Академический Документы
Профессиональный Документы
Культура Документы
Ejemplo 1.1
ℎ 𝑡 =?
Cualquier diferencia que se mida con respecto al valor dado por la anterior ecuación se
atribuye al error de medición.
Ejemplo 1.2
Considere la situación mostrada en la figura donde se quiere conocer el tiempo t para que
se geste un ser humano.
𝑡 =?
En este caso, tenemos un fenómeno con incertidumbre ya que no se tiene una ley o modelo
que permita predecir en forma exacta este tiempo.
De una larga observación de este fenómeno se conoce que el tiempo promedio para la
gestación de un ser humano es de 266 días (38 semanas, 9 meses) para embarazos
considerados normales (ni prematuros ni prolongados).
Ejemplo 1.3
En este caso, tenemos un fenómeno con incertidumbre ya que, aunque se conocen los
posibles resultados (1, 2, 3, 4, 5 y 6), no se tiene una ley o modelo que permita predecir en
forma exacta cual número resultará.
Ejemplo 1.4
Ejemplo 1.5
En este caso, tenemos un fenómeno con incertidumbre ya que no existe un modelo que
permita predecir en forma exacta el caudal para cada instante del tiempo.
Del caudal se conoce que puede tomar todos los valores reales mayores o iguales a cero y
no se conoce cuál podrá ser su valor máximo.
1. Aquella situación en la cual no se conocen las causas que producen un evento dado.
2. Aquella situación en la cual, aunque se conocen las causas que producen un evento
dado, no puede explicarse porqué éstas ocurren simultáneamente.
4. Existe duda sobre la veracidad de una afirmación o negación. Ver el Ejemplo 1.5.
6. Aunque existe una ley o relación determinística que describe un fenómeno dado,
no se conoce con precisión uno o varios de los factores que intervienen en dicho
modelo. Ver el Ejemplo 1.6.
Ejemplo 1.5
Te amo!
Ejemplo 1.6
Considere la situación en que se quiere calcular la fuerza máxima con que golpean a una
vivienda las bolas de nieve que se deslizan por una colina, tal como se muestra en la
figura.
De las leyes de la física se conoce que la fuerza F es igual al producto de la masa m por la
aceleración a, por lo cual, el fenómeno bajo estudio en primera instancia es determinístico.
Sin embargo, en este caso no se dispone de un modelo que nos permita predecir en forma
exacta cuál será el máximo valor de masa de las bolas de nieve; por lo tanto, si la masa es
aleatoria, la fuerza también lo es.
Todo lo que sucede en el mundo tiene una causa o explicación y en este sentido el mundo
es determinístico, por lo cual, es ilógico o no científico pensar lo contrario. Así, desde largo
tiempo atrás y en diversas épocas filósofos y científicos ha sido expresado que las leyes
de la naturaleza son determinísticas; entonces, de donde surge la idea de aleatoriedad?
2. La incapacidad para modelar (representar) el fenómeno bajo por estudio por falta
de conocimiento, alta complejidad, limitación de las herramientas matemáticas y
computacionales.
Para estudiar un fenómeno aleatorio se tiene que definir al menos una variable x que
permita visualizarlo u observarlo. Se dice entonces que x es una variable aleatoria.
Así, en términos prácticos, una variable aleatoria es aquella para la cual se conocen los
posibles valores que puede tomar pero no es posible predecir en forma exacta o precisa
cuál de ellos será el siguiente en ocurrir o cual ocurrirá en un tiempo dado t.
Matemáticamente, una variable aleatoria se define como una función que le asigna un
número (real o entero) a cada resultado o evento de un fenómeno aleatorio Este concepto
se ilustra en la figura 1.1.
x(E)=5
S
E
x(A)=1
A
D
x(D)=4
B x(B)=2
C
x(C)=3
Figura 1.1 Concepto matemático de variable aleatoria
Una variable aleatoria puede ser discreta, continua o mixta, según la naturaleza del
fenómeno aleatorio bajo estudio.
1.2 Probabilidad
1.2.1 Posibilidad y Probabilidad
0.0 1.0
“Un evento con baja probabilidad puede ocurrir ya que es posible, pero un evento
imposible siempre tendrá probabilidad cero ya que no puede ocurrir”
0 P( A) 1
P(S) 1 y la probabilidad de un evento falso o imposible es 0.
