6

TECSUP – PFR Gestión del Mantenimiento II
Unidad VI
ANÁLISIS DE LOS RESULTADOS DEL

MANTENIMIENTO
(Tomado de “Maintenance” por Jasper Coetze)
1. ANÁLISIS DE LOS RESULTADOS DEL MANTENIMIENTO
Para ser capaz de manejar bien la función de mantenimiento, el gerente de

mantenimiento debe ser capaz de analizar un amplio rango de datos de
mantenimiento. Esto incluye la disponibilidad del equipo, el tiempo promedio
entre fallas, la tasa de producción, las cifras de costos, los tiempos de las tareas,
la historia de vida del componente, el monitoreo de condición y muchos mas. En
algunos de estos el análisis típico significa que se requiere:
• Técnicas de selección de datos. Se acostumbra seleccionar ciertas ocurrencias

específicas desde un conjunto de datos. Ejemplos son la selección de todas
las áreas de costos elevados y la selección de los componentes que son los
contribuyentes principales de estos costos elevados. La técnica que será
utilizada para este propósito es el diagrama de Pareto.
• El aislamiento de la causa de una cierta falla o problema. El diagrama de
causa y efecto, o diagrama de espina de pescado, se empleará para este
propósito.
• Determinar si un proceso se realiza dentro de ciertos limites predeterminados.
Ejemplos de esto podrían ser costos, disponibilidad, MTBF, y niveles de
vibración. Las técnicas que podrían usarse para este propósito incluyen los
diagramas de control, diagramas Cusum1 y el suavizado de curvas.
• Determinar si hay una tendencia marcada en los datos. Esto es usado para
escoger las acciones necesarias para amplificar o neutralizar la tendencia. Las
técnicas usadas para este propósito son el suavizado de curvas y los
diagramas Cusum.
• Técnicas de pronóstico. Estas son usadas para proyectar la tendencia
histórica hacia el futuro. Especialmente durante el proceso de
presupuestación se usa extensivamente estas técnicas.
1
Cusum = Suma Acumulada
119
Gestión del Mantenimiento II TECSUP – PFR
2. DIAGRAMA DE PARETO
El diagrama de Pareto se basa en un fenómeno conocido como el Principio de

Pareto. El principio establece que hay usualmente pocos contribuyentes (lo poco
vital) que son responsables por la mayor porción del problema investigado. Los
demás contribuyentes (los muchos triviales) son típicamente responsables por
una parte relativamente pequeña del problema. Es muy frecuente establecer por
la regla a dedo, la regla del 80/20, la cual dice que el 80% del problema
investigado es causado por solo el 20% de los contribuyentes.
Un diagrama de Pareto se construye en 4 pasos:
1. Determinar cuales son los contribuyentes al problema investigado.

2. Determinar el nivel de contribución de cada contribuyente al problema. Esto
puede incluir cosas tales como contando el numero de ocurrencias de un
cierto evento o costos agregados para un cierto tipo de ocurrencia
(dependiendo del problema). Convertir estas cifras en porcentajes del total.
3. Dibujar un diagrama de barras de estos resultados. Las barras son
ordenadas de izquierda a derecha en orden descendente basado en sus
alturas. Es costumbre, si hay un numero de contribuyentes muy pequeños
combinarlos bajo el titulo de “otros” y dibujar esta barra al extremo derecho
del diagrama. Muestre los nombres de los diferentes contribuyentes al
problema en el eje “X”. Use un eje “Y” (en el lado derecho del diagrama)
para el numero de ocurrencias (o la contribución en costos). Un segundo
eje “Y” (en el lado izquierdo del diagrama) se emplea para la escala de
porcentaje (0 – 100). La razón para el uso de dos ejes “Y” es la siguiente:
La escala de porcentaje es mejor para la interpretación de los datos,
mientras la escala de cuentas (o costos) es mejor para hacer comparaciones
entre diagramas. Un diagrama de Pareto dibujado para reflejar la situación
después de implementar un plan de mejora es comparado frecuentemente
con uno basado en el plan de mejora. En estos dos diagramas los
porcentajes para los diferentes contribuyentes puede ser muy similar,
mientras el numero de ocurrencias pueden haber disminuido drásticamente.
Así una escala en porcentaje no es adecuada para hacer comparaciones
entre diagramas.
4. Agregar un línea mostrando el porcentaje acumulado logrado por la adición
de cada contribuyente. El principio de Pareto se confirma por el cambio en
la inclinación de esta línea. Los contribuyentes a la izquierda incluyendo el
del cambio son los pocos vitales. Estos deberían considerarse primero
cuando se toma acción para eliminar el problema.
120
Una cierta organización contratista de ingeniería civil ha identificado un modelo

