Está en la página 1de 38

AnlisisProbabilsticoySimulacinCarlosJ.

Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

CAPTULO2MODELOSPARADISTRIBUCIONESDEPROBABILIDAD
Una distribucin de probabilidad es un modelo matemtico que se utiliza para representar fenmenos aleatorios estacionarios, con realizaciones independientes y en el cual, la(s) variable(s) aleatoria(s) que sirve(n) para representar el fenmeno aleatorio bajo estudio no aparece(n) como funcin del tiempo. El tiempo,puedeserunadelasvariablesqueexplicanelfenmenoaleatoriobajoestudio,peronoindexaa otrasvariablesaleatorias.Tampocoapareceenestetipodemodelounavariablequeindexeaotras. Acontinuacinsepresentanalgunosdelosmodelosmspopularesparadistribucionesdeprobabilidad deunavariable.Enlosejemplosdeaplicacindeestosmodelosseasumequeladistribucinutilizadaes unarepresentacinvlidadelfenmenoaleatoriobajoestudio;elprocedimientoaseguirparasabersiuna distribucindeprobabilidadesunarepresentacinvlidadeunprocesoaleatoriodadosepresentaenlos captulos5y6. Una diferencia importante entre los modelos para variables continuas y los modelos para variables discretasesquelamayoradestosltimossedesarrollanparafenmenosaleatoriosdondesecumplen unas condiciones especficas, por lo cual, su aplicacin no puede hacerse simplemente siguiendo el procesodeajustedeunamuestradedatosaunadistribucindeprobabilidad,comosieselcaso,delos modelos para variables continuas. Por esta razn, en algunas aplicaciones, la muestra de datos de una variablealeatoriadiscretaseajustaaunmodeloparavariablealeatoriacontinua. 2.1TIPOSDEPARMETROS Segn su funcin, los parmetros de las funciones matemticas que se utilizan como modelos para distribucionesdeprobabilidadseclasificanen: 2.1.1Parmetrodelocalizacin fx ( x) fx ( x)
x Figura2.1Parmetrodelocalizacindeunmodeloparadistribucindeprobabilidad

Tal comosemuestraen la Figura2.1,este parmetro especifica el punto en el eje horizontala partir de dondecomienzaelrangodevaloresdelmodeloodondeselocalizasucentrodemasa. Uncambioenesteparmetrodesplazaladistribucinhacialaderechaolaizquierda. Esteparmetrotienelasmismasunidadesdemedidadelavariablealeatoria x .
UniversidadTecnolgicadePereira 2010 38

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.1.2Parmetrodeescala fx ( x)

2 1 x Esteparmetrodeterminalaescalaounidadesdemedidadelavariablealeatoria x .Talcomosemuestra enlaFigura2.2,uncambioenesteparmetroexpandeocomprimeladistribucinsincambiarsuforma. 2.1.3Parmetrodeforma fx ( x) =1


=2 x Tal como se muestra en la Figura 2.3, este parmetro determina la forma de la distribucin. Este parmetroseidentificaporquesiempreaparececomoexponenteenlafuncinmatemticaquedefineel modelodedistribucindeprobabilidad. Algunos modelos como el exponencial o el uniforme no tienen este parmetro ya que su forma es fija. OtrosmodeloscomoelBetapuedentener2parmetrosdeforma. 2.1.3Parmetrodedesplazamiento fx ( x)
Figura2.4Parmetrodedesplazamientodeun modeloparadistribucindeprobabilidad Figura2.3Parmetrodeformadeunmodelopara distribucindeprobabilidad

Figura2.2Parmetrodeescaladeunmodelopara distribucindeprobabilidad

x Se utiliza en distribuciones con rango [0 , + ] . Tal como se muestra en la Figura 2.4, este parmetro desplazatodaladistribucinaladerecha. Eldesplazamientoesconvenientecuandoelrangodevaloresdelavariablenoempiezaencerosinoenun valor positivo muy grande, lo cual, puede hacer que la prueba de bondad de ajuste falle. As, en estos casossepuederestaratodoslosdatosdelamuestraunvalor yhacerlapruebadebondaddeajuste.El modelo hallado F( x) se aplica haciendo F( x + ) , tiene valor esperado E( x) + y varianza VAR( x) (La varianzanocambiaconeldesplazamiento).
UniversidadTecnolgicadePereira 2010 39

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.2CARACTERSTICASDELOSMODELOS Adems del valor medio y la varianza existen otras medidas para caracterizar los modelos para distribucionesdeprobabilidad.Entreestasseincluyenlamediana,lamodayloscoeficientesdevariacin, asimetrayafilamiento. El valor esperado, la mediana y la moda se denominan medidas de tendencia central pues dan un pronsticodelalocalizacinenelejexdeladistribucincomountodo. Lavarianza,ladesviacinestndaryelcoeficientedevariacinsonmedidasdeladispersinconrespecto alvaloresperado. Loscoeficientesdeasimetraydeafilamientoindicanlaformadelafuncin. 2.2.1Lamediana Tal como se muestra en la Figura 2.5, la mediana es el valor a para el cual hay una probabilidad acumuladadel50%.Unadistribucindiscretapuedetenermsdeunpuntoquesatisfagaladefinicinde mediana. f ( x) 50%de probabilidad
Figura2.5Conceptodemediana

x a 2.2.2Lamoda Tal como se muestra en la Figura 2.6, la moda es el valor a para el cual la funcin de densidad de probabilidadolafuncindeprobabilidaddemasaalcanzansumayoraltura. f ( x)
Figura2.6Conceptodemoda

x a Paraalgunasdistribucionesdeprobabilidadpuedeserquenoexistalamodaoqueexistanvarias.Verla Figura2.7
UniversidadTecnolgicadePereira 2010 40

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

f x ( x)

f x ( x)

