1

Revista de la Ingeniera Industrial, Vol. 6, No. 1, 2012, 1-13

ISSN 1940-2163
AcademiaJournals.com

APLICACIN DE UN MODELO PARA OBTENER LA

CONFIABILIDAD DE DESEMPEO DE UN PRODUCTO DEL
RAMO AUTOMOTRIZ
Dr. Federico Zertuche Luis1, M.I. Ruth Berenice del Carmen Rodrguez Rubio2, Dr. Eduardo Marroqun Prado3
M.I. Adriana del Roco Valencia Mreles4, Ing. Sergio Snchez Guardiola5

Resumen: En el sector industrial la perspectiva hacia la calidad, se manifiesta en un cambio de enfoque hacia
mejorar la confiabilidad para obtener resultados ptimos, para lograrlos es primordial el dominio de
enfoques estadsticos paramtricos y no paramtricos; la eficiencia del anlisis e interpretacin de datos se
realiza para apoyar la toma de decisiones correctamente en cualquier momento de la vida del producto bajo
estudio, de lo contrario se utilizan mtodos estadsticos inadecuados. Posteriormente se dan a conocer los
resultados logrados al aplicar tcnicas y estrategias estadsticas no paramtricas producidas en la solucin de
una problemtica real referente al anlisis de la confiabilidad de vida de un producto de la industria
automotriz, estimando de esta forma los intervalos de vida, utilizando el enfoque Kaplan-Meier, para
finalmente aplicar un modelo de confiabilidad por medio de un programa computacional que muestre los
intervalos de vida del producto analizado.

Palabras clave Confiabilidad, Weibull, Kaplan-Meier, Intervalos de Supervivencia.

1. Introduccin

La perspectiva hacia la calidad en los ltimos aos, se manifiesta en un cambio de enfoque hacia el incremento
del desempeo de un producto, enfatizando que la calidad es necesaria pero no suficiente para garantizar una buena
confiabilidad, buscando de esta forma aplicar conceptos y metodologas que garanticen la calidad a travs del
tiempo. Los administradores, ingenieros y los mismos consumidores se han convencido que la robustez de un
producto es una caracterstica indispensable para tener la oportunidad de competir en los mercados globalizados,
complejos y sofisticados de hoy en da (Escobar et al, 2003). La bsqueda de nuevos mtodos estadsticos en la
confiabilidad de vida de uso de un producto es conducida por la necesidad de apoyar la toma de decisiones en
cualquier momento del sistema bajo estudio, por lo cual, la tecnologa ha jugado un papel muy importante en el
mejoramiento de los procesos de aplicacin de mejora, haciendo que cada vez exista una mayor demanda para
cubrirlas necesidades del mundo actual, y con esto tambin el incremento de la vida til del producto a un menor
costo (Barringer ,2000). Como consecuencia, esto ha dado paso al procesamiento de aplicaciones estadsticas
avanzadas de tipo ingenieril, mismas que han reemplazando a los mtodos de anlisis de decisin tradicionales, que
se basan en funciones objetivas que no eran bien definidas y se perciban como estticas; lo anterior era una forma de
trabajo que ocasionaba que los proyectos con frecuencia no tuvieran xito, al no cumplir con las expectativas
requeridas (Lewis, 1994). La confiabilidad es un importante aspecto a considerar, no slo por la obtencin de un
mejor producto, sino por los rditos econmicos a que esto conlleva, al enfocarse a minimizar costos, mejorar la
marca del producto, reducir el riesgo y optimizar la estrategia de mantenimiento, segn el diccionario del Instituto de

1
fzertuche@prodigy.net.mx (autor corresponsal), Instituto Tecnolgico de Saltillo, Blvd. Venustiano Carranza 2400, Apdo.
Postal 600 C.P. 25280, Departamento de Posgrado de Ingeniera Industrial, Saltillo, Coahuila, Mxico, http://www.its.mx
2
dem, rut_rdz@live.com
3
dem, emarro53@hotmail.com
4
dem, val_adriana@hotmail.com
5
dem, ssanchez@its.mx
 2