de su flota de tractores como los principales contribuyentes de sus altos costos
de mantenimiento. Ellos han analizado los costos de los materiales de
mantenimiento de estos equipos para un año financiero completo con el
resultado mostrado en la tabla 1 (usando el método descrito anteriormente). El
contenido de la tabla 1 se muestra en forma de un diagrama de Pareto en la
figura 6.1. Claramente la línea de porcentaje acumulado tiene un cambio en
84.7%. El análisis de Pareto muestra que el análisis de la mejora de la estrategia
de mantenimiento debería concentrarse en el sistema de tracción, el sistema
hidráulico y los mandos finales. Análisis posteriores (usando la misma técnica)
se pueden usar ahora para señalar el componente específico en cada uno de
estos tres grupos que causan costos elevados (si los datos están disponibles).
Tabla 1: Costos de materiales de Mantenimiento – Ejemplo 1
Costos % del %
Contribuyentes ($) Total Acumulado
Sistema de Tracción 20,416 46% 46%
Sistema Hidráulico 10,563 24% 70%
Mandos Finales 6,768 15% 85%
Cuchara 2,105 5% 89%
Motor 2,013 5% 94%
Sistema de Transmisión 1,216 3% 97%
Sistema Eléctrico 734 2% 98%
Sistemas auxiliares 514 1% 99%
Estructura 236 1% 100%
Totales: 44,565 100%
121
DIAGRAMA DE PARETO
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
ra
or
s
a
s
o
ón
o
le
re
ur
ic
ric
ió
ot
ha
ci
na
ul
is
li a
ct
t
M
ac
ec
uc
rá
sm
tru
Fi
xi
Tr
id
El
C
au
Es
an
s
H
do
de
as
Tr
em
a
an
em
a
em
de
em
st
M
st
Si
st
a
Si
st
em
Si
Si
st
Si
Contribuyentes a los costos
Figura 6.1 Diagrama de Pareto – Ejemplo 1.
3. DIAGRAMAS CAUSA Y EFECTO
Los tipos de problemas que surgen en el ambiente industrial son muy diversos.
Los diagramas Causa y Efecto, o espina de pescado, pueden usarse para
determinar cuales son las causas de un problema especifico (el efecto). El
diagrama parece, como su nombre alternativo sugiere, a una espina de pescado
con las flechas hacia la derecha, apuntando al efecto. Cada una de las ramas
representa una categoría de posibles causas que son analizadas mas adelante en
una lista de posibles causas en cada categoría. El diagrama de Causa y Efecto
ayuda a organizar la información sobre las causas de un problema de una
manera lógica que puede usarse en el proceso de solución de problemas. La
técnica se emplea efectivamente en los círculos de calidad para este propósito.
No hay una manera de construir el diagrama Causa y Efecto. Describiremos un

método conocido como el diagrama Causa y Efecto 4M. Las 4M describe 4 de las
6 etiquetas del diagrama que comienzan con “M”. Estas son: Materiales,
Maquinas, Métodos, Mediciones. La mejor manera de realizar tal análisis es
utilizar los grupos de personas de mantenimiento y producción que son
considerados como los expertos en el uso de los equipos en manos (si el
problema esta relacionado con los equipos).
122
Los pasos para construir un diagrama Causa y Efecto son:
1. Definir el problema. Usar un declaración para definir claramente el

problema, junto con una cuantificación de su severidad. Ubique el problema
en lado derecho del diagrama.
2. Dibujar 6 ramas principales. Etiquetarlas con los nombres de las categorías:
Personas, maquinas, materiales, métodos, mediciones y ambiente.
3. Para cada rama principal, listar las posibles causas en esa categoría que
pudiera conducir al problema establecido.
4. Para cada rama, priorizar la lista de causas potenciales. Ubique solo las
causas más importantes en el diagrama.
Ejemplo 2
El análisis de Pareto hecho para los tractores del ejemplo 1 muestra sin ninguna
duda que el sistema de tracción es el mayor contribuyente de los costos
elevados. Las posibles causas para este problema son ahora analizadas usando
el diagrama de Causa y Efecto 4M. Este se muestra en la figura 6.2.
Medición Materiales Personas
Entrenamiento
Ancho del corte
Mal diseño Supervisión
Profundidad del Corte Servicio

Altos Costos del
Sistema de
Tracción
Velocidad de remoción
Trabajo Inclinado
Superficies rocosas
Arado
Ambiente Métodos Maquinas
Figura 6.2 Diagrama Causa y Efecto – Ejemplo 2
Desde este podemos ahora seleccionar la causa mas probable (o combinación de

causas) que debe resolverse. Hasta que el problema no sea resuelto este
diagrama puede servir como un mapa de ruta para el proceso de solución del
problema.
123
4. DIAGRAMAS DE CONTROL
Los diagramas de control ayudan a determinar si un proceso que estamos

