Modelos Estocásticos

Adiel Omar Flores Ramos

Manual – Unidad 4
 Índice
Introducción..........................................................................................................................................................................3
Organización de la Asignatura.............................................................................................................................................4
Unidades didácticas..........................................................................................................................................................4
Tiempo mínimo de estudio...............................................................................................................................................4
UNIDAD 4: Decisión y riesgo.............................................................................................................................................5
Diagrama de organización................................................................................................................................................5
Tema n.° 1: Análisis del riesgo, decisiones y la sensibilidad...........................................................................................6
1.1. Decisión............................................................................................................................................................6
1.2. Análisis del riesgo y análisis de sensibilidad.................................................................................................12
Tema n.° 2: Cálculo de probabilidades de las opciones.................................................................................................15
Tema n.° 3: Teoría de la credibilidad.............................................................................................................................19
3.1. Credibilidad completa.........................................................................................................................................19
3.2 Credibilidad Parcial........................................................................................................................................20
Tema n.° 4: Procesos estocásticos..................................................................................................................................21
4.1. Caminatas aleatorias............................................................................................................................................21
4.2. Cadenas de Markov.............................................................................................................................................22
4.3. Proceso de Poisson..............................................................................................................................................23
Tema n.° 5: Teoría de la ruina........................................................................................................................................26
5.1. Caso discreto..................................................................................................................................................26
5.2. Consecuencias................................................................................................................................................30
5.3. Caminatas aleatorias generales......................................................................................................................31
5.4. Caso del movimiento browniano....................................................................................................................34
De la teoría a la práctica.................................................................................................................................................36
Glosario de la Unidad 4......................................................................................................................................................39
Bibliografía de la Unidad 4................................................................................................................................................40

2 Manual
 Introducción
En una época de constante cambio, en donde la complejidad de nuestro mundo actual se agudiza sin detenerse, tomar
decisiones en entornos con incertidumbre se convierte en una tarea cada vez más difícil y compleja. En contextos como
este, se requieren instrumentos como la estadística, las probabilidades, la estocástica y los modelos que se generan a
partir de estas, son herramientas valiosas que nos permiten entender la realidad y tomar decisiones con absoluta certeza
o bajo cierto nivel de incertidumbre minimizando los riesgos.
La asignatura de Modelos estocásticos busca formar en los participantes las capacidades de análisis de hechos, la
contrastación de las teorías con la toma de decisiones en el medio, aplicando con la finalidad de ello herramientas
probabilísticas formales de cálculo y análisis.
Mediante la asignatura, el estudiante adquirirá los conocimientos y las técnicas necesarias con la finalidad de que pueda
analizar la realidad, sus riesgos y beneficios, y tomar decisiones con base en modelos probabilísticos. El futuro
profesional, podrá integrar sus conocimientos con otras disciplinas empresariales relacionadas con la toma de
decisiones.
Con el desarrollo de la asignatura, el estudiante será capaz de:
 Aplicar la teoría de probabilidades con la finalidad de dar solución a problemas de decisión empresarial.
 De exponer el cálculo de probabilidades en procesos estocásticos formados a través de las distribuciones de
Poisson
 Determinar el modelo de renovación y confiabilidad en situaciones de tiempos no exponenciales.
 Analizar el riesgo en un modelo de negocios.
El presente material ofrece la información necesaria con la finalidad de el logro de los aprendizajes previstos. Además
de los temas presentados, de requerirlo, le ayudaremos a profundizar en temas específicos, absolviendo sus preguntas,
proporcionándole la información bibliográfica y otros recursos que juzgue convenientes.
La asignatura está dividida en cuatro unidades didácticas: en la Unidad I se revisan los conceptos de Probabilidades y
sus axiomas fundamentales; en la Unidad II se aborda el tema de Procesos de Poisson, en la Unidad III, la teoría de la
renovación y teoría de la fiabilidad, finalmente, en la Unidad IV se revisan los conceptos asociados a la Teoría de la
decisión y riesgo.
Le deseamos muchos éxitos en sus estudios y renovamos el compromiso de estar a su disposición.

El autor.

Universidad Continental | Manual 3

 Organización de la Asignatura
Resultado de aprendizaje de la asignatura
Al finalizar la asignatura, el estudiante será capaz de solucionar problemas probabilísticos
empresariales utilizando las estrategias y métodos de los procesos estocásticos.

Unidades didácticas
UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4
Teoría de la Proceso de Poisson Teoría de la renovación Decisión y riesgo
probabilidad y fiabilidad

Resultado de Resultado de Resultado de Resultado de

aprendizaje aprendizaje aprendizaje aprendizaje
Al finalizar la unidad, Al finalizar la unidad, Al finalizar la unidad, Al finalizar la unidad,
el estudiante será capaz el estudiante será capaz el estudiante será capaz será capaz de evaluar
de calcular la de aplicar el proceso de de determinar el decisiones basados en
probabilidad de un Poisson en el cálculo modelo de renovación el análisis de riesgo
evento simple y de la probabilidad de y confiabilidad en con la finalidad de dar
compuesto, la procesos estocásticos. situaciones de tiempos solución a procesos
esperanza matemática no exponenciales. estocásticos
y la esperanza empresariales.
condicional en
situaciones reales de la
vida.

Tiempo mínimo de estudio

UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4

20 horas 28 horas 20 horas 28 horas

4 Manual
 UNIDAD 4: Decisión y riesgo
Diagrama de organización

Decisión y Riesgo

Análisis del riesgo, decisiones y

Cálculo de probabilidades de
la sensibilidad
las alternativas

Teoría de la credibilidad Procesos estocásticos

Teoría de la rutina

Universidad Continental | Manual 5

 Tema n.° 1: Análisis del riesgo, decisiones y la sensibilidad

Uno de los retos al que nos enfrentamos diariamente, es la de tomar decisiones, la mayoría de las veces
podemos tomar decisiones porque tenemos información o nuestras decisiones no tienen graves
consecuencias, sin embargo, cuando no tenemos buena información o cuando las consecuencias de nuestras
decisiones tendrían graves consecuencias, no sólo con la finalidad de nosotros sino con la finalidad de
nuestra empresa, debemos recurrir a las probabilidades con la finalidad de minimizar los riesgos y tomar
buenas decisiones. El presente capítulo, refiere a la toma de decisiones utilizando como herramienta
fundamental, las probabilidades.

1.1. Decisión
De acuerdo con Anderson (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para los
negocios, 2011), el análisis de decisión se usa con la finalidad de elaborar una estrategia óptima de decisión
ante diversas opciones y ante un conjunto de eventos futuros inciertos y llenos de riesgos.
Por ejemplo, Ohio Edison usó el análisis de decisiones con la finalidad de elegir el mejor tipo de un equipo de
control determinado con la finalidad de las unidades generadoras de combustión de carbón cuando enfrentó
las incertidumbres futuras concernientes a los requerimientos de contenido de sulfuro, los costos de
construcción, etc. El estado de Carolina del Norte utilizó el análisis de decisiones cuando evaluó implementar
o no un examen médico con la finalidad de detectar desórdenes metabólicos en los recién nacidos (Anderson
et al., 2011, p. 98).
Con la finalidad de dar inicio al estudio del análisis de decisión, emplearemos problemas de decisión donde
las opciones de decisión 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 decisión. Seguidamente,
se abordará los árboles de decisión con la finalidad de exponer la forma secuencial de los problemas. Los
árboles de decisión se utilizan con la finalidad de analizar problemas más complejos e identificar una
secuencia óptima de decisiones. Adicionalmente, se aplica el teorema de Bayes con la finalidad de obtener
las probabilidades de las ramas de los árboles de decisión.
1.1.1 Planteamiento del problema
El primer paso en el análisis de decisión es formular el problema. Se empieza por hacer un planteamiento
verbal del mismo. Después se identifican las opciones de decisión, los eventos futuros inciertos, conocidos
como eventos aleatorios, y las consecuencias de cada combinación de una opción de decisión con uno de los
resultados del evento aleatorio (Anderson, Sweeney, & Williams, 2012, pág. 881).
Como ejemplo, se considerará una adaptación del que propone Anderson et al.(2011, pp. 99-102) consistente
en un proyecto de construcción.
El Abeto Corporation (ABC) compró una zona de terreno con la finalidad de hacer la construcción de un
lujoso condominio. ABC desea vender cada vivienda en precios entre S/ 300 000 y S/ 1 400 000.
Con la finalidad de iniciar, ABC encargó tres proyectos arquitectónicos de tamaños distintos: uno de 30
viviendas, otro de 60 viviendas y el tercero de 90 viviendas. Con la finalidad de que el proyecto tenga éxito,
dependerá del tamaño del complejo y del suceso aleatorio de la demanda que pueda haber por las viviendas.
El problema de decisión de ABC es optar por el tamaño del complejo que lleve a los beneficios más altos.
ABC tiene entonces tres opciones con la finalidad de su decisión:
d1 = un complejo pequeño de 30 viviendas
d2 = un complejo mediano de 60 viviendas
d3 = un complejo grande de 90 viviendas
Un importante componente en la selección de la mejor opción 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 podrían ocurrir dos sucesos

