Professional Documents
Culture Documents
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
Diagrama de organizacin de la unidad
Organizacin de los aprendizajes
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
Lectura seleccionada N. 1
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
Diagrama de organizacin de la unidad
Organizacin de los aprendizajes
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
Lectura seleccionada N. 1
Actividad n. 1
Glosario de la unidad III
Bibliografa de la unidad III
Autoevaluacin N. 3
UNIDAD IV: Decisin y riesgo
Diagrama de organizacin de la unidad
Organizacin de los aprendizajes
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
Lectura seleccionada N. 1
Actividad n. 1
Glosario
Bibliografa dela unidad IV
Autoevaluacin n. 4
Anexo
INTRODUCCIN
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
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.
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)}
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.
3.1. 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.
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
Fuente: Elaboracin propia
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.
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:
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)
5915
( ) = = 0.886
6679
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.
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).
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.
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
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
ACTIVIDAD N 1
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.
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)}
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:
b. ={(n,n,n)}
d. ={(b,b,b); (b,b,n)}
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:
Control de lectura N 2
TEMA N 1: Proceso 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.
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
b) P(x 5)
Solucin
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 ()
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
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}.
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:
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.
y
es una convolucin de medidas, y la serie confluye de manera dbil.
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
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().
LECTURA SELECCIONADA N. 1
La ley de los sucesos raros, legado de Simon Denis Poisson
ACTIVIDAD N. 1
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 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
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadstica para administracin y
economa. Mxico,D.F.: Cengage Learning Editores, S.A.
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.
Prez, L. G., & Dyner, I. R. (1984). Estimacin del proceso de Poisson no homogneo. Revista
de la Facultad de Ingeniera, 175-193.
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
Sn cumple con la condicin: 0 < E[Sn] < .
Debemos tener en cuenta que, tanto la media, como el tiempo entre llegadas
son valores positivos.
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.
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
, 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
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
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]
Usando la Ley Fuerte de Nmeros Grandes, el costo promedio a largo plazo es:
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?
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
Fuente: (Juan & Garca, 2002)
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
Fuente: (Juan & Garca, 2002)
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.
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:
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:
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:
66
Observar que cuando =1, basta con tomar = 1/ para obtener la f.d.p.
de la distribucin exponencial.
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)
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)
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
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.
70
Generalizando para n componentes:
Donde:
Rs (0.999) 40 0.961
Si el producto se rediseara para tener solo 20 componentes, la confiabilidad
sera de Rs = 0.98.
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:
D
Figura 11: Sistema con 4 componentes en paralelo
Fuente: Elaboracin propia
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.
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
Fuente: (Reyes, 2006)
( 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
Fuente: (Reyes, 2006)
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
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
Fuente: (Reyes, 2006)
1 3 5
1 4
2 3 4
2 5
Figura 16: Diagrama equivalente a una estructura puente
Fuente: (Reyes, 2006)
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
Sistema X
Sistema Y
Figura 17: Sistema redundante
Fuente: (Reyes, 2006)
LECTURA SELECCIONADA N. 1
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
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.
77
AUTOEVALUACIN N. 3
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
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
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
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
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
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
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:
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:
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:
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
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:
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.
Funcin de densidad
Una distribucin uniforme tiene como funcin de densidad un rectngulo, la
altura del rectngulo (total) en la grfica anterior es:
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:
91
Figura 19: Distribucin uniforme
Fuente: Elaboracin propia
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:
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:
93
Figura 20: Representacin del rea bajo la curva
Fuente: Elaboracin propia
94
Figura 21: Representacin del rea bajo la curva
Fuente: Elaboracin propia
Entonces:
Z1= -1.35
Z2= -1.69
95
Figura 22: Representacin del rea bajo la curva
Fuente: Elaboracin propia
96
TEMA N 03: Distribuciones 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
para r Z+.
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:
Asi,
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
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)
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,:
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:
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:
101
En el caso particular de que siga una distribucin , distribucin
compuesta de X es una binomial negativa.
Adems,
de donde
Esto es,,
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.
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.
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.
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:
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
108
APLICACIN DEL MTODO DEL VALOR ESPERADO MEDIANTE
UN RBOL DE DECISIN
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)
110
Figura 26: Grfico del perfil de riesgo
Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, 2011)
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).
LECTURA SELECCIONADA N. 1
ACTIVIDAD N. 1
112
GLOSARIO1
Anlisis del riesgo De los resultados posibles y probabilidades asociados con una
alternativa de decisin o una estrategia de decisin.
BIBLIOGRAFA DE LA UNIDAD IV
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2008). Estadstica para administracin y
economa. Mxico,D.F.: Cengage Learning Editores, S.A.
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.
Respuestas de la autoevaluacin N. 2
Pregunta Respuesta
1 a
2 e.
3 e.
4 a.
5 a.
6 d.
7 e.
8 d.
9 d.
10 d.
Respuestas de la autoevaluacin N. 3
Pregunta Respuesta
1 e.
2 a.
3 e.
4 c.
5 d.
6 c.
7 b.
8 e.
9 b.
10 a.
Respuestas de la autoevaluacin N. 4
Pregunta Respuesta
1 e
2 e
3 a
4 d
5 e
6 a
7 c
8 d.
9 d.
10 c.
117