Control Estadístico de Mantenimiento

Estadística en Gestión de Mantenimiento

1.1 Estadística en gestión de mantenimiento

H
ay tres tipos de mentiras: la mentira, la mentira desvergonzada y… ¡la estadística! –afirmó,
reflexiva e irónicamente Kapitsa, premio nobel de física. Sin embargo, DECISIÓN e
INCERTIDUMBRE son los términos separados en la estadística moderna. Esta rama de las
matemáticas se ocupa de todo lo relacionado con la recopilación de datos, el análisis y la toma de decisiones
en presencia de incertidumbre. Por definición se parece bastante a lo que necesitamos para trabajar en la
gestión del mantenimiento y en muchas otras esferas de la vida en general. Entonces, ¿Por qué algunos
todavía le discuten el mérito a la estadística?

De manera convencional la estadística se divide en descriptiva e inductiva. La primera desarrolla los

métodos para el tratamiento de datos numéricos que comprenden generalizaciones. Por su parte, cuando se
habla de predicciones, estimaciones o se toman decisiones considerando la incertidumbre, se hace referencia
a los métodos de la estadística inductiva.

Así es que, estas técnicas, se emplean sobradamente en las prácticas de mantenimiento cuyo
sentido es la evaluación y el análisis de los riesgos cuando hay que generalizar resultados o tomar decisiones
(pensemos, por ejemplo, en prácticas de Mantenimiento Predictivo, Centrado en la Confiabilidad, basado en
riesgo, en el Control Estadístico de Procesos…en fin, en cualquier tecnología que trabaje con medidas). El
célebre estudio realizado en la década de los 60 que reflejó que en la aviación los patrones de fallas se
ajustan, en su mayoría, a distribuciones teóricas que no son precisamente Weibull, es el resultado
coherente de la aplicación de métodos de la estadística inductiva. Para nada es asombroso el resultado. Lo
sorprendente es que la idea que existía ―relacionada con el ajuste de la distribución de fallas de todos los
componentes y sistemas a una distribución según la curva de bañera— perdurara durante décadas debido a

www.fyrma.com.mx

5
 Control Estadístico de Mantenimiento

una falsa premisa que demoró en superarse, hasta que la publicación del estudio evidenció que existían
varios patrones de fallas posibles y coexistiendo. A propósito, en varias ocasiones se escuchan a expositores,
consultores, gente de prestigio, que en el afán por dar a conocer, a diferentes auditorios latinoamericanos, la
existencia de lo anterior, han utilizado el artificio de generalizar los hallazgos del estudio realizado en la
industria aeronáutica, pretendiendo extrapolarlo al resto de las industrias. Dando a entender, entre otras
cosas, velada o afirmativamente, que la distribución de Weibull “se ha demostrado que no tiene incidencia
significativa” en la actualidad. Tales afirmaciones categóricas son incorrectas planteadas de ese modo y
generan incertidumbre y desconfianza, engañando a quienes creen y reciben el mensaje.

Un modo de pensar estadístico acepta que los datos presentan una distribución, están dispersos y
que todo proceso sufre variaciones. ¿En qué medida se podrá obtener información útil de la distribución y
dispersión de los datos? Ello dependerá de la aplicación práctica de los métodos estadísticos. Por ejemplo,
tomemos el indicador de confiabilidad Tiempo Promedio entre Fallas (TPEF). Que también ha sido muy
criticado en unos casos y sobrevalorado en otros. Resulta que estadísticamente, este indicador es un tipo de
promedio (una medida de tendencia central) y a través de su valor trata de describir a una muestra o a una
población de datos (tiempos y fallas). Generalmente, jamás se da la medida estadística en que ese valor es
representativo para nuestros fines.

Es decir, se omite la medida de variación que indique cuán dispersos están los datos alrededor del
valor promedio TPEF. Menos aún, se suministra el intervalo de confianza donde con determinado nivel de
certeza puede encontrarse efectivamente el valor del TPEF. Sin este tratamiento de los datos, ¿cómo creer y
hacer planes en torno al TPEF? En este caso, como en todos los comparables, lo más importante es
precisamente lo que no queda expresado. Mientras se despierta la conciencia de esta debilidad y se corrige,
habrá que continuar haciendo planes, estimaciones y hablando de confiabilidad con un número que puede
nos esté diciendo mucho, poco o ¡nada!

