Repaso de Probabilidad y

SEMANA 1
  ESTADÍSTICA  
 
 

 
 
 
 

   
 
 

 
 
 
 

 
 
 

 
 
 
 

 
 
 
   

[ PROGRAMACIÓN ESTOCÁSTICA ]
  

SEMANA  UNO  
 
LECTURA  UNO:  Repaso  de  Probabilidad  y  Estadística  
En  esta  primera  parte  del  curso  y  a  manera  de  introducción  se  espera  que  el  estudiante  realice  
un  repaso,  con  el  cual  se  pueda  crear  una  visión  general  de  los  aspectos  básicos  de  probabilidad,  
específicamente   en   los   temas   relacionados   con   variables   aleatorias   y   distribuciones   de  
probabilidad,   las   cuales   serán   base   fundamental   para   la   construcción   del   conocimiento   de  
modelos   estocásticos.   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  
población   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  noción  de  ese  
comportamiento,  debemos  conocer  básicamente  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  función  que  asocia  un  número  real  (probabilidad)  con  cada  uno  de  los  valores  
del  espacio  muestral.  
Un  ejemplo  de  definición  de  una  variable  aleatoria  (“X”)  relacionada  con  la  demanda  sería:  
 
X:  Número  de  unidades  a  vender  en  el  mes  de  enero.  
 
La  siguiente  tabla  representa  la  distribución  de  probabilidades  según  el  espacio  muestral.  
 
Tabla  1.  Distribución  de  probabilidades  según  el  espacio  muestral  
Espacio  Muestral   Probabilidad  
100   35%  
80   55%  
60   10%  
Fuente:  elaboración  propia  
 
Para   definir   de   manera   más   fácil   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  más  eficiente  las  
probabilidades  asociadas  a  los  diferentes  valores  y  para  fines  de  esta  lectura,  se  explicarán  las  
tres  distribuciones  de  probabilidad  más  usadas  en  el  campo  de  la  administración  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   número   finito   de   posibilidades   o   una   serie   interminable   con   tantos   elementos   como  

 
2   [ POLITÉCNICO GRANCOLOMBIANO ]
  

números   enteros   existen,   de   acuerdo   a   lo   anterior   si   en   la   distribución   se   puede   contar   el  

conjunto   de   resultados   posibles   se   le   conoce   como   variable   aleatoria   discreta.   Un   espacio  
muestral  continuo  es  aquel  que  contiene  un  número  infinito  de  posibilidades  igual  al  número  de  
puntos   en   un   segmento   de   línea,   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  número  de  artículos  defectuosos  en  una  muestra  
de  n  artículos,  la  cantidad  de  accidentes  de  autopista  en  cierto  estado,  etc.      
Con  esta  breve  explicación,  veremos  a  continuación  los  diferentes  tipos  de  distribuciones  más  
utilizadas.  
 
DISTRIBUCIONES  DISCRETAS  
DISTRIBUCIÓN  BINOMIAL  
Está   distribución   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  éxito  o  fracaso.  
• La  probabilidad  de  éxito,  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  
únicamente   Éxito   (con   probabilidad   p)   o   Fracaso   (con   probabilidad   q   =   1-­‐   p),   a   la   Variable  
Aleatoria   X:   número   de   éxitos   en   los   N   ensayos,   se   le   conoce   como   la   Variable   Aleatoria  
Binomial  y  su  Función  de  Probabilidad  es  conocida  como  la  Distribución  Binomial  de  parámetros  
N,  p:  
 
!!! = !; !, ! = ! !! = !  
 
!
!!! = !; !, ! = ! ! (! − !)!!!        , ! = !, !, … , !  
!
 
! !! ; !, ! = !"  
 
!"# !! ; !, ! = !"#  
 
Ejemplo:  
La   probabilidad   de   que   cierta   clase   de   componente   sobreviva     a   una   prueba   de   choque   dada   es  
de   ¾.   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:  

 
[ PROGRAMACIÓN ESTOCÁSTICA ] 3
  

4 3 ! 3 !!! 4! 3! 27
!"#   2; 4;  3 4 = 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:  
!

