Sistemas Lineales Gr 02
Análisis de Transformación a Filtro Real a partir del Filtro Paso
Bajo Normalizado Butterworth
Este informe presenta una metodología basada en el proceso de
transformación a filtro real, la cual permite la realización e
implementación de filtros pasivos. Como ejemplo de aplicación se
presenta la transformación a filtro real a partir del filtro
normalizado Butterworth de orden dos para obtener un filtro
pasa-banda.
Introducción
En ocasiones, las señales de interés están mezcladas con
otras señales y no es posible distinguirlas o separarlas por
medio de análisis basados en técnicas temporales. La
separación de señales atendiendo a su distribución
frecuencial es una técnica muy común en procesado de
señal. La técnica consiste en cancelar o atenuar unas zonas
frecuenciales determinadas donde la señal deseada no
existe y dejar pasar aquellas frecuencias en que la señal
deseada tiene su contenido frecuencial.
 Índices de confiabilidad que miden el desempeño de
un componente típico o promedio que representa a
cada uno de los componentes del lote.
Transformación de frecuencias
En muchas aplicaciones es posible diseñar filtros paso
banda, paso alto, banda eliminada a partir de diseños paso
bajo. Se realiza por medio de una transformación de
frecuencias. Concretamente, lo que se hace es trasladar la
banda de paso y la banda atenuada a otras zonas
frecuenciales. Las bandas de paso y atenuadas resultantes
tendrán rizados o tolerancias en las bandas de paso y
atenuadas iguales a las del filtro paso bajo antes de ser
transformado.
El segundo tipo de estudio es una descripción mas
completa pues entrega el valor esperado de fallas del lote
de componentes como una función del tiempo, lo cual
permite plantear estrategias para la mejora de la
confiabilidad en el mediano y largo plazo.
Ingeniería Eléctrica - UTP
Manuel Vargas Salazar y Didier E. Castañeda Marín
Figura 1. Filtro normalizado Butterworth de orden 2.
Qué es un proceso estocástico puntual de fallas?
Un proceso estocástico puntual de fallas es un proceso
aleatorio en el cual se cuenta el número N de fallas que
ocurren o “llegan” en un periodo de tiempo Dt , con la
condición de que en cada instante del tiempo solo una falla
puede ocurrir. Si se toma como tiempo cero al instante en
el cual empieza la observación del proceso, Dtt= - 0 y solo
t aparecerá en las ecuaciones (Ver la Figura 1).
El modelo matemático de este proceso se define mediante
la función de intensidad l(t ) , con la cual se definen:
 El valor esperado de fallas
t
L(t ) = E[ N (tt)] = �
0 l( )dt
 La probabilidad de que ocurran k fallas
1
P[ N (t ) = k ] = [L(t )]k * e -L ( t ) para k = 0,1, 2,L
k!
Al aplicar este tipo de modelamiento se asume que:
 El proceso de llegada de fallas al lote es la
superposición de los procesos de fallas de los
componentes que conforman el lote.
 El tiempo que residen los componentes en el estado de
falla es despreciable. Así, solo debe aplicarse esta
metodología a componentes de alta disponibilidad.
 Las reparaciones son “mínimas” pues retornan los
componentes al estado de confiabilidad que tenían
antes de que ocurriesen las fallas.
1
 Sistemas Lineales Gr 02

 La reparaciones pueden estudiarse en forma regresa al estado físico que existía antes de fallar, razón por
independiente de las fallas la cual, la distribución de probabilidad de los xi no cambia.
Tendencia en un proceso de llegada de fallas El modelo Poisson Power Law

Tendencia positiva
La metodología propuesta utiliza al proceso de Poisson no
L homogéneo power law para analizar la evolución en la
t confiabilidad de lotes de componentes reparables dada su
flexibilidad para producir tendencias crecientes o
Sin tendencia
decrecientes e incluir al proceso de renovación exponencial.
L
El proceso de renovación exponencial, conocido
t
popularmente como proceso de Poisson homogéneo, es el
Tendencia negativa proceso estocástico puntual más sencillo y difundido. Su
L función de intensidad es una constante igual al inverso del
valor esperado de los tiempos entre fallas:
t
Figura 2. Tendencia en procesos de llegadas de fallas l(t ) = 1/ E( x) = l

La tendencia es el cambio en el tiempo del número de fallas Se dice que este es un proceso aleatorio puro pues la
que ocurren. En la Figura 2 se muestran los tres tipos
distribución de los tiempos de llegada de las fallas ( ti ) es
básicos de tendencia:
uniforme, lo cual significa que, con igual probabilidad, una
falla puede ocurrir en cualquier instante de tiempo.
 Tendencia positiva: El número de fallas aumenta con el
tiempo, l(t ) es creciente y los xi disminuyen con el
La función de intensidad del proceso de Poisson no
tiempo. La confiabilidad está deteriorándose. Según la homogéneo power law es:
notación de Ascher y Feingold, esta situación
corresponde a una carita triste. l(tt) = l * b * b- 1

