FUERZA ELÉCTRICA

Fundamentos - Tecnología - Aplicaciones

Descripción breve
Traducción del texto de Ingeniería de Alta Tensión

Técnicas de Alta Tensión

Sahuanay Ramos Juan Diego
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

FUERZA ELECTRICA

Una tarea básica de la ingeniería de alta tensión es mantener las tensiones eléctricas por
debajo de las resistencias eléctricas de los materiales en todas las circunstancias posibles.
Desgraciadamente, la resistencia eléctrica es una magnitud que está sujeta a importantes
variaciones estadísticas, Figura 3.1-1. A continuación, se hace una introducción a las
estadísticas (apartado 3.1). Si la fuerza eléctrica es insuficiente, el aislamiento falla y se
producen descargas. Éstas dependen del tipo de material aislante. Las descargas en los gases
(apartado 3.2) difieren significativamente de las descargas en otros dieléctricos (apartado 3.3).
Se presta especial atención a los líquidos (apartado 3.4), los sólidos (apartado 3.5) y el vacío
(apartado 3.7). Las descargas que no conducen directamente a la ruptura se conocen como
descargas parciales (apartado 3.6). Son especialmente importantes para las mediciones de
diagnóstico y para los procesos de envejecimiento.

3.1 Introducción a la estadística

El fallo de la fuerza eléctrica, es decir, las descargas eléctricas, ya no puede describirse de

forma determinista debido al elevado número de parámetros físicos diferentes. Además, se
observa una elevada varianza estadística de las tensiones de inicio de las descargas, de las
tensiones de ruptura y de los tiempos de descarga, Figura 3.1-1.

Por lo tanto, parece natural describir estas magnitudes como variables aleatorias y determinar
las características de las descargas mediante métodos estadísticos. A continuación, se
describen los principios básicos de los métodos estadísticos.

Se pueden encontrar discusiones completas en la literatura [44].

3.1.1 Descripciones estadísticas de los procesos de descarga

3.1.1.1 Variables aleatorias

Por ejemplo, la tensión de ruptura de una vía de chispas se determina mediante una tensión
alterna aplicada que se incrementa hasta que se produce la ruptura. Si se repite la prueba
varias veces, se puede observar que no existe una "tensión de ruptura exacta" y que las
rupturas se producen a diferentes tensiones, Figura 3.1-1a.

Nota: Las pruebas de aumento de tensión también pueden realizarse con tensión continua. En
el caso de las tensiones de impulso, la tensión que aumenta de forma continua debe sustituirse
por impulsos consecutivos con valores de pico que aumentan progresivamente.

Figura 3.1-1: Ejemplos del carácter estocástico de los procesos de descarga.

1
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Mediante un número muy elevado (infinito) de pruebas, se puede determinar la tensión

ÛVbd50 con una probabilidad de ruptura del 50 %, así como una determinada tensión
soportada (probabilidad de ruptura 0 %) y una determinada tensión de ruptura (probabilidad
de ruptura 100 %).

En la práctica, el número de pruebas es siempre limitado. Los valores característicos de una

descarga deben estimarse a partir de un número limitado de valores medidos. La precisión de
la estimación aumenta con el número de pruebas equivalentes.

Ejemplo: Método de subida y bajada.

El método ascendente y descendente es un procedimiento que permite estimar la tensión de

ruptura del 50%, figura 3.1-1b. Puede aplicarse para la estimación de la resistencia al impulso
de los descargadores aislados con gas.

La prueba se inicia con una tensión en la que no se espera que se produzca una ruptura, y la
tensión se aumenta en pasos de ∆ v . En cuanto se produce una avería, la tensión se reduce en
∆ v . En los pasos consecutivos, la tensión aumenta si no se produce una avería, y disminuye si
se produce la avería. De este modo, las tensiones oscilan escalonadamente hacia arriba y hacia
abajo en torno a la tensión de ruptura del 50% ÛVbd50. Puede estimarse como el valor medio
aritmético de un número predefinido de valores de tensión. El recuento comienza con la
primera ruptura. El análisis estadístico exacto se describe en la literatura [44].

