PROCESOS ESTOCSTICOS TALLER 5

Presentado por: Cristian Andrs Melo Lozada- 1088253599

German Leonardo Roa Marn- 544441

1. Modelos de Poisson

Del anexo de los talleres 1 y 2, tome la muestra de tiempos en que se descubren fraudes a usuarios comerciales.

1.1. Haga las pruebas de tendencia Laplace y Lewis Robinson y la grfica de eventos acumulados con respecto al tiempo. Qu
se concluye de estas pruebas y de la grfica?

R/: Para la tabla 1 del anexo (A.1), las pruebas de tendencia Laplace y Lewis Robinson; obtenindose los siguientes resultados.

Prueba de tendencia de Laplace

Para el problema planteado, se tiene que el estadstico de prueba de tendencia de Laplace es igual a:

1 1
( =1 )
= 2 = 4,169
1

12

Donde la variable (Instante en que se encontr el fraude) corresponden a los datos consignados en la columna 1 de la tabla
A.1 del anexo.

: Es igual a ( 1), donde corresponde al tamao de la muestra.

: Es igual a = 2,9487, que corresponde al ltimo elemento de la columna 1 de la tabla A.1.

Verificando las pruebas de hiptesis, enunciadas a continuacin:

a. Hiptesis nula H0: El proceso de llegada de eventos es un HPP

b. Hiptesis alterna H1: El proceso de llegada de eventos no es un HPP

Se tiene, para una probabilidad crtica = 5% y = 1.9657, que el proceso bajo estudio no presenta la tendencia de un
Proceso de Poisson Homogneo pues > .

Prueba de tendencia Lewis Robinson

Para los valores de la tabla A.1, se tiene que el estadstico de prueba de tendencia Lewis Robinson, es igual a:

= = 3,3407

Donde la variable , corresponde al coeficiente de variacin; el cual se calcula, como la relacin entre la varianza muestral
( = 0,0517) y el promedio estadstico ( = 0,0415) de los tiempos entre llegada de eventos (columna 2 Tabla A.1).

1
Considerando las siguientes pruebas de hiptesis:

a. Hiptesis nula H0: El proceso de llegada de eventos tiene la tendencia de un proceso de renovacin.
b. Hiptesis nula H1: El proceso de llegada de eventos no tiene la tendencia de un proceso de renovacin.

Se tiene, que con una probabilidad crtica = 5% y = 1.9657, el proceso bajo estudio no tiene la tendencia de un Proceso
de Renovacin, dado que > .

Grfica de eventos acumulados con respecto al tiempo

t[aos] N eventos
0,5 1
0,75 5
1 11
1,25 17
1,5 23
1,75 28
2 36
2,25 40
2,5 50
2,75 62
3 72
Tabla 1.

Figura 1.

De las pruebas de tendencia Laplace y Lewis Robinson, se concluye que se debe buscar un modelo no estacionario para el
problema en cuestin, pues > y > , lo que implica una tendencia positiva; sin embargo, la grfica de eventos
acumulados no presenta una tendencia. Lo anterior indica que los mtodos grficos pueden ser menos confiables, para
determinar tendencia en un conjunto de datos.
2
1.2. Estime los parmetros de la funcin de intensidad de un modelo Power Law.

R/: Para el proceso descubrir fraudes en usuarios comerciales, se tiene que los parmetros de la funcin de intensidad para el
modelo Power Law.

( 2)
= = 1,8113
=1 ( / )

=
= 9,9345

Donde, como se vio anteriormente, corresponde al nmero de datos de la muestra y corresponde al ltimo elemento de la
columna 1 de la tabla A.1.

1.3. Haga la prueba de bondad de ajuste al modelo Power Law.

R/: Se realiz la prueba de bondad y ajuste de Kolmogorov al proceso de descubrir fraudes, siguiendo el siguiente
procedimiento:

a. Sea = 1.



b. Calcular = ( ) para = 1,2, , .


c. + = max ( ) para = 1,2, , .

d. = max( ( 1)/) para = 1,2, , .
e. = max{ + , } estadstico de prueba.

