Probabilidad Capitulo 1 2011 PDF

1
Captulo1ConceptosBsicos AnlisisProbabilsticoySimulacinCarlosJ.Zapata
UniversidadTecnolgicadePereira 2011
CAPTULO1CONCEPTOSBSICOS
1.1LAALETORIEDADYELANLISISPROBABILSTICO
1.1.1ELCONCEPTODEINCERTIDUMBRE
Figura1.1Ejemplosdeprocesosconysinincertidumbre
Eltrminoincertidumbreserefiereaaquellasituacinenlacualnosetienecompletoconocimiento
sobreunprocesodado.Lafaltadeconocimientopuedereferirsealadescripcindelproceso,suscausas
osusresultados.
Lo opuesto a incertidumbre se denomina certidumbre o determinismo. La Fig. 1.1 presenta dos

ejemplosdeprocesosconysinincertidumbre:
1
Eltiempoparaquesegesteunserhumano:tieneincertidumbreyaquenoexisteunaecuacin
oconjuntodeecuacionesquepermitanestablecerenformaexactaestevalor.
2
El tiempo para cada libre de un objeto: es determinstico y se obtiene de las leyes del
movimientoestablecidasporIsaacNewton.
Laincertidumbreaparecepor:
1 Laincapacidadparaexplicarelproceso(faltadeconocimiento=ignorancia)
2
Laincapacidadparamodelarorepresentarelproceso(porignorancia,altacomplejidaddel
proceso,limitacindelasherramientasmatemticasycomputacionales)
3 Laincapacidadparamediruobservarenformaprecisaelprocesobajoestudio
Ntesequelaincertidumbreserefierealanalistanoalproceso.
En los problemas reales de ingeniera y ciencias se encuentra que lo ms comn es que no existe la
suficiente informacin o la certidumbre como para establecer modelos determinsticos. Sin embargo,
estahasidolaformatradicionaldemodelamientoenseadaenlasuniversidades.
? = t
Tiempotparagestarun
serhumano
2 / 9.8 = + t h
h
Tiempotensegundos
paralacadadeunobjeto
desdehmetrosdealtura

Taxonomadelaincertidumbre
Nivelde
complejidad
Tipode
incertidumbre
Descripcin
0 Determinismo Completoconocimientodelprocesobajoestudio
1 Aleatoriedad
Seconocenlosposiblesresultadosdelprocesobajoestudioperono
sus causas, o, aunque se conocen las causas y los resultados, no se
escapazdeestablecerunadescripcindeterminsticadelproceso
2
Vaguedade
imprecisin
Incapacidad para definir en forma clara o precisa una clasificacin
de las observaciones para las causas o resultados. En trminos
lingsticos se denomina vaguedad y en trminos numricos
imprecisin.
3 Ambigedad
Aunque existe una clasificacin de las causas y resultados se es
incapazdeasignaralgunasobservacionesaellas(noespecificidad)
4 Confusin Renecaractersticasdevaguedadyambigedad.
Mediante el anlisis probabilstico se estudian procesos donde existe incertidumbre en forma de

aleatoriedad.Lasotrasformasdeincertidumbreseestudianmediantelalgicadifusa,lateoradelas
posibilidadesylateoradelaevidencia.
EJEMPLO
Figura1.2Anlisisdelaestaturadeungrupodepersonas
Elprocesobajoestudioesobservaromedirlaestaturadelaspersonasqueasistenaunsalndeclase,
talcomosemuestraenlaFig.1.2.
Determinismo: Existeunadefinicinperfectadelosresultados
1.50 Bajo m < 1.50 1.70 m Medio m > 1.70 Alto m
Aleatoriedad: Requiere una perfecta definicin de los resultados (Qu es Alto, Medio y
Bajo),perolaincertidumbreestencmosedarnestosresultados:conqu
frecuenciallegaunapersonaalta?
Vaguedadeimprecisin: Culesvalorespertenecenacadacategoralingstica(Alto,Medio,Bajo)?
Unapersonaconunaestaturade1.499999esBajaoMedia?
Ambigedad: 1.70mesunaestaturamediaoalta?

Confusin: Nosesabesiunresultadoesaltoomediooquesaltoomedio.
Entrada
Observaro
medirlas
personas
Proceso Salida
Alto
Medio
Bajo
Resultados:Alto,Medio,Bajo
...

1.1.2AZARYALEATORIEDAD
Eltrminoazarserefierealaausenciadecausaoexplicacin
Seaplicaa:
1 Aquellasituacinenlacualnoseconocenlascausasqueproducenuneventodado
2
Aquellasituacinenlacual,aunqueseconocenlascausasqueproducenuneventodado,no
puedeexplicarseporquestasocurrensimultneamente.
Eltrminoaleatoriedadserefiereaaquellasituacinenlacuallaocurrenciadeuneventodadono
puedeexplicarsemasqueporintervencindelazar
Otrosinnimoparaaleatorioeseltrminoestocstico.
Eltrminoaleatorioserefiereaalgocarentedecausauordenoqueesimpredecible.As,sediceque
unprocesoesaleatoriocuando:
1 Noseconocenlascausasqueloproducen
2
Aunqueseconocenlascausasylosresultadosnoseescapazdeestablecerunaleyorelacin
determinsticapermanenteentreellos(experimentoaleatorio)
3 Lasecuenciaderesultadosnopuedecondensarseenunaecuacinodescripcin
4 Existedudasobrelaveracidaddeunaafirmacinonegacin
1.1.3ALEATORIEDADVERSUSDETERMINISMO
Todo lo que sucede en el mundo tiene una causa o explicacin y en este sentido el mundo es
determinstico,porlocual,esilgicoonocientficopensarlocontrario.As,desdelargotiempoatrsy
endiversaspocasalgunosfilsofosycientficoshasidoexpresadoquelasleyesdelanaturalezason
determinsticas;entonces,dedondesurgelaideadealeatoriedad?
Laincertidumbreserefierealapersonaqueanalizaelprocesonoalprocesoensi;entonces,eslafalta
deconocimientodelserhumanolaquehacequealgunosprocesosdebanconsiderarsealeatorios.
EJEMPLO
Elprocesonaturaldegestacindeunserhumanoesdeterminstico:conocemossuscausas,evolucin
yresultadoprincipal(elnacimientodeunbeb).Sinembargo,existeincertidumbrerespectoavarios
aspectosdeesteresultado.Porejemplo,noexisteunmodelomatemticoquepermitadeterminaren
formaexactaelinstantetenquehadenacerunbeb.Lonicoqueseconoceempricamenterespecto
aestetiempoesquetieneunvalorpromediode9meses(38semanas),porlocual,lasobservaciones
puedensermayoresomenoresaestedato.As,tseconsideraaleatorio.
EJEMPLO
Figura1.3Bolasdenievequegolpeanunavivienda
Considere elproceso de calcularlafuerza mxima con que golpean las bolasde nieve una vivienda,
talcomosemuestraenlaFig.1.3.
LasleyesestablecidasporNewtonnosdicenquelafuerza F esigualalamasa m porlaaceleracin a

y en este sentido el proceso es determinstico. Sin embargo, en este caso la masa m de cada bola de
nievequegolpealacasaesdiferenteynosedisponedeunarelacinparaello;entonces,silamasa m
seconsideraaleatoria,lafuerza F tambinloes.
1.1.4POSIBILIDADYPROBABILIDAD
Eltrminoposibilidadserefierealconocimientoocreenciadequeuneventodadopuedeexistiru
ocurrir.
Otrosinnimoparaposibleeseltrminoplausible.
Laposibilidadnoimplicatotalcertezasobrelaexistenciauocurrenciadeuneventodado,puestoque
sta se puede expresar mediante un nivel o grado de posibilidad que generalmente es una
probabilidad.
Eltrminoprobabilidaddefinematemticamenteelgradodecertidumbresobrelaocurrenciadeun
eventooeventos
Figura1.4Conceptodeprobabilidad
La probabilidad es un nmero real entre 0.0 y 1.0, el cual tambin es comnmente expresado en
porcentaje.LaFig.1.4muestralossignificadosdeestosextremos.
0.0
1.0
Totalincertidumbresobre
laocurrenciadelevento
Totalcertidumbresobrela
ocurrenciadelevento
F ma =

Laprobabilidadesunconceptorelacionadoconlaocurrenciadeunoovarioseventos;laprobabilidad
puedeasignarsedelassiguientesformas:
1 Objetiva Basadaenexperimentacinoanlisismatemtico
2 Subjetiva Basadaenlacreenciadelanalista
Laprobabilidadylaposibilidadestnrelacionadasdelasiguientemanera:
Uneventonoprobableopocoprobablepuedeserposible,perosieleventoesimposiblenoesprobable
EJEMPLOS
1. LaprobabilidaddequesereportelapresenciadeunOVNIenestesitioescero,peroesteeventoes
posible
2. No es posible convertir el agua en gasolina, por lo tanto, este evento no es probable (tiene
probabilidadcero)
1.2EXPERIMENTOSDETERMINSTICOYALEATORIO
Figura1.5Conceptodeunexperimento
Unexperimentoestodoprocesooprocedimientoquetransformaunaentradaenunasalida,talcomo
semuestraenlaFigura1.5.Elprocesopuedesermedir,contar,observar,interrogar.
Losexperimentossepuedenclasificarendeterminsticosyaleatorios.
Unexperimentodeterminsticoesaquelquecuandoserepiteconlamismaentradaeidnticas
condiciones,siempreserobservadalamismasalida.
Ejemplodeexperimentodeterminstico
Entrada Proceso Salida
VoltajeDC100V
Aplicarestevoltajeaunaresistenciade50
Ohmiosymedirlacorriente
I=V/R=100/50=2Amperios
El experimento determinstico es una abstraccin matemtica para describir fenmenos, sistemas o

procesossinincertidumbre,esdecir,conperfectoconocimientodelascausas,procesoylosresultados.
Entrada

