Herrera, Luis A. ; Salvatierra, Lucas M.

; Razzitte, Adrin
C. ; Kovalevski, Laura I. ; Dammig Quia, Pablo L. ;
Irurzun, Isabel M. ; Mola, Eduardo E.

Anlisis acerca de la distribucin de Weibull con

datos truncados y la distribucin generalizada
de Pareto aplicado a fallas en dielctricos

Energeia, Ao 10, N 10, 2012

Este documento est disponible en la Biblioteca Digital de la Universidad Catlica Argentina, repositorio institucional
desarrollado por la Biblioteca Central San Benito Abad. Su objetivo es difundir y preservar la produccin intelectual
de la Institucin.
La Biblioteca posee la autorizacin del autor para su divulgacin en lnea.

Cmo citar el documento:

Herrera, L. A. et al. Anlisis acerca de la distribucin de Weibull con datos truncados y la distribucin generalizada de
Pareto aplicado a fallas en dielctricos [en lnea]. Energeia, 10(10), 2012.
Disponible en: http://bibliotecadigital.uca.edu.ar/repositorio/revistas/analisis-distribucion-weibull-datos.pdf [Fecha de
consulta: ..]

Proyecto Caracterizacin de Materiales Dielctricos Utilizados en la Industria Elctrica y Electrnica.

Departamento de Investigacin Institucional Facultad de Qumica E Ingeniera Fray Rogelio Bacon
Pontificia Universidad Catlica Argentina Campus Rosario

Anlisis acerca de la distribucin de Weibull con datos truncados y la distribucin

generalizada de Pareto aplicado a fallas en dielctricos
Luis A. Herrera 1, Lucas M. Salvatierra 1,2, Adrian C. Razzitte 3, Laura I. Kovalevski 1,2, Pablo L.
Dammig Quia 2, Isabel M. Irurzun 2 y Eduardo E. Mola1,2 *.
(1) Facultad de Qumica e Ingeniera, Pontificia Universidad Catlica Argentina, Pellegrini 3314,
Rosario, Santa Fe, Argentina.
(2)
Grupo de Sistemas Complejos, Instituto de Investigaciones Fisicoqumicas Tericas y Aplicadas
(INIFTA), Universidad Nacional de La Plata, CCT-CONICET La Plata, Diag. 113 y 64, La Plata, Buenos Aires,
Argentina.
(3) Departamento de Qumica, Facultad de Ingeniera, Universidad de Buenos Aires.
(*) Autor para correspondencia: eemola@inifta.unlp.edu.ar
Resumen. En trabajos anteriores [1-4] se ha presentado un enfoque de los modelos de ruptura dielctrica desde la
Termodinmica Estadstica. Se estudi la relacin intrnseca entre estas distintas familias de rboles mediante una
distribucin generalizada de Weibull con un ndice entrpico q, llegndose a la conclusin que este ndice q es
representativo de la estructura fractal de los distintos tipos de rboles elctricos. Para definir la denominada
distribucin generalizada de Weibull y este ndice q, se recurri a un formalismo propio de la Termodinmica No
Extensiva desarrollado por Tsallis [5]. En este trabajo retomamos este formalismo y desarrollamos un estudio
riguroso del mismo para alcanzar una mayor comprensin de la denominada entropa de Tsallis, finalmente
tambin exploramos la existencia de este ndice entrpico q en los modelos de falla en dielctricos que son
representados por una distribucin de Weibull con datos truncados y establecemos una importante equivalencia
con la Distribucin Generalizada de Pareto.
PALABRAS CLAVE: Falla Dielctrica, Tiempo de Ruptura, Distribucin de Weibull truncada, Distribucin
generalizada de Pareto.

1.- Las Distribuciones Estadsticas y el Principio de Mxima Entropa:

Algunas de las distribuciones estadsticas conocidas como la de Weibull, se pueden obtener mediante la
aplicacin del Principio de Mxima Entropa (PME) bajo ciertas restricciones apropiadas junto a la condicin
de normalizacin de las probabilidades. En esta formulacin, el funcional de entropa empleado es el
denominado Boltzmann-Gibbs-Shannon (BGS) corrientemente conocido como funcional de entropa
termodinmica. No obstante, han aparecido algunas alternativas como la propuesta por Tsallis. Veremos
cmo utilizando el PME podemos hallar algunas distribuciones clsicas de probabilidades, en nuestro caso, la
distribucin de Weibull.
Segn el PME, al problema planteado para encontrar la distribucin de Weibull lo consideramos como un
problema de optimizacin con extremos condicionados, el cual es soluble mediante los multiplicadores de
Lagrange. En cada caso especfico, x es una variable aleatoria perteneciente a un determinado conjunto
que pertenece a los nmeros reales, que representa en este caso el "estado" del sistema y p(x) es su
densidad de probabilidad de forma tal que p(x)dx es la probabilidad de que el sistema se encuentre entre los
estados x y x+dx, finalmente se trata de maximizar el siguiente funcional:

p x p( x) ln p( x) dx 0 p( x) dx 1 k g k ( x ) p( x) dx Gk

k 1

(1)

