IG-102-104 Ingeniería de Confiabilidad V7 (06!04!2020)

IG GROUP S.A.S.
IG-102
Ingeniería de Confiabilidad
Análisis Cuantitativo
Ivan Dario Gomez
Ingeniero Mecánico
Especialista en Gerencia de Mantenimiento
Magister en Ingeniería de Confiabilidad
Certificado REMC – Reliability Engineering Maintenace Certified
Certificado CMRP
ALGUNOS DE NUESTROS CLIENTES EN
SURAMÉRICA Y COLOMBIA
Ingeniería de
Confiabilidad
Análisis Integrado de
Confiabilidad, Disponibilidad y
Mantenibilidad, Optimización de
costos de sistemas reparables
Entrenamiento IG-IC 102
IG-IC 102 IG-IC 201 / 202 IG-IC 301 IG-IC 104
IC Ingeniería Análisis y Hazop RCM

Detección de mantenimiento
Básica Fallas Centrado en
Confiabilidad
•Introducción al •Estándar de •Seguridad en •Categorización
Mantenimiento Función Sistemas de Condiciones
•Conceptos de •Clasificación de •Confiabilidad iniciales
Ingeniería de modos de fallas Humana •Criticidad de
Confiabilidad •Causas de fallas •Matriz de equipo /
•Cuantificación de •Priorización y riesgo. sistemas
Confiabilidad criticidad de •Evaluación de •Estimación de
•Estimación de causas de falla impactos de falla Frecuencias
frecuencias de •Programación •Seguridad •Análisis de
intervención de Industrial Modos y Efectos
•Interpretación de intervenciones de Falla
parámetros y •Reprogramación
toma de de
decisiones Mantenimiento
Confiabilidad, Su Estrategia
HERRAMIENTAS
FMEA FMECA
OTROS LCC
MARKOV RBD
ANÁLISIS
DATOS DE FRACAS
VIDA CONFIABILIDAD
FACTORES MANTENIBI-
HUMANOS LIDAD
ARBOL DE OPSIM
FALLAS
PREDICCIÓN DE LA
CONFIABILIDAD RCM
6
CONTENIDO
• INTRODUCCIÓN Y PRESENTACIÓN
• CONCEPTOS BÁSICOS DE MANTENIMIENTO
• FUNDAMENTOS DE CONFIABILIDAD
• ESTADISTICA BÁSICA Y DISTRIBUCIONES
• CÁLCULOS DE CONFIABILIDAD
• CÁLCULOS DE DISPONIBILIDAD
• CÁLCULOS DE MANTENIBILIDAD
• INTERVALOS DE CONFIANZA
• EJEMPLOS Y ESTUDIOS DE CASO
INGENIERÍA DE
CONFIABILIDAD
Ingeniería de Confiabilidad es una metodología aplicada para conocer el
desempeño de vida de productos, equipamientos, plantas o procesos; para
asegurar que estos ejecuten su función, sin fallar, por un período de tiempo
en una condición específica. Para desarrollar esta metodología se usa
modelamiento estadístico para determinar: MTTR, MTBF, MDT, que
combinado con análisis de fallas y costos; se logra:
• Control de Presupuesto
• Planes de Contingencia para Mantenimientos Correctivos
• Planeación y programación de Mantenimiento Preventivo y Predictivo
• Plan estratégico de tipo Proactivo
• Confiabilidad de Proveedores
• Confiabilidad de planta y equipos
Confiabilidad, Su
Estrategia
Ingeniería de la Confiabilidad
Una Definición General
• Es la forma matemática y científica de

estudiar o modelar el comportamiento de
los diversos tipos de fallas, con el fin de
determinar la posibilidad de que un
recursos cumpla una misión o función
durante un tiempo / Ciclo determinado de
operación.
Ingeniería de la Confiabilidad
Una Definición General
• Existen diversos modelos matemáticos que

modelan estándar de funciones: Mecánicos,
Eléctricos, Electrónicos, Neumáticos, Hidráulicos y
otros.
• Organiza, codifica y prioriza los tipos de falla, para
la organización estratégica de los Modos y Causas
de Falla.
• Elimina o controla las “consecuencias” de falla
CURVA DE VIDA ÚTIL
Tasa de fallas
λ
Desgaste
E. Infantil
0<β<1 vida útil 2< β < n

1< β < 2
Tiempo de servicio o vida útil.

Gráfico de Tiempos
Clasificación de Fallas
COD DESCRIPCIÓN
AIR Lectura anormal de instrumentos
BRD Ruptura
DOP Retardo en la operación
ELF Fuga externa de combustible
ELP Fuga externa de fluido de proceso
ELU Fuga externa de fluido utilitario
ERO Operación inestable
FOF Salida errada de frecuencia
FOV Salida errada de voltaje
FRO Falla al rotar
FTC Falla de cierre ante demanda
FTF Falla de la función ante demanda
FTI Falla al operar como se requiere
FTO Falla de apertura ante demanda • Fabricante (Inherentes)
FTS Falla de arranque ante demanda
HIO Salida por alta • Proceso
•
IHT Transferencia de calor insuficiente
INL Fuga interna Contexto Operacional
LCP
LOA
Fuga en posición cerrada
Suelta la carga • Mantenimiento
LOO
LOR
Salida por baja
Perdida de redundancia • Operación
NOI Ruido
NOO Sin salida
OHE Temperatura excesiva
PDE Desviación de parámetros
PLU Atascado/Taponamiento
SER Problemas menores
SHH Señal inesperada de alarma por alto nivel
SLL Señal inesperada de alarma por bajo nivel
SLP Deslizamiento
SPO Operación inesperada
STD Deficiencia estructural
STP Falla de parada ante demanda
UST Parada inesperada
VIB Vibración
VLO Salida muy baja
Indicadores de Gestión
• # Intervenciones / Máquina
• # Correctivos / mes
• # Preventivos / mes
• Hrs. / Hom-Máq..
• $ / Interv.-Correctivos
• ……
CDM / RAM
Confiabilidad / Reliability
Disponibilidad / Availability
Mantenibilidad / Maintenance
Mantenibilidad
• Indica el grado en el que un activo o recurso sea
fácilmente reparado según: El Tiempo Invertido,
Consecución de Talento Humano hr/hom.,
Facilidad de Repuestos.
Se calcula con el Tiempo Por Reparación TPR
M (t) = 97%.....
TO + TFC / TMEF
Disponibilidad
• Indica el grado o tiempo en el que un activo o
recurso se encuentra fuera de servicio, por estar
en mantenimiento: Se cuantifica según el
tiempo de inspección, diagnóstico y reparación,
hasta el tiempo de entrega a operaciones
Se calcula con el Tiempo Fuera de Servicio TFS
A (t) = 95%.....
TO / TMEF
Confiabilidad
• Es la posibilidad de que un activo o recurso;
cumpla una función determinada por un tiempo
determinado. Se cuantifica según el
modelamiento de sus históricos de fallas; con el
fin de predecir las posibles fallas.
• Se calcula con el Tiempo Operacional o el Tiempo

Hasta la Falla.
R (t) = 85%.....
15% de las fallas se puede presentar durante el
tiempo “t”
Tasa de Fallas
• Cantidad de fallas que se presentan en

tiempo o rango determinado
• Lambda (λ) = # Fallas / TTO

FUNDAMENTOS DE
CONFIABILIDAD
Análisis de Fallas
Para el estudio de las fallas, se requiere la
comprensión de indicadores y
coeficientes de cálculo. Con los cuales
ayudan a tener una claridad en el
comportamiento y degradación de los
equipos.
– Unos de los indicadores más relevantes de
ingeniería en confiabilidad cuantitativa, es la
tasa de fallas
Fallas y su comportamiento
El Gráfico A es la conocida “Curva de

la Bañera”. El Gráfico B muestra una
sección de esta curva, en la cual se
observa en color verde el periodo de
Vida Útil y en Rojo la etapa de
Desgaste. El gráfico C muestra una
probabilidad de falla lentamente
creciente, sin una edad específica de
desgaste. El gráfico D muestra una
baja probabilidad inicial y luego un
rápido incremento a un nivel
constante, y el gráfico E muestra una
probabilidad constante a cualquier
edad. El gráfico F comienza con una
alta probabilidad de mortandad
infantil para decaer a una
probabilidad baja y constante o
ligeramente creciente de fallo.
22
Fundamentos de
Confiabilidad
Cuantitativa
Información Requerida
• Confiabilidad R(t)
• Mantenibilidad M(t)
• Disponibilidad A(t)
• Límites de Confianza LC
• Criticidad Ci
Fuentes de Información
• Tiempo Entre Fallas TEF
• Tiempo Operacional TO
• Tiempo Fuera de Servicio TFS
• Tiempo Por Reparación TPR
• Tiempo Fuera de Control TFC
• Técnico Asignado
• Repuestos
• Modo de Falla
• Causa de Falla
Procesamiento de Datos
Son regresiones matemáticas en

base logarítmica que modelan el
comportamiento de las fallas,
caracterizando su degradación; con
el fin de predecir el grado de
afectación en el estándar de función
del equipo.
•
MODELOS
Así mismo en Confiabilidad, los Modelos nos entregan un estimativo de la
Tasa de Falla en función del Tiempo.
• Los Modelos más utilizados en IC, son los Modelos Probabilísticos (basados
en distribuciones estadísticas), estos son:
•Normal
•Exponencial
•Weibull
•LogNormal
•Gamma
TASA DE FALLA
28
• Área bajo la curva
• F(t) = ∫λdt
• Modo, Mediana y Media
MODO
MEDIANA
MEDIA
CONSTRUCCIÓN DE MODELOS
La construcción o determinación de un Modelo se
hace a partir de los datos (Cantidad y Calidad). Estos
datos se pueden obtener de:
• Pruebas de Campo.
• Ensayos de Vida.
• Ensayos acelerados.
• Entre otros…
EJEMPLO EN EXCEL
31
Función Densidad de Probabilidad
• Alternamente, podemos construir histogramas directamente
empleando funciones de planillas como excel.
El conjunto de datos se pueden repartir y organizar por medio de histograma,

el cual consiste en cuantificar la cantidad de datos que hay por intervalos
deseados. 32
32
Modelos
• Existen Modelos Matemáticos que
expresan el comportamiento de
fallas:  t
R(t )  e
– Exponencial
– Weibull
– Normal t