En un análisis estadístico se supone que se toma una muestra aleatoria de una población
básica (desconocida). En el caso de las pruebas de avería en una disposición de aislamiento
determinada, se toma un número limitado de averías al azar del número teóricamente infinito
de todas las pruebas de avería posibles en dicha disposición, Figura 3.1-2.

Un análisis estadístico tiene que estimar la distribución de la población básica infinita con la
mayor precisión posible, basándose en un número finito de pruebas lo más bajo posible (es
decir, en una muestra lo más pequeña posible).

La población básica infinita es una ficción teórica y seguirá siendo desconocida para siempre;
toda afirmación estadística es, por tanto, una estimación.

Sin embargo, es cada vez mejor a medida que aumenta el número de pruebas.

En lugar de la tensión de ruptura, también se pueden considerar otras magnitudes como

variables aleatorias.

Algunos ejemplos son la intensidad del campo de ruptura, la tensión de inicio de la descarga
parcial, la intensidad del campo de inicio o el tiempo hasta la ruptura, Figura 3.1-1c y d.
Generalmente, una variable aleatoria se describe con letras mayúsculas X y sus valores
definitivos obtenidos por muestreo aleatorio se dan con letras minúsculas x.

Nota: A menudo, estas distinciones estrictas no se tienen en cuenta en la práctica: Por

ejemplo, a menudo se dice que se realiza una "determinación" de una tensión de ruptura del
50 % Vbd50, pero en realidad sólo se calcula una estimación vbd50. No es posible determinar
los parámetros de la población básica (siempre desconocida), sino que sólo podemos
determinar los parámetros empíricos, que se utilizan como estimaciones de los parámetros de
la población.

2
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Nota: Aquí, las letras mayúsculas y minúsculas no describen magnitudes y funciones variables
en el tiempo como es habitual, sino que representan variables aleatorias y sus valores
definitivos obtenidos por muestreo aleatorio.

3.1.1.2 Funciones de distribución acumulativa

El procedimiento de un análisis estadístico se explicará para el ejemplo de una prueba de

ruptura con la prueba de subida de tensión según la figura 3.1-1a, figura 3.1-2.

Diez tensiones de ruptura son una muestra aleatoria tomada de una población básica ficticia.
Dispuestas en el orden de las pruebas, constituyen una base de datos maestra (lista maestra),
que no debe tener ninguna tendencia, es decir, ninguna dependencia sistemática de los
valores. Deben ser estocásticamente independientes, lo que puede comprobarse gráficamente
o mediante algoritmos matemáticos especiales de prueba [44], [396].

La lista de distribución con los valores ordenados se representa como un polígono de

frecuencias acumulativas o una curva de frecuencias acumulativas (función de distribución
empírica) h(x) con x=v bd, Figura 3.1-2. Para el ejemplo de diez valores de prueba, cada valor
representa una tasa de ocurrencia de Δh=10 % .

La función de distribución empírica es sólo una estimación imperfecta de la función de

distribución acumulativa de la población total. Un diseño de aislamiento seguro requiere
afirmaciones sobre probabilidades de avería muy bajas (por ejemplo, una tensión de avería del
1 %), que no pueden determinarse directamente si el número de valores de avería es pequeño.

Para ello, se busca una función de distribución matemática o teórica F(x) que se aproxime lo
mejor posible a la función de distribución empírica h(x) y que pueda extrapolarse hasta
probabilidades muy bajas, Figura 3.1-2. Las funciones de distribución acumulativa más
importantes son la distribución normal de Gauss (apartado 3.1.2.2) y la distribución de Weibull
(valor extremo) (apartado 3.1.2.3).

Figura 3.1-2: Análisis estadístico de los valores de ruptura de un ensayo de subida de tensión
según la figura 3.1-1a.

