Analisis Probabilistico y Simulacion

ANLISISPROBABILSTICOY SIMULACIN
CARLOSJ.ZAPATA

UNIVERSIDADTECNOLGICADEPEREIRA PEREIRA COLOMBIA 2010
GRUPODEINVESTIGACINEN PLANEAMIENTODESISTEMASELCTRICOS

FUNDADO POR EL INGENIERO RAMN ALFONSO GALLEGO RENDN EN EL AO 1999, TIENE COMO MISIN EL DESARROLLAR, MEJORAR Y APLICAR CONOCIMIENTO EN EL REA DE SISTEMAS ELCTRICOS DE POTENCIA PARA TRANSFERIRLO A LA COMUNIDAD ACADMICA Y A LAS EMPRESAS DEL SECTORELCTRICO. SUSREASDETRABAJOSON:PLANEAMIENTODESISTEMASDETRANSMISIN DEENERGAELCTRICA,PLANEAMIENTODESISTEMASDEDISTRIBUCINDE ENERGA ELCTRICA, CONFIABILIDAD DE SISTEMAS ELCTRICOS, CALIDAD DE LA ENERGA ELCTRICA, INVESTIGACIN DE OPERACIONES Y OPTIMIZACINMATEMTICA,MERCADOSDEENERGA.
ANLISISPROBABILSTICOYSIMULACIN TABLADECONTENIDO

1 2 3 4 5 6 7 8 9 10 Conceptosbsicos Modelosparadistribucionesdeprobabilidad Algunasoperacionescondistribuciones Estadsticadescriptiva Inferenciasobreelvaloresperadoylavarianza Ajustededatosaunadistribucin CadenasdeMarkov Procesosestocsticospuntuales SimulacindeMontecarlo Anexos
Pgina 1 38 76 83 91 105 132 164 205 226
PRESENTACIN
AnlisisProbabilsticoySimulacincorrespondealasnotasdeclasedeloscursosdepostgradoquesobre este tema el autor ha dictado en la Universidad Tecnolgica de Pereira (Pereira, Colombia), en la UniversidaddelosAndes(Bogot,Colombia). Elprincipalobjetivodeestedocumentoespresentaralgunosconceptosdemodelamientoprobabilsticoy simulacindeMontecarloloscualessirvancomobasepararealizaraplicacionesenlasreasdeingeniera yciencias. Desdeelpuntodevistapedaggicoelautorsehatrazadodosgrandesydifcileslineamientos:Primero, queatravsdeestedocumentoelestudiantelogrecomprenderlosaspectosconceptualesdelateorade probabilidadyestadstica,ysegundo,queelcursoseaeminentementeprcticoysirvaalestudiantecomo herramientaparadesarrollaraplicacionesreales.Amboslineamientosestnmotivadosenelhechodeque, aunque los cursos probabilidad y estadstica hacen parte de casi todos los programas profesionales de pregrado y postgrado, de una parte, su enseanza ha sido tradicionalmente realizada sin presentar los aspectosfilosficosdeestetipodematemticas,quesonlosquesustentanlavalidezdesuaplicacin,y, por otra, en la mayora de textos de este tema no se presentan aplicaciones reales y procedimientos completos de modelamiento que motiven al estudiante al estudio de esta materia y le den las competenciasnecesariaspararealizaraplicacionesaproblemasdesuentornolaboral. Enestedocumentonoseasumeunconocimientoprevioenprobabilidadyestadstica.Lasherramientas requeridas para este curso son calculo diferencial e integral, algebra lineal, ecuaciones diferenciales ordinariasyprogramacindecomputadores. El autor agradece al ingeniero Ramn Alfonso Gallego Rendn la invitacin que le hizo en el ao 2000 para dictar un curso de confiabilidad de sistemas elctricos para el programa de maestra en ingeniera elctrica de la Universidad Tecnolgica de Pereira, con lo cual se dio inicio a la elaboracin de este documento,yaquelaprobabilidadyestadsticaconstituyenlaprincipalherramientadetrabajoenelrea deconfiabilidad. Elautortambinhacesureconocimientoyagradecimientoalosgrandesprofesoresquetuvodurantesu vidacomoestudianteuniversitario,loscualesinfluenciaronpositivamentesuparteprofesionalyhumana, siendo as una gran bendicin para l; ellos son: Francisco Javier Escobar Gonzales, Antonio Hernando EscobarZuluaga,RamnAlfonsoGallegoRendnyAlvaroTorresMacas.
Carlos Julio Zapata Grisales Cartago, Enero de 2010
AnlisisProbabilsticoySimulacinCarlosJ.Zapata
Captulo1ConceptosBsicos
CAPTULO1CONCEPTOSBSICOS
1.1LAALETORIEDADYELANLISISPROBABILSTICO 1.1.1ELCONCEPTODEINCERTIDUMBRE t=? h t = + 2 h / 9.8
Tiempotparagestarun serhumano
Tiempotensegundos paralacadadeunobjeto desdehmetrosdealtura
Figura1.1Ejemplosdeprocesosconysinincertidumbre
Eltrminoincertidumbreserefiereaaquellasituacinenlacualnosetienecompletoconocimiento sobreunprocesodado.Lafaltadeconocimientopuedereferirsealadescripcindelproceso,suscausas osusresultados.
Lo opuesto a incertidumbre se denomina certidumbre o determinismo. La Fig. 1.1 presenta dos ejemplosdeprocesosconysinincertidumbre: Eltiempoparaquesegesteunserhumano:tieneincertidumbreyaquenoexisteunaecuacin 1 oconjuntodeecuacionesquepermitanestablecerenformaexactaestevalor. El tiempo para cada libre de un objeto: es determinstico y se obtiene de las leyes del 2 movimientoestablecidasporIsaacNewton. Laincertidumbreaparecepor: 1 Laincapacidadparaexplicarelproceso(faltadeconocimiento=ignorancia) Laincapacidadparamodelarorepresentarelproceso(porignorancia,altacomplejidaddel 2 proceso,limitacindelasherramientasmatemticasycomputacionales) 3 Laincapacidadparamediruobservarenformaprecisaelprocesobajoestudio Ntesequelaincertidumbreserefierealanalistanoalproceso. En los problemas reales de ingeniera y ciencias se encuentra que lo ms comn es que no existe la suficiente informacin o la certidumbre como para establecer modelos determinsticos. Sin embargo, estahasidolaformatradicionaldemodelamientoenseadaenlasuniversidades.
UniversidadTecnolgicadePereira 2010 1
Taxonomadelaincertidumbre Nivelde complejidad 0 1 Tipode incertidumbre Determinismo Aleatoriedad Descripcin Completoconocimientodelprocesobajoestudio Seconocenlosposiblesresultadosdelprocesobajoestudioperono suscausas,o,aunqueseconocenlascausasylosresultados,nose escapazdeestablecerunadescripcindeterminsticadelproceso Incapacidadparadefinirenformaclaraoprecisaunaclasificacin de las observaciones para las causas o resultados. En trminos lingsticos se denomina vaguedad y en trminos numricos imprecisin. Aunque existe una clasificacin de las causas y resultados se es incapazdeasignaralgunasobservacionesaellas(noespecificidad) Renecaractersticasdevaguedadyambigedad.
Vaguedade imprecisin Ambigedad Confusin
3 4
Mediante el anlisis probabilstico se estudian procesos donde existe incertidumbre en forma de aleatoriedad.Lasotrasformasdeincertidumbreseestudianmediantelalgicadifusa,lateoradelas posibilidadesylateoradelaevidencia. EJEMPLO Entrada Proceso Salida Observaro Alto ... Medio medirlas Bajo personas Resultados:Alto,Medio,Bajo
Figura1.2Anlisisdelaestaturadeungrupodepersonas
Elprocesobajoestudioesobservaromedirlaestaturadelaspersonasqueasistenaunsalndeclase, talcomosemuestraenlaFig.1.2.
Determinismo:
Existeunadefinicinperfectadelosresultados Bajo < 1.50 m 1.50 m Medio 1.70 m
Alto > 1.70 m
Aleatoriedad:
Requiere una perfecta definicin de los resultados (Qu es Alto, Medio y Bajo),perolaincertidumbreestencmosedarnestosresultados:conqu frecuenciallegaunapersonaalta?
Vaguedadeimprecisin: Culesvalorespertenecenacadacategoralingstica(Alto,Medio,Bajo)? Unapersonaconunaestaturade1.499999esBajaoMedia?
Ambigedad: Confusin:
1.70mesunaestaturamediaoalta? Nosesabesiunresultadoesaltoomediooquesaltoomedio.
UniversidadTecnolgicadePereira
2010
1.1.2AZARYALEATORIEDAD
Eltrminoazarserefierealaausenciadecausaoexplicacin
Seaplicaa: 1 Aquellasituacinenlacualnoseconocenlascausasqueproducenuneventodado Aquellasituacinenlacual,aunqueseconocenlascausasqueproducenuneventodado,no 2 puedeexplicarseporquestasocurrensimultneamente.
Eltrminoaleatoriedadserefiereaaquellasituacinenlacuallaocurrenciadeuneventodadono puedeexplicarsemasqueporintervencindelazar
Otrosinnimoparaaleatorioeseltrminoestocstico. Eltrminoaleatorioserefiereaalgocarentedecausauordenoqueesimpredecible.As,sediceque unprocesoesaleatoriocuando: 1 Noseconocenlascausasqueloproducen Aunqueseconocenlascausasylosresultadosnoseescapazdeestablecerunaleyorelacin 2 determinsticapermanenteentreellos(experimentoaleatorio) 3 Lasecuenciaderesultadosnopuedecondensarseenunaecuacinodescripcin 4 Existedudasobrelaveracidaddeunaafirmacinonegacin 1.1.3ALEATORIEDADVERSUSDETERMINISMO Todo lo que sucede en el mundo tiene una causa o explicacin y en este sentido el mundo es determinstico,porlocual,esilgicoonocientficopensarlocontrario.As,desdelargotiempoatrsy endiversaspocasalgunosfilsofosycientficoshasidoexpresadoquelasleyesdelanaturalezason determinsticas;entonces,dedondesurgelaideadealeatoriedad?
Laincertidumbreserefierealapersonaqueanalizaelprocesonoalprocesoensi;entonces,eslafalta deconocimientodelserhumanolaquehacequealgunosprocesosdebanconsiderarsealeatorios.
EJEMPLO
Elprocesonaturaldegestacindeunserhumanoesdeterminstico:conocemossuscausas,evolucin yresultadoprincipal(elnacimientodeunbeb).Sinembargo,existeincertidumbrerespectoavarios aspectosdeesteresultado.Porejemplo,noexisteunmodelomatemticoquepermitadeterminaren formaexactaelinstantetenquehadenacerunbeb.Lonicoqueseconoceempricamenterespecto aestetiempoesquetieneunvalorpromediode9meses(38semanas),porlocual,lasobservaciones puedensermayoresomenoresaestedato.As,tseconsideraaleatorio.

EJEMPLO
F = ma
Figura1.3Bolasdenievequegolpeanunavivienda
Considereelprocesodecalcularlafuerzamximaconquegolpeanlasbolasdenieveunavivienda, talcomosemuestraenlaFig.1.3.
LasleyesestablecidasporNewtonnosdicenquelafuerza F esigualalamasa m porlaaceleracin a yenestesentidoelprocesoesdeterminstico.Sinembargo,enestecasolamasa m decadabolade nievequegolpealacasaesdiferenteynosedisponedeunarelacinparaello;entonces,silamasa m seconsideraaleatoria,lafuerza F tambinloes. 1.1.4POSIBILIDADYPROBABILIDAD
Eltrminoposibilidadserefierealconocimientoocreenciadequeuneventodadopuedeexistiru ocurrir.
Otrosinnimoparaposibleeseltrminoplausible. Laposibilidadnoimplicatotalcertezasobrelaexistenciauocurrenciadeuneventodado,puestoque sta se puede expresar mediante un nivel o grado de posibilidad que generalmente es una probabilidad.
Eltrminoprobabilidaddefinematemticamenteelgradodecertidumbresobrelaocurrenciadeun eventooeventos

0.0
1.0
Totalcertidumbresobrela
Totalincertidumbresobre laocurrenciadelevento
ocurrenciadelevento
Figura1.4Conceptodeprobabilidad
La probabilidad es un nmero real entre 0.0 y 1.0, el cual tambin es comnmente expresado en porcentaje.LaFig.1.4muestralossignificadosdeestosextremos.
2010
Laprobabilidadesunconceptorelacionadoconlaocurrenciadeunoovarioseventos;laprobabilidad puedeasignarsedelassiguientesformas: 1 Objetiva Basadaenexperimentacinoanlisismatemtico 2 Subjetiva Basadaenlacreenciadelanalista Laprobabilidadylaposibilidadestnrelacionadasdelasiguientemanera:
Uneventonoprobableopocoprobablepuedeserposible,perosieleventoesimposiblenoesprobable
EJEMPLOS
1.LaprobabilidaddequesereportelapresenciadeunOVNIenestesitioescero,peroesteeventoes posible
2.No es posible convertir el agua en gasolina, por lo tanto, este evento no es probable (tiene probabilidadcero) 1.2EXPERIMENTOSDETERMINSTICOYALEATORIO Entrada Proceso
Figura1.5Conceptodeunexperimento
Salida
Unexperimentoestodoprocesooprocedimientoquetransformaunaentradaenunasalida,talcomo semuestraenlaFigura1.5.Elprocesopuedesermedir,contar,observar,interrogar. Losexperimentossepuedenclasificarendeterminsticosyaleatorios.
Unexperimentodeterminsticoesaquelquecuandoserepiteconlamismaentradaeidnticas condiciones,siempreserobservadalamismasalida.
Entrada VoltajeDC100V Ejemplodeexperimentodeterminstico Proceso Aplicarestevoltajeaunaresistenciade50 Ohmiosymedirlacorriente Salida I=V/R=100/50=2Amperios
El experimento determinstico es una abstraccin matemtica para describir fenmenos, sistemas o procesossinincertidumbre,esdecir,conperfectoconocimientodelascausas,procesoylosresultados.
Unexperimentoaleatorioesaqueldondelasalidanoeslamismaaunqueserepitanlamismaentraday condiciones.Esdecir,lasalidanopuedeseridentificadaenformanicadelconocimientodelaentrada.
Elexperimentoaleatoriosecaracterizaporque: Se repite muchas veces (varias iteraciones, Si un experimento se realizara una sola vez, 1 ensayos). habraunasolasalidaoresultado. Nosepuedeonosedeseapredecirlasalidao Interesalaocurrenciarelativadelasalidanosu 2 resultadoexactodelexperimento resultadoexacto Elexperimentoaleatorioesunaabstraccinmatemticaparadescribirfenmenos,sistemasoprocesos conincertidumbreenformadealeatoriedad. Ejemplos Entrada Proceso Salida Medir la resistencia de cada 100, 101, 99.5, 99.8, 100.5, 99.5, Lotederesistoresde100Ohm resistencia 100.2,99.2,98.0,... Buena, buena, buena, daada, Lotederesistoresde100Ohm Probarlacontinuidad buena,buena,daada,... Nmero de descargas 88en1998,72en1999,92en2000, atmosfricas por ao en una Conteodetruenos 101en2001,100en2002,... regin Corriente de descarga de un Medida de la corriente de 20.2kA,30.5kA,40kA,18kA,... rayo descarga 500 horas, 1000 horas, 300 horas, Vida de una bombilla en un Medidadeltiempoparafalla 672.5horas,... sistemadeiluminacinpublico Tiempo para reparar un Conteo del tiempo para 2 horas, 1.5 horas, 4 horas, 10 transformadordedistribucin reparacin horas Estado operativo de un grupo Observar el estado operativo Buena, buena, buena, daada, de luminarias de un sistema de cadamaana daada, iluminacinpblico Aireexteriorenunainstalacin Medirlatemperatura +20,0,15,45,... Rock, rock, pop, balada, rock, Qutipodemsicalegusta? Interrogar despecho,salsa, Si,si,no,no,no,si,... Legustoelpostre? Interrogar No,poco,mucho,no,si,...
2010
1.3ESPACIOMUESTRALYEVENTOS 1.3.1Espaciomuestral
Eselconjuntodetodoslosresultadosposiblesdeunexperimentoaleatorio
El espacio muestral se designa por las letras S (Sample Space) o . Los resultados pueden estar expresadosennmerosoentrminosnonumricos. Ejemplos Experimento Espaciomuestral Medidaderesistenciaaunlotederesistores Losnmerosrealespositivossinincluirelcero Pruebadecontinuidadaunlotederesistores Buena,Daada Conteodetruenosporaoenunaregin Losnmerosenterospositivosincluyendoelcero Corrientededescargadeunrayo Losnmerosrealespositivossinincluirelcero Vida de una bombilla en un sistema de Losnmerosrealespositivossinincluirelcero iluminacinpublico Tiempo para reparar un transformador de Losnmerosrealespositivossinincluirelcero distribucin Estadooperativodeungrupodeluminariasdeun Buena,Daada sistemadeiluminacinpblico Medir la temperatura ambiente exterior en una Los nmeros reales positivos y negativos instalacindada incluyendoelcero Elespaciomuestraltienequeestarcompletamentedeterminadoynopuedecambiar.Sinembargo,no siempreesfcildeterminarelespaciomuestral. Ejemplo Experimento Espaciomuestral Observar las salidas que afectan la disponibilidad Falla en estructura, cortocircuito, flameo de deunalneadetransmisin aislador,accidentedetrnsito,...? 1.3.2Evento
Esunsubconjuntodeintersdelespaciomuestral
Los eventos son los resultados de un experimento aleatorio que cumplen unas determinadas condiciones. Ejemplo Experimento Eventos Fallaspropiasdelalneadetransmisin Falla en estructura, cortocircuito, flameo de aislador,roturadeconductor,otras
Enelejemplo,seintroduceeleventootrasfallasparacubrireldesconocimientoquehayenestecaso sobreelespaciomuestral;esdecir,noseconocentodaslasposiblesfallas. 1.3.3Tiposdeeventos Eventosindependientes Dos eventos son independientes si la ocurrencia de uno, no afecta la probabilidad de ocurrencia del otro. Ejemplos Flameodeunaisladoryfalladeunaestructura Falladedoscomponentesquenohacenpartedeunmismoaparatonicompartenfunciones Amenudo,parasimplificarlosmodelosodebidoalafaltadeconocimientodelprocesobajoestudio,se asumeindependenciaenloseventoscuandoestonoesestrictamentecierto.Sinembargo,estaprctica puedellevaragraveserroresenelmodelamiento. Eventosmutuamenteexclusivos Doseventossonmutuamenteexclusivosodisjuntossiambosnopuedensucederalmismotiempo. Ejemplos Fallayoperacindeunequipo Embalsellenoyembalsevaco Lasposicionesdeunsuitchediscreto:apagado,bajo,medio,alto Loseventosdisjuntosconprobabilidadesdiferentesdecerosonestrictamentedependientesaunquea vecesseasumalocontrario. Eventoscomplementarios Doseventossoncomplementariossicuandounoocurre,elotronopuedeocurrirosiunonoocurre,el otrotienequeocurrir.Sonmutuamenteexclusivos. Ejemplos Fallayoperacindeunequipo Embalsellenoyembalsevaco Loseventosdisjuntosconprobabilidadesdiferentesdecerosonestrictamentedependientesaunquea vecesseasumalocontrario. Eventoscondicionalesodependientes Soneventosquepuedenocurrircondicionalmentesobrelaocurrenciadeotroseventos.
Ejemplos Flameodeunaisladorydescargaatmosfricasobreunconductordefase Roturadeuncabledeunafasedeunconductoryfallafasetierra Despacho de una unidad de generacin hidrulica y disponibilidad del caudal mnimo de agua requeridoparagenerar Despachodeunaunidaddegeneracinhidrulicaydisponibilidaddelequipodegeneracin 1.3.4Determinismosobreladefinicindelespaciomuestralyloseventos La teora de probabilidad est basada en la teora clsica de conjuntos donde las fronteras entre conjuntos son fijas (rgidas). As, el espacio muestral y los eventos son conjuntos perfectamente definidosodeterminsticos;esdecir: 1 Nopuedehabervaguedadoimprecisinparadefinirelespaciomuestralyloseventos 2 Nopuedehaberambigedadoconfusinparaasignarresultadosaloseventos Esto es as porque la incertidumbre que existe es sobre la ocurrencia de los eventos no sobre la definicindelosmismos. Esto contrasta con el modelamiento mediante lgica difusa donde se definen conjuntos difusos los cuales tienen fronteras que no son fijas (blandas). Las fronteras difusas permiten representar la vaguedadeimprecisinenladefinicindeloseventos.Esteconceptoseilustraenlafigura1.6 Personademediaestatura: Personademediaestatura: 1.50 m ? h 1.70 m ? 1.50 m h 1.70 m Conjuntosclsicos=fronterasfijas Conjuntosdifusos=fronterasblandas
Figura1.6Ejemplodeconjuntosclsicosydifusos
1.4DEFINICIONESDEPROBABILIDAD 1.4.1Definicinaxiomtica(Kolmogorov) La probabilidad de un evento dado A , es un nmero P( A) asignado a este evento que obedece los
siguientespostulados:
0 P( A) 1 P(S) = 1 ylaprobabilidaddeuneventofalsooimposiblees0. SiAyBsoneventosdisjuntos, P( A B) = 0 ,entonces, P( A B) = P( A) + P( B)

Lateoraresultantesedesarrollaconbaseenlasoperacionesconconjuntos.
1.4.2Definicindefrecuenciarelativa
Se considera que el experimento aleatorio se repite n veces. Si un evento dado A ocurre nA veces, entonces:
P( A) = lim nA / n
n
La probabilidad obtenida es objetiva a posteriori ya que se obtiene mediante la experimentacin y comotalesunhechodelmundoreal. Sin embargo, en la realidad un experimento no puede repetirse un nmero infinito de veces, por lo cual, la existencia del lmite es una hiptesis, no un resultado experimental. A pesar de esto, es la definicinmsutilizada. 1.4.3Definicinclsica
Siunevento A sepuededescomponerenlasumade M eventosquepertenecenaunconjuntode N eventosmutuamenteexclusivoseigualmenteprobables,entonces:
P( A) = M / N
Laprobabilidadobtenidaesobjetivaperonorequiereexperimentacin,soloanlisismatemtico. Estadefinicinrequiereconocerenformaexactaelnmeroposiblederesultados. Tienelimitadaaplicacindebidoa: 1 Elrequerimientodeigualprobabilidaddetodosloseventosdelespaciomuestral. 2 Enalgunosexperimentoselnumerodeeventospuedeserinfinito 1.4.4Definicinsubjetiva
Todoindividuoestencapacidaddeexpresarsusincertidumbresenformadejuiciosdeprobabilidad
Es una hiptesis o medida subjetiva del conocimiento sobre la posibilidad de que un evento dado ocurra.Seasignanprobabilidadesaeventosconbaseenexperienciaspasadasperononecesariamente conbaseenresultadosexperimentales.Esteenfoquenoesconsistenteconelmtodocientficobasado enlaexperimentacinyanlisisdedatostomadosdelmundoreal. Ejemplo Laprobabilidaddereprobarestecursoesdeaproximadamenteel2%
EJERCICIO1.1 Enunsistemaelctricosetienenregistradasparaunperiodode5aosloseventosquecausandaode losaisladoresdelaslneasdetransmisinareas. Ei Evento Ocurrencias Probabilidad Daodebidoadescargaatmosfrica 152 =152/434=0.3502 Daodebidoacontaminacin 137 =137/434=0.3157 Daodebidoasobrevoltajepormaniobra 65 =65/434=0.1498 Daodebidoaferroresonancia 40 =40/434=0.0922 Daodebidoalvandalismo 25 =25/434=0.0576 Daodebidoaotrascausas 15 =15/434=0.0346 Total 434 1.0000 Laprobabilidadsehallaaplicandoladefinicindefrecuenciarelativaalasestadsticasoperativasdel sistema.Enestecaso,sehallalaprobabilidaddedaodelaisladorparacadacausa. Noconfundirconlaprobabilidaddequeocurralacausadeldao;porejemplo,laprobabilidaddeque unaisladorsedaedebidoaunadescargaatmosfricaesde0.3502.Quedapordeterminarculesla probabilidad de que se produzca una descarga atmosfrica con una corriente de descarga de tal magnitudquedaeelaislador. EJERCICIO1.2 Unsistemaindustrialcuentacondiezunidadesdegeneracindelassiguientescapacidades: Cantidad Capacidaddecadaunidad 3 5MW 3 4MW 2 3MW 1 6MW 1 10MW Siseasumequelaprobabilidaddefalladetodaslasunidadesesigual,sepuedeaplicarladefinicin clsicadeprobabilidad. Culeslaprobabilidaddequealseleccionaralazarunadelasunidadesparaasumirlafalladaen unestudiodeflujodecarga,salgalaunidadde10MW? Hay 1 unidad de 10 MW entre 10 unidades de generacin; entonces, M = 1, N = 10 y P=M/N=1/10=0.1 Culeslaprobabilidaddequealseleccionaralazarunadelasunidadesparaasumirlafalladaen unestudiodeflujodecarga,salgaunaunidadde5MW? Hay 3 unidades de 5 MW entre 10 unidades de generacin; entonces, M = 3, N = 10 y P=M/N=3/10=0.3
1 2 3 4 5 6
Paraasumirquetodaslasunidadestienenigualprobabilidaddefalla,serequierenporlomenosque seandelamismatecnologa,edadytamaosimilar. 1.5REGLASPARACOMBINARPROBABILIDADES 1.5.1Ocurrenciasimultneadedoseventos ( A B ) Eventosindependientes Eventosdependientes

P( A B) = P( A) * P( B)

P( A B) = P( A | B) * P( B) = P( B| A) * P( A) P( A | B) selee:LaprobabilidaddeAdadoqueB
Sihayneventosindependientes,entonces:
P( A1 A2 An ) = in=1 P( Ai )
ocurri
Loseventosdisjuntosconprobabilidadesdiferentesdecerosonestrictamentedependientes: Siseasumenindependientes,entonces: P( A B) = P( A) * P( B) > 0 Pero P( A B) = 0 puesto que ambos eventos no pueden ocurrir al mismo tiempo. Esto es contradictorioconloanterior.
Entonces,estoseventossonestrictamentedependientesy: P( A | B) = 1.5.2Ocurrenciadeunodedoseventosodeambos ( A B) Eventosindependientes

P( A B) 0 = =0 P( B) P( B)
Eventosdependientes pero no
Eventos independientes mutuamenteexclusivos
P( A B) = P( A) + P( B) P( B| A) * P( A) P( A B) = P( A) + P( B) P( A | B) * P( B)
P( A B) = P( A) + P( B) P( A) * P( B)
SiAyBsoneventoscomplementarios: Eventosindependientesymutuamente exclusivos1

P( A B) = P( A) + P( B)
P( A) + P( B) = 1
P( A ) = P( B )
Sihay n eventosindependientes,entonces:
P( A1 A2 An ) = P( Ai )
i =1
Nota: En esta formulacin, que aparece en muchos textos, se omite el hecho de que los eventos disjuntossondependientes,talcomoseexplicanteriormente.
EJERCICIO1.3 En un sistema elctrico se tienen registradas para un periodo de 7 aos los eventos que afectan las lneasdetransmisinareas. Ei Evento Ocurrencias Probabilidad 1 2 3 4 5 6 Daodeaislador Falladecimentacin Falladeestructura Roturadeconductordefase Descargaatmosfricadirecta Otras Total 175 50 100 150 250 275 1000 0.175 0.050 0.100 0.150 0.250 0.275 1.000
Comoenelejercicio1.1,laprobabilidaddecadaeventosehallaaplicandoladefinicindefrecuencia relativayutilizandolasestadsticasoperativasdelsistema. Culeslaprobabilidaddequeseproduzcansimultneamenteunflameodeaisladoryunafallade estructura? Estoseventossepuedenconsiderarindependientes,entonces:
P( E1 E3 ) = P( E1 ) * P( E3 ) = 0.175 * 0.10 = 0.0175
Culeslaprobabilidaddequeseproduzcansimultneamenteunadescargaatmosfricaydaode aislador? Eldaodeunaisladoresdependientedeleventoqueocurraunadescargaatmosfrica,entonces:
P( E1 E5 ) = P( E1 | E5 ) * P( E5 ) = 0.3502 * 0.25 = 0.08755 ( P( E1 | E5 ) = 0.3502 setomadelejercicio1.1)
Laecuacin P( E1 E5 ) = P( E5 | E1 ) * P( E1 ) aunquevlidamatemticamente,notienesentidoeneste problemapueselflameodeunaisladornopuedeproducirladescargaatmosfrica. Culeslaprobabilidaddequeseproduzcanundaodeaisladoryunafalladeestructuraoambos eventos? Estoseventossonindependientesperonomutuamenteexclusivos,puesambospuedensucederal mismotiempo.
P( E1 E3 ) = P( E1 ) + P( E3 ) P( E1 ) * P( E3 ) = 0.175 + 0.10 0.175 * 0.10 = 0.2575
Culeslaprobabilidaddequeseproduzcadaodeunaisladorounadescargaatmosfricadirecta oamboseventos?
P( E1 E5 ) = P( E1 ) + P( E5 ) P( E1 | E5 ) * P( E5 ) = 0.175 + 0.25 0.35 * 0.25 = 0.3375

2010 13
1.6ELCONCEPTODEVARIABLEALEATORIA Lasalidadeunexperimentoaleatorioesunavariablealeatoria,conceptoesteparaelcualexistendos definiciones. 1.6.1Definicinprctica
Unavariablealeatoriaesaquellaparalacualsusvaloresnopuedenpredecirseenformaexacta,porlo cual,laocurrenciadeciertosvaloressolopuedeexpresarseentrminosdeprobabilidad
Ejemplos Variabledeterminstica
Variablealeatoria
Elvoltajedeunafuentesinusoidalde60Hertzse definecomo: V (t) = 150sin(377t) 1.6.2Definicinmatemtica

D X(D)=4
Lavelocidaddelvientoenestesitioesuna variablealeatoria.Noexisteunaecuacinque definaenformaexactasusvaloresparacada instantedeltiempo.
X(E)=5 S E A X(A)=1
B C
X(B)=2
X(C)=3
Figura1.7Conceptomatemticodevariablealeatoria
Unavariablealeatoriaesunafuncinqueleasignaunnmerorealacadaresultadooeventodeun experimentoaleatorio
La Fig. 1.7 muestra un esquema de esta definicin. Esta definicin es necesaria para cubrir aquellos procesosaleatoriosdondeloseventoscorrespondenadefinicioneslingsticas. Paraunavariablealeatoriasedefinen: Dominio Losresultadosoeventosdelexperimentoaleatorio Rango Esunconjuntodenmerosaloscualesselesasignaunvalordeprobabilidad
Ejemplos Experimento 1 Observareltiempopararepararun transformador Variablealeatoria S:Losnmerosreales>0 X=1*(resultadosdelexperimento) Rango:Losnmerosreales>0 S:indisponible,ONAN,ONAF1,ONAF2
Observarelestadooperativodeun transformadorONAN/ONAF1/ONAF2
X=0MVAparaindisponible, X=80MVAparaONAN X=100MVAparaONAF1 X=120MVAparaONAF2
Medidaderesistenciadeunlotede resistenciasde100Ohm
Rango:0MVA,80MVA,100MVA,120MVA Espaciomuestral:Losnmerosreales>0 Xi=1/Ri,dondeRisonlosOhmiosdelamedidai Rango:Losnmerosreales>0
1.6.3Tiposdevariablesaleatorias Puedetenernicamenteunnmerocontable Discreta devaloresounnmerodiscretodeestados Tieneunnmeronocontabledevalores Continua
Mixta Unacombinacindelasanteriores 1.6.4Distribucindeprobabilidaddeunavariablealeatoria Asignaracadavalorposibledeunavariablealeatorialaprobabilidadquelecorresponde,esdefinirla distribucindeprobabilidaddelavariablealeatoria. EJEMPLO
Ejemplo:Nmerodefallasenunperiodo detiempo Ejemplo:Tiempoparafalladeun componente
Sea x la variable aleatoria discreta que representa el nmero de temblores que se ocurren en una zonadadaduranteunperiododetiempodado t enanos.Laprobabilidaddeque x seaigualaun valordado k duranteelperiodo t estadadapor:
P[ x(t ) = k ] =
1 [t ]k * e t k!
Donde: k = 0,1, ,
esunvalorentero sonparmetrosdelmodelomatemtico
Entonces,
1 [t ]k * e t esladistribucindeprobabilidadde x . k!
EJEMPLO
Sea x la variable aleatoria que representa los eventos que producen daos generalizados en una ciudad.Laprobabilidaddeque x estadadapor:
P[ x]
0.05 0.20 0.10 0.25 0.15 0.16 0.09
1 2 3 4 5 6 7
Terremotos Lluviasfuertes Tormentaselctricas Inundaciones Fuertesvientos Granizada Protestas
Entonces,latablapresentadaesladistribucindeprobabilidadde x . 1.7TENDENCIAENUNPROCESOALEATORIO x x x Positiva Negativa t t Figura1.8Tiposdetendenciaenunprocesoaleatorio
Cero
Sea t el periodo para el cual se dispone de observaciones de un proceso aleatorio dado y sea x la variablequelorepresenta. Latendenciaserefierealcomportamientodelosvaloresde x durante t delasiguienteforma(Verla Fig.1.8): Tipodetendencia Descripcin Tipodeproceso Duranteelperiodo t , lasobservacionesde x presentanun Positiva Noestacionario patrndecontinuoaumento Duranteelperiodo t , lasobservacionesde x presentanun Noestacionario Negativa patrndecontinuadisminucin No se observa durante el periodo t que las observaciones Estacionario Cero de x presentenunpatrndeaumentoodisminucin Unprocesoestacionariopuedeserestacionalesdecirconoscilacionesperidicas.
1.8MODELOMATEMTICODEUNPROCESOALEATORIO Realidad
Idealizacin
Inferencia Proceso aleatorio (Poblacin de datos) Modelo probabilstico Experimento aleatorio Estimacin Muestra de datos Estadsticas descriptivas Caractersticas de la distribucin x , s , etc. E ( x ) , VAR ( x) , etc. Figura1.9Procedimientoparaelestudiodeunprocesoaleatorio
Elmodelomatemticoparaunprocesoaleatorioestdeterminadopor: 1 Elespaciomuestral 2 Loseventosdeinters 3 Laprobabilidadqueseleasignaacadaevento
Ladistribucindeprobabilidadconstituyeelmodelomatemticodelprocesoaleatoriobajoestudio
Existen entonces dos mundos para el estudio de un proceso aleatorio: uno real donde se realiza el experimento aleatorio y se obtiene una muestra de datos y otro ideal donde se tiene el modelo probabilstico.Laestadsticaeselpuenteentreestosdosmundos. Comopartedelaidealizacinalgunasvecesseasumequeparaelprocesoaleatoriobajoestudioexisten elmodelomatemticoocaractersticastalescomoelvaloresperado E( x) aunqueestosnoseconozcan onohayanpodidodeterminase. Para definir el modelo probabilstico, es deseable seleccionar una de las funciones matemticas desarrolladasparatalpropsito.Estaseleccinsehacebasndoseenlossiguientescriterios: 1 Lanaturalezafsicadelproblemabajoestudio 2 Losdatosdisponibles(Losresultadosdelexperimento) Lapruebaestadsticadequeelmodelopropuestaesunarepresentacinapropiadadelproceso 3 bajoestudio. 4 Elconocimientodelanalista
2010
17
La estadstica, basada en los resultados de un experimento aleatorio (datos disponibles), tiene procedimientosparaseleccionarculfuncinmatemticapuedeutilizarsecomomodeloprobabilstico para un experimento aleatorio. Sin embargo, como varios modelos pueden cumplir las pruebas estadsticas,enlaseleccinfinalentranenconsideracinlospuntos1y4mencionadosanteriormente. Losestudiosdelaestadsticaserefierenaunapoblacindeindividuos(personas,equipos,cosas)enlas quesedesarrollaunprocesoaleatoriodeinters,elcualseestudiamedianteunexperimentoaleatorio delcualsesacaunamuestradedatos. Cadaunadelascaractersticasdelmodelomatemtico(valoresperado E( x) ,lavarianza VAR( x) ,etc.) tienensuparenlaestadsticadescriptiva(promediomuestral x ,desviacinmuestral s ,etc.). Un asunto a determinar es en qu medida las estadsticas descriptivas sirven para estimar las caractersticasdeladistribucinodelmodeloyaqueelprocesoaleatoriocorrespondeaunapoblacin dedatosperoelexperimentoaleatoriosolobrindaunamuestradeestos. Unavezseseleccionaunmodeloprobabilstico,debetenerseclaroqueesteessolounaidealizacin para representar el proceso aleatorio bajo estudio; las conclusiones que con respecto al proceso aleatorio se sacan de este modelo se denominan inferencias, puesto que son generalizaciones a la poblacindealgoqueseobservaenunamuestradedatos. Deberecalcasefinalmentequeningnmodeloprobabilsticoesperfectoensufuncinderepresentarla realidaddebidoaque: 1 Losexperimentosaleatoriossolobrindancantidadeslimitadasdedatos No hay precisin de medida tan elevada para identificar todos los valores de una variable 2 continua 1.9TIPOSDEMODELOSPROBABILSTICOS Distribucionesde Soloaparecelavariableovariables probabilidad aleatoriasmediantelascualesseestudia elprocesoaleatorio Modelos probabilsticos Aparecelavariableovariables Procesos
estocsticos Figura1.10Tiposdemodelosprobabilsticos
aleatoriasmediantelascualesse estudiaelprocesoaleatorio,pero indexadasporeltiempouotro parmetro
Existendosgrandestiposdemodelosprobabilsticos:lasdistribucionesdeprobabilidadylosprocesos estocsticos.EstaclasificacinsepresentaenlaFigura1.10
1.9.1Funcionesdedistribucindeprobabilidad Seutilizancuando: 1 Elprocesoaleatorioesestacionario(cerotendencia) Elperiododeintersparaestudiarelprocesoaleatorioolaevolucindeltiempodentrodeeste 2 periodonoserequierenparaexplicarelprocesoaleatoriobajoestudio Enestecaso,ladistribucindeprobabilidadseexpresanicamenteentrminosdelavariablealeatoria x quedescribeelprocesoaleatorio.As,lafuncinpuedesercontinua,discretaomixtasegneltipo deespaciomuestral. Nteseque x puedereferirseauninstantedetiempooaunperiododetiempoqueseobservadurante unperiododetiempodado.Porejemplo, x puedensereltiempoparareparacindeunvehculoolos instantesdeocurrenciadeunaerupcinvolcnica. 1.9.2Procesosestocsticos Seutilizancuandoelperiododeintersparaestudiarelprocesoaleatorioolaevolucindeltiempo dentrodeesteperiodoserequierenparaexplicarelprocesoaleatoriobajoestudio.Elprocesoaleatorio bajoestudiopuedeserestacionarioonoestacionario. En este caso, la distribucin de probabilidad se expresa en trminos de la variable aleatoria x que describeelprocesoaleatorioydeunparmetro t queeselperiodoparaestudiodelprocesooinstantes detiempodentrodeeste.Entonces,lavariablealeatoria xt quedescribeelprocesoestindexadaporel parmetro t ndicedelproceso:
xt = x(t ) t > 0
Un proceso estocstico esentonces una coleccin de variablesaleatorias: existe una variable aleatoria porcadavalordelparmetro t delproceso.Lacoleccindevariablesaleatoriasestndefinidassobre unmismoespaciomuestraloespaciodeestado. Segncomoseestudienelespaciodeestadoyeltiempo,unprocesoestocsticopuedeser: Estado Tiempo Ejemplos Discreto Discreto cadenadeMarkovdiscreta Discreto Continuo cadenadeMarkovcontinua,procesospuntuales Continuo Continuo procesoGausiano,procesoBrowniano Existen muchos procesos estocsticos que tienen aplicaciones particulares en diferentes reas del conocimiento.EnestetextosolosepresentarnlascadenasdeMarkovyalgunosprocesospuntuales.
2010
19
Elparmetrodeunprocesoestocsticonosiempretienequesereltiempo;enalgunasaplicacioneseste parmetropuedeasimilarseaotracosasobrelacualseobservaunavariablealeatoria.Porejemplo,en laFig.1.11semuestraunprocesoestocsticodondeseobservalaubicacinderbolesaltosalolargo del pasillo de una lnea de transmisin. Ntese que esto es anlogo a estudiar los defectos en una lminaorollodetela,loshuecosenunava,etc. t = longitud
Figura1.11Procesoestocsticocuyoparmetroesunalongitud
1.10DEFINICINMATEMTICADELAFUNCINDEDISTRIBUCINDEPROBABILIDAD 1.10.1Variablesaleatoriascontinuas Fx 1.0

x
Figura1.12Funcindedistribucindeprobabilidad
Sea x x0 eleventodequelavariablecontinua x seamenoroigualaunvalordado x0 .Entonces:
Lafuncindedistribucindeprobabilidaddelavariable x es Fx ( x0 ) = P( x x0 ) paracualquier x entre( , + )

Propiedadesde Fx 1 2 3
Fx ( ) = 0 y Fx ( + ) = 1
Esunafuncinnodecreciente.Si x1 x2 ,entonces Fx ( x1 ) Fx ( x2 )
P( x > x0 ) = 1 P( x x0 ) = 1 Fx ( x0 )
LaFigura1.12muestralaformatpicadeunafuncindedistribucindeprobabilidad. Comolasvariablesaleatoriascontinuastienenunnmeroinfinitodeposiblesvalores,laprobabilidad puntualdecadaunodesusvaloresescero.Porestaraznnotienesentidohablardeprobabilidades

paravalorespuntualesdeunavariablealeatoriacontinua,laprobabilidadsehayaparaintervalosde valores.EsteconceptoseilustraenlaFig.1.13 N = i
0.0
1.0 Pi = = =0 N
Figura1.13Probabilidaddevalorespuntualesdeunavariablealeatoriacontinua
1.0 1.0
Tambinsedefinelafuncindedensidaddeprobabilidaddeunavariablealeatoriacomo:
Lafuncindedensidaddeprobabilidaddelavariable x es fx ( x) = entre( , + )

dFx ( x) paracualquier x dx
fx

x
Figura1.14Funcindedensidaddeprobabilidad
La funcin de densidad de probabilidad es la razn de cambio de la probabilidad acumulada con respectoalosvaloresdevariablealeatoria x .Adems, f x ( x) 0 paratodo x . Relacionesentre Fx ( x) y f x ( x) 1 2 3
x0 Fx ( x0 ) = f x ( x)dx
P( a x b) = b fx ( x)dx = Fx (b)Fx (a) a + fX ( x)dx = 1.0
Eltrminodistribucinseutilizaindistintamenteparareferirsetantoalafuncindedistribucinde probabilidadcomoalafuncindedensidaddeprobabilidad.Enlaprcticasoloseutilizalanotacin Fx ( x) y f x ( x) omitiendo x0 yentendindoseque Fx ( x) serefierealaprobabilidaddelintervalo [0, x] . Comolafuncindedistribucindeprobabilidadsiempreesunacurvacrecienteasintticaalvalor1.0, enlaprcticaesmsutilizadalafuncindedensidaddeprobabilidadpuesestatienediferenteforma

encadaunodelosdiferentesmodelosmatemticosutilizados(exponencial,gamma,weibull,normal, etc.). El rango de una variable aleatoria continua no tiene que se necesariamente ( , + ), este puede acotarse de acuerdo con el problema prctico a resolver, por ejemplo, de ( 0, + ). De otra parte, solo algunosmodelosmatemticosdesarrolladosparadistribucionesdeprobabilidad,comoporejemplo,el gausiano,yeluniforme,manejanelrango( , + ).Lagranmayorasolomanejanelrango( 0, + ). Paraunprocesoestocsticoestasfuncionessedefinencomo: F( x , t ) Fx ( x , t ) = P[ x(t ) x] fx ( x , t) = x Porelteoremafundamentaldelclculo:
f x ( x) =
As,sellegaaque:
dFx ( x) dx
x0 Fx ( x0 ) = f x ( x)dx
Lafuncindistribucindeprobabilidadolafuncindedensidaddeprobabilidadconstituyenelmodelo matemticodelprocesoaleatoriobajoestudio
1.10.2Variablesaleatoriasdiscretas f X ( x)

FX ( x)
FX ( x0 ) = P( x x0 ) = P( x = xi )
i =1 x0
fX ( x0 ) = P( x = x0 )
Sedenominafuncindedensidaddeprobabilidad demasa. 0.0 P( xi ) 1.0
P( x ) = 1.0
i =1 i
LaFigura1.15presentaunejemplodelagrficadeestasdosfunciones. Paraunprocesoestocsticodiscretoenelestadoestasfuncionessedefinencomo:
Fx ( x , t ) = P[ x(t ) x] = P( x(t ) = xi )
i =1 x0
fx ( x0 , t ) = P( x(t ) = x0 )

Probabilidad Probabilidad 0.8
fX
1.0 0.8
FX
0.2
x
1 2 1 2
Figura1.15Funcionesdedensidaddeprobabilidadydedistribucindeprobabilidadparaunavariablediscreta
1.10.3Valoresperadoovalormedio Variablesaleatoriascontinuas
Variablesaleatoriasdiscretas
E( x) = + x * fx ( x) * dx
E( x) = xi * P( xi )
i =1
Esunaconstantequeindicaloqueseraelpromedioestadsticodeunagrancantidaddeobservaciones delavariablealeatoria.Escomnusarlanotacin paraelvaloresperado. Caractersticasdelvaloresperado 1 2 3 Noeselvalorconmayorprobabilidaddeocurrir Noeselvalorqueseobservaconmsfrecuencia(moda) Puedeserimposibledeobtenerfsicamente
Porlotanto,sedebetenermuchocuidadoalhacerinferenciasapartirdevaloresesperados.Nosedebe confundirconelpromedioestadstico x delasobservacionesdelavariable. Propiedadesdelvaloresperado 1 2 3

E( x + c ) = E( x) + c ,para c unnmeroreal E(c * x) = c * E( x) ,para c unnmeroreal
E[ x E( x)] = 0 ,Laexpectativadedesviacinconrespectoalvalormedioescero
La ecuacin del valor esperado para una variable discreta lleva a la siguiente relacin que se puede aplicarparaunavariablediscretaocontinua:
SisemultiplicaunvalorCdeunavariablealeatoriasxporlaprobabilidaddeestevalorseobtieneel valoresperadodeC: E(C ) = C * P[C ]

Esteconceptosegeneralizadiciendoquealmultiplicarunacantidadporunaprobabilidadseobtiene unvaloresperado.
1.10.4Varianzaydesviacinestndar Variablesaleatoriascontinuas
Variablesaleatoriasdiscretas
VAR( x) = + [ x E( x)]2 * fx ( x) * dx
VAR( x) = [ xi E( x)]2 * p( xi )
i =1
Lavarianza VAR( x) esunnmerorealpositivoquemideladispersindelafuncinconrespectoasu valoresperado.Escomnusarlanotacin 2 paralavarianza.