El problema que subyace es, una vez más, la formación que se necesita para asimilar un modo de
pensar estadístico sin que suponga un conflicto o un trauma para las personas que deben aplicarlo en su
gestión de trabajo. Los japoneses se propusieron, para su revolución de la calidad, que el pensamiento
estadístico fuera patrimonio de cada trabajador y no sólo de los especialistas. Se llevó la enseñanza de estas
técnicas al nivel de formidables herramientas para el trabajo cotidiano de mejora de los procesos y de todas
las actividades donde fueran aplicables. Desde el punto de vista técnico, un gran aporte de Japón, fue el
haber logrado el empleo extensivo y la popularización de la estadística como base del control y mejoramiento
de la calidad en general y de la confiabilidad en particular. ¿Será acaso una misión imposible intentar, cuatro
décadas después, algo parecido en Latinoamérica? El asunto es que sin piernas no es posible caminar y sin
alas resulta excepcional el vuelo.

Es difícil concebir hoy un sistema de gestión asistida por computadora (GAC) que no facilite el
procesamiento de datos y la presentación de resultados útiles para la toma de decisiones. Pero, en muchos
casos, no se obtienen los resultados esperados por exitoso que sea el software que se posea. Ello sucede
porque no se logran resolver los problemas de base y cultura (incultura) que hacen posible que el resultado
estadístico no diga nada ni sea confiable. No existe sistema GAC capaz de corregir esta flaqueza del hombre
y su filosofía de trabajo mientras no exista una acción consciente y eficaz para eliminarla.

Cuando se recogen sin rigor los datos, cuando los datos son falsos, cuando el análisis es incorrecto,
cuando se manipulan los resultados; entonces el resultado “estadístico” se transforma en mentira. Y puede

www.fyrma.com.mx

6
 Control Estadístico de Mantenimiento

ser tan grande la distorsión, que a veces, supera a la mentira desvergonzada. Es entonces cuando
algunos se confunden y piensan (o intentan que otros crean) que “la estadística no sirve”, ¿pero qué llevó
a tal resultado? Revísese el sistema y aflorará qué o quiénes son los que, en efecto, hasta el momento no
demuestran suficiente competencia. ¿Ignorancia, desidia o mala intención?

Ah, si nada cambiara, si todo fuera previsible y lineal… ¡si pudiéramos triunfar sin la estadística!

Uno de los grandes retos de los responsables de las áreas de mantenimiento, consiste en adquirir
habilidades para el manejo de información sobre el comportamiento de los equipos y su utilización en el
diseño de acciones de mejora. Son numerosos los errores que se cometen en la elaboración e interpretación
de los datos, debido al desconocimiento de las funciones estadísticas que modelan los comportamientos de
las averías y fallas.

El primer problema en el sistema de gestión de datos en mantenimiento está en el diseño

inadecuado del sistema de datos, historial, estadística o base de datos sobre los eventos que ocurren en la
instalación industrial. Por ejemplo, se ha averiado un rodamiento y el mecánico procede a escribir en su hoja
de trabajo "cambié el rodamiento". Esta información es inútil para poder realizar seguimiento a esta avería.
No se conoce si falló la pista interior o exterior u otro síntoma que pueda ayudar a crear una estadística de
comportamientos que se puedan analizar aplicando técnicas especiales. El problema se complica cuando
cada mecánico u operario de mantenimiento, debido a la falta de formación técnica, utiliza términos
populares (no técnicos) para definir el nombre de la pieza.

Algunas empresas han mejorado esta toma de datos codificando el tipo de fallo o avería. Estos
códigos permiten crear la información estadística necesaria para el análisis. El JIPM sugiere para el paso uno
del pilar de mantenimiento planificado, orientado a la mejora de las condiciones de los equipos, la creación
de estadísticas de los fallos y averías de equipos, priorizar o crear categorías de estas averías, con el
Propósito de facilitar la formulación de planes de mantenimiento y el diseño de planes de mejora del equipo.

Las habilidades a desarrollar están relacionadas con la capacidad de mejorar los diseños de las bases
de datos; orientarlas hacia la obtención de información que sea útil para la mejora de los equipos y de la
gestión de mantenimiento. Las habilidades tienen que ver también, con la forma como los técnicos deben
registrar la información diaria que se produce, para que esta sea útil y tratable estadísticamente. Las
habilidades en las que queremos insistir, también están relacionadas con la capacidad de analizar, leer,
interpretar y actuar sobre la base de estos datos.