6 Manual
aleatorios: una alta demanda y una baja demanda.
En los modelos estocásticos y el análisis de la decisión, a los posibles resultados de un suceso al azar se les
denomina estados. En el problema de ABC, el suceso aleatorio de la demanda de las viviendas tiene dos
estados:
s1 = una alta demanda de las viviendas
s2 = una baja demanda de las viviendas
1.1.2 Tablas de recompensa
Una vez que se han expresado las tres opciones de decisión y los dos estados, la siguiente pregunta es sobre
el tamaño de condominio que se debe elegir. Con la finalidad de dar respuesta a esta pregunta, ABC
necesitará conocer los efectos de cada combinación de un estado y opción de decisión. A cada uno de los
resultados de la combinación de un estado y una opción de decisión se le conoce como recompensa, y la
tabla que lo muestra, se le conoce como tabla de recompensas.
Tabla 1
Tabla de recompensa con la finalidad de el proyecto del condominio de ABC (recompensas en millones de soles)

Nota: Tomado de Métodos cuantitativos para los negocios, de Anderson et al., 2011.
ABC quiere seleccionar el tamaño del complejo que le otorgue mayores beneficios; los beneficios se usarán
como resultado, o también llamado consecuencia. En la tabla siguiente se observa la tabla de recompensa
que indica los beneficios en millones de soles. Nótese que, si la demanda es alta y el tamaño del condominio
es mediano, los beneficios serán de S/ 14 millones. La recompensa que corresponde a cada combinación de
una opción de decisión i y un estado j se indicará como Vij. De esta manera, de acuerdo con la tabla, V31 =
20 indica que existirá una recompensa de S/ 20 millones si elegimos construir un complejo grande (d3) y la
demanda que se presenta es alta (s1). De manera similar, V32 = —9 indica que se perderán S/ 9 millones si
elegimos la construcción de un complejo grande (d3) y la demanda que se presenta baja (s2).
1.1.3 Árboles de decisión
Un árbol de decisión es un diagrama tipo árbol que muestra el sentido secuencial del proceso de toma de
decisión. En la siguiente figura, se expone el árbol de decisión con la finalidad de el problema de ABC. En el
árbol de decisión se observa la progresión lógica en el tiempo. En principio, ABC tendrá que evaluar y
deberá tomar una decisión con respecto al tamaño del complejo de viviendas (d1, d2 o d3). Luego de
llevar a cabo lo decidido, se deberá dar el estado s1 o el estado s2.
En cada nodo final del árbol aparece el número que es la recompensa de la secuencia expresada que
corresponde. Por ejemplo, el valor 8, que se encuentra en la parte superior, indica que esperamos ganar S/ 8
millones si ABC edifica un complejo pequeño (d1) y la demanda resultante es alta (s1). El valor siguiente,
que es 7, indica que esperamos ganar S/ 7 millones si ABC edifica un complejo pequeño (d1) y la demanda
resultante es baja (s2). De esta manera, en el árbol de decisión se exponen de manera gráfica las secuencias
de opciones de decisión y estados con los que se llega a las seis posibles recompensas (Anderson, Sweeney,
Williams, Camm, & Martin, 2011).
El árbol de decisión que se expone en la figura tiene cuatro nodos, enumerados del 1 al 4, que representan los
sucesos aleatorios y las decisiones. Los cuadrados representan nodos de decisión y los círculos nodos

Universidad Continental | Manual 7

aleatorios. De esta manera, el nodo 1 es un nodo de decisión, y los nodos 2, 3 y 4 son nodos del tipo
aleatorio. Las ramas que salen de cada nodo aleatorio son estados. Las ramas que salen del nodo de decisión
son las opciones de decisión. Al final de los estados aparecen las recompensas.

Figura 1. Árbol de decisión con la finalidad de el proyecto del condominio de ABC (recompensa en millones de soles).
Tomado de Métodos cuantitativos para los negocios, de Anderson et al., 2011.
1.1.4 Toma de decisiones con probabilidades
Una vez que se han definido las opciones de decisión y los estados de los sucesos aleatorios, se determinan
las probabilidades de los estados. Con la finalidad de determinar estas probabilidades, se puede usar
cualquiera de los métodos estudiados en la primera unidad: el método clásico de cálculo de probabilidades, el
método frecuentista o el método subjetivo. A continuación, se expone cómo usar, una vez determinadas las
probabilidades, el método de la esperanza o valor esperado con la finalidad de identificar la mejor opción de
decisión y aplicarlo al problema estudiado (Anderson, Sweeney, & Williams, 2012, pág. 941).

Método del valor esperado

Iniciaremos definiendo el valor esperado de una opción:
Sea
N = cantidad de estados
P(sj) = probabilidad del estado sj
Como solamente puede presentarse uno y solo uno de los N estados, las probabilidades deben satisfacer dos
condiciones:

El valor esperado (VE) de una opción de decisión di es el siguiente:

Donde:
Vij =valor de la recompensa con la finalidad de la opción de decisión di y el estado sj.
El valor esperado de una opción de decisión es la sumatoria de las recompensas ponderadas que existen con
la finalidad de esa opción de decisión. El peso de ponderación con la finalidad de una recompensa es la

8 Manual
probabilidad de que dicha recompensa ocurra (Anderson et al., 2011, p. 105).
ABC observa con confianza el potencial del complejo de viviendas. Esta confianza lo lleva a una evaluación
inicial, mediante el método 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 opciones de decisión se calcula de la
siguiente manera:

Así, con el método del valor esperado, se encuentra que el complejo grande es la decisión recomendada, con
un valor esperado de 14.2 millones de soles.
Los cálculos con la finalidad de identificar la opción de decisión que tiene el mejor valor esperado pueden
realizarse en un árbol de decisión. Como el que toma la decisión controla la rama que sale del nodo 1 de
decisión y como se trata de maximizar los beneficios esperados, la mejor opción de decisión en el nodo 1 es
d3. Por tanto, el análisis del árbol de decisión lleva a la recomendación de d3, cuyo valor esperado es 14.2
millones de soles. Obsérvese que con el método del valor esperado en unión con la tabla de recompensas se
obtiene la misma recomendación (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos
para los negocios, 2011).

Figura 2. Árbol de decisión para el problema de ABC con las probabilidades en las ramas de estado. Tomado de
Estadística para la administración y economía, de Anderson et al., 2008.

Valor esperado de la información perfecta

Vamos a suponer que ABC tiene la oportunidad de realizar un estudio de investigación de mercado que le
ayudará a evaluar el grado de interés del público por el proyecto del condominio y que proporcionará a los
directivos información con la finalidad de mejorar su evaluación de las probabilidades de los estados. Con la
finalidad de determinar el valor potencial de esta información, se comenzará por suponer que el estudio
puede proporcionar información perfecta sobre los estados; esto es, se acepta, por el momento, que ABC
podría determinar con certeza, antes de tomar una decisión, qué estado va a ocurrir. Con la finalidad de
aprovechar esta información perfecta, se elaborará una estrategia de información, la cual seguirá ABC una
vez que sepa qué estado se presenta. Una estrategia de decisión es simplemente una regla de decisión que

Universidad Continental | Manual 9

especifica la opción de decisión por elegir una vez que se cuente con más información (Anderson, Sweeney,
& Williams, 2012, pág. 944).
Como ayuda con la finalidad de determinar la estrategia de decisión de ABC, en la tabla siguiente se
reproduce la tabla de recompensas de ABC. Obsérvese que si ABC supiera con certeza que el estado s 1 fuera
a ocurrir, la mejor opción de decisión sería d 3, cuya recompensa es de 20 millones de soles. De manera
similar, si ABC supiera con certeza que el estado s 2 es el que va a ocurrir, la mejor opción de decisión sería
d1, cuya recompensa es 7 millones de soles. Por tanto, se puede establecer la estrategia óptima de decisión si
ABC llega a contar con la información perfecta como sigue (Anderson, Sweeney, & Williams, 2012):
 Si s1, se elige d3 y se obtiene una recompensa de S/ 20 millones.
 Si s2, se elige d1 y obtiene una recompensa de S/ 7 millones.

Figura 3. Aplicación del método del valor esperado mediante un árbol de decisión. Tomado de Estadística para la
administración y economía, de Anderson et al., 2012.
¿Cuál es el valor esperado con esta estrategia de decisión? Con la finalidad de calcular el valor esperado con
información perfecta, se vuelve a las probabilidades originales de los estados: P(s 1) = 0.8 y P(s2) = 0.2. Por
tanto, hay una probabilidad de 0.8 de que la información perfecta indique el estado s 1 y la decisión opción
resultante d3 proporcionará S/ 20 millones de beneficios. De manera similar, si 0.2 es la probabilidad del
estado s2¸ la opción óptima de decisión d1 proporcionará S/ 7 millones de ganancia. De esta manera, con la
ecuación del valor esperado de la estrategia de decisión basada en la información perfecta es (Anderson,
Sweeney, & Williams, 2012):
0.8(20) + 0.2(7) = 17.4
A este valor esperado de S/ 17.4 millones se le conoce como el valor esperado con información perfecta
(VEcIP). Se había indicado anteriormente que la decisión recomendada usando el método del valor esperado
era la opción de decisión d3, con un valor esperado de S/ 14.2 millones. Como la recomendación de esta
decisión y el cálculo del valor esperado se hizo sin la ventaja de la información perfecta, a los S/ 14.2
millones de soles se les conoce como valor esperado sin información perfecta (VEsIP) (Anderson,
Sweeney, & Williams, 2012).
El valor esperado con información perfecta es S/ 17.4 millones y el valor esperado sin información perfecta
es S/ 14.2 millones; por tanto, el valor esperado de la información perfecta (VEIP) es S/ 17.4 — S/ 14.2 = S/
3.2 millones. Mencionado de otro modo, S/ 3.2 millones representan el valor esperado adicional que se
puede obtener si se cuenta con información perfecta acerca del estado. En general, un estudio de
investigación de mercado no proporciona información “perfecta”; pero si el estudio de mercado es bueno, la
información obtenida bien puede valer una buena porción de los S/ 3.2 millones. Dado que el VEIP es de S/

10 Manual
3.2 millones, ABC puede considerar seriamente un estudio de investigación de mercado con objeto de
obtener más información acerca del estado (Anderson, Sweeney, & Williams, 2012).
Tabla 2
Tabla de recompensa con la finalidad de el proyecto de las viviendas de ABC (millones de soles)

Nota: Tomado de Métodos cuantitativos para los negocios, de Anderson et al., 2011.

