Proceso de Renovación

Maturana, J. (2021). Proceso de Renovación

[apunte]. Chile. UNAB
El proceso de renovación

EL PROCESO DE RENOVACIÓN

1. Introducción

En el capítulo 3 estudiamos el Proceso Poisson, un proceso de conteo en donde se

cumplen las propiedades de incrementos independientes, de incrementos estacionarios
y la propiedad de orden. Sin embargo, estas tres propiedades no siempre se cumplen al
mismo tiempo. Particularmente, el hecho de que se cumpla la propiedad de incrementos
independientes (y en consecuencia la propiedad de no memoria) permite concluir que el
tiempo entre llegadas se distribuye exponencial con la misma intensidad del proceso de
conteo (nos referimos a 𝜆𝜆).

En este contexto, supongamos que estamos analizando un Proceso Poisson. Si

observamos el proceso en cualquier instante de tiempo, la información que ha ocurrido
antes de ese tiempo t es irrelevante para lo que ocurrirá más adelante. En consecuencia,
podemos interpretar como el proceso “se renueva” a partir de ese instante. Una
propiedad interesante del Proceso Poisson es que el proceso se renueva en cada instante
de tiempo (dada la propiedad de no memoria). 1

En este capítulo estudiaremos procesos de conteo en donde la propiedad de no memoria

no se cumple, y en consecuencia los tiempos entre llegadas no se distribuyen
exponencial. Como en el caso más general esto ya no es cierto, entonces lo que ha
ocurrido antes del tiempo t (del ejemplo del párrafo anterior) sí es relevante para
estudiar lo que sucede desde ese momento en adelante. A estos procesos de conteo le
llamaremos Procesos de Renovación.

Los procesos de renovación encuentran importantes aplicaciones en la teoría de

confiabilidad y para la generación de políticas de mantenimiento. Algunos ejemplos de
estas aplicaciones serán revisadas más adelante.

2. Procesos de renovación

Suponga que se pone en operación un cierto componente o artículo cuya duración de la

vida útil se puede modelar a través de una variable aleatoria T1. Una vez que el
componente falla, se reemplaza (o renueva) con otro componente, cuyo tiempo de vida
El proceso de renovación

es T2, y así sucesivamente. La colección de variables aleatorias T1,T2,…Tk representa la

sucesión de tiempos de vida de los componentes puestos en operación uno tras otro.

En este contexto, es posible suponer que las variables aleatorias T1,T2,…Tk son todas
independientes e idénticamente distribuidas. Cuando esto ocurre, estamos frente a un
proceso de renovación. Cada vez que el proceso se renueva, se dice que se reinicia
probabilísticamente. Esta característica es importante para el análisis de las
distribuciones que se realizará más adelante.

Para poder definir apropiadamente un proceso de renovación es necesario establecer

una relación matemática entre el registro de los tiempos en donde ocurren las
renovaciones y el proceso de conteo que almacena la información de cuantas
renovaciones han ocurrido hasta cierto tiempo. En este sentido, sea un proceso de
renovación definido por los instantes de tiempo {𝑇𝑇1 , 𝑇𝑇2 , … 𝑇𝑇𝑘𝑘 }. Se define el instante real de
renovación como 𝑆𝑆0 = 0 y 𝑆𝑆𝑘𝑘 = 𝑇𝑇1 + 𝑇𝑇2 + ⋯ + 𝑇𝑇𝑘𝑘 . Entonces, el proceso de conteo N(t) se
define como:

2
𝑁𝑁(𝑡𝑡): max{𝑘𝑘 ≥ 0, 𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡} ∀𝑡𝑡 ≥ 0

En este caso 𝑆𝑆𝑘𝑘 es una variable aleatoria que tiene la misma distribución de
probabilidades de los tiempos 𝑇𝑇𝑖𝑖 y representa el tiempo real en el que se realiza la
renovación k, mientras que N(t) representa la cantidad de renovaciones realizadas hasta
el tiempo t. Entonces, es posible definir el proceso de renovación en función de
cualquiera de los tres procesos, a saber: la colección de tiempos 𝑇𝑇𝑖𝑖 , el tiempo total 𝑆𝑆𝑘𝑘 o
el proceso de conteo N(t).