Proceso
Salida

Unexperimentoaleatorioesaqueldondelasalidanoeslamismaaunqueserepitanlamismaentraday
condiciones.Esdecir,lasalidanopuedeseridentificadaenformanicadelconocimientodelaentrada.
Elexperimentoaleatoriosecaracterizaporque:
1
Se repite muchas veces (varias iteraciones,
ensayos).
Si un experimento se realizara una sola vez,
habraunasolasalidaoresultado.
2
Nosepuedeonosedeseapredecirlasalidao
resultadoexactodelexperimento
Interesalaocurrenciarelativadelasalidanosu
resultadoexacto
Elexperimentoaleatorioesunaabstraccinmatemticaparadescribirfenmenos,sistemasoprocesos
conincertidumbreenformadealeatoriedad.
Ejemplos
Entrada Proceso
Salida
Lotederesistoresde100Ohm
Medir la resistencia de cada
resistencia
100, 101, 99.5, 99.8, 100.5, 99.5,
100.2,99.2,98.0,...
Lotederesistoresde100Ohm Probarlacontinuidad
Buena, buena, buena, daada,
buena,buena,daada,...
Nmero de descargas
atmosfricas por ao en una
regin
Conteodetruenos
88en1998,72en1999,92en2000,
101en2001,100en2002,...
Corriente de descarga de un
rayo
Medida de la corriente de
descarga
20.2kA,30.5kA,40kA,18kA,...
Vida de una bombilla en un
sistemadeiluminacinpublico
Medidadeltiempoparafalla
500 horas, 1000 horas, 300 horas,
672.5horas,...
Tiempo para reparar un
transformadordedistribucin
Conteo del tiempo para
reparacin
2 horas, 1.5 horas, 4 horas, 10
horas
Estado operativo de un grupo
de luminarias de un sistema de
iluminacinpblico
Observar el estado operativo
cadamaana
Buena, buena, buena, daada,
daada,
Aireexteriorenunainstalacin Medirlatemperatura +20,0,15,45,...
Qutipodemsicalegusta? Interrogar
Rock, rock, pop, balada, rock,
despecho,salsa,
Legustoelpostre? Interrogar
Si,si,no,no,no,si,...
No,poco,mucho,no,si,...
1.3ESPACIOMUESTRALYEVENTOS
1.3.1Espaciomuestral
Eselconjuntodetodoslosresultadosposiblesdeunexperimentoaleatorio
El espacio muestral se designa por las letras S (Sample Space) o . Los resultados pueden estar
expresadosennmerosoentrminosnonumricos.
Ejemplos
Experimento Espaciomuestral
Medidaderesistenciaaunlotederesistores Losnmerosrealespositivossinincluirelcero
Pruebadecontinuidadaunlotederesistores Buena,Daada
Conteodetruenosporaoenunaregin Losnmerosenterospositivosincluyendoelcero
Corrientededescargadeunrayo Losnmerosrealespositivossinincluirelcero
Vida de una bombilla en un sistema de
iluminacinpublico
Losnmerosrealespositivossinincluirelcero
Tiempo para reparar un transformador de
distribucin
Losnmerosrealespositivossinincluirelcero
Estadooperativodeungrupodeluminariasdeun
sistemadeiluminacinpblico
Buena,Daada
Medir la temperatura ambiente exterior en una
instalacindada
Los nmeros reales positivos y negativos
incluyendoelcero
Elespaciomuestraltienequeestarcompletamentedeterminadoynopuedecambiar.Sinembargo,no
siempreesfcildeterminarelespaciomuestral.
Ejemplo
Experimento Espaciomuestral
Observar las salidas que afectan la disponibilidad
deunalneadetransmisin
Falla en estructura, cortocircuito, flameo de
aislador,accidentedetrnsito,...?
1.3.2Evento
Esunsubconjuntodeintersdelespaciomuestral
Los eventos son los resultados de un experimento aleatorio que cumplen unas determinadas
condiciones.
Ejemplo
Experimento Eventos
Fallaspropiasdelalneadetransmisin Falla en estructura, cortocircuito, flameo de
aislador,roturadeconductor,otras

Enelejemplo,seintroduceeleventootrasfallasparacubrireldesconocimientoquehayenestecaso
sobreelespaciomuestral;esdecir,noseconocentodaslasposiblesfallas.
1.3.3Tiposdeeventos
Eventosindependientes
Dos eventos son independientes si la ocurrencia de uno, no afecta la probabilidad de ocurrencia del
otro.
Ejemplos
Flameodeunaisladoryfalladeunaestructura
Falladedoscomponentesquenohacenpartedeunmismoaparatonicompartenfunciones
Amenudo,parasimplificarlosmodelosodebidoalafaltadeconocimientodelprocesobajoestudio,se
asumeindependenciaenloseventoscuandoestonoesestrictamentecierto.Sinembargo,estaprctica
puedellevaragraveserroresenelmodelamiento.
Eventosmutuamenteexclusivos
Doseventossonmutuamenteexclusivosodisjuntossiambosnopuedensucederalmismotiempo.
Ejemplos
Fallayoperacindeunequipo
Embalsellenoyembalsevaco
Lasposicionesdeunsuitchediscreto:apagado,bajo,medio,alto
Los eventos disjuntos con probabilidades diferentesde cero son estrictamentedependientes aunquea
vecesseasumalocontrario.
Eventoscomplementarios
Doseventossoncomplementariossicuandounoocurre,elotronopuedeocurrirosiunonoocurre,el
otrotienequeocurrir.Sonmutuamenteexclusivos.
Ejemplos
Fallayoperacindeunequipo
Embalsellenoyembalsevaco
Los eventos disjuntos con probabilidades diferentesde cero son estrictamentedependientes aunquea
vecesseasumalocontrario.
Eventoscondicionalesodependientes
Soneventosquepuedenocurrircondicionalmentesobrelaocurrenciadeotroseventos.
Ejemplos
Flameodeunaisladorydescargaatmosfricasobreunconductordefase
Roturadeuncabledeunafasedeunconductoryfallafasetierra
Despacho de una unidad de generacin hidrulica y disponibilidad del caudal mnimo de agua
requeridoparagenerar
Despachodeunaunidaddegeneracinhidrulicaydisponibilidaddelequipodegeneracin
1.3.4Determinismosobreladefinicindelespaciomuestralyloseventos
La teora de probabilidad est basada en la teora clsica de conjuntos donde las fronteras entre
conjuntos son fijas (rgidas). As, el espacio muestral y los eventos son conjuntos perfectamente
definidosodeterminsticos;esdecir:
1 Nopuedehabervaguedadoimprecisinparadefinirelespaciomuestralyloseventos
2 Nopuedehaberambigedadoconfusinparaasignarresultadosaloseventos
Esto es as porque la incertidumbre que existe es sobre la ocurrencia de los eventos no sobre la
definicindelosmismos.
Esto contrasta con el modelamiento mediante lgica difusa donde se definen conjuntos difusos los
cuales tienen fronteras que no son fijas (blandas). Las fronteras difusas permiten representar la
vaguedadeimprecisinenladefinicindeloseventos.Esteconceptoseilustraenlafigura1.6
Figura1.6Ejemplodeconjuntosclsicosydifusos
1.4DEFINICIONESDEPROBABILIDAD
1.4.1Definicinaxiomtica(Kolmogorov)
La probabilidad de un evento dado A, es un nmero ( ) P A asignado a este evento que obedece los
siguientespostulados:
0 ( ) 1 P A
( ) 1 P S = ylaprobabilidaddeuneventofalsooimposiblees0.
SiAyBsoneventosdisjuntos, ( ) 0 P A B = ,entonces, ( ) ( ) ( ) P A B P A P B = +
Lateoraresultantesedesarrollaconbaseenlasoperacionesconconjuntos.
Personademediaestatura:
1.50 ? 1.70 ? m h m
Conjuntosdifusos=fronterasblandas Conjuntosclsicos=fronterasfijas
Personademediaestatura:
1.50 1.70 m h m

10
1.4.2Definicindefrecuenciarelativa
Se considera que el experimento aleatorio se repite n veces. Si un evento dado A ocurre

A
n veces,
entonces:
( ) lim /
A
n
P A n n
La probabilidad obtenida es objetiva a posteriori ya que se obtiene mediante la experimentacin y

comotalesunhechodelmundoreal.
Sin embargo, en la realidad un experimento no puede repetirse un nmero infinito de veces, por lo
cual, la existencia del lmite es una hiptesis, no un resultado experimental. A pesar de esto, es la
definicinmsutilizada.
1.4.3Definicinclsica
Siunevento A sepuededescomponerenlasumade M eventosquepertenecenaunconjuntode N

eventosmutuamenteexclusivoseigualmenteprobables,entonces:
( ) / P A M N =
Laprobabilidadobtenidaesobjetivaperonorequiereexperimentacin,soloanlisismatemtico.
Estadefinicinrequiereconocerenformaexactaelnmeroposiblederesultados.
Tienelimitadaaplicacindebidoa:
1 Elrequerimientodeigualprobabilidaddetodosloseventosdelespaciomuestral.
2 Enalgunosexperimentoselnumerodeeventospuedeserinfinito
1.4.4Definicinsubjetiva
Todoindividuoestencapacidaddeexpresarsusincertidumbresenformadejuiciosdeprobabilidad
Es una hiptesis o medida subjetiva del conocimiento sobre la posibilidad de que un evento dado
ocurra.Seasignanprobabilidadesaeventosconbaseenexperienciaspasadasperononecesariamente
conbaseenresultadosexperimentales.Esteenfoquenoesconsistenteconelmtodocientficobasado
enlaexperimentacinyanlisisdedatostomadosdelmundoreal.
Ejemplo
Laprobabilidaddereprobarestecursoesdeaproximadamenteel2%
11
EJERCICIO1.1
Enunsistemaelctricosetienenregistradasparaunperiodode5aosloseventosquecausandaode
losaisladoresdelaslneasdetransmisinareas.
i
E Evento Ocurrencias Probabilidad
1 Daodebidoadescargaatmosfrica 152 =152/434=0.3502
2 Daodebidoacontaminacin 137 =137/434=0.3157
3 Daodebidoasobrevoltajepormaniobra 65 =65/434=0.1498
4 Daodebidoaferroresonancia 40 =40/434=0.0922
5 Daodebidoalvandalismo 25 =25/434=0.0576
6 Daodebidoaotrascausas 15 =15/434=0.0346
Total 434 1.0000

