REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIÓN UNIVERSITARIA, CIENCIAS Y

TECNOLOGIA
UNIVERSIDAD NACIONAL EXPERIMENTAL MARITIMA DEL CARIBE
DIRECCION DE INVESTIGACIÓN Y POSTGRADO
GERENCIA DE MANTENIMIENTO

FUNCIÓN DE
PROBABILIDADES
Profesor: Integrantes,
Cap. Solórzano, Yuri C/O León Anolson; CI: 16.450.518
C/O Mena Ilayali; CI: 17.079.590
C/O Moreno Isaac; CI: 17.588.540
C/O Romero Dixon; CI: 16.932.544
C/O Trujillano Maleysi; CI: 16.726.906

Marzo, 2022
 TABLA DE CONTENIDO

1. Introducción 3. Distribución Normal

2. Definición de: 4. Distribución Exponencial

 Funciones de Probabilidad
 Variable 5. Distribución Binomial
 Variable aleatoria
 Media o valor esperado 6. Distribución de Poisson
 Varianza
 Desviación estándar 7. Aplicación al Mantenimiento

8. Conclusiones
 INTRODUCIÓN
Técnicas Estadísticas Probabilidades de Ocurrencia
Mantenimiento

Funcionamiento Avería
Funciones o métodos de Probabilidad

Producción

Aplicación en el Mantenimiento
 DEFINICIONES
Son las funciones que permiten calcular la
Funciones de Probabilidad probabilidad de que ocurra determinada cantidad
de veces sucesos definidos sobre una variable.

Es una condición o característica determinada

Variable sobre la que obtendremos información. El valor
que adoptará cada variable será el dato.

Es una función que asigna un valor, usualmente

Variable aleatoria
numérico, al resultado de un experimento aleatorio.
 DEFINICIONES
Es el promedio ponderado de todos los resultados de
Media o valor esperado
esa variable aleatoria con base en sus probabilidades.

µ  = Media o valor esperado E = Media o valor esperado

X = valor del suceso. X = valor del suceso.
f = Probabilidad de que ocurra. P = Probabilidad de que ocurra.
N = Número total de periodos u i = Periodo en el que se da dicho
observaciones suceso.
Σ: = la sumatoria
N = Número total de periodos u
observaciones
Σ: = la sumatoria
 DEFINICIONES
Es una medida de dispersión que representa la variabilidad de una
Varianza
serie de datos respecto a su media.

X: variable sobre la que se pretenden calcular la

varianza
xi: observación número i de la variable X. i puede
tomará valores entre 1 y n.
x̄: Es la media de la variable X
σ2  letra sigma, es la varianza
Σ: = la sumatoria
 DEFINICIONES
Es una medida de dispersión que representa la
Desviación estándar variabilidad de los datos, no es más que la raíz
cuadrada positiva de la varianza.

X: variable sobre la que se pretenden calcular la

varianza
xi: observación número i de la variable X. i puede
tomará valores entre 1 y n.
x̄: Es la media de la variable X
σ:  letra sigma, es la desviación estándar.
Σ: = la sumatoria.
 DISTRIBUCIÓN NORMAL N(μ, σ)

Abraham de Moivre (1733) La descubre como límite de un modelo

binomial cuando el número de ensayos es
infinito.

En el siglo XIX, cada uno de ellos “redescubrió” la

Pierre Simon Laplace y distribución normal como la distribución que
Carl Friedrich Gauss describía el comportamiento de los errores en las
medidas astronómicas.

Por lo que esta distribución también se le

conoce con el nombre de Distribución de
Gauss-Laplace.
 DISTRIBUCIÓN NORMAL N(μ, σ)
Carl Friedrich Gauss (1809)
Fue en este año donde finalmente se dio su nombre a
la más famosa de las distribuciones estadísticas, ya
que numerosos fenómenos naturales se ajustan a ella y
que presenta unas  propiedades sumamente
interesantes.

