Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sebastián Jaén
Resumen
1. Introducción
Los diagramas causales son una herramienta útil en dinámica de sistemas. Ellos ilustran la
estructura de realimentación del sistema. Al ser una concepción conceptual, también sirven
para identificar los mapas mentales de las personas u organizaciones. Los diagramas causales
son fundamentales para la dinámica de sistemas, pues además de lo anterior, sirven de guı́as
para la elaboración y comprensión de los modelos. Al diagrama causal tambı́en se le suele
llamar hipótesis dinámica.
Este texto tiene como propósito advertir sobre ciertos errores en que se incure cuando se
está aprendiendo a realizar los diagramas causales, y no pretende remplazar la guı́a básica
de elaboración de diagramas causales presentada por Sterman[2] en el capı́tulo 5, bajo el
tı́tulo Causal Loop Diagrams.
Uso de variables no cuantificables: se suelen bautizar las variables con nombres que no
sugieren cantidad.
Variables que incorporan la polaridad : se da cuando el nombre de la variable tiene un
verbo que sugiere su incremento o decremento.
Relación de variables vs. Hipótesis dinámica: surge cuando se relacionan variables, y
hasta se logra plantear ciclos, pero en realidad esta relación no está explicando nada
del fenómeno en cuestión.
1
Causalidades redundantes : se presenta cuando se plantean causalidades para lograr efec-
tos que otras causalidades ya lograron.
Nivel de agregación: por exceso o por defecto. Se hacen diagramas muy grandes y de-
tallados para situaciones muy simples, o diagramas muy pequeños para situaciones
complejas.
Diagramas causales sin dinámica: cuando se hace un diagrama causal en el cual los ciclo
carecen de relaciones que permitan la realimentación.
Este es el caso de variables que se bautizan con nombres que no admiten cuantificación.
El siguiente diagrama causal presentado en la figura 1, representa la hipótesis dinámica
de un problema real que sucede en el poblado de Haryana en la India[1]. Allı́, las mujeres se
venden de niñas, pues culturalmente se prefieren hijos varones. El problema resulta después,
cuando estos varones quieren casarse en el futuro, y no hay mujeres disponibles. Por esta
razón las novias deben ser compradas a traficantes de personas.
El diagrama causal de la figura 1, plantea varios errores: el primero es el referido en
esta sección tiene varias variables que no son cuantificables o que fueron inadecuadamente
definidas. El segundo, es que es más una relación de variables que una hipótesis dinámica.
2
Las variables Respeto hacia la mujer y Presión para casarse, son variables que no se
asocian a una cantidad en forma inmediata. Medir el grado de respeto o de presión en un
asunto, es algo que puede suscitar debates innecesarios. Estas variables deberı́an rebautizarse
en equivalentes más cuantificables, como se muestra a continuación:
Respeto hacia las mujeres→ Mujeres maltratadas y Presión para casarse→ Adolescentes
casadas
Las variables Rescate de mujeres, Educación de la población, Mujer soltera de la India,
Reventa de mujeres, Tráfico de mujeres y Venta de mujeres, no son variables que no se
pueden contar, sino, que han sido expresadas de una manera inadecuada. Una posible forma
de nombrar correctamente estas variables podrı́a ser ası́:
Rescate de mujeres→ Mujeres rescatadas, Educación de la población→ Personas con nivel
secundario, Mujer soltera de la India→ Solteras, Reventa de mujeres→ Mujeres vendidas,
Tráfico de mujeres→ Mujeres vendidas y Venta de mujeres→ Mujeres vendidas
El hecho de que las tres últimas variables puedan ser identificadas de la misma forma,
sugiere que el diagrama causal estuvo mal hecho, pues este presenta tres variables distintas
para algo que es lo mismo.
En la siguiente figura (2), se presenta otro diagrama causal que presenta los mismos
problemas que el causal anterior: definición de variables no cuantificables, y relación de
variables en vez de una hipótesis dinámica.