Ingenieros en Electricidad y Electrnica, Inc. (IEEE por sus siglas en ingles); pero su definicin formal se establece
como la probabilidad de que un producto deber ejecutar su funcin para la que fue diseado, sin falla, bajo
condiciones especificadas para un perodo definido (Escobar et al. 2003). Otro punto de vista, es la probabilidad en
que un producto realizar su funcin determinada sin incidentes por un perodo especificado y bajo un entorno
establecido, es importante que esta probabilidad sea evaluada bajo las condiciones ambientales de uso del producto,
para las cuales fue planteado. Por otro lado, se expresa que la confiabilidad se refiere al funcionamiento adecuado de
equipos y sistemas, lo cual incluye factores como software, hardware, factores humanos y ambientales (Acua,
2003). Tambin se afirma que un producto confiable es aquel que hace lo que el usuario desea que realice cuando
este requiere que lo haga. De acuerdo con esto, un producto robusto y de calidad debe permanecer dentro de sus
lmites de especificacin durante su vida tcnica (Olivera, 2008).
En la mayora de los estudios de la confiabilidad de vida se tienen respuestas que son intrnsecamente positivas:
tiempos de falla, niveles de degradacin, resistencia de materiales, plasticidad de un adhesivo, nmero de eventos en
cierto tiempo, etc.; por lo cual con frecuencia los datos son censurados o truncados debido a restricciones de tiempo
o de recursos, por lo que los anlisis grficos y paramtricos de los datos en la mayora de los casos son necesarios.
Lo anterior suele suceder por dos motivos principales: primeramente, debido a que los valores observados son
positivos, la modelacin usualmente supone una distribucin no-normal y es comn el uso de distribuciones
continuas como la Log-normal, Weibull, Gamma, entre otras; y luego, por la obtencin de parmetros
distribucionales (Barlow, 1998). Por otro lado, cuando la informacin obtenida no es ajustada por ninguna de las
distribuciones anteriormente mencionadas, se opta por efectuar un mtodo no paramtrico para el anlisis e
interpretacin de los datos, uno de los mtodos no paramtricos ms comnmente utilizados en los estudios de
confiabilidad es el Kaplan-Meier, por su habilidad de realizar anlisis de supervivencia. En sntesis, lo que se
pretende es utilizar datos histricos de fallas y utilizar la funcin apropiada que representa la situacin de los datos
para construir un modelo matemtico que represente el problema en estudio; con los datos histricos analizamos los
resultados grficos del modelo matemtico empleado y con ste anlisis tomamos las decisiones ptimas y oportunas
(Meeker, 2003). El objetivo es entender el problema, pronosticar fallas y analizar riesgos para tomar mejores
medidas de seguridad en el producto; estas decisiones en la problemtica real impactan en el momento final, al
rechazar algn producto, que en pruebas de desempeo final, se encuentre fuera de las especificaciones de uso del
cliente (Ellmann, 2003).

2. Modelo de Confiabilidad de Vida de Uso un Producto.

Para el objetivo de trabajo, en la tabla 1 se colectan los p tiempos con especificaciones de desempeo en newton-
metro, para cada producto, considerado en este caso como muestra poblacional. El sistema que se propone se
esquematiza en la figura 1, el cual realiza un anlisis para identificar el tipo de distribucin ms adecuada a la
informacin y definir qu mtodo utilizar para estimar el tiempo de uso de vida de un producto. Para expresar de
manera sencilla el modelo de confiabilidad de vida de un producto, se utiliz la tcnica de diagrama de flujo para
trazar un plan siguiendo ciertas instrucciones de la representacin grfica, la finalidad es facilitar la comunicacin
entre personas y eliminar as alguna confusin.

Figura 1. Esquema del modelo de confiabilidad propuesto.

 3

El sistema mostrado en la figura 1, es presentado como un procedimiento de pasos que se resumen a continuacin:
Paso 1. Anlisis e interpretacin de la informacin obtenida
La seleccin de la informacin en todo proceso, se refiere a obtener un conjunto de datos histricos del producto a
analizar. Habitualmente se enva a la empresa el rango de tolerancia de sus variables crticas, para obtener los datos
de cierto producto y generalmente, se presenta con un bloque de datos de proceso del producto recopilados durante
un perodo determinado de tiempo. Al obtener la muestra de datos, se contina con el paso 2.
Paso 2. Verificar si los datos son modelados por una Distribucin Weibull de dos parmetros
Al tener una muestra de los datos, posteriormente se analizan y se verifica si los datos son modelados por una
distribucin Weibull de dos parmetros. Si los datos pueden ser modelados por esta distribucin, se opta por aplicar
un modelo paramtrico y de esta forma aplicar el paso 3, de lo contrario, se opta por aplicar el modelo no
paramtrico y se procede con el paso 6, segn sea el resultado de la muestra obtenida (Gonzlez, 2009).
Paso 3. Aplicar un Modelo Paramtrico
En base a que los datos obtenidos son modelados por una distribucin Weibull de dos parmetros, se aplicar un
mtodo paramtrico para estimar la confiabilidad, siguiendo la metodologa en el paso 4.
Paso 4. Obtener parmetros alpha y beta de la distribucin Weibull
Con el procedimiento de mnimos cuadrados se obtienen los valores de los parmetros y de la distribucin
Weibull, finalizando esto, se procede al paso 5.
Paso 5. Estimar la probabilidad de confiabilidad del producto
Considerando los valores de los parmetros obtenidos en el paso 4, se obtienen los intervalos de probabilidad, y de
esta forma se estima la confiabilidad del producto analizado, finalizando de esta manera, el modelo paramtrico, por
lo tanto, se procede con el paso 9.
Paso 6. Aplicar un modelo No Paramtrico
Como se defini en el paso 2, donde, al concluirse que los datos no son modelados por una distribucin Weibull de
dos parmetros, se decide en este paso aplicar un modelo no paramtrico, enfocndonos en el mtodo del lmite del
producto y de esta forma aplicar el paso 7.
Paso 7. Aplicar el mtodo Kaplan-Meier
Para efectuar el mtodo Kaplan-Meier, se deber calcular un estimador que lleva su nombre, lo anterior para
obtener los intervalos relativos a la probabilidad de supervivencia, es decir, de la observacin del tiempo que
transcurre hasta la aparicin de un determinado suceso, la supervivencia se calcular mediante la siguiente frmula:
(1)
Realizando los clculos necesarios y siguiendo la sistemtica del modelo, se procede con el paso 8.
Paso 8. Obtener Probabilidad de supervivencia del producto
Considerando los intervalos de probabilidad obtenidos en el paso 7, se toma esta informacin, para construir una
grfica de supervivencia, visualizando de esta manera la probabilidad del tiempo de vida del producto analizado;
finalizando de esta manera el modelo no paramtrico, (Gonzlez, 1991), por lo tanto se contina con el paso 9.
Paso 9. Si los intervalos de confianza son adecuados a la prueba de desempeo (performance), se finaliza el
modelo, de otra forma se toman acciones correctivas
Cuando el producto cumple con las especificaciones de desempeo, las cuales en este caso son determinadas por la
empresa en base a su historial de informacin, el producto termina la prueba siendo aceptado, de otra forma, se dar
una seal de advertencia de que el producto no puede ser aceptado; de esta manera cuando se termina de analizar la
informacin obtenida, si cada producto, fue aceptado de manera correcta en su prueba final de desempeo, no habr
problemas al momento de interpretar sus intervalos de supervivencia, puesto que estarn dentro de los lmites
establecidos y el modelo de confiabilidad puede terminar y se finaliza el modelo en el paso 11; si no es as, se toman
acciones correctivas para establecer mejor los intervalos de confiabilidad, donde el producto muestre grficamente,
su mejor desempeo, para lo anterior se realiza el paso 10.
Paso 10. Tomar acciones correctivas
Si algn producto, en el resultado de su prueba final de desempeo, es clasificado como aceptado, aun estando un
poco fuera del valor lmite mximo, puede ocasionar que ese producto no brinde un desempeo confiable, por esta
razn, se identifican qu valores causan bajas probabilidades de desempeo, y posteriormente se deber ajustar el
proceso conforme a los intervalos de confiabilidad, que muestren donde el producto permanecer por un tiempo de
vida confiable, por obtener, un mejor resultado en las pruebas de desempeo final (Barker, 2009). Para decidir las
acciones correctivas que se aplicarn al producto, se toma como referencia las probabilidades de supervivencia, en
base al modelo aplicado, si es paramtrico se toman en base a la distribucin Weibull, de lo contrario se toman del
estimador Kaplan-Meier, para definir el coeficiente de eficiencia que representa el mximo desempeo del producto.
 4

