Clase Confiabilidad 1 PDF

CONFIABILIDAD EN
SISTEMAS
ELCTRICOS DE
POTENCIA
1
OBJETIVOS
Lo que va a aprender de esta clase ...
Comprender los conceptos bsicos de confiabilidad y las medidas
de fiabilidad
Ser capaz de realizar anlisis de confiabilidad de un sistema
pequeo mediante herramientas analticas.
Bibliografa
John A. Gubner Probability and Random Processes for Electrical
Engineers - Cambridge University press. 2006
T.T. Soong, FUNDAMENTALS OF PROBABILITY AND
STATISTICS FOR ENGINEERS, John Wiley & Sons Ltd, 2004.
W.J. DeCoursey. Statistics and Probability for Engineering
applications With Microsoft Excel. College of Engineering, University
of Saskatchewan. Saskatoon. 2003, Elsevier Science.
Way Kuo OPTIMAL RELIABILITY MODELING Principles and
Applications, JOHN WILEY, 2003
G. Anders, Probability Concepts in Electric Power Systems, John
Wiley and Sons, 1990.
3
INTRODUCCION
Cul sistema es ms confiable?

Cul sistema es probable que falle?
Cmo respondo las preguntas anteriores?
4
INTRODUCCION
Cul sistema es ms confiable?

Cul sistema es mas rentable (costo efectivo)?
5
COSTO DE LA CONFIABILIDAD
1 Conceptos y teoremas bsicos de probabilidad

La incertidumbre es "la imperfeccin en el conocimiento sobre el
estado o los procesos de la naturaleza.
La incertidumbre estadstica es "la aleatoridad o el error proveniente
de varias fuentes como las descritas al usar la metodologa
estadstica".

La probabilidad mide la mayor o menor posibilidad u
OPORTUNIDAD de que se d un determinado resultado (suceso o
evento) cuando se realiza un experimento aleatorio

Cuando aplicamos la probabilidad en ingeniera y especficamente
en ingeniera elctrica la probabilidad es til en clarificar y
sistematizar nuestra nocin sobre la incertidumbre. En forma bsica
la incertidumbre se presenta de tres maneras
1. La incertidumbre se presenta cuando medimos algo o hacemos
predicciones de variables dependientes a partir de datos medidos.
Como ingenieros tendemos a asumir qu esta incertidumbre no
existe. Por ejemplo cuando medimos la tensin en un transformador
tomamos el valor obtenido cmo precis .
9

2. El segundo tipo de incertidumbre se presenta cundo
enfrentamos sucesos que pueden ocurrir o no, y el tiempo del
suceso tambin es incierto. Por ejemplo, la salida forzada de un
generador y el tiempo en el cual ocurrir la salida.
3. Finalmente el tercer tipo de incertidumbre se relaciona con la
aplicacin de modelos a la solucin de problemas analticos. Por
ejemplo la aplicacin de modelos DC para obtener flujos por
una red, en el cual se asume que las tensiones son constantes, sin
embargo, esto no es verdad
10
Fenmenos aleatorios
Un experimento o prueba es una accin que se realiza con el

propsito de hacer algn tipo de observacin y obtener una
serie de datos a partir de su resultado.
Un experimento es aleatorio cuando su resultado no es
completamente predecible: Aunque el experimento se repita
de la misma forma y bajo idnticas condiciones puede dar
lugar a diferentes resultados.
El concepto contrario de fenmeno aleatorio es el de
fenmeno determinista, que se caracteriza por obtener los
mismos resultados bajo idnticas condiciones.
11

Para enfrentar de manera racional y sistemtica debemos ser capaces de
medir en algn sentido la incertidumbre.
Se usa la teora de probabilidad como una medida de la ocurrencia de
un evento en relacin a un conjunto de eventos alternativos
En el intento de medir la probabilidad, se debe, en primer lugar
establecer un conjunto de todas las posibilidades, es decir, el espacio
muestral, e identificar lo que se denomina como el evento de inters.
12

Se puede llamar al ms pequeo componente de un espacio
muestral cmo evento elemental o punto muestral.
Un evento est compuesto por uno o ms eventos elementales
Un evento de un espacio muestral S es un subconjunto de S.
13

Considere un experimento donde se seleccionan dos componentes y se
clasifican conforme cumplen (A) o no (N) un requerimiento.
Un posible resultado de este experimento puede ser:
que el primero sea aceptable, y el segundo, no. Esto se denotar como
AN. As tenemos el siguiente espacio muestral:
S = {AA,AN,NA,NN}
donde B = {AN} es un evento aleatorio del experimento .
Identifiquemos otros eventos?
14
ESPACIO MUESTRAL
15
EVENTO: Una lnea falla
16

Se puede asociar a cada evento un nmero entre 0 y 1, el cual medira
nuestro entendimiento sobre la probabilidad de un evento, y que ser
llamado como la probabilidad de que este evento ocurra.
Si el evento es cierto, entonces se le asignar una probabilidad de 1, al
contrario si se tiene certeza qu no ocurrir, se puede decir que su
probabilidad es cero.
La mayora de eventos tendrn probabilidades entre 0 y 1.
17

Se puede asignar probabilidades a un evento mediante un anlisis
cuidadoso del espacio muestral y las inter relaciones entre los eventos
que lo componen.
18
EJEMPLOS EN SISTEMAS ELCTRICOS DE

POTENCIA
Ejemplo 1 Sistema de seguridad planta elctrica
Ejemplo 2. Estructuras lneas de transmisin.
Ejemplo 3. Modulo de ruptura Postes.
19
EJEMPLO 1
El sistema de seguridad de una planta de emergencia de una
central nuclear esta compuesto por 4 generadores disel y dos
bombas de agua en caso de emergencia.
En realidad solo se requieren 2 generadores para alimentar
las bombas.
Cual es la probabilidad de que el sistema opere
correctamente conociendo que cada generador tiene igual
probabilidad de estar en servicio que estar en falla.?
20
EJEMPLO 2
Cuando se planifica las estructuras de una Lnea de
Transmisin LT, el ingeniero de diseo utiliza estadsticas del
clima que incluyen velocidad y direccin del viento en el rea
donde se localizara la lnea. La lnea ser instalada en
direccin NO_SE y que el viento puede venir desde el ESTE
o desde el NORTE o entre estos 2 puntos cardinales. La
velocidad del viento varia de 0 a 90 km/h
21
EJEMPLO 2
Cual es la probabilidad de que a velocidad del viento sea
mayor a 70 km/h
Cual es la probabilidad que la direccin del viento sea 5
grados alrededor de una direccin perpendicular a la lnea.
22
EJEMPLO 2
N
E
S
Direccindelviento
23
EJEMPLO 2
70
90
Velocidaddelviento
24
EJEMPLO 3
EVENTOS
MODULODE
#
FRECUENCIA
RUPTURA OBSERVACIONES RELATIVA
10E3PSI
E1
22,9
0,07
E2
33,9
35
0,35
E3
44,9
43
0,43
E4
56
15
0,15
100
25

En los ejemplos anteriores se ha visto que, con el propsito de calcular
probabilidades se requiere la definicin del espacio muestral y las
probabilidades de eventos elementales.
Esta asignacin de probabilidades puede ser realizada subjetivamente
u objetivamente.
Subjetivamente mediante la intuicin y la experiencia pasada.
Objetivamente mediante la realizacin de un experimento.
26

En los ejemplos 1 y 2 se asignaron probabilidades subjetivas, mientras
que en el ejemplo 3 se utilizaron resultados experimentales.
En el ejemplo 1 se asumi que la probabilidad del estado de los
equipos se asigno sobre la base de una suposicin a priori, esto es, que
los generadores y bombas tena igual probabilidad de trabajar (bien o
mal) cuando eran llamados a operar.
En el ejemplo 2 se asumi que la probabilidad de la velocidad del
viento estaba acotada por un intervalo que se asuma proporcional a
la longitud del intervalo, es decir, eventos igualmente probables.
27