Las variables Mercado sexual, Recursos polı́ticos, Maltrato, Respeto y Pobreza, tienen
nombres cuya cuantificación no está clara. ¿Cómo se mide un Mercado sexual ?, ¿Recursos
polı́ticos? o ¿Respeto? Se tienen que rebautizar las variables. Un ejemplo de ello podrı́a ser:
Mercado sexual → Mujeres vendidas, Recursos polı́ticos→ Presupuesto público, Maltra-
3
to→ Mujeres maltratadas, Respeto→ Mujeres sin maltrato y Pobreza→ Pobres
Finalmente, la variable Niveles de educación, se podrı́a reexpresar en una forma más clara
que señale lo que se está midiendo: Niveles de educación → Bachilleres.
Sin embargo, aunque se redefinan estas variables, el diagrama causal todavı́a no es útil
pues subyace el problema de que es más una relación de variables que una hipótesis dinámica.
Más adelante se ilustrará cómo debe ser un diagrama causal que plantee una verdadera
hipótesis dinámica.
En este caso, la variable se define con un verbo que denota si esta se está incrementado
o decrementando. La figura 3 ilustra bien este error. Aquı́ se pedı́a realizar una hipótesis
dinámica para explicar por qué la polı́tica de bajar costos en una empresa se habı́a traducido
en menores ventas.
Figura 3: Diagrama causal de las pérdidas en la empresa como consecuencia de una polı́tica
de rebaja de costos (versión 1).
Las variables Rebaja de costos, Rebaja de calidad de materia prima, Rebaja de calidad
de producto y Recorte de presupuesto, tienen incorporado un elemento sobrante, pues la
‘rebaja’o el ‘incremento’ (que en este diagrama no está) es un elemento que lo da el signo
de la flecha que le llega, y no el nombre de la variable.
En ese sentido, la figura 4, muestra como es posible eliminar todas estas ‘rebajas’ man-
teniendo el sentido del diagrama.
Puede resultar ‘extraño’ que un diagrama causal donde todas las relaciones causales son
positivas explique la caı́da en las ventas a causa de la rebaja en el costo. Sin embargo, si se
comprende el sentido del signo (+ ó -) en la flecha, se puede entender esta situación.
La figura 4 presenta un ciclo donde todas las relaciones son directas o positivas, es decir,
a más de A, más de B, luego cuando A rebaja, B también lo hace. En ese sentido, si los
costos bajan, como todas las relaciones son directas, las variables del diagrama, incluyendo
las ventas, bajarán también. Este es el sentido de un bucle reforzado.
4
Figura 4: Diagrama causal de las pérdidas en la empresa como consecuencia de una polı́tica
de rebaja de costos (versión 2).
Como se afirmó en la sección 2.1, las figuras 1 y 2, corresponden una relación de variables,
más que a la formulación de una verdadera hipótesis dinámica. Un diagrama causal debe
‘contar’ una historia, y ayudar a que tanto el modelador como los espectadores la entiendan.
Cuando claramente no se entiende qué explica el diagrama, es una seña de que este se ha
efectuado en una forma inadecuada. El diagrama causal debe ser muy transparente.
En la figura 5 se presenta un diagrama causal de lo que podrı́a considerarse la hipótesis
dinámica del por qué faltan esposas en Haryana. El papel que juega cada ciclo se describe a
continuación:
R2: presenta el ciclo de las mujeres dentro del sistema. Tiene un elemento adicional, la
presencia de la variable Mujeres faltantes reduce la posibilidad de que se consoliden
Parejas, y ası́, el nacimiento de futuros hijos.
B1: presenta como el sistema controla o balancea el número de niñas. Culturalmente las
niñas son rechazadas, este ciclo muestra la reacción del sistema contra las niñas, ven-
diéndolas.
B2: presenta como el sistema balancea las Mujeres faltantes comprando mujeres a través
de la variable Mujeres compradas.
5
Figura 5: Diagrama causal de la venta de esposas en Haryana (versión 3).
Las causalidades redundantes puede ser un error común, incluso para gente con experi-
encia. Surge cuando se agrega una causalidad que pretende lograr lo que el sistema con las
causalidades iniciales logra. La dificultad por identificarlas es dada porque causalmente estas
relaciones son causalmente correctas, sin embargo, sobran en el sistema y generan errores de
cálculo.
La figura 6, presenta el diagrama causal del efecto que tiene el Hacinamiento sobre los
Delincuentes. El diagrama supone que a más Hacinamiento, menos Duración de la sentencia,
6
lo que genera un incentivo para que aparezcan más Delincuentes. En sı́ntesis, B1 pretende
controlar o balancear el Hacinamiento y lo logra, pero además, activa R1 y R2, atrayendo
y liberando delincuentes.