12
2 2
2 2 2 > 1
Figura1.16Conceptodevarianza
Propiedadesdelavarianza 1 2
VAR ( x + c ) = VAR ( x) ,para c unnmeroreal
VAR(c * x) = c 2 *VAR( x) ,para c unnmeroreal
La desviacin estndar STD( x) mide la desviacin con respecto al valor esperado en las mismas unidadesdelavariable.
STD( x) = + VAR( x)
Escomnusarlanotacin paraladesviacinestndar. La varianza y la desviacin estndar miden la pobreza del pronstico del valor esperado con respectoalatendenciacentraldeladistribucin. El valor esperado y la varianza constituyen las principales caractersticas que describen las distribucionesdeprobabilidad.OtrasmedidassepresentanenelCaptulo2. Paraunprocesoestocsticosedefinen: VAR[ x(t )] = 2( t ) = E[ x 2 (t )] E2 [ x(t )] E[ x(t )] = + xfx ( x , t )dx x
EJEMPLO Lavariable x confuncindedensidaddeprobabilidad f x ( x) = condistribucinGausiana.

1 2 e 2* *t es un proceso 2 t 2 Gausiano;existeunavariablealeatoriacondistribucinGausianaporcadavalordelparmetro t ,que enestecasoesunnmerorealmayoracero. EJERCICIO1.4 Eltiempo t paraqueunoperariorealicelainspeccindeunequipoelctricoesunavariablealeatoria uniformementedistribuidaentre0y6horas.Culeslaprobabilidaddequelainspeccinserealiceen untiempomenoroiguala3horas? 1.0 Paraelcasodeladistribucinuniformesetiene: Ft (t ) a+b 0+6 ft (t ) E( x) = = = 3 Horas 2 2 t t 1 1 b=6 a=0 a=0 b=6 f t (t ) = ft (t ) = 6 ba ta t 3 Ft (t ) = P[t t ] = Ft (t ) = P[t t ] = Ft (3) = = 0.5 Ft (3) = 50% ba 6 6 EJERCICIO1.5 Enuntallerhay n = 4 operarios.Laprobabilidaddequecualquieradeellosrealicelainspeccindeun equipoelctricoenuntiempomenoroiguala3horases p = 0.5 .
1 e 2
( x )2 2* 2
esunavariablealeatoria
( x )2
La variable xt con funcin de densidad de probabilidad f x ( x , t ) =
Si al inicio de la jornada se tienen 4 equipos para revisar, cual es la probabilidad de que a media maanalamitaddelosoperariosestndesocupados? En este caso, la variable aleatoria x representa el evento de encontrar k = 0, 1, 2, 3, o 4 operarios desocupadosamediamaana. E( x) = np = 4 * 0.5 = 2 operarios
n 4 Fx ( x) = P( x = k ) = p k (1 p ) n k Fx (2) = P ( x = 2) = 0.52 (1 0.5) 4 2 = 0.375 Fx (2) = 37.5% k 2 Se espera encontrar 2 operarios desocupados. La probabilidad de que este evento ocurra es del 37.5%
EJERCICIO1.6 Para un transformador dedistribucinse ha verificado que el proceso dellegadas de lasfallas es un procesoestocsticoPoissonhomogneoconunatasadeocurrenciadeeventos = 0.2 fallas/ao. Para N (t ) ,elnmerodefallasqueocurrenenunperiododevida t quesemideenaos,sedefinen: Lavarianza:
VAR[ N (t )] = t
Laprobabilidaddequeocurran k = 0,1, 2, Elvaloresperadodefallas:
fallas:
P[ N(t ) = k ] =
E[ N (t )] = t
1 [t ]k * e t k!
Ntese que t describe un periodo no un instante de tiempo. As para cada valor de t existe una variable N (t ) consudistribucin,valoresperadoyvarianza. Este proceso es estacionario porque para cada periodo t el valor esperado y la varianza son una constante.
1.11COMPARACINENTREMODELAMIENTODIFUSOYPROBABILSTICO
( x)
Gradodepertenencia Bajaestatura Mediaestatura Altaestatura
1.0
Estaturaenmetros x 1.70 1.50 Figura1.17Modelodifusoparalaestaturadelaspersonas
En la teora de lgica difusa, la vaguedad e imprecisin se representan mediante conjuntos difusos, aquellos cuyas fronteras son blandas. As mismo, se define una funcin de pertenencia ( x ) para la variable x bajo estudio, la cual da el grado de pertenencia de los valores de x con respecto a una definicinlingstica.UnejemplodefuncindepertenenciasepresentaenlaFigura1. Elgradodepertenenciaesunnmerorealentre0y1elcualmidelaincertidumbreconrespectoala posibilidaddequeunvalordadodexpertenezcaaunaclasificacinlingsticadada.As,elgradode pertenenciaNOesunaprobabilidadyaquenoserefierealaposibilidaddeocurrenciadelosvalores de x . Las funciones de pertenencia se construyen en forma emprica del conocimiento del analista o utilizandoprocedimientosbasadosenredesneuronales.
Enresumen:
Tipodeincertidumbrequemaneja Medida Significadodelamedida Modelomatemtico Basematemtica Tipodemodelamiento Probabilstico Difuso Vaguedad,imprecisin, Aleatoriedad ambigedad Probabilidad Gradodepertenencia Nmerorealentre[0.01.0] Nmerorealentre[0.01.0] Semidelaposibilidadde Semidelaposibilidaddequeun ocurrenciadeuneventoovalor eventoovalordadopertenezca dado aunaclasificacindada Funcindedistribucinde Funcindepertenencia probabilidad Teoraclsicadeconjuntos Teoradeconjuntosdifusos
Un fenmeno o situacin del mundo real puede presentar varios tipos de incertidumbre para un mismoanalista. EJEMPLO
Un pintor lleva 50 cuadros a una exposicin donde sern evaluados por tres crticos. Los crticos catalogarancadaunadelaspinturasenlassiguientescategoras:horrible,fea,bonita,hermosa.
Entonces,enesteproblemaexistendostiposdeincertidumbre:
1.Primero,devaguedadencuantoacmoserncatalogadaslasobrasporloscrticos
2.Segundo,dealeatoriedadencuantoacuantasobrassernclasificadasencadacategora
Obviamente,unavezloscrticosdansuveredicto,laincertidumbredesaparece.
Asmismo,dosanalistaspodranmanejarunfenmenoosituacindelmundorealmedianteteorade probabilidadoconteoradelgicadifusa,siendoambasalternativasvlidas. EJEMPLO Unhombretiene4amigasconlasquesaleenalgunasocasiones.Unsbadoenlatardeestehombre llama a cada una de las 4 y las invita a salir. Cada una de ellas le responde voy a mirar si puedo cuadrar los asuntos que tengo pendientes y te respondo en una hora. Mientras espera la respuesta, este hombre dice: La probabilidad de que cualquiera de ellas en forma independiente acepte a salir conmigoesdel80%,entonceslaprobabilidaddequeunadelascuatroaceptehoyasalirconmigo,la puedohallaraplicandoladistribucinbinominal
Mientrasestehombreesperaquesusamigaslerespondan,uncompaerodeestudioledice:Noseas bobo,esteasuntonoesdeprobabilidadessinodelgicadifusapueslarespuestadeellasdependeesde suestadodenimo;asdelestadodenimoquedetectastealhablarconcadaunadeellas,estimacon lasiguientefuncindepertenenciaculpuedesersurespuesta:

( x) grado de pertenencia
respuesta = NO
respuesta = SI medio animo mucho animo
1.0
poco animo
x estado de animo 0 Ambostiposdemodelamientosonenestecasovlidosparahacerlaprediccin.

1.12TIPOSDEPROCESOSALEATORIOS ProcesosinmemoriaoMarkoviano
Sienunprocesoaleatoriolatransicinaunestadosiguientesolodependedelestadopresenteenquese encuentreelproceso,esdecir,noimportaelrecorridoquehizoparallegaralestadopresente,sedice queesteprocesonotienememoriaoesMarkoviano.

Procesoestacionario
Unprocesoaleatorioesestacionariosisuvaloresperadoyvarianzasonconstantesdurante t
Procesohomogneo
Unprocesoaleatorioeshomogneosidurante t estepuedeserrepresentadormedianteunafuncinde distribucindeprobabilidad

Todo proceso estacionario es homogneo; as, los trminos estacionario y homogneo son intercambiables.
2010
28
1.13PROCEDIMIENTOPARAOBTENERUNMODELOPROBABILSTICO Muestrade datos Pruebade aleatoriedad Proceso No Modelosdeterminsticos, aleatorio? Modelosdifusos, Etc.
Pruebade tendencia Proceso No Procesosestocsticosnohomogneos estacionario? Si Pruebade independencia No Modelosparadependencia Independencia? (procesosestocsticos) Si No Distribucionesdeprobabilidad Serequiere t? Si Procesosestocsticoshomogneos Figura1.18Procedimientoparaobtenerunmodeloprobabilstico
Si
En la Fig. 1.18 se muestra el procedimiento bsico para obtener un modelo probabilstico para un proceso aleatorio. La omisin de cualquiera de los modelos presentados puede llevar a un modelamientoerrneo.
Esteprocedimientoconstadetrespruebasbsicas:
Enmuchoscasoselanalistadeterminasegnsurazonamientosiunproceso bajoestudioesonoaleatorio.
Aleatoriedad
Sin embargo, cuando se trata de secuencias de nmeros esto no es tan sencillodeterminarlapresenciadealeatoriedadyparatalpropsitosehan desarrolladopruebas.
Por ejemplo, cuando se crea un generador de nmeros aleatorios es necesario verificar si las secuencias de nmeros generados son o no aleatorios.

Consisteendeterminarsielprocesoobservadoesonoestacionario.
Tendencia
Ejemplo de estas pruebas son el test de Laplace o mtodos grficos tan sencillos como la grafica de barras de las magnitudes de una secuencia numrica.

Consiste en determinar si las observaciones de la muestra son independientes entre si o no. Esta prueba es muy importante porque no Independencia siempre el analista puede determinar segn su razonamiento si los resultadosdeunexperimentoaleatoriosononoindependientes.
Comoejemplosdemodelosprobabilsticossetienen: 1 2 3 4 Procesosestocsticoshomogneos Procesosestocsticosnohomogneos Modelosparadependencia Distribucionesdeprobabilidad ProcesodePoissonHomogneo CadenasdeMarkovcontinuashomogneas ProcesoGausiano ProcesosdePoissonnohomogneos CadenasdeMarkovnohomogneas Seriesdetiempo Branchingprocess Uniforme, uniforme discreta, normal, exponencial,gamma,Weibull,etc.
1.14RELACINENTREPROBABILIDADYESTADSTICA Los trminos probabilidad y estadstica son utilizados extensivamente por el comn de las personasyporlosprofesionalessinqueenlamayoradeloscasosseconozcaladiferenciaentreestas dosreas. Aunque fuertemente relacionadas entre s, estas dos reas no son la misma cosa, por lo cual, es necesarioconocersudiferencia.
Probabilidad Estadstica Es una teora matemtica que se encarga del Se encarga de la aplicacin de la teora de planteamiento de modelos para estudiar probabilidadaproblemasreales. fenmenosaleatorios. Sus conclusiones son inferencias o Sus conclusiones son deducciones basadas en los generalizaciones basadas en las observaciones disponiblesdelfenmenoaleatoriobajoestudio. axiomasdeprobabilidad.

Su origen se remonta al estudio de los juegos de Su origen se remonta al estudio de las azar. poblaciones por parte de los gobernantes, tambinllamadosestadistas. Es comn usar como sinnimos los trminos probabilstico y estadstico. Por ejemplo, modelo probabilsticoymodeloestadstico.Otrostrminosrelacionados: Trmino Significado Ejemplo Para referirse a un presidente de una Estadista Personaquegobierna nacinseutilizaeltrminoestadista Estadstica Esundatooinformacin ElIPCenelaoanteriorfuedel6% El estadstico de la prueba de bondad Una variable aleatoria que se utiliza Estadstico de ajuste KolmogorovSmirnov se parapruebasestadsticas denomina D La variable de salida de un experimento aleatorio. Se refiere a La velocidad del viento en un sitio Variableestadstica algo de inters de una poblacin lo dado cualesunprocesoaleatorio. Como se mencion anteriormente, las distribuciones de probabilidad o procesos estocsticos constituyenelmodelomatemticodeunexperimentoaleatorioysonunaidealizacinconlacualse quiere representar o modelar la realidad. Generalmente se asume que un fenmeno aleatorio tiene asociado una distribucin de probabilidad o un proceso estocstico pero no se conoce cul es; este modelo se determina por medio de los procedimientos de la estadstica a partir de una muestra limitadadedatos. Enlainvestigacinestadsticaexistendosproblemas: Estimacin Prediccin Consiste en determinar un modelo matemtico Una vez se conoce el modelo matemtico que con sus parmetros o sus caractersticas ms representa a la variable de inters, se pueden importantes de tal manera que representen o den hacer predicciones sobre las observaciones informacin acerca de una variable estadstica. futuras. Esto se hace a partir de la muestra de datos Como se est estudiando una variable aleatoria, tomadosenunexperimentoaleatorio. no puede hacerse una prediccin exacta de la Estimar es inferir el valor de los parmetros de observacin futura por lo cual este procedimientosedenominainferencia. unmodeloprobabilsticoodesuscaractersticas
1.15PARTESDELAESTADSTICA 1.15.1Estadsticadescriptiva
Esconjuntodetcnicasparaorganizar,sumarizarycomunicarinformacinenformaefectiva
Cuando una persona en la calle habla de estadstica generalmente se refiere a informacin que ha sidoorganizadautilizandolosmtodosdelaestadsticadescriptiva. |EJEMPLO Elestudioenunperiododetresaosdelasfallasquelosusuariosdelsistemadedistribucindela ciudaddePereirareportanalalneatelefnica115muestraque: 1 Enpromedioseemiten10,000rdenesdereparacinporao. Enel74%delasrdenesefectivamenteseencuentranproblemasdecalidaddelservicio,enel 2 8%noseencontrningnproblemayelrestanteporcentajecorrespondeaotrassolicitudesde losusuariosyordenesquenopudieronprocesarseportenerinformacinincompleta. De los problemas de calidad del servicio, el 83% son de continuidad del servicio, el 8% de 3 calidaddelapotenciayel9%deseguridad. Eltiempopromedioparasolucionarleaunusuariounproblemadecalidaddelservicioesde 4 3.2horasenlazonaurbanay4.8horasenlazonarural. 1.15.2Estadsticainferencial
Esunconjuntodetcnicasparasacarconclusionesqueseextiendenmsalldelainformacin disponible
Ejemplo Si para calcular el tiempo medio de fallas de una poblacin infinita de bombillas se dispona de 100 datos,cualeselintervalodeconfianzadel95%dondeestelvaloresperadoverdadero? Enestetextonosocuparemosdedostiposdeestimacin(inferencia): Laestimacinapartirdeunamuestradedatosdelvaloresperado E( x) ylavarianza 2 deuna x
1 2
variableestadstica x . Laestimacinapartirdeunamuestradedatosdelosparmetrosquedefinenladistribucinde probabilidad f x ( x) Fx ( x) querepresentaalavariableestadstica x .
2010
32
En general, se habla del parmetro a estimar, sea E( x) , 2 , o los parmetros de forma, escala o x localizacindeladistribucindeprobabilidaddelavariableestadstica. Tiposdeestimacin Clsica Bayesina Se hacen estimaciones utilizando nicamente los Ademsdelosdatosdisponibles,seincorporael datosdisponibles conocimiento previo que se tenga sobre los parmetros a estimar. Por ejemplo, se conoce la distribucin de probabilidad del parmetro que sedeseaestimar. Definicindeestimador Es una variable aleatoria definida sobre una muestra de datos que sirve para representar en forma aproximadaaunparmetrodelavariableestadsticadeinters. Unestimadorsedenotaconelsmbolo . Ejemplos 1 Elpromedioestadstico x esunestimadordelvaloresperado E( x) ,entonces x = E( x) 2 TiposdeEstimadores Puntuales Seestimaunsolovalorparaelparmetro Porintervalos Seestimaunintervalodevaloresdentrodelcualse infiere con un nivel de confianza dado que debe estarelvalorverdaderodelparmetro.Elintervalo puedeserunilateralobilateral.
Ladesviacinmuestral s esunestimadordeladesviacinestndar ,entonces s =
1 2 Ejemplos
Estimadorpuntual: x = E( x)
Estimadorporintervalo: x 0.54 E( x) x + 0.54
Si esunparmetrodeladistribucindeprobabilidaddelavariableestadsticadeinters,elcualse quiere estimar por medio de . Para que sea un buen estimador, es deseable que tenga las siguientespropiedades:
2010
33

Propiedadesdeunestimador
Propiedad
Descripcin
Observaciones Sisehacenmuchasobservacionesdelestimador, este ser igual al parmetro que se desea estimar.Estapropiedadnodependedeltamao delamuestra
Unestimadoresinsesgadosi:
Insesgado (unbiased)
E() =
Elpromedioestadsticoyladesviacinmuestral sonestimadoresinsesgados.

Unestimadoresconsistentesi:
Consistente
La diferencia entre el estimador y el valor a estimar tiende a ser finita conforme seaumenta P(| |< ) 1.0 si n el tamao de la muestra. Es una propiedad asinttica que depende del tamao de la es un nmero real positivo y n muestra. eseltamaodelamuestra Elpromedioestadsticoyladesviacinmuestral sonestimadoresconsistentes.

Eficiencia relativa
existen dos estimadores El estimador ms eficiente tiene la menor insesgados 1 y 2 de un mismo desviacinestndar,entonceslarazncalculada ser mayor a 1 cuando el estimador ms parmetroy eficienteapareceeneldenominador. 1 > 1.0 Paraunadistribucinunimodal(unsolopicoen 2 lafuncindedensidaddeprobabilidad),elvalor promedio es ms eficiente como estimador que Entonces el estimador 2 es ms lamediana. eficientequeel1 Si

Suficiencia
Se dice que un estimador es Nosiempreexistenlosestimadoressuficientes suficiente si contiene toda la informacin disponible en los datos acerca del parmetro a estimar.
Elasuntoesentoncesdesarrollarmtodosquepermitanobtenerbuenosestimadores. 1.15.3Teoradedecisinestadstica
Esunconjuntodetcnicasparaelegirentreunconjuntodealternativasdedecisinbasadosenla informacindisponible
Ejemplo Laprobabilidaddequeexistaunapagnenlasnochesesde0.1ylaprobabilidaddequenoocurraes de 0.9. Si no dispongo del servicio de electricidad puedo perder $1,000,000 en produccin por cada noche.Entonces,basadoenelriesgoyelniveldeconfianzadelmodelo,debodecidirentre:
Comprarunaplantadegeneracindieselde$25,000,000yconsume$10,000pornoche Nocomprarlaplantadegeneracindiesel
Existenproblemasenloscualessedebedecidirsiunaafirmacinrelativaaunparmetrooparmetros de una distribucin es verdadera o falsa y tomar una decisin; Se debe probar la hiptesis y esto se denominapruebadehiptesis.
Hiptesisestadstica
Unahiptesisestadsticaesunaafirmacinacercadeunoovariosparmetrosdeladistribucinde unavariableestadstica.Sedicequelaafirmacinesunahiptesisporqueserefiereaunasituacinque podrasercierta
Lahiptesissiempreserefierealapoblacin,noalamuestra.Tiposdehiptesis: Es cualquier hiptesis que se plantea para ver si puede ser rechazada. En Hiptesisnula estadstica, por lo general, plantea la ausencia de relacin o diferencia en los 1 H0 resultados. Cualquier relacin o diferencia es debida al azar o error del muestreo. Hiptesis Eslaalternativaalahiptesisnula.Sinosepuedesoportarlahiptesisnula, 2 alterna H1 entoncesporimplicacin,sesoportalahiptesisalterna. Decisin Aceptar H 0 Rechazar H 0 Decisionesconrespectoaunahiptesisnula Lahiptesisnulaes: Verdadera Decisincorrecta ErrortipoI
Falsa ErrortipoII Decisincorrecta
Como la decisin se hace basada en una muestra de datos, no siempre se puede hacer una decisin correcta. Para minimizar la probabilidad de que ocurra un error de tipo I o II se debe aumentar la muestradedatos.LaprobabilidaddequeocurraunerrortipoIsedenominaprobabilidadcrticaode rechazoysedesignapor .LaprobabilidaddeocurraunerrordetipoIIsedesignapor . Procedimiento Plantear la hiptesis nula y una hiptesis alterna que se debe aceptar si la hiptesis nula se rechaza.Lahiptesisalternapuedeserunilateralobilateral.Ejemplo:
H 0 : = 4 H 1 : > 4 (unilateral) 4 (bilateral).
Seespecificaelniveldesignificanciadelanlisis: ,laprobabilidaddecometerunerrordetipo Io laprobabilidaddecometerunerrordetipoII.Generalmentesetrabajacon .

2010 35
3 4 5 Conladistribucindelestadsticodeprueba,seconstruyeelcriteriodepruebadehiptesis Calcularelvalordelestadsticosobreelcualsebasaladecisin Tomarladecisin,basadosenelvalordelestadsticodeprueba.
1.16ACLARACINRESPECTOALATERMINOLOGA Enelreadeprobabilidadalgunostrminospuedentenervariossignificados,porlocual,paraprecisar aquserefierentocaanalizarelcontextodesuuso.Porejemplo:

Trmino Procesoestocstico Significados Serefiereaunfenmenoaleatorio Serefiereaunfenmenoaleatorioparaelcualeltiempoesvariableexplicativa Se refiere a un tipo de modelo matemtico donde las variables aleatorias estn indexadasporeltiempouotroparmetro Serefierealafuncindedistribucindeprobabilidad Serefierealafuncindedensidaddeprobabilidad Se refiere a un tipo de modelo matemtico que solo puede aplicarse para fenmenosaleatoriosestacionariosconobservacionesindependientesyenelcual eltiemponoaparececomovariableexplicativa
Distribucin
2010
36
1.17BIBLIOGRAFA [1] Papoulis Athanasios, Probability, random variables and stochastic processes, McGraw Hill, 1991. [2] ViniotisYannis,Probabilityandrandomprocessesforelectricalengineers,McGrawHill,1998. [3] Torres A, Probabilidad, procesos estocsticos y confiabilidad en ingeniera elctrica, UniversidaddelosAndes,2005. [4] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,PrenticeHall,1992. [5] AndersG,Probabilityconceptsinelectricpowersystems,WileyandSons,1990. [6] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt RinehartandWistonInc,1970. [7] LawyerG.F,IntroductiontoStochasticProcesses,ChapmanandHall,1995. [8] RossT.J,Fuzzylogicwithengineeringapplications,McGrawHill,1995. [9] TorresA,TranchitaC,Inferenciayrazonamientoprobabilsticoydifuso,RevistadeIngeniera, UniversidaddelosAndes,2003. [10] Torres A, Modelamiento y metamodelamiento de la incertidumbre, Revista de Ingeniera, UniversidaddelosAndes,1995. [11] Mosleh A, Bier V M, Uncertainty about probability: A reconciliation with the subjectivist viewpoint,IEEETransactionsonSystems,ManandCyberneticsPArtA:SystemsandHumans, No.3,1996. [12] Ferrero A, Salicone S, The randomfuzzy variables: a new approach for the expression of uncertainty in measurement, IEEE Conference on Instrumentation and measurement technology,2003. [13] ZadehL.A,Possibilitytheoryvsprobabilitytheoryindecisionanalysis,IEEE. [14] TorresA,Fundamentosdecomputacinsoft,UniversidaddelosAndes,2003.
Captulo2Modelosparadistribucionesdeprobabilidad
CAPTULO2MODELOSPARADISTRIBUCIONESDEPROBABILIDAD
Una distribucin de probabilidad es un modelo matemtico que se utiliza para representar fenmenos aleatorios estacionarios, con realizaciones independientes y en el cual, la(s) variable(s) aleatoria(s) que sirve(n) para representar el fenmeno aleatorio bajo estudio no aparece(n) como funcin del tiempo. El tiempo,puedeserunadelasvariablesqueexplicanelfenmenoaleatoriobajoestudio,peronoindexaa otrasvariablesaleatorias.Tampocoapareceenestetipodemodelounavariablequeindexeaotras. Acontinuacinsepresentanalgunosdelosmodelosmspopularesparadistribucionesdeprobabilidad deunavariable.Enlosejemplosdeaplicacindeestosmodelosseasumequeladistribucinutilizadaes unarepresentacinvlidadelfenmenoaleatoriobajoestudio;elprocedimientoaseguirparasabersiuna distribucindeprobabilidadesunarepresentacinvlidadeunprocesoaleatoriodadosepresentaenlos captulos5y6. Una diferencia importante entre los modelos para variables continuas y los modelos para variables discretasesquelamayoradestosltimossedesarrollanparafenmenosaleatoriosdondesecumplen unas condiciones especficas, por lo cual, su aplicacin no puede hacerse simplemente siguiendo el procesodeajustedeunamuestradedatosaunadistribucindeprobabilidad,comosieselcaso,delos modelos para variables continuas. Por esta razn, en algunas aplicaciones, la muestra de datos de una variablealeatoriadiscretaseajustaaunmodeloparavariablealeatoriacontinua. 2.1TIPOSDEPARMETROS Segn su funcin, los parmetros de las funciones matemticas que se utilizan como modelos para distribucionesdeprobabilidadseclasificanen: 2.1.1Parmetrodelocalizacin fx ( x) fx ( x)
x Figura2.1Parmetrodelocalizacindeunmodeloparadistribucindeprobabilidad
Tal comosemuestraen la Figura2.1,este parmetro especifica el punto en el eje horizontala partir de dondecomienzaelrangodevaloresdelmodeloodondeselocalizasucentrodemasa. Uncambioenesteparmetrodesplazaladistribucinhacialaderechaolaizquierda. Esteparmetrotienelasmismasunidadesdemedidadelavariablealeatoria x .
2.1.2Parmetrodeescala fx ( x)
2 1 x Esteparmetrodeterminalaescalaounidadesdemedidadelavariablealeatoria x .Talcomosemuestra enlaFigura2.2,uncambioenesteparmetroexpandeocomprimeladistribucinsincambiarsuforma. 2.1.3Parmetrodeforma fx ( x) =1

=2 x Tal como se muestra en la Figura 2.3, este parmetro determina la forma de la distribucin. Este parmetroseidentificaporquesiempreaparececomoexponenteenlafuncinmatemticaquedefineel modelodedistribucindeprobabilidad. Algunos modelos como el exponencial o el uniforme no tienen este parmetro ya que su forma es fija. OtrosmodeloscomoelBetapuedentener2parmetrosdeforma. 2.1.3Parmetrodedesplazamiento fx ( x)
Figura2.4Parmetrodedesplazamientodeun modeloparadistribucindeprobabilidad Figura2.3Parmetrodeformadeunmodelopara distribucindeprobabilidad
Figura2.2Parmetrodeescaladeunmodelopara distribucindeprobabilidad
x Se utiliza en distribuciones con rango [0 , + ] . Tal como se muestra en la Figura 2.4, este parmetro desplazatodaladistribucinaladerecha. Eldesplazamientoesconvenientecuandoelrangodevaloresdelavariablenoempiezaencerosinoenun valor positivo muy grande, lo cual, puede hacer que la prueba de bondad de ajuste falle. As, en estos casossepuederestaratodoslosdatosdelamuestraunvalor yhacerlapruebadebondaddeajuste.El modelo hallado F( x) se aplica haciendo F( x + ) , tiene valor esperado E( x) + y varianza VAR( x) (La varianzanocambiaconeldesplazamiento).
2.2CARACTERSTICASDELOSMODELOS Adems del valor medio y la varianza existen otras medidas para caracterizar los modelos para distribucionesdeprobabilidad.Entreestasseincluyenlamediana,lamodayloscoeficientesdevariacin, asimetrayafilamiento. El valor esperado, la mediana y la moda se denominan medidas de tendencia central pues dan un pronsticodelalocalizacinenelejexdeladistribucincomountodo. Lavarianza,ladesviacinestndaryelcoeficientedevariacinsonmedidasdeladispersinconrespecto alvaloresperado. Loscoeficientesdeasimetraydeafilamientoindicanlaformadelafuncin. 2.2.1Lamediana Tal como se muestra en la Figura 2.5, la mediana es el valor a para el cual hay una probabilidad acumuladadel50%.Unadistribucindiscretapuedetenermsdeunpuntoquesatisfagaladefinicinde mediana. f ( x) 50%de probabilidad
Figura2.5Conceptodemediana
x a 2.2.2Lamoda Tal como se muestra en la Figura 2.6, la moda es el valor a para el cual la funcin de densidad de probabilidadolafuncindeprobabilidaddemasaalcanzansumayoraltura. f ( x)
Figura2.6Conceptodemoda
x a Paraalgunasdistribucionesdeprobabilidadpuedeserquenoexistalamodaoqueexistanvarias.Verla Figura2.7
f x ( x)
f x ( x)
=2
x
Figura2.7Ejemplosdedistribucionesdeprobabilidadsinmodaoconvariasmodas
2.2.3Momentoscentrales Sedefineelmomentocentral(conrespectoalvaloresperado)deorden r como:
mr = E[( X E( x))r ] = + [ x E( X)]r * fX ( x) * dx paravariablesaleatoriascontinuas

mr = E[( X E( x))r ] = [ xi E( X )]r * p( xi ) paravariablesaleatoriasdiscretas
i =1 n
r
0 1 2 3 4 Descripcin m0 = 1.0 Laprobabilidadtotal,reabajolacurvade f x ( x) osumatoriadelasprobabilidadespuntuales
m1 = 0.0 pues E[X E( x)] = 0 m2 = VAR( x) sedenominavarianza m3 sedenominaSkewness m4 sedenominaKurtosis
2.2.4Coeficientedevariacin cv = STD( x) * 100% si E( x) 0 E( x)
Mide la dispersin central de la distribucin. Permite comparar varias distribuciones, aunque las unidadesdelasvariablesaleatoriasnoseanlasmismas. 2.2.5Coeficientedeasimetra ca = m3 [STD( x)]3
Generalmente est entre 1 y +1. Si una distribucin es simtrica entonces el coeficiente de asimetra es cero.
Silacoladeladistribucinesthacialaderecha,entonceselcoeficientedeasimetraespositivo;sila coladeladistribucinesthacialaizquierda,entonceselcoeficientedeasimetraesnegativo.
ca = 0 ca > 0 ca < 0 x x Figura2.8Coeficientedeasimetraparavariasdistribuciones
2.2.6Coeficientedeafilamiento cp = m4 [STD( x)]4
Mideelafilamientoocantidaddepico(peakness)deladistribucin. SetomacomoreferencialadistribucinGausianaestndar(valormedioceroyvarianza1)lacualtieneun cp = 3 .Distribucionesconun cp mayora3tendrnmspicoqueestadistribucin;siel cp esmenorque 3,ladistribucinsermsaplastadaqueladistribucinGausianaestndar.
Figura2.9Coeficientedeafilamiento
2010
42
2.4DISTRIBUCINEXPONENCIAL f x ( x)
Fx ( x )
1.0 0.632
x x
Figura2.9Distribucinexponencial
Se define por medio de un parmetro de escala [unidades de x ] o una tasa de eventos h [eventos/unidadde x ]queeselinversodelparmetrodeescala.
f x ( x) Fx ( x)
1
1
e h * e h* x
1 x
E( x) VAR( X )
Rango
1 e 1 e h* x 1 h 1 2 2 h x [0, + )
Esladistribucindeprobabilidadmsutilizadaenconfiabilidad. Ladesviacinestndaresigualalvaloresperado,porlocualelcoeficientedevariacinesdel100%;lo cualindicaqueexisteunagrandispersindelosvaloresdelavariableconrespectoalvaloresperado. Es un caso de las distribuciones Weibull y Gamma. Tambin aparece en los procesos estocsticos homogneosdeMarkovyPoisson.
Algunasaplicaciones Confiabilidad:Modelodevidadecomponentesenperiododevidatil Teoradecolas:Tiempoentrellegadadellamadasaunconmutadoroclientesaunbanco,tiempoparaservicio
2010
43
EJERCICIO2.1 Unacuadrillaquerealizamantenimientopreventivoaloscircuitosprimariosdedistribucinareosdebe localizarlospuntosdondehayacercamientosentrelosrbolesylasfasesdeloscircuitosprimariospara hacerpoda. Sea x la distancia que hay que recorrer desde la subestacin hasta el punto donde se encuentra un acercamiento o la distancia entre el punto donde se encontr un acercamiento y se empieza a hacer el recorridoparaencontrarotroacercamiento. De estadsticas se conoce que, en promedio, por cada 10 km de red recorridos se encuentra un acercamiento. SiladistanciaXesunavariablealeatoriaexponencialmentedistribuidahallar: Cualeslatasadeeventos? 1 acercamiento = 0.1 acercamientos/km h= 10 km Aquelparmetrodeladistribucinsedefineapartirdeunaestadstica.Faltaraverificarsirealmentela tasadeeventosesconstante;estopodraevaluarsegrficamenteopormediodelavarianza. Qudistanciaseesperarecorrerparaencontrarunacercamiento? 1 1 E( x) = = = 10 km/acercamiento h 0.1 Estevaloresperadocorrespondealacifraestadsticaoperativa. Culeslaprobabilidaddeencontrarunacercamientoenunrecorridode10km? F(10 km) = 1 e 0.1*10 = 0.6321
Esdecir,apenashayunaprobabilidaddel63.21%deencontrarunacercamientoen10kmqueasuvezes ladistanciaesperadaparaencontrarlo.Estoilustraelcuidadoquehayqueteneralhacerinferenciasa partirdevaloresmediosoesperados. Cuntoskmhayquerecorrerparatenerunaprobabilidaddel90%paraencontrarunacercamiento? e 0.1* x = 0.1 F ( x) = 1 e 0.1* x = 0.9 e 0.1* x = 0.9 1.0
x = ln(0.1) / 0.1 = 23.026 km
Laprobabilidaddeencontrar0,1onacercamientossehallaconelprocesodePoisson.
2010
44
2.5DISTRIBUCINUNIFORME f x ( x) a b
Fx ( x)
1.0
x a
Figura2.10Distribucinuniforme
Sedefinepormediodedosvalores a y b ,con a < b .Elparmetrodelocalizacines a yelparmetrode escala (b a) .

f x ( x) Fx ( x) E( x) VAR( X )
Rango
1 ba xa ba a+b 2 ( b a) 2 12 x [ a , b]
Esladistribucindeprobabilidadmssimple. Elfactor ms importantede esta distribucin esque todoslos valoresdel rango de la variablealeatoria tienenigualprobabilidad.
Algunasaplicaciones Generacindenmerosaleatoriosuniformes TiempoparallegadadeeventosenunprocesodePoissonhomogneo Teoradecolas:Tiempoparallegadadellamadasaunconmutadoroclientesaunbanco Fugasenunatubera
2010
45
EJERCICIO2.2 Para una lnea de transmisin en particular, las fallas tienen igual probabilidad de ocurrir en cualquier partedesurecorridode50km. Sea x ladistanciaen km medidadelasubestacinaunpuntodefalladado.Entonces, x esunavariable aleatoriauniformementedistribuida. Culeslaprobabilidaddequeocurraunafallaenlosprimeros10 km delalnea? x 10 km F(10 km) = = = 0.2 50 km 50 km Culeselvaloresperadoparaladistanciaenqueocurrenlasfallas? (50 km + 0 km) E( x) = = 25km 2 Culeslaprobabilidaddequeocurraunafallaenlosprimeros25 km delalnea? x 25km F(25km) = = = 0.5 50 km 50 km Esdecir,apenashayunaprobabilidaddel50%deencontrarunafallaenlosprimeros25kmquea su vez es la distancia esperada para encontrarlo. De nuevo, esto ilustra la debilidad de los anlisisdedecisinquesebasenenvaloresmediosoesperados. Es de aclarar que, para asumir este modelo uniformemente distribuido par ala distancia de falla x , es necesario que todo el recorrido de la lnea est en una zona con iguales condiciones climticas (viento, lluvia,descargasatmosfricas,etc.),vegetacin,resistividaddelterreno,etc.Adems,eltipoconstructivo delalneaysusmaterialesdebenserlosmismosparalos50 km .
2010
46
2.6DISTRIBUCINNORMALOGAUSIANA f x ( x)
Fx ( x)
1.0
Figura2.11DistribucinnormaloGausiana
Se define por medio un parmetro de localizacin, usualmente llamado , y un parmetro de escala, usualmentellamado > 0 .
f x ( x) Fx ( x) E( x) VAR( X ) Rango
1 2 e 2* 2 Notieneformaanaltica ( x )2
2
x ( , + )
Esladistribucindeprobabilidadmsimportanteymsutilizadaenprobabilidadyestadstica.
Algunasaplicaciones Estudiodeerroresdevariostipos Variablesqueresultandelasumadegrandescantidadesdeotrascosas Sobrevoltajes,voltajesdeaguantedeaislamientos Alturadelaspersonas,inflacin,tasasdereproduccin
Es usual, presentar el eje x en forma de desviaciones estndar y expresar como un porcentaje con respectoa : % = / * 100% . El rea encerrada entre 3 es de 0.9972, por lo cual, se asume que estos valores encierran todos los valoresposiblesdelavariable. 99.72%de probabilidad x 3 +3
Elnombrenormalseaplicaaestadistribucinyaqueenlaspoblacionesconsideradasnormales,las caractersticas de los individuos, por ejemplo, su estatura, coeficiente de inteligencia, etc. se concentran alrededordelvalormedioymuypocosindividuostienenvaloresmuyporfueradedichovalor.Esdecir, existemuypocaprobabilidaddeencontrarindividuosconcaractersticasqueestnporfuerade 3 .En laFigura2.12seilustraesteconcepto,tomandocomoejemplolaestaturadelossereshumanos. Estaturadelaspersonas x [metros] 1.50 2.00 Poblacinnormal Estaturadelaspersonas [metros] x 2.00 x 1.50 Comolosvaloresdelafuncindedistribucindeprobabilidaddebenhallarsenumricamente,paraesto seutilizaladistribucinnormalestndar quesedefinecon = 0 y = 1 .VerlaFigura2.11.
=1
f ( z) =
1 z2 / 2 e 2
Figura2.11Distribucinnormalestndar
z=
0
(x )
2010
48
EJERCICIO2.3 Unaisladortipopostedeunequipoqueoperaa34.5kVtieneunBILde170kV. El voltaje de aguante del aislador a los voltajes ocasionados por descargas atmosfricas sigue una distribucinGausianaconunvalormediollamadoCFO(CriticalFlashover)yunadesviacindel5%. ElBILeselvoltajedeaguanteparasobrevoltajesproducidospordescargaatmosfricayeselvalorquese ubicaa3desviacionesestndarpordebajodelvalormediodeladistribucinGausiana. CuleselCFOdelaislador? =1
CFO = BIL + 3 * CFO = BIL + 3 * 5 * CFO 100 CFO * (1 3 * 0.05) = BIL CFO = 170kV = 200kV 1 3 * 0.05
Quprobabilidaddedaarelaislamientotieneunadescargaatmosfricaqueproduzcaunvoltaje de183.3kV?
z= x 200kV = 1.67 0.05 * 200
3 BIL
CFO
x[ kV ]
( z = 1.67) = 0.0475 4.75% Detablasdeladistribucinnormalestndar. Quvalordevoltajeproducidopordescargaatmosfricatieneun90%deprobabilidaddedaar elaislamiento?
Sebuscaenlastablasdeladistribucinnormalestndarlosvalorescercanosa0.9
( z = 1.28) = 0.8997 ( z = 1.29) = 0.9015
Interpolandoentreestosdosvalores,seobtienez=1.282para0.9 Entonces, x = + z * = 200kV + 1.282 * 0.05 * 200kV = 212.8kV
2010
49
2.7DISTRIBUCINWEIBULL f x ( x) =1 >2
Fx ( x)
1.0
Figura2.12DistribucinWeibull
Sedefineconunparmetrodeescala > 0 yunparmetrodeforma > 0 .

f x ( x) Fx ( x) E( x) VAR( X )
* * x 1 * e * x
1 e * x 1/ * (1 + 1 )
Rango
( 2 / ) * [(1 + 2 * 1 ) ( (1 + 1 ))2 ] x [0, + )
Elsmbolo denotalafuncinGamma.Hayotrasformasmatemticasparadefinirestadistribucin. Esta distribucin no tiene una forma definida. Segn el valor de su parmetro de forma puede tomar diversas formas. Es muy utilizada en confiabilidad, pues puede ajustarse para modelar procesos de deterioroymejoradelavidadelcomponente.
Algunasaplicaciones Tiemposparafalla Tiempoparacompletaralgntrabajo Estudiodefatigademateriales Modelamientodecomponentesenconfiabilidad
LafuncinGamma ( x )
Figura2.13GrficadelafuncinGamma
( x) = 0 t x 1e t dt para x > 0
x 0.1 0.5 1 1.5 2 3 4 5
( x)
9.5135 1.77245 1 0.8862 1 2 6 24
EJERCICIO2.4 La energa radiante del sol en una zona dada es una variable aleatoria con distribucin Weibull de parmetros = 3 [W/m2]y = 2 .
Culeselvalormedio,lavarianza,desviacinestndaryelcoeficientedevariacindelaenerga radianteporda?
E( x) = (1/ ) * (1 + 1 ) = 30.5 * (1 + 0.5) = 3 0.5 * 0.8862 = 0.5117 W/m2
VAR( x) = ( 2 / ) * [(1 + 2 * 1 ) ( (1 + 1 ))2 ] = 3 ( 2 / 2) * [(1 + 2 * 2 1 ) ((1 + 2 1 ))2 ] = 0.0715 (W/m2)2
STD( x) = VAR( x) = 0.0715 = 0.2675 W/m2 CV =
STD( x) 0.2675 * 100% = * 100% = 52.27% E( X ) 0.5117
Culeslaprobabilidaddequelaenergaradianteseamenoroigualalvaloresperado?
F( x = 0.5117) = P( x 0.5117) = 1 e * x = 1 e 3*(0.5117 ) = 0.54
2
Si un equipo que funciona con energa solar requiere ms de 0.2 W/m2 para operar, cul es la probabilidaddequenofuncione?
F( x = 0.2) = P( x 0.2) = 1 e * x = 1 e 3*(0.2) = 0.11308
2
Culeselvaloresperadodehorasaldaquenooperarelequipo?
tdown = 0.11308 * 12 = 1.35696
2010
51
2.8DISTRIBUCINGAMMA fx ( x) =1 >2
Fx ( x)
1.0
Figura2.13DistribucinGamma
Sedefineconunparmetrodeescala > 0 yunparmetrodeforma > 0 .
f x ( x)
* x 1 * e ( )
para x > 0
Fx ( x)
2 Si = 2 x * e / noesunentero:Notieneformaanaltica 1 (x / )j para x > 0 esunenteropositivo: 1 e x / * j! j =0
Si = 2 : 1 e x /
E( x) VAR( X )
ex /
Rango
* 2 x [0, + )
Elsmbolo denotalafuncinGamma.AligualqueladistribucinWeibull,notieneunaformadefinida. Segnelvalordesuparmetrodeformapuedetomardiversasformas.