3
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Nota: Por analogía con el polígono de frecuencias acumulativas, la función de distribución

teórica se conoce a menudo como función de distribución acumulativa, es la integral de la
función de densidad (de probabilidad), Figura 3.1-5.

Nota: Mediante pruebas gráficas y aritméticas, se puede investigar qué tipo de función da la
mejor aproximación a los valores medidos (prueba de distribución estadística) [44], [396].

Tras la selección del tipo de distribución, la curva de distribución matemática debe describirse
numéricamente mediante parámetros, que se estiman a partir de los valores medidos. Estos
parámetros son diferentes dependiendo del tipo de función de distribución, Sección 3.1.2.2 y
3.1.2.3.

Una función de distribución matemática es sólo una estimación de la función de distribución

acumulativa (siempre desconocida) de la población total de todos los valores posibles.
Mediante una estimación por intervalos, se determinan los intervalos de confianza que
contienen la función de distribución de la población total con una probabilidad determinada
(por ejemplo, el 90 %), Figura 3.1-2. Para un tamaño de muestra pequeño, los intervalos de
confianza son amplios y la estimación es muy incierta. Al aumentar el tamaño de la muestra,
los intervalos de confianza disminuyen y la certeza de las afirmaciones de probabilidad
aumenta. El cálculo de los intervalos de confianza se describe en la literatura [44], [396].

La importancia práctica de la función de distribución matemática y del intervalo de confianza

asociado es la determinación de tensiones con probabilidades de ruptura muy bajas (las
llamadas tensiones de resistencia). Según la figura 3.1-2, la estimación x 01 =v bd 01 para la
tensión de ruptura del 1 % (más generalmente para el cuantil del 1 % de una distribución de
probabilidad) puede determinarse a partir de la curva de distribución matemática. Además,
puede decirse que la tensión de ruptura del 1 % puede encontrarse dentro del intervalo de
confianza del 90 % (limitado por los límites de confianza) con una probabilidad del 90 %, Figura
3.1-2.

Nota: Desgraciadamente, estos intervalos de confianza son muy amplios con bajas
probabilidades de ruptura para muchos dieléctricos, especialmente para los materiales
aislantes líquidos y sólidos. Por lo tanto, las afirmaciones sobre probabilidades de ruptura
bajas sólo son posibles con altas incertidumbres. Por lo tanto, en el diseño de ingeniería, la
tensión soportada necesita un margen de seguridad adicional.

3.1.1.3 Estimación de los parámetros

A continuación, se describe la estimación puntual de los parámetros, que son generalmente

válidos, es decir, que no están relacionados con ninguna función de distribución especial
(parámetros empíricos). A veces también se pueden utilizar en funciones de distribución
matemáticas, por ejemplo, en la distribución normal de Gauss. Distinguimos las medidas de
valores medios y las medidas de dispersión estadística. Los parámetros (ficticios) de la
población básica se discuten junto con estos parámetros (empíricos), que se calculan a partir
de un número limitado de valores medidos.

a) Medidas de los valores medios

Para la población básica formada por todos los valores posibles, el valor medio o el valor de
expectativa (matemático) se define como el valor μ o E(X), que se espera para la variable
aleatoria X. Formalmente se da como la suma (infinita) de todos los valores individuales x i,
ponderados con su probabilidad individual pi:

4
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA
∞
μ= E ( X )=∑ pi∗xi ( 3.1−1 )
i=1

Otra medida de los valores medios es la mediana, el valor central o el cuantil del 50 % (el valor
del 50 %) q 50 =x 50, que es el valor central de todos los valores individuales x i. La mitad de los
valores x i está por debajo y la mitad de los valores x i está por encima de la mediana.