Pese a que el diagrama es una hipótesis correcta, tiene una relación causal que es redun-
dante y que ocasiona errores de sobreestimación de la variable Capturas. La flecha de color
azul, presenta la relación: a más Liberados, más Capturas. Es una relación que causalmente
es correcta, sin embargo, Liberados ya ha influenciado a Delincuentes, y a partir de Delin-
cuentes se determina las Capturas. Cuando en Capturas se permite la inclusión de Liberados,
Liberados estarı́a siendo contabilizada dos veces.
Figura 7: Diagrama causal del impacto del control policial sobre el software libre.
-
Software libre →Ventas de microsoft
+
Ventas de microsoft →Empresas con software
+
Empresas con software →Piraterı́a
+
Piraterı́a →Control estatal
Si Ventas de microsoft cae, todas las variables de ahı́ en adelante caen, dada la relación
directa o positiva de las variables . En una forma indirecta aumentar Software libre, es
disminuir el Control estatal.
7
2.5. Nivel de agregación
El diagrama causal debe servir para explicar el fenómeno que se estudia. Realizar dia-
gramas causales muy agregados o muy detallados puede resultar completamente inútil para
el propósito en cuestión.
En la figura 8, se muestran dos diagramas causales sobre agregados. El primer diagrama
causal a la izquierda, pretendı́a explicar por qué las personas que depredan el recurso leña
tienen que recorer más kilómetros para encontrar nueva. La figura muestra que, además
de que la variable Ansiedad por encontrar leña es una variable expresada en una forma
inadecuada, el nivel de agregación es tal que no se entiende por el por qué del fenómeno.
Una situación igual presenta el diagrama causal de la derecha. Se pretendı́a explicar cómo
se puede superar las Pérdidas en una empresa. Nuevamente, el nivel de agregación es tal
que el causal no explica nada. En la figura 9 se puede observar un ejemplo de un nivel de
agregación adecuado para las dos situaciones descritas con anterioridad.
8
2.6. Diagramas causales sin dinámica
Sin entrar en los detalles del nombre de las variables, ni la bondad del diagrama anterior.
El error que se señala aquı́ es que un ciclo afecta a otro de manera exógena, y no hay
realimentación con el primer ciclo. Si se está buscando una explicación endógena, no tendrı́a
sentido que ambos ciclos estén conectados por una sola relación.
Referencias
[1] Agal, Renu. India’s ‘bride buying’ country. http://news.bbc.co.uk/2/hi/south asia/4862434.stm,
2006.
[2] Sterman, John D. Business Dynamics: System Thinking and Modeling for a Complex
World, McGraw Hill, 2000.
9
SIMULACIÓN DE PROCESOS
PRODUCTIVOS
Modelo Físico
continuo
Modelo Analógico continuo
S
M Tipos de
I Modelo de Simulación Tipos de Simulación
O Modelos
S discreto
D
T eventos
E
E Modelo Matemático
L Utilidad
M
O
A
¿Qué es una simulación?
Simulación es el proceso de diseñar un modelo de un sistema real y
llevar a cabo experiencias con él, con la finalidad de aprender el
comportamiento del sistema o de evaluar diversas estrategias para el
funcionamiento del sistema (Shannon, 1988).
SIMULACION
La simulación es la imitación del funcionamiento de un sistema real durante
un intervalo de tiempo
Después de que el modelo es desarrollado y validado puede ser usado para
investigar una gran variedad de preguntas del tipo ¿Qué pasa si . . .? acerca
del sistema real.
Cambios en un sistema real pueden ser simulados con el fin de predecir el
impacto en el mismo
La simulación también puede ser usada como una estrategia en la etapa de
diseño, antes de que el sistema sea construido, o puede ser usado en ambos
casos a la vez, predecir el efecto de un cambio y diseñar variantes de un
sistema actual.