El valor esperado de la información perfecta se calcula en general como sigue:

Nótese el papel del valor absoluto en la ecuación. En problemas de minimización, la información ayuda a
reducir y bajar los costos; de manera que el valor esperado con información perfecta es menor o igual al
valor esperado sin información perfecta. En este caso, VEIP es la magnitud de la diferencia entre VEcIP y
VEsIP o el valor absoluto de la diferencia como se expone en la ecuación (Anderson, Sweeney, & Williams,
Estadística para Administración y Economía, 2012).

1.2. Análisis del riesgo y análisis de sensibilidad

El análisis del riesgo ayuda al tomador de decisiones a reconocer la diferencia entre el valor esperado de una
opción de decisión y el resultado que puede ocurrir en realidad. El análisis de sensibilidad también ayuda al
tomador de decisiones a describir cómo los cambios en las probabilidades del estado de la forma o los
cambios en los resultados afectan la opción de decisión recomendada (Anderson et al., 2011, p. 109).
1.2.1 Análisis del riesgo
Una opción de decisión y un estado de la forma se combinan con la finalidad de generar el resultado
asociado con una decisión. El perfil de riesgo con la finalidad de una opción de decisión muestra los
resultados posibles junto con sus probabilidades asociadas. La figura 26 toma en cuenta el ejemplo de
Anderson et al. (2011, p. 109).

Universidad Continental | Manual 11

 Figura 4. Perfil de riesgo con la finalidad de la opción de decisión del complejo grande con la finalidad de el proyecto de
viviendas de ABC. Tomado de Métodos cuantitativos para los negocios, de Anderson et al., 2011.
Podemos exponer ahora la construcción de un perfil de riesgo y el análisis del riesgo al retomar el proyecto
de construcción de viviendas de ABC. Si utilizamos el método del valor esperado, se identifica el complejo de
viviendas grande (d3) como la mejor opción de decisión. El valor esperado de S/ 14.2 millones con la
finalidad de d3 se basa en una probabilidad de 0.8 de obtener una utilidad de S/ 20 millones y una
probabilidad de 0.2 de obtener una pérdida de S/ 9 millones. La probabilidad de 0.8 con la finalidad de la
respuesta de S/ 20 millones y la probabilidad de 0.2 con la finalidad de la respuesta de —S/. 9 millones
constituyen el perfil de riesgo con la finalidad de la opción de decisión del complejo grande (Anderson,
Sweeney, & Williams, 2012).

1.2.2 Análisis de sensibilidad

El análisis de sensibilidad se puede utilizar con la finalidad de determinar cómo los cambios en las
probabilidades con la finalidad de los estados de la forma o los cambios en los resultados afectan la opción
de decisión recomendada. En muchos casos, las probabilidades con la finalidad de los estados de la forma y
los resultados se basan en evaluaciones subjetivas. El análisis de sensibilidad ayuda al tomador de decisiones
a entender cuáles de estas entradas son cruciales con la finalidad de la elección de la mejor opción de
decisión. Si un cambio pequeño en el valor de una de las entradas provoca un cambio en la opción de
decisión recomendada, la solución con la finalidad de el problema de análisis de decisiones es sensible a esa
entrada en particular. Se debe hacer un esfuerzo adicional y poner más cuidado con la finalidad de asegurar
que el valor de entrada sea lo más preciso posible. Por otra parte, si un cambio de modesto a grande en el
valor de una de las entradas no suscita un cambio en la opción de decisión recomendada, la solución con la
finalidad de el problema del análisis de decisiones no es sensible a esa entrada en particular. No se requieren
tiempo o esfuerzos adicionales con la finalidad de afinar el valor de entrada estimado (Anderson et al.,
2011).
Un enfoque con la finalidad de el análisis de sensibilidad es seleccionar diferentes valores con la finalidad de
las probabilidades de los estados de la forma y los resultados, y luego resolver el problema del análisis de
decisiones. Si la opción de decisión recomendada cambia, sabemos que la solución es sensible a los cambios
hechos. Por ejemplo, Vamos a suponer que en el problema de ABC la probabilidad de una demanda fuerte
cambia a 0.2 y la probabilidad de una demanda débil cambia a 0.8. ¿Cambiaría la opción de decisión
recomendada? Utilizando P(s1) = 0.2, P(s2) = 0.8 y la ecuación, los valores esperados revisados con la
finalidad de las tres opciones de decisión son (Anderson, Sweeney, Williams, Camm, & Martin, Métodos

12 Manual
cuantitativos para los negocios, 2011):
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 opción de decisión recomendada es construir un complejo de
viviendas pequeño (d1), con un valor esperado de S/ 7.2 millones. La probabilidad de una demanda fuerte
solo es 0.2, de manera que la construcción del complejo de viviendas grande (d3) es la opción menos
preferida, con un valor esperado de —S/ 3.2 millones (una pérdida).

Universidad Continental | Manual 13

 Tema n.° 2: Cálculo de probabilidades de las opciones

Las decisiones se toman basadas en buena información, información que tiene que estar completa, sea
indicativa, oportuna, confiable y veraz, sin embargo, muchas no contamos con esta información, sino sólo
con información parcial, en estos casos, la decisión se toma en base a las probabilidades de ocurrencia con
la finalidad de tomar decisiones.

En el tema anterior, los nodos fortuitos de las probabilidades de las ramas con la finalidad de el árbol de
decisión de ABC se especificaron en la descripción del problema. No se requirieron cálculos con la finalidad
de determinar estas probabilidades. En este tema se expone cómo el teorema de Bayes se puede utilizar con
la finalidad de calcular las probabilidades de las ramas para los árboles de decisión (Anderson, Sweeney,
Williams, Camm, & Martin, Métodos cuantitativos para los negocios, 2011).
El árbol de decisión de ABC se expone de nuevo en la figura siguiente. Sea
F = informe de investigación del mercado favorable
U = informe de investigación del mercado desfavorable
s1 = demanda fuerte (estado de la forma 1)
s2 = demanda débil (estado de la forma 2)
En el nodo fortuito 2 necesitamos conocer las probabilidades de las ramas P(F) y P(U). En los nodos de
probabilidad 6, 7 y 8 necesitamos conocer las probabilidades de la rama P(s1 | F), la probabilidad del estado
de la forma 1 dado un informe de investigación de mercados favorable, y de la rama P(s2 | F), la
probabilidad del estado de la forma 2 dado un informe de investigación de mercados favorable. P(s1 | F) y
P(s2 | F) se conocen como probabilidades posteriores debido a que son probabilidades condicionales
basadas en el resultado de la información muestral. En los nodos de probabilidad 9, 10 y 11 necesitamos
conocer las probabilidades de las ramas P(s1 | U) y P(s2 | U); Nótese que estas probabilidades también son
posteriores, lo que denota las probabilidades de los dos estados de la forma, dado que el informe de
investigación de mercados es desfavorable. Por último, en los nodos fortuitos 12, 13 y 14, necesitamos las
probabilidades con la finalidad de los estados de la forma, P(s1) y P(s2), si la investigación de mercados no
se realiza (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para los negocios, 2011).

14 Manual
 Figura 5. Árbol de decisión de ABC. Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, 2011)

Al hacer los cálculos de probabilidad necesitamos conocer la evaluación de ABC de las probabilidades con
la finalidad de los dos estados de la forma, P(s1) y P(s2), que son las probabilidades previas expuestas antes.
Además, debemos conocer la probabilidad condicional de los resultados de la investigación de mercados
(la información muestral) dado cada estado de la forma. Por ejemplo, necesitamos conocer la probabilidad
condicional de un informe de investigación de mercados favorable dado un estado de la forma de demanda
fuerte con la finalidad de el proyecto de ABC; advierta que esta probabilidad condicional de F dado el estado
de la forma s1 se escribe P(F | s1). Con la finalidad de realizar los cálculos de probabilidad, necesitaremos
probabilidades condicionales con la finalidad de todos los resultados muestrales dados todos los estados de la
forma, es decir, P(F | s1), P(F | s2), P(U | s1) y P(U | s2). En el problema de ABC suponemos que las
evaluaciones siguientes están disponibles con la finalidad de estas probabilidades condicionales:

Universidad Continental | Manual 15

Nótese que las evaluaciones de probabilidad anteriores proporcionan un grado razonable de confianza en la
investigación de mercados. Si el verdadero estado de la forma es s1, la probabilidad de un informe de
investigación de mercados favorable es 0.90, y la probabilidad de un informe desfavorable es 0.10. Si el
estado de la forma verdadero es s2, la probabilidad de un informe de investigación de mercados favorable es
0.25, y de uno desfavorable es 0.75. La razón por la cual se asigna 0.25 a la probabilidad con la finalidad de
un informe potencialmente engañoso de investigación de mercados favorable con un estado de la forma s2,
es que cuando algunos compradores potenciales escuchan por primera vez acerca del nuevo proyecto de
condominios, su entusiasmo puede llevarlos a exagerar su interés real en él. La respuesta favorable inicial de
un posible comprador puede cambiar rápidamente a “no gracias” cuando se enfrente más tarde a la realidad
de tener que firmar un contrato de compra y hacer un pago inicial (Anderson, Sweeney, Williams, Camm, &
Martin, Métodos cuantitativos para los negocios, 2011).
A continuación, se presenta un enfoque tabular como un método conveniente con la finalidad de realizar los
cálculos de probabilidad. Los cálculos con la finalidad de el problema de ABC basados en un informe de
investigación de mercados favorable (F) se resumen en la tabla 1. Los pasos utilizados con la finalidad de
desarrollar esta tabla son los siguientes (Anderson, Sweeney, Williams, Camm, & Martin, Métodos
cuantitativos para los negocios, 2011):
Paso 1. En la columna 1 introduzca los estados de la forma. En la columna 2 escriba las
probabilidades previas con la finalidad de los estados de la forma. En la columna 3 indique las
probabilidades condicionales de un informe de investigación de mercados favorable (F) dado cada
estado de la forma.
Paso 2. En la columna 4 calcule las probabilidades conjuntas al multiplicar los valores de
probabilidad previa de la columna 2 por los valores de probabilidad condicional correspondientes de
la columna 3.
Paso 3. Sume las probabilidades conjuntas de la columna 4 con la finalidad de obtener la
probabilidad de un informe de investigación de mercados favorable, P(F).
Paso 4. Divida cada probabilidad conjunta de la columna 4 entre P(F) = 0.77 con la finalidad de
obtener las probabilidades posteriores o revisadas, P(s1 | F) y P(s2 | F).
La tabla 1 muestra que la probabilidad de obtener un informe de investigación de mercados favorable es P(F)
= 0.77. Asimismo, P(s1 | F) = 0.94 y P(s2 | F) = 0.06. En particular, Nótese que un informe de investigación
de mercados favorable provocará una probabilidad revisada o posterior de 0.94 de que la demanda de
mercado de los condominios será fuerte, s1.

Tabla 3
Probabilidades de las ramas con la finalidad de el proyecto de condominios de ABC, basadas en un informe de
investigación de mercados favorable

Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para los negocios, 2011)

16 Manual
Tabla 4
Probabilidades de las ramas con la finalidad de el proyecto de condominios de ABC, basadas en un informe de
investigación de mercados desfavorable

Fuente: (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para los negocios, 2011)

El procedimiento de cálculo de la probabilidad tabular debe repetirse con la finalidad de cada resultado de
información muestral posible. Por tanto, la tabla 2 muestra los cálculos de las probabilidades de las ramas del
problema de ABC basados en un informe de investigación de mercados desfavorable. Nótese que la
probabilidad de obtener un informe de investigación de mercados desfavorable es P(U) = 0.23. Si se obtiene
un informe desfavorable, la probabilidad posterior de una demanda del mercado fuerte, s1, es 0.35 y de una
demanda del mercado débil, s2, es 0.65. Las probabilidades de las ramas de las tablas 1 y 2 se expusieron en
el árbol de decisión de ABC de la figura anterior (Anderson, Sweeney, Williams, Camm, & Martin, Métodos
cuantitativos para los negocios, 2011).
La exposición en este tema muestra una relación subyacente entre las probabilidades en las diversas ramas de
un árbol de decisión. Sería inapropiado asumir diferentes probabilidades previas, P(s1) y P(s2), sin
determinar cómo estos cambios alterarían a P(F) y P(U), así como las probabilidades posteriores P(s1 | F),
P(s2 | F), P(s1 | U) y P(s2 | U) (Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para
los negocios, 2011).
El artículo de MC en Acción, “Pruebas de reconocimiento médico en el Centro Médico de la Universidad
Duke”, muestra cómo la información de la probabilidad posterior y el análisis de decisiones ayudaron a la
gerencia a entender los riesgos y costos asociados con un nuevo procedimiento de análisis clínicos
(Anderson, Sweeney, Williams, Camm, & Martin, Métodos cuantitativos para los negocios, 2011).

Universidad Continental | Manual 17

 Tema n.° 3: Teoría de la credibilidad

Piense en cierto riesgo procedente de un grupo de asegurados vigentes por un periodo determinado. Si este
conjunto de asegurados es homogéneo en el sentido de que todos sus integrantes tienen las mismas
condiciones no determinísticas de realizar un reclamo, entonces es sensato aplicar un mismo pago a todos
ellos. No obstante, cuando el conjunto no es homogéneo, o bien, se origina con el transcurrir del tiempo,
cierta heterogeneidad entre ellos habrá subconjuntos de bajo riesgo y otros de alto riesgo. Recaudar un
mismo pago a todos no sería justo, y no sería bueno con la finalidad de la aseguradora, pues de manera
eventual los asegurados de bajo riesgo buscarían un mejor trato con otra aseguradora.
La idea principal es aplicar pagos menores a los asegurados cuyo riesgo es bajo y pagos más altos a los
de mayor riesgo, basándose en el historial de exigencias que cada uno de los asegurados o subconjuntos
hayan realizado durante los periodos anteriores.

De acuerdo a la RAE (Real Academia Española, 2020) la credibilidad es la cualidad de creíble, se

complementa con el hecho de suponer algo por cierto a pesar de no conocerlo directamente o sin que esté
demostrado.
La credibilidad tiene fundamentalmente dos dimensiones: confianza y grado de conocimiento donde ambas
poseen componentes objetivos y subjetivos. Es decir, la capacidad de generar confianza es un juicio de valor
que emite el receptor basado en componentes subjetivos como las afinidades éticas, ideológicas o estéticas.
El grado de conocimiento puede ser percibido en forma subjetiva aunque también incluye características
objetivas relativas a indicadores indirectos sobre los conocimientos expertos de la fuente (por ejemplo
acreditaciones académicas o profesionales, prestigio, trayectoria) o del rigor del mensaje (calidad de la
información, exhaustividad, referenciación). Otras dimensiones secundarias son el dinamismo o carisma de
la fuente y la atracción física que genera en medios de comunicación que transmiten la imagen del emisor
(Wikipedia, 2019).

3.1. Credibilidad completa

Vamos a suponer que S representa el riesgo con la finalidad de una aseguradora correspondiente a un
asegurado o un conjunto de asegurados con ciertas características particulares, y válido por un periodo fijo,
por ejemplo, un año. Sean S1, . . . , Sm los montos de las reclamaciones efectuadas por este asegurado o
grupo de asegurados durante m periodos consecutivos, y sea S la media muestral o esperanza de exigencias,
es decir (Rincón, Introducción a la Teoría del Riesgo, 2012),

Nos interesa estudiar el comportamiento de S a lo largo del tiempo con la finalidad de un conjunto de
asegurados en particular, pues deseamos determinar si el monto que se les cobra a cada uno de ellos es la
adecuada. Si se considera que las variables S1, . . . , Sm son independientes, idénticamente distribuidas y con
esperanza finita, entonces la ley de los grandes números garantiza que la media muestral S converge a la
constante desconocida E(S) , conforme el número de sumandos crece a infinito (Rincón, Introducción a la
Teoría del Riesgo, 2012)

18 Manual
 Figura 6. Media muestral E(S). Fuente: (Rincón, Introducción a la Teoría del Riesgo, 2012)
Es decir, el comportamiento de S como función de m es posiblemente oscilatorio alrededor de E(S) pero
eventualmente va a estabilizarse en ese valor.
La pregunta es, ¿qué tan grande debe ser m con la finalidad de que S esté razonablemente cercano al valor
desconocido E(S) ? La intención es usar S con la finalidad de calcular la prima pura de riesgo de un
asegurado o grupo de asegurados, siempre y cuando se tenga suficiente historial con la finalidad de dar
credibilidad a tal estadística (Rincón, Introducción a la Teoría del Riesgo, 2012, pág. 111).
El siguiente criterio es una posible respuesta a la pregunta planteada.
Definición Sea S1, S2, . . . , Sm una colección de v.a.i.i.d. con esperanza finita. Sean k ϵ (0, 1) y p ϵ (0, 1) dos
números fijos. Se dice que la media muestral S= S1 +…+Sm)/m tiene credibilidad completa (k, p) si
P(| S-E(S)≤ kE( S)≥ p.

3.2 Credibilidad Parcial

En lugar del estimador S con la finalidad de E(S) se propone la combinación lineal convexa
z S +(1- z) E(S)
en donde z ϵ [0, 1] es llamado componente de credibilidad. Mediante una expresión como la propuesta se le
otorga credibilidad parcial a la media muestral S. Sin embargo, es muy importante notar que la expresión
anterior no es un estimador de la media desconocida E (S) puesto que depende de ella misma. A pesar de
esto, aplicaremos la condición de credibilidad Completa a esta expresión y encontraremos una fórmula con la
finalidad de el componente de credibilidad z. Así, la condición de credibilidad completa, aplicada a la
expresión anterior se reduce a (Rincón, Introducción a la Teoría del Riesgo, 2012)
P (|z( S -E (S))|≤ kE (S)≥ p.
Nótese que esta fórmula hace referencia únicamente al primer sumando de la fórmula de credibilidad
completa. Reescribimos la expresión anterior de la forma siguiente:

Esta es la misma condición con la finalidad de la credibilidad completa sólo que en lugar del parámetro k
tenemos ahora k/z, es decir, la credibilidad completa (k, p) con la finalidad de z S +(1 -z) E (S) es
equivalente a la credibilidad completa (k/ z, p) con la finalidad de S.

