A transformação digital associada à Indústria 4.0 tem ampliado as possibilidades de monitoramento contínuo de ativos industriais, criando condições para que estratégias de manutenção baseadas em dados substituam abordagens reativas tradicionais. Este trabalho propõe uma metodologia integrada para análise probabilística de falhas em equipamentos industriais, articulando análise exploratória de dados operacionais, modelagem supervisionada da probabilidade de falha e simulação estocástica do comportamento do ativo ao longo do tempo. Utilizou-se a base de dados AI4I 2020 Predictive Maintenance Dataset, conjunto sintético com 10.000 registros de variáveis térmicas e mecânicas de um equipamento de usinagem. Após tratamento de anomalias pelo método do Intervalo Interquartil, que consolidou a base em 9.535 observações com taxa de falha de 2,76 porcento, ajustou-se um classificador de Regressão Logística com pesos de classe balanceados. O modelo obteve AUC-ROC de 0,9257 e sensibilidade de 86 porcento para a classe de falha. A análise dos coeficientes identificou o estresse térmico ambiental e a sobrecarga de torque como principais fatores aceleradores da degradação. A expansão temporal foi realizada por simulação de Monte Carlo ciclo a ciclo, comparando três cenários de severidade operacional com tempos médios até a falha de 21,91, 7,25 e 2,45 ciclos para os regimes leve, moderado e severo, respectivamente. A avaliação de políticas de manutenção baseada em condição revelou um dilema quantificável entre aproveitamento do ativo e contenção de quebras, com o limiar mais conservador reduzindo falhas não contidas a 22,6 porcento e o mais permissivo elevando-as a 71,5 porcento. Os resultados demonstram que a integração entre ciência de dados e engenharia de confiabilidade oferece base analítica concreta para o planejamento de estratégias de manutenção preditiva em ambientes industriais simulados.