Laprobabilidadsehallaaplicandoladefinicindefrecuenciarelativaalasestadsticasoperativasdel
sistema.Enestecaso,sehallalaprobabilidaddedaodelaisladorparacadacausa.
Noconfundirconlaprobabilidaddequeocurralacausadeldao;porejemplo,laprobabilidaddeque
un aislador se dae debido a una descarga atmosfrica es de 0.3502. Queda por determinar cul es la
probabilidad de que se produzca una descarga atmosfrica con una corriente de descarga de tal
magnitudquedaeelaislador.
EJERCICIO1.2
Unsistemaindustrialcuentacondiezunidadesdegeneracindelassiguientescapacidades:
Cantidad Capacidaddecadaunidad
3 5MW
3 4MW
2 3MW
1 6MW
1 10MW
Siseasumeque la probabilidad de falla de todas las unidades es igual, se puede aplicar ladefinicin
clsicadeprobabilidad.
Cul es la probabilidad de quealseleccionar alazar una delasunidades para asumirla fallada en

unestudiodeflujodecarga,salgalaunidadde10MW?
Hay 1 unidad de 10 MW entre 10 unidades de generacin; entonces, M = 1, N = 10 y

P=M/N=1/10=0.1
Culeslaprobabilidaddequealseleccionaralazarunadelasunidadesparaasumirlafalladaen
unestudiodeflujodecarga,salgaunaunidadde5MW?
12
Hay 3 unidades de 5 MW entre 10 unidades de generacin; entonces, M = 3, N = 10 y
P=M/N=3/10=0.3
Para asumirque todas las unidades tienen igual probabilidad defalla, se requieren por lomenos que
seandelamismatecnologa,edadytamaosimilar.
1.5REGLASPARACOMBINARPROBABILIDADES
1.5.1Ocurrenciasimultneadedoseventos ( ) A B
Eventosindependientes Eventosdependientes
( ) ( ) * ( ) P A B P A P B =
Sihayneventosindependientes,entonces:
1 2 1
( ) ( )
n
n i i
P A A A P A
=
=
( ) ( | ) * ( ) ( | ) * ( ) P A B P A B P B P B A P A = =
( | ) P A B selee:LaprobabilidaddeAdadoqueB
ocurri
Loseventosdisjuntosconprobabilidadesdiferentesdecerosonestrictamentedependientes:
Siseasumenindependientes,entonces: ( ) ( ) * ( ) 0 P A B P A P B = >
Pero ( ) 0 P A B = puesto que ambos eventos no pueden ocurrir al mismo tiempo. Esto es
contradictorioconloanterior.
Entonces,estoseventossonestrictamentedependientesy:
( ) 0
( | ) 0
( ) ( )
P A B
P A B
P B P B
= = =
1.5.2Ocurrenciadeunodedoseventosodeambos ( ) A B
Eventosindependientes Eventosdependientes
Eventos independientes pero no

mutuamenteexclusivos
( ) ( ) ( ) ( ) * ( ) P A B P A P B P A P B = +
Eventosindependientesymutuamente
exclusivos
1
( ) ( ) ( ) P A B P A P B = +
Sihay neventosindependientes,entonces:
1 2
1
( ) ( )
n
n i
i
P A A A P A
=
=
( ) ( ) ( ) ( | ) * ( ) P A B P A P B P B A P A = +
( ) ( ) ( ) ( | ) * ( ) P A B P A P B P A B P B = +
SiAyBsoneventoscomplementarios:
( ) ( ) 1 P A P B + =
( ) ( ) P A P B =
Nota: En esta formulacin, que aparece en muchos textos, se omite el hecho de que los eventos
disjuntossondependientes,talcomoseexplicanteriormente.
13
EJERCICIO1.3
En un sistema elctrico se tienen registradas para un periodo de 7 aos los eventos que afectan las
lneasdetransmisinareas.
i
E Evento Ocurrencias Probabilidad
1 Daodeaislador 175 0.175
2 Falladecimentacin 50 0.050
3 Falladeestructura 100 0.100
4 Roturadeconductordefase 150 0.150
5 Descargaatmosfricadirecta 250 0.250
6 Otras 275 0.275
Total 1000 1.000
Como en el ejercicio 1.1,la probabilidad de cada evento se halla aplicandola definicin defrecuencia
relativayutilizandolasestadsticasoperativasdelsistema.
Culeslaprobabilidaddequeseproduzcansimultneamenteunflameodeaisladoryunafallade
estructura?
Estoseventossepuedenconsiderarindependientes,entonces:
1 3 1 3
( ) ( ) * ( ) 0.175 * 0.10 0.0175 P E E P E P E = = =
Culeslaprobabilidaddequeseproduzcansimultneamenteunadescargaatmosfricaydaode
aislador?
Eldaodeunaisladoresdependientedeleventoqueocurraunadescargaatmosfrica,entonces:
1 5 1 5 5
( ) ( | ) * ( ) 0.3502 * 0.25 0.08755 P E E P E E P E = = = (
1 5
( | ) 0.3502 P E E = setomadelejercicio1.1)
Laecuacin
1 5 5 1 1
( ) ( | ) * ( ) P E E P E E P E = aunquevlidamatemticamente,notienesentidoeneste
problemapueselflameodeunaisladornopuedeproducirladescargaatmosfrica.
Culeslaprobabilidaddequeseproduzcanundaodeaisladoryunafalladeestructuraoambos
eventos?
Estos eventos son independientes pero no mutuamente exclusivos, pues ambos pueden suceder al
mismotiempo.
1 3 1 3 1 3
( ) ( ) ( ) ( ) * ( ) 0.175 0.10 0.175 * 0.10 0.2575 P E E P E P E P E P E = + = + =
Culeslaprobabilidaddequeseproduzcadaodeunaisladorounadescargaatmosfricadirecta
oamboseventos?
1 5 1 5 1 5 5
( ) ( ) ( ) ( | ) * ( ) 0.175 0.25 0.35 * 0.25 0.3375 P E E P E P E P E E P E = + = + =
14
1.6ELCONCEPTODEVARIABLEALEATORIA
Lasalidadeunexperimentoaleatorioesunavariablealeatoria,conceptoesteparaelcualexistendos
definiciones.
1.6.1Definicinprctica
Unavariablealeatoriaesaquellaparalacualsusvaloresnopuedenpredecirseenformaexacta,porlo
cual,laocurrenciadeciertosvaloressolopuedeexpresarseentrminosdeprobabilidad
Ejemplos
Variabledeterminstica Variablealeatoria
Elvoltajedeunafuentesinusoidalde60Hertzse
definecomo: ( ) 150sin(377 ) V t t =
Lavelocidaddelvientoenestesitioesuna
variablealeatoria.Noexisteunaecuacinque
definaenformaexactasusvaloresparacada
instantedeltiempo.
1.6.2Definicinmatemtica
Figura1.7Conceptomatemticodevariablealeatoria
Unavariablealeatoriaesunafuncinqueleasignaunnmerorealacadaresultadooeventodeun
experimentoaleatorio
La Fig. 1.7 muestra un esquema de esta definicin. Esta definicin es necesaria para cubrir aquellos
procesosaleatoriosdondeloseventoscorrespondenadefinicioneslingsticas.
Paraunavariablealeatoriasedefinen:
Dominio Losresultadosoeventosdelexperimentoaleatorio
Rango Esunconjuntodenmerosaloscualesselesasignaunvalordeprobabilidad

A
B
C
D
E
X(A)=1
X(B)=2
X(C)=3
X(D)=4
X(E)=5
S

15
Ejemplos
Experimento Variablealeatoria
1
Observareltiempopararepararun
transformador
S:Losnmerosreales>0
X=1*(resultadosdelexperimento)
Rango:Losnmerosreales>0
2
Observarelestadooperativodeun
transformadorONAN/ONAF1/ONAF2
S:indisponible,ONAN,ONAF1,ONAF2
X=0MVAparaindisponible,
X=80MVAparaONAN
X=100MVAparaONAF1
X=120MVAparaONAF2
Rango:0MVA,80MVA,100MVA,120MVA
3
Medidaderesistenciadeunlotede
resistenciasde100Ohm
Espaciomuestral:Losnmerosreales>0
Xi=1/Ri,dondeRisonlosOhmiosdelamedidai
Rango:Losnmerosreales>0
1.6.3Tiposdevariablesaleatorias
Discreta
Puedetenernicamenteunnmerocontable
devaloresounnmerodiscretodeestados
Ejemplo:Nmerodefallasenunperiodo
detiempo
Continua
Tieneunnmeronocontabledevalores Ejemplo:Tiempoparafalladeun
componente
Mixta Unacombinacindelasanteriores
1.6.4Distribucindeprobabilidaddeunavariablealeatoria
Asignaracadavalorposibledeunavariablealeatorialaprobabilidadquelecorresponde,esdefinirla
distribucindeprobabilidaddelavariablealeatoria.
EJEMPLO
Sea x la variable aleatoria discreta que representa el nmero de temblores que se ocurren en una
zonadadaduranteunperiododetiempodado t enanos.Laprobabilidaddeque x seaigualaun
valordado k duranteelperiodo t estadadapor:
1
[ ( ) ] [ ] *
!
k t
P x t k t e
k

= =

Donde:
0,1, k = esunvalorentero
, sonparmetrosdelmodelomatemtico
Entonces,
1
[ ] *
!
k t
t e
k

esladistribucindeprobabilidadde x .
16
EJEMPLO
Sea x la variable aleatoria que representa los eventos que producen daos generalizados en una
ciudad.Laprobabilidaddeque x estadadapor:
x
[ ] P x
1 Terremotos 0.05
2 Lluviasfuertes 0.20
3 Tormentaselctricas 0.10
4 Inundaciones 0.25
5 Fuertesvientos 0.15
6 Granizada 0.16
7 Protestas 0.09
Entonces,latablapresentadaesladistribucindeprobabilidadde x .
1.7TENDENCIAENUNPROCESOALEATORIO
Figura1.8Tiposdetendenciaenunprocesoaleatorio
Sea t el periodo para el cual se dispone de observaciones de un proceso aleatorio dado y sea x la
variablequelorepresenta.
Latendenciaserefierealcomportamientodelosvaloresde x durante t delasiguienteforma(Verla