En realidad, sólo se puede determinar una distribución empírica de un número limitado n de

valores discretos medidos xi. Si todos los valores xi existen sólo una vez, es decir, si la tasa de
ocurrencia es hi =1/n, la estimación empírica del valor de la expectativa μ es el valor de la
media aritmética por analogía con la ecuación (3.1-1):
n n
1
x m=x=∑ hi x i= ∑ x ≈ μ ( 3.1−2 )
i=1 n i=1 i

El valor central empírico o la mediana empírica q^ 50= ^x 50 es el valor que se sitúa en el centro de
los valores ordenados (para un número impar de valores medidos) o el valor medio de los dos
valores en el centro (para un número par de valores medidos). La mitad de los valores medidos
están por debajo y la mitad de los valores están por encima del valor central. La mediana se
utiliza a menudo como una estimación del valor medio aritmético.

Nota: En estadística, los cuantiles empíricos suelen caracterizarse por un "^". Para evitar la
confusión con los valores máximos, que son muy importantes en la ingeniería de alta tensión,
esta caracterización no se utiliza a continuación.

Nota: La tensión de ruptura del 50 % v bd 50 es la mediana empírica (valor central) de la variable

aleatoria "tensión de ruptura" V bd . En este último caso, el significado es, de nuevo, ¡valores de
pico!

b) Medidas de dispersión estadística

La dispersión estadística de la población básica se describe mediante la varianza σ 2, que es la

desviación media al cuadrado de la variable aleatoria X (es decir, de todos los valores
individuales x i) con respecto al valor esperado μ. Formalmente, σ 2 viene dado como el
cuadrado de la desviación ( x i - μ), ponderado con las probabilidades individuales pi:
∞
σ =E ( X−μ ) =∑ pi ( x1−μ )2 ( 3.1−3 a )
2 2

i=1

Las cantidades

σ =√ σ
2

y (3.1-3b)

V ( X )=σ / μ ( 3.1−3 b )
son la desviación estándar ro y el coeficiente de variación V.

Las medidas empíricas de dispersión estadística para un número finito n de valores medidos
discretos xi son la desviación media cuadrática

5
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA
n
1
s2n= ∗∑ ( x i−x m )2 ( 3.1−4 )
n i=i
y la varianza empírica
n
1
s2= ∗∑ ( x −x )2 ≈ σ 2 ( 3.1−5 a )
n−1 i=1 i m
Las cantidades

s= √ s2 ≈ σ
Y

v=s / x m ≈ V ( 3.1−5 b )

son la desviación estándar empírica s (desviación media cuadrática, r.m.s.d.) y el coeficiente de

variación empírica v, que se utilizan como estimaciones para la desviación estándar ro y el
coeficiente de variación V.

Nota: Desgraciadamente, v y V tienen que introducirse aquí como cantidades estadísticas

generales. Sin embargo, los caracteres v y V se utilizan principalmente para las tensiones en
este libro. Tenga en cuenta el contexto pertinente.

Nota: La varianza empírica s2 y la desviación estándar empírica s (r.m.s.d.) no se calculan con la

tasa relativa de ocurrencia 1/n (como podría esperarse de la Ecuación 3.1-3 para la varianza σ 2
y la desviación estándar σ ), sino con el factor 1/(n−1). Esto es necesario a efectos de
fiabilidad, ya que en las ecuaciones (3.1-4) y (-5a) sólo puede utilizarse la estimación x m=x en
lugar del valor esperado μ.

Para un caso teórico con n=1, la desviación media cuadrática según la ecuación (3.1-4) daría
siempre el valor sn=0, ya que los valores x i y x m=x son idénticos. Sin embargo, podría existir
2

una mayor dispersión y podría calcularse con una muestra aleatoria más grande. Por lo tanto,
la ponderación con 1/n es demasiado optimista.

La varianza empírica según la ecuación (3.1-5a) con la ponderación 1/(n−1) daría una
expresión indeterminada "cero/cero" para n=1. De ello se desprende que no es posible hacer
ninguna afirmación sobre las dispersiones estadísticas con un solo valor medido.

