INDICE

2.1 PROPIEDADES...........................................................................................................5
b) De acuerdo con el enunciado, para un tiempo de reparacin dado, el costo de
reparacin se obtendr a partir del n!mero total de "racciones de media #ora $ el
con%unto de minutos restantes, in"eriores a &'. ()odos, este ultimo inclusi*e, se
cobran a 2''' pesetas). )eniendo esto en cuenta, se obser*a +ue una reparacin
costara ,''' pesetas siempre +ue su duracin sea superior a &' minutos e
in"erior o i-ual a .' minutos ($ as/ cada "raccin de la se-unda media #ora se
cobrar como una media #ora entera)...........................................................................0
2.El tiempo de vuelo de un avin que viaja de Chicago a Nueva York.............................25
Aplicacin de la distribucin uni"orme........................................................................2.
1) LA DISTRIBUCIN EXPONENCIAL
La distribucin exponencial estudia el tiempo entre cada una de estas llegadas.
Si las llegadas son de Poisson, el tiempo entre ellas es exponencial. Mientras
que la distribucin de Poisson es discreta, la distribucin exponencial es
continua, porque el tiempo entre llegadas no tiene por qu ser un nmero entero.
Esta distribucin se utiliza mucho para describir el tiempo entre eentos, m!s
espec"#icamente, la ariable aleatoria que representa el tiempo necesario para
serir a la llegada.
E$emplos t"picos de esta situacin son el tiempo que un mdico dedica a una
exploracin, el tiempo de serir una medicina en una #armacia, o el tiempo de
atender a una urgencia
El uso de la distribucin exponencial supone que los tiempos de sericio son
aleatorios, es decir, que un tiempo de sericio determinado no depende de otro
sericio realizado anteriormente, ni de la posible cola que pueda estar
#orm!ndose. %tra caracter"stica de este tipo de distribuciones es que no tienen
&edad&, o en otras palabras, 'memoria(. Por e$emplo, supongamos que el tiempo
de atencin de un paciente en una sala quirrgica sigue una distribucin
exponencial. Si el paciente )a llea * horas siendo operada, la probabilidad de
que est una hora m!s es la misma que si hubiera estado + horas, o ,- horas o
las que sean. Esto es debido a que la distribucin exponencial supone que los
tiempos de sericio tienen una gran ariabilidad. . lo me$or el prximo paciente
operado tarda , hora porque su cirug"a era mucho m!s simple que la del
anterior.
La #uncin de densidad de la distribucin exponencial es la siguiente/
En donde t representa el tiempo de sericio ) p la tasa media de sericio
0pacientes seridos por unidad de tiempo1. La densidad exponencial se presenta
en 2igura 3.4. En general nos interesar! encontrar P (T < t), la probabilidad de que
el tiempo de sericio 5 sea in#erior o igual a un alor espec"#ico t. Este alor es
igual al !rea por deba$o de la #uncin de densidad.
Las caracter"sticas operatias de los sistemas de colas est!n determinadas en
gran parte por dos propiedades estad"sticas/
6istribucin de los tiempos entre llegadas
6istribucin de los tiempos de sericio
Para #ormular un modelo de teor"a de colas como una representacin del sistema
real, es necesario especi#icar la #orma supuesta de cada una de estas
distribuciones.
Su#icientemente realista.7 8ue son las predicciones razonables.
Su#icientemente sencilla.7 8ue es matem!ticamente mane$able
9 ambas se dirigen hacia un mismo punto, la distribucin exponencial.
.lgunos e$emplos de esto son/
El tiempo que tarda una part"cula radiactia en desintegrarse. El conocimiento de
la le) que sigue este eento se utiliza en :iencia para, por e$emplo, la datacin
de #siles o cualquier materia org!nica mediante la tcnica del carbono
,4, C,4; El tiempo que puede transcurrir en un sericio de urgencias, para la
llegada de un paciente.
En un proceso de Poisson donde se repite sucesiamente un experimento a
interalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos
sucesos consecutios sigue un modelo probabil"stico exponencial. Por e$emplo,
el tiempo que transcurre entre que su#rimos dos eces una herida importante.
El tiempo que transcurre entre dos llegadas sucesias en el sistema de colas se
llama tiempo entre llegadas, el tiempo entre llegadas tiende a ser mu) ariable.
El nmero esperado de llegadas por unidad de tiempo se llama tasa media de
llegadas 0<1.
El tiempo esperado entre llegadas es ,= <
Por e$emplo, si la tasa media de llegadas es <
+- clientes por hora, entonces el tiempo esperado entre llegadas es ,= <
,=+- > -.-* horas o ? minutos.
.dem!s es necesario estimar la distribucin de probabilidad de los tiempos entre
llegadas. @eneralmente se supone una distribucin exponencial, ) esto depende
del comportamiento de las llegadas.
La #orma algebraica de la distribucin exponencial es/
P 0tiempo de sericio A t1 >,7 eB07Ct1
6onde t representa una cantidad expresada en de tiempo unidades de tiempo
0horas, minutos, etc.1
@ra#ica.
La distribucin exponencial deuele la probabilidad de una ariable aleatoria
continua siguiendo una distribucin exponencial. Se usa para la planeacin del
tiempo entre dos sucesos.
Esta distribucin se puede usar en diersos casos tales como/ el tiempo que