Los valores de , + , , estn consignados en la tabla A.1, de donde se obtuvo que el valor del estadstico de prueba, el cual
corresponde al valor mximo entre + y , es igual a = 0.0673 (valor mximo ). Posteriormente se calcul el valor crtico
del estadstico de prueba, para una probabilidad critica = 5%, el cual se calcula de la siguiente manera:

1
= = 0,1189
1 + 2

Donde, 1 y 2 para un = 5%, se extrajeron de la siguiente tabla:

1 2
1% 1,8713 0,0750
5% 2,1665 0,0879
10% 2,4183 0,0940
Tabla 2.

Puesto que > , se acepta la hiptesis nula, es decir, el proceso de Poisson no Homogneo (NHPP) Power Law con
parmetros = 1,8113 y = 3,9184[eventos/ao] representa los datos con un 95% de confianza.

1.4. Cul es el valor esperado de fraudes detectados en 1, 2 y 3 aos?

R/: Partiendo de que los datos pueden ser representados con un NHPP Power Law, se tiene que el valor esperado de fraudes
detectados para distintos periodos de tiempo, se calcula a partir de la siguiente expresin:

[()] =

3
Los valores correspondientes al valor esperado para 1,2 y 3 aos de fraudes detectados se encuentran en la tabla 3.

[] [()] []
1 9
2 34
3 72
Tabla 3.

1.5. Cul es la probabilidad de que se detecten ms de 12 fraudes en 1, 2 y 3 aos?

R/: Partiendo de que la probabilidad de que en un periodo de tiempo dado [0, ] ocurran o menos eventos en un NHPP
Power Law est dada por:

1
[() ] = [ ]
!
=0

La probabilidad de que se detecten ms de 12 fraudes en 1, 2 y 3 aos, puede ser calculada como:

[() > ] = 1 [() ]

[] [() > ]
1 0,2023
2 0,9999
3 1
Tabla 4.

2. Proceso de Poisson Compuesto

Del taller 3 tome el modelo de valor del fraude descubierto a usuarios comerciales y analice ahora la prdida econmica anual
para la empresa de distribucin por estos robos

2.1. Cul es el modelo de la prdida econmica anual por los robos de usuarios comerciales?

R:\ El modelo de la prdida econmica anual por los robos de usuarios comerciales, corresponde a un Proceso de Poisson
Compuesto. Este modelo corresponde al nmero de fraudes detectados por un ao multiplicado por el valor de los fraudes,
donde el nmero de fraudes es una variable aleatoria.

2.2. Cul es el valor esperado de prdida anual por los robos de usuarios comerciales en periodos de 1, 2 y 3 aos?

R:/ El valor esperado de prdida anual por los robos de usuarios comerciales en periodos de 1, 2 y 3 aos, se calcula como:

[()] = [()] []

Donde:

[()]: Es el valor esperado de prdida anual por los robos de usuarios comerciales para un periodo .
[()]: Valor esperado de fraudes para un periodo (Encontrados en el numeral 1.4, Tabla 3)
[]: Valor esperado del fraude, que corresponde a = 10,52 (Este valor corresponde al promedio de la columna 3 dela Tabla
A.1).

4
 [] [()] [] [] [$ ] [()][$ ]
1 9 10,52 104,5292
2 34 10,52 366,8531
3 72 10,52 764,6197
Tabla 5.

2.3. El gerente de la compaa dijo al jefe de prdidas no tcnicas que lo premiara si en un ao se descubren ms de doce
fraudes de usuarios comerciales y cada uno cuesta ms de diez millones de pesos. Cul es la probabilidad de este evento?

R:/ La probabilidad de descubrir ms de doce fraudes de usuarios comerciales, cada uno con valor superior de diez millones
de pesos, corresponde a una probabilidad conjunta, de la forma:

[( ) ] = [() ] [ ]

Donde:

: Corresponde a doce fraudes.

