CAPITULO 3: VARIABLES

ALEATORIAS
UNIDIMENSIONALES
Estadstica Aplicada 1

Variables Aleatorias
Como
se vio en el captulo 2, no necesariamente

los elementos de un espacio muestral sern de

tipo numrico. A pesar de esto, en ciertas
ocasiones de igual modo nos interesa que esas
mediciones o resultados del espacio muestral
sean denotados mediante un nmero. Es decir,
deseamos asignar un nmero real a cada uno
de los elementos del espacio muestral .

Definicin

Considere
un experimento aleatorio con
un espacio muestral . Una funcin que
asigna a cada elemento un y slo un
nmero , es llamada variable aleatoria.
Matemticamente:

El rango o recorrido de X es el subconjunto

de los nmeros reales

Observaciones

Esta funcin llamada variable aleatoria

(v.a.) no necesariamente debe ser 1-1, es
decir puede ser que dos o ms resultados
distintos del espacio muestral produzcan o
se conviertan en un nico nmero .
En algunos casos el resultado del espacio
muestral es ya la caracterstica numrica
que queremos anotar. Sencillamente
tomamos , la funcin identidad.
Una funcin de una v.a. (la cual no es ms
que una composicin de funciones) es
otra v.a.
4

Observaciones
(continuacin)

Una v.a. puede estar condicionada a un

evento o a otra v.a.
Al referirnos a variables aleatorias
usaremos, casi sin excepcin, letras
maysculas tales como , , , etc. Sin
embargo, cuando hablemos del valor de
esas v.a., o bien de los valores observados
de esas v.a. usaremos letras minsculas
tales como , , , etc.

Ejemplo

Supongamos
que deseamos realizar el
experimento aleatorio de seleccionar a una
persona de una poblacin dada con el fin de
conocer (medir) su altura (en centmetros,
por ejemplo). Podramos referirnos a los
resultados posibles como una v.a. . Luego
varias preguntas podramos hacernos, tales
como: . Sin embargo una vez que escogemos
a una persona y medimos su altura,
obtenemos un valor especfico de X,
denotado por . As no sera importante
preguntar
por
6

Ejemplo

Considere
el experimento, ampliamente
estudiado a travs del curso, consistente
en el lanzamiento de una moneda. El
espacio
muestra
asociado
a
este
experimento es: . Luego, definimos la v.a.:

Nota: Toda v.a. cuyos valores posibles sean

0 y 1, recibe el nombre de v.a. de Bernoulli.
7

Ejemplo
siguiente figura esquematiza a la
La
variable aleatoria como una funcin del
espacio muestral .

S
Cara
Sell
o

X(Cara) =
1
0
1
X(Sello) =
0

Eventos Equivalentes

Considere
un experimento aleatorio con
un espacio muestral . Sea una v.a.
definida en y sea su recorrido. Sea un
evento respecto a , es decir, .
Supongamos que se define,

En otras palabras, consta de todos los

resultados en para los cuales . En este
caso decimos que y son eventos
equivalentes.
9

Eventos Equivalentes
y son dos eventos equivalentes ya que
ocurren simultneamente, por significar lo
mismo en el experimento aleatorio.

A
s

RX
X(s)

10

Clculo
de Probabilidades en

Sea
un evento en el recorrido . Definimos
entonces como sigue:

, en donde
Es decir, definimos , que es igual a la
probabilidad del evento , que es
equivalente a .

11

Ejemplo

Considere
el experimento consistente en el
lanzamiento de una moneda 3 veces
seguidas. El espacio muestral asociado a
este experimento es
= {CCC, CCS, CSC, CSS, SCC, SSC, SCS,
SSS}.
Definamos la v.a. : el nmero de caras que
aparecieron en los 3 lanzamientos, luego el
rango de es = {}.
Calcular la probabilidad del evento =
{obtener ms caras que sellos}.