tardara una m!quina de ca$ero autom!tico en entregar e#ectio. Esta #uncin
puede usarse para determinar la probabilidad de que el proceso tarde como
m!ximo un minuto.
La de#inicin matem!tica #ormal es/
Dna ariable aleatoria continua E tiene distribucin exponencial su densidad de
probabilidad est! dada por/
-.,?F44Problemas propuestos al programa.,.7 El personal de la compaG"a %nda
S.L. usa una 5erminal para realizar sus pedidos internacionales. Si el tiempo que
cada comercial gasta en una sesin en la 5erminal tiene una distribucin
exponencial con media de ?H minutos, encontrar/La probabilidad de que un
comercial utilice la 5erminal ?- minutos o menos.S%LD:IJK/
,=L >?H L >,=?H ) la #uncin de densidad es #0x1> ,=?H M e7,=?HMx x N -
O-, es el par!metro para este modelo.
P0E A ?-1 > > -.*H*
+.7 El tiempo de reparacin de unas m!quinas de escribir tiene una distribucin
aproximadamente exponencial, con media de ++ minutos.
2.1 PROPIEDADES
Su esperanza es P.
Su arianza es P
+
.
Dna propiedad importante es la denominada carencia de memoria, que podemos
de#inir as"/ si la ariable X mide el tiempo de ida ) sigue una distribucin
Exponencial, signi#icar! que la probabilidad de que siga con ida dentro de +-
aGos es la misma para un indiiduo que a #echa de ho) tiene +* aGos que para
otro que tenga H- aGos.
:uando el nmero de sucesos por unidad de tiempo sigue una distribucin de
Poisson de par!metro < 0proceso de Poisson1, el tiempo entre dos sucesos
consecutios sigue una distribucin Exponencial de par!metro P > ,=<.
El tiempo de reparacin de unas m!quinas de escribir tiene una distribucin
aproximadamente exponencial, con media de ++ minutos.a1 Qallar la probabilidad
de que el tiempo de reparacin sea menor que diez minutos.b1 El costo de
reparacin es de +--- pts por cada media hora o #raccin. R:u!l es la
probabilidad de que una reparacin cueste 4--- ptsS
b1 6e acuerdo con el enunciado, para un tiempo de reparacin dado, el costo de
reparacin se obtendr! a partir del nmero total de #racciones de media hora ) el
con$unto de minutos restantes, in#eriores a ?-. 05odos, este ltimo inclusie, se
cobran a +--- pesetas1. 5eniendo esto en cuenta, se obsera que una
reparacin costara 4--- pesetas siempre que su duracin sea superior a ?-
minutos e in#erior o igual a H- minutos 0) as" cada #raccin de la segunda media
hora se cobrar! como una media hora entera1. .s"/
El tiempo de reparacin de unas m!quinas de escribir tiene una distribucin
aproximadamente exponencial, con media de ++ minutos. .1 Qallar la
probabilidad de que el tiempo de reparacin sea menor que diez minutos1 El
costo de reparacin es de +--- pts. Por cada media hora o #raccin. R:u!l es la
probabilidad de que una reparacin cueste 4--- ptsS
b1 6e acuer do con el enunci ado, par a un t i empo de r epar aci n
dado, el cost o de r epar aci n se obt endr ! a par t i r del nmer o
t ot al de # r acci ones de medi a hor a ) el con$ unt o de mi nut os
r est ant es, i n# er i or es a ?-. 0 5odos, est e ul t i mo i ncl usi e, se
cobr an a +--- peset as1 . 5eni endo est o en cuent a, se obser a
que una r epar aci n cost ar a 4--- peset as si empr e que su
dur aci n sea super i or a ?- mi nut os e i n# er i or o i gual a H-
mi nut os 0 ) as" cada # r acci n de l a segunda medi a hor a se
cobr ar ! como una medi a hor a ent er a1 .
Si por e$emplo, queremos saber cu!l es la probabilidad de que el tiempo de
sericio sea de + o menos horas cuando el tiempo medio es de ? horas 0una tasa
de sericio de ,=?1, podemos aplicar la #rmula siguiente
En este caso, P (T< 2) > -.43H, casi un *-T de probabilidad.
2) DISTRIBUCION NORMAL
Es #recuente que, trat!ndose de temas relacionados con la ealuacin del
aprendiza$e, se haga re#erencia al modelo normal de distribucin de
cali#icaciones asoci!ndolo de un modo indisoluble al tipo de ealuacin conocido
como Upor normaV ) apart!ndolo, tambin de un modo ta$ante ) de#initio, del tipo
de ealuacin conocido como Upor criteriosV. Se suele decir, tambin, que la
ealuacin Upor normaV corresponde a un tipo tradicional de ealuacin, mientras
que la ealuacin Upor criteriosV corresponde a un punto de ista actualizado.
M!s an, suele a#irmarse que no ser"a lgico que la distribucin de las
cali#icaciones pudiese corresponder a un modelo probabil"stico tras un per"odo
dedicado a la enseGanza7aprendiza$e; supuestamente, el azar no tendr"a cabida
cuando ha existido un es#uerzo sistem!tico 0no aleatorio1 por me$orar los nieles
del conocimiento. En cambio, s" podr"a tener cabida antes de que ese es#uerzo
se hubiese realizado. .lgunos libros dedicados a los temas generales de
ealuacin educacional 0que, naturalmente, no pro#undizan en los #undamentos
tericos sub)acentes en algunos de sus procedimientos1 han contribuido a
di#undir los puntos de ista que hemos seGalado.
Entendidas las cosas de esa manera, el modelo normal slo ser"a aplicable en
aquellos casos en que las cali#icaciones deben responder a la necesidad de
ordenar a un determinado grupo de indiiduos Ude me$or a peorV, para elegir de
entre ellos a Ulos me$oresV, sin que en esta eleccin exista re#erencia alguna a
determinados ob$etios de aprendiza$e preiamente seGalados como metas que
deber"an estar cumplidas. Ko ser"a aplicable, en cambio, en aquellos otros casos