monitoreando se esta realizando dentro de ciertos límites pre-establecidos. Este
hace uso de 2 principios:
1. Las mayores mediciones del proceso de vida real tienen una distribución
normal, con una media característica µ y una desviación estándar σ. Si el
proceso es cambiante, la media µ y la desviación estándar σ cambiarán en
todo momento.
2. La distribución de nuevas mediciones serán las mismas que las mediciones
históricas, si no hay cambio en el proceso. En otras palabras µ (la media de
los datos) y σ (la desviación estándar) permanecerán iguales para un
proceso estacionario. La distribución Normal o de Gauss es una distribución
en forma de campana simétrica. La probabilidad mas elevada esta situada
en el valor esperado de un dato simple, µ. El ancho de la campana depende
de la variabilidad de los datos, determinado por la desviación estándar, σ.
La probabilidad de ocurrencia tiende a cero en los dos extremos del eje X, ±
∞. La distribución Normal se muestra en la figura 6.3.
La media µ y la desviación estándar σ de una muestra de datos esta dada por:
µ = Media
σ = Desviación Estándar
xi = Observación i
n = Numero de Observaciones.
DISTRUBUCIÓN NORMAL
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0.00
1 5 9 13 17 21
Figura 6.3 La distribución Normal.
124
La distribución Normal tiene la propiedad que el 68,27% de todos los datos con
esta distribución caerán dentro del rango µ ± σ. Esto puede extenderse al
95,45% de todos los datos que caen dentro del rango µ ± 2σ y 99,73% que caen
dentro del rango µ ± 3σ. Estas propiedades pueden ahora usarse para
determinar si los nuevos datos conforman la misma distribución o no. Estas
propiedades se ilustran en la figura 6.4. Llega a ser costumbre utilizar los límites
µ ± 3σ para propósitos de control. Con estos límites cualquier dato que
pertenece a la misma distribución con una probabilidad de 99.73% cae dentro de
los límites µ ± 3σ. Podríamos decir que cualquier dato que cae fuera de estos
límites no proviene de la misma distribución (con alta probabilidad).
Un diagrama de control es construido dibujando unas líneas horizontales en tres

límites de control, siendo la del medio la media o el valor esperado. Este
diagrama se usa para plotear nuevos datos. Cualquier dato que cae dentro de
los límites de control pertenece con alta probabilidad a la misma distribución para
la cual fue calculado µ y σ. Cualquier dato que cae fuera de estos límites no
pertenece con alta probabilidad a esta distribución. La probabilidad de que un
valor de la distribución actual caiga fuera de los límites µ ± 3σ es 0,24%. En
base a esto, se pueden usar las siguientes reglas para determinar cuando los
datos medidos provienen de una distribución diferente, indicando un cambio de
valor del parámetro en el proceso en el largo plazo. La distribución del proceso
(µ y σ) cambia bastante si:
• Un dato nuevo esta fuera de los límites µ ± 3σ

• Nueve datos en una fila caen a un lado de la media µ.
• Seis datos en una fila tienen una tendencia a un aumento o a una disminución
constante.
• Quince datos en una fila tienen valores que se alternan hacia arriba y hacia
abajo.
• Dos de tres datos en un a fila caen fuera de los límites µ ± 2σ.
• Cuatro de cinco datos en una fila caen mas allá de σ del valor esperado µ, a
un lado de µ.
• Quince datos en una fila caen dentro de los límites µ ± σ.
• Ocho datos en una fila caen fuera de los límites µ ± σ.
Ejemplo 3
Los datos de disponibilidad históricos para una maquina industrial grande y

costosa tiene una media de 84% y una desviación estándar de 2% ((cifras
redondeadas para un procesamiento fácil). Las siguientes disponibilidades
mensuales están disponibles para los últimos 15 meses (estas no fueron usadas
en las cifras históricas computarizadas):
125
Tabla 2: Datos de Disponibilidad – Ejemplo 3
Disponibilidad
Mes
%
1 84
2 83
3 86
4 81
5 85
6 86
7 85
8 86
9 89
10 87
11 85
12 88
13 84
14 87
15 82
Hay un sentimiento general en los gerentes de la empresa que la disponibilidad

de una maquina debe mostrar tendencia creciente. Usaremos la técnica de
límites de control para confirmar o rechazar esta noción. La figura 6.4 muestra
los datos de disponibilidad anteriores superpuestos sobre los límites de control
históricos.
126
DISPONIBILIDAD
%
Límite Superior de
92 control
90
88
86
84 Valor Esperado
82
80
Límite Inferior de
78
control
76
74
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Mes
Figura 6.4: Grafico de Control. Ejemplo 3
Podemos aplicar ahora la regla 8 sobre determinar si la empresa tiene un cambio

en la distribución de la disponibilidad.
Regla 1: No hay datos fuera del rango µ ± 3σ