=2

x
Figura2.7Ejemplosdedistribucionesdeprobabilidadsinmodaoconvariasmodas

2.2.3Momentoscentrales Sedefineelmomentocentral(conrespectoalvaloresperado)deorden r como:

mr = E[( X E( x))r ] = + [ x E( X)]r * fX ( x) * dx paravariablesaleatoriascontinuas


mr = E[( X E( x))r ] = [ xi E( X )]r * p( xi ) paravariablesaleatoriasdiscretas
i =1 n

r
0 1 2 3 4 Descripcin m0 = 1.0 Laprobabilidadtotal,reabajolacurvade f x ( x) osumatoriadelasprobabilidadespuntuales

m1 = 0.0 pues E[X E( x)] = 0 m2 = VAR( x) sedenominavarianza m3 sedenominaSkewness m4 sedenominaKurtosis

2.2.4Coeficientedevariacin cv = STD( x) * 100% si E( x) 0 E( x)

Mide la dispersin central de la distribucin. Permite comparar varias distribuciones, aunque las unidadesdelasvariablesaleatoriasnoseanlasmismas. 2.2.5Coeficientedeasimetra ca = m3 [STD( x)]3

Generalmente est entre 1 y +1. Si una distribucin es simtrica entonces el coeficiente de asimetra es cero.
UniversidadTecnolgicadePereira 2010 41

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

Silacoladeladistribucinesthacialaderecha,entonceselcoeficientedeasimetraespositivo;sila coladeladistribucinesthacialaizquierda,entonceselcoeficientedeasimetraesnegativo.
ca = 0 ca > 0 ca < 0 x x Figura2.8Coeficientedeasimetraparavariasdistribuciones

2.2.6Coeficientedeafilamiento cp = m4 [STD( x)]4

Mideelafilamientoocantidaddepico(peakness)deladistribucin. SetomacomoreferencialadistribucinGausianaestndar(valormedioceroyvarianza1)lacualtieneun cp = 3 .Distribucionesconun cp mayora3tendrnmspicoqueestadistribucin;siel cp esmenorque 3,ladistribucinsermsaplastadaqueladistribucinGausianaestndar.

Figura2.9Coeficientedeafilamiento

UniversidadTecnolgicadePereira

2010

42

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.4DISTRIBUCINEXPONENCIAL f x ( x)

Fx ( x )

1.0 0.632
x x

Figura2.9Distribucinexponencial

Se define por medio de un parmetro de escala [unidades de x ] o una tasa de eventos h [eventos/unidadde x ]queeselinversodelparmetrodeescala.
f x ( x) Fx ( x)
1
1

e h * e h* x
1 x

E( x) VAR( X )

Rango

1 e 1 e h* x 1 h 1 2 2 h x [0, + )

Esladistribucindeprobabilidadmsutilizadaenconfiabilidad. Ladesviacinestndaresigualalvaloresperado,porlocualelcoeficientedevariacinesdel100%;lo cualindicaqueexisteunagrandispersindelosvaloresdelavariableconrespectoalvaloresperado. Es un caso de las distribuciones Weibull y Gamma. Tambin aparece en los procesos estocsticos homogneosdeMarkovyPoisson.
Algunasaplicaciones Confiabilidad:Modelodevidadecomponentesenperiododevidatil Teoradecolas:Tiempoentrellegadadellamadasaunconmutadoroclientesaunbanco,tiempoparaservicio

UniversidadTecnolgicadePereira

2010

43

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.1 Unacuadrillaquerealizamantenimientopreventivoaloscircuitosprimariosdedistribucinareosdebe localizarlospuntosdondehayacercamientosentrelosrbolesylasfasesdeloscircuitosprimariospara hacerpoda. 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 recorridoparaencontrarotroacercamiento. De estadsticas se conoce que, en promedio, por cada 10 km de red recorridos se encuentra un acercamiento. SiladistanciaXesunavariablealeatoriaexponencialmentedistribuidahallar: Cualeslatasadeeventos? 1 acercamiento = 0.1 acercamientos/km h= 10 km Aquelparmetrodeladistribucinsedefineapartirdeunaestadstica.Faltaraverificarsirealmentela tasadeeventosesconstante;estopodraevaluarsegrficamenteopormediodelavarianza. Qudistanciaseesperarecorrerparaencontrarunacercamiento? 1 1 E( x) = = = 10 km/acercamiento h 0.1 Estevaloresperadocorrespondealacifraestadsticaoperativa. Culeslaprobabilidaddeencontrarunacercamientoenunrecorridode10km? F(10 km) = 1 e 0.1*10 = 0.6321

Esdecir,apenashayunaprobabilidaddel63.21%deencontrarunacercamientoen10kmqueasuvezes ladistanciaesperadaparaencontrarlo.Estoilustraelcuidadoquehayqueteneralhacerinferenciasa partirdevaloresmediosoesperados. Cuntoskmhayquerecorrerparatenerunaprobabilidaddel90%paraencontrarunacercamiento? e 0.1* x = 0.1 F ( x) = 1 e 0.1* x = 0.9 e 0.1* x = 0.9 1.0
x = ln(0.1) / 0.1 = 23.026 km

Laprobabilidaddeencontrar0,1onacercamientossehallaconelprocesodePoisson.