en que las cali#icaciones deben re#le$ar el grado de concordancia entre el
rendimiento de cada indiiduo ) los ob$etios preistos que ste debe alcanzar,
independientemente de lo que ocurra con el resto de los indiiduos cali#icados.
Las puntualizaciones anteriores describen #ormas de posicionamiento que est!n
bastante di#undidas entre ealuadores del aprendiza$e ) que en una primera
aproximacin parecen razonables. Sin embargo, el entender estos asuntos de un
modo tan simple es peligroso ) puede llear a los usuarios que no son
especialistas en ealuacin a caer en gruesos errores.
En este traba$o intentamos adentrarnos en una me$or comprensin del tema.
Procuraremos aclarar, hasta donde las di#icultades tericas lo permitan, las
zonas m!s oscuras de toda esta situacin, comenzando por explicar cu!l es el
uso general del modelo probabil"stico normal; eremos, a continuacin, en qu
circunstancias ste es aplicable a la ealuacin educacional ), #inalmente,
examinaremos sus posibles relaciones con los tipos de ealuacin Upor criteriosV
) Upor normaV.
2.1 USO DE LA DISTRIBUCION NORMAL
El 5eorema :entral del L"mite 0que hace re#erencia expl"cita al modelo normal1
es, quiz!s, el resultado m!s importante de toda la teor"a estad"stica desarrollada
hasta ahora. 6escubierto por 6e Moire en ,F?? ) estudiado posteriormente por
Laplace ) @auss, su #orma de#initia slo #ue alcanzada a comienzos del
presente siglo 0Wendall ,X3-1. .unque su importancia terica es mu) grande, su
inters radica tambin en la enorme cantidad de aplicaciones pr!cticas que su
generalidad permite. Son, precisamente, estas aplicaciones las que han
contribuido a UpopularizarV el modelo normal hasta hacer que su conocimiento
sea uniersal entre los usuarios de la estad"stica. 5anto es as" que el trmino
UnormalV ha llegado a entenderse 0equiocadamente, en el contexto de la teor"a
estad"stica1 como sinnimo de UnaturalV o UacostumbradoV. Es cierto que ste
puede ser el modelo habitual o adecuado en muchas circunstancias, pero
tambin es cierto que no lo es, en muchas otras. Por ello, antes de querer
aplicarlo o de$arlo de lado a priori, ser"a necesario eri#icar si las circunstancias
de su correcta aplicacin, en cada caso, est!n dadas o no lo est!n.
Enunciaremos este teorema del modo m!s simple que podamos, pero antes,
para una me$or comprensin del mismo, daremos explicaciones brees de lo que
es el modelo normal ) del signi#icado de algunos de los trminos tcnicos que
0ineitablemente1 tendremos que utilizar en el enunciado.
Dna ariable es una caracter"stica obserable en cada uno de los elementos que
con#orman una poblacin en estudio, cu)a #orma natural de expresin es un
nmero 0el trmino UariableV se suele usar con un signi#icado m!s amplio, que
abarca caracter"sticas no numricas, tales como/ estado ciil, nacionalidad, sexo,
etc.; sin embargo, en este contexto slo usaremos el sentido m!s restrictio que
aqu" se seGala1. @eneralmente, el alor de una ariable proiene de una
medicin hecha en el elemento obserado. Por su parte, el trmino UaleatorioV
signi#ica Udependiente del azarV; sin embargo, en el contexto estad"stico, tambin
se entiende como UaleatorioV el e#ecto resultante de una o m!s ariables no
controladas, sean stas conocidas o desconocidas, aun cuando nada tengan que
er con el azar. Lo esencial en el concepto de UaleatorioV es que, en un caso
particular cualquiera, el nmero resultante de la obseracin sea impredecible.
.s" pues, una ariable aleatoria es una caracter"stica que se expresa mediante
un nmero cu)o alor, en un caso particular dado, es impredecible 0aun cuando
se sepa que dicho alor debe permanecer dentro de ciertos l"mites
preestablecidos1.
Por e$emplo, cuando tomamos una prueba escrita en un curso, no sabemos de
antemano cu!l podr! ser exactamente la nota promedio de esa prueba, aunque
s" sabemos que tendr! que ser un nmero comprendido entre , ) F. %biamente,
el niel de los conocimientos alcanzados por los alumnos durante su preparacin
para la prueba ser! determinante en los resultados ) su conocimiento nos
permitir! predecir Um!s o menosV lo que podr"a ocurrir con las notas, pero la
certeza absoluta se nos escurrir! de las manos ante la in#luencia ineitable de
otras ariables que podr"an escapar a nuestro control, tales como/ alidez )
con#iabilidad del instrumento utilizado, eleccin de los "temes espec"#icos
considerados ) no considerados en l; estado circunstancial de/ salud, capacidad
de concentracin, motiacin particular de cada alumno, etc. Esa nota promedio
es, pues, una ariable aleatoria; tambin lo son las notas particulares de cada
uno de los alumnos.
Si quisiramos ir un poco m!s le$os, podr"amos a#irmar que el resultado de
cualquier medicin 0de cualquier "ndole1 que no se pueda lograr con absoluta
exactitud 0) esto ocurre en la ma)or"a de los casos1, es una ariable aleatoria.
Dna distribucin probabil"stica o modelo probabil"stico es una proposicin
concreta ) anticipada del comportamiento de una ariable aleatoria, en trminos
de su posible distribucin. En el e$emplo que hemos considerado, ) suponiendo
que nuestro curso tiene 4- alumnos, podr"amos basarnos en nuestra experiencia
docente ) predecir una distribucin de notas como la siguiente/

