Modelos Estocásticos - UC0608

UNIVERSIDAD CONTINENTAL VIRTUAL
MANUAL AUTOFORMATIVO
ASIGNATURA
MODELOS ESTOCSTICOS
Autor:
Mg. ADIEL OMAR FLORES RAMOS
NDICE
NDICE
INTRODUCCIN
ORGANIZACIN DE LA ASIGNATURA
Resultado de aprendizaje de la asignatura
Unidades didcticas
Tiempo mnimo de estudio
UNIDAD I: Probabilidad
Diagrama de organizacin de la unidad
Organizacin de los aprendizajes
Tema N 1: Teora de probabilidades
1. Experimentos, resultados, eventos
2. Eventos
3. Uniones, intersecciones, complementos
3.1. Unin
3.2. Interseccin
3.3. Complemento
4. Probabilidad
4.1. Probabilidad clsica
4.2. Probabilidad frecuentista
4.3. Probabilidad subjetiva
Tema N 2: Teoremas bsicos sobre probabilidad
1. Regla del complemento
2. Regla de la suma
2.1. Regla de la suma para eventos mutuamente excluyentes
2.2. Regla de la suma para eventos arbitrarios
3. Regla de la Multiplicacin
3.1. Regla de la multiplicacin para eventos independientes
3.2. Regla de la multiplicacin para eventos dependientes o condicionados
Tema N 3: Principios de conteo y probabilidad
1. Regla fundamental del Conteo
2. Regla Factorial
3. Regla de las Permutaciones
4. Regla de las Combinaciones
Lectura seleccionada N. 1
Actividad N. 1
Glosario de la unidad I
Bibliografa de la unidad I
Autoevaluacin N. 1
UNIDAD II: Distribucin de Poisson
Tema N 1: Proceso de Poisson
1. La distribucin de Poisson
2. Caractersticas de la distribucin de Poisson
3. Parmetros de la distribucin de Poisson
4. Funcin de probabilidad
5. Funcin de distribucin de Poisson Acumulada
Tema N. 2: Proceso de Poisson no homogneo
1. Definicin
2. Distribucin entre llegadas del proceso
Tema N. 3: Proceso de Poisson compuesto
1. Definicin
2. Propiedades
3. Exponenciacin de medidas
Tema N. 4: Proceso de Poisson mixto
1. Definicin
2. Propiedades
Actividad N. 1
Glosario de la unidad II
Bibliografa de la unidad II
Autoevaluacin n. 2
UNIDAD III: Teora de la Renovacin y Teora de la Fiabilidad
Tema N 1: Teora de la renovacin
1. Definicin
1.1. Tiempos de llegada
1.2. Tiempo promedio
1.3. Teoremas de lmite
2. Teorema de la renovacin
3. Caractersticas del proceso de renovacin
4. Generalizacin de los procesos de renovacin
4.1. Procesos de Ramificacin en Tiempo Continuo
4.2. Fenmenos de Espera
4.3. Distribucin del Tiempo de Espera
4.4. Proceso Transitorio
4.5. Distribucin para procesos de Renovacin
4.6. La paradoja de la inspeccin
5. Aplicaciones
Tema N 2: Teora de la fiabilidad
1. Introduccin a la confiabilidad
2. Funcin de fiabilidad, vida media y tasa de fallo
3. Observaciones Censuradas
4. Interpretacin de los tests chi-cuadrado
5. Tabla de supervivencia o actuarial
6. Distribuciones habituales de fiabilidad
7. Confiabilidad de sistemas
7.1. Sistemas complejos
7.2. Sistemas en serie
7.3. Sistemas en paralelo
7.4. Sistemas con componentes en serie o en paralelo (K de n)
7.5. Mtodo de trayectoria para calcular la confiabilidad de un sistema
Actividad n. 1
Glosario de la unidad III
Bibliografa de la unidad III
Autoevaluacin N. 3
UNIDAD IV: Decisin y riesgo
Tema N 1: Modelos de distribuciones discretas
1. Distribucin Binomial
2. Distribucin Geomtrica
3. Distribucin Hipergeomtrica
Tema N 2: Modelos de distribuciones continuas
1. Distribucin exponencial
2. Distribucin uniforme
3. Distribucin normal
Tema N 3: Distribuciones compuestas
1. Convolucin de variables
2. Distribuciones compuestas
2.1. La distribucin binomial compuesta
2.2. La distribucin de Poisson compuesta
3. La teora de los valores extremos
Tema N 4: Decisin y riesgo
1. Decisin
1.1. Planteamiento del problema
1.2. Toma de decisiones con probabilidades
2. Anlisis del riesgo y anlisis de sensibilidad
2.1. Anlisis del riesgo
2.2. Anlisis de sensibilidad
Actividad n. 1
Glosario
Bibliografa dela unidad IV
Autoevaluacin n. 4
Anexo
INTRODUCCIN
En un mundo de constante cambio, en donde la complejidad de nuestro mundo

actual, se agudiza sin detenerse, tomar decisiones en entornos con incertidumbre se
convierte en una tarea cada vez ms difcil y complicada, en escenarios como ste,
se requiere instrumentos como la Estadstica, las probabilidades y los modelos que
stos generan, stas son herramientas valiosas que nos permiten entender la
realidad y poder tomar decisiones con absoluta certeza o bajo cierto nivel de
incertidumbre minimizando los riesgos.
Modelos estocsticos, busca formar en los participantes las capacidades de anlisis
de hechos, la contrastacin de las teoras con la toma de decisiones en el medio,
aplicando para ello herramientas estadsticas formales de clculo y anlisis.
Mediante la asignatura de Modelos estocsticos, el alumno adquirir los
conocimientos y las tcnicas necesarias para que pueda analizar la realidad, sus
riesgos y beneficios y tomar decisiones en base a modelos probabilsticos. El futuro
profesional podr integrar sus conocimientos con otras disciplinas empresariales
relacionadas a la toma de decisiones.
Con el desarrollo de la asignatura, el estudiante podr:
Demostrar el manejo de conceptos de probabilidades para dar solucin a
problemas de decisin empresarial.
Demostrar el clculo de probabilidades en procesos estocsticos formados a
travs de las distribuciones de Poisson
Determinar el modelo de renovacin y confiabilidad en situaciones de tiempos
no exponenciales.
Analizar el riesgo en un modelo estocstico de negocios.
El presente material, ofrece la informacin necesaria para el logro de los aprendizajes
previstos. Adems de los temas presentados, de requerirlo, le ayudaremos a
profundizar en temas especficos, absolviendo sus preguntas, proporcionndole la
informacin bibliogrfica y otros recursos que juzgue conveniente.
La asignatura est dividida en las siguientes unidades didcticas: Unidad didctica I,
donde se revisan los conceptos de Probabilidades y sus axiomas fundamentales, en
la Unidad Didctica II, se aborda el tema de Distribuciones de probabilidad, poniendo
especial nfasis en la distribucin de Poisson, en la Unidad Didctica III, la teora de
la renovacin y teora de la fiabilidad y finalmente en la Unidad Didctica IV la Teora
de la decisin y riesgo.
Le deseamos muchos xitos en sus estudios y renovamos el compromiso de estar a
vuestra disposicin.
El Autor
ORGANIZACIN DE LA ASIGNATURA
RESULTADO DE APRENDIZAJE DE LA ASIGNATURA

Al finalizar la asignatura el estudiante ser capaz de solucionar problemas probabilsticos
empresariales utilizando las estrategias y mtodos de los procesos estocsticos
UNIDADES DIDACTICAS:
UNIDAD I: UNIDAD II: UNIDAD III UNIDAD IV
PROBABILIDAD DISTRIBUCIN TEORA DE LA DECISIN Y
DE POISSON RENOVACIN Y RIESGO
TEORA DE LA
FIABILIDAD
Resultado de Resultado de Resultado de Resultado de

aprendizaje aprendizaje aprendizaje aprendizaje
Demostrar el Demostrar el Determinar el Analizar el riesgo
manejo de clculo de modelo de en un modelo
conceptos de probabilidades en renovacin y estocstico de
probabilidades procesos confiabilidad en negocios.
para dar solucin estocsticos situaciones de
a problemas de formados a travs tiempos no
decisin de las exponenciales.
empresaria. distribuciones de
Poisson.
TIEMPO MINIMO DE ESTUDIO:
UNIDAD I: UNIDAD II: UNIDAD III: UNIDAD IV:

Semana 1 y 2 Semana 3 y 4 Semana 5 y 6 Semana 7 y 8
24 Horas 24 Horas 24 Horas 24 Horas

UNIDAD I: PROBABILIDAD
DIAGRAMA DE PRESENTACIN DE LA UNIDAD I
ORGANIZACIN DE LOS APRENDIZAJES
Resultado de aprendizaje de la Unidad I:

Al finalizar la unidad, el estudiante ser capaz de demostrar el manejo de conceptos de
probabilidades para dar solucin a problemas de decisin empresarial.
CONOCIMIENTOS HABILIDADES ACTITUDES
Teora de probabilidades. Distingue entre tipos de Aprecia el rol de las

probabilidad en el probabilidades en el
Regla de la suma
entorno de problemas desarrollo diario de los
Principios de conteo y de su especialidad. procesos empresariales.
probabilidad
Aplica las reglas de la
Autoevaluacin n. 1 probabilidad en diversos
casos prcticos
Demuestra dominio en
clculo de
probabilidades.
Actividad N1
Los estudiantes Participan
en el Foro de discusin sobre
la Aplicacin de las
probabilidades
Tarea Acadmica N 1
Evaluacin del tema N 1
TEMA N 1: TEORA DE PROBABILIDADES
El concepto de probabilidad tiene su origen en relacin con los juegos de azar, como
el lanzamiento de monedas o dados, o con juegos de naipes (Kreyszig, 2001).
Actualmente produce modelos matemticos de procesos aleatorios, denominados en
forma abreviada "experimentos". En cualquier experimento as se observa una
"variable aleatoria" X, una funcin cuyos valores en el experimento ocurren "de
manera aleatoria", caracterizada por una distribucin de probabilidad. 0 bien, se
observa ms de una variable aleatoria, por ejemplo, el peso y la estura de las
personas. La dureza y la resistencia a la tensin del acero.
1. Experimentos, resultados, eventos

En probabilidad y estadstica se tiene inters en datos que resultan de
experimentos controlados en el laboratorio o de la observacin de la naturaleza,
en cualquier caso, se usa el trmino "experimento" (Kreyszig, 2001).
Definimos a un experimento como un proceso por medio del cual se obtiene el
resultado de una observacin o una medicin. En ello encontramos dos tipos de
experimentos: los experimentos determinsticos, en donde sabemos de antemano
el resultado y si lo repetimos bajo las mismas condiciones, el resultado ser el
mismo, por ejemplo, dejar caer un cuerpo, siempre ir hacia abajo; los
experimentos no determinsticos, en donde no s el resultado hasta realizado el
experimento, pero si puedo saber el conjunto de posibles resultados.
Veamos algunos ejemplos de experimentos no determinsticos:
1. Inspeccionar una bombilla con la finalidad de ver si est o no en buen
estado.
2. Lanzar un dado y observar qu resultado obtenemos.
3. Medir la precipitacin pluvial en un da determinado.
4. Efectuar la medicin de la resistencia a la tensin de algn cable de acero.
5. Elegir a una persona al azar y preguntarle si le gust la pelcula Titanic.
Tenemos especial inters en experimentos no determinsticos, estos implican
aleatoriedad, cuyos efectos son del azar, de modo que es imposible predecir
exactamente cul ser el resultado. A este resultado se le denomina punto
muestra, y el conjunto de todos los resultados posibles se denomina espacio
muestral S u del experimento.
En los ejemplos proporcionados se tiene que:
1. S={D, N}, D = defectuoso, B= en buen estado.
2. S={1, 2, 3, 4, 5, 6}.
3. S={x/x R; 0 x m}, donde m es el valor mximo de precipitacin.
4. S={x/x R; a x b}, a = valor mnimo, b = valor mximo
5. S={G, N, l}, G = Le gusta. N = No le gusta, I = Est indeciso.
2. Eventos
De acuerdo a Erwin Kreyszig (Kreyszig, 2001), los subconjuntos de S se
denominan eventos y los resultados, que evidentemente son subconjuntos
especiales, eventos simples. Si lanzamos un dado, podramos definir los eventos:
A: Obtener un nmero impar, entonces A={1, 3, 5}
B: Obtener un nmero par, entonces B={2, 4, 6}
C: Obtener nmero mayor a 4, entonces C={5,6}
Los seis eventos simples son: {1}, {2}, {3}, {4}, {5}, {6}.
Ejemplo:
Tenemos cuatro cajas enumerados del 1 al 4, dos de ellos estn defectuosos, por
ejemplo, las cajas 1 y 2. Realizamos un experimento consistente en extraer al
azar dos cajas, de manera que el espacio muestral S consta de 6 posibles
resultados (pares no ordenados)
(1,2); (1,3); (1,4); (2,3); (2,4); (3,4)
tenemos inters en el nmero de cajas defectuosas que se obtienen en la
seleccin: es decir, en los eventos (subconjuntos: de S)
A: "No existen defectuosos": A = {(3, 4)}
B: Hay uno defectuoso": B= {(1, 3); (1, 4); (1, 3); (2, 4)}
C: "Hay dos defectuosos": C={(1, 2)}
Subconjuntos. En un ensayo. si ocurre un resultado que es un punto de un evento

A, se dice que sucede A. Por ejemplo, si al lanzar un dado se obtiene 3, se dice
que sucede el evento A: Nmero impar.

De manera semejante, A B ("A es un subconjunto de B") significa que todos los
elementos de A tambin son todos los elementos de B, y si ocurre A, se dice que
tambin ocurre B. Por ejemplo, en un ensayo, si ocurre A = {4, S} (lo que signica
que el resultado de lanzar el dado es 4 o 5), entonces B = {4, 5, 6} tambin
ocurre en el ensayo.
3. Uniones, intersecciones, complementos

A partir de los eventos A. B. C, de un espacio muestral S dado, es posible deducir
ms eventos por razones prcticas o tericas como sigue.
3.1. Unin
La unin A U B de A y B consta de todos los puntos que estn en A o en B o
en ambos.
Figura 1: Unin de conjuntos

Fuente: Elaboracin propia
3.2. Interseccin
La interseccin A B de A y B consta de todos los puntos que estn tanto
en A como en B.
Figura 2: Interseccin de conjuntos
Si A y B no tienen puntos en comn, como A = {1, 3, 5} y B = {2, 4, 6} en

el lanzamiento de los dados, se denominan mutuamente excluyentes, porque
la ocurrencia de uno de esos eventos excluye la ocurrencia simultnea del
otro: si se obtiene un nmero impar, no es posible obtener un nmero par
en el mismo ensayo. Entonces se escribe:
AB=
en donde es el conjunto vaco (conjunto sin elementos).
Figura 3: Conjuntos disjuntos

3.3. Complemento
El complemento AC de un evento A consta de todos los puntos de S que no
estn en A. En el ejemplo del lanzamiento del dado, el complemento de A =
{1, 3, 5} es AC={2, 4, 6} = B, se debe notar que un suceso y su
complemento son subconjuntos disjuntos o mutuamente excluyentes, y que
la unin de stos, siempre es el espacio muestral S.
Figura 4: A y el complemento de A (rea sombreada)

4. Probabilidad
Segn Mario Triola (Triola M. F., 2009), la probabilidad se define como un nmero
entre 0 y 1 inclusive, podemos aadir que este nmero describe la posibilidad
relativa de que algo ocurra (algo que nosotros deseamos), si este nmero se
acerca a 1 casi siempre ocurre, si se acerca a 0, casi nunca ocurre. Si este nmero
es 1, es un suceso seguro, es decir, va a ocurrir a pesar de, si este nmero es 0,
el suceso es imposible, no va a ocurrir.
En un experimento, se supone que la "probabilidad" de un evento A mide
aproximadamente con cunta frecuencia ocurre A si se efectan muchos ensayos.
Si se lanza una moneda, entonces las caras H y los Sellos T aparecen
aproximadamente con la misma frecuencia: se dice que H y T son
"equiprobables". Obsrvese la siguiente tabla:
Fuente: (Kreyszig, 2001)

En la tabla mostrada se confirma este hecho. De manera semejante para un dado
de forma regular ("dado legal" o "no cargado), cada uno de los seis resultados
1, 2, 6 son equiprobables.
Estos son ejemplos de experimentos en los que el espacio muestral S consta de
un nmero nito de resultados (puntos) que por razones de cierta simetra
pueden considerarse como equiprobables.
Existen especialmente 3 formas de calcular la probabilidad, el mtodo clsico,
frecuentista y la subjetiva, vemos a continuacin una descripcin de cada uno de
ellos:
4.1. Probabilidad clsica.

Si el espacio muestral S de un experimento consta de un nmero nito de
resultados (puntos) equiprobables, entonces la probabilidad de un evento
A es (Kreyszig, 2001):
Nmero de puntos en A
() =
Numero de puntos en S
Entonces, en particular:
() = 1
Eiemplo:
Si lanzamos un dado, hallar la probabilidad de que ocurra:
A: "Obtener por lo menos un 5 Y la probabilidad de que ocurra
B: "Obtener un nmero par"
Solucin
Los resultados de lanzar un dado se denominan equiprobables, es decir,
todos resultados tienen la misma probabilidad de ocurrir, de manera que
la probabilidad de cada uno ocurra es 1/6, Entonces:
P(A) = 2/6 = 1/3 porque A = {5, 6} tiene dos resultados, y
P(B) = 3/6 = porque B={2,4,6} tiene tres resultados
4.2. Probabilidad frecuentista
El clculo de probabilidad clsico, es vlido para muchos juegos de azar,
as como para algunas aplicaciones prcticas, aunque ciertamente no lo es
para todos los experimentos, simplemente debido a que En la mayora de
problemas no se cuenta con un nmero nito de resultados equiprobables
(Kreyszig, 2001).
Por ejemplo, si de un lote recientemente producido se extraen tuercas, en
grupos de 3 cada vez, y se inspeccionan para encontrar los defectuosos,
cmo es posible asignar una probabilidad a A: "Cuando mucho un
defectuoso"? Bien: es posible hacer un mayor nmero n de ensayos
(extraer de manera aleatoria muchas veces tres tuercas de un lote e
inspeccionarlos) y considerar la frecuencia relativa de A como una
"aproximacin" de la probabilidad desconocida P(A)
Cantidad de veces que ocurre A

() =
Cantidad de ensayos
Al calcular la probabilidad por este mtodo, se obtiene una aproximacin,

en lugar de un valor exacto. Cuanto ms se repitan los ensayos nos
acercaremos ms a la probabilidad real. Este hecho se formula como un
teorema, ste se conoce de manera general como la ley de los nmeros
grandes: Conforme un procedimiento se repite una y otra vez, la
probabilidad de frecuencias relativas de un suceso, tiende a aproximarse
a la probabilidad real (Triola M. F., 2009).
Ejemplo:
Un buen ejemplo del clculo de la probabilidad se presenta en el libro de
Mario Triola (Triola, 2009)
Anotacin de un tiro libre: Calcule la probabilidad que tiene el jugador de
bsquetbol de la NBA, Reggie Miller, de anotar un tiro libre despus de
recibir una falta. En cierto momento de su carrera, anot 5915 tiros libres
entre 6679 intentos (de acuerdo con datos de la NBA).
SOLUCIN
El espacio muestral consiste en dos eventos simples: Miller anota el tiro
libre o no lo hace. Con los resultados anteriores obtenemos lo siguiente:
5915
( ) = = 0.886
6679
4.3. Probabilidad subjetiva

P(A), la probabilidad del suceso A, se estima con base en el conocimiento
de las circunstancias relevantes (Triola, 2009).
De acuerdo a Anderson y otros (Anderson, Sweeney, & Williams, 2008),
el mtodo subjetivo de asignacin de probabilidades es el ms indicado
cuando no es factible suponer que todos los resultados de un experimento
sean igualmente posibles y, adems, cuenta con pocos datos relevantes.
El mtodo subjetivo de asignacin de probabilidades a los resultados de
un experimento, usa toda la informacin disponible, por ejemplo, la propia
experiencia o la intuicin. Despus de considerar dicha informacin se
asigna un valor de probabilidad que expresa el grado de confianza (en una
escala de 0 a 1) que tiene acerca de que un resultado experimental ocurra.
Como la probabilidad subjetiva expresa el grado de confianza que tiene un
individuo, es personal. Cuando se usa el mtodo de probabilidad subjetiva,
es de esperarse que personas distintas asignen probabilidades diferentes
a los mismos resultados de un experimento.
En el mtodo subjetivo hay que tener cuidado de que se satisfagan los dos
axiomas bsicos de la probabilidad. Sea cual sea el grado de confianza que
tenga la persona, el valor de probabilidad asignado a cada suceso debe
estar entre 0 y 1 inclusive, y la suma de las probabilidades de todos los
resultados debe ser 1.0.
Considere el caso en el que Julio y Cecilia Janampa hacen una oferta para
la compra de una casa. Hay dos resultados posibles:
E1 = su oferta ser aceptada
E2 = su oferta no ser aceptada
Cecilia cree que la probabilidad de que su oferta sea aceptada es 0.8; por
tanto, Cecilia establece que P(E1) = 0.8 y P(E2) = 0.2; Julio, por su parte,
cree que la probabilidad de que su oferta sea aceptada es 0.6; por tanto,
Julio establecer P(E1) = 0.6 y P(E2) = 0.4. Observe que la estimacin de
probabilidad de E1 que hace Julio manifiesta bastante pesimismo de que
su oferta sea aceptada. Tanto Cecilia como Julio asignaron probabilidades
que satisfacen los dos axiomas bsicos de la probabilidad. El hecho de que
sus probabilidades sean diferentes subraya la naturaleza personal del
mtodo subjetivo.
Incluso en situaciones de negocios en que es posible emplear el mtodo
clsico o el de las probabilidades relativas, los administradores suelen
proporcionar estimaciones subjetivas de una probabilidad. En tales casos,
la mejor estimacin de una probabilidad suele obtenerse combinando las
estimaciones del mtodo clsico o del mtodo de las frecuencias relativas
con las estimaciones subjetivas de una probabilidad.
Tema N 2: Teoremas bsicos sobre probabilidad
Se ver que los axiomas de probabilidad permiten elaborar la teora de probabilidad

y sus aplicaciones ala estadstica. Se empezar con tres teoremas bsicos, El primero
de ellos es de utilidad si se desea obtener la probabilidad del complemento Ac ms
fcilmente que P(A) en s.
1. Regla del complemento