: Corresponde a diez millones de pesos.
[( ) ]: Corresponde al valor de probabilidad que se desea encontrar.
[() ]: Corresponde a la probabilidad de encontrar ms de doce fraudes en un ao (Encontrada en el numeral 1.5)
[ ]: Corresponde a la probabilidad de que el valor de fraude supere los diez millones de pesos.

Se calcul inicialmente la probabilidad de fraude por valor inferior a diez millones de pesos; para esto, y por facilidad se
recurri al comando normcdf (x, mu, sigma) de MATLAB; donde mu es el promedio y sigma la desviacin de los datos de
la columna 3 de la tabla A.1 ( = 10,52 y = 2.6178). Posteriormente se hall la probabilidad de que el valor de fraude supere
los diez millones de pesos, como la probabilidad del complemento.

[ ] = (, , ) = 0,4210

[ ] = 1 [ ] = 0,5790

As mismo, la probabilidad de encontrar ms de doce fraudes en un ao es:

[() ] = 0,2023

Por lo que la probabilidad de descubrir ms de doce fraudes de usuarios comerciales, cada uno con valor superior de diez
millones de pesos es
[( ) ] = 0,5790 0,2023 = 0,1171

3. Relacin entre cadenas de Markov y Procesos de Poisson

Una empresa ha instalado un punto de venta para sus productos. All se atiende 12 horas diarias en jornada continua,
trabajando dos personas en turnos de 6 horas cada una.

El proceso de llegada de clientes se modela con un RP exponencial con funcin de intensidad 108 clientes por jornada (12
horas cada da).

El tiempo de servicio esta normalmente distribuido con valor medio 10 minutos y coeficiente de variacin del 35%.
5
El valor de compra que hacen los clientes esta normalmente distribuido con valor medio COP$100.000 y desviacin del 25%.
Solo el 40% de los clientes que son atendidos realiza una compra.

Los gastos fijos mensuales (arriendo, servicios, administracin, aseo, publicidad, decoracin) son de COP$20000.000, cada
empleado cuesta COP$2560.000 por mes incluyendo sus prestaciones sociales y de lo que se vende, 50% corresponde al costo
del producto.

3.1. Halle la intensidad de trfico de este sistema de colas. Qu se interpreta de este resultado?

R\: Sabiendo que la intensidad de trfico es la relacin entre la funcin de intensidad que representa a los clientes y la funcin
de intensidad que representa a las terminales de servicio, se tiene:

()
() = = 1,5
()
Donde:

(): Es la funcin de intensidad que representa a los clientes mediante un proceso puntual, y corresponde al valor de
108 clientes por jornada.
(): Es la funcin de intensidad que representa a las terminales de servicio mediante un proceso puntual, y se calcula
sabiendo que estas atienden 12 horas diarias en jornada continua el tiempo y que el tiempo de servicio esta normalmente
distribuido con valor medio 10 minutos.

12 /
() = = 72
(10 /)(1 /60 )

El valor de () significa que las solicitudes por el servicio, arriban ms rpido de lo que el servicio puede ser brindado. Los
clientes se acumulan en la cola y el tiempo total para atender a los usuarios se incrementa cada vez ms y ms

3.2. Halle el modelo de cadena de Markov asociada a los procesos puntuales de llegada de clientes y atencin a clientes.

R\: La figura 2, muestra el modelo de Markov asociada a los procesos puntuales de llegada de clientes y atencin a clientes.

Figura 2.

6
Donde:

1,2 : Corresponde a la tasa de transicin del estado 1 (libre), al estado 2 (ocupado) y es igual a la funcin de intensidad que
representa a los clientes.
2,1 : Corresponde a la tasa de transicin del estado 2 (ocupado), al estado 1 (libre) y es igual a la funcin de intensidad que
representa a las terminales de servicio.

Igualmente, se sabe que la llegada de clientes est asociada a un proceso de renovacin exponencial, y la atencin a clientes a
un proceso de renovacin normal.