Para verificar si las acciones correctivas son eficientes se vuelve al paso inicial, para realizar paso por paso la
metodologa presentada en este trabajo y si todo est en orden, finalizar el proceso del modelo en el paso 11.
Paso 11. Finalizar el Modelo
Si los intervalos de confiabilidad estn dentro de los lmites exigidos por el cliente, se finaliza el modelo de
confiabilidad, concluyendo de esta forma que el desempeo del producto analizado est determinado por un tiempo
de vida confiable.

3. Aplicacin del Modelo de Confiabilidad de Vida de Uso un Producto.

En esta seccin se presentan los resultados de la aplicacin del modelo descrito en la seccin anterior, la finalidad
de la aplicacin era obtener la confiabilidad del desempeo de un producto de la industria automotriz; el proceso est
diseado para fabricar convertidores de torque, un dispositivo que, en los vehculos de transmisin automtica,
transfiere la potencia que genera el motor a la caja de transmisin. En la figura 2, en la parte izquierda, se muestra el
convertidor de torque que se tom para la aplicacin y la parte derecha muestra una seccin tranversal del mismo.

Figura 2. Convertidor de torque y su seccion transversal.

Para inicializar el modelo, en la implementacin del sistema los ingenieros de planta en el rea de calibracin,
especifican que las caractersticas de calidad importantes del convertidor son: Velocidad de entrada (newton),
Velocidad de salida (newton), Torque Bomba, Torque Turbina, Flujo de aceite de entrada, Flujo de aceite de salida,
Temperatura de aceite de entrada, Temperatura de aceite de salida, Presin del aceite de entrada y Presin del aceite
de salida, Presin del aceite de freno, para obtener como resultado un valor "Tr" (este valor se obtiene de dividir el
torque de turbina entre el torque de bomba, con una especificacin de 1.50 1.70 y por ltimo el "Factor K" que es
el valor ms importante para realizar el anlisis de la informacin, por ser el coeficiente de eficiencia del convertidor
de torque y se calcula dividiendo la velocidad de bomba entre la raz cuadrada del torque de bomba; su margen de
error es de 93 100 Nm, tomando en cuenta que los mrgenes de error dependen finalmente de cada cliente de la
empresa y del modelo del convertidor). La informacin obtenida para el anlisis fue en base a la prueba de
desempeo final de un convertidor de torque de la industria automotriz.
Paso 1. Anlisis e interpretacin de la informacin obtenida: Siguiendo la metodologa del modelo de
confiabilidad descrito anteriormente, ahora se presentan los resultados de la prueba de desempeo del convertidor,
para la aplicacin se considero una muestra de las observaciones acerca del producto (Tabla 1). Contemplando como
la caracterstica ms importante del convertidor al factor k, esto al analizar e interpretar la informacin, obtenindose
en este caso 72 muestras, que se observan en la Tabla 1.

