Unidad II

Introducción a los Procesos

Estocásticos
Incertidumbre
Definición: Falta de seguridad, de confianza o de certeza
sobre algo, especialmente cuando crea inquietud.

Se denomina incertidumbre a la situación de

desconocimiento que se tiene acerca de lo que sucederá
en el futuro

La incertidumbre siempre está presente en la vida de las

personas, es una sensación de inseguridad, de temor, de
titubeo, que muchas veces hace que el individuo paralice
momentáneamente una actividad, hasta que la situación
sea más clara y confiable
Probabilidad, Variable aleatoria, Experimento aleatorio
Probabilidad: es una medida de la certidumbre asociada a un suceso o
evento futuro y suele expresarse como un número entre 0 y 1 (o entre 0 % y
100 %). La definición de probabilidad se produjo debido al deseo del ser
humano por conocer con certeza los eventos que sucederán en el futuro.
Variable aleatoria: función que adjudica eventos posibles a números
reales (cifras), cuyos valores se miden en experimentos de tipo aleatorio.
Estos valores posibles representan los resultados de experimentos que
todavía no se llevaron a cabo o cantidades inciertas.
Experimentos aleatorios: son aquellos que, desarrollados bajo las mismas
condiciones, pueden ofrecer resultados diferentes. Arrojar una moneda al
aire para ver si sale cara o ceca es un experimento de este tipo.
Distribución de probabilidad de una variable aleatoria: es una función que
asigna a cada suceso definido sobre la variable la probabilidad de que dicho
suceso ocurra. La distribución de probabilidad está definida sobre el
conjunto de todos los sucesos y cada uno de los sucesos es el rango de
valores de la variable aleatoria
Proceso Estocástico
Un proceso estocástico es un conjunto de variables aleatorias que
depende de un parámetro o de un argumento.

En el análisis de series temporales, ese parámetro es el tiempo.

Formalmente, se define como una familia de variables aleatorias Y

indiciadas por el tiempo, t. Tales que para cada valor de t, Y tiene
una distribución de probabilidad dada.

En términos mucho más sencillos, un proceso estocástico es aquel

que no se puede predecir. Se mueve al azar.
Ejemplos de Proceso Estocástico en la Industria
Ejemplos en la Naturaleza
Ejemplos en la Industria Portuaria
Ejemplos en Plazas de Peajes
Ejemplo en Call Center
 Determinístico v/s Estocástico
• Existen procesos llamados determinísticos, son procesos en los que
conociendo las condiciones iniciales siempre siguen el mismo curso y
producen el mismo resultado final, o sea no hay elementos aleatorios,
podemos predecir en el tiempo todos los posibles estados y el estado final
siempre será el mismo dado unas mismas condiciones iniciales.

• En procesos estocásticos no estamos presente a un simple curso de

acontecimientos en el tiempo, o sea que hay un grado de indeterminación
en los posibles cursos o secuencias de pasos que tome el proceso y este
escenario múltiple puede ser descrito por distribuciones y densidades
probabilísticas. En un proceso estocástico aun cuando tenemos las
mismas condiciones iniciales en el comienzo hay diferente cursos de
acontecimiento que el proceso puede tomar y por ende se puede arribar a
diferentes estados finales partiendo de unas mismas condiciones iniciales.
Características de los Procesos Estocásticos
• Se denomina estocástico a aquel sistema que funciona,
sobre todo, por el azar.
• La palabra proveniente del griego: stοχastικός, 'hábil en
conjeturar'. Significa "perteneciente o relativo al azar"
según el DRAE.
• Las leyes conocidas de causa-efecto no explican cómo actúa
el sistema (y de modo reducido, el fenómeno) de manera
determinista, sino en función de probabilidades.
• En Investigación de operaciones, modelo probabilístico y
modelo estocástico son prácticamente lo mismo.
• En matemáticas, la estocástica es un conjunto de teorías
estadísticas que tratan de los procesos cuya evolución es
aleatoria (un ejemplo de ellos son las tiradas de dados).
Modelos Analíticos v/s Simulación
Predecir el comportamiento de un sistema, entender su
comportamiento, observar las fallas que puedan ocurrir y los
errores, analizar la mejor forma de éxito del sistema, simular
propuestas y entornos de sistemas y cumplir con soluciones
muy exacta o aproximada al sistema deseado. En todo esto se
puede hacer uso de modelos de análisis y simulación.

Modelos de análisis
Fórmulas analíticas, muestran exactamente o casi, como es el
comportamiento del sistema analizado.

Modelos de Simulación
Procedimientos de simulación o algoritmos que van a mostrar
en una escala de tiempo como se comportará el sistema,
desde el principio hasta el final de la simulación.
ESQUEMA GENERAL DE MODELACION DE SISTEMAS
Procesos estocásticos
• Un sistema de operaciones complejo se
caracteriza por demandas de carácter
aleatorio y por ser dinámico
• Necesitamos una herramienta que modele
procesos aleatorios en el tiempo, y para ello
usaremos los procesos estocásticos
• Un proceso estocástico es una familia de
variables aleatorias parametrizadas por el
tiempo
Procesos estocásticos

• Un proceso estocástico es una familia de

variables aleatorias definida sobre un
espacio de probabilidad. Es decir:

X t :  → , t T 

 → X t ( ) = X (, t )
Procesos estocásticos

• Tendremos que X es una función de dos

argumentos. Fijado =0, obtenemos
una función determinista (no aleatoria):

