Calidad y 

Confiabilidad del 
Sistema Eléctrico
BEN CEVALLOS MIELES
 Unidad 3:
Teoría de la
probabilidad y
aplicaciones a la
Ingeniería
Eléctrica y a los
Sistemas de
Potencia
BEN CEVALLOS MIELES
Análisis de Datos
• En las clases anteriores se ilustraron algunas de las distribuciones
básicas que se utilizan en la evaluación de la confiabilidad.
• Una pregunta importante que nos hacemos es: ¿Cuál es la
distribución mas apropiada en una situación dada. Si se dispone de
suficiente información, entonces es posible analizar estos datos y
obtener algunas conclusiones importantes tanto cualitativas como
cuantitativas.
• El procedimiento de colección de datos generalmente involucra la
obtención de un conjunto de muestra de datos de una familia
mucho mas grande de datos conocida, como la población.
Análisis de Datos
• Puede no ser posible coleccionar todos los datos debido al costo
involucrado o por la enormidad de trabajo. Por lo tanto puede ser
necesario interferir conclusiones acerca de ciertos parámetros de la
población de la muestra de datos.

• Preguntas subsecuentes relacionan que tan bien la muestra representa a

la población, que distribución es la que mejor fija a la muestra y así a la
población.

• Las estadísticas mas comunes son la media de la muestra y la varianza

de la muestra. Estas estadísticas son estimaciones puntuales.

• Se asume que la muestra es aleatoria (el procedimiento de muestreo no

es sesgado y las observaciones sucesivas son independientes).
Análisis de Datos
• La media de la muestra “x.” es dada por :
n

X i
x i 1

• La media de la muestra es un estimado no sesgado de la media de

la población µx
• Muestras sucesivas cada una tiene su propio valor medio. Por lo
tanto la media de la muestra es también una variable aleatoria con
una distribución probabilística asociada que tiene un valor medio
igual a µx .
Análisis de Datos

• La varianza de esta distribución es dada por:

• Una propiedad importante de la distribución de las medias de las

muestras es que, en muchos casos es que sigue o se aproxima a
una distribución normal aun si la distribución de la población no es
normal. Este fenómeno es conocido formalmente como el teorema
del Limite Central y es muy importante en muchas áreas del
análisis estadístico.
Análisis de datos
• La varianza de la muestra S2 x es dada por:
1
S 2x  
n i
( xi  x ) 2

• La varianza de la muestra es un estimado de la varianza la

población σ2x pero a diferencia de la media de la muestra, este
estimador tiene sesgo. Por lo tanto es necesario modificar la
varianza de la muestra usando un factor de corrección para proveer
un mejor estimado de la varianza de la población. Este factor es
n/(n+1) y es algunas veces conocido como la corrección de Bessel.

• El estimado no sesgado de σ2x es por lo tanto:

n 2
 2x  S x
n 1
Análisis de datos
• Cuando el tamaño de la muestra aumenta, el factor de corrección
se aproxima a la unidad y su efecto disminuye.

• La media y la desviación estándar de la muestra y por interferencia,

las de la población son estimaciones puntuales útiles y piezas
importantes de la información.

• Es beneficioso crear una distribución de los datos, la cual puede

ser usada para dar una mejor interpretación física y usada para dar
soporte a la evaluación cuantitativa.
Análisis de datos
• Cuando el tamaño de la muestra aumenta, el factor de corrección
se aproxima a la unidad y su efecto disminuye.

• La media y la desviación estándar de la muestra y por interferencia,

las de la población son estimaciones puntuales útiles y piezas
importantes de la información.

• Es beneficioso crear una distribución de los datos, la cual puede

ser usada para dar una mejor interpretación física y usada para dar
soporte a la evaluación cuantitativa.
Distribución de frecuencias
• Cuando los datos son obtenidos y presentados en su forma
original, estos son designados como no agrupados y sin rango.

• En algunos casos es mas conveniente arreglar las observaciones

en un orden de magnitud creciente o decreciente. Esto es conocido
como ranking u orden de rango y forma una distribución de
frecuencias no agrupada.

• Esta forma no agrupada puede no proveer una visión útil y es a

menudo mas beneficioso agrupar los datos en clases, cada una de
un ancho constante (intervalo de clase).