3.3. Halle las probabilidades de estado estable de la cadena de Markov. Cmo se interpretan estos resultados?

R:/ Para un modelo de Markov con dos estados y con = 72 y = 108, la probabilidad de estado estable se calcula como:

1 () = = 0,4, 2 () = = 0,6
+ +

Esto implica que hay un 40% de probabilidad de encontrar en estado libre el punto de venta durante una jornada, mientras que
hay un 60% de probabilidad de que se encuentre ocupado.

3.4. Cul es la probabilidad de que en una jornada lleguen al menos 12 clientes, 24 clientes, 48 clientes?

R/: Empleando el proceso de Poisson para las llegadas, se tiene que la probabilidad estar dada por el proceso puntual. Se debe
partir del clculo de que lleguen menos de clientes (con = {12,24,38}), para posteriormente encontrar la probabilidad
complemento, es decir encontrar que lleguen por lo menos clientes.

Se tienen entonces, que la probabilidad de que lleguen menos de clientes, para un = 108 / y = 1 ,
es:

1
1
[() < ] = []
!
=0

La probabilidad de que se lleguen al menos clientes, puede ser calculada como:

[() ] = 1 [() < ]

[] [() ]
12 0,9999
24 0,9999
48 0,9999

3.5. Cul es la probabilidad de que en una jornada se pueda atender al menos 12 clientes, 24 clientes y 48 clientes?

R:/ De manera anloga al punto del numeral anterior, se debe calcular inicialmente la probabilidad de atender menos de
clientes (con = {12,24,38}), para luego hallar la probabilidad complemento de atender clientes. La probabilidad de atender
menos de clientes, para un = 72 / y = 1 , es:

1
1
[() < ] = []
!
=0

7
La probabilidad de que se lleguen al menos clientes, puede ser calculada como:

[() ] = 1 [() < ]

[] [() ]
12 0,9999
24 0,9999
48 0,9999

3.6. Cul es la probabilidad de que el tiempo entre llegada de clientes sea menor a 15 minutos?

R:/ Dado que los tiempos interarribo de llegada estn representado por un proceso de renovacin exponencial. Se tiene
entonces, que la probabilidad de que el tiempo entre llegada de clientes sea menor a 15 minutos ( = 15), es igual a:

1

[ 15] = 1

El valor de de la anterior expresin, corresponde al tiempo promedio de entrada, que es igual a:

12 / (60 /)
= = = 6,6
(108 /)

Por lo que la probabilidad ser:

15

[ 15] = 1 6,6 = 0,8969

3.7. Cul es la probabilidad de que atender a un cliente tome ms de 15 minutos?

R:/ Los tiempos interarribo de atencin a cliente estn representado por un proceso de renovacin normal. Para calcular la
probabilidad de que atender a un cliente tome ms de 15 minutos, primero se debe encontrar la probabilidad de que atender a
un cliente tome menos de 15 minutos y determinar la primera como complemento de esta; dado que no se tiene una forma
analtica para el clculo de la probabilidad, se emplea el comando de MATLAB normcdf (x, mu, sigma).

El valor de corresponde al promedio del tiempo de servicio el cual es de 10 minutos. Con respecto al valor de la desviacin
, esta se calcula a partir del coeficiente de variacin .

= = 10 0,35 = 3,5

Para estos valores, se tiene que la probabilidad de que atender a un cliente tome menos de 15 minutos es:

[ 15] = (, , ) = 0,9234

Por lo que la probabilidad de que atender a un cliente tome ms de 15 minutos es:

[ 15] = 1 [ 15] = 0,0765

8
3.8. Cul es la probabilidad de que un cliente haga una compra de valor mayor a COP$120.000?

R:/ Dado que el valor de compra que hacen los clientes esta normalmente distribuido con valor medio = COP$100.000,
desviacin del 25% y = COP$25.000, la probabilidad de que un cliente haga una compra de valor mayor a COP$120.000, se
calcula como:

[ 120.000] = 1 [ 120.000]

Donde [ 120.000], se determina empleando el comando de MATLAB normcdf (x, mu, sigma).

[ 120.000] = 1 (, , ) = 0,2118

3.9. Cul es la probabilidad de que en una jornada lleguen al menos 12 clientes que hacen, cada uno, compras mayores a
COP$120.000?