12

Tipos de variables aleatorias

Si el rango de nmeros que puede tomar la v.a.

es un conjunto finito o infinito pero contable (no
necesariamente nmeros enteros) diremos que
sta es discreta.
Si el rango de nmeros puede abarcar cualquier
intervalo dentro de la recta numrica, diremos
que la v.a. es continua.
En algunas ocasiones tendremos una v.a. que
es un hbrido de los dos tipos comentados
anteriormente. A este tipo de variable se le
llama mixta.
14

Variables aleatorias
discretas
dice que es una v.a. discreta si el
Se
nmero de valores posibles de (esto es, ,
el recorrido) es finito o infinito numerable.
Es decir, si se pueden anotar los valores
posibles de como

Nota: En el caso finito la lista termina, y en

el caso infinito numerable la lista contina
indefinidamente
15

Distribuciones de probabilidad para v.a.

discretas (pmf)
distribucin de probabilidad o funcin
La
de probabilidad de masa (pmf: probability
mass function) de una v.a. discreta est
definida, para todo nmero , por:

16

Propiedades

Para
una v.a. , satisface las siguientes
propiedades:

17

Ejemplo

Verifique
que las siguientes distribuciones
son pmf:

18

Funcin de distribucin acumulada

(cdf)
cdf de una v.a. discreta con pmf est
La
definida por:

19

Propiedades de la cdf

es siempre una funcin no decreciente.

grficamente tiene forma de escalera.

20

Ejemplo

Considere
un grupo de cinco donadores
potenciales de sangre (A, B, C, D y E), de los
cuales slo A y B tienen tipo de sangre 0+. Cinco
muestras de sangre, una de cada individuo, se
clasificarn en orden aleatorio hasta que sea
identificado un individuo 0+. Sea nmero de
clasificaciones necesarias para identificar un
individuo 0+.
a) Calcule la pmf y luego la cdf de . Grafique.
b) Usando la cdf, calcule la probabilidad de sea
necesario hacer ms de una clasificacin.

21

Valor Esperado de una

v.a. discreta
valor esperado de una v.a. representa el
El
promedio ponderado de los valores . El
significado es el siguiente:

Si repetimos muchas veces el experimento

asociado a la v.a. , es de esperar que el

promedio aritmtico de las observaciones
sea muy cercano a , en el sentido
probabilstico.

22

Valor Esperado de una

v.a. discreta
media o el valor esperado de una v.a.
La
discreta , con pmf es:

Siempre y cuando esta serie converja

absolutamente, es decir:

23

Ejemplo

Considere
un grupo de cinco donadores
potenciales de sangre (A, B, C, D y E), de
los cuales slo A y B tienen tipo de sangre
0+. Cinco muestras de sangre, una de
cada individuo, se clasificarn en orden
aleatorio hasta que sea identificado un
individuo
0+.
Sea
nmero
de
clasificaciones necesarias para identificar
un individuo 0+.
Cul es el nmero esperado de
clasificaciones necesarias para identificar

24

Ejemplo

Considere
la v.a. discreta : el nmero de
bebs que tiene una familia hasta que
nace el primer varn. Luego, sabiendo que
la pmf de es:

donde es la probabilidad de que el bebe

sea varn.
Cuntos bebs se espera que tenga la
familia, hasta que nazca el primer varn?
25

Valor esperado de una

funcin de la v.a.

Sea
una v.a. discreta y una funcin
de la v.a. . Entonces su valor esperado
es:

26

Ejemplo

Una
tienda de computadores ha comprado tres
computadores de cierto tipo en US$ 500 cada uno y
los vender a US$ 1.000. El fabricante ha aceptado
volver a comprar en US$ 200 cualquier computador
que no se haya vendido en el tiempo especificado. Sea
el nmero de computadores vendidos con pmf:

0
0,1

1
0,2

2
0,3

3
0,4

Si sealamos con el beneficio asociado a la venta de

unidades, cul es el beneficio o la utilidad esperada?
27

Propiedades del valor esperado

propiedades del valor esperado son las
Las
mismas, independiente del tipo de v.a. que
sea .
Las reglas se muestran a continuacin:
Para cualquier constante ,
Para cualquier constante ,
, con y reales.
, con real.

Use estas propiedades en el ejemplo anterior.

28

Varianza y desviacin estndar

de una v.a. discreta
la v.a. tiene una pmf , entonces la
Si
varianza de , denotada por o es:

La desviacin estndar (DE) de , denotada

por , es:

29

Varianza de una funcin

de la v.a.

