elementos mecánicos ya

que se ajusta fácilmente a las variables aleatorias continuas sobre las cuales
influyen muchos factores, particularmente los fallos productos del desgaste
natural (fallos graduales causados por modificaciones físico-químicos
irreversibles) y envejecimiento progresivo donde es menor la probabilidad de
fallos eventuales (súbitos) (donde se nace – se llega a un clímax – y se muere)

La LDN es la distribución probabilística de una VA continúa que puede tomar

valores desde - ∞ a +∞ con la siguiente función de densidad de distribución:

23
  
−
( x − E ( x ))2 

f (x ) =
1 σ
 2 2( X ) 

σ (x ). 2π
 
e (6.9)

Donde:
σ (x )  0

Tiene forma de campana simétrica (campana de Gauss) con ordenada máxima H

que se corresponde con X = E (X), si se mueve por el eje de las abscisa la curva
no cambia de forma.

La función de distribución será entonces:


−
( x − E ( x ))2 
 2 2( x ) 
σ
x
F (x ) =
1
σ (x). 2π ∫
 
e dx (6.10)
−∞

Otras características (propiedades):

1- Es simétrica.
2- E(x) caracteriza la posición en el eje de la abscisa. Si se mueve por el eje de la
abscisa no cambia de forma.
3- σ (x) caracteriza la forma de la curva.
1
σ (x ). 2π
H = (6.11)

Donde:
H – Altura de la campana
Si σ (x) aumenta la curva se hace más chata y ancha.
Si σ (x) disminuye la curva se hace más alta y estrecha.
Esto ocurre porque el área bajo la curva es igual a 1.
4- Esta distribución crece paulatinamente hasta alcanzar un máximo y después
decrece paulatinamente.
5- Es biparamétrica ya que los parámetros que caracterizan la ley son (E(x) y σ
(x), por lo tanto el número de vínculos es 2.
6- Para esta ley, la función de distribución evaluada en la esperanza
matemática resulta 0,5 dadas las características de simetría de la distribución.
7- Teniendo en cuenta las propiedades de simetría. La variable aleatoria está
contenida en un intervalo de ±3 σ(x) con un error relativo de 1 %.
8- E(x) = 3 σ(x)

9- V ( x ) =
σ (x ) = σ (x ) = 0.33
E (x ) 3σ (x )

24
Para facilitar el trabajo con la LDN en los textos de estadística la función de
densidad de distribución viene tabulada en función de una magnitud llamada
“cuantil” de la distribución normal (U) y que se calcula por:
x − E (x )
σ (x)
U = (6.12)

Lo cual facilita los cálculos con estas funciones algo complejas ya que las
probabilidades para los valores de U están tabuladas en las tablas de los textos
de estadística..

θ (U) → Función distribución normal estandarizada

U

⇒ F(x) = θ (U) = ∫ f (U )* du
−∞
Como en la LDN se cumple la propiedad de simetría entonces:

Θ (-U) = 1 – θ (U), razón por lo cual en las tablas de θ(U) se limita a valores
positivos, esto se conoce como el arreglo de simetría.

La función de densidad se puede observar gráficamente en la figura 6.4

f(x)

E(X) X

Fig. 6.4 - Representación de la función de densidad en la LDN.

Tabla 6.1 Probabilidades normales para algunos valores del cuantil.

entre 0 y U Entre -U y U Menor que -U Menor Mayor
y mayor que U que U que U

U
0 U -U 0 U -U 0 U -∞ U U→ ∞

1.000 0.34134 0.68268 0.31752 0.84134 0.15860

1.960 0.47500 0.95000 0.05000 0.97500 0.02500
2.000 0.47725 0.9545 0.0455 0.97725 0.02275
2.576 0.49500 0.99000 0.01000 0.99500 0.00500
3.000 0.49865 0.9973 0.00270 0.99865 0.00135
3.291 0.49950 0.99900 0.00100 0.99950 0.00050
4.000 0.49997 0.99994 0.00006 0.99997 0.0003

25
Ejercicio No. 1

Determine la probabilidad de trabajo sin fallo de un artículo para un período de

550 horas si se conoce que el recurso hasta el fallo responde a una LDN, si la
media aritmética es de 500 horas y la desviación cuadrática media es de 50
horas.

III - Ley de Distribución de Weibull.

La LDW es la más universal de las leyes. Satisface a las variables aleatorias

cuando se observa el trabajo de las piezas a fatiga, cuando se analiza el recurso
hasta el fallo, los tiempos de reparación.

Se emplea en el cálculo fiabilístico de piezas y partes de máquinas industriales,

autos, equipos de izaje y transportación. Esta ley se emplea ampliamente en la
determinación de la fiabilidad de sistemas mecánicos donde está presente el
envejecimiento de los materiales. En la mayoría de los casos se puede usar para
el análisis del recurso hasta el fallo de las estructuras metálicas sometidas a
fatiga, el recurso hasta la primera reparación general de reductores y caja de
velocidad sometidas a cargas alternativas.

Esta ley contiene a otras leyes como casos particulares en función del valor que
tome el parámetro de forma o porcentil de Weibull ¨b¨

Definición: Es la distribución probabilística de una variable aleatoria continua con

la siguiente densidad de distribución.
b
b −1  x −c 
b x−c − 
f (x ) =   e  a 
(6.13)
a a 
Donde:
a – Parámetro de escala (da la altura de la curva)
b – Parámetro de forma (da la forma de la curva o ley particular)
c – Parámetro de desplazamiento, de ubicación o nivel inferior de vida.

Muchas veces el parámetro “C” se anula pues su función es trasladar la

distribución a lo largo del eje de las abscisas. En mecánica se puede asumir C = 0
(nivel inferior de vida), pues, casi siempre se parte que el primer fallo ocurre tan
pronto como la máquina se pone en explotación. En este caso se va a considerar
C = 0 lo que implica que el número de vínculos va a ser igual a 2 (a y b).

Entonces para los cálculos se va a considerar la siguiente expresión.

b
b −1 x
b x − 
f (x ) =   e a
(6.13 - B)
aa

La función de distribución para la LDW es:

b
x
− 
F (x ) = 1 − e a
(6.14)

26
y su función complementaria será:
b
x
− 
R(x ) = e a
(6.15)

para esta ley la intensidad no es constante y tiene la expresión:

b −1

λ b x
(x ) =  
aa
(6.16)

No hay una representación gráfica de la LDW debido a su versatilidad

(moldeabilidad) de la misma y en función del valor que tome “b” ella tendrá
comportamientos diferentes. Si:

b = 1 ⇒ LDE
5. b = 2 ⇒ LD Reyleigh o Ley de Distribución Logarítmica-Normal.

b = 3 (3.44 o 3.75) ⇒ LDN

b < 1 ⇒ Función de fiabilidad de elementos que se desgastan poco, pero tienen
defectos encubiertos, donde el peligro de fallo es elevado al comienzo de
explotación y después decrecen rápidamente a medidas que los defectos se
eliminan y se acerca a una exponencial

En la figura 6.5 se muestra cómo es el comportamiento de las funciones de

densidad de distribución e intensidad de fallos para diferentes valores de “b”.

b=2 b=3
f( x) λ( x )
b=3 b=2

b=1 b=1

b= 0,5 b= 0,5

x x

Fig. 6.5 Comportamiento de las funciones de densidad de distribución e

intensidad de fallos para diferentes valores de “b”.

Para b > 1 ⇒ λ (X) es monótona creciente. Fallos por desgaste, o sea, no se

encuentran los defectos ocultos iniciales, pero el artículo envejece y el riesgo de
fallo crece en sucesión monótona.
Para b < 1 ⇒ λ (X) es monótona decreciente.
Para b = 1 ⇒ λ (X) es constante.

27
¿Demuestre que cuando b = 1 representa un LDE?

 x 1
b
b −1 x 1−1
b  x −  1  x − 
R / f (x ) = *   *e a
= *  *e a
a a a a

0  x 1  x
1  x −  − 
f (x ) =
1
*  *e  a  = *e  a 
a a a

Entonces si
1
=λ ⇒ f ( x ) = λ e − ( λx )
a

Los estadígrafos en esta ley se calculan por:

 1
E ( x ) = a.K b = a.Γ1 +  (6.17)
 b

Donde:
“Γ” es la función gamma de Euler tabulada.

σ (x ) = a. C  2
= a.Γ1 −  − K b
2
(6.18)
 b
b

σ ( x)
C a σ ( x)
V = b
= = (6.19)
K b
E ( x) E ( x)
a

En la tabla 3.3, página 124 de [6] aparecen valores de K b Y Cb en función del

parámetro de forma “b”.

Tabla 6.2 - Kb Y Cb en función de V y b

V b Kb Cb
3.14 0.4 3.32 10.4
1.46 0.7 1.27 1.86
1.00 1.00 1.00 1.00
0.775 1.3 0.924 0.716
0.640 1.6 0.897 0.574
0.498 2.1 0.886 0.441
0.365 3.0 0.893 0.326
0.281 4.1 0.906 0.255

Una vez hallados los valores de “a” y “b”, a través de la función gamma se
calculan fácilmente estas expresiones.

Para la determinación de “a” y “b” existen varios métodos, entre los que se
destacan los siguientes:

28
1 - Método de Mennon ( NC 92 – 31):

 0,577226 
1,2825498  y+ 
b= a=e  b 
(6.20 y 6.21)
S y
Donde:

S =
1 n
∑ (ln X i − Y )2 (6.22)
y
n − 1 i =1
n

∑ ln X i
Y = i =1
(6.23)
n
Donde:
“X” representa a los valores que puede tomar la variable observada.
“n” es el total de valores de la muestra.

Cuando se esté ante una serie estadística como se verá en el epígrafe 12, “Xi”
puede representar a las marcas de clases Yi y en lugar de “n” se utilizará “K”
como cantidad de intervalos de clases de la serie.

2 - Método de mínimos cuadrados

 1   1 
ln * ln   − ln * ln  
1 − F ( X 1) 1 − F ( X 2 )
b= (6.24)
ln X 1 − ln X 2

a= X 1
(6.25)
 1 
ln  
1 − F ( X 1)
b

En este caso X1 y X2 son dos valores separados de la variable aleatoria donde X 2

sea siempre mayor que X1. Si se dispone de una serie estadística, X1 y X2 pueden
ser marcas de clases de dos intervalos que se escojan convenientemente. Las
funciones F(X1) y F(X2) son de carácter experimental.

IV- Ley de Distribución Logarítmica-Normal (LD log-N).

La LD log-N es la distribución probabilística de una VA continúa que tiene un

factor prevaleciente, es decir que no se distribuye uniformemente. Ejemplo: fallos
eventuales metálicas que al principio el desgaste es lento y más tarde aumenta su
proporción. Se subordina a los desgaste de las estructuras metálicas por fatiga.

Función densidad de distribución.

 
−
(ln x − E ( x ))2 

f (x ) =
1  2
σ (X ) 
2

x.σ (x ). 2π
e   (6.25-B)

29
Para X > 0 σ>0 - ∞< E(x) > ∞

Es frecuente usar el log10 en vez del logaritmo neperiano.

 
−
(log10 x − E ( x ))2 

f (x ) =
M 
σ (X ) 
2

x.σ (x ). 2π
e  2  (6.25-C)

Donde:
M = 0.4343 – Coeficiente de conversión de ln a log10.

Función de distribución.
 
−
(ln x − E ( x ))2 
 2
σ 
x 2
(x)
F (x ) =
1 1
σ (x ). 2π ∫−∞ x e
  (6.25-D)
dx

Nota:
Según el Dr. Simón Figueroa (colombiano-venezolano), 1994, en Valencia
España, las concentraciones de metales del desgaste de motores de combustión
interna diesel (según la investigación de autor) se ajustaron a una LD log-N, ya
que el origen de los metales se debió al proceso de desgaste del MCI y que llegó
el momento en que el aceite falló por un incremento de la tasa de desgaste y por
perdidas de la eficiencia u obstrucción del filtro que sobrepasó las
concentraciones de equilibrio de los metales en el aceite.

V- Ley Distribución Binomial.

Se utiliza para variables aleatorias discretas, es buena para modelar los defectos
de las piezas, para esperar la cantidad de defectos de máquinas que trabajan en
condiciones y tiempos semejantes. Su función de densidad se expresa por:

f ( x ) = b( x ; n ; R ) = (1 − R )n−t
n! t

(n − x )! x! R (6.26)

Donde:
n – Número máximo de éxitos posibles.
Por ejemplo: Máxima cantidad de defectos en una pieza.
x – Cantidad de éxitos en un caso.
Por ejemplo: La cantidad de defectos que puede tener una pieza desde cero
hasta “n”.
R – Probabilidad de al menos un éxito.
Por ejemplo: Probabilidad de que aparezca al mano un defecto. Se puede
evaluar por:
N

∑m i
R= i =1
(6.27)
n* N

Donde:
mi – Cantidad de defectos en la pieza “i”
N – Cantidad total de piezas en la muestra

30
La función de distribución tiene la siguiente expresión:
n
n x
F ( x ) = b(x ; n ; R ) = ∑   R (1 − R )
n −t
(6.28)
x =0  x 

La esperanza matemática se evalúa por:

E (x ) = n * R (6.29)

y la desviación:

σ (x ) = n* R* F (6.30)

Donde:
“F” es la probabilidad de no éxito:
F = 1− R
(6.31)
VI - Ley de Distribución Poisson.

Es otra ley de distribución para variables discretas. Su función de densidad de

distribución tiene la expresión:

λ.
λ
− x
f (x ) = e para x = 0, 1, 2, ... n (6.32)
x!
Donde:
“n” es la cantidad total de fallos o valores de la variable estudiada.

La función de distribución será:

λ.
λx
−

F (t ) = ∑ e
n
(6.33)
x =0 x!

Los estadígrafos se calculan por:

E (x ) = λ (6.34)
σ = λ (6.35)

V =
λ (6.36)
λ
Si al ajustar una ley binomial el valor de “R” es muy bajo, se ajusta Poisson y el
valor de “λ ” se calcula por:
λ = n*R (6.37)

31
Otras leyes de distribución y sus características se pueden estudiar en textos
especializados de estadística.

7. CÁLCULO DE LOS ÍNDICES SIMPLES Y COMPLEJOS DE FIABILIDAD [7].

La fiabilidad como propiedad compleja, tiene que evaluarse a través de índices

que representan a sus propiedades más importantes y que fueron expuestas en el
epígrafe 4

En el sistema de mantenimiento preventivo la herramienta básica es la fiabilidad,

pues se trabaja con la media, no se particulariza.

¿Para qué sirven los índices de fiabilidad en el mantenimiento?

1. Para determinar la frecuencia (periodicidad) de las acciones de

mantenimiento. Para esto hay que conocer la ley ajustada para construir la
curva (de mortandad o supervivencia).
Si se determina la periodicidad de la acción de mantenimiento por el método
del nivel de probabilidad de trabajo sin fallo, se recomienda: [6]
a- Para artículos relacionados con la seguridad R(x) = 0,90 – 0.95
b- Para artículos no relacionados con la seguridad R(x) = 0,85 – 0.90
2. Para determinar la periodicidad de las acciones de diagnóstico técnico usando
el intervalo de confianza.
3. Para hacer la corrección del sistema de mantenimiento a través del intervalo
de confianza.
4. Para organizar los trabajos de las máquinas usando los índices de
operatividad.
5. Para los trabajos de mantenimiento en los talleres relacionados con la
planificación de los recursos humanos, materiales, vallas, etc., usando los
índices de mantenibilidad.
6. Para determinar los recursos o plazos (Tiempo de Vida Útil = Tuv) de las
piezas, sistemas y/o máquinas usando los índices de durabilidad.
7. Para determinar el recurso remanente, la garantía (después de la construcción
o reparación), etc., de las piezas, sistemas y/o máquinas usando los índices
de durabilidad.
8. Para realizar el pronóstico estadísticos de los fallos y prever la demanda de
intercambio de los artículos.
9. Para planificar el cambio de un artículo en un tipo de mantenimiento,
determinando el intervalo de confianza.
10. Para determinar la demanda de intercambio de piezas (IP) y el módulo de
piezas (M P) a solicitar.

Los indicadores de fiabilidad se dividen en:

a. Simple.
b. Complejos.

32
Los índices simples caracterizan cuantitativamente solo una propiedad de la
fiabilidad y los complejos varias propiedades.

Hay 2 vías para el cálculo de los índices:

1. A través de la ley ajustada.

2. Con los datos de la serie estadística.

7.1- Índices simples de fiabilidad.

Coma la fiabilidad es una propiedad compleja hay índices para cada una de las
propiedades que la caracterizan.

a) Índices de operatividad:

Sus índices se valoran desde el punto de vista:

1- De la fiabilidad elemental, a la cual pertenecen los fallos para cuya eliminación

es necesario el reemplazo del elemento constructivo, o sea la operatividad se
evalúa con índices que determinan solamente su estado límite. (artículos no
reparables, solo trabajan hasta el 1er fallo).

2- De la fiabilidad funcional, a la cual pertenecen los fallos que se eliminan con

trabajos de regulación, reparación, etc. Y ellos se conservan mediante trabajos
profilácticos (MTTO) (artículos reparables).

A- Indices de operatividad para artículos no reparables:

F(x), R(x), λ(x), x = MTTF . R(X, ∆x)

¿Para qué sirven estos índices?

R/ a- Para realizar el pronóstico estadístico de los fallos.

b- Para prever la demanda de intercambio de artículos.

1. Probabilidad de fallo:
F(x) es la probabilidad de que se produzca un fallo durante un trabajo útil dado.

Sus vías de cálculo son:

• A través de la ecuación de la función de distribución de la ley ajustada.

x
F (x ) = ∫ f (x )dx
−∞
• Con los datos de la serie estadística:

N ( x )F
F ( x) = (7.1)
n

33
Donde:
N(x) F : Cantidad de artículos que fallan hasta “X”
n: Cantidad de artículos de la muestra

2. Probabilidad de trabajo sin fallo:

R (x) es la probabilidad de que no se produzca un fallo durante un trabajo útil
dado de 0 a X [ R (x) = P(X > X1)].

Sus vías de cálculo son:

• A través de la ecuación de la función complementaria a la distribución de la ley
ajustada.
R(x) = 1 - F(x) (7.2)
• Conociendo la ley ajustada.
∞
R(x ) = ∫ f (x )dx (7.3)
x
• Con los datos de la serie estadística:
N (x )T
R( x) = (7.4)
n

Donde:
N(x) T: Cantidad de artículos que trabajan hasta “x”

R(x) es una de las características fundamentales de la fiabilidad, ya que lo

que se desea es que el artículo no falle en un recurso dado y caracteriza
cuantitativamente la operatividad, ya que caracteriza el cambio de la fiabilidad con
el incremento del recurso, además:

a- Da la posibilidad de evaluar con exactitud la fiabilidad de un artículo.

b- Caracteriza los gastos de explotación del artículo.

Es importante tener en cuenta que sin la designación del recurso el valor de R(x)
no tiene sentido.

R(x) = 0.9 es incorrecto.

R(300) = 0.9 es correcto ⇒ que la probabilidad de trabajo sin fallo del articulo es
de 0.9 para 300 (horas, kilómetros, etc.), lo que significa que el 90 % de los
artículos de una calidad dada y en determinadas condiciones trabajan 300 (horas,
kilómetros, etc.) o más, y que hay una probabilidad que un 10 % se cambien
antes de las 300 (horas, kilómetros, etc.).

Nota:

 R(x) en un elemento mecánica (ej. una correa) disminuye con la labor.

 R(x) en un elemento eléctrico (ej. un transistor) se mantiene constante con la
labor.
 R(x) en un software aumenta con la labor.

3. Intensidad de fallos:

34
λ(x) es la densidad probabilística del surgimiento del fallo de un artículo no
reparable durante un trabajo útil dado, es la cantidad de fallos por unidad de labor.

Sus vías de cálculo son:

• Por ecuación, cuya estructura depende de la ley ajustada.

f (x )
λ ( x) =
R(x )
(7.5)

• Con los datos de la serie estadística.

( ) ( ) ( )
λ (x ) = N ∆x F = N x T − N x + ∆x T (7.6)
N ( x )T ∆x N ( x )T ∆x

Donde:
N(∆x) F: Cantidad de artículos que fallan en el intervalo ∆x.
∆x: Intervalo alrededor del valor de “x” donde se evalúa la intensidad de fallos.
N(x) T : Cantidad de artículos en buen estado técnico al cabo de la labor x.

λ para diferentes condiciones se asume para trabajar como:

λ = a* λexplotación (7.7)

Donde:
a - coeficiente de seguridad, para estar por encima de lo investigado.

a = 10 para artículos que trabajan en las empresas productivas.

a = 20 para artículos que trabajan en embarcaciones.
a = 40 para artículos que trabajan en automóviles.
a = 60 para artículos que trabajan en ferrocarril.
a = 100 para artículos que trabajan en aviones.
a = 1000 para artículos que trabajan en cohetes.

λ(x) depende del carácter del defecto y de la ley de distribución que describe su
surgimiento.
LDN → λ (X) aumenta al aumentar el recurso.
LDE → λ (X) permanece constante para todos los valores de x en el periodo de
explotación normal.

λ(x) cambia su carácter según la etapa de vida del artículo (ver figura 6.1).
En el periodo de asentamiento λ (X) disminuye.
En el periodo de explotación normal λ (X) permanece constante.
En el periodo de envejecimiento λ (X) aumenta.

Existe una ecuación que permite conocer la relación entre la intensidad de fallos
y la probabilidad de trabajo sin fallos:
−
x

∫ λ (x )dx
R(x ) = e 0
(7.8)

35
Esta expresión es la relación general entre ambos índices de operatividad.

Obsérvese que si λ(x) = Cte., se llega a la expresión conocida de la ley

exponencial como caso particular:
λx
R(x ) = e − (7.8-b)

Por arreglo, cuando x << 0.1 se puede plantear e-x = 1 – X, entonces si

λ * x << 0.1→ R(x) = 1 - λ * x

La relación (7.8) tiene gran importancia pues permite hallar un índice al conocer el
otro.

¿Qué significa λ(x) = 0.001 fallo /1 km?

R/ Quiere decir que cada un km ocurre 0.001fallo o lo que es lo mismo que

ocurre 1 fallo cada 1000 km.

3- Labor medio hasta el fallo (esperanza matemática):

x = MTTF (Mean Time To Failure) es el valor esperado del trabajo útil hasta el
fallo del artículo no reparable.

Sus vías de cálculo son:

a - Según la ley de distribución ajustada.

x
x = MTTF = ∫ x f ( x )dx (7.9)
0

Donde:
f(x) - Densidad de distribución de la ley ajustada.

b – Con los datos de la serie estadística.

n

∑x K
MTTF = ∑ Yi * P( x i )
i
i =1
MTTF = ó (7.10)
n I =1

Donde;
“xi”: Es la labor hasta el fallo del artículo “i”.
Yi: Son las marcas de clase de la serie estadística
f(xi) = P(xi): Frecuencia relativa del intervalo “i” o probabilidad estadística de cada
intervalo.

En los artículos no reparables la labor media hasta el fallo coincide con el recurso
medio de dicho artículo.

36
5-Probabilidad sectorial de trabajo sin fallo.

R(X, ∆x) es la probabilidad de que en el intervalo ∆x no ocurra fallo con la

condición de que en la labor x no haya ocurrido.

Por el teorema de multiplicación de probabilidades.

R(x, ∆x) = R(x) * R (∆x).

Entonces:

R (∆x) = R(x, ∆x) / R(x (7.11)

Este indicador permite conocer el número de artículos que no fallarán en una labor
∆x, sin embargo R(x) es desde el comienzo de la explotación (0→X).

Ejemplo:
Si el intervalo ∆x es el recorrido que debe hacer un ómnibus desde La Habana a
Holguín, en función del valor de R (∆x) puede decidirse a cerca de la conveniencia
de realizar o no el viaje. Si R (∆x) no es alto es preferible que el ómnibus entre a
mantenimiento.
R (20230 )
R (19500,20230 ) =
R (19500 )

Otro ejemplo podría ser:

Si el intervalo ∆x es la periodicidad entre MTTO y si el valor de R (∆x) de una
pieza es bajo, podría decidirse su reemplazo preventivo para evitar la interrupción
del trabajo de ese artículo en ese período.

R(x) y MTTF miden la operatividad del artículo desde el comienzo de explotación.

R(∆x) y λ(x) miden la operatividad del artículo en un intervalo.

B- Indices de operatividad para artículos reparables (W(x), x0 = MTBF).

La operatividad de un artículo complejo (reparable) es preciso analizarla a partir

de un proceso de restablecimiento, ya que en este caso, el fallo de algunos de
sus componentes trae consigo solamente la interrupción de la explotación de ese
artículo complejo para realizar el reemplazo o la reparación del componente
averiado, después de lo cual puede seguir su funcionamiento normal. [6]

Una de las peculiaridades más importante del proceso de restablecimiento es su

tendencia a estabilizarse a medida que aumenta la labor, lo cual tiene un gran
valor práctico. Entonces para cualquier ley de distribución se puede asumir que
cuando X→∞
W (x ) = lim W
x →∞
(x) = E1(x) = Cons tan te
Donde:
W(x): Flujo de fallos. Es similar a la λ(x) pero para artículos reparables.

Se determina:

37
a - Según la ley de distribución ajustada.
W(X) = f(x) (7.12)

Además se cumple:
∫ w(x )dx ()
x
−
w x *x
R(x ) = e
−
0
∴ para la LDE R(x ) = e

b - Estadísticamente.

w(x ) = N (x ) F
(7.13)
N * ∆x
Donde:
N(x) F – Todos los fallos de los N artículos reparables, los fallos pueden ser ≥ ó
menor que N.

Ejemplo:
Caso de las grúas portuarias después del periodo de asentamiento (3000 – 4000
horas):

W(t) = 0.015 - 0.03 para los elementos eléctricos.

W(t) = 0.001 – 0.003 para los elementos mecánicos.