Donde, los k son los multiplicadores de Lagrange y gk(x) son las N restricciones (informacin conocida sobre
el sistema) y los Gk son los valores obtenidos sobre las gk a travs de la distribucin:

Gk g k ( x) p( x) dx

38

( 2)

En el caso particular de la distribucin de Weibull, debemos considerar las siguientes restricciones y tener en
cuenta adems que contamos con = (0,) :

p( x)dx 1;

x p( x)dx g1;

ln( x ) p( x)dx g ;

0 1

(3)

Especficamente, en este caso los multiplicadores de Lagrange son los siguientes:

; 2 1

por lo que finalmente obtenemos:

p ( x ) e x 1 ( 4)

Ahora bien, la aplicacin del principio de mxima entropa (PME) se puede modificar sustituyendo el funcional
BGS por el propuesto por Tsallis. As, cambiando la forma de plantear las restricciones podemos obtener las
denominadas distribuciones generalizadas, que en nuestro caso particular, es la distribucin generalizada de
Weibull, para hallar ahora esta distribucin debemos maximizar el siguiente funcional:

g k ( x ) p q ( x) dx

1
q
q p (x )
Gk
1 p ( x) dx o p ( x )dx 1 k
q
q 1

k 1 p ( x) dx

N

(5)

donde la forma de calcular las restricciones se obtiene mediante:

Gk

g k ( x) Pesc ( x ) dx

(6)

por cuestiones de simplificacin de la notacin, definimos una nueva probabilidad denominada probabilidad
escort y que la enunciamos de la siguiente forma:

Pesc ( x)

p q ( x)
q
p ( x)dx

(7 )

A partir de estas definiciones, reinterpretamos la frmula de la distribucin de Weibull, llegando a establecer

de esta forma la distribucin generalizada de Weibull, para la que vamos a considerar las siguientes tres
restricciones:

p( x)dx 1;
0

x Pesc ( x)dx g1;

ln

( x) Pesc ( x )dx g 2 ;

0 1

(8)

Finalmente obtenemos la siguiente expresin:

1

1 q 1 x 1q

p (x )
x 1

esc
2 q esc

( 9)

Ahora bien, para la probabilidad escort, definida anteriormente tenemos:

1q (1)

q q 1

q 1 ( 2 q )esc

pesc ( x)
1 q ( 1) q
1
1

q 1

q 1

Siendo en este caso, esc un parmetro de escala, adems verificamos que:

39

q 1 x 1q

2 q esc

(10)

1 esc
Lim pesc ( x)
x e
q 1
esc

(11)

A partir de esta condicin de lmite podemos reinterpretar la equivalencia de la distribucin de Weibull

generalizada con la distribucin de Weibull clsica, para lo que tenemos:

esc

Entonces, si definimos un tb como tiempo de ruptura y los dos parmetros caractersticos de la Distribucin de
Weibull tenemos las siguientes expresiones de la distribucin clsica y la distribucin generalizada:

tb
tb
F ( tb ) 1 exp ; Fq (t b ) 1 exp q


Donde la correspondencia entre estas distintas distribuciones se puede obtener mediante:

ln q ( x )

x1 q 1
1 q

Contando con Modelos Computacionales que describen el fenmeno de ruptura dielctrica [6-10] hemos
podido interpretar la informacin experimental que se genera a partir de ensayos dielctricos de materiales.
Es as que, a travs de la simulacin computacional y bajo condiciones de ruptura idnticas se han generado
una familia de rboles con tiempos de falla que siguen una distribucin de Weibull caracterizada por los
parmetros llamados y . Ahora bien, al variar las condiciones de ruptura se generan otras familias de
rboles con otros tiempos caractersticos. En resumen, desarrollamos distintos protocolos que generan
familias de rboles, con distintos parmetros caractersticos como los siguientes:
Tabla (1) Parmetros de la distribucin de Weibull para distintos protocolos de simulacin