Algunasaplicaciones Tiemposparafalla Tiempoparacompletaralgntrabajo:reparacin,atencindeclientes Fenmenosmetereolgicos
Estadistribucinesmuyimportantepuesgeneralasdossiguientesdistribuciones:
Distribucin Chicuadrado Erlang
= v / 2 y = 2 , v = gradosdelibertad Si esunenteropositivo
Condiciones
Aplicacin Estadstica:bondaddeajuste,inferencia ProcesodePoisson,teoradecolas
2010
52
EJERCICIO2.5 La resistividad del terreno en una zona dada es una variable aleatoria con distribucin Gamma de parmetros = 3 y = 120 [ m ].
Culeselvalormediooesperadodelaresistividaddelterreno?
E( x) = * = 3 * 120 = 360 m
Culesladesviacinestndar?
V ( x) = * 2 = 3 * 120 2 = 43200
= + 43200 = 207.8461 [ m ]
Culeslaprobabilidaddequelaresistividaddelterrenoseamayorqueelvalormedio?
F( x > 360) = 1 P( x 360) = 1 0.5768 = 0.4232
Laprobabilidaddeque x seamenora360 m seobtuvonumricamente. Comoseobserva,laprobabilidaddequelaresistividaddelterrenoseamayoralvaloresperado, esmuyalta.
2010
53
2.9DISTRIBUCINPARETO fx ( x) b
Fx ( x)
1.0
Figura2.14DistribucinPareto
Sedefineconunparmetrodelocalizacin b > 0 yunparmetrodeforma a > 0 . a b a+1 f x ( x) *( ) b x 1 Fx ( x) 1 * x * e[( a+1)* Ln( b / x )] b b* a E( x) si a > 1 a1 a * b2 si a > 2 VAR( X ) ( a 1)2 * ( a 2)
Rango
x [b , + )
Algunasaplicaciones Economa:tamaodecompaas,preciodeacciones Demografa:Tamaodepoblacionesdeciudades Confiabilidad
2010
54
EJERCICIO2.6 Unprogramadecomputador(software)presentaerroresobugsunavezesteesentregadoalusuario. SieltiempoparaqueelusuariodetecteelprimererroresunavariablealeatoriacondistribucinParetode parmetrosa=3yb=0.0833aos(1mes),hallar: Cul es el valor tiempo esperado para que el usuario llame al fabricante para que corrijan un error? b * a 0.0833 * 3 E( x) = = = 0.1250 aos(1.5meses) a1 31 Culeslaprobabilidaddequeseencuentreunerrorenelprimermesdeusodelsoftware? 1 F( x 0.0833) = 1 * 0.0833 * e[(3+1)* Ln(0.0833 / 0.0833)] = 0 0.0833 Esteresultadoesobvio,puesladistribucinsedefineapartirdeb=1mes. Culeslaprobabilidaddequeseencuentreunerroralmesymediodeusodelsoftware? 1 * 0.1250 * e[(3+1)* Ln(0.0192 / 0.1250)] = 0.7037 F( x 0.1250) = 1 0.0192 Comoseobserva,laprobabilidaddeencontrarunerrorentreunmesymesymediodeentregado elprogramaseincrementadramticamente.
2010
55
2.10DISTRIBUCINTRIANGULAR 2 fx ( x) ba a c b
Fx ( x)
1.0
x a
Figura2.15Distribucintriangular
Se define con tres parmetros a , b , c que son nmeros reales tal que: a < c < b , a es el parmetro de localizacin, (b a) eselparmetrodeescalay c eselparmetrodeforma. a y b sonelintervaloenel cualseconoceestelrangodevaloresdelavariablealeatoriay c eselvalorqueseestimamsprobable.
2( x a) si a x c (b a)(c a)
f x ( x)
2(b x) si c < x b (b a)(b c)

( x a) 2 si a x c (b a)(c a)
Fx ( x)
( b x) 2 si c < x b 1 (b a)(b c )
E( x)
a+b+c 3

VAR( X )
a 2 + b2 + c 2 ab ac bc 18

Rango
x [ a , b]
Estadistribucinseutilizacuandonoexistemayorinformacinparaconstruirelmodeloprobabilstico, peroseconocenloslmitesdelavariableyelvalormsprobableentreestoslmites.
Algunasaplicaciones Modelosaproximadosenausenciadedatos

EJERCICIO2.7 UnsistemadepotenciadeunaregindadaAseinterconectaraotrosistemaBpormediodeunalneade transmisincuyacapacidadesde200MW. ElpropsitodelainterconexinesqueelsistemaBdesoportealsistemaA,cuandotengaexcedentesde generacin. La generacin instalada en el sistema B es predominantemente hidrulica y no tiene capacidad de regulacinanualomultianual(notienegrandesembalses). EloperadordelsistemaBconsideraquepuedegarantizarunsoportedegeneracinde124MWalsistema A.Perodependiendodelascondicionesdehidrologaydedemandapodradarunsoportemayor. CuleselmodeloprobabilsticodelosMWquepuedeimportarelsistemaAdesdeelsistemaB? Sea x lavariablealeatoriadelosMWquesepuedenimportardesdeelsistemaB a: Es el valor mnimo de importacin y corresponde a 0 MW, evento que sucede cuando el sistemaBnotieneexcedentes b: Eselvalormximodeimportacines200MWqueeslacapacidaddetransmisindelalnea deinterconexin. c: Eselvalormsprobabledesoportedegeneracinycorrespondea124MW. Entonces, elmodelo esuna distribucin triangular con parmetrosa=0MW,c=124 MWyb=200 MW CuleselvaloresperadodeMWdesoportequepuedebrindarelsistemaB? a + b + c 0 + 200 + 124 E( x) = = = 108 MW 3 3 CuleslaprobabilidaddequeelsistemaBpuedasuministrarmsdelos108MWesperados? ( x a) 2 (108 0)2 F( x > 108) = 1 P[ x 108] = 1 = 1 = 1 0.4703 = 0.5297 (b a)(c a) (200 0)(124 0)
2010
57
2.11DISTRIBUCINBETA f x ( x)
Fx ( x)
1.0
Figura2.16DistribucinBeta
Sedefinecondosparmetrosdeescala 1 > 0 y 2 > 0 .

f x ( x) Fx ( x ) E( x ) VAR( X )
x1 1 (1 x) 2 1 B( 1 , 2 )
Notieneformaanaltica
1 1 + 2 1 2 ( 1 + 2 )2 ( 1 + 2 + 1)
x (0,1)
Rango
ElsmboloBdenotalafuncinBeta:
B( 1 , 2 )
( 1 )( 2 ) ( 1 + 2 )
Esta distribucin no tiene unaformadefinida. Segn el valor de sus parmetros de forma puede tomar muydiversasformas.Latasadeeventossiempreescreciente. Muchasvariablesaleatoriaspuedennormalizarseymodelarsemedianteestadistribucin.
Algunasaplicaciones Paramodelarproporciones Modelosenausenciadedatos
LadistribucinBetaconambosparmetrosigualesa1esladistribucinuniformeparavaloresdexentre 0y1.
2010
58
EJERCICIO2.8 Unsistemadepotenciadeunaregindadaesdeficitarioencuantoageneracin.Estedficitseatiende conimportacindepotenciadesdelossistemasvecinos.Definiendo: ( Dmax Gdisponible ) Deficit = Dmax
Entonces,eldficitesunavariablealeatoriacuyorangosonlosnmerosrealesentre0y1. Si la variable aleatoria que representa el dficit tiene distribucin Beta con ambos parmetros de forma igualesa2,hallar: Culeselvaloresperadodedficit? 1 2 E( x) = = = 0.5 1 + 2 2 + 2 Culesladesviacinestndar?
1 2 2*2 = = 0.2236 2 ( 1 + 2 ) ( 1 + 2 + 1) (2 + 2)2 (2 + 2 + 1)
Culeslaprobabilidaddequeeldficitseamayoral50%? P ( x > 0.5) = 1 F (0.5) = 1 0.5 = 0.5 F(0.5)sehallonumricamente
Culeslaprobabilidaddequeeldficitseamenoroigualal25%? P( x 0.25) = 0.1562 Valorhalladonumricamente
2010
59
2.16DISTRIBUCINLOGNORMAL Ln ( x )
f x ( x)
Figura2.17Distribucinlognormal
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos transformadosesnormal,entonceslosdatostienendistribucinlognormal. La condicin de normalidad de los datos transformados puede deducirse del histograma, si este tiene formadecampana. Sedefinemedianteelparmetrodeforma > 0 yelparmetrodeescala ( , ) loscualesnosedeben confundirconlosparmetrosdeladistribucinnormal.
f x ( x) Fx ( x ) E( x ) VAR( X )
1 2 e 2* x 2 Notieneformaanaltica ( Ln[ x ] )2
e
e
2 +
2
2
2
1]
[e
Rango
x [0, + )
Algunasaplicaciones
Tiemposparaejecutarunatarea Tiemposparareparacin Tiemposparaprestarunservicio
2010
60
EJERCICIO2.15 Eltiempoesperadodeserviciodeunacuadrillaenunazonarurales6horasconunadesviacinestandar de 20%. Si la distribucin del tiempo de servicio es lognormal, cuales son los parmetros de la distribucin?
1. Lasecuacionesson E ( x) = 6 = e 2.
3.
2
2
VAR ( X ) = (6 * 0.2) 2 = 1.44 = e 2 + [e 1]

2 2
Resolviendoelsistemadeecuaciones:
= Ln(VAR[x]+e 2 Ln ( E[ x ] 2 Ln( E[ x]) = 0.1980

=Ln(E[x])-
2
2
= 1.7721
Siahoraelvaloresperadoyladesviacinseexpresanendas:
E ( x) =
6 = 0.25 24
VAR( X ) = (
6 * 0.2)2 = 0.0025 24
Reemplazando en el sistema de ecuaciones se obtiene:
=0.1980 =-1.4059

Quiere esto resultado decir que en esta distribucinel cambio de unidades no se logra nicamente escalando el parmetro de escala. Ntese que no puede decir que los nuevos parmetros son: =0.1980/24 y =1.7721/24 .
2010
61
2.17DISTRIBUCINLOGISTIC f x ( x) x Figura2.18Distribucinlogistic Recibeestenombreporelhechodequesufuncindedistribucindeprobabilidadpertenecealafamilia defuncionesmatemticallamadalogsticas. Sedefinemedianteunparmetrodelocalizacin ( , ) yunparmetrodeescala s > 0 .

f x ( x)
( x ) s ( x ) 2 s
s(1 + e
Fx ( x ) E( x ) VAR( X )
1 1+ e
( x ) s
Rango
s2 3 x ( , )
Algunasaplicaciones
Tiemposparaaprendizaje Crecimientodepoblaciones Propagacindeepidemias Difusindelasventasdeunnuevoproducto Difusindenuevastecnologasenelmercado
2010
62
2.18DISTRIBUCINLOGLOGISTIC Ln ( x )
f x ( x)
Figura2.19Distribucinloglogistic
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos transformadoseslogistic,entonceslosdatostienendistribucinloglogistic. Sedefinemedianteunparmetrodeforma > 0 yunparmetrodeescala > 0 . x ( ) 1 f x ( x) x [1 + ( ) ]2
Fx ( x ) E( x ) VAR( X )
1 x [1 + ( ) ]
cos c( ) Para > 1 , =

x [0, )
Algunasaplicaciones
2 [2 cos c(2 ) [cos c( )]2 ]
Rango
Tiempospararealizarunatarea
2010
63
2.19DISTRIBUCINFISHERTIPPETT f x ( x) x Figura2.20DistribucinFisherTippet RecibesunombreenhonoraRonaldA.FisheryLeonardC.Tippet. Sedefinemedianteunparmetrodelocalizacin ( , ) yunparmetrodeescala > 0 .

f x ( x) Fx ( x ) E( x ) VAR( X )
xe z
( x )
donde z = e
( x )
+ donde = 0.57721 es la constante Euler-Mascheroni 2 2

6 x ( , )
Rango
Algunasaplicaciones Anlisisdevaloresextremos
2010
64
2.20DISTRIBUCINPEARSONV
f x ( x)
Figura2.21DistribucinPearsonV
Sedefinemedianteunparmetrodeforma > 0 yunparmetrodeescala > 0 . Si el inversode los datosde la muestra seajustana unadistribucin Gammacon parmetros G y G , entonces,losdatostienendistribucinPearsonVconparmetros = G y =
f x ( x) Fx ( x ) E( x ) VAR( X )
x( + 1) e x ( )
1 1 FGAMMA ( ) donde FGAMMA es la funcin de distribucin de probabilidad Gamma x
Para > 1 1 2 Para > 2 ( 1)2 ( 2)

x [0, )
Algunasaplicaciones
Rango
2010
65
2.21DISTRIBUCINPEARSONVI
f x ( x)
Figura2.22DistribucinPearsonVI
Sedefinemediantedosparmetrosdeforma 1 > 0 y 2 > 0 . Siparacadadato xi unamuestra x1 , x2, , xn seobtiene parmetros 1 = 1G y 2 = 2G .

f x ( x) Fx ( x ) E( x ) VAR( X )
xi yestosdatostransformadoresseajustanauna xi + 1
distribucin Beta con parmetros 1B y 2 B , entonces, los datos tienen distribucin Pearson VI con
x(1 1) ( 1 )( 2 ) donde B( 1 , 2 ) = es la funcin matemtica Beta ( 1 + 2 ) B( 1 , 2 )[1 + x] ( 1 + 2 ) FBETA ( x ) donde FBETA es la funcin de distribucin de probabilidad Beta x+1 1 Para 2 > 1 2 1 1 ( 1 + 2 1) Para 2 > 2 ( 2 1)2 ( 2 2)
x [0, )
Algunasaplicaciones
Rango
2010
66
2.12DISTRIBUCINBINOMIAL p(x) p = 0 .5 x
p(x) p < 0 .5
p(x) p > 0 .5
Figura2.18DistribucinBinomial
SiunexperimentoaleatoriocumplelascondicionesdeBernoulli:
1 2 3 Existennicamentedosposiblesresultadosparacadaensayo:ocurrenciaynoocurrenciadeunevento Laprobabilidaddeocurrenciadecadaeventoeslamismaparacadaensayo Losensayossucesivosdeunmismotiposonindependientes
Silaprobabilidaddeocurrenciadeuneventoes p ylaprobabilidaddenoocurrires q ,entonces,la probabilidaddeexactamente k ocurrenciasen n ensayosesunasecuenciadeBernoulliyestdada porladistribucinBinomial
p( x) Fx ( x ) E( x ) VAR( X )
n n P( x = k ) = p k q n k = p k (1 p)n k k k k n P( x k ) = p k q ni i =0 i np npq
Rango
x {0,1, 2...}
Algunasaplicaciones Confiabilidad Nmerodetemsconunacaractersticadadaenungrupo
CoeficientesBinomiales
n n! k = k !( n k )!
n! = 1 * 2 * 3 *
* n
0! = 1
2010
67
EJERCICIO2.9 Ladisponibilidaddeuncomponentecontinuamenteoperadoesdel90%.Existen4componentesdeeste tipotrabajandoenunproceso. Sea x lavariablealeatoriaquerepresentaelnmerodecomponentesindisponibles. Definiendo:

Experimento Eventos n =4 p = 0.1 q = 0.9 Observarelestadodeloscomponentes componenteindisponible,componentedisponible Eselnmerodeensayos Eslaprobabilidaddeleventocomponenteindisponible Eslaprobabilidaddeleventocomponentedisponible
Culeselvaloresperadodeequiposindisponibles?
E( x ) = np = 4 * 0.1 = 0.4
Obsrvese que el valor esperado no es un nmero entero. Este valor es imposible de obtener fsicamente. Tampocosepuedehallarlaprobabilidaddeocurrenciadeestevalor! Culesladesviacinestndar? = npq = 4 * 0.1 * 0.9 = 0.6 Cul es la probabilidad de obtener exactamente 0, 1, 2, 3, 4 componentes en el estado indisponible?
k 0 1 2 3 4 P(x=k) 0.6561 0.2916 0.0486 0.0036 0.0001 1.0000
Culeslaprobabilidaddeencontrar2omenoscomponentesindisponibles? P ( x 2) = P ( x = 0) + P ( x = 1) + P ( x = 2) = 0.9963
2010
68
EJERCICIO2.10 Serequierequeelcontroldelmecanismodedisparodeuninterruptordepotenciaopereexitosamenteel 99.99%delasveces. Silaprobabilidaddefalladeunabobinadedisparoesde0.006,culeselnmerorequeridodebobinas dedisparoquesedebencolocarenparalelo? Sea x lavariablealeatoriaquerepresentaelnmerodebobinasdedisparofuncionando. Definiendo:

Experimento Eventos n =? p = 0.994 q = 0.006 Observarelestadodeloslasbobinasdedisparo fallada,funcionando Eslaincgnitadelproblema Eslaprobabilidaddequeunabobinadedisparofuncione Eslaprobabilidaddequeunabobinadedisparofalle

P ( x > 0) = P ( x = 1) + P ( x = 2) + P ( x = 3) + = 1 P ( x = 0) 0.9999
Laprobabilidaddeencontrarmsde0bobinasfuncionandodebesermayora0.9999.
n 1 (0.994)0 (0.006)n 0 0.9999 0 n (0.994)0 (0.006) n 0.9999 1 0 n 0 n (0.994) (0.006) 0.0001 0 n! *1* (0.006)n 0.0001 0!(n 0)! n 1.8003 n = 2
Serequierenporlomenosdosbobinasenparalelo. Laprobabilidaddehallar0dedosbobinasfuncionandoes:
2 P ( x = 0) = (0.994)0 (0.006) 2 0 = 0.000036 < 0.0001 0
Locualesiguala0.006*0.006
2010
69
EJERCICIO2.11 La probabilidad p de que ocurra un evento en el ensayo de Bernoulli a partir del cual se define la distribucin binomial, generalmente procede de otro modelo probabilstico, como se muestra a continuacin: Enunasubestacinelctricaexisten4transformadoresdepotencia.Paraatenderlacarga,serequiere quealmenosdosdeloscuatrotransformadoresestnoperandocontinuamente. Latasadefallasdelostransformadoresesde0.1fallas/ao. Culeslaprobabilidadqueuntransformadorfalleenlosprimeroscincoaos? Enestecaso,seasumeoconocequelatasadefallasdelostransformadoresesconstante;entonces, ladistribucindelostiemposparafallaesexponencialysedefinecomo: Ft (t ) = 1 e *t
falla
P[t falla 5aos ] = 1 e 0.1*5 = 0.39347
Enestecaso,laconfiabilidadeslaprobabilidaddequeeltransformadorNOfalleenlosprimeros 5aos. Rtrafo (5aos ) = 1 F (5 aos ) = 1 0.39347 = 0.60653 En este caso, la confiabilidad de la subestacin es la probabilidad de encontrar ms de dos transformadores funcionando, es decir, la probabilidad de encontrar 2, 3 4 transformadores funcionando. SeaXlavariablealeatoriaquecorrespondealnmerodetrafosqueseencuentranoperando p = 0.60653 q = 0.39347
4 4 Rsubestacion = P ( x 2) = 0.60653i 0.39347 4 i = P ( x = 2) + P ( x = 3) + P ( x = 4) = 0.82824 i=2 i
Culeslaconfiabilidaddeunodeestostransformadoresenunperiodode5aos?
Culeslaconfiabilidaddelasubestacinenunperiodode5aos?
2010
70
2.13DISTRIBUCINMULTINOMIAL Esunageneralizacindeladistribucinbinomialparaelcasode k eventosmutuamenteexclusivos. SeaXlavariablealeatoriaquecorrespondeaobservarelnmerodeocurrenciasdecadaunodelos k eventosennensayos.
Si existen k eventos mutuamente exclusivos con probabilidades p1 , p2 , , pk , entonces, la probabilidad de n1 ocurrencias del evento 1, n2 ocurrencias del evento 2, evento k en n ensayos,con n1 + n2 +
y nk ocurrencias del
+ nk = n ,estdadaporladistribucinMultinomial.

p( x)
P(n1 , n2 ,
, nk ) =
n! n1 !* n2 !*
* nk !
n n p1 1 p2 2
n pk k
Algunasaplicaciones Nmerodetemsconunacaractersticadadaenungrupo
EJERCICIO2.12 Eloperadordelsistemadedistribucindeenergadeunaciudaddadatienedivididasureageogrfica en4zonas.Laprobabilidaddequeseregistrenfallasencadaunadelaszonasestdadapor:

Zona 1 2 3 4 Oriental Central Sur Occidental
P i
0.40 0.30 0.20 0.10 1.00
Culeslaprobabilidaddequeenunmomentodadoseproduzcansimultneamente2fallasenlazona1, 3enlazonacentral,5enlasury0enlaoccidental? En este caso los eventos mutuamente exclusivos son las ocurrencias de las fallas en las zonas1,2,3y4.Unafallasolopuedeperteneceraunadelaszonas. n1 = 2 n2 = 3 n3 = 5 n4 = 0 n = n1 + n2 + + nk = 10
P(n1 = 2, n2 = 3, n3 = 5, n4 = 0) = 10! * 0.42 * 0.33 * 0.25 * 0.10 = 0.087 2!* 3!* 5!* 0!
2.15DISTRIBUCINHIPERGEOMTRICA Enestecasoseconsideraunespaciomuestralquecontieneunnmerofinitode T elementos,loscualesse dividenen K categorasmutuamenteexclusivas,con T1 enlaclase1, T2 enlaclase2,etc.
Entonces, T1 + T2 +
+ Tk = T
La probabilidad de n1 ocurrencias de la evento 1, n2 ocurrencias del evento 2, evento k en N ensayos sin reemplazo, con n1 + n2 + Hipergeomtrica.
y nk ocurrencias del
+ nk = N , est dada por la distribucin
p( x)
P( n1 , n2 ,
T1 T2 Tk n n n 1 2 k , nk ) = T N
Algunasaplicaciones Nmerodetemsconunacaractersticadadaenungrupo
LadistribucinHipergeomtricapuedeaproximarsealadistribucinMultinomialcuando T ,elnmero totaldeelementosenelespaciomuestralseamuygrande. EJERCICIO2.14 Enunsistemaelctricohay30generadoresdelossiguientestipos:

Tipodegenerador 1 2 3 4 Hidrulico Gasnatural Diesel Elico
Ti
12 9 6 3 30
Culeslaprobabilidaddequesiseseleccionen10generadoresalazarparahacerlesunainspeccinde seguridad,resulten2hidrulicos,3degasnatural,5dieselyningunoelico?
12 9 6 3 2 3 5 0 P (n1 = 2, n2 = 3, n3 = 5, n4 = 0) = = 0.0011 30 10
SiesteproblemaseresuelveporladistribucinMultinomialelresultadoserde0.087.
2010
72
2.14DISTRIBUCIONESPASCALYGEOMTRICA p(x)
Figura2.19DistribucinPascal
En este caso se observan los resultados de una secuencia de Bernoulli hasta que se obtiene un nmero dadodeocurrenciasdeunevento.Obtenerestenmerodadodeocurrenciasdeleventodeinterspuede requerir N ensayos.Elnmerodeensayos N esaleatorio.
Si la probabilidad de ocurrencia de un evento es p y la probabilidad de no ocurrir es q , entonces, la probabilidaddequetomarexactamente N ensayosparaobservar R ocurrenciasenunasecuenciade BernoulliestdadaporladistribucinPascal

p( x) E( x ) VAR( X )
N 1 R N R con 0 < R N P( x = N ) = p q R 1 R p
R(1 p ) p2
x {0,1, 2...}
Rango
Estadistribucinessesgadaaladerechao,enotraspalabras,tienecoeficientedeasimetrapositivo.
Algunasaplicaciones Nmerodeensayosparaobteneruneventodado
Cuando R = 1 ,ladistribucinPascalseconocecomoDistribucinGeomtricadonde P( x = N ) = p q N 1
2010
73
EJERCICIO2.13 El operador de un sistema de distribucin cree que en un sector donde hay 30 viviendas se generan problemasdecalidaddelapotenciaqueafectanalosotrosusuariosdelsistema.Laprobabilidaddeque existaunproblemadecalidaddelservicioenunaviviendaesde0.20. Culesvaloresperadodeensayosparaencontrarunproblemadecalidaddelservicio?
E ( x) = R 1 = = 5 Se espera que se tenga que inspeccionar 5 viviendas para encontrar un p 0.20
problemadecalidaddelservicio Culeslaprobabilidaddequesetengaqueinspeccionar5viviendasparaencontrarunproblema decalidaddelservicio?

N 1 R N R 5 1 4 1 5 1 1 4 P ( x = 5) = = p q 0.20 * 0.8 = 0.20 * 0.8 = 0.08192 R 1 11 0
Cul es la probabilidad de que se tenga que inspeccionar las 30 viviendas para encontrar un problemadecalidaddelservicio?
N 1 R N R 30 1 29 1 30 1 P ( x = 30) = = = 0.201 * 0.829 = 0.00031 p q 0.20 * 0.8 R 1 11 0
2010
74
2.22BIBLIOGRAFA [1] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [2] AndersG,Probabilityconceptsinelectricpowersystems,WileyandSons,1990. [3] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart andWistonInc,1970. [4] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [5] PapoulisAthanasios,Probability,RandomVariablesandStochasticProcesses,terceraedicin,Mc GrawHill,1991. [6] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,cuartaedicin,Prentice Hall,1992. [7] Law Averill M, Kelton W. David, Simulation Modeling and Analysis, Tercera edicin, McGraw Hill,2000. [8] DecisioneeringInc,CrystalBall2000UserManual,DecisioneeringInc,2001. [9] Garcs L. P, Gmez O, C. J. Zapata, Anlisis de confiabilidad del sistema compuesto generacin transmisindelaciudaddePereira,IICongresoInternacionalIEEEdelaReginAndinaAndescon 2004,Agostode2004. [10] Karaki S. H, Chedid R. B, Ramadn R, Probabilistic performance assessment of wind energy conversinsystems,IEEETransactionsonEnergyConversin,Vol.14,No.2,June1999. [11] WikipediaThefreeencyclopedia.www.wikipedia.org
2010
75
Captulo3Algunasoperacionescondistribuciones
CAPTULO3ALGUNASOPERACIONESCONDISTRIBUCIONES
3.1APROXIMACINDELADISTRIBUCINBINOMIALALANORMAL p(x) E ( x) = np f x ( x) = npq = npq x = np
Figura3.1Aproximacindeladistribucinbinomialalanormal
Cuandoelnmerodeensayos n enunexperimentodeBernoulliesmuygrande,alaplicarladistribucin Binomial,laprobabilidaddeobtener k ocurrenciasdeleventobajoestudiotiendeainfinito. EsteproblemapuederesolverseutilizandolaaproximacindeladistribucinnormalalaBinomial.
SeaxlaunavariablealeatoriaquetienedistribucinBinomialconparmetros n y p .Si n esgrande, la expresin lmite de la funcin de distribucin de esta variable es la distribucin normal con parmetros: = np = npq
Estaaproximacinaplicas:
1 2
n esgrandey p cercanoa0.5(Distribucinsimtricaocasisimtrica)
np y nq sonalavezmayoresa5
EJERCICIO3.1 Lacompaadeiluminacinpblicadeunaciudadhainstalado20000bombillasnuevaslascualessondel mismotipoyprocedendelmismofabricante. = 2000 El modelo de vida de las bombillas es la distribucinGausianaconunvaloresperado de 10000 horas y desviacin estndar de t falla 2000horas. = 10000 [ Horas ] Culeslaprobabilidaddequeunabombilladestasfalleenlasprimeras10000horas? x 10000 10000 P(t falla 10000horas) = 50% = =0 ( z = 0) = 0.5 z= 2000
Seaxlavariablealeatoriadelnmerodebombillasquefallanenlasprimeras10000horas.Culessu valoresperado? E( x) = 0.5 * 20000 = 10000 bombillas Culeslaprobabilidaddeencontrar10000bombillasdaadasenlasprimeras10000horasdehaberse puestoenservicio? n 20000 10000 P( x = 10000) = p k q n k = * 0.52000010000 = 0.5 k 10000 En este caso np = 20000 * 0.5 > 5 y nq = 20000 * 0.5 > 5 por lo cual puede aplicarse la aproximacin de la distribucinNormalalaBinomial. Ladistribucindexesnormalconparmetros: = 70.7106 = n * p = 20000 * 0.5 = 10000bombillas
= npq = 20000 * 0.5 * 0.5

= 70.7106bombillas

= 10000
[ Bombillas ]
z=
10000 10000 =0 70.7106
( z = 0) = 0.5
P( x 10000bombillas) = 50%
Ntesequealdefinirxcomounavariablecontinua,solosepuedehallarsuprobabilidadporrangosde valores.
2010
77
3.2FUNCIONESDEUNAVARIABLEALEATORIA Sea x unavariablealeatoriay g ( x) unafuncinrealdeestavariablealeatoria. Sisedefinelafuncin y = g ( x ) .Entonces, y tambinesunavariablealeatoria, y seobtieneevaluandola funcin g paracadavalordelavariablealeatoria x .
Ejemplos
P = 0.598 * q donde P eslapotenciadesalidadeungeneradorhidroelctricoy q eselcaudaldeunro

P = 0.12 + 0.59 * v 2 donde P eslapotenciadeungeneradorelicoy v lavelocidaddelviento
Fy ( y) y f y ( y) seobtienenapartirde Fx ( x) y f x ( x)
Fy ( y)
Fy ( y) = P[Y y] = P[ g( x) y]
Sedebeobtenerelconjuntodevaloresdexquehacenquey y.Laprobabilidaddeesteconjuntode valoreseslaprobabilidadasociadaaY.
g ( X ) y X g 1 ( y )
FY ( y ) = P[Y y ] = P[ X g 1 ( y )]
FY ( y ) = FX ( g 1 ( y ))
Eloperador 1 indicafuncininversa
f y ( y)
Seobtienenlasracesreales x1 , x2 ,
, xn delaecuacin y = g( x)
Seobtiene g ( x) =
dg( x) dx
f y ( y) = f x ( x1 ) f (x ) + x 2 + | g ( x1 )| | g ( x2 )| + f x ( xn ) | g ( xn )|
Siparaciertoy,laecuacin y = g( x) notieneracesreales,entonces f y ( y) = 0
Hallar Fy ( y) y f y ( y) puedellegarasermuycomplicado,porlocual,generalmenteseaplicasimulacin deMontecarloyseajustaunadistribucintericaalosresultadosdelasimulacin.
2010
78
EJERCICIO3.2 Ungeneradorhidrulicode5.0MWestinstaladoenunacentralafilodeaguallamadaLibar. Lafuncinquerelacionalapotenciagenerada p en[kW]conrespectoalcaudaldeagua q en[m3/s]es:
p = kq = 736.372q
k esunaconstantequetieneunidades[kW*s/m3]ysedefinecomo:
k = Hg
Donde: : Eficiencia de la turbina, un nmero menor o igual a uno [adimensional]. Depende del tipo de
:
H:
turbina.Enestecaso, = 0.85 . Pesoespecficodelagua=1000[kg/m3] Alturaefectivaonetaen[m].Tambinsedenominacabeza.Esladiferenciadealturaentreel sitiodondesetomaelaguayelsitiodeinstalacindelaturbina.Enestecaso, H = 88.4m . Gravedad[9.8m/s2]
g: Elcaudalqesunavariablenormalmentedistribuidaconvalormedio11.6213m3/sydesviacindel6.0370 m3/s.(RoOtn). Enestecaso: = 6.0379m 3 / s X = q y Y = p q = 11.6213 [m3 / s] 1.Hallarlafuncindedistribucindeprobabilidaddelapotenciagenerada p p FP ( p) = Fq ( g 1 ( x) = ) FY ( y ) = FX ( g 1 ( y )) k 736.372 2.Culeslaprobabilidaddegenerarcontinuamente5MW? 5000 ) = 1 Fq (6.79 m3 / s) = 1 0.2119 = 0.7881 P[ p > 5000 kW ] = 1 P[ p 5000 kW ] = 1 Fq ( 736.372 x 6.79 11.6213 z= = = 0.80 ( z = 0.80) = 0.2119 6.0370
3.Culeslafuncindedensidaddeprobabilidaddelapotenciaquesepuedegenerar? Soloexisteunarazenlaecuacin p = g (q ) : q1 = p / 736.372
g (q) =
dg( x) d(736.372 * q) = = 736.372 dq dq
Lafuncindedensidaddeprobabilidaddelcaudales:
f q ( q) =
2 1 * e 2*(6.0379) 2 6.0379
( q 11.6213)2
Lafuncindedensidaddeprobabilidaddelapotenciageneradaes:
f p ( p) = fq (q1 ) | g (q1 )| = fq ( p / 736.372) |736.372)|
(
1 *e 2 6.0379 * 736.372
p 11.6213)2 736.372 2*(6.0379)2

= 4418.232kW
f p ( p) =
1 *e 2 6.0379 * 736.372
p 736.372*11.6213 2 ) 736.372 2*(6.0379)2
2 1 * e 2*(6.0379*736.372) 2 6.0379 * 736.372
( p 736.372*11.6213)2
f p ( p) =
2 1 * e 2*(4418.232) 2 4418.232
( p 8557.6)2
= 8557.6 [ kW ] LafuncindedistribucindelapotenciaquesepuedegeneraresGausianaconvalormedio8557.6[kW] ydesviacin4418.232[kW].Estadistribucinnotieneencuentalarestriccindequeelgeneradoresde 5000kW,sencillamentediceparauncaudaldadocuntosepodragenerar. Falta incorporar en este modelo la restriccin de la capacidad mxima de caudal de agua que puede tomarlaunidad(intakelimit)paragenerar5MW.
2010
80
3.3ELTEOREMADELLMITECENTRALPARASUMADEVARIABLES
Dadas n variables aleatorias independientes x1 , x 2 , x 3 , , x n con valores esperados 1 , 2 , 3 , , n y

2 varianzas 1 , 2 , 2 , , 2 ,respectivamente,sisedefinelasiguientevariablealeatoria: 2 3 n
x = x1 + x 2 + x 3 + + x n
Entonces,cuando n esgrande,ladistribucinde x esGausianaconvalormedioyvarianzadadaspor:
E(x) = 1 + 2 + 3 + + n
2 VAR(x) = 1 + 2 + 2 + + 2 2 3 n
Laimportanciadeesteteoremaradicaenquenoexisterestriccinconrespectoalasdistribucionesdelas variablesaleatoriasqueconformanlasuma.Esdecir,puedenserdediferentetipo,diferentesparmetros, continuasodiscretasomixtas. Elvalorlmiteapartirdelcualseconsideravlidoelteoremaesn=30.Sinembargo,silasdistribuciones delasvariablessonfuncionessuaves,convalorestanbajoscomon=5secumpleelteorema. El teorema es vlido cuando las variables aleatorias individuales slo hacen una contribucin relativamentepequearespectoalasumatotal. Otrohechoconocido,esqueelteoremanofuncionabienparavaloresenlascolasdelafuncin. Ejemplo En un sistema de generacin con n unidades para las cuales hay incertidumbre sobre la disponibilidad del recurso primario de generacin, la generacin total disponible es la suma de la generacin de las unidades.SielnmerodeunidadesesgrandepuedeasumirsequeladistribucindeprobabilidaddeGT esGausiana,estosinconocerlasdistribucionesdecadaunadelasunidades.Soloesnecesarioconocerel valoresperadoylavarianzadelageneracindecadaunadelasunidades. G1 G2 GT .
. .
Gn
Ejemplo En un punto dado de un sistema elctrico de potencia como transformador de distribucin, salida de circuitoprimariodedistribucin,transformadordepotencia,subestacin,etc.lademandavistaeslasuma delos n usuariosconectados.Sielnmerodeusuariosesgrande,puedeasumirsequeladistribucinde la demanda total vista en el punto es Gausiana, esto sin conocer la distribucin de la demanda de cada usuario.Soloesnecesarioconocerelvaloresperadoylavarianzadelademandadecadausuario L1 L2 LT . . . Ln 3.4 BIBLIOGRAFA [1] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [2] Papoulis Athanasios,Probability,Random Variables andStochastic Processes, tercera edicin, McGrawHill,1991. [3] Miller I, Freund J, Johnson R, Probabilidad y Estadstica para Ingenieros, cuarta edicin, PrenticeHall,1992.
2010
82
Captulo4Estadsticadescriptiva
CAPTULO4ESTADSTICADESCRIPTIVA
4.1INTRODUCCIN
Realidad Experimento aleatorio Idealizacin Inferencia sobre Fenmeno aleatorio (Poblacin estadstica) Muestra de datos Estadsticas descriptivas
E( x)
VAR ( x )
x1 , x2 , xn
x , s , etc.
Hallar
Fx ( x)
Figura4.1Tomadedatosdeunfenmenoaleatorio
Elintersenestecaptuloesladescripcinquesepuedehacerdeunavariablealeatoria x apartirdeuna muestradedatos x1 , x2 , xn .Estadescripcinseutilizarposteriormenteparahacerinferenciassobreel valoresperadoylavarianzayparaajustarunmodeloprobabilsticoquerepresentealfenmenoaleatorio bajoestudio;esteprocedimientosepresentaenlaFigura4.1. El fenmeno aleatorio bajo estudio se desarrolla en una poblacin estadstica la cual es la reunin de todoslosindividuosounidadesestadsticasqueproducenlosdatosquepermitenevidenciarelfenmeno aleatorio.Estosdatostambinsedenominanobservacionesorealizacionesdelfenmenoaleatorio.
Ejemplos 2 3 4 5 Poblacin Estudiantesdeunauniversidad Transformadoresdedistribucin Rayos Caudalesenunro
x Edad Tiempoparafalla Corrientededescarga Caudal
Enestosejemplosseobservaque:
1 2 Enunoscasosesfcilvisualizarculeslapoblacinestadstica,yaqueelfenmenoaleatoriosedesarrolla enindividuosperfectamenteidentificablescomopersonas,equipos,arboles,etc. En otros casos, el concepto de poblacin estadstica es mas etreo ya que el fenmeno aleatorio es un proceso continuo en el estado y no existen en realidad individuos perfectamente identificables, este es el casodeloscaudalesenunro.
Enlamayoradeloscasosnoesposiblerealizarunexperimentoaleatoriosobretodoslosindividuosde unapoblacinporlassiguientesrazones:
1 2 3 4 5 Escomplicadoestudiartodalapoblacin Esmuycostosoestudiartodalapoblacin Tomaramuchotiempoestudiartodalapoblacin Lapoblacinesinfinita Noserequiereodeseaunaprecisinmuyaltaenlosresultados
Entonces, se debe aceptar que en la mayora de los casos se debe trabajar con una muestra limitada de datos.Estamuestradedatosdebeserrepresentativayaleatoria,doscaractersticasqueseexplicarn enelcaptulo6.
4.2ESTADSTICASDESCRIPTIVAS 4.2.1Valorpromedio x
1 n x = xi n i =1
4.2.2Varianzamuestral s2 ydesviacinmuestral s
s2 =
1 1 n ( xi x )2 s = n 1 ( xi x )2 n 1 i =1 i =1
4.2.3Coeficientedevariacin cv
cv = s / x
Permitecompararlavariacinentrediferentesconjuntosdedatos,aunquelasunidadesdelproblemano seanlasmismas.Esusualesexpresarloenporcentaje.
Ejemplo
Una persona quiere saber cul de dos balanzas digitales es ms precisa. Se pesa varias veces utilizando ambos equiposyobtienelossiguientesresultados:
Balanza1: x1 = 62.8 kg s1 = 3 kg cv1 = s1 / x1 = 3 / 62.8 * 100 = 4.77%
Balanza2: x2 = 63.1kg s2 = 2.53 kg cv2 = s2 / x2 = 2.53 / 63.1 * 100 = 4.01%
Labalanza2eslamsprecisa.
4.2.4Mediana Es el valor del tem intermedio cuando el conjunto de observaciones se ordena en forma ascendente o descendente.Eselvalormscercanoalamitadunavezlasobservacionessejerarquizandeacuerdocon sumagnitud.
Si n esimpar
Sinespar Lamedianaeselpromediodelosdatosdelas posiciones n / 2 y (n + 2) / 2
Lamedianaeseldatoqueapareceenlaposicin (n + 1) / 2

Ejemplo
Setienelasiguientemuestradedatos:15,14,2,27,13. n=5 Datosordenados:2,13,14,15,27 Mediana:Datodelaposicin (n + 1) / 2 = (5 + 1) / 2 = 3 :14
Ejemplo
Setienelasiguientemuestradedatos:11,9,17,19,4,5. n = 6 Datosordenados:4,5,9,11,17,19 Mediana: Promedio de los datos en las posiciones n / 2 = 6 / 2 = 3 y (n + 2) / 2 = (6 + 2) / 2 = 4
Mediana = (9 + 11) / 2 = 10
Ntesequeelvalorobtenidocomomediananoexisteenlamuestradedatos
4.2.5Moda Eselvalorquemsocurreoelmsfrecuente.Unadefinicinempricaes:
Moda = x 3( x mediana)
4.2.6Distribucionesdefrecuenciaehistogramas La distribucin de frecuencias es una tabla que agrupa los datos por clases o categoras y presenta el nmerodedatosencadaclaseosealafrecuenciadeclase. El histograma es la representacin grfica de la tabla de distribucin de frecuencia. Se construye por medioderectngulosadyacentes.Lasalturasdelosrectngulosrepresentanlasfrecuenciasdeclaseysus bases se extienden entre fronteras de clase sucesivas. Como se mostrar ms adelante, el histograma es unarepresentacindelafuncindedensidaddeprobabilidad. Noexisteunareglafijaparadeterminarelnmerodeclases k enunamuestradetamao n .Unaregla empricaes:
RegladeSturge
k = 1 + 3.3 log 10 (n)
Elintervalodeclasessepuedeobtenercomo:
rango (datomax datomin ) = w= k k
2010
85
Algunasrecomendacionesparaconstruirlasdistribucionesdefrecuenciason: Aunque k dependedeltamaodelamuestra n ,tienepocautilidadutilizarmenosde5clasesomsde15 1 Si w es muy grande no reflejar el patrn de comportamiento de los datos. Si w es muy pequeo no se
obtendrinformacinrelevantedelosdatos. 2
3 4 5 6
Paraelcasodeloshistogramassedebeprobarconvariosintervalosdeclaseparadeducirqudistribucin deprobabilidadpodraajustarsealosdatos. Debenevitarselasclasesdefrecuenciacero Ningndatodebequedarenloslmitesdeclase Nodebeexistirbrechanitraslapeentreloslmitesdeclase Siunadistribucindefrecuenciasohistogramasevaacompararconotro,losintervalosdeclasedebenser iguales
Silafrecuenciadeclaseenlatabladedistribucindefrecuenciasohistogramasedivideentreeltamao delamuestra,entoncessetienelaprobabilidaddeocurrenciadelaclase. Elvalorpromedioyladesviacinmuestraldelosdatosagrupadosestndadospor:
x=
1 xi fi n i =1
s=
1 n ( xi fi x )2 n 1 i =1
Donde: fi : Eslafrecuenciadelaclasei
xi :
Eselvalormediodelintervalodeclaseiomarcadeclase
El valor promedio y la desviacin muestral de los datos agrupados son diferentes a los calculados sin agruparlosdatos. 4.2.7Distribucinacumulativadefrecuencias Ladistribucinacumulativadefrecuenciasesunatabladondeseacumulanlasfrecuenciasdecadauna de las clases; indica cuales frecuencias de los valores observados son menores o iguales al valor de la abcisa. Si se dividen las frecuencias acumuladas entre el tamao de la muestra, entonces se tiene una tabla o grfica de probabilidades acumuladas que es una representacin de la funcin de distribucin de probabilidad. 4.2.8Naturalezaaleatoriadelasestadsticasdescriptivas Si,unavezsehadefinidoeltamaoadecuadodelamuestra n ,setomanvariasmuestrasaleatoriasde dicho tamao, cada muestra contendr diferentes observaciones a las de las otras, por lo cual, las estadsticasdescriptivasdelasmuestrasserndiferentesentres.Estoquieredecirque:
1 2 3
Elpromedioestadsticodelamuestra x esunavariablealeatoria Ladesviacinmuestral s esunavariablealeatoria Losvaloresquesecalculenutilizando x s tambinsonvariablesaleatorias
Las distribuciones de probabilidad de estas estadsticas descriptivas se denominan distribuciones muestrales.Laspreguntasqueentoncessurgenson:
Culessonestasdistribucionesyculessonsuscaractersticasmsimportantes?
Lasrespuestasaestaspreguntassedarnenelsiguientecaptulo. 4.3PERCENTILESYCUARTILES Cadadato i deunamuestraaleatoriadetamao n tieneunaprobabilidaddeocurrencia pi = 1.0 / n . Silosdatosdelamuestraaleatoriaseordenandemenoramayorsepuedendefinirlospercentilesdela siguienteforma:

Percentiles
El p esimo percentildelamuestra Pp% eseldatoovalorparaelcualalmenos 100 p% delosdatos estnenopordebajodeesevalorycuandomenos (1 p)100% estnenoporencimadeesevalor
Esto quiere decir tambin, que el p esimo percentil es el valor para el cual hay una probabilidad de ocurrenciamenoroiguala p . Loscuartiles Qi sedefinencomo:
Q1
Es el valor o dato que tiene el 25% de las observaciones o es el valor para el cual la probabilidad de ocurrenciaesmenoroigualal25%.Equivaleal25avopercentil

Q2
Es el valor o dato que tiene el 50% de las observaciones o es el valor para el cual la probabilidad de ocurrenciaesmenoroigualal50%.Equivaleal50avopercentil.Eslamismamediana

Q3
Es el valor o dato que tiene el 75% de las observaciones o es el valor para el cual la probabilidad de ocurrenciaesmenoroigualal75%.Equivaleal75avopercentil
Sidosdatoscumplenladefinicindeunpercentildado,entoncessetomaelpromediodelosvaloreso unainterpolacinlinealentreellos.Quiereestodecirtambin,queesposiblequeelvalordeunpercentil dadopuedequenoexistaenlamuestra. Loscuartilesypercentilessonmuyutilizadosparaexpresarinformacinenformaestadstica.

