Академический Документы
Профессиональный Документы
Культура Документы
Facultad de Administracin
No. 128, ISSN: 0124-8219
Marzo de 2012
Diego Cardona
Miller Rivera
Jess Romero
Diego Cardona
Miller Rivera
Jess Romero
SCDD 20
Diego Cardona
Miller Rivera
Jess Romero
Correccin de estilo
Lina Morales
Diagramacin
Fredy Johan Espitia Ballesteros
Editorial Universidad del Rosario
http://editorial.urosario.edu.co
ISSN: 0124-8219
* Las opiniones de los artculos slo comprometen a los autores y en
ningn caso a la Universidad del Rosario. No se permite la reproduccin
total ni parcial sin la autorizacin de los autores.
Todos los derechos reservados.
Primera edicin: Marzo de 2012
Hecho en Colombia
Made in Colombia
Contenido
1. Introduccin
2. Hitos histricos
3. Conceptos bsicos 11
4. Variable aleatoria 14
4.1.
4.2.
4.3.
4.4.
4.5.
15
18
23
23
30
ndice
Figuras
Figura
Figura
Figura
Figura
Figura
Figura
Figura
1.
2.
3.
4.
5.
6.
7.
Distribucin
Distribucin
Distribucin
Distribucin
Distribucin
Distribucin
Distribucin
Tablas
Tabla 1. Frecuencia relativa del nmero de clientes
que arriban a una central de servicio........................................ 19
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Resumen
La variable aleatoria es una funcin matemtica que permite asignar valores
numricos a cada uno de los posibles resultados obtenidos en un evento
de naturaleza aleatoria. Si el nmero de estos resultados se puede contar, se
tiene un conjunto discreto; por el contrario, cuando el nmero de resultados
es infinito y no se puede contar, se tiene un conjunto continuo. El objetivo
de la variable aleatoria es permitir adelantar estudios probabilsticos y estadsticos a partir del establecimiento de una asignacin numrica a travs de
la cual se identifiquen cada uno de los resultados que pueden ser obtenidos
en el desarrollo de un evento determinado.
El valor esperado y la varianza son los parmetros por medio de los cuales
es posible caracterizar el comportamiento de los datos reunidos en el desarrollo de una situacin experimental; el valor esperado permite establecer el
valor sobre el cual se centra la distribucin de la probabilidad, mientras que
la varianza proporciona informacin acerca de la manera como se distribuyen los datos obtenidos. Adicionalmente, las distribuciones de probabilidad
son funciones numricas asociadas a la variable aleatoria que describen
la asignacin de probabilidad para cada uno de los elementos del espacio
**
***
Matemtico, Ingeniero Civil, MSc y PhD en Ciencias Administrativas; profesor asociado de la Facultad de
Administracin de la Universidad del Rosario con funciones de Director de Investigaciones. Correo electrnico:
diego.cardona@urosario.edu.co
Ingeniero de Sistemas, MSc en Administracin; coordinador del Laboratorio de Modelamiento y Simulacin
de la Facultad de Administracin de la Universidad del Rosario. Correo electrnico: miller.rivera@urosario.
edu.co
Estudiante de matemticas, joven investigador, Universidad Distrital Francisco Jos de Caldas. Correo
electrnico: jesusromerodavila@yahoo.com
Abstract
The random variable is a mathematical function to assign numerical values
to each of the possible outcomes of a random event in nature, if the number
of these results can tell, we have a discrete set, however when the number of
results is infinite and cannot be counted, there is a continuum. The objective
of the random variable is to allow advancing probabilistic and statistical
studies from establishing a numerical assignment through which to identify
each of the results that can be found in the course of a given event.
The expected value and variance are the parameters through which we
can characterize the behavior of the data collected in the development of
an experimental situation; the expected value sets the value which focuses
on the probability distribution, while variance provides information about
how data is distributed. Additionally, probability distributions are numerical
functions associated with the random variable describing the probability assignment for each of the elements of the sample space and are characterized
by a set of parameters to establish their functional behavior, ie each of the
characteristic parameters of distribution of the random experiment provides
information that is associated.
Document finishes with an application of the random variables to decision
making process involving risk and uncertainty situations.