Por otro lado, en el ejemplo 3, la probabilidad para el mdulo de
ruptura de estar en un intervalo dado, se bas en la correspondiente
frecuencia relativa observada.
Quiz la forma ms intuitiva de asignar probabilidades a un evento
es mediante el uso del concepto de la frecuencia relativa.
28

En el ejemplo 3 supongamos que tenemos la posibilidad de hacer n
pruebas destructivas en postes de madera. De las pruebas se observa
se observa que k postes de n tienen un mdulo de ruptura entre 4 E+3
psi 10 y 4,9 E+3 psi
Intuitivamente se podra esperar que si l experimento fue repetido
con el incremento de postes de prueba, entonces la razn k/n llamada
la frecuencia relativa del evento E3 tendera a un lmite finito y se
estara tentado definir la probabilidad de este evento como el lmite.
29

En nuestro caso sera o en nuestro caso sera la forma aceptable de
valorar P(E3) .
k
P(E3) lim
n n

30

Desafortunadamente si aplicamos esta definicin
deberamos realizar pruebas destructivas en todos los
postes de madera del mundo. Una actividad, qu se podra
realizar no sin varias ocasiones.
31

Otro problema con la frecuencia relativa es qu algunos
eventos ocurre muy rara vez. En estos casos no es posible
obtener una frecuencia relativa, e incluso pensar en
frecuencias relativas hipotticas. EJEMPLO FALLA EN
INTERRUPTOR
32

A pesar de las desventajas matemticas y filosficas de la
definicin anterior, el concepto de frecuencia relativa
aplicado a un espacio muestral finito, es quiz, la
herramienta ms aplicada para definir probabilidades.
33

Que es probabilidad?
En simples trminos es una medida de cun probable (seguido) puede
ocurrir un evento.
El mecanismo normalmente es la frecuencia relativa, que es el nmero
de resultados en los cuales el evento de inters toma lugar, expresado
como un porcentaje del nmero total de posibles resultados,
asumiendo implcitamente que todos los resultados son posibles.
34

En el mtodo de la frecuencia relativa se pueden presentar dos situaciones
CON RELACION AL ESPACIO MUESTRAL
Primero, el nmero de resultados es finito y la probabilidad es conocida
con exactitud.
Ejemplo DADOS.
Segundo caso cundo el nmero de resultados es infinito.
Ejemplo Da soleado Ao nuevo chino.
Caudal medio mes de marzo rio Magdalena
35

1 Espacios mustrales y eventos
Hay diferentes clases de espacios mustrales que se pueden encontrar en la
prctica. La forma ms general de clasificarlos es en discretos y continuos.
En el caso discreto, los eventos elementales son entidades discretas
individuales. El nmero de puntos de la muestra puede ser finito o
infinito. En el ejemplo 1 el espacio muestral era finito e igual a 15.
Un ejemplo de espacio muestral discreto infinito es el nmero de salidas
forzadas de un generador durante su vida til. Un generador puede
estar sometido a un nmero infinito de fallas, pero en la prctica este
nmero es finito.
36

2 Espacios mustrales y eventos
En un espacio muestral continuo siempre hay un nmero infinito de
puntos mustrales.
En el ejemplo 2 la velocidad del viento es un espacio muestral continuo
que tiene un nmero infinito de puntos mustrales.
Otro ejemplo de espacio muestral contino, son las salidas por falla en
una lnea de transmisin, el tiempo entre dos salidas cualesquiera puede
variar entre 0 e infinito nmero de horas.
Por lo tanto cualquier valor entre 0 e infinito es un posible punto
muestral del tiempo entre dos salidas consecutivas.
37

En cualquier espacio muestral, continuo o discreto, una coleccin de
puntos mustrales o eventos elementales constituyen un evento.
Es til representar los eventos mediante figuras abstractas llamadas
diagramas de Venn.
En ellos, a cada evento se le asigna un rea en el espacio

muestral, que es correspondiente a su proporcin de
eventos elementales.
38
7 DIAGRAMAS DE VENN
Las relaciones entre eventos y operaciones sobre eventos se describen

mediante la teora de conjuntos
39
7 DIAGRAMAS DE VENN
40

En el ejemplo 2, ahora el diseador est interesado en el evento
caracterizado por la ocurrencia simultanea:
Velocidad del viento 70 km/h
Direccin del viento 50 40
Como caracterizamos este evento?
En primer lugar definimos dos eventos separados
A 70 V 90
B 40 50
41

Ahora podemos definir un evento C usando la nocin de interseccin
de eventos A y B denotado como AB (A interseccin B) o A.B
De manera general la interseccin de dos eventos A y B, es un evento
compuesto de eventos elementales que pertenecen a A y B
simultneamente.
A 70 V 90
B 40 50
42

De igual forma se puede definir la unin de eventos A y B denotados
como AB, o A+B, como un evento compuesto por eventos
elementales que pertenecen a A, o a B, o a ambos. EJEMPLO 4
43

Los eventos de un espacio muestral son mutuamente excluyentes o
disjuntos si su interseccin es el conjunto vaco.
Esto es, la ocurrencia de un evento excluye la ocurrencia de otro evento, por
lo tanto, la interseccin de dos eventos mutuamente exclusivos es un evento
imposible.
Ejemplos:
Operacin y falla de un generador,
Una falla bifsica y una falla trifsica ocurriendo al mismo tiempo en un
punto especfico de la red.
La oposicin abierto y cerrado en un interruptor mismo tiempo.
44

Conjuntos Mutuamente excluyentes
AB
A i si i=j
Ai A j
si i j
45

Eventos en un espacio muestral son colectivamente exhaustivos si
cada evento elemental en un espacio muestral ocurre en al menos un
evento.
Por ejemplo el conjunto de eventos A, B, C son colectivamente
exhaustivos si:
ABC S
46

Eventos Mutuamente excluyentes y Colectivamente exhaustivos
A1 A 2 A 3 ....A n S
A i si i=j
Ai A j
si i j
47

Las operaciones generales sobre EVENTOS incluyendo unin,
interseccin y complemento esta gobernadas por un conjunto de
reglas llamadas LEYES DEL ALGEBRA BOOLEANA, las
cuales se resumen a continuacin:
48
49
10 Axiomas bsicos de probabilidad

La probabilidad P(Ei) asignada a un evento Ei de un espacio muestral S
debe satisfacer las siguientes suposiciones fundamentales:
i)
0 P(Ei) 1
P(S)=1
Si E1 y E2 son eventos MUTUAMENTE EXCLUSIVOS o disjuntos

entonces:
ii)
P(E1 E 2 ) P(E1 ) P(E 2 )

50

REGLAS PARA COMBINAR PROBABILIDADES.
1. EVENTOS INDEPENDIENTES
2. EVENTOS MUTUAMENTE EXCLUSIVOS
3. EVENTOS COMPLEMENTARIOS
4. EVENTOS CONDICIONALES
51

5. EVENTOS SIMULTNEOS
INDEPENDIENTES
DEPENDIENTES
6. OCURRENCIA DE AL MENOS UN EVENTO

EVENTOS INDEPENDIENTES PERO NO EXCLUSIVOS
EVENTOS INDEPENDIENTES Y MUTUAMENTE EXCLUSIVOS
EVENTOS NO INDEPENDIENTES
52

53
11 Reglas para combinar probabilidades.