UniversidadTecnolgicadePereira

2010

44

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.5DISTRIBUCINUNIFORME f x ( x) a b

Fx ( x)

1.0

x a
Figura2.10Distribucinuniforme

Sedefinepormediodedosvalores a y b ,con a < b .Elparmetrodelocalizacines a yelparmetrode escala (b a) .


f x ( x) Fx ( x) E( x) VAR( X )

Rango

1 ba xa ba a+b 2 ( b a) 2 12 x [ a , b]

Esladistribucindeprobabilidadmssimple. Elfactor ms importantede esta distribucin esque todoslos valoresdel rango de la variablealeatoria tienenigualprobabilidad.
Algunasaplicaciones Generacindenmerosaleatoriosuniformes TiempoparallegadadeeventosenunprocesodePoissonhomogneo Teoradecolas:Tiempoparallegadadellamadasaunconmutadoroclientesaunbanco Fugasenunatubera

UniversidadTecnolgicadePereira

2010

45

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.2 Para una lnea de transmisin en particular, las fallas tienen igual probabilidad de ocurrir en cualquier partedesurecorridode50km. Sea x ladistanciaen km medidadelasubestacinaunpuntodefalladado.Entonces, x esunavariable aleatoriauniformementedistribuida. Culeslaprobabilidaddequeocurraunafallaenlosprimeros10 km delalnea? x 10 km F(10 km) = = = 0.2 50 km 50 km Culeselvaloresperadoparaladistanciaenqueocurrenlasfallas? (50 km + 0 km) E( x) = = 25km 2 Culeslaprobabilidaddequeocurraunafallaenlosprimeros25 km delalnea? x 25km F(25km) = = = 0.5 50 km 50 km Esdecir,apenashayunaprobabilidaddel50%deencontrarunafallaenlosprimeros25kmquea su vez es la distancia esperada para encontrarlo. De nuevo, esto ilustra la debilidad de los anlisisdedecisinquesebasenenvaloresmediosoesperados. 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,descargasatmosfricas,etc.),vegetacin,resistividaddelterreno,etc.Adems,eltipoconstructivo delalneaysusmaterialesdebenserlosmismosparalos50 km .

UniversidadTecnolgicadePereira

2010

46

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.6DISTRIBUCINNORMALOGAUSIANA f x ( x)

Fx ( x)

1.0

Figura2.11DistribucinnormaloGausiana

Se define por medio un parmetro de localizacin, usualmente llamado , y un parmetro de escala, usualmentellamado > 0 .
f x ( x) Fx ( x) E( x) VAR( X ) Rango
1 2 e 2* 2 Notieneformaanaltica ( x )2

2
x ( , + )

Esladistribucindeprobabilidadmsimportanteymsutilizadaenprobabilidadyestadstica.
Algunasaplicaciones Estudiodeerroresdevariostipos Variablesqueresultandelasumadegrandescantidadesdeotrascosas Sobrevoltajes,voltajesdeaguantedeaislamientos Alturadelaspersonas,inflacin,tasasdereproduccin

Es usual, presentar el eje x en forma de desviaciones estndar y expresar como un porcentaje con respectoa : % = / * 100% . El rea encerrada entre 3 es de 0.9972, por lo cual, se asume que estos valores encierran todos los valoresposiblesdelavariable. 99.72%de probabilidad x 3 +3
UniversidadTecnolgicadePereira 2010 47

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

Elnombrenormalseaplicaaestadistribucinyaqueenlaspoblacionesconsideradasnormales,las caractersticas de los individuos, por ejemplo, su estatura, coeficiente de inteligencia, etc. se concentran alrededordelvalormedioymuypocosindividuostienenvaloresmuyporfueradedichovalor.Esdecir, existemuypocaprobabilidaddeencontrarindividuosconcaractersticasqueestnporfuerade 3 .En laFigura2.12seilustraesteconcepto,tomandocomoejemplolaestaturadelossereshumanos. Estaturadelaspersonas x [metros] 1.50 2.00 Poblacinnormal Estaturadelaspersonas [metros] x 2.00 x 1.50 Comolosvaloresdelafuncindedistribucindeprobabilidaddebenhallarsenumricamente,paraesto seutilizaladistribucinnormalestndar quesedefinecon = 0 y = 1 .VerlaFigura2.11.

=1

f ( z) =

1 z2 / 2 e 2
Figura2.11Distribucinnormalestndar

z=
0

(x )

UniversidadTecnolgicadePereira

2010

48

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.3 Unaisladortipopostedeunequipoqueoperaa34.5kVtieneunBILde170kV. El voltaje de aguante del aislador a los voltajes ocasionados por descargas atmosfricas sigue una distribucinGausianaconunvalormediollamadoCFO(CriticalFlashover)yunadesviacindel5%. ElBILeselvoltajedeaguanteparasobrevoltajesproducidospordescargaatmosfricayeselvalorquese ubicaa3desviacionesestndarpordebajodelvalormediodeladistribucinGausiana. CuleselCFOdelaislador? =1
CFO = BIL + 3 * CFO = BIL + 3 * 5 * CFO 100 CFO * (1 3 * 0.05) = BIL CFO = 170kV = 200kV 1 3 * 0.05

Quprobabilidaddedaarelaislamientotieneunadescargaatmosfricaqueproduzcaunvoltaje de183.3kV?
z= x 200kV = 1.67 0.05 * 200

3 BIL

CFO

x[ kV ]

( z = 1.67) = 0.0475 4.75% Detablasdeladistribucinnormalestndar. Quvalordevoltajeproducidopordescargaatmosfricatieneun90%deprobabilidaddedaar elaislamiento?

