INTRODUCCIÓN A LA

CLASE 07 ESTADÍSTICA DE LA
FIABILIDAD
Probabilidad: De manera general,
puede definirse “probabilidad” como
una medida de la posibilidad de
ocurrencia de un evento.
 Introducción estadística
Muchos problemas en el campo del mantenimiento y fiabilidad son situaciones que incluyen variables
probabilísticas
Variable Aleatoria o “Random”: Se denomina variable aleatoria o
distribuida, a una variable “X” que por sus características pueda tomar un
conjunto de valores (x1, x2, x3, x4,... xn-1) cada uno de los cuales tiene una
probabilidad de ocurrencia (p1, p2, p3, p4,... pn-1,), sin que se pueda asegurar
específicamente cual de todos estos probables valores tomara la variable.
Si lanzamos dos dados a la vez, existen 36 probables combinaciones
diferentes.
“Suma de los puntos obtenidos en cada dado” puede tomar cualquiera de los
siguientes 11 probables resultados: 2,3,4,5,6,7,8,9,10,11 y 12;
sus probabilidades de ocurrencia estimados son: 1/36, 2/36, 3/36, 4/36, 5/36,
6/36, 5/36, 4/36, 3/36, 2/36 y 1/36, respectivamente.
Adicionalmente es importante hacer otra clasificación de las
variables random, en “variables continuas” y “variables discretas”.
Si una variable random sólo puede tomar valores enteros, es decir, un número
finito o infinito de valores “numerables o contables” diremos que es discreta.

Si teóricamente, puede tomar todos los valores de un intervalo dado, diremos

que es continua. Para el mejor entendimiento de estos conceptos, analicemos
los siguientes ejemplos:
El experimento aleatorio que consiste en lanzar Consideremos ahora el experimento que
dos dados. El espacio de resultados de la consiste en elegir al azar 500 personas y
variable aleatoria “suma de los puntos medir su estatura. El espectro de probables
aparecidos en cada dado” esta compuesto por resultados es infinito, y aunque podríamos
un número limitado de probables resultados definir un rango (entre 0.25m y 3.5m) la
(2,3,4,5,6,7,8,9,10,11,12), y no debemos variable puede tomar cualquier valor en ese
esperar que tome valores como 7.5, 9.8 o 2.2. rango. Por esta razón, esta variable se
Por esta razón, esta variable se clasifica como clasifica como variable
variable random discreta. random continua.
Muchos problemas en el campo del mantenimiento y fiabilidad son situaciones que incluyen variables
probabilísticas

VARIABLE ALEATORIA DISCRETA: Toma un VARIABLE ALEATORIA CONTINUA: Es una función que asigna
número finito de valores dentro de un intervalo. un valor netamente numérico al resultado de un experimento
aleatorio.
Número de alumnos atrasados.
Es el conjunto de posibles valores dentro de un intervalo.
El número de caras obtenidas al lanzar tres
monedas (0,1,2,3). Tiempo que me demoro en cambiar un neumático.
Es la que toma infinitos valores dentro de un intervalo real.
Suma de las caras superiores al lanzar dos dados
(2,3,4,5,6,7,8,9,10,11,12) Ejemplo la duración de una bombilla de una marca y modelo
determinado.

El interés de esta probabilidad es conocer la probabilidad en

un espacio de tiempo determinado.

Dicha probabilidad se le conoce como: Función de densidad,

conociendo esta curva basta conocer el área correspondiente
para conocer la probabilidad en un rango de tiempo
DISTRIBUCIONES DE PROBABILIDAD

Las Distribuciones de Probabilidad, son esencialmente modelos matemáticos

que pueden representarse gráficamente (como las figuras) que relacionan los
diversos probables valores que puede tomar una variable random, con la
frecuencia de ocurrencia de cada uno de estos probables valores.
Tradicionalmente se clasifica a las distribuciones de probabilidad en dos
grandes familias: Distribuciones Paramétricas y Distribuciones No Paramétricas.
• MEDIA: Promedio de un número
infinito de valores

• MEDIANA: Valor medio de un

conjunto de valores

• MODA: Término que más se repite

• VARIANZA: De una variable

aleatoria es la medida de la disperción
de una variable respect a la media (La
esperanza del cuadrado de la
desviación de dicha variable con
respect a su media)

• DESVIACIÓN ESTANDAR: Es igual a

la raíz cuadrada de la varianza, es la
diferencia entre el promedio de los
cuadrados de los valores y el
cuadrado del valor promedio
DISTRIBUCIONES EMPÍRICAS O HISTOGRAMAS
HISTOGRAMA DE FRECUENCIAS RELATIVA
1 300 1 431 1 510 1 601 1 701 1 804 901-1000 1 999
100 LÁMPARAS ESTÁN 300-400
2 380 2
3
452
463
2
3
511
518
2
3
603
604
2
3
701
705
2
3
813
838
FUNCIONANDO 4
401-500 5
465
469
4
5
523
527
4
5
606
608
4
5
710
721
801-900
4
5
867
867
CONTINUAMENTE SE 6
7
479
480
6
7
529
530
6
7
615
617
6
7
723
726
6
7
873
885
ANOTA EL TIEMPO QUE 8
9
480
486
8
9
540
541
8
9
622
624
8
9
727
736
8 897