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
1. Introduccin
El presente texto corresponde al primero de una serie que busca reconocer
la importancia de los modelos de probabilidad, en particular de las variables
aleatorias, tanto discretas como continuas, para la modelacin de situaciones asociadas con aleatoriedad en diversas reas del conocimiento, haciendo
nfasis en procesos de toma de decisin que implican condiciones de riesgo
e incertidumbre, teniendo en cuenta que las variables aleatorias permiten
matematizar o cuantificar situaciones de la vida real, mediante la asignacin de un valor numrico a cada uno de los resultados que se pueden
obtener en el desarrollo de situaciones complejas.
La teora de la probabilidad es la principal herramienta de la que hace
uso la reciente ciencia de la estadstica, considerada tambin por aquellos
que no le asignan carcter cientfico, como la herramienta del mtodo cientfico; ciencia o herramienta, da tras da, encuentra mayor aplicacin en
la ejecucin de procesos que apoyan el quehacer de la toma de decisiones
operativa, de gestin y estratgica.
La incorporacin de la teora de la probabilidad en los distintos escenarios
acadmicos ha permitido obtener modelos que posibilitan un mejor entendimiento de la situacin dentro de un experimento. Los escenarios aleatorios
estn asociados a diversas situaciones tan comunes como el comportamiento
del clima, el resultado de un juego de lotera, la cantidad de artculos defectuosos dentro de un proceso de produccin y el comportamiento de la
bolsa de valores, entre otros.
El contenido del presente documento incluye un acercamiento histrico
del desarrollo de la variable aleatoria, mostrando su utilizacin implcita
durante un largo espacio de tiempo, al no habrsele prestado la atencin y
el reconocimiento requerido que exiga su formalizacin matemtica; adelanta adems el texto un tratamiento de las variables aleatorias continuas y
discretas, as como de las distribuciones de probabilidad reconocidas para
cada tipo; finalmente, expone una aplicacin propia de la variable aleatoria
en el entorno de la toma de decisiones, para cerrar con algunas recomendaciones al respecto.
2. Hitos histricos
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
10
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
3. Conceptos bsicos
En toda rama del conocimiento cientfico y en particular en el de las matemticas, el proceso de construccin y aceptacin de una definicin exige
generalmente para su desarrollo un espacio amplio de tiempo; la aparicin
en el escenario probabilstico del concepto de variable aleatoria es un claro
ejemplo de maduracin y validez de uno de los conceptos ms importantes
de la teora moderna de la probabilidad (Hald, 1990). Con el fin de realizar
una exposicin que permita su entendimiento y aplicacin, se presentan
a continuacin un conjunto de definiciones necesarias para su posterior
desarrollo. Las siguientes definiciones pueden ser revisadas con mayor
profundidad en Canavos (1988) y Meyer (1992):
Experimento aleatorio: tambin conocido como fenmeno aleatorio,
es aquel que, al ser repetido bajo las mismas condiciones, conduce
a resultados no necesariamente iguales, dentro de un conjunto de
posibles resultados. Si bien el trmino conjunto es una asercin indefinida en la teora de conjuntos, es posible caracterizar e identificar
un conjunto por sus caractersticas.
Conjunto finito: es aquel que tiene un nmero conocido de elementos, su cardinal es un entero positivo.
Conjunto infinito: es un conjunto que no es finito; en matemticas
suele definirse un conjunto por la(s) caracterstica(s) que pueda o
no tener en comparacin a otro conjunto dado. Para este caso, los
conjuntos infinitos son aquello para los cuales el proceso de contar
sus elementos no acaba.
Conjunto numerable: es un conjunto que puede ponerse en correspondencia uno a uno con un subconjunto de los nmeros naturales o
los mismos naturales. Es decir, se pueden etiquetar cada uno de los
elementos del conjunto de tal forma que puedan contarse. Hay conjuntos infinitos, algunos numerables y otros que no lo son; en particular,
cualquier subconjunto (a,b) con a b, de los nmeros reales es no
enumerable o no contable. Una caracterstica de los nmeros reales
consiste en poder encontrar entre dos nmeros reales otro nmero, lo
11
12
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
13
4. Variable aleatoria
14
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
0
1
1
2
SSS
SSC
SCS
SCC
3
2
2
1
Se observa que esta situacin obedece a un escenario donde la caracterstica es de tipo cualitativo (cara, sello), sin embargo, fue posible asociar
a esta caracterstica un valor numrico (variable aleatoria) que permite
construir una funcin de probabilidad. Es importante notar que el anterior
ejemplo corresponde a una variable aleatoria discreta.