5abla ,

Kotas 2rec. T
,.-7
+.4X
, -+.*-
+.*7
?.XX
H ,*.--
4.--7
*.4X
+, *+.*-
*.*7
F.--
,+ ?-.--

Mientras la tabla ad)acente sea
una prediccin de lo que
eentualmente podr"a ocurrir en
el #uturo ) no una descripcin de
lo que )a ocurri, ella constitu)e
un modelo probabil"stico para la
ariable aleatoria descrita.
4- ,--.--

Katuralmente, lo que e#ectiamente resulte una ez tomada la prueba podr"a ser
di#erente de lo que indica el modelo anterior. 6e ser as", ) en la medida que esas
di#erencias sean importantes, ello signi#ica que nuestra prediccin ha sido
equiocada. :ontrariamente a esto, un buen modelo probabil"stico se debe
caracterizar por su capacidad para predecir lo que se puede esperar que resulte
UregularmenteV cada ez que ocurra el #enmeno que el modelo representa, con
aproximacin su#iciente para satis#acer cualquier #inalidad pr!ctica. .l decir
UregularmenteV queremos signi#icar que mu) rara ez un modelo probabil"stico,
por mu) bueno que sea, describe exactamente lo que ocurre en cada
oportunidad particular en que el #enmeno sucede 0eidentemente, si una
ariable se comportara siempre de un modo predecible, ella no ser"a aleatoria1.
Sin embargo, las discrepancias que se den entre un buen modelo probabil"stico )
las realizaciones del #enmeno que l representa, nunca deber"an ser demasiado
grandes ni, menos an, sistem!ticas.
Es mediante el uso de buenos modelos probabil"sticos que, por e$emplo, un
casino o una compaG"a de seguros pueden plani#icar con su#iciente aproximacin
sus ingresos ) gastos a largo plazo aun cuando, quiz!s, no puedan hacerlo d"a a
d"a.
:on un modelo probabil"stico como el que se muestra en la tabla siguiente, que
est! re#erido al nmero de incendios en instalaciones industriales que se
producen semanalmente en una determinada ciudad, una compaG"a de seguros
podr"a plani#icar sus #inanzas a 0por e$emplo1 un aGo plazo. En este e$emplo, la
ariable aleatoria es el nmero de incendios producidos en una semana. Esta
ariable se ha denotado con la letra E.

5abla
+

x > KY de
incendios que
ocurren en una
semana
-

,

+

?