95.928 93.183 94.176 95.744 97.147 95.71 101.181 95.568 95.485

96.805 100.106 98.586 94.921 98.145 98.821 100.685 96 94.34
99.523 100.32 98.658 95.842 97.207 100.082 98.501 94.629 98.104
97.966 97.013 95.525 96.466 97.584 93.622 96.015 96.964 94.012
98.032 96.76 97.797 98.17 96.422 99.345 100.369 95.842 98.234
100.221 99.466 96.174 94.823 99.402 95.825 99.036 98.554 99.87
97.859 99.862 96.731 94.865 99.943 95.971 99.113 95.442 94.975
99.506 99.361 95.189 94.162 94.436 98.47 99.748 94.991 96.174
Tabla 1. Datos del Convertidor de Torque.
 5

Paso 2. Verificar si los datos son modelados por una Distribucin Weibull de dos parmetros:
En seguida se determin una distribucin de referencia de las 72 mediciones provenientes de la prueba final de
desempeo, para verificar si los datos son modelados por una distribucin Weibull. En base a la muestra y al aplicar
la prueba Anderson-Darling, se obtuvo un valor de p-value menor a 0.010, que se muestra en la Figura 3, por lo
que se establece que los datos no siguen una distribucin Weibull de dos parmetros. Con esto se da cumplimiento al
paso 2 y se contina con el paso 6.

Grfica de Probabilidad de la Distribucin Weibull de 2 Parmetros.

P rueba de bondad del ajuste
Weibull - Intervalo de Confianza de 95%
Weibull
99.9 A D = 1.164
V alor P < 0.010
95
80

50

20
Porce ntaje

0.1
85 90 95 100 105
Desempeo en Newton-Metro

Figura 3. Resultado de la Distribucin Weibull.

Paso 6. Aplicar un Modelo No Paramtrico:

Siguiendo la metodologa, en este paso se decide que se aplicar un modelo no paramtrico, por lo que se contina
con el paso 7.
Paso 7. Aplicar el Mtodo Kaplan-Meier:
Para efectuar un modelo no paramtrico se seleccion la tcnica del mtodo Kaplan-Meier, los resultados se
muestran en la figura 4, donde adems se observan los intervalos de probabilidad de supervivencia, todo lo anterior
representar la confiabilidad del desempeo que alcanzara la poblacin en uso real del producto, finalizando esto, se
continua con el paso 8.
Paso 8. Obtener probabilidad de supervivencia del producto:
Considerando los intervalos de probabilidades obtenidos en el paso 6, se toman los datos para visualizarlos por
medio de la grfica de supervivencia del producto analizado, la cual se muestra en la figura 5. Estas probabilidades
de supervivencia significan que por ejemplo si tomamos el desempeo de 97.013Nm, la conclusin es que en
promedio el 50% de la poblacin alcanzar el desempeo de 97.013%, teniendo a su vez un intervalo de
confiabilidad que oscila entre un 38% y 61%; pero, si tomamos el desempeo de 100.32 Nm, su probabilidad de
supervivencia significa que en promedio el 4% de la poblacin obtendr dicho desempeo, con un intervalo de
confiabilidad de cero al 8%.
 6

Figura 4: Mtodo Kaplan-Meier.

 7

Grfica de Supervivencia del Desempeo

Mtodo de Kaplan-Meier
Datos completos
100
Tabla de estadsticas
M edia 97.2459
M ediana 97.013
IQ R 3.468
80

60
Porcentaje

40

20

0
0 20 40 60 80 100
Desempeo en Newton-Metro

Figura 5. Grfica de Supervivencia

Lo anterior, dado de otra perspectiva, se obtiene al construir una grfica donde el producto deja de tener buen
desempeo (figura 6), donde se puede observar que despus del desempeo de 93Nm, se incrementa el bajo
desempeo del producto en la grfica de fallas.

Grfica de Fallas Acumuladas del Desempeo

Mtodo de Kaplan-Meier
Datos completos
100
Tabla de estadsticas
M edia 97.2459
M ediana 97.013
IQ R 3.468
80

60
Porcentaje

40

20

0
0 20 40 60 80 100
Desempeo en Newton-Metro

Figura 6. Grfica de Fallas.

Paso 9. Si los intervalos de confianza son adecuados a la prueba de desempeo, se contina para finalizar, de otra
forma se toman acciones correctivas:
En base a las probabilidades obtenidas en la figura 4, y observando que no se encuentran los lmites de confianza
correctamente, se procede a tomar las acciones correctivas adecuadas. Todo lo anterior indica que al aplicar el
modelo no paramtrico de confiabilidad se obtienen intervalos de supervivencia basados en la probabilidad de vida
de un producto en particular, en este caso analizando desempeos y permitiendo de esta forma a la empresa
 8

