Probabilidad Capitulo 2 2009

Anlisis Probabilstico y Simulacin Carlos J.
Zapata Captulo 2 Distribuciones de probabilidad
CAPTULO 2 DISTRIBUCIONES DE PROBABILIDAD
2.1 PARMETROS DE LAS DISTRIBUCIONES DE PROBABILIDAD
Las funciones matemticas que sirven como distribuciones pueden tener hasta tres parmetros que las
definan. Estos parmetros se clasifican en:
2.1.1 Parmetro de localizacin

2 1
Figura 2.1 Parmetro de localizacin de una

distribucin de probabilidad
x
1 2
Este parmetro especifica la abcisa (eje x) o punto de localizacin del rango de valores de la distribucin.
Usualmente, es el punto medio o el punto m{s bajo; en este ltimo tambin se llama shift parameter. Si
este parmetro cambia, la distribucin se desplaza hacia la derecha o la izquierda en el eje x.
2.1.2 Parmetro de escala
Figura 2.2 Parmetro de escala de una

2
1
Este parmetro determina la escala o unidades de medida de los valores en el rango de la distribucin. Un
cambio en este parmetro expande o comprime la distribucin sin cambiar su forma.
2.1.3 Parmetro de forma
2 Figura 2.3 Parmetro de escala de una

Este parmetro determina la forma de la distribucin. Un cambio en este parmetro cambia caractersticas
como el coeficiente de asimetra y el coeficiente de afilamiento. Algunas distribuciones como la
exponencial no tienen este parmetro. Otras distribuciones como la Beta pueden tener 2.
Universidad Tecnolgica de Pereira 2009 35

Anlisis Probabilstico y Simulacin Carlos J. Zapata Captulo 2 Distribuciones de probabilidad
2.2 CARACTERSTICAS DE UNA VARIABLE ALEATORIA
Adems del valor medio y la varianza presentadas en el captulo anterior, existen otras medidas para
caracterizar las distribuciones.
Ninguna de estas medidas describe completamente la distribucin. nicamente las funciones de densidad
de probabilidad y de distribucin de probabilidad dan una descripcin completa de una variable
aleatoria.
El valor esperado, la mediana y la moda se denominan medidas de tendencia central pues dan un
pronstico de la localizacin en el eje x de la distribucin como un todo.
La varianza, la desviacin estndar y el coeficiente de variacin son medidas de la dispersin de la

variable con respecto al valor esperado. Otras medidas como skewness, el coeficiente de asimetra,
kurtosis y el coeficiente de afilamiento indican la forma de la funcin.
2.2.1 La mediana
Si P( X a) 0.5 y P( X a) 0.5 , entonces a es la mediana de la distribucin de la variable aleatoria x
f x ( x)
Area igual a Figura 2.4 Concepto de mediana

0.5
x
a
La mediana es el valor para el cual la probabilidad es del 50%. Ver la Figura 2.4. Una distribucin discreta
puede tener ms de un punto que satisfaga la definicin de mediana.
2.2.2 La moda
Se define como moda el valor de x para el cual la funcin de densidad de probabilidad o la funcin de
probabilidad de masa alcanzan su mayor altura.
f x ( x)
Figura 2.5 Concepto de moda
x
mod a

Para algunas distribuciones de probabilidad puede ser que no exista la moda o que existan varias. Ver la
Figura 2.6
f x ( x) f x ( x)
2
x x
Figura 2.6 Ejemplos de distribuciones de probabilidad sin moda o con varias modas
2.2.3 Momentos centrales
Se define el momento central (con respecto al valor esperado) de orden r como:
mr E[(X E( x))r ]
[ x E( X)] * f X ( x) * dx para variables aleatorias continuas
r
n
mr E[(X E( x))r ] [xi E(X)]r * p( xi ) para variables aleatorias discretas
i 1
r Descripcin
0 m0 1.0 La probabilidad total, rea bajo la curva de fx ( x) o sumatoria de las probabilidades puntuales
1 m1 0.0 pues E[X E( x)] 0
2 m2 VAR( x) se denomina varianza
3 m3 se denomina Skewness
4 m4 se denomina Kurtosis
2.2.4 Coeficiente de variacin
STD( x)
cv * 100% si E( x) 0
E( x)
Mide la dispersin central de la distribucin. Permite comparar varias distribuciones, aunque las
unidades de las variables aleatorias no sean las mismas.
2.2.5 Coeficiente de asimetra
m3
ca
[STD( x)]3

Generalmente est entre -1 y +1. Si una distribucin es simtrica entonces el coeficiente de asimetra es
cero.
Si la cola de la distribucin est{ hacia la derecha, entonces el coeficiente de asimetra es positivo; si la
cola de la distribucin est{ hacia la izquierda, entonces el coeficiente de asimetra es negativo.
ca 0 ca 0 ca 0
Figura 2.7 Coeficiente de asimetra para varias distribuciones
2.2.6 Coeficiente de afilamiento
m4
cp
[STD( x)]4
Mide el afilamiento o cantidad de pico (peakness) de la distribucin.
Se toma como referencia la distribucin Gausiana estndar (valor medio cero y varianza 1) la cual tiene un
cp 3 . Distribuciones con un cp mayor a 3 tendrn ms pico que esta distribucin; si el cp es menor que
3, la distribucin ser ms aplastada que la distribucin Gausiana estndar.
2.3 ALGUNAS DISTRIBUCIONES DE PROBABILIDAD
A continuacin se presentan algunas de las funciones matemticas mas utilizados para distribuciones de
probabilidad. Para un tratamiento ms detallado consultar el texto de Law y Kelton.
En los ejemplos presentados se asume que la distribucin utilizada es una representacin vlida del
proceso aleatorio bajo estudio. El procedimiento para obtener la distribucin que es una representacin
vlida de un proceso aleatorio dado se presenta en el Captulo 6.