X (, 0 ) : T → 

t → X (t , 0 )
Procesos estocásticos

⚫ Asimismo, fijado t=t0, obtenemos una de

las variables aleatorias de la familia:

X (t0 ,) :  → 

 → X (t0 ,  )
Procesos estocásticos
• El espacio de estados S de un proceso estocástico
es el conjunto de todos los posibles valores que
puede tomar dicho proceso:

S = X t ( ) | t T    
Ejemplo 1 proceso estocástico
• Lanzamos una moneda al aire 6 veces. El
jugador gana 1 $ cada vez que sale cara (C), y
pierde 1 $ cada vez que sale cruz (F).
• Xi = estado de cuentas del jugador después de
la i-ésima jugada
• La familia de variables aleatorias {X1, X2,…, X6}
constituye un proceso estocástico
Ejemplo 1 proceso estocástico
• ={CCCCCC,CCCCCF,…}
• () = 26 = 64 resultados posibles
• P()=1/64  
• T={1, 2, 3, 4, 5, 6}
• S={–6, –5, …, –1, 0, 1, 2, …, 5, 6}
• X1()={–1, 1}
• X2()={–2, 0, 2}
Ejemplo 1 proceso estocástico
• Si fijo ω, por ejemplo 0=CCFFFC, obtengo
una secuencia de valores completamente
determinista:
• X1(0)=1, X2(0)=2, X3(0)=1, X4(0)=0,
X5(0)= –1, X6(0)=0
• Puedo dibujar con estos valores la trayectoria
del proceso:
Ejemplo 1 proceso estocástico
3

2
Valor del proceso

-1

-2
1 2 3 4 5 6
Instante de tiempo, t
Ejemplo 1 proceso estocástico
• Si fijo t, por ejemplo t0=3, obtengo una de las
variables aleatorias del proceso:
X3 :  → 
 → X 3 ( )

⚫ Los posibles valores que puede tomar el

proceso en t0=3 son: X3()={–3, –1, 1, 3}
 Ejemplo 1 proceso estocástico

• Podemos hallar la probabilidad de que el

proceso tome uno de estos valores:
PX 3 ( ) = 1 = PCFC + PCCF + PFCC = 3    =
1 1 1 3
2 2 2 8

PX 3 ( ) = 3 = PCCC =   =
1 1 1 1
2 2 2 8

PX 3 ( ) = −1 = PFCF + PFFC + PCFF = 3    =

1 1 1 3
2 2 2 8

PX 3 ( ) = −3 = PFFF =   =

1 1 1 1
2 2 2 8
 Clasificación de los procesos estocásticos

S discreto S continuo
Sucesión de variables
Cadena (Proceso de estado
aleatorias continuas (Proceso
discreto y tiempo discreto
de estado continuo y tiempo
T discreto Ejem: Unidades producidas discreto)
mensualmente de un
Jem: Toneladas de producción
producto)
diaria de un producto
Proceso puntual (Proceso
de estado discreto y tiempo Proceso continuo (Proceso de
continuo) estado continuo y tiempo
T continuo continuo)
Ejem: Unidades producidas
hasta el instante t Ejem: Velocidad de un vehículo
en el instante t
Proceso Estocástico
Estado
Continuo Discreto

Proceso continuo Proceso puntual

Continuo
Tiempo
Discreto

Sucesión de variables
aleatorias continuas Cadena
 Unidad II

Repaso Probabilidad y Estadísticas

Introducción a Probabilidad
La probabilidad de un suceso es un número, comprendido entre 0 y
1, que indica las posibilidades que tiene de verificarse cuando se
realiza un experimento aleatorio.
Experimentos aleatorios : Son aquellos en los que no se puede
predecir el resultado, ya que éste depende del azar.
A modo de ilustración :
✓ Si lanzamos una moneda no sabemos de antemano si saldrá
cara o cruz.
✓ La demanda de energía eléctrica durante los meses de
verano puede variar en forma aleatoria de un año a otro
dependiendo de las condiciones meteorológicas.
Teoría de Probabilidad
• La teoría de probabilidades se ocupa de asignar un cierto
número a cada posible resultado que pueda ocurrir en un
experimento aleatorio, con el fin de cuantificar dichos resultados
y saber si un suceso es más probable que otro.

• La probabilidad se asocia a la realización de un experimento

cuyos resultados se presentan en forma aleatoria.

• El conjunto de todos los resultados de un experimento se

denomina espacio muestral, y un subconjunto del espacio
muestral se llama un evento o suceso
Teoría de Probabilidad
• Espacio muestral :Es el conjunto de todos los posibles
resultados de una experiencia aleatoria, lo representaremos
por E (o bien por la letra griega ῼ).
– Por ejemplo, el espacio muestral de una moneda: E = {C, X}.
Espacio muestral de un dado: E = {1, 2, 3, 4, 5, 6}.

• Suceso o Evento :Es cada uno de los resultados posibles de una

experiencia aleatoria.
– Por ejemplo que al lanzar una moneda salga cara, o en el
experimento de tirar un dado (de seis caras), el resultado de
una tirada corresponde a una cara del dado: del 1 al 6.
Teoría de Probabilidad
• Suceso aleatorio es cualquier subconjunto del espacio muestral.
Por ejemplo al tirar un dado un suceso sería que saliera par,
otro, obtener múltiplo de 3, y otro, sacar 5.