Fig.1.8):
Tipodetendencia Descripcin Tipodeproceso

Positiva
Duranteelperiodo t , lasobservacionesde x presentanun
patrndecontinuoaumento
Noestacionario
Negativa
Duranteelperiodo t , lasobservacionesde x presentanun
patrndecontinuadisminucin
Noestacionario
Cero
No se observa durante el periodo t que las observaciones
de x presentenunpatrndeaumentoodisminucin
Estacionario
Unprocesoestacionariopuedeserestacionalesdecirconoscilacionesperidicas.
x
t
Positiva

Negativa
Cero
17
1.8MODELOMATEMTICODEUNPROCESOALEATORIO
Figura1.9Procedimientoparaelestudiodeunprocesoaleatorio
Elmodelomatemticoparaunprocesoaleatorioestdeterminadopor:
1 Elespaciomuestral
2 Loseventosdeinters
3 Laprobabilidadqueseleasignaacadaevento
Ladistribucindeprobabilidadconstituyeelmodelomatemticodelprocesoaleatoriobajoestudio
Existen entonces dos mundos para el estudio de un proceso aleatorio: uno real donde se realiza el
experimento aleatorio y se obtiene una muestra de datos y otro ideal donde se tiene el modelo
probabilstico.Laestadsticaeselpuenteentreestosdosmundos.
Comopartedelaidealizacinalgunasvecesseasumequeparaelprocesoaleatoriobajoestudioexisten
elmodelomatemticoocaractersticastalescomoelvaloresperado ( ) E x aunqueestosnoseconozcan
onohayanpodidodeterminase.
Para definir el modelo probabilstico, es deseable seleccionar una de las funciones matemticas
desarrolladasparatalpropsito.Estaseleccinsehacebasndoseenlossiguientescriterios:
1 Lanaturalezafsicadelproblemabajoestudio
2 Losdatosdisponibles(Losresultadosdelexperimento)
3
Lapruebaestadsticadequeelmodelopropuestaesunarepresentacinapropiadadelproceso
bajoestudio.
4 Elconocimientodelanalista
Proceso aleatorio
(Poblacin de datos)
Modelo probabilstico
( ) F x
Estadsticas descriptivas
x , s , etc.
Caractersticas de la distribucin
( ) E x , ( ) VAR x , etc.
Realidad Idealizacin
Experimento
aleatorio
Muestra de datos
Inferencia
Estimacin

18
La estadstica, basada en los resultados de un experimento aleatorio (datos disponibles), tiene
procedimientosparaseleccionarculfuncinmatemticapuedeutilizarsecomomodeloprobabilstico
para un experimento aleatorio. Sin embargo, como varios modelos pueden cumplir las pruebas
estadsticas,enlaseleccinfinalentranenconsideracinlospuntos1y4mencionadosanteriormente.
Losestudiosdelaestadsticaserefierenaunapoblacindeindividuos(personas,equipos,cosas)enlas
quesedesarrollaunprocesoaleatoriodeinters,elcualseestudiamedianteunexperimentoaleatorio
delcualsesacaunamuestradedatos.
Cadaunadelascaractersticasdelmodelomatemtico(valoresperado ( ) E x ,lavarianza ( ) VAR x ,etc.)

tienensuparenlaestadsticadescriptiva(promediomuestral x ,desviacinmuestral s ,etc.).
Un asunto a determinar es en qu medida las estadsticas descriptivas sirven para estimar las
caractersticasdeladistribucinodelmodeloyaqueelprocesoaleatoriocorrespondeaunapoblacin
dedatosperoelexperimentoaleatoriosolobrindaunamuestradeestos.
Unavezseseleccionaunmodeloprobabilstico,debetenerseclaroqueesteessolounaidealizacin
para representar el proceso aleatorio bajo estudio; las conclusiones que con respecto al proceso
aleatorio se sacan de este modelo se denominan inferencias, puesto que son generalizaciones a la
poblacindealgoqueseobservaenunamuestradedatos.
Deberecalcasefinalmentequeningnmodeloprobabilsticoesperfectoensufuncinderepresentarla
realidaddebidoaque:
1 Losexperimentosaleatoriossolobrindancantidadeslimitadasdedatos
2
No hay precisin de medida tan elevada para identificar todos los valores de una variable
continua
1.9TIPOSDEMODELOSPROBABILSTICOS
Figura1.10Tiposdemodelosprobabilsticos
Existendosgrandestiposdemodelosprobabilsticos:lasdistribucionesdeprobabilidadylosprocesos
estocsticos.EstaclasificacinsepresentaenlaFigura1.10
Modelos
probabilsticos
Distribucionesde
probabilidad
Procesos
estocsticos
Soloaparecelavariableovariables
aleatoriasmediantelascualesseestudia
elprocesoaleatorio
Aparecelavariableovariables
aleatoriasmediantelascualesse
estudiaelprocesoaleatorio,pero
indexadasporeltiempouotro
parmetro

19
1.9.1Funcionesdedistribucindeprobabilidad
Seutilizancuando:
1 Elprocesoaleatorioesestacionario(cerotendencia)
2
Elperiododeintersparaestudiarelprocesoaleatorioolaevolucindeltiempodentrodeeste
periodonoserequierenparaexplicarelprocesoaleatoriobajoestudio
Enestecaso,ladistribucindeprobabilidadseexpresanicamenteentrminosdelavariablealeatoria
x quedescribeelprocesoaleatorio.As,lafuncinpuedesercontinua,discretaomixtasegneltipo
deespaciomuestral.
Nteseque x puedereferirseauninstantedetiempooaunperiododetiempoqueseobservadurante
unperiododetiempodado.Porejemplo, x puedensereltiempoparareparacindeunvehculoolos
instantesdeocurrenciadeunaerupcinvolcnica.
1.9.2Procesosestocsticos
Se utilizan cuando el periodo de inters para estudiar el proceso aleatorio o la evolucin del tiempo
dentrodeesteperiodoserequierenparaexplicarelprocesoaleatoriobajoestudio.Elprocesoaleatorio
bajoestudiopuedeserestacionarioonoestacionario.
En este caso, la distribucin de probabilidad se expresa en trminos de la variable aleatoria x que

describeelprocesoaleatorioydeunparmetro t queeselperiodoparaestudiodelprocesooinstantes
detiempodentrodeeste.Entonces,lavariablealeatoria
t
x quedescribeelprocesoestindexadaporel
parmetro t ndicedelproceso:
( )
t
x x t = 0 t >
Un proceso estocstico es entonces una coleccin de variables aleatorias: existe una variable aleatoria
porcadavalordelparmetro t delproceso.Lacoleccindevariablesaleatoriasestndefinidassobre
unmismoespaciomuestraloespaciodeestado.
Segncomoseestudienelespaciodeestadoyeltiempo,unprocesoestocsticopuedeser:
Estado Tiempo Ejemplos

Discreto Discreto cadenadeMarkovdiscreta
Discreto Continuo cadenadeMarkovcontinua,procesospuntuales
Continuo Continuo procesoGausiano,procesoBrowniano

Existen muchos procesos estocsticos que tienen aplicaciones particulares en diferentes reas del
conocimiento.EnestetextosolosepresentarnlascadenasdeMarkovyalgunosprocesospuntuales.
20
Elparmetrodeunprocesoestocsticonosiempretienequesereltiempo;enalgunasaplicacioneseste
parmetropuedeasimilarseaotracosasobrelacualseobservaunavariablealeatoria.Porejemplo,en
laFig.1.11semuestraunprocesoestocsticodondeseobservalaubicacinderbolesaltosalolargo
del pasillo de una lnea de transmisin. Ntese que esto es anlogo a estudiar los defectos en una
lminaorollodetela,loshuecosenunava,etc.
Figura1.11Procesoestocsticocuyoparmetroesunalongitud
1.10DEFINICINMATEMTICADELAFUNCINDEDISTRIBUCINDEPROBABILIDAD
1.10.1Variablesaleatoriascontinuas
Figura1.12Funcindedistribucindeprobabilidad
Sea
0
x x eleventodequelavariablecontinua x seamenoroigualaunvalordado
0
x .Entonces:
Lafuncindedistribucindeprobabilidaddelavariable x es
0 0
( ) ( )
x
F x P x x = paracualquier x
entre( , + )
Propiedadesde
x
F
1
( ) 0
x
F = y ( ) 1
x
F + =
2
Esunafuncinnodecreciente.Si
1 2
x x ,entonces
1 2
( ) ( )
x x
F x F x
3
0 0 0
( ) 1 ( ) 1 ( )
x
P x x P x x F x > = =
LaFigura1.12muestralaformatpicadeunafuncindedistribucindeprobabilidad.
Comolasvariablesaleatoriascontinuastienenunnmeroinfinitodeposiblesvalores,laprobabilidad
puntual de cada uno de sus valores es cero. Por esta razn no tiene sentido hablar de probabilidades
x
F
1.0
x
= t longitud

