Repaso de Probabilidad y

ESTADSTICA

SEMANA 1

[ PROGRAMACIN ESTOCSTICA ]

SEMANA UNO

LECTURA UNO: Repaso de Probabilidad y Estadstica
En esta primera parte del curso y a manera de introduccin se espera que el estudiante realice
un repaso, con el cual se pueda crear una visin general de los aspectos bsicos de probabilidad,
especficamente en los temas relacionados con variables aleatorias y distribuciones de
probabilidad, las cuales sern base fundamental para la construccin del conocimiento de
modelos estocsticos. De igual manera se espera que el estudiante por medio de la siguiente
lectura tenga claras las diferencias entre un espacio muestral discreto con sus respectivas
distribuciones y un espacio muestral continuo con sus respectivas distribuciones.

VARIABLE ALEATORIA Y DISTRIBUCIONES DE PROBABILIDAD
Diferentes ciencias y disciplinas han querido hacer inferencias acerca de comportamientos en la
poblacin y el mundo en general. En el caso de los inventarios, es importante estar en
capacidad de hacer inferencias del comportamiento de la demanda. Para tener nocin de ese
comportamiento, debemos conocer bsicamente dos cosas: el conjunto de valores que puede
tomar la demanda y la probabilidad asociada a cada uno de esos valores. A dicho conjunto de
valores se le conoce como el espacio muestral. De esta manera, se va a definir una variable
aleatoria como la funcin que asocia un nmero real (probabilidad) con cada uno de los valores
del espacio muestral.
Un ejemplo de definicin de una variable aleatoria (X) relacionada con la demanda sera:

X: Nmero de unidades a vender en el mes de enero.

La siguiente tabla representa la distribucin de probabilidades segn el espacio muestral.

Tabla 1. Distribucin de probabilidades segn el espacio muestral
Espacio Muestral
Probabilidad
100
35%
80
55%
60
10%
Fuente: elaboracin propia

Para definir de manera ms fcil las variables aleatorias, se crearon distribuciones de
probabilidad, las cuales pueden describir el comportamiento de una serie de valores
determinados de forma clara y resumida. Estos permiten calcular de manera ms eficiente las
probabilidades asociadas a los diferentes valores y para fines de esta lectura, se explicarn las
tres distribuciones de probabilidad ms usadas en el campo de la administracin de inventarios.
Antes de proceder con los tipos de distribuciones se debe aclarar la diferencia fundamental
entre un espacio muestral discreto, un espacio muestral continuo y el respectivo
comportamiento de las variables aleatorias. Un espacio muestral discreto es aquel que contiene
un nmero finito de posibilidades o una serie interminable con tantos elementos como

[ POLITCNICO GRANCOLOMBIANO ]

nmeros enteros existen, de acuerdo a lo anterior si en la distribucin se puede contar el

conjunto de resultados posibles se le conoce como variable aleatoria discreta. Un espacio
muestral continuo es aquel que contiene un nmero infinito de posibilidades igual al nmero de
puntos en un segmento de lnea, es decir que cuando una variable aleatoria puede tomar
valores en una escala continua se le conoce como variable aleatoria continua, en pocas palabras
las variables aleatorias continuas representan datos medidos, como lo pueden ser todos los
posibles pesos, temperaturas, distancias, etc., mientras que las variables aleatorias discretas
representan datos contados, como lo son el nmero de artculos defectuosos en una muestra
de n artculos, la cantidad de accidentes de autopista en cierto estado, etc.
Con esta breve explicacin, veremos a continuacin los diferentes tipos de distribuciones ms
utilizadas.

DISTRIBUCIONES DISCRETAS
DISTRIBUCIN BINOMIAL
Est distribucin se caracteriza por manejar los conocidos experimentos de Bernoulli, en donde
cada experimento de Bernoulli debe tener las siguientes propiedades:
El experimento consiste en N pruebas que se repiten.
Cada prueba produce un resultado que se puede clasificar como xito o fracaso.
La probabilidad de xito, que se denota con la letra p, permanece constante en cada prueba.
Las pruebas que se repiten son independientes.

Entonces, si se hacen N experimentos independientes cuyo resultado en cada ensayo puede ser
nicamente xito (con probabilidad p) o Fracaso (con probabilidad q = 1- p), a la Variable
Aleatoria X: nmero de xitos en los N ensayos, se le conoce como la Variable Aleatoria
Binomial y su Funcin de Probabilidad es conocida como la Distribucin Binomial de parmetros
N, p:

!!! = !; !, ! = ! !! = !

!
!!! = !; !, ! =
! ! (! !)!!! , ! = !, !, , !
!

! !! ; !, ! = !"