Si A y B son eventos disjuntos, P( A B) 0 , entonces, P( A B) P( A) P(B)
P( A) lim nA / n
n
Ejemplo 1.9
En un sistema eléctrico se tienen registradas para un periodo de 5 años los eventos que causan daño de los
aisladores de las líneas de transmisión aéreas.
La probabilidad se halla aplicando la definición de frecuencia relativa a las estadísticas operativas del
sistema. En este caso, se halla la probabilidad de daño del aislador para cada causa.
No confundir con la probabilidad de que ocurra la causa del daño; por ejemplo, la probabilidad de que un
aislador se dañe debido a una descarga atmosférica es de 0.3502. Queda por determinar cuál es la
probabilidad de que se produzca una descarga atmosférica con una corriente de descarga de tal magnitud
que dañe el aislador.
P( A) M / N
Ejemplo 1.10
Un sistema industrial cuenta con diez unidades de generación de las siguientes capacidades:
Si se asume que la probabilidad de falla de todas las unidades es igual, se puede aplicar la definición clásica
de probabilidad.
Cuál es la probabilidad de que al seleccionar al azar una de las unidades para asumirla fallada en un
estudio de flujo de carga, salga la unidad de 10 MW?
Cuál es la probabilidad de que al seleccionar al azar una de las unidades para asumirla fallada en un
estudio de flujo de carga, salga una unidad de 5 MW?
Para asumir que todas las unidades tienen igual probabilidad de falla, se requieren por lo menos que sean
de la misma tecnología, edad y tamaño similar.
Todo individuo está en capacidad de expresar sus incertidumbres en forma de juicios de probabilidad
Es una hipótesis o medida subjetiva del conocimiento sobre la posibilidad de que un evento dado ocurra.
Se asignan probabilidades a eventos con base en experiencias pasadas pero no necesariamente con base en
resultados experimentales. Este enfoque no es consistente con el método científico basado en la
experimentación y análisis de datos tomados del mundo real.
Ejemplo
“La probabilidad de reprobar este curso es de aproximadamente el 2%”
Como las variables aleatorias continuas tienen un número infinito de posibles valores, la
probabilidad puntual de cada uno de sus valores es cero. Por esta razón, no tiene sentido hablar
de probabilidades para valores puntuales de una variable aleatoria continua, la probabilidad se
haya para intervalos de valores. Este concepto se ilustra en la Fig. 1.13
0.0 1.0
P[x≤x0]
Donde x0 es un valor.
P[x≤x] P[x>x]
Dos eventos son independientes si la ocurrencia de uno, no afecta la probabilidad de ocurrencia del otro.
Ejemplos
Flameo de un aislador y falla de una estructura
Falla de dos componentes que no hacen parte de un mismo aparato ni comparten funciones
A menudo, para simplificar los modelos o debido a la falta de conocimiento del proceso bajo estudio, se
asume independencia en los eventos cuando esto no es estrictamente cierto. Sin embargo, esta práctica
puede llevar a graves errores en el modelamiento.
Dos eventos son mutuamente exclusivos o “disjuntos” si ambos no pueden suceder al mismo tiempo.
Ejemplos
Falla y operación de un equipo
Embalse lleno y embalse vacío
Las posiciones de un suitche discreto: “apagado”, “bajo”, “medio”, “alto”
Los eventos disjuntos con probabilidades diferentes de cero son estrictamente dependientes aunque a veces
se asuma lo contrario.
Eventos complementarios
Dos eventos son complementarios si cuando uno ocurre, el otro no puede ocurrir o si uno no ocurre, el otro
tiene que ocurrir. Son mutuamente exclusivos.
Ejemplos
Falla y operación de un equipo
Embalse lleno y embalse vacío
Los eventos disjuntos con probabilidades diferentes de cero son estrictamente dependientes aunque a veces
se asuma lo contrario.
Son eventos que pueden ocurrir condicionalmente sobre la ocurrencia de otros eventos.
Ejemplos
Flameo de un aislador y descarga atmosférica sobre un conductor de fase
Rotura de un cable de una fase de un conductor y falla fase-tierra
Despacho de una unidad de generación hidráulica y disponibilidad del caudal mínimo de agua
requerido para generar
Despacho de una unidad de generación hidráulica y disponibilidad del equipo de generación
P( A B) P( A) * P( B) P( A B) P( A| B) * P( B) P( B| A) * P( A)
Los eventos disjuntos con probabilidades diferentes de cero son estrictamente dependientes:
Pero P( A B) 0 puesto que ambos eventos no pueden ocurrir al mismo tiempo. Esto es contradictorio
con lo anterior.