Erwin Kreysig (Kreyszig, 2001) define a la regla del complemento de la siguiente
manera: Para un evento A y su complemento Ac en un espacio muestral S, se
demuestra que:
P(Ac)= 1 - P(A).
Adems, se pueden derivar:
P(A)+ P(Ac)=1
P(A)=1- P(Ac)
Ejemplo
Cuando una pareja decide tener un beb, la probabilidad de que sea nio, P(nio)
= 0.488. Calcule la probabilidad de que no sea nio.
Solucin
Aplicando la regla del complemento, tenemos
P(no nio) = 1 - P(nio) = 1 - 0.488 = 0.512
Con lo que se concluye que la probabilidad de no tener un nio, podra decirse
que es la misma probabilidad de tener una nia, es de 0.512.
Eiemplo: Lanzamiento de monedas.
Lanzamos cuatro monedas al mismo tiempo, calcular la probabilidad del suceso
A: Por lo menos se obtiene una cara. Suponga que las monedas son legales.
Solucin.
Como cada moneda puede caer cara o sello, entonces el espacio muestral consta
de 24=16 resultados. Ya que las monedas son legales o no cargadas es posible
asignar la probabilidad de 1/16 a cada resultado. As, el evento Ac (No se obtiene
ninguna cara) consta de un slo resultado. Por tanto, P(Ac)=1/16, y la respuesta
es P(A) =1-P(Ac)=1-1/16=15/16.
2. Regla de la suma
La regla de la suma es un procedimiento para calcular probabilidades que se
pueden expresar como P(A o B), es decir, la probabilidad de que ocurra el evento
A o de que ocurra el evento B (o de que los dos ocurran), como resultado nico
de un experimento. Para obtener la probabilidad de que ocurra el evento A o el
evento B, en primer lugar se debe obtener el nmero total de formas en que
puede suceder A y de formas en que puede suceder B, pero obtenemos ese total
sin contar cada uno de los resultados ms de una vez.
Es importante distinguir, si los sucesos son disjuntos o mutuamente excluyentes
(cuando los sucesos no tienen elementos en comn) o arbitrarios (cuando los
eventos tienen interseccin)
2.1. Regla de la suma para eventos mutuamente excluyentes
Dos o ms sucesos son mutuamente excluyentes cuando stos no pueden
suceder al mismo tiempo o ms precisamente, cuando no tienen
interseccin (conjuntos disjuntos).
Entonces, se generaliza que, para eventos mutuamente excluyentes A1,
A2.,Am en un espacio muestral S:
P(A1 U A2 UU An)= P(A1)+ P(A2)++ P(An)
Ejemplo:
Si las probabilidades de que en cualquier da laboral un taller mecnico
reciba 10-20, 21-30, 31-40, ms de 40 automviles para reparar son 0.20,
0.35, 0.25, 0.12 respectivamente, cul es la probabilidad de
que en cualquier da dado el taller reciba por lo menos 21 automviles
para reparar? (Kreyszig, 2001, pg. 656).
Solucin.
Como se trata de sucesos mutuamente excluyentes, podemos aplicar la
regla de la suma de acuerdo al modelo anterior:
P(Autos>=21)= 0.35 + 0,25 + 0.32 = 0.72.
2.2. Regla de la suma para eventos arbitrarios

Dos eventos son arbitrarios cuando pueden ocurrir al mismo tiempo, ms
precisamente cuando algunos de sus elementos son comunes a ambos (la
interseccin de los conjuntos es distinto al nulo o vaco)
Para los eventos A y B no disjuntos de un espacio muestral, se cumple
que:
P(A U B) = P(A) + P(B) P(A B)
Ejemplo.
Si lanzamos un dado no alterado. cul es la probabilidad de obtener un
nmero par o un nmero menor que 4?
Solucin.
Sean A el evento "Nmero par'" y B el suceso "Nmero menor que 4".
A = {2, 4, 6}
B= {1, 2, 3}
A B = {2}
Al existir interseccin entre A y B, se aplica la regla de la suma para
eventos arbitrarios:
P (A U B) = 3/6 + 3/6 1/6 = 5/6 = 0.8333
3. Regla de la Multiplicacin
La regla de la multiplicacin es un procedimiento para obtener la probabilidad de
que ocurra el evento A al realizar un primer ensayo y el evento B en el segundo
ensayo. Si el resultado del evento A interviene o afecta de alguna manera a la
probabilidad del segundo evento B, es importante hacer el ajuste de la
probabilidad de B para que refleje la ocurrencia del suceso A.
La regla para calcular la P(A y B) toma el nombre de regla de la multiplicacin
porque requiere multiplicar la probabilidad del evento A por la probabilidad de
ocurrencia del evento B (donde la probabilidad de ocurrencia del evento B se ve
afectado por el resultado del suceso A).
Dos sucesos A y B son independientes cuando la ocurrencia de uno no afecta la
probabilidad de la ocurrencia del otro. (De manera similar, muchos otros sucesos
son independientes si la ocurrencia de cualquiera no afecta las probabilidades de
la ocurrencia de los dems). Si A y B no son independientes, se dice que son
dependientes (Triola, 2009, pg. 162).
3.1. Regla de la multiplicacin para eventos independientes

Dado dos eventos A y B, donde A no depende de la ocurrencia o no
ocurrencia de B, y recprocamente, entonces:
P(A B) = P(A) . P(B)
Ejemplo:
Vamos a suponer que la primera pregunta de un cuestionario es del tipo
verdadero/falso y que la segunda es de opcin mltiple con cuatro
respuestas posibles (a, b, c y d). Vamos a usar las dos preguntas
siguientes. Respndalos
1. Falso o Verdadero: Un kilo de algodn es ms pesada que un kilo de
acero.
2. En nuestra comprensin de la gentica, quien ha tenido la mayor
influencia?
a. Gene Hackman
b. Gene Simmons
c. Gregor Mendel
d. Los jeans
Cul es la probabilidad de acertar en ambas respuestas?
Solucin:
Al ser eventos independientes, podemos concluir que:
P(correcta y correcta) = (1/2).(1/4) = 1/8 = 0.125
3.2. Regla de la multiplicacin para eventos dependientes o

condicionados
Si A y B son sucesos en un espacio muestral S y P(A) 0 y P(B) 0,
entonces:
P(A B) = P(A).P(B|A) = P(B).P(A|B)
Probabilidad Condicional
La notacin P(B|A) indica la probabilidad de que un evento B ocurra
despus de asumir que el suceso A ya ocurri. (Se lee B|A como B dado
A o como el suceso B ocurre despus de que el suceso A ya ocurri).
Ejemplo
Al producir arandelas, sea
A : "arandela demasiada delgada" y
B : "arandela demasiada corta"
Sea P(A) = 0.1 y sea P(B|A)=0.2 la probabilidad condicional de que una
arandela demasiada delgada tambin sea demasiada corta. Cul es la
probabilidad de que una arandela elegida de manera aleatoria del lote
producido sea demasiada delgada y demasiada corta?
Solucin.
P(A B) = P(A).P(B|A) = (0.1).(0.2) = 0.02 = 2%
Debemos tener en cuenta que este 2% describe la probabilidad de obtener
un arandela demasiada delgada y demasiada corta en todo el lote
producido, y no solamente entre las arandelas demasiadas delgadas.
Muestreos con y sin reemplazo

El siguiente ejemplo describe la extraccin aleatoria de objetos, uno a uno
de manera secuencial, de un conjunto de objetos determinado. A ello
denominados muestreo de una poblacin, existen dos formas de hacerlo,
muestreo con reemplazo y muestreo sin reemplazo:
a) En el muestreo con reemplazo, el elemento extrado se regresa al
conjunto determinado y ste se revuelve de manera exhaustiva, luego
extraemos aleatoriamente el siguiente objeto.
b) En el muestreo sin reemplazo, el objeto extrado no se regresa al
conjunto determinado y se siguen extrayendo objetos, si as lo
requerimos.
Ejemplo: Plantas (Triola, 2009, pg. 163)

Una biloga experimenta con una muestra de dos plantas vasculares
(indicadas por V) y cuatro plantas no vasculares (indicadas por N). A
continuacin se listan los cdigos de las seis plantas estudiadas. La biloga
desea elegir de manera aleatoria dos de las plantas para estudiarlas con
mayor profundidad.
Calcule la probabilidad de que la primera planta seleccionada sea no
vascular (N) y que la segunda planta tambin sea no vascular (N).
Suponga que las selecciones se hacen a) con reemplazo; b) sin reemplazo.
VVNNNN
Solucin
a. Veamos la solucin cuando se seleccionan con reemplazo: las dos
selecciones son independientes, ya que el segundo evento no se ve
afectado por el primer resultado. En cada seleccin de las seis plantas,
cuatro son no vasculares (N), de manera que obtenemos:
P(N y N) = 4/6 . 4/6 = 16/36 = 0.444
b. Si seleccionamos las dos plantas sin reemplazo, las dos selecciones
son dependientes, ya que la probabilidad del segundo suceso se ve
afectada por el primer resultado. En la primera seleccin, cuatro de las
seis plantas son no vasculares (N). Despus de elegir a una planta no
vascular en la primera seleccin, quedan cinco plantas, incluyendo tres
que son no vasculares.
P(N y N) = 4/6 . 3/5 = 12/30 = 0.4
Observe que en este caso realizamos el ajuste a la segunda probabilidad
para tomar en cuenta la seleccin de una planta no vascular (N) en el
primer resultado. Despus de seleccionar N la primera vez, de las cinco
plantas restantes, tres seran no vasculares.
Tema N 3: Principios de Conteo y Probabilidad
En la mayora de problemas de probabilidad, el inconveniente ms grande radica en

obtener el nmero total de resultados. A continuacin, se describen distintos mtodos
para calcular estos nmeros. Por ejemplo, en la lotera La Tinka, usted debe
seleccionar seis nmeros diferentes entre 1 y 46. Para ganar el premio mayor se
necesita que elija los seis nmeros que se obtienen en el sorteo, la probabilidad de
ganar el premio mayor es 1 que se divide entre el nmero de distintas maneras
posibles de seleccionar seis nmeros de 46.
A continuacin, se presentan diferentes tcnicas para calcular el nmero de
diferentes resultados posibles, sin tener que realizar listas directamente y hacer
conteos de las posibilidades.
1. Regla fundamental del Conteo

Para una secuencia de dos sucesos en la que el primero puede ocurrir de m formas
y el segundo puede ocurrir de n formas, los sucesos juntos pueden ocurrir un
total de m x n formas (Triola, 2009, pg. 180).
EJEMPLO:
Es recomendable no hacer conocer los dgitos del DNI, ya que a menudo los
malhechores los utilizan para suplantar la identidad y extraer el dinero de otras
personas. Suponemos que descubrimos que un malhechor est utilizando su
nmero de DNI, quien sostiene que gener los dgitos de manera aleatoria. Cul
es la probabilidad de conseguir su nmero de DNI al generar al azar ocho dgitos?
Es posible que lo que sostiene el malhechor sea verdadero?
SOLUCIN
Cada dgitos de los 8, tiene 10 resultados posibles, del 0 al 9 inclusive. Si se
aplica la regla fundamental de conteo, obtenemos 10 x 10 x 10 x 10 x 10 x 10 x
10 x 10 = 100 000 000
Slo una de las 100 000 000 posibilidades pertenecen a su nmero de DNI, de
modo que la probabilidad de generar al azar un nmero de DNI y obtener el de
usted es de 1/100 000 000.
No es muy probable que un malhechor genere su nmero de DNI de manera
aleatoria, si suponemos que slo genera uno. (Incluso si el malhechor pudiera
generar muchos nmeros de DNI y tratara de hacer uso de ellos, es improbable
que genere el suyo). Si se descubre que alguna persona est utilizando su nmero
de DNI, es posible que lo haya obtenido por algn otro medio, como observando
transacciones en Internet o investigando en su e-mail o en los tachos de basura.
2. Regla Factorial
Una coleccin de n elementos distintos se puede acomodar de n! diferentes
maneras. (Triola, 2009, pg. 181).
La regla factorial manifiesta el hecho de que es posible seleccionar el primer
elemento de n formas distintas, el segundo se puede seleccionar de n - 1 formas,
el tercero de n-2 formas y as sucesivamente.
Los problemas de ruta con frecuencia implican la aplicacin de la regla factorial.
Verizon quiere hacer llamadas telefnicas a travs de las redes ms cortas.
Federal Express quiere encontrar las rutas ms cortas para sus entregas.
American Airlines quiere encontrar la ruta ms corta para regresar a los miembros
de la tripulacin a sus casas. (Triola, 2009, pg. 181)
Ejemplo
Mario Triola (Triola, 2009), nos presenta el ejemplo de las Rutas de atracciones:
Usted est planeando un viaje a Disney World y desea disfrutar de las siguientes
cinco atracciones el primer da: Space Mountain, Tower of Terror, Rock n Roller
Coaster, Mission Space y Dinosaur. A veces las atracciones requieren largos
periodos de espera que varan en el transcurso del da, de manera que la
planeacin de una ruta eficiente permite aumentar al mximo la diversin.
Cuntas rutas diferentes posibles existen?
SOLUCIN
Si aplicamos la regla del factorial, sabemos que 5 atracciones diferentes se
pueden ordenar de 5! maneras distintas. El nmero de rutas diferentes es 5! = 5
x 4 x 3 x 2 x 1 = 120.
3. Regla de las Permutaciones.

El nmero de permutaciones diferentes de n cosas diferentes tomadas k a la vez
sin repeticiones es (Kreyszig, 2001, pg. 662):
!
=
( )!
Y con repeticiones es
nk
Ejemplo
En un mensaje codificado las letras estn colocadas en grupos de cinco items,
llamadas palabras. A partir de la regla de las permutaciones con repeticiones, se
observa que el nmero de tales palabras diferentes es
265=11 881 376
A partir de las permutaciones sin repeticiones se concluye que el nmero de tales
palabras diferentes que contienen a cada letra no ms de una vez es
26!/(26-5)! =26 * 25 * 24 * 23 * 22= 7 893 600
4. Regla de las Combinaciones

En una permutacin es esencial el orden de las cosas elegidas. En contraste, una
combinacin de cosas dadas signica cualquier seleccin de una o ms cosas sin
importar el orden. Existen dos tipos de combinaciones, como se muestra a
continuacin
El nmero de combinaciones de n cosas diferentes, tomadas k a la vez, sin
repeticiones es el nmero de conjuntos de pueden formarse a partir de las n cosas
dadas, conteniendo cada conjunto k cosas diferentes y sin que dos conjuntos
cualesquiera contengan exactamente las mismas k cosas.
El nmero de combinaciones de n cosas diferentes, tomadas k a la vez, con
repeticiones es el nmero de conjuntos que pueden formarse de k cosas elegidas
de las n dadas, utilizando cada una de stas tan a menudo como se quiera.
Por ejemplo, se tienen tres combinaciones de las letras a, b, c, tomadas dos a la
vez, sin repeticiones; a saber, ab, ac, bc, y seis de esas combinaciones con
repeticiones; a saber, ab, ac, bc, aa, bb, ect
El nmero de combinaciones diferentes de n cosas diferentes, tomadas k a la vez,
sin repeticiones, es:
!
( )=
! ( )!
y el nmero de esas combinaciones con repeticiones es:
+1
( )

Ejemplo
El nmero de muestras de cinco bombillas que se pueden escoger de una
produccin de 500 es:
500 500!
( )= = 255 244 687 600
5 5! (500 5)!
LECTURA SELECCIONADA N. 1
Trago estadstico
Canales, E. (2017). Mexicar/ Trago estadstico. Poltica y Gobierno. Vlex, 13.

Disponible en https://app.vlex.com/#vid/80978498
ACTIVIDAD N 1
Foro de discusin sobre la Aplicacin de la estadstica y las probabilidades.
Instrucciones
Ingrese al foro y participe con comentarios crticos y analticos del tema La
estadstica en el trabajo.
Responda en el foro a las preguntas acerca de la lectura N 01:
1. Cules son los beneficios y las limitaciones de usar la estadstica en su
campo laboral o en su carrera profesional?
2. Cree que todas las personas, independientemente a los que se dediquen,
debieran conocer las probabilidades y la estadstica?, En qu grado?
GLOSARIO DE LA UNIDAD I
Azar
El azar, en el lenguaje normal, se considera como la caracterstica de un suceso
imprevisible. En estadstica esta definicin se modifica aadiendo una propiedad
adicional: El azar es la caracterstica de un experimento que produce resultados
diversos, impredecibles en cada situacin concreta, pero cuyas frecuencias, a la
larga, tienden a estabilizarse hacia un valor "lmite" en el infinito (Universidad
Complutense, 2016).
Aleatorio
Resultado de un proceso en el cual no es posible conocer el resultado hasta despus
de que se produzca el experimento. En el lanzamiento de un dado, no es posible
conocer el resultado hasta haber realizado el ensayo.
Experimento
Cualquier proceso que genere resultados bien definidos (Medina, 2010).
Muestreo con reemplazo
Es un mtodo en el cual cada miembro de la poblacin elegida para la muestra se
regresa a la primera antes de elegir al siguiente miembro (Medina, 2010).
Muestreo sin reemplazo.
Es un mtodo en el cual los miembros de la muestra no se regresan a la poblacin
antes de elegir a los miembros siguientes (Medina, 2010).
Posibilidad
Las expresiones de probabilidad a veces se proponen como posibilidades, por
ejemplo, 50:1 (o 50 a 1). Una grave desventaja de las posibilidades es que hacen
que muchos clculos sean extremadamente difciles. Por ello, los matemticos y los
especialistas en estadstica as como en otros campos cientficos prefieren usar
probabilidades. La ventaja de las posibilidades es que facilitan el manejo de las
transacciones de dinero asociadas a los juegos de azar, por lo que tienden a usarse
en casinos, loteras e hipdromos (Triola, 2009, pg. 145).
Posibilidad real en contra
Las posibilidades reales en contra de que ocurra un suceso A estn indicadas por el
cociente ()/(), casi siempre expresado en la forma a:b (o a a b), donde a y b
son enteros que no tienen factores comunes (Triola, 2009, pg. 145).
Posibilidad real a favor
Las posibilidades reales a favor del suceso A son el recproco de las posibilidades
reales en contra de ese suceso. Si las posibilidades en contra de A son a:b, entonces
las posibilidades a favor de A son b:a (Triola, 2009, pg. 145).
Posibilidad de pago
Las posibilidades de pago contra el suceso A representan la proporcin de la ganancia
neta (si usted gana) con respecto a la cantidad de la apuesta (Triola, 2009, pg.
145).
Sucesos disjuntos
Dos eventos A y B son mutuamente excluyentes o disjuntos si A B = ; es decir,
si A y B no tiene elementos en comn (Walpole, Myers, Myers, & Ye, 2012, pg. 40).
BIBLIOGRAFA DE LA UNIDAD I
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadstica para administracin y
economa. Mxico,D.F.: Cengage Learning Editores, S.A.
Ferreyra, E., & Garn, M. (2010). Estadstica actuarial: modelos estocsticos. Bilbao: Sarriko-On.
Kreyszig, E. (2001). Probabilidad y estadstica. En E. Kreyszig, Matmticas avanzadas para

ingeniera Vol. II (pgs. 647-773). Mxico DF: LIMUSA WILEY.
Medina, E. (3 de Diciembre de 2010). Glosario de trminos de probabilidad y estadstica.

Obtenido de Actividades didcticas de matemticas: http://enrique-
medina.blogspot.pe/2010/12/glosario-de-terminos-de-probabilidad-y.html
Triola, M. F. (2009). Estadstica. Mxico: PEARSON EDUCACIN.
Universidad Complutense. (12 de 11 de 2016). Sucesos y Probabilidades. Obtenido de

Estadstica Bsica:
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadistica_basica.htm
Walpole, R. E., Myers, S. L., Myers, R. H., & Ye, K. (2012). Probabilidad y estadstica para
ingeniera y ciencias. Mxico: Pearson.
AUTOEVALUACIN N. 1
1. Una caja contiene bolos blancos y negros de donde se sacan sucesivamente tres
bolos.
Se define el siguiente espacio muestral:
E = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n, n,n)}
Sean los sucesos:
A = {extraer tres bolos del mismo color}.
B = {extraer al menos un bolo blanco}.
C = {extraer un solo bolo negro}.
Identifique
Seleccione una:
a. ={(n,n,n); (b,b,n)}
b. ={(n,n,n); (b,b,n); (b,n,b); (n,b,b)}
c. = {(n,n,n); (b,b,n); (b,n,b)}
d. ={(n,n,n); (b,b,b); (b,n,n); (n,b,n); (n,n ,b)}
e. =
2. Una caja contiene bolos blancos y negros de donde se sacan sucesivamente tres
bolos.
Se de f in e el s ig u i e nt e e s p ac io mu e st r a l:
E = {(b ,b ,b); (b ,b ,n ); (b, n ,b ); (n ,b ,b); (b,n ,n ); ( n ,b ,n ) ; (n , n , b);
(n , n ,n )}
Se a n lo s s u ce s os :
A = { e xt ra e r t r e s b ol as d el mi s m o c ol o r} .
B = {e xt r a er al m en o s u n a b ol a bl an ca} .
C = { ext r a e r u n a s o l a bol a n eg ra} .
Identifique
Seleccione una:
a. ={(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n)}
b. ={(n,n,n)}
c. ={(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n)}
d. ={(b,b,b); (b,b,n)}
e. ={(b,b,b); (b,b,n); (b,n,b)}

3. Calcule la probabilidad de sacar al menos una cara al lanzar seis monedas no
cargadas.
Seleccione una:
a. 0.30
b. 0.98
c. 0.02
d. 0.50
e. 0.33
4. Si los domins estn volteados y sacamos una ficha:
Calcula la probabilidad de que:

Los puntos sumados sean igual a 6.
Seleccione una:
a. 0.7521
b. 0.1524
c. 0.1429
d. 0.3521
e. 0.4562
5. Observe la tabla siguiente.
Suponga que de entre 99 seoras incluidas en el estudio, se selecciona a una de ellas
aleatoriamente, Cul es la probabilidad de seleccionar a una seora que est
embarazada o que tuvo un resultado de prueba positivo?
Seleccione una:
a. 0.987
b. 0.889
c. 0.5
d. 0.543
e. 0.345
6. Observe la figura:
Cul es la probabilidad de que al elegir al azar uno de los chcharos, consiga uno
con vaina verde o flor blanca.
Seleccione una:
a. 0.514
b. 0.321
c. 0.214
d. 0.714
e. 0.983
7. En un estudio sobre la calificacin a las chompas producidas a una muestra fueron
las siguientes:
Determine la probabilidad al seleccionar una chompa de manera aleatoria, que sea
deficiente dado que es cuello V
Seleccione una:
a. 0.1667
b. 0.1250
c. 0.4375
d. 0.1542
e. 0.2569
8. Una mquina acciona un generador elctrico. Durante un periodo de un mes, la
mquina requiere reparacin con una probabilidad del 8%, y el generador requiere
reparacin con una probabilidad del 4%. Cul es la probabilidad de que durante
un periodo dado todo el aparato requiera reparacin?
Seleccione una:
a. 54.32%
b. 75.23%
c. 32.00%
d. 68.00%
e. 11.68%
9. En un estudio sobre la calificacin a las chompas producidas a una muestra fueron
las siguientes:
Determine la probabilidad al seleccionar una chompa de manera aleatoria, que sea

de manga corta o le hayan calificado excelente
Seleccione una:
a. 0.3658
b. 0.1542
c. 0.4375
d. 0.1250
e. 0.4789
10. La probabilidad de que la batera de un coche sujeta a altas temperaturas dentro
de la cajuela del motor reciba electricidad mayor que la normal, es 0.8. La
probabilidad de que la batera quede expuesta a altas temperaturas es 0.10. Calcule
la probabilidad de que la batera tenga tanto, electricidad de carga alta como una
temperatura alta
Seleccione una:
a. 0.25
b. 0.04
c. 0.40
d. 0.06
e. 0.08
UNIDAD II: DISTRIBUCIN DE POISSON
DIAGRAMA DE PRESENTACIN DE LA UNIDAD II
Resultado de aprendizaje de la Unidad II:

Al finalizar la unidad, el estudiante ser capaz de demostrar el clculo de probabilidades en
procesos estocsticos formados a travs de las distribuciones de Poisson.
Proceso de Poisson. Desarrolla modelos de Responsabilizarse de la

solucin sobre interpretacin de los
Proceso de Poisson no
distribucin de tiempos resultados.
homogneo.
entre sucesos.
Proceso de Poisson
Desarrolla modelos de
compuesto.
decisin en el mbito de
Proceso de Poisson mixto las lneas de espera.
Autoevaluacin N. 2 Analiza los modelos
mixtos en el desarrollo
de modelos de decisin
Actividad N. 1
la Aplicacin de la
Distribucin de Poisson
Control de lectura N 2
TEMA N 1: Proceso de Poisson
La distribucin y el modelo que da origen al proceso de Poisson, lleva el nombre del

matemtico francs Simn Denis Poisson (1781-1840). Simon Denis Poisson
imparti clases de matemticas en la Ecole Polytechnique de Pars entre 1802 a 1808.
El ao 1837, Poisson public una investigacin titulada Investigacin sobre la
probabilidad de veredictos en materia criminal y civil en el que se presenta un
estudio acerca de lo que algn tiempo despus se dio a conocer como la distribucin
de Poisson.
1. La Distribucin de Poisson
Se pueden observar experimentos o fenmenos en los que las ocurrencias de los
sucesos se dan en intervalos continuos de tiempo o espacio (reas y volmenes),
en los cules slo es importante que ocurra el fenmeno, ya que la no ocurrencia
no tiene ningn sentido. Por ejemplo, si en algn lugar del Per, como lo es
Huancayo, donde no es una zona ssmica, ocurren 2 temblores por ao en
promedio, la variable aleatoria ser la cantidad de temblores en un ao y queda
claro que no tendra sentido hablar de la cantidad de no temblores en un ao. Lo
mismo ocurre para otro tipo de fenmenos, como el nmero de errores en un
libro, huaycos anuales en una regin montaosa, accidentes de automvil por da
en cierto cruce, personas que fueron atendidas en un banco durante un perodo
de 15 minutos, microscpicas partculas de tierra o polvo en 1 metro cbico de
aire, el nmero de nacimientos de nios en un mes, cantidad de rayos que caen
en el rea de una ciudad, llamadas que ingresan a un conmutador de telfono en
60 segundos, cantidad de gorgojos por planta en un cultivo, etc. Tambin es
importante indicar que cada ocurrencia se podra considerar como un suceso en
un segmento determinado.
Mario Triola indica que, la distribucin de Poisson es una distribucin de
probabilidad discreta que se aplica a las ocurrencias de algn suceso durante un
intervalo especfico. La variable aleatoria x es la cantidad de veces que ocurre un
suceso en un intervalo. El intervalo podra ser tiempo, distancia, rea, volumen o
alguna unidad similar (Triola, 2009, pg. 230).
Si tomamos en cuenta que:
1. El promedio o esperanza matemtica de ocurrencia de un suceso en un
intervalo es igual a la media de ocurrencias del suceso en otro segmento
cualquiera, no importando donde inicia el segmento,
2. Sin importar donde ocurran, los sucesos son mutuamente excluyentes,
3. La probabilidad de ocurrencia de un suceso en un lapso depende de la
longitud del intervalo,
4. Los fenmenos o experimentos ocurren bajo condiciones constantes, es decir,
que estos no se modifican, y
5. Nuestro objetivo fundamental es analizar el nmero promedio o la cantidad
de veces que ocurre en el intervalo especificado,
entonces es posible afirmar que, la variable aleatoria descrita en los experimentos
mencionados es una variable de Poisson.
2. Caractersticas de la distribucin de Poisson

A continuacin, se describen las caractersticas de una distribucin probabilstica
de Poisson que tienen carcter de axioma:
1. El espacio muestral S es excesivamente grande, tanto, que podra ser
considerado infinito, con probabilidad de xito de un evento bastante
pequeo. Por esta razn, a la distribucin de Poisson se le suele mencionar
como la distribucin de sucesos raros.
2. La cantidad de xitos en el intervalo li es independiente a la cantidad de
xitos en el segmento lk, por lo que li y lk son disjuntos.
3. La probabilidad de que ocurran dos o ms xitos en el mismo punto del
segmento o intervalo es cero.
4. La media de xitos en un segmento es constante, la cual no cambia de
segmento a segmento.
Veamos el siguiente ejemplo que explica el significado de estos cuatro axiomas:
Supngase que la cantidad de accidentes por da en un cruce de avenidas como
un caso de fenmeno en el que los sucesos ocurren en intervalos de tiempo
continuos, donde slo es importante la ocurrencia del suceso, y de acuerdo a sus
caractersticas podra decirse que la variable aleatoria de la cantidad de
accidentes por da podra representarse por un modelo de probabilidad de
Poisson. A continuacin, analizamos los cuatro axiomas anteriores en el escenario
descrito:
1. Si consideramos un intervalo de tiempo, tan pequeo como se desee, pero
que para ilustrar mejor podra ser un segundo, y consideramos como xito,
el que ocurra un accidente en ese lapso, tenemos que, en el intervalo de
tiempo de un da hay 86 400 segundos, o sean 86 400 repeticiones de un
experimento, en el que se observan xitos o fracasos (experimento de
Bernoulli). Se observa, de manera obvia que la probabilidad de xito en cada
repeticin es muy pequea.
2. En el ejemplo, cada segmento li podra ser un da, por lo que se puede
suponer que la cantidad de accidentes en un da determinado es
independiente a la cantidad de accidentes en otro da cualquiera, lo cual no
ocurre, por ejemplo, con la cantidad de personas que acogen un estilo de
vestir en un da determinado, porque una moda tiene un periodo creciente,
un auge y un periodo decreciente. En estas condiciones, podemos decir que
existe contagio y el modelo probabilstico no podra suponer independencia
entre los intervalos. En el caso de la distribucin de Poisson se dice que no
existe contagio.
3. En la situacin planteada, un ensayo del experimento tiene ocurrencia en
cada segundo, es lgico suponer que no podran ocurrir dos accidentes en el
mismo segundo.
4. Mientras no se cambie el crucero de avenidas, podemos suponer de que la
cantidad promedio de accidentes en un da, al que representaremos por ,
permanece constante.
3. Parmetros de la Distribucin de Poisson

La distribucin de Poisson se caracteriza porque el promedio o esperanza
matemtica y la varianza son iguales, como parmetros:
1. La media es (lambda), tambin representada como (mu).
2. La desviacin estndar es = 2 , por lo tanto, la varianza es igual a la media.
3. Funcin de probabilidad
La probabilidad de que el evento ocurra x veces durante un segmento est dada
por la siguiente frmula:
.
() =
!
Donde:
e es la base de los logaritmos naturales, aproximadamente igual a 2,71828
el promedio de la distribucin, la cual debe ser mayor que cero.
Debemos tener en cuenta que, una vez especificado el promedio podramos
calcular cualquier probabilidad, pero, para cada valor de se tiene una funcin
probabilstica distinta.
Ejemplo:
Bombas de la Segunda Guerra Mundial
Al analizar los impactos de las bombas V-1 en la Segunda Guerra Mundial, el sur
de Londres se subdividi en 576 regiones, cada una con rea de 0.25 km2. En
total, 535 bombas impactaron el rea combinada de 576 regiones. a) Si se
selecciona al azar una regin, calcule la probabilidad de que haya sido impactada
exactamente en dos ocasiones. b) Con base en la probabilidad calculada en el
inciso a), cuntas de las 576 regiones se esperara que fueran impactadas
exactamente dos veces? (Triola, 2009, pg. 231)
Solucin
a. Como estamos tratando con las ocurrencias de un evento (impactos de
bombas) en un intervalo (un sector con una superficie de 0.25 km 2) es posible
aplicar la distribucin de Poisson. La cantidad media de impactos por sector
es:
535
= = = 0.929
576
Como estamos buscando la probabilidad de que existan dos impactos en un

sector, entonces, x = 2, y aplicamos la frmula a continuacin:
. 0.9292 2.718280.929 0.863 0.395

() = = = = 0.170
! 2! 2
La probabilidad de que un sector especfico sea impactada dos veces
exactamente es P(2) = 0.170.
b. Conociendo que existe una probabilidad de 0.17 de que un sector sea
impactada dos veces exactamente, se espera que, entre los 576, la cantidad
de regiones impactadas dos veces exactamente sea 576 x 0.170 = 97.9.
Ejemplo:
Suponga que desea conocer la cantidad de llegadas, en un intervalo de tiempo
de 15 min, a la rampa del cajero automtico de un banco. Si se podra suponer
que la probabilidad de llegada de los automviles es la misma en cualesquiera
dos intervalos de tiempos de la misma duracin y si la llegada o nollegada de
un automvil en cualquier intervalo de tiempo es independiente de la llegada o
nollegada de un automvil en cualquier otro intervalo de tiempo, se podra
aplicar la funcin probabilstica de Poisson. Dichas condiciones se satisfacen y en
un anlisis de datos pasados encuentra que la cantidad promedio de automviles
que llegan en un intervalo de tiempo de 15 minutos es 10; en este caso use la
funcin probabilstico siguiente (Anderson, Sweeney, & Williams, 2008, pg.
211).
. 10 10
() = =
! !
En el ejemplo, la variable aleatoria es x = cantidad de autos cuya llegada en un

intervalo de tiempo de 15 min.
Si el personal administrativo desea conocer la probabilidad de que arriben cinco
automviles exactamente en 15 minutos, x = 5, y se obtiene
. 105 10
( 5) = = = 0.0378
! 5!
Ejemplo:
A continuacin, se propone un ejemplo en el que no aparecen intervalos de tiempo
y en el que se usa la distribucin de Poisson. Suponga que le interesa la ocurrencia
de una falla importante en una autopista un mes despus de que ha sido
repavimentada. Supondr que la probabilidad de que haya una falla es la misma
en cualesquiera dos tramos de una misma longitud de la autopista y que la
ocurrencia o noocurrencia de una falla en un tramo es independiente de la
ocurrencia o no-ocurrencia de una falla en cualquier otro tramo. Por tanto, emplea
la distribucin de Poisson (Anderson, Sweeney, & Williams, 2008, pg. 213).
Tambin conoce que el promedio de fallas significativas, un mes despus de la
repavimentacin, son de dos fallas por Kilmetro. Desea calcular la probabilidad
de que no exista ninguna falla en un determinado tramo de tres kilmetros de
autopista. Como nuestro inters es un segmento cuya longitud es de tres
kilmetros, =2 fallas/km)(3 km) = 6 indica la cantidad esperada de fallas
importantes en un segmento de tres kilmetros de autopista.
Mediante la frmula, la probabilidad de que no exista ninguna falla importante
es:
60 6
(0) = = 0.0025
0!
Entonces, es poco probable que no exista ninguna falla importante en este
trayecto de tres kilmetros. Efectivamente, este ejemplo muestra que existe la
probabilidad de:
1 - 0.0025 = 0.9975
de que exista mnimamente una falla importante en este trayecto de tres
kilmetros de autopista.
Ejemplo:
Un especialista en insectos examina una planta de durazno y hace un conteo de
larvas de la mosca de la fruta por planta. De estudios realizados anteriormente
se sabe que, bajo las condiciones del experimento, el nmero de larvas por planta
de durazno podra representarse por una distribucin de Poisson con = 0.9. Si
se selecciona una planta de durazno aleatoriamente, calcular la probabilidad de
que se encuentren cuando mucho 3 larvas.
Solucin.
Las probabilidades de que el especialista encuentre 0, 1, 2, 3, larvas por planta
son:
Con los clculos anteriores podemos ver que:
4. Funcin de distribucin de Poisson Acumulada

Sea X una variable aleatoria con distribucin de Poisson que tiene parmetro ,
entonces la funcin que corresponde a la distribucin de Poisson acumulada:
En la mayora de casos, el clculo probabilstico de variables aleatorias que se

asemejan a una distribucin de Poisson es extenso y trabajoso. En la medida que
sea posible, se podra hacer uso de las tablas que acompaan al material, las
cuales se basan en la funcin de distribucin acumulada y tan slo hay que aplicar
las propiedades ya estudiadas para esta funcin y simplificar los clculos.
Por otro lado, siempre es recomendable hacer uso de una herramienta informtica
como Microsoft Excel o Spss, se muestran las funciones a aplicar en la siguiente
figura:
En Microsoft Excel:
POISSON.DIST(x,media,acumulado)
En SPSS:
CDF.POISSON(c,media) para clculos acumulados
PDF.POISSON(c,media) para probabilidad bruta
Para representar y tener un mejor control de los datos que se muestran en la
tabla, haremos que
Ejemplo:
Sea X una variable aleatoria que tiene distribucin de Poisson con media de 3
(=3). Calcular:
a) P(x < 5)
b) P(x 5)
Solucin
a) P(x < 5) = P(x 4) = F(4, 3) = 0.8153
b) P(x 5) = 1 P(x 5) = 1 - F(5, 3) = 1 - 0.9161 = 0.0839

Tema N 2: Proceso de Poisson no homogneo
El proceso de Poisson no-homogneo surge en los casos en los cuales las hiptesis
del proceso de Poisson simple se cumplen en intervalos muy pequeos de tiempo. La
distribucin principal radica en las caractersticas de la intensidad; en el caso no-
homogneo es una funcin del tiempo y en el caso simple es una funcin constante
(Prez & Dyner, 1984).
Ahora, consideramos que, el parmetro , es decir la media, del proceso de Poisson
no es necesariamente una constante sino una funcin del tiempo. En algunos casos
a este proceso se le denomina tambin proceso de Poisson con parmetro
dependiente del tiempo.
Analizando, por ejemplo, la cantidad de llamadas telefnicas a un conmutador de una
empresa, se observar la variabilidad de la intensidad de acuerdo con las horas del
da. De una baja intensidad en las primeras horas de la maana, se pasar
cclicamente de altas y bajas intensidades a medida que transcurre el tiempo.
En general, se dice que un proceso de conteo [ N(t), t > 0] es un proceso de Poisson
no homogneo si cumple las propiedades siguientes:
a) El proceso tiene incrementos independientes.
b) Con probabilidad 1, la funcin t - N(t) tiene slo saltos unitarios.
Asumiendo las dos propiedades anteriores, (Grandell, 1971) prueba que:
[( + ) ()] [( + ) + ()]
[ ( + ) () = ] =
!

donde () = 0 ()
y (x) es la funcin de intensidad del proceso, la cual es una funcin no-negativa e

integrable segn Lebesgue en subintervalos finitos de R+
1. Definicin
Luis Rincn (2012) menciona que el proceso de Poisson no homogneo es un
proceso a tiempo continuo {Xt:t0}, con espacio de estados {0, 1, .}, con
parmetro la funcin positiva y localmente integrable (t), y que cumple las
siguientes propiedades:
a) Xo =O.
b) Los incrementos son independientes.
c) Para cualquier t0, y cuando h0,
i) P(Xt+h-Xt1)= (t)h + o(h).
ii) P(Xt+h-Xt2)= o(h).
Si comparamos esta definicin con la definicin del proceso de Poisson
homogneo, se observa una amplia similitud, con excepcin de dos aspectos: en
lugar de la constante se escribe ahora la funcin (t), y la hiptesis de
incrementos estacionarios desaparece. Lo descrito es consecuencia de que el
parmetro vara en funcin del tiempo, por lo general de manera decreciente. Es
decir, la distribucin probabilstica de la variable incremento X t+s X, depende
de les valores de la funcin en el intervalo (s, s + t]. Sin embargo, y en completa
analoga con el caso homogneo, la variable X t contina teniendo distribucin
Poisson (Universidad de Sevilla, 2016).
2. Distribucin entre llegadas del proceso.
Asmase que el (K 1)simo punto del proceso de Poisson no-homogneo
ocurre en el instante u. Sea tk la variable aleatoria que indica el tiempo hasta la
aparicin del Ksimo punto; adems, defnase:
FK (s/u) = P(TK < u + s/TK-1 = u) = P (N(u + s) - N(u)) = 0,
y fK (s/u) la funcin de densidad correspondiente a F K (s/u).
Entonces:
1-FK (s/u)= P(TK > u + s/TK-1 = u)= P (N(u + s) - N(u)) = 0
+
=[ ()],
y
+
fK(s/u) =( + )[ ()],
Para que las expresiones encontradas para Fk(s/u) y fk(s/u) tengan
sentido, se requiere que:
+
+ () = () =

Tema N 3: Proceso de Poisson Compuesto
A continuacin, abordaremos el proceso de Poisson compuesto, como una de las

generalizaciones del proceso de Poisson original.
1. Definicin
De acuerdo a Luis Rincn, el proceso de Poisson compuesto, es una de las
generalizaciones del proceso de Poisson ms conocidas y de amplia aplicacin. La
generalizacin consiste en que ahora los saltos ya no son necesariamente
unitarios (Rincn, 2012, pg. 132).
Entonces, definimos como proceso de Poisson compuesto a un proceso
estocstico a tiempo continuo con saltos, las trayectorias de las muestras no
presentan continuidades, combina un proceso de Poisson habitual con otra
variable aleatoria independiente.
Un proceso estocstico, es un conjunto de estados de un sistema que va
cambiando en funcin del tiempo, ampliando la definicin, un proceso estocstico
a tiempo continuo, o continuo en el tiempo y en el espacio, es un proceso
estocstico para el cual el ndice de tiempo t toma un intervalo continuo, es decir,
nmeros reales, en contraposicin con los procesos estocsticos de tiempo
discreto, donde la variable tiempo slo asume valores sin continuidad, en
un conjunto susceptible de ser enumerado o contado, en general los nmeros
enteros positivos. Otra forma de nombrar a este tipo de procesos estocsticos es,
procesos de parmetro continuo.
En un proceso estocstico de tiempo continuo, los saltos se van produciendo de
manera aleatoria, de acuerdo al proceso de Poisson, mientras que el valor del
salto es una cantidad aleatoria, con una distribucin probabilstica especificada.
Un proceso de Poisson compuesto, podra ser parametrizada por una intensidad
("tasa de saltos") >0 y una distribucin para el tamao de los saltos F, es un
proceso {Y(t):t0} dado por:
()
() =
=1
donde, {N(t):t0 } es un proceso de Poisson con intensidad , y { Di : i 1 } es un
conjunto de variables aleatorias no dependientes y distribuidas idnticamente, con
distribucin comn F, que tambin son independientes de las variables {N(t):t0}.
En el modelamiento de sucesos catastrficos como los desastres

naturales, actuaran las variables Di, stas son positivas y las empleamos para
cuantificar los perjuicios o las prdidas econmicas.
2. Propiedades
Usando la esperanza matemtica condicionada, podramos calcular la media o
el valor esperado de un proceso de Poisson compuesto mediante la ecuacin de
Wald como:
Si hacemos uso similar de la ecuacin para la varianza, el valor para el mismo

proceso viene dada por:
donde E(.) designa la esperanza matemtica de una variable aleatoria. Luego,
usando la ley de probabilidad total, la funcin generadora de momentos se podra
expresar como:
donde P(.) =Pr(.) indica la probabilidad de un suceso.
3. Exponenciacin de medidas
Si consideramos a N, Y y D como las descritas anteriormente. Sea la medida
probabilstica que nos da la distribucin de D, i.e.
Sea 0 un espacio probabilstico trivial en la que P(0)=1, entonces la distribucin

probabilstica de Y(t) es la medida:
donde la funcin exponencial exp() de una medida finita sobre conjuntos

borelianos de la recta real se define mediante:
y
es una convolucin de medidas, y la serie confluye de manera dbil.
Tema N 4: Proceso de Poisson Mixto
Un proceso de Poisson mixto es una generalizacin del proceso de Poisson donde

se considera que el parmetro no es constante sino una variable aleatoria.
1. Definicin
Sea una variable aleatoria positiva con funcin de distribucin F(). Se dice
que el proceso de conteo {Xt : t 0} es un proceso de Poisson mixto con
variable mezclante si para cada entero n 1, y cada sucesin de enteros
no negativos k1 , . . . , kn, y cualesquiera tiempos 0 a1 b1 a2 b2
an bn se cumple la igualdad (Rincn, 2012, pg. 134):
P(Xb1- Xa1=k1 , Xb2 - Xa2=k2 , . . . , Xbn-Xan=kn)

[( )] ( )
= ()
0 !
=1
Si ocurre que, la variable aleatoria mezclante es igual a y sta es constante,

el proceso de Poisson mixto se simplifica al proceso de Poisson.
2. Propiedades
De acuerdo a Luis Rincn (Rincn, 2012), el proceso de Poisson mixto cumple las
siguientes propiedades:
1. Sus incrementos son estacionarios.
2. Los incrementos no son independientes. Ocurre en el caso del proceso de
Poisson.
3. E(Xt)=tE().
4. Var(Xt)=t2Var()+tE().
5. Cov(Xt, Xt+s- Xt)=stVar(), s,t0
Las propiedades se obtienen condicionando el valor de la variable aleatoria .
La ley de los sucesos raros, legado de Simon Denis Poisson
Leer los fragmentos 1 y 2:

1. Introduccin
2. Aproximar, la Ley de los Eventos Raros
Fernndez Fernndez, B. (2008). La Ley de los eventos raros, Legado de Simen
Denis Poisson. Aportaciones Matemticas., 39, 219238. Disponible en
http://www.cimat.mx/Eventos/vpec10/img/ArticuloBegonaFernandez.pdf
ACTIVIDAD N. 1
Foro de discusin sobre la Aplicacin de la distribucin de Poisson.
Instrucciones
Ingrese al foro y participe con comentarios crticos y analticos del tema
Aplicacin de la distribucin de Poisson.
Responda en el foro a la pregunta acerca de la lectura seleccionada N 02:
En qu casos se podra aplicar la distribucin de Poisson en su trabajo?
GLOSARIO DE LA UNIDAD II
Convolucin
La convolucin es un mtodo cuya idea es expresar la muestra que se desea como
suma estadstica de otras variables aleatorias fciles de muestrear. Entre esas
distribuciones, la ley de Erlang y la de Poisson son tpicas, cuya muestra se puede
obtener a partir de muestras con distribucin exponencial (Taha, 2004, pg. 650).
Distribucin de probabilidad
Una distribucin de probabilidad es una distribucin que indica la probabilidad
de cada valor de la variable aleatoria. A menudo se expresa como grfica, tabla o
frmula (Triola, 2009, pg. 201).
Procesos estocsticos
Los procesos estocsticos son fenmenos cuyo comportamiento se desarrolla en el
tiempo y se rige por las leyes de las probabilidades. Ejemplos de tales fenmenos
son: el movimiento browniano de una partcula, el crecimiento de una poblacin tal
como una colonia bacterial, el tamao de una cola en una estacin cliente/servidor,
las fluctuaciones de fortuna de un juego de azar, etc. (Romero, 2011, pg. 62)
Variable aleatoria
Una variable aleatoria es aquella (casi siempre representada por x) que tiene un solo
valor numrico determinado por el azar, para cada resultado de un procedimiento
(Triola, 2009, pg. 201).
Variable aleatoria de Bernoulli

Cualquier variable aleatoria cuyos nicos valores posibles son 0 y 1 (Devore, 2008,
pg. 88)
Variable mezclante
Variable derivada de una distribucin mezclante o latente, esta distribucin modela
la heterogeneidad no observable de una poblacin, la distribucin mezclante es el
producto de dos distribucines como la Mezcla Gama-Poisson o Mezcla Binomial-
Poisson (Escobar & Villa, 2007, pg. 171).
.
BIBLIOGRAFA DE LA UNIDAD II
Devore, J. L. (2008). Probabilidad y Estadstica para Ingeniera y Ciencias. Mxico, D.F.:

Cengage Learning Editores, S.A. de C.V.
Escobar, L., & Villa, E. (2007). La funcin generadora de momentos en las distribuciones de
mezclas. Mosaicos Matemticos, 171-176.
Fernndez, B. (2015). La ley de los eventos raros, legado de Simon Denis Poisson. 2000
Mathematics Subject Classification, 219-222.
Ferreyra, E., & Garn, M. (2010). Estadstica actuarial: modelos estocsticos. Bilbao: Sarriko-On.
Grandell, J. (1971). On stochastic processes generated by a stochastic intensity function. Skand:

Tidskrift.
Kreyszig, E. (2001). Probabilidad y estadstica. En E. Kreyszig, Matmticas avanzadas para

ingeniera Vol. II (pgs. 647-773). Mxico DF: LIMUSA WILEY.
Medina Ros, E. (3 de Diciembre de 2010). Glosario de trminos de probabilidad y estadstica.