Universidad Continental | Manual 19

 Tema n.° 4: Procesos estocásticos

Las definiciones de procesos estocásticos se revisaron en unidades anteriores, revisaremos algunas

aplicaciones específicas a la toma de decisiones.

4.1. Caminatas aleatorias

La caminata aleatoria o paseo aleatorio o camino aleatorio, abreviado en inglés como RW (Random Walks),
es una formalización matemática de la trayectoria que resulta de hacer sucesivos pasos aleatorios. Por
ejemplo, la ruta trazada por una molécula mientras viaja por un líquido o un gas, el camino que sigue un
animal en su búsqueda de comida, el precio de una acción fluctuante y la situación financiera de un jugador
pueden tratarse como una caminata aleatoria (Wikipedia, 2020).
En su forma más general, las caminatas aleatorias son cualquier proceso aleatorio donde la posición de una
partícula en cierto instante depende solo de su posición en algún instante previo y alguna variable aleatoria
que determina su subsecuente dirección y la longitud de paso. Los caminos aleatorios también varían con
respecto al tiempo. Casos específicos o límites de estos incluyen la caminata de un borracho, el vuelo de
Lévy y el movimiento browniano. Los paseos aleatorios están relacionados con los modelos de difusión y
son un tema fundamental en la discusión de los procesos de Márkov. Varias propiedades de los paseos
aleatorios incluyen distribuciones dispersas, tiempos de primer cruce y rutas de encuentro (Wikipedia, 2020).
De manera formal podemos definirlo como: Una caminata aleatoria simple sobre el conjunto de números
enteros Z es un proceso estocástico a tiempo discreto {X n : n = 0, 1,... } que evoluciona de la siguiente
forma: iniciando en el estado 0, al tiempo 1 el proceso puede pasar al estado +1 con probabilidad p, o al
estado -1 con probabilidad q, en donde p + q = 1. Se usa la misma regla con la finalidad de los siguientes
tiempos, es decir, estando en el estado k, al siguiente instante el proceso pasa al estado k + 1 con
probabilidad p, o al estado k - 1 con probabilidad q. El valor de X n es el estado donde se encuentra el
proceso al tiempo n y puede escribirse como (Rincón, 2012)
Xn = ξ1+ ξ2+ ξn,
en donde ξ1, ξ2,... es una sucesión de variables aleatorias independientes con idéntica distribución

Figura 7. Trayectoria de una caminata aleatoria.

Fuente: (Rincón, Introducción a la Teoría del Riesgo, 2012)
Una posible trayectoria de este proceso se expone en la anterior y es uno de los mejores ejemplos con la
finalidad de entender el carácter aleatorio en la dinámica de un proceso estocástico a lo largo del tiempo. La
independencia de las variables aleatorias ξ1, ξ2,... tiene como consecuencia que la caminata aleatoria simple
cumpla la propiedad de Markov y que sea un proceso estocástico con incrementos independientes y
estacionarios. En términos generales el objetivo es estudiar el comportamiento de la v.a. Xn al paso del
20 Manual
tiempo. Uno de los elementos fundamentales con la finalidad de estudiar a las caminatas aleatorias está dado
por las probabilidades de transición. Con la finalidad de cualesquiera enteros i y j, las probabilidades de
transición en un paso de la caminata aleatoria simple son (Rincón, 2012):

Como estas probabilidades no dependen de n, se dice que son homogéneas en el tiempo, es decir, son las
mismas con la finalidad de cualquier valor de n. Pueden considerarse también caminatas aleatorias que
inician en cualquier valor entero o que permiten saltar de un estado en sí mismo al siguiente instante (es
decir, no cambiar de estado), o bien, que los saltos no sean unitarios ni los tiempos en los que efectúan los
saltos sean necesariamente tiempos enteros, e incluso pueden definirse caminatas en dimensiones mayores,
por ejemplo, en Z2. Las caminatas aleatorias son procesos que pueden representar versiones discretas de
procesos a tiempo continuo más complejos (Rincón, 2012).

4.2. Cadenas de Markov

La explicación de estas cadenas la desarrolló el matemático de origen ruso Andréi Márkov en 1907. Así, a lo
largo del siglo XX, se ha podido emplear dicha metodología en numerosos casos prácticos de la vida
cotidiana. También se conoce como cadena simple biestable de Markov. Según señaló Markov, en sistemas o
procesos estocásticos (es decir, aleatorios) que presentan un estado presente es posible conocer sus
antecedentes o desarrollo histórico. Por lo tanto, es factible establecer una descripción de la probabilidad
futura de los mismos.

Más formalmente, la definición supone que en procesos estocásticos la probabilidad de que algo suceda
solamente depende del pasado histórico de la realidad que estamos estudiando. Por este motivo, a menudo se
dice que estas cadenas cuentan con memoria. La base de las cadenas es la conocida como propiedad de
Markov, la cual resume lo dicho anteriormente en la siguiente regla: lo que la cadena experimente en un
momento t + 1 solamente depende de lo acontecido en el momento t (el inmediatamente anterior). Dada esta
sencilla explicación de la teoría, puede observarse que es posible a través de esta conocer la probabilidad de
que un estado ocurra en el largo plazo. Esto ayuda indudablemente a la predicción y estimación en largos
periodos de tiempo (Sánchez, 2020).

Definición Una cadena de Markov es un proceso estocástico a tiempo discreto {Xn : n = 0, 1, . . .}

con espacio de estados discreto y tal que satisface la propiedad de Markov, esto es, con la finalidad de
cualquier entero n ≥ 0 y cualesquiera estados x0 , x1 , . . . , xn+1 se cumple la identidad
P(Xn+1=xn+1 | Xn = xn , . . . , X1 = x1 , X0 = x0)
=P(Xn + 1 = xn+1 | Xn = xn ).
A las probabilidades condicionales mencionadas en la definición anterior se les llama probabilidades de
transición del tiempo n al tiempo n + 1, y se les denota por Px n ,xn+1 (n, n + 1). Adicionalmente, se dice que la
cadena es estacionaria u homogénea en el tiempo si estas probabilidades no dependen explícitamente de los
tiempos particulares n y n + 1, sino únicamente de los estados involucrados. De esta forma, si de manera
general se considera la probabilidad de transición del estado i al estado j de una unidad de tiempo cualquiera
a la siguiente unidad de tiempo, la probabilidad de transición del primer estado al segundo se escribe como
pij , o pij ( 1) , o también como pij(n) , es decir, sin importar el valor del entero n (Rincón, 2012):
pij=P ( Xn = j | Xn – 1=i) .
A estas probabilidades se les llama probabilidades de transición en un paso. En general se considera como
espacio de estados con la finalidad de una cadena de Markov el conjunto discreto 0, 1,... o algún
Universidad Continental | Manual 21
subconjunto finito de él. Haciendo variar los valores de los índices i y j en este espacio de estados se forma
la matriz de probabilidades de transición en un paso (Rincón, 2012):

En la entrada i, j de esta matriz aparece la probabilidad pij . Así, todas las entradas son números no
negativos y la suma de ellos en cada renglón es 1. A tales matrices cuadradas se les llama matrices
estocásticas. Recíprocamente, a partir de una matriz con estas características junto con una distribución
inicial con la finalidad de X0, se puede construir una cadena de Markov. Es por ello que a una matriz
estocástica también se le puede llamar cadena de Markov. La cadena puede iniciar en un estado particular
o en cualquiera de ellos de manera aleatoria por medio de una distribución de probabilidad inicial π0, π1,...
(Rincón, 2012)

4.3. Proceso de Poisson

En este tema recordaremos la definición y algunos aspectos elementales de uno de los procesos estocásticos
de mayor importancia: el proceso de Poisson.
Definición Un proceso estocástico de tiempo continuo Nt : t 0 con espacio de estados el conjunto discreto 0,
1, . . . es un proceso de Poisson de parámetro o intensidad λ 0 si cumple las siguientes propiedades (Rincón,
2012):
a) N0= 0.
b) Tiene incrementos independientes.
c) La variable incremento Nt+s - Ns tiene distribución Poisson (λt), con la finalidad de cualesquiera s ≥
0, t > 0.
4.3.1. Tiempos de estancia exponenciales
No resulta evidente a partir de la definición que hemos dado del proceso de Poisson, pero la dinámica de este
proceso es la siguiente: el proceso empieza en el estado cero y permanece en ese estado un tiempo aleatorio
exponencial de parámetro λ, brinca después al estado uno y nuevamente permanece en ese nuevo estado
otro tiempo exponencial con el mismo parámetro e independiente del tiempo de estancia anterior, después
brinca al estado dos y así sucesivamente. Es por ello que una posible trayectoria de este proceso tiene las
características que se exponen en la Figura 6.4: saltos unitarios hacia arriba y tiempos de estancia
exponenciales. De este modo pueden definirse las variables T1, T2,... como los tiempos que transcurren
entre un salto y el siguiente. A tales variables aleatorias se les llama también tiempos de Interarribo. En el
siguiente resultado que enunciamos sin demostración, se expone la relación entre la propiedad de Markov del
proceso de Poisson y los tiempos de estancia exponenciales (Rincón, 2012).
Proposición La propiedad de Markov del proceso de Poisson implica que los tiempos de estancia T1,
T2,... son independientes y cada uno de ellos tiene distribución exponencial. Recíprocamente, dada una
sucesión de v. a. s. independientes T1, T2,... con idéntica distribución exponencial, el proceso de conteo que
puede construirse a partir de esta sucesión cumple la propiedad de Markov (Rincón, 2012).