PARAMETROS

PROTOCOLO I

(1,28 0,13) x 10

3,45 0,02

PROTOCOLO II
3

56,2 4,00
8,38 0,07

Donde hemos podido determinar que el protocolo I favorece el desarrollo de estructuras ramificadas mediante
la seleccin aleatoria del capacitor (Modelo de Capacidades Distribuidas) que va a cortocircuitar del conjunto
de capacitores que est en condiciones de ruptura [6,7]. Esta seleccin representa una contribucin entrpica
al proceso de crecimiento del rbol elctrico. En cambio, el protocolo II, favorece el desarrollo de estructuras
runaway (explosivas), la seleccin de este protocolo est basada en argumentos energticos, favorece un
comportamiento de rpido crecimiento de la estructura del rbol, que cruza rpidamente el material
dielctrico.
Tambin se ha trabajado sobre una combinacin lineal de ambos protocolos con el objeto de poder
representar ms adecuadamente el proceso de crecimiento del rbol elctrico y se lleg a la conclusin de
que esta combinacin lineal representa la energa libre termodinmica a temperatura constante, gobernando
el crecimiento del rbol elctrico. Esta energa libre es la suma de un trmino entrpico representado por el
protocolo I y una energa interna dada por el protocolo II. Estos resultados estn de acuerdo con las
observaciones experimentales de patrones de ruptura y con la evidencia (experimental) que indica que a
velocidades bajas de incremento de potencial, la contribucin entrpica debido a fluctuaciones de campo
elctrico es dominante y determina las caractersticas geomtricas de los patrones de ruptura.
Paralelamente se ha observado que la dimensin fractal de los rboles elctricos, aumenta hasta llegar a un
cierto valor de potencial a partir del cual comienza a disminuir. Esta competencia tiene una profunda relacin
con la termodinmica subyacente que gobierna el crecimiento del rbol. Finalmente, se ha podido observar
que el proceso de ruptura dielctrica es de naturaleza catica, adems existe una contribucin entrpica que
est asociada a los efectos de las fluctuaciones del campo elctrico debido a la presencia de cargas
espaciales y a la acumulacin del dao ocasionado.

40

Esta contribucin tiene caractersticas de cascada, en el sentido de que el dao elctrico no se produce
gradualmente sino abruptamente en un solo paso de potencial. En la medida que el dao sea ms o menos
gradual, el crecimiento competitivo generar distribuciones diferentes a la simple combinacin lineal de las
distintas contribuciones. Estas situaciones evidencian la necesidad de contar con un formalismo no lineal, tal
como lo es la Termodinmica Estadstica No Extensiva.
El fenmeno de ruptura dielctrica conlleva correlaciones de largo alcance entre todas las partes del
dielctrico que sufre el dao de la ruptura [11]. Estos ltimos sistemas, en donde el formalismo BGS parece
resultar no ser adecuado, son considerados sistemas anmalos. La ruptura dielctrica puede ser considerada
como un paradigma de la no extensividad, ya que el objeto que es sometido a la ruptura dielctrica, al cual
ahora podemos considerar como un objeto en estado de falla (fragmentado) tiene asociada una entropa
mayor que cuando se encontraba en el estado sano (entero), esto es una consecuencia lgica de considerar
explcitamente la transferencia de energa producto de la acumulacin progresiva del dao del material.
Hemos caracterizado [1-3] a cada familia de rboles generados por simulacin numrica con una dimensin
fractal promedio y hemos registrado la variacin de la dimensin fractal para distintos patrones de ruptura,
esto nos ha llevado a considerar la Multi Fractalidad del fenmeno de ruptura dielctrica. Efectivamente,
algunos conjuntos fractales no pueden ser caracterizados por una nica dimensin fractal, sino con una
funcin de distribucin que nos dice como vara esta dimensin, este tipo de conjuntos son llamados
Multifractales. En nuestro caso de estudio, se ha determinado la dependencia de la dimensin fractal con la
tensin aplicada y se ha observado una dependencia no montona [6,7]. Para establecer una
correspondencia entre estas familias de rboles elctricos hemos recurrido a un formalismo de mecnica
estadstica introducido por Tsallis, a partir de este formalismo definimos una distribucin generalizada de
Weibull con un ndice entrpico q.
Se puede establecer una relacin de correspondencia entre el ndice entrpico q y la multifractalidad
manifiesta de los patrones de ruptura dielctrica. Esta relacin enunciada [3] nos dice que la inversa de la
diferencia del ndice q con respecto a la unidad es igual a la diferencia entre los extremos del espectro
multifractal del fenmeno en cuestin. Este espectro multifractal se puede obtener a partir del procesamiento
digital de las imgenes obtenidas en la filmacin del proceso de ruptura dielctrica. Es importante tener en
cuenta que, la clasificacin del espectro multifractal aplicada al anlisis de imgenes fue introducida por
Jacques Lvy-Vhel [3], as como el desarrollo del software para el procesamiento digital de las imgenes
(Fraclab). A partir de la determinacin de este ndice entrpico pudimos hallar entonces la distribucin
Generalizada de Weibull (q-Weibull) para representar los distintos patrones de ruptura, adems, para hallar
los parmetros asociados a la distribucin de q Weibull hemos utilizado el procedimiento de Bernard
modificado [3].
3.- La Termodinmica Estadstica No extensiva de Tsallis:
En la actualidad se ha visto en la necesidad de generalizar el concepto de Entropa (y por consiguiente de las
funciones de distribucin que la maximizan) para describir sistemas con un alto grado de complejidad que se
han manifestado en muchos campos de la fsica no lineal. En 1988, el profesor Tsallis, introdujo un nuevo
concepto de Entropa y conjuntamente nuevas restricciones para el correspondiente funcional, el cual se
utiliza ampliamente para describir sistemas que poseen propiedades no extensivas.
Esta formulacin generalizada de Entropa depende de un parmetro real llamado parmetro de no
extensividad, q, el cual ha sido propuesto de acuerdo a las condiciones especficas que describen el sistema.
Exploraremos a continuacin la profunda relacin existente entre la Entropa de Tsallis y la entropa de
Boltzmann Gibss Shannon (BGS). Recordar que las distribuciones estadsticas buscadas se han obtenido
mediante el principio de mxima entropa (PME) y en el primer caso se ha empleado el funcional de entropa
denominado de BGS, que es el fundamento de la mecnica estadstica clsica y se define para p = (p1, ,pn)
mediante:
n
1
S ( p) k B pi ln ,
i 1
pi