2.4 DISTRIBUCIN EXPONENCIAL
Fx ( x)
f x ( x)
1.0
0.632
x
x
Figura 2.8 Distribucin exponencial
Se define por medio de un parmetro de escala [unidades de x ] o una tasa de eventos h

[eventos/unidad de x ] que es el inverso del parmetro de escala.
1
1 x
f x ( x) e h * e h* x

1
x
Fx ( x)
1 e 1 e h* x
1
E( x)
h
1
VAR(X) 2
h2
Rango x [0, )
Es la distribucin de probabilidad ms utilizada en confiabilidad.
La desviacin estndar es igual al valor esperado, por lo cual el coeficiente de variacin es del 100%; lo
cual indica que existe una gran dispersin de los valores de la variable con respecto al valor esperado.
Es un caso de las distribuciones Weibull y Gamma. Tambin aparece en los procesos estocsticos
homogneos de Markov y Poisson.
Algunas aplicaciones
Confiabilidad: Modelo de vida de componentes en periodo de vida til
Teora de colas: Tiempo entre llegada de llamadas a un conmutador o clientes a un banco, tiempo para servicio

EJERCICIO 2.1
Una cuadrilla que realiza mantenimiento preventivo a los circuitos primarios de distribucin areos debe
localizar los puntos donde hay acercamientos entre los {rboles y las fases de los circuitos primarios para
hacer poda.
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
recorrido para encontrar otro acercamiento.
De estadsticas se conoce que, en promedio, por cada 10 km de red recorridos se encuentra un

acercamiento.
Si la distancia X es una variable aleatoria exponencialmente distribuida hallar:
Cual es la tasa de eventos?
1 acercamiento
h 0.1 acercamientos/km
10 km
Aqu el parmetro de la distribucin se define a partir de una estadstica. Faltara verificar si realmente la
tasa de eventos es constante; esto podra evaluarse grficamente o por medio de la varianza.
Qu distancia se espera recorrer para encontrar un acercamiento?
1 1
E( x) 10 km/acercamiento
h 0.1
Este valor esperado corresponde a la cifra estadstica operativa.
Cul es la probabilidad de encontrar un acercamiento en un recorrido de 10 km?
F(10km) 1 e 0.1*10 0.6321
Es decir, apenas hay una probabilidad del 63.21% de encontrar un acercamiento en 10 km que a su vez es
la distancia esperada para encontrarlo. Esto ilustra el cuidado que hay que tener al hacer inferencias a
partir de valores medios o esperados.
Cuntos km hay que recorrer para tener una probabilidad del 90% para encontrar un acercamiento?
F( x) 1 e 0.1* x 0.9 e 0.1* x 0.9 1.0 e 0.1* x 0.1
x ln(0.1) / 0.1 23.026 km
La probabilidad de encontrar 0, 1 o n acercamientos se halla con el proceso de Poisson.

2.5 DISTRIBUCIN UNIFORME

Fx ( x)
f x ( x) 1.0
x
a b
x
a b
Figura 2.9 Distribucin uniforme
Se define por medio de dos valores a y b , con a b . El parmetro de localizacin es a y el parmetro de

escala (b a) .
1
f x ( x)
ba
xa
Fx ( x)
ba
ab
E( x)
2
( b a) 2
VAR(X)
12
Rango x [a, b]
Es la distribucin de probabilidad ms simple.
El factor ms importante de esta distribucin es que todos los valores del rango de la variable aleatoria
tienen igual probabilidad.
Generacin de nmeros aleatorios uniformes
Tiempo para llegada de eventos en un proceso de Poisson homogneo
Teora de colas: Tiempo para llegada de llamadas a un conmutador o clientes a un banco
Fugas en una tubera

EJERCICIO 2.2
Para una lnea de transmisin en particular, las fallas tienen igual probabilidad de ocurrir en cualquier
parte de su recorrido de 50 km.
Sea x la distancia en km medida de la subestacin a un punto de falla dado. Entonces, x es una variable
aleatoria uniformemente distribuida.
Cul es la probabilidad de que ocurra una falla en los primeros 10 km de la lnea?
x 10km
F(10km) 0.2
50km 50km
Cul es el valor esperado para la distancia en que ocurren las fallas?
(50km 0km)
E( x) 25km
2
Cul es la probabilidad de que ocurra una falla en los primeros 25 km de la lnea?
x 25km
F(25km) 0.5
50km 50km
Es decir, apenas hay una probabilidad del 50% de encontrar una falla en los primeros 25 km que a
su vez es la distancia esperada para encontrarlo. De nuevo, esto ilustra la debilidad de los
anlisis de decisin que se basen en valores medios o esperados.
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, descargas atmosfricas, etc.), vegetacin, resistividad del terreno, etc. Adems, el tipo constructivo
de la lnea y sus materiales deben ser los mismos para los 50 km .