 
 
– Log Normal R(t )  e
– Gamma……
Comportamiento de las
Distribuciones
Fuente: BSG Institute

Tipos de Modelos
Curvas PDF (Probabilidad De Fallas)
Estadística Aplicada en la
Clasificación de los Datos
No es posible tratar por igual los datos, se

requiere clasificarlos no solo por la cantidad
de datos, sino por la calidad de los mismo y
el tipo de intervención que se haga
Datos Completos y
Suspendidos
Dato Completo
0 Falla
Se Conoce a ciencia cierta el tiempo

hasta la falla
Datos Completos y Suspendidos
Dato Suspendido a la Derecha
0 Inter. Falla?
Dato Suspendido por Intervalo
0 Falla? Inter.
Dato Suspendido a la Izquierda
?
0 Falla? Inter.
Datos y Tipos de datos
Tipos de Datos de Vida,
Introducción
• Datos Completos
• Datos Censurados
• Censura a Derecha (Suspensión)
• Censura en Intervalos
• Censura a Izquierda
Regla del Pulgar con Relación a los
Datos de Intervalo
• Alguien puede afirmar que todos los tipos de
Datos son Datos en intervalo.
• Nosotros trataremos los datos como datos en
intervalo cuando el período de observación sea
mayor que el del período requerido como
resultado.
– Si el resultado deseado es en meses y mis datos
están en meses entonces, consideraremos el
conjunto de datos como datos completos.
– Si el resultado deseado es en días y mis datos
están en meses, entonces nosotros
consideraremos el conjunto de Datos como datos
de intervalo.
Ploteando las Probabilidades de Datos
Censurados (Suspensión)
• Cuando utilizamos el Análisis de regresión
para considerar el hecho de que ítems no
fallaron, o quedaron en suspensión,
necesitamos ajustar su probabilidad de falla, o
desconfiabilidad (lo que fue computado
utilizando la categoría mediana).
• una metodología, basada en la metodología
de Leonard Johnson será mostrada a
continuación.
Plotando la Probabilidad de Datos
Censurados a Derecha (Suspensión)
• Para ilustrar mejor esta metodología,
consideremos el ejemplo siguiente, donde
cinco ítems fueron ensayados y se obtuvo tres
fallas y dos suspensiones.
Item Number State, Life of item,
(Position) F or S cycles
1 F1 5,100
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000
Ploteando la Probabilidad de Datos
• En esta secuencia, F1 es la primera de cinco
fallas.
Item Number State, Life of item, Failure
(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000
4 S2 22,000
5 F3 40,000
• Surgen algunas dificultades cuando
intentamos realizar el calculo para determinar
el número de fallas restante de los ítems.
Item Number State, Life of item, Failure

(Position) F or S cycles number
1 F1 5,100 1
2 S1 9,500
3 F2 15,000 ?
4 S2 22,000
5 F3 40,000 ?
• El Número actual de Orden de falla (o posición) de la segunda falla

F2, es una incógnita. Ella podría ser de posición 2 o de posición 3.
– Si S1 no hubiese sido retirado del ensayo en 9.500 h, es posible que
hubiera podido operar con éxito mas allá de las 15.000 h y por lo
tanto, F2 quedaría en la posición 2.
– Por otro lado, S1 también podría haber fallado antes de 15.000 h, y en
este caso F2 quedaría en la posición 3.
– Así, el Número de Orden de falla F2 estará en algún lugar entre 2 y 3.
• Para determinar los valores de orden, primero listamos todas las

secuencias de posibilidades de las fallas. En todos los casos F1 será la
primera observación, siempre que ella ocurra primero. Nosotros podemos
encontrar una cantidad de diferentes posibilidades en que la falla F2
puede ocurrir, Número de Orden 2 (posición 2) o Número de Orden 3
(posición 3). Estas posibilidades son listadas en las siguientes tablas.
F2 in Position 2 F2 in Position 3
1 2 3 4 5 6 1 2
F1 F1 F1 F1 F 1 F1 F1 F1
F2 F2 F2 F2 F 2 F2 S1 S1
S1 S2 F3 S1 S2 F3 F2 F2
S2 F1 S1 F3 F3 S2 S2 F3
F3 S3 S2 S2 S1 S1 F3 S2
• Se puede ver que la falla F2 puede ocurrir en la segunda

posición de seis maneras diferentes, y en la tercera posición
de dos maneras diferentes.
• La posición mas probable es la media de estos posibles
caminos, o la Media del Número de Orden (MON), dada por:
(6  2)  (2  3)
F2  MON 2   2.25
62
Ploteando la Probabilidad de Datos Censurados
a Derecha (Suspensión)
• Utilizando la misma lógica, la tercera falla puede ser localizada en la
Posición 3, 4 ó 5, como muestran las tablas siguientes.
F3 in Position 3 F3 in Position 4 F3 in Position 5

1 2 1 2 3 1 2 3
F1 F1 F1 F1 F1 F1 F1 F1
F2 F2 S1 F2 F2 S1 F2 F2
F3 F3 F2 S1 S2 F2 S1 S2
S1 S2 F3 F3 F3 S2 S2 S1
S2 S1 S2 S2 S1 F3 F3 F3
• entonces, la Media del Número de Orden de la tercera falla F3, será:
(2  3)  (3  4)  (3  5)
MON3   4.125
233
• Una vez que la Media del Número de Orden para cada falla es establecida,
usted entonces necesitará obtener posiciones de la categoría mediana
para las fallas en la Media del Número de Orden. Simplificando, usted
debe obtener la Categoría Mediana de los Números de Orden 1, 2.25 y
4.125 para una muestra de tamaño 5, como muestra la tabla abajo.
Plotting Positions for the Failures (Sample Size = 5)

Failure Number MON Median Rank Position (%)
1 : F1 1 13%
2 : F2 2.25 36%
3 : F3 4.125 71%
ReliaSoft Weibull++ 7 - www.ReliaSoft.com
Probability - Weibull
99.000
Probability-Weibull
Data 1
Weibull-2P
RRX SRM MED FM
Data Points
Susp Points
Data Line
90.000
Unreliability, F(t)
50.000
Name
Company
8/8/2005
10.000 10:41:48 AM
1000.000 10000.000 100000.000
Time, (t)

Estadística Básica
Variables
Es importante entender y definir el

tipo de datos que van a ser
manejados en el análisis, con el fin de
poder caracterizar el
comportamiento de los mismos y
poderlos modelar de la manera
correcta.
Variables Aleatorias Discretas
• Los datos son totalmente conocidos, ya que

estos pueden ser valores entre rangos
determinados:
• Ejemplo:
– Ruleta
– Cartas de Naipes
Variables Aleatorias Continuas
• No se conoce o no es posible definir los

rangos de operación de una variable.
• La falla, para una manguera de un
vehículo, se puede tomar desde 0 hasta
Km 55.000, o mas…
• En la mayoría de los datos de análisis, se
trabajan datos Aleatorios.
El concepto de variables aleatorias
• Ejemplo: El ingeniero del Confiabilidad de una compañía que produzca

las máquinas usadas para la limpieza con alta presión, estudia la vida
(durabilidad) de una determinada válvula y se obtuvieron los siguientes
valores de tiempo hasta la falla (horas):
1.788,07 963,37 1.457,44 322,34 619,47 685,56 500,49 618,34 513,92 1.103,25
428,88 138,45 559,82 748,02 1.004,58 467,94 773,77 928,66 1.058,67 89,64
878,43 455,22 175,60 378,28 452,47 652,29 306,43 447,04 130,29 714,32
313,81 484,17 511,32 1.378,65 597,50 828,26 843,45 604,26 612,93 909,28
710,15 360,71 1.214,12 294,96 319,65 194,19 353,74 621,43 1.031,67 940,65
722,60 339,87 178,14 747,37 549,86 386,02 465,29 858,90 779,58 786,90
496,09 1.002,22 857,77 911,08 1.040,37 903,48 781,96 915,37 793,43 101,89
816,47 588,26 1.389,75 707,67 143,67 1.080,50 1.061,30 192,08 446,02 270,38
848,99 516,89 721,03 280,89 804,22 559,18 570,26 526,09 47,94 675,56
736,86 743,05 458,44 691,73 466,40 980,00 268,04 417,44 1.023,37 459,65
59
Definiciones: pdf
Considere un conjunto de
Datos representando 100
variables aleatorias
continuas, obtenidas de
una misma población,
como muestra la siguiente
tabla:
PDF vs CDF
Función de densidad
0.025
0.02
0.015
0.01
0.005
0
10
15
20
25
30
35
40
45
50
55
60
65
70
75
80
85
90
95
100
0
5
Definiciones: pdf
F(t) = ∫ft(dt)
Definiciones: pdf
• Al calcular la integral de la tasa de fallas, se

halla la razón de fallas, en un tiempo o ciclo
operacional.
• La función de distribución acumulada (cdf),
sale de la pfd directamente.
b
F (t )   f (t )dt
0
“pdf ” y “cdf ”
1
a
x
Las relaciones entre la densidad de la función de la
probabilidad y la función acumulada
La densidad de la probabilidad de la función se puede
agregar, para generar la función de aumentar y/o de
disminuir probabilidad acumulada.
La gráfica de Confiabilidad vs Tiempo La gráfica de Probabilidad de falla