P( A B) 0
Entonces, estos eventos son estrictamente dependientes y: P( A | B) 0
P( B) P( B)
P( A B) P( A) P( B) P( A) P( B)
Nota: En esta formulación, que aparece en muchos textos, se omite el hecho de que los eventos disjuntos
son dependientes, tal como se explicó anteriormente.
Ejemplo 1.11
En un sistema eléctrico se tienen registradas para un periodo de 7 años los eventos que afectan las líneas de
transmisión aéreas.
Como en el ejercicio 1.1, la probabilidad de cada evento se halla aplicando la definición de frecuencia
relativa y utilizando las estadísticas operativas del sistema.
El daño de un aislador es dependiente del evento que ocurra una descarga atmosférica, entonces:
Cuál es la probabilidad de que se produzcan un daño de aislador y una falla de estructura o ambos
eventos?
Estos eventos son independientes pero no mutuamente exclusivos, pues ambos pueden suceder al
mismo tiempo.
Cuál es la probabilidad de que se produzca daño de un aislador o una descarga atmosférica directa o
ambos eventos?
Cuando un fenómeno aleatorio cambia o evoluciona con el paso del tiempo se dice que es
un proceso aleatorio. La palabra “proceso” se utiliza para denotar la variación con el
tiempo.
Asignar a cada valor posible de una variable aleatoria la probabilidad que le corresponde,
es definir la distribución de probabilidad de la variable aleatoria.
Esto puede ser algo tan simple como una tabla, pero en general se busca que sea una
función matemática.
Cuando una variable aleatoria se expresa en función del tiempo, su modelo se denomina
Proceso Estocástico.
Ejemplo 1.12
Sea x la variable aleatoria que representa los eventos que producen daños generalizados
en una ciudad. La probabilidad de que x esta dada por:
x P[x]
1 Terremotos 0.05
2 Lluvias fuertes 0.20
3 Tormentas eléctricas 0.10
4 Inundaciones 0.25
5 Fuertes vientos 0.15
6 Granizada 0.16
7 Protestas 0.09
Ejemplo 1.13
El tiempo t para que un operario realice la inspección de un equipo eléctrico es una variable aleatoria
uniformemente distribuida entre 0 y 6 horas. Cuál es la probabilidad de que la inspección se realice en un
tiempo menor o igual a 3 horas?
ab 06
E( x) 3 Horas
2 2
1 1
ft (t ) ft (t )
ba 6
t a t 3
Ft (t ) P[t t ] Ft (t ) P[t t ] Ft (3) 0.5 Ft (3) 50%
ba 6 6
Ejemplo 1.14
Sea x la variable aleatoria discreta que representa el número de temblores que se ocurren en una zona dada
durante un periodo de tiempo dado t en anos. La probabilidad de que x sea igual a un valor dado k
durante el periodo t esta dada por:
1
P[ x(t ) k] [t ]k * e t
k!
Donde:
k 0,1, es un valor entero
, son parámetros del modelo matemático
1
Entonces, [t ]k * e t es la distribución de probabilidad de x .
k!
Ejemplo 1.15
Si al inicio de la jornada se tienen 4 equipos para revisar, cual es la probabilidad de que a media mañana la
mitad de los operarios estén desocupados?
E( x) np 4 * 0.5 2 operarios
n 4
Fx ( x) P( x k ) p k (1 p) n k Fx (2) P( x 2) 0.52 (1 0.5) 4 2 0.375 Fx (2) 37.5%
k 2
Se espera encontrar 2 operarios desocupados. La probabilidad de que este evento ocurra es del 37.5%
1.0
Sea x x0 el evento de que la variable continua x sea menor o igual a un valor dado x0 . Entonces:
Propiedades de Fx
1 Fx ( ) 0 y Fx ( ) 1
2 Es una función no decreciente. Si x1 x2 , entonces Fx ( x1 ) Fx ( x2 )
3 P( x x0 ) 1 P( x x0 ) 1 Fx ( x0 )
dFx ( x)
La función de densidad de probabilidad de la variable x es f x ( x) para cualquier x
dx
entre ( , )
Relaciones entre Fx ( x) y fx ( x)
1 Fx ( x0 )
x0
fx ( x)dx
2 P(a x b) ba fx (x)dx Fx (b)-Fx (a)
3
fX ( x)dx 1.0
El rango de una variable aleatoria continua no tiene que se necesariamente ( , ), este
puede acotarse de acuerdo con el problema práctico a resolver, por ejemplo, de ( 0, ).