Actualmente es conocida como Distribución normal  o

Campana de Gauss o Gaussiana.
 DISTRIBUCIÓN NORMAL N(μ, σ)
Recibe el nombre de Normal porque
Normal está presente en multitud de experimentos físicos,
biológicos, etc. Y la mayoría de las variables aleatorias son continuas siguiendo una
distribución normal, y se obtendrá una curva de características particulares.

 Es la distribución más utilizada en la Vida cotidiana.

 Es una distribución simétrica.
 Es asintótica, es decir sus extremos nunca tocan el eje
horizontal, cuyos valores tienden a infinito.
 En el centro de la curva se encuentran la media y la moda.
 El área total bajo la curva representa el 100% de los casos.
 Los elementos centrales del modelo son la media y la
varianza.
 DISTRIBUCIÓN NORMAL N(μ, σ)
N: Normal

Se abrevia de la siguiente forma: N(μ, σ) µ  = Media o valor esperado

σ:  Desviación estándar.

Esta distribución se ajusta normalmente a datos de dos tipos en mantenimiento:

1.En primer lugar a los fallos de elementos que estén sometidos a desgaste, como pueden ser
los fallos mecánicos, y
2.En el estudio del cumplimiento de las especificaciones por parte de los ítems fabricados.
 DISTRIBUCIÓN NORMAL N(μ, σ)
Desde un punto de vista operativo, esta distribución indica que cuando se hace el cambio de
variable en la N (µ,σ), los parámetros de la media y de la desviación se estandarizan. Y
existen tablas ajustadas para este tipo de función. Y en este caso se llama Función de
Distribución Estándar.

Donde la distribución normal estándar

define:
µ = 0, porque está centrada en el
origen.
σ = 1, punto más alto.
Z= La distribución normal estándar
 DISTRIBUCIÓN NORMAL N(μ, σ)

También se puede llamar: como

tipificada, o reducida:

Se usa para modelar la distribución de los

errores de medida.

A medida que la desviación se más

grande, la curva es menos prominente en
el valor de la media.
 DISTRIBUCIÓN NORMAL N(μ, σ)

Función de densidad Es igual una función simétrica y puede tomar

valores entre menos infinito y más infinito extremos.
 DISTRIBUCIÓN NORMAL N(μ, σ)
Representación gráfica:
1) Campo de existencia: (−∞,+∞)
2) La curva es simétrica respecto a la vertical
trazada en μ. Por tanto, la recta x=μ divide a la
curva en dos partes iguales cuyas áreas valen 0.5.
3) La gráfica de f(x) alcanza un máximo relativo
en el punto (μ,1/(σ2π−−√))
4) Se deduce que la media μ coincide con la moda.

5) Puntos de inflexión (μ+σ,1/(σ2πe−−−√)) y (μ–σ,1/(σ2πe−−−√)).
6) Tiene una asíntota horizontal en el eje de abscisas.
 DISTRIBUCIÓN NORMAL N(μ, σ)
Es una función de la distribución Normal, que se
Función de
utiliza para modelar datos de fiabilidad como un
Confiabilidad modelo para la vida útil de los productos o equipos.

R(t)= 1- Z

Donde, se recuerda que la función Z, sus parámetros son 0 y 1; lo que hace que la
confiabilidad de esta función de la Normal en este caso tienda al (- ∞)
 DISTRIBUCIÓN NORMAL N(μ, σ)
Función de Esta función la representamos con la letra R y se basa
Confiabilidad en el tiempo de confiabilidad u operatividad que tiene
un equipo o sistema, por tanto será R(t).

Representación gráfica:
 DISTRIBUCIÓN NORMAL N(μ, σ)
Es un indicador de mantenimiento que mide el
Tiempo medio entre falla tiempo medio entre fallos en un equipo o sistema y
(MTBF) está directamente relacionado con la fiabilidad del
equipo.

El tiempo medio
entre fallas
 DISTRIBUCIÓN NORMAL
N(μ, σ)
La distribución de probabilidad NORMAL, es la que nos facilitará medir o saber en un
intervalo de tiempo:

1.El periodo de desgate de un equipo.