• Ejemplo 2
Una bolsa contiene bolas blancas y negras. Se extraen
sucesivamente tres bolas.
– Calcular:
1. El espacio muestral.
2. El suceso A = {extraer tres bolas del mismo color}.
3. El suceso B = {extraer al menos una bola blanca}.
4. El suceso C = {extraer una sola bola negra}.
Solución ejercicio 1
1. El espacio muestral.
E = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n,
n,n)}
2. El suceso A = {extraer tres bolas del mismo color}.
A = {(b,b,b); (n, n,n)}
3. El suceso B = {extraer al menos una bola blanca}.
B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}
4. El suceso C = {extraer una sola bola negra}.
C = {(b,b,n); (b,n,b); (n,b,b)}
En un experimento se puede manejar también un espacio muestral
continuo.

Por ejemplo, el tiempo entre fallas de un componente electrónico

puede asumir cualquier valor no negativo.

Si en un experimento con n intentos o pruebas, un evento E sucede

m veces, entonces la probabilidad P{E} de realizar el evento E se
define matemáticamente como sigue:
𝑚
𝑃 𝐸 = lim
𝑛→∞ 𝑛
Esta definición implica que si el experimento se repite
indefinidamente (n tiende a infinito ), la probabilidad deseada se
𝑚
representa con la fracción 𝑛 a largo plazo.
Por definición,
0 ≤ P{E} ≤ 1
Un evento E es imposible si P{E} = 0, y es seguro si P{E} = 1.
Por ejemplo, en un experimento de tirar un dado, sacar 7 es
imposible, mientras que sacar un valor entero de 1 a 6 inclusive, es
seguro.
Ley aditiva de las probabilidades
Para dos eventos E y F, la suma E + F representa la unión de E y F
denotándose como : E U F
Los eventos E y F son mutuamente excluyentes si no se intersectan,
es decir, si la ocurrencia de un evento prohíbe la ocurrencia del
otro.
Ley aditiva de las probabilidades
Ley de probabilidad condicional
Ahora , examinaremos como la probabilidad de ciertos
eventos depende o se ve influida por la ocurrencia de otros.

Ejemplos 3.

Suponga que se seleccionan dos semillas aleatoriamente, una

por una, de una bolsa que contiene 10 semillas de flores rojas
y 5 de flores blancas. Se quiere saber la probabilidad de que:

a. ¿La primera semilla sea roja?

b. ¿La segunda semilla sea blanca dado que la primera fue
roja?
Solución:
La probabilidad de que la primera semilla sea roja es , 10/15
puesto que hay 10 semillas de flores rojas de un total de 15.
Escrito con notación de probabilidad tenemos: P( R1)= 10/15
La probabilidad de que la segunda semilla sea blanca se ve
influida por lo que salió primero, es decir esta probabilidad está
sujeta a una condición, la de que la primera semilla sea roja.
Este tipo de probabilidad se le llama probabilidad condicional y
se denota por 𝑃(𝐵2ൗ𝑅1 ) y se lee: la probabilidad de 𝐵2 dado 𝑅1

Esta probabilidad 𝑃(𝐵2ൗ𝑅1 ) = 5/14, puesto que todavía hay 5

semillas blancas en un total de 14 restantes.
Ley de probabilidad condicional
Ejemplo 4:
Se tira un dado y sabemos que la probabilidad de que salga un 2 es 1/6
(probabilidad a priori). Si incorporamos nueva información (por ejemplo,
alguien nos dice que el resultado ha sido un número par) entonces la
probabilidad de que el resultado sea el 2 ya no es 1/6.

Las probabilidades condicionadas se calculan aplicando

𝑃 𝐴∩𝐵
𝐿𝑎 𝑓ó𝑟𝑚𝑢𝑙𝑎: 𝑃 𝐵ൗ𝐴 =
𝑃 𝐴
Donde:

✓ P (B/A) es la probabilidad de que se de el suceso B condicionada a que se

haya dado el suceso A.
✓ P (A ∩ B) es la probabilidad del suceso simultáneo de A y de B
✓ P (A) es la probabilidad a priori del suceso A
• Ejemplo 5:

• En un estudio sanitario se ha llegado a la conclusión de que

la probabilidad de que una persona sufra problemas
coronarios (suceso B) es el 0,10 (probabilidad a priori).

• Además, la probabilidad de que una persona sufra

problemas de obesidad (suceso A) es el 0,25 y la
probabilidad de que una persona sufra a la vez problemas
de obesidad y coronarios (suceso intersección de A y B) es
del 0,05.

• Calcular la probabilidad de que una persona sufra

problemas coronarios si está obesa (probabilidad
condicionada P(B/A)).
▪ P (B n A) = 0,05
▪ P (A) = 0,25
▪ P (B/A) = 0,05 / 0,25 = 0,20

Por lo tanto, la probabilidad condicionada es superior a la

probabilidad a priori. No siempre esto es así, a veces la
probabilidad condicionada es igual a la probabilidad a priori o
menor.

Por ejemplo: probabilidad de que al tirar un dado salga el

número 2, condicionada a que haya salido un número impar.