2010
87
EJERCICIO4.1 Enunacasaseinstalancuatrocortinasdelucesdenavidad,cadaunadelascualestiene150bombillas. Elciclooperativodelasbombillasesde12horaspordadurante30dascadaao.Cadaqueunabombilla sedaaesreemplazadaporotrayseinicialacuentadehorasdefuncionamientoparalanuevabombilla. Alcabodelprimermesdehaberinstaladolascortinas(laprimeranavidad),seencuentraquehanfallado 16bombillasconlossiguientestiemposparafalla:

184.1 208.3 213.3 218.0 Tiemposparafalla[horas] 224.4 256.1 227.5 300.2 248.5 303.8 252.1 336.3 344.5 344.7 345.6 349.4
Datomximo=349.40horas Datomnimo=184.10horas Rango=165.30horas x = 272.30 horas s = 58.58 horas cv = s / x * 100% = 58.58 / 272.30 * 100% = 21.51% k = 1 + 3.3log10 (16) = 4.97 5.0
w = rango / k = 165.30 / 5 = 33.06 33 horas
Distribucindefrecuenciaehistograma
1 2 3 4 5 Clase 184217 218251 252286 287320 321354 Frecuencia 3 4 2 2 5 16
Probabilidadclase 0.1875 0.2500 0.1250 0.1250 0.3125 1.0000
Figura3.2HistogramadedatosdelEjercicio4.1
Distribucinacumuladadefrecuenciaygrficadeprobabilidadesacumuladas
1 2 3 4 5
Clase 184217 218251 252286 287320 321354
Frecuencia 3 7 9 11 16
Probabilidadclase 0.1875 0.4375 0.5625 0.6875 1.0000
Figura3.3GrficadeprobabilidadacumuladadelEjercicio4.1
Calcularelpercentil20yelsegundocuartil Lamuestradedatosordenadademenoramayormagnitudes:
184.1 256.1 208.3 300.2 213.3 303.8 218.0 336.3 224.4 344.5 227.5 344.7 248.5 345.6 252.1 349.4
Elpercentil20debetenerporlomenos0.2*16=3.2observacionespordebajoy12.8observacionespor encima.Estocriteriosololocumpleeldato218.0.Entonces:
P20% = 218.0 [Horas]
Elsegundocuartilcorrespondealpercentil50,elcualdebetenerporlomenos0.5*16=8observaciones pordebajoy8observacionesporencima.Estocriteriolocumplenlosdatos252.1y256.1.Entonces:
Q2 =

252.1 + 256.1 = 254.1 [Horas] 2
Ntesequeningunodelosvaloresobtenidosseencuentraenlamuestra. Seesperaqueel20porcientodelasbombillasfalleenuntiempomenoroiguala218.2Horas.Yse esperaqueel50%delasbombillasdurarmasde254.1Horas.
2010
89
4.4BIBLIOGRAFA [1] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart andWistonInc,1970. [2]TorresA,Probabilidad,procesosestocsticosyconfiabilidadeningenieraelctrica,Universidadde losAndes,2005. [3] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [4] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,PrenticeHall,1992. [5] LawAverillM,KeltonW.David,SimulationModelingandAnalysis,McGrawHill,2000. [6] HermonP,Statistics:Acomponentofresearch,1990.
2010
90
Captulo5Inferenciasobreelvaloresperadoylavarianza
CAPTULO5INFERENCIASOBREELVALORESPERADOYLAVARIANZA
5.1INTRODUCCIN Realidad
Idealizacin
Inferencia Proceso aleatorio (Poblacin de datos) Modelo probabilstico Experimento aleatorio Estimacin Muestra de datos Caractersticas de la distribucin Estadsticas descriptivas Inferencia (Estimacin) x E( x ) s Figura5.1Conceptodeinferenciaacercadelvaloresperadoylavarianza
El procedimiento de inferencia con respecto al valor esperado y a la varianza consiste en hacer una estimacin a partir de el valor promedio y la desviacin de una muestra de datos del valor de estas caractersticas.Esdecir,seidealizaqueelprocesoaleatoriobajoestudiotieneunmodeloprobabilsticoy se desea conocer cules pueden ser su valor esperado y su varianza. Como la muestra de datos es limitada,solosepuedehacerestimacin. Enesteprocesodeinferenciaexistendosprocedimientos:
1 2
Laestimacinpuntualyporintervalosdelvaloresperadoylavarianza

Laspruebasdehiptesisconrespectoalavalidezdeunvalorasignadoalvaloresperadooalavarianza
La respuesta a una prueba de hiptesis con respecto al valor medio y a la varianza tambin se puede hallardelosintervalosdeconfianza. Para este procedimiento de inferencia es necesario conocer las distribuciones muestrales del valor promedioydeladesviacinmuestral. Ntesequeelintersessobreelvalordelvaloresperadoylavarianzanosobreelmodeloprobabilstico delprocesoaleatoriobajoestudio.
2010
91
5.2INFERENCIASOBREELVALORESPERADO 5.2.1EstimacinPuntual
E( x) = x
Elvalorpromedioesunestimadorpuntualdelvaloresperado.Lacalidaddeesteestimadordependedel tamaodelamuestra.Cmosepruebaentonces,queelvalorpromediodelamuestrapuedellegaraser igualalvaloresperado? 5.2.2LaLeyFuertedelosGrandesNmeros ConsidereunasecuenciadevariablesaleatoriasIIDconvaloresperado E( x) yvarianzafinita.Entonces:
P[lim x = E( x)] = 1.0

n
La ley fuerte de los grandes nmeros dice que con toda certeza si el nmero de observaciones de una variable aleatoria x es muy grande, el promedio estadstico de estas observaciones ser igual al valor esperado.EstaleyeslajustificacindelosmtodositerativoscomolasimulacindeMontecarlo,puesse tiene certidumbre que si se hacen muchas iteraciones (se obtienen muchas observaciones), los valores estimadossernigualesalosesperados. 5.2.3Distribucinmuestraldelvalorpromedio Teorema1
Siunamuestraaleatoriadetamao n setomadeunapoblacinquetienevaloresperado E( x) = y varianza VAR( x ) = 2 , entonces x es una variable aleatoria cuya distribucin tiene las siguientes caractersticas:
E( x ) = E( x) = y VAR( x ) =
VAR( x) 2 = n* k n* k
Donde:
k = 1 parapoblacionesinfinitas
k=
N n parapoblacionesfinitas(sueleomitirsepuesescercanoa1.0) n1
Esteteoremanodicequformatieneladistribucinde x .Ntesetambin,quelosvaloresde y no se conocen, pues es precisamente lo que se desea estimar. Entonces, cul es la distribucin de probabilidadde x ?
Teorema2 Teoremadellmitecentralparapromedios
Sea x elpromedioestadsticodeunamuestraaleatoriadetamao n extradadeunapoblacinque tiene valor esperado E( x) = y varianza finita VAR( x) = 2 . Cuando n tiende a infinito, la distribucinde x seaproximaaunadistribucinGausianaestndarcon:
z=
x E( x) x = VAR( x) / n / n
/ n
Figura5.2Distribucindeprobabilidaddelpromedioestadstico
ElTeorema2implica:
Si n esmuygrande,ladistribucindeprobabilidaddelpromedioestadstico x esGausianaconvalor medio ydesviacin / n .VerlaFigura5.2

No importa cul es la distribucin de probabilidad de cada una de las observaciones que conforman la muestra,si n esmuygrandeladistribucindelpromedioestadsticodelamuestraserGausiana. 2
El teorema no fija ninguna restriccin sobre la distribucin de las variables aleatorias que conforman la muestra, pueden ser continuas o discretas, iguales o diferentes. Esto se denomina propiedad de las convoluciones.VerlaFigura5.3.

Para hacer inferencias con respecto al valor esperado utilizando la distribucin de x es necesario conocerlavarianza delapoblacin.
2
n=1
n=2
n=3
Figura5.3EjemplodelapropiedaddelasconvolucionesenelTeoremadelLmiteCentral
2010
93
Ahora viene una pregunta muy importante: Cul es el valor mnimo de n que hace que se cumpla el TeoremadelLmiteCentral?
RecomendacionesparaaplicarelTeoremadelLmiteCentral
n = 30 es el valor de referencia a partir del cual se considera que se cumple el Teorema del Lmite Central.
Silasobservacionestienenigualdistribucinydichadistribucinesunafuncinsuave,contamaosde muestratanpequeoscomo n = 5 secumpleelTeoremadelLmiteCentral. 2
Estoimplicaconocerquetodaslasobservacionestienenigualdistribucinyquedichadistribucinesuna funcinsuave.

Si n 30 ynoseconoceladesviacinestndardelapoblacin ,estasepuedeestimarpormediodela 3 desviacinmuestral s .Entonces: z ( x ) / ( s / n )
Qusehacesieltamaodelamuestraesmenora30? Teorema3 Ladistribucintstudent
Sea x elpromedioestadsticodeunamuestraaleatoriadetamao n extradadeunapoblacinnormal quetienevaloresperado E( x) = yvarianzafinita VAR( x ) = 2 .Entonceslavariablealeatoria t tiene distribucintstudentconparmetro v = n 1
t=
x s/ n
Donde v sedenominaelnmerodegradosdelibertad.
Este teorema no requiereque se conozca la varianza de la poblacin 2 pero paraaplicarlose requiere conocerquelapoblacinesnormal.
RecomendacionesparaaplicarelTeorema3 1 2

SeaplicaelTeorema3siladistribucindelamuestraesGausianay n < 30 ParaconocersilamuestratienedistribucinGausiana,sepuedehacerunhistogramayverificarsitiene forma de campana con poca asimetra. Tambin se puede aplicar una prueba de normalidad, que se explicaenelsiguientecaptulo.

f ( x)
Figura5.3Valorescrticosenladistribucintstudent
Lastablasdeladistribucintstudentgeneralmentepresentanelvalormximodelparmetro t parael cual existe una probabilidad ( 1 ), con un nmero dado de grados de libertad v . Alfa es una probabilidadcrtica.Elnmerodegradosdelibertadesunnmeroenteropositivo.VerlaFigura5.3. Lafuncindedensidaddeprobabilidaddeestadistribucines:
f x ( x) =
v+1 ( ) 2
x2 2 * ( v / 2) * (1 + )( v +1) / 2 v
con x (, +)
E( x) = 0 VAR( x) =
v si v > 2 v2
La distribucin tstudent tiene forma parecida a la Gausiana; cuando el parmetro v = 30 esta distribucinseaproximaalaGausiana. 5.2.4Estimacindelamediaporintervalos Definiendo el error de estimacin como la diferencia entre el valor esperado de una poblacin y el promedioestadsticodelamuestratomadadedichapoblacin:
=| x E( x)|
Se debe determinar ahora la regin o zona de aceptacin en la cual se considera que podra estar el valoresperadodelapoblacin E( x) . Definiendo:
1 2
Elniveldeconfianza oprobabilidaddeaceptacin
Laprobabilidadcrticaoderechazo = 1
/2
Zona de aceptacin Paraunamuestragrande( n 30 )setiene:
/2
Figura5.4Zonasdeaceptacinyderechazopara estimarelvaloresperadoapartirdemuestras grandes
x E( x) = z *
EnladistribucinGausianaestndar,Figura5.4,sedeterminanlosvaloresde z paraloscualesexiste unaprobabilidad / 2 ,pueslazonaderechazopuedeestarporladerechaoporlaizquierda.Entonces,el intervalo de prediccin del ( 1 )% de confianza del valor esperado para muestras grandes est dado por:
x z / 2 E( x) x + z / 2 n n

Donde z / 2 eselvalorparaelcualexisteunaprobabilidadacumuladade / 2 porlaizquierdaoporla derechadeladistribucinGausianaestndar,dadoqueestadistribucinessimtrica.Ntesequeamayor tamao de muestra, menor es el intervalo de estimacin y viceversa. Paraun tamao de muestra fijo,a menorprobabilidadcrtica,mayorserelintervalodeestimacinyviceversa. Losvaloresmsutilizadosde z / 2 son:
1% 2.576 2% 2.326 5% 1.967 10% 1.645
z / 2
Elvalorpreferidoes = 5% ,paraelcualsehacelaaproximacin z / 2 = 1.967 2.0 . Para muestras pequeas ( n < 30 ), se aplica un razonamiento similar al anterior, pero utilizando la distribucintstudent,conlocualsehalla:
s s x t / 2 E( x) x + t / 2 n n
Denuevo,ntesequeamayortamaodemuestra,menoreselintervalodeestimacinyviceversa.Para untamaodemuestrafijo,amenorprobabilidadcrtica,mayorserelintervalodeestimacinyviceversa.
El intervalo de confianza es solo una prediccin de la zona donde podra estar el valor esperado de la poblacin;esdecir,loquerealmenteseestafirmandoes:
P[ x z / 2 E( x) x + z / 2 ] = 1 Paramuestrasgrandes n n

P[ x
s s t / 2 E( x) x + t / 2 ] = 1 Paramuestraspequeas n n
EJERCICIO5.1 ParaelcasodelEjercicio4.1estimarelvalormediodelapoblacindebombillasdelaslucesdenavidad. x = 272.30 horas, s = 58.58 horas, n = 16 ,poblacininfinita(Datosdelproblema4.1) Estimadorpuntual: E( x) = x = 272.30 horas Estimacin por intervalos: Se aplica el intervalo para muestras pequeas, la distribucin tstudent con v = 16 1 = 15 gradosdelibertad. s s x t / 2 E( x) x + t / 2 n n t / 2 Intervalodeestimacin Anchodelintervalo
1% 5% 10% 2.947 2.131 1.753 229.14 241.09 246.63
E( x) E( x) E( x)
315.46 303.51 297.97
86.32 62.42 51.35
Ntesequeamayorniveldeconfianza(Menorprobabilidadcrtica) mayoreselintervalodeestimaciny viceversa. En este caso se asume que la vida de las bombillas est normalmente distribuida. Sin embargo, del histogramapresentadoenelEjercicio4.1nopuedededucirseesto.
2010
97
EJERCICIO5.2 En un sistema de iluminacin pblica se toman los datos de tiempo para falla de 100 bombillas y se obtienenlassiguientesestadsticas: x = 8187.82 Horas, s = 8147.55 Horas, cv = 99.508% , n = 100 ,poblacininfinita Estimadorpuntual: E( x) = x = 8187.82 horas Seaplicaelintervaloparamuestrasgrandes,ladistribucinGausiana Intervalodeconfianza,aproximando s : s s x z / 2 E( x) x + z / 2 n n z / 2 Intervalodeestimacin Anchodelintervalo
1% 5% 10% 2.576 1.967 1.645 6089.01 6585.20 6847.55
E( x) E( x) E( x)
10286.63 9790.44 9528.09
4197.62 3205.25 2680.54
Ntesequeamayorniveldeconfianzamayoreselintervalodeestimacinyviceversa. Delaformadehistogramadelosdatosydel cv cercanoal100%secreequeladistribucindevidade estasbombillasesexponencial.Culserelparmetroestimadodeestadistribucin? Enladistribucinexponencial,elparmetrodeescala h eselinversodelvaloresperado,entonces: h = 1/ E( x)
Elestimadorpuntuales: h = 1/ 8187.82 = 0.000122 fallasporhora

Sinembargo,conun95%deconfianza,elintervalodondeseencuentraelvalorverdaderode h es:
0.000102 h 0.000152 Elintervalodeconfianza,defineunafamiliadedistribucionesexponencialesquepodranutilizarsepara representarlosdatos. Unapruebadebondaddeajustedirsiseaceptarqueunadeestasdistribucionesrepresentelosdatos.
2010
98
5.3PRUEBASDEHIPTESISCONRESPECTOALVALORESPERADO Enestecasoseestablecelasiguientehiptesisnula:
H0 : E( x) = 0
Donde 0 eselvalorquesecrepodratomarelvaloresperadorealdelapoblacin. 5.3.1Paramuestrasgrandes( n 30 ) Elestadsticodepruebaes:

x 0 z= / n

Loscriteriosderechazoson: H1
Serechaza H 0 si:
E( x) < 0 E( x) > 0 E( x) 0
z < z z > z
z < z / 2 z > z / 2
5.3.2Paramuestraspequeas( n < 30 )ypoblacionesnormalmentedistribuidas Elestadsticodepruebaes:

x 0 t= s/ n

Serechaza H 0 si:
E( x) < 0 E( x) > 0 E( x) 0
t < t t > t
t < t / 2 t > t / 2
2010
99
EJERCICIO5.3 Elfabricantede las bombillas de las luces de navidad de los Ejercicios4.1 y5.1afirmaquestas tienen unavidamediade360horas.Conun95%deconfianza,sepuedeaceptarloquediceelfabricante? Hiptesisnula H0 : E( x) = 0 = 360 horas Estadsticodeprueba t = Hiptesisalterna H1 : E( x) < 0 E( x) < 360 horas Probabilidadcrticaoderechazo = 5% Criteriodepruebadehiptesis:Serechaza H 0 si t < t ( t < 1.753 )
x 0 272.30 360 = = 5.9884 58.58 / 16 s/ n
Como t = 5.9884 esmenorque t = 1.753 serechazalahiptesisnula;entonces,lavidaesperada
delasbombillasesmenora360horas. Ntese que el limite superior del intervalo de confianza del 5% ( 241.09 E( x) 303.51 ) es menor a 360 horas. EJERCICIO5.4 Un ciudadano crtica al operador del sistema de iluminacin pblica por utilizar las bombillas del Ejercicio5.2,afirmandoquestasduran4000horas.Sinembargo,elfabricantedelasbombillasdiceque susbombillastienenunavidaesperadade7300horas.Conun95%deconfianza,sepuedeaceptarloque diceelcrtico? Hiptesisnula H0 : E( x) = 0 = 4000 horas Estadsticodeprueba z = Hiptesisalterna H1 : E( x) > 0 E( x) > 4000 horas Probabilidadcrticaoderechazo = 5% Criteriodepruebadehiptesis:Serechaza H 0 si z > z ( z > 1.645 )
x 0 8187.82 4000 = = 5.14 s / n 8147.55 / 100
Como z = 5.14 esmayorque z = 1.645 serechazalahiptesisnula;entonces,lavidaesperadadelas
bombillasesmayora4000horas. Ntesequeellimiteinferiordelintervalodeconfianzadel5%( 6585.20 E( x) 9790.44 )esmayora 4000 horas.Esteintervalocontieneelvalorde7300horasdichoporelfabricante.
2010
100
5.4INFERENCIASOBRELAVARIANZA 5.4.1EstimacinPuntual
= s2
La varianza muestral es un estimador puntual del la varianza. La calidad de este estimador tambin dependedeltamaodelamuestra. 5.4.2Pruebadeconsistencia ConsidereunasecuenciadevariablesaleatoriasIIDconvaloresperadoyvarianzafinitos.Entonces:
P[ | s |= k ] 1.0 si n
2
La propiedad de consistencia dice que conforme seaumenta el tamao de lamuestra, la varianza de la muestratendrunadiferenciafinita k muypequeaconlavarianza. 5.4.3Distribucinmuestraldelavarianzamuestral Teorema
Si s2 es la variancia de una muestra aleatoria de tamao n tomada de una poblacin normal cuya varianciaes 2 ,entonces:
2 = (n 1)s 2 2
esunvalordeunavariablealeatoriaquetienedistribucinChicuadradoconparmetro v = n 1 .
Esmuyimportanteverificarquelamuestraprocedadeunapoblacinnormalmentedistribuida.Elomitir esto,puedellevaraungranerror;sinembargo,esteerrorsereducesilamuestraesgrande. Las tablas de la distribucin Chicuadrado generalmente presentan el valor mximo del parmetro 2 paraelcualexisteunaprobabilidad( 1 ),conunnmerodadodegradosdelibertad v .VerlaFigura 5.5.

Figura5.5LadistribucinChicuadrado
2010
101
5.4.4Estimacindelavarianzaporintervalos Elintervalodel (1 )% deconfianzadondeseencuentra 2 estdadopor: (n 1)s 2 (n 1)s2 2 2 2 / 2 1 / 2
2 2 Donde eslaprobabilidadcrticaoderechazo.Losvaloresde / 2 y 1 / 2 sehallanentablas.

1 / 2

/2
Figura5.6Zonasdeaceptacinyderechazopara estimarlavarianza
x
Zona de aceptacin de
Elintervalodeconfianzaessolounaprediccindelazonadondepodraestarlavarianzadelapoblacin; esdecir,loquerealmenteseestafirmandoes: (n 1)s 2 (n 1)s2 P[ 2 ] = 1 2 2 / 2 1 / 2
EJERCICIO5.5 Enunaplantadegeneracinsolarsevanainstalar4bancosdebaterasconformadospor100unidadesde 150 A hora. Un fabricante ofrece las bateras garantizando que la mxima desviacin es del 2%. Para probaresto,seseleccionan20unidadesalazarenlabodegadelfabricanteparahacerlesunapruebade descarga;enlapruebaseencuentraunadesviacinmuestralde3Ahora(2%). 1. Con un nivel de confianza del 95%, determine el intervalo de confianza en el cual est la desviacin estndardelapoblacinmuestreada. s = 3 Ahoraeselestimadorpuntualdelavarianza n = 20 eseltamaodelamuestra v = n 1 = 20 1 = 19 eselnmerodegradosdelibertad = 5% eslaprobabilidadcrticaoelcomplementodelniveldeconfianza 2 2 / 2 = 0.025 = 32.852
2 2 1 / 2 = 0.975 = 8.907
(n 1)s 2 (n 1)s2 2 2 2 / 2 1 / 2
(20 1)32 (20 1)3 2 2 32.852 8.907
19 * 9 19 * 9 2 32.852 8.907
5.2051 2 19.1983

2.2815 4.3815 Medidoen[Ahora]
2.Sepuedeaceptarloquediceelfabricantedequelamximadesviacinesdel2%? 2.2815 4.3815 * 100 * 100 150 150 1.521% 2.921% Conun95%deconfianzaserechazalaafirmacindelfabricantepuesladesviacinrealdelapoblacinde bateraspuedeserhastadecasi3%. 5.5PRUEBASDEHIPTESISCONRESPECTOALAVARIANZA Enestecasoseestablecelasiguientehiptesisnula:
2 H0 : 2 = 0
Donde 0 esunvalorqueeselquesecrepodratomarlavarianzarealdelapoblacin.Elestadsticode pruebaes:
(n 1)s 2 2 = 0 2
<
2 2 0 2 2 > 0 2 2 0
Serechaza H 0 si:
2 2 < 1 2 2 >
2 2 2 < 1 / 2 2 > / 2
2010
103
EJERCICIO5.6 Un fabricante de condensadores de media tensin de 13.2 kV y 100 kVAR afirma que garantiza una desviacinde0.5kVARensuproducto. Se toman 20 de estos condensadores y se prueban para determinar sus kVAR reales a condiciones nominales,yseencuentraunadesviacinde0.6kVAR. Conun95%deconfianza,sepuedeaceptarloquediceelfabricante? Estadsticodeprueba 2 =
(n 1)s2 (20 1) * 0.36 = = 27.36 0.25 0 2
2 Hiptesisnula H0 : 2 = 0 = 0.5 = 0.25 (kVAR)2
2
2 Hiptesisalterna H1 : 2 > 0 2 > 0.25 (kVAR)2
Probabilidadcrticaoderechazo = 5%
2 Criteriodepruebadehiptesis 2 > : 2 > 30.144
2 Como 2 = 27.36 no es mayor que = 30.144 se acepta la hiptesis nula; entonces, con un 95% de confianzaseaceptaloquediceelfabricante. Nota: EnesteproblemaseasumequeladistribucindelosvaloresdeAmperioshoradedescargadelas baterasesnormal;estodebeverificarse. 5.6BIBLIOGRAFA [1] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart andWistonInc,1970. [2] TorresA,Probabilidad,procesosestocsticosyconfiabilidadeningenieraelctrica,Universidad delosAndes,2005. [3] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [4] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,PrenticeHall,1992. [5] LawAverillM,KeltonW.David,SimulationModelingandAnalysis,McGrawHill,2000.
2010
104
Captulo6Ajustededatosaunadistribucin
CAPTULO6AJUSTEDEDATOSAUNADISTRIBUCIN
6.1INTRODUCCIN Realidad
Idealizacin
Inferencia Proceso aleatorio (Poblacin de datos) Experimento aleatorio Modelo probabilstico Estimacin F ( x ) , f ( x) Muestra de datos Figura6.1Conceptodeinferenciaacercadelvaloresperadoylavarianza
Elprocedimientodeinferencia(estimacin)conrespectoalmodeloprobabilsticodeunprocesoaleatorio consisteendeterminarculdistribucinsirvepararepresentarelmodeloyculeselniveldeconfianzao probabilidad de aceptacin de este modelo. Al determinar un modelo se obtienen las caractersticas de estecomoelvaloresperado,varianza,etc. Comoelprocedimientodeajustesehaceutilizandounamuestradedatosesmuyimportantetenerclaro que:
Lamuestraaleatoriadebeserrepresentativadelprocesoaleatoriobajoestudio(Erroraceptable)

El nivel de confianza del modelo esta referenciado a la muestra de datos sea estao no representativa del procesoaleatoriobajoestudio.
Lo anterior quiere decir que el que una distribucin se ajuste a una muestra de datos, no quiere decir necesariamente que el modelo represente al proceso aleatorio bajo estudio. Esto solo es cierto cuando la muestraesrepresentativa. Deotraparte,aunquetrivial,deberecordarsequesolodebehacersealajustededatosaunadistribucin cuandoelprocesobajoestudioesaleatorio. Acontinuacinsedescribeelprocedimientogeneralaseguirparaajustededatosaunadistribucinde probabilidadysepresentanalgunosdelosmtodosquepuedenserutilizadosencadaunodelospasos deesteprocedimiento,sinqueseaestaunacompilacinexhaustivademtodos.
2010
105
6.2PROCEDIMIENTOGENERAL Muestradedatos Parmetrosdelanlisis Entenderlanaturalezadela informacin Validarlainformacin

Aleatoriedaddelosdatos Independenciadelosdatos Hipotetizarcules distribucionespueden representarlosdatos Estimarparmetros Verificarajustedelas distribucionespropuestas Avarias distribuciones No Hay ajuste? Aunasola distribucin Fin
:Probabilidadcrtica : Nivel de confianza

Unidadesdemedida,continuaodiscreta, rangodelosdatos,origendelosdatos, datosagrupadosoindividuales Estacionariedad,homogeneidad Inconsistencias,errores, presenciadeoutliers,etc.
Anlisisdelprocesoofenmenoqueoriginalos datospruebadealeatoriedad
Anlisisdelprocesoofenmenoqueoriginalos datospruebasdeindependencia
Juiciodeingeniera,delaformadelhistogramade losdatosodelasestadsticasdescriptivascomo coeficientedevariacin,coeficientedeasimetra,etc.
Paracadaunadelasdistribucionespropuestasse debenestimarlosparmetros. Mtodos:Momentos,mximaverosimilitud,grficos
Pruebasdebondaddeajuste(Chicuadrado, KolmogorovSmirnov,AndersonDarling), TransformadaTTT,mtodosgrficos Criteriosparaseleccionarelmodelo:
Probar: 1.Cambiarparmetrosdel anlisis 2.Reducireltamaodela muestra 3.Retiraroutliers 4.Manejodedatosrepetidos 5.Homogeneidad
1.Menorestadsticodeprueba 2.Mayorcercanaaestadsticasdescriptivas 3.Coherenciaconalgnfactordelprocesobajo estudio 4.Preferenciasdelanalista 5.Menornmerodeparmetros(Parsimonia)
Figura6.2Procedimientoparaajustarunadistribucinaunmodeloprobabilsticoapartirdeunamuestradedatos
2010
106
Cuandosequiereajustarlosdatosdeunamuestraaleatoriaaunadistribucindeprobabilidadtericase siguenlospasosquesemuestranenlaFigura6.2loscualessedescribenacontinuacin. 6.2.1Definirlosparmetrosdelanlisis Elniveldeconfianzaeslaprobabilidaddeaceptacindelmodeloomodelosqueseproponen.Sedesigna por yeselcomplementode ,laprobabilidadcrticaoderechazodelopropuesto. Los valores ms utilizados para el nivel de confianza son 90%, 95% y 99%, siendo 95% el valor ms utilizadoopreferido.Sinembargo,esnecesarioaclararquehaydosnivelesdeconfianzaenelprocesode ajustededatosaunadistribucin:
1 2 El nivel de confianza o error aceptado para definir el tamao de la muestra, el cual define qu tan representativaeslamuestraconrespectoalapoblacin. Elniveldeconfianzaconqueunadistribucintericaseajustaalamuestradedatos
Ntesequeunadistribucintericapuederepresentarunosdatosconunniveldeconfianzadado,pero losdatosnoserrepresentativosdelapoblacinyviceversa.Esdecir,sondosproblemasindependientes. 6.2.2Entenderlanaturalezadelainformacin Quien realiza el procedimiento de ajuste de datos a una distribucin debe entender claramente la naturalezadelainformacinqueutiliza,esdecir:
Culessonlasunidadesdemedida?
Escalademedidaenquevienenlosdatos: Tiempoen:Horas,das,meses? Voltajeen:kV,mV?

Sedebeseleccionarelmodelotericoapropiado.Sinembargo, Naturaleza de la variable: Continua o avecesseutilizaunadistribucincontinuaparaunavariable discreta discreta.

Permitesaberculeselrangoenelcualdebenestarlosdatos delamuestra.
Rango de valores de la variable bajo Sedebeproponermodelostericosacordesconelrangodela variablebajoestudio.Porejemplo,enelcasodelatemperatura estudio si el rango son los reales positivos y negativos no proponer una distribucin como Gamma, Weibull o la exponencial que nomanejanlosnegativos.

Esimportanteconocersilosdatosprocedendeindividuoscon algngradodeheterogeneidad.
Origendelosdatos
Ejemplo: Los datos de tiempo de falla provienen de 5 compresores. Son estos equipos idnticos? Tienen la misma edad? Tienen las mismas especificaciones? Provienen del mismofabricante?
2010
107
Esimportanteconocersilosdatosprocedenunsoloindividuo odevarios 5 Datosagrupadosoindividuales
Ejemplo:Losdatosdecaudaldeunroolosdatosdefallade unlotedecomponentes.

Es importante estar seguro que el proceso bajo estudio es estacionario o si existe un ndice que haga cambiar las estadsticasdelproceso. 6 Estacionariedadyhomogeneidad
Solo se utilizan distribuciones de probabilidad para modelar procesos aleatorios estacionarios donde el tiempo u otro parmetronosonunfactorimportante.
6.2.3Validarlainformacin Verificarsienlosdatosdelamuestrahay:
Inconsistencias, errores
Datosquenopertenecenalrangodevaloresposiblesdelavariable.Porejemplo, haydatosnegativosenlamuestradedatosdeunavariablequesolopuedetomar valorespositivos.

Outliers
Datos que son muy diferentes o raros con respecto a los otros que contiene la muestra. Una regla prctica es considerar como outlier todo dato por fuera del intervalo dado por x 3s . No deben eliminarse los outliers sin un cuidadoso anlisisdelarealposibilidaddelaexistenciadeestosvalores.
6.2.4Aleatoriedaddelosdatos Los modelos probabilsticos deben ajustarse nicamente a datos que provengan de un fenmeno o proceso aleatorio. Aunque esto parezca trivial, en la prctica poco cuidado se pone a este asunto. Para sabersilosdatosdeunamuestrarealmentesonaleatoriossepuede:
1 2 Analizarlanaturalezadelfenmenooprocesobajoestudio Aplicarunapruebadealeatoriedad
4.2.5Independenciadelosdatos El mtodo de estimacin de parmetros de la mxima verosimilitud y las pruebas de bondad de ajuste asumen que los datos de la muestra son independientes, por lo cual, esta condicin debe verificarse previoasuaplicacin.Laindependenciaenlosdatosdelamuestrapuedeverificarse:
1 2 Analizandolanaturalezadelfenmenooprocesobajoestudio Aplicandopruebasdeindependencia
Algunosmtodosgrficosparaverificarlaindependenciaenunamuestradedatosson:
1 2 Diagramadedispersin(Scatterdiagram) Grficadecorrelacin(Correlationplot) ConsultarlaReferencia[5]
6.2.6Hacerhiptesissobrelasdistribucionesquepodranrepresentarlosdatos Estahiptesissepuedehacerconsiderando:
1 2 El conocimiento sobre el fenmeno aleatorio que se desea modelar: Tipo de variable aleatoria (discreta, continua),rangodevaloresdelavariable,etc. Del anlisis de la informacin contenida en la muestra: La forma de su histograma, el coeficiente de variacin,elcoeficientedeasimetra,etc.
Siempresetratadeutilizarenprimerainstancialosmodelosmatemticosparadistribucionescreadospor losmatemticos(Normal,Gamma,Weibull,etc.). Variasdistribucionestericasdeprobabilidadpuedenservirpararepresentarlosdatos.Ladeduccinde culespuedenservirprovienedelconocimientodelaformadediversasdistribucionesdeprobabilidad. Tambin puede encontrarse que del histograma puede deducirse qu distribucin puede servir para representarlosdatos. Otracosaesquelosanalistastienensusmodelosfavoritosautilizaryporsupuestovanaquererqueestos seanlosquesirvanpararepresentarelprocesoaleatoriobajoestudio. 6.2.7Estimarlosparmetrosquedefinencadaunadelasdistribucionespropuestas Estaestimacinsepuedehacermediantelossiguientesmtodos:
1 2 3 Mtodosgrficos Elmtododelosmomentos Elmtododelamximaverosimilitud
Elmejormtodoaseraplicadoeseldelamximaverosimilitud,pueslosmtodosgrficossonsubjetivos yeldelosmomentosnotieneunajustificacinmatemtica. 6.2.8Verificarelajustedeladistribucinpropuesta Estaverificacinsepuedehacermediantelossiguientesmtodos:

1 2 3 Mtodosgrficos Pruebasdebondaddeajuste:Chicuadrado,KolmogorovSmirnov,AndersonDarling,etc TransformadaTTT
Los mtodos grficos son subjetivos; otro problema de estos mtodos es que no se pueden sacar decisionesautomticasqueseincorporenenelalgoritmodeunprogramadecomputador.
2010
109
Sehabladebondaddeajustecuandosecomparaunadistribucindefrecuenciaobservada(real)conlos correspondientesvaloresdeunadistribucinesperada(ideal);entonces:
Distribucinobservada

Distribucinesperada
Esladistribucindefrecuenciasconstruidaapartirde Esladistribucindefrecuenciasconstruidaapartirdela lamuestradedatos distribucintericaoidealpropuestacomomodelopara representarlapoblacinestadstica.
Laspruebasdebondaddeajustetiendenafallarcuandolamuestradedatosesmuygrande[5]. 6.2.9Decisinfinal Alfinalizaresteprocedimiento,elanalistapuedeencontrarseconlassiguientessituaciones:

1 2 3 Nohayajusteaningunadelasdistribucionespropuestas Hayajusteamasdelasdistribucionespropuestas Hayajustesoloaunadelasdistribucionespropuestas
Enelcasodondenoseencuentraajusteaningunadistribucin,sepuedeprobarlassiguientesmedidas paratratardeencontrarelajuste:
1 2 3 4 Cambiarlosparmetrosdelanlisis:Cambiarelniveldeconfianza Reducireltamaodelamuestra,siestaesmuygrande Retirarlosoutliers Manejo de datos repetidos: Retirarlos o conservarlos en las estadsticas descriptivas para estimacin de parmetrosperonotomarlosencuentaparalapruebadebondaddeajuste.
Sedebetenercuidadoalaplicarlasmedidas2,3y4puessealteralamuestradedatos. Sinadadeestofuncionaonosedeseaaplicarestetipodemedidas,sepuedetrabajarconladistribucin de probabilidad discreta acumulada de los datos o la grfica de frecuencias por clases convertida a probabilidades. Enelcasodondehayajusteavariasdistribucionessepuedenaplicarlossiguientescriteriosparahacerla seleccinfinalentrelasdistribucionesquepasaronlapruebadebondaddeajuste:
1 2 3 Seleccionarladistribucinquetengaelmenorestadsticodeprueba Seleccionar la distribucin cuyo valor esperado y varianza sean iguales o ms cercanas a las correspondientesestadsticasdescriptivas Seleccionarladistribucinquemejorseajustaalascondicionesdelproblemabajoestudio
6.2.10 Softwareparaejecutaresteprocedimiento Se recomienda que se utilicen los paquetes de software comerciales que tienen implementados las funcionesparaobtenerlasestadsticasdescriptivasdelosdatos,loshistogramas,parmetrosestimados de mxima verosimilitud y pruebas de bondad de ajuste. A continuacin, se describen algunos de los procedimientosaseraplicadosenelajustededatosaunadistribucindeprobabilidad.
6.3PRUEBADEALEATORIEDAD Existenvariaspruebasdealeatoriedad.AcontinuacinsepresentaunatomadadelaReferencia[4].
Pruebadealeatoriedad
1.Sean: n1 :Cantidaddedatosmenoresalamedianadelamuestra.
n2 :Cantidaddedatosmayoresalamedianadelamuestra.
U :Sucesindedatoscontinuosmenoresomayoresalamedianadelamuestra.
2.Definiendo: U =
2n1n2 + 1 U = n1 + n2
2n1n2 ( 2n1n2 n1 n2 )
( n1 + n2 ) ( n1 + n2 1)
2
3.Elestadsticodepruebaes:
z=
U U
4.Hiptesisnula:Losdatossonaleatorios Hiptesis alterna: Existe un patrn en los datos que se repite con frecuencia, es decir, existe tendenciaenelprocesoofenmenoqueproducelosdatos
5.Criteriodedecisin:Serechazalahiptesisnulasi z < z / 2 z > z / 2
Paraaplicarestapruebasedebeconservarlasecuenciacronolgicaenqueseprodujeronlosdatos.Silos datosseordenanporordendemagnitudsealteralasucesindedatoscontinuosmayoresymenoresala media.
2010
111
EJERCICIO6.1 Se toman 16 bateras de una lnea de produccin y se les mide la tensin en Voltios despus de una pruebadecargaydescarga. Probarconun95%deconfianzasilamuestradedatosesaleatoriaosiexisteunpatrnquesealternacon frecuencia. Mediana=1.2495(Voltios) 1.261 1.258 n1=8datosmenoresalamediana 1.249 n2=8datosmayoresalamediana 1.241 1.247 U=8sucesindedatoscontinuosmenoresomayoresalamediana.Seobtiene 1.256 marcandolosdatosmayoresalamedianaconun1ylosmenoresconun 1.250 0yluegosehaceelsiguientediagramaparacontarlastransiciones: 1.240 1.255 1.243 1100011010111000 1.252 1.253 1.251 1.245 1.248 U = 9 U = 1.9322 z=0.5175 z / 2 = 1.96 Hiptesisnula H 0 :
1.246
Lamuestradedatosesaleatoria
Hiptesisalterna H1 : La muestra de datos no es aleatoria y existe un patrn en los datos que se repite con
frecuencia
Criteriodedecisin:
Comoznoesmenorque z / 2 seaceptalahiptesisnula,esdecir,lamuestradedatos
siesaleatoria Si los datos fuesen ordenados por magnitud de menor a mayor, el diagrama de sucesin de datos continuossera: 0000000011111111 U=2z=3.6228
Enestecaso,comozesmenorque z / 2 serechazalahiptesisnula,esdecir,lamuestradedatosnoes aleatoria,resultadoqueescontrarioalanteriordondeseconservalasecuenciacronolgicadelosdatos!!
2010
112
6.4PRUEBADEINDEPENDENCIA Existenvariaspruebadeindependencia.AcontinuacinsepresentaunatomadadelaReferencia[4].
DiagramadeDispersin
Si se tiene una muestra de n datos x 1 , x 2 , , x n no negativos y ordenados cronolgicamente, el diagramadedispersinesunagrficadelasparejas ( x i , x i +1 ) para i = 1,2, ,(n 1) .
Silosdatossonindependienteslospuntosestndispersosenelprimercuadrantedelplano ( x i , x i +1 )
Silosdatosestncorrelacionadospositivamente,lospuntostienenaformarunalneaconpendiente positivaenelprimercuadrantedelplano ( x i , x i +1 )
Silosdatosestncorrelacionadosnegativamente,lospuntostienenaformarunalneaconpendiente negativaenelprimercuadrantedelplano ( x i , x i +1 )
Figura6.3Diagramadedispersinparauna muestradedatosindependiente
Figura6.4Diagramadedispersinparauna muestradedatosindependienteperolos datosseordenaronpormagnitud

6.5RELACINENTREHISTOGRAMAYFUNCINDEDENSIDADDEPROBABILIDAD

Figura6.5Funcindedensidaddeprobabilidad
x x0 x0 + dx Lafuncindedensidaddeprobabilidad f x ( x) sedefinecomo:
dF ( x) P[ x ( x0 + dx)] P[ x x0 ] f x ( x) = x = dx dx

f x ( x)dx P[ x0 < x x0 + dx]
Entonces, f x ( x) evaluadaenunvalordado x0 indicacuntaprobabilidaddemasahayalrededordeese punto. Apartirdeunhistogramasepuedecalcular f x ( x) pueslaprobabilidadenunintervalodeclasesepuede evaluar con la definicin de frecuencia relativa: La frecuencia del intervalo de clase dividida entre el nmerototaldedatosutilizadosparaconstruirelhistograma:
Pclasei =
fi n
Estaeslarelacinexistenteentreunhistogramadelosdatosylafuncindedensidaddeprobabilidad,el histograma puede servir para indicar cul es la forma de la distribucin que puede utilizarse para representar los datos. Por esta razn, la funcin de densidad de probabilidad es ms utilizada en los anlisis que la funcin de distribucin de probabilidad, pues debe recordarse que sta ltima funcin siempreesunacurvacrecienteentre0y1paratodaslasdistribuciones.