De manera formal, se puede definir variable aleatoria por medio del siguiente enunciado: Sea un experimento y el espacio muestral asociado
con l. Una funcin X que asigna a cada uno de los elementos , un
nmero real X (), se denomina variable aleatoria (Meyer, 1992).
Es conveniente distinguir dos tipos de variables aleatorias, discretas y
continuas, conceptos que se precisan a continuacin y que ms adelante se
presentarn de forma individual (Canavos, 1988):
Variable aleatoria discreta: una variable aleatoria es discreta si el
nmero de valores que puede tomar es contable, bien sea finito o
infinito numerable.
Variable aleatoria continua: una variable aleatoria es continua si
sus valores se corresponden con uno o ms intervalos de los nmeros
reales. (Conjuntos infinitos numerables).
15
16
P(1) = 3
8
P(3) = 1
8
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
F(x) = P(X x) =
x P(x )
i
1
8
1
3
4
+
=
8
8
8
1
3
3
7
P (x 2) = P(0) + P(1) + P(2) = 8 + 8 + 8 = 8
1
3
3
8
1
P (x 3) = P(0) + P(1) + P(2) + P(3) = 8 + 8 + 8 + 8 = 8 = 1
17
18
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Nmero de llegadas
Frecuencia relativa
0 < x <= 1
20
0,2
1 < x <= 2
18
0,18
2 < x <= 3
16
0,16
3 < x <= 4
12
0,12
4 < x <= 5
11
0,11
5 < x <= 6
0,07
6 < x <= 7
0,06
7 < x <= 8
0,05
8 < x <= 9
0,03
9 < x <= 10
0,02
0,25
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6 7 8 9 10
19
20
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
21
22
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
dF(x)
= f(x); esta propiedad al igual que la anterior es consecuencia
dx
23
X
Variable aleatoria continua
E(X) =
E(X) =
xip(xi)
xf(x)dx
i=1
La definicin anterior involucra otros conceptos tales como convergencia de una serie, convergencia de una integral impropia, series de Taylor y
series de Maclaurin, entre otros, que no son tratados en este documento (el
lector interesado puede consultarlos en Blanco, 2010).
Para ejemplificar la manera de calcular el valor esperado de una variable aleatoria discreta, se considerar el espacio muestral ={0,1,2,3,4}
asociado con alguna variable aleatoria X que tiene la siguiente distribucin
de probabilidad:
24
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
P(X = 0) =
1
10
P(X = 3) =
3
10
P(X = 1) =
1
10
P(X = 4) =
1
10
P(X = 2) =
4
10
A partir de la definicin anterior, encontrar el valor esperado de X para
la distribucin de probabilidad descrita es:
E(X) = 0 ( 101 ) + 1 ( 101 ) + 2 ( 104 ) + 3 ( 103 ) + 4 ( 101 ) =
20
10
=2
E(g(X)) =
E(g(X)) =
i=1
25
26
( 14 ) + 5 ( 14 ) + 10 ( 14 ) + 10 ( 14 ) = 294 = 7,25
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
27
Para el estudiante A
E(X2) = (62) 1 + (72) 1 + (82) 1 + (82) 1 = 213 = 53,25
(4)
(4)
(4)
(4)
Para el estudiante B:
E(Y2) = (42) 1 + (52) 1 + (102) 1 + (102) 1 = 241 = 60,25
(4)
(4)
(4)
(4)
28
A = 0,6875 = 0,8291
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Para el estudiante B:
B = 7,6875 = 2.7726
La importancia de la varianza de una variable aleatoria radica en la informacin que brinda acerca de la distribucin de los datos de una variable
aleatoria, permitiendo identificar el comportamiento de esta; la desviacin estndar propiamente es quien brinda la informacin acerca de la dispersin de
los datos respecto al promedio o valor esperado de estos.