La probabilidad condicionada es en este caso cero, frente a

una probabilidad a priori de 1/6.
Teorema de Bayes
• A partir de que ha ocurrido el suceso B ( por
ejemplo, ha ocurrido un accidente) deducimos
las probabilidades del suceso A (¿estaba
lloviendo o hacía buen tiempo?).
• La fórmula del Teorema de Bayes es:

𝑃 𝐴1 𝑃 𝐵ൗ𝐴
𝐴1ൗ 1
𝑃 𝐵 =
𝑃 𝐵 = σ 𝑃 𝐴𝑖 𝑃 𝐵ൗ𝐴
𝑖
Ejemplo 6

• La oficina meteorológica ha anunciado tres

posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.

• Según estos posibles estados meteorológicos, la

posibilidad de que ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 10%.
b) Si nieva: probabilidad de accidente del 20%
c) Si hay niebla: probabilidad de accidente del 5%.
• Resulta que efectivamente ocurre un accidente y
como no estábamos en la ciudad no sabemos que
tiempo hizo (nevó, llovió o hubo niebla).
• El teorema de Bayes permite calcular estas
probabilidades:
➢ Las probabilidades que manejamos antes de conocer que
ha ocurrido un accidente se denominan "probabilidades a
priori“ (lluvia con el 50%, nieve con el 30% y niebla con el
20%).

➢ Una vez que incorporamos la información de que ha

ocurrido un accidente, las probabilidades del suceso A
cambian: son probabilidades condicionadas P (A/B), que
se denominan "probabilidades a posteriori".
 𝑃 𝐴1 𝑃 𝐵ൗ𝐴
𝐴1ൗ
Aplicando la fórmula: 𝑃 𝐵 =
1
𝑃 𝐵 = σ 𝑃 𝐴𝑖 𝑃 𝐵ൗ𝐴
𝑖

a) Probabilidad de que estuviera lloviendo:

▪ La probabilidad de que efectivamente estuviera
lloviendo el día del accidente (probabilidad a
posteriori) es del 41,7%.
b) Probabilidad de que estuviera nevando:
▪ La probabilidad de que estuviera nevando es del
50,0%.
c) Probabilidad de que hubiera niebla:
▪ La probabilidad de que hubiera niebla es del 8,3%.
Naturaleza de las variables
Naturaleza de las variables
• Se llama variable aleatoria a toda función que asocia a cada
elemento del espacio muestral E un número real.

• Los resultados de un experimento son numéricos de por sí, o se

pueden representar en una escala numérica.

• Por ejemplo, los resultados de tirar un dado son numéricos de por

sí: 1, 2, 3, 4, 5 o 6.

• Un caso distinto es el de probar un artículo y obtener dos

resultados: malo y bueno.

• En ese caso se puede usar la clave numérica (0, 1) para representar

(malo, bueno). La representación numérica de los resultados
produce lo que se llama variable aleatoria.

• Una variable aleatoria x puede ser discreta o continua.

Una variable aleatoria discreta es aquella que sólo puede tomar
valores enteros.

Ejemplos, el número de hijos de una familia. la puntuación

obtenida al lanzar un dado.

Una variable aleatoria continua es aquella que puede tomar

todos los valores posibles dentro de un cierto intervalo de la recta
real.

Ejemplos , la altura de los alumnos de una clase, las horas de

duración de una pila.

Por ejemplo, la variable aleatoria asociada al experimento de tirar

un dado es discreta, y x = 1, 2, 3, 4, 5 o 6; mientras que la hora
de llegada a una instalación de servicio es continua con x = 0.
Ejemplo 7:

Supongamos que la Secretaría del Medio Ambiente

inspecciona una vez al mes la cantidad de un contaminante
que descarga una compañía de productos químicos.

Si la cantidad del contaminante excede el nivel máximo

permitido, se multa a la compañía y se le obliga a corregir el
problema.

Consideremos las siguientes dos variables aleatorias

asociadas a este problema:

Suponga que X es el número de meses antes de que la

compañía excede los límites permitidos del contaminante.
Si X es el número de meses antes de que la compañía
exceda los límites permitidos del contaminante.,

✓ Esta variable toma valores 1, 2, 3, … pero no

conocemos donde termina, ya que quizás nunca
exceda estos límites permitidos, por lo tanto, el
conjunto de valores de X es el conjunto de los
números enteros positivos.

✓ Como podemos enlistar o numerar el conjunto (es

un conjunto numerable) de valores de la variable
X, decimos que la variable aleatoria X es una
variable aleatoria discreta.
Ahora,
Si la segunda variable X representa la cantidad del contaminante
que excede los límites permitidos (en miligramos por litro)
medidos por mes en una muestra de aguas residuales de la
compañía.
¿qué valores toma la variable?
✓ A diferencia de la primera variable, el conjunto de valores
de ésta no se puede numerar, sino que proviene de una
medición.
✓ El conjunto de valores es un intervalo de valores desde 0 y
un número indeterminado, quizás entre 0 y 500 miligramos
o 1000 miligramos.
✓ Decimos entonces, que X es una variable aleatoria
continua
Sea X una variable aleatoria discreta cuyos valores suponemos
ordenados de menor a mayor. La función de distribución
acumulada de la variable X, la escribiremos como:

F(X) = p(x ≤ X)

Ejemplo, la función de distribución de probabilidad acumulada

de los valores obtenidas al lanzar un dado.