Aplicaciones de la simulación
Definición de
objetivos y del
sistema validación
Modelo informático
credibilidad
Explotación diseño
Documentación experimental
Implementación
Credibilidad
Maneras de estudiar un sistema
Sistema
Experimentar Experimentar
con el con un modelo
sistema del sistema
Modelo Modelo
físico matemático
Solución
SIMULACIÓN
analítica
Ejemplo
• Entre otros
Áreas en las que esta presente la simulación
Estocástico
Determinístico Tempo-continuo
Tiempo-discreto
estático dinámico
• Estocástico. Contienen uno o más parámetros (variables endógenas) aleatorios. Las mismas entradas pueden
ocasionar salidas diferentes.
• Determinístico. Ante entradas fijas se producen las mismas salidas.
• Estático. No se contempla el tiempo como determinante para la evolución del sistema
• Dinámico. El tiempo interviene en la variación de las variables del sistema.
• Tiempo-continuo. El modelo permite que los estados del sistema cambien en cualquier momento.
• Tiempo-discreto. Los cambios de estado del sistema se dan en momentos discretos del tiempo.
Estocástico - Determinístico
yj = fm(xi, lk)
xi
(Existen
yj xi yj = fm(xi) yj
variables internas
–como lk–
aleatorias)
Método analítico: usa probabilidades para determinar Método numérico: algún método de resolución
la curva de distribución de frecuencias analítica
Continuo - Discreto
Continuo Discreto (*)
El estado de las variables cambia de forma continua a lo El estado del sistema cambia en tiempos discretos del
largo del tiempo tiempo
e = f (t)
e = f(nT)
https://www.definicionabc.com/general/sistema.php
https://es.slideshare.net/iupsmpzo/diseo-de-redes-usando-simuladores
Formando líderes para la
construcción de un nuevo país en
paz
Paradigmas de Simulación
Son todos aquellos lugares en los que la pieza puede detenerse para
ser transformada o esperar a serlo. Dentro de estas localizaciones
tenemos almacenes, bandas transportadoras, máquinas, estaciones de
inspección, etc.
Los recursos
Pretenden.....
Capturar hipótesis acerca de las causas de la dinámica
Elicitar y capturar los modelos mentales
Comunicar realimentaciones relevantes de un problema
Notación
+ -
Tasa de
Tasa de Población B
+ R Muertes
Nacimentos -
+ +
Esperanza
Fracción de Tasa
de Vida
de Nacimentos
Notación
Vínculo Causal
+ Polaridad Vínculo
Tasa de Población
Nacimentos
Variable
Variable
Correcto
Incorrecto
Ventas de Tasa de
Helados Homicidios
+
+ +
Ventas de Tasa de
Helados Homicidios
Temperatura
Promedio
Guías para diagramas Causales
Tasa de
Ventas por Base de
Pérdida de Clientes
Contacto Oral Clientes
Correcto
+ -
Tasa de
Ventas por Base de B
R Pérdida de Clientes
Contacto Oral Clientes
+ +
Guías para diagramas Causales
3. DETERMINAR POLARIDAD DEL CICLO
Vía Rápida:
Cuente el número de Vínculos Negativos
Vía Correcta:
Rastrear el efecto de un cambio pequeño en una de las variables a medida que se
propaga en el ciclo
+ -
Tasa de
Ventas por Base de B
R Pérdida de Clientes
Contacto Oral Clientes
+ +
Guías para diagramas Causales
Correcto
Incorrecto
+
? (+ ó -)
Precio Beneficio
Precio Beneficio +
Precio
Ventas
-
Guías para diagramas Causales
Tiempo
disponible
+
Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
-
Midnight Oil
Trabajo
Extra Tasa de
Terminacion
+
de Trabajos
Guías para diagramas Causales
+
Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
-
Midnight Oil
Trabajo
Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad
Guías para diagramas Causales
+
- Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
Tiempo por -
Tarea B2 Midnight Oil
Trabajo
Atajos Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad
-
Guías para diagramas Causales
+
- Presión
Trabajo
Cronograma
Pendiente
Proyecto
B1
+
Tiempo por -
Tarea B2 Midnight Oil
Trabajo
Atajos Extra Tasa de
Terminacion
+
de Trabajos
+
R1
Fatiga +
Explosión
- Productividad
-
-
R2
Tasa de
Error De las carreras no queda -
sino el cansancio
Guías para diagramas Causales
Fecha Actual
- +
+
-
- Tiempo Esfuerzo
disponible - dedicado a
Presión en
+ las Labores
el Trabajo R1 +
-
B4 B3
Resultados Productividad
Fecha de Entrega Calidad del +
+ + Trabajo
+ Solicitudes de + +
Aplazamiento + B1
R2
Nivel de
Energía
R1: Explosión Trabajo +
R2: Muy cansado
+ para pensar Semanal
• Suceso elemental: el 1, el 2, el 3, el 4, el 5, el 6
• Espacio muestra: Ω = {1, 2, 3, 4, 5, 6}
• Suceso: A = {2,4,6} B = { 1, 3, 5}
0 ≤ P(A) ≤ 1.