Sebuscaenlastablasdeladistribucinnormalestndarlosvalorescercanosa0.9
( z = 1.28) = 0.8997 ( z = 1.29) = 0.9015

Interpolandoentreestosdosvalores,seobtienez=1.282para0.9 Entonces, x = + z * = 200kV + 1.282 * 0.05 * 200kV = 212.8kV

UniversidadTecnolgicadePereira

2010

49

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.7DISTRIBUCINWEIBULL f x ( x) =1 >2

Fx ( x)

1.0

Figura2.12DistribucinWeibull

Sedefineconunparmetrodeescala > 0 yunparmetrodeforma > 0 .


f x ( x) Fx ( x) E( x) VAR( X )

* * x 1 * e * x
1 e * x 1/ * (1 + 1 )

Rango

( 2 / ) * [(1 + 2 * 1 ) ( (1 + 1 ))2 ] x [0, + )

Elsmbolo denotalafuncinGamma.Hayotrasformasmatemticasparadefinirestadistribucin. 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 deterioroymejoradelavidadelcomponente.
Algunasaplicaciones Tiemposparafalla Tiempoparacompletaralgntrabajo Estudiodefatigademateriales Modelamientodecomponentesenconfiabilidad

LafuncinGamma ( x )

Figura2.13GrficadelafuncinGamma
UniversidadTecnolgicadePereira 2010 50

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

( x) = 0 t x 1e t dt para x > 0

x 0.1 0.5 1 1.5 2 3 4 5

( x)
9.5135 1.77245 1 0.8862 1 2 6 24

EJERCICIO2.4 La energa radiante del sol en una zona dada es una variable aleatoria con distribucin Weibull de parmetros = 3 [W/m2]y = 2 .

Culeselvalormedio,lavarianza,desviacinestndaryelcoeficientedevariacindelaenerga radianteporda?
E( x) = (1/ ) * (1 + 1 ) = 30.5 * (1 + 0.5) = 3 0.5 * 0.8862 = 0.5117 W/m2

VAR( x) = ( 2 / ) * [(1 + 2 * 1 ) ( (1 + 1 ))2 ] = 3 ( 2 / 2) * [(1 + 2 * 2 1 ) ((1 + 2 1 ))2 ] = 0.0715 (W/m2)2

STD( x) = VAR( x) = 0.0715 = 0.2675 W/m2 CV =

STD( x) 0.2675 * 100% = * 100% = 52.27% E( X ) 0.5117

Culeslaprobabilidaddequelaenergaradianteseamenoroigualalvaloresperado?
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/m2 para operar, cul es la probabilidaddequenofuncione?
F( x = 0.2) = P( x 0.2) = 1 e * x = 1 e 3*(0.2) = 0.11308
2

Culeselvaloresperadodehorasaldaquenooperarelequipo?
tdown = 0.11308 * 12 = 1.35696

UniversidadTecnolgicadePereira

2010

51

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.8DISTRIBUCINGAMMA fx ( x) =1 >2

Fx ( x)

1.0

Figura2.13DistribucinGamma

Sedefineconunparmetrodeescala > 0 yunparmetrodeforma > 0 .

f x ( x)

* x 1 * e ( )

para x > 0

Fx ( x)

2 Si = 2 x * e / noesunentero:Notieneformaanaltica 1 (x / )j para x > 0 esunenteropositivo: 1 e x / * j! j =0

Si = 2 : 1 e x /
E( x) VAR( X )

ex /

Rango

* 2 x [0, + )

Elsmbolo denotalafuncinGamma.AligualqueladistribucinWeibull,notieneunaformadefinida. Segnelvalordesuparmetrodeformapuedetomardiversasformas.


Algunasaplicaciones Tiemposparafalla Tiempoparacompletaralgntrabajo:reparacin,atencindeclientes Fenmenosmetereolgicos

Estadistribucinesmuyimportantepuesgeneralasdossiguientesdistribuciones:
Distribucin Chicuadrado Erlang

= v / 2 y = 2 , v = gradosdelibertad Si esunenteropositivo

Condiciones

Aplicacin Estadstica:bondaddeajuste,inferencia ProcesodePoisson,teoradecolas

UniversidadTecnolgicadePereira

2010

52

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.5 La resistividad del terreno en una zona dada es una variable aleatoria con distribucin Gamma de parmetros = 3 y = 120 [ m ].

Culeselvalormediooesperadodelaresistividaddelterreno?
E( x) = * = 3 * 120 = 360 m

Culesladesviacinestndar?
V ( x) = * 2 = 3 * 120 2 = 43200

= + 43200 = 207.8461 [ m ]

Culeslaprobabilidaddequelaresistividaddelterrenoseamayorqueelvalormedio?
F( x > 360) = 1 P( x 360) = 1 0.5768 = 0.4232

Laprobabilidaddeque x seamenora360 m seobtuvonumricamente. Comoseobserva,laprobabilidaddequelaresistividaddelterrenoseamayoralvaloresperado, esmuyalta.

UniversidadTecnolgicadePereira

2010

53

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.9DISTRIBUCINPARETO fx ( x) b

Fx ( x)

1.0

Figura2.14DistribucinPareto

Sedefineconunparmetrodelocalizacin b > 0 yunparmetrodeforma a > 0 . a b a+1 f x ( x) *( ) b x 1 Fx ( x) 1 * x * e[( a+1)* Ln( b / x )] b b* a E( x) si a > 1 a1 a * b2 si a > 2 VAR( X ) ( a 1)2 * ( a 2)

Rango

x [b , + )

Algunasaplicaciones Economa:tamaodecompaas,preciodeacciones Demografa:Tamaodepoblacionesdeciudades Confiabilidad

UniversidadTecnolgicadePereira

2010

54

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.6 Unprogramadecomputador(software)presentaerroresobugsunavezesteesentregadoalusuario. SieltiempoparaqueelusuariodetecteelprimererroresunavariablealeatoriacondistribucinParetode parmetrosa=3yb=0.0833aos(1mes),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(1.5meses) a1 31 Culeslaprobabilidaddequeseencuentreunerrorenelprimermesdeusodelsoftware? 1 F( x 0.0833) = 1 * 0.0833 * e[(3+1)* Ln(0.0833 / 0.0833)] = 0 0.0833 Esteresultadoesobvio,puesladistribucinsedefineapartirdeb=1mes. Culeslaprobabilidaddequeseencuentreunerroralmesymediodeusodelsoftware? 1 * 0.1250 * e[(3+1)* Ln(0.0192 / 0.1250)] = 0.7037 F( x 0.1250) = 1 0.0192 Comoseobserva,laprobabilidaddeencontrarunerrorentreunmesymesymediodeentregado elprogramaseincrementadramticamente.