𝑿𝒊 𝑷𝒊
X≤1 1
6
X≤2 2
6
X≤3 3
6
X≤4 4
6
X≤5 5
6
X≤6 6
=1
6
Una medida importante de las probabilidades es la
función de distribución acumulada (FDA), que se
define como sigue:

La función de distribución asocia a cada valor de la

variable aleatoria la probabilidad acumulada hasta
ese valor.
Ejemplo 8

Se extraen dos tornillos al azar de un conjunto de 10 tornillos,

cuatro de los cuales están defectuosos.

✓ Encontrar y dibujar la función de probabilidad de la

variable aleatoria.

Solución:
✓ Sea X = número de tornillos defectuosos extraídos.
✓ Como hay 10 tornillos de los cuales 4 son defectuosos y se
extraen 2 tornillos al azar (sin reemplazo); entonces, el
cardinal del espacio muestral es
entonces X toma los valores del 0 al 2 ya que al extraer dos
tornillos sólo puede ocurrir que no salga ningún defectuoso, un
defectuoso o dos defectuosos.

X = {0, 1, 2}. Las probabilidades respectivas son:

𝑿𝒊 𝑷𝒊
X= 0 15
45
X=1 24
45
X=2 6
45
 Distribución de probabilidad de la variable aleatoria del
ejemplo

𝑿𝒊 𝑷𝒊

X= 0 15
45

X=1 24
45

X=2 6
45
Expectativa de una Variable Aleatoria

Si h(x) es una función real de una variable aleatoria x, el valor

esperado E{h(x)} de h(x) se define como el promedio
ponderado (a largo plazo) con respecto a la función de densidad
de probabilidad de x.

Matemáticamente, dadas p(x) y f(x), las funciones de

distribución acumulada de probabilidades discretas y continuas
de x, respectivamente, entonces se calcula E{h(x)} como sigue:
Un jugador de dardos tiene probabilidad 0.2 de obtener 5 puntos
al lanzar, una probabilidad de 0.25 de obtener un 10, 0.15 de
obtener 50 puntos y 0.4 de obtener 20 puntos. Si consideramos
la variable aleatoria puntuación ¿Cuál es su esperanza?

La variable aleatoria X toma los valores 5, 10, 20, 50 con

probabilidades respectivas 0.2, 0.25, 0.4, 0.15, es una v.a.
discreta.

E[X] = 5·0.2 + 10·0.25 + 20·0.4 + 50·0.15

= 1 + 2.5 + 8 + 7.5
= 19 puntos
Media y varianza de una
variable aleatoria
Media y varianza de una variable aleatoria

La media de x, E{x}, es una medida de la tendencia central (o suma

ponderada) de la variable aleatoria.

La varianza, var{x}, es una medida de la dispersión de x respecto de la

media E{x}.

Una varianza mayor indica un mayor grado de incertidumbre acerca de

la variable aleatoria.

En forma específica, cuando se conoce con certeza el valor de una

variable, su varianza es cero.

Las fórmulas de la media y la varianza se pueden deducir de la definición

general E{h(x)}:
✓ para E{x}, se usa h(x) = x
✓ y para var{x} se usa ℎ 𝑥 = (𝑥 − 𝐸 𝑥 )2
La base de la deducción de las fórmulas se ve con más facilidad
examinando el caso discreto. E(x) es la suma ponderada de los
valores discretos de x.

También var{x} es la suma ponderada del cuadrado de la desviación

respecto a E{x}.

El caso continuo de puede interpretar en forma parecida,

reemplazando la suma por la integral.
 Distribuciones de Probabilidad

✓ Distribución Binomial
✓ Distribución de Poisson
✓ Distribución Exponencial
✓ Distribución Normal
Distribución binomial

La distribución binomial es una distribución de

probabilidad discreta que mide el número de éxito en una
secuencia de ensayos de Bernoulli independientes entre
sí, con una probabilidad fija p de ocurrencia del éxito entre
los ensayos.

Un experimento de Bernoulli se caracteriza por ser

dicotómico, esto es, sólo son posibles dos resultados.

La distribución binomial se utiliza en situaciones cuya

solución tiene dos posibles resultados.
Por ejemplo:

✓ Al nacer un/a bebé puede ser varón o hembra.

✓ En el deporte un equipo puede ganar o perder.

✓ En pruebas de cierto o falso, sólo hay dos alternativas.

✓ Un tratamiento médico puede ser efectivo o inefectivo.

✓ En una empresa , la meta de producción o de ventas en un

periodo ( mes o año ) se pueden o no lograr.

✓ En pruebas de selección múltiple, aunque hay cuatro o cinco

alternativas, se pueden clasificar como correcta o incorrecta.

✓ Etc.
Entonces, al resultado esperado se le puede denominar
como “éxito” y tiene una probabilidad de ocurrencia p y al
otro resultado , “fracaso”, con una probabilidad q=1-p.

En la distribución binomial el experimento se repite n veces,

de forma independiente, y se trata de calcular la probabilidad
de un determinado número de éxitos.

Para n=1, la binomial se convierte, en una distribución de

Bernoulli
Ejemplo 9

¿Cuál es la probabilidad de obtener exactamente 2 caras al lanzar

una misma moneda 6 veces ?