2.Ajustar los tiempo de reparación de un equipo.
3.Tasa de falla aumenta constantemente porque los elementos de un equipo sufren un
proceso de deterioro físico.
 DISTRIBUCIÓN EXPONENCIAL (λ)
Se refirió a la distribución exponencial mientras
Kondo (1931) discutía la distribución muestral de la desviación
estándar, como la distribución de Pearson Tipo X.

Steffensen (1930), Se han demostrado aplicaciones de la distribución

Teissier (1934) y exponencial en problemas actuariales, de biología y
Weibull (1939) de ingeniería.

Se encuentra dentro de la familia de distribuciones

Karl Pearson en 1985
gamma (Tipo III) discutido Pearson en 1985
 DISTRIBUCIÓN EXPONENCIAL (λ)
Se utiliza con más frecuencia para modelar el comportamiento de unidades que tienen una
tasa de falla constate.

Se abrevia de la siguiente forma: (λ)

Esta distribución describe con exactitud las características de falla de muchos equipos en
funcionamiento, tales como componentes electrónicos y equipos industriales, que tienen
tasas de fallas constantes.(Periodo de operación normal).
 DISTRIBUCIÓN EXPONENCIAL (λ)
Punto importante de esta distribución es que NO tiene memoria. Esto nos indica que la
vida Útil restante de un componente es independiente de su antigüedad.

La función de densidad de probabilidad abreviada

Función de densidad: como (Pdf), la cual tiene una variable continua
aleatoria llamada X, con parámetro λ > 0

 A menudo llamado el parámetro de velocidad

La distribución se apoya en el intervalo [0, ∞)

 DISTRIBUCIÓN EXPONENCIAL (λ)
En la que se observa lo que sería la diferencia entre
Función de distribución:
función de distribución y la de supervivencia

Es una de las Distribuciones de variables continuas

más importantes.

Tiene como función expresar también el tiempo

entre tiempos transcurridos que se contabilizan con
la distribución de Poisson.
 DISTRIBUCIÓN EXPONENCIAL (λ)
Es utilizada para determinar la probabilidad de que en cierto tiempo suceda un
determinado evento.

Representación gráfica
 DISTRIBUCIÓN EXPONENCIAL (λ)

Función de confiabilidad: R(t) = e(−λt)

Nos proporciona la probabilidad de que la

unidad o equipo presente fallas hasta después
del tiempo.

En el mantenimiento, es la que permite

conocer la tasa de equipos que van a superar
una determinada vida útil
 DISTRIBUCIÓN EXPONENCIAL (λ)
Llamada también como: Tasa Instantánea de Falla o
Tasa de Falla h(t) Tasa de Riesgo

No es una probabilidad, puede tomar valores por arriba del 1 exceptuando valores negativos. Es
decir, permite hallar el número de entidades que fallan por Unidad de Tiempo.
 DISTRIBUCIÓN EXPONENCIAL (λ)
Tiempo medio entre
falla (MTBF)

Nos indica la vida promedio que una unidad o

equipo tendrá hasta falle.
DISTRIBUCIÓN EXPONENCIAL (λ)
También se puede calcular la mediana de falla, que no
Mediana de Falla es más que la que describe el tiempo en que la unidad
de los componentes habrán fallado.
DISTRIBUCIÓN EXPONENCIAL (λ)

Que nos permite calcular la variabilidad de una serie de

Varianza datos con respecto a su media.
 DISTRIBUCIÓN EXPONENCIAL (λ)
Finalmente, la distribución exponencial nos permite modelar la fiabilidad de los equipos
cuando la tasa de fallos es constante. Y por medio de sus funciones podemos obtener la
probabilidad de esa falla basado en el tiempo.
 DISTRIBUCIÓN BINOMIAL
Es la principal distribución de probabilidad discreta
Jakob Bernoulli
para variables dicotómicas, donde sólo pueden tomar
(Suiza,1654‐1705)
dos posibles resultado.