2. Labor medio entre fallos:

3.
x0 = MTBF (Mean Time Between Failure) es el valor esperado del trabajo útil
entre fallos del artículo reparable y se representa por

Se calcula de forma similar al MTTF pero con las labores entre fallos como
evento.

a- MTBF = 1/ W(X) = W(x) -1 (7.14)

Siempre para la LDE y para el resto de las leyes cuando la labor es

suficientemente grande.

b- Estadísticamente.

N nk

∑∑ x
j =1 i =1
ij

MTBF = *
(7.15)
n
Donde:
n* - número total de fallos al ensayar N artículos. (n* ≥ ó menor que N)
n
n* = ∑N
i =1
j (7.16)

Donde:
nk – número de fallos del articulo i en la labor x de ensayo.

38
XiJ – labor entre 2 fallos consecutivos del i-esimo artículo.

c- Para un solo articulo.

nk

∑x i
MTBF = I =1
(7.17)
nk

b) Indices de durabilidad:

Los índices de durabilidad se dividen en aquellos que valoran el recurso técnico y

el plazo de servicio.

¿Qué diferencia existe entre recurso técnico y plazo de servicio? R/ Ver epígrafe 2

I - Índices que valoran el recurso de un artículo.

1 - Recurso medio ( XR ) 4- Recurso total.

2- Recurso gamma X Rγ 5- Recurso medio hasta la reparación general

3- Recurso asignado 6- Recurso medio hasta la baja.

1. Recurso medio:
( X R ) es el valor esperado del recurso técnico del artículo (vida útil media). Se
evalúa similar al MTTF (7.9, 7.10) pero definiendo el evento convenientemente.

a - Conociendo la ley ajustada.

x
x R = ∫ x R f ( x R )dx R (7.18)
0

b - Estadísticamente:
n

∑x K
XR = ∑Y * P(x R )
Ri
XR = i =1 ó i (7.19)
n i =1

2-Recurso gamma:

X Rγ es el recurso que alcanza o supera determinada parte (%) de los artículos

desde el inicio de la explotación.

Para determinar este índice es necesario conocer la ley de distribución teórica.

Se emplea:
a. Para determinar el recurso de garantía de los elementos componentes de la
máquina (durante la reparación o fabricación).
b. Para determinar la periodicidad de los mantenimientos de un artículo.

39
Este indicador es importante para las empresas que producen equipos o aquellas
que realizan reparaciones para plantear la garantía del artículo producido o
reparado.

Se determina según la expresión de R(X) para la ley de distribución

correspondiente o por la curva de supervivencia.

A- Por la curva de supervivencia [R (xR) vs X R].

En la ordenada se asume el R (xR) deseado, por ejemplo 0.9, con este valor se
toca la curva y se baja hasta la abscisa para obtener el X Rγ o sea X R 90

B- Para la ley de distribución correspondiente.

Por ejemplo:
Para la LDE se calcula:

R (X Rγ ) = e
−λ X Rγ ( ) (7.20)

Si R( Xγ ) =
γ γ . - (80; 90; 95...., 100)
100
Entonces.
γ =e
− λ (X )
Rγ

100

Aplicando logaritmo neperiano a ambos miembros (o función inversa para

despejar la variable de la exponencial):
ln
γ = −λ (X Rγ )
100

de donde:
(X Rγ ) = − 1 ln γ
λ 100

Y dado un valor “gamma” se puede determinar el recurso “ X Rγ ” correspondiente.

Entonces para ley de distribución exponencial:
Donde E ( X ) =
1  γ 
⇒ X Rγ = − E ( X R ) ln 
λ  100 
Para γ = 90 ⇒ X Rγ = − E ( X R )ln 0.9 = 0.105 E ( X R ) .

Esto quiere decir que para una probabilidad de 0.9 el recurso gamma será de
0.105 el valor de la media en el caso particular de la LDE.

Recomendaciones de γ %
γ
= 0.8 para artículos cuyo fallo no afectan la seguridad de explotación,
100
ejemplo, reductores, cojinetes, etc.

40
 γ
= 0.95 – 0.98 elementos que garantizan la seguridad.
100
γ
= 1 donde el fallo no puede ocurrir.
100

¿Qué quiere decir X R 80 = 10000 Km ?

R/ Esto significa, por ejemplo, que de unas 100 máquinas de una serie dada, 80 al
menos trabajarán más de 10 000 Km, claro, no se saben cuales son, pero la cifra
es muy clara para los explotadores y muy cómoda para la planificación.

R (X Rγ ) - es la probabilidad que se alcance el recurso de garantía.

X Rγ - es el recurso de garantía.

A mayor gamma implica mayor R(x) y mayor garantía y menor número de

artículos que llegan al estado límite, pero también es menor el período de garantía
por lo tanto hay que llegar a un compromiso.

En un régimen estacionario (período de explotación normal) donde λ es constante

se puede asumir LDE.

2. Recurso asignado:
XRA es el trabajo útil del artículo después del cual se suspende su utilización
independiente de su estado técnico.

Este es el índice que se emplea en el mantenimiento preventivo cuando se

establece el cambio de una pieza o sistema de forma planificada.

Se puede determinar sobre la base del estudio de fiabilidad del artículo, sobre
todo cuando se quiere una alta seguridad.

Ejemplo en la aeronáutica, equipos militares, equipos médicos, etc.

XRA no es una variable aleatoria.

II - Indices que valoran el plazo de servicio de un artículo:

1. Plazo de servicio medio.

2. Plazo de servicio gamma.
3. Plazo de servicio hasta la reparación general (RG).
4. Plazo de servicio hasta la baja.

Plazo de servicio:
XS es la expresión calendarial del trabajo útil (recurso técnico) del artículo y se
relaciona con él, a través del régimen de trabajo.

XS = XR *KR (7.21)

41
Donde:
KR - Coeficiente del régimen de trabajo.
Toma valores entre cero y la unidad (0 < K R ≤.1) en (d / h)

Ejemplo:
10 h de trabajo útil en un día.
1d d
K R
= = 0,1
10h h

Si XR = 240 h
X S = 240 h . 0,1 d = 24 días
h

1- Plazo medio de servicio:

X S es el valor esperado del plazo de servicio de un artículo.

n

∑x Si
XS = i =1
(7.22)
n

C) Indices de mantenibilidad.

Están relacionados con el tiempo improductivo que el artículo pasa en el taller.

Todo equipo está destinado a realizar determinado trabajo útil, de manera que
cuando no se encuentra realizando estas funciones se está siendo
desaprovechada su capacidad de trabajo (¡barco parado no gana flete!).

En tanto que sean peores las cualidades de operatividad de equipo, con mayor
frecuencia tendrá que ser enviado al taller para eliminarle fallos o defectos y por
consiguiente menos trabajo útil podrá realizar.

Pero en función de la mayor o menor facilidad con que se detecten esos fallos o
defectos, menor o mayor será el tiempo necesario para eliminarlos.

El tiempo improductivo que el equipo pasa en el taller se denomina estadía y esta

está determinada en gran medida por las cualidades de mantenibilidad del
artículo.

¿Qué se entiende por mantenibilidad?

R/ Ver epígrafe 4

Indices de mantenibilidad:
♦ Tiempo medio de reparación eventual ( tθ ) (para eliminar el fallo).
♦ Tiempo medio de restauración ( tθ 1 ) (para eliminar el defecto).
♦ Tiempo medio de espera para reparar ( tθer )

42
♦ Tiempo medio de búsqueda del fallo ( tθB )
♦ Tiempo medio improductivo debido al fallo ( tθIdF )
♦ Probabilidad de ejecutar mantenimiento en un tiempo dado P (t m )

1. Tiempo medio de reparación eventual:

tθ es el tiempo medio necesario que se emplea en la eliminación del fallo y sus

consecuencias en el artículo o sea es el tiempo necesario para devolverle su
capacidad de trabajo.

Sus vías de cálculo son:

a - Según la ley de distribución ajustada.

tf

tθ = ∫ tθ f (tθ )dtθ (7.23)

ti
Donde:
ti - momento de inicio de la reparación.
tF - momento final de la reparación.
tø - tiempo de reparación.
f(t ø) – densidad de distribución de la reparación.

b – Estadisticamente.
n

∑ tθ i
tθ = i =1
(7.24)
n
Este es el indicador fundamental de mantenibilidad, en este indicador además de
las cualidades particulares del articulo en el influyen otros factores como el nivel
de mecanización, la organización del trabajo, la calificación de los obreros, etc,
aspectos que hay que tener en cuenta al evaluar esta propiedad.

2. Tiempo medio improductivo debido al fallo:

tθIdF es el valor esperado del tiempo total de estadía debido al fallo.

tθIdF = tθer + tθB + tθ (7.25)

3. Probabilidad de ejecutar mantenimiento en un tiempo dado:

( )
P t m es la probabilidad de ejecutar el mantenimiento en un tiempo dado y que
no se supere ese valor de t establecido.

P (t m ) = P(t m  t ) = ∫ f (t m )dt
t
(7.26)
0
Donde:
tm es el tiempo empleado para la ejecución del mantenimiento al artículo y “t” es
el tiempo dado.

43
d) Indices de conservabilidad.

Los índices de conservabilidad se establecen ya que algunos artículos fallan

durante la conservación debido a diferentes factores como la temperatura, la
humedad relativa, reacciones químicas, etc. y hay artículos como las gomas,
plásticos y aislantes eléctricos que al no utilizarse envejecen y fallan.

Estos índices se determinan por el tiempo calendarial (plazo).

1. Tiempo medio de conservación.

tC es el valor esperado del tiempo durante el cual el artículo conserva su
capacidad de trabajo mientras se encuentra en fases de transportación y/o
almacenaje en condiciones dadas.
2. Tiempo gamma de conservación.
tγC es el tiempo calendario hasta el cual un por ciento gamma de artículos
conservan su capacidad de trabajo en condiciones de transportación y/o
almacenaje.

El cálculo de estos indicadores es similar a los indicadores de durabilidad, pero

aquí se debe incluir el tiempo de mantenimiento durante la conservación que se
prevé en las normas.

Nota: La calidad desde el punto de vista de explotación de un artículo se evalúa

integralmente a través de todos los índices expuestos.

7.2- Indices complejos de la fiabilidad.

En ocasiones es conveniente determinar los indicadores de mantenibilidad por

unidad de labor y que además reflejen el efecto posterior de los fallos, es decir
analizar conjuntamente las cualidades de mantenibilidad y de operatividad del
equipo.

Entre los indicadores de este tipo están los que valoran la estadía de la máquina
por causas técnicas.

Hay otros indicadores económicos que son complejos como:

• Volumen de trabajo medio entre mantenimientos.
• Costo medio de explotación durante un periodo determinado (C expl + C mtto).

Indices complejos que evalúan la estadía de la máquina.

♦ Coeficiente de disponibilidad o de fiabilidad (K d).

♦ Coeficiente de utilización técnica (Kut).
♦ Coeficiente de parada (K P).
♦ Coeficiente de disponibilidad operativa (Kdo)

44
1-Coeficiente de disponibilidad o de fiabilidad.
Kd representa la probabilidad de que el artículo esté apto para trabajar en un
instante cualquiera durante un periodo comprendido entre 2 mantenimientos.

Este índice evalúa la efectividad del mantenimiento en lo referente al

aseguramiento de la operatividad del artículo entre 2 mantenimiento.
t
Kd = (7.27)
t + tθIdF
Donde:
t - Tiempo medio entre fallo (labor →operatividad)
t θIdF - Tiempo medio improductivo debido al fallo (estadía→mantenibilidad)

El Kd recomendado debe estar entre 0.82 y 0.90. A mayor K d implica mayor

fiabilidad.

Otra forma muy rudimentaria pero muy extendida en las empresas de determinar
el Kd es la siguiente:

EquiposDisponibles
Kd = (7.28)
EquiposTotales

2 - Coeficiente de utilización técnica.

Kut significa que en un momento dado de tiempo el artículo se encuentra con
capacidad de trabajo y no en mantenimiento o reparación. Se analiza en
intervalos grandes o sea entre reparaciones generales o en el ciclo de
mantenimiento programado.
t
K UT = = 0.8 − 0.85 (7.29)
t + tθidF + t MTTO + t RP
Donde:
TMTT - Tiempo de mantenimiento planificado.
TRP - Tiempo de reparación planificada.

Tanto la labor como las estadías están expresadas en unidades de tiempo.

En el caso de vehículos automotrices su labor se expresa en unidades de

recorrido (Km), entonces se puede hacer el siguiente arreglo, dividir el numerador
y el dominador entre t .

Analizando el caso del Kd. (lo mismo con K UT).

1 1
Kd = = (7.30)
tθIdF 1 + Ed
1+
t
Donde:
Ed se define como la estadía específica del coeficiente de disponibilidad o sea los
días de estadía por unidad de recorrido (día / km) que tiene el automóvil.

45
Ahora si se multiplica este índice por el recorrido medio diario (lmd = Km / día) se
obtiene un resultado equivalente a la ecuación (7.30).
1
Kd = (7.31)
1 + E d * l md

Ed * lmd → es adimensional.

A la ecuación (7.31) también se llega si se tiene el recorrido medio (labor

expresada en Km) entre fallos.
1 (7.32)
K =
d
tθIdF
1+ −
* lmd
l

tφIdF
¿Cómo se determina − ?
l
R/ Se toma una muestra de equipos y a cada uno de los equipos se le mide las h
o d de estadía en una unidad de recorrido (100, 1000 Km) y se saca la media de
cada equipo y después se saca la media de todos los equipos de la muestra.

Se debe destacar que a medida que el lmd aumente el Kd disminuye, lo mismo

ocurre con la estadía específica, las cual depende de las condiciones de
explotación, ya que mientras más severa sean estas últimas, con mayor
frecuencia surgirán fallos y por ende reparaciones eventuales.

En este caso la periodicidad del mantenimiento se debe reducir, entonces la

estadía específica será mayor mientras peores sean las condiciones de
explotación.

La edad del equipo también se refleja en las magnitudes del K d y del KUT.

El empeoramiento general del estado técnico del equipo a medida que aumenta la
labor trae como consecuencia la reducción del tiempo de trabajo del mismo por
causas técnicas, lo que determina la disminución de los valores de estos
coeficientes.

Si la composición del parque de equipos es heterogénea en la base de

transporte en lo referente a las edades de los equipos, cada uno de los K grupos
de edades, compuesto por los N equipos que existen en la base ha de tener un
KUTi diferenciado.

El KUT planificado para los N equipos de la base ha de ser la media ponderada de

los coeficientes correspondientes a los grupos, o sea:
K

∑N
I =1
i * K UTi
K UTPONDERADO = (7.33)
N
Donde:
KUTPONDERADO - Coeficiente de utilización ponderado
K- Grupos de equipos por edades.

46
Ni – Cantidad de equipos en cada grupo.
KUTi – Coeficiente de utilización técnica diferenciado para cada K grupo de
equipos.
N- Cantidad total de equipos.

No es posible asumir continuamente diferentes valores de K UT para planificar por

obvias razones organizativas, por ello se aconseja tomar 0.5 l R, 0.75 l R y lR donde
se considera los valores de K UTi constante (se toma la media de cada grupo),
también se puede considerar la máquina nueva, después de la 1ra reparación
general, etc.

La valoración del KUT con la labor debe ser considerada al planificar el trabajo de
los vehículos de una base de transporte, ya que el recorrido planificado de días de
trabajo (generalmente en año), se determina por la siguiente ecuación.

LP = DT * lmd * KUT (7.34)

Donde:
LP – Recorrido planificado al año (volumen de trabajo anual)
DT - Días de trabajo planificado (al año).
Lmd – Recorrido medio diario

También se emplea el KUT para el cálculo empírico del tiempo de vida útil TVU
(recurso total de una máquina) a través de la siguiente ecuación.

TVU = P * (1 + K * nRG) / LP (7.35)

Donde:
P – Periodicidad del ciclo interreparatorio (Km, h, ..).
K – Factor de corrección del ciclo (09 - 0.7).
nRG – Cantidad de reparaciones generales técnicamente posible que soporta la
máquina (1 – 3)

3-Coeficiente de parada.
KP tiene en cuenta los tiempos de parada no planificada. Evalúa el tiempo de
parada de la máquina por fallos técnicos.

1− Kd
KP = (7.36)
Kd

(1 – Kd ) → es lo que no está disponible.

4-Coeficiente de disponibilidad operativa.

Kdo representa la probabilidad de que la máquina que se encuentra en un régimen
de espera, tenga capacidad de trabajo en un momento dado X 1 y a partir de aquí

47
lo mantendrá hasta un momento X2, es decir conservará la capacidad de trabajo
en un intervalo X2 – X1.

En el periodo de espera X < X 1 pueden ocurrir fallos y restauración de la máquina

(estar en mantenimiento).

K do = K d ∗ R(∆X ) (7.37)

Este coeficiente es importante cuando evalúa la fiabilidad de la máquina en

condiciones por ejemplo de entrada irregular de buques en el puerto, donde
interesa conocer la probabilidad de que en el momento de arribo X 1 la máquina
resulte con capacidad de trabajo y se conservará con una disponibilidad operativa
R(∆x) hasta el momento X2. Fuera de estos límites pueden ocurrir fallos pero no
interesan.

¿Qué diferencia hay entre Kd y Kdo?

R / Kd valora la R(x) en todo el periodo de explotación de 0 → X y K do lo hace en

un intervalo.

7.3 - Indice de gestión en el TPM.

Para integrar un programa de TPM (Maintenance Productive Total) más

efectivamente deben ser clarificados los problemas corrientes, el potencial para
su solución y los beneficios a ser ganados.

Una manera de realizar estas acciones es con indicadores de gestión, que

permiten hacer un seguimiento numérico al programa.

Dentro de los índices de gestión en TPM se tiene la efectividad global o total

del equipo (EG).

EG es un índice integral ya que además de tener en cuenta K d tiene en cuenta

otros índices.

EG = K d ∗ ε D ∗ Tc (7.38)

Donde:
EG - Efectividad global o total del equipo (EG).
Kd – Coeficiente de disposición técnica. (0.90).
ε D - Eficiencia de desempeño o de rendimiento (0.95).
TC – Tasa de calidad (0.99).

εD = CU * C ACT (7.39)

Donde:
CU – Coeficiente de utilización [1].
CACT - Coeficiente de aprovechamiento de la capacidad de transportación del
automóvil.

48
El coeficiente de utilización muestra el tiempo de trabajo que se pierde por causas
imprevistas ajenas al equipo, o sea, refleja el aprovechamiento y el grado de
organización de las operaciones de manipulación y transportación en torno a los
equipos disponibles.

tiempotrabajando t exp lotación + t otrasactividades

CU = = (740)
tiempo disponible t trabajando + t nooperador + t notrabcondicionemrteorológicas + t nohaytrabajo

EquiposTrabajando
CU = (7.41)
EquiposDisponible

Sustituyendo 7.41 en 7.39

 EquiposTrabajando 
ε D =  * C ACT  (7.42)
 EquiposDisponibles 

Sustituyendo 7.28 y 7.42 en 7.38

 EquiposDisponibles   EquiposTrabajando 
EG =   *  * C ACT  * TC (7.43)
 EquiposTotales   EquiposDisponibles 

EquiposTrabajando
EG = * C ACT * TC (7.44)
EquiposTotales

EG = CA * CACT * TC (7.45)

Donde:
CA – Coeficiente de aprovechamiento. Describe lo que ha trabajado el parque de
equipo como promedio en cada jornada durante los días laborables analizados.

Nota:

tiempotrabajado
CA = (7.46)
Ft

Donde:
Ft - fondo de tiempo del parque de equipos.

Ft = Neq* tmd * DT (7.47)

Donde:
Neq : Cantidad de equipos en el parque.
tmd : Tiempo medio diario.
DT: Días trabajo al (mes, semestre, año)

49
Las condiciones ideales a buscar para este coeficiente son:

Kd. > (0.90),

ε D >0.95, ⇒ una efectividad global ideal superior al 85 %.
TC >(0.99)

Actualmente este es el indicador que se usa para medir la efectividad de la

empresa y no el Kd (este solo tiene en cuenta las perdidas de tiempo por fallo de
la máquina). El EG tiene además en cuenta las perdidas de desempeño o
rendimiento de la máquina y las pérdidas de calidad por cualquier defecto.

8. INDICADORES DE FIABILIDAD PROPULSORES EN LA GESTIÓN DEL

MANTENIMIENTO.

a- Mean Time To Failure (MTTF) o tiempo medio para fallar (TPPF).

Este indicador mide el tiempo promedio que es capaz de operar el artículo a

capacidad sin interrupciones dentro del período considerado; éste constituye un
indicador indirecto de la confiabilidad (fiabilidad) artículo.

b- Mean Time Between Failures (MTBF) o tiempo medio entre fallos (TMEF).
Este indica el intervalo de tiempo más probable entre un arranque y la aparición
de un fallo; es decir, es el tiempo medio transcurrido hasta la llegada del evento
“fallo”. Mientras mayor sea su valor, mayor es la confiabilidad del equipo.
Uno de los parámetros más importantes utilizados en el estudio de la confiabilidad
lo constituye el MTBF, es por esta razón que debe ser tomado como un indicador
represente de alguna manera del comportamiento de un equipo específico.
Asimismo, para determinar el valor de este indicador se deberá utilizar la data
primaria histórica almacenada en los sistemas de información.

c- Tiempo Medio para Reparar (TMPR) o Mean Time To Repair (MTTR).

Es la medida de la distribución del tiempo de reparación de un artículo. Este

indicador mide la efectividad en restituir el artículo a condiciones óptimas de
operación una vez que el artículo se encuentra fuera de servicio por un fallo,
dentro de un período de tiempo determinado.

El TMPR es un parámetro de medición asociado a la mantenibilidad, es decir, a la

ejecución del mantenimiento.

La mantenibilidad, definida como la probabilidad de devolver el equipo a

condiciones operativas en un cierto tiempo utilizando procedimientos prescritos,
es una función del diseño del equipo (factores tales como accesibilidad,
modularidad, estandarización y facilidades de diagnóstico, facilitan enormemente
el mantenimiento).

Para un diseño dado, si las reparaciones se realizan con personal calificado y con
herramientas, documentación y procedimientos prescritos, el tiempo de

50
reparación depende de la naturaleza del fallo y de las mencionadas
características de diseño.

d- Coeficiente de disponibilidad (Kd).

La disponibilidad es una función que permite estimar en forma global el porcentaje

de tiempo total en que se puede esperar que un equipo esté disponible para
cumplir la función para la cual fue destinado.

A través del estudio de los factores que influyen sobre la disponibilidad, el MTTF y
el TMPR, es posible para la gerencia evaluar distintas alternativas de acción para
lograr los aumentos necesarios de disponibilidad.

e- Coeficiente de utilización (CU).

La utilización también llamada factor de servicio, mide el tiempo efectivo de

operación de un activo durante un período determinado.

f- Confiabilidad o probabilidad de trabajo sin fallo R(x).

Es la probabilidad de que un artículo cumpla una misión específica bajo

condiciones de uso determinadas en un período determinado.

El estudio de R(x) es el estudio de fallos de un artículo.

Si se tiene un artículo sin fallo, se dice que el artículo es ciento por ciento
confiable o que tiene una probabilidad de supervivencia igual a uno. Al realizar un
análisis de confiabilidad a un artículo, obtenemos información valiosa acerca de la
condición del mismo: probabilidad de fallo, tiempo promedio para el fallo, etapa de
la vida en que se encuentra el equipo.

Nota: El análisis de fallos es el paso más importante en la determinación de un

programa de mantenimiento óptimo y éste depende del conocimiento del índice
de fallos de un equipo en cualquier momento de su vida útil.
Nota: El estudio de la confiabilidad se utiliza en el análisis de data operativa para
el mantenimiento. Es posible conocer el comportamiento de equipos en operación
con el fin de:
• Prever y optimizar el uso de los recursos humanos y materiales necesarios
para el mantenimiento.
• Diseñar y/o modificar las políticas de mantenimiento a ser utilizadas.
• Calcular instantes óptimos de sustitución económica de artículos.
• Establecer frecuencias óptimas de ejecución del mantenimiento preventivo.

Ejercicio No. 2

De la investigación realizada a una muestra de taxis en servicio en una base de

Panataxis se investigó el fallo del desgaste límite de la cadena de distribución
(momento en el cual se realizó el cambio de la misma).

51
Como resultado se obtuvo que la VA recorrido hasta el estado límite de la cadena
sigue una LDN con los siguientes estadígrafos:
E(l) = 90 000 Km. y σ (l) = 30 000 Km.

Simultáneamente hoy son puestos 50 autos nuevos de las mismas características

en dicha base.

Se quiere determinar cuantas cadenas de distribución irán quedando en el

1er y 2do año de trabajo del nuevo parque, si el recorrido anual planificado es de
60 000 Km.

Ejercicio No. 3

Determine la probabilidad de fallo para el recurso medio de la correa de la bomba

de agua de un automóvil y cuantas correas hacen falta reponer hasta ese
recurso para un parque de 100 autos si se conoce que los autos están en el
periodo de explotación normal.

Ejercicio No. 4

Se tiene un artículo con una λ(t) = 5.10 -5 h -1

¿Qué plazo de servicio en años transcurren hasta que falle el 20% de los
artículos, si los mismo trabajan 8 h todos los días y están en el período de
explotación normal?

Ejercicio No. 5

¿Cuál artículo posee la menor probabilidad de fallo en 1000 h si estos se

encuentran en el período de explotación normal?

Articulo No 1 → λ(t) = 5.10 -5

h -1
Articulo No 2 → λ(t) = 1.10 -6
h -1

Ejercicio No. 6

Se está analizando un artículo reparable de una máquina.

¿Cuál es la probabilidad de no fallo y de fallo al cabo de 20 000 km si el mismo
se ajusta a una LDE con una esperanza matemática de 10 000 km.