visualizar si han logrado las exigencias de uso del producto analizado, con esto se da cumplimiento al paso nueve y
se procede a tomar las respectivas acciones correctivas en el paso 10.
Paso 10. Tomar acciones correctivas:
Finalmente se llega a la deduccin, en base al monitoreo y anlisis realizado, que en promedio el 98% de la
poblacin tiene la confiabilidad de obtener un desempeo de 93Nm, con un intervalo de confiabilidad del 95% al
100%, concluyendo con ello que existe la probabilidad de que el 5% de la poblacin no alcanzar el mnimo
desempeo exigido por los estndares establecidos del cliente a la empresa; este resultado no es obtenido por la
empresa, ya que solo se realizan pruebas de desempeo a una muestra, finalizndose solo con el supuesto de que el
producto es aceptado o rechazado. Tambin podemos concluir que el desempeo donde se observa un valor crtico
decreciente, es a partir de 98.032Nm, con un intervalo de confiabilidad del 28 al 51%, despus de este resultado se
observa que el producto tendr menor confiabilidad de desempeo. En base a los coeficientes de eficiencia obtenidos
en el modelo y observando donde se muestra un mejor desempeo, el intervalo de confianza definido por la empresa
podra modificarse para obtener una mayor robustez y seguridad en el convertidor de torque, dando como resultado
un producto de alta confiabilidad.
Accin Correctiva tomada por la empresa: Para tomar acciones correctivas respecto al convertidor de torque (TC)
se analizaron los principios bsicos de funcionamiento. Cuando el TC se encuentra lleno de aceite, no existe vaco en
el interior, pero cuando gira la bomba, las fuerzas giratorias provocan que el aceite se mueva hacia afuera, y como el
TC se encuentra cerrado, el aceite solamente gira en el interior, provocando un aprovechamiento de las fuerzas. Por
otro lado, al girar la bomba, sta genera flujo de aceite hacia afuera; este flujo sale con un ngulo adecuado para
entrar en la turbina; los labes en la turbina tienen un doblez que ayuda a aprovechar mejor el flujo; saliendo el flujo
de la turbina entra al estator (que se encuentra fijo). ste desva el flujo para que entre una manera ms cmoda a la
bomba, aumentando de esta manera el torque. En base a lo anterior se localiz que algunos de los convertidores al
momento de realizar la prueba final no obtenan el mnimo valor de K requerido por el cliente. Una de las posibles
causas fue encontrada entre la punta del labe de la turbina y el dimetro exterior del estator. Un corte transversal
donde se observan los elementos que causaban esa transferencia, se observan en la figura 7.

Figura 7. Corte transversal del Convertidor de Torque.

Pero una de las causales que ms se adjudican con bajo factor K generado por el TC en el dinammetro, son las
pequeas marcas de la interferencia entre el dimetro exterior de la turbina y el dimetro interior de la bomba, como
se observa en el desensamble del convertidor de torque que se muestra en la figura 8, en la cual se puede distinguir
pequeas marcas de la interferencia entre el dimetro exterior de la turbina y el dimetro interior de la bomba. Las
dimensiones de las turbinas defectuosas mostraron un dimetro exterior mayor que el permitido de 304.56 mm.
 9

Figura8. Desensamble de Convertidor de Torque que muestra interferencia por el dimetro mayor de turbina.

Problema de Bajo Factor K: El factor K es una relacin del desempeo hidrodinmico del convertidor en la
transferencia de torque a una determinada velocidad de entrada y que vara segn se vayan modificando la velocidad
y el torque en el sistema. La tolerancia para los convertidores de torque es de 93100 RPM/Nm (Revoluciones por
minuto sobre Newton-metro). Cuando este factor K es bajo (menor a 93 RPM/Nm) como los encontrados a principios
del 2010 con 91.20 RPM/Nm en promedio el torque de salida ser bajo, por lo que provoca que la transmisin no
responda adecuadamente cuando se aplica el acelerador; (ya que el motor titubea o vacila). Si el Factor K es alto
(ms de 100 Nm): el RPM es tan alto que incrementa la razn de torque y cuando empieza a acelerar la transmisin
no responde con el torque al mismo tiempo (ya que tienen diferente relacin), el torque por ejemplo si se aplica a
1500RPM, quizs necesite 3000RPM para ejercer esa meta. El convertidor trabaja ms de lo necesario, un esfuerzo
mayor de lo requerido pudiendo daar la caja de cambio y el rendimiento del automvil. Por lo tanto con el
rozamiento entre componentes (turbina con estator debido al dimetro mayor de la turbina el resultado del factor K
fue bajo teniendo como resultado el efecto de que la transmisin no respondiera adecuadamente.

La estrategia de contencin fue:

1. Medir al 100% el dimetro exterior de la turbina en el estampado. En la instruccin de inspeccin se
especifica esta condicin (figura 9).

Figura 9. Inspeccin de dimetro de turbina en estampado.

2. Realizar un inventario final de partes buenas.

3. Certificar el producto con identificacin con etiqueta amarilla en el dimetro exterior del convertidor de
torque (figura 10); donde el inventario estar 100% certificado de esta condicin y se colocaron ayudas
visuales para evidenciar el problema.
Nota: Con el desarrollo de estas acciones fue posible determinar la magnitud del problema, garantizando al cliente
que los prximos embarques de convertidores de torque estaran de acuerdo a sus requerimientos y no tendran
material defectuoso, y de esta forma se vera reflejado en el comportamiento de la confiabilidad de vida del producto.
 10

Figura10. Convertidor de torque con etiqueta de certificacin.