Regla 2: El numero máximo de datos a un lado de la media es 8, uno menos de
lo requerido para cambios significativos.
Regla 3: No hay una tendencia sostenida en el corto plazo.
Regla 4: No hay datos alternantes.
Regla 5: Solo un dato esta fuera del rango µ ± 2σ
Regla 6: Máximo hay dos puntos a un lado fuera del rango µ ± σ
Regla 7: Máximo hay dos datos dentro del rango µ ± σ
Regla 8: Máximo hay dos datos fuera del rango µ ± σ
No hay así evidencia estadística de ningún cambio en la distribución de

disponibilidad. Parece, que hubo una tendencia hacia la mejora de la
disponibilidad (regla 2) entre el mes 5 y el mes 12, pero esta tendencia ha sido
revertida subsecuentemente.
El diagrama de control se usa para:
• Determinar si un proceso esta ejecutándose dentro de limites

predeterminados.
• Determinar si tienen lugar mejoras o deterioros.
127
Aplicaciones prácticas incluyen datos de disponibilidad, utilización y tasa de

producción así como costos y otras cantidades simples que tienen que ser
monitoreadas y controladas en el tiempo.
5. CURVA SUAVIZADA
Cuando se plotea datos de medición originales, podemos frecuentemente no

descubrir ninguna tendencia. La razón de esto recae en el elevado nivel de
fluctuación en los datos. Una manera de tratar con esta situación es suavizando
los datos originales tal que la tendencia llegue a ser aparente. Esto se hace
utilizando una técnica de suavizado donde la cantidad a suavizar se controla a
través de la elección del valor de un parámetro de suavizado. Mientras un
grafico con datos no suavizados tiene un elevado nivel de fluctuación, demasiada
suavización puede conducir a un gráfico desprovisto de algún significado. Hay
dos técnicas de suavizado simples que pueden aplicarse a la mayoría de datos de
mantenimiento sin excesiva dificultad en el cálculo. Estos son la técnica de la
media móvil y la técnica exponencial suavizada.
5.1. MEDIA MÓVIL
Si los valores de los datos sucesivos están etiquetados como xi ( con i

denotando el i-esimo valor del dato), entonces la media móvil en el
periodo “n” se calcula para cada dato como:
ai = (Σxi)/n
El efecto suavizado puede controlarse variando la longitud del período de

suavización. Un periodo largo de suavizado resultará en un grafico muy
suavizado mientras que un periodo corto de suavizado resultará en un
suavizado muy pequeño.
5.2. SUAVIZADO EXPONENCIAL
Un segundo método de suavizado relativamente no muy complicado es la

técnica de suavizado exponencial. En esta técnica cada nuevo dato
suavizado se calcula desde el dato suavizado anterior y el dato actual no
suavizado. Esto se hace introduciendo una constante de suavizado, la
cual es una cifra entre 0 y 1. El nuevo valor suavizado se calcula por:
si = α.x + (1 - α) si-1
si = i – ésimo valor suavizado
128
α = constante de suavizado
Los beneficios de la técnica del suavizado exponencial sobre la de la

media móvil son:
• Cálculos menos engorrosos. Si la media móvil de 6 periodos tiene que

calcularse, se debe obtener 6 valores de la media en cada momento.
Para un calculo equivalente con la exponencial suavizada α veces el
valor del dato mas nuevo se agrega a (1-α) veces el valor suavizado
previo.
• Se necesitan mantener menos datos históricos. Para la media móvil de
6 periodos, los últimos 6 datos deben también estar disponibles. En
contraste a esto, para el cálculo de la exponencial suavizada debe
estar disponible solo el valor del dato mas reciente y el valor suavizado
anterior.
• En la exponencial suavizada el valor de α determina cuanto peso se
esta agregando al nuevo dato, comparado con cifras históricas. Los
valores de α (menores a 0.5) resultan con mayor énfasis en los
resultados históricos mientras que elevados valores de α favorecen al
dato nuevo. Menores valores de α resultarán en una mayor
suavización que los valores mas elevados.
Los valores de α que simularán una media móvil en el periodo “n” pueden
calcularse desde:
α = 2/(n+1)
Por último, se debe mencionar que estas técnicas de suavizado pueden

combinarse con el concepto de límites de control para un mejor efecto.
Ejemplo 4
Usando los datos de disponibilidad de ejemplo 3, podemos ahora producir

