Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
4 Manual
UNIDAD 4: Decisión y riesgo
Diagrama de organización
Decisión y Riesgo
Teoría de la rutina
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
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).
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.
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.
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).
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).
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).
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:
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).
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.
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.
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.
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).
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).
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)
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).
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
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
Al utilizar la información de lo que puede pasar en el primer volado (A gana o pierde un peso) se tiene lo
siguiente
26 Manual
En el caso de que p = 1/2 = q se tiene
Lo que es equivalente a:
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
5.2. Consecuencias
Del simple cálculo que se ha hecho, podemos obtener propiedades notables de la caminata aleatoria
(Caballero, 2015):
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
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
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.
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,
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.
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).
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:
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.
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.
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.
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.
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.
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.
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