UniversidadTecnolgicadePereira

2010

55

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.10DISTRIBUCINTRIANGULAR 2 fx ( x) ba a c b

Fx ( x)

1.0

x a

Figura2.15Distribucintriangular

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) eselparmetrodeescalay c eselparmetrodeforma. a y b sonelintervaloenel cualseconoceestelrangodevaloresdelavariablealeatoriay c eselvalorqueseestimamsprobable.

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 si c < x b 1 (b a)(b c )

E( x)

a+b+c 3

VAR( X )

a 2 + b2 + c 2 ab ac bc 18

Rango

x [ a , b]

Estadistribucinseutilizacuandonoexistemayorinformacinparaconstruirelmodeloprobabilstico, peroseconocenloslmitesdelavariableyelvalormsprobableentreestoslmites.
Algunasaplicaciones Modelosaproximadosenausenciadedatos


UniversidadTecnolgicadePereira 2010 56

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.7 UnsistemadepotenciadeunaregindadaAseinterconectaraotrosistemaBpormediodeunalneade transmisincuyacapacidadesde200MW. ElpropsitodelainterconexinesqueelsistemaBdesoportealsistemaA,cuandotengaexcedentesde generacin. La generacin instalada en el sistema B es predominantemente hidrulica y no tiene capacidad de regulacinanualomultianual(notienegrandesembalses). EloperadordelsistemaBconsideraquepuedegarantizarunsoportedegeneracinde124MWalsistema A.Perodependiendodelascondicionesdehidrologaydedemandapodradarunsoportemayor. CuleselmodeloprobabilsticodelosMWquepuedeimportarelsistemaAdesdeelsistemaB? Sea x lavariablealeatoriadelosMWquesepuedenimportardesdeelsistemaB a: Es el valor mnimo de importacin y corresponde a 0 MW, evento que sucede cuando el sistemaBnotieneexcedentes b: Eselvalormximodeimportacines200MWqueeslacapacidaddetransmisindelalnea deinterconexin. c: Eselvalormsprobabledesoportedegeneracinycorrespondea124MW. Entonces, elmodelo esuna distribucin triangular con parmetrosa=0MW,c=124 MWyb=200 MW CuleselvaloresperadodeMWdesoportequepuedebrindarelsistemaB? a + b + c 0 + 200 + 124 E( x) = = = 108 MW 3 3 CuleslaprobabilidaddequeelsistemaBpuedasuministrarmsdelos108MWesperados? ( 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)

UniversidadTecnolgicadePereira

2010

57

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.11DISTRIBUCINBETA f x ( x)

Fx ( x)

1.0

Figura2.16DistribucinBeta

Sedefinecondosparmetrosdeescala 1 > 0 y 2 > 0 .


f x ( x) Fx ( x ) E( x ) VAR( X )

x1 1 (1 x) 2 1 B( 1 , 2 )
Notieneformaanaltica

1 1 + 2 1 2 ( 1 + 2 )2 ( 1 + 2 + 1)
x (0,1)

Rango
ElsmboloBdenotalafuncinBeta:
B( 1 , 2 )

( 1 )( 2 ) ( 1 + 2 )

Esta distribucin no tiene unaformadefinida. Segn el valor de sus parmetros de forma puede tomar muydiversasformas.Latasadeeventossiempreescreciente. Muchasvariablesaleatoriaspuedennormalizarseymodelarsemedianteestadistribucin.
Algunasaplicaciones Paramodelarproporciones Modelosenausenciadedatos

LadistribucinBetaconambosparmetrosigualesa1esladistribucinuniformeparavaloresdexentre 0y1.

UniversidadTecnolgicadePereira

2010

58

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.8 Unsistemadepotenciadeunaregindadaesdeficitarioencuantoageneracin.Estedficitseatiende conimportacindepotenciadesdelossistemasvecinos.Definiendo: ( Dmax Gdisponible ) Deficit = Dmax

Entonces,eldficitesunavariablealeatoriacuyorangosonlosnmerosrealesentre0y1. Si la variable aleatoria que representa el dficit tiene distribucin Beta con ambos parmetros de forma igualesa2,hallar: Culeselvaloresperadodedficit? 1 2 E( x) = = = 0.5 1 + 2 2 + 2 Culesladesviacinestndar?

1 2 2*2 = = 0.2236 2 ( 1 + 2 ) ( 1 + 2 + 1) (2 + 2)2 (2 + 2 + 1)

Culeslaprobabilidaddequeeldficitseamayoral50%? P ( x > 0.5) = 1 F (0.5) = 1 0.5 = 0.5 F(0.5)sehallonumricamente

Culeslaprobabilidaddequeeldficitseamenoroigualal25%? P( x 0.25) = 0.1562 Valorhalladonumricamente

UniversidadTecnolgicadePereira

2010

59

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.16DISTRIBUCINLOGNORMAL Ln ( x )

f x ( x)

Figura2.17Distribucinlognormal

Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos transformadosesnormal,entonceslosdatostienendistribucinlognormal. La condicin de normalidad de los datos transformados puede deducirse del histograma, si este tiene formadecampana. Sedefinemedianteelparmetrodeforma > 0 yelparmetrodeescala ( , ) loscualesnosedeben confundirconlosparmetrosdeladistribucinnormal.
f x ( x) Fx ( x ) E( x ) VAR( X )
1 2 e 2* x 2 Notieneformaanaltica ( Ln[ x ] )2

e
e
2 +
2

2
2

1]

[e

Rango

x [0, + )
Algunasaplicaciones

Tiemposparaejecutarunatarea Tiemposparareparacin Tiemposparaprestarunservicio

UniversidadTecnolgicadePereira

2010

60

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.15 Eltiempoesperadodeserviciodeunacuadrillaenunazonarurales6horasconunadesviacinestandar de 20%. Si la distribucin del tiempo de servicio es lognormal, cuales son los parmetros de la distribucin?