• La selección del ancho del intervalo de clase es usualmente un

asunto de juzgamiento.
Distribución de frecuencias
• Todos los intervalos de clase deberán ser del mismo ancho y
deberán ser ubicados de tal forma que ningún resultado caiga en
un limite de clase. No deberá haber espacio o sobreposiciones
entre clases sucesivas.

• La selección del numero de clases y el ancho del intervalo de clase

es a menudo un asunto de juzgamiento y depende del uso que se
haga de la distribución.

• Muy pocas clases con un amplio intervalo de clase oculta la forma

de la distribución.

• Con muchos intervalos de clase algunos de ellos podrían contener

poca o ninguna información, lo cual distorsiona la forma actual de
la distribución.
Distribución de frecuencias
• Una guía útil para encontrar un numero aceptable de clases es
dada por la regla de Sturges:

• Numero de intervalo de clase k= 1+3.3 log(n) ; donde n=numero de

observaciones.

• Como esto es solo una guía aproximada, el numero de intervalos

de clase puede ser redondeado al entero mas cercano para
encontrar un ancho razonable para el intervalo de clase.

• Para obtener el ancho del intervalo de clase se divide el rango de

los datos por el numero de intervalos de clase y luego se redondea
este valor a un ancho aceptable.

• Rango de dato= Observación Máxima –Observación mínima.

Distribución de frecuencias
• La selección de los limites apropiados depende de la medida de
precisión de los datos.

• El limite de primer clase puede ser obtenido restando un medio de

la medida de precisión del mínimo valor o seleccionando un valor
apropiado basado en la mínima observación. Todos los limites
subsecuentes son desplazados por el ancho del intervalo de clase.

• Usando los intervalos de clase designados se puede obtener una

tabla de frecuencia.
Distribución de frecuencias
• Se puede crear un histograma de frecuencia usando el numero de
observaciones en cada clase como el valor de la ordenada.

• La escala de la ordenada indica como el numero de observaciones

en una clase en particular es relacionada al ancho de clase
seleccionado. Esta escala deberá ser etiquetada como “frecuencia
por un ancho de intervalo de clase de….” .

• El histograma de frecuencia relativa es obtenido dividiendo las

frecuencias de clases por la frecuencia total ( numero de
observaciones).
Distribución de frecuencias
• El grafico de la frecuencia acumulativa es obtenido sumando las
frecuencias en cada clase y graficando esta suma como una
función del limite superior de la clase en la cual la frecuencia es
sumada.

• Este grafico muestra la frecuencia total de observaciones que

tienen un valor menor que el valor prescrito.
 Fallas componente eléctrico

• En una Empresa Eléctrica se ha controlado el ciclo de vida de un

componente eléctrico ( X ) por un periodo de 42 meses , usted como jefe
de mantenimiento eléctrico, requiere tomar ciertas decisiones de
adquisiciones referente al producto por lo cual decide realizar un estudio
de frecuencias.
Fallas del Componente Eléctrico

0 1 2 3 4 5 6 7 8 9
x x x x x x
10 11 12 13 14 15 16 17 18 19
x x x x x xx x xx xx xx
20 21 22 23 24 25 26 27 28 29
xx xxx xxx xxxx xx xx xx xx x x
30 31 32 33 34 35 36 37 38 39
x x x x x xx x
 Procedimiento:
1. Construir una Tabla de Frecuencias, basada en el tiempo (en meses) de vida del
componente eléctrico X.
2. Tamaño de la muestra
3. Numero de Intervalos
4. Rango
5. Amplitud
6. Marca de Clase
7. Frecuencia Absoluta
8. Frecuencia Acumulada
9. Frecuencia Relativa
10. Frecuencia Relativa Acumulada
 Procedimiento
1. Tamaño de la muestra : 50
2. Numero de Intervalos: 1.33 log (50) = 6.6 =7
3. Rango = Mayor –Menor = 42-0 = 42
4. Amplitud = Rango/intervalos = 42/7 = 6
5. Marca de Clase = (Inicial +final)/2
6. Frecuencia Absoluta = Numero de fallas dentro del intervalo de clase
7. Frecuencia Acumulada =
8. Frecuencia Relativa = frecuencia absoluta / numero total de eventos
9. Frecuencia Relativa Acumulada
 Tabla I
Tabla de Frecuencias
Tiempo  (en meses) de vida del componente eléctrico X