2.6 DISTRIBUCIN NORMAL O GAUSIANA
Fx ( x)
f x ( x) 1.0
x x

Figura 2.10 Distribucin normal o Gausiana
Se define por medio un parmetro de localizacin, usualmente llamado , y un parmetro de escala,

usualmente llamado 0 .
( x )2
1
f x ( x) e 2*
2
2
Fx ( x) No tiene forma analtica
E( x)
VAR(X) 2
Rango x (, )
Es la distribucin de probabilidad ms importante y ms utilizada en probabilidad y estadstica.
Estudio de errores de varios tipos
Variables que resultan de la suma de grandes cantidades de otras cosas
Sobrevoltajes, voltajes de aguante de aislamientos
Altura de las personas, inflacin, tasas de reproduccin
Es usual, presentar el eje x en forma de desviaciones estndar y expresar como un porcentaje con
respecto a : % / * 100% .
El rea encerrada entre 3 es de 0.9972, por lo cual, se asume que estos valores encierran todos los
valores posibles de la variable.
Como los valores de la funcin de distribucin de probabilidad deben hallarse numricamente, para esto
se utiliza la distribucin normal estndar que se define con 0 y 1 . Ver la Figura 2.11.
1 1 z2 / 2
f ( z) e
2 Figura 2.11 Distribucin normal estndar
(x )
z

0 z

EJERCICIO 2.3
Un aislador tipo poste de un equipo que opera a 34.5 kV tiene un BIL de 170 kV.
El voltaje de aguante del aislador a los voltajes ocasionados por descargas atmosfricas sigue una
distribucin Gausiana con un valor medio llamado CFO (Critical Flashover) y una desviacin del 5%.
El BIL es el voltaje de aguante para sobrevoltajes producidos por descarga atmosfrica y es el valor que se
ubica a 3 desviaciones estndar por debajo del valor medio de la distribucin Gausiana.
Cul es el CFO del aislador?

1
CFO BIL 3*
5
CFO BIL 3* * CFO
100
CFO * (1 3* 0.05) BIL
170kV
CFO 200kV 3 CFO x[ kV ]
1 3* 0.05
BIL
Qu probabilidad de daar el aislamiento tiene una descarga atmosfrica que produzca un voltaje
de 183.3 kV?
x 200kV
z 1.67
0.05* 200
( z 1.67) 0.0475 4.75% De tablas de la distribucin normal estndar.
Qu valor de voltaje producido por descarga atmosfrica tiene un 90% de probabilidad de daar
el aislamiento?
Se busca en las tablas de la distribucin normal estndar los valores cercanos a 0.9
( z 1.28) 0.8997
( z 1.29) 0.9015
Interpolando entre estos dos valores, se obtiene z=1.282 para 0.9
Entonces, x z * 200kV 1.282*0.05* 200kV 212.8kV

2.7 DISTRIBUCIN WEIBULL
f x ( x) Fx ( x)
1 1.0
x x
Figura 2.12 Distribucin Weibull
Se define con un parmetro de escala 0 y un parmetro de forma 0 .

f x ( x) * * x 1 * e * x

Fx ( x) 1 e * x
E( x) 1/ * (1 1 )
VAR(X) (2 / ) * [(1 2 * 1 ) ((1 1 ))2 ]
Rango x [0, )
El smbolo denota la funcin Gamma. Hay otras formas matemticas para definir esta distribucin.
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
deterioro y mejora de la vida del componente.
Tiempos para falla
Tiempo para completar algn trabajo
Estudio de fatiga de materiales
Modelamiento de componentes en confiabilidad
La funcin Gamma ( x)
Figura 2.13 Grfica de la funcin Gamma

( x) 0 t x1e t dt para x 0
x ( x )
0.1 9.5135
0.5 1.77245
1 1
1.5 0.8862
2 1
3 2
4 6
5 24
EJERCICIO 2.4
La energa radiante del sol en una zona dada es una variable aleatoria con distribucin Weibull de
parmetros 3 [W/m2] y 2 .
Cul es el valor medio, la varianza, desviacin estndar y el coeficiente de variacin de la energa

radiante por da?
E( x) (1/ ) * (1 1 ) 30.5 * (1 0.5) 30.5 * 0.8862 0.5117 W/m2
VAR( x) (2 / ) * [(1 2 * 1 ) ((1 1 ))2 ] 3(2 / 2) * [(1 2 * 21 ) ((1 21 ))2 ] 0.0715 (W/m2)2
STD( x) VAR( x) 0.0715 0.2675 W/m2
STD( x) 0.2675
CV * 100% * 100% 52.27%
E(X) 0.5117
Cul es la probabilidad de que la energa radiante sea menor o igual al valor esperado?

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/m 2 para operar, cul es la
probabilidad de que no funcione?

F( x 0.2) P( x 0.2) 1 e * x 1 e 3*(0.2) 0.11308
2
Cul es el valor esperado de horas al da que no operar el equipo?
tdown 0.11308 * 12 1.35696

2.8 DISTRIBUCIN GAMMA
f x ( x)
Fx ( x)
1 1.0
x x
Figura 2.14 Distribucin Gamma
Se define con un parmetro de escala 0 y un parmetro de forma 0 .
x

* x 1 * e
para x 0
( )
f x ( x)
x

Si 2 x*e / 2
no es un entero: No tiene forma analtica
1
(x / )j
es un entero positivo: 1 e x / * para x 0
Fx ( x) j 0 j!
x
Si 2 : 1 ex / ex /

E( x) *
VAR(X) * 2
Rango x [0, )
El smbolo denota la funcin Gamma. Al igual que la distribucin Weibull, no tiene una forma definida.
Segn el valor de su parmetro de forma puede tomar diversas formas.
Tiempos para falla
Tiempo para completar algn trabajo: reparacin, atencin de clientes
Fenmenos metereolgicos
Esta distribucin es muy importante pues genera las dos siguientes distribuciones:
Distribucin Condiciones Aplicacin