Sea
una v.a. discreta y una funcin de la
v.a. . Entonces su varianza es:

30

Propiedades de la varianza
propiedades para la varianza, son
Las
iguales en el caso discreto y continuo:

Identidad Fundamental

31

Ejemplo

Una
tienda de computadores ha comprado tres
computadores de cierto tipo en US$ 500 cada uno
y los vender a US$ 1.000. El fabricante ha
aceptado volver a comprar en US$ 200 cualquier
computador que no se haya vendido en el tiempo
especificado. Sea el nmero de computadores
vendidos con pmf:
0
1
2
3
0,1
0,2
0,3
0,4

Si representa el beneficio asociado a la venta de

unidades, cul es la desviacin estndar de la
utilidad?
32

Ejemplo
Durante el transcurso de un da, una
mquina produce tres tems del mismo tipo,
uno en la maana, uno en la tarde y uno en
la noche. La calidad de cada tem es medida
como buena (B), mala (M) o psima (P).
Segn datos histricos de la mquina, la
mitad de los tems producidos son de buena
calidad, y de la mitad restante, hay dos
veces ms productos malos que psimos.

33

Ejemplo (continuacin)
tem B producido genera ingresos para la
Un
compaa por $2, uno M por $1 y uno P no
genera ingresos. Sea : el ingreso diario (en
$) para la compaa por productos
producidos por la mquina en cuestin.
Asuma que la calidad de los tems
producidos
es
independiente
de
los
anteriores. Encuentre la pmf de . Calcule y
e interprtelos en el contexto adecuado.

34

Variables aleatorias
continuas

dice que es una v.a. continua si su

Se
conjunto de valores posibles (esto es, , el
recorrido) es todo un intervalo (finito o
infinito) de nmeros reales.

Por ejemplo, una v.a. continua puede ser

el tiempo le toma a un estudiante ir de
su casa a la universidad o tambin el
peso o la estatura de los estudiantes de
la UCN.
35

Distribuciones de probabilidad
para v.a. continuas (pdf)
distribucin de probabilidad o funcin
La
de densidad de probabilidad (pdf:
probability density function) de una v.a.
continua es una funcin , tal que para
cualesquiera dos nmeros reales y , con ,
entonces:

36

Distribuciones de probabilidad
para v.a. continuas (pdf)

Esto
es, la probabilidad de que tome un
valor en el intervalo es el rea bajo la
grfica de la funcin de densidad, como lo
ilustra la figura. La grfica de , se conoce
a veces como curva de densidad.

37

Propiedades

Para
una v.a.
propiedades:

satisface las siguientes

Note que:

38

Propiedades
las propiedades se desprende que:
De

como en el caso discreto, entonces:

Cul es el verdadero significado de la
pdf, o bien, cmo podemos
interpretarla?
Definamos el evento:

39

Propiedades

Entonces,
usando el teorema del valor
medio, tenemos que para un valor de
muy pequeo, es decir ,

Es decir, la densidad o pdf de una v.a.

continua es directamente proporcional a
la probabilidad de una
ocurrencia
cercana de un valor puntual de .

40

Propiedades

41

Ejemplo
profesor nunca termina su clase antes del
Un
trmino del bloque, mas nunca se pasa de 2
minutos de ste. Sea : el tiempo que transcurre
entre el trmino del bloque y el trmino efectivo de
la clase. Suponga que la pdf de viene dada por:

a) Encuentre el valor de k para que la pdf sea

legtima.
b) Cul es la probabilidad de que la clase termine
a menos de un minuto despus del trmino del
bloque?
c) Cul es la probabilidad de que la clase
contine entre 60 y 90 segundos despus del 42

Funcin de distribucin
acumulada (cdf)
cdf de una v.a. continua con pdf est
La

definida por:

43

Propiedades

es siempre una funcin no

decreciente.

es continua.
44

Propiedades
figura ilustra el clculo de
La
probabilidades entre y como una
diferencia entre las probabilidades
acumuladas en la cdf (reas).

45

Ejemplo
Suponga
que la pdf de la magnitud de una

carga dinmica en un puente (en newtons)

est dada por:

a) Calcule y utilizando la cdf.

b) Grafique la pdf y la cdf de .

46

Ejemplo
grficas correspondientes a la pdf y
Las
cdf de se muestran en la figura.