(Ciclos Operacionales), muestra como vs. Tiempo (Ciclos Operacionales),
La función de probabilidad acumulada muestra como se incrementa la
tiende a disminuir, mostrando como posibilidad de falla, mientras no se 65
aumenta la probabilidad de falla, intervenga el equipo.
mientras no sea intervenido el equipo.
Las principales
distribuciones de probabilidad
• En teoría, hay una cantidad infinita de distribuciones de
probabilidad diferentes que se utilizan para describir el
comportamiento de variables aleatorias discretas de,
continua, etc mixtos, pero los siguientes son los
espectáculos que han sido realmente importante en la vida
de análisis de datos
 Normal;
 Weibull;
 Lognormal;
 Exponencial;
 Gama;
• En cada conjunto de datos mostrados podemos emplean
diferentes distribuciones de probabilidad con el fin de
capturar las principales características de la variable. 66
La Distribución Normal
• La distribución normal es utilizado más en el práctico (por lo tanto su
nombre es normal). La densidad de la probabilidad de la función es:
1  t   2
   Cuando μ y σ son
2  
1
f (t )  e parámetros que deben
 2 estimarse a partir de los
datos existentes.
 Ejemplo. La vida de un componente de cizalla pequeña depende del nivel de
desgaste. Después de indagar en la empresa, se constató que la vida media de
los componentes es de 2,8 h y la desviación estándar es de 0,6 h. El director de
zona necesita la siguiente información:
 1) ¿Cuál es la probabilidad de que no ocurra un desgaste en hasta 1,5
horas?
 2) ¿Cuál es el rango de cambios de precaución para que se produzcan no
más de un 10% de correcciones a largo plazo?
 3) Supongamos que la presión pasa al desgaste y la media se relaciona
con la presión por: μ (P) = 12 a 2.3 * P, donde P es la presión en Pascal
(cont.). Si la presión es de 4 a 5 MPa, que es probable que ocurra en las
siguentes1,5 horas? 81
1) La probabilidad de fallas antes de 1,5 horas de operación:
2
1, 5 1  t 2 , 8 
  
1 2  0 , 6 
F (1,5h)   e dt  1,51%
0  2
2) El intervalo de intervención de mantenimiento preventivo de modo

que tenga no mas que 10% de chance de ocurrir una falla:
1  t 2 , 8 
2 El tiempo de cambio
t*   
1 2  0 , 6  máximo es de 2,02
0  2 e dt  10% horas
3) El aumento de la presión hace que la media es de sólo 0,5 horas con la

misma desviación de 0,6 h. Por lo tanto, la confiabilidad de 1,5 h será sólo
un 4,78%. Esta idea simple es la base de modelos de vida acelerada que
en la actualidad son ampliamente utilizadas en el desarrollo de productos.
 Estas propiedades de la distribución normal son
importantes y muy usadas para cálculos rápidos de
probabilidad:
Média I K desvios Área sub curva

µ +/- 1 σ 68,26%
µ +/- 2 σ 95,44%
µ +/- 3 σ 99,72%
µ +/- 6 σ 99,9999998%
Observe que el área que abarca seis sigma corresponde a

99.9999998%. Esto implica que si un proceso está calibrado
con una variación en seis sigma, sólo el 1,97 unidades serían
producidas fuera de las especificaciones de cada mil
millones de unidades producidas.
69
69
La Distribución Exponencial
• La distribución exponencial se utiliza para modelar del tiempo entre
los acontecimientos y también para la época de vida aleatoria en
algunos modos de falla. La densidad de la probabilidad de la función
es:
f (t )  .e t
Cuando λ es un parámetro que debe estimarse a partir de los datos existentes
• Ejemplo. Un dispositivo electrónico utilizado para controlar el pH de un

proceso químico tiene un parámetro λ = 0,02 / h. El fabricante sabe que
en caso de falla de hasta 7,5 horas de funcionamiento tendrá una multa
de R $ 80,000.00. A partir de esta información, pregúntese:
1) ¿Cuál es el riesgo de pagar una multa?
2) ¿Cuál debería ser el valor de λ de manera que el riesgo es de
0,5%?
3) ¿Cómo cambiar el valor de λ en la práctica?
4) Teniendo en cuenta que la empresa tiene 1256 dispositivos,
cuando se espera pagar la multa?
70
70
70
La Distribución Weibull
• La distribución de Weibull se utiliza más en el área de modelamiento
probabilístico de la vida de componentes, de sistemas, del etc. La densidad
de la probabilidad de la función es:
 1  donde β, η y γ son parámetros de

  t 
 t 


   
forma, escala y ubicación,
f (t )   
 
e respectivamente. Estos deben ser
   estimados a partir de los datos
existentes.
• En la práctica, un problema importante es la estimación de los

parámetros introducidos en un conjunto de datos que componen la
muestra de datos de pruebas de laboratorio, los resultados de
ensayos de campo, las observaciones con los datos del cliente, la
literatura, etc. Este tema será estudiado en detalle en el tema sobre
el análisis de Weibull.
71
• Ejemplo. El encargado del departamento del mantenimiento de
una gran compañía de fabricación, desea evaluar una política de
intercambios preventivos de un balanceo a cada 350 horas de la
operación. Para esto, un estudio de datos históricos fue llevado
acabo y seleccionado una distribución de Weibull con parámetros:
β=1,3 e η=700h. A la aprobación de este trabajo, el encargado llegó
con las preguntas siguientes:
– 1) ¿Cuál es el riesgo de solucionar esto con un correctivo en
vez de preventivo en el caso donde habrá un intervalo de 350
horas?
– 2) ¿Cuál es la probabilidad de la falla entre 600 y 650h? ¿Cuál
es la probabilidad de falla adentro de 700h?
– 3) ¿Cuál es la probabilidad que ocurra una falla en
exactamente 110 h?
• Discusión y solución
72
72
• Solución del ejemplo

1) Si el preventivo se llevó acabo cada 350 horas el riesgo
de ser necesario un correctivo en vez de Preventivo
será el igual 33.87%.
2) La probabilidad de que ocurra una falla entre 600 h y
650 h está solamente en el 3.78%. Y la probabilidad de
que ocurra una imperfección en hasta 700 h (eta igual
del valor de la distribución) es 63.21%.
3) La probabilidad de que ocurra una falla en
exactamente 110 h es igual el cero. De la misma
forma, la probabilidad de que dos o más equipos que
fallen al mismo tiempo es exactamente igual a cero.
La Distribución Lognormal
La distribución LogNormal se utiliza en el modelamiento de la vida de
componentes, de sistemas, de productos, de textos económicos, del minería etc.
La función de la densidad de la probabilidad de la distribución LogNormal es:
1  ln( t )   * 
2
Cuando μ y σ son
1   
2  * 
f (t )  e parámetros que deben
t * 2
estimarse a partir de t
no, sino de ln (t)
Ejemplo. El Departamento de ingeniería confirmó que una falla de un
componente específico debido a la fatiga, modo de fallo después de un
trabajo FMEA. En el estudio de la durabilidad de tiempo, los
profesionales han concluido que la vida del componente puede ser
modelado por una distribución logarítmica normal con media igual a μ *=
5 y desviación igual a σ *= 1.Teniendo en cuenta que el mantenimiento
preventivo se lleva a cabo cada 150 horas, se les pide ajustar la política
para que el riesgo máximo sea de 3%. 74
74
74
La Distribución Lognormal
• Solución y Discusión del ejemplo
– Es importante notar que en este ejemplo con el

trabajo de la distribución LogNormal el promedio y la
línea de desviación no poseen la unidad de la hora,
pero es adimensional del número una época que se
relaciona con el promedio y la línea de desvío
estándar del ln (t).
– El riesgo de que ocurra una falla antes de realizar el
preventivo es de 50.42%. De modo que el riesgo
máximo es igual a 3%, el intervalo preventivo máximo
debe ser igual a 22.63 horas. Actualmente, muchas
fallas ocurren, pero la producción no presenta
problemas. Pero, este posee un costo: grandes fuentes
de piezas y asignación de la mano de obra en las
actividades del mantenimiento.
La Distribución Gamma
• La distribución gamma es la más compleja, por lo tanto, se modela
los datos generados para diversos modos de falla (este hecho será
detallado en el análisis de Weibull). La densidad de la función de la
probabilidad de la distribución gamma es:
En caso de alfa y beta son

parámetros. La distribución
 1   t   1  t
f (t )    *   e gamma es cerca de varias otras
 (  )     lognormal, exponencial, Weibull,
etc
 Ajuste de la función gamma. Nota: En
( x)   u e du
x 1 u
Microsoft Excel existe una función
0 rápida que calcula el valor numérico
de la función gamma
• Los valores numéricos de los parámetros alfa y beta se deben cumplir

