Distribución de Weibull: cómo calcular la confiabilidad y el MTBF

En una línea

A partir de un puñado de tiempos reales entre fallas, la distribución de Weibull calcula dos parámetros — Beta (forma) y Eta (escala) — que dicen si un equipo falla al azar o está entrando en una fase de desgaste, y de ahí sale el MTBF (tiempo medio entre fallas).

Qué es

La distribución de Weibull describe la probabilidad de falla de un equipo en función del tiempo, con dos parámetros que se calculan a partir del historial real de fallas:

• Beta (β), parámetro de forma: define cómo cambia la tasa de falla con el tiempo.
• Eta (η), parámetro de escala (también llamado Alfa): es una vida característica del equipo, en las mismas unidades que los datos (horas, ciclos).

El valor de Beta es el dato que más importa para mantenimiento, porque clasifica en qué fase de la curva de la bañera (o curva de Davies) está el equipo: cuando Beta es menor a 1, la fase se llama mortalidad infantil (tasa de falla decreciente); cuando Beta toma valores cercanos a 1, es la fase de vida útil (tasa de falla constante y aleatoria); y cuando Beta es mayor a 1, es la fase de envejecimiento o desgaste (tasa de falla creciente).

Del ajuste de Weibull también sale el MTBF (tiempo medio entre fallas, por su sigla en inglés), que no es un promedio simple de los tiempos observados sino que se calcula con la función Gamma:

MTBF = η × Γ(1 + 1/β)

Cómo se calculan Beta y Eta a partir de datos reales

El método clásico (rango de medianas de Benard, con alineación por regresión lineal) no necesita software estadístico, solo una calculadora y estos pasos:

1. Ordenar los tiempos entre fallas de menor a mayor y numerarlos del 1 al n.
2. Calcular el rango de mediana de cada dato con la aproximación de Benard: RM = (i − 0,3) / (n + 0,4), donde i es la posición del dato en la lista ordenada.
3. Linealizar la curva calculando, para cada dato: Y = Ln(Ln(1 / (1 − RM))) y X = Ln(tiempo del dato).
4. Hacer una regresión lineal de Y contra X (mínimos cuadrados). La pendiente de esa recta es directamente Beta. El intercepto (a) se usa para obtener Eta: η = exp(−a / β).
5. Calcular el MTBF con la fórmula de arriba, usando la función Gamma evaluada en (1 + 1/β).

Ejemplo real

Mora documenta el caso de una máquina con 6 fallas registradas en poco más de un mes y medio, con estos tiempos de operación sin fallas (TBF): 110, 330, 120, 220, 220, 220 horas.

Ordenados de menor a mayor y con el rango de mediana de Benard calculado para cada uno:

| Dato ordenado (horas) | RM (Benard) | Y = Ln(Ln(1/(1−RM))) | X = Ln(horas) | |---|---|---|---| | 110 | 0,1094 | −2,1556 | 4,7005 | | 120 | 0,2656 | −1,1753 | 4,7875 | | 220 | 0,4219 | −0,6015 | 5,3936 | | 220 | 0,5781 | −0,1473 | 5,3936 | | 220 | 0,7344 | 0,2819 | 5,3936 | | 330 | 0,8906 | 0,7943 | 5,7991 |

La regresión lineal de esos 6 puntos da Beta = 2,3674, Eta = 234,18 horas y, con la fórmula de arriba, MTBF ≈ 207,5 horas. El ajuste de esa recta da un coeficiente de correlación r ≈ 0,94.

Pero el propio Mora señala un detalle que cambia el resultado: tres de las seis fallas repiten exactamente el mismo tiempo (220 horas). Cuando hay datos repetidos, el tratamiento correcto no es dejarlos como si fueran tres puntos distintos — hay que colapsarlos en uno solo (el de rango de mediana más representativo, en este caso 0,7344) y recalcular la regresión con los 4 puntos restantes en vez de 6. Con esa corrección, el resultado cambia a Beta = 2,498, Eta = 220,60 horas y MTBF ≈ 195,7 horas, con un ajuste de r ≈ 0,96.

La diferencia no es cosmética: el propio libro fija como aceptable un r² entre 0,9025 y 1, y como válido un r entre 0,95 y 1. El cálculo ingenuo con los 6 puntos (r ≈ 0,94) queda apenas por debajo de ese umbral; la corrección por datos repetidos (r ≈ 0,96) lo cumple. En ambos casos, Beta queda claramente por encima de 1: la máquina del ejemplo está en fase de desgaste, no fallando al azar.

Para qué sirve

Saber en qué fase de la curva de la bañera está un equipo cambia la estrategia de mantenimiento que le corresponde, en la misma lógica que plantea el RCM: con Beta menor a 1 conviene investigar causas de instalación o arranque (mortalidad infantil no se arregla con mantenimiento preventivo); con Beta cercano a 1 las fallas son aleatorias y el mantenimiento predictivo tiene poco que anticipar; con Beta mayor a 1, como en el ejemplo, hay una ventana de desgaste real donde intervenir antes del MTBF estimado evita la falla.

El MTBF calculado así también sirve para dimensionar repuestos críticos y para comparar objetivamente el desempeño de equipos similares, en vez de guiarse por percepción o por el último incidente.

Beneficios

• Convierte un historial de fallas en una clasificación concreta (mortalidad infantil, vida útil o desgaste) en vez de una sensación de "esta máquina falla mucho"
• El MTBF que entrega es estadísticamente más sólido que el promedio simple de los tiempos entre fallas, porque incorpora la forma real de la distribución
• Se puede calcular con una calculadora y una tabla, sin depender de software especializado

Limitaciones a tener en cuenta

• Con pocos datos el resultado es sensible a detalles como los valores repetidos del ejemplo — el mismo historial da Beta = 2,37 o Beta = 2,50 según cómo se traten esos empates, y la diferencia en MTBF ronda 12 horas sobre un total de 200
• El ajuste solo es confiable si los índices de bondad de ajuste (r y r²) superan los umbrales mínimos; un ajuste pobre significa que Weibull no es la distribución adecuada para esos datos, no que haya que forzarlo igual
• Asume que todas las fallas del historial comparten el mismo modo de falla; si se mezclan tiempos de fallas de causas distintas (por ejemplo, una falla eléctrica y una mecánica no relacionada) el ajuste no representa ningún fenómeno real

En resumen

Con tan solo los tiempos entre fallas de un equipo, el método de rango de mediana de Benard permite calcular a mano Beta, Eta y el MTBF. Beta es el dato clave: dice si el equipo falla al azar o está entrando en desgaste, y de ahí sale qué estrategia de mantenimiento tiene sentido aplicarle. El ejemplo de Mora muestra además que los datos repetidos no son un detalle menor — tratarlos bien o mal cambia si el ajuste es estadísticamente válido o no.