4

*

H o
m!s
n0E1 > KY de sem.
en que
ocurren E
incendios ,+ ,F ,? F + , -
Dn modelo como este 0suponiendo que sea el adecuado1 permite saber
anticipadamente, por e$emplo, que en un aGo se producir!n aproximadamente FF
siniestros. % saber que en una semana UregularV cabr"a esperar que ocurran uno
o dos incendios de este tipo, )a que el promedio semanal, calculado de la tabla
anterior, es igual a ,.43.
In#ormaciones como las anteriores u otras de igual alor pr!ctico que tambin
son deducibles del mismo modelo probabil"stico, son per#ectamente utilizables
con #ines de preisin ) plani#icacin, dada su alta regularidad a largo plazo, aun
cuando ellas no constitu)an erdades absolutas e irreocables, menos aun
trat!ndose de lo que pueda ocurrir 0o no ocurrir1 en un caso particular dado. 6el
mismo modo, el director de un establecimiento educacional 0que siempre
plani#ica su traba$o ) que usa buenos modelos probabil"sticos para tomar sus
decisiones1 puede saber anticipadamente, por e$emplo, el nmero de alumnos
que ser!n reprobados en cada una de las asignaturas de los distintos nieles de
estudio, aun cuando no sepa exactamente qu alumnos ser!n sos; tambin
sabr! el nmero de horas de clase perdidas por di#erentes motios, la cantidad
de alumnos que alcanzar!n nieles de excelencia, el gasto originado por el uso
de gimnasios ) laboratorios, etc.
El alor esperado de una ariable aleatoria 0que sigue un modelo probabil"stico
determinado1 es el promedio que esta ariable toma dentro del modelo. Por
e$emplo, en el caso de los incendios, di$imos que el promedio es ,.43. Es decir,
el alor esperado del nmero semanal de incendios es ,.43. En el e$emplo de la
distribucin de notas, se puede comprobar, haciendo los c!lculos respectios,
que el alor esperado de las notas es 4.3F*. Ko ha) que olidar, sin embargo,
que una ez que la prueba ha)a sido e#ectiamente tomada ) ealuada, el
promedio real de las notas casi seguramente ser! algo di#erente del alor
esperado del modelo.
Si la ariable aleatoria se denota por E, entonces su alor esperado se denota
por E0E1. Puesto que la existencia de un modelo probabil"stico es independiente
) anterior a cualquier obseracin real de la ariable 0E1 inolucrada, se puede
decir que E0E1 es el promedio a priori de dicha ariable, supuesto un gran
nmero de obseraciones.
.s" como en un modelo dado es posible calcular el promedio 0a priori1 de la
ariable pertinente 0x1, tambin es posible calcular a priori, en relacin con la
misma ariable, cualquier otro de los estad"gra#os conocidos, tales como la
mediana, la moda, la desiacin est!ndar, etc. En particular, llamaremos
arianza esperada a la arianza calculada a partir de la distribucin dada por el
modelo ) la denotaremos por Z0E1. En los e$emplos dados es posible calcular
que la arianza esperada de las notas es ,.?XF ) la arianza esperada del
nmero semanal de incendios es ,.44+. 0[ecordemos que la arianza se calcula
como el cuadrado de la desiacin est!ndar ) que es una medida de la
dispersin de los alores que toma la ariable1.
.hora estamos en condiciones de recordar breemente qu es el modelo normal.
En la Ilustracin KY , podemos er un dibu$o que representa a nuestra conocida
UcampanaV.
Su #orma simtrica, con una parte central 0donde se acumula la ma)or"a de las
obseraciones posibles1 ) dos largas UcolasV en descenso perpetuo 0all" se
arrinconan, por uno ) otro lado, los casos m!s excepcionales1, son algunos de
sus rasgos m!s notorios.
La cura, de #orma tan caracter"stica, representa una distribucin de
probabilidades, es decir, un modelo que permite explicar el comportamiento de
numerosas ariables aleatorias. Este modelo tiene dos par!metros 0que son
nmeros #i$os que determinan completamente al modelo1/ uno de posicin, que
marca el lugar central de la cura ) corresponde al alor esperado 0que puede
ser cualquier nmero1, ) otro de dispersin, que determina tanto el UanchoV como
el UaltoV de la cura ) corresponde a la arianza esperada 0que slo puede tomar
alores positios1. 6i#erentes combinaciones de estos dos par!metros posibilitan
la existencia de in#initas curas normales que di#ieren entre s" en cuanto a su
posicin, a su #orma, o a ambos aspectos 0er la Ilustracin KY +1. .unque en
todos los casos ambas colas de la cura son in#initamente largas, la gran
ma)or"a de las obseraciones se encontrar!n alrededor del alor esperado, a
una distancia no ma)or que tres desiaciones est!ndar. Si E es una ariable
aleatoria normal tal que E0E1 > - ) 0x1 > ,, entonces decimos que ella es una
ariable normal est!ndar. Esta distribucin es nica 0como cualquiera que tenga
#i$os sus par!metros1 ) se puede encontrar tabulada en cualquier libro de
estad"stica.
2inalmente, diremos que dos o m!s ariables aleatorias son independientes si
ninguna de ellas puede explicar o ser explicada por una 0o m!s1 de las otras,
ba$o ninguna circunstancia. .unque en la pr!ctica sta es una condicin di#"cil de
establecer #ehacientemente, lo usual, sin embargo, es suponer tal independencia
cada ez que ello parezca su#icientemente aceptable por el sentido comn. Por
e$emplo, si tomamos una ez m!s los e$emplos que hemos utilizado, podemos
suponer que el resultado de nuestra prueba es independiente del nmero
semanal de incendios que se declaren en la ciudad. Kadie podr"a probar si esas
ariables son realmente independientes, pero hasta que no sea hallada la
relacin entre ambas bien podemos suponer que s" lo son.
:onsideremos otro e$emplo/ si lanzamos arias eces un dado bien equilibrado,
no nos ser! posible predecir el nmero que resulte en cada lanzamiento, aun
cuando conozcamos todos los nmeros obtenidos en lanzamientos anteriores. Si
e#ectiamente es as", diremos que estos resultados son independientes unos de
otros ) que constitu)en, por lo tanto, un con$unto de ariables aleatorias
independientes.
. partir de las explicaciones anteriores, estamos en condiciones de dar un
enunciado del 5eorema :entral del L"mite/
5eorema central del l"mite. Si se tiene un con$unto numeroso de ariables
aleatorias independientes, digamos/ E,, E+, E?,\ En, entonces la suma de todas
ellas es una ariable aleatoria, S, que sigue una distribucin aproximadamente
normal, cu)o alor esperado ) cu)a arianza son, respectiamente/