Para tamaños de muestra aleatoria pequeños n, los valores mejorados de la varianza empírica
s2 y para la desviación estándar empírica s resultan de la ponderación con el factor 1/( n−1).
Para tamaños de muestra grandes n, la diferencia entre la ponderación con 1/( n−1) y 1/n
desaparece, y s2 o s pueden considerarse buenas estimaciones para σ 2 o σ .

Nota: Otra medida empírica de la dispersión estadística es el rango R:

R=xmax −x min ( 3.1−6 )

3.1.1.4 Ejemplo: Serie de mediciones

Distribución empírica de las tensiones de ruptura: En una prueba de subida de tensión se

determinan 19 tensiones de ruptura (base de datos maestra, lista maestra):

6
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

v bdi
=102; 100 ; 107 ; 98 ; 95 ; 100 ;104 ; 99 ;92;102 ; 103 ; 99 ; 97 ; 95 ; 101; 104 ; 98; 94 ; 100.
kV
En una tabla de distribución, los valores se ordenan y se calculan las tasas de ocurrencia:

Si la lista de distribución está poco poblada, a menudo es aconsejable ordenar los valores en
clases. En el ejemplo dado se elige un intervalo de clases d=3 kV (inicio en 91,5 kV), véanse
las líneas horizontales en la lista de distribución:

La curva de la frecuencia acumulativa relativa h_S describe la función de distribución empírica,

Figura 3.1-3a. La división arbitraria en clases determina la curva de la función escalonada, que
difiere un poco del polígono de la frecuencia acumulada con los valores individuales. De la
función de distribución empírica pueden extraerse estimaciones de la probabilidad de avería a
diferentes tensiones. Por ejemplo, a 94 kV, la probabilidad de avería es de aproximadamente
el 10 % (vbd10, cuantil del 10 %). Para tensiones superiores a 104 kV, cabe esperar una avería
en más del 90 % de los casos de prueba (vbd90, cuantil del 90 %).

La curva de la densidad relativa (de ruptura) h relacionada con el intervalo de clase d = 3 kV es

una función de densidad h/d que puede utilizarse para leer las estimaciones de la densidad de
probabilidad, Figura 3.1-3b.

7
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Nota: La densidad de probabilidad puede aproximarse mediante una función de densidad, que
también se conoce como función de densidad de probabilidad. Es la derivada de la función de
distribución (acumulativa), véase la figura 3.1-5.

Figura 3.1-3a: Frecuencia acumulada relativa (tasa de ocurrencia) de los valores medidos como
función de distribución empírica con y sin división en clases.

Figura 3.1-3b: Frecuencia relativa (desglose) relacionada con las diferentes clases como
estimaciones de la densidad de probabilidad (función de densidad de probabilidad).

Ejemplo numérico: Los siguientes parámetros se calculan a partir de los valores del ejemplo
anterior, Figura 3.1-3a:

- Valor medio aritmético, Ec. (3.1-2)

x m=v bdm =99,47 kV

- Valor central (mediana) (de la figura 3.1-3a)

8
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

x 50=v bd 50 =100 kV

- Rango, Ec. (3.1-6)

R=15 kV
- Desviación estándar empírica, Ec. (3.1-5a)

s=3,82kV
- Coeficiente de variación, Gl. (3.1-5b)

v=3.84 %
3.1.2 Descripción de los procesos de descarga por funciones de distribución

Para la descripción matemática de una función de distribución empírica, los valores medidos se
aproximan mediante una función matemática teórica, que es la que mejor se ajusta a los
valores medidos. A continuación, la función matemática permite calcular los parámetros
estadísticos, las probabilidades y los intervalos de confianza.

Nota: La función de distribución matemática es sólo una aproximación formal y arbitraria de

los valores medidos sin respetar directamente la física subyacente.

A continuación, se analizan la distribución normal de Gauss y la distribución de Weibull. En la

literatura se describen muchas otras distribuciones [44], [396].