1. Eventos independientes
Dos eventos se dice que son independientes, si la ocurrencia de un evento
no afecta la probabilidad de ocurrencia de otro efecto.
Por ejemplo:
Lanzamiento dado y moneda.
54


55

2. Eventos mutuamente exclusivos
Dos eventos se dice que son disjuntos o mutuamente excluyentes, si ellos no
pueden suceder al mismo tiempo.
Por ejemplo:
Lanzamiento dado.
Los eventos 1, 2, 3, 4, 5, y 6 son mutuamente exclusivos.
56

57

3. Eventos complementarios
Dos resultados de un evento se dice que son complementarios si, cuando un
resultado NO ocurre entonces el otro resultado DEBE ocurrir.
_
P(S) 1 P(A) P( A )
_
P(A) 1 P( A )
58

59

4. Eventos condicionales
Son EVENTOS los cuales ocurren condicionalmente por la ocurrencia de
otro evento u otros eventos.
Consideremos 2 eventos A y B.
Consideremos la probabilidad de un evento A bajo la condicin de que
el evento B ha ocurrido.
Esto se escribe: P(A B) y describe la PROBABILIDAD CONDICIONAL
DE A DADO QUE B HA OCURRIDO
60

# de formas en las que A y B pueden ocurrir.
P(A B)
# de formas en las que B puede ocurrir.
AB
P(A B)
B
61

A B rea parcial =# de formas en las que A y B pueden ocurrir.
P(A B)
S
rea total
B
P(B)
S
rea parcial =# de formas en las que B puede ocurrir.

rea total
S* P(A B) P(A B)
P(A B)
S* P(B)
P(B)
62

5. Ocurrencia simultanea de eventos
La ocurrencia simultanea de 2 eventos A y B, es la ocurrencia de ambos A
y B.
Matemticamente A y B , AB (A interseccin B) o A.B

Para esta regla se presenta 2 situaciones
63

INDEPENDIENTES
DEPENDIENTES

64

a) EVENTOS INDEPENDIENTES
Si dos eventos son independientes, entonces la probabilidad de ocurrencia
de un evento no es influenciada por la ocurrencia de otro
P(A B) P(A)
P(B A) P(B)
65

a) EVENTOS INDEPENDIENTES
P(A B)
P(A B)
P(B)
Como son eventos son independientes, entonces
P(A B)
P(A)
P(A B) P(A).P(B)
P(B)
66

INDEPENDIENTES
DEPENDIENTES
67

b) EVENTOS DEPENDIENTES
Si dos eventos NO son independientes, entonces la probabilidad de
ocurrencia de un evento es influenciada por la ocurrencia del otro evento
P(A B)
P(A B)
P(B)
P(A B) P(A B).P(B) P(B A) P(B A).P(A)
68

6. Ocurrencia de al menos 1 de 2 de eventos
La ocurrencia al menos un evento de dos eventos A y B se representa como
AB, o A+B, o A o B, (A unin B)
Para esta regla se presenta 3 situaciones

69

INDEPENDIENTES
DEPENDIENTES

70

a) EVENTOS INDEPENDIENTES PERO NO MUTUAMENTE
EXCLUSIVOS
P(A B) 1 P(A B)
1 P(A B)
1 P(A).P(B)
1 1 P(A) . 1 P(B)
P A P B P A .P B
P A P B P A B
71

INDEPENDIENTES
DEPENDIENTES

EVENTOS INDEPENDIENTES
EXCLUSIVOS
MUTUAMENTE
72

b) EVENTOS INDEPENDIENTES Y MUTUAMENTE EXCLUSIVOS
P(A B) 1 P(A B)
1 P(A B)
1 P(A).P(B)
1 1 P(A) . 1 P(B)
P A P B P A .P B
P A P B
73

Esta propiedad aplica a cualquier conjunto de eventos disjuntos de S, es
decir, si Ei, con i=1,2,3n son mutuamente exclusivos
n
i 1
i 1
P( Ei) P(Ei)
Dados E y E entonces:
P(E E) P(E) P(E)

74

Dado que S=E E , entonces
P(S) P(E) P(E) =1

P(E) = 1 Ejemplo:
P(E)
REGLA DEL COMPLEMENTO
Probabilidad de xito = 1 Probabilidad de falla
P()=0
75

INDEPENDIENTES
DEPENDIENTES

76

De manera general si E1 y E2 NO son mutuamente exclusivos, entonces:
P(E1 E2)=P(E1)+P(E2) - P(E1.E2)

REGLA DE LA ADICIN O SUMA
77

Si A y B son dos eventos independientes y Pr(A) 0 , entonces la
probabilidad condicional de B dado que el evento A ha ocurrido se
define como:
P(BA)=
P B A
P A
De dnde se pueden encontrar que la probabilidad de la interseccin

de dos eventos es igual:
P B A P(BA).P A
78

Dos eventos se dicen que son independientes si, la ocurrencia o no
ocurrencia de un evento A no afecta la ocurrencia o no ocurrencia de un
evento B o viceversa. Si los eventos A y B son independientes entonces:
P(BA)=P B
P(A)=P A
P B A P A .P B
79

Not que si dos eventos A y B son independientes,
entonces los eventos A y B tambin son
independientes.
80
EJEMPLO
Un generador puede fallar por un problema en sus terminales
o debido a problemas en el sistema de excitacin .
Sea A el evento falla por un problema en sus terminales.
Sea B el evento falla por un problema en el sistema de
excitacin
Sea P(A)=p y P(B)=q, las probabilidades de cada modo de
falla.
Sea P(A B)=r la probabilidad de que ocurran ambos
eventos simultneamente.
81
EJEMPLO
Determinar
1. Probabilidad de falla del generador debido al evento A y no
al evento B.
2. Probabilidad de que el generador no falle como resultado de
cualquier de las dos causas.
3. Probabilidad de falla del generador por exactamente una de
las dos causas.
82
EXAMPLE
A manufacturer orders 30%, 45%, and 25% of the total demand for a
certain part from suppliers A, B, and C, respectively. The defect rates
of the units provided by suppliers A, B, and C are 2%, 3%, and 4%,
respectively. Assume that the received units of this part are well
mixed.
What is the probability that a randomly selected unit is defective?
What is the probability that a randomly selected unit is defective
and supplied by supplier A?
If a randomly selected unit is defective, what is the probability that
it is provided by supplier A?
83
In this example, we assume that each unit has an equal chance of

being selected.
Define:
A: a selected unit is from supplier A
B: a selected unit is from supplier B
C: a selected unit is from supplier C
D: a selected unit is defective
84
PROPOSED EXERCISE
A company produces machine components which pass through an
automatic testing machine. 5% of the components entering the
testing machine are defective. However, the machine is not entirely
reliable. If a component is defective there is 4% probability that it
will not be rejected. If a component is not defective there is 7%
probability that it will be rejected.
a) What fraction of all the components are rejected?
b) What fraction of the components rejected are actually not
defective?
c) What fraction of those not rejected are defective?
85

En el ejemplo anterior se dividi el espacio muestral S en tres
grupos mutuamente exclusivos A, B y C que representan todos los
suministradores de la fbrica. Esto es
A B C S
La tasa de falla es conocida para cada suministrador.
Con esta informacin fue posible, utilizando la probabilidad
condicional encontrar la tasa total de defectos en las unidades
recibidas.
86