La expresión anterior implica que:

𝑁𝑁(𝑡𝑡) ≥ 𝑘𝑘 ↔ 𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡

Por lo que:

𝑃𝑃(𝑁𝑁(𝑡𝑡) ≥ 𝑘𝑘) = 𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡)

El proceso de renovación

Si lo observamos gráficamente, se ve claro que los números en rojo representan la

cantidad de renovaciones, las variables T representan la duración de las renovaciones
individuales, y las variables S representan el tiempo acumulado hasta la k-esima
renovación.

Uno de los grandes desafíos de esta área de estudio es poder determinar una distribución
de probabilidades para el proceso de renovación (recuerde: cuando los tiempos entre
llegadas se distribuyen exponencial, la tasa se mantiene constante, y se cumple la
propiedad de orden, entonces la distribución de probabilidades asociada al proceso de 3
conteo es la distribución Poisson).

Sea F(t) la función que representa la distribución de probabilidades de los tiempos entre
renovaciones (𝑇𝑇𝑖𝑖 ). Para poder determinar la distribución de probabilidades de 𝑆𝑆𝑘𝑘 es
necesario construir la distribución acumulada de la suma de las variables 𝑇𝑇1 , 𝑇𝑇2 , … , 𝑇𝑇𝑘𝑘 a lo
cual se le conoce en la literatura como la convolución de las distintas variables aleatorias.

Nota: La convolución se define como la multiplicación de dos o más funciones de

probabilidad. Si deseas revisar esto en detalle puedes revisar la sección 2.5 del libro
“Introducción a los modelos probabilísticos” de Sheldon M. Ross.

Como en el proceso de renovación se tiene la misma función F(t) para cada tiempo,
entonces se dice que se debe encontrar la convolución de F(t) consigo misma k veces.
La notación de esta convolución es 𝐹𝐹 ∗𝑘𝑘 (𝑡𝑡).
El proceso de renovación

En particular para n = 0 se tiene que:

0 𝑠𝑠𝑠𝑠 𝑡𝑡 < 0
𝐹𝐹 ∗0 (𝑡𝑡) = �
1 𝑠𝑠𝑠𝑠 𝑡𝑡 ≥ 0

Además, para n = 1 se tiene que 𝐹𝐹 ∗1 (𝑡𝑡) = 𝐹𝐹(𝑡𝑡).

Entonces, para cualquier k > 2 se tiene que:

𝐹𝐹𝑊𝑊𝑘𝑘 (𝑡𝑡) = 𝑃𝑃(𝑇𝑇1 + 𝑇𝑇2 + ⋯ + 𝑇𝑇𝑘𝑘 ≤ 𝑡𝑡) = 𝐹𝐹 ∗𝑛𝑛 (𝑡𝑡) = 𝐹𝐹 ∗ … ∗ 𝐹𝐹(𝑡𝑡)

Dado esto, se tiene que:

𝑃𝑃(𝑁𝑁(𝑡𝑡) ≥ 𝑘𝑘) = 𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡) = 𝐹𝐹𝑤𝑤𝑘𝑘 (𝑡𝑡)

4

Con este resultado es posible comenzar a encontrar distribuciones de probabilidad para

el proceso de renovación cuando los tiempos entre llegadas no son exponenciales. Para
cualquier k > 0 se tiene que:

𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘) = 𝐹𝐹 ∗𝑘𝑘 (𝑡𝑡) − 𝐹𝐹 ∗(𝑘𝑘+1) (𝑡𝑡)

Observe particularmente que no siempre será posible determinar una distribución de

probabilidades para N(t) (tal como realizado en la unidad 03). En cuyo caso, el proceso
de renovación se puede definir en función de la función F*(t) como mostrado en la
ecuación anterior. A continuación, veremos algunos ejemplos.
El proceso de renovación

2.1 Aproximación Poisson

A través del estudio de la unidad 03 pudimos observar que, cuando los tiempos de
renovación (las variables 𝑇𝑇𝑖𝑖 mostrados más atrás) son exponenciales, entonces la
convolución es una distribución 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺(𝑘𝑘, 𝜆𝜆), cuya función de densidad es:

𝑡𝑡
∗𝑘𝑘 (𝑡𝑡)
(𝜆𝜆𝜆𝜆)𝑘𝑘−1 𝜆𝜆𝑒𝑒 −𝜆𝜆𝜆𝜆
𝐹𝐹 = � 𝑑𝑑𝑑𝑑
Γ(𝑘𝑘)
0

Por lo que al aplicar la ecuación:

𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘) = 𝐹𝐹 ∗𝑘𝑘 (𝑡𝑡) − 𝐹𝐹 ∗(𝑘𝑘+1) (𝑡𝑡)

Se obtiene:

5
−𝜆𝜆𝜆𝜆 (𝜆𝜆𝜆𝜆)𝑘𝑘
𝑒𝑒
𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘) =
𝑘𝑘!

Lo cual corresponde a la distribución Poisson.

2.2 Aproximación Erlang

Cuando las variables 𝑇𝑇𝑖𝑖 mostrados más atrás se distribuyen Erlang de parámetros m y
𝜆𝜆, entonces la suma de k variables Ti independientes e idénticamente distribuidas,
expresado como:

𝑘𝑘

𝑆𝑆𝑘𝑘 = � 𝑇𝑇𝑖𝑖
𝑖𝑖=1
El proceso de renovación

Tiene también una distribución Erlang de parámetros km y 𝜆𝜆. Es decir,

𝑆𝑆𝑘𝑘 ~ 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸(𝑘𝑘𝑘𝑘, 𝜆𝜆)

Esto significa que:

∞
−𝜆𝜆𝜆𝜆
(𝜆𝜆𝜆𝜆)𝑖𝑖
𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡) = 𝑒𝑒 �
𝑖𝑖!
𝑖𝑖=𝑘𝑘𝑘𝑘

2.3 Aproximación geométrica

De la misma manera anterior, podemos analizar qué ocurre cuando las variables 𝑇𝑇𝑖𝑖
mostradas más atrás se distribuyen geométricamente. En este caso es necesario analizar
S1, que representa el número de ensayos necesarios para obtener un éxito, cada uno de
manera independiente y con probabilidad p de éxito. De esta manera, Sk representa la
6
cantidad de ensayos necesaria para obtener k éxitos, y dada esta definición entonces se
distribuye binomial negativa. De esta manera:

𝑡𝑡 − 1 𝑘𝑘 (1
� � 𝑝𝑝 − 𝑝𝑝)𝑘𝑘−𝑡𝑡 , 𝑘𝑘 ≥ 𝑛𝑛
𝑃𝑃(𝑆𝑆𝑘𝑘 = 𝑡𝑡) = � 𝑘𝑘 − 1
0, 𝑘𝑘 < 𝑛𝑛

Entonces, en este caso es posible determinar una distribución explicita para N(t) que
viene dada una distribución binomial como se muestra a continuación:

[𝑡𝑡]
𝑃𝑃(𝑁𝑁(𝑡𝑡) = 𝑘𝑘) = � � 𝑝𝑝𝑘𝑘 (1 − 𝑝𝑝)[𝑡𝑡]−𝑘𝑘
𝑘𝑘
El proceso de renovación

2.4 Aproximación Normal

Cuando las variables 𝑇𝑇𝑖𝑖 mostradas más atrás se distribuyen Normal de parámetros 𝜇𝜇 y
𝜎𝜎, la suma de estos tiempos independientes e idénticamente distribuidos arroja como
resultado una distribución normal con parámetros 𝑘𝑘𝑘𝑘 y 𝜎𝜎√𝑘𝑘 (observación: esto ocurre
dada la propiedad reproductiva de la distribución normal, es decir la suma de variables
aleatorias normales es también una variable aleatoria normal. Esto se puede demostrar
a través de los momentos de la distribución, lo cual queda fuera de los límites de este
curso).