9. FIABILIDAD DE SISTEMAS O FIABILIDAD ESTRUCTURAL.

Se concibe como sistema o artículo complejo a un sistema que esté compuesto

por una cantidad determinada de elementos ensamblados.
El concepto de sistema es relativo ya que como tal puede concebirse desde un
rodamiento, si el objetivo es investigar el comportamiento de sus anillos, bolas,
etc., hasta una planta termoeléctrica.
A la vez, el concepto de artículo también es relativo, ya que dependiendo de los
intereses e información disponible, un rodamiento puede ser un artículo de un

52
reductor y un reductor puede ser un artículo para un sistema de tambores
rotatorios. Por tanto, el investigador debe definir muy bien el sistema objeto de
estudio.
El análisis de fiabilidad de un sistema (ejemplo un auto) se inicia con el método
del esquema estructural.
El método permite calcular la probabilidad de trabajo sin fallos, la intensidad de
fallos y otros índices del sistema, si se conocen dichos indicadores para cada uno
de los artículos que lo forman.
El esquema estructural es una representación funcional de un sistema en el cual
se encuentran debidamente interrelacionados los artículos que lo forman, pero en
este caso hay que verlo desde el punto de vista de la fiabilidad y no de su
ensamblaje.
Al analizar la fiabilidad de una máquina, ella depende de los indicadores de sus
diferentes elementos o conjuntos, es decir que en función de la influencia del fallo
de cada uno de sus artículos, así será la fiabilidad de la máquina, pero esta
influencia depende del tipo de sistema.
Tipos de sistemas: (fig.9.1,2,3)
a) Sistema serie (SS).
b) Sistema paralelo (SP).
c) Sistema combinado (SC).

A - Sistema serie (SS).

Es aquel en el cual el fallo de cualquier artículo provoca el fallo del sistema. A

este grupo pertenecen las máquinas sin redundancia (sin reserva).

Ejemplos:

1- En una grúa de pórtico portuaria sus mecanismos están dispuestos sin

relación entre ellos (izaje, giro, amantillado y traslación), sin embargo el fallo de
un mecanismo provoca el fallo de la grúa.
2- En un auto los neumáticos de un puente no están en serie desde el punto de
vista constructivo, pero si se poncha un neumático falla el auto.

Por eso en ambos ejemplos desde el punto de vista de fiabilidad están en serie.

Queda claro que entre más artículos tenga la máquina es menos fiable o sea que
su R(x) disminuye y como R(x) ≤ 1 se puede plantear:
n
R( x )SS = Π R( x )i = R( x )1 * R( x )2 * ... * R( x )i ... * R( x )n
i =1 (9.1)
Donde:
“n” - Cantidad total de artículos relacionados en serie.
R(Xi) – Es la R(X) del i – ésimo elemento.

Si los artículos son iguales (ejemplo las bolas de un cojinete de rodamiento):

R(x )SS = [R(xi )]
n
(9.2)

53
 1 2 i ni
R(X)1 R(X)2 R(X)i R(X)n

Fig. 9.1- Sistema Serie (SS)

Para sistemas que se encuentren en período de explotación normal y donde en

general se cumpla la LDE para la labor hasta el fallo se tiene:
−λ ( X ) . X
R( x )SS = e λ1 * e λ 2 ... * e λ i ... * e λ n = e
− .X − .X − .X − .X
SS
(9.3)
Donde:
λ(x)SS - Se interpreta como la intensidad de fallos del sistema o relación serie y
se cumple que:
() () () ()
λ x = λ x + λ x + ...λ x + ...λ x = ∑ λ x() ()
n
(9.3 - B)
SS 1 2 i n i
i =1

y sólo para LDE la labor media hasta el fallo del sistema será:
E (x )SS = MTTF SS = n
1
(9.4)
∑ λ (x )i
i =1

Los sistemas serie tienen dos características importantes:

1) La fiabilidad del sistema siempre es menor que la del artículo menos fiable.
R(x)SS < R(x) min

La cadena se rompe por el eslabón más débil.

2) Mientras más complejo es el sistema, más baja es su fiabilidad.

Por ello la fiabilidad de sistemas serie se mejora diseñándolo con la menor

cantidad de artículos y cada uno con la mayor fiabilidad posible.

Se pregunta para saber si estamos es un sistema serie.

¿Si falla el articulo falla el sistema?
R/ Si la respuesta es si ⇒ SS.

B- Sistema Paralelo (SP).

Un artículo se encuentra en paralelo si, al producirse su fallo, no falla el sistema,

ya que otro artículo asume sus funciones o sea es aquel en el cual el fallo ocurre
cuando fallan todos los elementos del SP.

Se utilizan en sistemas complejos con redundancia funcional, donde se duplican,

triplican o multiplican los artículos más importantes (sobre todos los de
seguridad).

54
Debe quedar claro que no todos los artículos que aparecen duplicados en un
mecanismo implica un sistema con redundancia, ya que pueden estar en paralelo
desde el punto de vista del diseño pero no de fiabilidad.

Ejemplo:
Los neumáticos (jimaguas) de las cuñas tractivas están duplicados, pero si se
poncha una ⇒ que falla la cuña tractiva.

Aquí también queda claro que entre más artículos redundantes tenga la máquina
es más fiable o sea que su F(x) disminuye por lo tanto se puede plantear:
n
F (x )SP = Π F (x )J = F (x )1 * F (x )2 * F (x )3 .......... (9.5)
J =1

La probabilidad de trabajo sin fallo de un sistema paralelo se evalúa por:

n n
R(x )SP = 1 − Π F (x )J = 1 − Π (1 − R(x )J ) (9.6)
J =1 J =1

Si la labor hasta el fallo del sistema responde a LDE se puede escribir:

R( X )SP = 1 − (1 − e λ1 )(1 − e λ 2 )...(1 − e λ i )...(1 − e λ n )
− X − X − X − X
(9.7)

Es común la utilización de artículos similares en estos sistemas, donde se

cumpliría:
λ =λ =λ =λ
1 2 i n
(9.8)

Lo que permite escribir de forma abreviada:

(
R ( X )SP = 1 −  1 − e

−λ X
1 ) N
(9.9)

3
Fig. 9.2 Sistema Paralelo (SP)

Los SP tienen dos características importantes:

1- La fiabilidad del SP siempre será mayor que la del artículo más fiable.
2- La fiabilidad del SP aumenta con la cantidad de artículos redundantes.

Por lo tanto se pueden construir sistemas suficientemente confiables con artículos

pocos confiables (baratos).

Se pregunta para saber si estamos es un sistema paralelo.

¿Si falla el articulo falla el sistema?
R/ Si la respuesta es no entonces implica SP.

55
a. Sistema Combinado (SC).

Resulta de la vinculación entre artículos que se encuentran en serie con unos y en

paralelo con otros simultáneamente. Este es el caso que se presenta en las
máquinas e instalaciones reales.
2

1 4 5

Fig. 9.3 Sistema Paralelo (SC)

Sus indicadores se calculan de forma similar a lo antes expuesto, pero

subdividiendo el SC en subsistemas en series y en paralelos y después llevarlos
todos a un sistema serie

Ejercicio No. 7.

Determine la R(x) del siguiente esquema estructural.

A
Ejercicio No. 8.

¿ Cómo se determina la R(x) del doble mecanismo de estera de un tanque de

guerra)?

10- REDUNDANCIA.

La redundancia es un método para aumentar la fiabilidad de un sistema utilizando

artículos adicionales por encima de lo necesario (son reservas para aumentar la
fiabilidad).

Existen tres variantes de redundancia según la concepción del diseño (fig. 10.1):

I. Redundancia cargada.
II. Redundancia aligerada.
III. Redundancia no cargada.

I - Redundancia cargada.
Se denomina al caso en que los artículos repetidos se encuentran trabajando
todos con la misma intensidad o régimen de trabajo. Presenta dos variantes:

56
1- Al fallar uno de los artículos, el resto satisface la función del sistema
manteniendo sus intensidades de trabajo.
Por ejemplo: caso de varios relés en paralelo para cerrar determinado circuito.

2- Al fallar uno de los elementos, los restantes deben trabajar más cargados para
satisfacer la función del sistema.

Por ejemplo: una transmisión por correas múltiples donde una de ellas falla.

Aquí trabajan ambos artículos (el 1-el principal y el 2 – la reserva), en caso que se
produzca un fallo, deja de trabajar uno continuando el otro que ahora soporta
toda la carga por lo que se gasta más.

El gráfico de R(x) no se mantiene igual. Para t < t1 trabajan los 2 y su fiabilidad

disminuye igual (están cómodos).

R( t ) R( t )
1+2
1+2

2
2

t1 t t1
REDUNDANCIA CARGADA “1” REDUNDANCIA CARGADA “2”

R( t ) R( t )
2
1

2
2
1

t1 t t1 t
REDUNDANCIA ALIGERADA REDUNDANCIA NO CARGADA
1- Artículo principal 2 - Artículo redundante
t1 - Tiempo hasta el fallo del elemento principal
Fig. 10.1 Diferentes tipos de redundancia.

57
II - Redundancia aligerada.
Es el caso en que de los elementos repetidos, uno es el más cargado mientras los
demás laboran a regímenes menores. Ante el fallo del más cargado (elemento
principal), los demás elevan su nivel de trabajo para satisfacer las funciones.

Por ejemplo: Es el caso de un barco que tiene un motor de combustión interna

principal (curva 1) y otro auxiliar (curva 2), 1 y 2 trabajan a la vez para t < t1 pero
el 1 se deteriora más por estar más cargado.

III - Redundancia no cargada:

En este caso sólo trabaja el artículo principal (curva 1), mientras que los demás se
encuentran en reposo. Ante el fallo del que trabaja, entran en funcionamiento los
redundantes.

Ejemplo: En el caso de las plantas eléctricas de un hospital (que hay más de un

grupo electrógeno).

Ejercicio No 9.

En la figura 10.2 se presenta un esquema de una máquina afiladora de

herramientas de corte.

Fig. 10.2 Esquema de una máquina afiladora de herramientas de corte.

Datos:
1 - Motor λ1 =20 * 10-5 h-1 (λ1=0.00020 fallo /h)
2 y 5 - Poleas λ2=λ5=10 * 10-5 h-1
3 y 4 - Correas λ3=λ4= 40 * 10-5 h-1
6 - Arbol λ6= 2 * 10-5 h-1
7 y 8 – Cojinetes λ7=λ8= 5 * 10-5 h-1
9 y 10 – Piedras λ9=λ10= 15 * 10-5 h-1

Se señalan numerados los distintos elementos o artículos que componen el

sistema, así como sus intensidades de fallos para el período de explotación
normal (λ(t) = constante).

58
Se conoce que ante el fallo de una de las correas (3 ó 4) se puede cumplir la
función de afilar, al igual que si se deteriora alguna de las piedras (9 ó 10), pues
ambas son del mismo tipo de grano.

Por otra parte, el fallo del motor (1), el desacople de alguna de las poleas (2 y 5) o
cualquier defecto en el conjunto árbol (6) – cojinetes (7 y 8), inutilizan el equipo y
no cumple con su función.

Haga el esquema estructural y determine la probabilidad de trabajo sin fallo del

sistema a las 200, 250, 750, 1000, 1250 y 1500 horas de trabajo.

Con esta información, el esquema estructural es el mostrado en la figura 10.3

3 9

1 2 5 6 7 8

4 10

11 12
Fig. 10.3 Esquema estructural de la máquina afiladora.

1 - ¿Qué tipo de sistema estructural es?

R / SC.

2 - ¿El esquema estructural puede tener otra forma?

R / Si, ya que se está analizando desde el punto de vista de fiabilidad no del
ensamblaje.

Con línea discontinua se señalan los subsistemas redundantes (11 y 12), los que
se relacionan en serie con el resto de los elementos.

3 - ¿Qué variante de redundancia tienen los sistemas en paralelo?

Ra / 11 (correas) es redundancia cargada caso b.

Rb / 12 (piedras) es redundancia no cargada.

4 - ¿Si se está en un sistema de lubricación y el subsistema 11 estuviera

compuesto por filtros 3 y 4, al saturarse uno de ellos se deja de filtrar la mitad del
aceite al irse por el bay pass como sería el sistema?
R / SS si es necesario filtrar todo el aceite en el proceso, de lo contrario sería SP.

5 - ¿Cómo se analiza el sistema estructural combinado?

R/ Se subdivide el SC en subsistemas serie y en paralelos y después todos se

llevan a un SS, para lo cual en este caso los SP se agruparon en los subconjuntos
11 y 12.

59
La probabilidad de trabajo sin fallos del sistema combinado para este caso se
obtiene por:

R(t )SC = R(t )1 R(t )2 R(t )11 R(t )5 R(t )6 R(t )7 R(t )8 R(t )12

La fiabilidad de los sistemas redundantes (SP) se evalúa por la ecuación 9.6:

R(t )11 = 1 − (1 − R(t )3 )(1 − R(t )4 )

R(t )12 = 1 − (1 − R(t )9 )(1 − R(t )10 )

Al resto de los artículos en serie se le llama subsistema crítico por fiabilidad, la
cual se le evalúa por:

R(t )SScr = R(t )1 R(t )2 R(t )5 R(t )6 R(t )7 R(t )8

Para período de explotación normal se puede asumir LDE:

R(t )11 = 1 − (1 − e λ 4 ) 2 = 1 − (1 − e −40.10 *t ) 2
− *t −5

R(t )12 = 1 − (1 − e λ10 ) 2 = 1 − (1 − e −15.10 *t ) 2

− *t −5

R(t )SCcr = e λ cr = e −52.10 *t

− *t −5

Donde:
λ cr
= λ +λ +λ +λ +λ +λ
1 2 5 6 7 8
= 52 *10−5 h −1

El análisis de la fiabilidad del sistema se puede hacer tabulando el

comportamiento de las probabilidades de R(t) de estos subsistemas para
diferentes valores del tiempo de trabajo útil. Véanse resultados en la Tabla 10.1

Tabla 10.1- Evaluación de la fiabilidad de la máquina de afilar y de sus

subsistemas de interés.
Trabajo útil (horas) R( t ) SP11 R( t ) SP12 R( t ) SScr R( t ) SC
250 0,99 0,998 0,87 0,86
500 0,96 0,994 0,77 0,73
750 0,93 0,988 0,67 0,61
1000 0,89 0,980 0,59 0,51
1250 0,84 0,970 0,52 0,42
1500 0,79 0,959 0,45 0,34

Se verifica cómo la fiabilidad del subsistema crítico (R(t)SScr ) es la que más

intensamente disminuye y actúa como principal responsable del gran
decrecimiento de la fiabilidad del sistema combinado [R (t )SC ].

También se observa que el subsistema redundante (12) es de mejor fiabilidad que

el (11).

60
En la organización del mantenimiento se deben tener en cuenta estos análisis
para dirigir las acciones con más intensidad sobre los elementos y subsistemas
más críticos en las máquinas.

A - Se pueden valorar modificaciones en el diseño de los equipos, como en este

caso la decisión de situar tres correas en lugar de las dos originales, siempre que
haya justificación económica (implicaría 2 poleas y una correa más, árbol de
salida más largo). Ello elevaría la fiabilidad del subsistema (11) y por tanto del SC.

B – Otra medida sería comprar correas de mejor calidad si existe en el mercado,

pero implica más dinero.

C - Dar mayor atención a la limpieza y regulación de la tensión de las correas

para mejorarle su fiabilidad particular.

D - Otra medida puntual y eficaz es incrementar el mantenimiento al motor

eléctrico, pues aparece como el segundo elemento menos fiable del subsistema
crítico.

11. EL ÁRBOL DE FALLOS COMO ALTERNATIVA PARA EL ANÁLISIS DE

SISTEMAS COMPLEJOS.

El árbol de fallos, como su nombre lo indica, es un gráfico tipo árbol que se utiliza
para el cálculo de fiabilidad de sistemas complejos, donde se encuentran
representadas las diferentes relaciones funcionales entre elementos y
acontecimientos (eventos).

Es un método deductivo de identificación de riesgo que va de lo general a lo

particular (que parte del evento no deseado hasta el elemento básico), usado en
el análisis causa raíz (ACR), el cual identifica la relación causal que conduce al
artículo a un fallo (parte de los efectos y busca las causas del modo de fallo).

El acontecimiento es un evento que representa un estado del sistema,

subsistema o elemento que se trate y puede ser función de la forma en que se
relacionen otros elementos y acontecimientos de niveles inferiores.

Los acontecimientos tienen sus propios índices de fiabilidad y constituyen

aspectos de interés que no poseen los esquemas estructurales.

Nota: El árbol de fallo es un evento (-) y se analiza F (x).

El árbol de éxitos es un evento (+) y se analiza R (x).

En la construcción del árbol de fallos se utilizan determinados símbolos:

A- Símbolos de acontecimientos: En la figura 11.1 se pueden observar los más

utilizados.

61
1-El acontecimiento supremo o resultante es el evento negativo más general
de un sistema.
Por ejemplo: El fallo de la máquina de afilar de la figura 10.2 reflejando la
imposibilidad de afilar herramientas.

En el árbol de fallo el acontecimiento supremo es un evento no deseado.

En el árbol de éxito el acontecimiento supremo es un evento deseado.

ACONTECIMIENTO ACONTECIMIENTO
SUPREMO o RES ULTANTE INTERMEDIO

ACONTECIMIENTO PRIMARIO ACONTECIMIENTO PRIMARIO

INDEPENDIENTE CONVENCIONAL

Fig. 11.1 - Símbolos de acontecimientos.

2-El acontecimiento intermedio es un acontecimiento que depende de otros

acontecimientos de nivel inferior e influyen a su vez en acontecimientos de niveles
superiores o en el propio acontecimiento supremo.

3-El acontecimiento primario independiente representa al estado de elementos

de máquina indivisibles (debajo de él no hay más nada).

4-El acontecimiento primario convencional representa al estado de sistemas

donde no existe la información sobre sus elementos o donde por conveniencia no
interesa desagregarlo en sus partes.

B- Símbolos de transferencias.

1-De transmisión al interior (▬►▬) son los fallos externos que afectan al
sistema.
Ejemplo: Incendios, terremotos.

2 -De transmisión al exterior (▲▬) son los fallos del sistema que afectan el
exterior.
Ejemplo: Los que contaminan el medio ambiente.

62
C- Símbolos de operación lógica:
Los símbolos de operación lógica representan las relaciones funcionales que
existen entre determinada cantidad de acontecimientos y su influencia en un
acontecimiento de nivel superior.

1-El símbolo “I” es el operador “I” y se utiliza para representar un sistema en

paralelo entre dos o más acontecimientos.

El nivel de fiabilidad en “B” es mejor que en el nivel “A” Para que falle B tiene
que fallar A1 y A2 (Fig. 11.2).
n
F (B )SP = Π F ( Ai ) J = F ( A1 ) * F ( A2 ) (11.1)
J =1
Esta es la evaluación cuantitativa que coincide con el esquema estructural

Como se trata de árbol de fallos (eventos negativos) se utiliza la probabilidad del

evento negativo, por ejemplo: el fallo.

2-El símbolo “O” es el operador “O” y se utiliza para representar un sistema

serie entre dos o más acontecimientos.

El nivel de fiabilidad “B” es peor que “A”. Para que falle B tiene que fallar A 1 o A2.
n
R (B )ss = Π R ( A)i = R ( A1 ) * R ( A2 ) (11.2)
i =1

3- El símbolo “I” ó “O” es el operador condicional y se utiliza para representar

una relación cualquiera cuya dependencia tiene lugar sólo cuando se cumplen
determinadas condiciones.

Por ejemplo:
Dos correas se relacionan en paralelo siempre que la potencia a transmitir no sea
superior a cierto valor, etc., de lo contrario podrían actuar en relación serie.

B B B

Cond.
I O

A1 A2 A1 A2 A1 A2

operador “i” operador “o” operador condicional

Fig. 11.2 - Símbolos de operación.

63
Para la construcción del árbol de fallos deben definirse adecuadamente:

• El acontecimiento supremo.
• Los acontecimientos intermedios.
• Los acontecimientos primarios del tipo que sean.

Los acontecimientos intermedios pueden ser diferentes de un árbol a otro para un

mismo sistema y acontecimiento supremo. Ello depende del interés del
investigador.

Ejercicio No 10.

Construya el árbol de fallos para la máquina de afilar de la figura 10.2 del

ejercicio No 9.

Respuesta:
1- Acontecimiento supremo no deseado: No es posible afilar.

2- Acontecimientos intermedios. Se plantean los siguientes (pueden haber sido

otros):
A. Falla la transmisión de la potencia hasta la polea (5).
B. Falla la transmisión de la potencia por motor (1) y polea (2).
C. Falla la transmisión de potencia por las correas (3 y 4).
D. Falla el sistema soporte de las piedras (6, 7 y 8).
E. Falla el apoyo del árbol (6) en las chumaceras (7 y 8).
F. Deterioro de las piedras (9 y 10).

3- Son acontecimientos primarios el fallo o deterioro de cada uno de los diez

elementos del sistema.

El árbol de fallo para estas condiciones se presenta en la figura 11.3. Note como
el caso del motor eléctrico se ha valorado como un artículo y por ello se utiliza un
símbolo de acontecimiento primario convencional (se pudo haber analizado el
comportamiento de sus elementos componentes).

El árbol de fallos permite realizar un análisis fiabilístico del sistema y el cálculo

de los índices de fiabilidad de cada acontecimiento se realiza de la siguiente
forma:

F (t ) ASS = 1 − [R(t )B * R(t )5 * R(t )C ]

F (t )BSS = 1 − (R(t )1 R(t )2 )
F (t )CSP = F (t )3 F (t )4
F (t )DSS = 1 − (R(t )6 R(t )E ) = 1 − (1 − F (t )6 )(1 − F (t )E )
F (t )ESS = 1 − (R(t )7 R(t )8 )
F (t )FSP = F (t )9 F (t )10

64
La probabilidad de fallo del sistema combinado se expresaría por:

F (t )SC = 1 − R(t )SC = 1 − (R(t )ASS )(R(t )DSS )(R(t )FSP )

F (t )SC = 1 − (1 − F (t )ASS )(1 − F (t )DSS )(1 − F (t )FSP )

Todo se ha expresado en función de la probabilidad de fallo, pero puede utilizarse

su complementaria R(X) cuando se desee y entonces se estará en un árbol de
éxitos.

Evento Supremo
No es posible afilar

A D F

O O I

B 5 C 6 E 9 1
0

O I O

1 2 3 4 7 8

Fig. 11.3 - Arbol de fallo para la máquina de afilar herramientas de corte.

Tabulando el comportamiento de todos los acontecimientos de forma similar a

como se expuso en la Tabla 10.1 de ejercicio 9 en función del trabajo útil, se
pueden determinar las ramas y los acontecimientos más críticos del árbol, de
manera que el mantenimiento se oriente hacia dichos elementos de la forma más
conveniente y se tomen medidas para el aumento de la fiabilidad.

65
El árbol de fallo es una de las técnicas para determinar el análisis causa raíz (el
ACR del sistema de mantenimiento proactivo) del fallo de un artículo.

Las causas raíz del fallo funcional puede ser:

1. Raíces físicas.
2. Raíces humana.
3. Raíces latentes.

Ejercicios propuestos:
1. Plantee otro árbol de fallo para el ejercicio 9.
2. Determine el árbol de fallo para un MCI cuyo acontecimiento supremo es ¨el
motor no arranca¨.
3. Determine el árbol de fallo de la iluminación de un local cuyo acontecimiento
supremo es ¨no hay suficiente iluminación¨.

12. PROCEDIMIENTO PARA EL EXPERIMENTO FIABILÍSTICO.

Un objetivo supremo de la teoría de la fiabilidad y elemento imprescindible para la

organización del mantenimiento a las máquinas consiste en la determinación de la
ley de distribución que represente el evento que refleje su trabajo.

Procedimiento para el experimento fiabilístico (metodología para el

procesamiento de la información muestral y búsqueda de la ley de
distribución que la representa).

Pasos:
1. Selección de la muestra mínima.
2. Recoger la información de las variables aleatorias del artículo o los artículos
que se estén analizando de un determinado evento.
Ejemplo: Fallos de la máquina.
3. Aplicar la Ley de Pareto para determinar los fallos críticos de la máquina si así
lo desea el investigador.
4. Ordenamiento de las variables aleatorias del fallo o de los fallos que se estén
analizando en series simples crecientes o decrecientes.
Ejemplo: Fallo de la correa de distribución.
5. Determinación de la cantidad de intervalos para la serie estadística analizada.
6. Determinación del ancho del intervalo.
7. Representación tabular de la distribución de frecuencia.
8. Cálculos de los estadígrafos.
9. Limpieza de la muestra.
10. Representación gráfica.
11. Plantear la hipótesis.
12. Cálculo de función de distribución teórica [F ( X )] .

66
13. Cálculo de la frecuencia relativa teórica [ f ( X )] para el ajuste de curva por el
método de χ 2
14. Cálculo de la diferencia entre la función de distribución teórica y la función
experimental para el ajuste de curva por el método Kolmogorov- Smirnov.
15. Ejecución del ajuste de curva.
16. Determinación del intervalo de confianza.
17. Cálculo de la índices simples y complejos de fiabilidad.
18. Construcción de la curva de mortandad y/o de supervivencia
19. Cálculo del intercambio de piezas.
20. Conclusiones.

Ver anexo No 1. Organigrama del procedimiento de cálculo fiabilístico.

Nota: Todos los índices representados con asteriscos son valores experimentales
(de la muestra)

12.1.- Selección de la muestra mínima.

Determinación de la muestra mínima que representa la población.

Existen diferentes métodos para determinar la muestra mínima, teniendo en
cuenta si la muestra es no finita o finita:

1 - Muestra no finita (no se conoce la cantidad de artículos de la población).

A. Método aproximado. Cuando no se puede asumir la ley por desconocerse el

fenómeno a analizar (tipo de fallo) que representa la variable aleatoria o no
hay experiencia en el fenómeno a investigar.

B. Conociendo el fenómeno a analizar. Donde se puede asumir la ley.

C. Variable medida en escala de intervalos y población normal considerada

infinita (A partir del error limite permisible (ε)).

2 - Muestra finita (conociendo la cantidad de artículos de la población).

D - Variable medida en escala de intervalos y población finita.

A-Método aproximado.