Este procedimiento puede generalizarse para k
mutuamente exclusivos grupos.
Si los eventos B1 , B2 ,....., Bk forman una particin
del espacio muestral S, es decir,
Bi B j si i j
B1 B2 ...... BK S
P Bi 0
Entonces se cumple que:
87
88

k
P A = P Bi P(Ai )
i 1
89
12 PROBABILIDAD TOTAL
A este resultado es conocido cmo el teorema de la
probabilidad TOTAL, o la regla de eliminacin, o el
teorema de descomposicin.
La utilidad de esta ecuacin se basa en el hecho que las
probabilidades individuales en la suma son
frecuentemente ms fcilmente de obtenibles que las
probabilidades del evento A en s mismo
90
EJERCICIO PROPUESTO
En cierta planta de montaje, tres maquinas b1, b2 y b3,
montan 25%, 45% y 30% de los productos,
respectivamente. se sabe de la experiencia pasada que
2%, 3% y 2% de los productos ensamblados por cada
maquina, respectivamente, tienen defectos. Ahora,
suponga que se selecciona de forma aleatoria un
producto terminado.
Cual es la probabilidad de que est producto sea
defectuoso?
91
13 TEOREMA DE BAYES
Sea S un espacio muestral, y B1 , B2 ,....., Bk
particin del espacio muestral S, tal que:
una
P Bi 0
Entonces para cualquier evento A con P A 0
y
cualquier
j =1,2,3,k se tiene que: P(B A)= P(AB j )P(B j )
j
P(AB )P(B )
i 1
92
13 TEOREMA DE BAYES
Teorema o Regla de Bayes es el nombre dado a la
utilizacin de las probabilidades condicionales en
ambas direcciones, con la combinacin de todas
las intersecciones que involucran un evento en
particular para dar la probabilidad de ese evento.
El enfoque bayesiano se puede resumir de la
siguiente manera:
93
13 TEOREMA DE BAYES
En primer lugar, aplicar la regla de la multiplicacin con la
probabilidad condicional hacia adelante a lo largo de un diagrama
de rbol:
P[AB]=P[A]P[B|A]
En segundo lugar, aplicar la regla de la suma para reconstruir la
probabilidad de un evento en particular como un espacio reducido
de la muestra:
P[B]=P[AB]+P[AcB]
donde Ac representa "no A", la ausencia de A o complemento de A.
94
13 TEOREMA DE BAYES
En tercer lugar, aplicar la relacin de probabilidad
condicional, en la direccin opuesta en el diagrama de
rbol de la primera etapa, usando el espacio muestral
reducido:
Pr[A|B]=P[AB]/P[B]
95
EJERCICIO
Suponga que en una bodega se encuentran almacenados
tableros elctricos de 2 marcas, B1 y B2. 70 % son de la marca
B1 y 30 % son de la marca B2.
Suponga que el 50% de B2 tienen problemas estructurales, y
40 % de B1.
Se escoge una tablero al azar. Cual es la probabilidad que este
tablero, que sabemos tiene problemas estructurales sea de la
marca B1.
96
Bayes Exercise
Problem: a simple binary communication channel carries
messages by using only two signals, say 0 and 1. We assume
that, for a given binary channel, 40% of the time a 1 is
transmitted; the probability that a transmitted 0 is correctly
received is 0.90, and the probability that a transmitted 1 is
correctly received is 0.95. Determine (a) the probability of a 1
being received, and (b) given a 1 is received, the probability
that 1 was transmitted.
97
EJERCICIOPROBABILIDADTOTAL
UnaE.E.tienequedecidirqueclasedeenlace
decomunicacindeberaconstruirentreuna
nuevaS/Eyelcentrodecontrol.
Lasalternativassonlassiguientes:
Usarlalneatelefnicaexistente
Construirunenlacedefibraptica
Usartransmisinenmicroondas
Laultimaalternativarequiereconstruirtorresde
microondasenambospuntos.
98
Dadosloscostosylaconfiabilidadesperada,
lasprobabilidadesdequeeldepartamentode
planificacinescojaunadelasalternativas
estnenrelacin1:2:3,respectivamente.Solo
untipodeenlacepuedeserescogido.
SiPlanificacinescogelalneatelefnicala
probabilidaddequeelenlaceestelistojustoa
tiempoesdel100%
99
SiPlanificacinescogelafibrapticala
tiempoesdel75%
SiPlanificacinescogelasmicroondasla
tiempoesdel80%
100
Cualesprobabilidaddequeelenlaceeste
terminadoatiempo.?
Silacomunicacinestuvolistaatiempo.Cual
esprobabilidaddequeelenlaceescogido
hayasidolalneatelefnica.?
SiplanificacindecidonoescogerT,Cuales
probabilidaddeescogerlasmicroondas.?
101
14 VARIABLES ALEATORIAS
La mayora de problemas de probabilidad y estadstica
involucra nmeros que pueden variar en un rango de valores,
por ejemplo, el valor de la velocidad del viento.
Este nmero es el valor del tem o variable en consideracin, y
es determinado por un proceso aleatorio, y por tanto, recibe el
nombre de variable aleatoria.
Cuando asociamos un nmero con cada evento aleatorio se
define una variable aleatoria VA.
102
14 VARIABLES ALEATORIAS
La variable aleatoria puede tomar cualquier valor
del rango, pero la probabilidad de que esta variable
asuma ciertos valores especficos depende de qu
valor se asume.
Formalmente una variable aleatoria X es una
funcin que asigna un valor real X(s) a cada
evento s de un espacio muestral S
103
EJEMPLO
El lanzamiento de dos dados.
104
Definamos, para el experimento anterior, la

siguiente variable aleatoria:
X: el nmero obtenido de la suma de cada dado
Qu valores puede obtener la variable
aleatoria X?
105
EJEMPLO
Al lanzar 2 dados , los posibles resultados
varan en el rango de 2 a 12, pero la
probabilidad de cada resultado no es igual.
Como se observa en la figura a continuacin:
106
Cuales son las probabilidades para cada resultado?
107
108
LANZAMIENTODEDADOS
DISTRIBUCIONDEPROBABILIAD
0,18
0,17
0,16
0,14
0,14
0,14
0,11
0,11
0,12
0,10
0,08
0,08
0,08
0,04
0,06
0,06
0,06
0,03
0,03
0,02
0,00
2
10
11
12
109
LANZAMIENTODEDADOS
1,20
1,00
0,92
0,97
1,00
0,83
0,80
0,72
0,58
0,60
0,42
0,40
0,28
0,20
0,03
0,03
0,17
0,08 0,08 0,11
0,06
0,14
0,17
0,14
0,11
0,08
0,06
0,03
10
11
12
0,00
2
110
La grfica obtenida se llama distribucin de probabilidad,

en este caso es discreto porque los resultados son enteros
finitos.
Si la variable aleatoria es contina y puede tomar cualquier
valor en el rango, entonces la grfica de la distribucin de
probabilidad ser continua.
Es comn utilizar letras maysculas para denotar variables
aleatorias por ejemplo X, Y, Z y utilizar minsculas x, y,
z para representar valores particulares en el rango.
111
En teora de la probabilidad y estadstica, la

distribucin de probabilidad de una variable aleatoria ,
es una funcin que asigna a cada suceso definido sobre
la variable aleatoria la probabilidad de que dicho
suceso ocurra. La distribucin de probabilidad est
definida sobre el conjunto de todos los sucesos, cada
uno de los sucesos es el rango de valores de la variable
aleatoria.
112
15 FUNCIN DE DISTRIBUCIN
ACUMULADA
Funcin de distribucin acumulada FDA
Una FDA describe la probabilidad de que una variable
aleatoria real X sujeta a cierta ley de distribucin de
probabilidad se site en una zona de valores menores o iguales
a x , y se denota como:
FX x P( X x)
113
LANZAMIENTODEDADOS
1,20
1,00
0,92
0,97
1,00
0,83
0,80
0,72
0,58
0,60
0,42
0,40
0,28
0,20
0,03
0,03
0,17
0,08 0,08 0,11
0,06
0,14
0,17
0,14
0,11
0,08
0,06
0,03
10
11
12
0,00
2
114
15 FUNCION DE DISTRIBUCIN
ACUMULADA
Si en la FDA la variable aleatoria X cambia su valor en saltos
como en el ejemplo anterior entonces la variable aleatoria es
discreta.
Si en la FDA la variable aleatoria cambia de forma continua
sus valores, entonces la variable es continua.
FX x P( X x)
115
FUNCION DE DISTRIBUCION
ACUMULADA
F(x)=P(Xx)
1,200
1,000
0,917
0,972 1,000
0,833
0,800
0,722
0,583
0,600
0,417
0,400
0,278
0,167
0,200
0,028
0,083
0,000
2
10
11
12
X
FUNCIONDEDISTRIBUCIONACUMULADA
116
16 VARIABLE DISCRETA
Para una variable aleatoria discreta, la distribucin de
probabilidad puede ser descrita en trminos de una funcin de
masa de probabilidad FMP que es una funcin que describe la
situacin:
P( X x)
Como consecuencia, en una distribucin de probabilidad discreta,

