Apuntes Del Curso de Estadística, Fiabilidad, Riesgo y Calidad

Universidad Técnica de Oruro
Facultad Nacional de Ingeniería

Ingeniería Mecánica
Dr. Ing. Alfredo del Castillo Serpa
Página
Ciudad de Oruro, Bolivia, Planeta Tierra.
principal
Septiembre, 2002
Especialidad en Mantenimiento Pag. 2
Índice
1.Introducción.
1.1.Elementos de Estadística Descriptiva.
1.1.1 Escalas de medición y tipos de datos.
1.1.2 Análisis de datos.
1.2 Un procedimiento para el mejoramiento de la calidad en el
mantenimiento.
1.2.1 Principio y Diagrama de Pareto.
2. Resumen de Aspectos de la Teoría de las Probabilidades.
2.1 Aspectos básicos de la teoría de las probabilidades.
2.2. Variables aleatorias y leyes de probabilidad.
2.3 Análisis de datos para el ajuste de una distribución teórica
de probabilidad.
3.Fiabilidad, Mantenibilidad y Disponibilidad.
3.1 Introducción.
3.2 Fiabilidad y tasa o razón de fallos.
3.3 Algunas leyes de fallas de uso frecuente.
3.3.1 La ley normal de fallas.
3.3.2 La ley exponencial de fallas.
3.3.3 La ley de fallas de Weibull.
3.4 Fiabilidad de los sistemas.
3.5 Mantenibilidad.
3.6 Disponibilidad .
4 Cálculo de fiabilidad de sistemas complejos.
4.1 Análisis de diagramas en bloques.(RBD).
4.2.Análisis del espacio de estado( Cadenas de Markov).
4.3 Método de simulación(Método de Montecarlo).
5. Programación de Proyectos.
2
1.Introducción.
La aplicación de las modernas tecnologías a las plantas de proceso altera el comportamiento de
los procesos industriales e introduce nuevos riesgos que obligan a cuantificar la fiabilidad o la
seguridad de la nueva planta o bien a mejorar estos parámetros en una planta, ya existente, antes
de su modernización.
Existe una relación directa entre fiabilidad y seguridad; cuanto más fiable sea un sistema, lo que
depende de sus elementos componentes, más seguro es dicho sistema. La seguridad de la planta
debe complementarse actualmente con la aplicación de la fiabilidad y la seguridad a todas las
fases del proyecto, construcción, puesta en marcha y mantenimiento de la fábrica.
Actualmente esta emergiendo en la industria la figura del ingeniero de fiabilidad que se

complementa o solapa con la del ingeniero de seguridad dedicado al análisis de riesgos de la
planta. El ingeniero de fiabilidad trata con la disponibilidad, la operatibilidad y la mantenibilidad
de los sistemas técnicos, incluyendo el análisis de riesgos para la prevención de sucesos o eventos
que puedan dar lugar a consecuencias indeseables. Asimismo, puede tratar aspectos relativos a la
predicción y medida de la fiabilidad y de la calidad de la fabricación para minimizar el coste total
durante la vida global de un componente o sistema. Por otro lado, aspectos tales como las
herramientas y los métodos aplicables al hardware y al software entran también dentro de la
ingeniería de la fiabilidad.
Todo lo anterior nos indica que la actividad relacionada con elevar la calidad de la operación sin
fallos de equipos, componentes y/o sistemas se convierte cada vez más en un aspecto esencial de
la vida tecnológica moderna, incluso esta presente en leyes estatales, así como se aboga por la
aplicación de las mismas en foros internacionales.
En este curso se pretende familiarizar a los participantes con conceptos básicos de esta temática,
así como con algunas técnicas de la ingeniería de la fiabilidad enfatizando aspectos relacionados
con la fase de explotación de sistemas y/o componentes entre las cuales se destaca la actividad de
mantenimiento.
Teniendo en cuenta lo anterior y la necesidad de incluir aspectos relacionados con el cálculo de la

fiabilidad, es que resulta necesario tratar un mínimo de aspectos matemáticos relativos a la teoría
de las probabilidades y la estadística.
1.1 Elementos de Estadística Descriptiva.

La Estadística no es solo la compilación y presentación de datos en tablas y gráficos, sino que
también constituye una poderosa herramienta de la ciencia de la toma e decisiones en presencia
de incertidumbre.
Los datos numéricos proporcionados , por encuestas, experimentos y otras fuentes, componen la
materia prima sobre la cual se basa las interpretaciones, análisis y decisiones resultando esencial
saber como exprimir la información más útil de tales datos. Esto, en realidad es el objetivo
3
principal de la Estadística. Al decir del prestigioso profesor J.E. Freund, los conceptos de la
estadística y los métodos estadísticos no son más que el refinamiento del pensamiento cotidiano.
La Estadística como rama de la Matemáticas Aplicadas suele dividirse en los campos de la
Estadística Descriptiva y la Estadística Inferencial, aunque ya en la actualidad sus fronteras se
confunden.
Los métodos de la Estadística Descriptiva constituyen aquellos tratamientos de datos numéricos

que comprenden generalizaciones, en contraste con la Estadística Inferencial que se ocupa de
tomar decisiones en relación con la incertidumbre a partir de generalizaciones, predicciones y/o
estimaciones.
Un primer aspecto a considerar al reunir datos es precisar el propósito de la recolección de, tales
datos. Entre los posibles propósitos de la recolección de datos se tienen:
 Ayudar a comprender una situación real.
 Analizar una situación.
 Aceptar o rechazar una hipótesis.
 Regular determinada magnitud o proceso.
 Controlar la calidad de un proceso.
Otro aspecto importante a considerar en la recolección de datos es determinar si los datos

representan o no condiciones típicas, así como si el análisis y comparación de datos se realizan de
forma tal que pongan de manifiesto la situación real.
El primer aspecto atañe a los métodos de muestreo; el segundo es un problema de procesamiento

estadístico.
1.1.1 Escalas de medición y tipos de datos.
Las principales escalas para la ubicación de datos son:
Nominal ------- Los valores de la variable son nombres o símbolos que no guardan ninguna
relación de orden, es decir solo diferencia los valores de la variable. Por ejemplo, las causas de
rotura de un equipo, sabor de un producto. Los datos que se miden en escalas nominales siempre
suelen ser de tipo cualitativo.
Causas de rotura de un equipo: desgaste de rodamiento, desgaste de eje, conductor abierto, rotura
de condensador, otras causas.
Sabor de un producto: ácido, dulce, agrio, salado.
Ordinal -------- Los valores de la variable pueden ser números o símbolos que permiten
distinguir un orden, pero no permite distinguir entre valores diferentes cuan próximo o alejados
se encuentran. Por ejemplo, escalas de orden, escalas de niveles de gradación. Los datos que se
miden en este tipo de escalas suelen ser tanto cualitativos como cuantitativos. Los cuantitativos
son discretos, es decir, sobre cantidades o de recuento.
Nivel de satisfacción de un usuario: alto , medio, bajo. (Cualitativo)
4
Cantidad de roturas de un equipo: 0,1,2,3,... . ( Discreto o de recuento)
De Intervalo.--- Además de indicar orden, es posible establecer la distancia entre un valor y otro.
Por ejemplo, el intervalo [0,10]. El tipo de datos que suelen medirse en esta escala se denominan
datos continuos, como por ejemplo los que se refieren a magnitudes de tiempo, peso, longitud y
otros.
Tiempo de operación sin fallar de un equipo: [0, inf). (Continuo)
1.1.2 Análisis de datos.
Puesto que una vez reunidos los datos, se analizan y se extrae información es que resulta
menester, recoger los datos de forma que se posibilite y simplifique el análisis posterior.
Para el análisis e interpretación de los datos recolectados estos suelen agruparse, clasificarse, así
como definir descriptores numéricos globales. Para la realización de esta tarea suelen utilizarse
tablas, gráficos y diferentes valores numéricos que expresan diversas características de los datos.
Al agrupar los datos se facilita el análisis pero a costa de perder información.
Muchas veces en ingeniería es de interés analizar la frecuencia de ocurrencia de ciertos valores

de la variable bajo estudio. Para ello, los posibles valores suelen ser agrupados en clases y
construir una tabla o gráfico para representar la distribución de frecuencias. Cuando la
distribución de frecuencias es mostrada en forma de tabla, se denomina tabla de frecuencia,
mientras que la forma gráfica es denominada histograma de frecuencia. Las tablas e histogramas
de frecuencias pueden ser de diversos tipos , siendo las más frecuentes los de frecuencia
absoluta, relativa, acumulada absoluta y acumulada relativa.
En el caso de datos continuos, las clases son intervalos de valores denominados intervalos de
clases; en datos sobre cantidades las clases son las cantidades, mientras que en los restantes tipos
de datos las clases son categorías de clasificación.
Las clases se seleccionan de manera tal que todo dato pueda ser clasificado, es decir, pertenece a
una y solo una de las clases. La definición y cantidad de clases varia en cada caso.
Algunas recomendaciones para la confección de tablas e histogramas de frecuencias son:

- número de clases (k) suele seleccionarse entre 6 y 15,
- el valor de k se recomienda seleccionarlo según el siguiente criterio práctico
Cantidad de datos (n) Cantidad de clases (k)
menos de 50 de 5 a 7
de 50 a 100 de 6 a 10
de 100 a 250 de 7 a 12
más de 250 de 10 a 20
5
- En caso de datos continuos o sobre cantidades, es frecuente seleccionar las clases con igual
amplitud (h) y se puede determinar por:
h = [ Xmax - Xmin ] / k, donde
Xmax ------ mayor valor de los datos,

Xmin ------ menor valor de los datos.
- El cálculo de las diferentes frecuencias se efectúa según las siguientes expresiones:
 Frecuencia absoluta de la clase i, fi: total de datos pertenecientes a la clase i.
 Frecuencia relativa de la clase i, fri:
fri = fi / n.
 Frecuencia acumulada de la clase i, Fi:
 Frecuencia acumulada relativa de la clase i, Fri:

i
Fri fr k
k= 1
Ejemplo 1.1.
Para analizar el consumo energético de un equipo de bombeo sumergible en agua industrial, se
decidió medir el consumo de este equipo en kwh por día, durante 90 días. Los resultados de las
mediciones realizadas se relacionan en la Tabla 1.1.
135 170 126 156 162 142 152 146 147 157
165 147 160 140 147 131 147 131 146 159
143 131 155 142 140 153 160 129 136 158
151 164 136 149 150 140 160 163 147 155
165 167 167 151 146 150 164 157 164 144
137 134 156 169 156 161 158 138 158 161
134 141 137 162 141 150 148 150 160 159
145 163 163 145 128 158 156 150 162 143
134 173 141 141 149 161 147 163 140 162
Tabla 1.1.- Consumo diario en kwh ( 90 mediciones)
Aquí el propósito de las mediciones realizadas es analizar el comportamiento del consumo

energético del equipo considerado. La variable considerada, Consumo diario, es continua y
medida en una escala de intervalo cuya unidad es kwh .
En este ejemplo limitaremos el análisis a la construcción de las tablas e histogramas de

frecuencias asociados a la información disponible.
En correspondencia con la cantidad de 90 datos y los valores obtenidos para la variable