gráficos suavizados con la intención de detectar una tendencia.
Computaremos una media móvil de 5 meses para los datos de
disponibilidad y compararlos usando la exponencial suavizada con α =
0.4. Este resultado se muestra en forma tabular en la tabla 3 y
gráficamente en la figura 6.6. Ambas líneas suavizadas confirman el
veredicto que hubo una tendencia positiva en las disponibilidades hasta el
mes 12, pero que fue seguido por una tendencia negativa durante los
últimos 3 meses.
129
Tabla 3: Datos de Disponibilidad suavizados – Ejemplo 4
Media
móvil
Mes 5 Exponencial
Disponibilidad meses Suavizada
% (%) (%)
α=0.4
1 84 84.0
2 83 83.6
3 86 84.6
4 81 83.1
5 85 83.8 83.9
6 86 84.2 84.7
7 85 84.6 84.8
8 86 84.6 85.3
9 89 86.2 86.8
10 87 86.6 86.9
11 85 86.4 86.1
12 88 87.0 86.9
13 84 86.6 85.7
14 87 86.2 86.2
15 82 85.2 84.5
DISPONIBILIDAD
92
90
88
86
84
82
80
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Meses
Figura 6.4 Datos de Disponibilidad suavizados – Ejemplo 4.
130
6. DIAGRAMAS CUSUM
Otro método de determinar si los datos tienen una tendencia es usando los
diagramas Cusum. Esta es una técnica muy útil debido a la amplificación de la
tendencia (si hay tal en los datos).
El método Cusum mostrará claramente la tendencia en tal situación donde una

curva suavizada dejará al usuario preguntándose si la hay. El diagrama de la
suma acumulativa (Cusum) es simplemente un gráfico de la acumulación total de
una serie de datos, o un gráfico de la diferencia acumulada entre cada uno de los
datos individuales y un valor constante (designado). Por otro lado, el diagrama
Cusum tiene mas limitaciones que las técnicas de curvas suavizadas. Este solo
puede mostrar tendencia efectiva sobre un periodo de tiempo relativamente
corto.
El primer método Cusum (la acumulación total de una serie de datos respecto al
tiempo) indicará una tasa de aumento si la curva disminuye en el tiempo. No se
mostrará tendencia por una inclinación ascendente constante del Cusum. El
segundo método Cusum (diferencia acumulada entre los datos y un valor
constante) mostrará una tendencia creciente (curva hacia arriba) si la media de
los datos es mayor que el valor de referencia. Por otro lado, la curva se
arqueará hacia abajo si la media de los datos es menor que el valor de
referencia.
Ejemplo 5
Usaremos ahora la técnica Cusum para ayudarnos a determinar si tenemos una

tendencia positiva en los datos de disponibilidad de los ejemplos 3 y 4.
Primeramente usaremos la acumulación total para examinar la tendencia de los
datos.
Los resultados en la tabla 4 son graficados en la figura 6.6 Claramente la técnica

acumulativa Cusum muestra una tendencia no positiva o negativa (el grafico no
es cóncava hacia arriba o hacia abajo). La segunda técnica Cusum (la diferencia
acumulativa) da los resultados mostrados en la tabla 5 cuando se compara la
media de 84% de la data histórica.
131
Tabla4: Acumulación Total de los datos de Disponibilidad – Ejemplo 5
Mes Disponibilidad Acumulación

% Total
1 84 84
2 83 167
3 86 253
4 81 334
5 85 419
6 86 505
7 85 590
8 86 676
9 89 765
10 87 852
11 85 937
12 88 1025
13 84 1109
14 87 1196
15 82 1278
Cusum Acumulativa
1400
1200
1000
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Meses
Figura 6.6 Diagrama Cusum Acumulativo - Ejemplo 5.
Estos resultados son mostrados gráficamente en la figura 6.7. Esta técnica, la

cual amplifica cualquier tendencia significativa, muestra que, comparando la
media histórica de 84% hay un tendencia creciente significativa. La pregunta es
132
ahora: ¿Porqué el diagrama acumulativo Cusum no mostró esa tendencia?. La

única explicación para esta diferencia es que los datos actuales están sin una
tendencia inherente, pero que la distribución de los datos actuales (media y
desviación estándar) difieren significativamente de los datos históricos.
Cambiamos ahora el estándar (originalmente 84%) contra el cual se calcula la
diferencia acumulada Cusum hasta que pueda verificarse un diagrama mostrando
que no hay tendencia. Usando 85.2% como el estándar de comparación, resulta
un diagrama diferencia Cusum mostrado en la figura 6.8. Este diagrama muestra
que no hay tendencia resultante, la cual esta de acuerdo con nuestro
descubrimiento previo. Calculando la media y la desviación estándar para los
datos actuales de 15 meses encontramos que µ = 85.2% y σ = 2.178%. Esto
confirma nuestra suposición que hubo una mejora significativa en la
disponibilidad como se comparó para los datos históricos, pero que no hubo
tendencia en los datos actuales que indiquen mejora adicional.
Tabla 5: Diferencia Acumulativa – Ejemplo 5
Diferencia
Mes Disponibilidad Media Diferencia Acumulada
% % % %
1 84 84 0 0
2 83 84 -1 -1
3 86 84 2 1
4 81 84 -3 -2
5 85 84 1 -1
6 86 84 2 1
7 85 84 1 2
8 86 84 2 4
9 89 84 5 9
10 87 84 3 12
11 85 84 1 13
12 88 84 4 17
13 84 84 0 17
14 87 84 3 20
15 82 84 -2 18
133
Cusum Diferencia Acum ulada
25
20
15
10
-5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Meses
Figura 6.7 Diagrama Diferencia Cusum - Ejemplo 5.
Cusum Diferencia Acumulada
-2
-4
-6
-8
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Meses
Figura 6.8: Diagrama Diferencia Cusum Alternativo- Ejemplo 5.
134
7. PRONÓSTICO
El pronostico es una técnica donde el pasado se usa para predecir el futuro.