la ordenada de la variable aleatoria representa la probabilidad de
que la variable aleatoria tome un valor particular xi
117
La secuencia de probabilidades
P(X xi) p(xi)

se define como la distribucin de probabilidades de una
variable aleatoria discreta X.
Si se ordenan los valores xi de tal forma que xi > xj y, i > j
entonces, (Funcin creciente)
FX xi FX xj P ( X xi ) P( X xj )
P( X xi ) p( xi )
118
Las variables discretas deben cumplir que:
0 p ( xi ) 1
p
(
xi
)
1
119
EXERCISE
Let X be a discrete random variable with:
pX(0) = 0.1,
pX(1) = 0.4,
pX(2,5) = 0.2, and
pX(3) = 0.3.
Find the cdf FX(x) for all x
120
EXERCISE
Let X be a discrete random variable with:
pX(0) = 0.1,
pX(1) = 0.4,
pX(2) = p1, and
pX(3) = 0.3.
Find the value for pX(2)
121
17 VARIABLE CONTINUA
Si X es una variable aleatoria continua, las
probabilidades estn asociadas con intervalos sobre el
conjunto de los nmeros reales.
Consecuentemente la PROBABILIDAD de un evento X=x
pierde sentido en variables continuas.
Para vencer esta dificultad se introduce el concepto de
funcin de densidad de probabilidad FDP.
122
En una FDP la ordenada de la variable aleatoria X
representa la densidad de probabilidad y no la
probabilidad en s misma.
La probabilidad es representada el rea bajo la
curva FDP .
De esta forma la probabilidad de que X tome un
valor entre x1 y x2, es el rea bajo la curva entre los
puntos, x1 y x2,
123
124
La probabilidad de que X tome un cierto

valor exacto es cero porque el rea de una
lnea es 0.
El rea total bajo la curva FDP por
supuesto debe ser uno
125
Sea fX(x) una funcin de densidad de
probabilidad de X entonces:
b
P ( a X b) f X x
a
126
Donde f(x) debe cumplir que
f X ( x) 0
f X ( x) 1
127
Recordemos que en una FDA
FX x P( X x)
Entonces
FX x P( X x)
f (t )dt
128
Con la definicin anterior

P ( a X b) P ( X b) P ( X a )
FX b FX a
=
b
f X x dx
f X x dx
P(a X b) f X x dx
a
129
Entonces
FX x P( X x)
dFX x
dx
f X ( x)
130
18 MEDIDAS CARACTERSTICAS DE UNA

VARIABLE ALEATORIA
En problemas reales de ingeniera el proyectista
est satisfecho cuando la variable aleatoria es
descrita, no por una distribucin de probabilidad,
sino por parmetros claves, los ms importantes
son:
Un valor central de la variable aleatoria
Una medida de dispersin de sus valores
131
18 MEDIA
La media o valor esperado es un

promedio ponderado de los valores
de la variable aleatoria donde los
pesos son las probabilidades.
132
18 MEDIA
Si X es una variable aleatoria con una funcin de
masa de probabilidad FMP, pi pi ( xi )
Entonces el valor medio denotado como E(X) es
igual a:
E ( X ) xi pi
i
133
18 MEDIA
De igual forma si X es contina,

entonces el valor medio de la
variables aleatoria X denotado como
E(X) es igual a:
E( X )
x. f X ( x)dx
134
MEDIA
De manera general el valor de E(X) es una
constante que indica un promedio estadstico
de un gran nmero de observaciones de X.
Este valor es una indicacin de la localizacin
de la distribucin de probabilidad o la
densidad de probabilidad.
Se suele representar como: X o X
135
18 VARIANZA Y DESVIACIN ESTNDAR

La varianza de una variable aleatoria nos da
una idea de la dispersin de la distribucin
alrededor de su valor medio y para el caso de
variables discretas se define como:
VAR( X ) E X X
xi X . pi ( xi )
2
136

Para el caso de variables continuas se define
como:
VAR( X ) E X X
. f X ( x)dx
137

De manera general se puede definir VAR(X)
como:
VAR( X ) E ( X ) X
2
La raz de la varianza se define como la

desviacin estndar de X y se denota cmo
( X ) VAR( X )
138
EJEMPLOS DISTRIBUCIONES DE
PROBABILIDAD
Cualquier funcin que posea las propiedades:
0 p ( xi ) 1
p( xi) 1
i
f X ( x) 0
f X ( x) 1
Se puede utilizar como una distribucin de probabilidad de una variable

aleatoria
139
19 DISTRIBUCIONES DISCRETAS
Cuando usamos variables con distribuciones discretas ?
Se utilizan distribuciones discretas cuando se examinan
problemas con probabilidades asociadas con la ocurrencia o NO
ocurrencia de un evento especfico, o de una secuencia de
eventos.
Los eventos frecuentemente son nombrados como pruebas (trial).
140
19 DISTRIBUCIONES DISCRETAS
Las siguientes suposiciones sobre las pruebas (trials) permiten obtener
distribuciones analtica sencillas.
1. Son posibles nicamente dos resultados de la prueba ocurri o no
ocurri.
2. La probabilidad de ocurrencia de cada evento es la misma en cada
prueba.
3. Las distintas pruebas son estadsticamente independientes.
Los eventos que satisfacen estas suposiciones son nombrados como pruebas
de Bernoulli.
141
19 DISTRIBUCIN BINOMIAL
Si la probabilidad de ocurrencia de un evento en cada prueba
es p y la probabilidad de no ocurrencia es q = 1-p
Entonces la ocurrencia de exactamente k sucesos en n pruebas
en una secuencia de Bernoulli, est dada por una funcin de
masa de probabilidad Binomial definida as:
142
n k
nk
P ( X k ) p (1 p)
k=0,1,2,3,n
k
Donde n y p son parmetros de la distribucin, y
n
n

k k (n k )
143
La probabilidad de realizar una particular secuencia de k de
sucesos de un evento en n pruebas es:
k
nk
p (1 p )
Y el nmero de diferentes secuencias de k eventos en n pruebas es