!"# !! ; !, ! = !"#

Ejemplo:
La probabilidad de que cierta clase de componente sobreviva a una prueba de choque dada es
de . Encuentre la probabilidad de que sobrevivan exactamente dos de los siguientes cuatro
componentes que se prueben.
Lo primero que debemos suponer es que las pruebas son independientes y como ! = 3 4 para
cada una de las cuatro pruebas obtenemos:

[ PROGRAMACIN ESTOCSTICA ]

4 3 !
3 !!!
4! 3!
27
1
=
!=
= !. !"#$
2 4
4
2! 2! 4
128
La probabilidad de que sobrevivan exactamente dos de los siguientes cuatro componentes que
se prueben es del 21%.

En algunos casos, nos interesaremos por solucionar problemas donde conocer !(! < !) o
!(! ! !) sea necesario. Para solucionar este tipo de problemas disponemos de las sumas
binomiales:
!"# 2; 4; 3 4 =

! !; !, !

! !; !, ! =
!!!

Las cuales pueden ser consultadas en tablas para solucionar los problemas o con la herramienta
de Excel, la cual directamente calcula la probabilidad introduciendo previamente los datos
pertinentes y el tipo de distribucin. Las tablas mencionadas anteriormente pueden ser
consultadas en el libro Probabilidad y estadstica para ingenieros- Ronald Walpole 6 Ed. en la
tabla A.1 del apndice.

Ejemplo:
La probabilidad de que un paciente se recupere de una rara enfermedad sangunea es del 0.4 si
se sabe que 15 personas contraen esta enfermedad, cul es la probabilidad de que (a)
sobrevivan al menos 10, (b) sobrevivan de 3 a 8 y (c) sobrevivan exactamente 5?

X= Nmero de personas que sobreviven
(a) ! ! 10 = 1 ! ! < 10 = 1 !!!! ! !; 15, 0.4 = 1 0.9662
= !. !""#
(b) !(3 ! 8) = !!!! ! !; 15,0.4
!

! !; 15,0.4
!!!

! !; 15,0.4 = 0.9050 0.0271 = !. !""#

!!!

(c) ! ! = 5 = !(5; 15, 0.4) = !!!! ! !; 15, 0.4 !!!! ! !; 15, 0.4
= 0.4032 0.2173 = !. !"#$

DISTRIBUCIN GEOMTRICA
Es aquella en donde s se realizan sucesivamente experimentos independientes de Bernoulli de
parmetro p, a la variable aleatoria !! : nmero de ensayos hasta obtener el primer xito se le
conoce como una variable aleatoria con Distribucin Geomtrica de parmetro p.
!! ! = (! !)!!! !
! !! ; !, ! = !/!

!"# !! ; ! = (! !)/!!

[ POLITCNICO GRANCOLOMBIANO ]

Grfica 1. Representacin grfica de una variable aleatoria geomtrica.

Fuente: elaboracin propia

Ejemplo:
Se sabe que cierto proceso de fabricacin, en promedio, uno de cada 100 artculos est
defectuoso. Cul es la probabilidad de que el quinto artculo que se inspecciona sea el primer
defectuoso que se encuentra?

Al usar la distribucin geomtrica con n=5 y p= 0.01, tenemos
! 5; 0.01 = 0.01 0.99 !!! = !. !!"#
La probabilidad de que el quinto artculo que se inspecciona sea el primer defectuoso que se
encuentra es del 0.96%.

Ejemplo:
En tiempo ocupado un conmutador telefnico est muy cerca de su capacidad, por lo que los
usuarios tienen dificultad al hacer sus llamadas. Puede ser de inters conocer el nmero de
intentos necesarios a fin de conseguir un enlace telefnico. Suponga que p= 0.05 es la
probabilidad de conseguir un enlace durante el tiempo ocupado. Nos interesa conocer la
probabilidad de que se necesiten cinco intentos para una llamada exitosa.
El uso de la distribucin geomtrica con n= 5 y p= 0.05 nos da
! ! = ! = ! 5: 0.05 = 0.05 0.95 !!! = !. !"#
La probabilidad de que se necesiten cinco intentos para una llamada exitosa es del 4.1%.

DISTRIBUCIN BINOMIAL NEGATIVA
La distribucin binomial negativa es aquella en donde si pruebas independientes repetidas
pueden tener como resultado un xito con probabilidad p y un fracaso con probabilidad q = 1- p,
entonces la distribucin de probabilidad de la variable aleatoria X, el nmero de la prueba en la
que ocurre el k-simo xito, es

! ! ! !!!
! !; !, ! =
! ! , ! = !, ! + !, ! + !, .
!!