47

Cmo obtener a partir de

es una v.a. continua , con pdf
Si
y cdf ,
entonces en todo valor donde exista la
derivada de , entonces:

Utilice el ejemplo anterior para comprobar

esta propiedad.

48

Ejemplo
un blanco, de ecuacin , se lanzan
En
dardos. Sea la v.a. la distancia entre el
dardo y el centro del blanco. Calcule la pdf y
cdf de .
(Sugerencia: calcule primeramente la cdf de
)

49

Valor esperado de
una v.a. continua
media o el valor esperado de una v.a.
La
continua , con pdf es:

Siempre y cuando esta integral converja

absolutamente, es decir:

50

Ejemplo
distribucin de la cantidad de grava (en
La
toneladas) vendida a una empresa en
particular proveedora de materiales para
la construccin, en una semana dada, es
una v.a. continua con pdf:

Cuntas toneladas esperara usted que

se vendan durante esa semana?

51

Valor esperado de una

funcin de una v.a. continua

Sea
una v.a. continua y una funcin de la
v.a. . Entonces su valor esperado es:

Observacin: Las reglas del valor esperado

vistas
anteriormente
para
las
v.a.
discretas, se mantienen para las v.a.
continuas.
52

Ejemplo
La distribucin de la cantidad de grava (en
toneladas) vendida a una empresa en
particular proveedora de materiales para la
construccin, en una semana dada, es una
v.a. continua con pdf:

Si el precio de venta es $200 por cada

kilogramo, con un descuento de 10% si la
empresa compra 800 kg. o ms, cunto es
el ingreso esperado por concepto de venta
de grava?
53

Varianza y desviacin estndar

de una v.a. continua
la v.a. continua
Si
tiene pdf dada por la
expresin , entonces la varianza de ,
denotada por o es:

La desviacin estndar (DE) de , denotada

por , es:

54

Ejemplo
La distribucin de la cantidad de grava (en
toneladas) vendida a una empresa en
particular proveedora de materiales para la
construccin, en una semana dada, es una
v.a. continua con pdf:

Cul es la desviacin estndar de cantidad

de grava vendida?
55

Distribuciones
Condicionadas
El concepto de probabilidad condicionada

fue introducido en el captulo 2. Si tenemos

dos eventos
y , con , entonces la
probabilidad de que ocurra condicionada a
que ya ocurri es:
En esta seccin extendemos este concepto,
al incluir las variables aleatorias.

Distribucin Acumulada
Condicionada
cdf condicionada se define como la
La
probabilidad condicionada , es decir:

Esta definicin es aplicable a cualquier

tipo de v.a.

57

Propiedades

58

Caso Discreto
pmf condicional de una v.a. discreta ,
La
condicionada a la ocurrencia de un
evento , con , viene definida por:

Note que los eventos y , son disjuntos para diferentes

valores de , y su unin es , y as.
Combinando las dos ltimas frmulas, podemos ver que,
con lo cual es una pmf legtima.

59

Valor esperado de una

v.a. discreta condicionada
El valor esperado de una v.a. discreta ,
condicionada a la ocurrencia de un evento ,
con , viene definida por:

Y para una funcin de la v.a. , su valor

esperado condicionado a la ocurrencia del
evento

60

Ejemplo

Un
estudiante va a rendir un examen
repetidamente, con un mximo de
intentos, en cada uno de los cuales tiene
una
probabilidad
de
aprobarlo,
independientemente
del
nmero
de
intentos previos. Cul es la pmf del
nmero de intentos, dado que el alumno
aprob la prueba?

61

Caso Continuo
pdf condicional de una v.a. continua ,
La
condicionada a la ocurrencia de un
evento , con , viene definida por:

Esta pdf la podemos usar para calcular

probabilidades condicionadas a los
eventos de la forma , ya que:

62

Valor esperado de una

v.a. continua condicionada
valor esperado de una v.a. continua ,
El
condicionada a la ocurrencia de un
evento , con , viene definida por:

Y para una funcin de la v.a. , su valor

esperado condicionado a la ocurrencia del
evento es:

63

Ejemplo
la Industria es habitual probar ciertos artculos
En
electrnicos hasta cierto instante de tiempo y as
medir su durabilidad (confiabilidad). Este tipo de
procedimiento
se
llama
procedimiento
de
censura.
Suponga que cierto componente electrnico se pone
a prueba en el instante (suponga que no presenta
falla instantnea) y se prueba su durabilidad hasta
las 2.000 horas (es decir, aunque el componente
siga funcionando se apaga de todas maneras).