igual
n

k
144
El valor medio de esta distribucin es:
E ( X ) X np
La varianza es:
VAR( X ) npq
145
EJEMPLO
La probabilidad que un elemento sea Defectuoso en un proceso
productivo es 0,06. Cuales son las probabilidades que 0, 1, 2,
3, 4, 5 artculos sean defectuosos de una muestra de 5
elementos tomados al azar?
146
Probabilidaddexito
numerodepruebas
p
n
numerodexitos
x
0
1
2
3
4
5
P(X=x)
P(X=0)
P(X=1)
P(X=2)
P(X=3)
P(X=4)
P(X=5)
E(X)
V(X)
0,3
0,282
0,06
5
FMP
0,733904
0,234225
0,029901
0,001909
0,000061
0,000001
1,000000
FDA
0,73390402
0,96812871
0,99802973
0,99993831
0,99999922
1
147
DISTRIBUCIONBINOMIAL
0,800
0,733904
1,000
0,998
0,968
1,000 1
1,000
0,9
0,700
0,8
0,600
0,734
0,7
0,500
0,6
0,400
0,5
0,300
0,4
0,234225
0,3
0,200
0,2
0,100
0,029901
0,001909
0,000061
0,000001
0,000
0,1
0
148
1,200
1,000
0,800
0,968
0,998
1,000
1,000
1,000
0,734
0,600
0,400
0,200
0,000
0
149
EJEMPLO 1 BINOMIAL
Una moneda es lanzada 5 veces .
Evaluar la probabilidad de cada posible resultado. Dibujar la
funcin de probabilidad de masa y la funcin de distribucin
de probabilidad.
150
Probabilidaddexito
numerodepruebas
p
n
numerodexitos
x
P(X=x)
0
1
2
3
4
5
P(X=0)
P(X=1)
P(X=2)
P(X=3)
P(X=4)
P(X=5)
0,5
5
FMP
FDA
0,031250
0,156250
0,312500
0,312500
0,156250
0,031250
0,03125
0,1875
0,5
0,8125
0,96875
1
1,000000
151
0,350
0,312500
0,300
1,000 1
0,969
0,312500
0,9
0,813
0,8
0,250
0,7
0,200
0,6
0,156250
0,156250
0,500
0,5
0,150
0,4
0,100
0,3
0,050
0,188
0,031250
0,031250
0,031
0,000
0
0,2
0,1
0
5
152
EJEMPLO 2 BINOMIAL
Un dado es lanzado 6 veces.
Evaluar la probabilidad de obtener como resultado un dos,
0, 1, 2, 3, 4, 5 y 6 veces.
Dibujar la funcin de probabilidad de masa y la funcin de
distribucin de probabilidad.
153
Probabilidaddexito
numerodepruebas
p
n
numerodexitos
x
0
1
2
3
4
5
6
P(X=x)
P(X=0)
P(X=1)
P(X=2)
P(X=3)
P(X=4)
P(X=5)
P(X=6)
E(X)
V(X)
1
0,83333333
0,166666667
6
FMP
0,334898
0,401878
0,200939
0,053584
0,008038
0,000643
0,000021
1,000000
FDA
0,33489798
0,73677555
0,93771433
0,99129801
0,99933556
0,99997857
1
154
EJEMPLO 3 BINOMIAL
Un fabricante indica que un producto es 90 % libre de
defectos.
Cual es el valor esperado y la desviacin estndar del numero
de defectos en una muestra de 4.
155
Probabilidaddexito
numerodepruebas
p
n
numerodexitos
x
P(X=x)
0
1
2
3
4
P(X=0)
P(X=1)
P(X=2)
P(X=3)
P(X=4)
0,1
4
FMP
FDA
E(X)
E(X2)
0,656100
0,291600
0,048600
0,003600
0,000100
0,6561
0,9477
0,9963
0,9999
1
0
0,2916
0,0972
0,0108
0,0004
0,4
0,104976
0,104976
0,124416
0,024336
0,001296
0,360000
1,000000
E(X)
V(X)
0,4
0,36
156
EJEMPLO 4 BINOMIAL
Se conoce que un proceso de fabricacin el 1% de los productos
son defectuosos. Si el cliente promedio compra 50 productos.
Cual es la probabilidad que reciba 2 o menos productos
defectuosos.
157
Probabilidaddexito
numerodepruebas
numerodexitos
x
0
1
2
3
4
5
6
7
8
9
10
p
n
P(X=x)
P(X=0)
P(X=1)
P(X=2)
P(X=3)
P(X=4)
P(X=5)
P(X=6)
P(X=7)
P(X=8)
P(X=9)
P(X=10)
0,01
50
FMP
FDA
0,605006
0,305559
0,075618
0,012221
0,001450
0,000135
0,000010
0,000001
0,000000
0,000000
0,000000
0,60500607
0,91056469
0,98618273
0,99840383
0,99985431
0,9999891
0,99999931
0,99999996
1
1
1
158
1
0,700
0,9
0,600
0,8
0,500
0,7
0,400
0,6
0,5
0,300
0,4
0,200
0,3
0,2
0,100
0,1
0,000
0
0
10
159
EJEMPLO 4A BINOMIAL
Para el ejemplo anterior, la empresa fabricante tiene la
poltica de reemplazar libre de cargo los productos defectuosos.
Si el costo de produccin es de $10 y cada producto es vendido
en $15.
Cual es la ganancia neta por producto.?
160
EJEMPLO 5 BINOMIAL
Consideremos un sistema compuesto por 4 componentes .
En este sistema los componentes son idnticos y tienen una
probabilidad individual de estar funcionando de 0,9.
Evaluar la probabilidad de obtener 0, 1, 2, 3, o 4 elementos
funcionando.
161
numerodeeventosfavorables
FMP
FDA
P(X=x)
P(X=0)
0,656100
0,6561
P(X=1)
0,291600
0,9477
P(X=2)
0,048600
0,9963
P(X=3)
0,003600
0,9999
P(X=4)
0,000100
COMOSEQUEELSISTEMAESTAFUNCIONANDO?
162
criteriodeaceptacin
Todosloselementosserequieren
paraunfuncionamientoexitoso
3elementosserequierenparaun
funcionamientoexitoso
1elementoserequiereparaun
163
criteriodeaceptacin
criteriodeaceptacin
Todosloselementosserequieren Falladeunelementoomasprovocan
paraunfuncionamientoexitoso
lafalladelsistema
Falladedoselementosomas
provocanlafalladelsistema
Falladetreselementosomas
provocanlafalladelsistema
1elementosserequierenparaun Falla decuatroelementosprovocan

lafalladelsistema
164
165
EJEMPLO 6 BINOMIAL
Una pequea planta de generacin debe ser seleccionada para
satisfacer una carga de 10 MW. Se tienen 4 alternativas.
1 unidad de 10 MW
2 unidades de 10 MW
3 unidades de 5 MW
4 unidades de 3,33 MW
Asumiendo que la probabilidad de falla es la misma para todas las