• Sea A = {e1, e2, . . . , en}, entonces P(A) = Pn i=1 P(ei).
• P(Ω) = 1 y P(∅) = 0.
• Complementario: P(A¯) = 1 − P(A).
• Unión: P(A ∪ B) = P(A) + P(B) − P(A ∩ B).
• Si A y B son incompatibles, entonces P(A ∪ B) = P(A) + P(B).
Que son las variables aleatorias
V.A. DISCRETA
Una variable aleatoria es discreta si toma un número finito o numerable
de valores.
V.A. CONTINUA
Una variable aleatoria es continua si toma un número infinito no
numerable de valores (por ejemplo, en un intervalo de R).
Ejemplos
• X =“resultado al tirar un dado” es una variable discreta.
• Y = “altura de un alumno elegido al azar” es una variable continua.
Variables aleatorias discretas
Función de probabilidad
Función de probabilidad Sea X una variable aleatoria discreta con posibles
valores {x1, x2, . . .}. Se llama función de probabilidad o función de masa,
al conjunto de probabilidades con las que X toma cada uno de sus valores,
es decir, pi = P[X = xi ], para i = 1, 2, . . .
Ejemplo X = resultado de lanzar un dado. La función de probabilidad es
Variables aleatorias discretas
Se ha de verificar que:
(i) 0 ≤ pi ≤ 1 ∀i
(ii) σ∞
𝑛=1 pi = 1
Variables aleatorias discretas
F(x) = P(X ≤ x) = σ∞
𝑛=1 pi
Propiedades
• F(−∞) = 0.
• F(∞) = 1.
• Si x ≤ y,
entonces F(x) ≤ F(y).
Ejemplo : En ocasiones algunas líneas aéreas venden más pasajes que los
disponibles en un vuelo. Una compañía ha vendido 250 billetes que
corresponden a un avión de 200 plazas. Sea X la variable aleatoria que
expresa el número de viajeros que se presentan en el aeropuerto para
tomar el vuelo. La distribución de X es:
Función de distribución
Para X v.a. continua, la función de distribución es la función F(x) = P[X ≤ x],
∀x ∈ R.
+∞
(ii) −∞ f(x)dx =0
La probabilidad de que X tome valores en un intervalo [a, b], a, b ∈ R, viene dada por:
𝑎
Por lo tanto, la probabilidad en un punto a es igual a cero. P(X = a) = 𝑎f(x)dx = 0
Variables aleatorias continuas
Observaciones:
(i) Si f(x) es continua, f(x) = F´(x)
(ii) P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a) = F(b) − F(a)
Ejemplo : El número de artículos vendidos en una fábrica cada mes (en
millones) es una variable aleatoria con función de densidad:
Descripción.
Partimos de un experimento aleatorio con solo dos posibles resultados,
que calificamos de éxito/fracaso.
Definimos la variable aleatoria:
La demanda de azúcar en una tienda sigue la una distribución exponencial con una
media de 100 kg/día. El dueño de la tienda revisa el inventario cada 7 días, y hace
pedidos a la planta igual a la capacidad de la bodega menos la cantidad de azúcar que
tiene dispone en ese momento; la entrega es inmediata. La demanda no surtida por
falta de existencias representa ventas perdidas. La capacidad de almacenamiento de la
bodega es de 700 kg. El costo de ordenar $1000 /orden. El costo faltante es de 6Kg, y el
costo de llevar el inventario es de $1 / kg. Determinar el comportamiento del
inventario a lo largo del tiempo y el costo promedio /día para un horizonte de dos
meses.