Obtenido de Actividades didcticas de matemticas: http://enrique-
medina.blogspot.pe/2010/12/glosario-de-terminos-de-probabilidad-y.html
Prez, L. G., & Dyner, I. R. (1984). Estimacin del proceso de Poisson no homogneo. Revista
de la Facultad de Ingeniera, 175-193.
Rincn, L. (2012). Introduccin a los procesos estocsticos. Mxico DF: UNAM.
Romero, J. L. (2011). Introduccin a los procesos estocsticos. El Tigre: UNEFA.
Taha, H. A. (2004). Investigacin de operaciones. Bogot: Prentice Hall.
Universidad Complutense. (12 de 11 de 2016). Sucesos y Probabilidades. Obtenido de

Estadstica Bsica:
http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadistica_basica.htm
Universidad de Sevilla. (1 de Diciembre de 2016). Modelos estocsticos de la investigacin

operativa. Sevilla, Sevilla, Espaa.
UPIICSA. (01 de Diciembre de 2016). Distribucin de Poisson. Obtenido de Unidad Profesional

Interdisciplinaria de Ingeniera y Ciencias sociales y Administrativas:
http://148.204.211.134/polilibros/portal/polilibros/P_Terminados/Probabilidad/doc/U
nidad%202/2.9.htm
AUTOEVALUACIN N. 2
1. En la clnica del Dr. Matta Lozano el promedio de atencin es 16 pacientes por 4

horas, encuentre la probabilidad que en 30 minutos se atiendan a menos de 3
personas.
Seleccione una:
a. 0.6767
b. 0.3658
c. 0.1587
d. 0.3254
e. 0.2587
2. Si un banco recibe en promedio 6 cheques sin fondo por da, cul es la
probabilidad de que reciba, 10 cheques sin fondos en cualquiera de dos das
consecutivos?
Seleccione una:
a. 0.1582
b. 0.3523
c. 0.5001
d. 0.2501
e. 0.1050
3. En la clnica del Dr. Matta Lozano el promedio de atencin es 16 pacientes por 4
horas, encuentre la probabilidad que en 180 minutos se atiendan 12 pacientes.
Seleccione una:
a. 0.3254
b. 0.1587
c. 0.3658
d. 0.2587
e. 0.1144
4. La produccin de televisores en ACME trae asociada una probabilidad de defecto
del 2%, si se toma un lote o muestra de 85 televisores, obtener la probabilidad de
que existan 4 televisores con defectos.
Seleccione una:
a. 0.0636
b. 0.2934
c. 0.5665
d. 0.3452
e. 0.6357
5. Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista si
tomamos una muestra de 50 personas al azar. Calcular la probabilidad de que 10
de ellos tengan defecto en la vista.
Seleccione una:
a. 0.1251
b. 0.1458
c. 0.2536
d. 0.6258
e. 0.5021
6. En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar una imperfeccin en 3 minutos
Seleccione una:
a. 0.4532
b. 0.7777
c. 0.1454
d. 0.3293
e. 0.9321
7. Los reportes de crmenes recientes indican que 3.2 de los robos de vehculos
motorizados ocurren cada minuto en Per. Suponga que la distribucin de los
robos por minuto podra calcularse con la distribucin probabilstico de Poisson.
Calcule la probabilidad de que ocurran cuatro robos exactamente en un minuto.
Seleccione una:
a. 0.1574
b. 0.9856
c. 0.8117
d. 0.2563
e. 0.1781
8. Suponga que la agencia de proteccin ambiental (APA) es quien establece los
estndares para Garantizar la calidad de las emisiones de aire por parte de las
empresas. El lmite mximo Permitido de cobre en las emisiones es de 10
partculas por milln y usted trabaja en una empresa Donde el valor medio en sus
emisiones es de cuatro partculas por milln. Si la cantidad medio de partculas
por milln en su empresa es efectivamente de cuatro por milln Tendra usted
temor de que la agencia lo multe por contaminar el aire?
Seleccione una:
a. No, porque el 0.0002 es muy baja
b. S, porque el 28% es alta
c. No, porque la probabilidad es de 0%
d. No, porque el 0.0028 es muy baja
e. S, porque el 0.6835 es alta
9. En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar cuando ms una imperfeccin en 15 minutos.
Seleccione una:
a. 0.1523
b. 0.9999
c. 0.3412
d. 0.1991
e. 0.0001
10.El 8% de los registros contables de una empresa presentan algn problema, si un
auditor toma una muestra de 40 registros. Calcular probabilidad de que existan 5
registros con problemas.
Seleccione una:
a. 0.2565
b. 0.3654
c. 0.8542
d. 0.1140
e. 0.4524
UNIDAD III: TEORA DE LA RENOVACIN Y TEORA DE LA
FIABILIDAD
DIAGRAMA DE PRESENTACIN DE LA UNIDAD III
Resultado de aprendizaje de la Unidad III:

Al finalizar la unidad, el estudiante ser capaz de determinar el modelo de renovacin y
confiabilidad en situaciones de tiempos no exponenciales.
Renovacin Resuelve problemas de Desarrolla

(generalizacin de mantenimiento de interpretaciones de la
Poisson) equipos relacionados realidad ajustadas a la
con el proceso de eficiencia empresarial.
Confiabilidad.
renovacin.
Autoevaluacin n. 3
Desarrolla soluciones en
el mbito de la
prediccin de la
confiabilidad de un
mantenimiento, o
cambio en el desarrollo
de las actividades
empresariales.
Actividad N. 1
la Polticas de
Mantenimiento
Control de lectura N 2
TEMA N 1: Teora de la renovacin
Los procesos estocsticos han tenido mucho auge en la poca moderna, dada la gran
cantidad de aplicaciones, en fenmenos de crecimiento, mecanismos de evolucin
gentica, sistemas de ingeniera, estructuras econmicas y en muchos otros campos.
Los procesos de conteo, como los procesos de Poisson y las cadenas de Markov, son
ejemplos importantes de procesos estocsticos. Los primeros registran la cantidad
de repeticiones de algn suceso de inters, con la caracterstica de que los tiempos
de ocurrencia entre dos sucesos consecutivos son variables aleatorias (v.a) no
dependientes y distribuidas idnticamente con una distribucin comn exponencial.
La caracterstica principal de las Cadenas de Markov es la propiedad de prdida de
memoria, que es que el pasado no influye en la evolucin futura del sistema.
Una generalizacin a estos procesos, son los procesos de renovacin, los cuales son
procesos de conteo, pero su funcin de distribucin es arbitraria (Tarazn, 2004, pg.
7).
1. Definicin
La Teora de la renovacin, es una rama de estudio de la teora de la probabilidad
que plantea la generalizacin de los procesos de Poisson para los tiempos de
retencin que son arbitrarios.
La teora de renovacin estudia un tipo de procesos estocsticos que se conocen
como procesos de conteo, es decir, aquellos procesos que van registrando la
cantidad de repeticiones de cierto suceso, cuya caracterstica ms importante es
que los tiempos de ocurrencia entre dos sucesos consecutivos son variables
aleatorias no negativas, no dependientes y distribuidas idnticamente.
Si denotamos por Xn, al tiempo transcurrido entre la n-sima y la (n 1)-
sima ocurrencia del suceso y si suponemos que estas variables son no
negativas, no dependientes y distribuidas idnticamente. Entonces
(1.1)
es el tiempo de espera para que ocurra el n-simo suceso. Por otra parte, la
variable
(1.2)
representa el nmero de repeticiones del suceso en el intervalo [O,t]. Nos
referiremos al proceso definido en (1.1) como el proceso de renovacin y al
proceso (1.2) como el proceso de conteo.
Cada vez que ocurre el suceso se dice que ha ocurrido una renovacin. Si
tenemos el tiempo entre cada renovacin, podemos calcular el tiempo total Sn.
Donde:
S1=X1 (el tiempo antes de la ocurrencia de la primera renovacin),
S2= X1 + X2 (el tiempo antes de la ocurrencia de la primera renovacin ms el
tiempo desde la primera y la segunda renovacin).
1.1. Tiempos de llegada

Si n 1, Sn est dado por:

= 1
1
Sn cumple con la condicin: 0 < E[Sn] < .
1.2. Tiempo promedio

La media del tiempo () entre eventos que ocurren de manera sucesiva es
igual a la esperanza matemtica o valor esperado de los tiempos entre
llegadas totales.
Si n 1:
= [ ]
Debemos tener en cuenta que, tanto la media, como el tiempo entre llegadas
son valores positivos.
1.3. Teoremas de lmite

Cuando la probabilidad es igual a 1, N(t) tiende al infinito, cuando t tiende
al infinito. Por lo tanto, si la probabilidad es 1:
() 1
, a medida que t .

1
, es la tasa de renovacin

Ejemplo
Suponer que tenemos una cantidad infinita de bombillas con tiempo de vida
independiente e idnticamente distribuido.
Se utilizar una sola bombilla a la vez y cuando esta falle se sustituir por una
nueva.
Bajo estas condiciones {N(t), t 0}, es un proceso de renovacin donde N(t)

representa la cantidad de bombillas que han fallado para el tiempo t.
Ejemplo
Suponer que tenemos una cantidad de 3 bombillas con tiempo de vida
independiente e idnticamente distribuido. Se utilizar una sola bombilla a la vez
y cuando esta falle se sustituir por una nueva.
Bombillas Duracin (t)
1 5 horas
2 2 horas
3 7 horas
2. Teorema de la Renovacin
Si el promedio () tiende al infinito, la tasa de renovacin promedio esperada
1
, tambin converge hacia

() 1
, t .

Establece que la cantidad media de renovaciones por cada unidad de tiempo se
aproxima al inverso del tiempo medio entre dos renovaciones, cuando el proceso
es largo tiempo observado.
La razn de renovacin esperada verifica
()

Teorema 1
Para un proceso de renovacin con variables Aleatoria de renovacin,
, con probabilidad 1.
Lema 1
Sea {N(t); t > 0} un proceso de renovacin de conteo con variables aleatorias
de renovacin internas {Xn; n 1}
Entonces (donde no se ),
con probabilidad 1 y
Teorema 2
Sea {Xn; n es una secuencia de una variable aleatoria con

con a probabilidad 1. Sea f una funcin con valores reales de variables reales
el cual contiene . Entonces con probabilidad 1
Teorema 3
Teorema del lmite central de N(t)
Asumir que los intervalos de renovacin en un de proceso de conteo de
renovacin {N(t); t > 0} tiene desviacin estndar finita
Entonces:
Donde:
Teorema 4
Sea {R(t);t>0}0 una funcin de renovacin no negativa para un proceso de
renovacin con un tiempo esperado de inter-renovacin E[X]=X<1. Si E[Rn]<1,
entonces con probabilidad 1
3. Caractersticas del proceso de renovacin
1) Dado un proceso de renovacin, llamamos funcin de renovacin a, la

cantidad esperada de renovaciones dentro del intervalo.
2) La siguiente proposicin proporciona interesantes resultados concernientes a

la funcin de renovacin. En primer lugar, se da una expresin que relaciona
con la funcin y a continuacin se prueba que el nmero medio de
renovaciones en un intervalo acotado es finito.
3) La funcin de distribucin acumulada de S 1 y FS representa la funcin de

densidad.
4) Si tiende a infinito, la tasa de renovacin media esperada, tambin confluye

hacia, t -> .
5) Otra funcin natural en un proceso de renovacin es el nmero promedio de

renovaciones efectuadas hasta un tiempo t cualquiera. A tal funcin se le
llama funcin de renovacin, y se le denota por (t), es decir, (t) = E(Nt).
6) Para el proceso de Poisson, la media de renovaciones o saltos al tiempo t es
(t) = t. Se puede comprobar directamente que esta funcin satisface con
F(t) = 1 e -t.
7) A una ecuacin integral del tipo anterior se le llama ecuacin de renovacin,

pues algunas funciones de inters en la teora de la renovacin la cumplen.
4. Generalizacin de los Procesos de Renovacin.
Es una generalizacin del Proceso de Poisson. Esencialmente, el proceso de

Poisson es un proceso de Markov del continuo-tiempo en los nmeros enteros
positivos (que empiezan generalmente cero) que tiene la independiente
distribuy idnticamente llevar a cabo pocas en cada nmero entero i
(exponencial distribuido) antes de avanzar (con la probabilidad 1) al nmero
entero siguiente: i + 1. En el mismo alcohol informal, podemos definir un proceso
de la renovacin para ser la misma cosa, salvo que los tiempos que sostienen
adquieren una distribucin ms general. (Nota sin embargo que IID la
caracterstica de los tiempos que sostienen se conserva).
4.1. Procesos de Ramificacin en Tiempo Continuo

En teora de las probabilidades, a continuo-tiempo Proceso de Markov es a
proceso estocstico { X(t): t 0} que satisface Caracterstica de Markov y
los valores de las tomas de un sistema llamaron espacio del estado. La
caracterstica de Markov indica eso en cualquier vez s > t > 0, la distribucin
condicional de la probabilidad del proceso en el tiempo s dado la historia
entera del proceso hasta y de incluir tiempo t, depende solamente del
estado del proceso en el tiempo t. En efecto, el estado del proceso en el
tiempo s es condicional independiente de la historia del proceso antes
tiempo t, dado el estado del proceso en tiempo t.
4.2. Fenmenos de Espera.

Las lneas de espera, tambin conocida como la teora de colas, son
fenmenos bastante comunes y que se observan en distintas actividades:
las personas que van a un banco a hacer efectivo un cheque, los clientes
que van a pagar los productos que han comprado, las rdenes que llegan
para ser procesadas mediante diferentes procesos, los automviles que
llegan a una estacin de servicio para proveerse de combustibles, etc.
Para que exista una cola slo se requiere que las llegadas y/o los servicios
ocurran a intervalos irregulares.
El proceso bsico que se asume al formular un modelo de colas es el
siguiente: Las unidades que requieren servicio llegan al sistema. Estas
unidades entran al sistema y se unen a la "cola". En ciertos puntos en el
tiempo, un elemento de la cola es seleccionado para recibir servicio,
mediante alguna regla conocida como "la disciplina de la cola". Luego el
mecanismo de servicio" del sistema realiza a la unidad escogida el servicio
requerido.
4.3. Distribucin del Tiempo de Espera

Considere una cola o lnea de espera de clientes que solicitan algn tipo
de servicio de un servidor. Suponga que el sistema es observado en los
tiempos discretos n = 0, 1, . . ., y que la fila funciona del siguiente modo:
Cuando hay algn cliente esperando servicio al inicio de un periodo, el
cliente al frente de la fila es atendido terminando el servicio al final del
periodo.
Naturalmente si no existiera ningn cliente en la fila al inicio de algn
periodo, entonces ningn cliente es atendido. Para cada entero n 1 defina
n como el nmero de nuevos clientes que se incorporan a la fila durante el
periodo n. Bajo ciertas condiciones es natural suponer que estas variables
aleatorias son independientes, idnticamente distribuidas y con valores
enteros no negativos.
4.4. Proceso Transitorio

Se dice que el proceso markoviano tiene probabilidades de transicin
estacionarias o que es homogneo en el tiempo si P(x, t0;E,t) depende solo
de la diferencia t t0.
Probabilidades de transicin. Para una serie de eventos a tiempo continuo,
al cual se denomina cadena de Markov, las probabilidades de transicin son
los nmeros pij (t) = P(Xt = j |X0 = i), para cualquier estado i y j, y para
cualquier tiempo t 0.
Cuando este espacio de estados es finito, los elementos de cada fila de la
matriz suman uno, pero, para los espacios de estados infinito esta suma
puede ser rigurosamente menor que uno, en general, Pj pij (t) 1.
Esta es una diferencia imprevista respecto del modelo a tiempo discreto.
Intentar encontrar Pij(t) para cada par de estados i y j, y para cada t 0,
es un problema bastante general, y solo en pocos casos es posible encontrar
explcitamente tales probabilidades.
4.5. Distribucin para procesos de Renovacin

Previo al clculo de la distribucin de un proceso de renovacin N (t), se debe
recordar que la cantidad de renovaciones durante un tiempo t es mayor o
igual a n si y solo si la n-sima renovacin tiene lugar en, o antes del tiempo
t
N(t) n Sn t
Siempre que cada lapso de arribo o llegada tiene una misma distribucin,
es posible afirmar:
P { N(t) = n} = Fn(t) Fn+1(t)
Si reemplazamos:
P {N(t) = n} = P{N(t) n} P{N(t) (n + 1)}
=P{Sn t} P{Sn+1 t}.
4.6. La Paradoja de la inspeccin

Para cualquier t > 0, el intervalo de renovacin en donde est contenido t
es mayor que el segmento de la primera renovacin. Se deduce entonces
que, para todo x > 0 , y para todo t > 0, se cumple que:
Donde FS es la funcin de distribucin acumulada de los tiempos de

retencin independientes e idnticamente distribuidos S i.
5. Aplicaciones
La teora de la renovacin se puede aplicar en muchas reas de la vida cotidiana.
Un ejemplo tradicional es el de la gansa y los huevos mgicos. A veces la gansa
pone huevos de oro y otras veces pone huevos infectados. La recompensa W i son
las prdidas financieras al recibir huevos infectados, los cuales hay que pagar
para su eliminacin y limpieza, adems de las ganancias que representan los
huevos de oro.
Otro ejemplo clsico es la de una compaa en donde cada cierto tiempo se avera
cierto nmero de mquinas.
La teora de la renovacin tiene su aplicacin en la determinacin de la poltica
ms adecuada y ptima para reemplazar las maquinas.
Ejemplo:
Julio Csar tiene n mquinas, cada una con una vida til distribuida
uniformemente entre 0 y 2 aos. Julio Csar puede permitir que cada mquina
funcione hasta que se produce un error, con el costo de reposicin de $2,600;
alternativamente, podr sustituir una mquina en cualquier momento mientras
todava es funcional a un costo de $200. Cul es su poltica ptima de reemplazo?
Solucin
En primer lugar, debemos encontrar el valor esperado de S:
E[S]= E[S|falle antes de t]P[falle antes de t] + E[S|no falle antes de t]P[no falle
antes de t]
Y el costo esperado de cada mquina es:

EW= E[W|falle antes de t]P[falle antes de t] + E[W|no falle antes de t]P[no falle
antes de t]
Usando la Ley Fuerte de Nmeros Grandes, el costo promedio a largo plazo es:
Si diferenciamos con respecto a t:

Tema N 2: Teora de la confiabilidad
Podemos entender por fiabilidad, la probabilidad de que un dispositivo realice

adecuadamente su funcin prevista a lo largo del tiempo, cuando opera en el entorno
para el que ha sido diseado (Ruiz, 2015, pg. 4).
En sentido amplio, la Teora de la Fiabilidad, comprende un conjunto de teoras y
mtodos estadsticos, procedimientos organizativos y practicas operativas que,
mediante el estudio de las leyes de ocurrencia de fallos, tratan de investigar las
causas por las cuales los dispositivos envejecen y fallan. Estudia leyes de las
ocurrencias de estos fallos y da repuestas, entre otros, a distintos problemas de
previsin, estimacin y optimizacin de la probabilidad de supervivencia, duracin
media de vida y porcentaje de tiempo de buen funcionamiento de estos dispositivos.
(Ruiz, 2015, pg. 5)
1. Introduccin a la confiabilidad
No es suficiente que un producto cumpla las especificaciones y criterios de calidad
establecidos, sino que adems es necesario que tenga un buen desempeo
durante su vida til es decir que sea confiable. Esto cada vez cobra una
importancia mayor dado que cambia la tecnologa, los productos son cada vez
ms complejos, los clientes se tornan cada vez ms exigentes y la competencia
es alta.
Confiabilidad es la probabilidad de que un componente o sistema desempee
satisfactoriamente la funcin para la que fue creado durante un periodo
establecido y bajo condiciones de operacin establecidos. La confiabilidad es
calidad en el tiempo (Reyes, 2006).
Falla de un producto sucede cuando deja de operar, funcionar o no realiza satisfactoriamente
la funcin para la que fue creado. El tiempo de falla es el tiempo que transcurre hasta que el
producto deja de funcionar.
As, por ejemplo, en el caso de una avioneta monomotor, ser de gran
conveniencia conocer la probabilidad de ste falle en diferentes etapas de su
vida (tras 500 horas de funcionamiento, 800 horas de funcionamiento, etc.).
El obtener una buena estimacin de la fiabilidad del motor, posibilitar la toma
de decisiones racionales acerca de cundo conviene revisarlo o cambiarlo por otro
nuevo.
Hay una caracterstica comn a los datos que aparecen en la mayora de los
estudios sobre la fiabilidad de un dispositivo, y es el hecho de que contengan
observaciones censuradas: vamos a suponer que realizamos una
investigacin, cuya duracin se predetermina, con la finalidad de analizar la
cuan efectivo es un nuevo mtodo de fabricacin de focos. Nuestra variable de
estudio y en el cual estaramos interesados sera el nmero de das que cada uno
de los focos sobrevive, es decir funciona correctamente, sin fallos.
Inicialmente, pareciera correcto hacer uso de los mtodos estadsticos
tradicionales, paramtricos o no paramtricos, con la finalidad de describir el
tiempo promedio de supervivencia y realizar la comparacin del nuevo mtodo
de fabricacin con los mtodos anteriormente realizados; no obstante, al
finalizar la investigacin, probablemente siga habiendo focos que funcionen de
manera correcta, y el investigador podra no ser capaz de calcular con precisin
cual es el tiempo adicional que permanecern sin fallar.
De acuerdo a Reyes (Reyes, 2006), las razones de estudio de la confiabilidad de
productos son las siguientes:
1. Determinar el tiempo tp hasta el cual se espera que falle una proporcin p dada de
los productos en operacin. Esto es til para determinar tiempos de garanta
apropiados, as como sus costos.
2. Encontrar el tiempo tp al cual se espera que sobreviva una proporcin 1-p dada de
los productos en operacin. Es una estimacin de la confiabilidad de los productos.
3. Determinar la propensin a fallar que tienen el producto en un tiempo dado. Para
comparar dos o ms diseos o procesos, o lo que se publicita por un proveedor.
4. Dado que un artculo ha sobrevivido un tiempo T0, encontrar la probabilidad de que
sobreviva un tiempo un tiempo t adicional. Para planear el reemplazo de los equipos.
5. Los puntos anteriores se pueden hacer de manera comparativa para diferentes
materiales, proveedores o modos de falla.
Los datos para realizar estudios de fiabilidad tienen denominaciones diferentes:
tiempo de vida, tiempo de falla, tiempo a suceso, degradacin, etc.
Algunas caractersticas de los estudios de confiabilidad son las siguientes:
1. Los tiempos de falla son positivos con comportamiento asimtrico y sesgo
positivo, por tanto, las distribuciones para modelar estos tiempos de falla son
la Weibull, lognormal, exponencial y gamma, la distribucin normal casi no se
utiliza. (Reyes, 2006, pg. 3)
2. A veces el tiempo para observar las fallas es muy largo y es necesario cortar
el tiempo de prueba, dando lugar a observaciones censuradas. Normalmente
se requiere extrapolar los resultados, por ejemplo, al estimar la tasa de falla
a las 10,000 horas con pruebas de funcionamiento durante 1,000 horas.
(Reyes, 2006, pg. 4)
3. Es posible realizar pruebas de stress, es decir, pruebas de vida aceleradas,
cuando sea necesario acortar el tiempo de prueba
Ejemplo:
Se probaron n = 1 000 circuitos integrados que se sometieron a prueba durante
2000 horas a 90C de temperatura y se observaron 47 con falla. Al finalizar el
experimento 953 circuitos integrados funcionaban de manera correcta.
Entre las preguntas que necesitaramos contestar seran las siguientes:
Qu probabilidad existe de que los circuitos fallen antes de las 1000
horas?
Cul es el peligro de falla a las 500 horas?
Cul es la proporcin de circuitos que fallarn antes de 500 horas?
2. Funcin de confiabilidad, vida promedio y tasa de fallo