La actitud estadística es fundamental. Cuando no existe conciencia, conocimiento o sentido de

importancia de los datos, estos no se registrarán en la forma adecuada para ser tratados y útiles para la
toma de decisiones. Nuestros técnicos de mantenimiento son muy competentes, ya que conocen los equipos,
la mecánica, electricidad interna de la maquinaria bajo su responsabilidad. Sin embargo, en las escuelas de
formación o facultades de ingeniería, no se enseñan los fundamentos técnicos estadísticos del mantenimiento
y la gestión de datos. Por este motivo, el JIPM ha realizado una gran campaña a partir del paso uno de pilar
planificado, para sensibilizar a las industrias, sobre la necesidad de crear históricos y estadísticas del
comportamiento de las averías y fallas de equipos, como un primer paso en toda la estrategia de mejora de
las instalaciones.

www.fyrma.com.mx

7
 Control Estadístico de Mantenimiento

Esto implica formar a nuestros técnicos de mantenimiento en esta clase de métodos. Sin embargo,
se debe tener el cuidado en el momento de diseñar esta clase de programas. Desafortunadamente la teoría
de la confiabilidad y del mantenimiento, se apoya en matemática compleja. Pero hoy en día existen ayudas
importantes como las hojas electrónicas tipo Excel o programas muy sencillos como Weibull 5.0, que facilitan
estos análisis y que no son posibles en la mayoría de GAC.

Invitamos a los profesionales de mantenimiento a apostar por estos conocimientos estadísticos, ya

que es el futuro de cualquiera de las áreas de una empresa, no solamente de mantenimiento. Esto se debe al
aumento del poder de cálculo de los programas informáticos, reducción de costos de los ordenadores y la
proliferación de la industria del software, que nos ofrece numerosas herramientas de análisis, pero que sin
una formación básica, va a ser imposible alimentar adecuadamente estos programas o interpretar los
numerosos gráficos que son capaces de generar estos instrumentos. A este nuevo comportamiento de los
profesionales de mantenimiento, es lo que se llama "pensamiento estadístico en mantenimiento".

1.2 Confiabilidad Industrial

Confiabilidad es un concepto con muchas connotaciones distintas. Cuando se aplica al ser humano,
normalmente se refiere a la habilidad de las personas para hacer ciertas tareas de acuerdo con un estándar
especificado. Por extensión, la palabra se aplica a un componente de un equipo, o de un sistema y significa
la habilidad de un equipo o componente para cumplir con las funciones que se requieren de él. El origen del
uso del término era cualitativo.

En su aplicación actual, la confiabilidad es casi siempre un concepto cuantitativo, y esto implica la

necesidad de métodos para medirla, cuestión a la que nos dedicaremos en los próximos capítulos.

Hay muchas razones por las que la confiabilidad necesita ser cuantificada. Quizás la más importante
es la económica ya que la mejora de la confiabilidad cuesta dinero, y esto puede ser evaluado si se puede
evaluar la NO CONFIABILIDAD, más tarde llamaremos a esto Probabilidad de Falla, de un equipo. Para un
equipo crítico, del cual su operación funcional es esencial en un sistema, la confiabilidad puede ser medida
como la probabilidad de que el equipo opere con éxito, y la esperanza del costo de un equipo NO CONFIABLE
se mide como el producto de la probabilidad de falla y el costo de la falla. En una aplicación rutinaria donde
los equipos que fallan pueden ser reparados, el TPEF es un parámetro crítico. En ambos casos, la
necesidad de una definición probabilística de confiabilidad es evidente.

La confiabilidad en la ingeniería está orientada a las fallas, el problema reside en predecir si puede
ocurrir una falla al utilizar un componente y cuándo ocurrirá. Esta información es útil para determinar las
políticas de mantenimiento e inspección de una organización, así como para determinar el plazo de garantía
de los productos. También puede utilizarse para predecir costos debidos al mantenimiento y a las eventuales
fallas que puedan ocurrir mientras el componente está operativo.

La definición utilizada en la ingeniería para la confiabilidad es la de “probabilidad de que un

componente cumpla su función bajo condiciones establecidas, durante un período de tiempo establecido”.