Chi-cuadrado v / 2 y 2 , v grados de libertad Estadstica: bondad de ajuste, inferencia
Erlang Si es un entero positivo Proceso de Poisson, teora de colas

EJERCICIO 2.5
La resistividad del terreno en una zona dada es una variable aleatoria con distribucin Gamma de
parmetros 3 y 120 [ m ].
Cul es el valor medio o esperado de la resistividad del terreno?
E( x) * 3 * 120 360 m
Cul es la desviacin estndar?
V ( x) * 2 3 * 1202 43200
43200 207.8461 [ m ]
Cul es la probabilidad de que la resistividad del terreno sea mayor que el valor medio?
F( x 360) 1 P( x 360) 1 0.5768 0.4232
La probabilidad de que x sea menor a 360 m se obtuvo numricamente.
Como se observa, la probabilidad de que la resistividad del terreno sea mayor al valor esperado,
es muy alta.

2.9 DISTRIBUCIN PARETO
f x ( x) Fx ( x)
1.0
x x
b
b
Figura 2.15 Distribucin Pareto
Se define con un parmetro de localizacin b 0 y un parmetro de forma a 0 .
a b a1
f x ( x) *( )
b x
1
Fx ( x) 1 * x * e[( a1)* Ln( b / x )]
b
b* a
E( x) si a 1
a1
a * b2
VAR(X) si a 2
( a 1)2 * ( a 2)
Rango x [b, )
Economa: tamao de compaas, precio de acciones
Demografa: Tamao de poblaciones de ciudades
Confiabilidad

EJERCICIO 2.6
Un programa de computador (software) presenta errores o bugs una vez este es entregado al usuario.
Si el tiempo para que el usuario detecte el primer error es una variable aleatoria con distribucin Pareto de
parmetros a = 3 y b = 0.0833 aos (1 mes), 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 (1.5 meses)
a 1 31
Cul es la probabilidad de que se encuentre un error en el primer mes de uso del software?
1
F( x 0.0833) 1 * 0.0833 * e[(31)* Ln(0.0833 / 0.0833)] 0
0.0833
Este resultado es obvio, pues la distribucin se define a partir de b=1 mes.
Cul es la probabilidad de que se encuentre un error al mes y medio de uso del software?
1
F( x 0.1250) 1 * 0.1250 * e[(31)* Ln(0.0192 / 0.1250)] 0.7037
0.0192
Como se observa, la probabilidad de encontrar un error entre un mes y mes y medio de entregado
el programa se incrementa dramticamente.

2.10 DISTRIBUCIN TRIANGULAR
2 Fx ( x)
ba f x ( x) 1.0
x x
a c b a b
Figura 2.16 Distribucin triangular
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) es el parmetro de escala y c es el parmetro de forma. a y b son el intervalo en el
cual se conoce est el rango de valores de la variable aleatoria y c es el valor que se estima ms probable.
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
1 si c x b
(b a)(b c)
abc
E( x)
3
a2 b2 c 2 ab ac bc
VAR(X)
18
Rango x [a, b]
Esta distribucin se utiliza cuando no existe mayor informacin para construir el modelo probabilstico,
pero se conocen los lmites de la variable y el valor ms probable entre estos lmites.
Modelos aproximados en ausencia de datos

EJERCICIO 2.7
Un sistema de potencia de una regin dada A se interconectar a otro sistema B por medio de una lnea de
transmisin cuya capacidad es de 200 MW.
El propsito de la interconexin es que el sistema B de soporte al sistema A, cuando tenga excedentes de

generacin.
La generacin instalada en el sistema B es predominantemente hidrulica y no tiene capacidad de

regulacin anual o multianual (no tiene grandes embalses).
El operador del sistema B considera que puede garantizar un soporte de generacin de 124 MW al sistema
A. Pero dependiendo de las condiciones de hidrologa y de demanda podra dar un soporte mayor.
Cul es el modelo probabilstico de los MW que puede importar el sistema A desde el sistema B?
Sea x la variable aleatoria de los MW que se pueden importar desde el sistema B
a: Es el valor mnimo de importacin y corresponde a 0 MW, evento que sucede cuando el

sistema B no tiene excedentes
b: Es el valor mximo de importacin es 200 MW que es la capacidad de transmisin de la lnea

de interconexin.
c: Es el valor ms probable de soporte de generacin y corresponde a 124 MW.
Entonces, el modelo es una distribucin triangular con parmetros a=0 MW, c=124 MW y b=200
MW
Cul es el valor esperado de MW de soporte que puede brindar el sistema B?
a b c 0 200 124
E( x) 108 MW
3 3
Cul es la probabilidad de que el sistema B pueda suministrar ms de los 108 MW esperados?
( 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)

2.11 DISTRIBUCIN BETA
f x ( x)
Fx ( x)
1.0
x
x
Figura 2.17 Distribucin Beta
Se define con dos parmetros de escala 1 0 y 2 0 .
x1 1 (1 x)2 1
f x ( x)
B(1 , 2 )
1
E( x)
1 2
1 2
VAR(X)
(1 2 )2 (1 2 1)
Rango x (0,1)
El smbolo B denota la funcin Beta:
(1 )( 2 )
B(1 , 2 )
(1 2 )
Esta distribucin no tiene una forma definida. Segn el valor de sus parmetros de forma puede tomar
muy diversas formas. La tasa de eventos siempre es creciente.
Muchas variables aleatorias pueden normalizarse y modelarse mediante esta distribucin.
Para modelar proporciones
Modelos en ausencia de datos
La distribucin Beta con ambos parmetros iguales a 1 es la distribucin uniforme para valores de x entre
0 y 1.

