Los trabajos realizados hasta el momento en cuanto a la composición de servicios Web, se caracterizan en su mayoría por la utilización de modelos, donde las especificaciones de los servicios Web utilizadas para generar un plan de composición, están totalmente definidas. Es así como mecanismos orientados a la composición que busquen minimizar el riesgo de fallas además de tener la información funcional de cada servicio, tienen la información pertinente al factor de riesgo de que tales servicios fallen; esto, con el fin de guiar al mecanismo de composición para seleccionar la mejor solución entre todas las posibles composiciones que minimice las posibilidades de que estas fallen. Desafortunadamente la tarea de calificar el factor de riesgo requiere de expertos para su evaluación o en el peor de los casos esta información parte de los propietarios de los propios servicios con lo cual el factor de veracidad de dicha información no es la mejor. Es así como el problema principal en este proceso de composición, es obtener estas especificaciones asociadas al riesgo de falla. En consecuencia, este trabajo de tesis plantea una solución al manejo de riesgos de fallas durante la composición con servicios Web, donde a través del aprendizaje de máquinas, se adquiera de manera automática y bajo el factor de certeza propio del compositor cada uno de los criterios relacionados con el factor de riesgo, que permitan identificar, cuáles serán los mejores servicios que harán parte de este proceso de composición y mejorar de esta forma su tarea de composición de servicios. En esta tesis particularmente se trabajaron tres factores de riesgos de falla que no se trataron previamente en el estado del arte como lo son: la disponibilidad y reactividad de los servicios bajo periodos de tiempo discriminados en días y horas de la semana y el manejo de creencias./Abstract. The researches carried out up to now for the Web services composition, arecharacterized mostly by the use of models, where the specifications of the Web servicesused to generate a plan of composition, are completely defined. It is as well a mechanisms oriented to the composition that seek to minimize the risk of failures besides of having the functional information of each service, have the information concerning the factor of risk that such services fail; this, in order to guide to the mechanism of composition to select the best solution among all the possible compositions that minimize the possibilities that these fail. Unfortunately the task to qualify the factor of risk requires of experts for its evaluation, or if worse comes to worst, this information comes from the owners of the own services in which the factor of truth of this information is not the best. Therefore, the main problem in this composition process is to obtain these specifications related to the risk of failure. Consequently, this thesis work points out a solution to the management of failure risks during the composition with Web services, where through the machines learning, it is possible to acquire in an automatic way and under the factor of certainty of the composer, each criteria related to the factor of risk, that allow to identify, which will be the best services than will be part of this process of composition, and therefore, improving their services composition task. Particularly, three failure risks factors were worked in this thesis. These factors have not been treated previously in the state of the art. They are: the availability and reactivity of the services under periods of time discriminated in days and hours of the week and the management of beliefs.