Pérdida de memoria y sus consecuencias

Una de las propiedades que caracterizan de manera única a la distribución exponencial dentro del conjunto
de distribuciones absolutamente continuas es que satisface la propiedad de pérdida de memoria, esto es, si T
tiene distribución exp λ , entonces con la finalidad de cualesquiera tiempos s, t > 0 se cumple la igualdad
(Rincón, 2012)

22 Manual
 P T>t+s T > s = P T > t .
En otras palabras, condicionada al evento T > s , la variable T - s sigue teniendo distribución exp λ . Esto
indica que, con la finalidad de un valor de s ≥ 0 fijo, todos los tiempos de interarribo a partir de s,
incluyendo el primero, siguen teniendo distribución exp λ , y por lo tanto el proceso de conteo de
eventos a partir del tiempo s es nuevamente un proceso de Poisson. A esta propiedad se le conoce como la
propiedad de renovación del proceso de Poisson. La situación se expone gráficamente en la Figura siguiente
(Rincón, 2012).

Figura 8. Representación de la pérdida de memoria.

Fuente: (Rincón, Introducción a la Teoría del Riesgo, 2012)
Por lo tanto, tenemos el siguiente resultado.

Proposición: Si {Nt : t ≥ 0} es un proceso de Poisson de parámetro λ, entonces con la finalidad de cualquier

s ≥ 0, el proceso dado por Mt = Nt+s - Ns es nuevamente un proceso de Poisson con el mismo parámetro.
Nótesenos que la propiedad de renovación se cumple también en los momentos en los que el proceso de
Poisson tiene saltos, es decir, si empezamos a estudiar al proceso a partir del momento en el que se observa
un salto, ese nuevo proceso es también un proceso de Poisson con el mismo parámetro Desde el punto de
vista matemático esta propiedad será de mucha utilidad cuando estudiemos modelos en donde las
reclamaciones que reciba una aseguradora sigan un proceso de Poisson. (Rincón, 2012).

Universidad Continental | Manual 23

 Tema n.° 5: Teoría de la ruina

Se presenta a continuación el problema básico de la ruina, que es relevante en muchas aplicaciones,

especialmente en lo relativo al estudio de situaciones que involucran riesgo. Se trata de un modelo
aleatorio que evoluciona en el tiempo, (también llamado proceso estocástico) y que toma valores en el
conjunto de números reales. Interesa conocer cómo podemos calcular la probabilidad de que se llegue, por
primera vez, a valores negativos (llegar a la ruina) o bien se logre rebasar un nivel positivo prefijado. Se
presentan los casos más sencillos, y los métodos de solución son elementales. Sólo supondremos que el
lector cuenta con conocimientos básicos de probabilidad, tales como variable aleatoria, distribución,
independencia y condicionamiento.

5.1. Caso discreto

Una variable aleatoria de Bernoulli de parámetro p ∈ (0, 1) toma el valor 1 con probabilidad p y el valor −1
con probabilidad (1 − p). Es, entre otras cosas, un modelo adecuado con la finalidad de describir un volado
(´águila es 1 y sol es 0). Estas variables aleatorias se llaman así en honor al famoso matemático Jakob
Bernoulli, quién en su célebre libro “Ars Conjectandi” probó el primer teorema de los grandes números
precisamente con la finalidad de estas variables llamadas binarias porque sólo pueden tomar dos valores.
Este teorema ha tenido una trascendencia enorme en todo el desarrollo posterior de la teoría de la
probabilidad (Caballero, 2015).
Las caminatas aleatorias simples pueden verse como un modelo con la finalidad de una sucesión de juegos
de volados, que se suponen independientes entre sí: hay dos jugadores que llamaremos A y B; cada jugador
apuesta en un volado un peso. Gana ese peso el jugador A con probabilidad p ∈ (0, 1) (sale águila) y lo
pierde con probabilidad q = 1 − p (sale sol) (Caballero, 2015).
La independencia indica que lo que sucede en un volado no influye en los demás volados. El modelo
matemático se construye con una sucesión de variables aleatorias independientes (Xn)n∈N (que describen a
los resultados de los volados sucesivos), y cada una de ellas es una variable Bernoulli de parámetro p ∈ (0,
1). Si el capital inicial de A es a ∈ N pesos y el de B es b ϵ N pesos, el capital de A después de n volados es
(Caballero, 2015):

y el capital de B será:

n
A la sucesión {Sn = a + ∑ x i,n = 1, 2, · · · } se le llama caminata aleatoria simple que empieza en a. Si
i=1
p=q se le llama caminata aleatoria simple simétrica y es el caso de una moneda equilibrada o juego justo
(Caballero, 2015).
Esto se puede visualizar como una gráfica dirigida, que describe todas las posibilidades con la finalidad del
juego. A continuación, damos un esquema hasta el cuarto juego (Caballero, 2015)

24 Manual
 Figura 9. Esquema hasta el cuarto juego.
Fuente: (Caballero, 2015)
En la figura 6 se tienen dos trayectorias destacadas: la discontinua describe el hecho de que A ganó dos
veces seguidas, luego perdió una vez, gano una vez y volvió a perder; la punteada describe el hecho de que A
perdió los dos primero volados luego ganó dos veces y finalmente volvió a perder

Figura 10. Gráfica con dos trayectorias destacadas.

Fuente: (Caballero, 2015)

El problema que nos interesa es saber cuándo alguno de los dos jugadores se arruina, es decir, cuando
alguno de los dos pierde todo su dinero y entonces el juego termina y el jugador que ganó todo el
capital c = (a + b) es quien gana el juego. En este caso el modelo es el de una caminata aleatoria

Universidad Continental | Manual 25

simple con barreras absorbentes. ¿Cuál es la probabilidad de que gane todo el capital el jugador A?
¿Cuál la de que gane B? Claramente esto va a depender del valor de p y del monto del capital inicial de cada
uno. Una forma de resolver el problema es usando probabilidad condicional. Con la finalidad de ello, se
observa que pasa en el primer juego y se define la probabilidad buscada en términos del capital inicial del
jugador A y se mantiene constante el capital total c (Caballero, 2015).
En la figura 7 se describen dos trayectorias una (la negra continua) en la que A gana el juego y otra (la negra
punteada) en donde A pierde el juego.
Sea J el evento (A pierde), es decir, S n alcanza primero el nivel 0 antes que el nivel c. Llamemos h(u) a la
probabilidad de que A pierda habiendo empezado con u ϵ {1,2,… (c - 1)} pesos.

Al utilizar la información de lo que puede pasar en el primer volado (A gana o pierde un peso) se tiene lo
siguiente

Figura 11. Dos trayectorias que llegan a las barreras.

Fuente: (Caballero, 2015)
lo que por aditividad y por la definición de probabilidad condicional es igual a

en las últimas igualdades se usa la independencia de las variables (X i) i ϵ N.

Como además se sabe que h(0) = 1 y h(c) = 0, el problema consiste ahora en resolver la ecuación en
diferencias finitas:

26 Manual
  En el caso de que p = 1/2 = q se tiene

es decir, la función h es lineal y se conocen sus valores en la frontera

por lo que se obtiene directamente la solución (única)

y con la finalidad de el caso u = a esta probabilidad es

 Con la finalidad de resolver el sistema en el caso que p ≠ q se procede así:

Lo que es equivalente a:

 Sean dk = h(k) - h(k + 1); k = 1; 2; : : : ; (c - 1) y r = q/p.

 La igualdad:

Escrita con esta notación es

du=rdu-1
y por iteración se llega a
du = rud0
en consecuencia

De la primera ecuación se obtiene el valor de d0 que se sustituye

en la segunda y se obtiene

De esta manera hemos obtenido la probabilidad de que el jugador A pierda el juego si empieza con u soles.
Por otra parte, si M denota al evento “B pierde” el juego (equivalente a “A gana” el juego) y denotamos por

Universidad Continental | Manual 27

tenemos nuevamente dos casos: p=q o p≠q
Si p = q = 1/2 ya sabemos que la función k es lineal y se tiene k(u) = u/c
por las condiciones a la frontera que ahora son k(0) = 0 y k(c) = 1.
En el caso p ≠ q, se resuelve de manera análoga a lo hecho en el Problema anterior o simplemente se pueden
invertir los papeles A y de B e intercambiar a p por q es decir, aparecerá 1/r en vez de r y (c - u) en vez de u.

Al aplicar la formula a esta situación y hacer Los cálculos se obtiene (Caballero,

2015):

Y lo extraordinario es ver que de las fórmulas anteriores se deduce

con la finalidad de cualquier valor de p ∈ (0, 1).