EJERCICIO 2.8
Un sistema de potencia de una regin dada es deficitario en cuanto a generacin. Este dficit se atiende
con importacin de potencia desde los sistemas vecinos. Definiendo:
( Dmax Gdisponible )
Deficit
Dmax
Entonces, el dficit es una variable aleatoria cuyo rango son los nmeros reales entre 0 y 1.
Si la variable aleatoria que representa el dficit tiene distribucin Beta con ambos parmetros de forma
iguales a 2, hallar:
Cul es el valor esperado de dficit?
1 2
E( x) 0.5
1 2 2 2
1 2 2* 2
0.2236
(1 2 ) (1 2 1)
2
(2 2)2 (2 2 1)
Cul es la probabilidad de que el dficit sea mayor al 50%?
P( x 0.5) 1 F(0.5) 1 0.5 0.5
F(0.5) se hallo numricamente
Cul es la probabilidad de que el dficit sea menor o igual al 25%?
P( x 0.25) 0.1562 Valor hallado numricamente

2.12 DISTRIBUCIN BINOMIAL
p ( x) p ( x) p ( x)
p 0.5
p 0.5 p 0.5
x x x
Figura 2.18 Distribucin Binomial
Si un experimento aleatorio cumple las condiciones de Bernoulli:
1 Existen nicamente dos posibles resultados para cada ensayo: ocurrencia y no ocurrencia de un evento
2 La probabilidad de ocurrencia de cada evento es la misma para cada ensayo
3 Los ensayos sucesivos de un mismo tipo son independientes
Si la probabilidad de ocurrencia de un evento es p y la probabilidad de no ocurrir es q , entonces, la

probabilidad de exactamente k ocurrencias en n ensayos es una secuencia de Bernoulli y est dada
por la distribucin Binomial
n n
p( x) P( x k) p k qnk p k (1 p)nk
k k
k
n
Fx ( x) P( x k ) p k qni
i 0 i
E( x) np
VAR(X) npq
Rango x {0,1, 2...}
Confiabilidad
Nmero de tems con una caracterstica dada en un grupo
Coeficientes Binomiales
n n!
k n! 1* 2 * 3 * * n 0! 1
k !(n k )!

EJERCICIO 2.9
La disponibilidad de un componente continuamente operado es del 90%. Existen 4 componentes de este

tipo trabajando en un proceso.
Sea x la variable aleatoria que representa el nmero de componentes indisponibles.
Definiendo:
Experimento Observar el estado de los componentes

Eventos componente indisponible, componente disponible
n =4 Es el nmero de ensayos
p 0.1 Es la probabilidad del evento componente indisponible
q 0.9 Es la probabilidad del evento componente disponible
Cul es el valor esperado de equipos indisponibles?
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.
Tampoco se puede hallar la probabilidad de ocurrencia de este valor!
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 P(x=k)
0 0.6561
1 0.2916
2 0.0486
3 0.0036
4 0.0001
1.0000
Cul es la probabilidad de encontrar 2 o menos componentes indisponibles?
P( x 2) P( x 0) P( x 1) P( x 2) 0.9963

EJERCICIO 2.10
Se requiere que el control del mecanismo de disparo de un interruptor de potencia opere exitosamente el
99.99% de las veces.
Si la probabilidad de falla de una bobina de disparo es de 0.006, cul es el nmero requerido de bobinas
de disparo que se deben colocar en paralelo?
Sea x la variable aleatoria que representa el nmero de bobinas de disparo funcionando.
Definiendo:
Experimento Observar el estado de los las bobinas de disparo

Eventos fallada, funcionando
n? Es la incgnita del problema
p 0.994 Es la probabilidad de que una bobina de disparo funcione
q 0.006 Es la probabilidad de que una bobina de disparo falle
La probabilidad de encontrar ms de 0 bobinas funcionando debe ser mayor a 0.9999.
P( x 0) P( x 1) P( x 2) P( x 3) 1 P( x 0) 0.9999
n
1 (0.994)0 (0.006) n 0 0.9999
0
n
(0.994)0 (0.006) n 0.9999 1
0
n
(0.994) (0.006) 0.0001
0 n
n!
*1* (0.006) n 0.0001
0!(n 0)!
n 1.8003 n 2
Se requieren por lo menos dos bobinas en paralelo.
La probabilidad de hallar 0 de dos bobinas funcionando es:
2
P( x 0) (0.994)0 (0.006) 2 0 0.000036 0.0001
0
Lo cual es igual a 0.006*0.006

EJERCICIO 2.11
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:
En una subestacin elctrica existen 4 transformadores de potencia. Para atender la carga, se requiere
que al menos dos de los cuatro transformadores estn operando continuamente.
La tasa de fallas de los transformadores es de 0.1 fallas/ao.
Cul es la probabilidad que un transformador falle en los primeros cinco aos?
En este caso, se asume o conoce que la tasa de fallas de los transformadores es constante; entonces,
la distribucin de los tiempos para falla es exponencial y se define como:
Ft falla (t ) 1 e *t
P[t falla 5aos] 1 e0.1*5 0.39347
Cul es la confiabilidad de uno de estos transformadores en un periodo de 5 aos?
En este caso, la confiabilidad es la probabilidad de que el transformador NO falle en los primeros