De otra parte, solo algunos modelos matemáticos desarrollados para distribuciones de
probabilidad, como por ejemplo, el gausiano, y el uniforme, manejan el rango ( , ). La
gran mayoría solo manejan el rango ( 0, ).
F ( x , t )
Fx ( x, t) P[x(t) x] fx ( x , t)
x
dFx ( x)
f x ( x) Fx ( x0 )
x0
f x ( x)dx
dx
fX ( x) FX ( x)
fX ( x0 ) P( x x0 ) x0
FX ( x0 ) P( x x0 ) P( x xi )
i 1
x0
Fx ( x , t ) P[ x(t ) x] P( x(t ) xi ) fx ( x0 , t) P( x(t) x0 )
i 1
Probabilidad
Probabilidad
0.8
1.0
0.8
0.2
1 2
1 2
Figura 1.7 Funciones de densidad de probabilidad y de distribución de probabilidad para una variable discreta
E( x)
x * fx ( x) * dx
E( x) xi * P( xi )
i 1
Es una constante que indica lo que sería el promedio estadístico de una gran cantidad de
observaciones de la variable aleatoria. Es común usar la notación para el valor
esperado.
Por lo tanto, se debe tener mucho cuidado al hacer inferencias a partir de valores
esperados. No se debe confundir con el promedio estadístico x de las observaciones de
la variable.
La ecuación del valor esperado para una variable discreta lleva a la siguiente relación que
se puede aplicar para una variable discreta o continua:
Si se multiplica un valor C de una variable aleatorias x por la probabilidad de este valor se obtiene el
valor esperado de C: E(C) C * P[C]
Este concepto se generaliza diciendo que al multiplicar una cantidad por una
probabilidad se obtiene un valor esperado.
VAR( x)
[ x E( x)] * f x ( x) * dx
2
VAR( x) [ xi E( x)]2 * p( xi )
i 1
La varianza VAR( x) es un número real positivo que mide la dispersión de la función con
respecto a su valor esperado. Es común usar la notación 2 para la varianza.
x
x
Propiedades de la varianza
1 VAR( x c) VAR( x) , para c un número real
2 VAR(c * x) c2 *VAR( x) , para c un número real
STD( x) VAR( x)
E[x(t)]
xf x ( x, t )dx
VAR[x(t)] 2x(t ) E[x2 (t)] E2 [x(t)]
Ejemplo 1.16
Para N(t ) , el número de fallas que ocurren en un periodo de vida t que se mide en años,
se definen:
1
La probabilidad de que ocurran k 0,1, 2, fallas: P[N(t) k] [t ]k * e t
k!
La varianza: VAR[N(t)] t
Nótese que t describe un periodo no un instante de tiempo. Así para cada valor de t
existe una variable N(t ) con su distribución, valor esperado y varianza. Este proceso es
estacionario porque para cada periodo t el valor esperado y la varianza son una
constante.
Modelo probabilístico
F ( x, t ), F ( x)
Estimación
Muestra de datos
En la realidad o mundo físico hay un fenómeno aleatorio que es objeto de estudio. Este
fenómeno se desarrolla en un ente o conjunto de entes: la tierra, un volcán, un río, una
persona, un conjunto de personas, equipos, árboles, la bolsa de valores, etc.
Cuando cada individuo donde se genera el fenómeno aleatorio aporta un dato se habla
de las poblaciones de datos e individuos como una misma cosa, pero esto no es cierto para
el caso en que un individuo o ente es el que genera todos los datos.
Es importante aclarar que en casi todos los casos se trabaja con muestras de datos, dado
la imposibilidad práctica de “capturar” toda la población de datos.
Existen entonces dos mundos para el estudio de un proceso aleatorio: uno real donde se
obtiene una muestra de datos y otro ideal donde se tiene el modelo probabilístico. La
estadística es el puente entre estos dos mundos.
Como parte de la idealización, algunas veces se asume que para el fenómeno aleatorio
bajo estudio existen el modelo matemático o características tales como el valor esperado
E( x) aunque estos no se conozcan o no hayan podido determinase.