El concepto de representatividad de la muestra mínima puede ser asegurado

previamente de forma aproximada con el siguiente criterio.
ln (1 − α)
n = 1
ln R ( x )min
t e o MIN (12.1)

Donde:
nteo MIN - Cantidad mínima de elementos que debe tener la muestra estudiada.

67
α 1 - Nivel de significación recomendado para este cálculo (0,70 - 0,98).
A mayor α 1 ⇒ más muestra, por lo tanto, el experimento es más fiable.
R(x) min – Probabilidad de trabajo sin fallo mínima admisible al artículo.

R(x)= 0.90 – 0.95 para los artículos que garantizan la seguridad.

R(x)= 0.85 – 0.90 para el resto de los artículos.

Ejemplo:
Si se aspira a un nivel de significación de 0,90 y la probabilidad de trabajo sin fallo
mínima admisible para el artículo es de 0,95, entonces la muestra mínima debe
ser:
ln(1 − 0,90) − 2,30
n = = = 44,89 = 45
t e o MIN
ln 0,95 − 0.05

B-Conociendo el fenómeno a analizar [6, pag 138 – 140].

Pasos:
1) Se establece el error relativo del recurso medio ( δ =0.05 - 0.1), siendo los
menores valores para aquellos elementos constructivos que garantizan la
seguridad del vehículo.
2) Se asume el coeficiente de variación de la muestra ( V ∗ ( x ) ) según el carácter
de aparición de fallo o se determina estadísticamente.
δ
V (x )
3) Se determina la relación * .

4) Con el valor de la relación determinada y el grado de confianza

( α 2 (β ) = 0.80 − 0.98 ) se busca en tabla estadística [6, tabla 3.6 Pág. 139] y se
selecciona n MIN .
 δ 
n MIN = f  α 2 , 
∗ 
 V (x ) 
5) Se realiza el experimento con la muestra mínima determinada ( n MIN ) hasta el
cálculo de los estadígrafos y si se cumple:
a. Que V ( x )EXPERIMENTO ≤ V ( x ) ASUMIDA ⇒ n seleccionado está correcto.
b. Si no se cumple hay que recalcular n MIN pero en este caso se repiten los
pasos tomando ahora el V ( x )EXPERIMENTO .
El cálculo terminará cuando se logre el paso 5.a, de lo contrario habrá que repetir
el cálculo.
ε
δ =
E (x )
Nota: (12.3)

Donde:
ε – Error absoluto.
β (α 2 ) = P[E ( X ) − E * ( X )] ≤ ε (12.4)

68
Donde: ε - error absoluto que se comete al estimar la media poblacional E(x) a
partir de la media muestral o estimada E*(x).

σ (x )
ε = Uα11 (12.5)
n
Donde:
Uα 11 - cuantil del grado de confianza unilateral [7, Pág. 107]
α11 - grado de confianza unilateral.

α 2 = 2α11 − 1 (12.6)

Despejando.
α +1
α 11 = 2 (12.7)
2

C-Variable medida en escala de intervalos y población normal considerada

infinita (A partir del error limite permisible (ε) ). [7]

 U α 1 * σ (x ) 
2

nmin = 1  (12.8)
 ε 
 

Ejemplo:
Dado σ = 25 h, α2 (β) = 0.95 y [E ( X ) − E * ( X )] ≤ ε = 12h .
R/ Con α2 = 0.95 sustituyendo en (12.7) se obtiene.

α 2 + 1 0.95 + 1
α11 = = = 0.97 5
2 2

En tabla [6, Pág. 236] con la probabilidad 0.97 y 0.005 se obtiene

Uα11 = 1.960

Sustituyendo en (12.8) se obtiene:

2
 1.960 * 25 
nmin =  = 17
 12 

D- Variable medida en escala de intervalos y población finita. [7]

n MIN =
(Uα 1
1 )
* σ (x ) * N
2

(
d 2 * ( N − 1) + Uα 11 * σ ( x ) ) 2 (12.9)

Donde:
N - Tamaño de la población
d - Error muestral (0 -1)

69
12.2- Recoger la información de las variables aleatorias (labor entre fallos)
del artículo o los artículos que se estén analizando de un determinado
evento.

Hay que obtener con la calidad necesaria la muestra de datos que representa el
fenómeno que se quiere estudiar.

Para recopilar la información existen 2 métodos:

1- Activo.
2- Pasivo.

Método Activo:
Se usa cuando el método pasivo no garantiza, o las condiciones son nuevas.
Es más exacto, pero demora más tiempo su recogida en espera por el banco de
datos. Ensayos acelerados se utilizan para reducir esta desventaja.

Entonces hay que decidir el plan de observación.

Otro aspecto a tener en cuenta durante la recopilación de la muestra es el tipo de
plan de observación a utilizar.

Existen cinco posibles variantes de acuerdo con los intereses del investigador y
las características del evento estudiado:

1. Plan (NUN).- Consiste en la observación y recopilación de datos hasta que los

N artículos alcancen el estado del evento que se estudia (hasta el fallo, hasta
el recurso técnico, etc.). Sólo son válidos los datos de los artículos que inician
la muestra, no los sustitutos. (o sea se ensayan N artículos, donde no se
sustituyen los que fallan (U) y dura el experimento hasta que falla el N
artículo).

2. Plan (NUT).- Se ensayan N artículos, donde no se sustituyen los que fallan y la

observación y toma de datos se extiende hasta que los N artículos que inician
el estudio alcanzan su trabajo útil o recurso T previsto por el investigador.

3. Plan (NUr).- Se ensayan N artículos, donde no se sustituyen los que fallan y el

experimento se extiende hasta que ocurre el “r” fallo.

4. Plan (NRr).- Se ensayan N artículos, se sustituyen los que fallan (U) y el

experimento termina cuando ocurre el “r” fallo
.
5. Plan (NRT).- Se ensayan N artículos, se sustituyen los que fallan (U) y el
experimento termina cuando se alcanza el recurso.

La utilización de uno u otro plan de observación depende de las características

del artículo, del tipo de evento que se quiere estudiar y del interés y posibilidades
del investigador (tiempo y recursos disponibles, profundidad de la información
pasiva, etc.).

Ejemplos:

70
1-Si el artículo no es reparable, no tienen mucho sentido los planes “NR”.
2-Si el objetivo es estudiar el tiempo hasta el fallo, quizás es conveniente un plan
“NUr” y ahorrar tiempo sin tener que llegar a cierto recurso “T” para todos los
elementos estudiados.

Método Pasivo:
Es a través de la documentación técnica, la información es rápida pero insegura.

Modelos a utilizar para la recogida de información.

Modelo #1 de recogida de información estadística de los fallos de la máquina. Por

vehículos.

Base: Vehículo: Modelo: No Vehículo

Labor Costo
Tiem
Entrada Salida no de
Estadía po
Km. Taller Taller realiza Cant Costo acción
Siste en de
No (h, Fallo da de la de de la de
ma Taller Rep
tn) Fe h Fe h máq Pieza Pieza MTTO
(d u h) (h,
cha cha (d, h,
min,)
Km, $)

Modelo #2. Recogida de Información estadística de los fallos de la máquina. Por

sistemas.

Base: Vehículo: Modelo: Sistemas:

Labor Costo
Tiem
Entrada Salida no de
Km Estadía po
Taller Taller realiza Cant Costo acción
. en de
Siste Fallo da de la de de la de
(h, Taller Rep
ma Fe h Fe h máq Pieza Pieza MTTO
tn) (d u h) (h,
cha cha (d, h,
min,)
Km, $)

Modelo #3 de Recogida de Información estadística de los fallos de la máquina.

Por piezas.

Base: Vehículo: Modelo: PIEZAS:

Labor Costo
Tiem
Entrada Salida no de
Km Estadía po
Fallo Taller Taller realiza Cant Costo acción
. en de
da de la de de la de
(h, Taller Rep
Fe h Fe h máq Pieza Pieza MTTO
tn) (d u h) (h,
cha cha (d, h,
min,)
Km, $)

71
Nota 1: Si debido a un fallo se cambian otras piezas, las mismas son
consideradas como fallos y por lo tanto tiene que ser reflejadas en el documento
con sus datos.

Nota 2: Todas las piezas que son cambiadas durante un mantenimiento

planificado se consideran fallos y tienen que ser reflejadas en el documento.

Nota 3. Siempre dejar entre número de la máquina (No) una o más filas para
adicionar más variables si así se desea.

I2.3.- Aplicar la Ley de Pareto para determinar los fallos críticos si así lo
desea el investigador. (Ver epíg. 13)

12.4.- Ordenamiento de las variables aleatorias del fallo que se esté

analizando en una serie simple creciente o decreciente.

El ordenamiento de la muestra tiene como finalidad el facilitar la determinación de

las frecuencias relativas experimentales y precisar los valores mínimo (X min) y
máximo (Xmax ).

12.5.- Determinación de la cantidad de intervalo para la serie estadística.

El conjunto de datos se agrupan en clases (intervalos de clase) para su

representación tabular y gráfica con lo que se garantiza que las variables
aleatorias pierdan su valor individual y tomen el valor de la clase correspondiente
[media de clase (Yi) o diputado].

Formas de determinar la cantidad de intervalos:

a - Por la ecuación:

k = 1 + 3,31 log n (12.10)

Donde:
k – cantidad de intervalos.
n - cantidad de elementos de la muestra.

El valor que resulta debe ser redondeado a valor entero, bien por aproximación
por exceso o por defecto.
Variar el valor de “k” puede permitir obtener una serie estadística diferente y con
ello puede mejorar o empeorar el ajuste de las leyes de distribución.

b) Asumiendo:

1- Entre 10 y 20 intervalos para muestra grande según la precisión que se desee,

entre mayor es mejor, es más exacto.
2-Entre 5 y 10 intervalos para muestra pequeña (Si el número de la muestra es
menor de 50).

72
El número de intervalos no debe ser muy grande porque la ley de distribución
seria inexpresable y las frecuencias tendrían oscilaciones caóticas.

El número de intervalos no puede ser menor de 3.

12.6.- Determinación del ancho del intervalo:

X − X
∆X = max min
(12.11)
k
El valor que resulta se puede redondear ligeramente. Es criterio de especialistas
en estadística que el ancho de los intervalos puede ser cualquiera, sin embargo, a
los efectos de la utilización de las leyes de distribución teóricas que se ajusten, es
conveniente tratar de que los intervalos de la serie posean igual magnitud, ya que
en MTTO no se debe condicionar el experimento.

12.7.- Representación tabular de la distribución de frecuencia.

La serie estadística se organiza según se observa en la tabla 12.1.

Tabla 12.1 - Organización de la serie estadística (resultado experimental)

(2) (3) (7)
(4) (5) (6) (8)
Límite de Marca Producto
(1) Frec. Frec. Func. Columna
clase de f*(Xi).Yi
k Abs. Relat. Dist. auxiliar
clase
ni* f*(Xi) F*(Xi ) (Yi -E(X))2f*(Xi)
Xinf Xsup Yi
1
...
∑ni = n 100% ∑= E(x) ∑= D(x)

a - La marca de clases.
Yi (el diputado) es el punto medio del intervalo y representa al mismo en los
cálculos posteriores.

X SUP + X inf
Yi = (12.12)
2
b - La frecuencia absoluta.
n*i es la cantidad de valores muéstrales que corresponden con un intervalo dado.
(Tarjado o impactos en cada intervalo).

d- Las frecuencias relativas experimentales.

F(x) * es la probabilidad de que la VA caiga en el intervalo, se calculan por:
*
f ( xi )* = P * (xi ) = n i (12.13)
n

d - Función de distribución experimental.

F(x) * se le llama también función de distribución acumulada.

73
F * (X i ) = f * (X i ) =
k
1 k
∑
i =1
∑
n i =1 ni
(12.14)

e - f*(Xi ).Yi es la esperanza matemática en cada intervalo.

La suma de los productos f*(Xi)*Yi resultan la esperanza matemática [E(x)] del
evento estudiado.

f - (Yi-E(X))2f*(Xi) es la varianza de cada intervalo.

La suma de la columna auxiliar ofrece la varianza [D(x)] de la muestra.

12.8.- Cálculos de los estadígrafos (características numéricas de la VA).

1. La esperanza matemática o media aritmética.

K
E * ( X ) = ∑ Yi* * f ( X i ) (12.15)
i =1

Donde:
k – Cantidad de intervalos.
Yi – Marca de clase.
f(Xi) – Probabilidad estadística o frecuencia relativa de la variable aleatoria en el
intervalo i.

El error de la media
σ * (X )
ε E * (X ) = (12.16)
n
E * ( X ) = E * ( X ) ± εE * ( X ) (12.17)

2. La desviación cuadrática media (desviación Standard) constituye una forma

más conveniente para expresar la varianza pues ésta tiene unidades cuadradas.
Por ello se define como:

σ (X ) = D ( X ) (12.18)

( ) * f (X )
K
D ( X ) = ∑ Yi − E * ( X )
2
i
(12.19)
i =1

3. El coeficiente de variación porcentual es una importante relación que se

establece entre la desviación cuadrática media y la esperanza matemática.
Muestra cuan grande es la dispersión en comparación con el valor medio de la
variable aleatoria.

σ ( x)
V (X ) = (12.20)
E ( x)
Su valor es reflejo de la posible forma de distribución de la variable. (sirve para
plantear la hipótesis). De acuerdo con el valor de este coeficiente se puede
valorar una posible ley de distribución para representar el fenómeno estudiado.

74
Por ejemplo:
V(X) = 0,08 – 0.6 puede indicar Ley Normal (V(X)= 0.33 → LDN pura)
V(X) = 0.6 – 1.6 puede indicar Ley Exponencial (V(X)= 1 → LDE pura)
V(X) = 2,0 puede indicar otra variante de la Weibull

12.9.- Limpieza de la muestra.

Criterios.
a- Después del cálculo de los estadígrafos se puede hacer la limpieza de la
muestra, los valores tienen que estar en el intervalo E ( x )± 3σ , los valores
extremos que están fuera de la frontera se eliminan.

Si una parte importante de la información es excluida, es necesario reconstruir la

representación tabular y calcular de nuevo los estadígrafos.

b- Por criterio del especialista se puede eliminar 3 -5 % de acuerdo con los

posibles errores humanos. En este caso no hay que esperar al cálculo de los
estadígrafos (paso 12.8), se debe hacer desde el paso 12.4.

Ver anexo No 1.

12.10.- Representación gráfica. [Ver 1 pag. 728 ]

La elaboración del histograma de frecuencias relativas es otro indicador para

valorar la posible ley de distribución (hipótesis).

En la figura 12.1 se puede observar un histograma que indica una posible ley
exponencial.
El área de cada rectángulo es la frecuencia (la probabilidad) de cada clase.
La abscisa es el ancho de cada intervalo y la ordenada puede ser f(xi ) o

f(x)

Fig. 12.1- Histograma de frecuencias relativas.

12.11.- Plantear la hipótesis.

Lo cual se puede hacer en función del origen del fallo, del coeficiente de variación
(5.18) o del histograma.

12.12.- Cálculo de la función de distribución teórica [F ( X )] (De la población).

75
Planteada la hipótesis de la ley a ajustar, se calculan los valores de la función de
distribución teórica para cada Intervalo utilizando la ecuación correspondiente de
dicha ley.

En el caso de la normal se puede determinar a través del cuantil (F(x) = θ (U)).

En el lugar de la variable se sitúan las marcas de clases de la serie estadística.

12.13.- Cálculo de la frecuencia relativa teórica [ f ( X )] para el ajuste de curva

por el método de χ 2 .

Se calculan los valores de las frecuencias relativas teóricas para cada intervalo
f(Xi) por la expresión:

[ ]
f ( X i ) = F ( X i ) − F ( X i +1) (12.21)

12.14.- Cálculo de la diferencia entre la función de distribución teórica y la

función experimental para el ajuste de curva por el método Kolmogorov-
Smirnov.

Se determinan las diferencias entre las funciones de distribución teórica y

experimental en cada intervalo de la serie:

[
Di = F ( X i ) − F * ( X i ) ] (12.22)

12.15.- Ejecución del ajuste de curva.

En la fiabilidad hay que buscar la ley que tenga mayor nivel de significación, ya
que con un nivel de significación dado puede ajustarse pero no ser el mejor. A
mayor nivel de significación es mejor el ajuste pero más difícil que se cumpla.

La prueba de ajuste de la ley se puede ejecutar por diferentes criterios.

Cuatro de los más utilizados son los siguientes:

1- Criterio de Chi-cuadrado (χ2) ó Pearson

2- Criterio de Kolmogorov – Smirnov.
3- Criterio de Romanoski.
4- Criterio de Renyi

1. Criterio de Chi-cuadrado (χ 2).

Pasos:
a. La ley se ajusta siempre que:

χ <χ
2 2

cal tab

b. Se calcula el parámetro Chi-cuadrado por la expresión:

76
 k
[ni * −n ⋅ f ( X i )]2
χ =∑
2

n ⋅ f (X i )
cal
(12.23)
i =1

Donde:
n ⋅ f ( x i ) = n i teorico en cada intervalo (frecuencia absoluta teórica)

χ
2
c. En la tabla estadística de se ofrecen su valor en función de los grados de
tab
libertad “r” y del nivel de significación α 1 que se exija al ajuste.

Los grados de libertad se determinan por:

r=k– 1– S (12.24)
Donde:
“S” es la cantidad de parámetros que caracterizan a la ley de distribución
(número de vínculos):

Para LD Exponencial ----S = 1 ( λ )

Para LD Normal ---------- S = 2 (E(x), σ )
Para LD de Weibull ----- S = 2 (parámetro de escala (a) y parámetro de forma (b)).

(b) - da la forma de la curva o ley particular.

Ejemplo: Cuando b =1 ⇒ LDE.

En la medida que aumente la r más facilidad tiene de cumplirse el experimento o

sea hay más libertad.

χ
2
En la medida en que sea menor, así se podrá lograr un ajuste con mayor
cal
nivel de significación, lo que significa que la ley de distribución representa mejor a
la muestra.

El objetivo de este procesamiento es encontrar la ley de distribución que se ajuste

a la muestra con mayor nivel de significación.

Nota: El nivel de significación (α1) es la probabilidad que no se cumpla la

hipótesis, es la medida de la rigidez o severidad del control de la veracidad de la
hipótesis tomada.

Si α1 aumenta significa que es más rigurosa la prueba, es peor para el

investigador.

A menor α1 aumenta la probabilidad de aceptación.

α1 = 1 - β (12.2)
Donde:
β ( α2 ) - Grado de confianza bilateral, es la probabilidad que se cumpla la
hipótesis.

β = 0.85 – 0.90 para elementos del automóvil no relacionado con la seguridad.

77
En caso de elementos relacionados con la seguridad tiene que tomarse valores
menores de β para que sea más riguroso el experimento.

Ejemplo:
Para β = 0.1 ⇒ α1 = 1 – 0.1 = 0.9 ⇒ que la probabilidad de cumplirse es de un
10 % ¡Es más riguroso el experimento!

Con α1 se entran en las tablas estadísticas para el ajuste de curva por el criterio
de Chi-cuadrado (χ2).

Con β se entran en las tablas estadísticas para el ajuste de curva por el criterio
de Kolmogorov – Smirnov.

χ
2
El criterio de es más riguroso porque se analiza todas las diferencias entre
las curvas teórica y práctica.

2. Criterio de Kolmogorov - Smirnov.

Se fundamenta en la determinación de la diferencia máxima entre las curvas

teórica y experimental, independientemente del intervalo en que se encuentre.
La ley se ajusta siempre que la diferencia máxima sea menor que cierta diferencia
admisible:

Pasos:
a-La ley se ajusta siempre que:
D max
< D adm
(12.25)

b. D max se determina por (12.22) y es el D i máximo calculado.

c. La diferencia admisible se evalúa por:

= K S
(12.26)
D adm
n
Donde:
El parámetro Ks se obtiene de tablas en función del nivel de significación que se
desea para el ajuste.
En la Tabla 12.2 se presentan valores de Ks en función de niveles de
significación α 1.

Tabla 12.2- Relación entre el parámetro K s y α 1 según Kolmogorov-

Smirnov
α1 Ks α1 Ks α1 Ks α1 Ks
0,99 0,44 0,80 0,65 0,30 0,97 0,02 1,58
0,95 0,52 0,70 0,71 0,20 1,07 0,01 1,63
0.90 0,57 0,60 0,77 0,10 1,22 - -
0,85 0,61 0,40 0,89 0,05 1,36 - -

78
Nota: Dadm se puede seleccionar en la tabla (página 604) del texto Estadística
Aplicada de Ostle en función de β y n.

En cuanto a la calidad de ajuste, el criterio de Chi-cuadrado es más exigente que

el de Kolmogorov-Smirnov, ya que tiene en cuenta todas las no concordancias
entre los valores experimentales y los teóricos intervalo por intervalo.
Mientras que a Kolmogorov-Smirnov, sólo le interesaba el intervalo donde se
encuentra la no concordancia máxima.

Para iguales niveles de significación, es mejor el ajuste si se logra por Chi-

cuadrado.

El método de Kolmogorov-Smirnov, es muy bondadoso y muy potente para

muestra pequeña (n = 30 -50), pero menos exacto que el Chi-cuadrado.

4- Criterio de Romanoski.
χ2 −r
3 (12.27)
2*r

r = k – 1 –s

5- Criterio de Renyi (es un arreglo de Kolmogorov)

F (x ) − F * (x )
D =
max
F (x )

12.16.- Intervalo de confianza (ICONF).

Un aspecto de gran importancia es la determinación del intervalo de confianza de

la esperanza matemática.

El ICONF se define como el intervalo recorrido del valor medio de la muestra donde
puede estar ubicado el valor medio de la población o sea es la probabilidad de
que la esperanza matemática de la población se encuentre en un intervalo dado
definido por el grado de confianza.

P[E * ( X ) − ε ≤ E ( X ) ≤ E * ( X ) + ε ] = β (12.28)
Donde:
ε - Error de ubicación de la esperanza y que depende de la ley de distribución
ajustada (ver 12.5).
β (α2) - Es la probabilidad de que la esperanza matemática se encuentre en el
intervalo señalado (ver 12.4).

Si β= 0.9 s ignifica que con una proba bilida d de un 90 % e l va lor ve rda de ro de
E(x) está dentro de estos límites.

Si β aumenta mayor será el ICONF, lo que no es deseable ya que aumenta la

dispersión.

79
El grado de confianza (β) se establece a partir del grado de exactitud que se
requiera, por lo tanto, es de interés en el experimento que el ICONF sea lo más
pequeño posible con el mayor β posible, es un criterio de compromiso.

¿Para que sirve el intervalo de confianza?

a- Para hacer la corrección del sistema de mantenimiento (cambiar la

periodicidad de una acción de mantenimiento).
b- Para planificar el cambio de un artículo o estar preparado para el posible
cambio del artículo.
c- Para decidir cuando se va hacer la acción de diagnóstico, el diagnóstico se
debe hacer en el ICON INF (E(x) = E (x) - ε , ya que hay artículos que van a
*

fallar antes de la media.

Ejemplo:
E(x) = E * ( x ) ± ε = 200 ± 50 Km.

Esto implica que al menos hay 3 decisiones (pueden haber infinitas en el

intervalo) de posible cambio del artículo (150, 200 y 250 Km). Esta decisión va a
caracterizar la decisión del ingeniero que van a responder de las situación
técnico-económica existente.

1- Se es conservador si se toma 150 ya que es más fiable pero se gasta más en

mantenimiento.
2- Se es medio si se toma 200.
3- Se es optimista si se toma 250, se gasta menos en mantenimiento pensando
que no va a fallar, lo que no es lógico ya que hay más probabilidades que falle.

Otro ejemplo en la búsqueda del fallo:

I CONF = [13.5 min ≤ E ( X ) ≤ 46 min ] = 0.95

Esto significa que el tiempo de la busqueda del fallo en el taller será como
término medio no menor de 13 minutos y no mayor de 46 minutos con una
probabilidad del 95%.

Nota: La periodicidad de las acciones de mantenimiento a la hora de construir el

gráfico del sistema de mantenimiento se debe hacer a partir de la curva de
supervivencia o de mortandad o teniendo en cuenta el recurso gamma porcentual
ya que el intervalo de confianza se usa más para la corrección del sistema y para
planificar la posible sustitución del artículo.

¿Cómo se determina el ICONF?

R/ Depende de la ley

1 - En el caso de la ley de distribución normal se determina el intervalo de

confianza:

a - Para muestra pequeña:

80
 σ (x )
[
E (x ) = E * ( X ) ± ε ] = E * (X ) ± t α 2 ;n −1
(12.29)
n
Donde:
“t” es el parámetro de Student ubicado para α 2 y para (n-1).
σ(x) = σ* (x) → se asume por ser muestra pequeña.
α2 = β

b - Para muestra grande:

 σ (x ) σ (x )
P  E * ( X ) − Uα 11 ∗ ≤ E ( X ) ≤ E * ( X ) + Uα 11 ∗ =β (12.30)
 n n 
Donde:
Uα11 - Cuantil para el grado de confianza unilateral, se determina en tabla
[6 Pág. 236] entrando con el valor de α11 (ver 12.7).
σ(x) = σ* (x) → por ser muestra grande.

2 - Para ley de distribución exponencial:

E (x ) = E * ( X ) − ε = r 2 E * ( X ) (12.31)
E ( x ) = E * ( X ) + ε = r1 E * ( X ) (12.32)
Donde:
“r1” y “r2” se tabulan en función también de “ β ” y de “n”.

3 - Para ley de distribución de Weibull:

E (x ) = E * ( X ) − ε = E (x ) * b r2 (12.33)
E (x ) = E * ( X ) + ε = E (x ) * b r1 (12.34)
Donde:
b es el parámetro de forma (ver epig. 6.III)

En caso de no poder determinar r1 y r2 (para la LDE o para la LDW) o no tener los

textos especializados se puede usar la expresión (12.35) para determinar ε (error
de ubicación de la esperanza y que depende de la ley de distribución ajustada,
ver 12.5) y sustituir en (12.28).
σ ( x) (12.35)
ε= argφ ( β )
n

Tabla 12.3 -- Relación entre β y arg φ (β )

Para β arg φ (β ) Para β arg φ (β ) Para β arg φ (β )

0.998 3.00 0.900 1.65 0.700 1.04
0.990 2.60 0.850 1.44 0.682 1.00
0.950 1.96 0.800 1.28 0.600 0.84

81
12.17.- Cálculo de los índices simples y complejos de fiabilidad. (ver
epígrafes 7.1 y 7.2).