! !; !, ! =   ! !; !, !  
!!!
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   distribución.   Las   tablas   mencionadas   anteriormente   pueden   ser  
consultadas  en  el  libro  “Probabilidad  y  estadística  para  ingenieros-­‐  Ronald  Walpole  –  6  Ed.”  en  la  
tabla  A.1  del  apéndice.  
 
Ejemplo:    
La  probabilidad  de  que  un  paciente  se  recupere  de  una  rara  enfermedad  sanguínea  es  del  0.4  si  
se   sabe   que   15   personas   contraen   esta   enfermedad,   ¿cuál   es   la   probabilidad   de   que   (a)  
sobrevivan  al  menos  10,  (b)  sobrevivan  de  3  a  8  y  (c)  sobrevivan  exactamente  5?  
 
X=  Número  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   =  !. !"#$  
 
DISTRIBUCIÓN  GEOMÉTRICA  
Es  aquella  en  donde  sí  se  realizan  sucesivamente  experimentos  independientes  de  Bernoulli  de  
parámetro  p,  a  la  variable  aleatoria  !! :  “número  de  ensayos  hasta  obtener  el  primer  éxito”  se  le  
conoce  como  una  variable  aleatoria  con  Distribución  Geométrica  de  parámetro  p.    
!! ! = (! − !)!!! !  
! !! ; !, ! = !/!  
 
!"# !! ; ! = (! − !)/!!  
 
 
 

 
4   [ POLITÉCNICO GRANCOLOMBIANO ]
  

Gráfica  1.  Representación  gráfica  de  una  variable  aleatoria  geométrica.    

 
Fuente:  elaboración  propia    
 
Ejemplo:    
Se   sabe   que   cierto   proceso   de   fabricación,   en   promedio,   uno   de   cada   100   artículos   está  
defectuoso.  ¿Cuál  es  la  probabilidad  de  que  el  quinto  artículo  que  se  inspecciona  sea  el  primer  
defectuoso  que  se  encuentra?  
 
Al  usar  la  distribución  geométrica  con  n=5  y  p=  0.01,  tenemos    
! 5; 0.01 = 0.01 0.99 !!! = !. !!"#  
La   probabilidad   de   que   el   quinto   artículo   que   se   inspecciona   sea   el   primer   defectuoso   que   se  
encuentra  es  del  0.96%.  
 
Ejemplo:  
En   “tiempo   ocupado”   un   conmutador   telefónico   está   muy   cerca   de   su   capacidad,   por   lo   que   los  
usuarios   tienen   dificultad   al   hacer   sus   llamadas.   Puede   ser   de   interés   conocer   el   número   de  
intentos   necesarios   a   fin   de   conseguir   un   enlace   telefónico.   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  distribución  geométrica  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%.  
 
DISTRIBUCIÓN  BINOMIAL  NEGATIVA  
La   distribución   binomial   negativa   es   aquella   en   donde   si   pruebas   independientes   repetidas  
pueden  tener  como  resultado  un  éxito  con  probabilidad  p  y    un  fracaso  con  probabilidad  q  =  1-­‐  p,  
entonces  la  distribución  de  probabilidad  de  la  variable  aleatoria    X,  el  número  de  la  prueba  en  la  
que  ocurre  el  k-­‐ésimo  éxito,  es  
 
! − ! ! !!!
! !; !, ! =   ! ! ,                  ! = !, ! + !, ! + !, ….  
!−!
 

 
[ PROGRAMACIÓN ESTOCÁSTICA ] 5
  

Ejemplo:    
Encuentre  la  probabilidad  de  que  una  persona  que  lanza  tres  monedas  obtenga  sólo  caras  o  sólo  
cruces  por  segunda  vez  en  el  quinto  lanzamiento.  
Al  utilizar  la  distribución  binomial  negativa  con  x=  5,  k=  2,  y  p=  ¼,  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  sólo  caras  o  sólo  cruces  por  
segunda  vez  en  el  quinto  lanzamiento  es  del  10.5%.  
 
