Escuela Politécnica Nacional

Probabilidad y Estadística
Deber N. 4: Distribuciones Teóricas Discretas de Probabilidad
(Binomial, Hipergeométrica, Poisson, Geométrica, etc.)
Enrique Celi
25/07/2022
1. Haciendo uso de la tabla de distribución binomial
a. 𝐵(8; 16; 0.40) = 0.8577
b. 𝑏(8; 16; 0.40) = 𝐵(8; 16; 0.40) − 𝐵(7; 16; 0.40) = 0.8577 − 0.7161 = 0.1416
c. 𝐵(9; 12; 0.60) = 0.9166
d. 𝑏(9; 12; 0.60) = 𝐵(9; 12; 0.60) − 𝐵(8; 12; 0.60) = 0.9166 − 0.7747 = 0.1419
e. ∑20
𝑘=6 𝑏(𝑘; 20; 0.15) = 1 − 𝐵 (6; 20; 0.15) + 𝑏 (6; 20; 0.15) = 1 − 0.9781 + 0.0454 = 0.0673
f. ∑9𝑘=6 𝑏(𝑘; 9; 0.70) = 1 − 𝐵(6; 9; 0.70) + 𝑏(6; 9; 0.70) = 1 − 0.5372 + 0.2669 = 0.7297
g. ∑10
𝑘=4 𝑏(𝑘; 10; 0.35) = 1 − 𝐵 (4; 10; 0.35) + 𝑏 (4; 10; 0.35) = 1 − 0.7515 + 0.2377 = 0.4862
h. ∑4𝑘=2 𝑏(𝑘; 9; 0.30) = 𝐵 (4; 9; 0.30) − 𝐵 (2; 9; 0.30) + 𝑏(4; 9; 0.30) + 𝑏(2; 9; 0.30)
∑4𝑘=2 𝑏(𝑘; 9; 0.30) = 0.9012 − 0.4628 + 0.1715 + 0.2668 = 0.8767.
2. Tenemos que esta v.a. sigue una distribución binomial, por lo que aplicamos la ley binomial.
Tenemos que p = 0.75, q= 0.25, n = 4 y k = 2. Es decir, calculamos 𝐵(2; 4; 0.75)
4
𝑏(2; 4; 0.75) = ( ) 0.752 0.252 = 0.2109
2
Es decir, una probabilidad del 21.09% de que los gastos médicos sean la razón de dos de
las siguientes cuatro quiebras personales en la ciudad.
3. Sea la v.a. X: personas con CI de 90 entre los 15 seleccionados que aprueban. Aplicando la ley
binomial con p = 0.70, q = 0.30 y n = 15.
a. Se tiene que 12 ≤ 𝑋. Es decir:
15