Ordinal Clase Marca de  Frecuencia  Frecuencia  Frecuencia  Frecuencia 

clase Absoluta Acumulada relativa relativa 
acumulada
1 [0-6) 3 2 2 0,04 0,04
2 [6-12) 9 6 8 0,12 0,16
3 [12-18) 15 8 16 0,16 0,32
4 [18-24) 21 16 32 0,32 0,64
5 [24-30) 27 10 42 0,20 0,84
6 [30-36) 33 7 49 0,14 0,98
7 [36-42) 39 1 50 0,02 1
Resultado
0,35

0,3
Frecuencia Relativa

0,25

0,2

0,15

0,1

0,05

0
[0‐6) [6‐12) [12‐18) [18‐24) [24‐30) [30‐36) [36‐42)
Tiempo (en meses)
Resultado
0,4

0,35

0,3
FRECUENCIA RELATIVA

0,25

0,2

0,15

0,1

0,05

0
0 5 10 15 20 25 30 35 40 45
MESES
Resultado
1,4

1,2

1
FRECUENCIA RELATIVA ACUMULADA

0,8

0,6

0,4

0,2

0
0 5 10 15 20 25 30 35 40 45
MESES
• Para el conjunto de Observaciones, determinar el rango, la varianza, la
desviación estándar y el coeficiente de variación.

8 3 5 6 4 7 8 1 4 4
 Actividad
𝑅𝑎𝑛𝑔𝑜 𝑋𝑓 𝑋𝑖
=8-1
=7

Xi X1 1

δ X2 3

X3 4

= X4 4

5,11 X5 4

X6 5

X7 6
Desviación Estándar Coeficiente de Variación
X8 7
δ =5,11 δ 2,26
𝐶𝑣
δ 5,11 𝑥 5 X9 8
δ = 5,11 Cv= 0,452
δ =2,26 Xf X10 8
Distribución de frecuencia- ACTIVIDAD 3.3

El departamento de alumbrado publico de la Empresa Eléctrica LPCo. Asume que el tiempo de

vida de una lámpara puede ser asumido normalmente distribuido. Esta suposición fue examinada
tomando información de la vida de 80 lámparas nuevas que están ubicadas en un lugar fácil de
observar y monitorear. Los tiempos de vida son aproximados a la hora mas cercana.
Tiempos de vida, en horas
854 1284 1001 911 1168 963 1279 1494 798 1599
1357 1090 1082 1494 1684 1281 590 960 1310 1571
1355 1502 1251 1666 778 1200 849 1454 919 1484
1550 628 1325 1073 1273 1710 1734 1928 1416 1465
1608 1367 1152 1393 1339 1026 1299 1242 1508 705
1199 1155 822 1448 1623 1084 1220 1650 1091 210
1058 1930 1365 1291 683 1399 1198 518 1199 2074
811 1137 1185 892 937 945 1215 905 1810 1265
La Distribución Binomial o de Bernoulli
• Considere el lanzamiento de una moneda .
• Resultados puede ser (H) o (T)
• Cada resultado tiene probabilidad ½
• Posible probabilidad de ocurrencia
• P(H) + P(T) = [P(H)+P(T)] 1
• Considere el lanzamiento de la moneda dos veces.
• Posibles resultados puede ser (H,H), (H,T), (T,H), (T,T)
• Si solo interesa la combinación de resultados (H,H), 2(H,T),
(T,T) con probabilidades de ocurrencia ¼, ½, ¼.
• Posibles probabilidades de ocurrencia
• P(H).P(H) + 2 P(H).P(T) + P(T).P(T) = P2 (H)+2P(H).P(T)+ P2
(T)= [P(H)+P(T)] 2
La Distribución Binomial o de Bernoulli
• Si se lanza tres veces la moneda

• P(H).P(H).P(H) + 3P(H).P(H).P(T) + 3P(H).P(T).P(T) +

P(T).P(T).P(T)=
• P3 (H)+3P2(H).P(T)+3P(H) P2 (T)+P3 (T)= [P(H)+P(T)] 3

• Los lados izquierdos de las ecuaciones indican todos los posibles

resultados del experimento, el numero de formas (combinaciones)
que cada resultado puede ocurrir y la probabilidad de ocurrencia de
cada forma.