E0S1 > E0E,1 ] E0E+1 ] E0E?1 ]... ] E 0En1
Z0S1 > 0E,1 ] 0E+1 ] 0E?1 ]... ] Z 0En1

La aproximacin al modelo normal es tanto me$or cuanto m!s numeroso sea el
con$unto de ariables sumadas. El teorema se llama Udel l"miteV porque si el
nmero de ariables sumadas #uese in#inito, entonces el modelo resultante ser"a
exactamente normal.
Ko obstante lo anterior, para cualquier #inalidad pr!ctica, la aproximacin al
modelo normal es bastante buena a partir, m!s o menos, de 4- sumandos 0esto
depende de cada caso particular1. Por el contrario, dicha aproximacin es tanto
peor cuanto menor sea el nmero de ariables que se sumen 0excepto si esas
ariables sumadas son, cada una de ellas, normales1. Por e$emplo, si lanzamos *
dados 0independientes1 ) sumamos los nmeros obtenidos, la ariable resultante
no es una ariable aleatoria normal. Pero si lanzamos *- dados ) sumamos los
nmeros obtenidos, la ariable aleatoria resultante s" quedar"a explicada por un
modelo normal, con un alor esperado ) una arianza esperada per#ectamente
calculables. Es decir, el comportamiento probabil"stico de esta ariable 0la suma
de los nmeros obtenidos en *- lanzamientos de un dado1 ser"a su#icientemente
conocido ) mane$able por medio del modelo normal correspondiente.
El principal mrito ) utilidad de este teorema radica en el hecho de que no hace
ningn supuesto sobre las ariables sumadas, aparte de que deban ser
independientes ) deban tener, cada una de ellas, un alor esperado ) una
arianza que sean sumables con todos los dem!s alores esperados )
arianzas. Las ariables inolucradas pueden ser de las m!s diersas "ndoles/
grandes o pequeGas, discretas o continuas, conocidas o desconocidas,
parecidas entre s" o por completo di#erentes, etc. 5odo esto hace que el 5eorema
:entral del L"mite sea una herramienta sumamente poderosa, )a que Upermite
pronosticar el comportamiento de cualquier ariable aleatoria cada ez que sta
pueda ser concebida como una suma de muchas otras ariables aleatorias
independientesV. Si se piensa en ello cuidadosamente, se er! que esta situacin
es m!s #recuente de lo que parece ser a primera ista. El e$emplo que sigue
puede a)udarnos a comprender me$or los alcances de este #amoso ) poderoso
teorema.
En una ciudad, los consumos de electricidad de los clientes de la :ompaG"a
Elctrica local son ariables aleatorias. 5enemos as" muchas ariables aleatorias
cu)o comportamiento puede ser preisible, o no, para cada cliente en particular;
en realidad, no estamos en condiciones de decir qu modelos podr"an seguir
estas ariables 0si es que tales modelos existen1. Pero suponiendo que las
cuentas de electricidad son muchas ) que, adem!s, todas ellas son
independientes entre s", podemos asegurar que el total de electricidad que la
:ompaG"a debe suministrar a sus clientes 0o sea, la suma de todos los
consumos indiiduales1 es, indudablemente, una ariable aleatoria que sigue un
modelo normal.
2.2 APLICACIONES A LA EVALUACION EDUCACIONAL
6igamos, una ez m!s, que la a#irmacin #undamental contenida en el 5eorema
:entral del L"mite es que si sumamos muchas ariables aleatorias
independientes, el resultado de esa adicin debe ser una ariable aleatoria
normal, sin importar cmo ha)an podido originarse o qu signi#iquen las
di#erentes ariables sumadas. Ko obstante esta gran generalidad, que la teor"a
aala plenamente, lo usual en las aplicaciones 0en especial las educacionales1 es
que la suma se obtenga a partir de una misma ariable que es medida arias
eces en #orma independiente. 6ebe entenderse que es la suma 0) no cada una
de las ariables sumadas1 la nica ariable que el teorema identi#ica como
normal.
.s", por e$emplo, si en nuestro curso de 4- alumnos pudisemos suponer que las
notas obtenidas en una prueba son independientes unas de otras, de modo tal
que la nota obtenida por un alumno no tenga relacin alguna con la nota
obtenida por otro alumno cualquiera, entonces la suma de todas esas notas ser!
una ariable aleatoria normal. :omo consecuencia de esto, el promedio de esas
notas 0que es la suma de ellas diidida por 4-1 ser! tambin una ariable
aleatoria normal.
Kotemos que en este e$emplo no estamos haciendo ninguna re#erencia a que la
prueba se pueda tomar a comienzos o a #ines del aGo; no sabemos si se trata de
un pretest o se trata del examen #inal del curso. Los gr!#icos de la Ilustracin KY +
podr"an corresponder a modelos aptos para representar la distribucin del
promedio de notas en un pretest ) en un examen #inal, respectiamente. En el
primer caso se ha preisto 0como e$emplo1 un alor esperado igual a ,.F*, con
desiacin est!ndar esperada igual a -.+*; en el otro, un alor esperado igual a
*.*, con desiacin est!ndar esperada igual a -.*-. Ktese que no se hace
ninguna re#erencia a la #orma de ealuacin utilizada/ no sabemos si esas notas
proendr!n de interrogaciones escritas u orales, si de pruebas de seleccin
mltiple o de ensa)o, si de traba$os de inestigacin, disertaciones, pasos
pr!cticos, etc. Es posible suponer que se den simult!neamente cualesquiera de
esas alternatias, ) tambin suponer que esas notas corresponden a
ealuaciones Upor criteriosV, sin que nada de ello pueda anular el hecho de que
stas son distribuciones normales.
En el e$emplo que hemos dado nos re#erimos al promedio de notas en un curso
del que hemos supuesto dos premisas/ que el curso es numeroso 0de 4-
alumnos1 ) que las 04-1 notas son todas independientes entre s". Esas son las
condiciones, establecidas en el 5eorema :entral del L"mite, que nos aseguran
que ese promedio debe ser una ariable aleatoria normal, sea cual sea la #orma
de obtencin de cada una de las notas en particular ) sea cual sea el destino o
interpretacin que esas notas tengan.
Zeamos ahora otro e$emplo. :onsideremos como ariable aleatoria la 0nica1
nota que un solo alumno puede obtener en una prueba determinada.
Supongamos que sta es una prueba de seleccin mltiple, en la que el alumno
suma punta$e a su #aor por cada respuesta correcta ) disminu)e punta$e por
cada error. Dna ez m!s pensemos en dos premisas/ que el nmero de
preguntas de la prueba es bastante grande 0por e$emplo, H-1 ) que el acierto o
#racaso en cualquiera de las preguntas no in#lu)e en el acierto o #racaso en
cualquier otra. . partir de esas premisas, que son las del 5eorema :entral del
L"mite, debemos concluir que el punta$e #inal acumulado por el alumno en la
prueba 0), en consecuencia, su nota #inal1 debe ser una ariable aleatoria normal.
9 nueamente podemos obserar que es irreleante si esa nota corresponde, o
no, a criterios de logro preestablecidos ) tambin es irreleante que la nota se
use para seleccionar personas, o para eliminarlas, o para cualquier otra #inalidad.