Ejercicio 4
Variable aleatoria
X:Ω→ R
s→ X(s)
es una variable aleatoria, transforma los resultados del espacio muestral en números reales.
Las variables aleatorias se clasifican en:
- Discretas: toman un número finito o infinito numerable de valores. Por ejemplo, número
de caras obtenidas al lanzar dos monedas.
63
64 Capítulo 4. Variable aleatoria
X:Ω→ R
(c, c) 2
(c, +) 1
(+, c) 1
(+, +) 0
X =Número de caras obtenidas es una variable aleatoria que toma valores 0,1,2, y cada
uno de ellos lo tomará con una probabilidad.
- Continuas: pueden tomar cualquier valor en R. Por ejemplo, tiempo de fallo de una
componente.
Sea (Ω, ℘(Ω), P ) un espacio probabilístico y X una variable aleatoria discreta (v.a.d) que
toma valores {xi }∞
i=1 Se llama función de probabilidad p(x) a la función que indica la probabi-
p(xi ) = P (X = xi ) = pi ,∀i
Se ha de verificar que:
(i) 0 ≤ pi ≤ 1 ∀i
P∞
(ii) i=1 pi = 1
0,3
0,2
0,1
0
0 2 4 6 8 10
{pi }∞
i=1 la función de probabilidad de X. Se llama función de distribución de la v.a.d. X, F (x),
(i) F (−∞) = 0
(ii) F (+∞) = 1
Función de distribución
1
probabilidad acumulada
0,8
0,6
0,4
0,2
0
0 2 4 6 8 10
Observaciones:
a. Calcula la probabilidad de que todos los pasajeros que llegan a tomar el vuelo tengan
plaza.
P (X ≤ 200) = F (200) = P (198) + P (199) + P (200) = 0,29
d. ¿Cuál es la probabilidad de que la primera persona que está en lista de espera tenga sitio
en el vuelo?.
P (X < 200) = P (X ≤ 199) = 0,14
Decíamos que las variables aleatorias continuas (v.a.c.) pueden tomar cualquier valor de
la recta real. Generalmente presentarán muchos valores distintos (cada uno con muy escasa
frecuencia o probabilidad), por lo que en este caso carece de sentido hablar de probabilidad en
un punto aislado y se toman probabilidades por intervalos.
Sea (Ω, ℘(Ω), P ) un espacio probabilístico y X una v.a.c. con valores en R.Se llama función
de densidad de la v.a.c. X a una función f (x) tal que:
(i) f (x) ≥ 0, ∀x ∈ R
4.1. Definición de variable aleatoria. Clasificación. 67
Z
+∞
(ii) f (x)dx = 1
−∞
La probabilidad de que X tome valores en un intervalo [a, b], a, b ∈ R, viene dada por:
Zb
P (a ≤ X ≤ b) = f (x)dx
a
P(a<X<b)
0,4
0,1
0,3
0,2
f(x)
0,1
0
-5 -3 -1 1 3 5
a b
Observaciones:
Sea (Ω, ℘(Ω), P ) un espacio probabilístico, X una v.a.c. con valores en R.y f (x) su función
de densidad. Se llama función de distribución de la v.a.c. X, F (x), a la probabilidad de que X
tome valores inferiores o iguales a x,
Zx
F (x) = P (X ≤ x) = f (u)du, x ∈ R
−∞
(i) F (−∞) = 0
(ii) F (+∞) = 1
(iv) F es continua
Observaciones:
0,8
0,6
0,4
0,2
0
0 10 20 30 40
Ejemplo 4.2: El número de artículos vendidos en una fábrica cada mes (en millones) es
una variable aleatoria con función de densidad:
k(1 − x)2 0<x<1
f (x) =
0 en otro caso
a. Calcula el valor de k para que f (x) sea una función de densidad.
Z
+∞ Z1 Z1
f (x)dx = f (x)dx = k(1 − x)2 dx = 1,
−∞ 0 0
k = 3
d. Calcula la probabilidad de que en un mes el número de ventas esté comprendido entre 0.6
y 0.8 (millones).
e. Si se quiere tener una garantía del 95 % de que no se agote el producto en un mes deter-
minado, ¿qué cantidad c del mismo debe pedirse a fábrica?.