De esta manera, tenemos que:

𝑘𝑘

𝑆𝑆𝑘𝑘 = � 𝑇𝑇𝑖𝑖
𝑖𝑖=1

𝑆𝑆𝑘𝑘 ~𝑁𝑁(𝑘𝑘𝑘𝑘, 𝑘𝑘𝜎𝜎 2 ) 7

Esta aproximación es válida cuando 𝜇𝜇 > 3𝜎𝜎 dado que la distribución normal puede
generar valores negativos (lo cual no tiene sentido porque estamos representando
tiempos, y los tiempos son siempre no-negativos).

A continuación, veremos un ejemplo de aplicación de este resultado que se conoce como

el problema de las partes de repuesto. Una línea productiva de jugos localizada en
Concepción tiene una falla en un componente cada cierto tiempo. Cuando esto ocurre,
es necesario detener la máquina para realizar el reemplazo de la pieza que falla.

Dado que las fallas son aleatorias, la empresa decidió capacitar a los operarios de la
máquina para que puedan realizar el cambio de partes ellos mismos sin recurrir a la
ayuda de técnicos externos. Uno de los operarios desea saber cuántas partes de repuesto
debe tener en su espacio de trabajo en el siguiente año laboral para garantizar que el
99% de las veces pueda realizar el cambio sin tener que pedir inventario de repuestos
a la bodega ubicada en Valparaíso.
El proceso de renovación

Un estudio estadístico de los tiempos entre fallas logró determinar que se pueden
distribuir normal de media 8 [semanas] y una varianza de 25 [semanas2]. Asuma que
un año de trabajo tiene 200 días laborales.

En este contexto, sea:

𝑇𝑇𝑖𝑖 = 𝑇𝑇𝑇𝑇𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚á𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞 𝑑𝑑𝑑𝑑 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗

𝑇𝑇𝑖𝑖 ~ 𝑁𝑁(8,25)

𝑆𝑆𝑘𝑘 = 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑙𝑙𝑙𝑙 𝑘𝑘 − 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑙 𝑚𝑚á𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞 𝑑𝑑𝑑𝑑 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗

𝑆𝑆𝑘𝑘 ~ 𝑁𝑁(8𝑘𝑘, 25𝑘𝑘)

𝑁𝑁(𝑡𝑡) = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐í𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑡𝑡

8
Luego,

𝑃𝑃(𝑁𝑁(𝑡𝑡) ≥ 𝑘𝑘) = 𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡)

Por lo que

𝑃𝑃(𝑁𝑁(𝑡𝑡) ≤ 𝑘𝑘) = 1 − 𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 𝑡𝑡)

Lo que buscamos es que la mínima cantidad de unidades de repuesto que debemos tener
en inventario para que al menos el 99% de las veces podamos hacer el reemplazo.
Entonces,

1 − 𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 200) ≥ 0.99

−𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 200) ≥ 0.99 − 1

El proceso de renovación

−𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 200) ≥ −0.01

𝑃𝑃(𝑆𝑆𝑘𝑘 ≤ 200) ≤ 0.01

Como la variable aleatoria se distribuye normal, entonces se puede normalizar para

obtener la distribución normal estándar y utilizar la tabla de distribución normal
estándar.

𝑆𝑆𝑘𝑘 − 8𝑘𝑘 200 − 8𝑘𝑘

𝑃𝑃 � ≤ � ≤ 0.01
√25𝑘𝑘 √25𝑘𝑘

Esto significa que:

200 − 8𝑘𝑘 9
= 𝑍𝑍0.01
√25𝑘𝑘

200 − 8𝑘𝑘
= −2,32
√25𝑘𝑘

200 − 8𝑘𝑘 + 11,6√𝑘𝑘 = 0

Con lo que al despejar k se obtiene (observe que es necesaria una calculadora para
despejar k):

𝑘𝑘 ≈ 34

Por lo tanto, dado que las máquinas tienen una falla en promedio cada 8 [semanas] con
una varianza de 25 [semanas2], y dado que los tiempos entre fallas se distribuyen
Normal, los operarios deben tener 34 repuestos en inventario para garantizar con un
El proceso de renovación

99% de probabilidades que podrán reparar la máquina durante un año laboral cuando
se produzca la falla.