∑ 𝑏(𝑘; 15; 0.70) = 1 − 𝐵(12; 15; 0.70) + 𝑏(12; 15; 0.70) = 1 − 0.8732 + 0.1701 = 0.2969
𝑘=12
La probabilidad de que al menos 12 personas pasen de los seleccionados es de 29.69%
b. Se tiene que 𝑋 ≤ 6. Es decir:
𝐵(6; 15; 0.70) = 0.0152
Hay una probabilidad de 1.52% de que, a lo más, 6 aprueben.
c. Se tiene que 𝑋 = 10. Es decir:
15
𝑏(10; 15; 0.70) = ( ) 0.7010 0.305 = 0.2061
10
Hay una probabilidad del 20.61% de que 10 personas pasen el examen.
4. Sea la v.a. X: número de neumáticos radiales que duran al menos 50000 km. Aplicando la ley
binomial, con n = 20, p = 0.95 y q = 0.05, se tiene que:
 𝜇𝑋 = 𝑛𝑝 = 20 ∗ 0.95 = 19 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 20 ∗ 0.95 ∗ 0.05 = 0.95
5.
a. Sea la v.a. X: número de caras obtenidas en una moneda balanceada, tal que éxito sea
que salga cara y fracaso que salga sello, aplicando la ley binomial con p = 0.5, q = 0.5
y n = 676. Por definición, tenemos que:
𝜇𝑋 = 𝑛𝑝 = 676 ∗ 0.5 = 338 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 676 ∗ 0.5 ∗ 0.5 = 169
b. Sea la v.a. X: número de cuatros (4) obtenidos en el lanzamiento de un dado, tal que
éxito sea que salga 4 y fracaso sea que salga 1, 2, 3, 5 o 6, con p = 0.1667 y q = 0.8333,
aplicando la ley binomial con n = 720, por definición:
𝜇𝑋 = 𝑛𝑝 = 720 ∗ 0.1667 = 120 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 720 ∗ 0.1667 ∗ .8333 = 100
c. Sea la v.a. X: número de unidades defectuosas fabricadas por una máquina, tal que
éxito sea la parte es defectuosa y fracaso sea que la parte no es defectuosa, con p = 0.04
y q=0.96. Aplicamos la ley binomial con n = 600. Por definición:
𝜇𝑋 = 𝑛𝑝 = 600 ∗ 0.04 = 24 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 600 ∗ 0.04 ∗ .96 = 23.04
d. Sea la v.a. X: número de estudiantes que no guste de los alimentos servidos en el bar,
tal que éxito sea estudiante que no gusta de los alimentos y fracaso sea estudiante que
gusta de los alimentos, para p = 0.65 y q = 0.35, aplicamos la ley binomial con n = 800.
Por definición:
𝜇𝑋 = 𝑛𝑝 = 800 ∗ 0.65 = 520 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 800 ∗ 0.65 ∗ 0.35 = 182
6. Sea la v.a. X: Cantidad de consultas resueltas en 6 días, tal que éxito sea una consulta resuelta
y fracaso sea una consulta no resuelta, con p = 0.70 y q = 0.30, aplicamos la distribución
binomial, con 𝑛 ∈ {0,1,3,4,5,6,7,8,9,10}. Tenemos que:
10
𝑏 (0, 10, 0.70) = ( ) 0.700 0.3010 = 0.000006
0
10
𝑏(1, 10, 0.70) = ( ) 0.701 0.309 = 0.000138
1
10
𝑏(2, 10, 0.70) = ( ) 0.702 0.308 = 0.001447
2
10
𝑏(3, 10, 0.70) = ( ) 0.703 0.307 = 0.009002
3
10
𝑏(4, 10, 0.70) = ( ) 0.704 0.306 = 0.036757
4
10
𝑏(5, 10, 0.70) = ( ) 0.705 0.305 = 0.102919
5
10
𝑏(6, 10, 0.70) = ( ) 0.706 0.304 = 0.200121
6
10
𝑏(7, 10, 0.70) = ( ) 0.707 0.303 = 0.266828
7
10
𝑏(8, 10, 0.70) = ( ) 0.708 0.302 = 0.233474
8
10
𝑏(9, 10, 0.70) = ( ) 0.709 0.301 = 0.121061
9
10
𝑏(10, 10, 0.70) = ( ) 0.7010 0.300 = 0.028248
10
7. Sea la v.a. X: cantidad de acumuladores con defectos de los 3 revisados, tal que éxito sea un
acumulador con defecto y fracaso un acumulador sin defecto, tal que la población N = 24, una
muestra n = 3 y 6 acumuladores con defectos (r = 6), aplicamos la distribución hipergeométrica.
a. Sea i = 0:
(60)(18 )
ℎ(0, 3, 6, 24) = 24 3 = 0.4032
(3)
Es decir, hay una probabilidad del 40.32% de que la muestra no contenga ningún