3.1.2.1 Comparación de las funciones de distribución empíricas y teóricas

En primer lugar, debe seleccionarse el tipo de función de distribución acumulativa que mejor
se ajuste a los valores medidos. Un procedimiento práctico de comprobación es el uso del
llamado "diagrama de papel de probabilidad" (cuadrícula de probabilidad) con divisiones de
eje que dan líneas rectas para el tipo de distribución comprobado, Figura 3.1-4. La figura indica
cómo se realiza la división no lineal de la ordenada vertical para una división lineal de la
abscisa horizontal: los valores porcentuales de la curva de distribución F(x) de la figura superior
se transfieren a la línea recta de la figura inferior. Matemáticamente, se trata de una
transformación de la ordenada dividida linealmente mediante la función inversa F−1 (x).

Tras realizar una serie de mediciones, se clasifica la base de datos maestra y se construye una
tabla de distribución. A continuación, se establece una hipótesis sobre el tipo de distribución y
se dibuja la distribución de frecuencias acumulativas en el correspondiente gráfico de papel de
probabilidad. Esto permite comparar la forma de la función de distribución empírica con la
recta de la distribución teórica (prueba del tipo de distribución), fig, 3.1-4. En caso de duda, la
comparación debe realizarse con diferentes mallas de probabilidad correspondientes a
diferentes tipos de distribución.

Nota: La comparación entre la función de distribución empírica y la teórica también puede

realizarse matemáticamente. Sin embargo, las tendencias en el rango de probabilidades muy
bajas y muy altas a menudo pueden estimarse mejor mediante el método gráfico [44].

9
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Figura 3.1-4: Curva de una función de distribución matemática (arriba), que es una línea recta
en un "gráfico de papel de probabilidad" correspondiente (abajo), comparada con las
distribuciones empíricas de dos series de mediciones diferentes.

Tras la aproximación de la curva de distribución empírica como una línea recta en un gráfico de
papel de probabilidad, se pueden extraer del gráfico los valores característicos de la
distribución correspondiente. A continuación, la probabilidad de que se produzca un incidente
(por ejemplo, una avería con una tensión determinada) se calcula normalmente a partir de la
función de distribución matemática. Especialmente en el caso de probabilidades muy bajas y
muy altas (por ejemplo, para calcular determinadas tensiones de resistencia y de ruptura),
pueden producirse errores importantes si la hipótesis se desvía de la distribución real.

Nota: La estimación de un parámetro de distribución (por ejemplo, el valor medio o la

desviación estándar) a partir de un número limitado de valores medidos es la denominada
estimación puntual. La estimación puntual se encuentra dentro de un intervalo de confianza
estadístico, que puede determinarse mediante una estimación de intervalo (estimación de
confianza). El intervalo de confianza es la región en la que se encuentra la estimación puntual
(por ejemplo, el valor medio) con una probabilidad determinada (por ejemplo, del 90 % o del
95 %). Cuanto mayor sea el tamaño de la muestra que se elija, menor será el intervalo de
confianza que se puede asumir. Por lo tanto, cuanto mayor sea el número de valores medidos
que se determine, mayor será la precisión de la estimación puntual [44], [396].

10
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Hoy en día, el análisis estadístico de los valores medidos puede realizarse automáticamente
con programas numéricos. De este modo, los valores medidos se someten a una prueba de
independencia estocástica, a la determinación del tipo de distribución, a estimaciones
puntuales de los parámetros que deben determinarse y a estimaciones de intervalo para los
intervalos de confianza.

3.1.2.2 Distribución normal gaussiana

La distribución normal de Gauss describe variables aleatorias, que pueden considerarse como
una suma de muchas variables aleatorias independientes y distribuidas arbitrariamente, cada
una de las cuales sólo contribuye a la suma en menor medida. Por lo tanto, la distribución
normal puede aplicarse a muchos procesos de la naturaleza, la ciencia y la tecnología, por
ejemplo, al ruido estocástico o a los errores estadísticos de medición.

La distribución normal es simétrica con respecto al valor de la expectativa μ, y tiene una

anchura infinita, es decir, desde x=−∞ hasta x=+ ∞.