64

Ejemplo (continuacin)
tiempo de vida
El
de estos componentes
(expresado en miles de horas) viene dado
por la siguiente pdf:

Encuentre la pdf de la duracin

componente en el procedimiento
censura.

del
de

65

Independencia

Diremos
que una v.a. , condicionada a la
ocurrencia de un evento , es
independiente del mismo si:

o bien

66

Variables Aleatorias Mezcladas

idea intuitiva de las v.a. mezcladas es la
La
siguiente. En una planta manufacturera, las
mquinas A, B y C producen piezas cuyas
longitudes
estn
distribuidas
respectivamente segn , y . Las mquinas
producen respectivamente el 20%, el 50%
y el 30% del total de unidades producidas.
Cmo se distribuye la longitud de una
pieza final producida, seleccionada al azar?

67

Definicin
son eventos disjuntos y exhaustivos con
Si
, , entonces la cdf de cualquier v.a. viene
dada por:

68

Definicin

As,
finalmente llegamos a la cdf de es:

Entonces, la pdf o pmf de la v.a. viene

dada por:

69

Ejemplo
viajero tiene tres alternativas de viaje a
Un
su trabajo: A, B y C y se sabe que usa estos
medios de transporte el 50%, 30% y 20%
del tiempo, respectivamente. El tiempo de
viaje de cada medio de transporte es una va
(en horas) con:

Encuentre la pdf del tiempo que demora un

cliente, seleccionado al azar, en llegar a su
trabajo.
70

Teorema de Bayes

Primeramente
recordemos que si
son
eventos disjuntos y exhaustivos con ,
entonces para cualquier otro evento B
tenemos:

Sea una v.a. y un evento, entonces:

71

Ejemplo
viajero tiene tres alternativas de viaje a su
Un
trabajo: A, B y C y se sabe que usa estos medios
de transporte el 50, 30 y 20% del tiempo,
respectivamente. El tiempo de viaje de cada medio
de transporte es una va (en horas) con:

Suponga que ha transcurrido media hora y an el

viajero no ha llegado a su trabajo. Cul es la
probabilidad de que llegue por el medio de
transporte A?
72

Ley de Esperanza Total

son eventos disjuntos y exhaustivos
Si
con , entonces el valor esperado cualquier
v.a. viene dada por:

Y para una funcin de la v.a. , su valor

esperado es:

73

Ejemplo
viajero tiene tres alternativas de viaje a su
Un
trabajo: A, B y C; y se sabe que usa estos medios
de transporte el 50, 30 y 20% del tiempo,
respectivamente. El tiempo de viaje de cada medio
de transporte es una va (en horas) con:

a) Cul es el tiempo medio de viaje para cada

medio de transporte?
b) Cul es el tiempo medio de viajes de un viaje
cualquiera?

74

Ejemplo

Un
constructor de casas necesita ordenar
materiales cuyo leadtime (tiempo de entrega) con
pdf:

Como la constructora puede arreglrselas sin ellos

durante dos das, el costo de la demora en la
entrega de material se fija en US$100 hasta dos
das, pero despus de ese tiempo se establece que
cada da de retraso tendr un costo adicional al fijo,
de US$20 prorrateados por da, es decir que si el
tiempo de espera es de 3,5 das, el costo de la
demora es de US$130.
75

Percentil de una v.a.

Para
cualquier v.a. , el -simo percentil se
define como, , tal que:

donde es una de las 100 particiones de 1,

es decir,
Nota: En el caso de que la v.a. sea continua,
en la definicin las desigualdades se
convierten en igualdades
76

Moda de una v.a.

Para
cualquier v.a. , la moda se define
aquel(los) valor(es) que maximiza(n) su pmf
(caso discreto) o bien que su pdf (caso
continuo), es decir:

Nota: En el caso de que la v.a. sea continua,

es muchas ocasiones es conveniente
maximizar ya que facilita los clculos.