Notacin: en lo que sigue, se denotar por T a la variable aleatoria continua que
describe los tiempos de fallo de un determinado dispositivo, es decir: T = tiempo
transcurrido hasta que se produce el fallo".
Denotando por f(t) a la funcin de densidad de probabilidad (f.d.p.) de T, y por
F(t) a su funcin de distribucin (f.d.), se cumplir:
Dado 0 < p < 1, por tp se denotar al cuantil p de F(t), es decir, tp ser el menor
instante temporal t tal que F(t) = P( T t ) p .
La funcin de confiabilidad R(t) o funcin de supervivencia
S(t), es el complemento de la funcin de distribucin (fd) del tiempo
transcurrido hasta que se produce el fallo (T), es decir, nos indica la
probabilidad de que el dispositivo evaluado sobreviva al instante t, la
funcin nos indica la proporcin de dispositivos iniciales que continuarn
en funcionamiento de manera correcta en el instante t:
S (t) R(t ) 1 F (t) P(T t)
Nombramos como vida media o tiempo promedio hasta el fallo

de un dispositivo a la esperanza matemtica de la variable aleatoria T,
es decir, la vida promedio indica el tiempo de duracin que se espera de
un dispositivo:
Cuando se consideren dispositivos reparables (que puedan seguir

funcionando tras un fallo), se hablar de tiempo medio entre fallos
(MTBF).
Definimos a la tasa de fallo promedia en el intervalo (t1 , t2 ) como:
Observar que R(t1) R(t2) representa la proporcin de dispositivos totales

que, habiendo sobrevivido al instante t1 , han fallado en el intervalo
(t1,t2). Al dividir esta diferencia por R(t1) se obtiene la proporcin de
dispositivos supervivientes a t1 que han fallado en (t1,t2), es decir:
es la probabilidad condicional de que un dispositivo que haya sobrevivido

al instante t1 falle en el intervalo (t1,t2). Finalmente, al dividir por la
longitud del intervalo, obtenemos la proporcin anterior (su media) por
unidad de tiempo.
Haciendo tender t2 a t1, obtenemos la llamada tasa de fallo o tasa de
riesgo:
La tasa de fallo puede pues interpretarse como la velocidad a la cual

se producen los fallos, es decir: es una medida de lo propenso que resulta
el dispositivo a fallar en funcin de su edad.
En la mayora de los dispositivos electromecnicos, la funcin tasa de
fallo tiene forma de baera: cuando se inicia la vida de un aparato, la tasa
de fallo instantnea resulta ser relativamente alta (es lo que se denomina
"mortalidad infantil"); una vez que los componentes y partes
electromecnicas se han acoplado, la tasa de fallo es relativamente
constante y baja (etapa de vida til); ms adelante, tras un tiempo de
funcionamiento, la tasa de fallo vuelve a incrementarse hasta que,
finalmente, todos los dispositivos habrn fallado (efecto envejecimiento).
Figura 5: Funcin Tasa de fallo

Fuente: (Juan & Garca, 2002)
Por ejemplo, la mayora de vehculos nuevos presentan pequeos desperfectos

de funcionamiento al poco tiempo de adquirirse, alta tasa de fallos al inicio.
Una vez solucionados tales desperfectos, esperamos que el automvil
proporcione un perodo de funcionamiento largo y complaciente, baja tasa de
fallos intermedia. Luego, acorde al paso de los aos, el vehculo tiende a sufrir
deterioros hasta que, al final, luego de 15 o 20 aos, la mayora de automviles
se vuelven inservibles, alta tasa de fallos final.
Observar que, a partir de la ltima ecuacin, es posible expresar R(t) como
funcin de h(t):
si ahora tomamos integrales a ambas partes:

t
de donde:
3. Observaciones Censuradas
Se tienen datos censurados cuando no se conocen los tiempos de falla de las
unidades de manera exacta, sino solo los intervalos de tiempo donde ocurrieron
o hubieran ocurrido las fallas (Reyes, 2006). Es informacin parcial sobre los
tiempos de falla. Algunas de las fuentes de censura son las siguientes:
Tiempo determinado fijo de finalizacin del test.
Tiempos de control (lmites superior e inferior en T)
Modos de falla mltiples, conocidos tambin como riesgos en competencia,
dando como resultados censuras por la derecha, independiente (simple) y
no independiente(difcil).
En general, los estudios de confiabilidad se realizan con una duracin
predeterminada, por lo cual, no todos los dispositivos que se analizan habrn
fallado a la culminacin. Por ende, la persona que investiga podr saber que
una cierta cantidad de dispositivos habrn sobrevivido durante el lapso que ha
durado la prueba, sin embargo, no conocer el momento preciso en que habran
fallado si la prueba se hubiera extendido de manera indefinida. Este tipo de
datos se llaman observaciones censuradas.
Las observaciones censuradas por tiempo, tambin llamadas de tipo I surgen al
finalizar una prueba de duracin predeterminada: de los dispositivos que han
sobrevivido slo sabemos que no han fallado hasta ese instante. En estos
casos, el tiempo que dura la prueba es fija, mientras que la cantidad de
dispositivos que fallan es una variable aleatoria.
Las observaciones de censura por fallos, tambin llamadas de tipo II aparecen
cuando la prueba contina hasta que una proporcin predeterminada de
dispositivos fallen. En este caso, la cantidad de dispositivos que fallan es fijo,
siendo el tiempo de duracin de la prueba una variable aleatoria.
59
Figura 6: Tipos de censura
Las figuras anteriores nos muestran los dos tipos de censura descritos: en el
primero, la prueba finaliza cuando se llega al instante t0; en el segundo, la
prueba finaliza cuando falla una determinada proporcin de dispositivos, en el
ejemplo 5.
Adems, cuando la censura se produce para un tiempo t > 0 (donde t = 0 es
el instante en que se inicia la prueba de confiabilidad) estamos frente a lo que
conocemos como censura a la derecha. Puede ocurrir adems que la censura
tenga lugar para un tiempo t < 0 (censura a la izquierda): por ejemplo, en
una investigacin de carcter mdico sobre el cncer, podramos cnocer que
el paciente ingres en centro hospitalario en una determinada fecha (fecha de
inicio de la prueba), y que sobrevivi durante un intervalo de tiempo definido;
no obstante, posiblemente no conoceremos cundo aparecieron por primera vez los
sntomas de esta enfermedad.
Hablamos de censura arbitraria o por intervalos cuando nos referimos a las
observaciones que fueron censuradas tanto a la derecha como por la
izquierda, de las cuales slo sabemos que ingresan en una prueba cuando sta
ya estaba iniciada y salen sin haberse observado fallas, antes de que acabe.
60
Figura 7: Tipos de ilustraciones
Adicionalmente, podemos hablar de censura simple o de censura mltiple, en el

primer caso, si la prueba acaba en el mismo momento para todos los dispositivos que
se han observado o cuando la prueba finaliza en diferentes momentos, un ejemplo de
censura mltiple sera cuando los pacientes abandonan un hospital en momentos
diferentes, sea por estar curados, bien por cambiar a otro hospital, etc.
4. Interpretacin de los tests chi-cuadrado 2

Generalmente se utilizar un test chi-cuadrado 2 con la finalidad de evaluar
la bondad del ajuste propuesto o para evaluar diferencias entre grupos. Como
las hiptesis del test sern diferentes de acuerdo con el contexto en que nos
encontremos, tambin sern las conclusiones que se obtengan a partir del p-
valor.
Un p-valor es estadsticamente significativo cuando sea menor o igual a una
constante prefijada . Si as ocurre, se rechazar la hiptesis nula H0 en favor
de la hiptesis alternativa H1. La constante representa la probabilidad
condicional de rechazar la hiptesis nula, a partir de las observaciones, en el
supuesto de que esta hiptesis sea cierta (esto se conoce como error de tipo
I). Por tal motivo, interesa elegir un valor muy pequeo para (Juan & Garca,
2002, pg. 6)
Normalmente tomamos = 0,05, lo que indica que solamente en 5 de cada 100 casos
en los que la hiptesis nula (H0) sea cierta, se rechazar. Si pretendemos ser ms
exigentes an, refirindonos a las evidencias que se han de observar para rechazar la
hiptesis nula, podramos considerar a = 0,01 o tambin = 0,005. Debemos
61
observar, no obstante que, si bien eligiendo un pequeo resulta ms
improbable que se produzca un error de tipo I, tambin podra resultar ms
probable que se comenta un error de tipo II, es decir que la hiptesis nula se
acepte cuando sta sea falsa.
2
As, cuando se use un test para evaluar si las observaciones se pueden
ajustar a travs de una distribucin exponencial (es decir, para contrastar si los
datos obtenidos podran corresponder aproximadamente a una variable
aleatoria que siguiese dicha distribucin), el test ser:
H0 : Las observaciones corresponden (aproximadamente) a una
distribucin Exponencial
H1 : Las observaciones NO corresponden a una distribucin
Exponencial
En este caso, la obtencin de un p-valor significativo va a implicar que la
distribucin que se est utilizando no es buena para ajustar los datos.
2
Si recurrimos a un test con la finalidad de evaluar posibles diferencias entre
grupos muestrales, la formulacin de hiptesis seran:
H0 : Todos los grupos son iguales
H1 : No todos los grupos son iguales
Obtener un p-valor significativo va a implicar la aceptacin de la existencia de
diferencias entre los grupos.
2
Un test que permita determinar que un modelo de regresin sea vlido,
tomar la forma:
H0 : El modelo propuesto NO es mejor que el modelo nulo.
H1 : El modelo propuesto es significativamente mejor que el
nulo.
Si la prueba resulta significativa, tendremos que al menos una de las variables

explicativas del modelo, est afectando el valor de la variable dependiente.
5. Tabla de supervivencia o actuarial

Uno de los mtodos no paramtricos clsicos y directos para describir la fiabilidad
de una muestra es la tabla de supervivencia, la cual no es ms que una tabla
de frecuencias mejorada y ampliada. A partir de ella es posible hacer una
primera estimacin sobre el comportamiento de la funcin de supervivencia
S(t), de la funcin de distribucin F(t), de la funcin de densidad f(t), y de la
tasa de fallo h(t). El anlisis del siguiente ejemplo, permitir entender su
funcionamiento:
Tabla de supervivencia
62
Entradas: dispositivos entrantes, intervalos, dispositivos censurados y dispositivos
fallados.
Nota: con la finalidad de obtener clculos razonables, la cantidad de dispositivos
evaluados deber ser mayor de 30.
La distribucin de los tiempos de supervivencia o los tiempos de fallo, se

deben dividir en un nmero de intervalos determinado. Denotaremos por (ti-1,
ti] al intervalo i-simo. se registra el nmero de observaciones o dispositivos
para cada intervalo que han ingresado en buen estado ni (entrantes), la cantidad
de los que han fallado en l di (fallados), y la cantidad de observaciones
censuradas o perdidas en l ri (censurados).
Con estos datos, es posible realizar los clculos de otros estadgrafos
adicionales:
Observaciones en riesgo ni : es la cantidad de observaciones que
ingres en el intervalo correspondiente en buen estado, al cual debemos
restar la mitad de la cantidad de observaciones censuradas o perdidas en el
mencionado intervalo:
63
Probabilidad de fallo: es la proporcin de observaciones en riesgo que fallan
para cada intervalo. Cuando un intervalo no registra ningn fallo, se suele tomar
0,5 en lugar de 0 a la hora de contar los fallos con la finalidad de suavizar las
funciones estimadas:
Probabilidad de supervivencia: es el complemento de la probabilidad de

fallo (1 probabilidad de fallo), es decir, la proporcin de observaciones en riesgo
que sobreviven:
Funcin de supervivencia: es la proporcin de observaciones, para cada

intervalo, que han logrado llegar hasta l en buen estado. Se calcula multiplicando
la proporcin de supervivientes de todos los intervalos anteriores, se supone que
los fallos en un intervalo son independientes de los anteriores:
Funcin de densidad de probabilidad (f.d.p.): es una estimacin de

la probabilidad de fallo por unidad de tiempo para cada intervalo. Para
su clculo, primero debemos hallar la diferencia entre la proporcin de
dispositivos supervivientes al inicio y al final del intervalo. El resultado
obtenido se dividir por la amplitud del intervalo:
Tasa de fallo o de riesgo: es la probabilidad, de que un dispositivo

que haya sobrevivido hasta el inicio del intervalo falle en l, por unidad
de tiempo. Para calcularla, primero se obtendr el cociente entre la
cantidad de fallos (en caso sea 0 usando 0.5) y la amplitud del intervalo.
El valor obtenido se divide por la media entre la cantidad de dispositivos
que entran en dicho intervalo y la cantidad de dispositivos que ingresan
en el siguiente intervalo:
6. Distribuciones habituales en fiabilidad

La tabla de supervivencia proporciona una visin descriptiva de cmo se
distribuyen los tiempos de fallo. Sin embargo, para poder realizar predicciones
probabilsticas ser necesario conocer cul es (aproximadamente) la distribucin
de la poblacin que subyace tras las observaciones.
Sea T la variable que representa los tiempos de fallo de un determinado
dispositivo ( T > 0 ). El objetivo ser conocer (si ello es posible) la funcin de
distribucin asociada a T, la cual ser de la forma F( t ; ) = P( T t ) , siendo
un vector de parmetros.
64
En general, la mayora de distribuciones usadas en confiabilidad tienen, como
mximo, tres parmetros:
Parmetro de escala : este parmetro caracteriza a las distribuciones de
un solo parmetro. ste, define cul es la dispersin de la distribucin, por
ejemplo, en la distribucin normal es la desviacin standard.
Parmetro de forma : este es un parmetro que define la forma de la
distribucin. En algunos casos, como en la exponencial o la normal, carecen
de este parmetro porque la forma que tienen es predeterminada.
Parmetro de localizacin : este parmetro permite desplazar una
distribucin de un lado hacia otro. Si tenemos una distribucin cuyo dominio
usual sea [0 , +), la introduccin de un parmetro de localizacin ,
cambiar el dominio a [ , +). En el caso de la distribucin normal, el
parmetro de localizacin es su media.
Se dice que una variable aleatoria y pertenece a la familia localizacin-escala
si su funcin de densidad se puede expresar de la forma:
donde no depende de ningn parmetro desconocido. En tal caso, (-

, +) es el parmetro de localizacin, y > 0 es el parmetro de escala.
Observar que es la funcin de densidad de la variable aleatoria Z = (Y -
)/ . Varias de las distribuciones habituales, pertenecen a esta familia o estn
ntimamente relacionadas. Ejemplos de distribuciones que pertenecen a esta
familia son la normal, la logstica, y la de valores extremos:
Una variable aleatoria T pertenece a la familia log-localizacin-escala si Y =

log(T) es un miembro de la familia localizacin-escala. Como ejemplos de
distribuciones que pertenecen a esta familia podemos mencionar a la
exponencial, la distribucin de Weibull, la log-normal, y la log-logstica:
Las distribuciones que ms se emplean a la hora de modelar tiempos de fallo, son

la Weibull, la exponencial, la normal, la log-normal, la logstica, la log-logstica, y
la de valores extremos.
a) Distribucin Exponencial: se utiliza para modelar el tiempo transcurrido
entre dos sucesos aleatorios no muy frecuentes cuando la tasa de ocurrencia,
, se supone constante.
En fiabilidad se usa para describir los tiempos de fallo de un dispositivo
durante su etapa de vida til, en la cual la tasa de fallo es (aproximadamente)
constante, es decir: h(t) = . Una tasa de fallo constante significa que, para
65
un dispositivo que no haya fallado con anterioridad, la probabilidad de fallar
en el siguiente intervalo infinitesimal es independiente de la edad del
dispositivo.
La tasa de fallo es el parmetro que caracteriza a esta distribucin. Este
valor es la inversa del tiempo medio que transcurre hasta el fallo (o entre dos
fallos consecutivos, MTBF, si el dispositivo sigue funcionando), es decir: =
MTTF = 1/ . Observar que aqu es el parmetro de escala, tambin llamado
vida caracterstica. La f.d.p. de una distribucin exponencial es de la forma:
Una generalizacin de la distribucin anterior sera la distribucin exponencial bi-

paramtrica, cuya f.d.p. es de la forma:
donde = 1/ > 0 es el parmetro de escala, y es el parmetro de

localizacin. Notar que cuando = 0 se obtiene la distribucin exponencial de
un nico parmetro.
b) Distribucin de Weibull: Se ha comentado antes que la distribucin
exponencial es utilizada a menudo para modelar los tiempos de fallo cuando
la tasa de riesgo es constante. Si, por el contrario, la probabilidad de fallo
vara con el tiempo resulta ms apropiada una Weibull (de hecho, la
exponencial puede verse como un caso particular de la Weibull).
La Weibull es tan flexible que, eligiendo adecuadamente sus parmetros,
permite describir las tres etapas de la funcin tasa de fallos (curva de la
baera). Esta distribucin viene caracterizada por dos parmetros: (escala)
y (forma). Su f.d.p. es:
66
Observar que cuando =1, basta con tomar = 1/ para obtener la f.d.p.
de la distribucin exponencial.
c) Distribucin Lognormal: La f.d.p. de una distribucin normal es no nula

en todo el eje real (y no slo en el semieje positivo). Por este motivo, el uso
de la normal implicara que el fallo puede producirse antes del instante t =
0. Para evitar esta inconveniencia que presenta la distribucin normal, se
puede utilizar en su lugar la distribucin Log-normal.
Se dice que una variable aleatoria T sigue una distribucin Lognormal (base
e), de parmetros (localizacin) y (escala), cuando su logaritmo neperiano
Y = Log(T) se distribuye de forma normal con media y desviacin tpica .
Inversamente, dada una variable aleatoria YN(,), la variable aleatoria T =
eY seguir una distribucin Lognormal (base e) de parmetros =
(localizacin) y = (escala), cuya f.d.p. ser:
67
7. Confiabilidad de sistemas
Cuando se estudia la confiabilidad de un sistema compuesto por componentes, la
falla de alguno de ellos hace que todo el sistema deje de funcionar, en este caso
se dice que los componentes estn en serie. En caso de que la falla de un
componente particular no afecte al funcionamiento total del sistema dado que
otros componentes continan funcionando, se dice que estn conectados en
paralelo. (Reyes, 2006, pg. 66)
7.1. Sistemas Complejos

El estudio de los sistemas complejos establece la divisin de un producto en
sus componentes individuales. Al realizar el modelo de un sistema complejo,
es fundamental especificar el nivel del detalle del modelo. El funcionamiento
del sistema se expresa en funcin de la operacin de los componentes. La
funcin de estructura describe la interrelacin entre el estado del sistema y
el estado de los n componentes que conforman el sistema.
El Estado del Sistema

El sistema se asume como una coleccin de n componentes. Tambin se
asume que hay dos estados posibles para los componentes del sistema:
funcionando o falla. El estado del componente i, denotado por Xi, es:
X i 0, si el componente ha fallado
1, si el componente funciona
para i = 1...,n.
68
Los estados de los n componentes se pueden escribir como el vector
X=(X1..., Xn). Hay n componentes, cada uno de los cuales puede tomar 2
valores, entonces, hay 2n posibles estados del sistema. (Reyes, 2006, pg.
3)
Funcin de Estructura de un sistema

La funcin de estructura asocia los estados del sistema { X } al conjunto
{0.1 }, rindiendo el estado del sistema.
El estado del sistema es:
( X ) 0, si el sistema falla cuando esta en estado X,
1, si el sistema funciona cuando esta en estado X.
La forma de la funcin de estructura depende del diseo del sistema. Las

estructuras ms comunes que vemos son sistemas en series y sistemas en
paralelo. Considere un sistema con k componentes y sea la variable xi (i=1,
2, 3,., k) que toma el valor 1 si el i-simo componente funciona y el valor
0 si no funciona. En cierto momento el estado del sistema est determinado
por el vector X = (x1, x2, x3,., xk) de ceros y unos. (Reyes, 2006, pg. 4)
La funcin de estructura del sistema est definida en este espacio de
vectores y toma valores:
1,
(x) 1 si el sistema funciona; 0 si no funciona
0
La funcin de estructura de un sistema en serie es:
k
( x ) xi
i 1
La funcin de estructura de un sistema paralelo es:

k
( x) 1 (1 xi )
i 1
Cada vector X donde el sistema funciona se denomina trayectoria y cada

vector X donde el sistema no funciona se denomina corte. En total se tienen
2K posibles estados sumando los cortes y las trayectorias. En el sistema serie
solo hay una trayectoria con un vector de unos X=(1,1,1,1) y 2 K-1 cortes y
en el sistema paralelo solo hay un corte cuando X=(0,0,0,,0) y 2 K-1
trayectorias. (Reyes, 2006, pg. 67)
La cantidad de componentes que estn funcionando en un estado se
denomina tamao de X, con valores desde 1 hasta k. La trayectoria mnima
es un vector X con todos los componentes funcionando.
Revisar la importancia estructural:
Cul es la importancia que tienen los componentes en la estructura?
Si falla el componente i, dejar de funcionar el sistema?
Cul es la cantidad de estados posibles del sistema?
En cuntos estados es funcional el componente i?
En qu estados el sistema fallar, al fallar el componente i?
Por ejemplo, para el componente 1:
69
1 2 1 2
3 3
(1, 1, 1) (1, 0, 1)
2 2
1 1
3 3
(1, 1, 0) (1, 0, 0)
Ahora considere que el componente 1 falla.
El sistema fallara para los vectores (1,1,1), (1,0,1) y (1,1,0), (1,0,0).
Entonces el componente 1 tiene una importancia estructural de 4/4.
1 2 1 2
3 3
(1, 1, 1) (0, 1, 1)
2 2
1 1
3 3
(1, 1, 0) (0, 1, 0)
Si falla el componente 2:
El sistema operar en el estado (1,1,1) y fallar en los estados (0,1,1) y
(0,1,0) y (1,0,1).
Entonces la importancia estructural del componente 2 es 1/4.
Por simetra, la importancia estructural del componente 3 es 1/4.
7.2. Sistemas en Serie

La caracterstica de los sistemas en serie es que el funcionamiento de cada
componente depende directamente del funcionamiento del componente
anterior y del siguiente; es decir, si uno de los componentes deja de
funcionar, todo el sistema se detendr.
Figura 8: Sistema en serie

Fuente: (Reliabilityweb.com, 2017)
La confiabilidad del sistema est dada por:
Donde Cf1, Cf2,....., Cfn son las confiabilidades de cada tem.
De la expresin anterior, se concluye que la confiabilidad del sistema es el

producto de las confiabilidades individuales de sus componentes.
70
Generalizando para n componentes:
Donde:
RS: Confiabilidad del sistema.
Rj: Confiabilidad del j-simo componente.
Es el carcter multiplicativo de las confiabilidades que hace a este sistema

tan sensible a las fallas.
Dado que la confiabilidad de un sistema en serie es el producto de las
confiabilidades de sus componentes, se puede concluir que: La confiabilidad
total de un sistema en serie es menor que la confiabilidad de cualquiera de
sus componentes.
Ejemplo:
Un producto electrnico tiene 40 componentes en serie. La confiabilidad de
cada uno es de 0.999, por tanto la confiabilidad de producto completo es de:
Rs (0.999) 40 0.961
Si el producto se rediseara para tener solo 20 componentes, la confiabilidad
sera de Rs = 0.98.
Figura 9: Sistema con componentes en serie