unidades e igual a 0,02 (indisponibilidad tasa salida forzada).
Elaborar la tabla de probabilidad de capacidad fuera de servicio
para cada alternativa.
166
Unidadesfuerade
servicio
CapacidadMW
1x10MW
0
1
Fueradeservicio Disponible
0
10
10
0
Probabilidad
individual
Demanda
perdida
0,98
0,02
MW
0
10
perdidade
carga ProbabilidadCortede
esperada deperdida carga
decarga
esperado
MW
hr/yr
0
0,2
0,02
175,2
0,2
2x10MW
0
1
2
0
10
20
20
10
0
0,9604
0,0392
0,0004
0
0
10
0
0
0,004
0,004
3x5MW
0
1
2
3
0
5
10
15
15
10
5
0
0,941192
0,057624
0,001176
8E06
0
0
5
10
0
0
0,00588
8E05
0,00596
4x3,33MW
0
1
2
3
4
0
3,33333
6,66666
10
13,33
13,33
10
6,66666
3,33333
0
0,92236816
0,07529536
0,00230496
0,00003136
0,00000016
0,0004
3,504
0,001184
10,37184
0
0
0
0
3,33334 0,00768322
6,66667 0,00020907
10
0,0000016 0,00233648 20,4675648
0,00789388
167
Unidadesfuerade
servicio
CapacidadMW
1x10MW
0
1
Fueradeservicio Disponible
0
10
10
0
Probabilidad
individual
Demanda
perdida
0,98
0,02
MW
0
10
perdidade
carga ProbabilidadCortede
esperada deperdida carga
decarga
esperado
MW
hr/yr
0
0,2
0,02
175,2
0,2
2x10MW
0
1
2
0
10
20
20
10
0
0,9604
0,0392
0,0004
0
0
10
0
0
0,004
0,004
3x5MW
0
1
2
3
0
5
10
15
15
10
5
0
0,941192
0,057624
0,001176
8E06
0
0
5
10
0
0
0,00588
8E05
0,00596
4x3,33MW
0
1
2
3
4
0
3,33333
6,66666
10
13,33
13,33
10
6,66666
3,33333
0
0,92236816
0,07529536
0,00230496
0,00003136
0,00000016
0,0004
3,504
0,001184
10,37184
0
0
0
0
3,33334 0,00768322
6,66667 0,00020907
10
0,0000016 0,00233648 20,4675648
0,00789388
168
EJEMPLO 7 BINOMIAL
Una estacin de bombeo tiene 2 unidades de 20t/h y 1 de
30t/h . Cada unidad tiene una indisponibilidad de 0,1.
Elaborar la tabla de probabilidad de unidades fuera de
servicio.
Elaborar la tabla de probabilidad de capacidad fuera de
servicio y compararla con la anterior.
169
Probabilidaddexito
numerodepruebas
p
n
numerodexitos
x
P(X=x)
0
1
2
3
P(X=0)
P(X=1)
P(X=2)
P(X=3)
0,1
3
FMP
FDA
E(X)
E(X2)
0,729000
0,243000
0,027000
0,001000
0,729
0,972
0,999
1
0
0,243
0,054
0,003
0,3
0,06561
0,11907
0,07803
0,00729
0,270000
1,000000
0,800
0,729000
1,000
0,999
0,972
0,9
0,700
0,8
0,600
0,729
0,7
0,500
0,6
0,400
0,5
0,300
0,4
0,243000
0,3
0,200
0,2
0,100
0,027000
0,1
0,001000
0,000
0
0
170
Probabilidad separada
Unidadesfuerade
servicio
a
1x30t/h
0
1
2x20t/h
0
1
2
Probabili
dad
individual
Capacidad
Fuerade Disponibl
servicio
e
0
30
30
0
0
20
40
40
20
0
0,9
0,1
0,81
0,18
0,01
171
Probabilidad conjunta
Unidadesfuerade
servicio
Probabilida
d
individual
Capacidad
Fuerade
servicio
0
Disponible
70
0,81x0,9
0,729
10
60
20
50
0,18x0,9
0,162
30
40
0,81x0,1
0,081
40
30
0,01x0,9
0,009
50
20
0,18x0,1
0,018
60
10
70
0,01x0,1
0,001
1
172
Probabilidad conjunta
Unidadesfuerade
servicio
Probabilida
d
individual
Capacidad
Fuerade
servicio
0
Disponible
70
0,81x0,9
0,729
10
60
20
50
0,18x0,9
0,162
30
40
0,81x0,1
0,081
40
30
0,01x0,9
0,009
50
20
0,18x0,1
0,018
60
10
70
0,01x0,1
0,001
1
173
EXERCISE
Example 6.1. Problem: a homeowner has just installed 20 light
bulbs in a new home. Suppose that each has a probability 0.2
of functioning more than three months. What is the
probability that at least five of these function more than three
months? What is the average number of bulbs the homeowner
has to replace in three months?
174
19 PROCESO DE POISSON
DISTRIBUCIN DE POISSON
Algunos problemas de ingeniera encontrados en SEP involucran la posible
ocurrencia de eventos en el tiempo o en el espacio.
Por ejemplo:
Una falla puede ocurrir en cualquier lugar a lo largo de una lnea de
transmisin.
Un generador puede salir de servicio en cualquier instante de tiempo.
Asumiendo que es el nmero de eventos que pueden ocurrir en un intervalo de
tiempo es constante en promedio, y que los eventos son independientes, entonces
la ocurrencia del evento puede ser modelado como una secuencia o proceso de
Poisson que se describe mediante la siguiente funcin de masa de probabilidad
FMP:
175
19 DISTRIBUCIN DE POISSON
P( X t
x)
x
x=0,1,2,3,n
Donde es la tasa de ocurrencia promedio en el largo plazo

eventos
unidad int ervalo
Xt
es la variable aleatoria que representa el numero de

ocurrencias en un intervalo de longitud t.
176
Podemos resumir que la distribucin
Poisson describe la probabilidad
ocurrencia de un evento aleatorio por
nmero especfico de veces dentro de
intervalo de tiempo o mbito.
de
de
un
un
177
En promedio 2 fallas de generador ocurren por
ao en una central .
Asumiendo que la ocurrencia de la salida de un
generador sigue una distribucin de Poisson en
el tiempo, determinar:
La probabilidad de 3 fallas en 1 ao.
La probabilidad de ninguna falla en 2 aos
La probabilidad de tener exactamente 2 fallas en
una ao.
178
179
20 DISTRIBUCIONES CONTINUAS
En la aplicacin de teora de probabilidad a
problemas en SEP , en ocasiones es necesario
recurrir a varias densidades de probabilidad
continuas. A continuacin se describen
algunas:
180
20 DISTRIBUCIN EXPONENCIAL
Esta funcin es un caso particular de la funcin de
densidad GAMMA, para la distribucin
exponencial la funcin asociada es:
f X ( x) e
FX x P ( X x ) 1 e
E( X ) X
VAR( X )
2
181
La Distribucin exponencial tiene muchas aplicaciones en teora de
confiabilidad en los sistemas elctricos de potencia.
Se puede demostrar una gran conexin con la distribucin de
Poisson. Por ejemplo, en procesos de Poisson, el tiempo de espera
entre dos eventos sucesivos (entre fallas) tiene una distribucin
exponencial.
Ms precisamente se puede demostrar que si un proceso de Poisson
tiene una tasa media de fallas (nmero promedio de fallos por
unidad de tiempo), el tiempo hasta la primera falla o el tiempo entre
fallas sucesivas tiene una distribucin exponencial con parmetro .
182
Sea X la variable aleatoria que representa el numero de arribos en el
intervalo [0,t] y que sigue una distribucin de POISSON, nuestro
inters esta en el tiempo ente 2 arribos o sucesos sucesivos.
Sea T la variable aleatoria que representa el tiempo entre arribos o
sucesos, su distribucin de probabilidad FT(t) es por definicin.
FT t P (T t ) 1 P (T t )
183
En trminos de X, el evento T > t es equivalente al
evento que no hubo arribos/sucesos durante el intervalo
de [0,t] que X=0, de dnde si aplicamos POISSON:
P( X t
0)
0
184
En trminos de X, el evento T > t es equivalente al
evento que no hubo arribos/sucesos durante el intervalo
de [0,t] que X=0, de dnde si aplicamos POISSON:
1 e
P (T t ) FT t
0
t0
t<0
185
Supngase que 4 transformadores idnticos se utilizan en una S/E
transformadores de 230/115 KV.
Se requieren al menos 2 transformadores para suministrar la potencia
necesaria. En otras palabras no mas de 2 transformadores pueden estar
fuera de servicio para que la S/E opere adecuadamente. El tiempo T para
que un transformador sufra una falla sigue una distribucin exponencial
con un tiempo medio de fallas de 10 aos.
Determinar la confiabilidad de la S/E para un periodo de 5 aos, es decir,
cual es la probabilidad de que al menos 2 de los 4 transformadores estn
en servicio durante el periodo completo de 5 aos, asumiendo que la
reparacin o reemplazo de las unidades falladas se realizara cuando el
equipo de la S/ E falle.
186
20 DISTRIBUCIN NORMAL
Esta funcin de densidad de probabilidad es muy utilizada en
problemas en SEP.
Una variable aleatoria X se dice que es normalmente distribuida
si su FDP es:
2
f X ( x)
2
Esta funcin tiene dos parmetros mu y delta que son la media y
la desviacin estndar de x
Una corta notacin de esta distribucin es N ( , )
187
Esta funcin de densidad de probabilidad es muy
utilizada en problemas en SEP.
Una variable aleatoria X se dice que es
normalmente distribuida si su FDP es:
x 2
1
f X ( x)
e
2
con x
188
Esta funcin tiene dos parmetros y que son la media y la
desviacin estndar de X. Una corta notacin de esta
distribucin es:
N ( , )
Puesto que la FDP normal no puede integrarse de forma cerrada
entre un par de lmites a y b, esta funcin se obtiene de
tablas.
Estas tablas pertenecen a la distribucin normal estndar la cual
tiene media igual cero y desviacin igual 1, denotada como
N (0,1)
189
20 DISTRIBUCIN NORMAL ESTNDAR