Podemos ver que existen 15 combinaciones posibles de obtener

2 caras , es decir :

6! /2!(6-2)! = 15

y la probabilidad de cada combinación es 𝑝2 (1 − 𝑝)(6−2)

De acuerdo con la ley de la adición , la probabilidad de obtener 2

caras al lanzar la moneda 6 veces es :

P{ 2caras} = 6! /2!(6-2)! * 𝑝2 (1 − 𝑝)(6−2)

Usando la siguiente notación tenemos que:
• P(x) es la probabilidad de ocurrencia del evento.

• p es la probabilidad de éxito del evento ( una vez) = (0.50)

• la probabilidad de fracaso del evento se define como:

1 – p =(0.50)

• k = ocurrencia del evento o éxitos deseados = 2 (caras)

• n = número de intentos = 6
Ejemplo 10

Un fabricante produce un artículo en lotes de n artículos cada

uno. La fracción de artículos defectuosos, p, en cada lote se
estima a partir de datos históricos. Se desea determinar la fdp de
la cantidad de artículos defectuosos en un lote.

distintas de obtener x artículos defectuosos en un lote de

tamaño n,

La probabilidad de realizar cada combinación es:

𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
De acuerdo con la ley de la adición, la probabilidad de k
artículos defectuosos en un lote de n artículos es :

Ésta es la distribución binomial con parámetros n y p.

✓ La media E{x} = np

✓ La varianza var{x} = np(1 - p)

Distribución de Poisson

La distribución de Poisson, se llama así, en honor a su creador, el

francés Simeón Dennis Poisson (1781-1840).

Permite determinar la probabilidad de ocurrencia de un suceso con

resultado discreto. Es muy útil cuando la muestra o segmento n es
grande y la probabilidad de éxito p es pequeña.

Ejemplos :

✓ La llegada de un cliente al negocio durante una hora.

✓ Las llamadas telefónicas que se reciben en un día.
✓ Los defectos en manufactura de papel por cada metro
producido.
 Una variable aleatoria X posee una ley de distribución
de probabilidades del tipo Poisson cuando:

Donde:

✓ P(x=k) es la probabilidad de ocurrencia cuando la

variable discreta x toma un valor finito k.
✓ λ = es una constante conocida, es la ocurrencia
promedio por unidad (tiempo, volumen, área, etc.).
Es igual a p por el segmento dado.
✓ e constante , tiene un valor aproximado de 2.711828.
✓ K es el número de éxitos por unidad.
Dado que λ es una constante conocida, La media de la
distribución de Poisson es

μ = E{x} = λ

La fórmula de la media revela que λ debe representar la

tasa a que ocurren los eventos.

La varianza de la distribución de Poisson es:

(𝜎 2 ) = var{x} = λ

La desviación estándar es la raíz de λ.

Ejemplo 11

La probabilidad de que un producto salga defectuoso es de 0.012.

¿Cuál es la probabilidad de que entre 800 productos ya fabricados
hayan 5 defectuosos?

En este ejemplo la probabilidad p es menor que 0,1, y el producto

n * p menor que 10, por lo que aplicamos el modelo de distribución
de Poisson:

El resultado es P (x = 5) = 0,04602

Por lo tanto, la probabilidad de que haya 5 productos defectuosos

entre 800 recién producidos es de 4,6%.
Ejemplo 12

A un taller de reparación de motores pequeños llegan

trabajos de reparación a razón de 10 por día.

• ¿Cuál es el número promedio de trabajos por hora

que se reciben a diario en el taller?

• ¿Cuál es la probabilidad de que no lleguen trabajos

durante cualquier hora, suponiendo que el taller está
abierto 8 horas al día?
Ejemplo 13

Si ya se conoce que solo el 3% de los alumnos de Contabilidad son

sobresalientes ¿ calcular la probabilidad de que si tomamos 100
alumnos al azar 5 de ellos sean sobresalientes .

• n = 100 , P = 0.03 ,

• λ= 100 * 0.03 = 3 ,

•x=5,

• e = 2.718281828

= 0.10081

La probabilidad es de un 10.01% aprox.

Distribución exponencial
Mientras que la distribución de Poisson es discreta la
distribución exponencial es continua porque el tiempo
entre llegadas no tiene que ser un número entero.
La distribución exponencial se utiliza mucho para
describir el tiempo entre eventos.
Más específicamente es la variable aleatoria que
representa al tiempo necesario para la próxima la
llegada.
✓ Ejemplos típicos de esta situación son el tiempo
que un medico dedica a una exploración, el
tiempo de servir una medicina en una farmacia, o
el tiempo de atender a una urgencia.
Distribución exponencial

Si la cantidad de llegadas a una instalación de servicio se

apega a una distribución de Poisson entonces, en forma
automática, la distribución del intervalo de tiempo entre
las llegadas sucesivas debe tener una distribución
exponencial.

En forma específica, si λ es la frecuencia con que suceden

los eventos de Poisson, entonces la distribución de
tiempos x entre llegadas sucesivas es:

𝑓 𝑥 = λ𝑒 −λ𝑥 , X > 0
 La figura siguiente muestra la forma de f(x)

La media de la distribución exponencial, E{x} = 1 / λ

La varianza , var{x} = 1 / λ .

La media E{x} es consistente con la definición de λ .

Si λ es la frecuencia, rapidez o tasa con que suceden los eventos, entonces

1 / λ es el intervalo promedio de tiempo entre eventos sucesivos.
Ejemplo 14

Los automóviles llegan al azar a una gasolinera y el tiempo promedio

entre llegadas es de 2 minutos.