Al cuantificar la varianza, por ende, la desviacin estndar de las notas
registradas para cada uno de los estudiantes, se observa la dispersin o
variabilidad de las notas de los estudiantes, comprobando que las calificaciones del estudiante B son menos homogneas que las del estudiante A;
lo que permite realizar un estudio ms completo acerca de la dispersin lo
da un anlisis de varianza.
De igual forma que el valor esperado de una variable aleatoria, la varianza
tambin tiene algunas propiedades tiles y de manera anlogas a las que se
mencionaron anteriormente:
Sean X, Y variables aleatorias, k una constante, se satisfacen las siguientes
propiedades para la varianza:
V(X + K) = V(X)
V(KX) = K2V(X)
V(X + Y) = V(X) + V(Y)
V(XY) = V(X)V(Y)
Esta ltima propiedad se satisface si X e Y son variables independientes.
Para ms detalles y propiedades ms generales, consultar Blanco (2010).
Sea f(x) una funcin que define una distribucin de probabilidad asociada
a un experimento aleatorio, para el clculo de su valor esperado y varianza
considerar la funcin que se define como:
f(x) =
x2
si - 1 x 2
3
o en otros casos
29
E(X) =
E(X) =
xf(x)dx
x ( x3 ) dx
E(X) =
E(X) =
_1
1
3
x dx
2
_1
5
= 1,25
4
x ( x3 ) dx
2
_1
E(X2) = 1
3
E(X2) =
_1
x4 dx
11
5
11
5
5
4
51
V(X) =
= 0,6375
80
V(X) =
( )
En resumen, la varianza de una variable aleatoria es una medida de dispersin de la distribucin de probabilidad de la variable aleatoria (Canavos,
1988).
30
La eleccin de una distribucin de probabilidad para representar un fenmeno de inters prctico debe estar motivada tanto por la comprensin de la
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
naturaleza del fenmeno en s como por la posible verificacin de la distribucin seleccionada a travs de evidencia emprica. En todo momento debe
evitarse aceptar de manera tcita una determinada distribucin de probabilidad
como modelo de un problema prctico (Canavos, 1988).
En el apartado siguiente, se adelanta una exposicin general de las principales funciones de distribucin de probabilidad para variable aleatoria
discreta y continua.
4.5.1. Variables aleatorias discretas
Se caracterizan a continuacin las siguientes variables aleatorias discretas:
uniforme, binomial, Poisson e hipergeomtrica, mostrando los parmetros ms relevantes y su respectivo valor esperado y varianza; para ms
detalles de cada una de estas variables o los dos parmetros que se van a
tratar, ver Blanco (2010).
Distribucin discreta uniforme
La ms simple y sencilla de las distribuciones discretas de probabilidad es la
distribucin discreta uniforme; esta variable aleatoria asume cada uno de
sus valores con la misma probabilidad, espacios laplacianos; en total, esta
variable aleatoria consta de k puntos muestrales, los que podemos etiquetar
de alguna manera como: x1,x2,xk-1,xk.
Sea X una variable aleatoria discreta, X tiene una distribucin uniforme
de parmetro k con k un entero positivo si su funcin de probabilidad est
dada por:
P(X = x) =
1
si x = 0,1,2,...k
k
o en otro caso
K+1
2
V(X) =
K2-1
12
31
Distribucin binomial
En la prctica, es una de las ms usadas; esta distribucin de probabilidad se
encuentra en diversas reas de aplicacin tales como el control de calidad,
la mercadotecnia, la medicina y la investigacin de opinin, entre otras.
Dicha distribucin est caracterizada por la ocurrencia o no ocurrencia
de algn evento en algn experimento, ensayo de Bernoulli; suele llamarse xito a la ocurrencia del evento, mientras que la no ocurrencia de este se
denomina fracaso. La probabilidad de xito se nota p y la probabilidad de
fracaso 1 - p,; al suponer que se realizan n repeticiones del experimento,
todos ellos independientes, y precisar que p permanece constante durante
los n ensayos, aqu interesa encontrar la probabilidad de tener x xitos en los
n ensayos, esto es, P(X = x).