77

Funciones de variables aleatorias

(Transformaciones)
muy usual en problemas de la realidad
Es
querer encontrar la distribucin de una
v.a. que es una funcin de una v.a. . Por
ejemplo, si conocemos la distribucin de
probabilidad del radio de ciertos aros
fabricados, y queremos conocer la
distribucin de probabilidad del rea de
esos aros, o bien la del permetro, etc.

78

Funciones de variables aleatorias

(caso discreto)

Supngase
que es una v.a. discreta con
distribucin de probabilidad Si define una
transformacin entre los valores de e de
tal forma que la ecuacin pueda
resolverse nicamente para en trminos
de , es decir (o bien que exista la funcin
inversa); entonces la pmf de viene dada
por:

79

Ejemplo

Sea
es una v.a. cuya pmf viene dada por:

Encuentre la pmf de la v.a. .

80

Ejemplo

Sea
una v.a. discreta con pmf:

Encuentre la pmf de la v.a. .

81

Funciones de variables aleatorias

(caso continuo)

Supngase
que es una v.a. continua con
distribucin de probabilidad . Si define
una transformacin entre los valores de e
de tal forma que la ecuacin pueda
resolverse nicamente para en trminos
de , es decir (o bien que exista la funcin
inversa); entonces la pdf de viene dada
por:

82

Funciones de variables aleatorias

(caso continuo)

Demostracin:
La cdf de viene dada por:

y bajo las condiciones anteriormente

descritas:

83

Ejemplo
es una v.a. cuya pdf viene dada por:
Sea

Encuentre la pdf de la v.a. .

84

Aplicaciones del Valor Esperado

rboles de decisin
A menudo, las personas deben tomar una
serie de decisiones en diferentes instantes
de tiempo. Un rbol de decisin permite a
la persona que toma las decisiones,
descomponer un gran problema de
decisin complejo en varios problemas
ms pequeos.

85

Definiciones

Decisin: Representa un instante de tiempo en el

cual una persona debe decidir entre un conjunto
de estrategias posibles. Cada rama de un rbol de
decisin representa una decisin, y stas se
simbolizarn con un cuadrado.
Estado: Es un suceso que puede ocurrir en un
instante de tiempo y que no depende de la
decisin tomada por la persona, slo depende de
fuerzas externas. Se simbolizarn con un
crculo.
Rama Terminal: Una rama de un rbol de
decisin es una rama terminal, si ningn estado
decisin emana o nace a partir de ella.
86

Notacin

Nodo Decisin

Nodo Estado
Rama Terminal
87

Procedimiento
1. Desarrolle el rbol de decisin, identificando en
cada rama el estado o la decisin correspondiente,
hasta llegar a cada una de las ramas terminales.
2. Una vez desarrollado el rbol, complete ste desde
las ramas terminales hasta el comienzo (de
derecha a izquierda), en cada estado calcule su
valor esperado (comnmente beneficio esperado o
costo esperado) y en cada decisin elija la rama
que tiene el mayor valor esperado (los costos
deben indicarse con signo negativo). Luego, se
deben tarjar las ramas seleccionadas.
3. La ruta tarjada ser la estrategia a seguir.
88

Ejemplo
Se est considerando filmar la historia de Don
Harnett. Se sabe que si la pelcula es un fracaso, se
perdern US$ 4.000.000, y si la pelcula es un xito,
se obtendrn US$ 15.000.000. De antemano, se
cree que hay una probabilidad de 10% que la
historia de Don Harnett sea un xito. Antes de
filmar, se tiene la opcin de pagar al clebre crtico
de cine Roger Alert US$ 1.000.000 por su punto de
vista acerca de la pelcula. En el pasado, Alert ha
predicho 60% de los xitos actuales como xitos y
90% de los fracasos actuales como fracasos. Se
quieren maximizar las ganancias esperadas. Utilice
un rbol de decisin para determinar la mejor
estrategia a seguir.
89

Ejemplo
La empresa Colaco, posee en la actualidad US$
150.000 en activos (dinero disponible para su
inversin) y quiere decidir si comercializa una nueva
bebida con sabor a chocolate, Chocola. Colaco tiene
tres opciones:
Opcin 1: Promocionar Chocola en el mercado
local, luego utilizar los resultados del estudio de
mercado para determinar si se comercializa
Chocola a nivel nacional.
Opcin 2: Comercializar Chocola de inmediato (sin
promocionar) a nivel nacional.
Opcin 3: Decidir de inmediato no comercializar
Chocola a nivel nacional.