Consumo, se tomaran 8 clases en el intervalo [120, 180]. En la Tabla 1.2 se muestran las tablas
de los diferentes tipos de frecuencias.
6
----------------------------------------------------------------------------------------
Limite Límite Punto
Clase inferior superior medio fi fri Fi Fri
-------------------------------------------------------------------------------------------------------------------------------------
Igual o menor a 120.0 - 0 0.0000 0 0.0000
1 120.0 127.5 123.75 1 0.0111 1 0.0111
2 127.5 135.0 131.25 9 0.1000 10 0.1111
3 135.0 142.5 138.75 14 0.1556 24 0.2667
4 142.5 150.0 146.25 23 0.2556 47 0.5222
5 150.0 157.5 153.75 13 0.1444 60 0.6667
6 157.5 165.0 161.25 24 0.2667 84 0.9333
7 165.0 172.5 168.75 5 0.0556 89 0.9889
8 172.5 180.0 176.25 1 0.0111 90 1.0000
Mayor 180.0 - - 0 0.0000 90 0.0000
-------------------------------------------------------------------------------------------
Tabla 1.2.- Tablas de frecuencias correspondiente a los datos de la variable Consumo.
En la Gráfico 1.1 se muestran los diferentes histogramas de frecuencias correspondientes a la

variable Consumo.
Gráfico 1.1 .- Histogramas de frecuencias correspondientes a los datos de la variable

Consumo.
Notas:
7
(1) Los histogramas pueden tener forma de columnas y de líneas, de acuerdo con el interés del
analista.
(2) A menudo interesa determinar la tendencia a un patrón de la frecuencia relativa. Algunos de
los patrones de uso frecuente en ingeniería son:
Estadísticos o descriptores numéricos de un conjunto de datos.
Otra forma que también suele utilizarse para describir un conjunto de datos es calcular valores
numéricos que brinden información sobre características globales de los datos. Tales valores se
les denominan descriptores numéricos o estadísticos de un conjunto de datos. Se tienen cuatro
grupos de descriptores básicos de datos estadísticos de un conjunto de datos, a saber: medidas de
tendencia central, medidas de variación, medidas de simetría y asimetría, medidas de curtosis.
Medidas de tendencia central. Son valores numéricos que caracterizan de forma global la
tendencia central de los datos. Los descriptores de medidas de tendencia central más
frecuentemente utilizados son: promedio o media aritmética, mediana y moda.
Medidas de variación. Son valores numéricos que caracterizan la dispersión de los datos en
general y alrededor del promedio en particular. Los descriptores de variación más frecuentemente
utilizados son: varianza, desviación estándar, coeficiente de variación y rango o amplitud.
Medidas de simetría , asimetría y curtosis. Son valores numéricos que se refieren a características
de la forma del histograma de frecuencia de los datos. Algunos de los descriptores de este tipo
son: el coeficiente de asimetría y el coeficiente de curtosis.
8
Una breve caracterización de estos estadísticos se relaciona a abajo.

Notas.
(1) Las fórmulas se refieren a datos individuales, donde:
xi -- valor del dato u observación i-ésima,
Xmax -- el máximo valor en los datos,
Xmin -- el mínimo valor en los datos,
n – total de datos.
(2) En caso que los datos sean agrupados, las fórmulas son válidas si se considera:
i = 1,2,3,...,K siendo K el total de clases,
xi = fi . Ci, , donde Ci es la marca de la clase i,
n igual a la suma de fi desde i =1 hasta i = K.
Media.
La suma de las observaciones o datos dividida por el número de observaciones.
n
xi
i= 1
X
n
Mediana( m ).
Con las observaciones ordenadas en forma creciente o decreciente, la mediana es el valor que
ocupa la posición central o en el caso que el total de observaciones sea impar el promedio de los
dos valores que ocupan la posición central.
Moda( M ).
La o las observaciones en un muestreo que ocurren con mayor frecuencia.
Varianza( S2).
Una medida de la dispersión de los datos. A mayor varianza más dispersión de los datos respecto
a la media y a menor varianza, menor dispersión de los datos respecto a la media.
n n
2
2
xi X xi X
i= 1 2 i= 1
Sn 2 o Sn
1
( n 1) n
Desviación estándar( S ).
Una medida de la dispersión de los datos. Un estadístico que define un tamaño promedio de la
desviación para una observación única desde su valor esperado.
9
2
Sn 1
Sn 1
o Sn Sn 2
Coeficiente de Variación( V ).
Una medida que permite usted para comparar la cantidad de varianza en dos o más variables que
se miden en unidades diferentes. Una medida de la dispersión relativa que es la desviación
estándar dividida por el media y multiplicada por 100 para dar un porcentaje de valor. Usted no
puede usar esta medida cuando los datos toman tanto valores negativos como positivos o cuando
usted ha codificado de tal suerte que el valor X=0 no coincide con el origen.
S
V
X
Rango o amplitud( A ).
Amplitud del intervalo de variación de los datos.
A= Xmax - Xmin
Coeficiente de asimetría o asimetría( q ).

Una medida de la simetría o sesgo de la distribución ; es una caracterización del grado de
asimetría de una distribución alrededor de su media.Una asimetría de 0 indica que los datos son
simétricamente distribuidos. Los valores positivos de asimetría indican que la cola derecha de la
curva es más larga que la cola izquierda; los valores negativos indican que la cola izquierda es
más larga.
n 3
n . x X
q
( n 1) . ( n 2) S3
i= 1
Coeficiente de curtosis o curtosis( k ).

La curtosis representa la elevación o achatamiento de una distribución, comparada con la distribu
ción normal. El coeficiente de curtosis de una distribución normal es cero, así una curtosis
positiva indica una distribución relativamente elevada, mientras que una curtosis negativa indica
una distribución relativamente plana.
n 4
n. ( n 1) . x X 3. ( n 1)
2
k
. .
( n 1) ( n 2) ( n 3) S4 ( n 2) . ( n 3)
i= 1
Percentil p( Pp ).
Representa el valor hasta el cual se acumula el 100p% de los datos y si los datos se ordenan en
forma creciente puede ser calculado por la expresión:
Pp = x w+1 + (x w+2 – x w+1).r,
donde
10
0  p 1 ; w = [ p.(n-1) ], [] es la operación parte entera; r = p.(n-1) – w.
Ejemplo 1.2.
Para determinar los estadísticos correspondientes a los datos mostrados en la tabla 1.1, es posible
utilizar un programa profesional para efectuar los cálculos. Haciendo uso del software
STATGRAFIC se obtiene la tabla 1.2.
Resumen estadístico de la
variable Consumo
Descriptor Valor Descriptor Valor
Media 150.411 Mínimo 126
Mediana 150 Máximo 173
Moda 147 Rango 47
Varianza 123.84 Asimetría -0.195
Desviación estándar 11.128 Curtosis -0.803
Tabla 1.2.- Resumen estadístico
El análisis de las tablas e histogramas de frecuencias, así como del resumen estadístico de los
descriptores facilitan la caracterización de los datos referente a la variable consumo. Así, se
puede afirmar que los datos tienen un histograma de forma acampanada, con ligera asimetría
hacia la derecha ( coeficiente de asimetría negativo); esta asimetría es ligera, tanto por lo que se
aprecia por simple inspección en el histograma, como por la proximidad de los valores de los
descriptores de tendencia central. El valor negativo de la curtosis indica cierto aplanamiento de la
distribución de frecuencias respecto a una distribución normal o gaussiana.
El análisis de tendencia anterior, complementado con otros procedimientos resulta útil para
cumplimentar el objetivo de seleccionar un modelo teórico que caracterice el comportamiento de
la distribución de frecuencia de la variable considerada. Por ejemplo, en los estudios de fiabilidad
resulta frecuente la necesidad de seleccionar un modelo teórico para la distribución de la variable
tiempo hasta el fallo.
1.2 Un procedimiento para el mejoramiento de la calidad en el

mantenimiento.
En este epígrafe se describe un procedimiento que puede ser útil para mejorar la calidad de la
actividad de mantenimiento en una entidad. Este procedimiento integra elementos de estadística,
conocimiento de la actividad que se pretende mejorar, así como técnicas de dirección. Su
aplicación es útil si en la actividad estudiada se cumple el denominado Principio de Pareto y por
ello se le conoce a este procedimiento como método del diagrama de Pareto .
11
1.2.1.Principio y diagrama de Pareto .
El denominado Principio de Pareto establece que en muchos fenómenos o procesos cada

ocurrencia de un cierto efecto E es debida a uno y solo uno de r factores o causas F 1, F2,...,Fr, de
los cuales solo unos pocos son responsables de la inmensa mayoría de las veces que ocurre el
efecto E; a este grupo de factores se les suele denominar los pocos esenciales, mientras que al
resto se les denominan los muchos triviales en la incidencia de ocurrencia del efecto E.
El Principio de Pareto no es aplicable a la ocurrencia de todo efecto E. Un criterio práctico para

considerar aplicable el Principio de Pareto es que aproximadamente el 20% de los factores es
responsable de aproximadamente el 80% de la frecuencia de ocurrencia del efecto E ( Criterio del
20 – 80 ).
Con el objetivo de identificar la aplicabilidad del Principio de Pareto, así como determinar los
factores pertenecientes a cada uno de los grupos ( pocos esenciales y muchos triviales ) resulta
útil la construcción de un diagrama denominado Diagrama de Pareto. El Diagrama de Pareto es
una suerte de histograma de frecuencia, donde la variable factores o causas de la ocurrencia del
efecto E son medidas en una escala nominal con valores F1, F2, ...,Fr y se contabiliza la
frecuencia de incidencia de cada factor en el total de ocurrencias consideradas del efecto E. Si los
valores de la variable factores son ordenados según decrece su frecuencia, entonces al histograma
de frecuencias resultante se le denomina Diagrama de Pareto.
La construcción de las tablas y Diagrama de Pareto se ilustra para un caso hipotético según se
muestra en la Tabla 1.3 y Gráfico 1.2.
Tabla de frecuencias Tabla de frecuencias ordenadas

original
Factores Frecuencia Factores Frecuencia
F1 4 F3 44
F2 8 F6 32
F3 44 F2 8
F4 2 F7 5
F5 3 F1 4
F6 32 F5 3
F7 5 F4 2
F8 1 F8 1
F9 1 F9 1
Tabla 1.3 Tabla de frecuencias de los factores
12
Histograma de frecuencia
50
40
Frecuencia
absoluta
30
20
10
0
F3 F6 F2 F7 F1 F5 F4 F8 F9
Factores
Diagrama de Pareto
120
Frecuencia Acumulada(%)
100
80
60
40
20
0
F3 F6 F2 F7 F1 F5 F4 F8 F9
Factores
Gráfico 1.2 Construcción del Diagrama de Pareto
Nota: Observe que en este caso es aplicable el Principio de Pareto, ya que los factores F3 y F6,
que representan aproximadamente el 20% del total de factores considerados, son responsables del
76% de la frecuencia de ocurrencia del efecto. Así, F3 y F6 son los factores pertenecientes al
grupo de los pocos esenciales, mientras que el resto pertenece al grupo de los muchos triviales.
Resulta importante señalar que un primer paso en la aplicación del Método de Pareto consiste en
determinar con precisión los factores o causas que serán consideradas para el estudio del efecto
E. Para este fin pueden utilizarse diferentes vías o la combinación de varias. Entre ellas se pueden
mencionar: reunión de expertos, tormenta de cerebro, análisis de información disponible,
Diagrama de Ichikawa, realización de experimentos y otras.
Se recuerda que el Diagrama de Ichikawa o espina de pescado se construye indicando causas de

un efecto y considerando luego cada causa como efecto y así sucesivamente como se ilustra en la
siguiente figura.
13
Cómo utilizar un diagrama de Pareto.