Hoy, hay solamente un puñado de compañías que, de hecho, han elevado seriamente sus prácticas
del mantenimiento y de la confiabilidad, y han visto el mejoramiento en el funcionamiento del negocio como

www.fyrma.com.mx

8
 Control Estadístico de Mantenimiento

resultado. Pero esas pocas compañías proporcionaron datos amplios que pintan un cuadro muy constante de
a qué se parecen las buenas prácticas y qué resultados se pueden esperar. Estas empresas han hecho
cambios dramáticos en sus estrategias del manejo de activo físico que han conducido resultados financieros
significativos en muchas partes de sus negocios. Varias lecciones se deben tomar de estas historias de éxito.

Primero, las características exhibidas por estos “Pioneros Adoptadores” son notablemente constantes
sin importar la industria en la cual funcionan. Estas características generales pero claras demuestran:

• El gasto de mantenimiento anual debajo de 2-3% del valor de reemplazo del activo (RAV
Replacement Asset Value por sus siglas en ingles)
• Uso significativo de una variedad de tecnologías de Mantenimiento Predictivo (MPd) y de
monitoreo de condición en la mayoría de la plantilla del equipo.
• MENOS tiempo-basado, mantenimiento preventivo invasor (MP) - menos del 25% de la plantilla
del equipo en un desempeño excepcional es cubierta por un tiempo-basado en MP invasor
• De notarse en el desempeño excepcional es la profundidad en la plantilla de los bienes en los
cuales estas múltiples tecnologías de Mantenimiento Predictivo (MPd) son aplicadas. Por
ejemplo:
o Del 63% al 95% de las máquinas de rotación (dependiendo de la industria) son incluidas
en un programa sólido de análisis de vibración – ¡no solo el equipo crítico!
o Del 91% al 100% del equipo eléctrico es incluido en un programa sólido de termografía
(incidentemente, del 58% al 79% del equipo mecánico también es incluido en el
programa de termografía de desempeño excepcional, particularmente los motores
pequeños y cajas de engranaje en operaciones de empaque y similares)
o El análisis de Lubricación y prácticas de control de contaminación son extensos y
comprensibles
o El uso de una Evaluación de la Corriente de los Circuitos del Motor (MCE Motor
Circuit/Current Evaluation por sus siglas en ingles) y tecnología para los impulsores
(Drives) es extensa
o Extenso uso de tecnologías de ultrasonido (aéreo y de contacto) y varias pruebas no-
destructibles (NDT non-destructible testing por sus siglas en ingles) para tuberías y
presurización de activos también está incluida como los de desempeño excepcional
• Y otra vez, solo del 20% al 25% de la plantilla del equipo en un desempeño excepcional es
cubierta por un tradicional Mantenimiento Preventivo (PM Preventive Maintenance por sus siglas
en inglés) tiempo-basado invasivo

En esta última viñeta vale el acentuar un poco más. Después de la Segunda Guerra Mundial, era
creído en la industria general (a pesar del conocimiento por el contrario en las industrias aeroespaciales y
aéreas y algunas ramas de la milicia de Estados Unidos) que la mayoría del equipo se comporta en un patrón
confiable basado en tiempo- es decir, que la probabilidad de la falla era relativamente baja y la constante
hasta que un supuesto punto de “desgaste” era alcanzado, en cuyo caso rápido y exponencial aumentaba en
probabilidad de que ocurriera la falla. El tradicional Mantenimiento Preventivo basado en tiempo fue diseñado
para intervenir entes de que el equipo alcanzara el punto de desgaste.

www.fyrma.com.mx

9
 Control Estadístico de Mantenimiento

En realidad, un precioso porcentaje pequeño del equipo se comporta realmente de este modo. De
hecho, como se representa en el diagrama siguiente debajo demuestra, que hay muchos patrones de falla
del comportamiento de la maquinaria, y solamente cerca de 11% del equipo en una típica planta industrial
tiene un predecible punto de “desgaste” basado en tiempo:

Algunas fallas relacionadas con la edad y Fallas no relacionadas con la edad

“Vista Tradicional” - Falla al azar entonces un punto de desgaste.