a partir de los datos históricos existentes. En el análisis de Weibull se
presentan los detalles de los parámetros estimados. 76
76
76
La Distribución Gamma
• Ejemplo. El encargado de calidad de una fabrica de tractores,

determinó a sus ingenieros de confiabilidad, la realización de un
estudio para seleccionar la mejor distribución para modelar la
durabilidad de los motores del equipo. Para esto, los ingenieros
habían llevado acabo pruebas diversas de laboratorio para
determinar tiempos de durabilidad de los motores y encontraron
los valores siguientes para los parámetros: alfa = 3500 horas y =
2.3 beta. De esta información, se pide paradas:
– Para construir la densidad de la función de la probabilidad de

la durabilidad de los motores;
– El precio de la venta de cada motor es $ 150 millones y el
costo de producción es de $ 110 millones. Sin tener en cuenta
los impuestos, estime el período de la garantía de manera
que el promedio del beneficio no sea negativo (beneficio > =
0).
Normal
1  t  
2
1   
2  
f (t )  e
 2
Ecuación Confiabilidad
F (t )   f (t )dt
t
0
Ecuación de Confiabilidad
• Entonces:
F t   Rt   1  100%
Rt   1  F t 
Tasa de falla
• La tasa de falla permite la determinar el
número de fallas en un tiempo dado,
siendo:
f (t )
 (t ) 
R(t )
• Todos los cálculos de confiabilidad
cuantitativa, van en razón del tiempo o de
los ciclos de vida (Horas, Días, Kilómetros,
Millas…)
Vida Mediana
• Teniendo en cuenta que lo que se ésta

calculando por medio de la integral es el área
bajo la curva; la mediana es la mitad del área
calculada bajo la curva, es decir el 50% del
área, por lo tanto F(t) es igual a 0,5
F   f (t ) dt  0.5  50%
Vida Media
• La media es definida como el promedio de

datos, si se está trabajando con TO, entonces
será el Tiempo Promedio operacional TPO, si es
TEF será Tiempo Promedio Entre Fallas TPEF
Consideraciones
• El tiempo medio o promedio, no es un dato que

garantice o modele un comportamiento, es solo un
indicador con el cual no se pueden tomar
decisiones.
• Las distribuciones nos ayudan a modelar y

caracterizar el desgaste y vida útil de los equipos,
con el fin de tener criterios para la reprogramación
de intervenciones del mismo.
Distribuciones Aplicadas a
Algunas Distribuciones
Estadísticas
• Exponencial
• Weibull
• Lognormal
• Normas
• Gamma
• Gamma – G
• Logística
• Gumbel
• Otros...
Resumen
• Confiabilidad R(t): Es la posibilidad de que
un equipo o componente cumpla con una
función sin fallar
• Disponibilidad A(t): Es la relación de tiempo

que existe entre el TO y el TFS
• Mantenibilidad M(t): Es la facilidad con la

cual un equipo puede ser reparado y es
medido o estimado en razón del TPR,
Repuestos y costos.
Distribuciones más Usadas
• EXPONENCIAL
• WEIBULL
• LOGNORMAL
• NORMAL
Disponibilidad
La función de disponibilidad y
su interpretación probabilística
• Los sistemas principales que se utilizan en la ingeniería son ésos donde
algunos componentes fallan, ellos se reparan más adelante, fallan otra vez
y así sucesivamente.
Tenemos gráficamente:
t1 t2 t3 t4 t5 t6 t7
0
 Los tiempos de vida son: t1; t3-t2; t5-t4; t7-t6;...
 Los tiempos de reparación son: t2-t1; t4-t3; t6-t5;...
• La función de la disponibilidad se define como la probabilidad de que

el componente, sistema, etc está en funcionamiento en el tiempo
t. Tenga en cuenta que el tiempo de interés se ha terminado, por lo
que en este análisis no importa lo que pase antes o después de t en
términos de fracaso y reparaciones. 90
90
90
• La disponibilidad usada en función de la práctica es muchas veces llamada
la disponibilidad física (DF) o disponibilidad operacional (DE). Así, de una
forma resumida, la disponibilidad se define asi:
Tiempo realmente en operación

Disponibilidad =
Tiempo total de calendário
• Las funciones de confiabilidad y disponibilidad están estrechamente
relacionadas.
• Componentes: la confiabilidad y disponibilidad son las mismos porque
aquí se adopta la premisa de que no se lleva a cabo labores de
reparación de componentes.
• Sistemas: la disponibilidad depende de la confiabilidad y el
mantenimiento y, por tanto, si el mantenimiento es adecuado y se realiza
correctamente, la disponibilidad debe ser mayor que la confiabilidad en
el tiempo t - ver gráfico en la diapositiva siguiente
En el caso de los componentes (sistemas irremediables), el Confiabilidad es

igual a la disponibilidad.
A(t): La probabilidad de operación de
un determinado instante t
considerando las actividades de
manutención.
R(t): probabilidad de sobrevivencia

por lo menos en un tiempo t sin las
actividades de manutención.
La confiabilidad del sistema sin necesidad de mantenimiento o inservibles (azul) es

siempre menor que la oferta de reparación o mantenimiento (rosa) 92
92
La “pdf ” Exponencial
Función Confiabilidad
Exponencial
• Ecuación del Modelo Exponencial:
F (t )  1  R (t )
R (t )  e  t
• La Weibull es una de las funciones más
usadas debido a su flexibilidad matemática,
se acopla fácilmente a más de una
distribución: Normal, Exponencial, Gamma y
Gamma – G
• Posee tres parámetros de forma: Beta, Eta y
Gamma, cada uno caracterizando el
comportamiento del equipo y ayudan a
tomar decisiones sobre el mismo.
Weibull
Weibull de dos Parámetros:

– Beta: Parámetro o rango de vida
– Eta: Promedio de datos (TO ó TEF)
– Gamma: para el tiempo provisto para la
primera falla, puede ser positivo o negativo

 t  
 
 
R (t )  e 
• La distribución de Weibull se puede utilizar en modelar

de todas las fases en la curva de la bañera.
λ(t)
1,2
1
Weibull Weibull
0,8 Lognormal Normal
Lognormal Exponencial
0,6 Lognormal
Weibull
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 t 97
t1 t2 97
Distribución Gamma
La Distribución Gamma es otra de las más

usadas en ingeniería de Confiabilidad,
debido a que se acopla perfectamente a
sistemas no reparables, fatiga de materiales
y estudios por degradación.
La Distribución Gamma G
No es una de las más usadas en el modelamiento de

confiabilidad, pero su comportamiento es flexible y se
intenta asemejar a la Weibull
  In  t   
   1 
 In  2   e

In t   
 
 

   

   2
 
 1  
 e  

f  t      t   12 
  if   0

 1  In  t    
2
 1  
2 


 e k
 t   2
Análisis Mediante los
Parámetros de Forma
Parámetros de forma
según la estadística
• Los parámetros de forma tienen una

información de tipo estadística, pero
pueden mostrar también características de
vida útil y eficiencia productiva, que ayuden
a tomar decisiones no solo para producción
sino para mantenimiento.
•β Etapa de vida útil
•η Promedio entre fallas o tiempo operacional
•ɣ Tiempo de la primera falla
•λ tasa de fallas
Ejemplo de análisis de
parámetros de forma
• Dos equipos cualquiera, muestran los

siguientes parámetros de forma:
BETA ETA GAMMA LAMBDA

0,7 230 0 0,O34
1,7 279 42 0,091
3,2 458 0 0,067
Ploteo de Probabilidades
Los cálculos parten de la necesidad de alinear

los puntos (históricos de falla) efectuando una
regresión lineal de tipo logarítmico (y=mx+b),
La ecuación es definida por una pendiente (m)
y una posición inicial (b), donde X son los ciclos
de vida (TO, Horas, Kilómetros, Días u otra
medida operacional) y Y como la probabilidad
de falla.
Ploteo de Datos
Diferencia entre Distribuciones
Consideraciones al momento de
efectuar regresiones
“Existen algunos criterios y consideraciones importantes al
momento de procesar y analizar los datos, la calidad y
cantidad de los mismos pueden influir de manera importante
en la fiabilidad de los resultados”.
Existen métodos de corrección de datos al momento de desarrollar la

regresión matemática. La intención es lograr que los puntos se
aproximen lo mejor posible a la recta lograda. Uno de las regresiones
más usadas es el método de mínimos cuadrados; que resulta ser la
misma regresión lineal (rank regression) en cambio “Median Rank” es
utilizado en el lugar de mínimos cuadrados, o regresión lineal, porque
la representación de la regresión es el valor de la categoría. Mas
específicamente el valor de la categoría mediana (representado por la
coordenada y).
Métodos de ajuste de distribución de
probabilidad a un conjunto de datos
• Hasta ahora, consideramos que todos nuestros ejemplos de que los

parámetros de distribución son conocidos. Sin embargo, en la práctica
tenemos que estimar estos parámetros a partir de datos históricos.
• El caso más común es tratar de divulgar la información de un conjunto de
datos. caso de mantenimiento de ingeniería son los datos históricos. Pero
conseguir esta información? ¿Qué metodología? La secuencia general es la
siguiente:
Datos:
Analisis Modelaje de Toma de