Un diagrama de Pareto es el primer paso para efectuar mejoras en un proceso y/o actividad.
Puede resultar particularmente útil en la identificación de los principales factores o causas que
provocan cierto efecto ( por ejemplo, roturas ) y facilitar la aplicación de un plan de medidas
conveniente.
Al efectuar mejoras, lo siguiente es importante:
- Obtener la cooperación de todas las personas implicadas,
- Lograr un resultado considerable
- Escoger una meta concreta.
Si un colectivo de trabajadores trata de lograr mejoras en forma individual pero sus esfuerzos
carecen de una base definida, un gran despliegue de energía arrojará escasos resultados.
El diagrama de Pareto es muy útil para obtener la cooperación de todos los involucrados porque
un simple vistazo permite percibir en que consiste el problema principal: las dos o tres barras más
altas son las que corresponden a la mayor parte de los problemas; las más pequeñas señalan
causas menores.
La experiencia enseña que es más fácil reducir a la mitad una barra alta que reducir a cero una
corta. Si reducir a la mitad una barra alta requiere el mismo esfuerzo que hacer lo propio con una
barra corta, no hay duda de cual deberá seleccionarse como objetivo. Así, se puede afirmar que la
gran ventaja del diagrama de Pareto es que permite precisar los factores más importantes en los
cuales corresponde, por tanto, concentrar la atención.
Los diagramas de Pareto pueden entonces ser aplicados para lograr mejoras, por ejemplo, para
mejorar la prevención de averías y la planificación del mantenimiento preventivo.
Los diagramas de Pareto también pueden ser utilizados para analizar la efectividad de los planes
de medidas, es decir, si los esfuerzos de mejora arrojan resultados esperados.
14
2. Resumen de Aspectos de la Teoría de las Probabilidades.
2.1 Aspectos básicos de la teoría de las probabilidades.
La teoría de las probabilidades brinda un modelo matemático adecuado para el estudio de ciertos
fenómenos no determinísticos, es decir, fenómenos o experimentos cuyo resultado no es
conocido previamente con certeza, aunque se conocen todos los posibles resultados( fenómenos
aleatorios ). Al conjunto de todos los resultados posibles se le denomina espacio muestral y suele
denotarse por la letra S. Por ejemplo, si se numeran las seis caras de un dado común, entonces el
espacio muestral correspondiente al lanzamiento del dado se podría denotar por:
S = { 1, 2, 3, 4, 5, 6 }
Con relación a un fenómeno aleatorio, se denomina evento aleatorio a cualquier conjunto de
posibles resultados del fenómeno. Éstos suelen denotarse por letras mayúsculas A, B, C, ... . Por
ejemplo, obtener un número par al lazar un dado común, es un evento que puede indicarse por:
A = { 2, 4, 6 } .
Dos eventos especiales son: el evento cierto S, pues siempre ocurre y el evento imposible ( que
nunca ocurre ) y que se denota por la letra .
Entre los eventos se pueden definir tres operaciones básicas las cuales cumplen ciertas
propiedades. Las operaciones entre eventos y sus propiedades se le denomina álgebra de eventos
y algunos de sus los aspectos más significativos se resumen en el Anexo I .
El concepto de probabilidad ha evolucionado a través de los años. Inicialmente se formuló una
definición que hoy se conoce como clásica, posteriormente se amplió dando lugar a la
frecuencial, y por último se formaliza dando lugar a la axiomática. Un resumen de estas
definiciones se muestra a continuación indicándose las dos primeras definiciones como formas de
evaluar la probabilidad de un evento.
Definición axiomática. Sea  un experimento o fenómeno aleatorio. Con cada evento A se asocia
un número real designado por P(A) y llamado probabilidad de A que cumpla las siguientes
propiedades:
1. P(A)  0 2. P(S) = 1 3. P(A  B) = P(A) + P(B) si AB = .
Las definiciones clásica y frecuencial pueden ser expresadas mediante fórmulas que permiten
evaluar la probabilidad de un evento si se cumplen las condiciones indicadas, así:
- Forma clásica. P(A) = N(A) / N(S), para espacios finitos y equiprobables donde N(A) es el
número de resultados favorables a la ocurrencia de A y N(S) es el total de resultados posibles.
- Forma frecuencial. fr (A) = f(A)/ n, siendo fr(A) la frecuencia relativa de ocurrencia del
evento A en n realizaciones u observaciones del experimento . La probabilidad del evento A
se define por
P(A) = lim fr(A) , así fr(A) suele estimar a P(A).
n 
Por ejemplo, si en el experimento del lanzamiento del dado común se considera que todos los
resultados tienen las mismas oportunidades de ocurrencia, entonces la probabilidad de obtener un
número par es P(A) = 3/6 = 0.5.
15
El conocimiento de las frecuencias de ocurrencia de fallos resulta particularmente útil en estudios

de fiabilidad, ya que permiten la estimación y/o selección de modelos teóricos para las
probabilidades de fallos.
A partir de las diferentes definiciones de probabilidad es posible obtener una serie de resultados
básicos que se conocen como reglas de probabilidad. A continuación se resumen algunas de las
que se aplican con mayor frecuencia en la ingeniería de fiabilidad.
Reglas de probabilidad.
1. P() = 0.
2. P(Ac) = 1 – P(A).
3. P(AB) = P(A) + P(B) – P(AB).
4. P(ÃB) = P(A) – P(AB).
5. La probabilidad condicional de ocurrencia del evento A, dado que el evento B ha ocurrido, es
denotado por P(A/B) y se calcula por la expresión,
P(A/B) = P(AB)/P(B), si P(B)  0.
6. Se dice que dos eventos son independientes si la ocurrencia de uno no modifica la
probabilidad de ocurrencia del otro, esto es P(A/B) = P(A) y P(B/A) = P(B). En el caso que
los eventos A y B sean independientes se tiene que
P(AB) = P(A)P(B).
Ejemplo 2.1.
Se dispone del sistema mostrado en la figura, en el cual al menos uno de los componentes A o B
debe funcionar para que el sistema funcione correctamente. Si se conoce que la probabilidad de
fallo del componente A es 0.17, P(Ac)= 0.17, y la probabilidad de fallo del componente B es
0.23, P(Bc) = 0.23 y considerando que el funcionamiento o no de los componentes son eventos
independientes, se tiene que la probabilidad de que el sistema falle, P(F), se calcula mediante la
expresión,
P(F) = P(AcBc) = P(Ac)P(Bc) = (0.17)(0.23) = 0.0391.
Así, si se denota por P(E) la probabilidad de que el sistema funcione correctamente, ésta puede
ser calcula mediante la expresión,
P(E) = P(Fc) = 1 – P(F) = 1- 0.0391 = 0.9609
ó
P(AB) = P(A) + P(B) - P(A)P(B) = 0.9609.
16
2.2. Variables aleatorias y leyes de probabilidad.
Al describir el espacio muestral de un experimento, no se especificó que un resultado individual

necesariamente tiene que ser un número. Por ejemplo,
al clasificar un artículo manufacturado simplemente se podría usar las categorías “artículo
defectuoso” y “artículo no defectuoso”. En otro caso, para observar la temperatura durante 24
horas sencillamente se podría mantener un registro de la curva trazada por el termógrafo. Sin
embargo, en muchas situaciones experimentales será necesario medir algo y anotarlo como un
número. Así, se puede asignar el valor uno a un artículo defectuoso y cero a los defectuosos.
También podría ser de interés anotar la temperatura máxima del día, o la mínima, o el promedio
de la máxima y la mínima.
Las ilustraciones anteriores son características de una clase muy general de problemas. En
muchas situaciones experimentales se desea asignar un número real x a cada uno de los
elementos s del espacio muestral S. Esto es, x = X(s) es el valor de una función X del espacio
muestral a los números reales. Teniendo esto presente, se puede formalizar la siguiente
definición.
Definición. Sea un experimento  y S el espacio muestral asociado con el experimento. Una
función X que asigna a cada uno de los elementos s  S, un número real X(s), se llama variable
aleatoria. Al referir una variable aleatoria se usará una letra mayúscula X, Y, W, sin embargo, al
referirse a su valor se hará mediante letras minúsculas x, y, w.
De acuerdo con la definición anterior, es posible establecer equivalencia entre eventos definidos
en el lenguaje tradicional o en términos de variables aleatorias.
Al tratar muchos conceptos importantes asociados con las variables aleatorias resulta
conveniente distinguir dos casos importantes: las variables aleatorias discretas y las continuas.
Variables aleatorias discretas.
Definición. Sea X una variable aleatoria. Si el número de valores posibles de X es finito o
infinito numerable, se dice que X es una variable aleatoria discreta. Esto es, se pueden anotar los
posibles valores de X como x1, x2, x3,... , xn,... .En el caso finito la lista termina y en el caso
infinito numerable la lista continúa indefinidamente.
Definición. Sea X una variable aleatoria discreta. Con cada resultado posible xi asociamos un
número p(xi) = P(X = xi), llamado la probabilidad de xi. Los números p(xi), i=1,2,... deben
satisfacer las condiciones siguientes:
(a) p(xi)  0 para todo i,
(b)  p(xi) = 1.
x
i
La función p definida anteriormente se denomina función de probabilidad de la variable aleatoria
X. La colección de pares (xi, p(xi)), i = 1,2,... se llama algunas veces distribución de
probabilidad de X.
Algunas funciones de probabilidad de uso frecuente en ingeniería son: ley binomial, ley de
poisson, ley geométrica y otras. ( Para algunos comentarios sobre estas leyes vea Anexo II )
Variables aleatorias continuas.
Definición. Se dice que X es una variable aleatoria continua si existe una función f , llamada
función de densidad de probabilidad(fdp) de X, que satisface las siguientes condiciones:
(a) f(x)  0 para todo x,
00
( b) f( x) dx 1
00 17
(c) Para cualquier a, b, tal que - < a < b < , se tiene que
b
P(a < X < b) = f( x) dx
a
Algunas funciones de densidad de probabilidad de uso frecuente en ingeniería son: ley normal,
ley exponencial, ley lognormal, ley Weibull y otras. ( Para algunos comentarios sobre estas leyes
vea Anexo II ).
Función de distribución acumulativa.
Definición. Sea X una variable aleatoria, discreta o continua. Definimos que F es la función de
distribución acumulativa de la variable aleatoria X (fda) como
F(x) = P( X  x).
Se puede demostrar que si X es una variable aleatoria

( a ) discreta se cumple que
F(x) =  p(xj),en donde la suma se toma sobre todos los índices j que satisfacen xj  x.
j
( b) continua con fdp f, se cumple que

x
F(x) = f( x) dx
00
Algunas características numéricas de las variables aleatorias.