“Curva de vida” - Alta falla de descompostura prematura,

entonces un nivel bajo al azar de falla, entonces un punto de
desgaste

“Envejecimiento lento” - aumento sostenido en la probabilidad de

la falla

“Mejor nuevo” - Claro aumento en la probabilidad de la falla,

entonces falla al azar

“Falla constante al azar” - azar - Fallas no relacionadas con la

edad

“Peor nuevo” - alta descompostura prematura, entonces falla al

azar

Observe el fenómeno de la falla prematura, representado arriba por la alta probabilidad inicial de la
falla sobre comisionar un activo en servicio. Cerca del 72% de equipos en una típica planta industrial (éste
por supuesto varía por industria) experimenta fallas prematuras, mientras que, otra vez, sólo el cerca de

www.fyrma.com.mx

10
 Control Estadístico de Mantenimiento

11% tiene un patrón de desgaste predecible basado por el tiempo. Confiando predominantemente en el
Mantenimiento Preventivo (MP) como estrategia del mantenimiento para la mayor parte de nuestros activos,
estamos añadiendo valor potencialmente en un porcentaje pequeño del equipo, y potencialmente, e
innecesariamente, introduciendo descompostura prematura en un alto porcentaje de nuestros activos.

Esencialmente, estaríamos haciendo más daño que beneficio. Parece claro entonces que necesitamos
conocer nuestros Patrones de Falla y de este modo ayudarnos a mejorar nuestra planificación del
mantenimiento.

No estamos diciendo que no debemos hacerle nada a nuestras máquinas hasta que fallen. Estamos
diciendo que mientras que la mayor parte de nuestras máquinas no tienen el patrón de desgaste basado en
tiempo, la falla es predecible en un alto porcentaje de nuestro equipo usando el mantenimiento preventivo y
el monitoreo de condición. ¡La eliminación del MP innecesario e introducir MPd realza nuestra capacidad
proactiva de manejar nuestros activos para ser más confiables, y reduce el costo de mantenimiento al mismo
tiempo!

En las Compañías con las Mejores Prácticas, estas tecnologías de MPd son el sistema primario de la
identificación del trabajo. Estas tecnologías de MPd están conduciendo realmente cerca del 80% del trabajo
diario. Una vez más, las características de desempeño de las Compañías con las Mejores Prácticas son
notablemente similares sin importar la industria.

Tenga presente que el uso de las tecnologías de MPd identifica objetivamente el trabajo correctivo
basado en ciencia verdadera y datos verdaderos, y la identificación con anticipación y objetiva de las averías
de la máquina, si actúa correctamente, debe evitar la falla catastrófica y el daño colateral, significando que
las reparaciones que son realizadas sean típicamente menos extensas, con menos trabajo y menos
piezas. Todo esto conduce a la reducción de costos.

¿Cómo hacemos un patrón de fallas? Realmente lo único que necesitamos es una información amplia
y clasificada sobre las horas de funcionamiento de cada componente, evidentemente comenzaríamos por
componentes críticos de equipos críticos, y luego desarrollar un histograma de frecuencias con esta
información. A continuación mostramos un ejemplo que muestra un historial de fallas de un componente
expresado en horas de funcionamiento hasta el momento en que dicho componente falló.

Tempo expresado en: Horas

Registro de tiempo de funcionamiento de una parte desde
su instalación hasta la presencia de una falla (TAF)
25,00 81,00 46,00 74,00 24,00
13,00 56,00 57,00 80,00 19,00
18,00 62,00 44,00 63,00 22,00
55,00 29,00 29,00 55,00 38,00
65,00 73,00 15,00 48,00 46,00
73,00 68,00 61,00 33,00 125,00
146,00 167,00 182,00 137,00 214,00
234,00 246,00 258,00 296,00 271,00
342,00 358,00 366,00 419,00 461,00
513,00 556,00 582,00 590,00 585,00
605,00 610,00 605,00 598,00 600,00

www.fyrma.com.mx

11
 Control Estadístico de Mantenimiento

Lo que sigue es ordenar los datos por medio de una tabla de frecuencias para luego proceder a
elaborar un histograma de frecuencias:

Puede observarse que el histograma muestra la forma del Patrón de Fallas Tipo A, o también llamado
Curva de la Bañera.

1.3 Distribuciones de probabilidad en confiabilidad

En muchas áreas de la estadística aplicada, la distribución normal es el punto de partida natural para
modelar la variable aleatoria de interés. Puede resultar de consideraciones puramente pragmáticas o del
argumento teórico del teorema del Límite Central, el cual nos dice que si una variable aleatoria es la suma de
un gran número de efectos pequeños, entonces la distribución es aproximadamente normal. En el contexto
de confiabilidad, el caso de la normalidad tiene una importancia menor. Por un lado los tiempos de vida útil y
las resistencias a las roturas son cantidades inherentemente positivas y además para una variable aleatoria
de estas características surge de forma natural la idea de que la aparición de fallas puede seguir el proceso
de Poisson, con lo que en este caso la distribución exponencial es más adecuada.