21
para valores puntuales de una variable aleatoria continua, la probabilidad se haya para intervalos de
valores.EsteconceptoseilustraenlaFig.1.13
Figura1.13Probabilidaddevalorespuntualesdeunavariablealeatoriacontinua
Tambinsedefinelafuncindedensidaddeprobabilidaddeunavariablealeatoriacomo:
Lafuncindedensidaddeprobabilidaddelavariable x es
( )
( )
x
x
dF x
f x
dx
= paracualquier x
entre( , + )
Figura1.14Funcindedensidaddeprobabilidad
La funcin de densidad de probabilidad es la razn de cambio de la probabilidad acumulada con

respectoalosvaloresdevariablealeatoria x .Adems, ( ) 0
x
f x paratodo x .
Relacionesentre ( )
x
F x y ( )
x
f x
1
0
0
( ) ( )
x
x
x
F x f x dx
=
2 ( ) ( ) (b) (a)
b
a x x x
P a x b f x dx F F = =
3 ( ) 1.0
X
f x dx
+
Eltrminodistribucinseutilizaindistintamenteparareferirsetantoalafuncindedistribucinde
probabilidadcomoalafuncindedensidaddeprobabilidad.Enlaprcticasoloseutilizalanotacin
( )
x
F x y ( )
x
f x omitiendo
0
x yentendindoseque ( )
x
F x serefierealaprobabilidaddelintervalo [0, ] x .
Comolafuncindedistribucindeprobabilidadsiempreesunacurvacrecienteasintticaalvalor1.0,
enlaprcticaesmsutilizadalafuncindedensidaddeprobabilidadpuesestatienediferenteforma
x
f
x
0.0
1.0
N =
1.0 1.0
0
i
P
N
= = =
22
en cada unode los diferentes modelos matemticos utilizados(exponencial, gamma, weibull, normal,
etc.).
El rango de una variable aleatoria continua no tiene que se necesariamente ( , + ), este puede
acotarse de acuerdo con el problema prctico a resolver, por ejemplo, de ( 0, + ). De otra parte, solo
algunosmodelosmatemticosdesarrolladosparadistribucionesdeprobabilidad,comoporejemplo,el
gausiano,yeluniforme,manejanelrango( , + ).Lagranmayorasolomanejanelrango( 0, + ).
Paraunprocesoestocsticoestasfuncionessedefinencomo:
( , ) [ ( ) ]
x
F x t P x t x =
( , )
( , )
x
F x t
f x t
x
Porelteoremafundamentaldelclculo:
= =
0
0
( )
( ) ( ) ( )
x
x x
x x
dF x
f x F x f x dx
dx

As,sellegaaque:
Lafuncindistribucindeprobabilidadolafuncindedensidaddeprobabilidadconstituyenelmodelo
matemticodelprocesoaleatoriobajoestudio
1.10.2Variablesaleatoriasdiscretas
( )
X
f x ( )
X
F x
0 0
( ) ( )
X
f x P x x = =
Sedenominafuncindedensidaddeprobabilidad
demasa.
0.0 ( ) 1.0
i
P x
0
0 0
1
( ) ( ) ( )
x
X i
i
F x P x x P x x
=
= = =
1
( ) 1.0
n
i
i
P x
=
=
LaFigura1.15presentaunejemplodelagrficadeestasdosfunciones.
Paraunprocesoestocsticodiscretoenelestadoestasfuncionessedefinencomo:
=
= = =
0
1
( , ) [ ( ) ] ( ( ) )
x
x i
i
F x t P x t x P x t x
= =
0 0
( , ) ( ( ) )
x
f x t P x t x
23
Figura1.15Funcionesdedensidaddeprobabilidadydedistribucindeprobabilidadparaunavariablediscreta
1.10.3Valoresperadoovalormedio
Variablesaleatoriascontinuas Variablesaleatoriasdiscretas
( ) * ( ) *
x
E x x f x dx
+
=
1
( ) * ( )
n
i i
i
E x x P x
=
=
Esunaconstantequeindicaloqueseraelpromedioestadsticodeunagrancantidaddeobservaciones
delavariablealeatoria.Escomnusarlanotacin paraelvaloresperado.
Caractersticasdelvaloresperado
1 Noeselvalorconmayorprobabilidaddeocurrir
2 Noeselvalorqueseobservaconmsfrecuencia(moda)
3 Puedeserimposibledeobtenerfsicamente
Porlotanto,sedebetenermuchocuidadoalhacerinferenciasapartirdevaloresesperados.Nosedebe
confundirconelpromedioestadstico x delasobservacionesdelavariable.
Propiedadesdelvaloresperado
1 ( ) ( ) E x c E x c + = + ,para c unnmeroreal
2 ( * ) * ( ) E c x c E x = ,para c unnmeroreal
3 [ ( )] 0 E x E x = ,Laexpectativadedesviacinconrespectoalvalormedioescero
La ecuacin del valor esperado para una variable discreta lleva a la siguiente relacin que se puede
aplicarparaunavariablediscretaocontinua:
SisemultiplicaunvalorCdeunavariablealeatoriasxporlaprobabilidaddeestevalorseobtieneel
valoresperadodeC: ( ) * [ ] E C C P C =
Este concepto se generaliza diciendo que al multiplicar una cantidad por una probabilidad se obtiene
unvaloresperado.
Probabilidad
x
1 2
0.8
0.2
X
f
0.8
1.0
Probabilidad
1 2
X
F
x

24
1.10.4Varianzaydesviacinestndar
Variablesaleatoriascontinuas Variablesaleatoriasdiscretas
2
( ) [ ( )] * ( ) *
x
VAR x x E x f x dx
+
=
2
1
( ) [ ( )] * ( )
n
i i
i
VAR x x E x p x
=
=
Lavarianza ( ) VAR x esunnmerorealpositivoquemideladispersindelafuncinconrespectoasu

valoresperado.Escomnusarlanotacin
2
paralavarianza.
Figura1.16Conceptodevarianza
Propiedadesdelavarianza
1 ( ) ( ) + = VAR x c VAR x ,para c unnmeroreal
2
2
( * ) * ( ) = VAR c x c VAR x ,para c unnmeroreal
La desviacin estndar ( ) STD x mide la desviacin con respecto al valor esperado en las mismas
unidadesdelavariable.
( ) ( ) STD x VAR x = +
Escomnusarlanotacin paraladesviacinestndar.
La varianza y la desviacin estndar miden la pobreza del pronstico del valor esperado con
respectoalatendenciacentraldeladistribucin.
El valor esperado y la varianza constituyen las principales caractersticas que describen las
distribucionesdeprobabilidad.OtrasmedidassepresentanenelCaptulo2.
Paraunprocesoestocsticosedefinen:
[ ( )] ( , )
x
E x t xf x t dx
+
2 2 2
( )
[ ( )] [ ( )] [ ( )]
x t
VAR x t E x t E x t = =
2
1
2
2
2 2
2 1
>

25
EJEMPLO
La variable x con funcin de densidad de probabilidad
2
2
( )
2*
1
( )
2
x
x
f x e

es una variable aleatoria

condistribucinGausiana.
La variable
t
x con funcin de densidad de probabilidad
2
2
( )
2* *
2
1
( , )
2
x
t
x
f x t e
t

es un proceso
Gausiano;existeunavariablealeatoriacondistribucinGausianaporcadavalordelparmetro t ,que
enestecasoesunnmerorealmayoracero.
EJERCICIO1.4
Eltiempo t paraqueunoperariorealicelainspeccindeunequipoelctricoesunavariablealeatoria
uniformementedistribuidaentre0y6horas.Culeslaprobabilidaddequelainspeccinserealiceen
untiempomenoroiguala3horas?
Paraelcasodeladistribucinuniformesetiene:
0 6
( ) 3
2 2
a b
E x
+ +
= = = Horas
1 1
( ) ( )
6
= =
t t
f t f t
b a

3
( ) [ ] ( ) [ ] (3) 0.5 (3) 50%
6 6
= = = = = = =
t t t t
t a t
F t P t t F t P t t F F
b a

EJERCICIO1.5
Enuntallerhay 4 n = operarios.Laprobabilidaddequecualquieradeellosrealicelainspeccindeun
equipoelctricoenuntiempomenoroiguala3horases 0.5 p = .
Si al inicio de la jornada se tienen 4 equipos para revisar, cual es la probabilidad de que a media
maanalamitaddelosoperariosestndesocupados?
En este caso, la variable aleatoria x representa el evento de encontrar k = 0, 1, 2, 3, o 4 operarios

desocupadosamediamaana.
( ) 4 * 0.5 2 E x np = = = operarios
2 4 2
4
( ) ( ) (1 ) (2) ( 2) 0.5 (1 0.5) 0.375 (2) 37.5%
2
k n k
x x x
n
F x P x k p p F P x F
k

= = = = = = = =

Se espera encontrar 2 operarios desocupados. La probabilidad de que este evento ocurra es del
37.5%
( )
t
f t
t
0 = a 6 = b
( )
t
F t
t
1.0
0 a = 6 b =

26
EJERCICIO1.6
Para un transformador de distribucin se ha verificado que el proceso de llegadas de las fallas es un

procesoestocsticoPoissonhomogneoconunatasadeocurrenciadeeventos 0.2 = fallas/ao.
Para ( ) N t ,elnmerodefallasqueocurrenenunperiododevida t quesemideenaos,sedefinen:
Laprobabilidaddequeocurran 0,1, 2, k = fallas:

1
[ ( ) ] [ ] *
!
k t
P N t k t e
k

= =
Elvaloresperadodefallas: [ ( )] E N t t =
Lavarianza: [ ( )] VAR N t t =
Ntese que t describe un periodo no un instante de tiempo. As para cada valor de t existe una
variable ( ) N t consudistribucin,valoresperadoyvarianza.Esteprocesoesestacionarioporquepara
cadaperiodo t elvaloresperadoylavarianzasonunaconstante.
1.11COMPARACINENTREMODELAMIENTODIFUSOYPROBABILSTICO
Figura1.17Modelodifusoparalaestaturadelaspersonas
En la teora de lgica difusa, la vaguedad e imprecisin se representan mediante conjuntos difusos,

aquellos cuyas fronteras son blandas. As mismo, se define una funcin de pertenencia ( ) x para la
variable x

bajo estudio, la cual da el grado de pertenencia de los valores de x con respecto a una
definicinlingstica.UnejemplodefuncindepertenenciasepresentaenlaFigura1.
Elgradodepertenenciaesunnmerorealentre0y1elcualmidelaincertidumbreconrespectoala
posibilidaddequeunvalordadodexpertenezcaaunaclasificacinlingsticadada.As,elgradode
pertenenciaNOesunaprobabilidadyaquenoserefierealaposibilidaddeocurrenciadelosvalores
de x .
Las funciones de pertenencia se construyen en forma emprica del conocimiento del analista o
utilizandoprocedimientosbasadosenredesneuronales.
x
0
( ) x
1.0
Bajaestatura
Estaturaenmetros
1.50
1.70
Mediaestatura Altaestatura
Gradodepertenencia