5 aos.
Rtrafo (5aos) 1 F (5aos) 1 0.39347 0.60653
Cul es la confiabilidad de la subestacin en un periodo de 5 aos?
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.
Sea X la variable aleatoria que corresponde al nmero de trafos que se encuentran operando
p 0.60653 q 0.39347
4
4
Rsubestacion P( x 2) 0.60653i0.39347 4 i P( x 2) P( x 3) P( x 4) 0.82824
i 2 i

2.13 DISTRIBUCIN MULTINOMIAL
Es una generalizacin de la distribucin binomial para el caso de k eventos mutuamente exclusivos.
Sea X la variable aleatoria que corresponde a observar el nmero de ocurrencias de cada uno de los k
eventos en n ensayos.
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, y nk ocurrencias del
evento k en n ensayos, con n1 n2 nk n , est dada por la distribucin Multinomial.
n!
p( x) P(n1 , n2 , , nk ) p1n1 p2n2 pknk
n1 !* n2 !* * nk !
EJERCICIO 2.12
El operador del sistema de distribucin de energa de una ciudad dada tiene dividida su rea geogrfica
en 4 zonas. La probabilidad de que se registren fallas en cada una de las zonas est dada por:
Zona Pi
1 Oriental 0.40
2 Central 0.30
3 Sur 0.20
4 Occidental 0.10
1.00
Cul es la probabilidad de que en un momento dado se produzcan simultneamente 2 fallas en la zona 1,

3 en la zona central, 5 en la sur y 0 en la occidental?
En este caso los eventos mutuamente exclusivos son las ocurrencias de las fallas en las
zonas 1, 2, 3 y 4. Una falla solo puede pertenecer a una de las zonas.
n1 2
n2 3
n3 5
n4 0
n n1 n2 nk 10
10!
P(n1 2, n2 3, n3 5, n4 0) * 0.42 * 0.33 * 0.25 * 0.10 0.087
2!*3!*5!* 0!

2.14 DISTRIBUCIONES PASCAL Y GEOMTRICA
p ( x)
Figura 2.19 Distribucin Pascal
En este caso se observan los resultados de una secuencia de Bernoulli hasta que se obtiene un nmero
dado de ocurrencias de un evento. Obtener este nmero dado de ocurrencias del evento de inters puede
requerir N ensayos. El nmero de ensayos N es aleatorio.
Si la probabilidad de ocurrencia de un evento es p y la probabilidad de no ocurrir es q , entonces, la

probabilidad de que tomar exactamente N ensayos para observar R ocurrencias en una secuencia de
Bernoulli est dada por la distribucin Pascal
N 1 R N R
p( x) P( x N ) p q con 0 R N
R 1
R
E( x)
p
R(1 p)
VAR(X)
p2
Rango x {0,1,2...}
Esta distribucin es sesgada a la derecha o, en otras palabras, tiene coeficiente de asimetra positivo.
Nmero de ensayos para obtener un evento dado
Cuando R 1 , la distribucin Pascal se conoce como Distribucin Geomtrica donde P( x N ) p q N 1

EJERCICIO 2.13
El operador de un sistema de distribucin cree que en un sector donde hay 30 viviendas se generan
problemas de calidad de la potencia que afectan a los otros usuarios del sistema. La probabilidad de que
exista un problema de calidad del servicio en una vivienda es de 0.20.
Cul es valor esperado de ensayos para encontrar un problema de calidad del servicio?
R 1
E ( x) 5 Se espera que se tenga que inspeccionar 5 viviendas para encontrar un
p 0.20
problema de calidad del servicio
Cul es la probabilidad de que se tenga que inspeccionar 5 viviendas para encontrar un problema
de calidad del servicio?
N 1 R N R 5 1 5 1 4
P( x 5) p q 0.20 * 0.8 0.20 * 0.8 0.08192
1 1 4
R 1 1 1
0
Cul es la probabilidad de que se tenga que inspeccionar las 30 viviendas para encontrar un
problema de calidad del servicio?
N 1 R N R 30 1 30 1 29
P( x 30) p q 0.20 * 0.8 0.20 * 0.8 0.00031
1 1 29
R 1 1 1
0

2.15 DISTRIBUCIN HIPERGEOMTRICA
En este caso se considera un espacio muestral que contiene un nmero finito de T elementos, los cuales se
dividen en K categoras mutuamente exclusivas, con T1 en la clase 1, T2 en la clase 2, etc.
Entonces, T1 T2 Tk T
La probabilidad de n1 ocurrencias de la evento 1, n2 ocurrencias del evento 2, y nk ocurrencias del

evento k en N ensayos sin reemplazo, con n1 n2 nk N , est dada por la distribucin
Hipergeomtrica.
T1 T2 Tk
n n n
P(n1 , n2 , , nk )
1 2 k
p( x)
T
N

La distribucin Hipergeomtrica puede aproximarse a la distribucin Multinomial cuando T , el nmero

total de elementos en el espacio muestral sea muy grande.
EJERCICIO 2.14
En un sistema elctrico hay 30 generadores de los siguientes tipos:
Tipo de generador Ti
1 Hidrulico 12
2 Gas natural 9
3 Diesel 6
4 Elico 3
30
Cul es la probabilidad de que si se seleccionen 10 generadores al azar para hacerles una inspeccin de
seguridad, resulten 2 hidrulicos, 3 de gas natural, 5 diesel y ninguno elico?
12 9 6 3