TARDA EN FALLAR CADA 10

5001-600 11
557
560
10
11
631
633
701-800 10
11
750
759

UNA, LA PRIMERA 12
13
561
561
12
13
634
635
12
13
768
769

LÁMPARA FALLA A LAS 14

15
564
567
14
15
638
641
14
15
776
776
16 567 16 646 16 777
300 h. 17 576 17 647 17 786
18 580 18 647 18 789
19 583 19 648 19 798
20 597 20 650
601-700
21 598 21 651
22 657
23 659
24 661

NO PARAMETRICA
25 661
26 665
27 676
28 678
29 678
30 680
31 680
32 681
33 681
34 684
35 684
36 691
37 696
38 698
39 699
40 699
El método más sencillo para lograr estas observaciones es crear un histograma de
Frecuencias Relativas, para lo cual deben seguirse los siguientes pasos:

1. Determinar el recorrido o amplitud de la población o muestra, restando el

valor máximo obtenido del mínimo.

2. Dividir el recorrido en un número de rangos o clases, seleccionados

convenientemente de forma de no desvirtuar el dominio de la variable
aleatoria.

Una forma de estimar el ancho de clase es la Regla de Sturges que establece que
el número de clases viene dado por:

k =[1+ 3.3 * log10 n] ………………………………. k =[1+ 3.3 * log10 100] = 7

Donde:
k = número de clases
n = tamaño de muestra
[x] = valor absoluto de x
3. Contar el número de observaciones que corresponden a cada
rango o clase

4. Calcular la frecuencia relativa para cada rango o clase con la

siguiente formula:

Frecuencia Clasei = Nº observaciones en Rango o Clasei / Nº total

observaciones

5. Construir el gráfico resultante

 1 300 1 431 1 510 1 601 1 701 1 804 901-1000 1 999
300-400
2 380 2 452 2 511 2 603 2 701 2 813
3 463 3 518 3 604 3 705 3 838
4 465 4 523 4 606 4 710 4 867
801-900
401-500 5 469 5 527 5 608 5 721 5 867
6 479 6 529 6 615 6 723 6 873
7 480 7 530 7 617 7 726 7 885
8 480 8 540 8 622 8 727 8 897
9 486 9 541 9 624 9 736
k =[1+ 3.3 * log10 100] = 7 10
5001-600 11
557
560
10
11
631
633
701-800 10
11
750
759
12 561 12 634 12 768
13 561 13 635 13 769
14 564 14 638 14 776
15 567 15 641 15 776
16 567 16 646 16 777
17 576 17 647 17 786
18 580 18 647 18 789
19 583 19 648 19 798
20 597 20 650
601-700
21 598 21 651
22 657
23 659
24 661
25 661
26 665
27 676
28 678
29 678
30 680
31 680
32 681
33 681
34 684
35 684
36 691
37 696
38 698
39 699
HISTOGRAMA DE FRECUENCIA RELATIVA

100 LÁMPARAS ESTÁN FUNCIONANDO CONTINUAMENTE SE ANOTA EL TIEMPO QUE TARDA EN FALLAR
CADA UNA, LA PRIMERA LÁMPARA FALLA A LAS 300 h.

DATOS DE FALLAS DE LÁMPARAS

Tiempo de Densidad de la
Intervalo de Frecuencia frecuencia
100h Frecuencia relativa relativa
300 - 400 2 0,02 0,0002
400 - 500 9 0,09 0,0009
500 - 600 21 0,21 0,0021
600 - 700 40 0,4 0,004
700 - 800 19 0,19 0,0019
800 - 900 8 0,08 0,0008
900 - 1000 1 0,01 0,0001
TOTAL 100 1

¿Cuál es la probabilidad que las lámparas duren mas de 700 horas?

A(t>700)=(0.19+0.08+0.01)=0.28 o 28%
13
PARA LA TENDENCIA CENTRAL CALCULAMOS LA MEDIA ARITMÉTICA

m= σ 𝑓 𝑡
Σ = suma de todos los términos
f = Frecuencia relativa del intervalo
r

t = Punto medio del intervalo

r

m = (0,02x350) + (0,09x450) + (0,21x550) + (0,40x650) + (0,19x750) + (0,08x850) + (0,01x950) =643h

PARA LA DISPERSIÓN

𝑠 2 = Σ𝑓𝑟(𝑡 − 𝑚)2
𝑠2 =
0,02(350 − 643)2 +0,09(450 − 643)2 +0,21(550 − 643)2 +0,4(650 − 643)2 +
0,99(750 − 643)2 +0,08(850 − 643)2 +0,01(950 − 643)2 = 13500ℎ2
14
𝑺= (13500)1/2= 116h 643h±116 759h/527h
Ejercicio

Con los mismos datos del ejemplo anterior

realice el ejercicio para intervalos de tiempo de
50 horas
Ejercicio Construya un Histograma para los siguientes datos