27
Enresumen:
Tipodemodelamiento
Probabilstico Difuso
Tipodeincertidumbrequemaneja Aleatoriedad
Vaguedad,imprecisin,
ambigedad
Medida
Probabilidad
Nmerorealentre[0.01.0]
Gradodepertenencia
Nmerorealentre[0.01.0]
Significadodelamedida
Semidelaposibilidadde
ocurrenciadeuneventoovalor
dado
Semidelaposibilidaddequeun
eventoovalordadopertenezca
aunaclasificacindada
Modelomatemtico
Funcindedistribucinde
probabilidad
Funcindepertenencia
Basematemtica Teoraclsicadeconjuntos Teoradeconjuntosdifusos
Un fenmeno o situacin del mundo real puede presentar varios tipos de incertidumbre para un
mismoanalista.
EJEMPLO
Un pintor lleva 50 cuadros a una exposicin donde sern evaluados por tres crticos. Los crticos
catalogarancadaunadelaspinturasenlassiguientescategoras:horrible,fea,bonita,hermosa.
Entonces,enesteproblemaexistendostiposdeincertidumbre:
1.Primero,devaguedadencuantoacmoserncatalogadaslasobrasporloscrticos
2.Segundo,dealeatoriedadencuantoacuantasobrassernclasificadasencadacategora
Obviamente,unavezloscrticosdansuveredicto,laincertidumbredesaparece.
Asmismo,dosanalistaspodranmanejarunfenmenoosituacindelmundorealmedianteteorade
probabilidadoconteoradelgicadifusa,siendoambasalternativasvlidas.
EJEMPLO
Un hombre tiene 4 amigas con las que sale en algunas ocasiones. Un sbado en la tarde este hombre
llama a cada una de las 4 y las invita a salir. Cada una de ellas le responde voy a mirar si puedo
cuadrar los asuntos que tengo pendientes y te respondo en una hora. Mientras espera la respuesta,
este hombre dice: La probabilidad de que cualquiera de ellas en forma independiente acepte a salir
conmigoesdel80%,entonceslaprobabilidaddequeunadelascuatroaceptehoyasalirconmigo,la
puedohallaraplicandoladistribucinbinominal
Mientras este hombre espera que sus amigas le respondan,un compaero deestudiole dice: No seas
bobo,esteasuntonoesdeprobabilidadessinodelgicadifusapueslarespuestadeellasdependeesde
suestadodenimo;asdelestadodenimoquedetectastealhablarconcadaunadeellas,estimacon
lasiguientefuncindepertenenciaculpuedesersurespuesta:

28
Ambostiposdemodelamientosonenestecasovlidosparahacerlaprediccin.
1.12TIPOSDEPROCESOSALEATORIOS
ProcesosinmemoriaoMarkoviano
Sienunprocesoaleatoriolatransicinaunestadosiguientesolodependedelestadopresenteenquese
encuentreelproceso,esdecir,noimportaelrecorridoquehizoparallegaralestadopresente,sedice
queesteprocesonotienememoriaoesMarkoviano.
Procesoestacionario
Unprocesoaleatorioesestacionariosisuvaloresperadoyvarianzasonconstantesdurante t
Procesohomogneo
Unprocesoaleatorioeshomogneosidurante t estepuedeserrepresentadormedianteunafuncinde
distribucindeprobabilidad
Todo proceso estacionario es homogneo; as, los trminos estacionario y homogneo son
intercambiables.
x estado de animo
0
( ) x grado de pertenencia
mucho animo
1.0
poco animo medio animo

= respuesta NO = respuesta SI

29
1.13PROCEDIMIENTOPARAOBTENERUNMODELOPROBABILSTICO
Figura1.18Procedimientoparaobtenerunmodeloprobabilstico
En la Fig. 1.18 se muestra el procedimiento bsico para obtener un modelo probabilstico para un
proceso aleatorio. La omisin de cualquiera de los modelos presentados puede llevar a un
modelamientoerrneo.
Pruebade
aleatoriedad
Muestrade
datos
Si
Proceso
aleatorio?
Modelosdeterminsticos,
Modelosdifusos,
Etc.
No
Pruebade
tendencia
Si
Proceso
estacionario?
Procesosestocsticosnohomogneos
No
Pruebade
independencia
Si
Independencia?
Modelosparadependencia
(procesosestocsticos)
No
Si
Serequiere
t?
Distribucionesdeprobabilidad
No
Procesosestocsticoshomogneos

30
Esteprocedimientoconstadetrespruebasbsicas:
1 Aleatoriedad
Enmuchoscasoselanalistadeterminasegnsurazonamientosiunproceso
bajoestudioesonoaleatorio.
Sin embargo, cuando se trata de secuencias de nmeros esto no es tan

sencillodeterminarlapresenciadealeatoriedadyparatalpropsitosehan
desarrolladopruebas.
Por ejemplo, cuando se crea un generador de nmeros aleatorios es

necesario verificar si las secuencias de nmeros generados son o no
aleatorios.
2 Tendencia
Consisteendeterminarsielprocesoobservadoesonoestacionario.
Ejemplo de estas pruebas son el test de Laplace o mtodos grficos tan

sencillos como la grafica de barras de las magnitudes de una secuencia
numrica.
3 Independencia
Consiste en determinar si las observaciones de la muestra son

independientes entre si o no. Esta prueba es muy importante porque no
siempre el analista puede determinar segn su razonamiento si los
resultadosdeunexperimentoaleatoriosononoindependientes.
Comoejemplosdemodelosprobabilsticossetienen:
1 Procesosestocsticoshomogneos
ProcesodePoissonHomogneo
CadenasdeMarkovcontinuashomogneas
ProcesoGausiano
2 Procesosestocsticosnohomogneos
ProcesosdePoissonnohomogneos
CadenasdeMarkovnohomogneas
3 Modelosparadependencia
Seriesdetiempo,modelosderegresin,
Branchingprocess
4 Distribucionesdeprobabilidad
Uniforme, uniforme discreta, normal,
exponencial,gamma,Weibull,etc.
31
1.14RELACINENTREPROBABILIDADYESTADSTICA
Los trminos probabilidad y estadstica son utilizados extensivamente por el comn de las
personasyporlosprofesionalessinqueenlamayoradeloscasosseconozcaladiferenciaentreestas
dosreas.
Aunque fuertemente relacionadas entre s, estas dos reas no son la misma cosa, por lo cual, es
necesarioconocersudiferencia.
Probabilidad Estadstica
Es una teora matemtica que se encarga del
planteamiento de modelos para estudiar
fenmenosaleatorios.
Sus conclusiones son deducciones basadas en los

axiomasdeprobabilidad.
Su origen se remonta al estudio de los juegos de

azar.
Se encarga de la aplicacin de la teora de
probabilidadaproblemasreales.
Sus conclusiones son inferencias o

generalizaciones basadas en las observaciones
disponiblesdelfenmenoaleatoriobajoestudio.
Su origen se remonta al estudio de las

poblaciones por parte de los gobernantes,
tambinllamadosestadistas.
Es comn usar como sinnimos los trminos probabilstico y estadstico. Por ejemplo, modelo
probabilsticoymodeloestadstico.Otrostrminosrelacionados:
Trmino Significado Ejemplo

Estadista Personaquegobierna
Para referirse a un presidente de una
nacinseutilizaeltrminoestadista
Estadstica Esundatooinformacin ElIPCenelaoanteriorfuedel6%
Estadstico
Una variable aleatoria que se utiliza
parapruebasestadsticas
El estadstico de la prueba de bondad
de ajuste KolmogorovSmirnov se
denomina D
Variableestadstica
La variable de salida de un
experimento aleatorio. Se refiere a
algo de inters de una poblacin lo
cualesunprocesoaleatorio.
La velocidad del viento en un sitio
dado
Como se mencion anteriormente, las distribuciones de probabilidad o procesos estocsticos

constituyenelmodelomatemticodeunexperimentoaleatorioysonunaidealizacinconlacualse
quiere representar o modelar la realidad. Generalmente se asume que un fenmeno aleatorio tiene
asociado una distribucin de probabilidad o un proceso estocstico pero no se conoce cul es; este
modelo se determina por medio de los procedimientos de la estadstica a partir de una muestra
limitadadedatos.
32
Enlainvestigacinestadsticaexistendosproblemas:
Estimacin Prediccin
Consiste en determinar un modelo matemtico
con sus parmetros o sus caractersticas ms
importantes de tal manera que representen o den
informacin acerca de una variable estadstica.
Esto se hace a partir de la muestra de datos
tomadosenunexperimentoaleatorio.
Estimar es inferir el valor de los parmetros de

unmodeloprobabilsticoodesuscaractersticas
Una vez se conoce el modelo matemtico que
representa a la variable de inters, se pueden
hacer predicciones sobre las observaciones
futuras.
Como se est estudiando una variable aleatoria,

no puede hacerse una prediccin exacta de la
observacin futura por lo cual este
procedimientosedenominainferencia.
1.15PARTESDELAESTADSTICA
1.15.1Estadsticadescriptiva
Esconjuntodetcnicasparaorganizar,sumarizarycomunicarinformacinenformaefectiva
Cuando una persona en la calle habla de estadstica generalmente se refiere a informacin que ha
sidoorganizadautilizandolosmtodosdelaestadsticadescriptiva.
|EJEMPLO
El estudio en un periodo de tres aos de las fallas que los usuarios del sistema de distribucin de la
ciudaddePereirareportanalalneatelefnica115muestraque:
1 Enpromedioseemiten10,000rdenesdereparacinporao.
2
En el 74% de las rdenes efectivamente se encuentran problemas de calidad del servicio, en el
8%noseencontrningnproblemayelrestanteporcentajecorrespondeaotrassolicitudesde
losusuariosyordenesquenopudieronprocesarseportenerinformacinincompleta.
3
De los problemas de calidad del servicio, el 83% son de continuidad del servicio, el 8% de
calidaddelapotenciayel9%deseguridad.
4
El tiempo promedio para solucionarle a un usuario un problema de calidad del servicio es de
3.2horasenlazonaurbanay4.8horasenlazonarural.
1.15.2Estadsticainferencial
Esunconjuntodetcnicasparasacarconclusionesqueseextiendenmsalldelainformacin
disponible
33
Ejemplo
Si para calcular el tiempo medio de fallas de una poblacin infinita de bombillas se dispona de 100
datos,cualeselintervalodeconfianzadel95%dondeestelvaloresperadoverdadero?
Enestetextonosocuparemosdedostiposdeestimacin(inferencia):
1
Laestimacinapartirdeunamuestradedatosdelvaloresperado ( ) E x ylavarianza
2
x
deuna
variableestadstica x .
2
Laestimacinapartirdeunamuestradedatosdelosparmetrosquedefinenladistribucinde
probabilidad ( )
x
f x ( )
x
F x querepresentaalavariableestadstica x .
En general, se habla del parmetro a estimar, sea ( ) E x ,