Debería tenerse un método que use la media móvil del último periodo “n” (o el
valor de la exponencial suavizada) como un estimador del valor esperado en un
periodo en el futuro. La mejor manera es ajustar un curva matemática
apropiada a través de los datos históricos (los cuales podrían ser datos reales o
suavizados) y luego usar esta curva para predecir el futuro. Puede ajustarse
cualquier curva conocida a los datos, pero la siguiente serie de curvas deberían
normalmente ser suficientes:
• Curva lineal: y = ax + b
• Curva Cuadrática: y = ax2 + bx + c
• Curva Hiperbólica: y = a/x + b
• Curva Exponencial: y = abx
• Curva Geométrica: y = axb
Procedimientos de Ajuste
7.1. CURVA LINEAL
La forma de la ecuación para un a curva lineal es:
y = ax + b
Los coeficientes son calculados desde:
a=
b = y – a.x
x= Media de x valores en los datos
y= Media de y valores en los datos
xi a xn = Valores individuales de x en los datos
yi a yn = Valores individuales de y en los datos
7.2. CURVA CUADRÁTICA
Para determinar que una curva cuadrática encajará en los datos, es

aconsejable comenzar ploteadno los puntos (xi, yi+1 – yi). Si estos puntos
están alineados puede asumirse una relación cuadrática. La ecuación es
de la forma:
y = ax2 + bx + c
135
Los coeficientes pueden calcularse por una solución simultánea de las

siguientes tres ecuaciones:
Reemplazando las xi y yi con los diferentes datos, resultan tres ecuaciones

en a, b y c, las cuales pueden resolverse fácilmente.
7.3. CURVA HIPERBÓLICA
Si los puntos (1/xi, yi) forman una línea recta cuando se plotean, se podrá
encajar una curva Hiperbólica a los datos. La ecuación para una curva
Hiperbólica es:
y = a/x + b
Los coeficientes se calculan desde:
Sustituyendo los valores de xi y yi desde los datos en las ecuaciones

anteriores, resultarán dos ecuaciones simples con “a” y “b” como
variables. Esto puede resolverse fácilmente.
7.4. CURVA EXPONENCIAL
Para encajar una curva exponencial a una base de datos específica los
puntos (xi, log yi) deben caer en una línea recta cuando sean ploteados.
La ecuación de la curva exponencial es:
y = abx
Los coeficientes pueden calcularse de la manera usual desde una solución

simultánea de las ecuaciones:
7.5. CURVA GEOMÉTRICA
Para encajar una curva geométrica a una base de datos específica, los
puntos (log xi, log yi) deben tener un coeficiente de correlación que están
dentro de límites aceptables (ver el siguiente párrafo la discusión del
coeficiente de correlación). La ecuación geométrica es de la forma:
y = axb
Y sus coeficientes pueden calcularse de la solución simultanea de:
136
8. COEFICIENTE DE CORRELACIÓN
Para establecer si una línea recta encaja bien o mal, se puede calcular el
siguiente coeficiente:
r= Coeficiente de correlación
x= Media de x valores en los datos
y= Media de y valores en los datos
xi a xn = Valores individuales de x en los datos
yi a yn = Valores individuales de y en los datos
La prueba anterior es valida para determinar si una línea recta encaja bien para
una base de datos específica. Puede usarse en las 5 curvas descritas
anteriormente linealizando primero los datos. Esto se resume en la tabla 14.6.
Tabla 6 Valores usados la prueba “r”
Valores usados en la prueba “r”

Curva xi yi
Línea recta xi yi
Cuadrática xi yi+1 - yi
Hiperbólica 1/xi yi
Exponencial xi log yi
Geométrica log xi log yi
Los límites dentro de los cuales los valores de “r” deben caer para presentar un
buen encaje son los siguientes:
Tabla 7 Valores aceptables del coeficiente de Correlación
Numero de Límites aceptables