Ejemplo:  
Los  registros  de  una  compañía  constructora  de  pozos,  indican  que  la  probabilidad  de  que  uno  de  
sus   pozos   nuevos,   requiera   de   reparaciones   en   el   término   de   un   año   es   de   0.20.   ¿Cuál   es   la  
probabilidad  de  que  el  sexto  pozo  construido  por  esta  compañía  en  un  año  dado  sea  el  segundo  
en  requerir  reparaciones  en  un  año?  
Al  utilizar  la  distribución  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  compañía  en  un  año  dado  sea  el  segundo  
en  requerir  reparaciones  en  un    año  es  del  8.19%.    
 
DISTRIBUCIONES  CONTINUAS  
 
DISTRIBUCIÓN  NORMAL  
Otra   de   las   distribuciones   de   probabilidad   más   usadas   es   la   distribución   normal.   Esta   función   es  
denominada   la   más   importante   en   el   campo   estadístico   gracias   a   que   su   aproximación   puede  
describir  la  mayoría  de  fenómenos  de  la  naturaleza,  la  industria  y  la  ciencia.  Se  caracteriza  por  
su   simetría   y   su   forma   de   campana.   Su   función   de   densidad,   media,   varianza   y   gráfica   son   las  
siguientes:  
 
 
 
 
 
 
 
 
 
 
 
 
 
 

 
6   [ POLITÉCNICO GRANCOLOMBIANO ]
  

Gráfica  2.  Función  de  densidad,  media,  varianza  y  gráfica  de  la  variable  aleatoria  normal.  

 
Fuente1:  Distribución  normal.    
 
Consecuentemente  su  función  de  densidad  acumulada  sería:  
 
!! !!
1 !
(!!!)
!! = ! ! = ! !!! !"  
!
!! !! 2!!
 
Para  facilitar  la  resolución  de  problemas  se  crearon  tablas  de  la  función  de  densidad  acumulada  
de   una   distribución   de   una   variable   aleatoria   normal   con   media   0   y   varianza   1.   Esta   distribución  
se  conoce  como  la  distribución  normal  estándar  y  su  función  acumulada  es  la  siguiente:  
!−!
!=  
!
! = !"#$%  !"#$%"&'  !"  !"  !"#$%$&'&(%(  (!ú!"#$  !"  !  !"#  !"  !"#$!  !"  !)  
 
 
 
 
 
 
                                                                                                               
1
 tomado   el   8   de   febrero   de   2013   de  
http://www.virtual.unal.edu.co/cursos/odontologia/2002890/lecciones/distribprobabil/distribnormal.htm  
Consultada  7  de  marzo  de  2013  

 
[ PROGRAMACIÓN ESTOCÁSTICA ] 7
  

Gráfica  3:  tabla  de  la  distribución  normal  estándar  

 
Fuente2:  Tabla  Distribución  normal.  
 
Estas  tablas  de  distribución  normal  Z  se  pueden  encontrar  fácilmente  en  internet  o  en  el  libro  
mencionado  anteriormente,  “Probabilidad  y  estadística  para  ingenieros-­‐  Ronald  Walpole  –  6  Ed.”  
 
Ejemplo  (Ubicación  de  áreas  en  la  curva  de  la  distribución  normal):  
Dada   una   distribución   normal   estándar,   encuentre     el   área   bajo   la   curva   que   yace   (a)   a   la  
derecha    de  z  =  1.84    y  (b)  entre  z  =  -­‐1.97  y  z  =    0.86  

                                                                                                               
2
 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.  

 
8   [ POLITÉCNICO GRANCOLOMBIANO ]
  

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

 
 
Ejemplo:  
Cierto   tipo   de   batería   de   almacenamiento   dura,   en   promedio,   3.0   años,   con   una   desviación  
estándar   de   0.5   años.   Suponga   que   las   duraciones   de   la   batería   se   distribuyen   normalmente,  
encuentre  la  probabilidad  de  que  una  batería  dada  dure  menos  de  2.3  años.  
Primero  debemos  construir  un  diagrama  como  el  que  se  muestra  a  continuación,  el  cual  muestra  
la   distribución   dada   de   duraciones   de   las   baterías   y   el   área   de   se   desea.   Para   encontrar   la  
!(! < 2.3),  necesitamos  evaluar  el  área  bajo  la  curva  normal  a  la  izquierda  de  2.3.  Esto  se  logra  
al  encontrar  el  área  a  la  izquierda  del  valor  de  x  correspondiente.  
 