Determine la probabilidad de que el tiempo entre llegadas no exceda

de 1 minuto.

La determinación de la probabilidad deseada es igual a la de calcular la

FDA de x;

La tasa de llegadas para el ejemplo es λ = ½ llegadas por minuto. Si

sustituimos A =1, la probabilidad deseada es
EJEMPLO 15.

Suponga que el tiempo que necesita un cajero de un

banco para atender a un cliente tiene un distribución
exponencial con una media de 40 segundos.

a) Encontrar la probabilidad que el tiempo necesario para

atender un cliente dado, sea mayor que 2 minutos?
b) ¿Cuál es la probabilidad que el tiempo necesario para
atender a un cliente esté comprendido entre 1 y 2
minutos.
Solución:

Sea X variable aleatoria representando el intervalo de tiempo

necesario para atender a un cliente.

E{x} = 1 / λ = 40 segundos= 2/3 minutos,

λ = 3/2 minutos
0 𝑠𝑖 𝑥 < 0
𝑓 𝑥 =ቊ
1 − 𝑒 3𝑥Τ2 𝑠𝑖 𝑥 ≥ 0
Ejemplo 16

Determinar la probabilidad de que un camión que llega a un puerto

sea cargado en 6 minutos o menos. Se sabe que en promedio se
demoran 15 minutos

−6 /15
P( x  6) = 1 − e = 0.3297
Distribución normal
La distribución normal es un caso particular de
probabilidad de variable aleatoria contínua, fue
reconocida por primera vez por el francés Abraham de
Moivre (1667-1754).

Posteriormente, Carl Friedrich Gauss (1777-1855) elaboró

desarrollos más profundos y formuló la ecuación de la
curva; de ahí que también se le conozca, más
comúnmente, como la "campana de Gauss“.

La distribución normal describe muchos fenómenos

aleatorios de la vida diaria, como las calificaciones de
exámenes y el peso y la estatura de las personas.
La fdp de la distribución normal está dada por :
Características de esta distribución:

✓ Hay familias de distribuciones normales. Cada una se

identifica por su media y su desviación estándar

✓ El punto más alto es la media

✓ La media puede ser cualquier valor numérico

✓ La distribución de probabilidad normal es simétrica. Las

colas se prolongan hasta el infinito (nunca tocan el eje de las
x)

✓ Las desviaciones estándares determinan el ancho de la curva

✓ El área total es 1
Una propiedad importante de la variable aleatoria normal es que
representa de forma aproximada la distribución del promedio de una
muestra tomada de cualquier distribución.

La FDA de la variable aleatoria normal no puede determinarse en

una forma cerrada.

En general, una variable aleatoria normal x con media µ y desviación

estándar σ puede convertirse en normal estándar z mediante la
transformación:
𝑋−𝜇
𝑍=
𝜎
Para cualquier distribución normal de probabilidad, todos los
intervalos que contienen el mismo número de desviaciones estándar
a partir de la media contendrán la misma fracción del área total bajo
la curva para cualquier distribución de probabilidad normal.
Esto hace que sea posible usar solamente una tabla de la
distribución de probabilidad normal estándar.

𝑋−𝜇
El valor de z está derivado de la fórmula: 𝑍= 𝜎

En la que:

• x = valor de la variable aleatoria de interés.

• µ = media de la distribución de la variable aleatoria.
• σ = desviación estándar de la distribución.
• z = número de desviaciones estándar que hay desde x a la
media de la distribución.

Más de 99% del área bajo cualquier función de densidad normal

se encuentra encerrada en el intervalo µ – 3σ ≤ x ≤ µ + 3σ
también conocido como límites 6 sigma.
Regla Empírica
Ejemplo 17

Determine la probabilidad de que neumáticos fabricados

por Goodyear puedan superar las 40.000 millas, si se
tiene un promedio de 36.500 millas y una desv. estándar
de 5.000.
Ejercicio N°1
La probabilidad de que cierto antibiótico presente una
reacción negativa al administrarse a un ave rapaz en
recuperación es de 0.15. Si se les ha administrado dicho
antibiótico a 10 aves, calcúlense las probabilidades de
que haya reacción negativa:

a. En dos aves (0,2758)

b. En ningún ave (0,1968)
c. En menos de 4 aves (0,95)
d. En más de 3 aves (0,05)
e. Entre 2 y 5 aves (0,4543)
 Ejercicio N°1: Solución
Suceso A : "A un ave se le presenta reacción negativa“
X :"nº de aves a las que se les presenta tal reacción“
P(A) = 0,15, Probabilidad de éxito; n =10 ; X → B(10 ; 0.15)
a. 𝑃 𝑋 = 2 = 𝐶210 ∗ 0,152 ∗ 1 − 0,15 10−2
= 0.2759
b. 𝑃 𝑋 = 0 = 𝐶010 ∗ 0,150 ∗ 1 − 0,15 10−0
= 0.1969
c. 𝑃 𝑋 < 4 = 𝑃 𝑋 ≤ 3 = 𝑃 𝑋 = 0 + 𝑃 𝑋 = 1 + 𝑃 𝑋 = 2 + 𝑃(𝑋 = 3)
𝑃 𝑋 < 4 = 𝑃 𝑋 ≤ 3 = +0,1969 + 0,3474 + 0,2759 + 1298 = 0,9500
d. 𝑃 𝑋 > 3 = 1 − 𝑃 𝑋 ≤ 3 = 1 − 0,95 = 0,05
e. 𝑃 2≤𝑋 ≤5 =𝑃 𝑋 ≤5 −𝑃 𝑋 <2 =𝑃 𝑋 =2 +𝑃 𝑋 =3 +𝑃 𝑋 =4 +
𝑃 𝑋 = 5 = 0,4543
Ejercicio 2