acumulador con defectos.
b. Sea i = 1:
(61)(18)
ℎ(1, 3, 6, 24) = 24 2 = 0.4536
(3)
Es decir, hay una probabilidad del 45.36% de que la muestra contenga solo un
acumulador con defectos.
c. Sea 𝑖 ≥ 2:
3
(6𝑖)(3−𝑖
21
)
𝐻(0, 3, 6, 24) = ∑ = 0.1433
(24
3
)
𝑖=2
Es decir, hay una probabilidad del 14.33% de que la muestra contenga al menos dos
acumuladores con defectos.
8. Sea la v.a. X: cantidad de empleados de una compañía que están sindicalizados de una muestra
de 8, con una población N = 300, una cantidad de éxitos en la población r = 240 y una muestra
n = 8, buscando P (X = 5).
a. Aplicando la distribución hipergeométrica:
(240
5
)(60
3
)
ℎ(5, 8, 240, 300) = = 0.14702
(300
8
)
 𝑟
b. Aplicando la distribución binomial como aproximación, con 𝑝 = 𝑁 = 0.80:
8
𝑏 (5, 8, 0.80) = ( ) 0.805 0.203 = 0.1468
5
9. Sea la v.a. X: cantidad de alarmas con defectos de una muestra de 3, con una población N =
120, muestra n = 5 y cantidad de éxitos en la población r = 5, buscamos P (X = 1).
a. Aplicando la distribución hipergeométrica:
(51)(115)
ℎ 1, 3, 5, 120 = 1202 = 0.1167
( )
( 3 )
𝑟 5
b. Aplicando la distribución binomial como aproximación, con 𝑝 = 𝑁 = 120:
5 3 5 1 115 2
𝑏 (1, 3, ) = ( )( ) ( ) = 0.1148
120 1 120 120
10. Sea la v.a. X: cantidad de llantas radiales que duran al menos 30000 millas de una muestra de
20, con p = 0.95, q = 0.05 y n = 20, aplicamos la distribución binomial. Por definición:
𝜇𝑋 = 𝑛𝑝 = 20 ∗ 0.95 = 19 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 20 ∗ 0.95 ∗ 0.05 = 0.95
11. Sea la v.a. X: cantidad de respuestas correctas contestadas al azar usando una moneda, con p
= 0.5, q = 0.5, con una muestra n = 144, aplicamos la distribución binomial, por lo que tenemos
que:
𝜇𝑋 = 𝑛𝑝 = 144 ∗ 0.5 = 72 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 144 ∗ 0.5 ∗ 0.5 = 36
El teorema de Chebyshev dice que la probabilidad de que un valor de X se desvíe de 𝜇 por 𝑘𝜎
1
es, a lo sumo, 𝑘 2. Es decir, para 𝑘 = 4, la probabilidad de que el valor de nuestra X se desvíe
1 1 1
𝑘𝜎 = 4 ∗ 6 = 24 de 𝜇 = 72 es de, a lo menos, = 42 = 16 = 0.0625. Es decir, hay una
𝑘2
probabilidad del 6.25% de que el estudiante responda menos de 𝜇 − 𝑘𝜎 = 48 o más de
𝜇 + 𝑘𝜎 = 96 preguntas correctamente.
12. Sea la v.a. X: cantidad de 6 obtenidos al lanzar un dado, con p = 0.1667 y q = 0.8333, aplicamos
la distribución binomial con n = 405. Tenemos que:
𝜇𝑋 = 𝑛𝑝 = 405 ∗ 0.1667 = 67.5 𝑦 𝜎𝑋2 = 𝑛𝑝𝑞 = 405 ∗ 0.1667 ∗ 0.8333 = 56.25
13. Tenemos que 𝜎 = 7.5 y 𝑘𝜎 = 67.5 − 30 = 105 − 67.5 = 37.5, por lo que 𝑘 = 5. Es decir,
por el teorema de Chebyshev:
1 1
𝑃 (|𝑋 − 𝜇 | ≥ 5𝜎) ≤ 2 = = 0.04
5 25
Por el teorema de Chebyshev, tenemos que 𝑃(|𝑋 − 0.50| ≥ 0.04) ≤ 0.01 con 𝑘 = 10, 𝜇 =
0.50 𝑦 𝜎 = 0.004. Al ser una v.a. que sigue la ley binomial, tenemos que:
𝜇 = 𝑛𝑝 = 0.50 𝑦 𝑝 = 0.50 → 𝑛 = 1
Por lo que concluimos que se debe lanzar una vez el dado para que |𝑋 − 0.50| ≥ 0.04.
14. Sea 𝑘 ∈ ℕ, vamos a probar mediante inducción matemática que, para la distribución de
𝑓(𝑘+1,𝜆) 𝜆
Poisson: = 𝑘+1. Primero, probamos esto para 𝑘 = 0:
𝑓(𝑘,𝜆)
 𝑒 −𝜆 𝜆1 1
𝑓(0 + 1, 𝜆) 1! = 𝜆 = 𝜆
= −𝜆
𝑓(0, 𝜆) 𝑒 𝜆0 1 0+1
0!
Que es lo que queríamos.
𝑓(𝑘+1,𝜆) 𝜆 𝑓(𝑘+2,𝜆) 𝜆
Ahora, suponiendo que, para k: = 𝑘+1, y demostramos para k+1: = 𝑘+2.
𝑓(𝑘,𝜆) 𝑓(𝑘+1,𝜆)
𝑓(𝑘+2,𝜆)
Partimos de 𝑓(𝑘+1,𝜆):