(12)

Donde se considera un sistema de n estados posibles, cada uno con probabilidad pi, (1 i n) tal que la
suma de las probabilidades es igual a uno. Ahora bien, la expresin para el caso del continuo queda
formulada de la siguiente forma:

41

S k p( x) ln p ( x ) dx

(13)

Si bien, la propuesta del funcional de BGS ha mostrado efectividad, su uso se restringe a los sistemas
conocidos como aditivos o extensivos; tales como son aquellos que cumplen con la propiedad de aditividad
S(A + B)=S(A) + S(B) donde A y B son dos sistemas independientes en el sentido probabilstico. Para
sistemas no extensivos es necesario generalizar la entropa de forma tal que se cubran los casos subaditivos
o superaditivos. En este sentido, la estadstica no extensiva de Tsallis es considerada como un nuevo
paradigma en mecnica estadstica. La entropa Sq, definida por Tsallis, para cada real q, con q 1 est dada
por:

1 i 1 ( pi ) q
n

Sq ( p) k

q 1

(14)

Y es equivalente a la entropa de BGS cuando q =1. Nuevamente, nos queda la expresin para el caso del
continuo, de la siguiente forma:

Sq k

1
q
1 p ( x ) dx , q R (15)
q 1

La entropa de Tsallis [12] verifica las siguientes propiedades:

Sq es extensin de S en el siguiente sentido, si q1 se tiene SqS.

Sq(P) = 0 slo en el caso de que alguna pi = 1.

El mximo para Sq, bajo la nica restriccin de que la suma de todas las probabilidades sea igual a
uno, se obtiene para pi = 1/n, para 1 i n.

Propiedad de no extensividad:

Supngase que se tienen dos sistemas independientes A y B en el sentido probabilstico, entonces se tiene:

S q ( A B) S q ( A) S q ( B)
S ( A) Sq ( B )

1 q q
k
k
k
k2
O bien de forma equivalente:

Sq ( A B ) S q ( A) S q ( B)

1 q
Sq ( A) Sq ( B )
k

Este nuevo paradigma en mecnica estadstica, comprende una familia de formulaciones, todas ellas
basadas en la medida de informacin no extensiva de Tsallis:

1 i1 piq
n

Sq ( p) k B

q 1

k B pi ln q pi

(16)

i 1

Donde, kB es una constante positiva, P es un conjunto normalizado de probabilidades y n es el nmero de

microestados accesibles al sistema. El parmetro real q es el ndice de no extensividad y est relacionado
estrechamente con la dinmica microscpica del sistema. Es importante destacar que en la expresin anterior
usamos las funciones denominadas q-logaritmo y q-exponencial [13], ambas funciones son generalizaciones
de las funciones ordinarias logaritmo natural y exponencial de la entropa de BGS. Tal relacin se establece
en las siguientes ecuaciones:

ln q x

1 x1q
, exp q x 1 1 q x 1/(1q)
q 1

(17)

En el caso que describamos un sistema en contacto trmico con un reservorio, el conjunto cannico, adems
de la restriccin de que la suma de las probabilidades sea uno, es necesaria otra que establezca cmo
calcular la energa interna. En la literatura sobre termodinmica no extensiva, en este caso, nos encontramos

42

con tres posibles elecciones, la primera de ellas fue introducida por el propio Tsallis, [12,14] luego se
introduce una modificacin a la misma hecha por Curado y Tsallis:

TO
q

pi i ,

piq i

CT

i 1

(18)

i 1

En las expresiones anteriores, el supra ndice TO, indica Tsallis Original, el otro supra ndice CT es la
energa interna del sistema, la tercera eleccin para la restriccin de la energa interna se debe a Tsallis,
Mendes y Plastino (supra ndice TMP) y es actualmente la ms usada, en ella se pesan los autovalores del
Hamiltoniano con un conjunto de probabilidades:
n

TMP

p
i 1
n

q
i i

(19)

q
i

i 1

Pero es a partir de la expresin (17) que podemos, establecer la correspondencia entre las distribuciones
estadsticas clsicas y las distribuciones estadsticas que dependen del parmetro entrpico q (distribucin
exponencial con una q-exponencial y distribucin de Weibull con una q-Weibull).
4.- Estimadores Estadsticos y el Principio de Mxima Verosimilitud
Dentro del marco de la Teora de las probabilidades y la Estadstica [15], se trata con el problema de extraer
informacin a partir de observaciones que pueden ser no confiables ya que pueden estar corrompidas por
ruido. Cuando las perturbaciones son modeladas como procesos aleatorios, las observaciones pueden
describirse como realizaciones de variables aleatorias, de esta forma se pueden describir las observaciones
con la variable aleatoria yN = (y(1), y(2), y(N)) que toma valores en RN, adems se asume que yN tiene una
funcin de densidad de probabilidad de la siguiente forma:

f ( , x1 , x 2 ,..., x N ) f y ( , xN )
Resulta entonces que:

P( y N A)

( ; x N ) dx N

x N A

Donde es un vector de parmetros que describe las propiedades de la variable observada. Este vector
supuestamente no se conoce y el propsito de las observaciones es estimarlo a partir de yN. Esto es realizado
mediante el siguiente estimador:

funcin
( y N ) : R N
R d ;

Rd

( 20)

Existen muchas funciones de estimacin, pero particularmente estamos interesados en una que maximiza la
probabilidad de que el evento observado haya sido generado por un grupo de datos es el denominado
Estimador de mxima Verosimilitud. Esta funcin la podemos definir de la siguiente manera: la funcin de
densidad conjunta para el vector aleatorio a ser observado est dada por la funcin de densidad de
probabilidad definida anteriormente. La probabilidad de que la realizacin (observacin) tome el valor yN*, es
entonces proporcional a:

f ( , x*N )
Podemos visualizar que sta es una funcin determinstica de una vez que un valor numrico yN es
introducido. Esta funcin es llamada funcin de Verosimilitud y refleja la probabilidad de que el evento
observado ocurra. Nos queda entonces, seleccionar un estimador de de forma tal que los eventos
observados resulten tan probables como sean posibles de aqu que definimos:

N
N
ML y* arg max f y , y*

Donde la maximizacin es realizada para un yN* fijo. Esta funcin es conocida como Estimador de Mxima
Verosimilitud (MLE - Maximun likelihood estimator). A menudo es dificultoso calcular las propiedades
estadsticas de este estimador, en lugar de esto se suele realizar un anlisis asinttico cuando el nmero de

43

muestras N, tiende a infinito. Veamos a continuacin un resultado clsico del anlisis asinttico de la estima
obtenido por Wald y Crmer [15]. Suponemos que las variables aleatorias {y(i)} son independientes y se
encuentran idnticamente distribuidas de forma tal que:
N

f y ( , x1 , x2 ,..., x N ) f y (i ) ( , xi )