Paso 11. Finalizar el Modelo: Para verificar que las acciones correctivas fueron efectivas para que el convertidor
en promedio pueda alcanzar el mnimo desempeo, se realizaron nuevamente los pasos del modelo de confiabilidad,
anteriormente presentado, con la base de datos que hemos incluido en la tabla 2.

97.0566 97.4623 98.4653 97.356 95.9318 96.5959 97.4252 100.836 100.095 98.647 96.1584 97.2511
96.5034 99.4459 97.3245 99.6191 99.5108 99.5295 96.369 97.813 96.7931 100.223 97.8088 97.9392
97.7598 96.478 97.1669 98.467 97.2258 99.2809 99.0033 102.043 96.941 96.7876 101.231 98.6773
100.029 101.367 99.074 99.6366 96.5776 97.0285 99.5293 101.46 96.4304 99.6946 97.0855 97.9394
100.322 97.0999 99.7491 96.4639 97.2322 99.4992 98.3416 95.969 96.5723 95.4726 96.5562 101.813
101.143 97.8803 98.9862 97.8808 100.747 98.263 98.5348 97.2411 99.9089 96.0829 100.178 97.5195
99.5916 98.5832 97.7528 97.9826 99.9222 102.032 98.2672 100.847 100.141 95.182 98.3641 97.5448
100.481 101.715 97.5633 97.2519 96.2116 99.0457 98.7532 96.9066 98.1801 97.1879 100.11 98.7505
95.9541 97.146 100.624 98.5166 100.561 94.7786 98.9318 96.11 96.432 95.7337 101.563 102.221
101.853 96.7098 104.541 100.029 98.9518 102.124 99.1336 98.0494 102.559 98.2272 102.034 98.5813
95.0837 95.3998 96.8696 100.269 98.0041 98.8679 102.473 99.5715 100.082 98.2088 98.1739 99.9394
102.435 100.317 98.4116 98.4985 102.087 99.6388 99.9764 99.6307 99.6306 98.8098 99.6663 99.7631
99.4269 96.202 98.4956 97.6691 97.2692 98.7509 102.098 101.171 100.707 99.5163 100.101 100.494
99.6152 96.5528 99.4516 97.8843 100.029 98.1388 98.772 96.6053 99.6127 99.4204 96.6219 96.3059
98.9296 102.373 99.1569 99.8817 99.1921 100.355 99.0226 100.418 97.328 98.1244 96.3816 97.3557
96.8598 98.0889 97.9442 99.169 100.153 98.5665 100.64 98.5914 96.5801 101.377 95.594 101.565
99.8106 99.8651 98.0323 96.2735 100.443 98.54 99.8022 97.702 96.5787 99.3306 96.2192 98.5319
99.3722 97.8419 102.115 99.9913 101.478 95.8873 99.2337 100.858 97.3067 98.3419 98.3996 95.3787
98.5136 99.1872 97.6849 99.384 102.272 101.733 102.063 97.0736 98.8918 96.4343 98.5661 99.552
101.285 103.405 95.7273 99.3279 97.234 96.9435 101.572 99.4534 101.049 96.9648 96.7711 95.7002
96.2741 103.837 99.0189 98.2428 96.3222 100.796 97.0343 102.743 97.4223 97.9159 100.97 96.7803
98.391 102.076 98.0921 94.9893 100.897 101.15 97.8944 100.852 99.4213 98.3936 96.8073 97.0834
99.7652 98.9425 96.5643 96.516 97.7484 99.4733 101.399 96.1762 94.8613 99.6835 101.752 99.342
96.6694 99.5483 95.6358 100.143 97.2855 100.971 100.676 98.8754 103.406 99.3211 99.5873 96.5351
96.7147 98.9422 96.6604 96.6663 99.5458 98.2538 95.2399 97.3239 97.3274 99.3799 101.5 99.791
Tabla 2. Nueva base de datos analizada del convertidor de torque.
 11

Considerando la nueva base de datos, despus de aplicar nuevamente la metodologa proporcionada del modelo en
el capitulo anterior, se visualizan las probabilidades obtenidas por medio de la grafica de supervivencia del producto
analizado, la cual se muestra en la figura 11.

Grfica de Supervivencia de Nuevos Desempeos

Mtodo de Kaplan-Meier
Datos completos
100
Tabla de estadsticas
M edia 98.7155
M ediana 98.5914
IQ R 2.7885
80

60
Porcentaje

40

20

0
0 20 40 60 80 100
Desempeo Newton-Metro.

Figura 11. Nueva Grfica de Supervivencia.

Las probabilidades de supervivencia obtenidas significan, que por ejemplo, si tomamos el desempeo de 93.00Nm
(tabla 3), una deduccin del modelo aplicado, es que en promedio el 99.6678% de la poblacin alcanzara el mnimo
desempeo, lo anterior al estar en uso el producto, teniendo a su vez un intervalo de confiabilidad que oscila entre un
99 y 100%. Lo anterior, visto desde otra perspectiva, se obtiene al construir la grafica de fallas (figura 12), donde se
visualiza que el producto deja de estar en buen desempeo despus de 101Nm, tiempo donde se incrementan los
bajos desempeos del producto analizado.