3. Función de renovación

Como se ha mostrado anteriormente, investigadores y matemáticos han dedicado una

gran cantidad de tiempo y recursos para determinar alguna forma de poder calcular
probabilidades para procesos de renovación. En algunos casos (como los mostrados
anteriormente) es posible definir una función matemática explícita para realizar el cálculo
de probabilidades. Sin embargo, en muchos casos esto no es posible.

Una información más útil con respecto al proceso de renovación es su valor esperado.
Aun cuando se requieren técnicas matemáticas más avanzadas, en general es más
sencillo calcular el valor promedio de renovaciones. Esto se traduce en la siguiente
expresión:

𝑚𝑚(𝑡𝑡) = 𝐸𝐸�𝑁𝑁(𝑡𝑡)� 10

La función m(t) se conoce como la función de renovación y se dice que determina de

manera inequívoca el proceso de renovación, lo que significa que es posible determinar
una distribución para los tiempos entre arribos (Ti) a través de esta función.

A través de transformadas de Laplace y técnicas de modelamiento matemático que están

fuera de los límites de este curso, obtenemos:

𝑡𝑡

𝑚𝑚(𝑡𝑡) = 𝐹𝐹(𝑡𝑡) + � 𝑚𝑚(𝑡𝑡 − 𝑥𝑥)𝑑𝑑𝑑𝑑

0

En algunos casos que veremos a continuación es posible determinar una función de

renovación explicita. Para poder llegar a estos resultados, distintos investigadores han
utilizado lo que se conoce como el argumento de renovación. Esto es, condicionar el
cálculo de la esperanza hasta que ocurre el primer evento.
El proceso de renovación

3.1 Aplicación de la ecuación de renovación a una distribución uniforme

En el caso de una distribución uniforme continua en el intervalo [0,1] se tiene que:

𝑚𝑚(𝑡𝑡) = 𝑒𝑒 −𝑡𝑡 − 1 0 ≤ 𝑡𝑡 ≤ 1

3.2 Aplicación de la ecuación a una distribución gamma

Supongamos que la distribución de los tiempos entre dos fallas consecutivas (Ti)
corresponde a una distribución Gamma (2,𝜆𝜆). En este caso, resolviendo la ecuación se
obtiene:

𝜆𝜆𝜆𝜆 1 𝑒𝑒 −2𝜆𝜆𝜆𝜆
𝑚𝑚(𝑡𝑡) = − −
2 4 4

11
3.3 Aplicación de la ecuación a una distribución exponencial

En el caso de que los tiempos entre dos fallas son exponencial es fácil ver que:

𝑚𝑚(𝑡𝑡) = 𝜆𝜆𝑡𝑡

Cualquier ejemplo de los revisados en la unidad 03 es suficiente para aplicar esta

ecuación.

3.4 Aplicación de la ecuación a una distribución exponencial especial

Sea F(t) la siguiente función:

𝐹𝐹(𝑡𝑡) = (1 − 𝑒𝑒 −𝑡𝑡 )2 , 𝑡𝑡 ≥ 0
El proceso de renovación

Esta función es particularmente útil estudiar dos subsistemas que funcionan en paralelo
cuyos tiempos de vida son independientes, ambos distribuidos exponencialmente con
intensidad 1.

En este caso, la función que determina el proceso de renovación es:

2 1
𝑚𝑚(𝑡𝑡) = �𝑡𝑡 + (𝑒𝑒 −3𝑡𝑡 − 1)�
3 3

4. Comportamiento del proceso de renovación en el largo plazo

Uno de los desafíos del proceso de renovación es estudiar su comportamiento en el largo

plazo, esto es, qué ocurre cuando el tiempo en el cual se está ejecutando el proceso de
renovación tiende al infinito.

12
Observe que este fenómeno se repite en muchas áreas de estudio en procesos
estocásticos. Una parte de esto fue estudiada en el capítulo 2 a través de las
probabilidades de estado estable de las cadenas de Markov en tiempo discreto. En este
sentido, las probabilidades en el largo plazo entregan una idea de cómo se comportará
el proceso estocástico (en este caso el proceso de renovación) una vez que transcurre
una cantidad de tiempo suficientemente grande. Esta idea también puede ser vinculada
a la idea de estado transitorio y estado estable comentadas en la unidad 01.