Datos
estadistico confiabilidad decisión
• Un problema importante es elegir la mejor distribución para modelar la

107
población que dio origen a la muestra. 107
Históricos de Datos
Fallas
1,2 1,2
1 1
0,8 0,8
0,6 0,6
0,4
0,4
Son iguales? 0,2
0,2
0
0 1 3 5 7 9 11 13 15 17 19 21
1 3 5 7 9 11 13 15 17 19 21
Lognormal?
Weibull?
Distribución ajustada a
108
Normal? la muestra 108
Exponencial?
• Usted tiene 3 métodos básicamente: Probabilidad del manual

(en desuso), la regresión y el principio. Vamos a demostrar los
3 métodos aplicados a un ejemplo.
• Ejemplo. El ingeniero del Confiabilidad de una compañía
estudia el periodo de vida de un aceite que aísla, usado en los
motores de equipos grandes. Los resultados de la prueba
eran fallas en 1764h, 3230h, 2345 h, 3890 y 4380h. Por otra
parte, tenía suspensión en 7630h y 4608h. De estos
información se pide ajustar una distribución Weibull a los
datos y estimar los parámetros de la forma (β) y escalar (η).
Vamos, a decidir este problema con los métodos y el manual
de regresión.
• Vamos a seguir la escritura siguiente:
Paso 1) para clasificar los datos en orden que aumentan. 109
109
Estimación del paso 2) la probabilidad de la falla. Tiene modelos

diversos: j  0,3
Bernard (1954): F (t )  Donde j se refiere a la posición
N  0,4 de falla (sin suspensión) y N es
el tamaño de la muestra
j (suspensiones + falla)
Nelson (1982, p. F (t ) 
118): N 1
Orden (j) Valor Propabilidad de falla
j  0,5 1
Nelson ( 1988, F (t ) 
p.108): N 2
3
4
5
6
7 110
110
• Paso 3) si desea, se pueden trabajar con una

distribución modelo libremente para conseguir las
curvas del Confiabilidad y de la probabilidad de la falla.
• Las curvas empíricas de F (t), R (t), f (t)

e λ(t) puede ser encontrado.
Discusión y solución del problema
111
111
Paso 4°) los parámetros de la distribución de Weibull. En
el método de la regresión debemos transformar la
relación no lineal de R (t) o F (t) y t de la distribución de
Weibull para una del tipo linear.

t 
  
F (t )  1 e  

t 
ln(1  F (t ))  
 

 
ln(  ln(1  F (t ))   * ln( t )   * ln( )
y b X a
Coeficiente Interceptor 112

angular 112
• De esta linealización podemos utilizar el papel de la probabilidad de Weibull y
conseguir los parámetros. (Para demostrar el papel de Weibull a los participantes
y a la demostración como estima los parámetros).
• El método de regresión es sólo un enfoque más científico para

113
estimar los parámetros de la regresión. 113
Método manual de
estimativa de parámetros
• Estimación de parámetros por métodos manuales
La estimativa por métodos manuales es una aproximación de los

114
valores exactos 114
Método de Regresión Lineal
• En el método de la regresión, el objetivo es encontrar los parámetros de la

línea recta (el coeficiente angular y yo interceptamos) para maximizar la
adición de los cuadrados en de la distancia de los puntos a la línea recta.
N
 (d
i 1
i  (a  bx i ))²
115
115
Los intervalos confiables
de los parámetros
• En su trabajo de la ingeniería del Confiabilidad para el desarrollo de
productos usted posee 10 máquinas y desea estudiar el MTBF de
toda su población. Sin embargo la unidad tiene presupuesto a llevar
solamente a través de una prueba con 2. Aparecen las preguntas
siguientes.
– 1) ¿Cuál las unidades que se utilizarán en la prueba?
– 2) ¿Cuál el método de vida de las máquinas?
• Utilizan a todos los estadísticos conseguidos de las muestras para

hacer inferencias en la población. El intervalo de la confianza (i) es
estima cerca:
I  x  E.Z
Donde E es la estadística de interés para el ingeniero (con una población
promedio de fallas de TASA, etc.)
Y es el error asociado es Zα nivel de confianza de la toma de decisiones
116
Los intervalos confiables
de los parámetros
• En el caso de MTBF, tenemos:
S S
x  .Z .  MTBF  x  .Z .
N x N
Donde x-barra es el promedio de la estadística de que se encontró en
la muestra, S es la desviación estándar de la muestra, N es el tamaño
de la muestra, y Zα es el nivel de confianza del tomador de
decisiones.
150
Zα
100
50
N Series1
0
Series2
N,S,Zα
1 2 3 4 5 6 7 8 9 10
N
-50
-100
Zα
-150
117
Ejemplos de soluciones con el software de
Isograph Weibull
Tiempo de vida en diferente voltaje
26 KV 28 KV 30KV 32 KV 34 KV 36 KV 38 KV
5,79 68,85 7,74 0,27 0,19 0,35 0,09
Ejemplo. 1579,52 108,29 17,05 0,4 0,78 0,59 0,39
2323,7 110,29 20,046 0,69 0,96 0,96 0,47

Los estudios del ingeniero
426,07 21,02 0,79 1,31 0,99 0,73
de Confiabilidad se enfocan
1067,6 22,66 2,75 2,78 1,69 0,74
en la vida de determinados
43,4 3,91 3,16 1,97 1,13
equipos que se utilizan en
47,3 9,88 4,15 2,07 1,4
las actividades operacionales
139,09 13,95 4,67 2,58 2,38
que implican un motor. Los
144,12 15,93 4,85 2,71
datos que se hallaron se
175,88 27,8 6,5 2,9
encuentran en la tabla
194,9 53,24 7,35 3,67
siguiente:
82,85 8,01 3,99
89,29 8,27 5,35
100,58 12,06 13,77
215,1 31,75 25,5
32,52
33,91
36,71
Ejemplos de soluciones con el software de
Isograph Weibull
• De estas informaciones, se pide :

– Utilizar el software Weibull y estimar los parámetros con la mejor
distribución de probabilidad (seleccionar aquél con un coeficiente
más grande de correlación) en los diversos voltajes.
– Comparar los valores de eta de la distribución de Weibull
encontrados en los diversos voltajes y hacer un eta de la estimación
de la regresión en función del voltaje.
– Estimar el período del intercambio del aceite de manera que el
riesgo del mantenimiento correctivo no sobrepase el 3%.
– Estimar el B10 en el voltaje de 25 kilovoltios
• Discusión y solución:
119
119
ANÁLISIS DE CONFIABILIDAD Y RIESGO
OPERACIONAL DE LOS SISTEMAS PARA
LOS DIAGRAMAS DE BLOQUES
120 120
Análisis de Confiabilidad
de sistemas en serie
• Ejemplo. Consideremos el caso de un vehículo que los posee 4 neumáticos y

que pasa a través en un camino. Contexto: si por algún motivo uno de los
componentes propuestos no opera, el “sistema” no funciona.
• El diagrama de bloques permite la representación de los acontecimientos

probabilísticos que conducen al éxito del sistema (es decir, el contrario de
subir del árbol de imperfecciones).
• Una compañía del alquiler de vehículos hace viajes entre Cartagena y Bogotá,
así, el Confiabilidad (probabilidad de funcionamiento) del coche del sistema
depende del Confiabilidad de los neumáticos de los cuatro. Si el
Confiabilidad cada uno de los neumáticos es el 90% el Confiabilidad del
sistema (Rs) será:
121 121
Análisis de Confiabilidad de sistemas en serie
Rs = Rp1 x Rp2 x Rp3 x Rp4 = 0,9 x 0,9 x 0,9 x 0,9 = 65,61%

Importante:
– Vea que la Confiabilidad del sistema del coche es menor que la Confiabilidad
de todos los sistemas (máx < de Rs (Ri));
– Hasta este momento admitimos que la Confiabilidad de estos neumáticos es
constante, aunque no depende del tiempo. Significa que tiene 90% de la
posibilidad a funcionar en por lo menos 100h, eso es 1000h, o cualquier otro
valor;
– En el caso del sistema en serie los componentes deben funcionar de modo
que funcione el sistema. Esto, implica que a cada viaje tiene 90% de la
posibilidad de funciones de ese cada neumático, pero solamente 65.61% de la
posibilidad de eso el coche funciona adecuadamente.
122
Modelamiento del problema en el software RWB
123
• En el práctico, deseamos encontrar el Confiabilidad del sistema
aquél de los componentes. Así, cualquier R (1), R (2), R (3) y R (4) la
probabilidad del éxito de los 4 neumáticos. El Confiabilidad (Rs) del
vehículo será:
RS  R(1).R(2).R(3 | 2,1).R(4 | 3,2,1)
Una vez que la falla de un neumático independe los otros. tenemos:
RS  R(1) xR(2) xR(3) xR(4)
N
RS   Ri
i 1
124 124
Ejemplo. Un caso más realista es que la fiabilidad disminuye con el

tiempo. Para los neumáticos del coche, tenemos que admitir que después
de analizar los datos (véase en la parte 5 de este curso), se concluyó que
la vida de los neumáticos puede ser modelado por:
• Neumáticos delanteros: distribución de Weibull con β = 2.8 y η =
38.000 km;
• Neumáticos traseros: distribución exponencial con un promedio
de 35.000 km;
 A partir de éstas informaciones se puede:
• Preparar el modelo para estimar la fiabilidad del sistema contra los
neumáticos;
• Para estimar la fiabilidad de cada neumático de 40.000 km;
• Estimar la fiabilidad del coche en 40.000 km;
Identificar los componentes que causan el coche para hablar (corte-
series);
 Discusión y solución.
125
Discusión y solución del ejemplo
Con 40.000 millas, la

confiabilidad de cada
neumático delantero es
23,38% y la de cada
neumático trasero es
31,89%. Tener la
confiabilidad del coche en
relación con su sistema de
desgaste de los neumáticos
es sólo un 0,56%.
Ver que la confiabilidad del sistema es menor que el valor más bajo de
fiabilidad de elementos, pero la confiabilidad disminuye. Otro aspecto
importante es estimar cuál es la sensibilidad (lo importante) en función de la
confiabilidad del sistema con respecto a la confiabilidad de los componentes
individuales.
Estos derivados medir la

Rs  R1 xR2 xR3 xR4 sensibilidad de la confiabilidad del
sistema para un pequeño cambio
en la confiabilidad de cada
componente.
127
La sensibilidad de la confiabilidad del sistema
para el número de componentes
Sistema en serie
Rc = 99% Rc = 95% Rc = 90% Rc = 80%
100,00%
Confiabilidad de los sistemas (%)
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
0 2 4 6 8 10 12 14 16 18
Número de componentes
En este caso estamos suponiendo que los componentes son iguales.