90

Ejemplo (continuacin)
En ausencia de un estudio de mercado, Colaco cree que
Chocola tiene una probabilidad del 55% de ser un xito
nacional, y una probabilidad del 45% de ser un fracaso
nacional. Si Chocola es un xito nacional, los activos de
Colaco se incrementarn en US$ 300.000 y si Chocola es un
fracaso nacional, los activos disminuirn en US$ 100.000.
Si Colaco lleva acabo un estudio de mercado (a un costo de
US$ 30.000), hay una probabilidad del 60% de que el
estudio produzca resultados favorables (indicados como un
xito local) y una probabilidad del 40% de que el estudio
produzca resultados no favorables (mencionados como un
fracaso local). Si se observa un xito local, hay una
probabilidad del 85% de que Chocola sea un xito nacional.
Si se observa un fracaso local, hay slo una probabilidad del
10% de que Chocola sea un xito nacional. Si Colaco desea
91
maximizar su cantidad esperada de activos, qu estrategia

Ejemplo
La compaa Fruit Computer fabrica chips de
memoria en lotes de diez chips. Los chips
son fabricados en dos plantas, de las cuales
una tiene mejores antecedentes en cuanto a
la calidad de los chips que ah se fabrican. El
80% de los chips son fabricados en la planta
que posee mejores ndices de calidad. Por
experiencia, Fruit sabe que el 10% de los
lotes fabricados en la planta de alta calidad
son defectuosos. Por otra parte, el 50% de
los lotes fabricados en la planta de baja
calidad son defectuosos.
92

Ejemplo (continuacin)
Si se enva un lote bueno de chips (es decir, 10% de
chips defectuosos) al siguiente paso de produccin,
se incurren en costos de proceso por un valor de
US$ 1.000, y si se enva un lote malo (50% de chips
defectuosos), se incurre en costos equivalentes a
US$ 4.000. Fruit tambin tiene la opcin de
reprocesar un lote de chips, a un costo de US$
2.000. Con seguridad un lote reprocesado es bueno
(10% de chips defectuosos). Por otro lado, por un
costo de US$ 100, Fruit puede probar un chip de
cada lote en un intento por determinar si el lote es
defectuoso. Determine cmo Fruit Computer puede
minimizar el costo total esperado por lote.
93

Aplicaciones del Valor Esperado

Poltica ptima en Inventarios
La vendedora de peridicos Juanita Prez, vende sus
peridicos en la esquina de la Avenida Angamos con
Rebeca Matte. Todos los das ella debe determinar cuntos
peridicos debe pedir a la agencia, para su posible venta.
A Juanita Prez le cuesta $200 comprar cada peridico a la
agencia, los cuales ella vende en $250 c/u. Los peridicos
que no se venden, puede devolverlos al final del da a la
agencia y recuperar $100 por c/u de ellos.
Juanita sabe que cada da puede vender entre 6 y 10
peridicos (inclusive), y que la probabilidad de venta en
cada caso es 20%, 25%, 12,5%, 12,5% y 30%
respectivamente. Aydele a Juanita a determinar cuntos
peridicos debe comprar al inicio de cada da en la
agencia.
94

Poltica ptima en Inventarios

Por lo tanto, claramente a Juanita le

conviene comprar cada da slo 7
peridicos, con lo cual se espera que
obtenga una ganancia diaria de $320.
95

Ejemplo
Una
panadera vende pan batido a $800 el kg. Esta
panadera ha estimado que el costo de fabricar un kg. de
pan batido es de $600 el kg. Si queda pan batido al final
del da, para no perderlo, la panadera lo remata a $550
el kg a unas personas que siempre se llevan todo lo que
queda. Por otra parte, la panadera ha estimado, que la
demanda es aleatoria, cuya funcin de densidad es:
a) Determine la cantidad ptima de pan que debe
producir diariamente esta panadera.
b) Cunto pan es de esperar que quede al final de un
da cualquiera?
c) Cunta demanda insatisfecha (en kg.) es de esperar
que ocurra en un da cualquiera?
96