1. Lasecuacionesson E ( x) = 6 = e 2.
3.

2
2

VAR ( X ) = (6 * 0.2) 2 = 1.44 = e 2 + [e 1]


2 2

Resolviendoelsistemadeecuaciones:

= Ln(VAR[x]+e 2 Ln ( E[ x ] 2 Ln( E[ x]) = 0.1980


=Ln(E[x])-

2
2

= 1.7721

Siahoraelvaloresperadoyladesviacinseexpresanendas:

E ( x) =

6 = 0.25 24

VAR( X ) = (

6 * 0.2)2 = 0.0025 24

Reemplazando en el sistema de ecuaciones se obtiene:

=0.1980 =-1.4059

Quiere esto resultado decir que en esta distribucinel 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 .

UniversidadTecnolgicadePereira

2010

61

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.17DISTRIBUCINLOGISTIC f x ( x) x Figura2.18Distribucinlogistic Recibeestenombreporelhechodequesufuncindedistribucindeprobabilidadpertenecealafamilia defuncionesmatemticallamadalogsticas. Sedefinemedianteunparmetrodelocalizacin ( , ) yunparmetrodeescala s > 0 .


f x ( x)

( x ) s ( x ) 2 s

s(1 + e
Fx ( x ) E( x ) VAR( X )

1 1+ e
( x ) s

Rango

s2 3 x ( , )
Algunasaplicaciones

Tiemposparaaprendizaje Crecimientodepoblaciones Propagacindeepidemias Difusindelasventasdeunnuevoproducto Difusindenuevastecnologasenelmercado

UniversidadTecnolgicadePereira

2010

62

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.18DISTRIBUCINLOGLOGISTIC Ln ( x )

f x ( x)

Figura2.19Distribucinloglogistic

Si a los datos de una muestra se les toma el logaritmo natural y la distribucin de estos datos transformadoseslogistic,entonceslosdatostienendistribucinloglogistic. Sedefinemedianteunparmetrodeforma > 0 yunparmetrodeescala > 0 . x ( ) 1 f x ( x) x [1 + ( ) ]2
Fx ( x ) E( x ) VAR( X )

1 x [1 + ( ) ]

cos c( ) Para > 1 , =


x [0, )
Algunasaplicaciones

2 [2 cos c(2 ) [cos c( )]2 ]

Rango

Tiempospararealizarunatarea

UniversidadTecnolgicadePereira

2010

63

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.19DISTRIBUCINFISHERTIPPETT f x ( x) x Figura2.20DistribucinFisherTippet RecibesunombreenhonoraRonaldA.FisheryLeonardC.Tippet. Sedefinemedianteunparmetrodelocalizacin ( , ) yunparmetrodeescala > 0 .


f x ( x) Fx ( x ) E( x ) VAR( X )

xe z

( x )

donde z = e
( x )

+ donde = 0.57721 es la constante Euler-Mascheroni 2 2


6 x ( , )

Rango

Algunasaplicaciones Anlisisdevaloresextremos

UniversidadTecnolgicadePereira

2010

64

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.20DISTRIBUCINPEARSONV

f x ( x)

Figura2.21DistribucinPearsonV

Sedefinemedianteunparmetrodeforma > 0 yunparmetrodeescala > 0 . Si el inversode los datosde la muestra seajustana unadistribucin Gammacon parmetros G y G , entonces,losdatostienendistribucinPearsonVconparmetros = G y =
f x ( x) Fx ( x ) E( x ) VAR( X )

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

Para > 1 1 2 Para > 2 ( 1)2 ( 2)


x [0, )
Algunasaplicaciones

Rango

Tiempospararealizarunatarea

UniversidadTecnolgicadePereira

2010

65

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.21DISTRIBUCINPEARSONVI

f x ( x)

Figura2.22DistribucinPearsonVI

Sedefinemediantedosparmetrosdeforma 1 > 0 y 2 > 0 . Siparacadadato xi unamuestra x1 , x2, , xn seobtiene parmetros 1 = 1G y 2 = 2G .


f x ( x) Fx ( x ) E( x ) VAR( X )
xi yestosdatostransformadoresseajustanauna xi + 1

distribucin Beta con parmetros 1B y 2 B , entonces, los datos tienen distribucin Pearson VI con

x(1 1) ( 1 )( 2 ) donde B( 1 , 2 ) = es la funcin matemtica Beta ( 1 + 2 ) B( 1 , 2 )[1 + x] ( 1 + 2 ) FBETA ( x ) donde FBETA es la funcin de distribucin de probabilidad Beta x+1 1 Para 2 > 1 2 1 1 ( 1 + 2 1) Para 2 > 2 ( 2 1)2 ( 2 2)
x [0, )
Algunasaplicaciones

Rango

Tiempospararealizarunatarea

UniversidadTecnolgicadePereira

2010

66

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.12DISTRIBUCINBINOMIAL p(x) p = 0 .5 x

p(x) p < 0 .5

p(x) p > 0 .5

Figura2.18DistribucinBinomial

SiunexperimentoaleatoriocumplelascondicionesdeBernoulli:
1 2 3 Existennicamentedosposiblesresultadosparacadaensayo:ocurrenciaynoocurrenciadeunevento Laprobabilidaddeocurrenciadecadaeventoeslamismaparacadaensayo Losensayossucesivosdeunmismotiposonindependientes

Silaprobabilidaddeocurrenciadeuneventoes p ylaprobabilidaddenoocurrires q ,entonces,la probabilidaddeexactamente k ocurrenciasen n ensayosesunasecuenciadeBernoulliyestdada porladistribucinBinomial

p( x) Fx ( x ) E( x ) VAR( X )

n n P( x = k ) = p k q n k = p k (1 p)n k k k k n P( x k ) = p k q ni i =0 i np npq

