Professional Documents
Culture Documents
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
INTRODUCCION
COSTO DE LA CONFIABILIDAD
Fenmenos aleatorios
12
13
ESPACIO MUESTRAL
15
16
17
18
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
28
k
P(E3) lim
n n
30
31
32
33
34
7 DIAGRAMAS DE VENN
7 DIAGRAMAS DE VENN
40
A 70 V 90
B 40 50
41
A 70 V 90
B 40 50
42
43
AB
A i si i=j
Ai A j
si i j
45
ABC S
46
A1 A 2 A 3 ....A n S
A i si i=j
Ai A j
si i j
47
48
49
i)
0 P(Ei) 1
P(S)=1
ii)
51
1. EVENTOS INDEPENDIENTES
2. EVENTOS MUTUAMENTE EXCLUSIVOS
3. EVENTOS COMPLEMENTARIOS
4. EVENTOS CONDICIONALES
53
54
55
56
3. EVENTOS COMPLEMENTARIOS
4. EVENTOS CONDICIONALES
57
P(S) 1 P(A) P( A )
_
P(A) 1 P( A )
58
4. EVENTOS CONDICIONALES
59
AB
P(A B)
B
61
S* P(A B) P(A B)
P(A B)
S* P(B)
P(B)
62
5. EVENTOS SIMULTNEOS
INDEPENDIENTES
DEPENDIENTES
P(A B) P(A)
P(B A) P(B)
65
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
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
67
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
71
EVENTOS INDEPENDIENTES
EXCLUSIVOS
MUTUAMENTE
EVENTOS NO INDEPENDIENTES
72
73
i 1
i 1
P( Ei) P(Ei)
Dados E y E entonces:
P(E)
P()=0
75
EVENTOS NO INDEPENDIENTES
76
77
P(BA)=
P B A
P A
P B A P(BA).P A
78
P(BA)=P B
P(A)=P A
P B A P A .P B
79
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
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
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
P Bi 0
Entonces se cumple que:
87
88
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
EJERCICIOPROBABILIDADTOTAL
Dadosloscostosylaconfiabilidadesperada,
lasprobabilidadesdequeeldepartamentode
planificacinescojaunadelasalternativas
estnenrelacin1:2:3,respectivamente.Solo
untipodeenlacepuedeserescogido.
SiPlanificacinescogelalneatelefnicala
probabilidaddequeelenlaceestelistojustoa
tiempoesdel100%
99
EJERCICIOPROBABILIDADTOTAL
SiPlanificacinescogelafibrapticala
probabilidaddequeelenlaceestelistojustoa
tiempoesdel75%
SiPlanificacinescogelasmicroondasla
probabilidaddequeelenlaceestelistojustoa
tiempoesdel80%
100
EJERCICIOPROBABILIDADTOTAL
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
104
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
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
DISTRIBUCIONDEPROBABILIAD
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
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
DISTRIBUCIONDEPROBABILIAD
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)
16 VARIABLE DISCRETA
La secuencia de probabilidades
FX xi FX xj P ( X xi ) P( X xj )
P( X xi ) p( xi )
118
16 VARIABLE DISCRETA
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
17 VARIABLE CONTINUA
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
17 VARIABLE CONTINUA
17 VARIABLE CONTINUA
Sea fX(x) una funcin de densidad de
probabilidad de X entonces:
b
P ( a X b) f X x
a
126
17 VARIABLE CONTINUA
f X ( x) 0
f X ( x) 1
127
17 VARIABLE CONTINUA
FX x P( X x)
Entonces
FX x P( X x)
f (t )dt
128
17 VARIABLE CONTINUA
=
b
f X x dx
f X x dx
P(a X b) f X x dx
a
129
17 VARIABLE CONTINUA
Entonces
FX x P( X x)
dFX x
dx
f X ( x)
130
18 MEDIA
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
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
VAR( X ) E X X
xi X . pi ( xi )
2
136
VAR( X ) E X X
. f X ( x)dx
137
VAR( X ) E ( X ) X
2
( 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
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
19 DISTRIBUCIN BINOMIAL
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
19 DISTRIBUCIN BINOMIAL
La probabilidad de realizar una particular secuencia de k de
sucesos de un evento en n pruebas es:
k
nk
p (1 p )
n
k
144
19 DISTRIBUCIN BINOMIAL
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
DISTRIBUCIONBINOMIAL
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
DISTRIBUCIONBINOMIAL
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
DISTRIBUCIONBINOMIAL
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
2elementosserequierenparaun
funcionamientoexitoso
1elementoserequiereparaun
funcionamientoexitoso
163
criteriodeaceptacin
criteriodeaceptacin
Todosloselementosserequieren Falladeunelementoomasprovocan
paraunfuncionamientoexitoso
lafalladelsistema
3elementosserequierenparaun
funcionamientoexitoso
Falladedoselementosomas
provocanlafalladelsistema
2elementosserequierenparaun
funcionamientoexitoso
Falladetreselementosomas
provocanlafalladelsistema
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
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
DISTRIBUCIONBINOMIAL
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
Xt
19 DISTRIBUCIN DE POISSON
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
19 DISTRIBUCIN DE POISSON
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
20 DISTRIBUCIN EXPONENCIAL
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
20 DISTRIBUCIN EXPONENCIAL
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
20 DISTRIBUCIN EXPONENCIAL
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
20 DISTRIBUCIN EXPONENCIAL
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
20 DISTRIBUCIN EXPONENCIAL
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
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:
x 2
1
f X ( x)
e
2
con x
188
20 DISTRIBUCIN NORMAL
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
z
2
dz
(A)
190
dt
(B)
x
FX ( x)
191
P (a X b) FX (b) FX (a )
b
a
192
b
193
z 1 z
194
195
196
197
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
208