Pares de datos Para el valor de r
(xi, yi)
5 0.88< r < 1.0
10 0.63< r < 1.0
25 0.40< r < 1.0
50 0.28< r < 1.0
100 0.20< r < 1.0
137
La mejor manera de establecer un buen encaje es calculando los valores r para

todos los 5 tipos y luego usando el que tiene el mayor valor de r.
Pronósticos
Después de encajar un gráfico conocido a los datos, es realmente simple calcular

los siguientes puntos en el gráfico. El siguiente valor “x” es sustituido en la
ecuación para la curva y se calcula el valor “y”.
Es importante notar que el valor pronosticado esta basado en la premisa que la

tendencia evidente en los datos continuará así en el futuro. Esto debería ser una
asunción aceptable si el numero de periodos en adelanto para lo cual se esta
haciendo el pronóstico es pequeño comparado al numero de datos en la base de
datos.
Aunque los valores “y” calculados como se describió anteriormente dan los
valores correctos si la tendencia continua exactamente como se encontró desde
los datos originales, hay siempre una cierta cantidad de incertidumbre
involucrada. La mejor manera de pronosticar debería ser calcular el rango de
valores dentro del cual los valores específicos de “y” podrían caer. Esto se hace
primero calculando un intervalo del tamaño:
Donde:
x0 = Valores de x para lo cual se debe hacer el pronostico

n = Numero de datos en la base de datos
x = Media de los valores x en los datos
xi , yn = Valores originales de los datos
tα/2 pueden leerse desde las siguiente tabla donde (el numero de grados libertad)
puede calcularse desde: v = n – 2
Tabla 8: Valores para la prueba r con un intervalo de confianza del 95%
Tabla con valores de tα/2 para = 0,05

v tα/2 v tα/2 v tα/2
1 12.706 11 2.201 21 2.080
2 4.303 12 2.179 22 2.074
3 3.182 13 2.160 23 2.069
4 2.776 14 2.145 24 2.064
5 2.571 15 2.131 25 2.060
138
6 2.447 16 2.120 26 2.056

7 2.365 17 2.110 27 2.052
8 2.306 18 2.101 28 2.048
9 2.262 19 2.093 29 2.045
10 2.228 20 2.086 30 1.960
Después de calcular el tamaño del intervalo ∆y, se puede agregar al valor y,

calculado por sustitución en la ecuación de la curva. Esto resulta en un intervalo
de confianza del 95%. Se puede así esperar con un 95% de confianza que el
siguiente punto tendrá un valor dentro de:
y0 - ∆y < y < y0 + ∆y
Ejemplo 6
Usando los datos de disponibilidad de los ejemplos 3 al 5, podemos ilustrar la

técnica de pronóstico. Los coeficientes para una recta son:
Ajuste Lineal
90
88
86
84
82
80
78
76
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Meses
Figura 6.9 Ajuste lineal. Ejemplo 6.
La gráfica resultante se muestra en la figura 6.9. Usando las fórmulas aplicadas

anteriormente se ajustaron los datos a una curva cuadrática, hiperbólica,
exponencial y geométrica. Las curvas resultantes se muestran en la figura 6.10.
Los coeficientes de correlación para los diferentes ajustes se muestran en la tabla
9.
139
90
88
86
84
82
80
78
76
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Linear Data Quadratic

Hyperbolic Exponential Geometric
Figura 6.10 Varias curvas de regresión – Ejemplo 6.
Tabla 9: Coeficientes de correlación – Ejemplo 6
Curva r
Lineal 0.249
Cuadrática -0.056
Hiperbólica -0.304
Exponencial 0.247
Geométrica 0.927
El mejor ajuste esta dado por la curva geométrica con un valor de “r” de 0.93.
La curva lineal y exponencial con r = 0.25 cayeron en la misma línea y presentan
el segundo mejor ajuste (aunque el valor de “r” esta fuera de los límites
establecidos en la tabla 7). La curva geométrica tiene una curvatura hacia abajo,
por lo que sugiere que la disponibilidad esta decreciendo fuertemente. La
función de esta curva geométrica es:
y = 85,5.x-0,0024
Sustituyendo los siguientes meses en esta función como valores de “x”, se

pueden calcular los correspondientes pronósticos de las disponibilidades (valores
“y”). Al mismo tiempo se puede calcular un intervalo de confianza del 95% para
cada unos de estos valores. Estos resultados para este ejemplo se muestran en
la tabla 10 y son graficados en la figura 6.11 el cual muestra un amplio cono
progresivo de los posibles valores para el pronostico que se puede hacer mas
adelante en el futuro.
140
Tabla 10: Resultados del pronóstico
Límite Límite
Disponibilidad
Superior Inferior
Mes pronosticada ∆y
(y + (y -
%
∆y) ∆y)
16 84.93 5.30 90.23 79.63
17 84.92 5.48 90.40 79.44
18 84.91 5.66 90.57 79.25
19 84.90 5.84 90.74 79.06
20 84.89 6.02 90.91 78.87
DISPONIBILIDAD PRONOSTICADA
92
90
88
86
84
82
80
78
76
74
72
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Mes
Disponibilidad Límite superior Límite Inferior
Figura 6.11 Pronostico de Disponibilidad – Ejemplo 6.
Usos de la técnica de Pronóstico
Como se estableció en la introducción de esta sección, el pronostico es usado

extensivamente en el proceso de presupuesto del mantenimiento. Esto no es
donde acaba su utilidad. Los siguientes ejemplo son situaciones donde la técnica
de pronóstico podría usarse con algunas ventajas (algunas de las cuales son de
naturaleza presupuestaria):
141
• Pronostico de uso de repuestos.