 
Gráfica  4.  Representación  gráfica  de  una  variable  aleatoria  normal  con  media  3  y  desviación  
estándar  0.5  

 
Fuente:  elaboración  propia  
 
De  aquí  encontramos  que:  
2.3 − 3
! =   = −1.4  
0.5
Y  luego  con  el  uso  de  las  tablas  de  la  distribución  para  Z  tenemos:  

 
[ PROGRAMACIÓN ESTOCÁSTICA ] 9
  

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

La  probabilidad  de  que  una  batería  dada,  dure  menos  de  2.3  años  es  del  8.08%.  
 
Ejemplo:  
Una   empresa   eléctrica   fabrica   focos   que   tienen   una   duración,   antes   de   fundirse,   que   se  
distribuye   normalmente   con   media   igual   a   800   horas   y   una   desviación   estándar   de   40   horas.  
Encuentre  la  probabilidad  de  que  un  foco  se  funda  entre  778  y  834  horas.  
Primero  debemos  graficar  la  distribución  de  los  focos,  como  se  muestra  a  continuación:  
 
Gráfica  5.  Representación  gráfica  de  una  variable  aleatoria  normal  con  media  800  y  desviación  
estándar  40  

 
Fuente:  elaboración  propia  
 
Los  valores  Z  que  corresponden  a  !!   =  778  ℎ!"#$    !  !! = 834  ℎ!"#$  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%.  
 
DISTRIBUCIÓN  EXPONENCIAL  
A   pesar   de   que   la   distribución   normal   puede   ser   usada   para   resolver   varios   problemas   de  
cualquier  tipo,  existen  numerosas  situaciones  que  requieren  de  otro  tipo  de  distribuciones.  La  
distribución  exponencial  se  caracteriza  por  modelar  tiempos  entre  eventos,  lo  que  la  hace  muy  
útil   en   el   campo   de   la   ingeniería.   Su   función   de   densidad,   media,   varianza   y   gráfica   son   las  
siguientes:  
 
 

 
10   [ POLITÉCNICO GRANCOLOMBIANO ]
  

Gráfica  6.  Su  función  de  densidad,  media,  varianza  y  gráfica  de  una  variable  aleatoria  
exponencial.  

 
Fuente3:  Distribución  exponencial.    
 
Recuerde   que   debido   a   la   relación   que   tiene   la   distribución   exponencial   con   el   proceso   Poisson,  
la  función  de  densidad  se  puede  formular  en  términos  de  la  tasa  λ  de  la  siguiente  forma:  
 
! ! = !!!!"  
 
Integrando,  su  función  de  densidad  acumulada  en  términos  de  λ  sería:  
 
!! = ! − !!!"  
 
Ejemplo:  
Suponga   que   un   sistema   contiene   cierto   tipo   de   componente   cuyos   tiempos   de   falla   en   años  
está  dado  por  T.  La  variable  T  se  modela  bien  mediante  la  distribución  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.  

 
[ PROGRAMACIÓN ESTOCÁSTICA ] 11
  

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

¿Cuál  es  la  probabilidad  de  que  al  menos  dos  aún  funcionen  al  final  del  día?  
La  probabilidad  de  que  un  componente  dado  aún  funcione  después  de  ocho  años  está  dada  por:  
1 ! !! !!
! ! > 8 =   ! ! !" =   ! ! ≅ !. !  
5 !
Represéntese  con  X  el  número  de  componentes  que  funcionan  después  de  ocho  años.  Entonces  
con  el  uso  de  la  distribución  binomial  tenemos:  
! !

! !≥2 = !(!; 5,0.2) = 1 − ! !; !, 0.2 = 1 − 0.7373 = !. !"!#  

!!! !!!
La  probabilidad  de  que  un  componente  dado  aún  funciones  después  de  8  años  es  del  26.2%.  
 
Ejemplo:  
Se  ha  comprobado  que  el  tiempo  de  vida  de  cierto  tipo  de  marcapasos  sigue  una  distribución  
exponencial   con   media   de   16   años.   ¿Cuál   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  años?    
Recordemos  la  relación  existente  entre  la  distribución  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  años  es  del  71.3%.  
 

   

 
 

 
12   [ POLITÉCNICO GRANCOLOMBIANO ]