En este contexto, la idea del comportamiento en el largo plazo se define en función del
siguiente límite:

𝑁𝑁(𝑡𝑡)
lim
𝑡𝑡→∞ 𝑡𝑡

Observe que la expresión anterior hace referencia a cuántas renovaciones ocurren por
unidad de tiempo cuando el tiempo tiende al infinito en el proceso de renovación. El
resultado de este límite es:
El proceso de renovación

𝑁𝑁(𝑡𝑡) 1
lim =
𝑡𝑡→∞ 𝑡𝑡 𝜇𝜇

En este caso 𝜇𝜇 se define como el tiempo promedio entre renovaciones. Luego, esta
expresión representa una intensidad de cambio, es decir, cuántos cambios se realizarán
por unidad de tiempo. Por supuesto, es esperable que dependiendo de la distribución
que se trate, este valor será más fácil o difícil de determinar. De la misma manera, se
tiene que:

𝑚𝑚(𝑡𝑡) 1
lim =
𝑡𝑡→∞ 𝑡𝑡 𝜇𝜇

La expresión anterior se conoce como el teorema elemental de renovación.

Por ejemplo, suponga que Isabel utiliza una radio en su trabajo todos los días para
escuchar las noticias mientras trabaja. Esta radio utiliza una única batería e Isabel
13
siempre tiene a su disposición una batería de reemplazo. Si la duración de la batería se
puede modelar con una variable aleatoria uniforme en el intervalo [30,60] [horas] ¿Cada
cuánto tiempo debe realizar un reemplazo en el largo plazo?

En este caso, definimos:

𝑋𝑋 = 𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢𝑢𝑢 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏í𝑎𝑎 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜

𝑋𝑋 ~ 𝑈𝑈[30,60]

En este caso, como la distribución es uniforme se sabe que:

𝑏𝑏 + 𝑎𝑎 60 + 30
𝐸𝐸(𝑋𝑋) = 𝜇𝜇 = = = 45 [ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜]
2 2
El proceso de renovación

Por lo que se define

N(t): cantidad de renovaciones de batería que se realizan a la radio entre 0 y t

𝑁𝑁(𝑡𝑡) 1 1
lim = =
𝑡𝑡→∞ 𝑡𝑡 𝜇𝜇 45

Esto se interpreta como que en promedio Isabel tendrá que cambiar una batería cada
45 horas. Observe que esto no significa que Isabel vaya a realizar 45 cambios en el largo
plazo, sino que hace referencia a una razón de cambio, es decir cada batería tendrá que
ser reemplazada en promedio cada 45 horas.

4.1 Teorema del límite central para procesos de renovación

En palabras sencillas, el teorema del límite central establece que es posible aproximar 14
cualquier distribución de probabilidades a una distribución Normal cuando se cumplen
ciertas condiciones. En este caso, cuando t es muy grande se tiene que:

1 𝜎𝜎 2
𝑁𝑁(𝑡𝑡) ≈ 𝑁𝑁 �𝑡𝑡 � � , 𝑡𝑡 � 3 ��
𝜇𝜇 𝜇𝜇

Continuando con el ejemplo de Isabel, ¿cuál es la probabilidad que realicen como

máximo 23 reemplazos en 1000 horas? Para ello debemos determinar la varianza de X
definida previamente. En este sentido,

(𝑏𝑏 − 𝑎𝑎)2 (60 − 30)2 900

𝑉𝑉(𝑋𝑋) = = = = 75 [ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑠𝑠 2 ]
12 12 12
El proceso de renovación

Luego, podemos decir que:

1 75
𝑁𝑁(𝑡𝑡) ≈ 𝑁𝑁 �𝑡𝑡 � � , 𝑡𝑡 � 3 ��
45 45

𝑁𝑁(𝑡𝑡) ≈ 𝑁𝑁(22.2, 0.823)

Entonces,

(𝑁𝑁(1000) − 22,2) 23 − 22.2

𝑃𝑃(𝑁𝑁(1000) ≤ 23) = 𝑃𝑃 � ≤ �
√0.825 √0.825

Por propiedades de la distribución Normal estándar,

𝑃𝑃(𝑁𝑁(1000) ≤ 23) = 𝑃𝑃(𝑍𝑍 ≤ 0.857) = 80,4% 15

Por lo tanto, la probabilidad de realizar a lo más 23 reemplazos en 1000 horas de

funcionamiento es de aproximadamente el 80,4% asumiendo una distribución Normal
del proceso de renovación.