Una vez se selecciona un modelo probabilístico, debe tenerse claro que este es solo una
“idealización” para representar el fenómeno aleatorio bajo estudio; las conclusiones que
se sacan de este modelo se denominan inferencias, puesto que son generalizaciones a la
población de algo que se observa en una muestra de datos.
Se utilizan cuando:
xt x(t) t0
Existen muchos tipos de procesos estocásticos, los cuales tienen aplicaciones particulares
en diferentes áreas del conocimiento. En este texto solo se presentarán las cadenas de
Markov y algunos procesos de Poisson.
Ejemplo 1.17
( x )2
1
La variable x con función de densidad de probabilidad f ( x) e 2* 2
es una
2
variable aleatoria con distribución Gausiana.
( x )2
1
La variable x(t ) con función de densidad de probabilidad f ( x , t ) e 2*
2
*t
es un
2t 2
proceso Gausiano; existe una variable aleatoria con distribución Gausiana por cada valor
del parámetro t , que en este caso es un número real mayor a cero.
Nótese que:
( x )2
1
Si t 1 f ( x) e 2* 2
2
( x )2
1
t2 f ( x) e 2*
2
Si *2
2 * 4
( x )2
1
Si t 100 f ( x) e 2* 2 *100
2 * 10000
Se tiene una colección infinita de variables aleatorias Gausianas, una para cada valor de
t.
Todo proceso estacionario es homogéneo; así, los términos estacionario y homogéneo son
intercambiables.
Muestra de
datos
Prueba de
aleatoriedad
Si
Prueba de
tendencia
Proceso No
Procesos estocásticos no homogéneos
estacionario?
Si
Prueba de
independencia
No
Independencia? Modelos para dependencia
(procesos estocásticos)
Si
No
Se requiere Distribuciones de probabilidad
t?
Si
Procesos estocásticos homogéneos
1 Aleatoriedad Sin embargo, cuando se trata de secuencias de números esto no es tan sencillo
determinar la presencia de aleatoriedad y para tal propósito se han
desarrollado pruebas.
2 Tendencia Ejemplo de estas pruebas son el test de Laplace o métodos gráficos tan
sencillos como la gráfica de barras de las magnitudes de una secuencia
numérica.
Una vez se decide el tipo de modelo a utilizar es necesario escoger uno o varios y
probarlos para ver si ajustan a los datos. Para el caso de los modelos probabilísticos esto
se hace mediante las llamadas pruebas de bondad de ajuste.
La muestra aleatoria debe ser representativa del fenómeno aleatorio bajo estudio.
1
Al definir el tamaño de muestra se acepta un error de estimación .
Lo anterior quiere decir que el que un modelo ajuste a una muestra de datos, no significa
necesariamente que el modelo represente al fenómeno aleatorio bajo estudio. Esto solo es
cierto cuando la muestra aleatoria es representativa.
Y aunque la muestra sea aleatoria y representativa y el modelo ajuste, debe recordarse que
existe un error de estimación al muestrear y que el modelo tiene una probabilidad de que
no represente a los datos de la muestra. Esto se esquematiza en la siguiente figura.
Fenómeno
aleatorio
F(x, y) P[x x y y]
1 F(, y) 0
2 F( x, ) 0
3 F(, ) 1
2 F( x , y)
f ( x , y)
xy
F( x , ) F( , y)
f ( x) f ( y)
x y
Así:
x y
F( x, y) f ( x, y) dx dy
F( x) F( x, ) f ( x, y) dy F( y) F(, y) f ( x, y) dx
f ( x, y) dx dy 1.0
P[x1 x x2 y1 y y2 ] F(x2 , y2 ) F( x1 , y1 ) F( x1 , y2 ) F( x2 , y1 )
E[xy] x y f ( x, y) dx dy
C
r
STD( x)STD( y)
C 0 r 0 E[xy] E[x]E[ y]
E[xy] 0
f ( x, y) f ( x) f ( y)
Lo cual quiere decir que se puede trabajar a partir de los modelos probabilísticos
individuales de cada variable.