2
x
, o los parmetros de forma, escala o
localizacindeladistribucindeprobabilidaddelavariableestadstica.
Tiposdeestimacin
Clsica Bayesina
Se hacen estimaciones utilizando nicamente los
datosdisponibles
Adems de los datos disponibles, se incorpora el

conocimiento previo que se tenga sobre los
parmetros a estimar. Por ejemplo, se conoce la
distribucin de probabilidad del parmetro que
sedeseaestimar.
Definicindeestimador
Es una variable aleatoria definida sobre una muestra de datos que sirve para representar en forma
aproximadaaunparmetrodelavariableestadsticadeinters.
Unestimadorsedenotaconelsmbolo
Ejemplos
1 Elpromedioestadstico x esunestimadordelvaloresperado ( ) E x ,entonces
( ) x E x =
2 Ladesviacinmuestral s esunestimadordeladesviacinestndar ,entonces s =
TiposdeEstimadores
Puntuales Porintervalos
Seestimaunsolovalorparaelparmetro
Seestimaunintervalodevaloresdentrodelcualse
infiere con un nivel de confianza dado que debe
estarelvalorverdaderodelparmetro.Elintervalo
puedeserunilateralobilateral.
Ejemplos
1 Estimadorpuntual:
( ) x E x =
2
Estimadorporintervalo: 0.54 ( ) 0.54 x E x x +
34
Si esunparmetrodeladistribucindeprobabilidaddelavariableestadsticadeinters,elcualse
quiere estimar por medio de
. Para que
sea un buen estimador, es deseable que tenga las

siguientespropiedades:
Propiedadesdeunestimador
Propiedad Descripcin Observaciones
Insesgado
(unbiased)
Unestimadoresinsesgadosi:
( ) E =
Sisehacenmuchasobservacionesdelestimador,
este ser igual al parmetro que se desea
estimar.Estapropiedadnodependedeltamao
delamuestra
Elpromedioestadsticoyladesviacinmuestral
sonestimadoresinsesgados.
Consistente
Unestimadoresconsistentesi:
(| | ) 1.0 P < si n
es un nmero real positivo y n

eseltamaodelamuestra
La diferencia entre el estimador y el valor a

estimar tiende a ser finita conforme se aumenta
el tamao de la muestra. Es una propiedad
asinttica que depende del tamao de la
muestra.
Elpromedioestadsticoyladesviacinmuestral
sonestimadoresconsistentes.
Eficiencia
relativa
Si existen dos estimadores

insesgados
1
y
2
de un mismo
parmetroy
1
2
1.0
>
Entonces el estimador 2 es ms
eficientequeel1
El estimador ms eficiente tiene la menor

desviacinestndar,entonceslarazncalculada
ser mayor a 1 cuando el estimador ms
eficienteapareceeneldenominador.
Paraunadistribucinunimodal(unsolopicoen
lafuncindedensidaddeprobabilidad),elvalor
promedio es ms eficiente como estimador que
lamediana.
Suficiencia
Se dice que un estimador es

suficiente si contiene toda la
informacin disponible en los
datos acerca del parmetro a
estimar.
Nosiempreexistenlosestimadoressuficientes
Elasuntoesentoncesdesarrollarmtodosquepermitanobtenerbuenosestimadores.
35
1.15.3Teoradedecisinestadstica
Esunconjuntodetcnicasparaelegirentreunconjuntodealternativasdedecisinbasadosenla
informacindisponible
Ejemplo
Laprobabilidaddequeexistaunapagnenlasnochesesde0.1ylaprobabilidaddequenoocurraes
de 0.9. Si no dispongo del servicio de electricidad puedo perder $1,000,000 en produccin por cada
noche.Entonces,basadoenelriesgoyelniveldeconfianzadelmodelo,debodecidirentre:
Comprarunaplantadegeneracindieselde$25,000,000yconsume$10,000pornoche
Nocomprarlaplantadegeneracindiesel
Existenproblemasenloscualessedebedecidirsiunaafirmacinrelativaaunparmetrooparmetros
de una distribucin es verdadera o falsa y tomar una decisin; Se debe probar la hiptesis y esto se
denominapruebadehiptesis.
Hiptesisestadstica
Unahiptesisestadsticaesunaafirmacinacercadeunoovariosparmetrosdeladistribucinde
unavariableestadstica.Sedicequelaafirmacinesunahiptesisporqueserefiereaunasituacinque
podrasercierta
Lahiptesissiempreserefierealapoblacin,noalamuestra.Tiposdehiptesis:
1
Hiptesisnula
0
H
Es cualquier hiptesis que se plantea para ver si puede ser rechazada. En
estadstica, por lo general, plantea la ausencia de relacin o diferencia en los
resultados. Cualquier relacin o diferencia es debida al azar o error del
muestreo.
2
Hiptesis
alterna
1
H
Eslaalternativaalahiptesisnula.Sinosepuedesoportarlahiptesisnula,
entoncesporimplicacin,sesoportalahiptesisalterna.
Decisionesconrespectoaunahiptesisnula
Decisin
Lahiptesisnulaes:
Verdadera Falsa
Aceptar
0
H
Decisincorrecta ErrortipoII
Rechazar
0
H
ErrortipoI Decisincorrecta
Como la decisin se hace basada en una muestra de datos, no siempre se puede hacer una decisin
correcta. Para minimizar la probabilidad de que ocurra un error de tipo I o II se debe aumentar la
muestradedatos.LaprobabilidaddequeocurraunerrortipoIsedenominaprobabilidadcrticaode
rechazoysedesignapor .LaprobabilidaddeocurraunerrordetipoIIsedesignapor .
36
Procedimiento
1
Plantear la hiptesis nula y una hiptesis alterna que se debe aceptar si la hiptesis nula se
rechaza.Lahiptesisalternapuedeserunilateralobilateral.Ejemplo:
0
: 4 H =
1
: H 4 > (unilateral) 4 (bilateral).
2
Seespecificaelniveldesignificanciadelanlisis: ,laprobabilidaddecometerunerrordetipo
Io laprobabilidaddecometerunerrordetipoII.Generalmentesetrabajacon .
3 Conladistribucindelestadsticodeprueba,seconstruyeelcriteriodepruebadehiptesis
4 Calcularelvalordelestadsticosobreelcualsebasaladecisin
5 Tomarladecisin,basadosenelvalordelestadsticodeprueba.
1.16ACLARACINRESPECTOALATERMINOLOGA
Enelreadeprobabilidadalgunostrminospuedentenervariossignificados,porlocual,paraprecisar
aquserefierentocaanalizarelcontextodesuuso.Porejemplo:
Trmino Significados
Procesoestocstico
Serefiereaunfenmenoaleatorio
Serefiereaunfenmenoaleatorioparaelcualeltiempoesvariableexplicativa
Se refiere a un tipo de modelo matemtico donde las variables aleatorias estn
indexadasporeltiempouotroparmetro
Distribucin
Serefierealafuncindedistribucindeprobabilidad
Serefierealafuncindedensidaddeprobabilidad
Se refiere a un tipo de modelo matemtico que solo puede aplicarse para
fenmenosaleatoriosestacionariosconobservacionesindependientesyenelcual
eltiemponoaparececomovariableexplicativa
37
1.17VARIASVARIABLESALEATORIAS
Figura1.19Ejemplodedosvariablesaleatoriasrelacionadas
Considere dos variables aleatorias x

y
y

que estn relacionadas porque pertenecen o intervienen en
un mismo fenmeno aleatorio, es decir, el fenmeno aleatorio bajo estudio se observa o representa
medianteestasdosvariables.Losespaciosmuestralesde x y y puedenserdediferentenaturaleza.
En el ejemplo mostrado en la Fig. 1.19, el fenmeno aleatorio de la confiabilidad (probabilidad de no

fallar) de una bicicleta se observa o representa mediante, x el tiempo de vida en aos y y
el uso en
kilmetros.Losespaciosmuestralesde x

y y sondediferentenaturalezalocualsemanifiestaenque
tienendiferentesunidadesdemedida
Lafuncindedistribucindeprobabilidadconjuntade x

y y definelaprobabilidaddelevento:
= ( , ) [ ] F x y P x x y y
Estafuncindedistribucintienenlassiguientespropiedades:
1 = ( , ) 0 F y
2 = ( , ) 0 F x
3 = ( , ) 1 F
Las funciones de distribucin = ( ) ( , ) F x F x y = ( ) ( , ) F y F y determinan en forma separada las

estadsticasdelasvariables x

y y peronosusestadsticasconjuntas.Lasestadsticasdadaspor ( ) F x y
( ) F y sedenominanmarginales.
Lafuncindedensidaddeprobabilidadconjuntade x

y y sedefinecomo:
=

2
( , )
( , )
F x y
f x y
x y

=
( , )
( )
F x
f x
x

=
( , )
( )
F y
f y
y
As:

=

( , ) ( , )
x y
F x y f x y dx dy
x :Tiempodevidaen[aos]
y :Usoenkilmetros[km]
Confiabilidad=
1 [ ] P x t y km