12.18.- Construcción de la curva de supervivencia y/o de mortandad

(elaboración de la carta de fiabilidad). [ver 6 figura 3.4 pagina 102]

La curva de supervivencia o de mortandad permite estimar cuantitativamente la

posibilidad de que aparezca un fallo de un articulo en particular al cabo de un
recorrido cualquiera después de instalado en la máquina (ver fig. 5.3).

Asimismo, mediante la curva de supervivencia se puede determinar el recurso

gamma-porcentual, el cual es el recorrido que alcanza o supera determinada
parte (%) de los elementos desde el inicio de su explotación.(ver índices de
durabilidad, epig. 7.1-b).

La unión de las curvas de mortadad o de supervivencia de los diferentes artículos

ubicados en el esquema de un artículo complejo (motor, automóvil, etc.) se
denomina carta de fiabilidad.

12.19.- Demanda de intercambio de piezas y cálculo del módulo de piezas

de repuesto.

Se calculan por las siguientes expresiones:

a- Demanda de intercambio de piezas (IP).

I P = F ( x ) * M * C PIM (12.36)
Donde:
M – Cantidad de máquinas iguales.
CPIM – Cantidad de piezas iguales en la máquina.

b - Módulo de piezas de repuesto a solicitar al inicio del 1r año de explotación

(M P).

M P = I P1 * K S − R Al (12.37)
Donde:
IP1 – Demanda de intercambio de piezas durante el 1er año.
KS – Coeficiente de seguridad (1 - 1.3) (ya que se trabaja con valores medios y
puede ser que fallen más de lo calculado).
RAL – Reserva en el almacén (Stock).

¿Cuál sería el módulo a solicitar para el inicio del 2do año?

MP (para el 2do año) = (IP11 + IP22) * KS - RAL (12.38)

Donde:
IP11 – Son las piezas que fueron cambiadas durante el 1er año de explotación y
durante el 2do año se asume que tienen un año.

82
I P11 = F ( X 1 ) * M 11 * C PIM (12.39)

IP22 - Son las piezas que fueron cambiadas durante el 2do año de explotación.
IP22 = IP2 - IP1 (12.40)

IP2 - Son las piezas que iniciaron la explotación y fallaron a los 2 años
I P 2 = F ( X 2 ) * M * CPIM (12.41)

Ejercicio No 11:

Determine el módulo de correas a solicitar a ATM para el 1er año y 2do año de
los 50 automóviles del ejercicio No 2.

Ejercicio No 12:

Realice el cálculo fiabilístico de un artículo i hasta el cálculo del intervalo de

confianza. Aplique el procedimiento.

R/ Ejercicio No. 12
Pasos.
12.1 - Selección de la muestra mínima.

La representatividad de la muestra, cuando no se conoce la ley de distribución

que sigue el artículo, se puede calcular por medio de (12.1) para:

α 1 = 0,90 (nivel de significación en función de las exigencias del investigador).

R(x) min = 0,95.

ln(1 − α 1 ) ln(1 − 0.9) − 2,30

n teoMIN = = = = 44,89 = 45 muestras
ln R(x ) min ln 0.95 − 0,05

12.2 - Hacer el experimento. Obtener información muestral en la cantidad y con la

calidad requerida.

En este caso se tomaron los datos de forma pasiva a través de la documentación

existente en la base.

12.3 - No se aplicó La Ley de Pareto porque solo se está estudiando un artículo.

12.4 - Ordenar la muestra.

Se obtuvo una data inicial de 102 VA, se le hizo la limpieza de la muestra

tomando el criterio de eliminar el 3% para eliminar las VA no representativas de la
muestra, por lo que se obtuvo n=99. Cada una de éstas variables representa el
recorrido entre fallos del artículo estudiado.

83
Tabla A- Recorrido entre fallos (km.)
411 525 667 809 880 893 1332 1409 1512 1968 1980
1982 2017 2123 2141 2293 2306 2596 2683 2740 3019 3044
3185 3374 3527 3532 3561 3562 3584 3640 3818 3942 3966
3962 4318 4602 4721 4743 4790 4892 4949 4965 5204 5219
5361 5517 5582 6101 6132 6182 6598 6680 6894 6968 7164
7192 7323 7456 7472 7529 7975 8025 8112 8120 8150 8158
9573 9902 9914 10020 10085 10702 10786 10807 10923 10985 11266
11280 11412 11671 12796 13085 13457 14734 15161 15197 15848 16054
16142 17320 17331 19821 20496 21267 21752 22817 23000 24640 25141
n = 99

12.5 - Determinar la cantidad de intervalos de clase para n = 99.

.
k = 1 + 3,31 log n (12.10)
k = 1 + 3,31 log 99
k = 7,6 ⇒ 8 intervalos

12.6 - Determinar ancho del intervalo.

∆x =
( X max − X min ) = 25141 − 411 = 3091 (12.11).
K 8

12.7 - Representación tabular de la distribución de frecuencia.

Límite de clase Marca Frec. k Frec. Func.
clase ABS ∑ ni * Relat. Di strib. f*(Xi).Yi
* 2
[Yi –E (X)] .f*(Xi )
Xinf Xsup Yi ni * i =1 f*(Xi) F*(Xi)
1 0 3091 1545 22 22 0,2222 0,2222 343,29 9041569,2
2 3091 6182 4636 28 50 0,2828 0,5050 1311,06 3057260,5
3 6182 9273 7272 16 66 0,1616 0,6666 1248,68 6268,98
4 9273 12364 10818 14 80 0,1414 0,8080 1529,66 1184291,1
5 12364 15455 13909 6 86 0,0606 0,8686 842,88 2170734,65
6 15455 18546 17000 5 91 0,0505 0,9191 858,5 4159912,35
7 18546 21637 20091 3 94 0,0303 0,9494 608,75 4485516,93
8 21637 25141 23389 5 99 0,0505 0,9999 1181,14 12077956,84
∑n = 99 E(x)=7923,96 D(x)= 36183510

12.8 - Calcular los estadígrafos.

a- Esperanza matemática.
k
E * ( x) = ∑ f ( Xi ) * .Yi =7923,96km (12.15)
i =1

84
b – Varianza.
k
D ( X ) = ∑ [Yi − E ( x )] . f * ( x i ) = 36183510,55km 2
2
(12.19)
i =1

c - Desviación media cuadrática.

σ * ( x) = D ( X ) = 6015,27km

d- Coeficiente de variación porcentual.

σ * ( x)
V ( x) = *
*
= 0,759
E ( x)

Es importante expresar los estadígrafos acompañados de sus respectivos errores,

de manera que haya certeza en qué rango se encuentran sus valores (5.19 y
12.42)
σ * ( x) 6015,27
ε E ( x) =
*
= = 604,56km
n 99
σ * ( x)
ε σ ( x) =
* = 427,48km (12.42)
2n
Expresándose como estadígrafos de la forma siguiente:
E*(x)= E* (x) ± ε E* (x) =7923,96 ± 604,56 Km
σ*(x) = σ*(x) ± ε σ* (x) = 6015,27 ± 427,48 Km.
12.10 - Representación gráfica (histograma).

ni*

Xi

12.11- Plantear la hipótesis con V(x) y el histograma.

V * ( x) = 0,759 ⇒ Ley de distribución exponencial

85
12.12 −Cálculo de la función de distribución teórica [F ( X )] (De la población)
para la LDE.

x
F ( x ) = ∫ f (x )dx = 1 − e −λxi = 1 − e −λ * yi
0

1
λ= = 1,262 * 10 − 4
E (x )

Ver resultados en columna 4 de tabla B.

12.13− Cálculo de la frecuencia relativa teórica [ f ( X )] para el ajuste de curva

por el método del χ 2 .

Se calculan los valores de las frecuencias relativas teóricas para cada intervalo
f(Xi) por la expresión (12.21):
[ ]
f ( X i ) = F ( X i ) − F ( X i +1)

Ver resultados en columna 6 de tabla B.

12.15 − Ajuste por el método de X2.

Se debe cumplir que:

X2 cal < X2 tab.
]
2
*
K [n − n * f ( x )
X cal = ∑
2 i i = 4.7876 (12.23)
n * f ( xi )
i =1

Ver resultados en columna 8 de tabla B.

χ
2
En la tabla estadística de se ofrece su valor en función de los grados
tab

dlibertad “r” y del nivel de significación α 1 que se exija al ajuste.

Los grados de libertad se determinan por:

r=k–1 –S

Para k = 8 y s = 1 (L.D.E solo depende de λ )

r = k – 1 – S = 8 −1−1= 6

Para α 1 = 0,10 y r = 6 ⇒ X2Tabulado= 5.35

Se cumple que:
X 2cal = 4.7876 <X 2tab, = 5.35

Por lo tanto la muestra se ajusta a la Ley de Distribución Exponencial.

86
Tabla B- Resultados obtenidos de los cálculos.
(8)
(1) (2) (3) (4) (5)
(6)
(7) [ni * −nP( X i )]2
f(Xi) = [F(Xi)-
K Yi f(x) F(x) R(x) ni* n.P( X i )
F(Xi+1)]

1 1545 1,038.10- 4 0,177 0,823 0,177 22 1,1438

2 4636 7,03.10- 5 0,443 0,557 0,266 28 0,1054
3 7727 4,759.10- 5 0,623 0,377 0,18 16 0,1858
4 10818 3,22.10- 5 0,745 0,255 0,122 14 0,3058
5 13909 2,18.10- 5 0,827 0,173 0,082 6 0,5526
6 17000 1,476.10- 5 0,883 0,117 0,056 5 0,0534
7 20091 9,99.10- 6 0,921 0,079 0,038 3 0,1543
-6
8 23389 6,59.10 0,947 0,053 0,026 5 2,2865
∑ =4.7876
∑ = 99 ∑ = X2cal

12.16 − Determinación del intervalo de confianza de la media o esperanza

matemática.

P[E * ( X ) − ε ≤ E ( X ) ≤ E * ( X ) + ε ] = β (12.28)

σ ( x)
ε= argφ ( β ) (12.35)
n

Para β = 0.9 en la tabla 12.3 se obtiene arg φ (0.9 ) = 1.65

Sustituyendo σ(x) = 6015.27 km, 99 y arg φ (0.9 ) = 1.65 en (12.35)

ε = 604,56 * 1.65 = 997.524

Sustituyendo en 12.28 para E* (x)= 7923.96 km y ε = 997.524 con β = 0.9 se

obtiene:

ICONF = [6626.43 km ≤ E(x) ≤ 8921.48 km]

¿Para qué sirve este resultado en el campo del mantenimiento?

13. LEY DE PARETO APLICADA A LA FIABILIDAD.

El nombre de Pareto fue dado por el Dr. Joseph Juran en honor del economista
italiano Vilfredo Pareto (1848-1923) quien realizó un estudio sobre la distribución
de la riqueza, en el cual descubrió que la minoría de la población poseía la mayor
parte de la riqueza.

87
Con esto estableció la llamada "Ley de Pareto" según la cual la desigualdad
económica es inevitable en cualquier sociedad.

Vilfredo Pareto (1848-1923)

El Dr. Juran aplicó este concepto a la calidad, obteniéndose lo que hoy se

conoce como la regla 20/80 (¨Lo mucho de pocos y lo poco de muchos¨).La Ley
de Pareto plantea que el 20% de los aspectos que se estudian provocan el 80%
de los problemas.

Hay que buscar los rubros que más influyen o quienes provocan los problemas.

En el desarrollo del método se confeccionan una tabla estadística en la cual se

clasifican los sistemas y los elementos por clases (A, B, C). Aquellos elementos
que resulten clase A son los de mayor peso en el estudio ya que deben
representar alrededor del 80 % de los problemas.
Con el uso de este método se pueden despejar todos aquellos elementos que en
realidad no son de gran influencia en el estudio.

Por lo tanto, el análisis de Pareto es una técnica que separa los “pocos vitales”
de los “muchos triviales” y es una herramienta de calidad que plantea “En
cualquier negocio o industria pocos elementos son vitales, mientras que la gran
mayoría no lo son”.

Recomendación de su uso:
• Para identificar oportunidades para mejoras.
• Para identificar un producto o servicio para el análisis de mejorar su calidad.
• Cuando existe la necesidad de llamar la atención a los problemas o causas
de una forma sistemática.
• Para analizar las diferentes agrupaciones de datos.
• Al buscar las causas principales de los problemas y establecer la prioridad de
las soluciones.
• Para evaluar los resultados de los cambios efectuados a un proceso (antes y
después).
• Cuando los datos puedan clasificarse en categorías.
• Cuando el rango de cada categoría es importante.

Desde la década del 80 del pasado siglo en muchas empresas del país en el
ramo del transporte se han realizado estudios de fiabilidad encaminados a
determinar las demandas de piezas de repuestos, conocer los sistemas y piezas

88
que más afectan a la producción, determinar los índices de fiabilidad , organizar el
sistema de mantenimiento, realizar rediseño y/o reclamaciones a los proveedores,
estas investigaciones se realizaban en la mayoría de los casos a todas los
sistemas y piezas que fallaban en las máquinas de una empresa, en otros casos
se realizaba por experiencias apoyadas en datos estadísticos.
Al realizar la investigación y aplicar la metodología de la fiabilidad a todos las
piezas y / o sistemas que fallan en un parque de máquinas se desperdiciaba
tiempo en la realización de los cálculos de piezas no críticas, pero si además se
usaba para calcular y solicitar los módulos de piezas de repuesto también se
despilfarraba dinero en piezas que en la mayoría de los casos iban a engrosar el
inventario de piezas ociosas o piezas de bajos movimiento (según la filosofía JIT
(Just In Time) el inventario se considera un despilfarro imperdonable), ambas
provocaban gastos innecesarios que en muchas entidades podían alcanzar
sumas considerables.
La Ley de Pareto vino a solucionar esta problemática al poder ser aplicada como
herramienta para determinar las piezas criticas y determinar a cuales piezas y
sistemas de la máquina hay que prestarle más atención y por lo tanto dedicarle
los recursos financieros, materiales y humanos.
Esta metodología fue incorporada (1998) a los programas de las asignaturas de
Fiabilidad que impartía el Departamento de Ingeniería del Transporte de la
Facultad de Ingeniería Mecánica del ISPJAE tanto en pregrado como en post-
grado y ha sido empleada en el estudio del comportamiento de las piezas y
sistemas de las cuñas tractivas de CUBALSE (1998) y AUSA (2005-2009), autos
taxi Citroen en PANATAXI (2001) y en los autos Peugeot 106 y Ladas 2107 en
PANATRANS (2004).

13.1- Aplicación de la Ley de Pareto.

Pasos:
1.- Determinación de los rubros que se incluirán en el programa.
2.-Construir la tabla estadística a partir de las sumas totales de las magnitudes
observadas y registradas.
3.- Resumen por clases.
4. Construcción y análisis del Diagrama de Pareto.
5. Plan de medidas.

Se analizará con un ejemplo práctico en la Empresa CUBALSE

Paso No1.- Determinación de los rubros que se incluirán en el programa.

1. Rubros que se incluirán en el análisis: Los 10 fallos más frecuentes en las

cuñas tractivas de Transporte CUBALSE.
2. Período analizado: Del 1/1/98 hasta el 31/12/98.
3. Unidad empleada: Cantidad de fallos.
4. Localización de la información. Los datos se obtuvieron por el método pasivo
en el archivo de Transporte CUBALSE.

Este paso es de vital importancia porque:

89
1ro – Define que se va a investigar. En este caso los fallos más frecuentes, pero
pudo haber sido otro rubro. Ej. Las veces que falla cada cuña tractiva, la
probabilidad de fallo de cada cuña.
2do – Es importante declarar bien el período (fecha desde – fecha hasta) y el
mismo tiene que ser coincidente, ya que Pareto es repetitivo, se aplican las
acciones propuesta y después se va comprobando en los períodos siguientes la
efectividad de las medidas tomadas. Se aconsejan períodos 3 – 12 meses.
3ro – La unidad empleada es la decisión ingenieril más importante, la cual
responde a los intereses de la investigación y de la empresa que la está
realizando.
En este ejemplo se tomó cantidad de fallos, pero pudo ser otras unidades:
• El valor de las piezas, agregados o sistemas que fallan.
• Pérdidas por estadías que provocan los fallos.
• Las pérdidas representativas de los tipos de fallo, etc.

4to – Siempre hay que tomar los datos estadísticos por el mismo método (activo o
pasivo) y en el mismo lugar.
Paso No2.-Construir la tabla estadística a partir de las sumas totales de las
magnitudes observadas y registradas.

Para confeccionar esta tabla estadística se tomaron los datos de las veces que
fallaron los 10 fallos y se colocaron en la tabla en orden descendente desde la
pieza que más falló (1) hasta la que menos falló (10), posteriormente se completó
la tabla de izquierda a derecha por medio de cálculos sencillos para determinar
las clases de los fallos.

Tabla 13.1- Tabla estadística de Pareto

Magnitudes % Suma
Suma
Rubros sumadas por acumulado acumulada del Clasificación
acumulada
en cada rubro por rubro % por rubro por
de las
análisis (frecuencia (frecuencia (frecuencia clases
magnitudes
absoluta) relativa) acumulada)
1 102 102 28,25 28,25 A
2 91 193 25,21 53,46 A
3 60 253 16,62 70,08 A
4 36 289 9,97 80,05 A
5 33 322 9,14 89,19 B
6 11 333 3,05 92,24 B
7 11 344 3,05 95,29 B
8 7 351 1,93 97,22 C
9 5 356 1,38 98,6 C
10 5 361 1,38 99,98 C
Total 361 99,98 ≈ 100

Clasificación de los rubros por clases:

1- Clase A: Los rubros más importantes (control por importancia).

90
2- Clase B: Los rubros de importancia media (control por excepción).
3- Clase C: Los menos importantes.

Existen dos formas de determinar la clase de los rubros en la tabla estadística:

1- Por el 20% de los rubros.

2- Por el 80% del valor acumulado.

I − Por el 20 %, serán:

Clase A → el 20 % de los rubros.

Clase B → entre el 30 y 40 % de los rubros.
Clase C → entre el 50 y 40 % de los rubros.

II − Por el 80 % del valor acumulado (frecuencia acumulada).

Es el que se recomienda usar en la fiabilidad o sea se busca alrededor del 80 %
de los problemas para determinar cual % lo provoca, por lo tanto no tiene porque
coincidir con el 20 %) y serán:

Clase A → alrededor del 80 % de los problemas

Clase B → el 15% de los problemas.
Clase C → el 5% de los problemas.

En el ejemplo mostrado si se toma el 20% de los rubros sólo se resuelve el

53,46% de los problemas.

Al utilizar el 80% del valor acumulado, resulta:

Clase A → 80% → 1 al 4 ⇒ 80,05%

Clase B → 15% → 5 al 7 ⇒ 15,24%
Clase C → 5% → 8 al 10 ⇒ 4,69 %

Al decidir esta forma, como se observa, hay que distribuir los recursos entre más
rubros y se necesita más tiempo para las acciones que se planifiquen.

Paso No 3.- Resumen por clases.

Para este ejemplo se obtienen los resultados de la tabla 13.2.

Tabla 13.2 - Resumen por clase

% Razón de
% de rubros Razón de
acumulado Establecer importancia
Clases dentro de importancia
que representa relación relativa
la clase absoluta
cada clase
A 40 80,05 80,05 / 40 2,00 13,3
B 30 15,24 15,24 / 30 0,51 3,4
C 30 4,69 4,69 / 30 0,15 1

91
La relación de A significa que el 40% de los rubros son los que provocan el 80.05
de los fallos en las cuñas tractivas.

La razón de importancia absoluta de A es 2 y como se ve es mucho mayor que la

de B y C.

La razón de importancia relativa es la relación de A y B respecto a C.

2,00 / 0,15 = 13,3 ⇒ que A es 13,3 veces más importante que C.

0.51 / 0,15 = 3.4 ⇒ que B es 3.4 veces más importante que C.

Paso No 4. Construcción y análisis del Diagrama de Pareto.

El Diagrama de Pareto no es más que la elaboración de un histograma o la

función de distribución acumulada. (ver figura 13.1). [1, pag 728]

Fig. 13.1-Diagrama de Pareto

Análisis del Diagrama de Pareto (es repetitivo):

1- Hay que construir diagramas con características y períodos iguales para poder
analizar la estrategia y acciones tomadas.
2- La estrategia y acciones son dirigidas a los rubros de clase A.
3- Después del plan de medida, debe observarse el alto de las barras, si han
disminuido, las acciones son efectivas, pero si se mantienen igual o han
aumentado entonces las acciones han sido malas.
4- La disminución de la altura de las barras significa una mejora equivalente a la
magnitud de la disminución.

92
5- Llegará el momento en que los rubros A pasen a clase B o C y estos pasen a
clase A, lo que obligará a dirigir las acciones a los nuevos rubros de la clase A.
Lo ideal sería que la altura de todas las barras sea del mismo alto.

Después de analizar los 10 fallos más frecuentes en las cuñas tractivas y la

utilización de Pareto se llegó a la conclusión de que los fallos más críticos son los
que están incluidos dentro de la clase A y a éstos son a los que se les hará un
estudio fiabilístico para determinar la periodicidad de cambio de los elementos y
así poder incluirlo en el ciclo de mantenimiento.

Paso No 5. Plan de medidas.

El plan de medidas para los artículos clase A podrían ser:

 Se les puede aplicar técnicas diagnóstico técnico para seguir la evolución del
estado técnico de dichos artículos.
 Se pueden pasar de mantenimiento preventivo a predictivo.
 Darles un mejor mantenimiento, usar los mejores operarios.
 Darles más atención.
 Asignarles más dinero.
 Asignar mejores choferes, etc.

La Ley de Pareto se encuentra en el programa Statgraphics y en el programa

SAEM (Sistema de Análisis Estadístico para el Mantenimiento, en el CEIM –
Cujae).

Nota importante.
Se debe destacar que la unidad empleada en este caso no es representativa para
la empresa, ya que no refleja las pérdidas totales que representa los fallos.

Cuando se toma cantidad de fallos como unidad de Pareto no tiene en cuenta el

valor de cada pieza, las pérdidas por estadías que puede provocar cada fallo, las
afectaciones a la seguridad o al medio ambiente, etc.

Para lo cual se creó un nuevo índice a evaluar que integre todos los gastos, el
cuál fue llamado Pérdidas Representativas (todas las perdidas que provoca el
fallo) y es la unidad que se recomienda usar en el estudio de los fallos en los
medios de transporte.

14. PÉRDIDAS REPRESENTATIVAS (SU CÁLCULO).

Pasos:
1 – Cálculo de las pérdidas representativas (PR).
.
PR = CTA + C AM + CCPEST ($) (14.1)
Donde:
CTA : Costo total de los artículos i que son cambiados debido al fallo.
C AM : Costo total de la acción mantenimiento debido al fallo.
CCPEST : Costo para compensar las pérdidas por estadía que provoca el fallo.

93
2- Cálculo del costo total de los artículos i que son cambiados debido al
fallo.

K
CTA = ∑ ni ∗ Pai ($) (14.2)
i =1
Donde:
ni : Cantidad de artículos i.
pai : Precio del articulo i a partir de listados de precios.
K: Cantidad de artículos i diferentes que son cambiados debido al fallo.

3 - Cálculo del costo total de la acción de mantenimiento debido al fallo

C AM = (C D + C I ) ∗ f ($) (14.3)
Donde:
CD: Costo directo.
CI: Costo indirecto.
f: Cantidad de fallos.

4- Cálculo del costo directo (C D).

CD = SB + SC + SSS + C Mat + CSC + OG ($) (14.4)

Donde:
S B: : Salario básico.
S C : Salario complementario.
S SS : Aporte a la seguridad social.
CMat : Costo en materiales.
CSC- Costo servicios contratados (electricidad, agua).
OG : Otros gastos directos.

a − Cálculo del salario básico (SB).

oi
S B = ∑ OCI ∗ LM * Th ($) (14.5)
i =1
Donde:
OCI: Cantidad de trabajadores de calificación i que participan en la acción.
LM- Labor media que deben ejecutar los trabajadores de calificación i para
garantizar la acción de mantenimiento (h / acción).
Th - Tarifa horaria del personal ($/ h).
Oi: Obreros de diferentes categorías y calificación que participan en la acción de
mantenimiento.

b- Cálculo del salario complementario (SC).

SC = 0.0909 * SB ($) (14.6)

94
c-Cálculo del aporte a la seguridad social (SSS).

S SS = 0.08 * ( S B + S C ) ($) (14.7).

d − Costo de los materiales (combustibles, lubricantes, materiales

auxiliares, etc.).

C Mat = ∑ Qui ∗ mi ($ / acción) (14.8)

i =1
Donde:
QUi : Costo de la unidad de medida del material i utilizada en la acción ($ /unidad).
mi : Cantidad de material i que se requiere para ejecutar la acción (unidades /
acción)
m: Cantidad de diferentes materiales usados.

e- Costo Servicios contratados (electricidad, agua, vapor, aire comprimido)

Se calcula con la misma ecuación del cálculo del costo de materiales (14.8), solo
que ahora se sitúa el costo de la unidad energética ($ / kw-h), o del litro de agua,
o del metro cúbico de vapor a tal presión con la cantidad que se necesita en la
acción.

Nota:
Los costos del artículo i que se cambia debido al fallo se tienen en cuenta en la
ecuación (14,2), por lo que no están presentes en esta fórmula. Los costos por
electricidad y otros gastos se pueden tener en cuenta en los costos indirectos.

5 - Cálculo del costo indirecto.

Ci = Td * S B (14.9)
Donde:
C i : Costo indirecto.
Td : Taza de distribución de los costos indirectos.
Ejemplo. Td = 1.20

6 - Costo para compensar las pérdidas por estadía que provoca el fallo.