5.2. Consecuencias
Del simple cálculo que se ha hecho, podemos obtener propiedades notables de la caminata aleatoria
(Caballero, 2015):

• Por la igualdad toda caminata aleatoria simple sale

de un intervalo dado con probabilidad 1.
• Ahora usaremos las notaciones h(c, u) y k(c, u) en lugar de h(u) y k(u) con la finalidad de enfatizar en
que el resultado depende de la barrera superior c y veremos qué pasa si esta barrera superior se hace
variar. No se menciona la barrera inferior porque se mantiene fija e igual a cero y como también se
mantiene fijo el capital inicial de A.
i. Si r = q/p < 1, gracias a

se puede calcular el límite cuando c tiende al infinito:

lo que indica que A tiene una probabilidad positiva (1-r u) de no arruinarse, aun si la barrera superior
se aleja indefinidamente.
Esto equivale a

es decir, B puede arruinarse con probabilidad positiva.

ii. Si ahora r = q/p > 1 Nótesenos que pasa con los mismos límites:

28 Manual
 lo que indica que A eventualmente se arruinara con probabilidad 1 y es también razonable esperar
esto pues sabemos que en cada lanzamiento de moneda A tiene mayor probabilidad de perder que de
ganar por ser q mayor que p. Es claro, además que

es decir la probabilidad de que B se arruine es cero.

Esta aparente asimetría se debe a que la barrera inferior se mantuvo constante y la superior se hizo
crecer indefinidamente, lo que presupone que con la finalidad de u fijo, B tiene un capital que crece
indefinidamente, ya que solo de esta fuente puede crecer el capital total c (recordemos que u
representa el capital inicial de A y como ya se dijo, se mantiene constante).
 Si ahora consideramos el tiempo en que sale por primera vez del intervalo (0; c),

se puede probar que si la cadena empieza en cualquier punto u ϵ {1, 2, … (c - 1)}, la esperanza de T es
infinita, es decir, no solo es cierto que con probabilidad 1, la caminata sale de un intervalo dado, sino que
lo hace en un tiempo finito (en media).
 Si se empieza en el origen, y el intervalo (0; c) se traslada al (-a; b), los resultados anteriores se traducen
en:

es decir, la probabilidad de que la caminata que empieza en 0 salga de la banda (-a; b) por el extremo
inferior -a es ra si r < 1 y es 0 si r > 1.

5.3. Caminatas aleatorias generales

Lo notable es que muchas de estas propiedades se heredarán con la finalidad de cualquier caminata aleatoria.
Por ejemplo, con probabilidad 1 la trayectoria de una caminata aleatoria general sale de un intervalo acotado
dado.
Definición. se dice que (Sn)n∈N es una caminata aleatoria si es de la forma

donde S0 = constante y (Xi)i∈N es una sucesión de variables aleatorias independientes e idénticamente

distribuidas.
En este caso ya no se pide que las variables Xi sean Bernoulli, sólo se les pide que sean independientes y
tengan la misma distribución.
La analogía con lo anterior se ve gracias al siguiente teorema:
Teorema. Dada una caminata aleatoria (Sn)n∈N no trivial, sucede una y sólo una de las tres propiedades
siguientes:
1. límn→∞ Sn = +∞,
2. lím inf n→∞ Sn = −∞ y lím supn→∞ Sn = +∞ o bien
3. límn→∞ Sn = −∞.

Universidad Continental | Manual 29

Y esto sucede con probabilidad 1.
Dos casos son sencillos de probar el 1 y el 3:
Si Xi tiene media finita y positiva, E(X i) = m ∈ (0, ∞), la ley de los grandes números nos permite afirmar
que se cumple el primer caso.
En efecto, por dicha ley se tiene la convergencia (casi segura) siguiente

de donde se deduce que

Si ahora Xi tiene media finita y negativa, la misma ley de los grandes números nos dice que se cumple el
caso 3.
Con la finalidad de exponer la propiedad 2 y así como la tricotomía se requiere de la ley 0–1 de Hewitt–
Savage y no lo vamos a hacer aquí.
Un poco más difícil de probar es la situación en que la media m = E(X1) no sea finita.
Ejemplo. Un ejemplo muy cercano a las caminatas aleatorias son las caminatas aleatorias con retraso o
caminatas aleatorias perezosas. El modelo es importante en aplicaciones diversas, por ejemplo en
procesamiento de señales en donde dependiendo del valor del peso de la señal se envían tres posibles
números a la central que está procesando toda esta información: si el peso es grande, envía el número 1, si es
muy pequeño, el (−1) y no transmite nada si los soles son intermedios. Cuando se rebasa un cierto nivel se
deben tomar medidas adecuadas y al bajar de otro nivel fijo, también se deberá actuar en consecuencia
(Caballero, 2015).
Claro que cada modelo deberá precisar qué es grande y chico así como estos niveles de los que no
podemos salirnos.
El modelo matemático con la finalidad de esto es una caminata aleatoria en donde las variables aleatorias
independientes Xi que se están sumando son las siguientes:
Xi=1 con probabilidad p ∈ (0,1)
Xi=-1 con probabilidad q ∈ (0,1)
Xi=0 con probabilidad r ∈ (0,1)
y donde p+q +r = 1; p; q; r ≥ 0. Es obvio que si r = 0 volvemos a las caminatas aleatorias simples

30 Manual
 Figura 12. Dos trayectorias posibles.
Fuente: Caballero (2015)
Con la finalidad de simplificar el estudio pensemos que el nivel superior es c > 4 y el inferior es 0 y
empezamos en un punto u ϵ {1, 2,…, c – 1} Si aplicamos las ideas usadas con la finalidad de resolver el del
problema de la ruina de la sección 2 a esta situación tendremos la siguiente ecuación,

que es lo mismo que

y que

si observamos los cálculos hechos con la finalidad de el problema de la ruina veremos que la probabilidad de
llegar a 0 o a c, son las mismas que en el caso de la caminata simple, y esto porque el cociente r de los
coeficientes es el mismo:

Una pregunta interesante es si la esperanza del tiempo de llegada a las barreras será también igual a la
esperanza del caso anterior o si al menos será finitas y además ver si esta propiedad depende o no de los
valores de p, q y r.

5.4. Caso del movimiento browniano

Podemos plantear un problema de barreras análogo con la finalidad de un proceso en tiempo continuo, lo que
es en general mucho más difícil de resolver pero que tiene una gran importancia en una gran variedad de
mode- los matemáticos ligados a los más diversos fenómenos aleatorios de la forma (Caballero, 2015).
Si se tiene un proceso más general que lo tratado en secciones anteriores, la pregunta es la misma: ¿se puede
saber con qué probabilidad sale de un cierto intervalo dado? Veamos el caso más conocido: el del
movimiento browniano:
El movimiento brownianno (Bt)t∈R+ (M B) es un proceso estocástico definido en un espacio de probabilidad
(Ω, F , P) que evoluciona en el tiempo de manera continua, es decir los subíndices del proceso varían en R+

Universidad Continental | Manual 31

y queda definido como sigue (Caballero, 2015):
• B0 = 0
• tiene trayectorias continuas.
• Bt tiene densidad normal N (0, t)
• Es un proceso con incrementos independientes, esto indica que con la finalidad de toda n ∈ N y con la
finalidad de cualesquiera tiempos 0 ≤ t1 < t2 < · · · < t n, las variables aleatorias
(Bti − Btj )i,j∈{1,...,n}
son variables aleatorias independientes.
• Tiene incrementos estacionarios, es decir, la distribución de (B t+h−Bt) es la misma que la de (Br+h − Br )
con la finalidad de cualesquiera t, r, h ≥ 0
Nótese que en este caso las trayectorias del proceso son funciones de [0, ∞> en R y una trayectoria es, con la
finalidad de cada ω ∈ Ω fijo, la función t → Bt(ω). El proceso que empieza en x ∈ R se define como (x +
Bt : t ≥ 0).
Por lo mencionado en la definición B t tiene densidad normal de media 0 y varianza t, así que la densidad de x
+ Bt es:

y en esta fórmula la x inicial queda fija. Podemos entonces plantear preguntas similares al caso de la
caminata aleatoria (Caballero, 2015):
• ¿Cuál es la probabilidad que habiendo empezado en el punto x > 0 llegue primero a c > x > 0) que a cero?
(el jugador A gana).
• Si tenemos un MB que empieza en 0 y a > 0, b > 0 son dos reales positivos. ¿Cuál es la probabilidad de
que salga del intervalo (−a, b) por −a y cuál la de que salga por b? Esto por traslación es equivalente a
pensar en el intervalo (0, a + b = c) y en un MB que empiece en a = x.
• ¿Es cierto que con probabilidad 1 sale de cualquier intervalo finito?
Teorema. Si M B es un movimiento browniano que empieza en x > 0 y c > x > 0. Entonces

Donde

Podemos de inmediato ver que es el mismo resultado que con la finalidad de las caminatas aleatorias
simétricas. Si recordamos que existen teoremas que nos permiten aproximar al MB mediante un re-
escalamiento cada vez más fino en el tiempo y el espacio de las caminatas aleatorias simples simétricas,
podríamos pensar que el resultado se deduce de las propiedades correspondientes de ellas. Pero en realidad
esto no es así. El tipo de convergencia de procesos que se tiene no respeta, por lo general estas propiedades.
La demostración es totalmente diferente a lo que hemos hecho aquí en el caso de caminatas aleatorias y no
se hará en este texto, sólo indicaremos que se puede hacer usando el Teorema de Muestreo de Opcional con
la finalidad de Martingalas y o bien usar propiedades de la densidad de x + Bt. Un cálculo elemental muestra
que esta función, satisface la ecuación del calor (Caballero, 2015)

32 Manual
y entonces con la finalidad de una función medible y acotada u : R → R, la función
U (t, x, y) := E (u(x + Bt)
también satisface esta ecuación por derivación bajo el signo de la integral. Si ahora se toma
u(y) = 1{τc <τ0 } (y)
y se hacen cálculos adicionales se obtiene el resultado. Otros métodos de prueba utilizan la teoría de las
martingalas, como ya se mencionó antes.
Además de este resultado con la finalidad de el MB, se pueden estudiar otros modelos en la teoría de riesgo
a partir de procesos en tiempo continuo pero con trayectorias discontinuas. Algunos de estos modelos han
sido desarrollados recientemente por un grupo de especialistas mexicanos en el área en colaboración con
probabilistas de otros países e incluyen a procesos del tipo (Caballero, 2015):
• Cramer–Lundberg
• Lévy simétricos
• Lévy espectralmente negativos
Esto ha permitido acceder a modelos más precisos y útiles en diversas aplicaciones, pero, naturalmente, es
trabajo de investigación que requiere de conocimientos más avanzados de probabilidad y de procesos
estocásticos (Caballero, 2015).