Figura6.6Histogramayfuncindedensidadde probabilidad
2010
114
6.6MTODOSPARAESTIMARLOSPARMETROSDEUNADISTRIBUCIN 6.6.1Mtododelosmomentos Las caractersticas ms importantes de una distribucin de probabilidad son el valor esperado y la varianza. En todas las distribuciones, estas caractersticas son funcin de los parmetros (forma, escala, localizacin)quedefinenlafuncindedistribucin;entonces,siunadistribucintiene k parmetros,su valoresperadoysuvarianzasernunafuncindeestosparmetros. Tomando en cuenta el hecho de que la mayora de las distribuciones solo tiene como mximo dos parmetros,setiene:
E( x) = f (1 , 2 ) VAR( x) = f (1 , 2 )
Ejemplo Distribucin Exponencial Uniforme Gausiana Weibull Gamma Binomial
E( x)
VAR( x) 1/ h 2
(b a)2 / 12
1/ h
( a + b) / 2
1 / * (1 + 1 ) np
2 ( 2 / ) * [(1 + 2 * 1 ) ( (1 + 1 ))2 ]
2 npq
Entonces,ssedisponedeestimadoresparaelvaloresperadoylavarianza,como x y s ,seigualanlas ecuacionesdelvaloresperadoydelavarianzaaestosestimadoresysedespejanlosparmetrosestimados deladistribucinpropuesta:
x = E( x) f (1 , 2 ) s2 = 2 f (1 , 2 )
Estasdosecuacionessepuedenresolverenformasimultneaparadespejarlosparmetrosestimados.En algunos casos, como las distribuciones Gausiana y exponencial el resultado se obtiene por simple inspeccin.Enotroscasos,sedeberecurrirasolucionesnumricas. Tambin es posible utilizar como estimadores del valor esperado y la varianza valores que a juicio del analista corresponden al problema dado su conocimiento del fenmeno bajo estudio y se despejan los parmetrosestimadosdelasecuacionescomoenelcasoanterior. Este mtodo es emprico, por lo cual, puede dar estimadores muy pobres que no corresponden con la realidaddelfenmenobajoestudio.
2010
115
EJERCICIO6.2 EnelEjercicio4.1sehallaronlassiguientesestadsticasdescriptivasdelamuestradetiemposparafalla: x = 272.30 horasy s = 58.58 horas. Si del histograma de los datos se cree que la distribucin de la poblacin es uniforme, cules son los parmetrosestimadosdeladistribucinuniformequepodrarepresentarlosdatos? Aplicandoelmtododelosmomentos: x = ( a + b) / 2 = 272.30 a)2 / 12 = 58.58 2 s = (b
2
Resolviendoestasdosecuacionesseobtiene:
a = 2x b
12 * s2 + 2 x b= 2 Losparmetrosestimadosson: a = 170.8364637 horas b = 373.7635363 horas
Ntese que el rango de valores de la variable definido con estos estimadores es mayor al rango de la muestradedatos. 6.6.2Mtododelamximaverosimilitud Enestemtodoseconsideraquelosdatos x1 , x2 , , xn representanalasvariablesaleatorias X1 , X2 , , Xn las cuales son una secuencia IID. La funcin de distribucin de probabilidad de cada una de estas variablesaleatoriases f x ( x , ) . Lafuncindedensidaddeprobabilidadconjuntadelasecuenciade n variablesaleatoriasIIDes L ,que sedenominafuncindeverosimilituddelamuestra: L( x , ) = n=1 f xi ( x , ) i
Se debe determinar el valor ptimo del parmetro estimado que maximiza la funcin de verosimilitud calculando: dL( x , ) d 2 L( x , ) = 0 y < 0 d 2 d
Tomandoencuentaelhechodequeelvalorquemaximizalafuncindeverosimilitudtambinmaximiza sulogaritmo,sepuedeaplicar: dLN[ L( x , )] d 2 LN[ L( x , )] = 0 y <0 d 2 d Siladistribucindeprobabilidadtiene k parmetros,entonceslafuncindeverosimilitudes: L( x , 1 , , k ) = n=1 f xi ( x , 1 , , k ) i Yelvalordelosparmetrosestimadosptimosseobtienecalculando: L( x , 1 , , k ) = 0 para i = 1, 2, , k i Tambin se pueden tomar las derivadas parciales con respecto al logaritmo de la funcin de verosimilitud. Paraelcasodedistribucionesdiscretas,elmtodoseaplicadelamismaformaperoutilizandolafuncin deprobabilidaddemasa. Estemtodosoloeseficienteparamuestrasgrandes. Losestimadoresqueseobtienenporelmtododemximaverosimilitudtienenlassiguientesventajas:
1 2 3 4 Sonnicos,paralasdistribucionesmscomunes Soninsesgados Sonconsistentes Si n esgrande,sudistribucinesnormalconvalormedio0ydesviacin ( ) . Donde ( ) = n / E(
d2 L ) Elvaloresperadosetomaconrespectoa x d 2
Entonces,silamuestraesgrande,sedefineelintervalodeconfianzadelparmetro como:
z 1 / 2
( )
( ) + z 1 / 2
Esto quiere decir que con los estimadores de mxima verosimilitud, se define realmente una familia de distribucionesquepodranservirpararepresentarlosdatos.
Este mtodo no se puede aplicar a la distribucin uniforme pues las derivadas de la funcin de verosimilitud no producen relacin alguna en funcin de la variable aleatoria x . Entonces, para esta distribucin,losparmetrossepuedenestimardelasiguienteforma:
a = min( xi ) b = max( xi )
EJERCICIO6.3 Paraunamuestradedatosdetamao n secreequeladistribucindelasecuenciaIIDesexponencial. Determinarelestimadordelparmetroporelmtododemximaverosimilitud.
L( x , ) = e
n i =1
xi
= e
n ( x1 + x2 + + xn )
= e
n
xi
i =1
Como
xi
i =1
= xn
,entonces, L( x , ) = e
n xn
dL( x , ) n = nx = 0 * = 1/ x = h d
Este resultado es el mismo que se puede obtener por el mtodo de los momentos, pero en este caso, se tiene un soporte analtico sobre el procedimiento. De la misma forma, se obtienen los estimadores de mximaverosimilitudparaotrasdistribuciones. En[5]sepresentanlosestimadoresdemximaverosimilitudparavariasdistribuciones;sinembargo,los paquetes comerciales de estadstica tienen implementado estos procedimientos, por lo cual, no es necesarioestarrealizandoestetipodedemostracionescadaquesevaaresolverunproblema.
2010
118
6.7PRUEBADEBONDADDEAJUSTECHICUADRADO

Figura6.7PruebaChicuadrado
x Esta prueba realiza comparaciones entre las desviaciones del histograma o tabla de distribucin de frecuenciasdelosdatosylafuncindedensidaddeprobabilidadpropuestapararepresentarlosdatos. Esta prueba sirve para distribuciones continuas y discretas.No se debe utilizar cuandolafrecuencia de clasedelhistogramaotabladedistribucindefrecuenciasseamenora5.Peroesposiblecombinarclases paracumplirestecriterio.Elprocedimientoes: Paso1:Calcularlasdesviacionesentreelhistogramayladistribucinpropuesta Apartirdelhistogramaotabladedistribucindefrecuenciasdelosdatos,secomparaparacadaclase i la frecuencia de clase esperada FEi con la frecuencia de clase observada FOi . La desviacin se calcula como:
i = ( FEi FOi )2 / FEi
Lafrecuenciadeclaseesperada FEi secalculacomolaprobabilidaddelaclaseporeltamaodedatosde lamuestra.Estevalordebeserredondeadoaunentero. Paso2:Calcularelestadsticodeprueba 2 El estadstico de prueba es la sumatoria de las desviaciones entre las observaciones y los valores esperadosparalas k clasesdelhistogramaotabladedistribucindefrecuencias.Secalculacomo:
= ( FEi FOi )2 / FEi

2
i =1
Paso3:Determinarelvalorcrticodelestadsticodeprueba 2
2 EnlastablasdeladistribucinChicuadradosehallaelvalorcrtico paraelestadsticodepruebacon
v gradosdelibertad.Losgradosdelibertadestndadospor:
v = k m1
Donde m eselnmerodeparmetrosdeladistribucincalculadosapartirdelosdatos. Nteseque puede presentarseque el nmerodegrados de libertad es cerolo cual indicaque no puede aplicarse la prueba. Este caso aparece cuando hay pocas clases y se estiman parmetros a partir de la muestra.Porejemplo,sisolohaydosclasesyseestimaunparmetroapartirdelosdatos,elnmerode gradosdelibertadesceroynopuedeaplicarselaprueba.
Ntese que para un nmero fijo de datos, el valor crtico del estadstico de prueba aumenta conforme aumentaelniveldeconfianza,y,queparaunmismoniveldeconfianza,elvalorcrticodelestadsticode pruebaaumentaconformeaumentaelnmerodedatos. Paso4:Planteamientodehiptesis
H 0 :LadistribucinpropuestaSIrepresentaalosdatos
H1 :LadistribucinpropuestaNOrepresentaalosdatos
Paso5:Criteriodedecisin
2 Serechaza H 0 si 2 >
2010
120
EJERCICIO6.4 Probarconunniveldeconfianzadel95%silosdatosdelEjercicio4.1sepuedenajustaraunadistribucin uniformeconparmetros a = 184.1 horasy b = 349.4 horas. Lavariablealeatoria x correspondealtiempoparafallaovidadelasbombillas ( x 184.1) Ladistribucindeprobabilidadpropuestapara x es: Fx ( x) = 165.3 Comoestemtodosolosepuedeaplicarparadatosagrupadoscuyafrecuenciadeclasesea5oms,se debenagruparlosdatosenclasesquepermitancumplirestecriterio. Calculodelasdesviacionesabsolutasydelestadsticodeprueba FOi FEi ( FEi FOi )2 / FEi Clase Intervalodeclase
1 2 3 184.1 226 302 225 301 349.4 5 5 6 4 7 5 2
0.25 0.57 0.20 1.02
Elprimer FEi secalculas: FE1 = ( Fx (225) Fx (184.1)) * 16 = (0.24743 0) * 16 = 3.9588 4 Elnmerodegradosdelibertades v = k m 1 = 3 1 1 = 1 .Enestecaso m = 1 pueselparmetrode escaladelmodelo 1/(b a) secalculutilizandolosdatosdelamuestra. 2 Elvalorcrticodelestadsticodepruebacon v = 1 y = 5% es = 3.841 Planteamientodehiptesis:
H 0 :Ladistribucinuniformeconparmetros a = 184.1 horasy b = 349.4 horasSIrepresentalosdatosconun

95%deconfianza
H 1 :LadistribucinpropuestaNOrepresentaalosdatos
2 Pruebadehiptesis:Si 2 > serechaza H 0 Como 2 = 1.02 < 3.841 nosepuederechazarlahiptesisnula.
2010
121
6.8PRUEBADEBONDADDEAJUSTEKOLMOGOROVSMIRNOV Fx ( x)
1.0

Figura6.8PruebaKolmogorovSmirnov
x x1 xn Estapruebarealizacomparacionesentrelasdesviacionesabsolutasdelosdatosorganizadosdemenora mayorylafuncindedistribucindeprobabilidadpropuestapararepresentarlosdatos. Esta prueba es ms eficiente para muestras pequeas que la prueba Chicuadrado, pero solo sirve para distribucionescontinuas. Elprocedimientoes: Paso1:Ordenarlosdatosdemenoramayor Paso2:Calcularlasdesviacionesabsolutas Calcular para cada dato i la desviacin absoluta entre la frecuencia acumulada esperada FEi y la frecuenciaacumuladaobservada FOi :
i =| FEi FOi |
FEi y FOi correspondenalasprobabilidadesdequelavariablealeatoriaseamenoroigualaldato i . Laprobabilidad FEi secalculaapartirdelaecuacindeladistribucindeprobabilidadpropuestayla probabilidad FOi secalculacomo:
FOi =
i n
Paso3:Calcularelestadsticodeprueba D Elestadsticodepruebaeslamayordesviacinabsoluta:
D = max{| FEi FOi |}

Paso4:Determinarelvalorcrticodelestadsticodeprueba D EnlastablasdeladistribucinKolmogorovSmirnovsehallaelvalorcrtico D paraelestadsticode pruebacon n datos.
Ntese que para un nmero fijo de datos, el valor crtico del estadstico de prueba aumenta conforme aumentaelniveldeconfianza,y,queparaunmismoniveldeconfianza,elvalorcrticodelestadsticode pruebadisminuyeconformeaumentaelnmerodedatos. Paso5:Planteamientodehiptesis
H 0 :LadistribucinpropuestaSIrepresentaalosdatos
Paso6:Criteriodedecisin
Serechaza H 0 si D > D
2010
123
EJERCICIO6.5 Probarconunniveldeconfianzadel95%silosdatosdelEjercicio4.1sepuedenajustaraunadistribucin uniformeconparmetros a = 184.1 horasy b = 349.4 horas. Lavariablealeatoria x correspondealtiempoparafallaovidadelasbombillas ( x 184.1) Ladistribucindeprobabilidadpropuestapara x es: Fx ( x) = 165.3 Calculodelasdesviacionesabsolutas xi FEi FOi | FEi FOi | i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 184.1 208.3 213.3 218 224.4 227.5 248.5 252.1 256.1 300.2 303.8 336.3 344.5 344.7 345.6 349.4 0.0000 0.1464 0.1766 0.2051 0.2438 0.2626 0.3896 0.4114 0.4356 0.7024 0.7241 0.9208 0.9704 0.9716 0.9770 1.0000 0.0625 0.1250 0.1875 0.2500 0.3125 0.3750 0.4375 0.5000 0.5625 0.6250 0.6875 0.7500 0.8125 0.8750 0.9375 1.0000 0.0625 0.0214 0.0109 0.0449 0.0687 0.1124 0.0479 0.0886 0.1269 0.0774 0.0366 0.1708 0.1579 0.0966 0.0395 0.0000
Elestadsticodepruebaes: D = max{| FEi FOi |} = 0.1708 Elvalorcrticodelestadsticodepruebaes D = D0.05 = 0.32733 para n = 16 datos Planteamientodehiptesis:
H 0 :Ladistribucinuniformeconparmetros a = 184.1 horasy b = 349.4 horasSIrepresentalosdatosconun

95%deconfianza
Pruebadehiptesis:Si D > D serechaza H 0 Como D = 0.1708 < 0.32733 nosepuederechazarlahiptesisnula.
2010
124
6.9GRFICADECALIFICACIONESNORMALESYLOGNORMALES[4] Consisteenlaelaboracindeunagrficacuyasabscisascorrespondenalacalificacinnormal m decada datoysusordenadasalvalormismodecadadatoordenadoenformaascendente.

Calificacionesnormales
Lascalificaciones m1 , m2 , , mn ,sonvalorestalesque:
P ( x m1 ) = P (mi x mi +1 ) = P(mn x ) =
1 para i = 1,2 ,3 , , n 1 n+1
Donde x esunavariablealeatoriadistribuidanormalmenteconmedia = x y = s .
Estapruebasepuedeaplicarsinoexistendatosrepetidos.Elprocedimientoconsisteen:
1.0 Calcular Pi = Pi 1 + n+1
Es la probabilidad que corresponde al dato i y n es el tamao de la muestra.Para i = 1 , Pi 1 = 0 .

Calcular mi
Es el valor para el cual en la distribucin normal estandar existe una probabilidad acumulada Pi , se halla de tablas o por integracin numrica.

Criteriodedecisin
Si la grfica se ajusta a una lnea recta, entonces la muestra esta distribuidanormalmente.VerelejemplodelaFig.
35
Grfica de calificaciones normales-Datos no repetidos
30
25
Figura6.9Grficadecalificacionesnormales 15 10 5 0 -3 -2 -1 0 1 2 3 Calificacin normal Silamuestradedatosnocontienedatosnegativossepuedeaplicarestapruebaallogaritmonaturaldelos datos.Sisecumplelaprueba,entonceslamuestratieneunadistribucinlognormal.

Dato 20
2010
125
EJERCICIO6.6 AplicarlaspruebasdenormalidadylognormalidadalosdatosdelEjercicio6.1 Ln(datoi ) Pi mi Dato

1.261 1.258 1.249 1.241 1.247 1.256 1.250 1.240 1.255 1.243 1.252 1.253 1.251 1.245 1.248 1.246 0.2151 0.2159 0.2175 0.2191 0.2199 0.2207 0.2215 0.2223 0.2231 0.2239 0.2247 0.2255 0.2271 0.2279 0.2295 0.2319 0.0588 0.1176 0.1765 0.2353 0.2941 0.3529 0.4118 0.4706 0.5294 0.5882 0.6471 0.7059 0.7647 0.7215 0.8824 0.9412 1.5647 1.1868 0.928 0.7215 0.5414 0.3774 0.2230 0.0738 0.0738 0.223 0.3774 0.5414 0.7215 0.9289 1.1868 1.5647
Figura6.10Grficadecalificacionesnormalesde Figura6.11Grficadecalificacioneslognormalesde losdatosdelejercicio6.6 losdatosdelejercicio6.6 Enestecasoseobservaenlasfiguras6.10y6.11quelamuestradedatosseajustatantoaladistribucin normalcomoalalognormal.
2010
126
6.10TRANSFORMADAYGRFICATTT
LatransformadaTTT(BarlowyCampo1975)
LafuncindetransformadaTTTdeunadistribucindeprobabilidad Fx ( x) sedefinecomo:
(u) =
1 F 1 ( u) 0 F (t )dt con 0 u 1 E( x)
Donde:
F :Eselcomplementodelafuncindedistribucindeprobabilidad
F 1 :Funcininversadelafuncindedistribucindeprobabilidad
Lafuncin () defineunagrficadereferenciaparacompararlamuestradedatosydeterminarsiexiste ajustealadistribucinpropuesta. () es independiente del parmetro de escala de la distribucin; esto se cumple para cualquier distribucinpuesesunapropiedaddecualquiertransformacin. Nteseque:
1 2 Estemtodosolopuedeaplicarseparadistribucionesconsolucinanalticaparalafuncindedistribucin deprobabilidadyelvaloresperado paraaplicarestemtodonoesnecesarioprimeroestimarlosparmetrosdeladistribucinquehipottica queseproponepararepresentarlosdatos
Estapruebaprovienedelreadeconfiabilidad,dondelosdatosdelamuestrasonlostiemposentrefallas de un componente o sistema reparable. Por lo tanto, se aplica para el caso en el que los datos de la muestraconformanunasucesindevaloresobservadoseneltiempoquealavezconstituyenunanueva variable aleatoria (tiempo total de operacin u observacin) o a los tiempos interarrivo que cualquier procesodellegadadeeventos(accidentes,incendios,enfermedadesnofatalesenunservivo,terremotos, etc.).Deah,elnombreTTT:TotalTimeonTest.
2010
127
EJERCICIO6.7 HallarlatransformadaTTTparaladistribucinexponencial. E( x) = 1 / h Fx ( x) = 1 e hx

Fx ( x) = 1 Fx ( x) = 1 [1 e hx ] = e hx u = Fx ( x) = 1 e hx e hx = 1 u hx = LN (1 u) x =
1
1 1 LN(1 u) F 1 (u) = LN(1 u) h h
(u) =
h LN (1 ) 1 F 1 ( u ) 1 F 1 ( u) ht 1 F 1 0 0 e h*0 ] F (t )dt = e dt = h * [ e ht ]0 ( u) = [ e h 1/ h E( x) h
(u) = [ e LN (1u ) e h*0 ] = [(1 u) 1] = [u] = u
(u) = u
Lagrficade (u) esunalneadiagonalentre0y1pues u tomaestosmismosvalores.
(u)
1.0
1.0
Figura6.12GrficadelatransformadaTTTparala distribucinexponencial
2010
128
LagrficaTTT
Dada una muestra de n tiempos entre llegada de eventos x1 , x2 , medianteelsiguienteprocedimiento:
, xn la grfica TTT se obtiene
1.Reordenelosdatosenformacrecienteporordendemagnitud: X1 , X2 ,
, Xn
2. X0 = 0
3.CalcularlosvaloresTTTcomo: Ri = (n j + 1) * [X j X j 1 ] con i = 1, 2,
j =1
,n
4.NormalicelosvaloresTTT: Si = Ri / Rn
5.Grafique (u = , (u) = Si ) ynalosmediantesegmentosderecta
i n
6.SilospuntosestndistribuidosalrededordelatransformadaTTTdeladistribucinconlaquese quiereprobarelajuste,entoncesSIhayajuste;losdatospertenecenaladistribucinpropuesta.
El nombre TTT proviene del hecho de que los Ri se normalizan con respecto a Rn que corresponde al tiempototaldelasobservaciones.
2010
129
EJERCICIO6.8 Para la muestra de tiempos entre llegada de eventos de un proceso estocstico puntual probar si estos datosestndistribuidosexponencialmente,asumiendoquesonindependientes. (u) = Si u = i/n X [aos] R [aos]
0.0171 0.0183 0.0248 0.0493 0.0561 0.0589 0.0626 0.0732 0.1189 0.1192 0.1267 0.1323 0.1685 0.1718 0.1849 0.2449 0.3001 0.3020 0.3143 0.3195 0.3505 0.3750 0.4149 0.4231 0.4257 0.5501 0.7410 0.9456 1.1288 1.1376 0.5130 0.5478 0.7298 1.3913 1.5681 1.6381 1.7269 1.9707 2.9761 2.9824 3.1324 3.2388 3.8904 3.9465 4.1561 5.0561 5.8289 5.8536 6.0012 6.0584 6.3684 6.5889 6.9081 6.9655 6.9811 7.6031 8.3667 8.9805 9.3469 9.3557 0.0333 0.0667 0.1000 0.1333 0.1667 0.2000 0.2333 0.2667 0.3000 0.3333 0.3667 0.4000 0.4333 0.4667 0.5000 0.5333 0.5667 0.6000 0.6333 0.6667 0.7000 0.7333 0.7667 0.8000 0.8333 0.8667 0.9000 0.9333 0.9667 1.0000 0.0548 0.0586 0.0780 0.1487 0.1676 0.1751 0.1846 0.2106 0.3181 0.3188 0.3348 0.3462 0.4158 0.4218 0.4442 0.5404 0.6230 0.6257 0.6414 0.6476 0.6807 0.7043 0.7384 0.7445 0.7462 0.8127 0.8943 0.9599 0.9991 1.0000
Comoseobservaenestagrfica,SIexisteajusteaunadistribucinexponencial,pueslagrficade losdatosestalrededordelatransformadaTTTdeladistribucinexponencial(lalneadiagonal).
UniversidadTecnolgicadePereira 2010
130
6.11BIBLIOGRAFA [1] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart andWistonInc,1970. [2] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [3] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [4] Miller I,Freund J,Johnson R,Probabilidad y Estadstica para Ingenieros, cuarta edicin,Prentice Hall,1992. [5] Law Averill M, Kelton W. David, Simulation Modeling and Analysis, Tercera edicin, McGraw Hill,2000. [6] KlefsjoB,KumarU,GoodnessoffittestsforthepowerlawprocessbasedontheTTTplot,IEEE TransactionsonReliability,Vol.41,No.4,December1992. [7] AscherH,FeingoldH,Repairablesystemsreliability:Modeling,inference,misconceptionsandtheir causes,MarcelDekker,1984. [8] Ascher H. E, Hansen Christian K, Spurious exponentially observed when incorrectly fitting a distributiontononstationarydata,IEEETransactionsonReliability,Vol.47,No.4,December1998.
2010
131
Captulo7CadenasdeMarkov
CAPTULO7CADENASDEMARKOV
7.1INTRODUCCIN 7.1.1Motivacin
Figura7.1Representacindeun fenmenoaleatoriopordiagramas detransicinentreestados
Gusano 1
Mariposa
ttransicion
Existenfenmenosaleatoriosparaloscualessedeseaestudiarlaevolucindelestado(condicionesfsicas uoperativas)enformadiscretaensaltosconrespectoaltiempo.Esposiblequeelespaciodeestadodel fenmeno aleatorio bajo estudio sea continuo pero solo es prctico o de inters el considerar algunos estadosparticulares.UnejemplodeestetipodefenmenossepresentaenlaFigura7.1. Comoayudaparaestetipodemodelamiento,elfenmenoaleatorioserepresentamedianteundiagrama detransicindeestados,elcualesunagrficadelosestadosdiscretosdeintersyflechasqueindicanlas transicionesquesonposiblesentrestos.EnlaFigura7.2sepresentanalgunosejemplosdediagramasde transicinentreestados. t falla _ parcial t falla total t falla 2 2 3 1 1 t reparacion _ menor t reparacion _ mayor t reparacion Equipo Equipo Equipo Falla Falla bueno daado bueno parcial total 5MW 0MW 10MW 5MW 0MW t desgaste _ menor t desgaste _ mayor tobsolescencia 2 3 1 4 tmantenimiento Desgaste Equipo Desgaste Obsolescencia aceptable mayor nuevo
Figura7.2Ejemplosdediagramasdetransicindeestados
El modelo matemtico para este tipo de representacin se denomina cadena de Markov. Este modelo entrega como salida o solucin las probabilidades de ocurrencia de cada uno de los estados como funcionesdeltiempo,porlocual,correspondeaunprocesoestocstico. Encualquierinstantedetiempo,lasumadelasprobabilidadesdetodoslosestadosdebeser1.0.
7.1.2Estadoabsorbente Personacon 1 buenasalud
Enfermedadleve 2
Muerte
3 Estado absorbente Enfermedadgrave Figura7.3Diagramadetransicindeestadosconunestadoabsorbente
En los diagramas de transicin no siempre existe conexin entre todos los estados. Algunos estados pueden ser absorbentes ya que una vez se llega a ellos, el fenmeno termina o permanece all para siempre. En la Figura 7.3 se presenta un ejemplo donde el diagrama de transicin tiene un estado absorbente(elestado4). 7.1.3Acumulacindeestados Enfermedad Enfermedadleve Personacon 2 buenasalud 1 P [enfermedad ] = P2 (t ) + P3 (t ) Muerte 4 3 Enfermedadgrave
Figura7.4Diagramadetransicindeestadosconunestadoabsorbente
Si varios estados corresponden a una misma situacin fsica u operativa, estos se pueden acumular. La probabilidad de ocurrencia del nuevo estado acumulado es igual a la suma de las probabilidades de ocurrenciadelosestadosquesetomanencuentaenlaacumulacin.LaFigura7.4presentaunejemplode esteconcepto.
2010
133
7.2CADENASDEMARKOVDISCRETASENELESTADOYENELTIEMPO 7.2.1Descripcin p22 2 p12 p 21 p23 p32 p13 Figura7.5CadenadeMarkovdiscreta 1 3 p33 p11 p31 p1n pn 1 n pnn Enestemodelo,quetambinseconocecomocadenadeMarkovdiscreta,paraunperiododetiempo fijo t ,seconocenlasprobabilidadesdetransicinentrelosestadosdelsistema.Elperiododetiempo t tambinsedenominaetapaotransicindelprocesoypuedeserunahora,unda,unasemana, unmes,ao,etc. Losdiagramasdetransicindeestadosmuestranlasprobabilidadesdepermanecerenunestadodadoy lasprobabilidadesdetransicinentreestados,talcomosemuestraenlaFigura7.5. En t = 0 ,seconoceelestadoenqueelsistemainiciaelproceso.Estascondicionesinicialessedescriben medianteunvectordeprobabilidades P(0) . Una vez el sistema inicia su operacin, puede tomar cualquiera de los estados discretos definidos. Las probabilidadesdeencontrarcadaunodelosestadosvancambiandoconformeelprocesoevolucionacon el tiempo. Los instantes de tiempo futuros estn definidos por saltos discretos de dimensin igual a t , tal como se muestra en la Figura 7.6. En cada uno de estos instantes, se determinan las probabilidadesdeencontrarcadaunodelosestados,queesunvector P (t ) . P(0) P(1) P(2) P(3) P(4) P( k) t t 0 t1 t2 t3 t4 tk Figura7.6EvolucineneltiempodeunacadenadeMarkovdiscreta Esteprocesoesestacionario,locualseevidenciaenelhechodequealpasareltiempolasprobabilidades de los estados se estabilizan en un valor. Esto resulta de asumir que dentro del periodo t la probabilidadesconstante. Lasunidadesdelpasodetiempodiscreto t resultandeque:
La observacin del proceso solo se hace Porejemplo:cadahora,da,semana,etc. cada t

Las transiciones ocurren solo ocurren cada Porejemplo:lastransferenciasentreprogramasacadmicosde t . pregradosolosehacencadasemestre.
7.2.2 Planteamiento matemtico Para un sistema o proceso que tiene n estados, la probabilidad de encontrar cada uno de los estados luegode k transiciones(periodosdetiempo)estdadapor:
P( k ) = P(0) P k
Donde:
P( k ) : Eselvectorfilaconlasprobabilidadesdeencontrarcadaunodelosestadosdespusdeuntiempo
k .Seutilizalaletra k paradesignareltiempopueselutilizarlaletra t puedellevaraconfundir t laoperacin P conlamatriztranspuestade P .
P(0) : Eselvectorfilaconlascondicionesinicialesexpresadasentrminosdeprobabilidades.Lasuma
desustrminoses1.0.
P :
Es la matriz estocstica de probabilidades de transicin entre estados y es el generador de la cadena.Sustrminossedefinencomo:
p11 p 21 P= pn 1
p12 p22 pn 2
p1n p2 n pnn
pii : Eslaprobabilidaddepermanecerenelestado i .
p ij :
Eslaprobabilidaddehacerunatransicindelestado i al j despusdeunperiododetiempo t , dadoqueseestabaenelestado i aliniciarelperiododetiempo t .
Lasfilasdelamatriz P debensumar1.0.Adems,Pnoesnecesariamentesimtricayaque p ij notiene queseriguala p ji . Lamatriz P tambinesunamatrizestocstica.

k
7.2.3 Anlisisdeestabilidad
Si k esgrande lim P k = L
k

Siellmiteexiste,entonces P esunamatrizergdica. Condicionesparalaergodicidad[7]:
MatrizErgdica

Unamatrizestocsticaesergdicasiysoloselnicovalorpropiodemagnitud 1.0 es (1.0 + 0.0 i ) y si este valor propio tiene multiplicidad asociadosconestevalorpropio.
, existen
vectores propios linealmente independientes
Toda matriz P tiene a (1.0 + 0.0 i ) como valor propio y ninguno de los valores propios tiene magnitud mayora1.0envalorabsoluto. Unamatrizestocsticaesregularsiunadesuspotenciascontienesoloelementospositivosyestamatriz regularesergdica.Lasprobabilidadesdeestadoestabledelsistemaestndadaspor:
P() = P(0) L
Las probabilidades de estado estable son independientes de las condiciones iniciales, por lo cual, no es necesario hallar la matriz L , pues estas probabilidades se pueden hallar mediante el siguiente procedimiento[3],[6]:
Algoritmoparahallar P( )

1.Secalculalamatriz A = [ P t I ] donde I esunamatrizidnticadedimensin n * n
2.Sereemplazacadatrminodelaltimafiladelamatriz A por1.0
3.Seobtienenlaprobabilidadesdeestadoestableresolviendoelsiguientesistemadeecuacioneslinealesde coeficientesconstantes:
P() = A1 b
Donde b esunvectorfiladedimensin n cuyostrminossonceroexceptoeldelaltimafilaqueesiguala1.0
La Referencia [7] presenta un mtodo para hallar la matriz L a partir de los valores propios y vectores propiosdelamatriz P .
7.2.4 Cmoaplicarestemodeloaunproblemareal Paraaplicarestemodeloaunproblemarealserequiere:
Definirlosestadosdiscretosconloscualessepuedenrepresentarlascaractersticasdeintersdelsistema bajoestudio.

Definirelpasodiscretodetiempo t Determinar las probabilidades de transicin entre estados. Los p ij se pueden determinar a partir de
estadsticas, aplicando la definicin de frecuencia relativa.
Debe verificarse quelas frecuencias (probabilidades)de transicin entreestadosseanconstantesdentro delperiododetiempoquesedefinaparaelestudio.
EJEMPLO7.1 Losregistrosoperativossemanalesdeunaplantatrmicaquefuncionaconcarbnmuestranque:
Silaplantaestapagadaporproblemastcnicos,laprobabilidaddequepermanezcaenesteestadoesdel 15%,la probabilidad de que sea reparada parcialmente y genere 60 MWes del 50% y la probabilidad de quesereparetotalmenteygenere120MWesdel35%

Cuando la planta est operativa parcialmente con 60 MW, la probabilidad de que se dae de nuevo totalmenteytengaqueserapagadaesdel25%.Laprobabilidaddequeserepareypaseagenerar120MW esdel50%

Cuandolaplantaestoperativaal100%decapacidad,laprobabilidaddequesedaetotalmenteytenga queserapagadaesdel30%,laprobabilidaddequesufraunafallaparcialysolopuedagenerar60MWes del40%
Elperiododetiempodelestudioes t = 1 semana Existen3estadosnumeradosas:

Estado 1 2 3 MW 0 60 120 Descripcin Fallatotal Fallaparcial Nofallas
2
0.25
0.50 0.25
1
Lamatrizestocsticadetransicioneses:
0.50
3
0.40
0.35 0.30
0.15 0.50 0.35 P = 0.25 0.25 0.50 0.30 0.40 0.30

0.15
0.30
137
Las probabilidades de cada estado luego de k periodos de tiempo, si la planta inicio el ciclo del estudioenelestadounoestndadaspor:
p1 0.15 0.50 0.35 p2 = ( 1 0 0 ) 0.25 0.25 0.50 p 0.30 0.40 0.30 3

Semana( k ) 1 2 3 4 5 6 7 8 0MW( p1 ) 0.1500 0.2525 0.2451 0.2445 0.2449 0.2448 0.2448 0.2448 60MW( p2 ) 0.5000 0.3400 0.3742 0.3684 0.3692 0.3691 0.3691 0.3691 100MW( p3 ) 0.3500 0.4075 0.3806 0.3871 0.3859 0.3861 0.3861 0.3861
Comoseobserva,elsistemaalcanzaelestadoestableen6transiciones.Entonces, P esunamatriz ergdica.
Lasprobabilidadesdespusde8transicionescambiandolascondicionesiniciales:
P(0)
[100] [010] [001]
Descripcin Empiezaconfallatotal Empiezaconfallaparcial Empiezasinfalla
0MW 0.2448 0.2448 0.2448
60MW 0.3691 0.3691 0.3691
100MW 0.3861 0.3861 0.3861
Comoseobserva,lasprobabilidadesdeestadoestablesonlasmismassinimportarenqueestado empezelsistemabajoestudioelproceso. Valorespropiosyvectorespropiosdelamatriz P i i | i |

1 2 3 1.0000 0.1500+0.0707i 0.15000.0707i 1.0000 0.1658 0.1658
Lasprobabilidadesdeestadoestabletambinsepuedenhallarhaciendo: Paso1:
0.15 0.50 0.35 1.0 0.0 0.0 0.85 0.25 0.30 t A = P I = 0.25 0.25 0.50 0.0 1.0 0.0 = 0.50 0.75 0.40 0.30 0.40 0.30 0.0 0.0 1.0 0.35 0.50 0.70
2010
138
Paso2: Paso3:
0.85 0.25 0.30 A = 0.50 0.75 0.40 1.00 1.00 1.00
0.85 0.25 0.30 0.0 0.2448 P() = 0.50 0.75 0.40 0.0 = 0.3691 1.00 1.00 1.00 1.0 0.3861
Elmismoresultadoobtenidomediantemultiplicacinsucesivade P .Lasiguientegrficapresentaun esquemadelaevolucindelproceso: 1.00 0.15 0.15 0.2451 0.2445 0.2448 P(t) = 0.00 0.50 0.50 0.3742 0.3684 0.3691 0.00 0.35 0.35 0.3806 0.3871 0.3861 t 0 [semanas]
Figura7.7Evolucindelprocesoestocsticodelejercicio7.1
2010
139
7.3CADENASDEMARKOVDISCRETASENELESTADOYCONTINUASENELTIEMPO 7.3.1Descripcin 2 h 12 ( t )
h 21 ( t )
1
h 23 ( t )
h 32 ( t )
h 13 ( t )
Figura7.8CadenadeMarkovcontinuaenel tiempo
h 31 ( t ) h1 n ( t )
hn1 (t )
n
En este modelo los tiempos de transicin entre estados t ij son variables aleatorias continuas. Del valor esperadodecadatiempodetransicinentreestadossedefinelatasadetransicinentreestados:
hij (t ) = 1 / E(tij ) =
dE[ N (t )] dt
Latasadetransicinentreestadoscorrespondeaunavelocidadorazndecambiodelvaloresperadode eventos N ( t ) de transicin con respecto al tiempo; por ejemplo, fallas/ao, reparaciones/ao, inundaciones/ao, etc. Esta tasa de eventos de se presenta en el diagrama de transicin de estados, tal comosemuestraenlaFigura7.8. Trescasosaparecenenelestudiodeesteprocesoestocstico:
1 todos Condiciones Todos los hij son constantes y los Nombre Cadenade Markov homognea exponencial Cadenade Markov homognea general Cadenade Markovno homognea Caractersticas Proceso estacionario homogneo Proceso estacionario homogneo Proceso noestacionario nohomogneo Mtododesolucin Analticaynumricapor mtodosnumricosde ecuacionesdiferencialesy simulacindeMontecarlo SimulacindeMontecarlo, mecanismodelasetapas(device ofstages)yadicindevariables Mtodosnumricosde ecuacionesdiferencialesy simulacindeMontecarlo
t ij
estn
exponencialmentedistribuidos Todos los hij son constantes, pero 2 no todos los
t ij
estn
exponencialmentedistribuidos 2 Algunos hij varanconeltiempo
2010
140
7.3.2Desarrollodelmodelomatemtico
(t)
1 2
(t)
operativo fallado
Figura7.9CadenadeMarkovcontinuaeneltiempo
ParadesarrollarlasecuacionesdeunacadenadeMarkovcontinuaeneltiempo,considerecomoejemplo elcomponentededosestadosoperativosmostradoenlafigura7.9
h12 (t ) = (t ) Sedenominatasadefallas h21 (t ) = (t ) Sedenominatasadereparaciones.

Considereunintervalodetiempo dt elcualesmuypequeodetalmaneraquelaprobabilidaddeque ocurranmsdeunafallaomsdeunareparacinseamuypequeayporlotantopuedadespreciarsela ocurrenciadeestoseventos.As: Probabilidaddeunafallaen t =Probabilidaddeunafallaen (t + dt ) = (t )dt Probabilidaddeunareparacinen t =Probabilidaddeunareparacinen (t + dt ) = (t )dt La probabilidad de estar en el estado operativo despus de un intervalo de tiempo dt es igual a la probabilidad de estar operativo en t y no haber fallado en dt + probabilidad de estar fallado en t y habersidoreparadoen dt :
P1 (t + dt ) = P1 (t )[1 (t )dt ] + P2 (t )[u(t )dt ]

La probabilidad de estar en el estado de reparacin (fallado) despus de un intervalo de tiempo dt es igualalaprobabilidaddeestarfalladoen t ynohabersidoreparadoen dt +probabilidaddeestarno falladoen t yhaberfalladoen dt :
P2 (t + dt ) = P2 (t )[1 (t )dt ] + P1 (t )[(t )dt ]

As,reorganizandotrminosenambasecuaciones:
P1 (t + dt ) = P1 (t )[1 (t )dt ] + P2 (t )[u(t )dt ] P1 (t + dt ) = P1 (t ) (t )dtP1 (t ) + u(t )dtP2 (t ) P1 (t + dt ) P1 (t ) = [(t )P1 (t ) + u(t ) P2 (t )]dt P1 (t + dt ) P1 (t ) = (t )P1 (t ) + u(t ) P2 (t ) dt P1 (t + dt ) P1 (t ) = (t ) P1 (t ) + u(t ) P2 (t ) dt dt 0 dP1 (t ) = (t ) P1 (t ) + u(t )P2 (t ) dt
P2 (t + dt ) = P2 (t )[1 (t )dt ] + P1 (t )[(t )dt ] P2 (t + dt ) = P2 (t ) (t )dtP2 (t ) + (t )dtP1 (t ) P2 (t + dt ) P2 (t ) = [(t ) P1 (t ) u(t ) P2 (t )]dt P2 (t + dt ) P2 (t ) = (t ) P1 (t ) u(t ) P2 (t ) dt P2 (t + dt ) P2 (t ) = (t ) P1 (t ) u(t )P2 (t ) dt dt 0 dP2 (t ) = (t ) P1 (t ) u(t ) P2 (t ) dt
Locualresultaenelsiguientesistemadeecuacionesdiferencialesordinarias:
dP1 (t ) = (t )P1 (t ) + u(t )P2 (t ) dt
dP2 (t ) = (t )P1 (t ) u(t )P2 (t ) dt

Elcualsepuedeexpresarenalgunadelassiguientesformas:
dP1 (t ) (t ) u(t ) P (t ) 1 dt = dP2 (t ) (t ) u(t ) P2 (t ) dt P1 (t ) (t ) u(t ) P1 (t ) P (t ) = (t ) u(t ) P (t ) 2 2

P( t ) = T t P( t )

dP1 (t ) dt
(t ) (t ) dP2 (t ) = ( P1 (t ) P2 (t ) ) dt u(t ) u(t )
( P (t )
1
(t ) (t ) P2 (t ) = ( P1 (t ) P2 (t ) ) u(t ) u(t )
P( t ) = P(t ) T
T eslamatrizestocsticadetasasdetransicinentreestados.

Generalizandopara n estados:
t P(t ) = P(t ) T P(t) = T P(t)
Donde:
P ( t ) : Eselvectorfiladelasprobabilidadesdecadaunodelosestadoscomofuncindeltiempo
P ( t ) : Eselvectorfiladelasderivadasconrespectoaltiempodelasprobabilidadesdecadaunodelos
estadoscomofuncindeltiempo
T : Es la matriz estocstica de tasas de transicin entre estados. Es el generador infinitesimal de la

cadena.Sustrminossedefinencomo:
h11 (t ) h12 (t ) h (t ) h22 (t ) T = 21 h (t ) h (t ) n2 n1
h1n (t ) h2 n (t ) hnn (t )
hii (t) : Eselnegativodelasumatoriadetodaslastasasdetransicinquesalendelestado i
hii (t) : Eslatasadetransicinquesaledelestado i alestado j

Lasfilasdelamatriz T debensumar0.0.
T nonecesariamenteessimtricayaque hij (t) notienequeseriguala h ji ( t ) .

La solucin del sistema de este sistema de ecuaciones diferenciales entrega las probabilidades de cada estadoenfuncindeltiempo.Paraloscasosenqueexistesolucinalsistemadeecuacionesdiferenciales (existeestabilidad),lasolucintienelassiguientespartes:
Partetransitoria
Seutilizaenestudiosdedecortoplazo.Porejemplodespachodegeneracinhoraa hora.