CCPEST : = TE * TH (14.10)
Donde:
CCPEST : Costo para compensar las pérdidas por estadía.
TE: Tiempo total de estadía de la máquina debido al fallo.
TH: Tarifa horaria de servicio del vehículo ($ / h).
_
TE = E ∗ f (14.11)
Donde:
_
E : Estadía media debido al fallo.

95
Modelo a utilizar para la recogida de la información.

Modelo # 4. Para el cálculo de las pérdidas representativas por pieza:

No Fallo Costo Canti Costo de la pieza i Costo Costo para Pérdi das
de la dad por canti dad de de compensar las representati
pieza i de piezas i (Uni dad Mtto. pérdi das por vas.
que es piezas Monetaria) (14.3) estadía. (14.1)
cambia i (14.2) (14.10)
da por
el fallo

15. USO DEL STATGRAPHICS VERSIÓN 2.1 APLICADO A LA FIABILIDAD.

Se va a explicar a través de un ejercicio.

Ejercicio No 13:

Dada la siguiente muestra de un artículo (Ejemplo. Correa del alternador).

a) Haga el cálculo fiabilístico y planifique el cambio del artículo en una actividad
de mantenimiento.
b) Determine además F (x) y R(x) para el valor medio (esperanza matemática).

Realice el cálculo manual y compruébelo con el uso del Statgraphics.

Datos:
Tabla 15.1 Valores de la variable aleatoria continúa de la muestra (tomados de
forma pasiva a través de la documentación técnica)
2541 3083 3357 3551 4259 4775 4863 5595 5747 6039 6263
6370 6851 7861 8822 9274 9506 10738 11603 12269 13966 13980
15943 16844 18240 21006 22589 22910 24271 24859 27324 31412 32091
33796 34979 35724 38721 38938 40967 41495 42500
n = 41
R/ Ejercicio No. 13

13.a − Cálculo manual (pasos).

¿Qué piden?
R/ Determinar la durabilidad del artículo para realizar su cambio en un tipo de
mantenimiento planificado, por lo tanto hay que llegar hasta el paso 16 del
procedimiento (determinación del intervalo de confianza (epig. 12)).

1 Cálculo de la muestra mínima (por el método aproximado).

ln(1 − α 1 ) ln(1 − 0.85) − 1.897
nteo min = = = = 37.9 ≈ 38 elementos (12.1)
ln R(t ) min ln 0.85 − 0.05

96
2- Recoger la información.
Se tomaron los datos de forma pasiva a través de la documentación.

4- No se va aplicar Ley Pareto (es un solo artículo).

5- Ordenamiento de la muestra.
En este caso se recolectó un total de 45 valores de la variable aleatoria de las
cuales se realizó una limpieza para eliminar valores anormales de las mismas.
Estos valores representan los valores de los km. recorridos hasta el fallo del
artículo en estudio (ver tabla 15.1, ya los datos están ordenados).

5-Determinación de la cantidad de intervalos:

k = 1 + 3.31 ∗ log n (12.10)

Para n = 41
⇒ k = 6.34 ⇒ 7 intervalos

Se decidió k = 7 intervalos, pudo haber sido 6 intervalos, esto es una decisión del
especialista.

6− Determinación del ancho de intervalo.

x max − x min 42500 − 2541
∆x = = = 5708.43 km (12.11)
k 7

7- Representación tabular de la distribución de frecuencia.

Determinando las marcas de clase, las frecuencias relativas y las funciones de
distribución acumuladas por 12.12, 12.13 y 12.14.

Tabla 15.2 - Representación tabular de la distribución de frecuencia

k Xinf Xsup Yi n*i f * ( Xi) F * ( Xi ) f * ( Xi) ∗ Yi (Yi − E ( x)) 2 ∗ f * ( Xi

1 2541 8249. 5395. 14 0.341 0.341 1839.77 53442408.93

2 8249. 13957 11103. 6 0.146 0.487 1621.13 6771825.35
3 13957 19666. 16812. 5 0.122 0.604 2051.07 148165.35
4 19666. 25374. 22374 5 0.122 0.731 2747.50 2588708.36
5 25374. 31083. 28228. 1 0.024 0.755 677.49 2553497.23
6 31083. 36791. 33937. 5 0.122 0.877 4140.36 31322873.05
7 36791. 42500. 39645. 5 0.122 0.999 4836.79 57616494.73
n = 41 E(x)=17914.11 D( x ) = 154443973

7 − Cálculo de los estadígrafos.

k
E ( x) = ∑ f * ( Xi) ∗ Yi = 17914.11 km.
i =1
k
D = ∑ (Yi − E ( x)) 2 ∗ f * ( Xi) = 154443973 km. 2
i =1

97
σ (x ) = D ( x) = 12427.55 km.

σ (x )
v( x ) =
12427.55
= = 0.694
E ( x) 17914.11

Cálculo del margen de error de la media aritmética y de la desviación estandar.

σ ( x) 12427.55
εE ( x) = = = 1940.86..Km
n 41
σ ( x) 12427.55
εσ ( x) = = = 1372.39..Km
2n 82

exp resandose :
E ∗ ((x ) = E ∗ ( x) ± εE ∗ ( x) = 17914.11 ± 1940.86..Km
σ ∗ (x ) = σ ∗ ( x) ± εσ ∗ ( x) = 12427.55 ± 1372.39..Km

9 - Se hizo la limpieza de la muestra en el paso 4.

10 - No se va hacer la representación gráfica.

11- Plantear la hipótesis.

Con V(x) = 0.694 ⇒ hipótesis: LDE

12.- Cálculo de función de distribución teórica [F ( X )] (De la población).

Planteada la hipótesis de la ley a ajustar, se calculan los valores de la función de

distribución teórica para cada Intervalo utilizando la ecuación correspondiente de
dicha ley, en este caso.
F ( x ) = 1 − e − λ *Yi

λ (x ) =
1
= 5.582 ∗ 10 −5.Km −1 (por propiedad de la LDE).
E ( x)

Se sustituyen los valores de las Yi de la tabla 15.2 y de landa en la función de

distribución de la LDE (F(x)), ver los resultados en tabla 15.3

13.- Cálculo de la frecuencia relativa teórica [ f ( X )] para el ajuste de curva por el

método del χ 2 .
No se va ajustar por este método.

14.- Cálculo de las diferencia entre la función de distribución teórica y la función

experimental para el ajuste de curva por el método Kolmogorov- Smirnov. (este es
el método que se va a usar).

98
Se determinan las diferencias entre las funciones de distribución teórica y
experimental en cada intervalo de la serie (de tabla 15.2 y 15.3):

[ ]
Di = F ( X i ) − F * ( X i )

D1 = [0.260 − 0.341] = 0.081

D7 = [0.891 − 0.999] = 0.108 ⇒ Dmax [ver tabla 15.3]

Con f ( x) = λe − λ *Yi y R ( x) = e − λ*Yi se completa la tabla 15.3

Tabla 15.3 - Valores para el ajuste de curva por Kolmogorov-Smirnov.

Yi f(x) R(x) F(x) ni* F*(xi) Di =[F(xi) - F*(xi)]
1 5395.22 4.13 E-5 0.740 0.260 14 0.341 0.081
2 11103.65 3.00 E-5 0.538 0.462 6 0.487 0.025
3 16812.08 2.18 E-5 0.319 0.609 5 0.609 0.000
4 22520.51 1.59 E-5 0.284 0.716 5 0.731 0.015
5 28228.94 1.15 E-5 0.207 0.793 1 0.755 0.038
6 33937.37 8.39 E-6 0.150 0.850 5 0.877 0.027
7 39645.80 6.10 E-6 0.109 0.891 5 0.999 0.108

15 - Ejecución del ajuste de curva.

Se va a realizar por el criterio de Kolmogorov-Smirnov que plantea que una curva

se ajusta siempre que la diferencia máxima sea menor que cierta diferencia
admisible:

Dmax < Dadm (12.25)

Donde:
K 1.22
Dadm = s = = 0.190 (12.26)
n 41
donde:
K s − depende..deα 1 para α 1 = 0.1 ⇒ K s = 1.22 [de tabla 12.2]

Sustituyendo en 12.25.

0.108 < 0.190 ⇒ Por lo que la curva se ajusta a una LDE.

16 - Intervalo de confianza.

Se determina a través de la siguiente expresión que se obtiene de sustituir 12.35

en 12.28:
σ ( x)
I conf = E * ( x) ± εE ( x) arg φ ( β ) = E * ( x) ± arg φ ( β ) (12.28 – B)
n
Para β =0.90 ⇒ arg φ (0.90) = 1.65 [de tabla 12.3]

99
 σ ( x) 12427.55
Y εE ( x) = = = 1940.86km
n 41

Sustituyendo en 12.28 - B:
I conf inf = E * ( x) − εE ( x) arg φ ( β ) = 17914.11 − 1940,86 * 1,65 = 17914,11 − 32024.Km
I conf sup = E * ( x) + εE ( x) arg φ ( β ) = 17914.11 + 32024km
I CONF = [14711,71 ≤ E ( x ) ≤ 21116,51]km

¿Qué quiere decir este resultado?

R/ Que el recorrido medio hasta el fallo será como término medio no menor de
14 711,71 km y no mayor de 21 165,51 km con una probabilidad de un 90% o
sea la media de la población se va a encontrar en ese intervalo con una β =0.90.

Nota: Quizás este ICONF sea bastante grande.

¿Por qué puede ocurrir esto?

R/ Puede ser por 3 razones:

1. A problemas de mala manipulación de las correas durante la explotación.
2. A problemas de inadecuada obtención de los datos o los mismos fueron
falseados.
3. Debido a no ser representativa la muestra.
En este caso hay que calcular o recalcular la muestra mínima, lo cual se
puede hacer por el método de muestra no finita conociendo el fenómeno a
analizar, donde se puede asumir la ley a través del coeficiente de variación
V(x), en este caso se toma el coeficiente de variación de experimento V(x) =
0.694, lo cual queda de estudio independiente.

¿Dónde se cambia el artículo si el gráfico de mantenimiento es el siguiente?.

4 8 12 16 20 24
MT1 MT2 MT1 MT2 MT1 MT3
MT1 = 4 000 km, MT-2 = 8 000 km, MT-3 =24 000 km.

R/ En este caso hay 2 posibilidades:

1 - cambio el artículo a los 16 000 km.
2 - O a los 20 000 km.

En ambos casos cambiaría la estructura del gráfico de mantenimiento, lo que

llevaría un análisis más profundo al tomar cualquier decisión ya que habría que
hacer una corrección completa del gráfico de mantenimiento.

100
No obstante, si se decide por 20 000 km se aprovecha más recurso y por lo tanto
la decisión es más económica, pero se pierde en fiabilidad, lo contrario ocurre si
se decide por 16 000 Km.

Por lo tanto esto depende de diversos factores de análisis.

Por ejemplo si el artículo pertenece a un sistema que garantiza la seguridad del

operario la decisión debe ser la de mayor fiabilidad, por lo tanto a los 16 000 km
debe ser el cambio. A la larga es una decisión de compromiso.

R/ Ejercicio No 13 - Cálculo aplicando el programa Statgraphics (SG) a la

fiabilidad.

Nota 1: En este manual de usuario para el uso del programa Statgraphics plus
versión 2.1 en la fiabilidad. Este fue confeccionado tomando como referencia el
procedimiento para el experimento fiabilístico (epig. 12). De esta manera será de
mayor facilidad para el lector conocedor del algoritmo, la comprensión y uso del
programa.

El programa cuenta con 4 opciones que son Untitled, Statadvisor, Histogram y el

Statgraphics.

Untitled:
Se utiliza para colocar el listado de la unidad del elemento analizar.

The StatAdvisor:
Está disponible para el uso con la mayoría de los análisis estadísticos. La
interpretación incluye una explicación simple de los resultados. La interpretación
varía según las variables que usted usa en un análisis.
Cuando usted pulsa el botón del icono de The StatAdvisor en la barra de
herramientas de la aplicación se despliega el menú de mando. Las órdenes son:
restaure, mueva, clasifique según tamaño, minimice, aumente al máximo, cierre.

Histogram:
Representación gráfica de una distribución de frecuencias por medio de
rectángulos, cuyos anchos representan intervalos de la clasificación y cuyas
alturas representan las correspondientes frecuencias.

Nota 2: En la pantalla principal del SG, en la secuencia Special se puede trabajar

con Pareto.

Desarrollo del ejercicio 13 -a usando el Statgraphics (SG).

Pasos:

1- Entrada de datos de la muestra.

Para introducir los datos de la muestra, marque en la parte inferior de la pantalla

principal del Statgraphics la opción Untitled.

101
Los datos se introducen por columnas, es decir cada muestra de la variable
aleatoria o característica investigada en cada columna.

Si quiere poner el nombre de la columna se pone el cursor encima de ella, se da

click normal y después click derecho (poner nombre).

2- Obtención del resumen estadístico.

a) Marque en la parte superior de la pantalla principal del SG, la secuencia

Describe click Numeric Data click One-Variable Analysis.

b) Aparece la caja de dialogo, defina que columna va analizar:

Marque la columna o nombre de la variable aleatoria (VA) en la opción Data.
Después OK)

3 – Para obtener los estadígrafos:

102
a) Aparece la caja de diálogo One-Variable Analysis Col_1. Marque la opción
tabular (Tabular options, ícono amarillo).

b) Aparece la caja de dialogo Tabular Options. Marque Summary Statistics

(resumen estadístico).

c) Si necesita obtener otras características de la muestra, sobre la pantalla

marque Click Derecho ⇒ Pane Options (ventana) y aparece la caja de
diálogo Summary Statistics Options que permite seleccionar las
características numéricas.

d) Seleccione:
Average (E*(x)), Std. Desviation (σ (x)), Std Error, Min., Max., Coeff.
of Var. (V(x))

e) Marque OK , se obtendrá el cuadro de resultados One-Variable Analysis-

col_1 para Summary Statistics for col _1

103
4 – Para obtener la representación tabular.

a) Se parte de la caja de dialogo One Variable Analysis.

Marque Tabular Options (paso 3-a), aparece la caja de dialogo Tabular

Options.

Marque Frequency Tabulation (paso 3 -b), marque OK.

Se obtendrá el cuadro de resultados One-Variable Analysis-col_1 para

Frequency Tabulation for col _1 (la representación tabular, paso 7 de
procedimiento)

104
b) Si desea introducir el número de intervalos de clase adecuado a su análisis,
de Click Derecho ⇒ Pane Options e introduzca el # de intervalos en la opción
Number of Classes.

c) Marque OK y aparece la nueva representación tabular.

5 – Para obtener el Histograma.

a - En la caja de dialogo One Variable Analysis marque Graphical Options

(ícono azul).

Entonces marque Frequency Histogram.

b) Si desea el polígono de frecuencia sobre el gráfico, de Click Derecho ⇒

Pane Options y marque la opción deseada.

6 – Ajuste de Curva. (Para definir la prueba de bondad y ajuste (χ 2 ó

Kolmogorov)).
a) Debe crear una hipótesis teniendo en cuenta V (x).
En este caso para V (x) = 0.7346 se puede plantear como hipótesis LDE.

b) Marque en la parte superior de la pantalla principal del SG, la secuencia

Describe ⇒ Numeric Data ⇒ Distribution Fitting (ajuste de la distribución)
(paso 2 a).

c) Aparece caja de dialogo (paso 2b). Marque columna que va analizar en la

opción Data, a continuación OK.

105
d) Aparece la caja de diálogo Distribution Fitting Col_1. Marque la opción tabular
(Tabular options, ícono amarillo).

e) Aparece la caja de diálogo Tabular Options. Marque la opción Goodness - of

- Fit Test (prueba de bondad de ajuste).

f) Se obtendrá el cuadro de resultados Distribution Fitting - Col_1 para

Goodness - of - Fit Test for col _1.

Automaticamente el SG hace el ajuste de curva para la LDN, para este caso

el StatAvisor dice que no se ajusta a una LDN ya que p-value min < α1 o sea
0.041< 0.05 ⇒ Se rechaza la LDN.

g) Para definir el tipo de ley a que se quiere ajustar la curva (en este caso LDE),
sobre la pantalla marque Click Derecho, aparece una ventana, marque
Analysis Options y en la caja de diálogo Distribution Fitting Options,
seleccione la ley que se desea ajustar (Exponencial)

f) Marque OK , se obtendrá el cuadro de resultados Distribution Fitting-col_1

para Goodness of Fit Test for col _1

106
Nota: # 1
Esta prueba de bondad y ajuste compara los valores de la frecuencia observada
(Observed Frecuency (n*)) en la muestra con la frecuencia esperada (Expected
Frecuency (n)) de la ley teórica (población).

En pueden usar los siguientes criterios:

A- Para Chi – cuadrado.

1 - Probabilidad de Paerson: P (χ 2, r) > α1 ⇒ OK

α1 se asume y se va a la tabla estadística de χ 2 y se determina en función de

r (grados de libertad) y P(α1).

En este caso P-Value (la probabilidad estimada) = 0.676036 > α1 = 0.1 ⇒ OK

2 – Otro criterio es que se cumpla:

χ 2 tab. > χ 2cal ⇒ OK (ver 12.15-1)

B – Para Kolmogorov –Smirnov si Dmax < Dadm ⇒ OK

En este caso
Dadm = Approximate P – Value = 0.447024
Dmax = Estimated overall statistic DN = 0.13542.

Entonces como 0.135< 0.447 ⇒ también OK por este criterio.

C – Para ambos casos o sea Chi – cuadrado y Kolmogorov –Smirnov (este es el

que emplea el SG).

a - p-value min < α1 ⇒ Se rechaza la hipótesis.

b - p-value min > α1 ⇒ OK, no se rechaza la hipótesis.

Nota: # 2
De todas formas el programa brinda una respuesta en el The StatAdvisor de la
ventana. En su último párrafo se expone una explicación y la conclusión del
ajuste.

The lowest p-value amongst the tests performed equals 0,447020. Because the p-
value for this test is greater than or equal to 0.1, we can not reject the idea that
col_1 comes from an exponential distribution with 90 % or higher confidence.

En español:
El cantidad más bajo de la probabilidad estimada para la prueba ejecutada es
igual a 0, 4470. Porque la probabilidad estimada para esta prueba es mayor o
igual a 0.1 (α1 = 0,1), no podemos rechazar la hipótesis de que se ajusta a una
LDE con un grado de confianza de β = 90 %

Si p-value min > α1 por lo tanto 0, 4470 > 0.1 ⇒ OK

107
En este caso se usó el criterio C y tomó el p-value min de Kolmogorov –Smirnov

Si se quiere comparar entre el histograma de frecuencia de la muestra y la

función de probabilidades ajustada en el cuadro de resultados Distribution Fitting
Col_1 para Goodness - of - Fit Test for col _1, marque Graphical Options
(ícono azul), seleccione Frequency Histogram y aparece un gráfico.

7 – Para determinar el Intervalo de confianza.

a. Marque en la parte superior de la pantalla principal del SG, la secuencia

Describe ⇒ Numeric Data ⇒ One Variable Analysis (paso 2 a).
b. En la caja de dialogo, defina que columna va analizar en la opción Data y
después OK (paso 2 b).
c. Marque el Icono Amarillo (Tabular Options) (paso 3 b).

d. Marque a continuación la opción: Confidence Intervals.

g) Marque OK , se obtendrá el cuadro de resultados One-Variable Analysis-

col_1 para Confidence Intervals for col _1

108
El programa lo analiza automáticamente para β = 85 % y propone el siguiente
intervalo: [14724,0 < E (x) < 20686,81] = 0.85

Nota # 3
Si necesita cambiar el nivel de confianza en la estimación, marque Click
Derecho sobre la pantalla ⇒ Pane Options e introduzca el nivel de confianza
deseado en la caja de diálogo que aparece en la opción Confidence Levels.

Respuesta 13- b usando el SG.

Determinación de F( x ) y R ( x ) cuando la variable aleatoria toma el valor de la

E (x ) , en este caso cuando E ( x ) = 17705,4 km ( de paso 3e ).

R / Para obtener los índices de operatividad así como sus correspondientes

gráficos:

a - Marque en pantalla principal del SG la secuencia Plot (diagrama) click

Probability Distributions.

b - En la ventana se muestran diferentes leyes de distribución, seleccione la

distribución de probabilidad que va a utilizar (Exponential), después OK.

c – Aparece el cuadro Probability Distributions para Distribution: Exponential.

d – Marque sobre la pantalla Click Derecho, click en Analysis Options, en la

ventana Exponential Options se introduce en Mean (media, en este caso
17705.4) los parámetros de la distribución (los vinculos de la ley).

Nota: Se pueden introducir hasta 5 valores para análisis de opciones.

e - Seleccione Icono Amarillo (Tabular Options) que aparece asociado a este

análisis y en la Caja de Diálogo, marque la opción Cumulative Distribution,
deapués OK.

f – En el cuadro Probability Distributions aparece a la izquierda el valor de la

Variable y a la derecha los valores de Lower Tail área [ F(x)], Probability Density
[f(x)] y Upper Tail área [Rx] evaluada para la Variable, el SG automáticamente da
el valor de cero a la Variable.

g – Si se necesita cambiar el valor de la Variable marque Click Derecho sobre

la pantalla, después click en Pane Options y en la ventana Cumulative
Distribution options en Random Variable (variable aleatoria) introduzca el valor
que se necesita, después OK.

En este caso se introduce el valor de la media (17705) que es lo que piden en

este ejercicio y se obtuvieron los siguientes resultados:

1 – Lower Tail área = F(x) = 0, 6321

109
2 – Probability Density = 0,0000207783 este es el valor de f(x) para el valor de la
media, es el punto en el gráfico de densidad de distribución (OJO → en la ventana
Probability Distributions hay un error, ya que denominan a este resultado Valor
de intensidad de fallo).

3 – Upper Tail área = R(x) = 0,3678

e - En la caja de dialogo asociada a este análisis aparece un Icono Azul

(Graphical Options) para obtener los gráficos correspondientes.

Seleccione los siguientes variantes.

1 – Density / Mass Function ⇒ curva f (x)

2 – Survivor ( supervivencia ) Function ⇒ curva R (x)
3 – Hazard ( riesgo ) Function ⇒ curva λ (x )

Nota:
CDF – Cumulative Distribution of the Fitted (da la curva de mortandad o
cumulative probability).

Después de OK, se obtienen los siguientes gráficos.

110
 f(x) = λ*e-λ*x → f(0)= λ*e-λ*0 = λ*e0 = λ = 1/17 705 = 0.000055
→ f (17 705) = 0.0000207

R(x) = e-λ*X → R (0)= e-λ*0 = e0 = 1

→ R (17 705) = 0.367

λ (x) = 1 / E(x) = 1/17 705 = 0.000055.

Es constante, lo que cumple con una de las propiedades de la LDE.

111
16- EL RCM (Reliability Centered Maintenance) COMO FILOSOFÍA DE LA
GESTIÓN DEL MANTENIMIENTO.

El RCM fue desarrollado por la industria de la aviación comercial (civil) de los

Estados Unidos (Boing) en cooperación con la NASA (National Aero Space
Standard) en 1974.

El RCM ha sido utilizado en miles de empresas de todo el mundo, desde grandes

empresas petroquímicas hasta las principales fuerzas armadas del mundo. Lo
utilizan para determinar las tareas de mantenimiento de sus equipos.

El proceso permite determinar cuales son las tareas de mantenimiento adecuadas

para cualquier activo físico.

La norma SAE JA1011 especifica los requerimientos que debe cumplir un proceso
para poder ser denominado un proceso RCM.

Si se materializa una correcta aplicación de esta filosofía, esta transforma la

relación entre el personal involucrado, la planta en si misma y el personal
encargado de hacerla funcionar y mantenerla; permitiendo poner a funcionar
nueva maquinaria a gran velocidad, seguridad y precisión.

El RCM es una filosofía de gestión de mantenimiento en el cual un equipo

multidisciplinario de trabajo se encarga de optimizar los procesos de
producción y disminuir al máximo los posibles riesgos sobre la seguridad
personal y el medio ambiente que traen consigo los fallos de los activos en un
contesto operacional específico. En el mismo se promueve el uso de tecnologías
relevantes en el campo del mantenimiento.

Mantenimiento centrado en la fiabilidad, va dirigida a los activos físicos, busca

garantizar la fiabilidad operacional de la máquina haciendo acciones en función de
la criticidad de la misma, o sea, mantenimiento relacionado con el estado técnico
de la maquina en cada etapa de su vida y en el contexto operacional de la
misma.

Hay que realizar un análisis de funcionalidad y criticidad, para clasificar las

maquina y aplicar el mantenimiento alterno (correctivo, preventivo o predictivo) en
función de su importancia.

El RCM busca disminuir el tiempo de parada por reparación (MTTR) o sea

disminuir la estadía en el taller y aumentar el tiempo medio entre fallos (MTBF) o
sea aumentar la operatividad de la maquina, lo que implica un aumento del
coeficiente de disponibilidad ( K d ).

Esta estrategia, establece el proceso de selección de las tareas de

mantenimiento programado (preventivo) con la eliminación de las causas de falla
(proactivo) sobre la base del conocimiento del estado operativo de los equipos
(predictivo).

112
El objetivo es alcanzar máxima confiabilidad de la planta o la máquina a través de
un “proceso que determina lo que debe hacerse para asegurar que un elemento
físico continúa desempeñando las funciones deseadas”.

El RCM permite distribuir de forma efectiva los recursos tomando en cuenta la

importancia de la máquina dentro del contexto operacional y los posibles efectos
o consecuencias de los modos de fallo (la causa del fallo operacional) de los
activos sobre la seguridad, el ambiente y las operaciones.

El RCM sirve de guía para identificar las acciones de mantenimiento con sus
respectivas frecuencias a los activos más importantes. No es una fórmula
matemática y su éxito se apoya en el análisis funcional de los activos en un
determinado contexto operacional realizado por un equipo de trabajo
multidisciplinario.