P (X ≤ c) = F (c) = 0,95,
c3
3(c + − c2 ) = 0,95,
3
c = 0,63.
- Si X es discreta:
∞
X
E(X) = xi pi
i=1
- Si X es continua: Z +∞
E(X) = xf (x)dx
−∞
Propiedades de la esperanza:
- Si X es discreta:
∞
X
E(g(X)) = g(xi )pi
i=1
- Si X es continua: Z +∞
E(g(X)) = g(x)f (x)dx
−∞
P P
(iv) Si X1 , ..., Xn son variables aleatorias, E( ni=1 Xi ) = ni=1 E(Xi ).
µk = E((X − µ)k )
αk = E(X k )
Observaciones:
- α0 = 1
- α1 = µ
- µ0 = 1
- µ1 = 0
Todas las medidas de centralización, dispersión y forma vistas en el Tema 1 pueden calcularse
sin más que sustituir en aquellas fórmulas la frecuencia relativa por la probabilidad. Así por
ejemplo, la mediana de una v.a X será aquel valor x tal que F (x) = 0,5; la moda el valor con
mayor probabilidad (caso discreto) o máxima función de densidad (caso continuo); el coefiente
de variación µ/σ, etc.
Ejemplo 4.3: Calculamos la media y varianza de la variable dada en el ejemplo 4.1
8
X
E(X) = µ = xi pi = 198 ∗ 0,05 + 199 ∗ 0,09 + ... + 205 ∗ 0,02 ' 201,
i=1
por lo tanto
V ar(X) = σ 2 = E(X 2 ) − E 2 (X) = 179,88
Z1
E(X) = µ = 3x(1 − x)2 dx = 0,25,
0
Z1
2
E(X ) = 3x2 (1 − x)2 dx = 0,1,
0
Por ejemplo,
µ = G´(0),
σ2 = G´(0) − [G´(0)]2
4.4. Ejercicios
1. El control de la calidad de ciertos productos se realiza contando el número de defectos por
unidad y comprobando si dicho número está comprendido entre ciertos límites llamados
límites de control. Si el número de defectos por unidad en cierto proceso de fabricación es
una variable aleatoria X con función masa de probabilidad dada por:
e−0,6 0,6x
P (X = x) = , x = 0, 1, 2, ...
x!
a) Determina el número medio de defectos por unidad.
Nota:
siendo λ = E[X], y se considera que el proceso está bajo control estadístico cuan-
do el número de defectos que se van observando en una muestra de unidades está
comprendido entre dichos límites.
4.4. Ejercicios 73
2. El tiempo necesario en milisegundos para completar una reacción química está aproximado
por una función de distribución dada por:
F (x) = 1 − e−0,01x , x ≥ 0
c) Calcula la probabilidad de que el espesor esté comprendido entre 115 y 118 µm.
a) Representa F (x).
c) Determina f (x).
a)
0 con probabilidad 1/2
1 con probabilidad 1/10
X=
2
con probabilidad 2/10
3 con probabilidad 2/10
b)
0 con probabilidad 1/2
X= 1 con probabilidad 2/15
2 con probabilidad 8/15
c)
0 con probabilidad k/3
X=
1 con probabilidad 1 − k/3
7. Indica cuáles de las siguientes funciones puede ser función de densidad de una variable
aleatoria continua. En el caso de que no lo sean da la razón. En caso de que lo sean,
calcula la función de distribución.
a)
1/3 si x ∈ [0, 2]
f (x) =
0 en otro caso
4.4. Ejercicios 75
b)
2e−2x si x ∈ [0, ∞)
f (x) =
0 en otro caso
8. El kilometraje (en miles de km) que los automovilistas logran de cierto tipo de neumáticos
es una variable aleatoria con función de densidad
1 e− 20
x
si x > 0
f (x) = k
0 en otro caso
10. Se lanza una serie de cohetes hasta que se alcanza el primer lanzamiento con éxito. Si no
tiene lugar el éxito en la quinta prueba, finalizan los lanzamientos. La probabilidad de
éxito es 0.8 y los lanzamientos son independientes. El costo del primer lanzamiento es C
y el de los sucesivos C/3. Cada vez que tiene lugar un éxito se obtienen unos ingresos de
valor I. Sea X el resultado económico del proceso (ingresos-costos).