Partedeestadoestable
Seutilizaenestudiosdedemedianoylargoplazo.
Cuando se utiliza simulacin de Montecarlo para resolver este tipo de procesos, solo se obtienen las probabilidadesdeencontrarcadaunodelosestadosdiscretosdelprocesoenelestadoestable,esdecir,se pierdeelperiodotransitorio.
7.3.3Cmoaplicarestemodeloaunproblemareal
Definirlosestadosdiscretosconloscualessepuedenrepresentarlascaractersticasdeintersdelfenmeno aleatoriobajoestudio

Paracadaunodelostiemposdetransicinentreestadosanalizarlatendencia.Doscasospuedenaparecer: Nohaytendencia:Enestecasolatasadetransicinesconstante.Seprocedeaobtenerladistribucinde probabilidaddelostiemposdetransicin.
Si hay tendencia: En este caso la tasa de transicin es variable con el tiempo. Se procede a obtener la funcinquerepresentalatasadetransicin,porejemplo,aplicandoelmtododemnimoscuadrados.
UnaprcticamuydifundidaenelmodelamientoconcadenasdeMarkovcontinuaseneltiempohasidoel analizarprimerosilatasadetransicinentredosestadosesconstanteysiestosecumple,asumirqueel tiempodetransicinentreestadosestdistribuidoexponencialmentelocualnoesnecesariamentecierto porque si el tiempo de transicin entre estados es estacionario, la tasa de transicin ser constante independientementedeladistribucinquemodelaaltiempodetransicinentreestados.As:
Elquelatasadetransicinentredosestadosseaconstantenoessuficienteargumentoparaafirmarque eltiempodetransicinentreestosdosestadosestdistribuidoexponencialmente.
Ladistribucindeltiempodetransicinentreestadosseobtienemedianteelprocedimientodeajustede datosaunadistribucinnodelatasadetransicinentreestados!
Sieltiempodetransicinentredosestadosestexponencialmentedistribuido,latasadetransicin entreestosestadosesconstante,locontrarionoesnecesariamentecierto!
2010
144
7.3.4Cmocalcularlatasadetransicinentreestados A partir de una muestra de datos tomada durante un periodo de tiempo T , la tasa de transicin entre estadosotasadeeventossedefineenformaestadsticacomo:
Tasadetransicinentreestados
La tasa de transicin hij es el nmero de transiciones nt del estado i al estado j en un periodo de tiempo T ,porunidaddetiempoenqueelsistemaestuvoenelestado i
hij = nt / (tij )k
k =1
nt
Donde (tij )k esigualalasumatoriadelostiemposdesalidadesdeelestado i .

k =1
nt
Paraverificarsilatasadeeventosesconstanteduranteelperiododetiempo T delosregistrossehace unagrficadividiendoelperiododetiempodelosregistrosensubperiodosparaloscualessedetermina elnmerodeeventos.VerlosejemplosdelaFigura7.10. h ij

t
1 2 3 4 5
[Aos]
h ij
t [Aos]
T
Figura7.10Grficasdelatasadeeventosconrespectoaltiempo
2010
145
7.4CADENADEMARKOVHOMOGENEAEXPONENCIAL 7.4.1Planteamientomatemticodelacadenahomogneaexponencial Enestemodelotodoslostiemposdetransicinentreestadosestndistribuidosexponencialmente,porlo cual, todas las tasas de transicin entre estados son constantes ya que los tiempos de transicin entre estadossonestacionarioseindependientes.As, T esunamatrizdecoeficientesconstantes:
h11 h T = 21 h n1
h12 h22 hn 2
h1n h2 n hnn
El modelo matemtico P(t ) = P(t ) T corresponde a un sistema de ecuaciones diferenciales ordinarias, linealesdecoeficientesconstantescuyasolucinesindependientedelascondicionesiniciales. 7.4.2SolucindeunacadenadeMarkovhomogneaexponencial Dos mtodos de solucin analtica para el sistema de ecuaciones diferenciales del proceso de Markov continuoeneltiemposon:
P(t) = eT * t P(0)
Donde P(0) eselvectorcolumnadelascondicionesiniciales,expresadasentrminosdeprobabilidades.
P (t ) =
c i * v i *e i
=1
i *t
Donde: i : Eselvalorpropio i delamatriz T .Recordarque T tienelosmismosvalorespropiosde T .

t
vi : Es el vector propio columna asociado con el valor propio i que es calculado a partir de T t .
Recordarquelosvectorespropiosnosonnicos.
ci : Esunaconstanteaserdeterminadapormediodelascondicionesiniciales
Otrosmtodosdesolucindeestesistemadeecuacionesdiferencialessepuedenconsultarentextosde ecuacionesdiferenciales,teoradecontrolymtodosnumricos.
7.4.3 Anlisisdeestabilidad Algomuyimportanteadeterminarantesdeintentarsolucionarunsistemadeecuacionesdiferenciales,es si el sistema descrito es estable, es decir, presenta respuesta amortiguada. Esto se puede conocer del anlisisdelosvalorespropiosdelamatrizdecoeficientesdelsistemadeecuacionesdiferenciales, T enel casodelprocesodeMarkovcontinuo[9]:
Elsistemaesasintticamenteestablesysolostodoslosvalorespropiosde T estnubicadosenellado izquierdodelplanocomplejo.

Elsistemaesmarginalmenteestablesialgunosdelosvalorespropiosde T ocurrencomounsolovalor enelorigendelplanocomplejoocomoparejasdevaloressimplesenelejeimaginarioyelrestodevalores propiosestnubicadosenelladoizquierdodelplanocomplejo.

Elsistemaesinestablesiunoomsvalorespropiosde T ocurrenenelladoderechodelplanocomplejo osivaloresmltiplesoparesdelosvaloresocurrenenunpuntodelejeimaginario.
ParaunacadenadeMarkovhomogneaexponencialsetieneque[1]:
Unodelosvalorespropiosdelamatriz T esceroytodoslosotrosvalorespropiostienenparterealnegativa.
Esdecir,esteprocesoesmarginalmenteestable. Otros criterios de estabilidad se pueden consultar en textos de ecuaciones diferenciales o de teora de control.Entrminosgenerales,laestabilidadestdada,antesdetodo,porunacorrectarepresentacindel fenmenoaleatoriobajoestudioentrminosdeuncorrectodiagramadetransicindeestados. 7.4.4 Analogaconlarepresentacinenvariablesdeestado La descripcin matemtica de la cadena de Markov homognea exponencial es anloga a la representacinmatemticadeunsistemadinmicodeterminsticoporvariablesdeestado:
P(t) = T P(t)
t
x(t) = A x(t)
Donde:
x(t) :Enteoradecontrol,eselvectordelasvariablesdeestado
A :Enteoradecontrol,sedenominamatrizdeestado
Enlateoradecontrolsedefinenparaunsistemadinmicodeterminstico[10]:
Estado
Es el conjunto ms pequeo de variables, denominadas variables de estado, tales que el conocimiento de estas variables en t = t0 determinan completamente el comportamiento del sistemapara t

t0
Variablede estado
Son las variables que constituyen el conjunto ms pequeo de variables que determinan el estado del sistema. Este conjunto no es nico. Las variables de estado no tienen que ser necesariamentecantidadesfsicasmediblesuobservables.
Entonces,lasprobabilidadesdeocurrenciadecadaestadodiscretodeunprocesodeMarkovcontinuoen eltiemposepuedenconsiderarlasvariablesdeestadoquepermitenpredecirelcomportamientofuturo delsistema,dadoqueseconocesuestadoinicial. Loanteriorcontrastaconelhechodequeparaunsistemadinmicodeterminstico,lasvariablesdeestado determinancompletamenteelcomportamientofuturodelsistema,dadoqueseconocesuestadoinicial. EJEMPLO7.2 Para un transformador de potencia 220/115 kV, 80/100 MVA, ONAN/ONAF se definen los siguientes estadosoperativos:
Estado 1 2 3 Descripcin Equiposinfalla Falladelsistemadeaireforzado(ventiladores) Fallasqueimplicanladesconexindelequipo CapacidadenMVA 100 80 0
Setienelasiguienteinformacinoperativa:
1 2 3 4 Eltiempopromedioparaqueseproduzcaunafalladelsistemadeaireforzadoes3meses. Eltiempopromediopararepararunafalladelsistemadeaireforzadoes5das Eltiempopromedioparaqueseproduzcaunafallaqueimpliquelasalidatotaldelequipoes6meses. Eltiempopromediopararepararunafallaqueimplicalasalidatotaldelequipoesde20das.
Convertirlostiempospromediosparatransicindeestadosalasmismasunidades [aos] t12 = 3 / 12 = 0.25
t13 = 6 / 12 = 0.50 t21 = 5 / 365 = 0.0137

[aos] [aos]
t31 = 20 / 365 = 0.0548 [aos]
148
Diagramadetransicindeestados 100MVA Nofallas 1 h12
h13 h31

h21
2
Figura7.11Diagramadetransicindeestados paraeltransformadordepotenciadelEjemplo7.2
3
80MVA 0MVA Fallasistemadeaireforzado Fallaqueimplicadesconexin Tasasdetransicinentreestados:Enladistribucinexponencial,latasadefallaseselinversodelvalor esperadodeltiempoparafalla:
E(tij ) = 1 / hij hij = 1 / tij

Esdecir,lastasasdetransicinentreestadossevanaestimarapartirdelpromedioestadsticodeltiempo detransicinentreestados.
Tasadetransicin Descripcin Eslatasadefallasdelsistemadeaireforzado Eslatasadereparacindelsistemadeaireforzado Eslatasadefallasqueimplicandesconexindelequipo Es la tasa de reparacin del las fallas que implican desconexindelequipo Valor
h12 h21 h13 h31

12 = 4 [fallas/ao] 21 = 73 [reparaciones/ao] 13 = 2 [fallas/ao] 31 = 18.25

[reparaciones/ao]
Matrizdetasasdetransicinentreestados
6.00 +4.00 +2.00 T = +73.00 73.00 0.00 +18.25 0.00 18.25
Valorespropiosyvectorespropiosde T
1 = 77.1406
2 = 0.0
3 = 20.1094
2010
149
+0.7190 v1 = 0.6946 0.0244
0.9926 v2 = 0.0544 0.1088
0.6800 v3 = 0.0514 +0.7314
Comoseobserva,unodelosvalorespropiosesceroylosotrosdostienenparterealnegativa.Elproceso estocsticoquedescribelaconfiabilidaddeltransformadordepotenciaesmarginalmenteestable. Asumiendoqueelsistemacomienzalaoperacinenelestado1(sinfallas): P (0) = ( 1.0 0.0 0.0 ) Lasolucinesdelsistemadeecuacionesdiferencialesseobtienemedianteelsiguienteprocedimiento:
P1 (t ) +0.7190 0.9926 0.6800 77.1406*t 0.0*t + c2 * 0.0544 * e + c3 * 0.0514 * e 20.1094*t P2 (t ) = c1 * 0.6946 * e P (t ) 0.0244 0.1088 +0.7314 3
Evaluando en t = 0 y reemplazando las condiciones iniciales, se hallan el sistema de ecuaciones algebraicasparadeterminarlos ci :
1.0 +0.7190 0.9926 0.6800 0.0 = c1 * 0.6946 + c2 * 0.0544 + c3 * 0.0514 0.0 0.0244 0.1088 +0.7314
+0.7190 0.9926 0.6800 c1 1.0 0.6946 0.0544 0.0514 c2 = 0.0 0.0244 0.1088 +0.7314 c 0.0 3
Los ci sehallandelasiguienteforma:
c1 +0.7190 0.9926 0.6800 c2 = 0.6946 0.0544 0.0514 c 0.0244 0.1088 +0.7314 3

Reemplazandolosvaloresde ci enlasecuacionesde P(t) :
1.0 +0.0771 0.0 = 0.8652 0.0 0.1261
P1 (t ) +0.7190 0.9926 0.6800 77.1406*t 0.0*t 0.8652 * 0.0544 * e 0.1261 * 0.0514 * e 20.1094*t P2 (t ) = 0.0771 * 0.6946 * e P (t ) 0.0244 0.1088 +0.7314 3
2010
150
P1 (t ) +0.0554 0.8588 +0.0858 77.1406*t 0.0*t + 0.0471 * e + +0.0065 * e 20.1094*t P2 (t ) = 0.0535 * e P (t ) 0.0019 0.0941 0.0922 3
P1 (t ) +0.0554 +0.8588 +0.0858 e 77.1406*t 0.0*t P2 (t ) = 0.0535 +0.0471 +0.0065 e 20.1094*t P3 (t ) 0.0019 +0.0941 0.0922 e
P1 (t ) = +0.0554e 77.1406*t + 0.8588e 0.0*t + 0.0858e 20.1094*t = 0.8588 + 0.0554 e 77.1406*t + 0.0858e 20.1094*t P2 (t ) = 0.0535e 77.1406*t + 0.0471e 0.0*t + 0.0065e 20.1094*t = 0.0471 0.0535e 77.1406*t + 0.0065e 20.1094*t P3 (t ) = 0.0019e 77.1406*t + 0.0941e 0.0*t 0.0922 e 20.1094*t = 0.0941 0.0019e 77.1406*t 0.0922e 20.1094*t
Enestasecuacionesseobservaque: Encualquierinstantedetiempolasumadelastresprobabilidadeses1.0. Las tres ecuaciones constan de un trmino constante y un trmino transitorio que decrece con el tiempo.Lostrminosconstantessonlasprobabilidadesdeestadoestable.

Figura7.11SolucindelEjemplo7.2
P1 () = 0.8588 .Elprimerestado(Transformadorsinfallas)eselquetienemayorprobabilidaddeser
encontradoencualquierinstantedetiempo.Estocorrespondealodeseadoparacualquierequipo. Laindisponibilidaddeltransformadoresiguala P3 () = 0.0941

7.5FRECUENCIAYDURACION EnelestadoestabledeunacadenadeMarkovhomogneasepuedenobtener:
Es la probabilidad de ocurrencia del estado i por la sumatoria delastasasdesalidadesdeeseestado. Lafrecuenciadeocurrenciadeunestado i
fi = Pi ( ) * hij
ji
Tambin se puede calcular como la probabilidad de NO encontrarelestado i porlasumatoriadelastasasdeentradaa eseestado.

Laduracinmediaenunestado i (sojourningtime)
El tiempo medio gastado en un estado i o duracin media en este estado es el inverso de sumatoria de las tasas de salida desdeeseestado.
mi = 1/ hij
ji
Adems,secumpleque
f *m = t
i =1 i i
Donde t eseltiempodereferenciadelestudioolaunidadquesemideeltiempo. Para hallar la frecuencia de ocurrencia de un estado acumulado o la duracin media en este estado acumulado,solosetomanencuentalosestadosquesecomunicanatravsdelafronteradeacumulacin. EJEMPLO7.3 ParaeltransformadordepotenciadelEjemplo7.2hallarlafrecuenciayduracindecadaestado.
Estado i 1 2 3
Pi ()
0.8588 0.0471 0.0941
f i [Veces/ao] f1 = 0.8588 * (4 + 2) = 5.1529 f 2 = 0.0471 * 73 = 3.4353 f 3 = 0.0941 * 18.25 = 1.7176
mi [Das] m1 = 1/(4 + 2) * 365 = 60.8333 m2 = 1/ 73 * 365 = 5.0 m3 = 1/18.25 * 365 = 20.0
La probabilidad de que el transformador se encuentre disponible para operar a su mxima capacidad nominal (100 MVA) es de 85.88%. Esta condicin operativa se da 5.1529 veces por ao y tiene una duracinmediade60.8333das. La probabilidad de que el transformador solo se encuentre disponible para operar a una capacidad mximade80MVAesde4.71%.Estacondicinoperativaseda3.4353vecesporaoytieneunaduracin mediade5das(Elmismotiempopromedioparareparacindedaosdelsistemadeenfriamiento).
2010
152
La probabilidad de que el transformador no se encuentre disponible para operar es de 9.41%. Esta condicinoperativaseda1.7176vecesporaoytieneunaduracinmediade20das(Elmismotiempo promedioparareparacindedaosqueimplicanladesconexindelequipo). Obsrveseque: m1 f1 + m2 f 2 + m3 f 3 = 5.1529 * 60.8333 + 3.4353 * 5 + 1.7176 * 20 = 365 [das] Esdecir,unaoquecorrespondealtiempodereferenciadelestudioalareferenciaparalamedidade lasunidadesdetiempo. 7.6TIEMPOMEDIOPARAENTRARENUNESTADOABSORBENTE Paraprocesosaleatoriosquetienenestadosabsorbentes,sepuededeterminareltiempomediooesperado paraentrarendichoestadoabsorbente. Elprocedimientoes[6]: Cmohallareltiempomedioparaentrarenunestado
1.Secalculalamatriz A = [T + I ] . I esunamatrizidnticadedimensin n * n
2.Hallar Q ,lamatrizqueresultadeeliminaren A lafilaylacolumnaquecorrespondenalestadoabsorbente.
3.Hallar N = [ I Q ]1 .Lasfilade N correspondenalestadoenqueseinicielproceso. I esenestecaso,una matrizidnticadedimensin (n 1) * (n 1)
4. El tiempo medio para entrar en el estado absorbente MTTAS (Mean Time to Absorbing Time) dado que el procesocomenzenelestado i eslasumadelostrminosdelafila i delamatriz N .
Este procedimiento sirve para encontrar el tiempo medio para entrar a un estado dado, si el estado de intersseasumecomounestadoabsorbente.
2010
153
EJEMPLO7.4
12 = 10
1
fallas/ao
23 = 2
2
fallas/ao
21 = 730
Equipo nuevo
reparaciones/ao Falla reparable Fallatotal
Figura7.12Diagramadeestadosdeuncomponenteconunestadoabsorbente
Matrizdetasasdetransicinentreestados
10.0 +10.0 0.0 T = +730 732 2.0 0.0 0.0 0.0

Procedimiento para hallar el tiempo medio para entrar en el estado absorbente dado que el componentesiniciaelprocesoenelestado1: Paso1: Paso2: Paso3:
10 0.0 10.0 +10.0 0.0 1.0 0.0 0.0 9 A = T + I = +730 732 2.0 + 0.0 1.0 0.0 = 730 731 2 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
10 9 Q= 730 731
10 10 10 1 0 9 [I Q] = 730 731 = 730 732 0 1
10 10 36.6 0.5 N = [I Q] = = 36.5 0.5 730 732

1
Paso4:
MTTAS = N11 + N12 = 36.6 + 0.5 = 37.10 aos
Ntesequeenesteejemplo m3 = 1/ 0 = ,laduracinmediaenesteestado,unavezseentraenles infinita.
2010
154
7.7CADENADEMARKOVHOMOGENEAGENERAL 7.7.1Descripcin En este caso, todos los tiempos de transicin entre estados son estacionarios pero no todos estn exponencialmentedistribuidos. Estacondicinhaceque,aunquetodaslastasasdetransicinentreestadosseanconstantes,nosepueda aplicar como modelo el sistema de ecuaciones P(t ) = P(t ) T , lo cual surge del hecho de que la distribucinexponencialeslanicaparalacualsecumpleparacualquierintervalo dt (nonecesariamente infinitesimal):
Probabilidaddeocurrenciadeuneventoen t =Probabilidaddeocurrenciadeuneventoen (t + dt )
Queeslapropiedaddenomemoriadeladistribucinexponencial. As,pararesolverelmodelohomogneogeneralsepuedenaplicarlassiguientestcnicas:
1 2 3 Elmecanismodelaetapas(Deviceofstages) Adicindevariables SimulacindeMontecarlosecuencial
Elmecanismodelasetapasconsisteenconvertirunacadenadondetodoslostiemposdetransicinentre estados no estn distribuidos exponencialmente en una cadena que si cumple esta condicin pero que tienemsestadosquelacadenaoriginal.Paradiversascombinacionesdedistribucionesdeprobabilidad, losinvestigadoreshandesarrolladolascadenasexponencialesequivalentes.Verelejemplomostradoenla figura7.13dondelostrminos y sonconstantesquesecalculandeacuerdoconlascaractersticasde lasdistribucionesdelacadenaoriginal f ttf (t ) : Exponencial 1 2 fttr (t ) : Lognormal
1 2S1
2Sk
2P1
2 2 Figura7.13CadenadeMarkovnoexponencialysuequivalenteexponencial
2P2
2010
155
Elmtododemecanismodelasetapastienelaventajadequepermitehallarlasolucintransitoriayde estado estable de las probabilidades de los estados. Pero como desventaja se tiene que el sistema de ecuacionesdiferencialesresultanteesdedimensinmayorqueeldelmodelooriginal,locualpuedeser unalimitanteenaplicacionesrealesdondehayunagrancantidaddeestados. ElmtododesimulacindeMontecarlotienecomoventajaelquepermiteobtenerlasprobabilidadesde estado estable para cadenas homogneas con cualquier tipo de distribucin de probabilidad. Como desventajatienequenopermiteresolverelestadotransitoriolocualserequiereparaalgunasaplicaciones yellargotiempocomputacionalrequeridoenaquellasaplicacionesdondelasmagnitudesdelastasasde transicinentreestadossonmuybajas. 7.7.2AlgoritmodesimulacindeMontecarlosecuencial Definiendo: t : Tiempodelasimulacinquecorrespondealtiempooperativodelproceso t i : Tiempoenqueelprocesoestenelestado i ni : Nmerodevecesqueelprocesoentraalestado i Aliniciarlasimulacin: t = 0 t i = 0 i
ni = 0 i
Lospasosdelasimulacinson: 1. Ubqueseenelestado k dondeiniciaelprocesoysmele1alcontador n k (smele1) 2. Paralosestadosaloscualeshayconexindesdeelestadoactualgenereuntiempodetransicinentre estadosutilizandolascorrespondientesdistribucionesdeprobabilidad. 3. Seleccioneelmenortiempodetransicindelestadoactualalosestadosaloscualesexisteconexin. Elprocesopasaalestado j paraelcualhayelmenortiempodetransicin t kj .Smele1alcontador n j Cuenteunatransicinentreestados;estatransicincorrespondeaunaiteracindelasimulacin. 4. Smele t kj altiempodelasimulacin( t )yalcontadordetiempodelestado k ( t k ) 5. Ubqueseenelestado j paraelcualsehizolatransicinyvuelvaalpaso2
6. Repetirhastaunnmeropreespecificadodeiteracionesuotrocriteriodeparada 7. Calculelassalidasdelasimulacin:
Probabilidaddeencontrarelestado k Tasadesalidasdesdeelestado k Frecuenciadeencontrarelestado k Tiempomedioenelestado k

Pk = t k / t

k = nk / t k

fk = k * pk

mk = 1 / k
Conestemtodosoloseobtienenlasprobabilidadesdeestadoestabledelproceso. Nodebeconfundirseelestadotransitoriodelasimulacin(estadosenloscualeslamuestradedatosnose haestabilizadoenunadistribucin)conelestadotransitoriodelasolucineneltiempodelproceso. EJEMPLO7.5

60MVA Nofallas 1
Figura7.14Diagramadetransicindeestados paraunaunidaddegeneracin
2
40MVA Fallasmenores
0MVA Fallaqueimplicadesconexin
Unaunidaddegeneracinhidrulicatienelossiguientesestadosoperativos:
Estado 1 2 3 Descripcin Equiposinfalla Fallasmenoresenturbina,generadoreinstalacioneshidrulicas Fallasqueimplicanladesconexindelequipo CapacidadenMVA 60 40 0
Lasdistribucionesdeprobabilidadquedefinenelprocesoestocsticoson:
DistribucindeProbabilidad
t12 t13 t21 t23 t31 t32
Gammaconparmetros = 1.5 y = 0.0548 aos(20das), E(t12 ) = 30 das Gammaconparmetros = 2.5 y = 0.1315 aos(48das), E(t13 ) = 120 das Gammaconparmetros = 0.8 y = 0.0103 aos(90horas), E(t21 ) = 3 das Gammaconparmetros = 2.5 y = 0.1315 aos(48das), E(t13 ) = 120 das Gammaconparmetros = 0.7 y = 0.0274 aos(240horas), E(t23 ) = 7 das Gammaconparmetros = 0.8 y = 0.0068 aos(60horas), E(t21 ) = 2 das
Hallarlasprobabilidadesdeestadoestabledecadaunodelosestados,lastasasdesalidadesdecadauno delosestados,eltiempomediogastadoencadaestadoylafrecuenciaesperadadeencontrarcadaunode losestados. Resultados con 1000,000 de iteraciones

Estado 1 2 3
Pk
0.9017 0.0945 0.0038
k
[eventos/ao] 13.0439 121.7060 265.1824
fk
[veces/ao] 11.7623 11.4963 1.0071
mk
[aos] 0.0767 0.0986 0.0038
Tarea EjecuteenMatlabelprogramamcs75.mparavariosnmerosdeiteracionesycambiandolainstruccindereinicio delageneracindelosnmerosaleatorios.
2010
158
7.8CADENASDEMARKOVNOHOMOGENEAS 7.8.1Descripcin Enestemodeloalgunasotodaslastasasdetransicinentreestadossonfuncionesdeltiempo,locualhace que el proceso sea no estacionario y que los tiempos de transicin entre estados no puedan modelarse mediantedistribucionesdeprobabilidad.As,enestecaso T esunamatrizconcoeficientesvariables:
h11 (t ) h12 (t ) h (t ) h22 (t ) T = 21 h (t ) h (t ) n2 n1
h1n (t ) h2 n (t ) hnn (t )
El modelo matemtico P(t ) = P(t ) T corresponde a un sistema de ecuaciones diferenciales ordinarias lineales,elcualpuedesolucionarse:
1 2 Analticamente Numricamente
Solo es posible hallar soluciones analticas para ciertas formas de las funciones matemticas utilizadas paralastasasdetransicinentreeventos.Elmtododesolucinaaplicardependeentoncesdelaforma de estas funciones. Otra limitacin con este tipo de proceso es que no hay un mtodo analtico general para analizar la estabilidad matemtica de la solucin. As lo recomendado en este texto es utilizar mtodosnumricosparaecuacionesdiferencialescomoRungeKutta. 7.8.2Tiempoglobalylocal Otroaspectoimportanteaanalizaralaplicarestemodelamientoessilastasasdetransicinentreestados varan con el tiempo global o con un tiempo local, ya que el modelo P(t ) = P(t ) T considera que es en formaglobal. Paraexplicaresteconcepto,considereelcomponentereparablecondosestadosoperativosmostradoenla Figura7.15,donde (t ) y (t ) sonrespectivamentelatasadefallasylatasadereparaciones.
bueno 1
( t )
2 fallado
(t )
Figura7.15Componentereparablecondosestadosoperativos
Paraestetipodecomponentepuedeargumentarselosiguiente:
Latasadefallasdelcomponenteseincrementaconsuuso,as,staesfuncindeltiempodeoperacindel 1 componente.En estecaso, sera funcin deun tiempolocal f no del tiempo global t de observacin delprocesoelcualeslasumadelostiemposdefallayreparacin.

Latasadereparacionesdelcomponentedependedefactorespropiosdelprocesodereparacin:lacargade trabajo de los operarios, la prdida de rendimiento de los operarios debido al envejecimiento, la falta de 2 incentivoslaborales,etc.Enestecaso, (t ) serafuncindeuntiempolocal r nodeltiempoglobal t de observacindelprocesoelcualeslasumadelostiemposdefallayreparacin.
As, si las tasas de transicin varan con un tiempo local y no con el tiempo global, al aplicar el modelamiento P(t ) = P(t ) T se obtiene una prediccin sobreestimada de las probabilidades de ocurrenciadelosestadosdelproceso. EJEMPLO7.6 El comit local de emergencias de una ciudad representa el estado de la ciudad mediante el diagrama mostradoenlaFigura7.16. ( t )
Estado normal 1 2 Estadode emergencia
(t )
Figura7.16Estadosoperativosenunaciudad
El estado de emergencia incluye aquellas situaciones de alteracin del orden pblico, terremotos, inundaciones, huracanes o brotes epidmicos. La tasa de llegada de estos eventos es (t ) la cual se denominatasadeproblemas. La tasa de restauraciones al estado normal es (t ) representa la actividad de los organismos de seguridad, bomberos, defensa civil, paramdicos, mdicos, empresas prestadoras de servicios pblicos, etc. Ambas tasas de transicin se pueden representar mediante un modelo h(t ) = t 1 en el cual es el factor de escala y el factor de forma. La tasa de transicin h(t ) ser creciente s > 1 , decreciente s
< 1 yconstantes = 1 .
1. De los registros de aos anteriores, se observa que la tasa de problemas ha ido incrementndose y puede representarse con un modelo donde p = 6 [problemas/ao] y p = 1.5 . Sin embargo, el gobernantedelaciudadinsisteenquelosrecursospararestaurarsemantenganconstantes. Conlosrecursosactualespararestaurar,eltiempopromedioparavolverlaciudadalestadonormales [restauraciones/ao]y r = 1.0 .
de 60 horas (2.5 das), por lo cual, la tasa de restauraciones se modela con r = 8760 / 60 = 146
2010
160
Elmodelomatemticodelsistemaes:
P1 (t ) (t ) u(t ) P1 (t ) P (t ) = (t ) u(t ) P (t ) 2 2
(t) = p p t
p 1
= 6 * 1.5 * t1.51 = 6 * 1.5 * t1.51 = 9 t 0.5
(t ) = r r t r 1 = 146 * 1.0 * t 1.0 1 = 146 t 0 = 146
P1 (t ) 9 t 0.5 P (t ) = 9 t 0.5 2
146 P1 (t ) 146 P2 (t )
Lasolucinnumrica(MtodoRungeKutta)paradiezaoses:
Figura7.17Resultadosparaelproblema7.6contasadereparacionesconstante
ComoseobservaenlaFigura7.17,silosproblemasaumentanconeltiempoylosrecursospararestaurar semantienenconstantes,laprobabilidaddequelaciudadestenelestadodeemergenciacreceaunvalor muyalto(18%).
2010
161
2. Considere ahora que los recursos para restaurar se incrementan para seguirle el paso a al proceso creciente de llegadas de problemas. La tasa de restauraciones se modela en este caso con r = 146 [restauraciones/ao]y r = 1.5 . Lasolucinnumrica(MtodoRungeKutta)paradiezaoses:
Figura7.18Resultadosparaelproblema7.6contasadereparacionescreciente
Como se observa en la Figura 7.18, si los recursos para restaurar se incrementan, la probabilidad de quelaciudadestenelestadodeemergenciaen7%. Tarea EjecuteenMatlabelprogramanmc76.mparavariosvaloresdelosparmetrosdeentradadelmodeloytiemposde observacindelproceso.
2010
162
7.9BIBLIOGRAFA [1] LawyerG.F,IntroductiontoStochasticProcesses,ChapmanandHall,1995. [2] Papoulis Athanasios, Probability, Random Variables and Stochastic Processes, tercera edicin, McGrawHill,1991. [3] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [4] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [5] LawAverillM,KeltonW.David,Simulationmodelingandanalysis,Terceraedicin,McGraw Hill,2000. [6] BillintonR,AllanR.N,ReliabilityevaluationofengineeringsystemsConceptsandTechniques, PlenumPress,1992. [7] BronsonR,Investigacindeoperaciones,McGrawHill,1993. [8] DichiricoC,SinghC,Reliabilityanalysisoftransmissionlineswithcommonmodefailureswhen repairtimesarearbitrarilydistributed,IEEETransactionsonPowerSystems,Vol.3,No.3,August 1988. [9] RowlandJ.R,Linearcontrolsystemsmodeling,analysisanddesign,Wiley,1986. [10] OgataK,Ingenieradecontrolmoderna,PrenticeHall,1993. [11] SinghC,BillintonR,SystemReliabilityModelingandEvaluation,HutchinsonEducationalPublishers, 1977. [12] Hassett T. F, Dietrich D. L, Szidarovszky F, Timevarying failure rates in the availability & reliabilityanalysis of repairable systems, IEEE Transactions onReliability,Vol. 44,No.1,March, 1995. [13] Platis A. G,LimniosN.K, Le Du M,Asymptotic avalilabilityof systems modeled by cyclic non homogeneousMarkovChains,IEEEAnualReliabilityandMaintainabilitySymposium,1997.
2010
163
Captulo8Procesosestocsticospuntuales
CAPTULO8PROCESOSESTOCSTICOS PUNTUALES
8.1INTRODUCCIN
Evento1
Evento2
Evento3
x1
x2
x3
Figura8.1Representacindeun procesoestocsticopuntual
t1
t
t2
t3
Un proceso de estocstico puntual o proceso de Poisson es un proceso aleatorio discreto en el estado y continuo en el tiempo. El espacio de estado consiste en eventos discretos que ocurren o llegan en un periododetiempodado. Comoejemplodeeventosqueserepresentanmedianteestetipodemodelosetienen:
1 2 3 Confiabilidad Fallasencomponentesosoftware,reparaciones Eventosnofatalesenunservivo:ataquesasmticos,epilpticos,infecciosos,etc. Eventoscatastrficos:Accidentes,atentados,incendios Clientesquelleganaunsistemadeatencin:bancos,restaurantes,tiendas,oficinas dereclamos,countersenunaterminaldepasajeros. 4 Teoradecolas
Bioestadstica Seguridad
Llamadasquelleganauntelfonooconmutador,paquetesquelleganaunabodega para luego ser repartidos, paquetes de informacin que llegan o salen de un computador,etc. Terremotos,maremotos,erupcionesvolcnicas,tsunamis. Llegadadetormentas,inundaciones,huracanes,granizadas,rayos
5 6
Sismologa Meteorologa
Elintersenestosprocesosesestudiarparaunperiododado t elnmerodeeventosquellegan N( t ) ; porestarazn,estosprocesostambinsedenominancountingprocessoarrivalprocess. TalcomosemuestraenlaFigura8.1,escomnasumirqueelperiododeintersiniciaenuntiempocero correspondiente al instante de tiempo donde empiezan los registros operativos o datos estadsticos que documentan el proceso; en este caso t = t 0 = t , y, entonces, solo aparecer t en las ecuaciones del proceso.Nodebeconfundirseentoncesa t conuninstantedetiempo.
2010 164

Temperatura[C]
Fiebre 37 35 Normal
Hipotermia
Llegadadeeventosdefiebre Tiempo 0 Llegadadeeventosdehipotermia Tiempo 0 Figura8.2Eventosdefiebreenunserhumanoysurepresentacincomounprocesodellegadadeeventos
Tiempo
En muchas de las aplicaciones de procesos estocsticos puntuales, el espacio de estado se refiere a la ocurrenciadeuneventoanormaloatpicoenlamagnituddeunavariablealeatoriacontinua,talcomose muestra en el ejemplo de la Figura 8.2. En este ejemplo, lo que se modela son los eventos en que la temperaturacorporaldeunserhumanosubeobajadelosvaloresquesonconsideradosnormales.
2010 165
Evento1 Evento2 Evento3 Evento4 Evento5
t1
t2
t3
t4
t5
d1
d2
d3
d4
d5
Llegadadelaseventos
+
t
Duracin del evento
Intensidad del evento

I
d Figura8.3.Modelamientomedianteprocesosestocsticospuntuales
El modelamiento mediante procesos puntuales se puede aplicar a aquellos procesos aleatorios donde ocurren eventos en instantes ( ti ) cuya duracin ( d i ) es muy pequea comparada con respecto a la magnituddelostiemposinterarrivodeeventos. Cada evento puede tener asociada otra variable como magnitud o intensidad ( I i ). As, tal como se muestra en la Fig. 8.3, es usual el representar el proceso aleatorio mediante dos o ms modelos matemticos independientes: un proceso estocstico puntual para la llegada de los eventos, una distribucindeprobabilidadparasuduracinyotra(s)distribucionesparalaintensidadomagnitud.
Eventoqueocurre Fallaenunequipo Clientesquelleganaunatienda Llamadastelefnicas Terremotos Inundaciones Enfermedades Descargaatmosfrica Peleasconel(la)conyugue Mensajesquelleganporinternet Dolordecabeza Ejemplos Duracin Tiempoparareparacin Tiempoparacompra Duracindelallamada Duracindelterremoto Duracindelainundacin Tiempopararecuperacin Duracin Duracin Tiempoparaalmacenar Duracin Intensidadomagnitudasociad Valordelareparacin,usuarios afectados Valordelacompra,cantidadde artculosvendidos Duracindelallamada Intensidaddelterremoto,daos, muertos,reaafectada reainundada,niveldeinundacin, cantidaddepersonasafectadas, prdidaseconmicas Niveldefiebre,daoproducido,valor deltratamiento Corrientededescarga,daoproducido Intensidaddeladiscusin,cantidadde ofensas,niveldelasofensas Tamaodelarchivo Intensidaddeldolor
2010 166
8.2TENDENCIAENPROCESOSALEATORIOSDELLEGADADEEVENTOS Tendenciapositiva t Sintendencia t Tendencianegativa t

Figura8.4Tiposdetendenciaenprocesosdellegadasdeeventos
Latendenciaeselcambioeneltiempodelnmerodeeventosqueocurren.As,sedefinecomoparmetro delprocesodellegadadeeventoslafuncindeintensidad (t ) quecorrespondealarazndecambioen elvaloresperadodeeventosqueocurren. (t ) eslatasadeocurrenciadeeventos. EnlaFigura8.4semuestranlostrestiposbsicosdetendencia:

Positiva Cero Negativa
El nmero de eventos aumenta con el tiempo, (t ) es creciente y los xi disminuyen con el
tiempo El nmero de eventos no aumenta ni disminuye con el tiempo, (t ) es constante y los xi no presentanunpatrndecrecimientoodecrecimiento. El nmero de eventos disminuye con el tiempo, ( t ) es decreciente y los xi aumentan con el tiempo
Unprocesosintendenciaesestacionarioyhomogneo;locontrariosecumplecuandohaytendencia. La homogeneidad se refiere a que los xi son independientes e idnticamente distribuidos y esta distribucin no cambia con el tiempo. La homogeneidad implica que los eventos que ocurren son independientesentres. Latendenciapermiteunaprimeraclasificacindelosprocesosaleatoriosdellegadadeeventos.
1 2 Procesosestacionarios:Sintendencia,homogneos Procesosnoestacionarios:Contendencia,nohomogneos
2010
167
8.3MODELAMIENTODEPROCESOSALEATORIOSDELLEGADADEEVENTOS 8.3.1Parmetrodelmodelo El modelo matemtico de estos procesos se define mediante la tasa de ocurrencia de eventos ( t ) o funcindeintensidaddelproceso.
( t ) = dE[ N ( t )]/ dt
8.3.2Condicionesparaaplicarestetipodemodelamiento Enunprocesoestocsticopuntualsecumpleque:
1 2 3 4 5 Loseventoslleganunoalavez
N (t ) esunvalorentero N (0) = 0 N (t ) 0 Si s < t , N ( t ) N ( s) esigualalnmerodeeventosquehanocurridoenelintervalo ( s , t )
Cuando los eventos llegan en grupos (de personas, datos, etc.) se puede aplicar este modelamiento de simplemente definiendo que cada evento que llega corresponde a un grupo o batch. El tamao del grupo (nmero de personas, Bytes de informacin, etc.) se modela mediante otra variable aleatoria independientedelprocesopuntual. 8.3.3Clasificacindelosmodelosparaprocesosestocsticospuntuales Exponencial Gamma Procesosde Procesoestacionario 1 (t) = Constante Weibull renovacin homogneo E( x) Etc. PowerLaw (t ) = t 1 Loglinear(CoxLewis) (t ) = e ( a + bt ) Procesonoestacionariono Procesosde GoelOkumoto (t ) = abe bt homogneo Poissonno MusaOkumoto ( t ) = a /( at + b ) homogneos Alternating (t ) = + a sin( t + b ) Etc.
Figura8.5Clasificacindelosprocesosestocsticospuntuales( , , a , b , sonconstantes)
La tendencia permite hacer una clasificacin bsica de los procesos estocsticos puntuales, la cual se presentaenlaFigura8.5
2010
168
Los procesos homogneos se denominan Procesos de Renovacin (RP) seguidos del nombre de la distribucinqueajustaalos xi (Exponencial,Weibull,Gamma,etc.).Eltrminorenovacinprocededel readeconfiabilidaddondelaaplicacindeestetipodemodeloimplicaquecadaquehayunareparacin (debido a una falla) el componente o sistema bajo estudio regresa al estado fsico que exista antes de fallar,raznporlacual,ladistribucindeprobabilidaddelos xi nocambia. El proceso de renovacin exponencial, conocido popularmente como Proceso de Poisson Homogneo (HPP),eselprocesoestocsticopuntualmssencilloydifundido. Paratodoslosprocesosderenovacinsecumplequelafuncindeintensidadesigualalinversodelvalor esperadodelos xi (elcualesunaconstante). 8.3.4Valoresperado
(t ) = E[ N (t )] = t0 (t )dt
8.3.5Varianza
VAR( t ) = ( t )
8.3.6Funcindeprobabilidaddemasa Laprobabilidaddequeenunperiododado t lleguenoocurranexactamente k eventosestadadapor:
P[ N (t ) = k ] =
1 [(t )]k * e ( t ) para k = 0,1, 2, k!
8.3.7Funcindedistribucindeprobabilidad
k 1 P[ N (t ) k ] = [ (t )]i * e ( t ) i =1 i !
2010
169
8.4AJUSTEDEDATOSAUNMODELOPUNTUAL 8.4.1 Procedimiento t 1 , t 2 , , tn Muestradedatos 1 , x2 , , xn x Inconsistencias, Validarlainformacin errores,outliers,etc. Unidadesdemedida, Entenderlanaturalezadela informacin Datosagrupados? Histogramadelos x i , Anlisisgrficodela informacin Tasaeventosvstiempo Etc. Hay Si TestdeLaplace tendencia? No Diagramadedispersin, Los xi son No Grficadecorrelacin, independientes? Etc. Si xi ajustan Pruebasdebondaddeajuste, No GrficaTTT, adistribucin Etc. exponencial? Si ProcesodePoisson Homogneo
Probarajusteamodelosno estacionarios
Modelosparadependencia: Branchingprocess,etc.
xi ajustanaotra
distribucin?
Si ProcesodeRenovacin
Figura8.6Procedimientoparaseleccionarunmodeloparaunprocesodellegadadeeventos
Paradeterminarsiunfenmenoaleatoriopuedemodelarsemedianteunprocesoestocsticopuntualse sigueelprocedimientodelaFigura8.6,adaptadodelasreferencias[12]y[14].
2010
170
Lamuestradedatosconsisteenelreporteenunperiododetiempodado T de n eventosparalascuales debe tenerse registrados los tiempos de llegada y los respectivos tiempos entre llegadas en orden cronolgico. 8.4.2 Pruebasdetendencia LasReferencias[4]y[14]enfatizanelhechodequeesincorrectoajustardatosquenosonidnticamente distribuidosaunadistribucindeprobabilidad,an,calcularestadsticasdescriptivas;porlocual,antes de aplicar los mtodos clsicos de ajuste a una distribucin, debe verificarse que NO exista tendencia, pues,los mtodos de ajuste a una distribucin son invariantesa cambios en el orden cronolgico de los datos. Paradeterminarsiunprocesoaleatoriodellegadadeeventostienetendencia,seutilizanmtodosgrficos yeltestdeLaplace,siendoesteltimoelmsutilizado.
Mtodosgrficosparadeterminartendencia 1 Grficadelnmeroacumuladodeeventosversuseltiempoacumuladodeobservacin.Siestagrficaes crecientehaciaarriba(cncava)ohaciaabajo(convexa)existetendencia.VerlaFigura8.7 Grficadelnmerodeeventosensubperiodosdeltiempototaldeobservacin.Silagrficaescrecienteo decrecienteexistetendencia. Grficadebarrasdelostiemposentrearribodeeventosconservandosuordencronolgico.Silagrfica escrecienteodecrecienteexistetendencia.
Positiva
Negativa Cero
Figura8.7Anlisisdetendenciaobservandolatasaacumuladadeeventos
2010
171
TestdeLaplace(1773)
Paraunamuestrade n tiemposparaarribodeeventos t1 , t 2 , detendenciadeLaplace:
, t n sedefineelsiguienteestadsticodelaprueba
1 k 1 ti ) 2 T * k i =1 UL = 1 T* 12 k (
Donde: k : Es igual a ( n 1) si las observaciones terminan en el ltimo evento, de lo contrario, es igual al nmerodeobservaciones n
T * : Es igual a t n si las observaciones terminan en el ltimo evento, de lo contrario, es igual al periodo totaldelasobservaciones T
Si:
UL = 0 UL > 0 UL < 0
Noexistetendencia,elprocesoesestacionario Existetendenciapositivaocreciente,elprocesonoesestacionario Existetendencianegativaodecreciente,elprocesonoesestacionario
EltestdeLaplacecomparaelvalormedioocentroidedelostiemposdearriboconelpuntomediodel intervalodelasobservaciones. Enlaprctica,esdifcilquesecumplaexactamente U L = 0 ,porlocual,loquesehaceesdeterminarun intervalodeconfianzadelosvaloresqueimplicanNOtendencia:
z / 2 < U L < z / 2
La decisin de si el proceso bajo estudio se puede representar por medio de un proceso de Poisson Homogneounprocesoderenovacingeneralsehacepormediodepruebasdehiptesis:
PruebadehiptesisdeunprocesodePoissonhomogneo
1.Hiptesisnula H 0 :ElprocesodellegadadeeventosesunprocesodePoissonHomogneo
2.Hiptesisalterna H 1 :ElprocesodellegadadeeventosnoesunprocesodePoissonHomogneo
3.Criteriodedecisin:Serechazalahiptesisnulaconunniveldesignificanciadel % si
U L > z / 2 U L < z / 2
2010
172
PruebadeHiptesisdeunprocesoderenovacin
1.Hiptesisnula H 0 :Elprocesodellegadadeeventosesunprocesoderenovacin
2.Hiptesisalterna H 1 :ElprocesodellegadadeeventosNOesunprocesoderenovacin
3.Estadsticodeprueba:
U LR =
UL UL = cv x sx / x
Donde sx y x son la desviacin muestral y el promedio estadstico de los tiempos entre llegada de eventos
x1 , x 2 ,
, xn
4. Criterio de decisin: Se rechaza la hiptesis nula con un nivel de significancia del % si U LR
> z / 2
U LR < z / 2
Ntese que en caso de que se acepte la hiptesis nula, esta prueba no dice cul proceso de renovacin podraajustar. 8.4.3 Pruebasdeindependencia LaReferencia[4]enfatizaelhechodequeesincorrectoelajustarunadistribucindeprobabilidadadatos quenosonindependientesentres,pueslosmtodosdeajustetienenestacondicincomorequisitopara suaplicacin.Algunosmtodossongrficosparaverificarlaindependenciaenunamuestradedatosson: 8.4.4 Ajustededatosaunprocesoestacionario Unavezseverificaquelosdatosdelamuestranotienentendenciaysonindependientes,puedehacerse elajustedelos xi aunadistribucindeprobabilidadparadefinirelprocesoderenovacinquemodelar elprocesoaleatoriobajoestudio. El primer intento es probar el ajuste a una distribucin exponencial, que de cumplirse, indica que el proceso bajo estudio puede modelarse como un proceso de Poisson Homogneo. Si no hay ajuste a la distribucinexponencial,debeprobarseelajusteaotradistribucin,locualindicarqueelprocesobajo estudioesunprocesoderenovacingeneral(noexponencial). 8.4.5 Ajustededatosaunprocesonoestacionario Unavezseverificaquelosdatosdelamuestratienentendencia,seconcluyeentoncesquedebeutilizarse unmodelonoestacionarioparaelprocesobajoestudio. Denuevo,serecuerdaquesiexistetendenciaenlosdatos,esincorrectoajustarlosaunadistribucinde probabilidad, pues los mtodos deajuste ordenanlos datos por magnitudsin tomar en cuenta el orden cronolgicoenqueocurren,esdeciromitiendoelanlisisdetendencia.Aunqueseencuentreajusteauna distribucin,elmodeloobtenidoesincorrectooespurio(falso,engaoso),talcomollamalaReferencia [4].
2010
173
Para ajustar modelos no estacionarios (NHPP Power Law, NHPP Loglinear, etc) existen mtodos especficosparaestimarlosparmetrosyhacerlaspruebasajusteparacadatipodemodelo. Enunaseccinposteriordeestetextosepresentanlosmtodosdeestimacindeparmetrosypruebasde ajustededatosparaelprocesoPowerLaw. EJEMPLO8.1 Acontinuacinsepresentaelanlisisdetendenciaparaunprocesoaleatoriodelcualsetienemuestrade 30datos: t x [aos] [aos] 1.5851 1.5851 2.3434 0.7583 2.3570 0.0136 2.5366 0.1796 2.6561 0.1195 2.6946 0.0385 2.8054 0.1108 2.8681 0.0627 3.0746 0.2065 3.0755 0.0009 3.1131 0.0376 3.1711 0.0580 3.2144 0.0433 3.2837 0.0693 3.3346 0.0509 3.4215 0.0869 3.4523 0.0308 3.4676 0.0153 3.5024 0.0348 3.5265 0.0241 3.6084 0.0819 3.6573 0.0489 3.6695 0.0122 3.6884 0.0189 3.7260 0.0376 3.7529 0.0269 3.7638 0.0109 3.8924 0.1286 3.9146 0.0222 4.0406 0.1260
2010 174
Comoseobservaenlasgrficas,existetendenciapositivaenlosdatospues: 1 Lagrficadeeventosacumuladosversuseltiempoescrecientehaciaarriba(Cncava) 2 Latasadeeventoscrececoneltiempo 3 Lamagnituddelostiemposentellegadadeeventosdecrececoneltiempo ElestadsticodepruebadetendenciadeLaplacees U L = 5.5033 Conunaprobabilidadcrticadel5%y z / 2 = 1.9657 ,laspruebasdehiptesisson:

PruebadehiptesisdeunprocesodePoissonhomogneo
1.Hiptesisnula H 0 :ElprocesodellegadadeeventosesunHPP
2.Hiptesisalterna H 1 :ElprocesodellegadadeeventosnoesunHPP
3.Criteriodedecisin:Serechazalahiptesisnulaconunniveldesignificanciadel5%pues U L
> z / 2
Pruebadehiptesisdeunprocesoderenovacin
1.Hiptesisnula H 0 :ElprocesodellegadadeeventosesunRP 2.Hiptesisalterna H 1 :ElprocesodellegadadeeventosNOesunRP
3.Estadsticodeprueba:
U LR =
UL UL 5.5033 5.5033 = = = = 2.4204 cv x sx / x 0.3062 / 0.1347 2.2737
4.Criteriodedecisin:Serechazalahiptesisnulaconunniveldesignificanciadel5%puessi U LR
> z / 2
Entonces,sedebebuscarunmodelonoestacionarioparaesteprocesoaleatorio.Enunejercicioposterior sepruebaqueestosdatosseajustanaunprocesoPowerLaw.
2010
175
EJEMPLO8.2 Acontinuacinsepresentaelanlisisdetendenciaparaunprocesoaleatoriodelcualsetienemuestrade 30datos: t x [aos] [aos] 0.1267 0.1267 0.1450 0.0184 0.3135 0.1684 0.4327 0.1192 0.8584 0.4257 0.9077 0.0493 1.3308 0.4231 2.4596 1.1289 2.5919 0.1323 2.6090 0.0171 3.3500 0.7410 3.7005 0.3505 4.6461 0.9456 4.9656 0.3195 5.0217 0.0561 5.3967 0.3750 5.9468 0.5501 6.3617 0.4150 6.4806 0.1188 6.6524 0.1718 6.6772 0.0248 6.7504 0.0732 7.0524 0.3020 7.2373 0.1849 8.3749 1.1376 8.6198 0.2449 8.9341 0.3143 8.9930 0.0589 9.0556 0.0626 9.3557 0.3001
2010
176
Comoseobservaenlasgrficas,NOexistetendenciaenlosdatospues:
1 2 3 Lagrficadeeventosacumuladosversuseltiempoesunadiagonal(nocncava,noconvexa) Latasadeeventosnotieneunpatrndecrecimientoodecrecimientoconeltiempo Lamagnituddelostiemposentellegadadeeventosnotieneunpatrndecrecimientoodecrecimientocon eltiempo
ElestadsticodepruebadetendenciadeLaplacees:
U L = 0.0230
Conunaprobabilidadcrticadel5%y z / 2 = 1.9657 ,laspruebasdehiptesisson: PruebadeHiptesisdeunHPP
1.Hiptesisnula H 0 :ElprocesodellegadadeeventosesunHPP
2.Hiptesisalterna H 1 :ElprocesodellegadadeeventosnoesunHPP
3.Criteriodedecisin:Seaceptalahiptesisnulaconunniveldesignificanciadel5%pues U L
< z / 2 .
Ahorasepruebalaindependenciaenlosdatos:
, x n esindependiente,pueslosdatosestndispersos enelcuadrantedeldiagramadedispersin(noformanunarecta).Entonces,esvlidoelintentarajustar estosdatosaladistribucindeprobabilidadexponencial,locualsepresentaenunejercicioposterior. Comoseobservaenlafigura,lasecuencia x1 , x 2 ,
2010
177
8.5ELPROCESODEPOISSONHOMOGNEO(HPP) 8.5.1 Descripcin EnelHPPsecumpleque:

1 Elprocesoesestacionariosintendencia Elnmerodeeventosqueocurrenenintervalosdetiempodisjuntossonindependientes.Sediceentonces, queelprocesodeconteodeeventos N (t ) tieneincrementosindependientes. ElprocesoesMarkoviano,esdecir,notienememoria. Latasadeocurrenciadeeventosdelprocesoesconstante, ( t ) = = 1 / E( x ) Los tiempos para llegada de los eventos t1 , t 2 , puro. Los tiempos entre llegadas de los eventos x1 , x 2 , distribuidosconparmetro . 6
3 4
, t n son independientes y estn uniformemente
distribuidosdentrodelperiododetiempo [0, t ] .PorestaraznsedicequeelHPPesunprocesoaleatorio
, x n son independientes y estn exponencialmente
f x (t ) = e t Fx (t ) = 1 e t E[ x ] = 1 / VAR( x ) = 1 /
Latasadeeventosdelprocesoesigualalatasadeeventosdeladistribucindelostiemposentrellegadas deeventos.ElHPPeselnicoprocesoderenovacinconestapropiedad. Eltiempoparallegadadelprimereventoestdistribuidoexponencialmenteconparmetro
ft1 (t ) = e t Ft1 (t ) = 1 e t E[t1 ] = 1 / VAR( t1 ) = 1 /

El tiempo para llegada del n simo evento tiene distribucin Erlang, es decir, una distribucin Gamma conparmetrodeescala = 1 / yparmetrodeforma = n .Como n esunenteropositivo,entonces
( ) = ( 1)! .
f tn ( t ) =
n 1 ( * t ) n * t * t n 1 e t Ftn (t ) = 1 e j! ( n 1)! j =0 j
E[t n ] = n / VAR( t n ) = n /

2010
178
8.5.2Funcindeprobabilidaddemasa Laprobabilidaddequeenunperiododetiempodado [0, t ] lleguenuocurranexactamente k eventos enunprocesodePoissonhomogneoestadadapor:
P[ N (t ) = k ] =
1 [t ]k * e t para k = 0,1, 2, k!
8.5.3 Funcindedistribucindeprobabilidad Laprobabilidaddequeenunperiododetiempodado [0, t ] lleguenoocurran k omenoseventosen unprocesodePoissonhomogneoestadadapor:
k 1 P[ N (t ) k ] = [ t ]i * e t i=0 i !
8.5.4 Valoresperadoyvarianza
E[ N ( t )] = t VAR[ N ( t )] = t
8.5.5 Estimadordelparmetro Paraestimarelparmetrodeesteprocesosepuedenutilizarlassiguientesformulas:
1 n = =
tn
8.5.6 Pruebasdebondaddeajuste Losmtodosparadeterminarelajustedelamuestradedatosaunadistribucinson: 1 Pruebasdebondaddeajuste 2 MtodoTTTplot 3 Mtodoexponentialscoresplot 8.5.7 Quhacercuandolatasadeocurrenciadeeventosesmuygrande Silatasadeocurrenciadeeventosesmuygrande,siempresetendrunaprobabilidadcercanaaceropara laocurrenciadepocoseventos,locualnoesconvenienteparaalgunosanlisis.As,enestoscasossedebe reducirlaunidaddemedidadeltiempo,cambiandoelparmetrodeescala.
2010 179
EJEMPLO8.3 VerificarsilossiguientesdatosinterarrivodeunprocesopuntualseajustanaunprocesodePoisson HomogneoutilizandolatransformadaTTT. X R ( u ) = S i u = i/n [aos] [aos] 0.0171 0.5130 0.0333 0.0548 0.0183 0.5478 0.0667 0.0586 0.0248 0.7298 0.1000 0.0780 0.0493 1.3913 0.1333 0.1487 0.0561 1.5681 0.1667 0.1676 0.0589 1.6381 0.2000 0.1751 0.0626 1.7269 0.2333 0.1846 0.0732 1.9707 0.2667 0.2106 0.1189 2.9761 0.3000 0.3181 0.1192 2.9824 0.3333 0.3188 0.1267 3.1324 0.3667 0.3348 0.1323 3.2388 0.4000 0.3462 0.1685 3.8904 0.4333 0.4158 0.1718 3.9465 0.4667 0.4218 0.1849 4.1561 0.5000 0.4442 0.2449 5.0561 0.5333 0.5404 0.3001 5.8289 0.5667 0.6230 0.3020 5.8536 0.6000 0.6257 0.3143 6.0012 0.6333 0.6414 0.3195 6.0584 0.6667 0.6476 0.3505 6.3684 0.7000 0.6807 0.3750 6.5889 0.7333 0.7043 0.4149 6.9081 0.7667 0.7384 0.4231 6.9655 0.8000 0.7445 0.4257 6.9811 0.8333 0.7462 0.5501 7.6031 0.8667 0.8127 0.7410 8.3667 0.9000 0.8943 0.9456 8.9805 0.9333 0.9599 1.1288 9.3469 0.9667 0.9991 1.1376 9.3557 1.0000 1.0000
2010
180
Como se observa en esta grfica, SI existe ajuste a una distribucin exponencial, pues la grfica de los datosestalrededordelatransformadaTTTdeladistribucinexponencial(lalneadiagonal).
ElparmetrodelHPPseestimacomo = n / tn = 30 / 9.3557 = 3.2066 eventos/ao.
2010
181
EJEMPLO8.4 ParauntransformadordedistribucinsehaverificadoqueelprocesodellegadasdelasfallasesunHPP conunatasadeocurrenciadeeventos = 0.2 fallas/ao. Valoresesperadosdefallas: E[ N ( t )] = 0.2 * t

t [aos]
1 5 10
E[ N ( t )] [fallas]
0.2 1 2
Conforme se aumenta el periodo de tiempo en que el equipo permanece en funcionamiento, mayor nmerodefallasseesperaqueocurran. Probabilidaddellegadadefallasendiferentesperiodosdetiempo:
P[ N (t ) = k ] =

k
[Fallas] 0 1 2 3 4 5 6 7 8 9 10 1 0,818731 0,163746 0,016375 0,001092 0,000055 0,000002 0,000000 0,000000 0,000000 0,000000 0,000000
1 [0.2t ]k * e 0.2 t k!
t [aos]
5 0,367879 0,367879 0,183940 0,061313 0,015328 0,003066 0,000511 0,000073 0,000009 0,000001 0,000000 10 0,135335 0,270671 0,270671 0,180447 0,090224 0,036089 0,012030 0,003437 0,000859 0,000191 0,000038
Como se observa, las probabilidades de ocurrencia de un nmero dado de fallas cambian conforme se cambiaelperiododetiempo. Tambin se observa que son bajas las probabilidades de que ocurran los valores esperados de fallas calculadosenelpasoanteriorparaperiodosde5(1falla)y10aos(2fallas). Esto ltimo ilustra sobre el cuidado que se debe tener al tomar valores esperados para los procesos de decisin,puesengeneral,estosvalorestienenpocaprobabilidaddeocurrir.
2010
182
Probabilidaddeteneralmenosunafallaendiferentesperiodosdetiempo: P[ N ( t ) = 1, 2, ] = 1 P[ N ( t ) = 0]
t [aos]
1 5 10
P[ N ( t ) = 1, 2,
0.181269 0.632121 0.864665
Probabilidaddequelaprimerafallaocurraenuntiempomenoroigualdado t Ft1 (t ) = P[t1 t ] = 1 e 0.2 t

t [aos]
1 5 10
P[ t 1 t ]
0.181269 0.632121 0.864665
Comoseobserva,lasprobabilidadesdequeocurralaprimerafallaenuntiempomenoroiguala1,5y10 aos corresponden a los mismos resultados de probabilidad de que ocurra al menos una falla en estos mismosperiodosdetiempoenelHPP,quesecalcularonenelpasoanterior. Probabilidaddequelatercerafallaocurraenuntiempomenoroigualdado t
Ft3 (t ) = P[t3 t ] = 1 e 0.2* t *
t [aos]
1 5 10
n 1
(0.2 * t) j j! j =0
P[ t 3 t ]
0.0011485 0.0803014 0.3233236
Estosresultadossonlasmismosqueseobtienenalcalcularlaprobabilidaddequeocurranporlomenos tresfallasenperiodosdetiempode1,5y10aosenelHPP.
2010
183
8.6ELPROCESODEPOISSONNOHOMOGNEOPOWERLAW 8.6.1 Descripcin ElNHPPPowerLawfuedesarrolladoporLarryCrowen1974ysedefinepormediodelasiguientetasa deocurrenciadeeventos:
(t ) = * * t 1
Donde: :Eselparmetrodeescala;debesermayoracero. : Eselparmetrodeforma.Segnsuvalordefinelatendenciaenelmodelodellegadadeeventos,de lasiguienteforma: >1 =1 < 1
Modelonoestacionariocontendenciapositiva ElprocesodePoissonHomogneo Modelonoestacionariocontendencianegativa
EstemodeloseconocetambincomoCrowModeloCrowAMSAModel. Deotraparte,lasReferencias[7]y[14]aclaranqueesteprocesoharecibidonombresdondeseadicionala palabraWeibull(Weibullprocess,WeibullPoissonprocess,RaschWeibullprocess),locualestbasado enlasimilitudexistenteentrelafuncindeintensidaddelNHPPPowerLawylatasadeeventosdela distribucin Weibull ( h( x ) = * * x 1 ). Sin embargo, el uso de estos nombres puede llevar a que equivocadamentesecreaque:
1 2 LostiemposentrellegadasdeeventosenelNHPPPowerLawtienendistribucinWeibull:Estoesfalso, puesenunprocesocontendenciacomoelNHPPPowerLawlostiemposentrellegadadeeventosnoson independientesnipertenecenaunamismadistribucin. ElNHPPPowerLawesunRPWeibull:Estoesfalso,puesenunRPlostiemposentrellegadadeeventos sonunasecuenciaIID,locual,nosecumpleenunprocesocontendencia.
Porlotanto,serecomiendaelusodelnombrePowerLawparaelNHPPconestafuncindeintensidad. 8.6.2Funcindeprobabilidaddemasa Laprobabilidaddequeenunperiododetiempodado [0, t ] lleguenuocurranexactamente k eventos enunNHPPPowerLawestadadapor:
P[ N (t ) = k ] =
1 [t ]k * e t para k = 0,1, 2, k!
2010 184
8.6.3Funcindedistribucindeprobabilidad Laprobabilidaddequeenunperiododetiempodado [0, t ] lleguenuocurran k omenoseventosen unNHPPPowerLawestadadapor:
k 1 P[ N (t ) k ] = [ t ]i * e t i =0 i !
8.6.4Valoresperadoyvarianza
E[ N ( t )] = t VAR[ N ( t )] = t
8.6.5Estimacindeparmetros Una vez se verifica la hiptesis de que los datos del proceso bajo estudio tienen tendencia se pueden estimarlosparmetrosdelmodeloNHPPPowerLawdelasiguienteforma[4],[16]:
= ( n 2) / Ln(tn / ti ) = n / tn
i =1
Sin embargo, solouna pruebade bondad deajuste determinar si la hiptesisdeque el modelo NHPP PowerLawrepresentalosdatos. 8.6.6Bondaddeajuste Algunos mtodos para determinar el ajuste de una muestra de datos a un proceso de Poisson no homogneoPowerLawson:
1 2 Pruebasdebondaddeajuste MtodoTTTplot
Losprocedimientossonespecficosparaestemodelo,nosedebenconfundirconlosmtodosclsicospara variablesaleatoriassencillas. Sepresentanacontinuacindospruebasdebondaddeajusteparaesteproceso.

2010 185
PruebadeKolmogorovSmirnov(ParkyKim1992)

1.Sea M = n 1 2.Calcule U i = ( t i / t n ) para i
= 1,2, = 1,2,
,M ,M ,M
3. D + = max( i / M U i ) para i
4. D = max(U i ( i 1) / M ) para i
= 1,2,
5. D = max{ D
, D } Eselestadsticodeprueba
PruebadeHiptesisdeunNHPPPowerLaw
H 0 :ElNHPPPowerLawconparmetros y representalosdatosconun (1 )% deconfianza
H 1 :ElmodelopropuestoNOrepresentaalosdatos
Serechazalahiptesisnulasi D >
D .
LaReferencia[7]presentaunatabladevalorescrticosdelestadstico D paradiversosvaloresde M yde probabilidadcrtica . Enla tabla8.1 sepresentan los valores del estadsticodeprueba paradiferentes tamaosdemuestrayunaprobabilidadcrticadel5%.
Tabla8.1ValorescrticosparaelestadsticodelapruebaKolmogorovSmirnov paraelprocesoPowerLaw M D 10 11 12 13 14 15 20 30 40 50 60 80 100 1.Probabilidadcrticadel5% 2.DatostomadosdelaReferencia[7] 0.34 0.33 0.31 0.30 0.29 0.28 0.24 0.20 0.17 0.15 0.14 0.12 0.11
Notas:
Como se observa, no aparecen los valores crticos del estadstico de prueba para tamaos de muestras mayoresa100datos. ParafacilitarhallarlosvaloresnotabuladosenlatabladelaReferencia[7],enestetextohacemosajuste porelmtododemnimoscuadradosdelosdatosdelaReferencia[7]aunafuncindelasiguienteforma:
2010
186
D =
Locualllevaalossiguientesresultados:
1 c1 + c 2 * M
c1
1.8713 2.1665 2.4183
c2
0.0750 0.0879 0.0940
1% 5% 10%
ElMtodoTTTPlot(KlefsjoyKumar1992)

1.Sea M = n 1 2.Calcule w i = Ln( t n i / t n ) para i = 1, 2,
,M
3.Apliquealos w i elmtodoTTTPlot
4. Si los puntos estn distribuidos alrededor de la diagonal, entonces SI hay ajuste; los datos pertenecen a un modeloNHPPPowerLaw
Enestemtodosetransformanlostiemposparallegadadeeventosdetalformaquecorrespondanauna distribucinexponencialyseaplicaelmtodoTTTPlot. Al igual que en el caso del HPP, NO es necesario estimar los parmetros del modelo para aplicar este mtodo. Sinembargo,losautoresaclaranqueestemtodotienecomodesventajaelquepuedemostrarajusteaun NHPP Power Law cuando los datos proceden de un Renewal Process, porlo cual, recomiendanaplicar otratransformacin,lacual,tieneotrosproblemasdeinterpretacinderesultados[8]
2010
187
EJEMPLO8.5 ProbarsilosdatosdelEjemplo8.1sepuedenmodelarpormediodeunNHPPPowerLaw. 1. MtododetransformadaTTT ( u ) = S i u=i/M w R 0.0317 0.9504 0.0345 0.1176 0.0374 1.1153 0.0690 0.1380 0.071 2.056 0.1034 0.2544 0.0739 2.1343 0.1379 0.2641 0.0811 2.3214 0.1724 0.2872 0.0912 2.5749 0.2069 0.3186 0.0963 2.6982 0.2414 0.3339 0.0997 2.7748 0.2759 0.3434 0.1131 3.071 0.3103 0.3800 0.1361 3.5531 0.3448 0.4397 0.1429 3.6903 0.3793 0.4566 0.1529 3.88 0.4138 0.4801 0.1574 3.9596 0.4483 0.4900 0.1663 4.1119 0.4828 0.5088 0.192 4.5235 0.5172 0.5597 0.2074 4.7543 0.5517 0.5883 0.2288 5.0529 0.5862 0.6252 0.2423 5.2292 0.6207 0.6471 0.2608 5.4507 0.6552 0.6745 0.2729 5.5844 0.6897 0.6910 0.2732 5.5873 0.7241 0.6914 0.3427 6.213 0.7586 0.7688 0.3648 6.3899 0.7931 0.7907 0.4051 6.6719 0.8276 0.8256 0.4195 6.7583 0.8621 0.8363 0.4656 6.9885 0.8966 0.8648 0.539 7.2822 0.9310 0.9011 0.5448 7.2996 0.9655 0.9032 0.9357 8.0815 1.0000 1.0000
2010
188
Comoseobservaenestagrfica,SIexisteajusteaunNHPPPowerLaw,pueslagrficadelosdatosest alrededordelatransformadaTTTdeesteproceso(lalneadiagonal). 2. Estimacindeparmetros
= 3.9184 = 0.1261 [eventos/ao]
3.
PruebadebondaddeajusteKolmogorovSmirnov
Ui
0.0317 0.0374 0.071 0.0739 0.0811 0.0912 0.0963 0.0997 0.1131 0.1361 0.1429 0.1529 0.1574 0.1663 0.192
(i / M U i ) (i / M U i )
0.9504 1.1153 2.056 2.1343 2.3214 2.5749 2.6982 2.7748 3.071 3.5531 3.6903 3.88 3.9596 4.1119 4.5235 0.0345 0.0690 0.1034 0.1379 0.1724 0.2069 0.2414 0.2759 0.3103 0.3448 0.3793 0.4138 0.4483 0.4828 0.5172
Ui
0.2074 0.2288 0.2423 0.2608 0.2729 0.2732 0.3427 0.3648 0.4051 0.4195 0.4656 0.539 0.5448 0.9357
(i / M U i ) (i / M U i )
4.7543 5.0529 5.2292 5.4507 5.5844 5.5873 6.213 6.3899 6.6719 6.7583 6.9885 7.2822 7.2996 8.0815 0.5517 0.5862 0.6207 0.6552 0.6897 0.7241 0.7586 0.7931 0.8276 0.8621 0.8966 0.9310 0.9655 1.0000
2010 189
D + = max( i / M U i ) = 0.1167
D = max(U i ( i 1) / M ) = 0.0823
D = max{ D+ , D } = 0.1167 Eselestadsticodeprueba

Elvalorcrticodelestadsticodepruebaes D = 0.2121 para M = n 1 = 30 1 = 29 yunaprobabilidad critica = 5%
PruebadeHiptesisdeunNHPPPowerLaw
H 0 :ElNHPPPowerLawconparmetros = 0.1261 [eventos/ao]y = 3.9184 representalosdatosconun

95% deconfianza
H 1 :ElmodelopropuestoNOrepresentaalosdatos
Seaceptalahiptesisnulapueselestadsticodeprueba D = 0.1167 esmenorqueelvalorcrtico D = 0.2121
2010
190
8.7ELPROCESODEPOISSONCOMPUESTO(COMPOUNDPOISSONPROCESS 8.7.1Descripcin Sea N (t ) un proceso de llegada de eventos de cualquier tipo y sea Y una variable aleatoria independientede N (t ) ,quedefineunacaractersticadecadaunadeloseventosquellegan.Sisedefine:
X(t ) = Yi
i =1
N(t)
Entonces, X ( t ) sedenominaunprocesodePoissoncompuesto.
Ejemplos 1 2 3 4
N (t )
Clientesquelleganaunatienda Gruposdeusuarios(Batches)que lleganaunsistemadeatencin Paquetesdeinformacinquellegana uncomputador Horasenqueunaplantasale despachadaenlabolsadeenerga
Y Dineroquegastacada cliente Cantidaddeusuariospor grupo Cantidaddebitspor paquete MWdespachadosencada hora
X (t )
Ingresosbrutosdelatiendaenel periodo t Nmerototaldeusuariosquellegan enelperiodo t Nmerototaldebitsenelperiodo t Energadespachadaenelperiodo t
8.7.2Funcindedistribucindeprobabilidad
FX ( t ) ( N ( t ), Y ) = P[ N (t ) k Y y ] = P[ N (t ) k ]P[Y y ] = FN ( t ) ( k , t ) * FY ( y )
8.7.3Funcindedensidaddeprobabilidad
f X ( t ) ( N ( t ), Y ) = f N ( t ) ( k , t ) * fY ( y )
8.7.4Valoresperado
E[ X ( t )] = E[ N ( t )] * E[Y ]
Este proceso tambin se puede componer de varias variables aleatorias independientes que definan las caractersticasoatributosdeloseventosquellegan.
2010
191
EJEMPLO8.6 Para una planta de generacin que participa en la bolsa de energa, se define el ingreso bruto en un periododetiempo t como:
Ingreso(t ) = Potenciai * Pr ecioi

i =1
N(t )
Cadahorapuedellegaruneventodedespacho:seordenaalaplantadespacharunapotenciadadaaun precio dado que se consideran aleatorios. Entonces, el proceso definido se refiere a los ingresos en un periododetiempodado t (da,mes,ao).Elvaloresperadodeingresoenunperiododetiempo t est dadopor: E(ingreso) = E( N(t )] * E[ Potencia] * E[Pr ecio] EJEMPLO8.7 Unatiendarecibepagosendlaresmedianteunsistemabancarioonline.Elbancoconviertelospagosen dlaresalamonedalocalsegnlatasarepresentativadelmercado(TRM)deldaenquesehaceefectiva la consignacin. El ingreso bruto por compras en moneda extranjera en un periodo de tiempo t de un messedefinecomo:
Ingreso(t ) = Comprai * TRMi

i =1
N (t )
E(ingreso) = E( N(t )] * E[Compra] * E[TRM ]

2010
192
8.8CMOSIMULAREVENTOSDEUNPROCESODERENOVACIN Paraunprocesopuntualderenovacinsegenerantiemposinterarribo x i yseobtienenlosinstantesde llegadadeloseventos t i .Estopuedehacerseparaunperiododeestudio T oparaunnmerorequerido deeventos N .Entrminosdeprogramacin,paraelprimercasoestoes:
Let t0 = 0, t = 0, i = 0 While t <T Let i = i + 1 Generate U i Obtain xi = Fx1 (U i ) Calculate ti = ti 1 + xi Let t = ti end while N=i
Esta simulacin es de tipo secuencial asincrnica pues el tiempo total de la simulacin (reloj de la simulacin)ylostiemposdearribodeloseventosseobtienendelasumadelostiemposinterarribo. EJEMPLO8.8 Una creciente o borrasca es un evento de aumento inusitado en el caudal de una corriente de agua duranteuncortoperiododetiempodebidoalluviasintensasenlacuencahidrogrficaaguasarribadel puntodeestudio. Lasborrascasafectanlaoperacindelasplantasdegeneracinafilodeagua,acueductosysistemasde riegoporqueelelevadocaudal,suvelocidadylosdesechosquearrastranpuedenobstruiroandestruir lasinstalacionescivilesehidrulicasdetomayconduccindeagua. En [10] se recopil datos de 140 eventos de borrascas en el Ro Otn ocurridas durante los aos 2004 y 2005 las cuales afectaron la produccin de una planta de generacin. El tiempo promedio entre estos eventos( x )esde19.14dasconuncoeficientedevariacindel200%ysuduracinpromedia( d )esde 2.7 horas con un coeficiente de variacin de 77%. Como la duracin de las borrascas es muy pequea comparada con el tiempo entre eventos de borrasca, se puede aplicar el modelamiento con procesos estocsticospuntuales. Aplicandoelprocedimientodeajustededatosaunprocesoestocsticopuntualseobtuvoqueelproceso de llegada de estos eventos se puede modelar mediante un proceso de renovacin Gamma con parmetros = 0.5600 y = 34.1818 [das].Quiereestodecir,queelfenmenonaturaldeocurrenciade borrascasenelRoOtnesunprocesoaleatorioestacionario. Lafuncindeintensidaddeesteprocesopuntualesentonces (t ) = 1 /( ) = 19.0682 [borrascas/ao].
2010 193
Silosdatoscomienzanaliniciodelao2004,paracuandoseesperaqueocurrirlaltimaborrascadel ao2008? PROCEDIMIENTO
EjecuteenMatlabelprogramaprobejesim2.mparavariosnmerosdeiteraciones.
Esteprogramautilizalafuncingenrp.m.Abrirelcdigodeestafuncinyvercomoestaimplementada.
2010
194
8.9CMOSIMULAREVENTOSDEUNPROCESODEPOISSONNOHOMOGNEO GenerarobservacionesapartirdeprocesosdePoissonnohomogneosnoestansencillocomoenelcaso delosprocesosderenovacin,porlocual,seutilizanalgoritmosespeciales;laReferencia[1]presentatres algoritmos,unodeloscualeses: 1. Generar una secuencia de n tiempos de llegada de eventos a partir de un HPP con tasa de eventos iguala1.0.Estostiempossedenotanpor t1 , t2 , , tn
2. Hallarlafuncininversadelvaloresperadodelproceso,lacualsedenotacomo 1 3. CalcularlostiemposparallegadadeeventosdelNHPPdelasiguienteforma: ti = 1 (ti ) La aplicacin de este algoritmo depende de que sea fcil invertir la funcin de valor esperado (t ) del NHPP. BsicamenteloquesehaceenestealgoritmoesigualarlafuncindeintensidaddeunprocesodePoisson homogneocontasadeeventos1.0alafuncindeintensidaddelprocesodePoissonnohomogneoque sequiereresolver: (t )HPP = (t )NHPP EnelcasodelNHPPPowerLawsetiene:
HPP * t = * t
1.0 * t = * t t 1 / t = ( ) = 1 ( t )
2010
195
EJEMPLO8.9 GenerarunarealizacindeeventosdeunNHPPPowerLawcon: Parmetrodeescala = 7.0 [eventos/ao] Parmetrodeforma = 1.0, > 1.0, < 1.0
Tiempodeobservacindelproceso T = 5 [aos] Obtenerlassiguientesgrficas: Diagramadebarrasdelamagnituddelostiemposentrellegadadeeventosversuseltiempo Histogramasdelostiemposparallegadadeeventosylostiemposentrellegadadeeventos. PROCEDIMIENTO
EjecuteenMatlabelprogramaprobejesim3.mparadiversostiemposdeobservacindelproceso
Esteprogramautilizalafuncingenplp.m.Abrirelcdigodeestafuncinyvercomoestaimplementada
2010
196
8.10CMOSIMULARUNPROCESODEPOISSONCOMPUESTO X ( t ) se denomina un proceso de Poisson compuesto si es una variable que se define como la suma de
N (t ) trminosovaloresdeunavariablealeatoria Y :
X(t ) = Yi
i =1
N(t)
Donde N (t ) esunprocesoestocsticopuntualy Y sedefineconunadistribucindeprobabilidad. As para obtener X ( t ) se generan N eventos del proceso estocstico puntual los cuales cubren un periododeestudio T .Porcadaeventogeneradoenelprocesoestocsticopuntual,segeneraunvalorde lavariablealeatoria Y elcualsevasumandoalavariable X .Entrminosdeprogramacin,estoes:
Let t0 = 0, t = 0, i = 0, X0 = 0 While t <T Let i = i + 1 Generate U1i Obtain xi = Fx1 (U1i ) Calculate ti = ti 1 + xi Let t = ti Generate U 2 i Obtain Yi = FY1 (U 2 i ) Let Xi = Xi 1 + Yi end while Obtain X , sX
Estasimulacinesdetiposecuencialasincrnica.
2010
197
EJEMPLO8.10 Lasventasdiariasquelograuncomercializadordeenergaenlabolsasonaleatoriasencuantoalahora enqueocurren,lacantidaddeMWyelpreciofinalobtenido.Lasdistribucionesdeprobabilidaddeestas variablesson: Ventasdeenerga:ProcesodePoissonhomogneocontasadellegadade10ventas/da. MWvendidos:DistribucinGausianaconparmetros = 100 MWy = 25% $/MWhora:DistribucinGammaconparmetros = 0.5 = 10 US/MWhora Hallarladistribucindeprobabilidaddelosingresosdiarios. PROCEDIMIENTO N (t ) : Elprocesodellegadodeloseventos(lograrunaventa)enelperiododetiempot(1da) Potenciavendidaeneleventoi Pi :
V i :
Valordelaenergaeneleventoi
X (t ) : Ingresobrutoenelperiododetiempot(1da).EsunprocesodePoissoncompuesto
1. 2. 3. 4. 5. 6. 7. 8. 9.
t = 0
Generaruntiempo x entrearribodeventas Eltiempodearribodelaventa i estdadopor: t i = t i 1 + x Si t 1 daterminaestaiteracin.Iralpaso8. Generarunvalordepotenciavendida Pi GenerarunvalordeprecioparalaenergavendidaV i si t < 1 davolveralpaso1 Calcularlaventadiaria: X (t ) =
N (t )
=1
Pi *V i i
Repetirhastaunnmerodadodeiteracionesuotrocriteriodeparada
EjecuteenMatlabelprogramaprobejesim4.mparavariosnmerosdeiteracionesycambiandolainstruccinde reiniciodelageneracindelosnmerosaleatorios
2010
198
8.11SUPERPOSICINDEPROCESOSESTOCSTICOSPUNTUALES 8.11.1Descripcin SPP2 ProcesodePoissonsuperimpuesto SPP2 SPPn
Figure8.8Superposicindeprocesosestocsticospuntuales
Laoperacinmatemticadesumarvariosprocesosestocsticospuntualessedenominasuperposiciny suresultanteesotroprocesoestocsticopuntualllamadoprocesodePoissonsuperimpuesto. Muchosdelosprocesosestocsticospuntualesqueaparecenenlasaplicacionesprcticassonprocesosde Poissonsuperimpuestos. Aunque analticamente se puede obtener fcilmente la funcin de intensidad y el valor esperado de un proceso superimpuesto a partir de las correspondientes funciones de los procesos puntuales que lo componen, con excepcin del caso de superposicin de procesos de Poisson homogneos, nada puede decirseenlosotroscasosdeltipodeprocesoresultantedelasuperposicin. 8.11.2Valoresperado Si n procesosestocsticospuntualesindependientessesuperponen,elnmerodeeventosquelleganen unperiododetiempo t es N ( t ) = N 1 ( t ) + N 2 ( t ) + + N n ( t ) ysuvaloresperado:
E[ N ( t )] = E[ N 1 ( t )] + E[ N 2 ( t )] +
+ E[ N n ( t )]
8.11.3Funcindeintensidad
E[ N (t )] = t0 (t )dt

( t ) =
dE[ N (t )] dt
dE[ N (t )] dE[ N1 (t )] dE[ N 2 (t )] = + + dt dt dt
2010
dE[ N n (t )] dt
199
(t ) = 1 (t ) + 2 (t ) +
+ n (t )
8.11.4SuperposicindeprocesosdePoissonhomogneos Sisetienen n fuentesindependientesdePoissondetipoHPP,cadaunacontasadeocurrenciadeeventos i ,elprocesoresultantedelasuperposicindeestasfuentes,tambinesunHPPconlasiguientetasade ocurrenciadeeventos:
(t ) = i
i =1
8.11.5PropiedaddedescomposicindelprocesodePoissonhomogneo Si una fuente de Poisson homognea con tasa de ocurrencia de eventos alimenta n ramas, tomando cadaunadelasramasconprobabilidadesindependientes p1 , p2 , , pn ,entonces,elprocesodellegadade
eventosalarama i esunHPPcontasa * pi . Lasprobabilidades pi sepuedenobtenerdeestadsticasaplicandoladefinicindefrecuenciarelativao deotromodeloprobabilstico. 8.11.6Comoobtenerelmodelodeunprocesosuperimpuesto Aunque analticamente solo se conoce la solucin para la superposicin de procesos de Poisson homogneos,enlaprcticasisedisponedeunamuestradedatosdeunprocesosuperimpuesto,loquese haceesajustarleunmodelomatemticomediantelosanlisisdetendencia,estimacindeparmetrosy pruebadebondaddeajustedescritosenunaseccinanterior.
2010
200
EJEMPLO8.11 Segnlareferencia[21],latasadefallasdeuntransformadordedistribucintpicode33kVesde0.0064 fallascadaao.Elsistemadedistribucinlocal(SDL)queseestuditena39deestosequipos. Sielprocesodeocurrenciadelasfallasencadaunodelostransformadoresde33kVesunHPP,cul eslatasadellegadafallasqueobservaeloperadordelsistemaparaelgrupode39equipos? = 39 * 0.0064 = 0.2496 [fallas/ao] Culeseltiempoesperadoparaqueocurraunafallaenestegrupodetransformadores? E[t1 ] = 1 / 0.2496 = 4.0064 [aos]
Probabilidaddellegadadefallasalgrupode39equiposendiferentesperiodosdetiempo:
P[ N (t ) = k ] =

k
[Fallas] 0 1 2 3 4
1 [0.2496t ]k * e 0.2496 t k!
t [aos]
1 0.7791 0.1944 0.0242 0.0020 0.0001
5 0.2870 0.3582 0.2235 0.0930 0.0290
10 0.0824 0.2057 0.2567 0.2135 0.1332
2010
201
8.12RELACINENTREPROCESOSPUNTUALESYCADENASDEMARKOVCONTINUAS Latransicinentredosestados i y j deunacadenadeMarkovesproducidaporunprocesoestocstico puntaldelamismafuncindeintensidadquelatasadetransicinentreestosestados. SilacadenadeMarkoveshomognea,elprocesopuntualquegeneralatransicinentrelosestados i y j esunprocesoderenovacindondelostiemposinterarribotienenlamismadistribucindeprobabilidad delostiemposdetransicinentreestosestados. Enformageneral:
UnprocesodeMarkovcontinuoeneltiempoycon n estadosdiscretos,esproducidopor n procesos puntualesofuentesdeeventos.
EnelcasoenquedeunestadodelprocesodeMarkovhayconexinaotros k estados(tasasdetransicin que salen), la fuente de procesos puntuales de este estado se descompone en k fuentes de procesos puntualesunaparacadatransicin.Soloesfcilresolverestadescomposicinparaelcasoenquetodos losprocesosderenovacinqueintervienensonexponenciales. EJEMPLOS fallas (t ) t (t ) 2 1 (t ) reparaciones (t ) fallado bueno t P1h (t ) t 2 h(t ) P1h (t ) P1 1 t P2 P2h(t ) P2h(t ) 3 t
Figura8.9ProcesosderenovacinqueproducenprocesosdeMarkovhomogneos
2010 202
8.13BIBLIOGRAFA [1] Pazos J. J, Surez A, Daz R. P, Teora de colas y simulacin de eventos discretos, Pearson Penticemay,2003. [2] Kogan V. I, Jones T. L, An explanation for the decline in the URD cable failures and associated nonhomogeneous Poisson process, IEEE Transactions on Power Delivery, Vol. 9, No. 1, January, 1994. [3] Kogan V. I, Gursky R. J, Transmission towers inventory, IEEE Transactions on Power Delivery, Vol.11,No.4,October,1996. [4] Ascher H. E, Hansen Christian K, Spurious exponentiality observed when incorrectly fitting a distributiontononstationarydata,IEEETransactionsonReliability,Vol.47,No.4,December1998. [5] Gaudoin O, Optimal properties of the Laplace trend test for software reliability models, IEEE TransactionsonReliability,Vol.41,No.4,December1992. [6] Park W. J, Kim Y. G, Goodnessoffit tests for the power law process, IEEE Transactions on Reliability,Vol.41,No.1,March1992. [7] KlefsjoB,KumarU,GoodnessoffittestsforthepowerlawprocessbasedontheTTTplot,IEEE TransactionsonReliability,Vol.41,No.4,December1992. [8] ParkW.J,KimY.G,Moregoodnessoffittestsforthepowerlawprocess,IEEETransactionson Reliability,Vol.43,No.2,June1994. [9] Stillman R. H, Modeling failure data of overhead distribution systems, IEEE Transactions on PowerDelivery,Vol.15,No.4,October2000. [10] ZapataC.J,CataoD,SurezH.F,ndicesdeconfiabilidaddetransformadoresdedistribucin, RevistaMundoElctrico,No.57,2004. [11] Rao K. R. M, Prasad P. V. N, Graphical methods for Reliability of repairable equipment and maintenance planning, Procedings of Annual Reliability and Maintainability Symposium, IEEE, 2001. [12] Choy S, ,English J. R, Landers T, Yan L, Collective approach for modeling complex system failures,ProcedingsofAnnualReliabilityandMaintainabilitySymposium,IEEE,1996. [13] GrallA,DieulleL,BerengerC,RoussignolM,Continuoustimepredictivemaintenancescheduling foradeterioratingsystem,IEEETransactionsonReliability,Vol.51,No.2,June2002. [14] Ascher H, Feingold H, Repairable systems reliability: Modeling, inference, misconceptions and theircauses,MarcelDekker,1984. [15] RigdonS.E,BasuA.P,Statisticalmethodsforthereliabilityofrepairablesystems,Wiley,2000.
2010 203
[16] InternationalElectrotechnicalCommission,PowerlawmodelGoodnessoffittestandestimation methods,Standard61710,2000. [17] C.J.Zapata,AplicacionesdelprocesodePoissonenConfiabilidad,RevistaScientiaetTechnica, No.20,UniversidadTecnolgicadePereira,2002. [18] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [19] Law Averill M, Kelton W. David, Simulation modeling and analysis, Tercera edicin, McGraw Hill,2000.
2010
204
Captulo9Simulacin de Montecarlo
CAPTULO9SIMULACINDEMONTECARLO
9.1CONCEPTOSBSICOSDESIMULACIN 9.1.1Definiciones Sedenominasimulacinalprocesodeevaluarenformanumrica,indirectaoartificialunmodelo matemticoquepermiteestimarelcomportamientodeunsistemaoproceso.
SedenominasimulacindeMontecarloalexperimentodegenerarnmerosaleatoriosdecualquierdistribucinde probabilidadoprocesoestocsticoparaevaluarenformanumrica,indirectaoartificialunmodelomatemtico quepermiteestimarelcomportamientodeunsistemaoprocesoqueinvolucravariablesestocsticas.
ElnombreMontecarloprovienedelprincipiodesuerteoazardelprocedimiento,similaraldelos juegosdeazarquehicieronfamosaalaciudaddelmismonombre. De estas definiciones es claro que para simular primero se debe obtener el modelo matemticos que describenelfenmenobajoestudio. Otraformadesimulacinesaquelladondeseconstruyeunmodelofsico(iconicmodel)delsistemao procesobajoestudio. 9.1.2Justificacin Engeneral,seutilizanprocedimientosdesimulacincuando:
1 2 3 Obtenerlasolucinanalticaodirectadeunmodelomatemticoesmuycomplicadooimposible. Nosepuedeonosedeseaexperimentarenformadirectaconelsistemaoprocesobajoestudio. Obtenerobservaciones(datos)deunavariablealeatoriaoprocesoaleatorioescomplicadooimposible
9.1.3Latcnicadesimulacinversuslatcnicaanaltica
tem Mtododesolucin Tiempoparasolucin Resultados Modeloutilizado Nmerodesalidas Capacidaddesolucin Adicionesalmodelo Comparacindeventajasydesventajas Tcnicaanaltica Tcnicadesimulacin Directo Indirecto Generalmentecorto Generalmentemuylargo Dependedelprocedimientodesimulacinydel Fijos nmerodeiteraciones Generalmentesimplificado Noimportaeltamaoocomplejidad Limitado Ilimitado Enalgunoscasosnohay Ilimitado solucin Implicaresolverdenuevo Seincorporanfcilmente
1 2 3 4 5 6 7
Sinembargo,eseltipodeproblemabajoestudioelquedefinesiunatcnicaanalticaodesimulacinesel mejormtododesolucin.
2010 205
9.1.4Tiposdesimulacin Unaclasificacindelostiposdesimulacines:
Esttica 1
Es una representacin del sistema o proceso bajo estudio en un tiempo particular o es una representacin en la cual el tiemponodesempeaningnpapel.