• 3P2(H).P(T)= Este resultado es dos H y 1T, que hay tres formas que
esto puede suceder y que la probabilidad de ocurrencia de cada
una de estas forma es P2(H).P(T) o que la probabilidad de obtener
2H y 1T es 3P2(H).P(T) .
La Distribución Binomial o de Bernoulli
• De los ejemplos del lanzamiento de una moneda es evidente que la
distribución binomial representa todos los posibles resultados, y su
probabilidad de ocurrencia, de un experimento, o evento que puede
ser representado por la expresión binomial (p+q)n .

• Si el resultado H es definido como éxito y el resultado T es definido

como falla, la discusión previa se hace mas general y los conceptos
descritos pueden ser relacionados a conceptos de confiabilidad en
la cual “p” representa la probabilidad de éxito y “q” ( =1-p )
representa la probabilidad de falla.
La Distribución Binomial o de Bernoulli
• De acuerdo a lo indicado anteriormente la distribución binomial
puede ser representada por la expresión general:
• 𝑝 𝑞
• Para que esta expresión sea aplicable, se requiere que se
cumplan las siguientes cuatro condiciones especificas:
1. Debe haber un numero fijo de ensayos ( n conocido)
2. Cada ensayo deberá resultar en éxito o en falla, solo dos
resultados son posibles y p+q=1.
3. Todos los ensayos deberán tener idénticas probabilidades de
éxito y de falla (p y q permanecen constantes ).
4. Todos los ensayos deberán ser independientes ( esta
propiedad viene de (3) porque la probabilidad de éxito en
ensayo i deberá ser constante y no ser afectada por los
resultados de los ensayos 1,2,……..(i-1) )
La Distribución Binomial o de Bernoulli
• La distribución binomial es aplicable en situaciones en que un
evento puede tener dos posibles resultados. En los problemas
de confiabilidad, los resultados posibles pueden ser operación o
falla.
• Sea p la probabilidad de operación y (1-p) la probabilidad de
falla. Para n pruebas independientes, la probabilidad en obtener
r veces el resultado es:
B (r , n, p )  Crn . p r .(1  p ) n  r

n!
Donde : Crn 
r!.(n  r )!

𝑛
𝑓 𝑥 𝑃 ∗ 1 𝑃
𝑥
La Distribución Binomial o de Bernoulli
• Valor esperado o valor promedio:
E(x) = np
• El numero esperado de éxito es igual al numero de ensayos
multiplicado por la probabilidad de éxito.
• El numero esperado de falla es igual al numero de ensayos
multiplicado por la probabilidad de falla.

• Desviación estándar:
• V(x) = n p ( 1-p ) = n p q

  npq
• La varianza y la desviación estándar de éxito y falla son
idénticas para todos los valores de p y q.
La Distribución Binomial o de Bernoulli
EJERCICIO:

Se sabe que la probabilidad de que un transformador falle antes del primer año es
de 0,04. Se observan 15 transformadores elegidos al azar.
a) ¿Cuál es la probabilidad de que 3 de ellos fallen antes del primer año.
b) ¿Cuál es la probabilidad de que por lo menos 2 fallen después del primer año.

Donde: Solución:
P = 0,04 a)
n = 15 𝑛
𝑓 𝑥 𝑃 ∗ 1 𝑃
X=3,2 𝑥 𝑓 𝑥 3 455 ∗ 6,4𝑥10 5 ∗ 0,612709
q=1-P 15
𝑓 𝑥 3 0,04 ∗ 1 0,04
3 𝑓 𝑥 3 𝟎, 𝟎𝟏𝟕𝟖𝟒
15!
𝑓 𝑥 3 0,04 ∗ 1 0,04
3! ∗ 15 3 !
 Solución:
b)
15 𝑓 𝑥 2 1 𝑓 𝑥 0 𝑓 𝑥 1
𝑓 𝑥 0 0,04 ∗ 1 0,04
0
𝑓 𝑥 0 1 ∗ 1 ∗ 0,54208637 𝑓 𝑥 2 1 0,54208637 0,3388039