7.3. Sistemas en paralelo

Segn Lourival Tavares: La confiabilidad final de un conjunto de equipos,
ser obtenida por la suma de los productos de las confiabilidades de cada
tem por sus capacidades de produccin, dividido por la suma de las
capacidades de produccin de esos tems.
Figura 10: Sistema en paralelo

Fuente: (Reliabilityweb.com, 2017)
De acuerdo a la definicin anterior, la confiabilidad de un sistema en paralelo

est dada por:
71
Donde Cf1, Cf2,...., Cfn son las confiabilidades de cada uno de los equipos.
Pr1, Pr2,...., Prn son las participaciones de cada uno de los equipos en la
produccin del sistema evaluado.
Generalizando para n equipos en paralelo:
De la expresin anterior, se concluye que el no funcionamiento de un equipo

no implica que el sistema deje de funcionar. Esta caracterstica de los
sistemas en paralelo se debe al carcter aadido de las confiabilidades
ponderadas con la produccin de cada uno de ellos.
Referente a la participacin en la produccin de cada uno los dispositivos
involucrados, la siguiente observacin es vlida: la sumatoria de las
participaciones No necesariamente debe ser 100% ya que, por lo general,
las lneas de produccin son sobredimensionadas.
Mientras ms componentes redundantes existan, la confiabilidad del sistema
ser mayor, esto tambin se aplica en los seres vivos, por ejemplo, en los
riones.
Ejemplo:
Se tienen 4 componentes A, B, C y D conectados en paralelo de un producto,
cuyas confiabilidades son de 0.93, 0.88, 0.88 y 0.92 respectivamente, la
confiabilidad total ser:
Rs 1 (1 0.93)(1 0.88)(1 0.95)(1 0.92) 1 0.0000336 0.9999664
D
Figura 11: Sistema con 4 componentes en paralelo
7.4. Sistemas con componentes en serie o en paralelo (K de n)

Por lo general, los sistemas pueden estar organizados con componentes en
paralelo y en serie, algunas veces es importante identificar cul de los
componentes son clave para incrementar la confiabilidad del sistema.
72
Un sistema k de n funcionar si cualesquiera k de los n componentes del
sistema estn en funcionamiento. Los sistemas en paralelo y en serie son
casos especiales del sistema k en n. Un sistema dispuesto en serie es un
sistema k de k. Un sistema organizado en paralelo es un sistema 1 de n.
Por ejemplo:
En la estructura de los puentes, algunas de las cuerdas de la suspensin
podran fallar, y el puente no cae. En las ruedas de las bicicletas, algunos de
los rayos pueden fallar.
La funcin de estructura es:
n
( X ) 0, if X i k,
i 1
n
1, if X
i 1
i k.
La siguiente figura muestra un diagrama de bloques para un sistema 2 de 3

donde con dos de 3 componentes que operen, el sistema continuar
operando:
1 2
2 3
1 3
Figura 12: Diagrama de bloques para un sistema 2 de 3
Fuente: (Reyes, 2006)
( X ) 1 (1 X 1 X 2 )(1 X 2 X 3 )(1 X 1 X 3 ).
Ejemplo:
Para el caso de un avin contina volando si funcionan 2 de 4 motores.
Su diagrama de bloques es el siguiente:
1 3
2 4
Figura 13: Diagrama de bloques para un sistema 2 de 4
Su funcin de estructura es la siguiente:
( X ) (1 (1 X 1 X 2 ))(1 (1 X 3 X 4 )).
Ejemplo:
En el siguiente diagrama se muestran 7 dispositivos conectados en serie y
en paralelo, sus confiabilidades son: RA=0.96; RB=0.92; RC=0.94;
RD=0.89; RE=0.95; RF=0.88; RG=0.90.
73
Figura 14: Sistema con 7 componentes en serie y en paralelo
Rs = Rab x Rc x Rd x Refg
Rab = 1-(1-0.96)(1-0.92) = 0.9968
Refg= 1-(1-0.95)(1-0.88)(1-0.90) = 0.9836
Rs = 0.9968 x 0.94 x 0.89 x 0.9836 = 0.82
7.5. Mtodo de trayectoria para calcular la confiabilidad de un sistema

Para calcular las confiabilidades de sistemas simples se aplican las frmulas
de estructuras serie o paralelo. Para sistemas ms complejos, es necesario
conocer las reglas siguientes:
Regla 1.
Sean dos sistemas, uno con funcin de estructura 1(x)= 0(x) A(x) y otro
con funcin de estructura 2(x)= 0(x) B(x). Si se conectan en serie, la
funcin de estructura resultante es: (x)= 0(x) A(x) B(x) puesto que
02(x)= 0(x).
Regla 2.
Si los mismos sistemas anteriores se conectan en paralelo, la funcin de
estructura resultante es: (x)= 0(x)[(1- A(x)) (1- B(x)) ].
Se siguen los pasos siguientes:
1. Obtener todas las trayectorias mnimas posibles.
2. Dado que para que el sistema funcione es necesario que funcione al
menos una de las trayectorias mnimas, se aplica la definicin de
sistema paralelo a dichas trayectorias.
3. Se simplifica la expresin resultante aplicando las reglas 1 y 2.
4. Se sustituyen las xi (i=1, 2, 3,., k) por las confiabilidades de las k
componentes y se resuelve.
Ejemplo:
Para el sistema de la figura con 7 componentes en serie y en paralelo, las
trayectorias mnimas son: ACDEF, ACDG, BCDEF y BCDG.
Empleando la funcin de estructura en paralelo se tiene:
s(x) = 1 (1-ACDEF) (1-ACDG)(1-BCDEF)(1-BCDG) =
= BCD(EF + G + EFG) + ACD(EF BEF + G BG EFG + BEFG) = 0.82
Estructuras de puente
Una estructura puente es un sistema en el que se aade un componente que
suma confiabilidad, observe el siguiente diagrama:
74
1 4
3
2 5
Figura 15: Estructura puente
Si alguno de los siguientes conjuntos funciona, el sistema funcionar:

{1,3,5} {1,4} {2,3,4} {2,5}. Estos conjuntos se denominan conjuntos
de ruta mnima, proporcionando un diagrama equivalente a:
1 3 5
1 4
2 3 4
2 5
Figura 16: Diagrama equivalente a una estructura puente
Redundancia
La redundancia a nivel de componentes o subcomponentes, proporciona una
mayor confiabilidad que a nivel de todo el sistema. Sea (X) la funcin de
estructura para un sistema coherente de n componentes. Para cualquier
vector de estados X y Y
1 n
1 n
(1 (1 X 1 )(1 Y1 ),...,1 (1 X n )(1 Yn ))

1 (1 ( X ))(1 (Y )).
Sistema X
Sistema Y
Figura 17: Sistema redundante
Determinacin de la confiabilidad en interruptores de

potencia: caso de estudio
Gondres, I., Bez, R., Lajes, S., & del Castillo, A. (2013). Determinacin de la
confiabilidad en interruptores de potencia: caso de estudio. Ingeniare. Revista chilena
de ingeniera, 21(2), pp. 271-278. Disponible en
http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-
33052013000200010
75
ACTIVIDAD N. 1
Foro de discusin sobre Poltica de mantenimientos.

Instrucciones
Ingrese al foro y participe con comentarios crticos y analticos del caso de
estudio: Determinacin de la confiabilidad en interruptores de
potencia.
Cules son las polticas de mantenimiento en su centro de labor o cmo las
aplicara?
GLOSARIO DE LA UNIDAD III
Cadena de Mrkov
Es un proceso de Mrkov con espacio de estado finito o numerable. (Romero, 2011,
pg. 76)
Nonegativos
Valores no negativos, un valor no negativo, no necesariamente es positivo porque
podra incluir al 0.
Paradoja
Hecho o expresin aparentemente contrarios a la lgica. Empleo de expresiones o
frases que encierran una aparente contradiccin entre s, como en mira al avaro, en
sus riquezas, pobre (Real Academia Espaola, 2017). En las ciencias matemticas,
son demostraciones absurdas o imposibles que obedecen estrictamente a la lgica o
ciertas pero que no obedecen a la lgica.
Proceso de Markov
Un proceso de Markov es aquel cuyos estado futuro solo depende del estado presente
y no del pasado. Los procesos de Markov verifican la propiedad de Markov. En los
procesos de Markov, el estado actual del proceso incorpora toda la informacin que
necesitamos para estimar el estado futuro y la probabilidad de un comportamiento
futuro no se altera si incorporamos informacin sobre el pasado del proceso.
(Romero, 2011, pg. 76)
Proceso estocstico
Los procesos estocsticos son bsicamente fenmenos cuyo comportamiento se
desarrolla en el tiempo y se rige por las leyes de las probabilidades. Ejemplos de
tales fenmenos son: el movimiento browniano de una partcula, el crecimiento de
una poblacin tal como una colonia bacterial, el tamao de una cola en una estacin
cliente/servidor, la recepcin de una seal en presencia de ruido o perturbaciones,
los precios de un bien en un lapso de tiempo, las fluctuaciones de fortuna en un juego
de azar, etc. (Romero, 2011, pg. 65).
Proceso determinstico
Un proceso determinstico es aquel en el cual, conociendo las condiciones iniciales,
siempre producen el mismo resultado final, o sea el azar no est presente, de esta
manera, podemos conocer de antemano el resultado y estado final dadas las mismas
condiciones iniciales.
76
BIBLIOGRAFA DE LA UNIDAD III
Belzunce, F., Lillo, R., Ruiz, J., & Shaked, M. (2001). Stochastic comparisons of
nonhomogeneous processes.
Belzunce, F., Mercader, J., & Ruiz, J. (2003). Multivariate aging properties of epoch times of
nohomogeneous process.
Belzunce, F., Ortega, E., & Ruiz, J. (2005). A note on replacement policy comparisons from
NBUC lifetimes the unit.
Belzunce, F., Ortega, E., & Ruiz, J. (2006). Comparison of expected failure times for several
replacement policies.
Fernndez, R. (8 de Febrero de 2012). Obtenido de Lo estocstico y lo determinstico en la

naturaleza: https://articuloscientificos.wordpress.com/2012/01/28/lo-estocastico-y-
lo-deterministico-en-la-naturaleza/
Juan, A. A., & Garca, R. (2002). Fiabilidad (I): Conceptos bsicos.
Real Academia Espaola. (2017). Obtenido de Diccionario de la lengua espaola:

http://dle.rae.es/?id=Rplrgi1
Reliabilityweb.com. (Enero de 2017). El clculo de la Confiabilidad. Obtenido de Reliabilityweb

A Culture of Relibility: http://reliabilityweb.com/sp/articles/entry/el-calculo-de-la-
confiabilidad
Reyes, P. (Diciembre de 2006). Curso de confiabilidad.
Ruiz, J. M. (16 de Marzo de 2015). Fiabilidad de Sistemas: Ordenacin y Clasificacin. Murcia.
Tarazn Acua, I. (2004). Teora de Renovacin y Procesos de Renovacin Markovianos.

Hermosillo.
77
AUTOEVALUACIN N. 3
1. Se estima que en Huancayo el 20% de los habitantes tienen defecto de

visin. Si se elijen 50 personas al azar, Calcule la probabilidad de que, 10 de
ellos tengan defectos de visin.
Seleccione una:
a. 0.2536
b. 0.1458
c. 0.6258
d. 0.5021
e. 0.1251
2. Si una entidad financiera recepciona 6 cheques sin fondo por da en
promedio, cul es la probabilidad de que reciba, 10 cheques sin fondos en
cualquiera de dos das consecutivos?
Seleccione una:
a. 0.1050
b. 0.5001
c. 0.1582
d. 0.3523
e. 0.2501
3. Suponer que tenemos una cantidad de 3 bombillas con tiempo de vida
independiente e idnticamente distribuido. Se utilizar una sola bombilla a la
vez y cuando esta falle se sustituir por una nueva.
1 5 horas
2 2 horas
3 7 horas
Cul es la tasa de renovacin?

Seleccione una:
a. 0.9856
b. 0.1247
c. 0.6325
d. 0.3521
e. 0.2143
78
4. Qu es un proceso de renovacin?
Seleccione una:
a. Un proceso que repara una falla del sistema.
b. Un proceso de conteo, donde el tiempo entre los sucesos no es independiente
y no es uniforme.
c. Un proceso de conteo, donde el tiempo entre los sucesos es independiente y
est idnticamente distribuido
d. Un proceso de reemplazo para el cual el tiempo entre los sucesos est
relacionado y uniformemente distribuido
e. Un proceso en el cual se reemplaza un componente o sistema.
5. Suponer que tenemos una cantidad de 3 bombillas con tiempo de vida
independiente e idnticamente distribuido. Se utilizar una sola bombilla a la
vez y cuando esta falle se sustituir por una nueva.
1 5 horas
2 2 horas
3 7 horas
Cul es el tiempo promedio entre sucesos?

Seleccione una:
a. 4.3334
b. 4.1333
c. 4.25
d. 4.6667
e. 4.5
6. Un sistema electrnico tiene 20 subcomponentes conectados en serie. La
confiabilidad de cada subcomponente es de 0.999, por lo tanto la
confiabilidad del sistema completo es de:
Seleccione una:
a. 0.961
b. 0.35
c. 0.98
d. 0.19
e. 0.14
79
7. Considere 3 subcomponentes A, B y C de un sistema dispuestos en paralelo,
con confiabilidades de 0.93, 0.88 y 0.92 respectivamente, calcule la
confiabilidad total:
Seleccione una:
a. 0.999966
b. 0.999328
c. 3.61
d. 0.88
e. 1
8. Dado 4 subcomponentes A, B, C y D de un sistema dispuestos en paralelo,
con confiabilidades de 0.93, 0.88, 0.88 y 0.92 respectivamente, la
confiabilidad del sistema es:
Seleccione una:
a. 1
b. 0.88
c. 0.95
d. 3.61
e. 0.999966
9. Un artefacto electrnico est compuesto por 40 subcomponentes instalados
en serie. La confiabilidad de cada uno de ellos es de 0.9999, calcule la
confiabilidad del sistema completo:
Seleccione una:
a. 0.25
b. 0.961
c. 0.19
d. 0.35
e. 0.14
10. En la siguiente figura se muestran 7 subcomponentes que estn dispuestos
en paralelo y en serie, sus confiabilidades son: RA=0.96; RB=0.92;
RC=0.94; RD=0.89; RE=0.95; RF=0.88; RG=0.90.
80
La confiabilidad total es:
Seleccione una:
a. 0.82
b. 0.50
c. 0.34
d. 0.30
e. 0.18
81
UNIDAD IV: DECISIN Y RIESGO
DIAGRAMA DE PRESENTACIN DE LA UNIDAD IV
ORGANIZACIN DE LOS APRENDIZAJES
Resultado de aprendizaje de la Unidad IV:
Al finalizar la unidad, ser capaz de analizar el riesgo en un modelo estocstico de negocios.
Modelos de Analiza el modelo mediante Justifica las decisiones a

distribuciones las distribuciones discretas partir de la modelizacin
discretas. para la toma de decisiones. apoyado en los valores
Modelos de Analiza el modelo mediante ticos profesionales.
distribuciones las distribuciones continuas
continuas para la toma de decisiones.
Distribuciones Analiza el modelo mediante
compuestas las distribuciones
compuestas para la toma
Decisin y riesgo.
de decisiones.
Autoevaluacin de la Calcula el riesgo y
Unidad IV desarrolla un sustento
probabilstico de las
decisiones empresariales.
Actividad N. 1
Los estudiantes Participan en el
Foro de discusin sobre la
Toma de decisiones
empresariales
Tarea Acadmica N 2
82
TEMA N 01: Modelos de distribuciones discretas
Algunas variables discretas generadas mediante procesos de conteo se pueden

asociar a funciones de probabilidad que tienen un comportamiento particular
definido, ejemplo, cuando se estudia la cantidad de productos defectuosos que
existen en una caja, o cuando se estudia el nmero de personas que arriban a un
establecimiento comercial en cierto perodo de tiempo, en estos casos, es posible
estudiar el comportamiento de tales variables mediante funciones de probabilidad
particulares para cada caso (Toma & Rubio, 2011, pg. 250).
1. Distribucin Binomial
La distribucin se obtiene a partir de un proceso conocido como ensayo
de Bernoulli quien hizo contribuciones importantes en el campo de la
probabilidad. Un ensayo de Bernoulli, ocurre cuando en un solo ensayo de un
experimento puede llevar a uno y slo uno de dos resultados, tales como xito o
fracaso, muerto o vivo, sano o enfermo, venta mala o venta no mala.
Se utiliza cuando n (muestra es pequea) y poblacin (N) grande.
Funcin de probabilidad
Donde:
n es el nmero de ensayos.
k es el nmero de xitos.
p es la probabilidad de xito en un ensayo.
q es la probabilidad de fracaso en un ensayo, q=1-p.
El nmero combinatorio
Para x = 0, 1, 2,....., n
Ejemplo
En la ciudad de Atlntida, los habitantes sufren de alergia en un 20%. Si
seleccionamos al azar una muestra de n=10, Hallar la probabilidad de que en la
muestra, se obtenga exactamente un alrgico.
Solucin:
Datos:
p = 0.2 y q = 0.8 xito= tener alergia
n = 10
x=1
Calculando: P(X=1)= 10! (0,2) 1 (0,8) 9
1!9!
P (X=1) = 10 (0,2)(0,8) 9
P(X=1) = 0,2684 26.84%

Ejemplo
83
La probabilidad que un estudiante egresado del colegio ingrese a una
universidad pblica y logre graduarse es de 0.4. Calcule la probabilidad que de
5 estudiantes cachimbos:
Se graden exactamente 3
Se graden exactamente 4
Solucin:
p=0.4 n=5 q=1-0.4= 0.6
a) P(x=3) = 5 (0.4)3 (0.6)2 =10(0.064)(0.36) =0.2304

3
P(x=4) = 5 (0.4)4 (0.6)1 =0.0768
4
Ejemplo
Un autor muy conocido ha tenido un xito inesperado en la publicacin de su
ltima obra, tanto que el 80% de sus seguidores ya la han ledo. Un grupo de
4 amigos son muy aficionados a la lectura, teniendo en cuenta ello:
a) Cul es la probabilidad de que la hayan ledo 2 de los 4 amigos?
B(4, 0.2) p = 0.8 q = 0.2
Solucin:
b) Cul es la probabilidad de que en el grupo hayan ledo la obra como mximo

2 amigos?
Solucin:
2. Distribucin Geomtrica
Si un procedimiento cumple con todas las condiciones de una distribucin
binomial, excepto que el nmero de ensayos no es fijo, entonces se puede utilizar
una distribucin geomtrica (Triola, 2009, pg. 224). La distribucin geomtrica
se aplica cuando deseamos obtener la probabilidad del primer xito de una
variable aleatoria discreta X que est definida en un espacio de probabilidad que
representa la cantidad de repeticiones necesarias de un experimento de Bernoulli.
FUNCIN:
Donde:
x: Nmero de ensayos hasta obtener el primer xito.
p: probabilidad de xito.
q: complemento de p: q=1 - p
84
Ejemplo:
De una seccin de la universidad el 60% de los estudiantes son varones, calcule
la probabilidad de elegir el primer varn, a la cuarta ocasin que se extrae un
estudiante.
Solucin:
x=4
p = 0.60
q = 1-p=0.40
Ejemplo:
Lanzamos un dado no cargado, calcular la probabilidad de obtener el No. 5 al
tercer lanzamiento.
Solucin:
x=3
p = 1/6 = 0. 1666
q = (1 - 0.16660) = 0.8333
P(X=3) = (0.8333)2(0.1666) =0.1156
Ejemplo:
Lanzamos una moneda, calcular la probabilidad de obtener CARA, a la 6ta
ocasin.
Solucin:
x=6
p = 1/2= 0.5
q = 0.5
P(X=6) = (0.5)5(0.5)= 0.0156
3. Distribucin Hipergeomtrica
La distribucin de probabilidad hipergeomtrica est estrechamente
relacionada con la distribucin binomial. Pero difieren en dos puntos: en la
distribucin hipergeomtrica los ensayos no son independientes y la probabilidad
de xito vara de ensayo a ensayo (Anderson, Sweeney, & Williams, 2008, pg.
214).
Usualmente, en la notacin de la distribucin hipergeomtrica, r indica el nmero
de elementos que se consideran como xitos que se encuentran en una poblacin
con tamao N, y N - r indica el nmero de elementos que se consideran como
fracasos en la poblacin.
La funcin de probabilidad hipergeomtrica se usa para calcular la
probabilidad de que en una muestra aleatoria de n elementos, seleccionados sin
reemplazo, se tengan x xitos y n - x fracasos. Para que se presente este
resultado, debe tener x xitos de los r xitos que hay en la poblacin y n - x
fracasos de los N - r fracasos. La siguiente funcin de probabilidad
hipergeomtrica proporciona f(x), la probabilidad de tener x xitos en una
muestra de tamao n (Anderson, Sweeney, & Williams, 2008, pg. 214).
85
La distribucin hipergeomtrica sigue el siguiente modelo:
( )(

)
( ) =
(

)
Para todo 0 x r
Donde:
f (x ) = probabilidad de x xitos en n ensayos

n = cantidad de ensayos
N = cantidad de elementos en la poblacin
r =cantidad de elementos en la poblacin considerados como xitos
Ejemplo:
En una caja se tienen 7 bolillas blancas y 5 bolillas negras. Se extraen 4 bolillas
al azar. Calcule la probabilidad de que 3 de las extradas sean blancas
Solucin:
N = 12
r=7
k=3
n=4
Aplicando la frmula:
Entonces, P(x = 3) = 0.3535, la probabilidad de extraer 3 bolillas blancas es de

0.3535 o 35.3%
Ejemplo:
En una celebracin hay 20 invitados: 14 estn casados y 6 son solteros. Se eligen
3 invitados aleatoriamente. Calcule la probabilidad de que los 3 sean solteros.
Solucin:
N : total de personas=20
N1 : cantidad de solteros=6
N2 : cantidad de casados=14
k : cantidad de solteros cuya probabilidad se est calculando=3
n : cantidad de ensayos que se realiza=3
86
Entonces, P (x=3) = 0.0175, la probabilidad de que los 3 invitados sean solteros
es tan slo del 0.0175 o 1.75%.
87
TEMA N 02: Modelos de distribuciones continuas
Los Modelos de distribucin de probabilidad continua establecen la probabilidad

de una variable aleatoria continua, esto es, de variables cuantitativas que pueden
tomar cualquier valor en un espacio R +, y que resultan principalmente de procesos
de medicin.
Una variable aleatoria continua tiene un nmero infinito de valores, los cuales
suelen estar asociados con mediciones en una escala continua, sin huecos ni
interrupciones (Triola, 2009, pg. 237).
Algunos ejemplos de variables aleatorias continuas son:
La talla de los estudiantes.
El tiempo de llegar a la universidad.
La temperatura ambiental de la ciudad.
A continuacin, se describen las distribuciones de probabilidad continua ms
importantes.
1. Distribucin Exponencial
La distribucin de Poisson calcula el nmero de eventos sobre algn segmento,
por ejemplo, un intervalo de tiempo, una hora, entre 10 y 20 minutos, etc. o
espacio, dos kilmetros de distancia, 500 metros cuadrados, etc. La distribucin
exponencial establece la medicin del paso del tiempo entre tales sucesos. Si la
cantidad de sucesos se asemeja a una distribucin de Poisson, el intervalo de
tiempo entre los sucesos estar distribuido de manera exponencial.
Modelo matemtico
La probabilidad de que el intervalo de tiempo sea menor o igual que x es:
Donde:
t = intervalo de tiempo
e = constante numrica 2,718281828
= promedio de ocurrencia
Ejemplo
Los autobuses que vienen de Lima, arriban al terminal de Huancayo a una tasa
media de 10 autobuses por hora. Calcular las siguientes probabilidades:
a) Que un autobs llegue en no ms de 5 minutos
b) Que un autobs llegue en no ms de 10 minutos
c) Que un autobs llegue entre 5 y 10 minutos
d) Que un autobs llegue en ms de 5 minutos
Solucin:
= 10/h
a) Como la media est expresada en horas, y el ejercicio est planteado
en minutos, calculamos el porcentaje que representa 5 min de una hora (60
minutos):
88
5 1
=
60 12
Reemplazados valores en el modelo, tenemos:
Podemos concluir entonces que existe un 0.5654 o 56,54% de

probabilidad de que el segundo autobs llegue al terminal en 5 minutos
o menos del primer autobs, si la tasa media de arribo es de 10 autobuses por
hora.
b) La representacin de 10 minutos en una hora (60 minutos) es:

10 1
=
60 6
Reemplazando valores en el modelo matemtico se obtiene:
Se concluye que, existe un 0.8111 o 81.11% de probabilidad, de que el

segundo autobs arribe al terminal en 10 minutos o menos del primer
autobs si la tasa media de arribo es de 10 autobuses por hora.
c) Para calcular que, llegue un autobs entre 5 y 10 minutos bastara con
restar la probabilidad de 10 minutos y 5 minutos, de acuerdo a lo obtenido
en los incisos anteriores:
P(5 X 10) = P(X 10) - P(X 5)
P(5 X 10) = 0,8111 0,5654
P(5 X 10) = 0,2457
La probabilidad que un bus llegue entre 5 y 10 minutos es de 24,57%
d) Para calcular que, llegue un autobs en ms de 5 minutos debemos tener
en cuenta que la probabilidad total es 1, de cual se debe restar la
probabilidad de 5 minutos.
P(X > 5) = 1 P(X 5)
P(X > 5) = 0,9435
Concluimos que, la probabilidad de que un autobs llegue en ms de 5
minutos es de 94.35%.
2. Distribucin Uniforme
Anderson & otros (Anderson, Sweeney, Williams, Camm, & Martin, 2011), nos
indica con respecto a la distribucin uniforme: Considere una variable aleatoria x
que representa el tiempo de vuelo de un avin que viaja de Chicago a Nueva
York. Suponga que el tiempo de vuelo es cualquier valor en el intervalo de 120
minutos a 140 minutos. Dado que la variable aleatoria x toma cualquier valor en
este intervalo, x es una variable aleatoria continua y no una variable aleatoria
discreta.
Admita que cuenta con datos suficientes como para concluir que la probabilidad
de que el tiempo de vuelo est en cualquier intervalo de 1 minuto es el mismo
89
que la probabilidad de que el tiempo de vuelo est en cualquier otro intervalo de
1 minuto dentro del intervalo que va de 120 a 140 minutos. Como cualquier
intervalo de 1 minuto es igual de probable, se dice que la variable aleatoria x
tiene una distribucin de probabilidad uniforme. (Anderson, Sweeney, & Williams,
2008, pg. 227)
Entonces, una distribucin uniforme, es una distribucin en el intervalo [a - b] en
donde, la probabilidad es la mismas para todos los posibles resultados, desde el
valor mnimo de a hasta el valor mximo de b.
El lanzamiento un dado es un ejemplo de experimento que satisface la distribucin
uniforme, porque los 6 resultados posibles tienen 0.167 (1/6) de probabilidad de que
ocurra.
Figura 18: Distribucin uniforme

Funcin de densidad
Una distribucin uniforme tiene como funcin de densidad un rectngulo, la
altura del rectngulo (total) en la grfica anterior es:
a = valor mnimo de la distribucin

b = valor mximo de la distribucin
La esperanza matemtica o media de la distribucin uniforme se obtiene

empleando la siguiente frmula:
La varianza de la distribucin uniforme se obtiene mediante la frmula

siguiente:
90
De donde la desviacin estndar es
Funcin de probabilidad:
La probabilidad de que una variable X caiga entre dos valores, se obtiene
aplicando la siguiente frmula:
Ejemplo
Sea x el instante elegido aleatoriamente en que un trabajador recibe
entrenamiento en un da determinado entre las siguientes horas: 7:00 - 8:00 -
9:00 - 10:00 - 11:00 - 12:00 - 13:00
a) Determine la funcin de densidad de la variable x.
b) Construya un grfico de la distribucin de probabilidad
c) Calcule la esperanza matemtica.
Solucin:
a) Del ejercicio sabemos: a = 7 y b = 13
Reemplazando valores en la frmula obtenemos:
b) Construyendo el grfico de la distribucin de probabilidad obtenemos:
91
Figura 19: Distribucin uniforme
El rea total del rectngulo que tiene como base el intervalo 7-13 y de altura
1/6=0,167, representa la suma de todas las probabilidades, que debe ser igual
a uno:
El rea de cada rectngulo es:
c) Reemplazando valores en el modelo matemtico, la esperanza

matemtica se obtiene:
3. Distribucin Normal
La distribucin de probabilidad ms usada para describir variables aleatorias
continuas es la distribucin de probabilidad normal. La distribucin normal tiene gran
cantidad de aplicaciones prcticas, en las cuales la variable aleatoria puede ser el
peso o la estatura de las personas, puntuaciones de exmenes, resultados de
mediciones cientficas, precipitacin pluvial u otras cantidades similares
(Anderson, Sweeney, & Williams, 2008, pg. 231).
En la curva normal, la altura mxima se encuentra en la media aritmtica, la cual es
cero, y si desviacin tpica igual a 1. La curva normal es simtrica, y por su grado
de curtosis es mesocrtica.
Funcin de densidad
92
La ecuacin matemtica de la funcin de densidad es:
La ecuacin anterior es reemplazada por la llamada forma cannica, la cual es:
Nota: No existe una nica distribucin normal, sino una familia de

distribuciones con una forma comn, diferenciadas por los valores de su
media y su varianza. De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin con una media
aritmtica de 0 y una desviacin tpica de 1.
reas bajo la curva normal

Es importante reconocer que la curva normal es asinttica al eje x, por lo cual
sera, tericamente, imposible determinar su rea total, No obstante, para efectos
prcticos se asume que, el rea total es 1, entonces, el rea bajo la curva entre
a y b, con a < b, representa la probabilidad de que x se encuentre entre a y b.
Esta probabilidad se indica por:
P(a<X<b)
Ejemplos
a) Obtenga el rea bajo la curva de distribucin normal entre Z = 0,8 y Z = 2,12
Solucin:
Construyendo el grfico se obtiene:
93
Figura 20: Representacin del rea bajo la curva
El rea a la izquierda de Z = 0.8 con lectura en la tabla de la distribucin

normal es 0.7881
Para mayor precisin, podemos utilizar la frmula en Microsoft Excel:
=DISTR.NORM.ESTAND.N(0.8;VERDADERO)
El rea a la izquierda de Z = 2.12 con lectura en la tabla de la distribucin
normal es 0.9830
Para mayor precisin, podemos utilizar la frmula en Microsoft Excel:
=DISTR.NORM.ESTAND.N(2.12;VERDADERO)
El rea Z = 0,8 y Z = 2,12 es 0,9830 0,7881 = 0,1949

Tambin podemos utilizar la siguiente frmula en Microsoft Excel para un
clculo directo:
=DISTR.NORM.ESTAND.N(2.12;VERDADERO)-
DISTR.NORM.ESTAND.N(0.8;VERDADERO)
b) Si se sabe que el rea entre -1,5 y Z es 0,0217, hallar Z

Solucin:
Construyendo un grfico ilustrativo:
94
Entonces:
Z1= -1.35
Z2= -1.69
c) En la universidad Continental, el peso de 200 estudiantes varones es 151 libras,

con una desviacin tpica de 15 libras. Si se sabe que los pesos estn
distribuidos normalmente, calcule la probabilidad y la cantidad de estudiantes
que tienen pesos entre 120 y 155 libras.
Solucin:
Tipificando los datos se tiene:
Construyendo la grfica obtenemos:
95
El rea a la izquierda de Z = 0.3 es 0.6179

El rea a la izquierda de Z = -2,1 es 0.0179
El rea entre -2.1 y 0.3 es 0.6179 0.0179 = 0.6 = 60%
La cantidad de estudiantes es 0.6 x 200 = 120
96
TEMA N 03: Distribuciones compuestas
Los temas revisados anteriormente, se ven por separado el comportamiento de las

variables aleatorias. No obstante, en la prctica, las variables pueden aparecer de
manera simultnea y tenemos que estudiarla de forma conjunta.
Por ejemplo, el nmero de sucesos por reclamo, que se condiciona a la ocurrencia de
un siniestro, es posible que tenga caractersticas distintas de la cantidad de sucesos
por reclamo, que se condiciona a la ocurrencia de k siniestros o en general de la
cantidad por reclamo no condicionada a la cantidad de siniestros.
Adems, ampliando el estudio, podemos ver que, al momento de modelar el
comportamiento de una variable aleatoria, como una distribucin en concreto, sta
puede ser dependiente de parmetros, que a su vez, stas sean variables aleatorias.
Enmarcamos este caso tambin, en el estudio de las distribuciones de probabilidad
compuestas.
1. Convolucin de variables
Ferreira y Garn (Ferreira & Garn, 2010), describen la convolucin de variables
como: Consideremos, sin prdida de generalidad dos variables aleatorias X e Y ,
independientes entre s, discretas, que en particular tienen su soporte en el
conjunto de los enteros no negativos, Z+. De esta manera, sus respectivas
funciones de cuanta vendrn expresadas por:
P(X = j) = aj
P(Y = k) = bk
para j; k = 0; 1; 2;
Entonces la funcin de cuanta conjunta, que nos da la probabilidad del suceso (X
= j; Y = k), ser
P(X = j; Y = k) = P(X = j)P(Y = k) = ajbk
expresada la independencia entre ambas variables.
Consideramos ahora las variables aleatorias suma, Z = X + Y, donde para todo r
Z+, el suceso
De nuevo por la independencia entre X e Y ,
para r Z+.
A la sucesin , denominamos convolucin de las sucesiones

{ar},{br}, fbrg, y se indica como {cr} = {ar}*{br}. Esta sucesin nos da la
distribucin de la variables aleatorias Z, como adicin de las variables no
dependientes X e Y a travs de la expresin independencia entre X e Y.
97
Ejemplo
Determinamos X e Y como variables aleatorias no dependientes cercanas a una
distribucin de Poisson de parmetro . Esto es, cada una de ellas tiene funcin
de cuanta expresada por:
La funcin de cuanta de Z = X + Y es la convolucin de ambas y viene expresada por:
para r = 0; 1; 2; :::, esto es, Z tiene distribucin de Poisson de parmetro 2.

En el caso de variables aleatorias independientes y continuas, denotemos a sus respectivas
funciones de distribucin por F(x) y G(y). De nuevo consideremos la variables aleatorias
suma, Z = X + Y . La funcin de distribucin de Z, se puede calcular como:
H(z) = P(Z z) = P(X + Y z)
Esta es la probabilidad del recinto {X+Y z}, en el plano (X; Y), y se puede
obtener integrando sobre l la funcin de densidad conjunta de la v.a (X; Y ). Por
la independencia, dicha funcin de densidad es producto de marginales, (Ferreira
& Garn, 2010, pg. 38) esto es,:
Asi,
o anlogamente, intercambiando el papel de las variables X e Y ,
Esto es,,
98
Admitiendo la derivabilidad de las funciones de distribucin y por lo tanto la
existencia de las funciones de densidad, se obtiene la funcin de densidad de Z,
de donde
La expresin (4.2) generaliza la presentada para el caso de distribuciones

discretas en (4.1).
Ejemplo 4.2 Sean X e Y variables aleatorias independientes con distribucin exponencial
de parmetro a (tambin se suele decir de media 1/a ). Esto es, cada una de ellas tiene
funcin de densidad expresada por:
La variables aleatorias Z = X + Y tendr como funcin de densidad la convolucin

de ambas. Por lo tanto:
funcin de densidad que corresponde a una y(a; 2), resultado que ya

esperbamos.
Cualquiera de los dos ejemplos de aplicacin de las frmulas de convolucin
presentadas ya nos eran familiares, y podamos llegar a ellos a travs del clculo
de las funciones caractersticas. No obstante, hay veces que la propiedad de
convolucin nos permite obtener funciones de cuanta o de densidad de
determinados tipos de sumas, que no son fciles de abordar mediante el uso de
la funcin caracterstica.
2. Distribuciones compuestas
Consideremos una variables aleatorias X cuya funcin de probabilidad, ya sea
funcin de cuanta o de densidad, dependa de un parmetro 0; esto es, P(x;
0). Ahora bien, si el parmetro es adems una variable aleatoria con su funcin
de probabilidad indicada por P(). Realmente cuando escribamos P(x; 0) nos
estaremos refiriendo a la probabilidad de que X el valor x condicionada o
conociendo que el valor de es fijo y vale 0, esto es, P(x|=0).
Definicin
99
Se denomina distribucin compuesta de X en relacin a , a la distribucin de X
no condicionada al valor de , que se obtiene directamente del teorema de la
particin, (Ferreira & Garn, 2010, pg. 40) como
(4.3)
si X y son variables aleatorias discretas y como
si tanto X como son variables aleatorias continuas.

Como veremos en el siguiente ejemplo tambin son frecuentes las combinaciones
de variables aleatorias discretas y continuas.
Ejemplo
Se tiene X como una variable aleatoria con distribucin de Poisson cuyo parmetro
es , donde mencionado parmetro tiene comportamiento a su vez como una
variable aleatoria y(a; r).
Esto es,:
y f() = 0, en otro caso; donde

Entonces, la distribucin de X no condicionada al parmetro es:
Conociendo que
debido a que es la funcin de densidad de una variable aleatoria y(a+1; k+r) y conociendo
adems que (k+r) = (k + r - 1) (k + r - 1); en el modelo (4.5), si k + r Z+, se tiene:
que pertenece a una funcin de cuanta de una variable aleatoria binomial

negativa con parmetros m = r, p=a/(a+1).
Esto es, alternativamente, otra forma de introducir la distribucin binomial
negativa es como la distribucin compuesta de una variable aleatoria Poisson,
donde el parmetro sigue una distribucin .
100
2.1. La distribucin binomial compuesta
Sea X una variables aleatorias con distribucin binomial de parmetros (N;
p), esto es, X 2 B(N; p). Su funcin de cuanta viene expresada por:
Si el nmero de repeticiones o exposiciones al riesgo, N, es tambin una

variables aleatorias, la expresin anterior es en realidad la probabilidad
condicionada al valor del parmetro N, esto es,:
Si queremos obtener la distribucin no condicionada de X, tendremos que

conocer cul es la distribucin de la variables aleatorias N. Consideremos el
caso en el que N es una variables aleatorias con distribucin de Poisson de
parmetro , de esta manera
Entonces la distribucin de X no condicionada a N, ser:
funcin de cuanta que corresponde a una distribucin de Poisson de parmetro p.

Esto es,, la distribucin binomial compuesta con una Poisson de parmetro es una
Poisson .p.
2.2. La distribucin de Poisson compuesta

Se tiene a X como una variable aleatoria de Poisson con parmetro . Esto es,
donde a su vez el parmetro es una variables aleatorias, por ejemplo continua y

con funcin de densidad f().
La distribucin compuesta de X, vendr expresada por:
101
En el caso particular de que siga una distribucin , distribucin
compuesta de X es una binomial negativa.
3. La teora de los valores extremos

Consideremos de forma general que la cuanta por reclamacin por siniestro es
una variables aleatorias S que tiene como funcin de distribucin F(x). De esta
manera, para un valor cualquiera s, F(s) = P(S s), nos da la probabilidad de
que la cuanta o el coste del siniestro sea inferior o igual a s.
El nmero de siniestros por su parte es otra variables aleatorias X.
En muchos casos prcticos nos interesa conocer la probabilidad de que, a lo largo
de un tiempo determinado, el coste mayor de los que correspondes a los
siniestros ocurridos no supere una cierta cantidad s.
Esto es,, nos interesa buscar la distribucin de probabilidad del mximo de las
cuantas (o coste de la reclamacin de mayor cuanta), no condicionada al nmero
de siniestros que han podido ocurrir.
Partimos de la hiptesis de que los siniestros ocurren de manera independiente y
la cuanta de todos ellos, S, tiene la misma distribucin, con funcin de
distribucin F(.).
Indicaremos por (s) a la funcin de distribucin buscada, esto es, la funcin de
distribucin de la cuanta con mayor coste (= max S).
Claramente, de acuerdo con el teorema de la particin,
Adems,
de donde
Ahora bien, esta suma ha aparecido ya en probabilidad. Pensemos en una

variables aleatorias discreta X, para la que queremos calcular su funcin
generatriz de probabilidad (tambin denominada funcin generatriz de momentos
factoriales), GX(u), definida como, GX(u) = E(uX). Si X es discreta:
Esto es,,
para cualesquiera variables aleatorias X y S y siempre la variables aleatorias X

tenga funcin generatriz de probabilidad.
102
Ejemplo 4.4 Considera que el nmero de siniestros X es una v.a de Poisson de
parmetro . Obtener la distribucin del coste de la reclamacin de mayor
cuanta.
En este caso:
Siendo F(s) la funcin de distribucin de la cuanta en s.
Nota: Observa que la funcin generatriz de probabilidad de una variables aleatorias X

P(), es GX(u) = e-(1-u), >0.
En similares condiciones a las descritas anteriormente, en ocasiones nos
interesar conocer la distribucin de la cuanta total no condicionada al nmero
de siniestros. Si indicamos por Z a la variables aleatorias cuanta total, y por F Z(.)
a su funcin de distribucin, tenemos:
donde Zj = S1 +:::+Sj es la cuanta total condicionada a la ocurrencia de j

siniestros, esto es, la suma de las cuantas de los j-simos primeros siniestros y
F*j es su funcin de distribucin.
Entonces, la distribucin de la cuanta total es la distribucin compuesta de la
cuanta con respecto al nmero de siniestros.
A veces, es sencillo obtener las funciones de distribucin anteriores, y a partir de
ellas, las de densidad. En otras ocasiones, simplemente no es necesario obtener
la forma de su funcin de densidad y basta con obtener una relacin de sus
primeros momentos, media y varianza.
103
TEMA N 04: DECISIN Y RIESGO
1. Decisin
De acuerdo con Anderson y otros (Anderson, Sweeney, Williams, Camm, &
Martin, Mtodos cuantitativos para los negocios, 2011), el anlisis de decisin se
usa para elaborar una estrategia ptima de decisin ante diversas alternativas y
ante un conjunto de eventos futuros inciertos y llenos de riesgos.
Por ejemplo, Ohio Edison us el anlisis de decisiones para elegir el mejor tipo de
un equipo de control determinado para las unidades generadoras de combustin
de carbn cuando enfrent las incertidumbres futuras concernientes a los
requerimientos de contenido de sulfuro, los costos de construccin, etc. El estado
de Carolina del Norte utiliz el anlisis de decisiones cuando evalu implementar
o no un examen mdico para detectar desrdenes metablicos en los recin
nacidos. (Anderson, Sweeney, Williams, Camm, & Martin, 2011, pg. 98)
Para dar inicio con el estudio del anlisis de decisin emplearemos problemas de
decisin donde las opciones de decisin y los eventos futuros inciertos sean
reducidos razonablemente. Podremos observar las tablas de recompensa con la
finalidad de dar cierta estructura a los problemas de decisin. seguidamente se
introducirn los rboles de decisin con la finalidad de mostrar la naturaleza
secuencial de los problemas. Los rboles de decisin se utilizan para analizar
problemas ms complejos e identificar una secuencia ptima de decisiones, a la
que se le conoce como estrategia ptima de decisin. Adicionalmente se aplica el
teorema de Bayes, para obtener las probabilidades de las ramas de los rboles
de decisin.
1.1. Planteamiento del problema

El primer paso en el anlisis de decisin es formular el problema. Se empieza
por hacer un planteamiento verbal del mismo. Despus se identifican las
alternativas de decisin, los eventos futuros inciertos, conocidos como
eventos aleatorios, y las consecuencias de cada combinacin de una
alternativa de decisin con uno de los resultados del evento aleatorio
(Anderson, Sweeney, & Williams, Estadstica para administracin y
economa, 2008, pg. 881).
Como ejemplo se considerar una adaptacin del que propone Anderson y
otros (Anderson, Sweeney, Williams, Camm, & Martin, Mtodos cuantitativos
para los negocios, 2011, pgs. 99-102), consistente en un proyecto de
construccin.
El Abeto Corporation (ABC) compr una zona de terreno para hacer la
construccin de un lujoso condominio. ABC desea vender cada vivienda en
precios entre S/. 300 000 y S/. 1 400 000.
Para iniciar, ABC encarg tres proyectos arquitectnicos de tamaos
distintos: uno de 30 viviendas, otro de 60 viviendas y el tercero de 90
viviendas. Para que el proyecto tenga xito, depender del tamao del
complejo y del suceso aleatorio de la demanda que pueda haber por las
viviendas. El problema de decisin de ABC es optar por el tamao del
complejo que lleve a las beneficios ms altas. ABC tiene entonces tres
alternativas para su decisin:
d1 = un complejo pequeo de 30 viviendas
d2 = un complejo mediano de 60 viviendas
d3 = un complejo grande de 90 viviendas
104
Un importante factor en la seleccin de la alternativa mejor es la
incertidumbre que se relaciona con el suceso aleatorio de la demanda que
pueda existir por el condominio. El presidente de ABC reconoce que existe
una amplia gama de posibilidades en la demanda, pero considera que
podran ocurrir dos sucesos aleatorios: una alta demanda y una baja
demanda.
En los modelos estocsticos y el anlisis de la decisin, a los posibles

resultados de un suceso al azar, se les denomina estados. En el problema de
ABC, el suceso aleatorio de la demanda de las viviendas tiene dos estados:
s1 = una alta demanda de las viviendas
s2 = una baja demanda de las viviendas
Tablas de recompensa
Una vez que se han expresado las tres alternativas de decisin y los dos
estados, la siguiente pregunta es sobre el tamao de condominio que se
debe elegir, para dar respuesta a esta pregunta, ABC necesitar conocer los
efectos de cada combinacin de alternativa un estado y alternativa de
decisin. A cada uno de los resultados de la combinacin de un estado y una
alternativa de decisin se le conoce como recompensa, la tabla que lo
muestra, se le conoce como tabla de recompensas.
ABC quiere seleccionar el tamao de complejo que le otorgue mayores
beneficios, los beneficios se usarn como resultado o tambin llamado
consecuencia. En la tabla a continuacin se observa la tabla de recompensa
que indica los beneficios en millones de soles. Ntese que, si la demanda es
alta y el tamao del condominio es mediano, los beneficios sern de S/. 14
millones. La recompensa que corresponde a cada combinacin de una
alternativa de decisin i y un estado j se indicar como Vij. De esta manera,
de acuerdo con la tabla V31 = 20 significa que existir una recompensa de
S/. 20 millones si la decisin es construir un complejo grande (d3) y la
demanda que se presenta es alta (s1). De manera similar V32 = 9
significa que se perder S/. 9 millones si la decisin es la construccin de
un complejo grande (d3) y la demanda que se presenta baja (s2).
TABLA DE RECOMPENSA PARA EL PROYECTO DEL CONDOMINIO DE ABC
(RECOMPENSAS EN MILLONES DE SOLES)
Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, Mtodos cuantitativos para
los negocios, 2011)
rboles de decisin
Un rbol de decisin es un diagrama tipo rbol que muestra el sentido
secuencial del proceso de toma de decisin. En la siguiente figura se muestra
el rbol de decisin para el problema de ABC; en el rbol de decisin se
observa la progresin lgica en el tiempo. En principio, ABC tendr que
105
evaluar y deber tomar una decisin con respecto al tamao del complejo
de viviendas (d1, d2 o d3). Luego de llevar a cabo lo decidido, se deber
dar el estado s1 o el estado s2.
En cada nodo final del rbol aparece el nmero que es la recompensa de la

secuencia expresada que corresponde. Por ejemplo, el valor 8, que se
encuentra en la parte superior, indica que esperamos ganar S/. 8 millones
si ABC edifica un complejo pequeo (d1) y la demanda resultante es alta
(s1). El valor siguiente, que es 7, indica que esperamos ganar S/. 7 millones
si ABC edifica un complejo pequeo (d1) y la demanda resultante es baja
(s2). De esta manera, en el rbol de decisin se muestra de manera grfica
las secuencias de opciones de decisin y estados con los que se llega a las
seis posibles recompensas.
El rbol de decisin que se muestra en la figura tiene cuatro nodos,
enumerados del 1 al 4, que representan los sucesos aleatorios y las
decisiones. Los cuadrados representan nodos de decisin y los crculos nodos
aleatorios. De esta manera, el nodo 1 es un nodo de decisin, y los nodos 2,
3 y 4 son nodos del tipo aleatorio. Las ramas que salen de cada nodo
aleatorio son estados. Las ramas que salen del nodo de decisin son las
alternativas de decisin. Al final de los estados aparecen las recompensas.
RBOL DE DECISIN PARA EL PROYECTO DEL CONDOMINIO DE ABC
(RECOMPENSAS EN MILLONES DE SOLES)
Figura 23: rbol de decisin

Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, Mtodos cuantitativos para
los negocios, 2011)
1.2. Toma de decisiones con probabilidades

Una vez que se han definido las opciones de decisin y los estados de los
sucesos aleatorios, se determinan las probabilidades de los estados. Para
determinar estas probabilidades se puede usar cualquiera de los mtodos
estudiados en la primera unidad, el mtodo clsico de clculo de
probabilidades, el mtodo frecuentista o el mtodo subjetivo. A continuacin,
se muestra cmo usar, una vez determinadas las probabilidades, el mtodo
de la esperanza o valor esperado para identificar la mejor alternativa de
decisin y aplicarlo al problema estudiado.
106
Mtodo del valor esperado
Iniciaremos definiendo el valor esperado de una alternativa:
Sea
N = cantidad de estados
P(sj) = probabilidad del estado sj
Como solamente puede presentarse uno y slo uno de los N estados, las
probabilidades deben satisfacer dos condiciones:
El valor esperado (VE) de una alternativa de decisin di es el siguiente.
Donde:
Vij=valor de la recompensa para la alternativa de decisin di y el estado sj
El valor esperado de una alternativa de decisin es la sumatoria de las
recompensas ponderadas que existen para esa alternativa de decisin. El
peso de ponderacin para una recompensa es la probabilidad de que dicha
recompensa ocurra. (Anderson, Sweeney, Williams, Camm, & Martin, 2011,
pg. 105).
ABC observa con confianza el potencial del complejo de viviendas. Esta
confianza lo lleva a una evaluacin inicial, mediante el mtodo de probabilidad
subjetiva, y asigna la probabilidad de 0.8 al suceso de que la demanda sea
alta (s1) y 0.2 al suceso de que la demanda sea baja (s2). Por tanto, P(s1)
= 0.8 y P(s2) = 0.2. Con los valores de recompensa, el valor esperado de
cada una de las tres alternativas de decisin se calcula de la siguiente manera
As, con el mtodo del valor esperado, se encuentra que el complejo grande,
es la decisin recomendada, con un valor esperado de 14.2 millones de
soles.
Los clculos para identificar la alternativa de decisin que tiene el mejor
valor esperado pueden realizarse en un rbol de decisin.
Como el que toma la decisin controla la rama que sale del nodo 1 de
decisin y como se trata de maximizar los beneficios esperados, la mejor
alternativa de decisin en el nodo 1 es d3. Por tanto, el anlisis del rbol de
decisin lleva a la recomendacin de d3, cuyo valor esperado es S/. 14.2
millones. Obsrvese que con el mtodo del valor esperado en unin con la
tabla de recompensas se obtiene la misma recomendacin.
107
RBOL DE DECISIN PARA EL PROBLEMA DE ABC
CON LAS PROBABILIDADES EN LAS RAMAS DE ESTADO
Figura 24: rbol de decisin con las probabilidades en las ramas

Fuente: (Anderson, Sweeney, & Williams, Estadstica para administracin y economa,
2008)
Valor esperado de la informacin perfecta

Vamos a suponer que ABC tiene la oportunidad de realizar un estudio de
investigacin de mercado que le ayudar a evaluar el grado de inters del
pblico por el proyecto del condominio y que proporcionar a los directivos
informacin para mejorar su evaluacin de las probabilidades de los estados.
Para determinar el valor potencial de esta informacin, se comenzar por
suponer que el estudio puede proporcionar informacin perfecta sobre los
estados; esto es, se acepta, por el momento, que ABC podra determinar con
certeza, antes de tomar una decisin, qu estado va a ocurrir. Para
aprovechar esta informacin perfecta, se elaborar una estrategia de
informacin, la cual seguir ABC una vez que sepa qu estado se presenta.
Una estrategia de decisin es simplemente una regla de decisin que
especifica la alternativa de decisin a elegir una vez que se cuente con ms
informacin.
108
APLICACIN DEL MTODO DEL VALOR ESPERADO MEDIANTE
UN RBOL DE DECISIN
Figura 25: rbol de decisin

Fuente: (Anderson, Sweeney, & Williams, Estadstica para administracin y economa,
2008)
Como ayuda para determinar la estrategia de decisin de ABC, en la tabla

siguiente se reproduce la tabla de recompensas de ABC. Obsrvese que, si
ABC supiera con certeza que el estado s1 fuera a ocurrir, la mejor alternativa
de decisin sera d3, cuya recompensa es de 20 millones de soles. De
manera similar, si ABC supiera con certeza que el estado s 2 es el que va a
ocurrir, la mejor alternativa de decisin sera d 1, cuya recompensa es 7
millones de soles. Por tanto, se puede establecer la estrategia ptima de
decisin si ABC llega a contar con la informacin perfecta como sigue:
Si s1, se elige d3 y se obtiene una recompensa de S/. 20 millones.
Si s2, se elige d1 y obtiene una recompensa de S/. 7 millones.
Cul es el valor esperado con esta estrategia de decisin? Para calcular el
valor esperado con informacin perfecta se vuelve a las probabilidades
originales de los estados: P(s1) = 0.8 y P(s2) = 0.2. Por tanto, hay una
probabilidad de 0.8 de que la informacin perfecta indique el estado s1 y la
decisin alternativa resultante d3 proporcionar S/. 20 millones de
beneficios. De manera similar, si 0.2 es la probabilidad del estado s 2 la
alternativa ptima de decisin d1 proporcionar S/. 7 millones de ganancia.
De esta manera, con la ecuacin del valor esperado de la estrategia de
decisin basada en la informacin perfecta es
0.8(20) + 0.2(7) = 17.4
A este valor esperado de S/. 17.4 millones se le conoce como el valor
esperado con informacin perfecta (VEcIP).
Se haba indicado anteriormente, que la decisin recomendada usando el
mtodo del valor esperado era la alternativa de decisin d3, con un valor
esperado de S/. 14.2 millones. Como la recomendacin de esta decisin y
el clculo del valor esperado se hizo sin la ventaja de la informacin
perfecta, a los S/. 14.2 millones de soles se les conoce como valor esperado
sin informacin perfecta (VEsIP).
El valor esperado con informacin perfecta es S/. 17.4 millones y el valor
esperado sin informacin perfecta es S/. 14.2 millones; por tanto, el valor
esperado de la informacin perfecta (VEIP) es S/. 17.4 S/. 14.2 = $3.2
109
millones. Mencionado de otro modo, $3.2 millones representan el valor
esperado adicional que se puede obtener si se cuenta con informacin
perfecta acerca del estado. En general, un estudio de investigacin de
mercado no proporciona informacin perfecta; pero si el estudio de
mercado es bueno, la informacin obtenida bien puede valer una buena
porcin de los $3.2 millones. Dado que el VEIP es de $3.2 millones, ABC
puede considerar seriamente un estudio de investigacin de mercado con
objeto de obtener ms informacin acerca del estado.
TABLA DE RECOMPENSA PARA EL PROYECTO DE LAS VIVIENDAS DE ABC
(MILLONES DE SOLES)
El valor esperado de la informacin perfecta se calcula en general como

sigue:
Observe el papel del valor absoluto en la ecuacin. En problemas de

minimizacin, la informacin ayuda a reducir y bajar los costos; de manera
que el valor esperado con informacin perfecta es menor o igual al valor
esperado sin informacin perfecta. En este caso, VEIP es la magnitud de la
diferencia entre VEcIP y VEsIP o el valor absoluto de la diferencia como se
muestra en la ecuacin.
2. Anlisis del riesgo y anlisis de sensibilidad

El anlisis del riesgo ayuda al tomador de decisiones a reconocer la diferencia
entre el valor esperado de una alternativa de decisin y el resultado que puede
ocurrir en realidad. El anlisis de sensibilidad tambin ayuda al tomador de
decisiones al describir cmo los cambios en las probabilidades del estado de la
naturaleza o los cambios en los resultados afectan la alternativa de decisin
recomendada (Anderson, Sweeney, Williams, Camm, & Martin, 2011, pg. 109).
2.1. Anlisis del riesgo

Una alternativa de decisin y un estado de la naturaleza se combinan para
generar el resultado asociado con una decisin. El perl de riesgo para una
alternativa de decisin muestra los resultados posibles junto con sus
probabilidades asociadas, el grfico a continuacin toma en cuenta el
ejemplo de Anderson y otros (Anderson, Sweeney, Williams, Camm, &
Martin, 2011, pg. 109).
PERFIL DE RIESGO PARA LA ALTERNATIVA DE DECISIN DEL COMPLEJO
GRANDE PARA EL PROYECTO DE VIVIENDAS DE ABC
110
Figura 26: Grfico del perfil de riesgo
Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, 2011)
Podemos demostrar ahora la construccin de un perl de riesgo y el anlisis

del riesgo al retomar el proyecto de construccin de viviendas de ABC. Si
utilizamos el mtodo del valor esperado, se identifica el complejo de viviendas
grande (d3) como la mejor alternativa de decisin. El valor esperado de S/.
14.2 millones para d3 se basa en una probabilidad de 0.8 de obtener una
utilidad de S/. 20 millones y una probabilidad de 0.2 de obtener una prdida
de S/. 9 millones. La probabilidad de 0.8 para la respuesta de S/. 20 millones
y la probabilidad de 0.2 para la respuesta de S/. 9 millones constituyen el
perl de riesgo para la alternativa de decisin del complejo grande.
2.2. Anlisis de sensibilidad

El anlisis de sensibilidad puede utilizarse para determinar cmo los cambios
en las probabilidades para los estados de la naturaleza o los cambios en los
resultados afectan la alternativa de decisin recomendada. En muchos casos,
las probabilidades para los estados de la naturaleza y los resultados se basan
en evaluaciones subjetivas. El anlisis de sensibilidad ayuda al tomador de
decisiones a entender cules de estas entradas son cruciales para la eleccin
de la mejor alternativa de decisin. Si un cambio pequeo en el valor de
una de las entradas provoca un cambio en la alternativa de decisin
recomendada, la solucin para el problema de anlisis de decisiones es
sensible a esa entrada en particular. Se debe hacer un esfuerzo adicional y
poner ms cuidado para asegurar que el valor de entrada sea lo ms preciso
posible. Por otra parte, si un cambio de modesto a grande en el valor de una
de las entradas no suscita un cambio en la alternativa de decisin
recomendada, la solucin para el problema del anlisis de decisiones no es
sensible a esa entrada en particular. No se requiere tiempo o esfuerzos
adicionales para anar el valor de entrada estimado (Anderson, Sweeney,
Williams, Camm, & Martin, 2011).
Un enfoque para el anlisis de sensibilidad es seleccionar diferentes valores
para las probabilidades de los estados de la naturaleza y los resultados, y
luego resolver el problema del anlisis de decisiones. Si la alternativa de
111
decisin recomendada cambia, sabemos que la solucin es sensible a los
cambios hechos. Por ejemplo, suponga que en el problema de ABC la
probabilidad de una demanda fuerte cambia a 0.2 y la probabilidad de una
demanda dbil cambia a 0.8. Cambiara la alternativa de decisin
recomendada? Utilizando P(s1) = 0.2, P(s2) = 0.8 y la ecuacin, los valores
esperados revisados para las tres alternativas de decisin son
VE(d1) = 0.2(8) + 0.8(7) = 7.2
VE(d2) = 0.2(14) + 0.8(5) = 6.8
VE(d3) = 0.2(20) + 0.8(29) = 3.2
Con estas evaluaciones de probabilidad, la alternativa de decisin
recomendada es construir un complejo de viviendas pequeo (d1), con un
valor esperado de S/. 7.2 millones. La probabilidad de una demanda fuerte
slo es 0.2, de esta manera que la construccin del complejo de viviendas
grande (d3) es la alternativa menos preferida, con un valor esperado de
S/. 3.2 millones (una prdida).
Toma de decisiones empresariales
Franklin, E B; (2011). Toma de decisiones empresariales. Resea de "Comportamiento organizacional, enfoque

para Amrica Latina". Contabilidad y Negocios, 6(11) 113-120. Disponible en
http://www.redalyc.org/pdf/2816/281622820010.pdf
ACTIVIDAD N. 1
Foro de discusin sobre la Decisiones y Riesgos.

Instrucciones
Ingrese al foro y participe con comentarios crticos y analticos del tema
Toma de decisiones empresariales.
Cules seran las consecuencias de las malas decisiones?
112
GLOSARIO1
Alternativas de decisin Opciones disponibles para el tomador de decisiones.
Nodo Una interseccin o punto de unin de un diagrama de inuencia o rbol de

decisin.
Tabla de resultados Representacin tabular de los resultados de un problema de

decisin.
rbol de decisin Representacin grca del problema de decisin que muestra la

naturaleza secuencial del proceso de toma de decisiones.
Anlisis del riesgo De los resultados posibles y probabilidades asociados con una
alternativa de decisin o una estrategia de decisin.
Anlisis de sensibilidad De cmo los cambios en las evaluaciones de la

probabilidad para los estados de la naturaleza o los cambios en los resultados afectan
a la alternativa de decisin recomendada.
Estrategia de decisin Estrategia que consiste en una secuencia de decisiones y

resultados de probabilidad para proporcionar la solucin ptima a un problema de
decisin.
BIBLIOGRAFA DE LA UNIDAD IV
Anderson, D. R., Sweeney, D. J., Williams, T. A., Camm, J. D., & Martin, K. (2011). Mtodos
cuantitativos para los negocios. Mxico, D.F.: Cengage Learning Editores, S.A. de C.V.
Ferreira, E., & Garn, M. A. (2010). Estadstica actuarial: modelos estocsticos. Bilbao: SARRIKO-
ON.
Toma, J., & Rubio, J. (2011). Estadstica aplicada. Primera parte. Lima: Universidad del Pacfico.
Centro de Investigacin.
Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y estadstica para ingeniera y
ciencias. Mxico: PEARSON EDUCACIN.
1
Adaptado de Anderson y otros (Anderson, Sweeney, Williams, Camm, & Martin, Mtodos cuantitativos
para los negocios, 2011)
113
AUTOEVALUACIN N. 4
1. Si de seis a siete de la tarde se admite que un nmero de telfono de cada cinco est
comunicando, cul es la probabilidad de que, cuando se marquen 10 nmeros de
telfono elegidos al azar, slo comuniquen dos?
Seleccione una:
a. 0.8974
b. 0.2030
c. 0.5000
d. 0.2500
e. 0.3020
2. Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan
de buena salud. Segn las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de que, transcurridos 30
aos, vivan Las cinco personas.
Seleccione una:
a. 0.159
b. 0.258
c. 0.785
d. 0.321
e. 0.132
3. Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el nacimiento
de una hija. Calcular el nmero esperado de hijos (entre varones y hembras) que tendr
el matrimonio. Calcular la probabilidad de que la pareja acabe teniendo tres hijos o ms.
Seleccione una:
a. 25.00%
b. 50.00%
c. 16.67%
d. 20.00%
e. 33.33%
4. En una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar
Cul es la probabilidad de que las 3 sean solteras?
Seleccione una:
a. 1.34%
b. 6.78%
c. 7.02%
d. 1.75%
e. 2.34%
5. En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a
de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin
114
reemplazo. Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si se seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean
defectuosos?
Seleccione una:
a. 0.50
b. 0.10
c. 0.40
d. 0.20
e. 0.30
6. Si tenemos una Hormiga trabajadora, quienes viven slo hasta un mximo de 6 meses,
Cul es la desviacin de la distribucin?
Seleccione una:
a. 1.7321
b. 1.4142
c. 1
d. 2
e. 2.2361
7. El tiempo necesario para que un individuo sea atendido en una cafetera es una
variable aleatoria que tiene una distribucin exponencial con una media de 4 minutos.
Cul es la probabilidad de que una persona sea atendida en menos de 3 minutos en al
menos 4 de los siguientes 6 das? (Walpole, Myers, Myers, & Ye, 2012, pg. 206)
Seleccione una:
a. 0.1239
b. 0.9683
c. 0.3968
d. 0.8396
e. 0.6839
8. El tiempo entre las llegadas de vehculos en una interseccin particular sigue una
distribucin de probabilidad exponencial con una media de 12 segundos. Cul es la
probabilidad de que el tiempo entre las llegadas de los vehculos sea de 12 segundos o
menos? (Anderson, Sweeney, Williams, Camm, & Martin, Mtodos cuantitativos para
los negocios, 2011, pg. 93)
Seleccione una:
a. 0.1263
b. 0.1632
c. 0.3663
d. 0.6321
e. 0.3632
115
9. 312 de los 1200 tornillos producidos durante una hora en una factora miden ms de
11.28 cm. Conociendo que la distribucin es normal y que el primer decil es igual a
7.44, calcule su desviacin tpica.
Seleccione una:
a. 8
b. 0
c. 4
d. 2
e. 6
10. 312 de los 1200 tornillos producidos durante una hora en una factora miden ms de
11.28 cm. Conociendo que el primer decil de la distribucin es igual a 7.44, calcule su
media.
Seleccione una:
a. 25
b. 5
c. 10
d. 20
e. 15
116
ANEXO
Respuestas de la autoevaluacin N. 1
Pregunta Respuesta
1 e.
2 b.
3 b.
4 c.
5 b.
6 d.
7 a.
8 e.
9 c.
10 e.
Pregunta Respuesta
1 a
2 e.
3 e.
4 a.
5 a.
6 d.
7 e.
8 d.
9 d.
10 d.
Pregunta Respuesta
1 e.
2 a.
3 e.
4 c.
5 d.
6 c.
7 b.
8 e.
9 b.
10 a.
Pregunta Respuesta
1 e
2 e
3 a
4 d
5 e
6 a
7 c
8 d.
9 d.
10 c.
117

Modelos Estocásticos - UC0608

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelos Estocásticos - UC0608

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD CONTINENTAL VIRTUAL

En un mundo de constante cambio, en donde la complejidad de nuestro mundo

RESULTADO DE APRENDIZAJE DE LA ASIGNATURA

Resultado de Resultado de Resultado de Resultado de

TIEMPO MINIMO DE ESTUDIO:

UNIDAD I: UNIDAD II: UNIDAD III: UNIDAD IV:

24 Horas 24 Horas 24 Horas 24 Horas

DIAGRAMA DE PRESENTACIN DE LA UNIDAD I

ORGANIZACIN DE LOS APRENDIZAJES

Resultado de aprendizaje de la Unidad I:

CONOCIMIENTOS HABILIDADES ACTITUDES

Teora de probabilidades. Distingue entre tipos de Aprecia el rol de las

1. Experimentos, resultados, eventos

Subconjuntos. En un ensayo. si ocurre un resultado que es un punto de un evento

3. Uniones, intersecciones, complementos

Figura 1: Unin de conjuntos

Si A y B no tienen puntos en comn, como A = {1, 3, 5} y B = {2, 4, 6} en

Figura 3: Conjuntos disjuntos

Figura 4: A y el complemento de A (rea sombreada)

Fuente: (Kreyszig, 2001)

4.1. Probabilidad clsica.

Cantidad de veces que ocurre A

Al calcular la probabilidad por este mtodo, se obtiene una aproximacin,

4.3. Probabilidad subjetiva

Se ver que los axiomas de probabilidad permiten elaborar la teora de probabilidad

1. Regla del complemento

2.2. Regla de la suma para eventos arbitrarios

3.1. Regla de la multiplicacin para eventos independientes

3.2. Regla de la multiplicacin para eventos dependientes o

Muestreos con y sin reemplazo

Ejemplo: Plantas (Triola, 2009, pg. 163)

En la mayora de problemas de probabilidad, el inconveniente ms grande radica en

1. Regla fundamental del Conteo

3. Regla de las Permutaciones.

4. Regla de las Combinaciones

Canales, E. (2017). Mexicar/ Trago estadstico. Poltica y Gobierno. Vlex, 13.

Foro de discusin sobre la Aplicacin de la estadstica y las probabilidades.

Kreyszig, E. (2001). Probabilidad y estadstica. En E. Kreyszig, Matmticas avanzadas para

Medina, E. (3 de Diciembre de 2010). Glosario de trminos de probabilidad y estadstica.

Triola, M. F. (2009). Estadstica. Mxico: PEARSON EDUCACIN.

Universidad Complutense. (12 de 11 de 2016). Sucesos y Probabilidades. Obtenido de

b. ={(n,n,n); (b,b,n); (b,n,b); (n,b,b)}

c. = {(n,n,n); (b,b,n); (b,n,b)}

d. ={(n,n,n); (b,b,b); (b,n,n); (n,b,n); (n,n ,b)}

a. ={(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n)}

c. ={(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n)}

e. ={(b,b,b); (b,b,n); (b,n,b)}

Calcula la probabilidad de que:

Determine la probabilidad al seleccionar una chompa de manera aleatoria, que sea

DIAGRAMA DE PRESENTACIN DE LA UNIDAD II

Organizacin de los aprendizajes

Resultado de aprendizaje de la Unidad II:

CONOCIMIENTOS HABILIDADES ACTITUDES

Proceso de Poisson. Desarrolla modelos de Responsabilizarse de la

La distribucin y el modelo que da origen al proceso de Poisson, lleva el nombre del

2. Caractersticas de la distribucin de Poisson

3. Parmetros de la Distribucin de Poisson

Como estamos buscando la probabilidad de que existan dos impactos en un

. 0.9292 2.718280.929 0.863 0.395

En el ejemplo, la variable aleatoria es x = cantidad de autos cuya llegada en un

4. Funcin de distribucin de Poisson Acumulada

En la mayora de casos, el clculo probabilstico de variables aleatorias que se

a) P(x < 5) = P(x 4) = F(4, 3) = 0.8153