X [x1 , x2 , , xn ]
n F( x1 , x2 , , xn )
f ( X ) f ( x1 , x2 , , xn )
x1 xn
F( xi ) F(, xi , , )
F( , xi , , )
f ( xi ) f ( , xi , , )
xi
Ejemplo 1.18
1 0.51 x
E( x) 0.5 [años para falla] f ( x) e 2.0e 2.0* x F( x) 1 e 2.0* x
0.5
1 501 y
E( y) 50 [km para falla] f ( y) e 0.02e 0.02* y F( y) 1 e 0.02* y
50
La probabilidad de que la bicicleta falle en el primer mes y los primeros 20 km está dada
por:
1
1 1 2.0*
P[ x ] F( ) 1 e 12 0.15351827
12 12
1
P[x y 20] 0.15351827 * 0.32967995 0.05061189
12
1 1
1 1 2.0* 2.0* 0.02* 20
P[ x y 20] F( , 20) 1 e 12 e 0.02* 20 e 12 0.05061189
12 12
Si:
Ejemplo 1.19
Considere una habitación en el cual se mueve en forma aleatoria un insecto que porta un
virus mortal.
Para estudiar la posición (x, y, z) del insecto en un instante dado de tiempo t, se debe
definir un proceso estocástico multivariado:
Ejemplo 1.20
Considere ahora que en la habitación del ejemplo anterior, se encuentra la cama en que
duerme una persona que puede ser infectada por el insecto con el virus mortal. Con
respecto al origen, las dimensiones de la zona donde se ubica la cama son: (1.6, 2.0, 1.0)
en metros.
y
z
1.0
2.0 x
1.6
En este caso, se podría omitir el tiempo ya que lo que interesa es el riesgo de que la persona
sea infectada por el insecto sin importar el instante de tiempo en que lo haga. Así, en este
caso para estudiar el riesgo de que la persona sea infectada por el insecto basta con definir
una distribución multivariada para evaluar la probabilidad de que el insecto se ubique en
la zona de la cama:
Ejemplo 1.21
Población Atributo
Personas de un grupo étnico Dimensiones, coeficiente intelectual, años de vida
Peces de una especie dada que viven en
Dimensiones, años de vida
determinada zona
Transformadores de un tipo dado realizados por
Años de vida, resistencia dieléctrica
un fabricante dado
Postes de concreto de una especificación dada,
Resistencia a la rotura
realizados por un fabricante dado
x ( x )2
1
F( x) P[ x x]
2
e 2* 2
dx
E( x) x
V ( x) 2 s 2
Población normal
Figura 1.15 El concepto de población normal con respecto a un atributo como la estatura
99.72% de
probabilidad
Figura 1.16 Probabilidad en un modelo Gausiano entre menos tres desviaciones y mas tres desviaciones
Es decir, existe muy poca probabilidad de encontrar individuos con características que
estén por fuera de 3 ; y este es uno de los criterios o filtros para establecer los datos que
se consideran “normales”.
También, se puede definir una probabilidad crítica o de rechazo , repartirla por los
extremos de la distribución y establecer para cuales valores es la zona de “aceptación” y
las de rechazo. Esto se presenta en la figura 1.15 para una distribución Gausiana estándar
(aquella con 0 y 1 ).
Zona de
aceptación
1% 2% 5% 10%
z / 2 2.576 2.326 1.967 1.645
Término Significados
Se refiere a un fenómeno aleatorio
Se refiere a un fenómeno aleatorio para el cual el tiempo es variable
Proceso estocástico explicativa
Se refiere a un tipo de modelo matemático donde las variables aleatorias
están indexadas por el tiempo u otro parámetro
Se refiere a una función de distribución de probabilidad
Se refiere a una función de densidad de probabilidad
Distribución Se refiere a un tipo de modelo matemático que solo puede aplicarse para
fenómenos aleatorios estacionarios con observaciones independientes y en el
cual el tiempo no aparece como variable explicativa
1.12 Referencias
[1] Papoulis Athanasios, “Probability, random variables and stochastic processes”, Mc-
Graw Hill, 1991.
[2] Viniotis Yannis, “Probability and random processes for electrical engineers”, Mc-
Graw Hill, 1998.
[5] Anders G, “Probability concepts in electric power systems”, Wiley and Sons, 1990.
[8] Ross T. J, “Fuzzy logic with engineering applications”, McGraw Hill, 1995.
[12] Ferrero A, Salicone S, “The random-fuzzy variables: a new approach for the
expression of uncertainty in measurement”, IEEE Conference on Instrumentation
and measurement technology, 2003.