Rango

x {0,1, 2...}

Algunasaplicaciones Confiabilidad Nmerodetemsconunacaractersticadadaenungrupo

CoeficientesBinomiales
n n! k = k !( n k )!

n! = 1 * 2 * 3 *

* n

0! = 1

UniversidadTecnolgicadePereira

2010

67

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.9 Ladisponibilidaddeuncomponentecontinuamenteoperadoesdel90%.Existen4componentesdeeste tipotrabajandoenunproceso. Sea x lavariablealeatoriaquerepresentaelnmerodecomponentesindisponibles. Definiendo:


Experimento Eventos n =4 p = 0.1 q = 0.9 Observarelestadodeloscomponentes componenteindisponible,componentedisponible Eselnmerodeensayos Eslaprobabilidaddeleventocomponenteindisponible Eslaprobabilidaddeleventocomponentedisponible

Culeselvaloresperadodeequiposindisponibles?
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. Tampocosepuedehallarlaprobabilidaddeocurrenciadeestevalor! Culesladesviacinestndar? = 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 0 1 2 3 4 P(x=k) 0.6561 0.2916 0.0486 0.0036 0.0001 1.0000

Culeslaprobabilidaddeencontrar2omenoscomponentesindisponibles? P ( x 2) = P ( x = 0) + P ( x = 1) + P ( x = 2) = 0.9963

UniversidadTecnolgicadePereira

2010

68

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.10 Serequierequeelcontroldelmecanismodedisparodeuninterruptordepotenciaopereexitosamenteel 99.99%delasveces. Silaprobabilidaddefalladeunabobinadedisparoesde0.006,culeselnmerorequeridodebobinas dedisparoquesedebencolocarenparalelo? Sea x lavariablealeatoriaquerepresentaelnmerodebobinasdedisparofuncionando. Definiendo:


Experimento Eventos n =? p = 0.994 q = 0.006 Observarelestadodeloslasbobinasdedisparo fallada,funcionando Eslaincgnitadelproblema Eslaprobabilidaddequeunabobinadedisparofuncione Eslaprobabilidaddequeunabobinadedisparofalle


P ( x > 0) = P ( x = 1) + P ( x = 2) + P ( x = 3) + = 1 P ( x = 0) 0.9999

Laprobabilidaddeencontrarmsde0bobinasfuncionandodebesermayora0.9999.

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 n (0.994) (0.006) 0.0001 0 n! *1* (0.006)n 0.0001 0!(n 0)! n 1.8003 n = 2

Serequierenporlomenosdosbobinasenparalelo. Laprobabilidaddehallar0dedosbobinasfuncionandoes:
2 P ( x = 0) = (0.994)0 (0.006) 2 0 = 0.000036 < 0.0001 0

Locualesiguala0.006*0.006

UniversidadTecnolgicadePereira

2010

69

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.11 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: Enunasubestacinelctricaexisten4transformadoresdepotencia.Paraatenderlacarga,serequiere quealmenosdosdeloscuatrotransformadoresestnoperandocontinuamente. Latasadefallasdelostransformadoresesde0.1fallas/ao. Culeslaprobabilidadqueuntransformadorfalleenlosprimeroscincoaos? Enestecaso,seasumeoconocequelatasadefallasdelostransformadoresesconstante;entonces, ladistribucindelostiemposparafallaesexponencialysedefinecomo: Ft (t ) = 1 e *t
falla

P[t falla 5aos ] = 1 e 0.1*5 = 0.39347

Enestecaso,laconfiabilidadeslaprobabilidaddequeeltransformadorNOfalleenlosprimeros 5aos. Rtrafo (5aos ) = 1 F (5 aos ) = 1 0.39347 = 0.60653 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. SeaXlavariablealeatoriaquecorrespondealnmerodetrafosqueseencuentranoperando p = 0.60653 q = 0.39347

4 4 Rsubestacion = P ( x 2) = 0.60653i 0.39347 4 i = P ( x = 2) + P ( x = 3) + P ( x = 4) = 0.82824 i=2 i

Culeslaconfiabilidaddeunodeestostransformadoresenunperiodode5aos?

Culeslaconfiabilidaddelasubestacinenunperiodode5aos?

UniversidadTecnolgicadePereira

2010

70

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.13DISTRIBUCINMULTINOMIAL Esunageneralizacindeladistribucinbinomialparaelcasode k eventosmutuamenteexclusivos. SeaXlavariablealeatoriaquecorrespondeaobservarelnmerodeocurrenciasdecadaunodelos k eventosennensayos.

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, evento k en n ensayos,con n1 + n2 +

y nk ocurrencias del

+ nk = n ,estdadaporladistribucinMultinomial.


p( x)

P(n1 , n2 ,

, nk ) =

n! n1 !* n2 !*

* nk !

n n p1 1 p2 2

n pk k

Algunasaplicaciones Nmerodetemsconunacaractersticadadaenungrupo

EJERCICIO2.12 Eloperadordelsistemadedistribucindeenergadeunaciudaddadatienedivididasureageogrfica en4zonas.Laprobabilidaddequeseregistrenfallasencadaunadelaszonasestdadapor:


Zona 1 2 3 4 Oriental Central Sur Occidental

P i
0.40 0.30 0.20 0.10 1.00

Culeslaprobabilidaddequeenunmomentodadoseproduzcansimultneamente2fallasenlazona1, 3enlazonacentral,5enlasury0enlaoccidental? En este caso los eventos mutuamente exclusivos son las ocurrencias de las fallas en las zonas1,2,3y4.Unafallasolopuedeperteneceraunadelaszonas. n1 = 2 n2 = 3 n3 = 5 n4 = 0 n = n1 + n2 + + nk = 10
P(n1 = 2, n2 = 3, n3 = 5, n4 = 0) = 10! * 0.42 * 0.33 * 0.25 * 0.10 = 0.087 2!* 3!* 5!* 0!