 Sin tendencia: El número de fallas no aumenta ni

Donde:
disminuye con el tiempo, l(t ) es constante y los xi no
presentan un patrón de crecimiento o decrecimiento. l: Parámetro de escala mayor a cero.
La confiabilidad no experimenta mejora ni deterioro.
b: Parámetro de forma mayor a cero. Controla la
 Tendencia negativa: El número de fallas disminuye con
tendencia de la siguiente forma:
el tiempo, l(t ) es decreciente y los xi aumentan con el
tiempo. La confiabilidad está mejorando. Según la
Si b > 1 : Tendencia positiva
notación de Ascher y Feingold, esta situación
Si b = 1 Tendencia cero y corresponde al proceso
corresponde a una carita feliz.
de Poisson homogéneo.
Si b < 1 Tendencia negativa
Un proceso sin tendencia es estacionario y homogéneo; lo
contrario se cumple cuando hay tendencia.
En la Tabla 1 se presentan las ecuaciones de las funciones
de probabilidad y primeros momentos de este proceso.
La homogeneidad se refiere a que los xi son
independientes e idénticamente distribuidos y esta Tabla 1 – Ecuaciones para el proceso de Poisson no
distribución no cambia con el tiempo. La homogeneidad homogéneo power law
implica que las fallas son independientes entre sí. E[ N (tt)] = l b

VAR[ N (tt)] = l b

Los procesos homogéneos se denominan “Procesos de

1 b
Renovación” seguidos del nombre de la distribución que P[N (t ) = k ] = [lt b ]k * e -lt
k!
ajusta a los xi (Exponencial, Weibull, Gamma, etc.). El k
1
P[ N (t ) �k ] = � [lt b ]i * e -lt
b
término renovación se aplica porque cada que se repara se
i =1 i !

Ingeniería Eléctrica - UTP 2

 Sistemas Lineales Gr 02

Ingeniería Eléctrica - UTP 3

 Sistemas Lineales Gr 02

Cómo ajustar un modelo a una muestra de datos

El procedimiento que se describe a continuación permite

determinar si una muestra de n datos de fallas ( tt1 , 2 ,L , tn
o x1 , x2 ,L , xn ) puede ajustarse a un modelo power law.

Prueba de tendencia

Se calcula el estadístico de prueba de Laplace (1773): Figura 4. Diagrama de dispersión de datos dependientes

1 n -1 1 1 Prueba de ajuste a un proceso de Poisson homogéneo

U L = (( �
n - 1 i =1
tti ) - n ) /(tn
2 12(n - 1)
)
Primero se calcula el estimador del parámetro del proceso
el cual es igual al inverso del promedio estadístico de los
Para una probabilidad crítica a se determina el valor za / 2
xi :
en la distribución Gausiana estándar (Tabla 2).

lˆ = 1/ x = n / tn
Tabla 2 – Valores de za / 2
a 1% 5% 10%
za /2 2.576 1.967 1.645
Luego se verifica el ajuste de los xi a una distribución
exponencial con parámetro l̂ , lo cual puede hacerse
si - za / 2 < U L < za / 2 , el proceso es estacionario, b = 1.0 y se mediante las tradicionales pruebas de bondad de ajuste
Chi-cuadrado, Kolmogorov–Smirnov, etc. o con métodos
procede a analizar si los xi son independientes. De lo
gráficos como la transformada TTT.
contrario, se procede a verificar el ajuste al proceso power
law.
Si hay ajuste, el proceso de llegada de fallas del lote de
componentes puede ser modelado con un proceso de
Prueba de independencia
Poisson homogéneo de parámetro l̂ ; de lo contrario,
Se realiza el diagrama de dispersión de los xi , el cual es verificar el ajuste a un proceso power law.
una gráfica de las parejas ( xi , xi +1 ) conservando su orden
Prueba de ajuste a un proceso power law
cronológico.
Primero se calculan los estimadores de los parámetros del
Si los puntos del diagrama de dispersión están dispersos
proceso:
(Figura 3), los datos son independientes y se procede a
verificar su ajuste al proceso de Poisson homogéneo. n
bˆ = (n - 2) / �Ln(ttn / i )
i =1
Si los puntos del diagrama de dispersión tienden a formar
una línea (Figura 4), los datos están correlacionados
lˆ = n / tnb
ˆ
positiva o negativamente de acuerdo con la pendiente de la
línea; en este caso se procede a verificar el ajuste al proceso
power law. Luego se verifica el ajuste de los datos al proceso power
law, lo cual puede hacerse mediante pruebas de bondad de

xi + 1 ajuste o métodos gráficos como la transformada TTT, los

cuales son específicas para este proceso y no deben
confundirse con los métodos tradicionales de verificación
de ajuste de datos a una distribución descritos en los textos
de estadística.