Distribución Binómica.
Por ende, también es conocida como:

Por lo tanto, la distribución binomial se entiende

como una serie de pruebas o ensayos en la que solo
podemos tener 2 resultados (éxito o fracaso), siendo
el éxito nuestra variable aleatoria.
 DISTRIBUCIÓN BINOMIAL

n    = Número de ensayos/experimentos
x    = Número de éxitos n: N ≥ 0 (N° enteros Positivos)
Positivos   
p    = Probabilidad de éxito p:     0 ≤ p ≤ 1
q    = Probabilidad de fracaso (1-p)
 DISTRIBUCIÓN BINOMIAL
En esta distribución también podemos obtener la varianza, la esperanza o valor esperado
y la desviación estándar.

Varianza Valor Esperado

Desviación Estándar
 DISTRIBUCIÓN BINOMIAL
Representación gráfica Características:

1. En cada prueba son posibles solamente dos

resultados: “éxito” o “fracaso”.
2. En cada intento, su resultado es independiente
de los anteriores.
3. La probabilidad de obtener “éxito” (y en
consecuencia, la de “fracaso”) no cambia a lo
largo de todo el proceso.
4. Llamamos p a la probabilidad de que se
verifique “éxito” y 1 – p = q a la probabilidad
de que aparezca un “fracaso”.
 DISTRIBUCIÓN DE POISSON
Es una distribución de probabilidad discreta que
Siméon-Denis Poisson, modeliza la frecuencia de eventos determinados
en 1838  durante un intervalo de tiempo fijado a partir de la
frecuencia media de aparición de dichos eventos.

A diferencia de la distribución normal, la

distribución de Poisson solo depende de un
parámetro, mu µ
 DISTRIBUCIÓN DE POISSON
La distribución de Poisson, es una buena aproximación de la distribución binomial (fallo con
probabilidad p, no fallo con probabilidad q=(1-p), por lo que a veces se emplea como sustituta de
las distribuciones binomiales, sobre todo sí n (ensayos) es muy grande y p o q (éxito y fracaso) es
muy pequeña.

Sus condiciones son:

a)el número de ensayos es grande n ≥ 30
b)el producto np ó nq < 5 (es pequeño).

λ = µ = tasa de fallos.
t = tiempo considerado.
x = numero de fallos.
e = cte 2.718
 DISTRIBUCIÓN DE POISSON
Sustituye el número de fallos por cero (0),
Función de Confiabilidad:
Obtendremos la confiabilidad de Poisson.

La cual coincide con la de la exponencial

R(t) = e(−λt)
 DISTRIBUCIÓN DE POISSON
Desempeña un papel importante, por derecho
Propiedades de la propio, como un modelo probabilístico
distribución de Poisson apropiado para un gran número de fenómenos
aleatorios.

La media de la variable aleatoria X

1) Media o valor esperado
 DISTRIBUCIÓN DE POISSON

2) Varianza: de la variable aleatoria X

Siempre unos valores que

3) Desviación Típica son iguales o mayores que 0
 DISTRIBUCIÓN DE POISSON
Finalmente, es la que describe el número de veces que ocurre un evento durante un
intervalo específico.

 La distribución de Poisson también puede ser utilizado para el número de eventos
en otros intervalos especificados como la distancia, área o volumen.
 APLICACIÓN DE LAS DISTRIBUCIONES DE
PROBABILIDADES EN EL MANTENIMIENTO
DISPONIBILIDAD CONFIABILIDAD

Si se quiere Siempre cuesta dinero

aumentar la y sólo debe ser buscada
disponibilidad en MANTENIBILIDAD. cuando realmente sea
sistema o equipo, efectiva. A veces lo
se debe aumentar Se debe actuar más barato cuesta más.
la confiabilidad. prioritariamente sobre
la mantenibilidad para
aumentar la
disponibilidad.
APLICACIÓN EN EL MANTENIMIENTO