𝑒 −𝜆 𝜆𝑘+2
𝑓(𝑘 + 2, 𝜆) (𝑘 + 2)! 𝜆1 (𝑘 + 1)! 𝜆
= −𝜆 𝑘+1 = =
𝑓(𝑘 + 1, 𝜆) 𝑒 𝜆 (𝑘 + 2)(𝑘 + 1)! 𝑘 + 2
(𝑘 + 1)!

Que es lo que queríamos demostrar. Por lo tanto, por el teorema de inducción matemática,
concluimos que para 𝑘 ∈ ℕ, se tiene que para la distribución de Poisson se cumple que
𝑓 (𝑘 + 1, 𝜆) 𝜆
=
𝑓 (𝑘, 𝜆) 𝑘+1
15. Usando la distribución de Poisson, se aproximará 𝑏(3; 100; 0.03), con 𝜆 = 100 ∗ .03 = 3.
Es decir, tenemos que:

𝑒 −3 33
𝑓 (3; 3) = = 0.22404
3!
16. Sea la v.a. X: cantidad de conductores que obtiene al menos una boleta de mal estacionamiento
por año, con p = 0.06, q = 0.94 y n = 80, se usará la distribución de Poisson para aproximar:
a. 𝑏(4, 80, 0.06). Tenemos que 𝜆 = 𝑛𝑝 = 80 ∗ 0.06 = 4.8. Es decir, vamos a calcular
𝑒 −4.8 4.84
𝑓 (4; 4.8) = = 0.18203
4!
b. 𝑃 (3 ≤ 𝑋 ≤ 6). Tenemos que 𝜆 = 𝑛𝑝 = 4.8.
𝑃 (3 ≤ 𝑋 ≤ 6) = 𝐹 (6; 4.8) − 𝐹 (3; 4.8)
6 3

𝑃 (3 ≤ 𝑋 ≤ 6) = ∑ 𝑓 (𝑖; 4.8) − ∑ 𝑓 (𝑖; 4.8) + 𝑓 (3; 4.8)

𝑖=1 𝑖=1
6
𝑒 −4.8 4.86 𝑒 −4.84.85 𝑒 −4.8 4.84 𝑒 −4.8 4.83
𝑃(3 ≤ 𝑋 ≤ 6) = ∑ 𝑓 (𝑖; 4.8) = + + +
6! 5! 4! 3!
𝑖=3
𝑃 (3 ≤ 𝑋 ≤ 6) = 0.6483
17. Sea la v.a. X: Cantidad de llamadas que recibe el conmutador de un edificio en un minuto, con
𝜆 = 0.6, aplicando la distribución de Poisson, se calculará:
a. 𝑃 (𝑋 ≥ 1) = 1 − 𝐹 (1; 0.6) + 𝑓 (1; 0.6) = 1 − ∑1𝑖=0 𝑓(𝑖; 0.6) + 𝑓 (1; 0.6)
 𝑒 −0.6 0.61 𝑒 −0.6 0.60 𝑒 −0.6 0.61
𝑃 (𝑋 ≥ 1) = 1 − ( + )+ = 0.4512
1! 0! 1!

b. La cantidad de llamadas que entran en promedio en un minuto es 𝜇 = 𝜆 = 0.6. Es decir,

la cantidad de llamadas que entran en promedio en 4 minutos es de 4𝜇 = 4𝜆 = 2.4
Con esto, definimos la v.a. Y: Cantidad de llamadas que recibe el conmutador de un
edificio en 4 minutos, con 𝜆 = 2.4, y calculamos 𝑃(𝑋 ≥ 3)
3

𝑃(𝑋 ≥ 3) = 1 − 𝐹 (3; 2.4) + 𝑓 (3; 2.4) = 1 − ∑ 𝑓 (𝑖; 2.4) + 𝑓(3; 2.4) = 0.4303
𝑖=0