2.3 EL MODELO NORMAL Y LA EVALUACION POR CRITERIOS
6e acuerdo con los e$emplos que hemos desarrollado, )a deber"a estar claro
para el lector que el hecho de que ealuemos Upor criteriosV, es decir, #i$ando
claramente los est!ndares de rendimiento preestablecidos para asignar las notas
correspondientes, no es en absoluto un motio para descartar de antemano la
posibilidad de que tales notas, o sus promedios, puedan tener una distribucin
normal. M!s an, si se dan exactamente las condiciones que establece el
5eorema :entral del L"mite, tales ariables ser!n ineitablemente normales.
Ko obstante lo anterior, tambin debemos tener claro que el 5eorema :entral del
L"mite slo nos proee de un modelo aproximado para explicar el
comportamiento de las ariables que nos interesen 0) esto es as" tanto si
ealuamos Upor criteriosV como si lo hacemos de otro modo1. Es, pues,
per#ectamente posible concebir otros modelos, di#erentes del normal, que
tambin o#rezcan la posibilidad de darnos buenas descripciones 0tambin
aproximadas, como con cualquier modelo terico1 del comportamiento de
nuestras ariables. Ellos pueden ser usados alternatiamente, sobre todo en
aquellos casos en que las re#eridas condiciones del 5eorema :entral del L"mite
no se den o parezcan dudosas. En relacin con este punto, se ha propuesto
02ern!ndez ,X3F1 un modelo probabil"stico, llamado Modelo Edumtrico,
especialmente concebido para ser aplicado a distribuciones de notas en un
contexto de ealuaciones Upor criteriosV. . modo de e$emplo, en la Ilustracin KY
? se puede er una distribucin edumtrica de notas cu)o alor esperado es *.*
) cu)a desiacin est!ndar es -.X- 0en escala de , a F1. En l"nea de puntos m!s
suaes se insina la distribucin normal con igual alor esperado e igual
desiacin est!ndar. %bsrese que una parte de la cola derecha de la cura
normal queda #uera del cuadro, es decir, se sale del rango de las notas, lo que es
ciertamente no deseable, )a que el modelo supone la existencia de notas all"
donde no las puede haber.
En s"ntesis, diremos que cuando se eala Upor criteriosV la distribucin de notas
puede ser conenientemente explicada mediante un modelo normal o no serlo,
dependiendo esto de que se den, o no, las condiciones del 5eorema :entral del
L"mite. Si no se dan estas condiciones, el modelo adecuado podr"a ser algn otro
di#erente del normal, por e$emplo el modelo edumtrico.
2.4 EL MODELO NORMAL Y LA EVALUACION POR NORMA
:omo sabemos, la caracter"stica esencial de la ealuacin por norma consiste en
relatiizar la escala de cali#icaciones, a$ust!ndola conenientemente de acuerdo
con los resultados obtenidos por un grupo 0relatiamente numeroso1 de alumnos
sometidos a una misma prueba. En este contexto no interesa tanto que los
alumnos ealuados demuestren dominio de ciertos ob$etios predeterminados,
sino que interesa hacer una seleccin de los alumnos que, en relacin con el
grupo ealuado, demuestren ser los me$ores.
:omo es obio, lo m!s simple para el propsito anterior es ordenar todos los
punta$es obtenidos, de ma)or a menor o iceersa, ) hacer un corte en el lugar
que conenga a los propsitos de la seleccin. Sin embargo, si queremos
presentar los resultados como notas 0por e$emplo, en escala de la F1 ) de modo
tal que slo los alumnos de rendimiento igual o superior al promedio del grupo
tengan una nota igual o superior a la nota de aprobacin 0por e$emplo, 4.-1,
entonces el problema es algo m!s complicado.
:onsideremos un e$emplo. Para llenar 3 acantes en cierto traba$o, han rendido
un examen escrito de su#iciencia *+ postulantes. Supongamos que la prueba se
ha diseGado para medir el porcenta$e de logro de ciertos ob$etios
predeterminados 0criterios1 ) que sus resultados se expresan en un punta$e
comprendido entre - ) ,-- puntos. Los siguientes son los resultados, )a
ordenados, obtenidos por los postulantes/
Est! claro que los postulantes seleccionados deben ser aquellos cu)os punta$es
#ueron/ X4, 33, 3+, FX, F4, F,, H* ) H4. Sin embargo, Rqu notas les
correspondenS
El mecanismo usual para responder a la pregunta anterior comienza por calcular
el promedio ) la desiacin est!ndar de todos los punta$es. En el presente caso
esos estad"gra#os son ?*.F ) +?.+, respectiamente. Ellos permiten estandarizar
los punta$es, o sea, restar el promedio a cada punta$e ) luego diidir la di#erencia
obtenida, por la desiacin est!ndar. En este caso, a cada nota se le deber!
restar ?*.F ) la di#erencia deber! diidirse por +?.+. En el e$emplo, los punta$es
estandarizados son/