Importante: Observe que en este caso nos referimos a la distribución N(t) y no a la

distribución de Sk mostrada en el punto 2.4 de este apunte. De hecho, ahora mismo
veremos un ejemplo sobre cómo esta aproximación nos puede ayudar a responder
rápidamente la pregunta del ejemplo entregado anteriormente sobre el ejercicio de las
partes de reemplazo.

Utilizando los resultados del teorema del límite central es posible determinar el número
mínimo de partes que respeten cierta condición de nivel de servicio 𝛼𝛼. Esta ecuación
viene dada por (se deja de tarea al lector encontrar la forma de llegar a esta expresión):

𝑡𝑡
𝑛𝑛 ≈ + 𝑧𝑧𝛼𝛼 𝜎𝜎�𝑡𝑡𝜇𝜇 −3
𝜇𝜇
El proceso de renovación

Para el ejercicio mostrado en la sección 2.4 se tiene que:

200
𝑛𝑛 ≈ + 2.32 ∗ 5 ∗ �200 ∗ 8−3 = 32,25 ≈ 33
8

El cálculo original de la cantidad de partes era 34, por lo que el resultado encontrado
anteriormente tiene un margen de error del 2,94% con respecto al valor original
calculado.

Como ha sido mencionado insistentemente en este apunte, no siempre es posible

determinar una distribución explicita para N(t) o m(t). En esos casos, cuando es
necesario realizar estimaciones que admiten cierto margen de error, el teorema del
límite central puede ser una alternativa rápida de cálculo sin entrar en matemáticas
avanzadas para adaptar el modelo a situaciones industriales más complejas.

16
5. Aplicaciones a políticas de mantención y reemplazo

Finalmente, algunas de estas teorías mencionadas anteriormente pueden ser aplicadas

a contextos específicos de políticas de mantención y reemplazo de equipos que fallan
cada cierto tiempo. Observe que el concepto de falla en este texto se utiliza en el sentido
amplio, dado que cuando ocurre una falla en realidad se refiere a que ocurre un evento
que cambia el estado del sistema (o dicho de otra manera, que algo “llega” al sistema,
en el contexto de los procesos de conteo).

5.1 Políticas de mantención de equipos

En general todas las máquinas en sistemas productivos están afectas a fallas aleatorias,
es decir el tiempo que transcurre hasta que la máquina deja de estar operativo no es
conocido previamente por la administración. Para ello existen dos tipos de reemplazos,
el preventivo (que busca reemplazar una pieza planificadamente aun cuando la máquina
esté funcionando), y correctivo (que se realiza cuando la máquina ya falló). Sin embargo,
en ambos casos se asume que la máquina sigue funcionando como si estuviera nueva.
El proceso de renovación

Llamaremos C1 el costo asociado al reemplazo correctivo y C2 al costo del reemplazo

preventivo. En general se puede decir que el costo C2 < C1 dado que el reemplazo por
falla incorpora elementos adicionales como la detención de la producción, demoras en
terminar los lotes, etc. (de hecho, es precisamente este hecho el que justifica la
definición de políticas preventivas).

En este sentido, existe una política de reemplazo por edad que se define a continuación:
la máquina se reemplaza o se repara cuando falla o cuando cumple una edad T. Para
ello, se define un costo promedio en el largo plazo de la política en función de este
parámetro T (este parámetro es determinístico y es justamente lo que debe determinar
el gerente para tomar decisiones).

Sean:

Cp: Costo esperado de la política de mantención por edad en el largo plazo.