En la práctica los modelos que utilizaremos en confiabilidad son generalizaciones de la distribución

exponencial, tal como la distribución de Weibull, aunque también veremos las distribuciones Binomial, la de
Poisson, la Normal y la Logo-Normal.

www.fyrma.com.mx

12
 Control Estadístico de Mantenimiento

1.4 Conceptos Básicos de Estadística

Población: Conjunto finito o infinito de personas, elementos o cosas que tienen una característica en
común. Se le conoce también por universo, colectivo o lote.

N = Tamaño de la Población

Muestra: Subconjunto de la población representativo de ella.

n = Tamaño de la Muestra

Datos Estadísticos: Conjunto de valores interrelacionados es un dato estadístico, cuando es susceptible de

ser comparados, analizados e interpretados. Esa característica que conforma un dato estadístico se le llama
Variable.

Variable Estadística:

 Variable cualitativa o atributo: es la que expresa una cualidad; por ejemplo color, sabor,
tono, apariencia, la ocurrencia de un hecho, etc.
 Variable cuantitativa: es la que es mensurable usando unidades por ejemplo; diámetro,
espesor, vida útil, capacidad, resistencia a la rotura. Esta variable puede ser Continua o
Discreta, dependiendo que pueda o no tomar valores decimales.

Frecuencia Absoluta: Es el número de veces que se repite un dato particular o fenómeno.

La información es una gula para nuestras acciones. A partir de la información conocemos los hechos
pertinentes y adoptamos acciones apropiadas basadas en esos hechos. Antes de recoger la información, es
importante determinar qué se va a hacer con ella.

En la gestión de mantenimiento, unos de los objetivos de la recolección de información son:

 Identificación de las causas de las fallas
 Estimación de la confiabilidad y de la Probabilidad de Falla
 Frecuencias de inspección basado en costo-riesgo
 Determinación de la vida útil de los componentes
 Disponibilidad de los equipos y de los sistemas

Cualquier recolección de información ha de tener un propósito específico y ser seguida por

acciones.

Una vez que se define el objetivo de la recolección de información, también se determinan los tipos
de comparación que se necesitan, y esto a su vez identifica el tipo de datos que se deben recoger.

www.fyrma.com.mx

13
 Control Estadístico de Mantenimiento

1.5 Probabilidad y sus enfoques

En estadística, la probabilidad es el fundamento sobre el que se construye la teoría matemática. Con

frecuencia las palabras posibilidades o probabilidades se emplean en la conversación diaria y las
personas tienden a pensar que significan lo mismo.

Si la posibilidad de algo es el hecho de ser posible esa cosa, la probabilidad es el conjunto de reglas
que permiten determinar el porcentaje de posibilidades de que ese suceso se realice.

En un experimento aleatorio existe lo que se llama espacio muestral (Ω), el cual es el conjunto de
todos los posibles resultados del experimento, por lo tanto las probabilidades se calculan para los sucesos y
por lo antes expuesto debemos establecer los tipos de sucesos que se pueden presentar:

1.5.1 Propiedades Generales

Existen tres propiedades que se pueden aplicar cuando se trabaja con probabilidades:

1ra. Propiedad: Cualquier evento tiene una probabilidad de suceder, la cual tiene un valor numérico que se
encuentra entre 0 y 1.

0  PE   1
2da. Propiedad: La suma de las propiedades de todos los posibles eventos mutuamente excluyentes es igual a 1.

 P
i 1
Ei  1
3ra. Propiedad: Como la suma de únicamente dos posibles eventos mutuamente excluyentes es 1, la
probabilidad de que no ocurra el evento E es:

P No E   1 - PE 

1.5.2 Enfoques de Probabilidad

En esencia, la manifestación de probabilidades clásica y empírica sólo difiere en la forma en que se

obtiene su valor. La probabilidad para el evento E es:

Clásica
Número de veces que pueda ocurrir un evento E
P E  
Total de veces para todos los casos posibles

www.fyrma.com.mx

14
 Control Estadístico de Mantenimiento

Empírica
Número de veces que ocurrió el evento E
P E  
Total de pruebas

En aplicaciones industriales, es usual que se hagan estimaciones considerando tanto la probabilidad

clásica como la empírica, ya que la predicción se basa en el resultado de una muestra. Por ejemplo, si se
seleccionan 100 empaques de harina de un proceso de llenado y se encuentran 10 que no se ajustan a las
especificaciones se pudiese estimar que el 10% de los empaques producidos están defectuosos. Obviamente,
la estimación se acercará más al verdadero valor de la probabilidad conforme aumente el número total de
empaques evaluados.