R:/ Esta probabilidad se calcula como el producto de las probabilidades de los eventos independientes, llegada de al menos 12
clientes ([() 12]) y compras mayores a COP$120.000 ( [ 120.000]):

[ 120.000 () 12] = [ 120.000][() 12] = 0,2118

3.10. Cul es el valor esperado de ingresos por da?

R:/ Sabiendo que solo el 40% de los clientes que son atendidos realizan una compra, y que el valor esperado de compra es
COP$100.000, se tiene que el valor esperado de ingreso por da, el cual corresponde a un proceso de Poisson compuesto, se
calcula como:

[()] = [] [()]

Donde:

[]: Es el valor esperado de compras.

[()]: Es el valor esperado de clientes que realizan compras. Puesto que solo el 40% de clientes atendidos compran y se
espera atender 72 clientes, se tiene que:
[()] = 72 0,4 = 28,8

De lo anterior se tiene que el valor esperado de ingresos, por da es:

[()] = COP$100.000 2,88 = 2 . 880.000

3.11. Cul es el valor esperado de utilidad por mes?

R:/ El valor esperado de utilidad por mes, se calcula como la diferencia entre el valor esperado de ingresos netos por mes (se
debe considerar que el 50% de lo que se vende corresponde al costo del producto) y el valor esperado de egresos por mes; los
egresos corresponden a los gastos fijos mensuales, cuyo valor es COP$20000.000, mas lo que cuesta cada empleado
COP$2560.000.

[()] = 30 ([()] 0,5) [()]

[()] = 30 (2 . 880.000 0,5) (20000.000 + 2 2560.000 ) = 18080.000

9
3.12. Cul es la diferencia entre los resultados que dan las distribuciones de probabilidad, los procesos de Poisson, la cadena
de Markov y el proceso de Poisson compuesto?

R:/ En general la diferencia radica en que cada modelo permite modelar distintos tipos de procesos. Por ejemplo:

Las cadenas de Markov permiten calcular la probabilidad de encontrar un estado en un instante de tiempo.
Los Procesos de Poisson permiten hallar la probabilidad de que un periodo de tiempo se d un evento.
La distribucin de probabilidad permite encontrar la probabilidad de que una variable aleatoria sea mayor o menor a
un dato de referencia o inters.
Los Procesos compuestos de Poisson permiten relacionar distintas variables aleatorias de inters, para encontrar
probabilidades o valores esperados conjuntos.