18. Se tiene que la utilidad es 𝑈 = 6000𝑡 − 500𝑘 2 . Entonces:

𝐸 [𝑈] = 𝐸 [6000𝑡 − 500𝑘 2 ] = 6000𝑡 − 500𝐸 [𝑘 2 ] = 6000𝑡 − 500(𝑉[𝑘 ] + (𝐸 [𝑘 ])2 )
𝐸 [𝑈] = 6000𝑡 − 500(0.8𝑡 + 0.64𝑡 2 ) = 5600𝑡 − 320𝑡 2
Para maximizar la utilidad, hacemos uso de los teoremas de la primera y segunda derivada.
Tenemos que, por el teorema de la primera derivada:
𝑑𝐸[𝑈]
= 5600 − 640𝑡 = 0 ⇒ 𝑡 = 8.75 𝑒𝑠 𝑢𝑛 𝑝𝑢𝑛𝑡𝑜 𝑐𝑟í𝑡𝑖𝑐𝑜
𝑑𝑡
Y tenemos que:
𝑑 2 𝐸[𝑈]
= −640 < 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑡 𝑒𝑛 𝑒𝑙 𝑑𝑜𝑚𝑖𝑛𝑖𝑜 ⇒ 𝑡 = 8.75 𝑒𝑠 𝑢𝑛 𝑚á𝑥𝑖𝑚𝑜
𝑑2𝑡
Es decir, para maximizar las ganancias, deberían alquilar las computadoras por un tiempo
promedio de 8.75 horas.
1
19. Primero, demostramos que 𝑔(𝑘; 𝑝) = 𝑘 𝑏(1; 𝑘; 𝑝). Partimos de

𝑘! 1 𝑘−1 𝑘! 1 𝑘! 1
𝑔(𝑘; 𝑝) = 𝑝𝑞𝑘−1 = 𝑝 𝑞 = 𝑝1 𝑞𝑘−1 = ( 𝑝1 𝑞𝑘−1 ) = 𝑏(1; 𝑘; 𝑝)
𝑘! 𝑘 (𝑘 − 1)! 𝑘 1! (𝑘 − 1)! 𝑘
1
Entonces, concluimos que 𝑔(𝑘; 𝑝) = 𝑘 𝑏(1; 𝑘; 𝑝).
1 1 12!
a. 𝑔(12; 0.10) = 12 𝑏(1; 12; 0.10) = 12 1!∗11! ∗ 0.10 ∗ 0.9011 = 0.03138
1 1 10!
b. 𝑔(10; 0.30) = 10 𝑏(1; 10; 0.30) = 10 1!∗9! ∗ 0.30 ∗ 0.709 = 0.012106
20. Sea la v.a. X: Número de disparos hechos para que el tirador falle una vez, con 𝑝 = 0.05, 𝑞 =
0.95, aplicamos la distribución geométrica con 𝑘 = 15. Por definición, tenemos que

𝑃(𝑋 = 15) = 𝑔(15; 0.05) = 0.05 ∗ 0.9514 = 0.02438

Es decir, hay una probabilidad de 2.438% de que el tirador falle por primera vez a los 15 tiros.
21. Sea la v.a. X: cantidad de clientes que llegan a una caja bancaria en un minuto, con 𝜆 = 1.5,
aplicando la distribución de Poisson:
a. 𝑃 (𝑋 ≤ 4) = 𝐹 (4; 1.5) = ∑4𝑖=0 𝑓 (𝑖; 1.5) = 0.9814
b. En este caso, tenemos que 𝜆 = 2 ∗ 1.5 = 3. Vamos a calcular 𝑃(𝑋 ≥ 3)

𝑃(𝑋 ≥ 3) = 1 − 𝐹 (3; 3) + 𝑓 (3; 3) = 0.5768

c. En este caso, tenemos que 𝜆 = 6 ∗ 1.5 = 9. Vamos a calcular 𝑃(𝑋 ≤ 15)