[ PROGRAMACIN ESTOCSTICA ]

Ejemplo:
Encuentre la probabilidad de que una persona que lanza tres monedas obtenga slo caras o slo
cruces por segunda vez en el quinto lanzamiento.
Al utilizar la distribucin binomial negativa con x= 5, k= 2, y p= , tenemos:
1
4 1 ! 3 !
4! 3!
27
! 5; 2, =
=
!=
= !. !"#
4
1 4
4
1! 3! 4
256
La probabilidad de que la persona que lanza tres monedas obtenga slo caras o slo cruces por
segunda vez en el quinto lanzamiento es del 10.5%.

Ejemplo:
Los registros de una compaa constructora de pozos, indican que la probabilidad de que uno de
sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20. Cul es la
probabilidad de que el sexto pozo construido por esta compaa en un ao dado sea el segundo
en requerir reparaciones en un ao?
Al utilizar la distribucin binomial negativa con x=6, k= 2, y p= 0.20, tenemos
5
5!
! 6; 2, 0.20 =
0.20 ! 0.80 !!! =
0.20 ! 0.80 ! = !. !"#$
1
1! 4!
La probabilidad de que el sexto pozo construido por la compaa en un ao dado sea el segundo
en requerir reparaciones en un ao es del 8.19%.

DISTRIBUCIONES CONTINUAS

DISTRIBUCIN NORMAL
Otra de las distribuciones de probabilidad ms usadas es la distribucin normal. Esta funcin es
denominada la ms importante en el campo estadstico gracias a que su aproximacin puede
describir la mayora de fenmenos de la naturaleza, la industria y la ciencia. Se caracteriza por
su simetra y su forma de campana. Su funcin de densidad, media, varianza y grfica son las
siguientes:

[ POLITCNICO GRANCOLOMBIANO ]

Grfica 2. Funcin de densidad, media, varianza y grfica de la variable aleatoria normal.

Fuente1: Distribucin normal.

Consecuentemente su funcin de densidad acumulada sera:

!!
!!
(!!!)
1
!
!! =
! ! =
! !!! !"
!
!!
!! 2!!

Para facilitar la resolucin de problemas se crearon tablas de la funcin de densidad acumulada
de una distribucin de una variable aleatoria normal con media 0 y varianza 1. Esta distribucin
se conoce como la distribucin normal estndar y su funcin acumulada es la siguiente:
!!
!=

!
! = !"#$% !"#$%"&' !" !" !"#$%$&'&(%( (!!"#$ !" ! !"# !" !"#$! !" !)







1

tomado
el
8
de
febrero
de
2013
http://www.virtual.unal.edu.co/cursos/odontologia/2002890/lecciones/distribprobabil/distribnormal.htm
Consultada 7 de marzo de 2013

de

[ PROGRAMACIN ESTOCSTICA ]

Grfica 3: tabla de la distribucin normal estndar

Fuente2: Tabla Distribucin normal.

Estas tablas de distribucin normal Z se pueden encontrar fcilmente en internet o en el libro
mencionado anteriormente, Probabilidad y estadstica para ingenieros- Ronald Walpole 6 Ed.

Ejemplo (Ubicacin de reas en la curva de la distribucin normal):
Dada una distribucin normal estndar, encuentre el rea bajo la curva que yace (a) a la
derecha de z = 1.84 y (b) entre z = -1.97 y z = 0.86

tomado el 8 de febrero de 2013 de http://www.google.com.co/search?q=tabla+de+la+normal&hl=es-

419&tbo=u&biw=1366&bih=673&tbm=isch&source=univ&sa=X&ei=dA8YUdD9GqbX0QGho4D4CQ&ved=0CCoQsA
Q#imgrc=-sMTe-
Aztfi9cM%3A%3B4WbD6AAHuB6blM%3Bhttp%253A%252F%252Fwww.ieszaframagon.com%252Fmatematicas%25
2Festadistica%252Fvar_aleatoria%252Ftabla_normal.png%3Bhttp%253A%252F%252Fwww.ieszaframagon.com%2
52Fmatematicas%252Festadistica%252Fvar_aleatoria%252Ftema5_5.html%3B513%3B681 Consultada el 7 de
marzo de 2013.

[ POLITCNICO GRANCOLOMBIANO ]

(a) El rea en la figura (a) a la derecha de z = 1.84 es igual a 1 menos el rea en la tabla de la
distribucin normal para dicho valor a la izquierda de z = 1.84 , entonces, 1 (el valor de z=1.84
que segn tablas es = 0.9671), tenemos, 1 0.9671 = 0.0329
(b) El rea en la figura (b) entre z = -1.97 y z = 0.86 es igual al rea a la izquierda de z = 0.86 menos
el rea a la izquierda de z = -1.97. De la tabla de la distribucin normal, encontramos que para
dichos valores el parea deseada es 0.8051 0.0244 = 0.7807.