( 21)

i 1

Suponemos tambin que la distribucin de yN est dada por fy(0;xN) para algn valor de 0. Entonces la
variable aleatoria:
robabilidad_ Uno
ML y N P
0 ; N

Adems, la variable aleatoria siguiente:

N ML y N 0

converge en una distribucin normal, con media cero y matriz de covarianza dada por la cota inferior de
Crmer Rao, definida a partir de M-1. Aqu definimos a la matriz M como:

d2

M E 2 log f y ; y N
d
0

Ahora bien, la calidad de un estimador puede ser cuantificada mediante la matriz de covarianza
correspondiente a la estima definida por:

N
N

P E y 0 y 0

( 22)

En este sentido estamos interesados en un estimador tal que haga P lo ms pequea posible, por lo tanto,
buscar el lmite inferior de P que se puede obtener con estimadores no desviados, es la denominada cota de
Crmer - Rao. Un estimador (no desviado) se dice que es eficiente desde el punto de vista estadstico si la
covarianza de la estima alcanza la cota de Cramer Rao, entonces:

N
N

P E y 0 y 0 M 1

( 23)

Donde M es la matriz de informacin de Fischer definida de la siguiente forma:

d
d

M E log f y ; y N log f y ; y N
d
d

d2

E
log f y ; y N
0
d 2

( 24)

La informacin de Fischer cumple con las propiedades de las medidas de informacin:

a) Es no Negativa
b) Es aditiva para observaciones independientes.
Adems esta informacin es mayor cuanto menor es la cota de Cramer-Rao, por ejemplo: la cota de CramerRao para N observaciones es N veces inferior a la de una observacin y justamente se deduce de la matriz
de informacin de Fischer [15]. Veremos a continuacin la aplicacin del Principio de Mxima Verosimilitud a
las distribuciones estadsticas de nuestro inters y adems exploraremos algunas equivalencias importantes
que nos permitirn en un futuro simplificar las estimacin de los parmetros, independientemente que
trabajemos con un conjunto de datos truncados o censurados.
5.- La Distribuciones Generalizadas en los fenmenos de Ruptura Dielctrica

44

La distribucin de Weibull y la distribucin Generalizada de Weibull (q Weibull) tiene las siguientes

expresiones, donde tb es el tiempo de ruptura y , son los parmetros Weibull:

tb
tb
F ( tb ) 1 exp ; Fq (t b ) 1 exp q

( 25)

Ahora bien, recordemos que cuando el parmetro es igual a uno, lo cual se puede interpretar como que la
tasa de fallos es constante, la q-Weibull se transforma en una q-exponencial, esta caracterstica particular
tambin se cumple en la relacin existente entre las distribuciones Weibull y exponencial clsicas.
La forma general que adopta la q-exponencial, segn la definicin de Tsallis [16] y colaboradores es la
siguiente:

1 q x
Pq , k X x 1

(1q )

( 26)

Analizaremos ahora la relacin que existe entre la distribucin q-exponencial y la denominada distribucin
Generalizada de Pareto, para lo cual realizamos el siguiente cambio de parmetros:

1
q 1 ,

(27 )

A partir de esta transformacin obtenemos la expresin similar a una distribucin estadstica que es conocida
como la Distribucin generalizada de Pareto

P, X x 1 x
Con la funcin de densidad de probabilidad asociada:

P, x

1 x

( 28)

( 29)

La distribucin Generalizada de Pareto es una distribucin que permite estudiar determinados valores
extremos que se encuentran por encima de un umbral alto, se puede demostrar que mediante un resultado
lmite, la distribucin de estos excesos puede ser aproximada en forma adecuada a la funcin Generalizada
de Pareto, ahora bien, la distribucin de Pareto Clsica [15] est definida por la expresin:

x
F ( x) 1 ;
x0

x x0 0

(30)

Donde, en este caso, es un parmetro de forma y adems x0 es un parmetro de escala. Ahora bien, una
variante de la distribucin clsica de Pareto est definida por:

x
;
F ( x) 1 1
x

(31)

Es ocasionalmente llamada distribucin de Pareto de tres parmetros, se estudia tambin un caso especial
en el que un parmetro es igual a cero:

x
F ( x) 1 1 ;
x0

; x 0

( 32)

Esta distribucin es frecuentemente denominada distribucin de Pareto tipo II y en este caso los parmetros
x0, son mayores que cero. Pero retomemos ahora la expresin (26) y obtengamos la funcin de mxima
verosimilitud en este caso particular ser una log likelihood. La misma tiene la siguiente forma:

log P , x1n n log n log 1 log 1

i 1

xi

l ,

A partir de esta funcin podemos obtener las estimaciones a travs del mtodo MLE y las expresiones de las
estimas nos quedan de la siguiente forma:

45

n log 1 i ;

i1

1
n

i 1

xi

1 x /

( 33)

En el caso de que apliquemos el Principio de Mxima Entropa (PME), para el caso de la distribucin
generalizada de Pareto (homloga a la distribucin q exponencial propuesta por Tsallis y colaboradores)
tendramos que hacer el siguiente planteo matemtico: Vamos a realizar primero un cambio de variables [16],
para la Distribucin de Pareto, con el fin de simplificar los clculos necesarios, entonces partimos de la
siguiente expresin:
1

a (x c ) a
F ( x) 1 1
b

a0

(34)

La cual representa una Distribucin Generalizada de Pareto, con parmetros a,b,c, a esta expresin
debemos combinarla con la funcin que maximiza la entropa de acuerdo con el PME, recordemos que la
expresin de la entropa tiene la forma genrica siguiente:

H ( f ) f ( x; ) ln f ( x; ) dx

f ( x; ) dx

(34)

En nuestro caso particular la funcin de la entropa adoptar la siguiente forma:

a x c
H ( f ) ln a ln 1 ln b E ln 1
(35)
b

donde son los multiplicadores de Lagrange que nos permiten incorporar las restricciones vistas a la
ecuacin funcional. Tanto las ecuaciones de verosimilitud como las de mxima entropa, han sido derivadas y
resueltas numricamente, de donde hemos obtenido los Estimadores de Mxima Verosimilitud y de Mxima
Entropa.
Vemos a continuacin una tabla comparativa del desempeo [15] de estos estimadores. Analizamos el
desempeo de las dos formas de estimar los parmetros de la Distribucin de Pareto Generalizada, a travs
de dos ndices de desempeo que definimos a continuacin:

E (x ) x
BIAS
x

E x x

RMSE
x

0 .5

(36)

Para la estimacin de parmetros con los distintos mtodos, se genera una matriz de datos de prueba (1000
renglones, una columna) de acuerdo con [4] para obtener un proceso estocstico del cual se estiman sus
parmetros, Con esta poblacin base, adoptamos distintos tamaos de muestras y a partir de estas muestras
(20, 50, 100) calculamos los ndices de desempeo (Muestreo de MonteCarlo) obteniendo los siguientes
resultados:

Tabla (2) ndices de desempeo de los estimadores para distintos tamaos de muestras