1.5.3 Tipos de Sucesos

Suceso Seguro
Ω
Aquel que siempre ocurre

Arrancar un motor: Ω = (Cumpla su función, No cumpla su función), esto es un suceso seguro del espacio
muestral completo.

Suceso Imposible
Ω
Aquel que no puede ocurrir

Espacio muestral vacío

Suceso Mutuamente excluyente

Aquellos que no pueden ocurrir simultáneamente. Ω

A B

Sucesos independientes

Aquellos que NO son mutuamente excluyentes, es decir, pueden ocurrir

simultáneamente.
Ω
A B

www.fyrma.com.mx

15
 Control Estadístico de Mantenimiento

Suceso Complemento (Ā):

Es la negación del suceso, entonces Ā es igual a todo lo que no es A. Ω

A
A
1.6 Teoremas de Probabilidad

1.6.1 Teorema del Complemento

Ω
A
A PA   1  PA 

Ej.: Si 0,98 es la Confiabilidad de una bomba, entonces la Probabilidad de falla es de 0,02

1.6.2 Teorema de la Suma (Sucesos independientes)

Si dos eventos pueden ocurrir simultáneamente, entonces la probabilidad P (AuB) de que cualquiera o
ambos ocurran es:

Ω
PA  B   PA   PB   PA B 
A B

Ej.: Para motores diesel marinos en reparación general, si la probabilidad de necesitar nuevos anillos es de
P(A)=0,4 y la probabilidad de necesitar nuevas camisas es de P (C)=0,25. Cuál es la probabilidad de necesitar
tato nuevos anillos como nuevas camisas P(A u C)

P(A  C)  P(A)  P(C) - P(A) . P(C) 

P(A  C)  0,4  0,25 - 0,4. 0,25
P(A  C)  0,4  0,25 - 0,1
P(A  C)  0,55 55%

www.fyrma.com.mx

16
 Control Estadístico de Mantenimiento

1.6.3 Teorema del Producto

Sea A y B dos sucesos asociados a un experimento, la probabilidad condicional de que ambos

eventos se produzcan dado que el primero de ellos ya se produjo, será:

PA  B   PA  . PB 

A

PA  B 
PB  
A PA 
PB  A   PB  . PA 
B

PB  A 
PA  
B PB 
Ej.: Tabla de Contingencia

Meses de Uso
Proveedor 4-8 8-12 > 12 Total
A 5 10 30 45
B 1 28 5 34
Total 6 38 35 79

Para los datos presentados en la tabla anterior y al seleccionar una (1) pieza al azar, determine la
probabilidad de:

Probabilidad de que sea del proveedor B

34
P B    0,4303 43,03 %
79
Probabilidad de que sea del proveedor A y dure más de 12 meses (Que ocurran simultáneamente)

45 30 30
PF   12   PA  . P 12   . 
F 79 45 79

30
PF   12    0,3797 37,97 %
79

www.fyrma.com.mx

17
 Control Estadístico de Mantenimiento

Probabilidad de que sea del proveedor B o dure entre 4 y 8 meses (Que ocurra uno, que ocurra el
otro o que ocurran los dos)

P B  4 - 8   PB   P4 - 8  - PB  4 - 8 

34 6  34 1 
P B  4 - 8    -  .   0,4936 49,36 %
79 79  79 34 

Dado que la pieza es del proveedor A, cual es la probabilidad de que dure entre 8 y 12 meses

45 10
PA  8 - 12  .
P8 - 12    79 45  10  0,2222 22,22 %
A PA  45 45
79

Dado que la pieza dura más de 12 meses, cual es la probabilidad de que sea del proveedor A

30 45
P12  A  .
45 79  30  0,8571
PA
 12
 P 
35 35
85,71 %
  12 
79

1.6.4 Teorema de la Probabilidad Total P(D)

Es la suma de las probabilidades marginales por la probabilidad condicional.

P D   PA  . PD   PB  . PD 

A B

www.fyrma.com.mx

18