10
 ANEXO

t[aos] x[aos] C [COP$*106] Ui D D

0,3237 0,3237 12,5982 0,01789 -0,00380 0,01789
0,5553 0,2316 12,2772 0,04754 -0,01937 0,03346
0,6208 0,0655 9,4007 0,05818 -0,01593 0,03001
0,6762 0,0554 10,4525 0,06793 -0,01159 0,02567
0,7425 0,0663 10,6106 0,08047 -0,01004 0,02413
0,7598 0,0173 10,241 0,08389 0,00061 0,01347
0,7892 0,0294 7,9238 0,08986 0,00873 0,00536
0,8053 0,0161 9,1194 0,09321 0,01946 -0,00538
0,8096 0,0043 9,5631 0,09412 0,03264 -0,01856
0,8113 0,0017 8,7984 0,09447 0,04637 -0,03229
0,9101 0,0988 12,0921 0,11634 0,03859 -0,02451
1,0217 0,1116 16,3459 0,14345 0,02556 -0,01148
1,0415 0,0198 6,6917 0,14853 0,03457 -0,02049
1,1667 0,1252 10,3209 0,18243 0,01475 -0,00067
1,1995 0,0328 6,3941 0,19183 0,01944 -0,00536
1,2315 0,032 13,2563 0,20120 0,02416 -0,01007
1,239 0,0075 13,5248 0,20342 0,03602 -0,02193
1,2748 0,0358 5,8436 0,21419 0,03933 -0,02525
1,3203 0,0455 14,8592 0,22824 0,03937 -0,02528
1,3395 0,0192 7,2883 0,23429 0,04740 -0,03332
1,3539 0,0144 10,567 0,23887 0,05691 -0,04282
1,3849 0,031 12,7473 0,24887 0,06099 -0,04691
1,4343 0,0494 10,368 0,26518 0,05877 -0,04468
1,521 0,0867 15,7392 0,29492 0,04311 -0,02902
1,545 0,024 16,8814 0,30340 0,04871 -0,03463
1,6043 0,0593 10,3458 0,32482 0,04137 -0,02729
1,7381 0,1338 5,2323 0,37554 0,00474 0,00935
1,7499 0,0118 9,0875 0,38017 0,01419 -0,00011
1,8089 0,059 7,8797 0,40371 0,00474 0,00934
1,8424 0,0335 8,0881 0,41735 0,00518 0,00890
1,8577 0,0153 7,1808 0,42365 0,01297 0,00112
1,8992 0,0415 10,1955 0,44095 0,00976 0,00433
1,9115 0,0123 15,2666 0,44614 0,01865 -0,00457
1,9487 0,0372 8,2104 0,46199 0,01689 -0,00280
1,9638 0,0151 9,2987 0,46849 0,02447 -0,01038
1,9777 0,0139 12,9162 0,47451 0,03253 -0,01844
2,0098 0,0321 13,0321 0,48856 0,03257 -0,01849
2,1611 0,1513 11,2139 0,55720 -0,02199 0,03607
2,2027 0,0416 12,565 0,57678 -0,02748 0,04157
2,2347 0,032 12,1768 0,59204 -0,02866 0,04275
2,2831 0,0484 9,0456 0,61547 -0,03801 0,05209
2,3424 0,0593 11,0722 0,64473 -0,05318 0,06727
2,3495 0,0071 9,2522 0,64828 -0,04264 0,05673
2,38 0,0305 7,7503 0,66360 -0,04388 0,05797
2,3843 0,0043 11,5869 0,66577 -0,03197 0,04606
2,4179 0,0336 10,1686 0,68286 -0,03498 0,04906
2,4273 0,0094 9,5322 0,68768 -0,02571 0,03979
2,4602 0,0329 10,7293 0,70466 -0,02860 0,04268
2,4677 0,0075 12,4692 0,70855 -0,01841 0,03250
2,4776 0,0099 10,9823 0,71371 -0,00948 0,02357
2,5119 0,0343 10,4864 0,73171 -0,01340 0,02748
2,5653 0,0534 10,6995 0,76012 -0,02773 0,04181
2,5735 0,0082 10,1281 0,76453 -0,01805 0,03214
2,5753 0,0018 8,0638 0,76550 -0,00494 0,01902
2,6138 0,0385 11,967 0,78635 -0,01171 0,02579
2,6274 0,0136 13,5223 0,79378 -0,00505 0,01913
2,6556 0,0282 8,6648 0,80928 -0,00646 0,02055
2,6618 0,0062 14,8194 0,81270 0,00420 0,00989
2,6708 0,009 9,5594 0,81769 0,01330 0,00079
2,7312 0,0604 9,3906 0,85149 -0,00642 0,02050
2,7362 0,005 7,756 0,85432 0,00484 0,00925
2,7365 0,0003 8,0192 0,85449 0,01875 -0,00467
2,7588 0,0223 7,6176 0,86714 0,02018 -0,00610
2,7629 0,0041 10,8848 0,86948 0,03193 -0,01785
2,7807 0,0178 13,9926 0,87965 0,03584 -0,02176
2,8425 0,0618 11,3187 0,91538 0,01420 -0,00012
2,8953 0,0528 12,1355 0,94641 -0,00275 0,01683
2,9246 0,0293 13,3546 0,96383 -0,00608 0,02016
2,934 0,0094 3,7512 0,96944 0,00239 0,01170
2,9402 0,0062 9,5811 0,97316 0,01276 0,00133
2,9478 0,0076 10,8825 0,97772 0,02228 -0,00820
2,9847 0,0369 11,7931
Tabla A.1

11