Nuevos Clculos de Kaplan Meier

Intervalo de
Numero Nmero Confianza normal de
en de Probabilidad de Error 95% .
Desempeo Riesgo Fallas Supervivencia Estndar Inferior Superior.
93 301 1 0.996678 0.0033167 0.990177 1
94.779 300 1 0.993355 0.0046827 0.984177 1
94.861 299 1 0.990033 0.0057256 0.978811 1
94.989 298 1 0.986711 0.0066002 0.973775 0.99965
95.084 297 1 0.983389 0.0073668 0.96895 0.99783
95.182 296 1 0.980066 0.0080563 0.964276 0.99586
95.24 295 1 0.976744 0.0086871 0.959718 0.99377
95.379 294 1 0.973422 0.0092711 0.955251 0.99159
95.4 293 1 0.9701 0.0098166 0.950859 0.98934
95.473 292 1 0.966777 0.0103299 0.946531 0.98702
95.594 291 1 0.963455 0.0108155 0.942257 0.98465

Tabla 3. Datos del Mtodo Kaplan-Meier con la nueva base de datos.

 12

Grfica de Fallas Acumuladas de los Nuevos Desempeos

Mtodo de Kaplan-Meier
Datos completos
100
Tabla de estadsticas
M edia 98.7155
M ediana 98.5914
IQ R 2.7885
80
Porcentaje

60

40

20

0
0 20 40 60 80 100
Desempeo Newton-Metro

Figura 12. Nueva Grfica de Fallas.

En base a lo anterior, los intervalos de confiabilidad estn dentro de los lmites exigidos por el cliente, logrando
finalizar el modelo, concluyendo de esta forma que el desempeo del producto en estudio, est determinado por un
tiempo de vida confiable y que el 100% de la poblacin alcanza su mnimo desempeo de uso real.

4. Conclusiones
La seleccin y el trabajo adecuado del tiempo de vida de uso de un producto, para obtener la confiabilidad de
desempeo y uso adecuado, pueden mejorar el nivel de seguridad, no solo del producto, sino tambin de la empresa,
al presentar nuevas metodologas estadsticas que permiten tomar decisiones oportunas y correctas dentro de la
confiabilidad del producto. El modelo propuesto y aplicado es capaz de indicar la probabilidad de supervivencia del
convertidor de torque, el impacto de esta aplicacin, radica dentro de la toma de decisin, respecto a las acciones
correctivas, puesto que actualmente la empresa no considera el porcentaje de confiabilidad de uso que tiene la
poblacin, y de acuerdo con la metodologa del modelo aplicado, se procede a establecer mejor los intervalos de
confianza dentro de la empresa, aspectos que tampoco se consideran por la misma, al realizar solamente pruebas de
aceptacin o rechazo, lo anterior, con el fin, de que en promedio el 100% de la poblacin pueda alcanzar el mnimo
desempeo y de esta forma dar cumplimiento con las exigencias de uso por el cliente.

5. Referencias
Acua Acua J., Ingeniera de Confiabilidad. Editorial. Tecnolgica de Costa Rica. 2003.

Barker C. The Mean, Median, and Confidence Intervals of the Kaplan-Meier Survival EstimateComputations and Applications. Statistical
Computing Software Reviews. 2009

Barringer, P. Why You Need Practical Reliability Data To Define Life Cycle Costs For Your Products and Competitors Products. Barringer &
Associates, Inc., Octubre 7, 2000.

Barlow Richard E. Engineering Reliability. Editorial Board (Asa-siam series on statistics and applied probability) , 1998.

Carreo Serra A. Anlisis de Supervivencia. Direccin de internet: http://www.catedras.fsoc.uba.ar/salvia/programa/Analisis%20%de%20super

vivencia_Carre%C3%B1o_Serra.pdf. 2006.

Escobar R. L, Villa D. E., Yez C. S. Confiabilidad: Historia, Estado del arte y Desafos futuros. Revista DYNA, ao 70, numero 140.
Noviembre 2003.
 13

Gmez Melis G. Tcnicas estadsticas en anlisis de supervivencia. ICB Digital. 2002.

Gonzlez Manteiga W, Cadarso Suarez C. Inferencia no paramtrica con datos censurados. Estadstica Espaola, Vol. 33, Nm. 127, 1991.

Jcome Pumar M. Estimacin Pre-suavizada de las Funciones de Densidad y Distribucin con Datos Censurados. Universidad Corua. 2005.

Jimnez Hernndez J. del C, Alamilla Lpez N. E, Lpez Cerino M. Pruebas de vida acelerada en confiabilidad. Temas de Ciencia y
Tecnologa, Vol. 13, No. 38, 2009.

Lewis E. E. Introduction to Reliability Engineering. Ed. John Wiley & Sons, Inc. Second Edition. JuIy, 1994.

Lindqvist Bo H., Doksum Kjell A. Mathematical and Statistical Methods in Reliability, Reliability and Engineering Statistics. Ed. World
Scientific 2003, Volumen 7.