Universidad Continental | Manual 33

De la teoría a la práctica

Fincowsky, F. & Benjamín, E. (2011). Toma de decisiones

empresariales. Reseña de "Comportamiento organizacional, enfoque con
la finalidad de América Latina". Contabilidad y Negocios, 6(11), 113-
120.

El proceso de toma de decisiones

Un proceso de toma de decisiones consistente está formado por un conjunto de fases que las empresas deben
seguir con la finalidad de incrementar la probabilidad de que sus elecciones sean lógicas y óptimas. Este
proceso puede tomar más de una vertiente, pero usualmente se realiza en siete pasos:

a) Diagnosticar y definir el problema

La tarea correspondiente al diagnóstico y la definición del problema necesita de tres habilidades

clave: advertir, interpretar e incorporar. Con la finalidad de advertir es preciso identificar y
monitorear numerosos componentes de los entornos interno y externo con el fin de determinar cuáles
están contribuyendo al ―o los― problemas. Con la finalidad de interpretar se necesita evaluar los
componentes advertidos y determinar cuáles son las causas, y no tan solo los síntomas, del ―o los―
problemas reales. Por último, con la finalidad de incorporar se relacionan las interpretaciones de las
metas del momento o deseadas de una unidad administrativa o de toda la organización. Si se
advierte, interpreta e incorpora de forma fortuita o incorrecta, entonces es probable que el problema
se diagnostique y defina de forma equivocada.

b) Establecer metas

Las metas son los resultados que se alcanzarán y señalan la dirección a la que deben apuntar las
decisiones y las acciones. Las metas generales imprimen una dirección general con la finalidad de la
toma de decisiones en términos cuantitativos. Con la finalidad de lograr una cobertura real, la em-
presa debe alinear las metas de todos los niveles y las unidades administrativas. La tarea no es fácil
y puede dar origen a muchos conflictos. Una jerarquía de metas representa los nexos formales de las
metas de los niveles de la empresa. Un buen enfoque del orden jerárquico de las metas requiere que
se alcance la meta de las unidades del nivel más bajo con la finalidad de poder alcanzar las del nivel
superior siguiente y así sucesivamente hasta que se alcancen las metas de toda la empresa.

c) Buscar soluciones opciones

Se deben buscar caminos alternativos con la finalidad de alcanzar una meta. Estas soluciones van
desde las que ya se tienen hasta las que se diseñan a la medida. Cuando quienes toman las decisiones
buscan soluciones probadas, utilizan ideas que se han puesto en marcha o siguen un benchmarking al
considerar experiencias similares de empresas competidoras o líderes en su área de influencia. Por
otra parte, cuando las soluciones son a la medida, es necesaria la combinación de nuevas ideas con
la finalidad de lograr que la solución sea específica al requerimiento.

d) Comparar y evaluar soluciones

Identificadas las soluciones opciones, deben compararse y evaluarse. Este paso hace hincapié en
determinar los resultados que se esperan y el costo relativo de cada opción. Los responsables de la
toma de decisiones tienen que considerar distintos tipos de consecuencias. Pueden intentar predecir
los efectos en el comportamiento financiero o de gestión de la empresa. Es de esperarse que no va a
ser posible predecir los resultados con toda precisión, pero pueden servir para prepararse para un
futuro incierto y sus consecuencias potenciales y generar planes de contingencia, esto es, recursos
alternativos de acción de acuerdo con la forma en que se presenten los acontecimientos.

34 Manual
e) Elegir entre soluciones opciones

Una vez que se hayan ponderado las posibles consecuencias de las soluciones opciones, es momento
de tomar una decisión. Con la finalidad de este efecto, son importantes los conceptos de maximizar,
satisfacer y optimizar.

Maximizar es tomar la mejor decisión posible con el mayor beneficio al menor costo y el mayor
rendimiento esperado.

Satisfacer indica que en la búsqueda de opciones se elige la primera aceptable o adecuada de acuerdo
con el criterio o meta definidos.

Optimizar indica alcanzar el mejor equilibrio entre metas múltiples.

f) Implementar la solución seleccionada

Una decisión técnicamente correcta debe ser aceptada y apoyada por las personas que se encargarán
de su implementación con la finalidad de que haya una actuación efectiva basada en la decisión.
Quienes implementan la decisión deben comprender la elección y los componentes que mediaron
con la finalidad de tomarla, asumir y mantener el compromiso de ejecutarla, ordenar en forma
cronológica los pasos con la finalidad de que sea operativa asignando los recursos necesarios y
calcular los tiempos consecuentes con la finalidad de culminarla.

g) Dar seguimiento y controlar los resultados

La implementación de la solución seleccionada no logrará de forma automática la meta deseada.

Las personas o los equipos deben controlar las actividades de la implementación y después
darle seguimiento evaluando los resultados de la misma. Si la implementación no está
produciendo resultados satisfactorios será necesario tomar medidas correctivas. Dado que las
fuerzas del entorno que afectan las decisiones no cesan de cambiar, el seguimiento y el control
quizá señalen que es necesario redefinir el problema o revisar la meta original. La retroalimentación
proveniente de este paso incluso podría sugerir que es necesario volver a empezar y repetir el
proceso entero de la toma de decisiones.

Cabe destacar que cuando las personas toman decisiones de rutina no tienen problema con la finalidad de
seguir estos pasos al igual que si se utiliza este proceso en situaciones que entrañan poco riesgo, es decir,
cuando pueden adjudicar una probabilidad objetiva a los resultados. Empero, cuando las personas o los
equipos toman decisiones de adaptación o innovadoras, rara vez recorren los siete pasos en estricta
secuencia.

Universidad Continental | Manual 35

 Glosario de la Unidad 4
A
Opciones de decisión
Opciones disponibles con la finalidad de el tomador de decisiones.

Análisis de sensibilidad
De cómo los cambios en las evaluaciones de la probabilidad con la finalidad de los estados de la forma o los cambios en
los resultados afectan a la opción de decisión recomendada.

Análisis del riesgo

De los resultados posibles y probabilidades asociados con una opción de decisión o una estrategia de decisión.

Árbol de decisión
Representación gráfica del problema de decisión que muestra la forma secuencial del proceso de toma de decisiones.

E
Estrategia de decisión
Estrategia que consiste en una secuencia de decisiones y resultados de probabilidad con la finalidad de proporcionar la
solución óptima a un problema de decisión.

N
Nodo
Una intersección o punto de unión de un diagrama de influencia o árbol de decisión.

Riesgo

En ingeniería, puede definirse el riesgo como el producto de la probabilidad de que un evento no deseable ocurra y el
daño esperado debido a la ocurrencia del evento. (Rincón, Introducción a la Teoría del Riesgo, 2012, pág. 8)

T
Tabla de resultados
Representación tabular de los resultados de un problema de decisión.

36 Manual
 Bibliografía de la Unidad 4
Anderson, D., Sweeney, D., & Williams, T. (2008). Estadística para la Administración y Economía.
México,D.F.: Cengage Learning Editores, S.A.de C.V.
Anderson, D., Sweeney, D., Williams, T., Camm, J., & Martin, K. (2011). Métodos cuantitativos para los
negocios. México, D.F.: Cengage Learning Editores.
Ferreira, E., & Garín, M. (2010). Estadística actuarial: modelos estocásticos. Bilbao: Sarriko-ON.
Flores, A. (2019). Modelos Estocásticos: Manual Autoformativo Interactivo. Huancayo: Universidad
Continental.
Real Academia Española. (2020). Diccionario de la lengua española. Retrieved from https://dle.rae.es/
Rincón, L. (2012). Introducción a la Teoría del Riesgo. México D.F.: Biblioteca Nacional de México.
Rincón, L. (2012). Introducción a la Teoría del Riesgo. México D.F.: Prometeo.
Sánchez, J. (2020). Cadena de Markok. Retrieved from Economipedia:
https://economipedia.com/definiciones/cadena-de-markov.html
Toma, J., & Rubio, J. (2011). Estadística aplicada. Primera parte. Lima: Universidad del Pacífico. Centro de
Investigación.
Triola, M. (2018). Estadística. Ciudad de México: Pearson Educación de México, S.A. de C.V.
Walpole, R., Myers, R., Myers, S., & Ye, K. (2012). Probabilidad y Estadística para la ingeniería y ciencias.
México: Pearson Educación.
Wikipedia. (2019, Setiembre 24). Credibilidad. Retrieved from Wikipedia La enciclopedia libre:
https://es.wikipedia.org/wiki/Credibilidad
Wikipedia. (2020, Enero 04). Camino aleatorio. Retrieved from Wikipedia la enciclopedia libre:
https://es.wikipedia.org/wiki/Camino_aleatorio

Universidad Continental | Manual 37

38 Manual