Beruflich Dokumente
Kultur Dokumente
p ( x)
E ( x) np f x ( x)
npq
npq
x x
np
Sea x la una variable aleatoria que tiene distribucin Binomial con parmetros n y p . Si n es grande,
la expresin lmite de la funcin de distribucin de esta variable es la distribucin normal con
parmetros:
np npq
EJERCICIO 3.1
La compaa de iluminacin pblica de una ciudad ha instalado 20000 bombillas nuevas las cuales son del
mismo tipo y proceden del mismo fabricante.
10000 [ Horas]
Cul es la probabilidad de que una bombilla de stas falle en las primeras 10000 horas?
x 10000 10000
z 0 ( z 0) 0.5 P(t falla 10000horas) 50%
2000
Universidad Tecnolgica de Pereira 2009 71
Anlisis Probabilstico y Simulacin Carlos J. Zapata Captulo 3 Algunas operaciones con distribuciones
Sea x la variable aleatoria del nmero de bombillas que fallan en las primeras 10000 horas. Cul es su
valor esperado?
Cul es la probabilidad de encontrar 10000 bombillas daadas en las primeras 10000 horas de haberse
puesto en servicio?
n 20000 10000
P( x 10000) p k qnk 0.5 * 0.52000010000
k 10000
70.7106
n * p 20000 * 0.5 10000bombillas
10000 [ Bombillas]
70.7106bombillas
x 10000 10000
z 0 ( z 0) 0.5 P( x 10000bombillas) 50%
70.7106
Ntese que al definir x como una variable continua, solo se puede hallar su probabilidad por rangos de
valores.
Sea x una variable aleatoria y g ( x) una funcin real de esta variable aleatoria.
Ejemplos
P 0.598 * q donde P es la potencia de salida de un generador hidroelctrico y q es el caudal de un ro
P 0.12 0.59* v2 donde P es la potencia de un generador elico y v la velocidad del viento
Fy ( y) y f y ( y) se obtienen a partir de Fx ( x) y fx ( x)
Fy ( y)
Fy ( y) P[Y y] P[ g( x) y]
Se debe obtener el conjunto de valores de x que hacen que y y. La probabilidad de este conjunto de
valores es la probabilidad asociada a Y.
g(X) y X g 1 ( y)
FY ( y) FX ( g 1 ( y))
1
El operador indica funcin inversa
f y ( y)
dg( x)
Se obtiene g '( x)
dx
fx ( x1 ) f (x ) f (x )
f y ( y) x 2 x n
| g '( x1 )| | g '( x2 )| | g '( xn )|
Hallar Fy ( y) y f y ( y) puede llegar a ser muy complicado, por lo cual, generalmente se aplica simulacin
de Montecarlo y se ajusta una distribucin terica a los resultados de la simulacin.
EJERCICIO 3.2
Un generador hidrulico de 5.0 MW est instalado en una central a filo de agua llamada Libar.
La funcin que relaciona la potencia generada p en [kW] con respecto al caudal de agua q en [m3/s] es:
p kq 736.372q
k Hg
Donde:
: Eficiencia de la turbina, un nmero menor o igual a uno [adimensional]. Depende del tipo de
turbina. En este caso, 0.85 .
: Peso especfico del agua = 1000 [kg/m3]
H: Altura efectiva o neta en [m]. Tambin se denomina cabeza. Es la diferencia de altura entre el
sitio donde se toma el agua y el sitio de instalacin de la turbina. En este caso, H 88.4m .
g: Gravedad [9.8 m/s2 ]
El caudal q es una variable normalmente distribuida con valor medio 11.6213 m3/s y desviacin del 6.0370
m3/s. (Ro Otn).
En este caso:
6.0379m3 / s
X q y Y p
11.6213 [m3 / s]
1. Hallar la funcin de distribucin de probabilidad de la potencia generada
p p
FY ( y) FX ( g 1 ( y)) g 1 ( x) FP ( p) Fq ( )
k 736.372
5000
P[ p 5000kW ] 1 P[ p 5000kW ] 1 Fq ( ) 1 Fq (6.79m3 / s) 1 0.2119 0.7881
736.372
x 6.79 11.6213
z 0.80 ( z 0.80) 0.2119
6.0370
dg( x) d(736.372 * q)
g '(q) 736.372
dq dq
( q 11.6213)2
1 2
fq ( q) * e 2*(6.0379)
2 6.0379
p
( 11.6213)2
736.372
fq (q1 ) fq ( p / 736.372) 1
2*(6.0379)2
f p ( p) *e
| g '(q1 )| |736.372)| 2 6.0379 * 736.372
p 736.372*11.6213 2
( )
736.372 ( p736.372*11.6213)2
1 2*(6.0379)2 1 2
f p ( p) *e * e 2*(6.0379*736.372)
2 6.0379 * 736.372 2 6.0379 * 736.372
4418.232kW
( p8557.6) 2
1 2
f p ( p) * e 2*(4418.232)
2 4418.232 p
8557.6 [kW ]
La funcin de distribucin de la potencia que se puede generar es Gausiana con valor medio 8557.6 [kW]
y desviacin 4418.232 [kW]. Esta distribucin no tiene en cuenta la restriccin de que el generador es de
5000 kW, sencillamente dice para un caudal dado cunto se podra generar.
Falta incorporar en este modelo la restriccin de la capacidad mxima de caudal de agua que puede
tomar la unidad (intake limit) para generar 5 MW.
x x1 x2 x3 xn
Entonces, cuando n es grande, la distribucin de x es Gausiana con valor medio y varianza dadas por:
E(x) 1 2 3 n
VAR(x) 12 22 23 2n
La importancia de este teorema radica en que no existe restriccin con respecto a las distribuciones de las
variables aleatorias que conforman la suma. Es decir, pueden ser de diferente tipo, diferentes parmetros,
continuas o discretas o mixtas.
El valor lmite a partir del cual se considera vlido el teorema es n=30. Sin embargo, si las distribuciones
de las variables son funciones suaves, con valores tan bajos como n=5 se cumple el teorema.
El teorema es vlido cuando las variables aleatorias individuales slo hacen una contribucin
relativamente pequea respecto a la suma total.
Otro hecho conocido, es que el teorema no funciona bien para valores en las colas de la funcin.
Ejemplo
En un sistema de generacin con n unidades para las cuales hay incertidumbre sobre la disponibilidad
del recurso primario de generacin, la generacin total disponible es la suma de la generacin de las
unidades. Si el nmero de unidades es grande puede asumirse que la distribucin de probabilidad de G T
es Gausiana, esto sin conocer las distribuciones de cada una de las unidades. Solo es necesario conocer el
valor esperado y la varianza de la generacin de cada una de las unidades.
G1
G2
GT
.
.
.
Gn
Ejemplo
L1
L2
. LT
.
.
Ln
3.4 BIBLIOGRAFA
[2] Papoulis Athanasios, Probability, Random Variables and Stochastic Processes, tercera edicin,
Mc-Graw Hill, 1991.
[3] Miller I, Freund J, Johnson R, Probabilidad y Estadstica para Ingenieros, cuarta edicin,
Prentice Hall, 1992.