Lo clave para tener un escenario donde se aplica una distribucin binomial
son las dos consideraciones siguientes:
1. La probabilidad p permanece constante durante las n repeticiones.
2. Las n repeticiones son independientes entre s.
Sea X una variable aleatoria, se dice que X tiene una distribucin de
probabilidad binomial si ella define la cantidad de xitos en los n ensayos y
p la probabilidad asociada a cada uno de estos xitos; por lo tanto, se define
la funcin de probabilidad asociada a la distribucin binomial como:
{( )
b(x;n,p) =
n x n-x
p p si x = 0,1,2...,n
x
o en otro caso
32
VAR(X) = npq
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Distribucin de Poisson
Llamada as en honor de Simen Denis Poisson, matemtico y fsico francs del siglo XIX, esta distribucin de probabilidad representa la cantidad
de eventos independientes que ocurren a una velocidad constante en algn
intervalo de tiempo. La distribucin de Poisson es el principal modelo probabilstico usado en problemas de lneas de espera, tal como lo pueden ser
la cantidad de clientes que llegan a un banco en determinada hora del da;
tambin modela situaciones como el nmero de bacterias en un cultivo, la
cantidad de seguros tramitada en una empresa en determinada fecha, etc.
(Canavos, 1988).
Una variable aleatoria X tiene una distribucin de Poisson, donde esta
representa el nmero de eventos aleatorios independientes que ocurren en un
intervalo de tiempo dado a velocidad constante sobre el tiempo o el espacio.
Su funcin de probabilidad est dada por (Canavos, 1988):
P(X = x) =
e-x
x = 0,1,2,...; > 0
x!
o en otro caso
E(X) =
VAR(X) =
Es de inters notar que tanto el valor esperado como la varianza de la
distribucin de Poisson son iguales; de las distribuciones de probabilidad
ms conocidas, es la nica que goza de esta caracterstica.
Distribucin hipergeomtrica
En un lote de N artculos donde r de ellos tienen una caracterstica determinada, el complemento N - r no tiene la caracterstica. Al escoger una
muestra de tamao n N (sin reemplazo), se define la variable aleatoria X
como el nmero de artculos r con la caracterstica r dentro de la muestra
seleccionada, claramente x r. Esta distribucin de probabilidad se define
por la siguiente expresin:
33
P (X = x) =
nr
N
( NN -- n1 ) con q = 1 - p
4.5.2. Variables aleatorias continuas
34
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
f (x; a, b) =
1
si a x b
b-a
0 para cualquier caso
F (x) = P (X x) = x
dt
b-a
=b - a ax dt si a x b ;
1
F (x) = P (X x) =
0 si x < a
si a x b
b-a
1 si x > b
x-a
VAR(X) =
a+b
2
(b - a)2
12
Distribucin normal
Esta distribucin de probabilidad es una de las ms usadas, por no decir
que es la de mayor empleo, tanto a nivel terico como prctico en la teora
de la probabilidad y la estadstica; es conocida tambin como distribucin
35
( x - ) , si < x <
2
(2) ()
f (x) =
Como toda variable aleatoria continua, la intencin es calcular la probabilidad de la variable en algn intervalo; la fda para la distribucin normal es:
1
(2) ()
F (x) = P ( X x ) =
( t -) dt
2
36
V(X) = 2
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
a- Z b-
P=
; tal como se dijo antes, estos valores se encuen en tablas estadsticas.
tran de manera extensa
Distribucin gama
A fin de poder caracterizar la distribucin gama, es necesario hacer una
presentacin de una de las funciones ms importantes en las matemticas,
tanto en la teora como en la prctica, que es de especial inters en el clculo
de probabilidad.
37
(p) =
a-1 (- )
si x > 0 a, > 0
(a) x e
a
La distribucin gama queda completamente determinada por los parmetros a y , donde tanto a y son nmeros reales positivos.
La fda de la distribucin gama se obtiene mediante la siguiente relacin:
1
(a) a
F(X) = P(X x) =
(- t ) dt
ta-1e
0
38
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
(- x )si x > 0
t
e (- )dt
x
39
( 1) (- )
( v ) x 2 e 2 si x > 0
(2) 2 2
1
o en otro caso
1
v
( ) ( )
2v 2 2
( 2v -1) (- 2t )
e
dt si x > 0
40
(a) ()
(a+)
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
(a + )
(a) ( )
x a-1 (1
F (x) = P ( X x) =
(a + )
(a) ( )
0x
a -1
0 si x 0
(1 t) 1 dt si 0 < x < 1
1 si x 1
VAR(X) =
a
a+
a
(a + )2 (a + + 1)
41
e - x
P ( X = x) =
x!