xi + 1 A continuación se presenta el procedimiento de prueba de

bondad de ajuste Kolmogorov-Smirnov desarrollada por
Park y Kim (1994) para el proceso power law:
Figura 3. Diagrama de dispersión de datos independientes 1. M = n - 1

Ingeniería Eléctrica - UTP 4

 Sistemas Lineales Gr 02

ˆ
2. U i = (tti / n )b para i = 1, 2,L , M
En la tabla 4 se presentan los modelos de confiabilidad
D = max( i / M - U i ) para i = 1, 2,L , M
+ para 29 lotes de componentes del SDL de la ciudad de
3.
Pereira.

4. D - = max(U i - (i - 1) / M ) para i = 1, 2,L , M

Se utilizó una probabilidad crítica a = 5% para las pruebas
de bondad de ajuste
5. D = max( D + , D - ) es el estadístico de prueba
La cantidad de componentes longitudinalmente
Obtenga el valor crítico D = 1/(c1 + c2 * M ) (Tabla 3).
a
6. distribuidos se expresa en kilómetros redondeados a
número entero.
Tabla 3 – Valores críticos para el estadístico de prueba D a
a c1 c2 Los circuitos primarios de distribución no incluyen equipos
1% 1.8713 0.0750 de subestación ni cortacircuitos y las fallas se refieren a
5% 2.1665 0.0879 eventos que implicaron la salida completa del circuito
10% 2.4183 0.0940
primario.

7. Si D �D a el proceso de llegada de fallas al lote de En las tabla 5 se presenta la cantidad de lotes de

componentes puede representarse con un proceso componentes tipo distribuido y unitario de este sistema en
power law con parámetros l̂ y b̂ . cada estado de confiabilidad.
Ejemplo

Tabla 4 – Modelos de confiabilidad para lotes de componentes del SDL de la ciudad de Pereira
Cantidad de Dt # Datos l̂
Lote de componentes b̂
componentes (años) (fallas) (fallas/año)
Circuitos primarios 13.2 kV aéreos rurales 672 km 5 850 338.6545 0.8910
Circuitos primarios 13.2 kV aéreos urbanos 149 km 5 655 243.9024 1.0000
Circuitos primarios 13.2 kV subterráneos urbanos 18 km 5 63 24.9861 0.9366
Circuitos primarios 33 kV (urbanos y rurales) 882 km 5 250 61.7284 1.0000
Cortacircuitos 13.2 kV urbanos 6200 6 92 15.5221 1.0000
Cortacircuitos 13.2 kV rurales 6281 6 219 28.0313 1.1509
Cortacircuitos 33 kV (urbanos y rurales) 168 6 107 18.8409 1.0000
Pararrayos 13.2 kV urbanos 6395 5 141 24.7024 1.0904
Pararrayos 13.2 kV rurales 4877 5 225 32.2907 1.2135
Pararrayos 33 kV (urbanos y rurales) 212 5 13 3.1189 1.0706
Transformadores 13.2 kV urbanos monofásicos 790 5 111 1.8957 2.7003
Transformadores 13.2 kV urbanos trifásicos 1428 5 270 59.9915 1.0000
Transformadores 13.2 kV rurales (monofásicos y trifásicos) 2065 5 514 61.6610 1.3491
Transformadores 33 kV (urbanos y rurales) 39 5 1 0.9488 1.0000
Redes secundarias aéreas urbanas 1336 km 5 1281 103.0928 1.0000
Redes secundarias aéreas rurales 1557 km 5 3211 616.7905 1.0253
Redes secundarias subterráneas urbanas 263 km 5 147 29.5428 1.0000
Acometida monofásicas urbanas 680 km 5 2410 389.2364 1.1322
Acometidas bifásicas urbanas 197 km 5 409 84.9831 1.0000
Acometidas trifásicas urbanas 77 km 5 136 26.2723 1.1704
Acometidas monofásicas rurales 233 km 5 698 101.7090 1.2020
Acometidas bifásicas rurales 21 km 5 186 37.7242 1.0000
Acometidas trifásicas rurales 5 km 5 167 24.4977 1.2118
Contadores monofásicos urbanos 66758 5 2030 304.4547 1.1798
Contadores bifásicos urbanos 20196 5 341 63.1420 1.0622
Contadores trifásicos urbanos 7854 5 121 24.9869 1.0000
Contadores monofásicos rurales 10603 5 82 16.2063 1.0127
Contadores bifásicos rurales 942 5 84 18.0812 1.0000
Contadores trifásicos rurales 236 5 73 15.3656 1.0000

Tabla 5
Lotes de componentes del SDL de la ciudad de Pereira en
cada estado de confiabilidad