El 53% de los trabajadores de una determinada empresa son mujeres. Si elegimos 8

personas de esa empresa al azar, calcula la probabilidad de que haya:
a) Alguna mujer.
b) Más de 6 mujeres.
c) Hallar la media y la desviación estándar.
Ejercicio 3
Una empresa que fabrica camisetas posee tres máquinas, A, B y C, producen el 45%, 30% y 25%,
respectivamente, del total de las piezas producidas en la fábrica. Los porcentajes de producción defectuosa de
estas máquinas son del 3%, 4% y 5% respectivamente.
a. Seleccionamos una camiseta al azar; calcular la probabilidad de que salga defectuosa.
b. Tomamos, al azar, una camiseta y resulta ser defectuosa; calcula la probabilidad de haber sido producida
por la máquina B.
c. ¿Qué máquina tiene la mayor probabilidad de haber producido una camiseta defectuosa?
Ejercicio 4

La probabilidad de que haya un accidente en una fábrica que dispone

de alarma es 0.1. La probabilidad de que suene esta sí se ha
producido algún incidente es de 0.97 y la probabilidad de que suene
si no ha sucedido ningún incidente es 0.02. En el supuesto de que
haya funcionado la alarma, ¿cuál es la probabilidad de que no haya
habido ningún incidente?.
Sean los sucesos:
I = Producirse incidente. A = Sonar la alarma.

𝑃 𝐼 = 0,1; 𝑃 𝐼 ҧ = 0,9; 𝑃 𝐴Τ𝐼 = 0,97; 𝑃 𝐴Τ𝐼 ҧ = 0,02

𝑃 𝐼 ҧ 𝑃(𝐴ൗ ҧ
ҧ 𝐼)
𝑃 𝐼ൗ𝐴 =
𝑃 𝐼 ҧ 𝑃(𝐴ൗ ҧ + 𝑃(𝐼)𝑃(𝐴ൗ𝐼)
𝐼)
 Ejercicio 5
El diámetro promedio de una pieza metálica para cierta
maquinaria industrial es de 71 milímetros con márgenes de
tolerancia de 2 milímetros por encima o por debajo de la
media. ¿Cuál debe ser el valor de la desviación estándar, si
se aspira a que sólo el 1% de las piezas, resulten
defectuosas? Se sabe que los diámetros se distribuyen
normalmente. 99%

Solución:

2,5758293
𝑋−𝜇 73−71
𝑍= = =2,5758293 => σ=0,77
𝜎 𝜎
Ejercicio N°6

El tiempo, en minutos, que tarda cada llamada telefónica en entrar a

una oficina de corredores de seguros tiene la siguiente distribución:
f ( x) = 0.50e −0.50 x x0
¿Cuál es la media del tiempo entre llamadas?.
¿Cuál es la probabilidad de tener 30 segundos o menos entre
llamadas telefónicas?.
¿Cuál es la probabilidad de tener 5 minutos o más sin una
llamada?.
Solución:
E{x} = 1 / λ = 2 minutos, λ = 1 / 2 = 0,5 llamadas/minuto.
 Ejercicio N°7
El diámetro de un eje producido en un torno sigue una
distribución normal con una desviación estándar de
1,228 mm. Basándose en una muestra aleatoria de 10
ejes extraídos de la población, se halló el intervalo de
confianza al 99%:( 200,25 < µ < 202,25 ) de la media
poblacional del diámetro. El jefe de taller cree que el
intervalo es demasiado amplio para que tenga utilidad
práctica y pide un intervalo de confianza al 99% con un
error máximo de 0,5 mm a cada lado.

¿De qué tamaño debe ser la muestra para lograr este

intervalo?
 Ejercicio N°8
Una empresa electrónica observa que el número de
componentes que fallan antes de cumplir 10 horas de
funcionamiento es una variable aleatoria de Poisson. Si
el número promedio de estas fallas es 1,
a. ¿cuál es la probabilidad de que falle un
componente en 25 horas?
b. ¿y de que fallen no más de dos componentes en 50
horas?
c. ¿cuál es la probabilidad de que fallen por lo menos
diez en 125 horas?
 Ejercicio N°9
El volumen que una máquina de llenado automático deposita en
latas de una bebida gaseosa tiene una distribución normal con
media 34 cl. Y una desviación típica 1,5 cl.
a) Si se desechan aquellas latas que tienen menos de 33 cl.,
¿cuál es la proporción de latas desechadas?
b) La máquina de llenado puede ser ajustada para cambiar el
volumen medio para que únicamente el 1% de las latas
tuviera menos de 33 cl.?
c) Si tomamos 10 latas llenadas con la máquina tal y como
figura originalmente, ¿cuál es la probabilidad de que
ninguna sea desechada?
d) Si ahora tomamos 500 latas llenadas con la máquina tal y
como figura originalmente, ¿cuál es la probabilidad de que
al menos 100 sean desechadas?