𝑃(𝑋 ≤ 15) = 𝐹 (15; 9) = 0.9779

22. Sea la v.a. X: Cantidad de clientes que llegan a una cafetería por minuto, sabiendo que llega
un promedio de clientes 𝜆 = 0.3 y que se les atiende a una tasa promedio de 𝛽 = 0.5 minutos.
Sabiendo que este es un proceso de Poisson, podemos aplicar la teoría de colas, con 𝛼 = 𝜆 =
0.3 y 𝛽 = 0.5.
a. Número promedio de clientes atendidos o a la espera de ser atendidos en cualquier
momento determinado. Por la teoría de colas:
𝛼 0.3
= = 1.5
𝛽 − 𝛼 0.5 − 0.3
Es decir, se espera tener, en promedio, 1.5 clientes atendidos o a la espera de ser atendidos
en cualquier momento dado.

b. Número promedio de clientes a la espera de ser atendidos en un momento dado. Por la

teoría de colas:

𝛼2 0.32
= = 0.9
𝛽(𝛽 − 𝛼) 0.5(0.5 − 0.3)

Es decir, se espera que haya, en promedio, una cantidad de 0.9 personas en espera de ser
atendidos en cualquier momento dado.
c. El tiempo promedio que un cliente pasa formando la cola. Por la teoría de colas:
𝛼 0.3
= =3
𝛽(𝛽 − 𝛼) 0.5(0.5 − 0.3)

Es decir, un cliente pasa, en promedio, 3 minutos en la cola.

23. Tenemos que el tiempo promedio que pasa un camión en la cola es de 40 minutos. Es decir,
el costo promedio por camión sería de:
40
𝐶𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = 15 ∗ = 10 𝑑ó𝑙𝑎𝑟𝑒𝑠
60
Si la cantidad promedio de camiones descargados en una hora fuera de 𝛽 = 3.5 camiones, y el
precio de mantener un camión en el sistema por día fuera de 100 dólares, tenemos que el tiempo
promedio que pasa un camión en la cola sería de:
𝛼 2 2 8
= = = = 0.381 ℎ𝑜𝑟𝑎𝑠
𝛽(𝛽 − 𝛼) 3.5(3.5 − 2) 5.25 21
Y el costo promedio por camión sería de:
100 8
𝐶𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = ∗ = 1.587 𝑑ó𝑙𝑎𝑟𝑒𝑠
24 21
Por esto, concluimos que si valiese la pena, ya que el costo por camión es menor que si la cantidad
de camiones descargados fuera de 3 camiones por hora.

24. Sea la v.a. X: Cantidad de camiones que llegan a un muelle de descarga en una hora, con 𝜆 =
𝛼 = 2 camiones y una cantidad promedio de camiones descargados por hora de 𝛽 = 3
camiones.
a. Aplicando la de colas, tenemos que la cantidad promedio de camiones siendo
descargados o a la espera de ser descargados es de:
𝛼 2
= = 2 𝑐𝑎𝑚𝑖𝑜𝑛𝑒𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎
𝛽−𝛼 3−2
b. Aplicando la teoría de colas, tenemos que la cantidad de camiones promedio a la espera
de ser descargados es de:

𝛼2 22 4
= = = 1.3333 𝑐𝑎𝑚𝑖𝑜𝑛𝑒𝑠
𝛽(𝛽 − 𝛼) 3(3 − 2) 3

c. Aplicando la teoría de colas, tenemos que el tiempo promedio que pasa un camión en
la cola es de:
𝛼 2 2
= = = 0.6667 ℎ𝑜𝑟𝑎𝑠
𝛽(𝛽 − 𝛼) 3(3 − 2) 3
𝛼 𝛼 0 2 1
d. 𝜋(0) = (1 − 𝛽) (𝛽) = (1 − 3) (1) = 3 = 0.3333
e. El costo promedio actual es:
2
𝐶𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = 15000 ∗ = 10000 𝑑ó𝑙𝑎𝑟𝑒𝑠.
3
Si el costo por día fuera de 100000 dólares por día, y la tasa promedio de camiones
descargados fuera de 𝛽 = 3.5 camiones por hora, tendríamos que el tiempo promedio de
espera en la cola sería de:
𝛼 2 2 8
= = = = 0.381 ℎ𝑜𝑟𝑎𝑠
𝛽(𝛽 − 𝛼) 3.5(3.5 − 2) 5.25 21
Es decir, el costo promedio sería de:
 100000 8
𝐶𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = ∗ = 1587.30 𝑑ó𝑙𝑎𝑟𝑒𝑠
24 21
Por lo tanto, si fuese rentable.