38
= =
( ) ( , ) ( , ) F x F x f x y dy

= =
( ) ( , ) ( , ) F y F y f x y dx

=

( , ) 1.0 f x y dx dy

Laprobabilidadporintervalossecalculadelasiguienteforma:
< < =
1 2 2 1
[ ] ( , ) ( , ) P x x x y y F x y F x y

< < =
1 2 2 1
[ ] ( , ) ( , ) P x x y y y F x y F x y

< < < < = +
1 2 1 2 2 2 1 1 1 2 2 1
[ ] ( , ) ( , ) ( , ) ( , ) P x x x y y y F x y F x y F x y F x y

Elvaloresperadosedefinecomo:

=

[ ] ( , ) E xy x y f x y dx dy

Lacovarianza Centre x

y y sedefinecomo:
= = [( [ ])( [ ])] [ ] [ ] [ ] C E x E x y E y E xy E x E y

Elcoeficientedecorrelacin r entre x

y y sedefinecomo:
=
( ) ( )
C
r
STD x STD y

Siempresecumpleque 1.0 r .
Lasvariables x

y y soncorrelacionadassi:
= 0 C
= 0 r
= [ ] [ ] [ ] E xy E x E y

Lasvariables x

y y sonortogonalessi:
= [ ] 0 E xy

Lasvariables x

y y sonindependientessi:
= = =
0 0 0 0
( , ) [ ] [ ] [ ] ( ) ( ) F x y P x x y y P x x P y y F x F y
= ( , ) ( ) ( ) f x y f x f y

= [ ] [ ] [ ] E xy E x E y

39
Locualquieredecirquesepuedetrabajarapartirdelosmodelosprobabilsticosindividualesdecada
variable.
Generalizado,para n variablesaleatorias
1 2
, , ,
n
x x x :
=
1 2
[ , , , ]
n
X x x x
X sedenominaunvectoraleatorioounasecuenciadevariablesaleatorias.
Lafuncindedistribucindeprobabilidadsedefinecomo:
= =
1 2 1 1 2 2
( ) ( , , , ) [ ]
n n n
F X F x x x P x x x x x x
Lafuncindedensidaddeprobabilidadsedefinecomo:
= =

1 2
1 2
1
( , , , )
( ) ( , , , )
n
n
n
n
F x x x
f X f x x x
x x

Silas n variablesaleatoriassonindependientes,secumpleque:
=
1 2 1 2
( , , , ) ( ) ( ) ( )
n n
F x x x F x F x F x
=
1 2 1 2
( , , , ) ( ) ( ) ( )
n n
f x x x f x f x f x
=
1 2 1 2
( , , , ) ( ) ( ) ( )
n n
E x x x E x E x E x
Lafuncindedistribucindeprobabilidadmarginaldelavariable
i
x seobtienehaciendo lasotras
variablesenlafuncindedistribucinconjunta:
= ( ) ( , , , )
i i
F x F x
La funcin de densidad de probabilidad marginal de la variable

i
x se obtiene haciendo las otras
variablesenlafuncindedensidadconjunta:

= =
( , , , )
( ) ( , , , )
i
i i
i
F x
f x f x
x

40
EJERCICIO1.7
Para el fenmeno aleatorio de fallas de la bicicleta mostrada en la figura 1.19 se considera que las
variables x y y sonindependientesyqueestnmodeladasdelasiguienteforma:
= ( ) 0.5 E x [aosparafalla]

= =
1
2.0*
0.5
1
( ) 2.0
0.5
x
x
f x e e

=
2.0*
( ) 1
x
F x e

= ( ) 50 E y [kmparafalla]

= =
1
0.02*
50
1
( ) 0.02
50
y
y
f y e e

=
0.02*
( ) 1
y
F y e

Ladistribucinconjuntade x y y es:

= =
2.0* 0.02* 2.0* 0.02*
( , ) 2.0 * 0.02 * 0.04
x y x y
f x y e e

= +
0.02* 2.0* 0.02* 2.0*
( , ) 1
y x y x
F x y e e e

= ( , ) 25 E x y [kmaoparafalla]
Laprobabilidaddequelabicicletafalleenelprimermesylosprimeros20kmestdadapor:
= = =
1
2.0*
12
1 1
[ ] ( ) 1 0.15351827
12 12
P x F e
= = =
2.0* 20
[ 20] (20) 1 0.32967995 P y F e
= =
1
[ 20] 0.15351827 * 0.32967995 0.05061189
12
P x y
Estemismoresultadoseobtienedeladistribucinconjuntade x y y :
= = + =
1 1
2.0* 2.0* 0.02* 20
0.02* 20
12 12
1 1
[ 20] ( , 20) 1 0.05061189
12 12
P x y F e e e

41
1.18BIBLIOGRAFA
[1] Papoulis Athanasios, Probability, random variables and stochastic processes, McGraw Hill,
1991.
[2] ViniotisYannis,Probabilityandrandomprocessesforelectricalengineers,McGrawHill,1998.
[3] Torres A, Probabilidad, procesos estocsticos y confiabilidad en ingeniera elctrica,

UniversidaddelosAndes,2005.
[4] MillerI,FreundJ,JohnsonR,ProbabilidadyEstadsticaparaIngenieros,PrenticeHall,1992.
[5] AndersG,Probabilityconceptsinelectricpowersystems,WileyandSons,1990.
[6] Hays W. L, Winkler R. L, Statistics, probability, inference and decision, Volume 1, Holt
RinehartandWistonInc,1970.
[7] LawyerG.F,IntroductiontoStochasticProcesses,ChapmanandHall,1995.
[8] RossT.J,Fuzzylogicwithengineeringapplications,McGrawHill,1995.
[9] TorresA,TranchitaC,Inferenciayrazonamientoprobabilsticoydifuso,RevistadeIngeniera,
[10] Torres A, Modelamiento y metamodelamiento de la incertidumbre, Revista de Ingeniera,

[11] Mosleh A, Bier V M, Uncertainty about probability: A reconciliation with the subjectivist
viewpoint,IEEETransactionsonSystems,ManandCyberneticsPArtA:SystemsandHumans,
No.3,1996.
[12] Ferrero A, Salicone S, The randomfuzzy variables: a new approach for the expression of
uncertainty in measurement, IEEE Conference on Instrumentation and measurement
technology,2003.
[13] ZadehL.A,Possibilitytheoryvsprobabilitytheoryindecisionanalysis,IEEE.
[14] TorresA,Fundamentosdecomputacinsoft,UniversidaddelosAndes,2003.

Probabilidad Capitulo 1 2011 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Probabilidad Capitulo 1 2011 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

1

Lo opuesto a incertidumbre se denomina certidumbre o determinismo. La Fig. 1.1 presenta dos

Mediante el anlisis probabilstico se estudian procesos donde existe incertidumbre en forma de

LasleyesestablecidasporNewtonnosdicenquelafuerza F esigualalamasa m porlaaceleracin a

El experimento determinstico es una abstraccin matemtica para describir fenmenos, sistemas o

Se considera que el experimento aleatorio se repite n veces. Si un evento dado A ocurre

La probabilidad obtenida es objetiva a posteriori ya que se obtiene mediante la experimentacin y

Siunevento A sepuededescomponerenlasumade M eventosquepertenecenaunconjuntode N

Total 434 1.0000

Cul es la probabilidad de quealseleccionar alazar una delasunidades para asumirla fallada en

Hay 1 unidad de 10 MW entre 10 unidades de generacin; entonces, M = 1, N = 10 y

Eventos independientes pero no

Latendenciaserefierealcomportamientodelosvaloresde x durante t delasiguienteforma(Verla

Tipodetendencia Descripcin Tipodeproceso

Cadaunadelascaractersticasdelmodelomatemtico(valoresperado ( ) E x ,lavarianza ( ) VAR x ,etc.)

En este caso, la distribucin de probabilidad se expresa en trminos de la variable aleatoria x que

Estado Tiempo Ejemplos

La funcin de densidad de probabilidad es la razn de cambio de la probabilidad acumulada con

Lavarianza ( ) VAR x esunnmerorealpositivoquemideladispersindelafuncinconrespectoasu

es una variable aleatoria

En este caso, la variable aleatoria x representa el evento de encontrar k = 0, 1, 2, 3, o 4 operarios

Para un transformador de distribucin se ha verificado que el proceso de llegadas de las fallas es un

Para ( ) N t ,elnmerodefallasqueocurrenenunperiododevida t quesemideenaos,sedefinen:

Laprobabilidaddequeocurran 0,1, 2, k = fallas:

En la teora de lgica difusa, la vaguedad e imprecisin se representan mediante conjuntos difusos,

poco animo medio animo

Sin embargo, cuando se trata de secuencias de nmeros esto no es tan

Por ejemplo, cuando se crea un generador de nmeros aleatorios es

Ejemplo de estas pruebas son el test de Laplace o mtodos grficos tan

Consiste en determinar si las observaciones de la muestra son

Sus conclusiones son deducciones basadas en los

Su origen se remonta al estudio de los juegos de

Sus conclusiones son inferencias o

Su origen se remonta al estudio de las

Trmino Significado Ejemplo

Como se mencion anteriormente, las distribuciones de probabilidad o procesos estocsticos

Estimar es inferir el valor de los parmetros de

Como se est estudiando una variable aleatoria,

En general, se habla del parmetro a estimar, sea ( ) E x ,

Adems de los datos disponibles, se incorpora el

sea un buen estimador, es deseable que tenga las

es un nmero real positivo y n

La diferencia entre el estimador y el valor a

Si existen dos estimadores

El estimador ms eficiente tiene la menor

Se dice que un estimador es

Considere dos variables aleatorias x

En el ejemplo mostrado en la Fig. 1.19, el fenmeno aleatorio de la confiabilidad (probabilidad de no

Las funciones de distribucin = ( ) ( , ) F x F x y = ( ) ( , ) F y F y determinan en forma separada las

La funcin de densidad de probabilidad marginal de la variable

[3] Torres A, Probabilidad, procesos estocsticos y confiabilidad en ingeniera elctrica,

[10] Torres A, Modelamiento y metamodelamiento de la incertidumbre, Revista de Ingeniera,

Das könnte Ihnen auch gefallen