UniversidadTecnolgicadePereira 2010 71

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.15DISTRIBUCINHIPERGEOMTRICA Enestecasoseconsideraunespaciomuestralquecontieneunnmerofinitode T elementos,loscualesse dividenen K categorasmutuamenteexclusivas,con T1 enlaclase1, T2 enlaclase2,etc.

Entonces, T1 + T2 +

+ Tk = T

La probabilidad de n1 ocurrencias de la evento 1, n2 ocurrencias del evento 2, evento k en N ensayos sin reemplazo, con n1 + n2 + Hipergeomtrica.

y nk ocurrencias del

+ nk = N , est dada por la distribucin

p( x)

P( n1 , n2 ,

T1 T2 Tk n n n 1 2 k , nk ) = T N

Algunasaplicaciones Nmerodetemsconunacaractersticadadaenungrupo

LadistribucinHipergeomtricapuedeaproximarsealadistribucinMultinomialcuando T ,elnmero totaldeelementosenelespaciomuestralseamuygrande. EJERCICIO2.14 Enunsistemaelctricohay30generadoresdelossiguientestipos:


Tipodegenerador 1 2 3 4 Hidrulico Gasnatural Diesel Elico

Ti
12 9 6 3 30

Culeslaprobabilidaddequesiseseleccionen10generadoresalazarparahacerlesunainspeccinde seguridad,resulten2hidrulicos,3degasnatural,5dieselyningunoelico?
12 9 6 3 2 3 5 0 P (n1 = 2, n2 = 3, n3 = 5, n4 = 0) = = 0.0011 30 10

SiesteproblemaseresuelveporladistribucinMultinomialelresultadoserde0.087.

UniversidadTecnolgicadePereira

2010

72

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.14DISTRIBUCIONESPASCALYGEOMTRICA p(x)

Figura2.19DistribucinPascal

En este caso se observan los resultados de una secuencia de Bernoulli hasta que se obtiene un nmero dadodeocurrenciasdeunevento.Obtenerestenmerodadodeocurrenciasdeleventodeinterspuede requerir N ensayos.Elnmerodeensayos N esaleatorio.

Si la probabilidad de ocurrencia de un evento es p y la probabilidad de no ocurrir es q , entonces, la probabilidaddequetomarexactamente N ensayosparaobservar R ocurrenciasenunasecuenciade BernoulliestdadaporladistribucinPascal


p( x) E( x ) VAR( X )

N 1 R N R con 0 < R N P( x = N ) = p q R 1 R p
R(1 p ) p2
x {0,1, 2...}

Rango

Estadistribucinessesgadaaladerechao,enotraspalabras,tienecoeficientedeasimetrapositivo.
Algunasaplicaciones Nmerodeensayosparaobteneruneventodado

Cuando R = 1 ,ladistribucinPascalseconocecomoDistribucinGeomtricadonde P( x = N ) = p q N 1

UniversidadTecnolgicadePereira

2010

73

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

EJERCICIO2.13 El operador de un sistema de distribucin cree que en un sector donde hay 30 viviendas se generan problemasdecalidaddelapotenciaqueafectanalosotrosusuariosdelsistema.Laprobabilidaddeque existaunproblemadecalidaddelservicioenunaviviendaesde0.20. Culesvaloresperadodeensayosparaencontrarunproblemadecalidaddelservicio?
E ( x) = R 1 = = 5 Se espera que se tenga que inspeccionar 5 viviendas para encontrar un p 0.20

problemadecalidaddelservicio Culeslaprobabilidaddequesetengaqueinspeccionar5viviendasparaencontrarunproblema decalidaddelservicio?


N 1 R N R 5 1 4 1 5 1 1 4 P ( x = 5) = = p q 0.20 * 0.8 = 0.20 * 0.8 = 0.08192 R 1 11 0

Cul es la probabilidad de que se tenga que inspeccionar las 30 viviendas para encontrar un problemadecalidaddelservicio?
N 1 R N R 30 1 29 1 30 1 P ( x = 30) = = = 0.201 * 0.829 = 0.00031 p q 0.20 * 0.8 R 1 11 0

UniversidadTecnolgicadePereira

2010

74

AnlisisProbabilsticoySimulacinCarlosJ.Zapata

Captulo2Modelosparadistribucionesdeprobabilidad

2.22BIBLIOGRAFA [1] Torres A, Probabilidad, variables aleatorias, confiabilidad y procesos estocsticos en ingeniera elctrica,UniversidaddelosAndes,1996. [2] AndersG,Probabilityconceptsinelectricpowersystems,WileyandSons,1990. [3] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt Rinehart andWistonInc,1970. [4] ViniotisYannis,ProbabilityandRandomProcessesforElectricalEngineers,McGrawHill,1998. [5] PapoulisAthanasios,Probability,RandomVariablesandStochasticProcesses,terceraedicin,Mc GrawHill,1991. [6] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,cuartaedicin,Prentice Hall,1992. [7] Law Averill M, Kelton W. David, Simulation Modeling and Analysis, Tercera edicin, McGraw Hill,2000. [8] DecisioneeringInc,CrystalBall2000UserManual,DecisioneeringInc,2001. [9] Garcs L. P, Gmez O, C. J. Zapata, Anlisis de confiabilidad del sistema compuesto generacin transmisindelaciudaddePereira,IICongresoInternacionalIEEEdelaReginAndinaAndescon 2004,Agostode2004. [10] Karaki S. H, Chedid R. B, Ramadn R, Probabilistic performance assessment of wind energy conversinsystems,IEEETransactionsonEnergyConversin,Vol.14,No.2,June1999. [11] WikipediaThefreeencyclopedia.www.wikipedia.org

UniversidadTecnolgicadePereira

2010

75