• Pronostico de requerimiento de la mano de obra.
• Pronostico de numero de averías.
• Pronostico de los costos de mantenimiento.
• Pronostico de disponibilidad.
• Pronostico de MTBF.
• Pronostico de vida de componentes.
142

6

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

6

Încărcat de

Drepturi de autor:

Formate disponibile

TECSUP – PFR Gestión del Mantenimiento II

ANÁLISIS DE LOS RESULTADOS DEL

1. ANÁLISIS DE LOS RESULTADOS DEL MANTENIMIENTO

Para ser capaz de manejar bien la función de mantenimiento, el gerente de

• Técnicas de selección de datos. Se acostumbra seleccionar ciertas ocurrencias

El diagrama de Pareto se basa en un fenómeno conocido como el Principio de

Un diagrama de Pareto se construye en 4 pasos:

1. Determinar cuales son los contribuyentes al problema investigado.

Una cierta organización contratista de ingeniería civil ha identificado un modelo

Tabla 1: Costos de materiales de Mantenimiento – Ejemplo 1

Contribuyentes a los costos

Figura 6.1 Diagrama de Pareto – Ejemplo 1.

3. DIAGRAMAS CAUSA Y EFECTO

No hay una manera de construir el diagrama Causa y Efecto. Describiremos un

Los pasos para construir un diagrama Causa y Efecto son:

1. Definir el problema. Usar un declaración para definir claramente el

Medición Materiales Personas

Profundidad del Corte Servicio

Ambiente Métodos Maquinas

Figura 6.2 Diagrama Causa y Efecto – Ejemplo 2

Desde este podemos ahora seleccionar la causa mas probable (o combinación de

Los diagramas de control ayudan a determinar si un proceso que estamos

La media µ y la desviación estándar σ de una muestra de datos esta dada por:

Figura 6.3 La distribución Normal.

Un diagrama de control es construido dibujando unas líneas horizontales en tres

• Un dato nuevo esta fuera de los límites µ ± 3σ

Los datos de disponibilidad históricos para una maquina industrial grande y

Tabla 2: Datos de Disponibilidad – Ejemplo 3

Hay un sentimiento general en los gerentes de la empresa que la disponibilidad

Figura 6.4: Grafico de Control. Ejemplo 3

Podemos aplicar ahora la regla 8 sobre determinar si la empresa tiene un cambio

Regla 1: No hay datos fuera del rango µ ± 3σ

No hay así evidencia estadística de ningún cambio en la distribución de

El diagrama de control se usa para:

• Determinar si un proceso esta ejecutándose dentro de limites

Aplicaciones prácticas incluyen datos de disponibilidad, utilización y tasa de

Cuando se plotea datos de medición originales, podemos frecuentemente no

5.1. MEDIA MÓVIL

Si los valores de los datos sucesivos están etiquetados como xi ( con i

El efecto suavizado puede controlarse variando la longitud del período de

5.2. SUAVIZADO EXPONENCIAL

Un segundo método de suavizado relativamente no muy complicado es la

si = i – ésimo valor suavizado

Los beneficios de la técnica del suavizado exponencial sobre la de la

• Cálculos menos engorrosos. Si la media móvil de 6 periodos tiene que

Por último, se debe mencionar que estas técnicas de suavizado pueden

Usando los datos de disponibilidad de ejemplo 3, podemos ahora producir

Tabla 3: Datos de Disponibilidad suavizados – Ejemplo 4

Figura 6.4 Datos de Disponibilidad suavizados – Ejemplo 4.

El método Cusum mostrará claramente la tendencia en tal situación donde una

Usaremos ahora la técnica Cusum para ayudarnos a determinar si tenemos una

Los resultados en la tabla 4 son graficados en la figura 6.6 Claramente la técnica

Tabla4: Acumulación Total de los datos de Disponibilidad – Ejemplo 5

Mes Disponibilidad Acumulación

Figura 6.6 Diagrama Cusum Acumulativo - Ejemplo 5.

Estos resultados son mostrados gráficamente en la figura 6.7. Esta técnica, la

ahora: ¿Porqué el diagrama acumulativo Cusum no mostró esa tendencia?. La

Tabla 5: Diferencia Acumulativa – Ejemplo 5

Cusum Diferencia Acum ulada

Figura 6.7 Diagrama Diferencia Cusum - Ejemplo 5.

Cusum Diferencia Acumulada

Figura 6.8: Diagrama Diferencia Cusum Alternativo- Ejemplo 5.

El pronostico es una técnica donde el pasado se usa para predecir el futuro.

7.1. CURVA LINEAL