P(n1 2, n2 3, n3 5, n4 0) 0.0011
2 3 5 0
30

10
Si este problema se resuelve por la distribucin Multinomial el resultado ser de 0.087.

2.16 DISTRIBUCIN LOGNORMAL
f x ( x)

Ln( x) x
Figura 2.20 Distribucin lognormal
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos
transformados es normal, entonces los datos tienen distribucin lognormal.
La condicin de normalidad de los datos transformados puede deducirse del histograma, si este tiene
forma de campana.
Se define mediante el parmetro de forma 0 y el parmetro de escala (, ) los cuales no se deben

confundir con los parmetros de la distribucin normal.
( Ln[ x ] )2
1
f x ( x) e 2*
2
x 2
2
E( x)
e 2
e 2 [e 1]
2 2
VAR(X)
Rango x [0, )
Tiempos para ejecutar una tarea
Tiempos para reparacin
Tiempos para prestar un servicio

EJERCICIO 2.15
El tiempo esperado de servicio de una cuadrilla en una zona rural es 6 horas con una desviacin estandar
de 20%. Si la distribucin del tiempo de servicio es lognormal, cuales son los parmetros de la
distribucin?
2

VAR( X ) (6*0.2)2 1.44 e2 [e 1]
2 2
1. Las ecuaciones son E ( x) 6 e 2 y
2. Resolviendo el sistema de ecuaciones:
= Ln(VAR[x]+e2 Ln ( E[ x ] 2 Ln( E[ x]) 0.1980

2
=Ln(E[x])- 1.7721
2
3. Si ahora el valor esperado y la desviacin se expresan en das:
6 6
E ( x) 0.25 VAR( X ) ( * 0.2)2 0.0025
24 24
Reemplazando en el sistema de ecuaciones se obtiene:
=0.1980
=-1.4059
Quiere esto resultado decir que en esta distribucin el 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 .

2.17 DISTRIBUCIN LOGISTIC
f x ( x)
Figura 2.21 Distribucin logistic
Recibe este nombre por el hecho de que su funcin de distribucin de probabilidad pertenece a la familia
de funciones matem{tica llamada logsticas.
Se define mediante un parmetro de localizacin (, ) y un parmetro de escala s 0 .
( x )
s
e
f x ( x) ( x )
s(1 e s 2
)
1
Fx ( x) ( x )
1 e s
E( x)
2
VAR(X) s2
3
Rango x (, )
Tiempos para aprendizaje
Crecimiento de poblaciones
Propagacin de epidemias
Difusin de las ventas de un nuevo producto
Difusin de nuevas tecnologas en el mercado

2.18 DISTRIBUCIN LOG-LOGISTIC

f x ( x)

Ln( x)
x
Figura 2.22 Distribucin log-logistic
Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos
transformados es logistic, entonces los datos tienen distribucin log-logistic.
Se define mediante un parmetro de forma 0 y un parmetro de escala 0 .
x
( ) 1

f x ( x)
x
[1 ( ) ]2

1
Fx ( x) x
[1 ( ) ]

E( x) cos c( ) Para 1 ,

VAR(X) 2 [2cos c(2 ) [cos c( )]2 ]
Rango x [0, )
Tiempos para realizar una tarea

2.19 DISTRIBUCIN FISHER-TIPPETT
f x ( x)
Figura 2.23 Distribucin Fisher - Tippet
Recibe su nombre en honor a Ronald A. Fisher y Leonard C. Tippet.
Se define mediante un parmetro de localizacin (, ) y un parmetro de escala 0 .
( x )
xe z
f x ( x) donde z e

( x )
Fx ( x) e
e
E( x) donde 0.57721 es la constante Euler-Mascheroni
2 2
VAR(X)
6
Rango x (, )
Anlisis de valores extremos

2.20 DISTRIBUCIN PEARSON V
f x ( x)
Figura 2.24 Distribucin Pearson V
Se define mediante un parmetro de forma 0 y un parmetro de escala 0 .
Si el inverso de los datos de la muestra se ajustan a una distribucin Gamma con parmetros G y G ,
1
entonces, los datos tienen distribucin Pearson V con parmetros G y .
G

f x ( x) x( 1) e x
( )
1
Fx ( x) 1 FGAMMA ( ) donde FGAMMA es la funcin de distribucin de probabilidad Gamma
x

E( x) Para 1
1
2
VAR(X) Para 2
( 1)2 ( 2)
Rango x [0, )

2.21 DISTRIBUCIN PEARSON VI
f x ( x)
Figura 2.25 Distribucin Pearson VI
Se define mediante dos parmetros de forma 1 0 y 2 0 .
xi
Si para cada dato xi una muestra x1, x2,, xn se obtiene y estos datos transformadores se ajustan a una
xi 1
distribucin Beta con parmetros 1B y 2 B , entonces, los datos tienen distribucin Pearson VI con
parmetros 1 1G y 2 2G .
x(1 1) (1 )( 2 )
f x ( x) donde B(1 , 2 ) es la funcin matemtica Beta
B(1 , 2 )[1 x]( 1 2 )
(1 2 )
x
Fx ( x) FBETA ( ) donde FBETA es la funcin de distribucin de probabilidad Beta
x1
1
E( x) Para 2 1
2 1
1 (1 2 1)
VAR(X) Para 2 2
( 2 1)2 ( 2 2)
Rango x [0, )