Ingeniería Eléctrica - UTP 5


Estado de confiabilidad
Mejora Deterioro Periodo de
Categoría vida útil
MT Distribuido 2 0 2
BT Distribuido 0 5 4
MT Unitario 0 6 4 [4] Park W. J, Kim Y. G, “Goodness-of-fit tests for the power law
BT Unitario 0 3 3 process”, IEEE Transactions on Reliability, Vol. 41, No. 1,
Total 2 14 13
Abreviaturas
MT: Media Tensión
BT: Baja Tensión
Como se observa en la Tabla 5, solo dos lotes de
componentes del sistema bajo estudio presentan mejora en
la confiabilidad y ambos corresponden a componentes de
tipo distribuido de media tensión. Para el resto de lotes de
componentes, distribuidos y unitarios, aproximadamente
la mitad de ellos presenta deterioro de la confiabilidad y la
otra mitad está en el periodo de vida útil.
Cómo interpretar los resultados
El estado de confiabilidad observado para un lote de
componentes es la condición resultante de la superposición
de los procesos de falla de sus componentes; en las
aplicaciones prácticas, estos procesos no son iguales pues
entre los componentes existen diferencias en edad, calidad
y especificaciones. Así, el estado de confiabilidad de un lote
es la tendencia general o dominante que se observa para el
grupo de componentes que lo conforman sin querer decir
que necesariamente todos ellos estén en dicho estado.
Otras aplicaciones
La metodología presentada también puede utilizarse para:
 Analizar en forma individual la evolución en la
confiabilidad de un componente reparable. Esto se
hace para componentes de gran importancia como
generadores, transformadores de potencia y líneas de
transmisión para los cuales se llevan registros
detallados de sus salidas y reparaciones.
 Analizar la confiabilidad de componentes similares o
iguales los cuales se agrupan para aumentar la muestra
de datos dado el poco número de fallas que cada uno
registra en forma individual en el periodo de los
registros operativos disponibles.
Bibliografía
Ingeniería Eléctrica - UTP
Sistemas Lineales Gr 02
[1] Ascher H, Feingold H, “Repairable systems reliability:
Modeling, inference, misconceptions and their causes”,
Marcel Dekker, 1984.
[2] Rigdon S. E, Basu A. P. “Statistical methods for the reliability
of repairable systems”, John Wiley & Sons Inc, 2000.
[3] Law Averill M, Kelton W. David, “Simulation modeling and
analysis”, Mc-Graw Hill, 2000.
March 1992.
[5] Park W. J, Kim Y. G, “More goodness-of-fit tests for the
power law process”, IEEE Transactions on Reliability, Vol.
43, No. 2, June 1994.
[6] Klefsjo B, Kumar U, “Goodness-of-fit tests for the power law
process based on the TTT plot”, IEEE Transactions on
Reliability, Vol. 41, No. 4, December 1992.
[7] Stillman R. H, “Modeling failure data of overhead
distribution systems”, IEEE Transactions on Power Delivery,
Vol. 15, No. 4, October 2000.
[8] Rao K. R. M, Prasad P. V. N, “Graphical methods for
Reliability of repairable equipment and maintenance
planning”, Procedings of Annual Reliability and
Maintainability Symposium, IEEE, 2001.
[9] Choy S, ,English J. R, Landers T, Yan L, “Collective approach
for modeling complex system failures”, Procedings of
Annual Reliability and Maintainability Symposium, IEEE,
1996.
[10] Ascher H. E, Hansen C. K, “Spurious exponentiality observed
when incorrectly fitting a distribution to nonstationary data”,
IEEE Transactions on Reliability, Vol. 47, No. 4, December
1998.
[11] Arbeláez C. M, “Modelamiento de salidas de componentes
eléctricos utilizando procesos estocásticos puntuales”,
Universidad Tecnológica de Pereira, 2007.
Biografías
Carlos J. Zapata (cjzapata@utp.edu.co) es ingeniero electricista de
la Universidad Tecnológica de Pereira (1991) y magíster en
ingeniería eléctrica de la Universidad de Los Andes (1996).
Durante 11 años laboró para Consultoría Colombiana S. A. y
actualmente está vinculado a la Universidad Tecnológica de
Pereira como docente e investigador. Es miembro de IEEE y
CIGRE.
Claudio M. Arbeláez (marte@.utp.edu.co) es ingeniero
electricista (2004) y magíster en ingeniería eléctrica (2007) de la
Universidad Tecnológica de Pereira. De los años 2003 a 2006
participó en los proyectos de investigación “Estudio de
confiabilidad del sistema eléctrico regional” y “Metodologías para
valoración de confiabilidad en empresas distribuidoras de
electricidad” financiados por el Centro de Investigaciones y
Extensión de la Universidad Tecnológica de Pereira.
6