La única diferencia es el valor de confiabilidad para que puedan percibir las
diferencias.
128
Análisis de Confiabilidad de sistemas en
serie
La sensibilidad de la confiabilidad del sistema en relación con el
aumento del número de componentes en serie.
Confiabilidad de un sistema en serie
1 2 3 4 5 6 7
100,00%
90,00%
Confiabilidad del sistema (%)
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00%
0,00%
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Confiabilidad del componente (%)
129
paralelo
• Posee de un sistema una configuración en paralelo bajo punto de vista del
Confiabilidad, cuando solamente el funcionamiento de un elemento es
bastante de modo que funcione el sistema CORRECTAMENTE.
• Ejemplo.
T1
Sea R1, R2, R3 e R4 la
T2 confiabilidad de cada una de
las letras y F1, F2, F3 e F4 a
T3 probabilidad de falla de cada
una de ellas.
T4
• La probabilidad de falla del sistema (Fs) es dada por : Fs=F1xF2xF3xF4
• La probabilidad de sobrevivencia (confiabilidad) esta dada por:
N
Rs  1   (1  Ri )
130
i 1 130
Análisis de Confiabilidad de sistemas en paralelo
• Análisis de resultados:
Rs=1-[(1-3%)(1-2%)(1-1%)(1-4%)] =
• Importante:
– Ve que el Confiabilidad del sistema es más grande del que todos los
componentes: Rs> máx. [Ri].
131
• Ejemplo. En el caso de las pantallas de la tierra del control, los

ingenieros de la seguridad de la información de la compañía
estiman que la vida de las pantallas se puede formar por
medio de una distribución exponencial con un MTTF de 19.500
horas. De esta información, los deseos del gerente es saber:
– ¿Cuál el Confiabilidad cada uno de las pantallas sobre 40.000 horas?

;
– Para elaborar el modelo de Confiabilidad del sistema;
– Estime el riesgo con la información no se transmite y ésa la
operación tiene el riesgo que se interrumpirá en un cierto momento
hasta 40.000 horas de la operación;
– ¿Cuál sería el Confiabilidad del sistema en el caso donde sea
necesario el funcionamiento de las cuatro pantallas
simultáneamente?
Discusión y solución 132
Modelo desarrollado en el Software RWB
133
Sistemas Condicionados
K en N
Sistemas con más de un componente físicamente en
paralelo, pero existe un número mínimo de componentes /
equipos en operación para que el sistema se considere
operativo.
n
n r
RS (k , n, R)    R (1  R) n  r
r k  r 
• n es el número total de las unidades en paralelo.

• k es el número mínimo de unidades necesarias
para el éxito del Sistema.
• R es la confiabilidad de cada unidad.
serie y paralelo
• Los sistemas que se mezclan son los que también poseen componentes en serie
y en paralelo. El análisis del Confiabilidad de tales sistemas es llevado a través
por la identificación de los elementos que si hallazgo en serie y los que están en
paralelo.
• Ejemplo: Para ilustrar, consideramos el caso de un sistema compuesto para los
propuestos.
E Los componentes
A poseen los siguientes
valores de confiabilidad
F RA=85% RE=90,50%
Inicio Fin
B D RB=78% RF=99,3%
RC=96% RG=68%
G RD=94% RH=81,0%
C
H Se puede estimar la
confiabilidad del
sistema.
Discusión y solución
135 135
Análisis de sistemas con el recurso
seguro de redundancia (Stand By)
• En los sistemas actualmente operantes en muchos procesos, se

encuentran componentes o equipos en Stand By, esa
consideración, requiere un análisis especial.
SWITCH
A
136 136
Discusión y solución del ejemplo 3.6
– Consideraciones para establecer planes de

mantenimiento en equipos en Stand By:
• Generador activo
• Generador en recurso seguro
• Funcionamiento del interruptor
• El componente activo siempre a la función
• Fallas ocultas para el componente inoperante
– En términos matemáticos tenemos:
• Fa = probabilidad de falla del generador A.
• Fb = probabilidad de falla del generador B.
• Fw = probabilidad de que el switch funcione.
137 137
 La probabilidad de falla del sistema (Fs) será:
Fs  FA.FW  FA (1  FW ).FB
• La confiabilidad del sistema (Rs) es:
Rs  1  Fs  1  ( FA.FW  FA (1  FW ).FB )
138
138
Análisis de sistemas con cargas
compartidas (load – sharing)
• Los sistemas con posiciones compartidas son los que a la medida

donde algunos compartimientos fallan, la carga apoyada para eso
todavía sobreviven los aumentos. De tal manera, el Tasa de fallas de
las unidades el sobrevivir aumenta.
• Consideremos como ejemplo, un avión que opera con cuatro motores
y solo dos de éstos pueden operar.
139
139 139
139
Ejemplos de solución de los problemas con
software Isograph Reliability Workbench
 Ejemplo. Consideremos que determinado sistema electrónico tiene una

configuración mostrada abajo:
A C F
G
E
H
I
B D
 Las tazas de falla de todos los componentes es igual a 7x10⁻4/ano.

 1) Modelar el sistema por el módulo RBD de RWB de Isograph
 2) Estimar la taza de falla del sistema para 8760h de operación
 3) Estimar el riesgo de la falla del sistema
 4) Estimar el riesgo en caso que los componentes F y G sean obligados a funcionar.
140
MODELOS PARA LA PREDICCIÓN DE
CONFIABILIDAD Y DE MANTENABILIDAD
CON LOS DATOS HISTÓRICOS
(ANÁLISIS WEIBULL)
141
El problema clásico
del análisis de Weibull
En 1951, el ingeniero suizo Waloddi Weibull estudió las

fallas de los materiales debidos los problemas de la
fatiga [1]. Observó que los cuerpos de la prueba del
mismo material sometieron igual el proceso de las vidas
distintas de la fatiga. Por lo tanto, llevó con estadística
que modelaba en los datos conseguidos en sus
experimentos. La mejor distribución en términos de
ajuste en sus datos estaba del Pescador-Tippet, que muy
era conocido ya en la comunidad de matemáticos, pero
no entre los ingenieros. De la publicación de los trabajos
de Weibull en la comunidad de ingenieros la distribución
comenzó a recibir su nombre. La distribución de Weibull
Wallodi Weibull, (1887 – 1979)
es tan popular en modelar del Confiabilidad se conoce
que como Análisis de Weibull.
142
Los datos completos,
censurados y en intervalos
En los problemas que ocurren en la ingeniería, los tipos diversos de datos aparecen:
– Completo de datos: son ésos donde el analista sabe con la precisión la duración de la
vida de los componentes. Ejemplo: En una prueba del laboratorio 3h fue verificado
que la vida de una bomba era 1.958;
– Datos censurados a la derecha: son ésos donde el analista no sabe exactamente
cuándo ocurre la falla, pero solamente la vida mínima del artículo. Ejemplo: El
neumático de uno que propago si encuentra con los 38.00Km y es cambiado
preventivo. En esto en caso de que eso, el neumático pudiera y fuera fallar en un
cierto instante en el futuro;
– Datos censurados en el intervalo: son ésos en que el analista sabe el intervalo donde
ocurre la falla, sabe no exactamente la vida del artículo. Ésta es la caja de bombas
pequeñas en plantas químicas se examina en intervalos regulares. Por ejemplo, el
técnico verificó que en 300h la bomba funcionara, pero en 400h había fallado ya. En
esto en caso de que eso él no se sepa exactamente cuando ocurrió la falla de este
intervalo adentro;
143
Los datos completos,
censurados y en intervalos
• Fuente de los datos censurados a la derecha:
– Intercambio preventivo para el mantenimiento.
– Cuando se analiza el modo de fallo y la falla ocurre debido al modo
de fallo B.
– Cuando, por cualquier razón, la prueba lo acaba antes del
componente de la falla.
– Cuando, en modelaje diversos, el artículo era en funcionamiento
colocado tiene 98 días y no todavía falló.
– Otros.
• Fuente de datos para modelaje de Weibull:
– Prueba del laboratorio.
– Prueba de la calificación de productos.
– Funcionamiento de la vida de los productos en campo.
– Registros existentes en literatura.
– Valores existentes en las normas.
– Etc.
144
Las ventajas de un análisis
del Confiabilidad cuando ha dado
histórico
• El modelamiento de la Confiabilidad con datos históricos admite que el modelo
probabilístico puede representar con más exactitud la realidad. En el caso de datos de
tasa de fallas existente en normas MIL, IEC, etc. puede ser que éstos no representan
exactamente la realidad del ambiente del uso operacional;
– Para conseguir estimaciones realistas del MTBF y del

porcentaje de averías;
– Para conseguir estimaciones realistas del número de la
falla de los componentes, de los subsistemas y de los
sistemas;
– Estime la capacidad de la producción con los recursos
existentes;
– Etc.;
• En las actividades del mantenimiento, el análisis de los datos de la vida puede generar
normalmente resultado mejor de qué estudia con la base en los índices de fracaso de las
145
normas (MIL, Telcordia, etc.)
Las medidas principales de Confiabilidad
• Las medidas principales de Confiabilidad son:

– MTBF (vida media);
– Vida media;
– Porcentaje de averías;
– Bx (muy usado en industrias de automóvil);
– Probabilidad de la supervivencia (Confiabilidad);
– Probabilidad de la falla (riesgo);
– El número de fallas adentro de una determinó período;
– Medidas de importancia;
– Disponibilidad (operacional, alcanzado, etc.)
– Etc.;
• Todos estos indicadores serán detallados a lo largo de este
curso.
146
Tasa de falla, tasa media de falla y tasa
instantánea de falla.
Ejemplo. Asumamos que las unidades de N (las resistencias, los rodamientos, etc. de
compresión, eléctricos) están puestas en servicios. Asumamos que tienen un
portafolio compuesto para 50 activos. A través de los meses, diversos fallan
mientras que demuestra la tabla para seguir: :
1.788,07 963,37 1.457,44 322,34 619,47
428,88 138,45 559,82 748,02 1.004,58
878,43 455,22 175,60 378,28 452,47
313,81 484,17 511,32 1.378,65 597,50
710,15 360,71 1.214,12 294,96 319,65
722,60 339,87 178,14 747,37 549,86
496,09 1.002,22 857,77 911,08 1.040,37
816,47 588,26 1.389,75 707,67 143,67
848,99 516,89 721,03 280,89 804,22
736,86 743,05 458,44 691,73 466,40

147
• Tasa de averías (λ) corresponde al cociente entre los números de las fallas para
el período del tiempo. Pero, podemos tener Tasa de fallas con respecto a otras
variables tal como toneladas, kilómetro, etc. Así, puede ser definida:
N (t 2 )  N (t1 )
 Donde N(t2) es el número de fallas
t 2  t1
antes del tiempo t2 y N(t1) es el
número de fallas antes del tiempo t1.
• La tasa de falla varía con el tiempo. En el caso de componentes

mecánicos, a medida que envejece la tasa de crecimiento tiende a variar,
como dice el número de sobrevivientes es cada vez menor. Por lo tanto, si
conocemos el comportamiento del tipo de falla con el tiempo se estudia la
tasa instantánea de falla (λ (t)):
f (t ) → La gráfica de tasa
 (t )  instantánea de Falla le permite
R (t ) crear la gráfica de la curva de la
bañera.
148
Relación fallas acumuladas X horas de vida acumuladas
Vida Acumulada (h)
35.000
30.000
Vida acumulada (h)
25.000
20.000
15.000
10.000
5.000
0
0 5 10 15 20 25 30 35 40 45 50 55
Fallas acumuladas
149
Razón número de fallas por hora
Fallas / tiempo (h)
0,008
0,007
0,006
0,005
0,004
0,003
0,002
0,001
0
0 5 10 15 20 25 30 35 40 45 50 55
Fallas acumuladas
150
MTBF en función del tiempo
Media de tiempo entre fallas
700
600
500
400
300
200
100
0
0 150 300 450 600 750 900 1.050 1.200 1.350 1.500 1.650 1.800 1.950
Tiempo acumulado
151
Sin embargo, en lo práctico deseamos saber la tasa de averías instantáneo de la
función de la distribución de la probabilidad usada en modelar de los tiempos
hasta la falla. Cualquier N (0) el número de las unidades que se consideran
inicialmente, de Ns (t) el número que funciones inmóviles a tiempo t, y N-F (t)
el número que falla hasta el tiempo T. A proporción de sobrevivientes en T es:
N (0)  N f (t )
R (t ) 
N ( 0)
N s (t )  N s (t  t ) R (t )
Mas, f (t ) 
N (0)

t
t
1 N (t )  N s (t  t ) 1 d  N s .(t )
f (t )  lim  * s  *
t 0 N (0) t N (0) dt
152
La definición de tasa en el tiempo T es:

1 Ns (t )  Ns (t  t ) 1 dN s (t )
 (t )  *  *
N s (t ) t Ns (t ) dt
f (t )
 (t )  → esta tasa instantánea de falla puede ser
R(t ) encontrada por cualquier distribución.
Ejemplo. El trabajo clásico de Todhunter (1969) fue estudiar

la distribución de vidas humanas. Los datos de este estudio
se encuentran en la tabla de abajo.
153
instantánea de falla
y f(y) F (y) R (y)
0-5 29,00% 29,00% 71,00%
5-10 5,70% 34,70% 65,30%
10-15 3,10% 37,80% 62,20%
15-20 3,00% 40,80% 59,20%
20-25 3,20% 44,00% 56,00%
25-30 3,70% 47,70% 52,30%
30-35 4,20% 51,90% 48,10%
35-40 4,50% 56,40% 43,60%
40-45 4,90% 61,30% 38,70%
45-50 5,20% 66,50% 33,50%
50-55 5,30% 71,80% 28,20%
55-60 5,00% 76,80% 23,20%
60-65 5,00% 81,80% 18,20%

Fuente: Nelson (1988, p.17)
65-70 5,10% 86,90% 13,10%
70-75 5,30% 92,20% 7,80%
75-80 4,40% 96,60% 3,40%

154
80-85 3,40% 100,00% 0,00%
• De estas informaciones, se pide:
– 1) Para calcular la distribución que aumenta probabilidad acumulada;
– 2) Para conseguir la probabilidad de la función de la supervivencia para
estos datos;
– 3) Para conseguir a la función Tasa de fallas empírica;
– 4) Para considerar un intervalo de la época de 85 años y conseguir el
nuevo Tasa de fallas de la función;
– 5) Para discutir una forma modelo probabilística teórica toda la población
de quien fue extraída la esta muestra;
– 6) Estime la probabilidad condicional;
Discusión y solución del problema
155
• Ejemplo: Un investigador del área de ciencias biológicas lleva

con un censo de la población del país resuelto y de los hallazgos
dado que satisfacen en la tabla para seguir.
• A partir de estas informaciones, se pide:
1. Para conseguir las curvas empíricas de la probabilidad

acumulada, tasa de fallas y la densidad de la probabilidad.
2. Estime la probabilidad de una persona para vivir 75 años más
que.
3. Estime la esperanza de vida de eso que llegan el retiro a los 68
años.
156
MTTF, MTBF y MTTFF: conceptos y usos
• MTTF: Lo definen mientras que el medio aritmético de los tiempos entre las fallas
del equipo (uno no está exactamente sobre el valor previsto de la variante
aleatoria).
• Ejemplo. En uno que ha probado de la durabilidad de baterías había sido probado 5
unidades y los resultados conseguidos si encuentran en la tabla para seguir.
Unidades Vida (meses) Comentario

1 18,9 En este período ocurre la falla
La unidad fue removida porque el equipo de
2 29,8 prueba falló
La unidad fue removida porque se
3 23,7 necesitaba en campo
4 20,8 Ocurre falla
5 29,3 Ocurre falla
(18,9  29,8  23,7  20,8  29,3)meses

MTTF   24,50meses
3 fallas
157
MTTF, MTBF y MTTFF: conceptos y usos
En el caso de los sistemas irreversibles, el MTBF (tiempo medio antes de

fallo) es igual al MTTF (tiempo medio hasta fallo). Ya en sistemas
reparables, MTBF (tiempo medio entre el fallo) es diferente a la MTTF.
Ejemplo. Vamos a calcular el MTBF para el sistema a reparar, es decir, cuando

hay un reemplazo de los componentes y actividades de mantenimiento.
100h 0 120h 0 180
0 0 2h 0 2,3h 0 4h
El MTBF puede ser calculado a partir de los datos existentes.
(100  120  180)h