Las dos características numéricas de las variables aleatorias que más utilizaremos serán el valor
esperado o media y la varianza.
Valor esperado. E(X) o  . El valor esperado de una variable aleatoria se define por
( a ) E(X) =  xj p(xj) , si X es una variable discreta
j
00
( b) E(X) = x. f( x) dx , si es una variable aleatoria continua.
00
.
Varianza. V(X) o 2. La varianza de una variable aleatoria se define por

( a ) V(X) =  (xj - )2 p(xj) , si la variable es discreta,
j
00
( b) V(X) = ( x E( X) )2. f( x) dx , si es una variable aleatoria continua.
00
Se denomina desviación estándar de la variable aleatoria X, D(X) o , a V(X).
18
2.3 Análisis de datos para el ajuste de una distribución teórica de

probabilidad.
Resulta frecuente en los trabajos de ingeniería de fiabilidad determinar cual distribución mejor se
ajusta a un conjunto de datos sobre fallos de componentes, así como estimar los principales
parámetros de la distribución ajustada. Para esta tarea suelen utilizarse métodos gráficos y
estadísticos. Los métodos gráficos son relativamente simples, pero no se evalúa el riesgo del
ajuste . Los métodos que se trataran en este tópico solo son aplicables cuando los tiempos hasta el
fallo son estadísticamente independientes e igualmente distribuidos. Este es usualmente el caso
de sistemas no reparables, pero no es el caso de sistemas reparables.
Entre los métodos gráficos se encuentran el de simple inspección y el del ploteo probabilístico,
mientras que en los estadísticos se consideran los de bondad de ajuste, tales como 2 –Chi
cuadrado y el método de Kolmogorov-Smirnov.
La aplicación de estos métodos resulta relativamente simple si se dispone de algún software
profesional tal como el STATISTIC o el STATGRAF.
En el Ejemplo 2.2 se ilustra la aplicación de estos métodos utilizando el software
STATGRAPHICS.
Ejemplo 2.2. Se dispone de los tiempos hasta el fallo ( en horas ) de un cierto componente, según
se muestra en la tabla.
Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo

1043 1081 1179 1263 1204 1176 1286 1180
1289 1057 1311 1528 1191 1270 1130 1481
1227 1211 1258 1266 1118 1162 1244 1115
1082 1260 1078 1094 1161 1120 1205 1207
1247 1328 1319 1186 1277 1273 1120 1251
1366 1110 1465 1220 1168 1197 1177 1117
Método de simple inspección.

Este método se basa en superponer al histograma de frecuencias, ya sea relativa o acumulada
diferentes leyes de probabilidad hasta que se encuentre un ajuste considerado adecuado por
simple inspección. Utilizando un software como el STATGRAphics se obtiene también un
estimado de los parámetros de la distribución.
19
Gráfico 2.1 Comparación de tres variantes para ajuste de distribución.
Como se observa en el gráfico la variante Weibull es desechada quedando las alternativas

mejores la de la normal y la lognormal. La estimación para los parámetros en el caso de ajuste a
distribución normal es  = 1214.54 hr y  = 105.60 hr, mientras que para la lognormal se obtuvo
 = 1214.56 hr y  = 102.79 hr .
Resulta dificil seleccionar el modelo, tal vez comparando con la distribución acumulativa o si se
tiene algún conocimiento previo del comportamiento de la variable podría facilitarse la selección.
Método del ploteo probabilístico.
Este método consiste en plotear los datos observados en papeles especiales para intentar ajustar
una recta según la distribución seleccionada. Esto se puede efectuar muy cómodamente utilizando
el STATGRAPHICS.
20
Gráfico 2.3 Ploteo probabilístico
Este diagrama muestra un ploteo normal probabilístico para Tfallo. Para crear este gráfico, los
valores se ordenaron en forma creciente. Ellos son ploteados versus los valores
(i-0.375)/(n+0.25), donde n es el tamaño de la muestra. Si los datos vienen desde una
distribución normal, los puntos deberían caer aproximadamente a lo largo de una línea recta.
Para ayudar valorar cuan cerca de una línea ellos se encuentran, una línea de referencia ha
sido superpuesta sobre los puntos. Si los puntos muestran una curvatura importante, puede bien
ser un indicio de asimetría en los datos. No resulta evidente que los datos provengan de una
distribución normal.
El segundo diagrama muestra un ploteo probabilístico Weibull, aunque tampoco nos permite
llegar a conclusiones.
Más nítida es la situación en un ploteo lognormal, que se obtiene mediante le ploteo
probabilístico normal a la variable log(Tfallo).( Se deja al lector la verificación )
Métodos estadísticos.
Se le recomienda al lector verificar la validez tanto del modelo lognormal como normal y el
rechazo del modelo Weibull con alta certeza.
Nota. Para el análisis efectuado usando el STATGRAF ud. debe seguir el siguiente orden de
CLICK: Describe- Numerical data- Fittings distributions seleccionando en tabular y grafical
options las alternativas deseadas.
21
3.Fiabilidad, Mantenibilidad y Disponibilidad.
3.1 Introducción.
El concepto de fiabilidad se inició en la aviación antes de la segunda guerra mundial, se difundió

a la industria militar con las normas Mill, y empezó a interesar realmente al público a partir de los
vuelos tripulados a la Luna, donde los fallos destacan por su dramatismo y espectacularidad.
Asimismo, la fiabilidad es de mucho interés en la industria nuclear, donde no pueden admitirse
fallos en absoluto. El concepto se ha ido difundiendo poco a poco y aplicando a la industria, en
particular e inicialmente a la industria electrónica y microelectrónica, y utilizándose ya en los
diversos componentes de los procesos industriales.
Desde el punto de vista de la ingeniería, la fiabilidad es la probabilidad de que un aparato,
dispositivo o sistema desarrolle una determina función bajo condiciones fijadas durante un
periodo de tiempo determinado. Desde luego, es necesario especificar exactamente que es lo que
se entiende por la función a desarrollar por el aparato, dispositivo o sistema.
Resulta conveniente aclarar que la fiabilidad no es la predicción del funcionamiento correcto de
un dispositivo durante un determinado número de horas, es decir, un fabricante no garantiza que
el dispositivo trabaje un determinado tiempo sin fallar, sino que sólo da la probabilidad de su
funcionamiento correcto durante un tiempo determinado.
Los sistemas suelen clasificarse en reparables y no reparables. Por ejemplo, una nave espacial
para un vuelo no tripulado a la Luna es un sistema no reparable, mientras que una cierta
maquinaria industrial es del tipo reparable.
De acuerdo con la definición dada de fiabilidad, este termino se identifica con un conocimiento
del estado de un sistema no reparable, mientras que para caracterizar aspectos de sistemas
reparables se requiere complementarlo con otros conceptos tales como mantenibilidad y
disponibilidad. En este capítulo se trataran algunos aspectos básicos sobre estos tres conceptos.
3.2 Fiabilidad y tasa o razón de fallos.
Considérese un componente ( o un conjunto completo de componentes armados en un sistema)

que se somete a una especie de “”tensión”. Podría ser una barra de acero bajo carga, un fusible
puesto en un circuito, un ala de aeroplano bajo la influencia de fuerzas, o un instrumento
electrónico puesto en servicio. Supóngase que puede definirse un estado que se designa como
“falla” para cualquier componente ( o el sistema). Es decir, la barra de acero puede agrietarse o
romperse, el fusible puede quemarse o el instrumento electrónico puede dejar de funcionar.
Si tal componente se pone bajo condiciones de tensión a un tiempo determinado, t=0, y se
observa hasta que falle ( es decir, deja de funcionar correctamente bajo la tensión aplicada), el
tiempo para fallar o duración denotada por T, puede considerarse una variable aleatoria continua
con una fdp f. Hay mucha evidencia empírica para indicar que el valor e T no puede ser predicho
por un modelo determinístico. Es decir, componentes “idénticos” sometidos a esfuerzos
“idénticos” fallarán en tiempos diferentes e impredecibles. Así, un modelo probabilístico,
considerando a T como una variable aleatoria, parece ser el único enfoque realista. La
introducción del concepto de fiabilidad facilita el desarrollo de tal modelo.
22
Definición. La fiabilidad de un componente (o sistema) en el tiempo t, denotada por R(t), esta

definida como
R(t) = P(T>t),
En donde T es la duración del componente y R se denomina función de fiabilidad.
De acuerdo con esta definición, si f denota la fdp de T y F la fda se cumplen las siguientes
relaciones:
00
R( t ) f( s ) ds
t
R(t) = 1 – P(T t) = 1 – F(t).

Nota. En esta temática es frecuente denominar a la fda F(t), como función de infiabilidad y
denotarla por Q(t).
Además de la función fiabilidad R, otra función desempeña un papel importante para describir las
partes que fallan de un componente o sistema.
Definición. La tasa o razón de falla (instantánea) Z (algunas veces llamada función de riesgo)
asociada con la variable aleatoria T está dada por
Nota. En un lenguaje informal tZ(t) representa la proporción de componentes que fallan en el