Para demostrar la forma de uso de estas tablas se
har un cambio de variable a saber:
z
A partir de lo cual se plantea

1
P ( X x) FX ( x)
2
z
2
dz
(A)
190

Luego, es claro que se requiere evaluar la funcin
(z)
z
t
1
Z ( z )
2
Usando (A) y (B)
dt
(B)
x
FX ( x)

191

Para calcular la probabilidad de que una variable
aleatoria X tome un valor entre a y b se aplica lo
siguiente:
P (a X b) FX (b) FX (a )
b
a

192
b
193

La funcin (z) definida en (B) ha sido tabulada y
esta dada solo para valores positivos.
Dada la simetra de la FDP N(0,1); la probabilidad
para valores negativos se puede obtener como:
z 1 z
194
195
196
197

EJEMPLO 1
Los rels de proteccin de una lnea de transmisin de alta
tensin de un SEP, se han fijado para un tiempo de
operacin nominal de 6 ciclos,.
Los datos almacenados en los rels muestran que el tiempo
de operacin de los rels puede considerarse como una
variable aleatoria con una distribucin normal N(6 ; 0.2).
Cual es la probabilidad que los rels operen dentro del
intervalo de 5.9 a 6.3 ciclos?
198

EJEMPLO 2
Una ciudad instala 2000 lmparas para iluminacin de calles Estas lmparas
tienen una vida media de 1000 horas con una desviacin estndar de 200 horas.
Suponiendo que una distribucin normal es una aproximacin adecuada para el
tiempo de vida de las lmparas se solicita responder la siguientes preguntas:
A) Cual es la probabilidad de que las lmpara fallen en las primeras 700 horas?
B) Cual es la probabilidad de que las lmpara duren entre 900 y 1300 horas?
C) Cuantas lmparas se esperan que fallen entre 900 y 1300 horas?
D) Cual es la probabilidad de que las lmpara se quemen en exactamente 900
horas?
E) Cual es la probabilidad de que las lmpara fallen entre 899 y 901 horas?
F) Despus de cuantas horas se espera que quede el 10% de las lmparas?
G) Despus de cuantas horas se espera que quede el 90% de las lmparas?
199

EJEMPLO 3
La fortaleza de barras individuales para un proceso de
produccin son descritas por una variable aleatoria con
una fdp normal N(28.4; 2.95).
Para asegurar la calidad, un cliente requiere que el 95
% de las barras tengan una fortaleza mayor o igual 24.
Cumplen las barras esta especificacin?
200

EJEMPLO 3
Mejorando el proceso de produccin se pueden
fabricar barras mas uniformes, es decir, con una
desviacin estndar menor. Que valor de delta
satisfara los requerimientos del cliente.?
201
Bibliografa
John A Gubner Probability and Random Processes for Electrical
Engineers Cambridge University press. 2006
T.T. Soong, FUNDAMENTALS OF PROBABILITY AND STATISTICS FOR
ENGINEERS, John Wiley & Sons Ltd, 2004.
W.J. DeCoursey. Statistics and Probability for Engineering
applications
With
Microsoft
Excel.
College
of
Engineering,University of Saskatchewan. Saskatoon. 2003, Elsevier
Science.
Way Kuo OPTIMAL RELIABILITY MODELING Principles and
Applications, JOHN WILEY, 2003
G. Anders, Probability Concepts in Electric Power Systems, John
Wiley and Sons, 1990.
E.E.Lewis.IntroductiontoReliability Engineering.Departmentof
MechanicalEngineering,NorthwesternUniversityEvanston,Illinois.
JuIy,1994
202
EJERCICIOBINOMIAL
On the basis of past experience, the
probability that a certain electrical component
will be satisfactory is 0.98. The components
are sampled item by item from continuous
production. In a sample of five components,
what are the probabilities of finding (a) zero,
(b) exactly one, (c) exactly two, (d) two or
more defectives?
205
En la Teora de la Probabilidad y en
Estadsticas, una funcin de distribucin
acumulada (fda) describe la probabilidad de
que una variable aleatoria real X sujeta a
cierta ley de distribucin de probabilidad, se
site en la zona de valores menores o iguales
a x.
206
As a final comment in this section, we caution

that one should not confuse the notion of
mutual
exclusiveness
with
that
of
independence. They are very different
notions. In fact, if two events have nonzero
probability and are mutually exclusive, then
they cannot be independent since mutual
exclusiveness requires P A1 A2 0
but
independence requires .P A1 A2 P A1 P A2
207
208

Clase Confiabilidad 1 PDF

Uploaded by

Document Information

Original Title

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

Clase Confiabilidad 1 PDF

Uploaded by

Copyright:

Available Formats

CONFIABILIDAD EN

Cul sistema es ms confiable?

Cul sistema es ms confiable?

1 Conceptos y teoremas bsicos de probabilidad

1 Conceptos y teoremas bsicos de probabilidad

1 Conceptos y teoremas bsicos de probabilidad

1 Conceptos y teoremas bsicos de probabilidad

Un experimento o prueba es una accin que se realiza con el

2 Conceptos y teoremas bsicos de probabilidad

2 Conceptos y teoremas bsicos de probabilidad

2 Conceptos y teoremas bsicos de probabilidad

EVENTO: Una lnea falla

3 Conceptos y teoremas bsicos de probabilidad

3 Conceptos y teoremas bsicos de probabilidad

EJEMPLOS EN SISTEMAS ELCTRICOS DE

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

4 Conceptos y teoremas bsicos de probabilidad

5 Conceptos y teoremas bsicos de probabilidad

5 Conceptos y teoremas bsicos de probabilidad

6 Conceptos y teoremas bsicos de probabilidad

6 Conceptos y teoremas bsicos de probabilidad

6 Conceptos y teoremas bsicos de probabilidad

En ellos, a cada evento se le asigna un rea en el espacio

Las relaciones entre eventos y operaciones sobre eventos se describen

8 Conceptos y teoremas bsicos de probabilidad

8 Conceptos y teoremas bsicos de probabilidad

8 Conceptos y teoremas bsicos de probabilidad

9 Conceptos y teoremas bsicos de probabilidad

9 Conceptos y teoremas bsicos de probabilidad

9 Conceptos y teoremas bsicos de probabilidad

9 Conceptos y teoremas bsicos de probabilidad

10 Conceptos y teoremas bsicos de probabilidad

10 Axiomas bsicos de probabilidad

Si E1 y E2 son eventos MUTUAMENTE EXCLUSIVOS o disjuntos

P(E1 E 2 ) P(E1 ) P(E 2 )

10 Conceptos y teoremas bsicos de probabilidad

10 Conceptos y teoremas bsicos de probabilidad

6. OCURRENCIA DE AL MENOS UN EVENTO

10 Conceptos y teoremas bsicos de probabilidad

11 Reglas para combinar probabilidades.

10 Conceptos y teoremas bsicos de probabilidad

2. EVENTOS MUTUAMENTE EXCLUSIVOS

11 Reglas para combinar probabilidades.

10 Conceptos y teoremas bsicos de probabilidad

11 Reglas para combinar probabilidades.

10 Conceptos y teoremas bsicos de probabilidad

11 Reglas para combinar probabilidades.

11 Reglas para combinar probabilidades.

11 Reglas para combinar probabilidades.

rea parcial =# de formas en las que B puede ocurrir.

11 Reglas para combinar probabilidades.

Matemticamente A y B , AB (A interseccin B) o A.B

10 Conceptos y teoremas bsicos de probabilidad

6. OCURRENCIA DE AL MENOS UN EVENTO

11 Reglas para combinar probabilidades.

11 Reglas para combinar probabilidades.

10 Conceptos y teoremas bsicos de probabilidad