El mantenimiento solo puede lograr mejoras del funcionamiento del activo cuando
el estándar de ejecución esperado de una determinada función del activo está
dentro de los límites de la capacidad y confiabilidad inherente (de diseño) del
mismo, o sea, no la puede aumentar más allá de su nivel inherente. Desde este
punto de vista el RCM no es más que una herramienta de gestión de
mantenimiento que permitirá maximizar la fiabilidad operacional a partir de la
determinación de los requerimientos reales de mantenimiento.

El RCM es una metodología (procedimiento) para determinar sistemáticamente

que debe hacerse para asegurar que los activos físicos continúen haciendo lo
requerido por el usuario en el contexto operacional presente.

En el RCM las tareas preventivas solo se especifican para los activos que lo
necesitan realmente, lo que lleva a una reducción significativa de los trabajos
rutinarios.

También considera los requerimientos de mantenimiento de cada activo antes de

preguntarse si es necesario volver a considerar el diseño. Esto es porque el
ingeniero de mantenimiento que esta de servicio hoy tiene que mantener la
máquina como está funcionando hoy y no como debería estar o puede que esté
en el futuro. El RCM trabaja sobre la forma de pensar, de sentir y de actuar.

El equipo multidisciplinario se encarga de maximizar la fiabilidad operacional de

un artículo identificando los requerimientos necesarios de mantenimientos según:

a- La importancia y criticidad de los activos ⇒ clasificar las máquinas.

b- La función que cumple dentro del contexto operacional ⇒ a maquinas iguales

no hay que darle la misma atención.

c- El análisis del posible efecto o consecuencia derivado de la ocurrencia de

los modos de fallos que se asocian a cada uno de los fallos funcionales.

113
16.1- Conceptos del RCM.

El RCM muestra que muchos de los conceptos del mantenimiento que en un

momento se consideraban correctos son realmente equivocados. En muchos
casos, estos pueden resultar hasta peligrosos.

Por ejemplo: La idea de que la mayoría de las fallas se producen cuando el

equipo envejece ha demostrado ser falsa para la gran mayoría de los equipos
industriales.

A continuación se definen algunos conceptos derivados del Mantenimiento

Centrado en la Fiabilidad (Confiabilidad)
, todavía en la actualidad muchos de ellos no son entendidos a cabalidad por los
profesionales del mantenimiento.

16.1.1-- Contexto operacional (dónde, cómo y cuándo funciona el artículo).

Cuando se comienzan a redactar las funciones deseadas para el activo que se

está analizando (primera pregunta del RCM), es necesario tener un claro
entendimiento del contexto en el que funciona el equipo.

Por ejemplo, dos activos idénticos operando en distintas plantas, pueden resultar
en planes de mantenimiento totalmente distintos si sus contextos de operación
son diferentes. Un caso típico es el de un sistema de reserva, que suele requerir
tareas de mantenimiento muy distintas a las de un sistema principal, aún cuando
ambos sistemas sean físicamente idénticos.

Entonces, antes de comenzar el análisis se debe redactar el contexto operacional,

breve descripción (2 ó 3 cuartillas) donde se debe indicar:

a. Régimen de operación del equipo.

b. Disponibilidad de mano de obra y repuestos.
c. Consecuencias de indisponibilidad del equipo (producción pérdida o reducida,
recuperación de producción en horas extra, tercerización).
d. Objetivos de calidad, seguridad y medio ambiente, etc.

16.1.2- Confiabilidad operacional.

La confiabilidad operacional se define como una serie de procesos de mejora

continua que incorporan en forma sistemática:

a - Avanzadas herramientas de diagnóstico.

b- Metodologías de análisis.
c-Y nuevas tecnologías.

Para optimizar la gestión (planeación, ejecución y control) de la producción

industrial. Lleva implícito la capacidad de un proceso, la tecnología, la persona
para cumplir su función o el propósito que se espera de ella, dentro de sus límites
de diseño o bajo un contexto operacional específico.

114
La confiabilidad operacional de un sistema depende de 4 parámetros operativos,
por lo tanto es necesario el análisis de cada uno de ellos si se quiere un
mejoramiento continuo y de largo plazo.

Por esto es que actualmente mantenimiento no es para preservar el activo físico

sino para preservar la función del activo (no es preservar la fiabilidad del artículo,
lo que interesa es la fiabilidad operacional).

Parámetros de la fiabilidad operacional:

1. Confiabilidad humana.
2. Confiabilidad del proceso
3. Mantenimiento del artículo.
4. Confiabilidad del artículo.

Confiabilidad
humana
Involucramiento
Propiedad
Interfases

Confiabilidad Mantenibilidad de
de procesos CONFIABILIDAD equipos
Operación dentro de Fases de diseño
parámetros OPERACIONAL Equipos de trabajo
Entendimiento de Disminuir MTTR
Procedimientos

Confiabilidad
de equipos
Estrategias
Efectividad Global
Extender el MTBF

Fig. 16.1 - Parámetros de la confiabilidad operacional

Confiabilidad humana ⇒por parte del personal: conocimientos, sentirse dueño,

involucramiento, interfase.

Confiabilidad del proceso ⇒ operaciones dentro de las condiciones de diseño,

compresión del proceso y los procedimientos.

Mantenimiento del artículo ⇒ mantenibilidad (incorporada desde el diseño o

durante la explotación), multiusos, reducción del MTTR (tiempo medio para
reparar), equipo de trabajo.

Confiabilidad de los artículos⇒ efectividad global, estrategia de mantenimiento, y

aumento del MTBF(tiempo medio entre fallos).

115
La variación en conjunto o individual que pueda sufrir cada uno de los 4
parámetros afectará el comportamiento global de la fiabilidad operacional de un
determinado activo.

16.1.3- Funciones.

El análisis del proceso comienza con la redacción de las funciones queridas.

Ejemplo: La función de una bomba puede definirse como:

a-” Bombear no menos de 500 litros/minuto de agua”.

Sin embargo, la bomba puede tener otras funciones asociadas, como por ejemplo.
b-” Contener al agua (evitar pérdidas)”.

En un análisis de RCM, todas las funciones deseadas deben ser listadas.

16.1.4- Fallos funcionales ó estados de fallo.

Los fallos funcionales ó estados de fallo identifican todos los estados indeseables
del sistema.

Por ejemplo, para una bomba tres estados de fallo podrían ser:

1. “Incapaz de bombear agua”.

2. “Bombea menos de 500 litros/minuto”.
3. “No es capaz de contener el agua”.

Notar que los estados de fallo están directamente relacionados con las funciones
deseadas.

Una vez identificadas todas las funciones deseadas de un activo, identificar los
fallos funcionales es un problema trivial.

16.1.5- Modos de fallo.

Un modo de fallo es una posible causa por la cual un equipo puede llegar a un
estado de fallo.

Ejemplo:
a. “Impulsor desgastado” es un modo de fallo que hace que una bomba llegue al
estado de fallo identificado por el fallo funcional, “bombea menos de lo
requerido”.

Cada fallo funcional suele tener más de un modo de fallo.

Todos los modos de fallo asociados a cada fallo funcional deben ser identificados
durante el análisis de RCM.

Al identificar los modos de fallo de un equipo o sistema, es importante listar la

“causa raíz” del fallo (ser proactivo).

116
Por ejemplo:
a. Si se están analizando los modos de fallo de los rodamientos de una bomba,
es incorrecto listar el modo de fallo “como fallo del rodamiento”.

La razón es que el modo de fallo listado no da una idea precisa de por qué ocurre
el fallo.

¿Es por “falta de lubricación”?

¿Es por “desgaste y uso normal”?
¿Es por “instalación inadecuada”?

Notar que este desglose en las causas que subyacen al fallo sí da una idea
precisa de por qué ocurre el fallo, y por consiguiente que podría hacerse para
manejarlo adecuadamente (lubricación, análisis de vibraciones, etc.).

16.1.6- Efectos del fallo.

Para cada modo de fallo deben indicarse los efectos del fallo asociados. El “efecto
del fallo” es una breve descripción de “qué pasa cuando el fallo ocurre”.

Por ejemplo:
El efecto del fallo asociado con el modo de fallo “impulsor desgastado” podría ser
el siguiente:
”A medida que el impulsor se desgasta, baja el nivel del tanque, hasta que suena
la alarma de bajo nivel en la sala de control. El tiempo necesario para detectar y
reparar el fallo (cambiar impulsor) suele ser de 6 horas. Dado que el tanque se
vacía luego de 4 horas, el proceso aguas abajo debe detenerse durante dos
horas. No es posible recuperar la producción perdida, por lo que estas dos horas
de parada representan un pérdida de ventas”.

Los efectos del fallo deben indicar claramente cual es la importancia que tendría
el fallo en caso de producirse.

16.1.7- Categoría de consecuencias.

El fallo de un equipo puede afectar a sus usuarios de distintas formas:

 Poniendo en riesgo la seguridad de las personas (“consecuencias de

seguridad”)
 Afectando al medio ambiente (“consecuencias de medio ambiente”)
 Incrementando los costos o reduciendo el beneficio económico de la empresa
(“consecuencias operacionales”)
 Ninguna de las anteriores (“consecuencias no operacionales”)

16.2- El equipo de trabajo (multidisciplinario).

Desarrolla un sistema de gestión de mantenimiento flexible que se adapta a las

necesidades reales de mantenimiento en la organización teniendo en cuenta:

117
a. La seguridad humana.
b. El medio ambiente.
c. Las operaciones.
d. La razón costo/beneficio.

16.3- Beneficios de aplicar el RCM.

 Aumenta la seguridad y protección del entorno.

 Mejora el rendimiento operativo.
 Disminuye los costos de mantenimiento.
 Aumenta la vida útil del activo.
 Se logra una amplia base de datos de mantenimiento.
 Mayor motivación del personal.
 Mejor trabajo de equipo.

16.4- La metodología del RCM.

Esta metodología propone un procedimiento que permite identificar las

necesidades reales de mantenimiento de los activos en su contexto operacional
a partir de las siguientes preguntas. (Según la norma SAE JA1011, hay 7
preguntas básicas en este proceso):

1. ¿Cuál es la función del activo?

2. ¿De qué manera puede fallar? (¿Cuáles son los estados del fallo (fallas
funcionales) asociados con estas funciones?)
3. ¿Qué origina el fallo (modo de fallo, las posibles causas)?
4. ¿Qué pasa cuando falla (efecto del fallo)?
5. ¿Importa si falla? (¿Qué ocurre si falla? o sea consecuencia del fallo)
6. ¿Se puede hacer algo para prevenir o predecir el fallo? (tareas preventivas).
7. ¿Qué pasa si no podemos prevenir el fallo (si no puede encontrarse una tarea
predictiva o preventiva adecuada)? (tareas a “ falta de”)

16.5- Herramientas del RCM.

a. El AMEF (análisis de los modos y efectos de los fallos).

b. El árbol lógico de decisión (árbol de fallos o de éxitos).
c. Diagrama de Ishicawa (espina de pescado).

El AMEF es la herramienta que responde a las preguntas del 1 al 5.

El árbol lógico de decisión es la herramienta que permite seleccionar de forma

óptima las actividades de mantenimiento según la filosofía del RCM y responde a
las preguntas 6 y 7.

16.6- Esquema para conducir el RCM.

Definición del contexto operacional ⇒⇒Definición de funciones ⇒⇒Determinar

fallas funcionales ⇒⇒Identificar modo de fallos ⇒⇒Efecto del fallo ⇒⇒
Aplicación de la hoja de decisiones.

118
16.6.1- Contexto operacional:
Es donde y como se está usando un activo (artículo).

16.6.2- Definición de funciones:

Cada artículo de la máquina deberá tener una función específica.

Los estándares de funcionamiento pueden influir en la:

a. Producción.
b. Calidad del producto.
c. Servicio al cliente.
d. Medio ambiente.
e. Costo operacional.
f. Seguridad.

16.6.3- Determinar fallas funcionales.

Fallo funcional se define como la incapacidad de un artículo para satisfacer un

estándar de funcionamiento deseado.

16.6.4- Identificar modo de fallos.

Modos de fallo permite identificar la causa origen de cada fallo (aplicar técnicas
del ACR), lo que asegura que no se malgaste tiempo y esfuerzo tratando los
síntomas en lugar de las causas.

16.6.5- Efecto del fallo (consecuencias, es lo pasa cuando falla).

El efecto de los fallos permite decidir la importancia de cada fallo y por tanto el
nivel de mantenimiento preventivo (si lo hubiera) que sería necesario.

En este paso se pregunta.

¿Cómo y cuánto importa cada fallo?

Si la respuesta es positiva, se sugiere con qué esfuerzo se debe tratar de
encontrar el fallo.

La razón de esto es porque las consecuencias de cada fallo nos dice si

necesitamos tratar de prevenirlo.
.
Clasificación de las consecuencias del fallo.

♦ Consecuencia de los fallos no evidentes, son los que no tienen impacto

directo, pero pueden provocar consecuencias serias, catastróficas.
Ejemplo; los dispositivos de protección.
♦ Consecuencia en la seguridad y medio ambiente.
♦ Consecuencias operacionales:
Los que afectan la producción (capacidad, calidad, servicio al cliente, costos).
♦ Consecuencias que no son operacionales:
Los gastos de reparación.

119
16.6.6- Aplicación de la hoja de decisiones.
La hoja de decisiones tiene en cuenta:

• Las tareas para combatir el modo de fallo.

• Establecer frecuencia de mantenimiento
• El responsable.

16.7- ¿Cómo seleccionar el tipo de mantenimiento adecuado?

En el proceso del RCM, la selección de la política de mantenimiento está

gobernada por la categoría de consecuencias a la que pertenece el fallo.

 Para fallos con consecuencias ocultas.

La tarea óptima es aquella que consigue la disponibilidad requerida del
dispositivo de protección.
 Para fallos con consecuencias de seguridad o medio ambiente.
La tarea óptima es aquella que consigue reducir la probabilidad del fallo hasta
un nivel tolerable.
 Para fallos con consecuencias económicas (operacionales y no
operacionales).
La tarea óptima es aquella que minimiza los costos totales para la
organización.

16.7.1- Frecuencia de tareas a condición (Mantenimiento Predictivo).

Para que una tarea a condición sea posible, debe existir alguna condición física
identificable que anticipe la ocurrencia del fallo.

Ejemplo:
Una inspección visual de un elemento solo tiene sentido si existe algún síntoma
de fallo que pueda detectarse visualmente.

Además de existir un claro síntoma de fallo, el tiempo desde el síntoma hasta el

fallo funcional debe ser suficientemente largo para ser de utilidad.

La frecuencia de una tarea a condición se determina entonces en función del

tiempo que pasa entre el síntoma y el fallo.

Ejemplo:
Si se está evaluando la conveniencia de chequear ruido en los rodamientos de un
motor, entonces la frecuencia va a estar determinada por el tiempo en que el ruido
es detectable y que se produce el fallo del rodamiento. Por ejemplo, si este tiempo
es de dos semanas, entonces la tarea debe hacerse a una frecuencia menor, para
asegurarse de esta forma que el fallo no ocurra en el tiempo entre chequeos
sucesivos.

El mismo razonamiento debe seguirse para cualquier tarea predictiva.

16.7.2-Frecuencia de tareas de sustitución cíclica (Mantenimiento

Preventivo).

120
Una tarea de sustitución cíclica solo es válida si existe un patrón de desgaste, es
decir, si existe”, una edad en la que aumenta rápidamente la probabilidad
condicional del fallo”.

La frecuencia de la tarea de sustitución depende de esta edad, llamada vida útil.

Ejemplo:
Si la vida útil de un neumático es de 80 000 km, entonces la tarea de sustitución
cíclica (cambio preventivo del neumático) debería realizarse a menos de 80.000
km, para de esta forma evitar entrar en la zona de alta probabilidad de fallo.

16.7.3- Frecuencia de tareas detectivas (búsqueda de fallos):

El intervalo con el que se realiza la tarea de búsqueda de fallos (mantenimiento

detectivo) se denomina FFI (Failure Finding Interval). Existe una relación entre
este intervalo y la disponibilidad del dispositivo de protección.

Pueden utilizarse herramientas matemáticas para calcular esta relación y fijar el

FFI que logre la disponibilidad objetivo.

16.8- Idónea filosofía de gestión del mantenimiento:

En conjunto con el Mantenimiento Productivo Total (TPM) se pueden combinar los

conceptos más eficientes de los diferentes tipos y filosofías de mantenimiento ya
que si se logra un buen diseño (combinación de los distintos tipos y filosofías de
mantenimiento) del programa de mantenimiento se conseguirá una mayor eficacia
en esta acción.

¿Cómo materializar lo propuesto anteriormente?

En una empresa, planta u otra entidad se pueden usar los distintos tipos y
filosofías de mantenimiento:

1. Categorizar las máquinas y aplicar los tipos de mantenimiento clásicos en

dependencia de la categoría (introducir el Mantenimiento Alterno).
2. Garantizar la fiabilidad operacional de las máquinas más críticas e importantes
(RCM).
3. Eliminar las causas de raíz que provocan el fallo (ACR o Mantenimiento
Proactivo).
4. Introducir el compromiso operador-mantenimiento-calidad-dirección en la
fiabilidad en la maquina (TPM).

En las máquinas importantes dígase máquinas de categoría A se emplearía la

combinación del predictivo o un buen preventivo con el RCM, ACR y TPM.

En las máquinas secundarias dígase máquinas de categoría B se emplearía

preventivo con el ACR y TPM.

121
En las máquinas de categoría C el correctivo, pero siempre con la concepción
del TPM.

Esta combinación de alternativas es lo que se conoce como un mantenimiento

de clase mundial.

16.9- Cronograma de aplicación del RCM.

Se pone como ejemplo la experiencia en una empresa transportista de carga

por carretera durante el curso 2008 – 2009, en la misma se clasificaron y
diferenciaron las cuñas tractivas (Mantenimiento Alterno), se aplicaron conceptos
de la fiabilidad para el establecimiento de la periodicidad de cambio de
componentes en los mantenimientos y se propuso el siguiente cronograma de
aplicación del RCM.

Tabla 16.1 – Cronograma RCM

No ACCIONES Fecha
1 Nombrar un coordinador general del proyecto con acceso a la
dirección general de la compañía
2 Nombrar coordinadores locales en cada filial de la ompañía
3 Capacitar a los coordinadores con la formación básica del RCM
4 Implementar un proyecto piloto en un área crítica
5 Establecimiento de un tablero de control con indicadores
6 Realizar el análisis de criticidad de los equipos (prioridad)
7 Seleccionar equipos críticos
8 Seleccionar el personal (operaciones, mantenimiento, taller,
ingeniería, almacenes, etc.) que mejor conoce los equipos
seleccionados
9 Seleccionar facilitadores que liderarán los grupos RCM
10 Programar la capacitación de dicho personal (Curso de
introducción, de formación de facilitadores RCM y de inducción
RCM (para personal que no participa en los grupos de análisis
RCM de media jornada)
11 Programar las reuniones de los grupos de análisis RCM,
indicando un calendario detallado de las mismas y su lugar de
realización
12 Programar el apoyo de consultoría externa para dichas reuniones
(no menosdel 50% de las reuniones deben ser con apoyo del
consultor externo)
13 Programar la carga de las nuevas estrategias
14 Programar la puesta en marcha de las nuevas estrategias
15 Programar la auditoria de ejecución de las nuevas estrategias en
las entidades
16 Programar la adecuada campaña de comunicación, a lo largo de
todo el proceso para difundir los logros y avances que se hayan
obtenido
17 Asegurar la retroalimentación continúa, con reuniones periódicas
entre coordinadores, facilitadores y consultores

122
17- BIBLIOGRAFÍA:

1 -Bonet Borjas C. M. “Explotación Técnica y Montaje de los Equipos de Elevación

de las Cargas”, Tomo II, Ed. ISPJAE, C. de La Habana, 1987, Cuba.
2- Bonet Borjas C. M. “Fiabilidad de las Máquinas Automotrices”, monografía,
PREGER, MITRANS, noviembre 2009, Cuba.
3- Cueto Zayas G. “Procedimiento para el cálculo fiabilístico aplicado a las
empresas del transporte automotor” Tesis en opción al título de Especialista de
Postgrado en Transporte Automotor, PREGER, MITRANS, Enero 2008, Cuba.
4- Daquinta Antonio. “Fiabilidad de la Máquinas Agrarias” Ciego de Avila, Cuba,
2000.
5- Domingos Pinda, E. y Alfonso Díaz E. “Fiabilidad a los Agregados Mayores y
Menores de los Autos Taxi Citroën de Panataxi” Tesis en opción al título de
Ingeniero Mecánico, Tutor MSc. Ing. Carlos Manuel Bonet Borjas, Facultad de
Ingeniería Mecánica, CUJAE, Ciudad de La Habana, Julio del 2001, Cuba.
6 - Luna, Higinio. “Explotación Técnica de Automóviles”, Ed. ENPES, La Habana,
1982.
7- Rodríguez Hernández Aida. “Tablas y resúmenes estadísticos” Ed. ENPES, La
Habana, 1982.
8 - Sotskov B. “Fundamentos de la teoría y del cálculo de fiabilidad de elementos y
dispositivos de automatización y técnica de cálculo”, Ed. Mir, Moscú, pag 256,
URSS, 1972.
9- Statgraphics Plus Versión 5.0 Copyright 1994 – 2000 by Statistical Graphics
Corp.
10- Zubko Nikolae. “Principios Teóricos y Prácticos sobre la Fiabilidad de los
Equipos”, MITRANS, 1990.
11-WWW. Reliability

Referencias:

a- “Manual de Indicadores de Mantenimiento”, PDVSA, 1998

b- “Reliability Engineering And Risk Analysis”. M. Modarres, M. Kaminskiy, and
Krivtson, Marcel Dekker, New York, N.Y, 1998.
c- “Reliability Centered Maintenance”, John Moubraz, Hardcover, 1997.
d- Proceedings of ESREL´98. European Safety and Reliability. European
conference on safety and reliability, Trodheim, Noruega, 1998
d- “Reliability, Maintanability and Risk” Practical Methods for Engineers, David J.
Smith, 2001.

123
18- GLOSARIO.

 Actividades prescritas: Las acciones planificadas en las cartas de

mantenimiento.
 Constante de Euler (exponencial, base del logaritmo natural): e = 2.71829
 Defecto crónico (habitual, enfermedad larga): estos son los que hay que
eliminar, ejemplo, salidero de agua, aceite, presión, etc.
 La eficiencia de un artículo está relacionada con el cumplimiento o no de la
misión. Una máquina es más eficiente cuando cumple la misión con los menos
gastos posibles.
 Estacionario: Que no progresa.
 Estado: Circunstancia en que actualmente se halla un artículo. Clase,
condición de cada uno.
 Estrategia: Habilidad para dirigir un asunto.
 Evento: Acontecimiento de realización incierta.
 FMEA: Análisis del modo y efecto del fallo (lo que pasa cuando falla).
 Gestión: Es el arte de dirigir. Organizar, planificar, ejecutar y controlar.
 Gestión de MTTO (GM) son todas las actividades coordinadas que se
ejecutan para controlar y organizar el MTTO.
El objetivo básico de cualquier GM es incrementar la disponibilidad de los activos
a bajo costo, permitiendo que dichos activos funcionen de forma eficiente y
confiable dentro de un contexto operacional.
El Mantenimiento debe asegurar que los activos continúen cumpliendo las
funciones para los cuales fueron diseñados, es decir deben estar centrados en la
confiabilidad operacional.
 JIT (Just In Time). Justo en tiempo, es un método de dirección industrial
japonés adoptada primeramente por Toyota. Su principio es eliminar la fuente
de pérdidas (la actividad que no agrega valor al producto), utilizando la
cantidad adecuada de material en el lugar correcto y en el momento oportuno.
Hay que eliminar los despilfarros, que no es más que cualquier otra cosa que
supere la mínima cantidad de equipos, materiales, tiempo, mano de obra, etc. Se
considera despilfarro: sobre producción, operaciones innecesarias (ejemplo,
algunas acciones del mantenimiento planificado), transporte innecesario, tiempo
de espera, inventario, etc.).
Los inventarios se consideran un despilfarro imperdonable ya que el costo
financiero, el costo de su gestión, el espacio físico que ocupa, los riesgos de
obsolencia, etc., es un lujo que no debe soportar la organización si quiere ser
competitiva.
 Mantener: Es asegurar que todo artículo continúe desempeñando las
funciones deseadas o sea el estado en que se desea preservarlo.
 Mantenimiento Autónomo. Piedra angular del TPM.

124
No es más, que el operador de la máquina realiza algunas operaciones de
mantenimiento del equipo, como por ejemplo: chequeo diario, control del
lubricante, cambio de filtro, ajuste, etc.; Estas actividades son responsabilidad del
operador además de controlar las posibles causas y soluciones.
Las intervenciones mayores y problemas técnicos siguen siendo atendidas por el
personal de mantenimiento.
El operador debe recibir: Formación, procedimientos, herramientas, la información
necearía y la autoridad para sus decisiones.
El operador debe ser capaz de: Realizar el Mantenimiento Autónomo, llevar el
control de los fallos, las posibles causas y sugerir la forma de solucionarlos
 Mantenimiento Basado en Condición (Predictivo), se basa en el estado técnico
de la máquina (identificación de las causas fundamentales del fallo).
 Mantenimiento Proactivo).
Tiene como objetivo aumentar el tiempo medio entre fallo (MTBF) e incrementar la
fiabilidad operacional. Dicho mantenimiento va dirigido a eliminar las causas de
raíz que provocan el fallo (ACR), para eliminarlas se pueden hacer
modificaciones de elemento estructural y/o el rediseño operativo del equipo para
la eliminación de averías.
Analizar la causa lógica de los fallos y sus efectos, es un análisis deductivo que
permite identificar la relación causal que conduce al fallo, donde se usan técnicas
causa- efecto.
El Mantenimiento Proactivo trabaja en la búsqueda de las causas del fallo del
artículo para evitar que se conviertan en desgaste, apoyado por la herramienta del
análisis de aceite, puede ayudar significativamente en la implementación exitosa
del RCM.
 Mediana: Es el valor de la variable que divide al conjunto de todos los valores
en 2 partes iguales según cantidad de variables.
Ejemplos:
a - 2, 3, 4, 5, 7, 8, 9, → M = 5 b - 2, 3, 4, 5,6, 7, 8, 9, → M = 5.5
 Raíces físicas (análisis de fallo).
En este nivel se reúnen todas aquellas manifestaciones de origen físico que
afectan directamente la continuidad operativa del equipo o planta: Ejemplos, flujo
mínimo por bloqueo de una tubería, malas conexiones, repuestos defectuosos,
etc. Generalmente en este nivel no se encontrará la causa raíz del fallo, sino un
punto de partida para localizarlo.
 Raíz humana (cacería de brujas).
Es la que responde a la pregunta ¿En qué consistió la acción equivocada? y ¿Por
qué?
Son producto de errores humanos que inciden directamente o indirectamente en
el fallo motivados por sus inapropiadas intervenciones y nacen por la ausencia de
decisiones acertadas, que pueden ser por convicción u omisión.
Nunca utilizar nombres individuales o grupales cuando se especifica la causa.