P ( X = x) =
42
e -2 2x
x = 0,1,2, ...;
o en otro caso
x!
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
e-2210 = 0,0052
10!
P(X 10) = 1
e-22x
x!
x=0
43
Algunos modelos asociados a ciertas situaciones obedecen a comportamientos de tipo aleatorio, permitiendo un modelamiento probabilstico; entre
ellos estn los modelos de falla en la teora de la confiabilidad, un campo
reciente de gran aplicacin (Meyer, 1992).
Para el estudio de los modelos de falla, se hace imprescindible tener
algn conocimiento acerca de conceptos tales como confiabilidad y tasa de
falla, los cuales se precisarn a continuacin:
Considrese un sistema o un conjunto de componentes de este, por ejemplo, podra pensarse en un fusible de cierto circuito, un instrumento electrnico, etc.; interesa el tiempo T que este producto puede estar en servicio, dado
que la variable de inters, en este caso el tiempo que se sabe de ella, que es
una variable continua, puede tomar cualquier valor a partir de algn momento que llamamos tiempo inicial t = 0,; la aleatoriedad es evidente, debido a que,
por ejemplo, sean dos bombillos fabricados con las mismas caractersticas, no
se espera que ambos bombillos tengan el mismo tiempo de duracin y, de
hecho, no se sabe con certeza cul es el tiempo determinado de uso. En tal
caso, se estara hablando de un fenmeno determinista; adems, se tiene informacin emprica que indica el comportamiento aleatorio de los modelos
de falla (Meyer, 1992).
El tiempo T que transcurre hasta que el componente de inters deja de funcionar se considera una variable aleatoria continua, como se dijo antes, esta
puede tomar cualquier valor positivo; adems de la aleatoriedad presente, no
es posible determinar de antemano un resultado para la variable de inters,
debido a que tiene asociada alguna funcin de probabilidad f(t). Se formulan a continuacin algunos conceptos importantes para el desarrollo de
la situacin planteada:
Definicin: la confiabilidad de un componente (o sistema) en el tiempo t,
denominada R(t), est definida como R(t) = P(T > t) donde T es la duracin del
componente, R se llama funcin de confiabilidad (Meyer, 1992).
En la definicin anterior, la probabilidad P(T > t), segn la definicin de
probabilidad de una funcin de variable aleatoria continua, es:
44
R(t)=
f ( s ) ds
t
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Recordando la fda de una funcin de probabilidad de una variable aleatoria, en este caso T, se tiene:
R(t)=1P(Tt)=1F(t)
Otra funcin de gran importancia en la teora de la confiabilidad es la
tasa instantnea de falla, funcin que se presenta a continuacin a travs de
la siguiente definicin:
Definicin: la tasa de falla (instantnea) Z (algunas veces llamada funcin
de riesgo) asociada con la variable aleatoria T est dada por:
Z (t) =
f (t)
definida para F(t) < 1 (Meyer, 1992)
R (t)
Suponiendo que la variable aleatoria T, debe tener asociada una distribucin f(t) de probabilidad, pero no se conoce como encontrarla, mediante
una serie de consideraciones adicionales de la variable aleatoria T, se logra
el siguiente resultado (ver Meyer, 1992):
Teorema: si T, el tiempo para que ocurra la falla, es una variable aleatoria
continua con fdp f(t) y si F(0) = 0, donde F(t) es la fda de T, entonces f(t)
puede expresarse en trminos de la tasa de falla Z como sigue:
- 0t Z ( y ) d y
f(t)=Z(t)e
E ( T ) = 0 R ( t ) dt
Volviendo al planteamiento inicial, dado un experimento, decidir acerca
del modelo empleado para el experimento, una vez analizado y visto que
obedece a una situacin aleatoria, la pregunta cul es el modelo probabilstico que mejor se acomoda a nuestra situacin? no es tarea fcil de
responder (Meyer, 1992).