𝑓 𝑥 0 0,54208637 𝑓 𝑥 2 𝟎, 𝟏𝟏𝟗𝟏𝟎𝟗𝟕

15
𝑓 𝑥 1 0,04 ∗ 1 0,04
1
𝑓 𝑥 1 15 ∗ 0,04 ∗ 0,564673

𝑓 𝑥 1 0,3388039
La Distribución Binomial o de Bernoulli
• Una planta de generación se diseña para satisfacer una carga
constante de 10MW. Se consideran las siguientes alternativas:
a) 1 x 10 MW
b) 2 x 10 MW
c) 3 x 5 MW

• La probabilidad de que la unidad falle = 0.02

La Distribución Binomial o de Bernoulli

UNITS CAPACIDAD CAPACIDAD PROBABILIDAD

INDISPONIBLE DISPONIBLE INDIVIDUAL
1 X10 MW

0 0 10 0,98

1 10 0 0,02

2 X10 MW

0 0 20 0.982 = 0.9604

1 10 10 2(0,98)(0.02) = 0.0392

2 20 0 0.022 = 0.0004
La Distribución Binomial o de Bernoulli

UNITS CAPACIDAD CAPACIDAD PROBABILIDAD

INDISPONIBLE DISPONIBLE INDIVIDUAL
3 X 5 MW

0 0 15 0.983 = 0.941192

1 5 10 3(0.98)2(0.02) = 0.057624

2 10 5 3(0.98)(0.02)2 = 0.001176

3 15 0 0.023 = 0.000008
La Distribución Binomial o de Bernoulli

UNITS PROBABILIDAD CARGA PERDIDA DE

INDIVIDUAL PERDIDA (MW) CARGA
ESPERADA
(MW)
1 X10 MW

0 0,98

1 0,02

2 X10 MW

0 0.9604

1 0.0392

2 0.0004
La Distribución Binomial o de Bernoulli

UNITS PROBABILIDAD CARGA PERDIDA DE

INDIVIDUAL PERDIDA (MW) CARGA
ESPERADA
(MW)
3 X 5 MW

0 0.941192

1 0.057624

2 0.001176

3 0.000008
La Distribución Binomial o de Bernoulli

UNITS PROBABILIDAD CARGA PERDIDA DE

INDIVIDUAL PERDIDA (MW) CARGA
ESPERADA
(MW)
1 X10 MW

0 0,98 0 0

1 0,02 10 0.2

2 X10 MW

0 0.9604 0 0

1 0.0392 0 0

2 0.0004 10 0.004
La Distribución Binomial o de Bernoulli

UNITS PROBABILIDAD CARGA PERDIDA DE

INDIVIDUAL PERDIDA (MW) CARGA
ESPERADA
(MW)
3 X 5 MW

0 0.941192 0 0

1 0.057624 0 0

2 0.001176 5 0.00588

3 0.000008 10 0.00008
La Distribución Binomial o de Bernoulli

SISTEMA CARGA ESPERADA COSTO DE INVERSION

(MW)
1 X 10 MW 0.2 1.0
2 X 10 MW 0.004 2.0
3 X 5 MW 0.00596 1.5
La Distribución Binomial o de Bernoulli

SISTEMA PROBABILIDAD DE
PERDIDA DE CARGA
1 X 10 MW
2 X 10 MW
3 X 5 MW
La Distribución Binomial o de Bernoulli

SISTEMA PROBABILIDAD DE REDUCCION CARGA

PERDIDA DE CARGA ESPERADA HRS/AÑO
1 X 10 MW 0.02 175.2
2 X 10 MW 0.0004 3.504
3 X 5 MW 0.001184 10.37814
EJERCICIO:

16. Una planta es diseñada para satisfacer una carga constante de 80 MW.
Encontrar las perdidas de carga y el numero esperado en MW, si el generador esta compuesto de:

a) 5 unidades de 20 MW c/u con una indisponibilidad del 5%.

b) 5 unidades de 20 MW c/u con una indisponibilidad del 1,5%
 CALIDAD Y
CONFIABILIDAD
DEL SISTEMA ¡MUCHAS GRACIAS!
ELECTRICO