F(t): Función de distribución acumulada 17

f(t): Función densidad de probabilidades

Luego, se tiene que la forma de determinar T viene dada por una razón entre el costo
promedio de reemplazo y el tiempo promedio entre reemplazos, esto es:

𝐸𝐸(𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟)

𝐶𝐶𝑝𝑝 =
𝐸𝐸(𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑𝑑𝑑 𝑟𝑟𝑟𝑟𝑟𝑟𝑚𝑚𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝)

𝐶𝐶1 + 𝐶𝐶2 𝐹𝐹(𝑡𝑡)

𝐶𝐶𝑝𝑝 = 𝑇𝑇
∫0 𝑥𝑥𝑥𝑥(𝑥𝑥)𝑑𝑑𝑑𝑑 + 𝑇𝑇(1 − 𝐹𝐹(𝑇𝑇))

Suponga que usted es el encargado de un sistema productivo que tiene una única
máquina. Esta máquina tiene una vida útil que se puede modelar apropiadamente con
una distribución uniforme entre 0 y 10 años. Cambiar una máquina por una nueva cuesta
El proceso de renovación

3.000 dólares, mientras que cada reemplazo preventivo cuesta 500 dólares. Si no hay
valor de reventa, determine cada cuánto se debe reemplazar la máquina para minimizar
el costo total de mantenimiento.

𝑇𝑇
3 + 1/2 �
𝐶𝐶𝑝𝑝 = 10� =
3 + 𝑇𝑇/20
=
60 + 𝑇𝑇
𝑇𝑇 1 𝑇𝑇 𝑇𝑇 2 10𝑇𝑇 − 𝑇𝑇 2 20𝑇𝑇 − 𝑇𝑇 2
∫0 𝑥𝑥 ∗ � � 𝑑𝑑𝑑𝑑 + 𝑇𝑇 �1 − �
10 10 +
20 10

Para encontrar el mínimo de Cp es necesario derivar la ecuación con respecto a T e

igualar a 0, por lo que:

(20𝑇𝑇 − 𝑇𝑇 2 ) − (60 + 𝑇𝑇)(20 − 𝑇𝑇)

=0
(20𝑇𝑇 − 𝑇𝑇 2 )2

Reordenando:
18

(20𝑇𝑇 − 𝑇𝑇 2 ) = (60 + 𝑇𝑇)(20 − 𝑇𝑇)

Reordenando finalmente:

𝑇𝑇 2 − 120𝑇𝑇 − 1200 = 0

Lo cual es una ecuación cuadrática que entrega dos soluciones: T1 = 9.25 y T2 = -

129.25. Por lo tanto, la máquina se debe reemplazar cada 9,25 años para optimizar el
costo promedio de mantención.

Ahora bien, si la política además tuviera algún valor de “recompensa” (una ganancia por
realizar el reemplazo), entonces la ecuación anterior se convierte en:
El proceso de renovación

𝐶𝐶1 + 𝐶𝐶2 𝐹𝐹(𝑡𝑡) − 𝑅𝑅(𝑇𝑇)�1 − 𝐹𝐹(𝑇𝑇)�

𝐶𝐶𝑝𝑝 = 𝑇𝑇
∫0 𝑥𝑥𝑥𝑥(𝑥𝑥)𝑑𝑑𝑑𝑑 + 𝑇𝑇(1 − 𝐹𝐹(𝑇𝑇))

Donde R(T) representa el valor de reventa de la máquina (por supuesto este valor
depende de T, dado que mientras más antigua es una máquina, menor es su valor
económico).

Referencias bibliográficas:

1. Ross, S. M. (2014). Introduction to probability models. Academic Press.

2. Beichelt, F. (2006). Stochastic processes in science, engineering and finance.
Chapman and Hall/CRC.
3. Rincón, L. (2012). Introducción a los procesos estocásticos. UNAM, Facultad de
Ciencias.
4. Gazmuri, P. (1995). Modelos estocásticos para la Gestión de Sistemas. Ediciones
Universidad Católica de Chile.
19
5. Maturana-Ross, J. (2021). Apuntes de clase.
6. Canales, W. (2021). Apuntes de clase