125
Ejemplos: Errores de diseño, no aplicar correctamente los procedimientos,
operaciones inadecuadas, etc. En este nivel se podría encontrar la causa raíz.
 Raíces latentes (ocultos, escondidos).
Son producto de la deficiencia de los sistemas de información. Provienen de
errores humanos. En ocasiones afectan más que el problema que se está
estudiando, ya que pueden generar circunstancias que ocasionan nuevas fallas.
Son problemas que aunque nunca hayan ocurridos son factibles su ocurrencia:
Ejemplo: Falta de procedimientos para el arranque y / o manipulación de la
máquina, trabajos de reparación sin adiestramientos (mala alineación de una
máquina), diseño inadecuado, etc.
 Redundancia: Reserva, algo que sobra, demasiado abundante.
 Rendimiento de un artículo está relacionado con los recursos y los resultados.
Una máquina tiene mayor rendimiento que otra, si emplea menos recursos
para obtener idénticos resultados
 Las 9 S, reglas para lograr un ambiente de calidad en el trabajo.
1. SEIRI: Despeje, clasificación (elimine el por si acaso).
2. SEITON: Organización (un lugar para cada cosa y cada cosa en su lugar).
3. SEISO: Limpieza (que brille).
4. SEIDO: Estandarización (unifique a través de documentos y normas).
5. SHITSUKE: Disciplina (cumpla con el reglamento de la empresa).
6. SEIKETSU: Bienestar personal (cuide su salud física y mental, elimine los
strss).
7. SHIKARI: Constancia (mantenga los buenos hábitos adquiridos).
8. SEISHOO: Coordinación (trabaje en equipo).
9. SHITSUKOKO: Compromiso (es una obligación contraída) (haga suya la
empresa).
 Táctica: Arte que enseña a poner en orden las cosas. Sistema que se
emplea hábilmente para conseguir un fin.
 TPM (Total Productive Maintenance).
El Mantenimiento Productivo Total nace en los años 70 del siglo XX, 20 años
después del inicio del Mantenimiento Preventivo que se manifiesta en la
prevención de averías y defectos.
El TPM es un sistema de gerencia de mantenimiento que busca la mejora
continua de los artículos y el logro del 100% de eficiencia del proceso de
producción, involucrando a todo el personal de la empresa.
Incorpora la idea del auto-mantenimiento (mantenimiento autónomo) de los
equipos por personal de producción y no exige alta especialización, pues se limita
(en sus primeras etapas) a intervenciones de primer nivel (limpieza, engrase,
sustituciones, ajustes, control del nivel del lubricante). En etapas avanzadas los
operarios hacen diagnósticos preliminares sobre las fallas y se les da autonomía
en la toma de decisiones.

126
En este participan todas las áreas de la empresa, pero en especial producción y
mantenimiento ó sea tiene como objetivo fundamental realizar el mantenimiento
del equipo con la participación del operador. No se puede descartar la
importancia de abastecimiento para lograr un buen funcionamiento del TPM.
En el TPM se pueden combinar los mejores conceptos de los diferentes tipos y
filosofías de mantenimiento. Un programa de mantenimiento bien diseñados y de
clase mundial tendrá una combinación de estas filosofías de mantenimiento.
Por ejemplo:
En una empresa se puede usar los distintos tipos y filosofía de mantenimiento: a -
Categorizando las maquinas y aplicando los tipos de mantenimiento clásico en
dependencia de la categoría (Alterno).
b- A las máquinas más críticas e importantes garantizar su fiabilidad operacional
(RCM).
c- Eliminar las causas de raíz que provocan fallo (Proactivo) e
e- Introducir el compromiso operador-mantenimiento-calidad-dirección en la
fiabilidad en la maquina (TPM).
 Trivial: Ordinario, vulgar, sin importancia.
 Valor agregado: Es la suma de todos los valores de la máquina.
 Valor añadido: Es algo que se incluye a la máquina por encima de la
función principal.
 Vital: De suma importancia.

19 – AUTO EVALUACIÓN.
A- PREGUNTAS DE COMPROBACIÓN.
1. ¿Por qué es importante la fiabilidad en la época actual?
2. ¿Qué es la fiabilidad?
3. ¿Defina el concepto de la fiabilidad según NC 92-10?
4. ¿Qué es la teoría de la fiabilidad?
5. ¿Qué estudia la teoría de la fiabilidad?
6. ¿Qué problemas resuelve la teoría de la fiabilidad?
7. ¿Por qué por la fiabilidad hay que pagar tanto al comprar como al explotar el
articulo?
8. ¿Cómo se determina el nivel de fiabilidad de una máquina?
9. ¿Cuáles son las etapas de la fiabilidad? Explíquelas.
10. ¿Qué importancia tiene el fallo del artículo en la fiabilidad?
11. ¿Por qué el carácter de aparición del fallo es útil en la fiabilidad? Ponga
ejemplos.
12. ¿Para qué sirve conocer la clasificación del fallo según la etapa del ciclo de
vida?

127
13. ¿Qué diferencia hay entre defecto y fallo del artículo?
14. ¿Qué diferencia hay entre recurso técnico y plazo de servicio?
15. ¿Qué es una ley de distribución? ¿Cuáles son sus propiedades y formas de
representarlas?
16. ¿Qué es la densidad de distribución?
17. ¿Cuál es una de las expresiones (ecuaciones) más importante en la
fiabilidad?
18. ¿Cuáles son los principales estadígrafos usados en la fiabilidad y como se
determinan?
19. ¿Para que sirve el coeficiente de variación porcentual?
20. ¿Por qué la fiabilidad es una propiedad compleja?
21. ¿Qué es la operatividad y explique algunos índices que la caracterizan?
22. Ídem para durabilidad.
23. Ídem para la mantenibilidad.
24. Ídem para la conservabilidad.
25. ¿Para qué sirven los índices de la fiabilidad?
26. ¿Cómo se puede analizar conjuntamente las cualidades de mantenibilidad y
de operatividad de un artículo?
27. Mencione coeficientes complejos de fiabilidad y explíquelos.
28. ¿Qué diferencia hay entre Kd y Kut?
29. ¿Qué es el coeficiente de Efectividad Global o Total del Equipo (E G) y por
qué se utiliza en la época actual?
30. Mencione los pasos para llevar a cabo un experimento fiabilístico.
31. Mencione leyes de distribución de variables aleatorias continuas y discretas.
32. ¿Cuál es el campo de aplicación y las propiedades de la Ley de Distribución
Exponencial?
33. ¿Cómo se determina f(x), F(x) y R(x) de la LDE?
34. ¿Cuál es el campo de aplicación y las propiedades de la LDN?
35. ¿Cómo se determina f(x), F(x) y R(x) de la LDN?
36. ¿Cómo se determina el cuantil en la LDN?
37. ¿Cómo se determina el cuantil negativo de la LDN?
38. ¿Cómo se determina F(x) de la LDN a partir del cuantil?
39. Mencione y explique criterios o métodos para el ajuste de curva.
40. ¿Qué es el intervalo de confianza y cuál es su importancia en el
mantenimiento?
41. ¿Qué es la carta de fiabilidad?
42. ¿Cómo se determina el módulo de piezas de repuesto usando la fiabilidad?

128
43. ¿Qué es un artículo complejo?
44. ¿Qué es un esquema estructural en la fiabilidad y donde se usa?
45. ¿Cuáles son las características de un sistema serie?
46. Ídem para un sistema en paralelo.
47. ¿Cómo se analiza un sistema combinado?
48. ¿Qué es la redundancia en un sistema?
49. ¿Cuáles son las variantes de redundancia y explíquelas?
50. ¿Explique el árbol de fallos o de éxitos?
51. ¿Explique la Ley de Pareto y cómo se aplica a la fiabilidad?
52. ¿Cómo se calculan las pérdidas representativas y cual es su importancia?
53. Explique la filosofía RCM y como se relacionan con la fiabilidad.
54. Explique la filosofía Mantenimiento Proactivo y como se relacionan con
la fiabilidad.
55. Explique la filosofía TPM y como se relacionan con la fiabilidad.
56. Explique la filosofía JIT y como se relacionan con la fiabilidad.
57. ¿Por qué los inventarios se consideran un despilfarro imperdonable
para una empresa que quiera ser competitiva?
58. ¿Qué relación existe entre el Diagnóstico Técnico y la Teoría de la
Fiabilidad?

B- SOLUCIÓN DE EJERCICIOS PROPUESTOS.

R/ Ejercicio No. 1 (pasos).

1- Por dato se sabe que es una LDN (alguien hizo la investigación), E(t) = 500 h,
σ(t) = 50 h.

2- ¿Qué piden? R/ R(550)

3- Aplicando el teorema de la probabilidades:

R(t) + F(t) = 1 ⇒ R(t) = 1- F(t) (1)

4- Hay que determinar F(t), al estar en una LDN se puede usar la función de
distribución normal estandarizada y trabajar con el cuantil y tablas
estadísticas.
F(t) = ø (μ) (2)
μ = (t – E(t)) / σ (t) (3)
Sustituyendo en (3).
μ = (550 – 500) / 50 = 1

5- Con μ = 1 se va a la tabla 6.1

¿Cuál columna de la tabla se escoge?

129
 R/ La columna 4, o sea de - ∞ hasta μ ya que se está analizando en un artículo
su recurso hasta el fallo (desde que nace hasta que falla).
Entonces ø(1) = 0.84134 ⇒ F(550) = 0.84134.

Sustituyendo en (1)
R(550) = 1- F(550) = 1- 0.84134= 0.1587

¿Qué quiere decir este resultado?

R/ que a las 550 h trabajadas la probabilidad de fallo de ese artículo es de
15.87 % o lo que es lo mismo, de 100 artículo en ese periodo deben quedar sin
fallar alrededor de 16.

R/ Ejercicio No. 2 (pasos).

a. Por dato se sabe que es una LDN (alguien hizo la investigación y por tanto el
cálculo de los índices es por la ley ajustada).
Otros datos:
E(l) = 90 000 Km., σ(l) = 30 000 Km., La = 60 000 Km., n = 50 cadenas de .
. distribución (una por cada auto).

b. ¿Qué piden? R/ Cuántas cadenas quedarán sin fallar al cabo del 1er y 2do
año de explotación de las 50 cadenas nuevas que entraron hoy a la base con
los 50 autos nuevos.
N(l1 ) ? y N(l2) ?

c. Vamos a comprobar si es verdad lo que dice el investigador. Que la ley se

ajusta a una LDN.
¿Cómo?
R/ V(l) = σ(l) / E(l) = 30 000 / 90 000 = 0.33 → OK ⇒ LDN

4- Estadisticamente se puede plantear:

R(l) = N(li) / n ⇒ N(li) = R(l) * n (1)
¿Cuáles son las li ?
R/ Para el 1er año → l1 = 60 000 Km.
Para el 2do año → l2 = 120 000 Km.

5- Aplicando el teorema de las probabilidades:

R(l) = 1- F(l) (2)

6- Hay que determinar F(l), al estar en una LDN se puede usar la función de
distribución normal estandarizada y trabajar con el cuantil y tablas estadísticas.
F(l) = ø (μ) (3)
μ = (li – E(l)) / σ (l) (4)
Sustituyendo en (4).
Para l1 = 60 000 kms
μ1 = (60 000 – 90 000) / 30 000 = - 1
Para l2 = 120 000 kms
μ 2 = (120 000 – 90 000) / 30 000 = 1

130
7 - Con μ se va a la tabla 6.1.
¿Cuál columna de la tabla se escoge?
R/ La columna 4, o sea de - ∞ hasta μ ya que se está analizando en un artículo
su recurso hasta el fallo (desde que nace hasta que falla).

Para μ1 = - 1 ⇒ Hay que hacer el arreglo de simetría

ø(- μ) = 1 - ø (μ) (5)
Se busca en tabla el valor positivo de μ en este caso para μ = 1
ø(μ) = 0.8441
Sustituyendo en (5)
ø ( - 1) = 1 – 0.8441 ⇒ F(60 000) =1 - 0.8441= 0.16
Para μ1 = 1
ø(1) = 0.8441⇒ F(120 000) = 0.8441.
Entonces sustituyendo en (2)
R(60 000) = 1- F(60 000) = 1- 0.16 = 0.84
R(120 000) = 1- F(120 000) = 1- 0.84 = 0.16

8 - ¿Qué quiere decir este resultado?

R/ Que a los 60 000 Km la probabilidad de trabajo sin fallo de las cadenas es de
84 % o lo que es lo mismo, de 100 cadenas en ese período deben quedar sin
fallar alrededor de 84. Se hace el mismo análisis para 120 000 Km.

9 - Sustituyendo en (1)
N(60 000) = 0.84 * 50 = 42 cadenas ⇒ 42 cadenas en buen estado técnico
(BET) al cabo del primer año de trabajo ( fallarán alrededor de 8).

N(120 000) = 0.16 * 50 = 8 cadenas ⇒ 8 cadenas en BET al cabo de 2 años

de trabajo ( fallarán alrededor de 42 de las 50 cadenas nuevas).

R/ Ejercicio No. 3 (pasos).

1-Datos:
n = 100 correas (una por cada auto).
No se conoce la ley de distribución.
2-¿Qué piden?
R/ Están pidiendo 2 cosas.

1 - La probabilidad de fallo de las correas para el recurso medio → F(E(x)) ?

2- Cuantas correas hacen falta reponer hasta ese recurso → N(xi) F ?

3 - ¿Qué se hace?
A - Solución inmediata:
Al no conocer a que ley se ajusta la correa pero si se conoce que está en el
período de explotación normal se puede asumir LDE.
Entonces:
F(E(x)) = 0.63 por propiedad de la LDE.

131
Entonces:
N(xi )F = 63 correas (0.63 * 100 = 63)

B- Solución teórica:
x
1- F ( x ) = ∫ f ( x )dx = 1 − e − λ * X
0

F (E ( x )) = 1 − e − λ *E ( x )

Como E(x) = 1 / λ por propiedad de LDE.

λ
−
F (E ( x )) = 1 − e λ
= 1 − e −1 = 1 − 0.37 = 0.63

2 – F(x) = N(xi) F / n ⇒ N(xi) F = F(x) * n = 0.63 *100 = 63

R/ Ejercicio No. 4 (pasos).

1- Datos:
λ(x) = 0.00005 h-1 → artículo no reparable
Periodo de explotación normal → se puede asumir LDE
El artículo trabaja 8 h al día.

2- ¿Qué piden?
R/ El plazo de servicio en años (xS) hasta que falle el 20 % de los artículos.

3- ¿Qué se hace?
a. F(x) + R(x) = 1
R(x) = 1 - F(x) = 1 – 0.2 = 0.8
R(x) = 80 % de los artículos no fallan.

b. Como se asume LDE , entonces:

R(t ) = e − λ*t aplicando logaritmo a ambos miembros.

ln R(t ) = ln e − λ*t
LnR(t) = -λ*t → t = lnR(t) /- λ = ln 0.8 / - 0.00005 = - 0.22 / - 0.00005
t = 4 400 h (es el recurso o lo que es lo mismo el trabajo útil en horas).

c. El plazo de servicio en días.

XS = t * K R = 4 400 h * (1d / 8 h) = 550 d.

Entonces el plazo de servicio en años.

XS = 550 d / (365 d/años) = 1.50 años.

R/ Ejercicio No. 5 (pasos).

1. Datos:
Artículo No 1 su λ(t) = 0.00005 h-1
Artículo No 2 su λ(t) = 0.000001 h-1

132
 X = 1000 h

2. ¿Qué piden?
R/ Que artículo tiene la menor R(t).

3. ¿Qué se hace?
R1 (1000 ) = e − λ*t = e −0.00005*1000 = e −0.05
Como λ*t = 0.05 << 0.1 se puede plantear:
R1 (1000) = 1 – 0.05 = 0.95

R2 (1000 ) = e − λ*t = e −0.000001*1000 = e −0.001

R2(1000) = 1 – 0.001 = 0.999

Por lo tanto R1 (1000) < R2 (1000)

R/ Ejercicio No. 6 (pasos).

1. Datos:
Es un artículo reparable.
Es una LDE.
E(t) = 10 000 Km.

2. ¿Qué piden?
R/ R (20 000) y F(20 000).

3. ¿Qué se hace?

Como es un artículo reparable hay que trabajar con el flujo de fallo (es similar a
λ(x)), entonces calculando W(x) por (44) para LDE.
w(l ) = f (l ) = λ * e − λ*l

Por propiedad de la LDE λ (l ) = 1

=
1
= 0.0001
E (l ) 10000

w(20000 ) = 0.0001 * e −0.0001*20000 = 0.000069km −1

R1 (20000 ) = e −W (l )*l = e −0.000069*20000 = 0.24 artículos reparable

F(20 000) = 1 – R(20 000) = 1 – 0.24 = 0.76 artículos reparable

R/ Ejercicio No. 7 (pasos).

a- ¿Qué tipo de sistema es?

1- ¿Si falla 3 falla A?

R/ No, por lo tanto 3 y 4 forman un SP.

133
2- ¿Si falla 5 falla el sistema?
R/ Si, por lo tanto 5 y A forman un SS.

Entonces el esquema es un SC.

b- R(X)SC = R(X)ASP * R(X)5

c- R(X)ASP = 1 - F(X)ASP = 1 - F(X)3 * F(X)4 = 1 – (1- R(x)3) * (1- R(x)4).

Sustituyendo en b:

R(X)SC = [1 – (1- R(x)3 ) * (1- R(x)4)] * R(X)5

R/ Ejercicio No.8 (pasos).

Estos mecanismos están dispuestos en paralelo desde el punto de vista del

ensamblaje, pero desde el punto de vista de fiabilidad están en serie, ya que si
falla una estera (la izquierda o derecha) la máquina falla, empieza a girar
alrededor de un punto.
n
R( x )SS = Π R( x )i = R( x ) D * R( x ) IZ
i =1

Como R(x) D = R(x) I Z

R( x ) SS = [R( x D )]
2
Entonces:

R/ Ejercicio No. 11 (pasos).

1-Datos:
M = 50 autos
C PIM = 1 correa (cantidad de piezas iguales en la máquina)
F1(60 000) = 0.16
F2(120 000) = 0.84
RAL = 0 (asumiendo la reserva en el almacén (Stock)).

2-¿Qué piden?
Módulo de piezas a solicitar al inicio del 1er y 2do año de explotación.

3- Cálculo del módulo de piezas a solicitar al inicio del 1r año de explotación.

M P = I P * K S − R Al (12.37)
I P = F ( x ) * M * C PIM (12.36)

IP - Demanda de intercambio de piezas.

KS = (1 - 1.3) coeficiente de seguridad

Sustituyendo en 12.36
IP1 = 0.16 * 50 * 1 = 8 correas.

134
Sustituyendo en 12.37
MP1 = 8 * 1.3 - 0 = 10.4 correas.

Se pueden pedir 10 o 11 correas, depende de ser optimista (10) o conservador

(11), al final es una decisión económica que depende del gerente.

3-Cálculo del módulo de piezas a solicitar al inicio del 2do año de explotación.

M P2 = (IP11 + IP22) * KS - RAL (12.38)

Donde:
IP11 – Son las piezas que fueron cambiadas durante el 1er año de explotación (se
asume que al final del 2do año tienen un año de explotación).
I P11 = F (x1 ) * M 11 * C PIM (12.39)
IP22 – Son las piezas que fallaron durante el 2do año.

IP22 = IP2 - IP1 (12.40)

Donde:
IP2 - Son las piezas que iniciaron la explotación y fallaron a los 2 años.
I P 2 = F ( X 2 ) * M * CPIM (12.41)

Sustituyendo en 12.41

IP2 = 0.84 * 50* 1 = 42 correas.

Sustituyendo en IP2 e IP1 en 12.40.

IP22 = 42 - 8 = 34 correas. (7)

Sustituyendo en 12.39 (M11= 8 ya que fueron cambiadas 8 correas durante el 1er

año y cada máquina usa una sola correa)
I P11 = 0.16 * 8 * 1 = 1.28 = 1 correas (8)

Sustituyendo I P11 e IP22 12.38

MP2 = (1 + 34) * 1 - RAL = (35 - RAL) correas.

Nota:
Al principio del 2do año empezaron 42 correas de las 50 que iniciaron la
explotación (8 fallaron en el 1er año).

¿Cuantas quedan al principio del 3er año? R/ 50 – 8 – 34 = 8 correas.

¿Cuántas duran 3 años? ¿Cuál es el M P3 a solicitar?

20 – ANEXOS.
Anexos No 1 – Organigrama del Procedimiento de Cálculo Fiabilístico.

135
 1. SELECCIÓN
DE LA MUESTRA
MÍNIMA.
SÍ

2. RECOGER LA INFORMACIÓN NO
DE LAS VARIABLES Confi able la
ALEATORIAS Informaci ón

SI se LEY DE NO se
desea PARETO desea

SÍ
APLICAR NO APLICAR

4. ORDENAMIENTO DE LAS VARIABLES NO

ALEATORIAS ANALIZADAS EN SERIES
>3%
SIMPLE CRECIENTE O DECRECIENTE.

5.DETERMINACIÓN DE LA CANTIDAD DE
INTERVALO PARA LA SERIE
ESTADÍSTICA.

6. ANCHO DEL
INTERVALO.

7. REPRESENTACIÓN TABULAR DE LA
DISTRIBUCIÓN DE FRECUENCIA.

SÍ
8. CÁLCULOS DE LOS
ESTADÍGRAFOS.
¿Desea otro
nmin por otro
NO
método? 9. LIMPIEZA DE
LA MUESTRA. SÍ

NO

11. REPRESENTACIÓN GRÁFICA.

10. PLANTEAR LA HIPÓTESIS.

1 2
3

136
 1 2 3

12. CÁLCULO DE FUNCIÓN DE

DISTRIBUCIÓN TEÓRICA [F ( X )] .

MUESTRA
SÍ NO
GRANDE

13. CÁLCULO DE LA 14. Cálculo de las diferencia

FRECUENCIA RELATIVA entre la función de
TEÓRICA [ f ( X )] PARA EL distribución teórica y la
AJUSTE DE CURVA POR función experimental para el
EL MÉTODO DEL χ 2 . ajuste de curva por el método
Kolmogorov-Smirnov.
SÍ
METODO χ 2 METODO K.S. SÍ
Método NO
Kolmogorov
-Smirnov.
NO
AJ USTE AJ USTE DE NO
NO Proble ma
DE CURVA
CURVA
Hipótesis

4
SÍ SÍ
16. Determinación del 4
intervalo de confianza.

17. Cálculo de los índices simples

y complejos de fiabilidad.

18. Construcción de la curva de mortandad

y/o de supervivencia.

19. Cálculo del intercambio

de piezas.

20. Conclusiones.

Organigrama del Procedimiento de Cálculo Fiabilístico.

137
 Nombre: Carlos Manuel Bonet Borjas. Ingeniero
Mecánico especializado en Mecanización Portuaria. Master en Ingeniería de
Mantenimiento (26 de octubre de 2000). Profesor del Departamento Centro de
Estudio de Ingeniería de Mantenimiento (CEIM) de la Facultad de Ing. Mecánica,
ISPJAE, desde 1979. 32 años de experiencia. Ha impartido hasta el momento 24
asignaturas diferentes en varias disciplinas, fundamentalmente en: “Explotación
Técnica y Montaje de Equipos Portuarios” desde 1979 hasta 1988, en la Facultad
de Transporte, en La Cujae, "Explotación Técnica de Máquinas Automotrices " en
las temáticas de lubricación, fiabilidad, mantenimiento y diagnóstico desde 1988
hasta el 2000, ”Mantenimiento” desde 2001 hasta 2009, profesor principal en esta
asignatura en el Departamento de Ingeniería del Transporte, de la Facultad de
Ingeniería Mecánica, en La Cujae. Se han impartido 51 postgrados, 19 cursos
facultativos y 10 conferencias. Tutor de 86 trabajos de diplomas de pregrado, 27
trabajos de diplomas de potsgrados (en diplomados, maestrías), 291 proyectos de
curso en 4to y 5to año de la carrera, 19 grupos estudiantiles de trabajo científico
(GETC). Asesor de 26 trabajos de diploma y 2 trabajos de diploma de maestría.
Oponente de 39 trabajos de diploma de pregrado y 8 de postgrado. Participación
en 69 tribunales de trabajos de diploma de pregrado y 22 de postgrados, 69
tribunales de proyectos de curso y de Fórum Estudiantil, 6 tribunales provinciales
de la UNAICC, un tribunal nacional de la UNAICC. Se ha participado en 60
eventos internacionales y nacionales. Publicaciones: Un textos con 2 tomos
(1987), otro en Ecuador (2009), 6 folletos, 20 monografía, 12 artículos y 47
publicaciones en memoria de eventos y otros. Trabajos investigativos: 14
servicios científicos técnicos y 22 asesorías. Superación. 31 postgrados recibidos
y además de 17 seminarios y cursos especializados. Defensa de La Maestría,
octubre del 2000. Grupos de trabajos multidisciplinarios: 5. Países visitados: 3
(Rumanía-estudio de pregrado- un año-1972-1973, Bulgaria-visita--1973, España-
misión de estudio- 15 días- 1987)

138