Meeker W. Q, Escobar L. Reliability: The Other Dimension of Quality. Departament of Experimental Statistics, Julio 2003.

Olivera L. Fundamentos de confiabilidad. Curso Control de Calidad en la empresa. Mayo, 2008.

Paris A., Andreescu C. Comparison of reliability models. Colloq. of Mathematics in Engineering and Numerical Physics, Balkan Society of
Geometers, Geometry Balkan Press 2009. Junio, 2008.

Pita Fernndez, S. Anlisis de supervivencia. Unidad de Epidemiologa Clnica y Bioestadstica. Complexo Hospitalario-Universitario Juan
Canalejo. Corua, Espaa. 2001

Pyzdek T, Keller P. Quality Engineering Handbook. Segunda Edicin. 2002.

Ramos G.A., Torres A, Rognon J.P., Reliability and MTBF Overview. Reliability Engineering, 2001.

Rivera Meja J. Conceptos bsicos de confiabilidad. Instituto tecnolgico de chihuahua, Vol. 1, No. 1, 2007.

Rodrguez, G. Non-Parametric Estimation in Survival Models, Direccin de internet: http://www.data.princeton.edu/pop509a/NonParametricSu

rvival.pdf. 2005

Snchez Sellero, C., Gonzlez Manteiga, W. y Van Keilegom I. Uniform representation of product-limit integrals with applications.
Scandinavian Journal of Statistics. 2005,

Tineo Guevara F. Estimacin de Kaplan Meier Bootstrap de la curva de supervivencia. Universidad Nacional Mayor de San Marcos. 2005.

Datos Biogrficos de los Autores

El Dr. Federico Zertuche Luis realiz la licenciatura en Ingeniera Industrial en el Instituto Tecnolgico de Saltillo en 1992. El I.T.E.S.M
(Campus Monterrey) en 1994 le otorgo el grado de Maestro en Ciencias en Ingeniera Industrial. En el 2008 obtuvo el Doctorado en Ciencia y
Tecnologa con especialidad en Ingeniera Industrial y Manufactura, en el Programa Interinstitucional en Ciencia y Tecnologa (PNPC), impartido
en la Corporacin Mexicana en Investigacin de Materiales. Desde 1996 se desempea como profesor investigador en el Instituto Tecnolgico de
Saltillo, en el departamento de posgrado en Ingeniera Industrial. Desde el 2003 es miembro del sistema de investigacin del estado de Coahuila.
En el ao 2009 obtuvo el reconocimiento, por parte del Sistema Nacional de Investigadores (CONACYT), como Candidato a Investigador
Nacional. Dentro de sus actividades profesionales, el Dr. Federico Zertuche Luis ha participado en la implementacin de la metodologa Seis
Sigma en las plantas: Mabe (Saltillo) y Lear (Ramos Arizpe).

La M.I. Ruth Berenice Del Carmen Rodrguez Rubio realiz la licenciatura en Ingeniera en Sistemas Computacionales con especialidad en
software en el Instituto Tecnolgico de Saltillo en 2006 y en el 2011, en el mismo Instituto, obtuvo el grado de Maestra en Ingeniera Industrial,
con el mejor promedio de su generacin. Por otra parte, estudi la Maestra en Ciencias en Robtica y Manufactura Avanzada, programa
impartido en Cinvestav- Saltillo, y actualmente se desempea como investigadora en proyectos de confiabilidad de diversas reas de la ingeniera
industrial y de manufactura.

El Dr. Eduardo Marroqun Prado en 1975 se gradu en el Instituto Tecnolgico de Saltillo como Ingeniero Industrial. En 1981 obtuvo su
maestra en Ingeniera Industrial en Oregon State University y obtuvo su doctorado en 2008 en Ingeniera Industrial y de Manufactura en la
Corporacin Mexicana de Investigacin en Materiales (COMIMSA) en Saltillo, Coahuila. Mxico. Ha realizado proyectos en reas de la
ingeniera industrial en empresas manufactureras de la regin. Actualmente es profesor investigador en el Instituto Tecnolgico de Saltillo.

La M.I. Adriana del Roco Valencia Mreles estudi la licenciatura en Ingeniera Industrial en el Instituto Tecnolgico de Saltillo, obteniendo su
titulacin en el 2007 y estudio en la misma institucin la Maestra en Ingeniera Industrial, obteniendo su grado en el 2011. Ha laborado para la
industria de la fundicin automotriz en donde ha participado en el desarrollo de proyectos bajo la metodologa de Lean Seis Sigma.

El Ing. Sergio Snchez Guardiola realiz la licenciatura en Ingeniera Industrial con especialidad en manufactura en el Instituto Tecnolgico de
Saltillo en 1995, dentro de sus actividades ms relevantes durante su vida laboral y profesional, se encuentran: empleado en la empresa CINSA del
Grupo Industrial Saltillo de 1979 a 1980, empleado en planta de ensamble de General Motors planta Ramos Arizpe de 1981a 1982. Desde 1996 a
la fecha es catedrtico del departamento de Ingeniera Industrial del Instituto Tecnolgico de Saltillo.