Estticaodinmica Dinmica
Es una representacin de un sistema o proceso que evolucionaconeltiempo.
Generalmente, se expresa el modelo matemtico por medio deecuacionesdiferenciales.
Determinsticao estocstica
Determinstica

Elmodelonoconsideravariablesaleatorias Elmodeloconsideravariablesaleatorias Lasvariablesdelmodelosondetipodiscreto Lasvariablesdelmodelosondetipocontinuo
Estocstica

Discreta 3 Discretaocontinua

Continua
Secuencial 4 Secuencialono secuencial Nosecuencial
Los nmeros aleatorios que se generan conforman secuenciasquedefinenotrasvariables

Los nmeros aleatorios que se generan no conforman secuenciasparadefinirotrasvariables

Secuencialsincrnica 5 Secuencialasincrnica
Sincrnica
El paso del reloj de la simulacin es fijo, por ejemplo cada hora,cadada,cadasemana,etc.

Asincrnica
El paso del reloj dela simulacines variable yse determina segnunevento,porejemplo,cadaquefallauncomponente
Unaaplicacindesimulacinpuedeinvolucrarvariosdelostiposdesimulacinpresentados. Otras clasificaciones de los tipos de simulacin aparecen en las referencias bibliogrficas, la presentada aqunoconstituyeuninventarioriguroso. EltipodesimulacindeMontecarlomsutilizadoeselestticonosecuencial.
2010
206
9.2PASOSENUNESTUDIODESIMULACIN
Definir el modelo matemtico del sistema o proceso bajo estudio o los modelos matemticos de los subcomponentesosubprocesosqueloconforman

2 3 4 5
Definirlasecuenciaoperativadelsistemaoproceso

Desarrollarelsoftwaredesimulacinyverificarlo

Definirloscasosdeestudio

Realizarlassimulacionesocorridasdecadaunodeloscasosdeestudio

Procesar las salidas de cada simulacin: Estadsticas descriptivas, grficas de los resultados, ajuste a distribucionesdeprobabilidad,etc.

Conclusionesyrecomendaciones
Noexisteunprocedimientonicoparadesarrollarlosalgoritmosdesimulacinpues:
Losdiversossistemasyprocesostienensecuenciasoperativasdiferentes

Para un mismo sistema o proceso se pueden desarrollar diferentes procedimientos de simulacin que lleguenalosmismosresultados
Los procedimientos pueden cambiar de acuerdo con los resultados que se buscan con el estudio de simulacin
Porlotanto,enestetextosepresentanejemplostpicosqueilustrancmosedesarrollanlosalgoritmosde simulacinycomotratarlosproblemasbajoestudio.
2010
207
9.3GENERACINDENMEROSALEATORIOS La base del mtodo de simulacin de Montecarlo es la generacin de nmeros aleatorios. Los nmeros aleatoriosdecualquierdistribucinsegeneranutilizandonmerosaleatoriosuniformes,designadoscon laletra U ,quedebencumplirlassiguientespropiedades:
1 2 Uniformidad Independencia Pertenecenaunadistribucindeprobabilidaduniformedefinidaentre0y1 Losnmerosgeneradosnotienenrelacinentresi
La mayora del software aplicativo tiene rutinas para generar los nmeros aleatorios uniformes, por lo cual,enestetextoseasumequesecuentacondichafacilidad;encasocontrario,serecomiendaconsultar [1],lacualpresentaalgoritmosparagenerarestosnmeros. Unavezsecuentaconunnmeroaleatoriouniforme U ,sepuedegenerarunaobservacindelavariable aleatoriadeintersdelasiguienteforma:
Todafuncindedistribucindeprobabilidadoprocesoestocstico evaluadoencualquiervalor x es igualaunnmeroentre0a1(laprobabilidad),porlocual: 1
Fx ( x ) = U
Fx ,t ( x , t ) = U
Tambinsepuederesolver P[ x > xo ] = 1 Fx ( x ) = U

Entonces,sepuedeobtenerartificialmenteunaobservacindelavariable x hallandolafuncin inversadeladistribucindeprobabilidad:
x = Fx1 (U )
x( t ) = Fx,1 (U ) t
Elpaso2sedenominamtododetransformacininversa.Estepasosolosepuedeaplicarafunciones dedistribucindeprobabilidadquetengansolucinanaltica;encasocontrariosedeberecurriraotros mtodoscomocomposicin,aceptacinrechazoyconvolucinquesepresentanen[1]. EnlaTabla1sepresentanalgunastransformacionesinversas. Actualmente, la mayora del software aplicativo tiene funciones para generar nmeros aleatorios de las distribuciones de probabilidad ms comunes, entre ellas las que no tienen solucin analtica como la normal,lognormal,Gamma,Beta,etc. En este texto se asume que se dispone de la transformacin inversa para todas las distribuciones de probabilidad y sin importar el mtodo mediante el cual se obtienen la operacin de obtener el nmero aleatoriodeladistribucinsedesignacomo x = Fx1 (U ) .
2010
208
Tabla9.1Algunastransformacionesinversas Nmeroaleatoriogenerado
Distribucin Uniforme
x = a + ( b a )U
Exponencial
x=
1 1 LN(1 U ) = LN(U ) h h

Weibull
x = [ LN(U )]1/

z1 = [2 LN(U1 )]1 / 2 cos(2U 2 )

Normal
z2 = [2 LN(U1 )]1/ 2 sin(2U 2 )

z 1 y z 2 sonindependientes.Los x i seobtienencomo: xi = zi +
Los generadores de nmeros aleatorios utilizan un valor inicial o semilla a partir se genera una secuenciadenmerosuniformeseindependientes. Siestasemillaseconserva,siempresegeneraranlosmismosnmerosenelmismoorden,porlocuallos resultados de la simulacin que los utilice sern los mismos. Si se desean resultados diferentes en cada corridadeunasimulacin,nosedebereiniciarlageneracindenmerosaleatoriososielgeneradorde nmerosaleatorioslopermite,cambiarlasemilla. El generador de nmeros aleatorios puede consistir en una tabla de nmeros aleatorios uniformes independientes.Algunostextospresentanestetipodetablas.
2010
209
9.4PROCEDIMIENTODESIMULACIN 9.4.1Iteracionesorealizaciones Sedefinecomounaiteracincadarecorridoenelprocedimientodesimulacindelasecuenciaoperativa delsistemaoprocesobajoestudio. En cada iteracin se obtiene una realizacin del fenmeno aleatorio bajo estudio, por lo cual, debe realizarseotrasiteracionesparaobtenerotrasrealizacionesdiferentes. Dependiendodeltipodesimulacinydelsistemaoprocesobajoestudio,unaiteracinpuedellevarala generacindeotrassubiteraciones. 9.4.2Salidas Sedenominancomosalidasdelasimulacinlasvariablesdeestadoovariablesdeintersdelsistemao procesobajoestudio. Cadaquesecumpleunaiteracin,setieneunaobservacinoestimadodelassalidas. Unavezseterminalasimulacin,setieneunamuestradedatosparacadavariabledeinters.Apartirde estamuestradedatossepuede:
1 2 Calcularlasestadsticasdescriptivascomoelvalorpromedioyladesviacinmuestral Ajustarlosdatosaunadistribucindeprobabilidadounprocesoestocstico
9.4.3Tiposdesimulacindeacuerdoconsuduracin
Terminatingsimulation
Existe un evento natural que especifica la duracin de cada corrida de la simulacin. Porejemplo,enunasimulacinsecuenciallaregladeparadapuedeserelperiodode tiempodelestudio:1ao,8760horas,24horas,etc.

NonTerminating simulation
No existe un evento natural que especifique la duracin de cada corrida de la simulacin. Entonces, se deben establecer reglas de parada sobre las salidas para determinarcuandosedebepararlasimulacin.
Una simulacin puede ser de tipo terminating o non terminating dependiendo de los objetivos del estudio. Tambin se pueden combinar ambos tipos de simulacin; ejemplo de esto son las simulaciones de tipo secuencialqueseejecutanenlossistemasdepotencia.
2010
210
9.4.4Reglasdeparada Algunasreglasdeparadamuyutilizadasson:
Nmeropreespecificadode iteraciones
Esuncriteriomuyutilizadoperoes ineficienteencuantoaltiempode computorequerido
Coeficientedevariacin estadsticodeuna(s) variable(s)deinteres
Paraunavariabledesalida x ,secalculaa partirdelasegundaiteracincomo:
Valorestpicosde5%y6%.
cv x =

sx x n
Varianzadeuna(s) variable(s)deinters
Paraunavariabledesalida x ,secalculaa partirdelasegundaiteracincomo:
vx =
sx n
Valorestpicosde5%y6%
Otros criterios de parada se presentan en [1]. Entre los mtodos para reducir el nmero de iteraciones requeridooacelerarlaconvergenciadeunasimulacinseencuentran:
1 2 3 Importancesampling Stratifiedsampling Antitheticvariates
9.4.5Estabilidaddelasimulacin En simulaciones de tipo non terminating se presentan dos casos para analizar la estabilidad de la simulacin: Observacionesdeunavariablealeatoria fx ( x) fx ( x) fx ( x) fx ( x) n = 50 n = 10 n = 200 n = 2000 x x x x
Figura9.1Estabilidaddeunasimulacindeobservacionesdeunavariablealeatoria
En este caso, la estabilidad de la simulacin se refiere al hecho de que al aumentar el nmero de iteraciones, el conjunto de observaciones de la salida bajo estudio se estabilizar sobre una misma distribucin, no necesariamente sobre un mismo valor. La Figura 9.1 ilustra estos conceptos, aclarando queladistribucindeestadoestablepuedesercualquierdistribucin,nonecesariamentelaGausiana.
2010 211
Esposiblequenoexistaunadistribucindeestadoestableparaunasalida.Estodependedelsistemao procesobajoestudioydelmodelamiento.Elqueexistaunadistribucindeestadoestableparaunasalida nosignificaquenecesariamentesepuedaajustaraunadistribucinterica. Observacionesdeunvaloresperado E( x) = x E( x) n 10 20 50 100 200 1000 2000 Iteraciones

Figura9.2Estabilidaddeunasimulacinparaunvaloresperado
Enestecasolaestabilidadestadadaporelhechodequealaumentarelnmerodeiteraciones,elvalor promedio de la salida bajo estudio converge al valor esperado verdadero, por la Ley Fuerte de los GrandesNmeros,talcomosemuestraenlaFig.9.2. Se pueden ajustar las observaciones de la variable bajo estudio a una distribucin de probabilidad. Sin embargo,sielnmerodeiteracionesesmuyaltoyelcoeficientedevariacinmuyreducido,noesposible obtenertaldistribucin,puestodaslasobservacionesconvergenenunnicovalor.
2010
212
9.5CMOOBTENERFUNCIONESDEUNAVARIABLEALEATORIA Cuandoanalticamentenoesposibleoesmuycomplicadoobtenerladistribucindeunavariablequees funcindeotrasvariablesaleatorias,lasimulacindeMontecarloeselmtodoaaplicar. El procedimiento consiste en generar nmeros aleatorios de las distribuciones de cada una de las N variables independientes x1 , x 2 , , x N los cuales se reemplazan en la funcin de la variable a evaluar
z = f ( x1 , x 2 , , x N ) .
Estoserepite n veceshastaqueseobtengaladistribucindeestadoestabledelavariabledeinters. Entrminosdeprogramacin,estoes:
for
i = 1 to
n , U Ni
1 xNi = FxN (U Ni ) 1 x1
Generate U1i , U 2 i ,
Obtain x1i = F (U1i ) x2 i = Fx21 (U 2 i ) Calculate zi = f ( x1i , x2 i , end for Obtain z , sZ , FZ ( z)
, xNi )
EstasimulacinesdetipoNOsecuencialporquelavariabledesalidanoeselresultadodeacumularlos valoresobtenidosparaotrasvariablesaleatorias. EJEMPLO1:POTENCIADESALIDADEUNATURBINAELICA v P Figura9.3

Generadorelico
Ungeneradorelicotienelassiguientescaractersticas:
Potencianominal Velocidadnominal Velocidadmnimaoperativa Velocidadmximaoperativa Factordelaecuacindepotencia
R
vr
vi vo
15 15 9 41 2.0
kW m/s m/s m/s

2010 213
Lapotenciadesalida P comofuncindelavelocidaddelviento v estdadapor[8]: P( v) Viento [m/s] [kW] v < vi 0
k1 + k2 * v m
vi v < vr vr v < v o v vo
R 0
Donde:
k1 = R * vim vim vrm
k2 =
R v vim
m r
La distribucin de probabilidad de la velocidad del viento en la zona donde se piensa instalar el generadorelicoesGammaconparmetrodeforma = 2.5 yparmetrodeescala = 6 m/s. Culesladistribucindeprobabilidaddelapotenciaquesepuedegenerar? PROCEDIMIENTO Esteproblemacorrespondeaunasimulacinnosecuencial. Enlasalidasevaaobservarunavariablealeatoria. Noexisteuneventoquedeterminelafinalizacindelasimulacin.Sedebenhaceriteracioneshastaque seencuentreladistribucindeestadoestabledelapotenciadesalida. 1.Generarunavelocidaddelviento v i apartirdeladistribucinGamma 2.Segnlamagnitudde v i ,calcular p i utilizandolaecuacinquecorresponda:
P( v) [kW]
viento
v < v i v v o
0 Verhistograma
vi v < vr vr v < v o
EjecuteenMatlabelprogramaprobejesim1.mparavariosnmerosdeiteracionesycambiandolainstruccinde reiniciodelageneracindelosnmerosaleatorios
2010
214
9.6OBTENERLASALIDADEUNPROCESOALEATORIO Enestecaso,sequiereobtenerartificialmentedatosuobservacionesdeunavariablequeesresultadode unprocesooprocedimientodondehayinvolucradasvariablesaleatorias.Elprocesoaleatoriobajoestudio nosepuededescribirporunconjuntosencillodeecuaciones. Elprocedimientoconsisteengenerarnmerosaleatoriosutilizandolasdistribucionesdeprobabilidado procesos estocsticos involucradas en el proceso aleatorio bajo estudio y estos datos se entran al procedimientoquesigueelprocesoaleatorio. EJEMPLO2:SOBREVOLTAJEDEBIDOADESCARGASATMOSFRICAS Un fabricante de pararrayos desea verificar el desempeo de un nuevo equipo. El parmetro ms importante a verificar es la capacidad de disipacin de energa cuando el pararrayos es sometido a descargasatmosfricassucesivas. En esta investigacin, primero se construye un modelo matemtico del equipo para validar los parmetrosdediseo.Conbaseenlosresultadosdeesteprimerestudioseconstruirunmodelofsicoal cualseleharnpruebasdelaboratorio. Acontinuacinsepresentaelmodelamientoparaelestudioterico: Zs I rayo I 1.0 0.5 Zg I rayo Vrayo t T1 T2 0.1 s < T1 20 s Pararrayos T2 300 s
Figura9.4Modelomatemticoparaestudiosdedescargasatmosfricas
La corriente de descarga de los rayos se modela como una fuente de corriente cuya forma de onda se muestraalaizquierda; I eslacorrientepicodedescargaquecorrespondeaunavariablealeatoriacuya distribucindeprobabilidades: 1 P[ I > I 0 ] = I 1 + ( 0 )m I prom donde I prom y n sonfactoresexperimentalesobtenidosenvariasinvestigaciones.Porejemplo,Anderson reporta I prom = 31 kAy m = 2.6 . I 0 tieneunidadesde[kA].
2010
215
Comopuedenocurrirvariasdescargasatmosfricassucesivas,setieneunprocesodellegadadeeventos; entonces, la fuente de corriente mostrada es una fuente de Poisson. Y cada que llega una descarga atmosfrica,sedebendeterminarsuformadeonda( T1 y T2 )ysucorrientepico( I ). Lalneadetransmisinsemodelamediantelasimpedanciasimpulsodefase( Z f )ydetierra( Z g ).Para cada descarga atmosfrica que llega, se debe determinar el sobrevoltaje que aparece ( Vrayo ). Con este voltajeenvariasdescargassucesivas,seevalaelcomportamientotrmicodelpararrayos. Comosepuedenobtenerartificialmenteobservacionesdedescargasatmosfricasparaesteestudio? ElprocesodellegadadelasdescargassepuedemodelarcomounprocesodePoissonhomogneocuya tasadeeventosestdadaporelnmerodedescargasporperiododetiempo.Enestecaso,elperiodo detiempotienequedefinirseenunaescalaapropiadaparaunestudiodetransitorioselctricos. Asumiendounatasadeeventos = 2 [descarga/hora].Estedatosepuedehallardeestadsticas. Laformadeondadelafuentedecorrientesepuedemodelarmediantedosdistribucionesuniformes: Para T1 : a = 0.2s y b = 20s Para T2 : a = T1 y b = 300s PROCEDIMIENTO 1. Generarunnmeroaleatorio U yconvertirloenuntiempo x entrearribodedescargasatmosfricas: 1 [Horas] x= LN (U ) 2 2. Eltiempodearribodeladescarga i estdadopor: t i = x i 1 + x i 3. GenerarunnmeroaleatorioU yconvertirloenuntiempo T1 delaformadeondadelacorrientede descarga
T1 = 0.1 + (20 0.1)U
[ s ]
Si T1 = 0.1s serepiteestepaso. 4.
T 2 = T1 + (300 T1 )U
GenerarunnmeroaleatorioU yconvertirloenuntiempo T2 delaformadeondadelacorriente dedescarga [ s ]

2010 216
Si T 2 = T1 serepiteestepaso
5. GenerarunnmeroaleatorioU yconvertirloenunacorrientepicodedescarga
I = ( 1 / 2.6 1) * 31 U
1
[ kA ]
En este problema no hay especificado un evento o regla de parada, pues depende de otros criterios del estudio;Aqusoloseconsideraelprocesoparasimularlafuentededescargasatmosfricas.Lassalidas correspondenaobservacionesdevariablesaleatorias Resultadospara10iteraciones: xi ti T1 T2 i I [kA] [ s ] [ s ] [horas] [horas]
1 2 3 4 5 6 7 8 9 10 0.4687 0.2148 0.2311 0.0736 0.2108 1.6307 0.5796 0.8451 0.4837 0.3911 0.4687 0.6835 0.9146 0.9882 1.199 2.8298 3.4094 4.2545 4.7381 5.1292 5.1304 18.8019 1.2579 17.1184 0.8360 4.626 5.1084 10.2128 17.741 16.0041 109.6269 252.9834 163.2321 150.7109 94.3410 101.4741 132.7932 141.266 232.6137 54.0815 3.7525 10.4463 10.9401 2.9928 9.6316 1.2894 2.114 16.7308 1.5088 57.5379
Las10iteracionescorrespondenalallegadade10descargasatmosfricasenunprocesodePoisson.Este tipodesimulacinesesttica,secuencial. Si se repiten estas mismas 10 iteraciones generando los nmeros aleatorios uniforme con una nueva semilla,losresultadosserndiferentes. Si se aumenta el nmero de iteraciones de la simulacin, se tendrn mayores observaciones de las variablesdesalidadelasimulacin.Siaestasobservaciones,selesaplicaelprocedimientodeajusteauna distribucindeprobabilidad,seobtienelamismadistribucindelacualfuerongeneradas;sinembargo, estonotienesentido,loquesedeseaesgenerarenformaaleatoriaunasecuenciadellegadadedescargas atmosfricasparaestudiarlaenergaquedebedisiparelpararrayos.
EjecuteenMatlabelprogramaprobejesim5.mparavariosnmerosdeiteracionesycambiandolainstruccinde reiniciodelageneracindenmerosaleatorios.
2010
217
9.7SIMULACINSECUENCIALENUNSISTEMACONTINUAMENTEOPERADO Se presentan dos algoritmos bsicos para realizar estudios de confiabilidad en sistemas continuamente operados. 9.7.1Mtodo1 Iteracin1 0 t 1 ao Iteracin2 0 t 1 ao . . . . 0 t Iteracinn 1 ao
Figura9.5Simulacinsecuencialenunsistemacontinuamenteoperado
En este mtodo se simula la operacin del sistema durante un periodo de tiempo de inters T, generalmente1ao,elcualsedenominaunescenario.Esteprocedimientoserepitenvecesoiteraciones conlascualesseobtieneunamuestraparacadaunadelassalidas.Dentrodecadaiteracinseejecutaun nmeroaleatoriodesubiteraciones. PROCEDIMIENTO 1. t i = 0 2. Generar un tiempo para falla ttf para cada uno de los componentes a partir de su correspondiente distribucindeprobabilidad 3. Determinarelcomponentexconmenortiempoparafallayhacer t = t + m in(ttf ) 4. Sitesmayoroiguala1ao,nohayfallaenelsistemaenestaiteracin.Iralpaso8. 5. Generarunttrutilizandolacorrespondientedistribucindeprobabilidaddelcomponentex 6. Calculareltiempoacumuladodeoperacindelsistema: t i = t i 1 + ttf + ttr 7. Determinarelefectodelafallasobreelsistema:Usuariosdesconectados,demandanoservida(MW, MWh), prdida de produccin, violacin de las condiciones operativas (calidad de la potencia,
2010 218
seguridad, sobrecargas, etc.). La valoracin de este ltimo aspecto puede requerir ejecutar otras funcionescomoflujodecarga,flujodecargaarmnico,etc. 8. Acumular los ndices de desempeo del sistema: Nmero de fallas en los puntos de carga, horas de indisponibilidad en los puntos de carga, prdida de produccin, demanda no servida, nmero de violacionesdevoltaje,etc. 9 Si t i < 1 aovolveralpaso2 10.Si t i 1 ao se hasimuladounaode operacin del sistema.Se considera que esta es una iteracin. Ajustarelltimottfottrparaqueeltiempototaltseaiguala1aoyvolveralpaso1. 11.Repetirhastaunnmeropreespecificadodeiteracionesuotrocriteriodeparada 12.Procesardatosdecadasalida:histograma,estadsticasdescriptivas,ajusteaunadistribucin. 9.7.2Mtodo2 t 0 1 ao 1 ao T
Figura9.6Simulacinsecuencialenunsistemaelctrico
En este mtodo se simula la operacin del sistema durante un periodo de tiempo T que cubre muchos aos.Conesteprocedimientoseobtieneunsolodatoparalassalidasdeinters. PROCEDIMIENTO 1. t i = 0 2. Generar un tiempo para falla ttf para cada uno de los componentes a partir de su correspondiente distribucindeprobabilidad 3. Determinarelcomponentexconmenortiempoparafallayhacer t = t + m in(ttf ) 4. SitesmayoroigualaT.Iralpaso10. 5. Generarunttrutilizandolacorrespondientedistribucindeprobabilidaddelcomponentex 6. Calculareltiempoacumuladodeoperacindelsistema: t i = t i 1 + ttf + ttr
2010
219
7. Determinarelefectodelafallasobreelsistema:Usuariosdesconectados,demandanoservida(MW, MWh), prdida de produccin, violacin de las condiciones operativas (calidad de la potencia, seguridad,sobrecargas).Lavaloracindeesteltimoaspectopuederequerirejecutarotrasfunciones comoflujodecarga,flujodecargaarmnico,etc. 8. Acumular los ndices de desempeo del sistema: Nmero de fallas en los puntos de carga, horas de indisponibilidad en los puntos de carga, prdida de produccin, demanda no servida, nmero de violacionesdevoltaje,etc. 9 Si t i < T aovolveralpaso2 10.AjustarelltimottfottrparaqueeltiempototaltseaigualaTaos(Estopuedeomitirse,pueslas salidaspuedencalcularseutilizandot) 11. Calcular las salidas: Disponibilidad, horas de indisponibilidad por ao, fallas por ao, prdidas de produccinporao,etc: EJEMPLO3:SISTEMAELCTRICODEUNCAMPOPETROLERO C6 115kV C4 C5
34.5kV 34.5kV
Figura9.7Diagramaelctricodeuncampo petrolero
C1 C3 C2 POZO2 POZO3 FUTURO POZO1 Considereelsistemaelctricodeuncampopetroleroquetienetrespozosloscualesproducen,cadauno,5 barrilesdepetrleoporhora. Lasdistribucionesdeprobabilidaddelosequiposson: t falla treparacion Equipo
C1,C2,C3 C4,C5 C6 Exponencial h = 2 fallas/ao Gamma = 2 = 3 aos Uniforme a = 0 aos b = 1 ao Exponencial r = 24 horas Gamma = 1.5 , = 108 horas Exponencial r = 48 horas
2010
220
Paraunperiododeunao,estimarparacadapozo:elnmerodefallasdelsistemaelctricolashorasde indisponibilidadanual,lacantidaddebarrilesquesedejandeproducir. Paraelcampo,estimarlasprdidasanualessicadabarrildepetrleosevendeaUS$50. Esteproblemanotienesolucinanalticaycorrespondeaunasimulacinsecuencial. Existeuneventodefinalizacindelasimulacinqueescuandosealcance1ao Aplicar el criterio n1 (Prdida de un solo componente, no salidas simultneas) para las salidas de los componentes.
EjecuteenMatlabelprogramaprobejesim8.mparavariosnmerosdeiteracionesycambiandolainstruccinde reiniciodelageneracindelosnmerosaleatorios.
2010
221
9.8SIMULACINNOSECUENCIALENUNSISTEMAELCTRICO Lasimulacinnosecuencialtambinestilparaelestudiodesistemaselctricos.Seutilizabsicamente enaquelloscasosdondeeltiempodeocurrenciadeloseventosnoinfluyesobrelassalidasbajoestudio.

1 2 3 4 Ejemplos Estudiosdearmnicos Efectodegeneracindistribuida:corrientesdecarga,prdidas,corrientesdecorto Anlisisderedesdesbalanceadas Flujodecargaestocstico
PROCEDIMIENTO Elprocedimientoconsisteenevaluarelsistemaelctricoconlosmtodostradicionales(circuitosoflujode carga)asumiendoestocsticoelcomportamientodeloscomponentes(fuentes,cargas)olosfallos(tipoy ubicacin). EJEMPLO4:CIRCUITODEDISTRIBUCINCONCARGASDESBALANCEADAS I Fases ABC Fases AB Fases BC Fases AC
Figura9.8Circuitoprimariodedistribucinconcargasdesbalanceadas
Uncircuitoprimariodedistribucinqueoperaa13.8kVatiendecargasdesbalanceadasensusfasespor medio de transformadores monofsicos (conexin fase fase) y trifsicos. Los usuarios de este alimentador pertenecen a actividades comerciales e industriales, por lo cual no existe un patrn comportamientosimilardelademandahoraahora. Lasdistribucionesdeprobabilidadquedescribenlademandadelosusuariosson:
Cargaenfases AB BC AC ABC kVA Gausiana = 1500 = 20% Gausiana = 1500 = 20% Gausiana = 1500 = 20% Gausiana = 2500 = 10% Distribucinporfases Beta 1 = 3 2 = 3 Beta 1 = 3 2 = 3 Beta 1 = 3 2 = 3 Equiprobable
Dadaslaspenalizacionesporfactordepotencia,puedeasumirsequestesiempreesconstanteen0.9.En algunos casos, la demanda puede ser negativa, pues corresponde al evento en que el usuario vende energaalaredpormediodecogeneracin. HallarladistribucindeprobabilidaddelacorrienteIydelporcentajededesbalancedelasfases.
2010 222
PROCEDIMIENTO 1. Para cada uno de los transformadores generar un valor de demanda en kVA utilizando su correspondientedistribucindeprobabilidad. 2. Paralostransformadoresmonofsicos,distribuirlademandaporfasedelasiguienteforma: KVAfaseA = KVA * B ( 1 , 2 )
KVAfaseA = KVA * [1 B ( 1 , 2 )]
Donde B ( 1 , 2 ) esunnmeroaleatoriogeneradodeunadistribucinBetaconparmetros 1 y 2 . 3. Paralostransformadorestrifsicosdistribuirlademandaporfasedelasiguienteforma: GenerardosnmerosaleatoriosuniformementedistribuidosU 1 yU 2

KVAfaseA = KVA * U 1 KVAfaseB = KVA * (1 U 1 ) * U 2 KVAfaseC = KVA * (1 U 1 ) * (1 U 2 )
4. Sumarlademandaencadaunadelasfases 5. Calcularlacorrienteencadafasedelalimentador
IA =
kVAA
13800 / 3
IB =
kVAB
13800 / 3
IC =
kVAC
13800 / 3
6. Calculareldesbalancepromedioenlacorrientedelalimentador: s Desbalance = cvI = I * 100% I Donde s I e I corresponden a la desviacin estndar y el promedio estadstico de ( I A , I B , I C ), respectivamente. La corriente promedio I es igual a la corriente que circulara en condiciones balanceadas(Verificaresto). 7. Repetirhastaunnmerodadodeiteraciones
EjecuteenMatlabelprogramaprobejesim9.mparavariosnmerosdeiteracionesycambiandolainstruccinde reiniciodelageneracindelosnmerosaleatorios.
2010 223
9.9SIMULACINDEEVENTOSEQUIPROBABLES Enalgunosestudiossepuedeasumirqueloseventosaleatoriosquepuedenocurrirsonequiprobables.Si se desea simular la ocurrencia de estos eventos, se divide la probabilidad total (1.0) entre el nmero de eventos. Luego se genera uno o varios nmeros aleatorios uniformes. Dependiendo de la magnitud de estosnmerosseseleccionaeleventooeventosqueocurrieron. EJEMPLO5:PRDIDADECOMPONENTESENUNESTUDIODESEGURIDAD 1 G G 2 3
Figura9.9Diagramaunifilardeunsistema elctricodepotencia
Para un anlisis de seguridad del sistema elctrico mostrado, se quiere estudiar el efecto de la salida simultneade dos lneasde transmisin (Criterio n2). El eventode salida decualquiera de las lneasse consideraigualmenteprobable.Culeslneassedebenconsiderarfueradeservicio? PROCEDIMIENTO 1. Sedefinenlossiguientesrangosdeprobabilidad,dividiendolaprobabilidadtotalentreelnmerode eventos(componentes)queconformanelespaciomuestral.
Lnea L1 L2 L3 L4 RangodeProbabilidad 0.0 P 0.25 0.25 < P 0.50 0.50 < P 0.75 0.75 < P 1.00
2. SegenerandosnmerosaleatoriosuniformesindependientesU 1 yU 2 3. Sedeterminanlosdoscomponentesquesalen.SiU 1 yU 2 caendentrodelrangodeprobabilidadde unamismalneadetransmisin,volveralpaso2.

Ensayo 1 2 3 4 5
U1 U2
Resultado SalenL1yL4 SalenL3yL4 SalenL2yL3 SaleL3.Sedescartaesteensayo. SalenL3yL4
0.0248 0.9945 0.4664 0.5512 0.9654
0.8193 0.7428 0.6496 0.7007 0.6290
2010
224
9.10BIBLIOGRAFA [1] Law Averill M, Kelton W. David, Simulation modeling and analysis, Tercera edicin, McGraw Hill,2000. [2] PapoulisAthanasios,Probability,RandomVariablesandStochasticProcesses,terceraedicin,Mc GrawHill,1991. [3] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [4] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [5] BillintonR,AllanR.N,ReliabilityevaluationofengineeringsystemsConceptsandTechniques, Segundaedicin,PlenumPress,1992. [6] PazosJ.J,SurezA,DazR.P,Teoradecolasysimulacindeeventosdiscretos,PearsonPentice may,2003. [8] Karaki S. H, Chedid R. B, Ramadan R, Probabilistic performance assessment of wind energy conversionsystems,IEEETrans.EnergyConversion,Vol.14,No.2,June1999. [9] CIGRE Task Force, Sequential probabilistic methods for power system operation and planning, Electra,No.179,1998. [10] ZapataC.J,RuzM.Y,Efectodelasborrascassobreladisponibilidaddeplantasdegeneracinafilo deagua,RevistaScientiaetTechnica,UniversidadTecnolgicadePereira,No.35,2007. [11] IEEE,GuideforDirectLightningStrokeShieldingofSubstations,Standard998,1996.
2010
225
Anexos
CAPTULO10ANEXOS
10.1TABLASDEVALORESPARALADISTRIBUCIONGAUSIANAESTANDAR

226
Anexos
2010
227
Anexos
10.2TABLADEVALORESPARALADISTRIBUCIONCHICUADRADO
2010
228
Anexos
10.3TABLADEVALORESPARALADISTRIBUCIONTSTUDENT
2010
229
Anexos
10.4TABLADEVALORESCRITICOSPARAELESTADISTICODEPRUEBADELA DISTRIBUCIONKOLMOGOROVSMIRNOV

230

Analisis Probabilistico y Simulacion

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analisis Probabilistico y Simulacion

Uploaded by

Copyright:

Available Formats

ANLISISPROBABILSTICOY SIMULACIN

UNIVERSIDADTECNOLGICADEPEREIRA PEREIRA COLOMBIA 2010

Pgina 1 38 76 83 91 105 132 164 205 226

Carlos Julio Zapata Grisales Cartago, Enero de 2010

Tiempotensegundos paralacadadeunobjeto desdehmetrosdealtura

Eltrminoincertidumbreserefiereaaquellasituacinenlacualnosetienecompletoconocimiento sobreunprocesodado.Lafaltadeconocimientopuedereferirsealadescripcindelproceso,suscausas osusresultados.

Vaguedade imprecisin Ambigedad Confusin

Existeunadefinicinperfectadelosresultados Bajo < 1.50 m 1.50 m Medio 1.70 m

Alto > 1.70 m

Vaguedadeimprecisin: Culesvalorespertenecenacadacategoralingstica(Alto,Medio,Bajo)? Unapersonaconunaestaturade1.499999esBajaoMedia?

Laprobabilidadesunconceptorelacionadoconlaocurrenciadeunoovarioseventos;laprobabilidad puedeasignarsedelassiguientesformas: 1 Objetiva Basadaenexperimentacinoanlisismatemtico 2 Subjetiva Basadaenlacreenciadelanalista Laprobabilidadylaposibilidadestnrelacionadasdelasiguientemanera:

Unexperimentoestodoprocesooprocedimientoquetransformaunaentradaenunasalida,talcomo semuestraenlaFigura1.5.Elprocesopuedesermedir,contar,observar,interrogar. Losexperimentossepuedenclasificarendeterminsticosyaleatorios.

0 P( A) 1 P(S) = 1 ylaprobabilidaddeuneventofalsooimposiblees0. SiAyBsoneventosdisjuntos, P( A B) = 0 ,entonces, P( A B) = P( A) + P( B)

Siunevento A sepuededescomponerenlasumade M eventosquepertenecenaunconjuntode N eventosmutuamenteexclusivoseigualmenteprobables,entonces:

Paraasumirquetodaslasunidadestienenigualprobabilidaddefalla,serequierenporlomenosque seandelamismatecnologa,edadytamaosimilar. 1.5REGLASPARACOMBINARPROBABILIDADES 1.5.1Ocurrenciasimultneadedoseventos ( A B ) Eventosindependientes Eventosdependientes

Entonces,estoseventossonestrictamentedependientesy: P( A | B) = 1.5.2Ocurrenciadeunodedoseventosodeambos ( A B) Eventosindependientes

Eventos independientes mutuamenteexclusivos

SiAyBsoneventoscomplementarios: Eventosindependientesymutuamente exclusivos1

Comoenelejercicio1.1,laprobabilidaddecadaeventosehallaaplicandoladefinicindefrecuencia relativayutilizandolasestadsticasoperativasdelsistema. Culeslaprobabilidaddequeseproduzcansimultneamenteunflameodeaisladoryunafallade estructura? Estoseventossepuedenconsiderarindependientes,entonces:

P( E1 E3 ) = P( E1 ) * P( E3 ) = 0.175 * 0.10 = 0.0175

Culeslaprobabilidaddequeseproduzcansimultneamenteunadescargaatmosfricaydaode aislador? Eldaodeunaisladoresdependientedeleventoqueocurraunadescargaatmosfrica,entonces:

P( E1 E5 ) = P( E1 | E5 ) * P( E5 ) = 0.3502 * 0.25 = 0.08755 ( P( E1 | E5 ) = 0.3502 setomadelejercicio1.1)

P( E1 E3 ) = P( E1 ) + P( E3 ) P( E1 ) * P( E3 ) = 0.175 + 0.10 0.175 * 0.10 = 0.2575

P( E1 E5 ) = P( E1 ) + P( E5 ) P( E1 | E5 ) * P( E5 ) = 0.175 + 0.25 0.35 * 0.25 = 0.3375

1.6ELCONCEPTODEVARIABLEALEATORIA Lasalidadeunexperimentoaleatorioesunavariablealeatoria,conceptoesteparaelcualexistendos definiciones. 1.6.1Definicinprctica

Elvoltajedeunafuentesinusoidalde60Hertzse definecomo: V (t) = 150sin(377t) 1.6.2Definicinmatemtica

Lavelocidaddelvientoenestesitioesuna variablealeatoria.Noexisteunaecuacinque definaenformaexactasusvaloresparacada instantedeltiempo.

Ejemplos Experimento 1 Observareltiempopararepararun transformador Variablealeatoria S:Losnmerosreales>0 X=1*(resultadosdelexperimento) Rango:Losnmerosreales>0 S:indisponible,ONAN,ONAF1,ONAF2

X=0MVAparaindisponible, X=80MVAparaONAN X=100MVAparaONAF1 X=120MVAparaONAF2

Rango:0MVA,80MVA,100MVA,120MVA Espaciomuestral:Losnmerosreales>0 Xi=1/Ri,dondeRisonlosOhmiosdelamedidai Rango:Losnmerosreales>0

1.6.3Tiposdevariablesaleatorias Puedetenernicamenteunnmerocontable Discreta devaloresounnmerodiscretodeestados Tieneunnmeronocontabledevalores Continua

Mixta Unacombinacindelasanteriores 1.6.4Distribucindeprobabilidaddeunavariablealeatoria Asignaracadavalorposibledeunavariablealeatorialaprobabilidadquelecorresponde,esdefinirla distribucindeprobabilidaddelavariablealeatoria. EJEMPLO

Ejemplo:Nmerodefallasenunperiodo detiempo Ejemplo:Tiempoparafalladeun componente

Terremotos Lluviasfuertes Tormentaselctricas Inundaciones Fuertesvientos Granizada Protestas

Entonces,latablapresentadaesladistribucindeprobabilidadde x . 1.7TENDENCIAENUNPROCESOALEATORIO x x x Positiva Negativa t t Figura1.8Tiposdetendenciaenunprocesoaleatorio

Elmodelomatemticoparaunprocesoaleatorioestdeterminadopor: 1 Elespaciomuestral 2 Loseventosdeinters 3 Laprobabilidadqueseleasignaacadaevento

1.10DEFINICINMATEMTICADELAFUNCINDEDISTRIBUCINDEPROBABILIDAD 1.10.1Variablesaleatoriascontinuas Fx 1.0

Sea x x0 eleventodequelavariablecontinua x seamenoroigualaunvalordado x0 .Entonces:

Lafuncindedistribucindeprobabilidaddelavariable x es Fx ( x0 ) = P( x x0 ) paracualquier x entre( , + )

LaFigura1.12muestralaformatpicadeunafuncindedistribucindeprobabilidad. Comolasvariablesaleatoriascontinuastienenunnmeroinfinitodeposiblesvalores,laprobabilidad puntualdecadaunodesusvaloresescero.Porestaraznnotienesentidohablardeprobabilidades

P( a x b) = b fx ( x)dx = Fx (b)Fx (a) a + fX ( x)dx = 1.0

Sedenominafuncindedensidaddeprobabilidad demasa. 0.0 P( xi ) 1.0

Probabilidad Probabilidad 0.8

Porlotanto,sedebetenermuchocuidadoalhacerinferenciasapartirdevaloresesperados.Nosedebe confundirconelpromedioestadstico x delasobservacionesdelavariable. Propiedadesdelvaloresperado 1 2 3

SisemultiplicaunvalorCdeunavariablealeatoriasxporlaprobabilidaddeestevalorseobtieneel valoresperadodeC: E(C ) = C * P[C ]

Lavarianza VAR( x) esunnmerorealpositivoquemideladispersindelafuncinconrespectoasu valoresperado.Escomnusarlanotacin 2 paralavarianza.

VAR(c * x) = c 2 *VAR( x) ,para c unnmeroreal

EJEMPLO Lavariable x confuncindedensidaddeprobabilidad f x ( x) = condistribucinGausiana.

La variable xt con funcin de densidad de probabilidad f x ( x , t ) =

Laprobabilidaddequeocurran k = 0,1, 2, Elvaloresperadodefallas:

Gradodepertenencia Bajaestatura Mediaestatura Altaestatura

Estaturaenmetros x 1.70 1.50 Figura1.17Modelodifusoparalaestaturadelaspersonas

respuesta = SI medio animo mucho animo

x estado de animo 0 Ambostiposdemodelamientosonenestecasovlidosparahacerlaprediccin.

Sienunprocesoaleatoriolatransicinaunestadosiguientesolodependedelestadopresenteenquese encuentreelproceso,esdecir,noimportaelrecorridoquehizoparallegaralestadopresente,sedice queesteprocesonotienememoriaoesMarkoviano.

Unprocesoaleatorioeshomogneosidurante t estepuedeserrepresentadormedianteunafuncinde distribucindeprobabilidad

variableestadstica x . Laestimacinapartirdeunamuestradedatosdelosparmetrosquedefinenladistribucinde probabilidad f x ( x) Fx ( x) querepresentaalavariableestadstica x .

Unahiptesisestadsticaesunaafirmacinacercadeunoovariosparmetrosdeladistribucinde unavariableestadstica.Sedicequelaafirmacinesunahiptesisporqueserefiereaunasituacinque podrasercierta

Falsa ErrortipoII Decisincorrecta

H 0 : = 4 H 1 : > 4 (unilateral) 4 (bilateral).

Seespecificaelniveldesignificanciadelanlisis: ,laprobabilidaddecometerunerrordetipo Io laprobabilidaddecometerunerrordetipoII.Generalmentesetrabajacon .

3 4 5 Conladistribucindelestadsticodeprueba,seconstruyeelcriteriodepruebadehiptesis Calcularelvalordelestadsticosobreelcualsebasaladecisin Tomarladecisin,basadosenelvalordelestadsticodeprueba.

1.16ACLARACINRESPECTOALATERMINOLOGA Enelreadeprobabilidadalgunostrminospuedentenervariossignificados,porlocual,paraprecisar aquserefierentocaanalizarelcontextodesuuso.Porejemplo:

2 1 x Esteparmetrodeterminalaescalaounidadesdemedidadelavariablealeatoria x .Talcomosemuestra enlaFigura2.2,uncambioenesteparmetroexpandeocomprimeladistribucinsincambiarsuforma. 2.1.3Parmetrodeforma fx ( x) =1

p 736.37211.6213 2 ) 736.372 2(6.0379)2