intervalo (t, t + t), de aquellos que aún funcionaban en el instante t.
No resulta difícil demostrar que si F(0) = 0, las siguientes fórmulas en las que interviene la razón
f( t ) f( t )
Z( t ) =
1 F( t ) R( t )
Z( s ) ds
b) f( t) Z( tt ). e 0
Z( t ) dt
0
a) R( t ) e
de falla, tienen lugar
00
c) E( T) R( t) dt , si E(T) es finito
0
donde E(T) es el valor esperado de T.
23
La curva de la bañera.
Como la razón de falla varía respecto al tiempo, resulta interesante estudiar su comportamiento.
La gráfica de Z(t) vs. T, tiene una forma típica similar a una bañera o bañadera, con tres etapas
diferenciadas: fallos iniciales o infantiles, fallos de operación normal o aleatorios, y fallos de
desgaste o envejecimiento. En el Gráfico 2.2 puede verse la representación de la curva de tasa de
falla, que adopta forma de bañadera.
La primera etapa de fallos iniciales o infantiles corresponde generalmente a la existencia de
dispositivos defectuosos con una tasa de fallo superior a la normal, que están incluidos entre los
dispositivos normales. Los equipos defectuosos pueden ser por un diseño incorrecto, un
deficiente control de calidad, por toma de muestras no representativa del lote de dispositivos que
se esta fabricando, por instalación incorrecta, por periodo de rodaje mal efectuado .. y también
por mala suerte.
Como ejemplos pueden citarse: rodaje incorrecto de un motor de explosión que podría derivar en
el blocaje del motor; falta de envejecimiento de los componentes electrónicos de una tarjeta de un
transmisor electrónico o de una resistencia eléctrica de precisión; falta de depuración suficiente
de un software; mala puesta en marcha de una planta química, en el sentido de no haber limpiado
las tuberías con agua, con lo cual fatalmente se presentarán fallos por obstrucciones de objetos
extraños, entre otros.
La segunda etapa de operación normal o de fallos constantes, es debida usualmente a operaciones
con solicitaciones superiores a las proyectadas. Durante esta etapa, la tasa de fallos que se
presentan se denominan catastróficos, ya que ocurren de forma totalmente aleatoria e inesperada.
Por ejemplo, un tanque a presión puede colapsarse si por fallo del sistema de presión es
solicitado a vacío. Un termo par de hierro-constantan instalado en un proceso cuya temperatura
pueda subir por encima de los 1000C podrá envejecer rápidamente y perder sus características
fem-temperatura, o bien cortarse y perderse la continuidad del circuito.
La tercera etapa denominada fallos de desgaste o de envejecimiento es debida a la superación de
la vida prevista del componente cuando empiezan a aparecer fallos de degradación como
consecuencia del desgaste.
En el caso de un termopar equivaldría a la desviación fuera de límites de calibración de la
relación f.e.m.-temperatura al haber transcurrido por ejemplo más de un año de funcionamiento
en el proceso. En circuitos electrónicos no preparados para el ambiente de trabajo los fenómenos
de corrosión no esperada pueden causar su destrucción.
24
Para retardar la aparición de la tercera etapa, puede acudirse a la sustitución inmediata de los
componentes del dispositivo o del equipo cuando éstos fallen, o a efectuarlo antes de transcurrida
su vida útil con planes de mantenimiento preventivo. De este modo, la incidencia del desgaste en
el dispositivo, puede posponerse casi indefinidamente.
Los conceptos de fiabilidad y de tasa de fallas están entre las herramientas necesarias más
importantes para un estudio de “modelos de fallas”. En los epígrafes que siguen se tratan aspectos
relacionados con las respuestas a las siguientes preguntas:
(a) Cuáles son las “leyes de falla” fundamentales que razonablemente se pueden suponer?( Es
decir, Qué forma tendría la fdp de T?)
(b) Suponiendo que se tienen varias componentes con leyes de fallas conocidas y que tales
componentes se combinan de cierta manera para formar un sistema, Cómo evaluar la
fiabilidad del sistema?
Sof t ware
La respuesta a la primera pregunta desde un punto de vista estrictamente matemático es suponer

una fdp para T y estudiar sencillamente las consecuencias de esta suposición. Sin embargo, si
estamos interesados en tener un modelo que se ajuste a los datos de fallas realmente disponibles,
entonces la elección del modelo debe tener esto en cuenta. Con este objetivo los métodos tratados
en el epígrafe 2.3 pueden ser utilizados.
25
3.3 Algunas leyes de fallas de uso frecuente.
3.3.1 La ley normal de fallas.
Hay muchos tipos de componentes cuya componente de falla puede representarse por la
distribución normal. Es decir, T es la duración de un artículo, su fdp esta dada por
f(t) = [1/(2)] exp[- ½ {(t - )2/2}]
Nota. Se recuerda que T debe ser mayor o igual a cero, por lo que se debe exigir que P(T< 0) sea
forzosamente igual a cero para que el modelo sea aplicable.
Como la forma de la fdp normal lo indica, una ley normal de fallas implica que la mayor parte de
los componentes fallan alrededor del tiempo promedio de falla, E(T) =  y el número de fallas
disminuye (simétricamente) cuando T -   aumenta. Una ley normal de fallas también
significa que alrededor del 95,75% de las fallas tienen lugar para valores de T que satisfacen la
condición { T / T -  < 2  }.
 -2   +2
Puesto que R(t) = 0.5 ocurre para t =  , para obtener una fiabilidad alta ( 0,90 ó mayor ) el
tiempo de operación debe ser considerablemente menor que , la duración esperada.
La ley normal de fallas representa un modelo apropiado para componentes en los cuales la
falla se debe a algunos efectos de “uso”. Sin embargo, no está entre las más importantes leyes
de fallas que existen.
Gráfico 3.3 Ley de fallas normal.
26
Ejemplo 3.1.Suponga que la duración de una componente esta distribuida normalmente con una
duración esperada de 120 horas y una desviación standard de 10 horas. Cuál es la fiabilidad de la
componente para un periodo de operación de 100horas?
Como T~ N(120, 10), puede calcularse R(100) =1 – F(100) = P(T> 100), fácilmente en tablas o
mediante la utilización de un software apropiado. Utilizando el STATGRAF se obtuvo que
R(100) = 0,977.
( Nota. Para efectuar el cálculo mediante el STATGRAF Ud. debe realizar el siguiente orden de
CLICK: Plot – Probability distributions –normal –tabular options – cumulative distributions y
con click derecho seleccionar pane options indicando el valor de la variable aleatoria y luego
analysis options indicar los valores de media y desviación.)
3.3.2 La ley exponencial de fallas.
Una de las leyes de fallas más importantes es aquella cuyo tiempo para fallar se escribe mediante
una distribución exponencial. Esta ley se puede describir de varias maneras, pero tal vez una de
las formas más simple de hacerlo es suponer que la tasa de fallas es constante. Es decir, Z(t) = ,
así al sustituir en la expresión que relaciona a f(t) con Z(t) se obtiene:
f(t) =  e- t, para t > 0.
Además, el recíproco también es cierto, esto es si R(t) = 1 – F(t) = e- t, se cumple que
Z(t) = f(t)/R(t) = .
Nota. La suposición de una tasa constante de fallas puede ser interpretada como una indicación
de que después de que el componente ha sudo usado, su probabilidad de fallar no ha cambiado.
Dicho de una manera más informal, no hay efecto de “uso” cuando se estipula el modelo
exponencial. Es decir, que una ley exponencial de fallas implica que la probabilidad de fallar es
independiente del pasado, o sea, mientras la componente funcione es “tan bueno como nuevo”.
Para muchos tipos de componentes la hipótesis que conduce a una ley exponencial de fallas no es
sólo intuitivamente atractiva sino que en realidad está sostenida por evidencia empírica. Por
ejemplo, es muy razonable suponer que un fusible o un cojinete de rubíes es “tan bueno como
nuevo” mientras este funcionando. Es decir, si el fusible no se ha fundido, prácticamente está
como nuevo. Tampoco el cojinete cambiara mucho debido al uso. En estos casos, la ley
exponencial de fallas representa un modelo apropiado para estudiar las características que fallan
en un artículo.
Resulta conveniente alertar que hay muchas situaciones que implican estudios de fallas para los
cuales las hipótesis básicas que conducen a una ley exponencial no serán satisfechas. Por
27
ejemplo, si una pieza de acero está expuesta a una tensión continua, evidentemente sufrirá un
deterioro, y por tanto se debe considerar un modelo diferente al exponencial.
Si T, el tiempo para fallar, está distribuido exponencialmente ( T~ E() ), se tiene que
E( T ) = 1/ ; V( T ) = 1/2 ;
f( t ) = e-t para t > 0; R( t ) = e-t; Q( t ) = 1 – e-t; Z( t ) = .
En el Gráfico 3.4 se muestran las gráficas correspondientes a las cuatro funciones anteriores para
 = 0.01.
Ejemplo 3.2 Si se conoce que el tiempo de servicio de un cierto componente esta

exponencialmente distribuido con razón de fallas  = 0.01fallas/hora y se desea determinar para
que tiempo de servicio se obtendría una fiabilidad de R( t ) = 0,90 bastará resolver la ecuación
0,90 = e – 0,01t
Luego, t = -100 ln(0,90) = 10,54 horas. Por tanto, si 100 componentes funcionan durante 10,54 h,
aproximadamente 90 no fallaran durante ese periodo.
Gráfico 3.4 Ley de fallas exponencial
28
3.3.3 La ley de fallas de Weibull.
La ley de fallas Weibull se obtiene al considerar una razón de fallas variable de manera tal que
sea proporcional a las potencias del tiempo hasta el fallo t, según la expresión:
Z( t ) = (1/) t  - 1, t > 0,  > 0,  >0.
Así, de acuerdo con las relaciones básicas de fiabilidad indicadas en el primer epígrafe de este
capítulo se tiene que:
f( t ) = (1/  )  t  - 1exp [-(t /)] ; R( t ) = exp[-(t /)] ; Q( t ) = 1 - exp [-(t /)].
En el gráfico 3.5 se muestran las gráficas correspondientes a las cuatro funciones anteriores para
los valores de  = 1.3 y  = 2.
Nota. La distribución Weibull representa un modelo adecuado para una ley de fallas siempre que
el sistema esté compuesto por cierto número de componentes y la falla se debe principalmente al
defecto “más grave” en un gran número de defectos del sistema. También suele utilizarse para
obtener una tasa de fallas creciente o decreciente mediante una elección apropiada de . Observe
que para  >1 se tiene Z(t) creciente, para  = 1 se tiene Z(t) constante y para 0<  <1 se tiene
Z(t) decreciente.
Gráfico 3.5 Ley de fallas de Weibull.
29
3.4 Fiabilidad de los sistemas.
Anteriormente se consideraron los conceptos de fiabilidad, razón de fallas y leyes de distribución

del tiempo hasta el fallo, desde el punto de vista de componentes simples. Ahora se tratará el caso
de sistemas complejos, es decir aquellos sistemas en los que intervienen varios componentes
relacionados entre sí. Realmente, el estudio de la fiabilidad de tales sistemas puede ser un
problema muy difícil y solo se tratarán algunos casos simples pero relativamente importantes.
Las principales configuraciones funcionales básicas de los sistemas complejos son: serie, paralelo
redundante activo y sistema sostenido o de reserva en standby.
Configuración serie.
Supóngase dos componentes acopladas funcionalmente en serie, cuyo esquema es representado
como se muestra:
C1 C2
Esto significa que, para que el sistema anterior funcione, ambos componentes deben funcionar.
Si, además, se supone que las componentes funcionan independientemente, es posible evaluar la
fiabilidad del sistema Rs(t), mediante la fiabilidad de las componentes, que se denominaran R1(t)
y R2(t), como sigue:
Rs(t) = P(T > t) (donde T tiempo para fallar del sistema)
= P( T1>t y T2 >t) (donde T1 y T2 son los tiempos para fallar de las componentes C1
y C2 respectivamente)
Rs(t) = P(T1> t) P(T2> t) = R1(t)R2(t).