MTTF   157,50horas
3 fallas
158
Referencias Bibliográficas Consultadas
Libros, artículos, páginas electrónicas, etc.
159
159
159
Referencias bibliográficas
• Xie, M. (1991). El modelar de la confiabilidad del software, Prensa científica del
mundo, Singapur.
• Nelson, W. (1982). La vida aplicada fecha análisis, Wiley, Nueva York.
• Nelson, W. (1990). Prueba acelerada, Wiley, Nueva York.
• Ireson, W. G., y Coombs, C. F., Jr. (1988). Manual de la ingeniería y de la
gerencia de la confiabilidad, McGraw-Colina, Nueva York.
• Sturges, H.A (1926), la opción del intervalo de los closs, Toumol de la asociación
estadística americana, p.65-66.
• Scott, D.W (1979), óptimos encendido y las fechas basaron los histogramas,
Biométrica 66, (33) p.605-610.
• Weibull, W. (1961), cansa pruebas y el análisis de resultados, El grupo
consultivo será organización aeronáutica del tratado de Atlántico Norte de
investigación y del desarrollo.
• Todhunter, 1949) historias de I. (de la teoría del matlumaticol de la
probabilidad, chelse, NY.
• Gibson, B.S.G (2007). Failuere verdadero del disco en el mundo: ¿Qué usted le
dona en los 1.000.00 MTTF de los hombres de las horas usted?
• Gomez L. Iván Darío, Introducción al Mantenimiento Estratégico, Panamericana
2006.
• Mora G. Luis A., Mantenimiento, planeación, ejecución y control, alfa Omega
2009.
160
• HELMAN, Horacio y ANDERY, Pablo Roberto Pereira - análisis de las fallas
“herramientas de la serie de la calidad” vol. 11 - Fundación Christiano Ottoni,
escuela de la ingeniería de UFMG, 1995, 156 P.
• “Modo de fallo y análisis potenciales” - FMEA de los
efectos AIAG - Grupo de la acción de la industria del automóvil,
2002 - 3ª ed.
• STAMATIS, D. H. - “Prensa de la calidad del análisis” - ASQC del modo y del
efecto de fallo, 1995, 494 P.
• Manuales de QS 9000. Análisis de la manera y del efecto de Falla Potencial
(FMEA): Manual de la referencia. 1997.
• CLAUSING, D. (1994). Decisiones mejores. En: Desarrollo total de la calidad:
guía paso a paso usted worldclass concurrentes ingeniería. 2.ed., Iorque
nuevo, la sociedad americana de ingenieros industriales. CASQUILLO. 3, p.60-
73. (t: 322). ( Disponible en la biblioteca de EESC - USP).
• n CLAUSING, D. (1994). El diseño. En: Desarrollo total de la calidad: guía del
setp-por-paso usted ingeniería concurrente de los worldclass. 2. ed., Iorque
nuevo, la sociedad americana de Engineerss mecánico. CASQUILLO. 5, P. 175-
273. (t: 322). (Disponible en la biblioteca de EESC - USP).
• n Compañía KSR (http://www.ksr.com.br) él posee que un sistema de los
dulces de FMEA integró con un sistema CAPP, de que garantizado ya a algunas
compañías el certificación de QS 90000. En la página del KSR tiene un lugar en
donde algunas preguntas prácticas sobre un FMEA se contestan
(http://www.ksr.com.br/oqufmea.htm).
161
• Chilton, C. H. (1950), Six-tenths factors applies to complete plant costs, Chemical

Engineering, vol. 57, p. 112-114;
• Williams, R. Jr. (1947), Six-tenth aids in approximating costs, Chemical Engineering,
vol. 54, p. 124-125;
• Barriger, P., Weber, D. P. (1996), Lyfe-cycle cost tutorial, Fifth International
Conference on Process Plant Reliability;
• Bodie, Z., Kane, A., Marcus, A. J. (2000). Fundamentos de Investimentos. Bookman,
Porto Alegre, 632p.
• Brigham, Eugene F.; Gapenski, Louis C.; Ehrhardt, Michael C. (2000). Administração
Financeira: Teoria e Prática. Editora Atlas S.A, 1113p.
• Lewis E.E., Introduction to Reliability Engineering (1987), John Wiley & Sons;
162
• Meeker, W.Q., Escobar L.A. (1988), Statistical Methods for Reliability Data, John
Wiley & Sons;
• O’Connor, P. D. T. (1985), Practical Reliability Engineering, John Wiley & Sons,
Second edition;
• Nelson, W. (1988), Applied Life Data Analysis, John Willey & Sons.
• Ross, Stephen, Randolph W. Westerfield e Jeffrey F. Jaffe (2002). Administração
Financeira (Corporate Finance). Editora Atlas, 776p.
• Chilton, C. H. (1950), Six-tenths factors applies to complete plant costs, Chemical
• Williams, R. Jr. (1947), Six-tenth aids in approximating costs, Chemical Engineering,
vol. 54, p. 124-125;
• Bodie, Z., Kane, A., Marcus, A. J. (2000). Fundamentos de Investimentos. Bookman,
Porto Alegre, 632p.
163
• Souza, Petain A. (1995) Avaliação Econômica de Projetos de Mineração, IETEC,

Belo Horizonte, 247p.
• Stermole, F.J., Stermole, J. M. (1987) Economic Evaluation and Investment
Decision Methods. Sixth edition, Investment Evaluation Corporation, Golden,
Colorado, EUA.
• Brealey, Richard A., e Stewart C. Myers (2000). Corporate Finance. Sixth
edition, New York: McGraw-Hill, 1093p.
• Williams, R. Jr. (1947), Six-tenth aids in approximating costs, Chemical
• Brigham, Eugene F.; Gapenski, Louis C.; Ehrhardt, Michael C. (2000).
Administração Financeira: Teoria e Prática. Editora Atlas S.A, 1113p.
164
• Lewis E.E., Introduction to Reliability Engineering (1987), John Wiley & Sons;
• Meeker, W.Q., Escobar L.A. (1988), Statistical Methods for Reliability Data, John
Wiley & Sons;
• O’Connor, P. D. T. (1985), Practical Reliability Engineering, John Wiley & Sons,
Second edition;
• Nelson, W. (1988), Applied Life Data Analysis, John Willey & Sons.
• Ross, Stephen, Randolph W. Westerfield e Jeffrey F. Jaffe (2002). Administração
Financeira (Corporate Finance). Editora Atlas, 776p.
• Souza, Petain A. (1995) Avaliação Econômica de Projetos de Mineração, IETEC, Belo
Horizonte, 247p.
• Stermole, F.J., Stermole, J. M. (1987) Economic Evaluation and Investment Decision
Methods. Sixth edition, Investment Evaluation Corporation, Golden, Colorado,
EUA.
• Brealey, Richard A., e Stewart C. Myers (2000). Corporate Finance. Sixth edition,
New York: McGraw-Hill, 1093p.
165

IG-102-104 Ingeniería de Confiabilidad V7 (06!04!2020)

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

IG-102-104 Ingeniería de Confiabilidad V7 (06!04!2020)

Cargado por

Copyright:

Formatos disponibles

IG GROUP S.A.S.

IC Ingeniería Análisis y Hazop RCM

• Es la forma matemática y científica de

• Existen diversos modelos matemáticos que

0<β<1 vida útil 2< β < n

Tiempo de servicio o vida útil.

Se calcula con el Tiempo Por Reparación TPR

Se calcula con el Tiempo Fuera de Servicio TFS

• Se calcula con el Tiempo Operacional o el Tiempo

• Cantidad de fallas que se presentan en

• Lambda (λ) = # Fallas / TTO

El Gráfico A es la conocida “Curva de

Son regresiones matemáticas en

El conjunto de datos se pueden repartir y organizar por medio de histograma,

Fuente: BSG Institute

No es posible tratar por igual los datos, se

Se Conoce a ciencia cierta el tiempo

Dato Suspendido a la Derecha

Dato Suspendido por Intervalo

Dato Suspendido a la Izquierda

Item Number State, Life of item, Failure

• El Número actual de Orden de falla (o posición) de la segunda falla

• Para determinar los valores de orden, primero listamos todas las

• Se puede ver que la falla F2 puede ocurrir en la segunda

F3 in Position 3 F3 in Position 4 F3 in Position 5

• entonces, la Media del Número de Orden de la tercera falla F3, será:

Plotting Positions for the Failures (Sample Size = 5)

Es importante entender y definir el

• Los datos son totalmente conocidos, ya que

• No se conoce o no es posible definir los

• Ejemplo: El ingeniero del Confiabilidad de una compañía que produzca

• Al calcular la integral de la tasa de fallas, se

La gráfica de Confiabilidad vs Tiempo La gráfica de Probabilidad de falla

2) El intervalo de intervención de mantenimiento preventivo de modo

3) El aumento de la presión hace que la media es de sólo 0,5 horas con la

Média I K desvios Área sub curva

Observe que el área que abarca seis sigma corresponde a

• Ejemplo. Un dispositivo electrónico utilizado para controlar el pH de un

 1  donde β, η y γ son parámetros de

• En la práctica, un problema importante es la estimación de los

• Solución del ejemplo

– Es importante notar que en este ejemplo con el

En caso de alfa y beta son

• Los valores numéricos de los parámetros alfa y beta se deben cumplir

• Ejemplo. El encargado de calidad de una fabrica de tractores,

– Para construir la densidad de la función de la probabilidad de

• Teniendo en cuenta que lo que se ésta

• La media es definida como el promedio de

• El tiempo medio o promedio, no es un dato que

• Las distribuciones nos ayudan a modelar y

• Disponibilidad A(t): Es la relación de tiempo

• Mantenibilidad M(t): Es la facilidad con la

• La función de la disponibilidad se define como la probabilidad de que

Tiempo realmente en operación

En el caso de los componentes (sistemas irremediables), el Confiabilidad es

R(t): probabilidad de sobrevivencia

La confiabilidad del sistema sin necesidad de mantenimiento o inservibles (azul) es

• Ecuación del Modelo Exponencial:

Weibull de dos Parámetros:

• La distribución de Weibull se puede utilizar en modelar

La Distribución Gamma es otra de las más

No es una de las más usadas en el modelamiento de