Nota: Por el contrario, los procesos de descarga se caracterizan por un límite inferior y otro
superior, es decir, por una tensión soportada y una tensión de ruptura definidas. No obstante,
la distribución normal se utiliza para la aproximación en muchos casos, pero no siempre será
posible aproximar una distribución empírica dada por una distribución normal de forma
satisfactoria. En muchos casos, la distribución Weibull permite un mejor ajuste.

La función de densidad de probabilidad

2
− ( x−μ )
1 2σ
2

D ( x) = e ( 3.1−7 )
σ √2 π
se describe por el valor de la expectativa μ (aproximado por el valor medio aritmético x m
según la Ec. (3.1-2)) y la desviación estándar σ , que se estima por analogía con la Ec.(3.1-5a),
Figura 3.1-5:
n
1
∗∑ ( x i−x m ) ( 3.1−8 )
2 2 2
σ ≈s =
n−1 i=i
La función de distribución acumulativa F(x) viene dada por la integración de la función de
densidad de probabilidad Ec. (3.1-7):
x
F ( x )= ∫ D ( x ) dx ( 3.1−9 )
−∞

Con la función de densidad de probabilidad según la ecuación (3.1-7), esta integral no puede
expresarse mediante una función analítica. Por lo tanto, la función de densidad de
probabilidad D(x) se expande en una serie de potencias (serie de Taylor), que puede integrarse
por partes [39]. A continuación, la función de distribución acumulativa F(x) se da como una
expansión en serie, que no puede representarse mediante una función analítica, pero a partir
de la cual se pueden calcular valores numéricos. En la práctica, estos valores se toman de las
tablas [6]. A continuación, se ofrece un extracto:

11
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Mediante la estimación de los parámetros de μ y ro, se ajusta la distribución normal teórica al

polígono de frecuencias acumulativas empírico.

Figura 3.1-6: Comparación de una distribución empírica (polígono de frecuencias acumuladas)

con una función de distribución teórica (distribución normal de Gauss).

12
 Técnicas de Alta Tensión
INTRODUCCIÓN A LA ESTADISTICA

Figura 3.1-7: Comparación de la función de densidad empírica (densidad de frecuencia) con

una función de densidad teórica (distribución normal de Gauss).

Ejemplo: Serie de mediciones

(continuación del apartado 3.1.1.4)

Para el ejemplo tratado en el apartado 3.1.1.4, la estimación del valor esperado es μ xm =

99,47 kV y la estimación de la desviación típica es s = 3,82 kV. Las correspondientes funciones
de distribución y densidad de la distribución normal gaussiana se comparan con las funciones
de distribución y densidad empíricas, Figura 3.1-6 y -7.

Si existe una correspondencia suficiente (como en el caso del ejemplo) entre la hipótesis y la
medición, es decir, entre la distribución normal gaussiana y el polígono de frecuencias
acumuladas, está justificado calcular las probabilidades mediante la función de distribución
teórica.

En el caso de x = μ - 3ro = 87,0 kV, por ejemplo, sólo hay una probabilidad de ruptura
insignificante del 0,13 %, es decir, este valor puede considerarse como una estimación de la
tensión soportada vbd0. Para x = μ + 3ro = 110,9 kV, la probabilidad de ruptura es del 99,87 %,
por lo que este valor puede considerarse como una tensión de ruptura definitiva vbd100.

De forma similar, se responde a la pregunta de a qué tensión se puede esperar una

determinada y dada probabilidad de avería. Para ello, puede ser necesario realizar una
interpolación entre valores (o porcentajes) dados de la función de distribución acumulativa en
tablas.

Nota: Las funciones de densidad de probabilidad son derivadas de las funciones de distribución
acumulativa. Por lo tanto, son más sensibles a las variaciones, y son menos apropiadas para
una comparación entre funciones empíricas y teóricas, Figura 3.1-7.

13