Este resultado se puede generalizar a n componentes y enunciarse de la siguiente forma: Si n
componentes, que funcionan independientemente, están conectadas en serie, y si la i-ésima
componente tiene fiabilidad Ri(t), la fiabilidad del sistema completo, Rs(t), está dada por
Rs(t) = R1(t)R2(t)...Rn(t).
Nota. Se deja al lector estudiar el caso que todos los componentes tengan ley de falla exponencial
con parámetros 1, 2,..., n.
30
Configuración paralelo redundante activo.
En el sistema paralelo redundante activo las componentes están relacionadas funcionalmente de

tal manera que el sistema deja de funcionar sólo si todas las componentes dejan de funcionar.
Abajo se muestra el esquema para el caso de dos componentes.
C1
C2
Suponiendo que las componentes C1 y C2 funcionan independientemente una de otra, la fiabilidad

del sistema, Rs(t), puede expresarse mediante la fiabilidad de las componentes, R1(t) y R2(t),
como sigue:
Rs(t) = P(T>t) = 1 – P(T t)
= 1 – P[ T1 t y T2 t]
= 1 – P(T1 t).P(T2 t)
= 1 – {[1 – P(T1>t)][1 – P(T2>t)]}
Rs(t) = 1– [1 – R1(t)][1 – R2(t)] .
El resultado anterior se puede generalizar para n componentes relacionadas funcionalmente en
configuración paralelo redundante activo, como sigue: Si n componentes que funcionan
independientemente actúan en paralelo, y si la i-ésima componente tiene fiabilidad Ri(t), entonces
la fiabilidad del sistema , llamada Rs(t), está dada por
Rs(t) = 1 – [1 – R1(t)][1 – R2(t)]...[1 – Rn(t)].
Configuración paralelo activo m/n.
En el sistema paralelo activo m/n, las componentes están relacionadas funcionalmente de tal
manera que el sistema funciona si al menos m componentes de las n que se encuentran en
paralelo activo funcionan. La forma esquemática de la configuración y la expresión para evaluar
la fiabilidad del sistema Rs en términos de la fiabilidad R de los componentes, y suponiendo
componentes idénticos e independencia de funcionamiento entre ellos son:
n
n! . Ri. ( 1 n i
Rs R)
( n i)!. i!
i= m
31
C m/n
Otras expresiones para evaluar Rs son:
Rs = 1 - P(X<m), donde X ~B(n,R) siendo R la fiabilidad de cada

componente
m 1
n! . Ri. ( 1 n i
Rs 1 R)
i! . ( n i)!
i= 0
Configuración de sistema sostenido o paralelo en standby.
Para el caso de dos componentes, se considera una componente en standby si se tiene que la
segunda se mantiene fuera de servicio y funciona si y sólo si la primera componente falla. En este
caso la segunda componente es requerida(instantáneamente) y funciona en el lugar de la primera
componente.
Para el caso de dos componentes idénticas y con razón de fallas constantes e igual a , la
expresión para evaluar la fiabilidad del sistema es
Rs(t) = e- t +  t e- t.
Configuraciones mixtas.
Una configuración en la cual se relacionan dos o mas tipos de configuraciones básicas se

denominan configuraciones mixtas. Para evaluar la fiabilidad de un sistema de configuración
mixta se procede a la reducción del sistema mediante la obtención de componentes equivalentes
correspondientes a las configuraciones básicas, donde la fiabilidad de cada componente
equivalente se obtiene según la expresión de la fiabilidad del sistema correspondiente a su
configuración. Así se produce una primera reducción de la configuración mixta, de manera tal
que la nueva configuración resultante es tratada como una nueva configuración procediendo a su
reducción y así sucesivamente.
Ejemplo 3.3. Tres componentes que funcionan independientemente están conectadas en un
sistema aislado como se indica en la figura. Suponiendo que la fiabilidad de cada componente
para un periodo de t horas de operación está dada por R(t) = e-0,003 t Cuál es la fiabilidad del
sistema para 100 horas de operación?
Esta es una configuración mixta, pues se tiene que las
32
componentes C1 y C2 están en paralelo activo y a su

C12 C3
vez en serie con C3.
Para evaluar la fiabilidad del sistema, primero se obtiene una componente equivalente de la
configuración paralelo activo de C1 y C2 cuya fiabilidad es
R12 = 1- (1- R1)(1-R2) , como R1 = R2 = e-0,3 para t = 100 horas,
se tiene
R12 = 1 – (1- e-0,3)2 = 0,933
Ahora se obtiene la siguiente configuración serie

C1
C3
C2
La fiabilidad del sistema Rs(100) se puede obtener evaluando la expresión

Rs = R12.R3 = (0,933)(0,741) = 0.691.
3.5 Mantenibilidad.
Como es conocido una actividad esencial para todo sistema es su mantenimiento, esto es la
prevención y reparación de fallos. Desde el punto de vista de la fiabilidad, el mantenimiento
permite aumentar la probabilidad de que el sistema continúe trabajando de modo eficiente.
Las categorías más frecuentemente utilizadas para clasificar los tipos e mantenimiento son:
preventivo y correctivo.
El mantenimiento preventivo consiste en inspeccionar periódicamente el aparato o dispositivo y
en repararlo o sustituirlo, incluso aunque no muestre signo de mal funcionamiento.
El mantenimiento correctivo consiste en reparar un componente sólo cuando falla por
completo(fallo catastrófico) o cuando se coste de servicio es extremadamente alto, es decir,
cuando está en su fase de desgaste.
Con el objetivo de caracterizar la actividad de mantenimiento suelen trabajarse diferentes
indicadores. Sin embargo, una de las magnitudes más universalmente utilizada es la
mantenibilidad. Realmente hay múltiples definiciones de este concepto. Una de las más
difundidas es la siguiente: la mantenibilidad de un sistema es la probabilidad de que un aparato
en fallo sea restaurado completamente a su nivel operacional dentro de un periodo de tiempo
dado, cuando la acción de reparación se efectúa de acuerdo con procedimientos preestablecidos.
Esto es, si se denota por W el tiempo que demora en reparar un equipo, componente o sistema,
entonces su mantenibilidad, M(t), se define por
M(t) = P( W t)
Por tanto, si se conoce la ley de probabilidad de la variable aleatoria W entonces la
mantenibilidad del sistema está totalmente caracterizada.
33
A veces la mantenibilidad se define como el tiempo total, wp bajo el cual se espera que se reparen
un porcentaje p fijo de fallas, esto es, la mantenibilidad se define como el percentil wp de la
distribución de la variable W. Por ejemplo, para W~N(,2) suele tomarse p= 0,6 para aparatos
con diseño modular con pequeñas desviaciones y p = 0,9 en los casos de máximas desviaciones,
lo que suele ocurrir en sistemas complejos.
Otra característica de la actividad de mantenimiento es la razón de reparación r(t), cuya gráfica
con respecto al tiempo es similar a la de la tasa de fallas. Así, r(t) es constante durante la mayor
parte de la vida útil de un componente(teniendo en cuenta el entrenamiento de los operarios) y al
final aumenta por desgaste de los aparatos.
Para el caso de r(t) = , se tiene que W sigue una distribución exponencial y por tanto,
M(t)= P(W t) = 1 - e- t .
La no mantenibilidad, es decir, la probabilidad de que no se pueda cumplir el mantenimiento
dentro del plazo t es
N(t) = 1 – M(t) = e- t.
3.6 Disponibilidad .
Para el caso de los sistemas reparables resulta de interés la característica denominada

disponibilidad. La disponibilidad instantánea , D(t), no es más que la probabilidad que el sistema
este funcionando en el tiempo t. el sistema no debe haber tenido fallas o bien, en caso de haberlos
sufrido, debe haber sido reparado en un tiempo menor que el máximo permitido para su
mantenimiento. La expresión que permite evaluar la disponibilidad instantánea para el caso de
tiempo para fallar y tiempo de reparación con leyes exponenciales es:
D(t)= [ / ( + )] + [ /( + )] e-( + ) t donde

.- razón de fallas y .- razón de reparación.
Por otra parte, se denomina disponibilidad de estado estacionario D a la proporción del tiempo
total de servicio que el sistema esta funcionando.
Considerando que tanto el tiempo para fallar, como el tiempo de reparación tienen leyes
exponenciales con parámetros  y  respectivamente, se obtiene:
D = tiempo total en condiciones de servicio/ Tiempo total del intervalo estudiado

o bien,
D = MTBF/ (MTBF + MRT) =  /( + )
siendo
MTBF = 1/ ( tiempo medio entre fallas)
MRT = 1/ (tiempo medio de reparación).
Al igual que es posible evaluar la fiabilidad de sistemas complejos a partir de la fiabilidad de sus
componentes, es posible evaluar la disponibilidad de sistemas complejos a partir de la
disponibilidad de sus componentes. Las expresiones para las diferentes configuraciones son
similares. Para obtenerlas basta sustituir en las expresiones de fiabilidad Ri(t) , por Di(t).
34
En particular, para el cálculo de disponibilidad de estado estacionario bastará tener en cuenta que
la disponibilidad del i-ésimo componente se evalúa por la expresión
Di = i /(i + i).
Como puede apreciarse las tres características de los sistemas reparables están relacionadas en la
disponibilidad del sistema.
4 Cálculo de fiabilidad de sistemas complejos.
A partir de las diferentes configuraciones básicas para el análisis de fiabilidad de sistemas

complejos, se han desarrollado múltiples técnicas para la evaluación de la fiabilidad de tales
sistemas. En este material se describen algunas de las técnicas para este propósito, a saber:
análisis de diagramas en bloques, análisis del espacio de estado y simulación.
4.1 Análisis de diagramas en bloques.(RBD)
La falla lógica de un sistema puede ser mostrada como un diagrama en bloque de fiabilidad
(RBD), el cual muestra las conexiones lógicas entre los componentes del sistema. El RBD no
necesariamente se corresponde con un diagrama en bloque esquemático del funcionamiento del
sistema o su apariencia física. Ya con anterioridad se explicaron las configuraciones básicas para
sistemas series y paralelos. Para sistemas que implican interacciones complejas, la construcción
del RBD puede ser muy difícil, y un diferente RBD será necesario para definiciones diferentes
de lo que constituye una falla del sistema.
Nota: Un FMEA puede ser un punto de partida útil para preparar el RBD, puesto que cada modo
de fallo es considerado en relación con sus efectos sobre la salida del sistema.
El análisis de diagrama de bloques consiste de la reducción de todo el RBD a un sistema simple,
el cual pueda ser entonces analizado utilizando las fórmulas para el cálculo de fiabilidad de las
configuraciones serie y paralelo. En el caso que sea correcto suponer independencia estadística
entre los bloques, los cálculos se simplifican notablemente. Esta técnica también se le conoce
con el nombre de descomposición del diagrama de bloques.
A continuación se ilustra mediante un ejemplo la utilización de esta técnica.
El sistema mostrado en la figura puede ser reducido como sigue( se supone independencia
estadística entre los bloques):
Rs = R1.R2.Rb.R10.Rc
35
donde
Rb = 1 – [ 1 – R3.R4.R5][1 – R6.R7.R8].[1 - R9].