Ejemplo:
Cierto tipo de batera de almacenamiento dura, en promedio, 3.0 aos, con una desviacin
estndar de 0.5 aos. Suponga que las duraciones de la batera se distribuyen normalmente,
encuentre la probabilidad de que una batera dada dure menos de 2.3 aos.
Primero debemos construir un diagrama como el que se muestra a continuacin, el cual muestra
la distribucin dada de duraciones de las bateras y el rea de se desea. Para encontrar la
!(! < 2.3), necesitamos evaluar el rea bajo la curva normal a la izquierda de 2.3. Esto se logra
al encontrar el rea a la izquierda del valor de x correspondiente.


Grfica 4. Representacin grfica de una variable aleatoria normal con media 3 y desviacin
estndar 0.5

Fuente: elaboracin propia

De aqu encontramos que:
2.3 3
! =
= 1.4
0.5
Y luego con el uso de las tablas de la distribucin para Z tenemos:

[ PROGRAMACIN ESTOCSTICA ]

!(! < 2.3) = !(! < 1.4) = !. !"!"

La probabilidad de que una batera dada, dure menos de 2.3 aos es del 8.08%.

Ejemplo:
Una empresa elctrica fabrica focos que tienen una duracin, antes de fundirse, que se
distribuye normalmente con media igual a 800 horas y una desviacin estndar de 40 horas.
Encuentre la probabilidad de que un foco se funda entre 778 y 834 horas.
Primero debemos graficar la distribucin de los focos, como se muestra a continuacin:

Grfica 5. Representacin grfica de una variable aleatoria normal con media 800 y desviacin
estndar 40

Fuente: elaboracin propia

Los valores Z que corresponden a !! = 778 !"#$ ! !! = 834 !"#$ son:

778 800
834 800
!! =
= !. !! ! !! =
= !. !"
40
40

Entonces,
! 778 < ! < 834 = ! 0.55 < ! < 0.85
= ! ! < 0.85 ! ! < 0.55
= 0.8023 0.2919 = !. !"""

La probabilidad de que un foco se funda entre 778 y 834 horas es del 51.11%.

DISTRIBUCIN EXPONENCIAL
A pesar de que la distribucin normal puede ser usada para resolver varios problemas de
cualquier tipo, existen numerosas situaciones que requieren de otro tipo de distribuciones. La
distribucin exponencial se caracteriza por modelar tiempos entre eventos, lo que la hace muy
til en el campo de la ingeniera. Su funcin de densidad, media, varianza y grfica son las
siguientes:

10

[ POLITCNICO GRANCOLOMBIANO ]

Grfica 6. Su funcin de densidad, media, varianza y grfica de una variable aleatoria

exponencial.

Fuente3: Distribucin exponencial.

Recuerde que debido a la relacin que tiene la distribucin exponencial con el proceso Poisson,
la funcin de densidad se puede formular en trminos de la tasa de la siguiente forma:

! ! = !!!!"

Integrando, su funcin de densidad acumulada en trminos de sera:

!! = ! !!!"

Ejemplo:
Suponga que un sistema contiene cierto tipo de componente cuyos tiempos de falla en aos
est dado por T. La variable T se modela bien mediante la distribucin exponencial con tiempo

3

tomado el 8 de febrero de 2013 de http://www.monografias.com/trabajos84/distribucion-

exponencial/distribucion-exponencial.shtml Consultada 7 de marzo de 2013.

[ PROGRAMACIN ESTOCSTICA ]

11

medio para la falla = 5. Si se instalan cinco de estos componentes en diferentes sistemas,

Cul es la probabilidad de que al menos dos an funcionen al final del da?
La probabilidad de que un componente dado an funcione despus de ocho aos est dada por:
!!
1 ! !!
! ! > 8 =
! ! !" = ! ! !. !
5 !
Represntese con X el nmero de componentes que funcionan despus de ocho aos. Entonces
con el uso de la distribucin binomial tenemos:
!

! !2 =

! !; !, 0.2 = 1 0.7373 = !. !"!#

!(!; 5,0.2) = 1
!!!

!!!

La probabilidad de que un componente dado an funciones despus de 8 aos es del 26.2%.

Ejemplo:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribucin
exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la que se le
ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos?
Recordemos la relacin existente entre la distribucin de Poisson y la exponencial, por lo tanto
tenemos lo siguiente:
1
!~!"# ! =
! ! = !! !!" ! ! ! = 1 ! !!"
6
Entonces,
!"

! ! 20 =

! ! !" = ! 20 = 1 !
!

!!"
!"

= 0.7135

La probabilidad de que a la persona que se le ha implantado un marcapasos se le deba

reimplantar otro antes de 20 aos es del 71.3%.

12

[ POLITCNICO GRANCOLOMBIANO ]