Prob.
0,8

0,9

Muestra
20
20
50
50
100
100
20
20
50
50

Mtodo
MLE
PME
MLE
PME
MLE
PME
MLE
PME
MLE
PME

BIAS
-0,01
-0,03
0,1
0
-0,04
0,03
-0,08
-0,06
-0,01
0,06

46

RMSE
0,12
0,13
0,09
0,08
0,15
0,15
0,16
0,16
0,07
0,13

100
100

MLE
PME

0
0,05

0,06
0,09

Como conclusin importante que podemos extraer de la visualizacin de estos ndices de desempeo es que
cuando el tamao de la muestra es grande en comparacin a la poblacin, el estimador por mxima
verosimilitud resulta eficiente, no as con muestras pequeas, donde el estimador por mxima entropa
muestra una considerable eficiencia. Es de destacar que estos son los primeros resultados, lo que habr que
cotejar con otras simulaciones y con datos provenientes de los ensayos experimentales. Si bien, hemos
trabajado con distribuciones truncadas de amplia utilizacin en estadstica industrial, en esta direccin, es
tambin importante destacar que la relacin que ha establecido Tsallis entre la distribucin q-exponencial y la
distribucin generalizada de Pareto nos permitir trabajar con distintos tipos de ensayos, contengan estos
datos truncados y/o censurados.
Algunas implementaciones en donde se puede tener acceso a rutinas computaciones de estimacin de los
parmetros de la distribucin q-exponencial o Pareto Generalizada de uso free y desarrolladas en lenguaje R
se pueden encontrar en [16]. Estas rutinas fueron tomadas como base para el desarrollo del software de
estimacin de los parmetros de las distribuciones q-Weibull, q-exponencial y generalizada de Pareto y
adaptadas para ser utilizadas en el entorno de trabajo provisto por el software STATA [17].
6.- Conclusiones y trabajos Futuros
Hemos podido establecer una correspondencia importante entre los distintos modelos de falla de dielctricos
que desarrollamos en trabajos anteriores. Primeramente trabajamos con una distribucin de Weibull clsica
de dos parmetros para caracterizar la falla en dielctricos, estos parmetros fueron obtenidos para distintas
familias de rboles elctricos, adems, con la intensin de mejorar estos modelos de falla, tambin se ha
trabajado con un distribucin de Weibull de tres parmetros [2].
Por otro lado tambin se recurri a un enfoque desde la termodinmica estadstica no extensiva para
caracterizar las fallas en los dielctricos, este enfoque nos permiti definir una distribucin generalizada de
Weibull (q-Weibull) para construir los modelos de falla [1-3]. Luego trabajamos con una distribucin de Weibull
truncada, dado que podemos implementar ensayos acotados en el tiempo. El poder trabajar
experimentalmente con ensayos registrados en funcin del tiempo, permite el truncamiento artificial de las
muestras, deteniendo ficticiamente en poblaciones truncadas a distintos (t) y estudiando el comportamiento
de los ajustes en funcin del truncamiento de datos [4].
Finalmente, en este trabajo retomamos el enfoque termo-estadstico y establecemos una correspondencia
importante entre la distribucin de Weibull truncada y la distribucin obtenida a travs del enfoque de Tsallis
[12,14], esta correspondencia nos permite unificar los distintos modelos de falla con la distribucin
denominada Distribucin Generalizada de Pareto, la cual puede, como vimos, ser estimada directamente de
los ensayos de ruptura o bien utilizando el ndice entrpico q, obtenido indirectamente, mediante el
procesamiento digital de imgenes.
Los esfuerzos actuales y futuros se hallan orientados a generar y compaginar informacin experimental y
computacional necesaria para estimar los parmetros caractersticos de estos distintos modelos de fallas,
adems de evaluar su desempeo en funcin del tipo de ensayo a realizar. Para esta estimacin necesitamos
contar ya con una gran cantidad de ensayos para poder en definitiva inferir la poblacin a partir de las
muestras obtenidas.
Referencias:
Herrera L. A., Irurzun I. M., Razzitte A. C., Mola E. E., XVI Congreso Argentino de Fisicoqumica y Qumica
inorgnica, Ao 2009.
ENERGEIA, Cuaderno de Investigacin, publicacin Anual del Departamento de investigacin Institucional,
Ao 7 N 7, noviembre 2009.
ENERGEIA, Cuaderno de Investigacin, publicacin Anual del Departamento de investigacin Institucional,
Ao 8 N 8, noviembre 2010.
ENERGEIA, Cuaderno de Investigacin, publicacin Anual del Departamento de investigacin Institucional,
Ao 9 N 9, noviembre 2011.
Tsallis C. Nonextensive Statistical Mechanics and Its Applications Lecture in Physics, Springer; Heidelberg,
2001.
Damming Quia P., Herrera L. A., Irurzun I. M., Mola E. E., A Capacitive Model for Dielectric Breakdown in
polymer materials Computational material science, Ed. Elsevier, ao 2008.

47

Herrera L. A., Desarrollo de Modelos Computacionales aplicados a la simulacin del Envejecimiento y la

Ruptura dielctrica de Materiales No homogneos (Polmeros), Tesis de Maestra, Facultad de Ingeniera,
Universidad de Buenos Aires, 2006.
Damming Quia P., Ruptura Dielctrica en Slidos, Tesis Doctoral, Facultad de Ciencias Exactas,
Universidad Nacional de La Plata, ao 2010.
Razzitte, A. C. Caractersticas fractales de la ruptura Dielctrica y Respuesta en Frecuencia de Slidos
Aisladores, Tesis Doctoral, Facultad de Ciencias exactas, Universidad Nacional de La Plata, 2001.
P. L. Dammig Quia, I. M. Irurzun, L. M. Salvatierra, E. E. Mola. Physical Review E 82, 041106, 2010.
Dissado L. A. and Fothergill J.C., "Electrical Degradation and Breakdown in Polymers" Peregrinus Press for
IEEE, 1992.
Gell-Mann M. and Tsallis C., Nonextensive Entropy - Interdisciplinary Applications, Oxford University Press,
2004.
http://fraclab.saclay.inria.fr/works/signal-and-image-processing
Tsallis C. Introduction to Nonextensive Statistical Mechanics, Approaching a Complex World, Springer; New
York, 2009.
Abernethy B. Robert "The New Weibull Handbook" Ed. Abernethy, 2004.
http://cscs.umich.edu/~crshalizi/research/tsallis-MLE/
http://www.stata.com/site-index

48