Rc = 1 –(1 – R11) + 3/2R11(1 – R11)
Nota: Se utilizaron las formulas correspondientes a las configuraciones serie, paralelo activo y
paralelo m/n.
4.2Análisis del espacio de estado( Cadenas de Markov).
En este método se consideran todos los estados posibles del sistema, esto es, todas las
combinaciones de trabajando y fallado de cada una de las unidades del sistema, y las
probabilidades de transición de un estado a otro. El análisis de las cadenas de Markov es
utilizado para evaluar la probabilidad total del estado del sistema. Esta técnica es compleja, pero
adecuada para ser desarrollada en programas de computación. Este método resulta
particularmente útil cuando se consideran razones de fallo y reparación constantes.
Para la aplicación de este método inicialmente se deben considerar todos los estados mutuamente
excluyentes del sistema, por ejemplo, en el caso de un sistema compuesto por un solo elemento
no reparable sólo se tienen dos estados posibles: elemento en buen estado y elemento en mal
estado. Los estados del sistema en t = 0 se denominan estados iniciales y aquellos que
representan un final o estado de equilibrio se denominan estados finales.
En el caso de elementos reparables es posible considerar el estado del sistema en un momento
dado teniendo en cuenta que son posibles las transiciones de fallado a trabajando, lo que no tiene
sentido en los sistemas no reparables.
Para la formulación matemática por este método se consideran los siguientes aspectos:
1.- La probabilidad de transición en un tiempo t de un estado a otro es dada por z(t) t, donde
z(t) es la razón asociada con los dos estados involucrados.
Nota: En este material consideraremos que la razón de fallas  y la razón de reparación  son
constantes.
36
2.- La probabilidad de que más de una transición ocurra en un tiempo t se considera

despreciable y por tanto la probabilidad de que el sistema permanezca en un estado se calcula
por 1 – z(t) t.
A continuación se desarrolla un ejemplo para el caso en que  = 0.1 y  = 0.4 y se desea
calcular la probabilidad de que el sistema este funcionando al cabo de dos periodos t, si el
estado inicial es que el sistema se encuentra funcionando.
Un procedimiento relativamente simple en este caso es el de la enumeración de todas las
situaciones posibles mutuamente excluyentes. Esto se logra elaborando el árbol de alternativas
como se muestra en la figura.
Aquí se denota por 1 el estado de funcionamiento del sistema y por 2 el estado de sistema en
reparación. Así, la probabilidad de que el sistema este funcionando al cabo de dos intervalos t es
P( Sistema funcionando para dos t) = 0.81 + 0.04 = 0.85.
Otro forma de efectuar este cálculo es mediante la obtención de un sistema de ecuaciones

algebraicas en caso que se trabaje con incrementos constantes t y diferenciales si se consideran
estados instantáneos. En tal situación se obtiene la denominada matriz de transición. P
En el ejemplo considerado anteriormente se tiene que
0.9 0.1
P =
0.4 0.6
Observe que el elemento que ocupa la posición de la primera fila y primera columna se
corresponde con la fiabilidad del sistema al cabo de un t. Para obtener esta fiabilidad al cabo de
37
n intervalos t, basta hallar el elemento en esa posición para la matriz Pn = P ... P . Observe que
esto se cumple en nuestro ejemplo, ya que 0.9x0.9 + 0.1x0.4 = 0.85. n veces
4.3 Método de simulación(Método de Montecarlo).
Entre los denominados métodos de simulación para la evaluación de la fiabilidad de sistemas

complejos se tienen tanto métodos analógicos como digitales. En este material sólo se comentara
un método de simulación digital conocido con el nombre de método de Montecarlo.
El enfoque de este método se basa en la simulación del proceso de funcionamiento del sistema
mediante la generación aleatoria de tiempos de fallo de cada una de las componentes del sistema
de acuerdo con la distribución de probabilidad correspondiente a cada componente,
posteriormente para cada generación de datos se determina el comportamiento del sistema y
finalmente se computa la proporción de veces que el sistema se encuentra funcionando. Este
valor es una estimación de la fiabilidad del sistema.
5. Programación de Proyectos.
Como se conoce, una de las actividades más frecuentes que se desarrolla en el área de
mantenimiento de cualquier Empresa es la programación del mantenimiento de los diferentes
objetos que lo requieren. Como es sabido este tipo de mantenimiento es conocido como MPP.
Particularmente compleja resulta la programación, ejecución y control de las llamadas
reparaciones capitales. Para la realización de estas tareas se han desarrollado múltiples métodos y
procedimientos que la facilitan, así como se dispone en la actualidad de eficientes software para
la aplicación de tales métodos.
Algunas de las técnicas y métodos más conocidos para este fin son: el Diagrama de Gantt, el
PERT y el Método de la Ruta Crítica. Un software muy popular y útil que permite implementar
estos procedimientos es el MSProyect.
Método de la ruta crítica
Si la actividad de la Empresa Industrial es multifacética y compleja, y por demás planificada,
resulta lógico inferir que muchas de sus actividades estarán relacionadas, se encontrarán en
estrecha dependencia. De hecho, prácticamente cualquier conjunto de tareas de la empresa cuya
ejecución conduzca a un determinado objetivo se hallarán entrelazadas y será necesario
establecer los vínculos, poner en evidencia sus dependencias para poder planificar
adecuadamente la ejecución, para poder alcanzar el objetivo deseado. A ese efecto, es importante
disponer de un método que, constituyendo una herramienta de trabajo permita, planificar,
programar y controlar los conjuntos de tareas que debe ejecutar la empresa: el método de la ruta
crítica.
El método de la ruta crítica permite organizar en una secuencia lógica y racional, mostrando sus
relaciones, todas las actividades que integran un proyecto. Los objetivos fundamentales que se
alcanzan mediante su aplicación, además de la observación de sus relaciones son:
 Calcular la duración total del proyecto
 Determinar las actividades críticas
 Determinar los márgenes de tiempo u holguras
38
En el contexto del método de la ruta crítica se denomina proyecto al conjunto de actividades o

tareas que tienen –cada una- un principio y un fin definibles, que se relacionan en una
determinada secuencia para, mediante su ejecución, alcanzar un objetivo dado. Se denominan
actividades críticas aquellas cuyo retraso o adelanto con relación al tiempo que se les asigna
para ser ejecutadas conduce a un retraso igual o a un posible adelanto con relación a la duración
total del proyecto. Se denomina margen de tiempo u holgura, al tiempo que las actividades
pueden (o no) retrasarse provocando (o no) afectaciones a la ejecución del proyecto.
La base teórica del método de la ruta crítica es la teoría de grafos que, a su vez, es parte de la
teoría de conjuntos. Sobre esa base a finales de la década del 50 se desarrollaron en los Estados
Unidos dos sistemas fundamentales para programar y controlar la ejecución de proyectos: el
PERT( Program Evaluation and Review Technique) y CPM(Critical Path Method).
Actualmente, la diferencia fundamental entre esos métodos es que en el PERT los tiempos de las
actividades se calculan sobre una base probabilística, mientras que en el CPM se utilizan tiempos
basados en la experiencia. En la aplicación de ambos métodos se han ido introduciendo algunas
modificaciones a los procedimientos originales dando lugar a diferentes variantes que en su
esencia no difieren, y el conjunto de los cuales puede quedar agrupado mediante la denominación
de método de la ruta crítica.
Su esencia y elementos fundamentales para su aplicación son tratados en este epígrafe.
Es fundamental para la aplicación del método, la correcta construcción de la gráfica que
representa al proyecto. La gráfica es la representación mediante líneas, signos, y datos numéricos
de las relaciones existentes entre todas las actividades que conforman un proyecto.
Existen diversas formas para la confección de la gráfica. Las más conocidas son por nodos y por
flechas. Aquí mencionaremos la que se utiliza en el MSProyect para la construcción de la
gráfica. Este procedimiento puede considerarse por nodos, en el cual cada actividad se representa
por un cuadrado y las relaciones entre las actividades por flechas. En cada cuadrado se puede
incluir información relativa a la actividad tales como: denominación de la actividad, número de
orden, duración de la actividad, fecha de comienzo, fecha de terminación u otras tales como:
fecha de inicio más temprana, fecha de terminación más tarde.
Denominación de tarea Denominación de tarea
No. de orden duración No. de orden duración

orden
inicio fin inicio fin
Actividad X Actividad Y
La flecha indica que la
actividad X antecede o
precede a Y
Para realizar la gráfica y alcanzar los objetivos que se persiguen mediante la aplicación del
método de la ruta crítica es necesario contar con:
 Una lista de las actividades ( lo más exhaustiva posible) que intervienen en el proyecto
 La dependencia de unas actividades con relación a otras.
39
 El tiempo que cada actividad requiere para su ejecución.
La exitosa aplicación del método requiere que los anteriores elementos sean obtenidos con el
mayor nivel de precisión posible. De ahí que si el que aplica el método no posee toda la
experiencia requerida, deba dirigirse a quienes si la tengan, entre ellos, a los trabajadores que
conozcan las actividades que intervienen en el proyecto.
La información básica o elemental anterior puede brindarse en una tabla simple como la que se
muestra:
Símbolo o Descripción o Duración Actividades

número de orden nombre de la tarea (unidades) antecedentes
Sobre la base de esta información puede procederse a la aplicación del método de la ruta crítica,
para lo cual se pueden seguir los siguientes pasos, si se desea realizar su aplicación manual(el
MSProyect ejecuta todas las actividades abajo relacionadas de forma automática, a partir de la
información básica)
a) Construcción de la gráfica
b) Cálculo de los tiempos de inicio más temprano de la actividad
c) Determinación de la duración que debe tener el proyecto
d) Cálculo de los tiempos de terminación más lejana de las actividades
e) Identificación de las actividades críticas y de la(s) ruta(s) crítica(s)
A continuación se brindan las indicaciones que fundamentan la obtención de la información

indicada en los puntos desde a) hasta e).Para ello vamos a considerar un ejemplo muy simple.
Ejemplo.
Para la aplicación del método de la ruta crítica considere el proyecto “Instalación de un motor
eléctrico”. La información básica del proyecto se muestra en la siguiente tabla:
Símbolo o Descripción o nombre Duración Actividades

número de de la tarea (unidades) antecedentes
orden
1 Confeccionar planos 6d -
2 Adquirir materiales 2d 1
3 Excavar para cimientos 10d 1
4 Excavar zanjas para 4d 1
cables
5 Fundir cimientos para la 2d 2,3
base
6 Colocar motor 1d 5
7 Colocar cables 2d 4,5
8 Realizar la conexión 1d 6,7
40
eléctrica
9 Poner en marcha 1d 8
a) Construcción de la gráfica.
Algunas reglas útiles para la confección de la gráfica son:
Regla1. Cada actividad se representa por un cuadrado.
Regla 2. Las actividades se relacionan mediante flechas, que parten de actividades antecedentes y
terminan en las actividades consecuentes o dependientes de la terminación de aquellas.
Nota: Es conveniente darle un sentido de izquierda a derecha al diagrama para facilitar la
lógica de su comprensión.
Regla 3. En ocasiones resulta conveniente la introducción de actividades ficticias i hitos en la

gráfica, que son actividades que no consumen tiempo, ni otro tipo de recurso. Resultan útiles para
facilitar la lógica de la gráfica. Debe evitarse su uso innecesario.
Gráfica de las relaciones entre las actividades del proyecto
2 5 6
1 3 8 9
4 7
b) Cálculo de los tiempos de inicio más temprano de las actividades.
Se define como el tiempo de inicio(TI) de una actividad, el tiempo en que esta puede comenzar.
Este tiempo puede ser calendariado o referenciado respecto al instante de inicio del proyecto. Si
una actividad comienza lo antes posible, habrá comenzado en su tiempo de inicio más
temprano(TIT). Por lo contrario, si comenzara lo más tarde posible, habrá comenzado en su
tiempo de inicio más lejano (TIL).
Para el cálculo de TIT de cada actividad se avanza de izquierda a derecha en la gráfica y si se
considera el inicio de todo el proyecto como el tiempo “cero”, puede comprenderse que todas
aquellas actividades que no tengan actividades antecedentes tendrán TIT = 0. En este ejemplo, la
única actividad que satisface la condición de no tener antecedentes es la denotada por 1, así,
TIT(1) = 0.
El tiempo de terminación más temprano(TTT) de cualquier actividad i se puede determinar por la
expresión
TTT(i) = TIT(i) + D(i), donde D(i) es la duración de l actividad i.
Así, en nuestro ejemplo,