2.22 BIBLIOGRAFA
[1] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estoc{sticos en ingeniera

elctrica, Universidad de los Andes, 1996.
[2] Anders G, Probability concepts in electric power systems, Wiley and Sons, 1990.
[3] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart
and Wiston Inc, 1970.
[4] Viniotis Yannis, Probability and Random Processes for Electrical Engineers, Mc-Graw Hill, 1998.
[5] Papoulis Athanasios, Probability, Random Variables and Stochastic Processes, tercera edicin, Mc-
Graw Hill, 1991.
[6] Miller I, Freund J, Johnson R, Probabilidad y Estadstica para Ingenieros, cuarta edicin, Prentice
Hall, 1992.
[7] Law Averill M, Kelton W. David, Simulation Modeling and Analysis, Tercera edicin, Mc-Graw
Hill, 2000.
[8] Decisioneering Inc, Crystal Ball 2000 User Manual, Decisioneering Inc, 2001.
[9] Garcs L. P, Gmez O, C. J. Zapata, An{lisis de confiabilidad del sistema compuesto generacin-
transmisin de la ciudad de Pereira, II Congreso Internacional IEEE de la Regin Andina Andescon
2004, Agosto de 2004.
[10] Karaki S. H, Chedid R. B, Ramad{n R, Probabilistic performance assessment of wind energy

conversin systems, IEEE Transactions on Energy Conversin, Vol. 14, No. 2, June 1999.
[11] Wikipedia- The free encyclopedia. www.wikipedia.org

Probabilidad Capitulo 2 2009

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Probabilidad Capitulo 2 2009

Diunggah oleh

Hak Cipta:

Format Tersedia

Anlisis Probabilstico y Simulacin Carlos J.

Zapata Captulo 2 Distribuciones de probabilidad

CAPTULO 2 DISTRIBUCIONES DE PROBABILIDAD

2.1 PARMETROS DE LAS DISTRIBUCIONES DE PROBABILIDAD

2.1.1 Parmetro de localizacin

Figura 2.1 Parmetro de localizacin de una

2.1.2 Parmetro de escala

Figura 2.2 Parmetro de escala de una

2.1.3 Parmetro de forma

2 Figura 2.3 Parmetro de escala de una

Universidad Tecnolgica de Pereira 2009 35

2.2 CARACTERSTICAS DE UNA VARIABLE ALEATORIA

La varianza, la desviacin estndar y el coeficiente de variacin son medidas de la dispersin de la

Si P( X a) 0.5 y P( X a) 0.5 , entonces a es la mediana de la distribucin de la variable aleatoria x

Area igual a Figura 2.4 Concepto de mediana

Figura 2.5 Concepto de moda

Universidad Tecnolgica de Pereira 2009 36

2.2.3 Momentos centrales

Se define el momento central (con respecto al valor esperado) de orden r como:

2.2.4 Coeficiente de variacin

2.2.5 Coeficiente de asimetra

Universidad Tecnolgica de Pereira 2009 37

Figura 2.7 Coeficiente de asimetra para varias distribuciones

2.2.6 Coeficiente de afilamiento

Mide el afilamiento o cantidad de pico (peakness) de la distribucin.

2.3 ALGUNAS DISTRIBUCIONES DE PROBABILIDAD

Universidad Tecnolgica de Pereira 2009 38

2.4 DISTRIBUCIN EXPONENCIAL

Figura 2.8 Distribucin exponencial

Se define por medio de un parmetro de escala [unidades de x ] o una tasa de eventos h

Es la distribucin de probabilidad ms utilizada en confiabilidad.

Universidad Tecnolgica de Pereira 2009 39

De estadsticas se conoce que, en promedio, por cada 10 km de red recorridos se encuentra un

Si la distancia X es una variable aleatoria exponencialmente distribuida hallar:

Cual es la tasa de eventos?

Qu distancia se espera recorrer para encontrar un acercamiento?

Este valor esperado corresponde a la cifra estadstica operativa.

Cul es la probabilidad de encontrar un acercamiento en un recorrido de 10 km?

F(10km) 1 e 0.1*10 0.6321

F( x) 1 e 0.1* x 0.9 e 0.1* x 0.9 1.0 e 0.1* x 0.1

x ln(0.1) / 0.1 23.026 km

La probabilidad de encontrar 0, 1 o n acercamientos se halla con el proceso de Poisson.

Universidad Tecnolgica de Pereira 2009 40

2.5 DISTRIBUCIN UNIFORME

Figura 2.9 Distribucin uniforme

Se define por medio de dos valores a y b , con a b . El parmetro de localizacin es a y el parmetro de

Es la distribucin de probabilidad ms simple.

Universidad Tecnolgica de Pereira 2009 41

Cul es la probabilidad de que ocurra una falla en los primeros 10 km de la lnea?

Cul es el valor esperado para la distancia en que ocurren las fallas?

Cul es la probabilidad de que ocurra una falla en los primeros 25 km de la lnea?

Universidad Tecnolgica de Pereira 2009 42

2.6 DISTRIBUCIN NORMAL O GAUSIANA

Figura 2.10 Distribucin normal o Gausiana

Se define por medio un parmetro de localizacin, usualmente llamado , y un parmetro de escala,

Es la distribucin de probabilidad ms importante y ms utilizada en probabilidad y estadstica.

Universidad Tecnolgica de Pereira 2009 43

Cul es el CFO del aislador?

( z 1.67) 0.0475 4.75% De tablas de la distribucin normal estndar.

Interpolando entre estos dos valores, se obtiene z=1.282 para 0.9

Entonces, x z * 200kV 1.282*0.05* 200kV 212.8kV

Universidad Tecnolgica de Pereira 2009 44

2.7 DISTRIBUCIN WEIBULL

Figura 2.12 Distribucin Weibull

Entonces, x z * 200kV 1.2820.05 200kV 212.8kV