45
f (t) =
1
(2) ()
( t -)
Sin embargo, este no es el caso que interesa aqu, por el contrario, interesa una ley de falla que tenga la caracterstica de tener una ley de falla
constante, es decir, Z(t) = a para alguna constante a.
Por lo tanto, al ser la tasa de falla una constante, nuestra funcin de distri t Z ( y ) dy
, adopta la forma f (t) = ae a t,;
bucin de probabilidad, f (t) = Z (t) e
1
haciendo a = , se tiene una funcin con distribucin exponencial negativa
1t
de parmetro , dado por f (t) = 1 e para t > 0.
Entonces, una variable aleatoria continua T, que representa el tiempo de
falla de algn componente o sistema, si tiene una tasa de falla constante,
la variable aleatoria continua t, tendr una distribucin exponencial negativa.
Como se dijo anteriormente, hay evidencias de tipo emprico que sustentan la aleatoriedad de modelos de falla, en particular que el modelo apropiado
siga una distribucin de tipo exponencial negativa (Meyer, 1992).
Al suponer que la duracin de un fusible de un componente electrnico
se encuentra distribuida de forma exponencial, se sabe que la confiabilidad
del fusible (para una operacin de 150 horas) es 0,8. Qu cantidad de horas deben tenerse en cuenta a fin de obtener una confiablidad de 0,95?
Con el propsito de poder describir el tiempo requerido para cualquier
confiabilidad deseada, es necesario conocer la distribucin de la probabilidad; se sabe que esta se distribuye exponencialmente, es decir, f(t) adopta
la siguiente distribucin de probabilidad:
0
f (t) = ae -at
46
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
8
In 0,8 = 0,00148
-150
47
6. Conclusiones
48
Una aproximacin de la variable aleatoria a procesos de toma de decisin que implican condiciones de riesgo e incertidumbre
Bibliografa
Allen, A. O. (1990). Probability, Statistics and Queueing Theory. Academic
Press.
Blanco, L. (2010). Probabilidad. Bogot: Editorial Unibiblos.
Berman, S. (1969). The Elements of Probability. Addison-Wesley Publishing
Co. Inc.
Brosseau, G. (1997). Theory of didactical situations in mathematics. Didactique des mathmatiques, 1970-1990. Dordrecht: Kluwer Academic
Publishers.
Canavos, G. C. (1988). Probabilidad y estadstica. Aplicaciones y mtodos.
McGraw-Hill.
Devore, J. L. (1987). Probability and Statistics for Engineering and the
Sciences. (2 ed.). Brooks/Cole Publishing Co.
Fienberg, S. E. (1992). The history of statistics: a review essay. Statistical
Science.
Girn, F. J. (1994). Historia del clculo de probabilidad: de Pascal a Laplace.
En: Historia de la ciencia estadstica. Madrid: Real Academia de Ciencias
Exactas Fsicas y Naturales.
Gorostiza, L. (2001). La probabilidad del siglo XX. Nmero 33. Mxico:
Miscelnea Matemtica, Sociedad Matemtica Mexicana.
Hald, A. A. (1990). History of Probability and Statistics and their Aplications
before 1750. New York: John Wiley & Sons.
Hogg, R. V. & Ledolter, J. (1987). Engineering Statistics. (4 ed.). Nueva
York: McMillan Publishing Company.
Leithold, L. (1998). El clculo. (7 ed.). Mxico: Mapasa.
Meyer, P. L. (1992). Probabilidad y aplicaciones estadsticas. (Ed. rev.).
Adisson-Wesley Iberoamericana.
Montgomery, D. C. (1996). Probabilidad y estadstica aplicada a la ingeniera. Mxico: McGraw-Hill.
Muoz, J. (2002). Introduccin a la teora de conjuntos. (2 ed.). Bogot:
Facultad de Ciencias, Universidad Nacional de Colombia.
Neyman, J. (1968). The World of Mathematics. (1 ed.). Vol. III. Nueva York:
Simon and Shusters, Inc.
49
50
DOCUMENTOS DE INVESTIGACIN
Facultad de Administracin
No. 96, ISSN: 0124-8219
Junio de 2011
El modelamiento logstico en
la prestacin de servicios:
caso sociedad hotelera
Andrs Felipe Santos Hernndez