TTT(1) = TIT(1) + D(1) = 0 + 6 = 6
Para determinar el tiempo de inicio más temprano de cualquier actividad j TIT(j) coincidirá con
el mayor TTT de las actividades que preceden a j. Esto es,
41
TIT(j) = max [ TTT(i) ]

i que antecede a j
Para este ejemplo, se tiene
(i) 1 2 3 4 5 6 7 8 9
TIT(i) 0 6 6 6 16 18 18 20 21
D(i) 6 2 10 4 2 1 2 1 1
TTT(i) 6 8 16 10 18 19 20 21 22
c) Determinación de la duración que debe tener el proyecto.
Como la última actividad es la 9 y su TTT es de 22 días después de iniciada la ejecución del

proyecto, se concluye que la duración del proyecto debe ser de 22 días.
d) Cálculo de los tiempos de terminación más lejana de las actividades
Para calcular los tiempos de terminación mas lejana(TTL) y tiempo de inicio más lejano(TIL) de
cada actividad, es natural hacer coincidir el TTT del proyecto con TTL de este, y a partir de ahí
comenzar a calcular TTL(i) y TIL(i). Esto se hace de derecha a izquierda.
Para una actividad i, se tiene
TIL(i) = TTL(i) – D(i);
TTL(i) = TIL(k), donde k es la actividad consecuente de i que tiene el menor TIL.

Para nuestro ejemplo, se tiene que
(i) 9 8 7 6 5 4 3 2 1
TTL(i) 22 21 20 20 18 18 16 16 6
D(i) 1 1 2 1 2 4 10 2 6
TIL(i) 21 20 18 19 16 14 6 14 0
e) Identificación de las actividades críticas y de la(s) ruta(s) críticas.
Para la identificación de las actividades críticas resulta importante definir el concepto de holgura
total o margen total de una actividad. La holgura total HT(i) de una actividad i se define por:
HT(i) = TTL(i) – TTT(i) ó HT(i) = TIL(i) – TIT(i)
Una actividad es crítica si su holgura total es cero.

Toda secuencia de actividades críticas que enlazan el inicio con el fin del proyecto se denomina
ruta crítica.
En nuestro ejemplo, podemos calcular las holguras de las diferentes actividades:
(i) 1 2 3 4 5 6 7 8 9
TTL(i) 6 16 16 18 18 20 20 21 22
42
TTT(i) 6 8 16 10 18 19 20 21 22
HT(i) 0 8 0 8 0 1 0 0 0
Actividades críticas: 1,3,5,7,8 y 9.

En este caso se tiene una sola ruta crítica: 1-3-5-7-8-9.
Una vista del diagrama y datos que se obtienen con la aplicación del MSProyect se muestran a
continuación.
Entrada de datos básicos
ID Task Name Duration Predecessors

1 Confeccionar planos 6d
2 Adquirir materiales 2d 1
3 excavar para cimientos 10d 1
4 Excavar para zanjas de cables 4d 1
5 Fundir cimientos para la base 2d 2,3
6 Colocar motor 1d 5
7 Colocar cables 2d 4,5
8 Realizar conexión eléctrica 1d 6,7
9 Poner en marcha 1d 8,1
Gráfico o diagrama del proyecto en su forma más simplificada
6 8 9
2 5
7
1
3
---------------- ----------------------- fin del ejemplo ----------------------------------------
Algunas características generales de la ruta crítica son:

 La holgura total de una actividad crítica es cero.
 Toda actividad crítica forma parte de una ruta crítica. No existen actividades críticas fuera
de una ruta crítica.
43
 El conjunto de las actividades críticas forma la(s) ruta(s) crítica(s) de un proyecto.
 La suma de las duraciones de las actividades críticas que forman una ruta crítica es igual a
la duración del proyecto; representa el menor tiempo en que es posible ejecutar el
proyecto.
 Cualquier retraso en los tiempos de inicio o terminación más tempranos de cualquier
actividad crítica conduce a un retraso de igual magnitud en la duración del proyecto.
 Todo proyecto tiene al menos una ruta crítica. Puede tener varias.
Por último, es conveniente indicar que el cálculo de la duración total del proyecto y la
determinación de las actividades críticas y las holguras de tiempo no constituyen todo cuanto
puede derivarse de la aplicación del método de la ruta crítica. A estos resultados de gran
importancia y aplicabilidad pueden seguir otras fases del trabajo tales como:
 Asignación de los recursos disponibles a cada actividad
 Ajuste de la duración total del proyecto en función de las condicionales vigentes, entre
ellas, las propias disponibilidades de recursos, o las exigencias de terminación dentro
de un determinado periodo.
 Búsqueda de la solución de mínimo costo, combinando óptimamente la asignación de
los recursos y los tiempos.
 Elaboración del programa de trabajo, indicando las fechas calendario de inicio y de
terminación de las tareas y recursos a utilizar, en una gráfica de barras(esta gráfica es
conocida como Gráfica de Gantt y es posible construirla automáticamente utilizando
el MSProyect)
Para el ejemplo desarrollado en este epígrafe, el Diagrama de Gantt correspondiente se muestra

en la siguiente figura. Observe que se muestra cada actividad y su correspondiente programación.
Otras opciones se disponen en el MSProyect.
Observe que el tiempo calendario total es superior a los 22 días de duración del proyecto. Esto es
debido a que se consideró que los sábados y domingos son no laborables.
44
En síntesis, puede decirse que el método de la ruta crítica es una valiosa herramienta de trabajo
para planear, programar y controlar proyectos. Es aplicable a muy diversos campos de la
actividad de la empresa industrial como pueden ser:
El propio proceso de la elaboración del plan técnico-económico de la empresa, la ejecución de
trabajos de mantenimiento, la construcción, el montaje y puesta en marcha de nuevos objetivos
industriales. Los proyectos pueden ser pequeños como los del ejemplo o estar formados por miles
de actividades.
Es importante destacar que una programación por el método de la ruta crítica no puede
concebirse como algo estático, hecho de una vez y válido para toda la duración del proyecto. El
control de la ejecución va indicando desviaciones del programa original y es necesario
actualizarlo para que no solo refleje la realidad, sino que permita ir dirigiendo los esfuerzos hacia
el cumplimiento de los objetivos del proyecto.
45

Apuntes Del Curso de Estadística, Fiabilidad, Riesgo y Calidad

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Apuntes Del Curso de Estadística, Fiabilidad, Riesgo y Calidad

Загружено:

Авторское право:

Доступные форматы

Universidad Técnica de Oruro

Facultad Nacional de Ingeniería

Dr. Ing. Alfredo del Castillo Serpa

Actualmente esta emergiendo en la industria la figura del ingeniero de fiabilidad que se

Teniendo en cuenta lo anterior y la necesidad de incluir aspectos relacionados con el cálculo de la

1.1 Elementos de Estadística Descriptiva.

Los métodos de la Estadística Descriptiva constituyen aquellos tratamientos de datos numéricos

Otro aspecto importante a considerar en la recolección de datos es determinar si los datos

El primer aspecto atañe a los métodos de muestreo; el segundo es un problema de procesamiento

1.1.1 Escalas de medición y tipos de datos.

Las principales escalas para la ubicación de datos son:

Cantidad de roturas de un equipo: 0,1,2,3,... . ( Discreto o de recuento)

1.1.2 Análisis de datos.

Al agrupar los datos se facilita el análisis pero a costa de perder información.

Muchas veces en ingeniería es de interés analizar la frecuencia de ocurrencia de ciertos valores

Algunas recomendaciones para la confección de tablas e histogramas de frecuencias son:

Cantidad de datos (n) Cantidad de clases (k)

h = [ Xmax - Xmin ] / k, donde

Xmax ------ mayor valor de los datos,

 Frecuencia acumulada relativa de la clase i, Fri:

Tabla 1.1.- Consumo diario en kwh ( 90 mediciones)

Aquí el propósito de las mediciones realizadas es analizar el comportamiento del consumo

En este ejemplo limitaremos el análisis a la construcción de las tablas e histogramas de

En correspondencia con la cantidad de 90 datos y los valores obtenidos para la variable

En la Gráfico 1.1 se muestran los diferentes histogramas de frecuencias correspondientes a la

Gráfico 1.1 .- Histogramas de frecuencias correspondientes a los datos de la variable

Estadísticos o descriptores numéricos de un conjunto de datos.

Una breve caracterización de estos estadísticos se relaciona a abajo.

Coeficiente de asimetría o asimetría( q ).

Coeficiente de curtosis o curtosis( k ).

0  p 1 ; w = [ p.(n-1) ], [] es la operación parte entera; r = p.(n-1) – w.

1.2 Un procedimiento para el mejoramiento de la calidad en el

1.2.1.Principio y diagrama de Pareto .

El denominado Principio de Pareto establece que en muchos fenómenos o procesos cada

El Principio de Pareto no es aplicable a la ocurrencia de todo efecto E. Un criterio práctico para

Tabla de frecuencias Tabla de frecuencias ordenadas

Gráfico 1.2 Construcción del Diagrama de Pareto

Se recuerda que el Diagrama de Ichikawa o espina de pescado se construye indicando causas de

Cómo utilizar un diagrama de Pareto.

2. Resumen de Aspectos de la Teoría de las Probabilidades.

2.1 Aspectos básicos de la teoría de las probabilidades.

El conocimiento de las frecuencias de ocurrencia de fallos resulta particularmente útil en estudios

2.2. Variables aleatorias y leyes de probabilidad.

Al describir el espacio muestral de un experimento, no se especificó que un resultado individual

Se puede demostrar que si X es una variable aleatoria

( b) continua con fdp f, se cumple que

Algunas características numéricas de las variables aleatorias.

Varianza. V(X) o 2. La varianza de una variable aleatoria se define por

Se denomina desviación estándar de la variable aleatoria X, D(X) o , a V(X).

2.3 Análisis de datos para el ajuste de una distribución teórica de

Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo Tfallo

Método de simple inspección.

Gráfico 2.1 Comparación de tres variantes para ajuste de distribución.

Como se observa en el gráfico la variante Weibull es desechada quedando las alternativas

Gráfico 2.3 Ploteo probabilístico

3.Fiabilidad, Mantenibilidad y Disponibilidad.

El concepto de fiabilidad se inició en la aviación antes de la segunda guerra mundial, se difundió

3.2 Fiabilidad y tasa o razón de fallos.

Considérese un componente ( o un conjunto completo de componentes armados en un sistema)

Definición. La fiabilidad de un componente (o sistema) en el tiempo t, denotada por R(t), esta

R(t) = 1 – P(T t) = 1 – F(t).

Nota. En un lenguaje informal tZ(t) representa la proporción de componentes que fallan en el

de falla, tienen lugar