+.*,, +.+*, +.--, ,.3F, ,.H*, ,.*+, ,.+H, ,.++, ,.,?,
,.-X, -.XH,
-.X+, -.3?, -.FX, -.H+, -.?H, -.?+, -.+?, -.,X, -.,-,
-.-,, 7-.-F,
7-.-F, 7-.-F, 7-.+-, 7-.+*, 7-.+X, 7-.+X, 7-.??, 7-.??,
7-.4H,
7-.*-, 7-.*-, 7-.**, 7-.**, 7-.H3, 7-.FH, 7-.FH, 7-.3X,
7-.3X,
7-.X4, 7-.X4, 7-.X3, 7-.X3, 7,.-+, 7,.-H, 7,.,,, 7,.,*,
7,.+4,
7,.+4, 7,.?+, 7,.4*
Dna ez estandarizados los punta$es, stos son conertidos a notas de#initias
adecu!ndolos a la escala que se quiera utilizar. En nuestro caso, ello se logra
simplemente sumando 4 puntos a cada punta$e estandarizado. Qecho eso, las
notas #inales resultan ser/

H
.
*
,
H
.
+
*
H
.
-
-
*
.
3
F
*
.
H
*
*
.
*
+
*
.
+
H
*
.
+
+
*
.
,
?
*
.
-
X
4
.
X
H
,
4
.
X
+
4
.
3
?
4
.
F
X
4
.
H
+
4
.
?
H
4
.
?
,
4
.
+
?
4
.
,
X
4
.
,
-
4
.
-
,
?
.
X
?
?
.
X
?
?
.
X
?
?
.
3
-
?
.
F
*
?
.
F
,
?
.
F
,
?
.
H
F
?
.
H
F
?
.
*
4
?
.
*
-
?
.
*
-
?
.
4
*
?
.
4
*
?
.
?
+
?
.
+
4
?
.
+
4
?
.
,
,
?
.
,
,
?
.
-
H
?
.
-
H
?
.
-
+
?
.
-
+
+
.
X
3
+
.
X
4
+
.
3
X
+
.
3
*
+
.
F
H
+
.
F
H
+
.
H
3
+
.
*
*


El promedio de estas notas es 4.- ) la arianza es ,.
Es un teorema de la teor"a estad"stica que si la distribucin de los punta$es
originales es normal, entonces la distribucin de los punta$es estandarizados
debe ser una normal est!ndar. 9a hemos dicho que as" se llama el modelo
normal cu)o alor esperado ale - ) cu)a arianza ale ,. La #orma de este
modelo es la de la Ilustracin KY ,, en la que debe entenderse que casi todos los
datos 0aproximadamente el XX.F4T de ellos1 deben encontrarse entre los alores
7?, por la izquierda, ) ]?, por la derecha.
Sin embargo, si la distribucin original no es normal entonces la distribucin de
las notas estandarizadas ), en consecuencia, la distribucin de las notas #inales,
no tienen por qu ser normales.
La Ilustracin KY 4, que representa gr!#icamente a la tabla anterior, expresa
me$or lo dicho en relacin con ella. 6ebe ponerse atencin a los nmeros
puestos en su parte in#erior, que representan a las tres principales marcas de
clase.
,
+
?
4
*
H
F
3
X
+.*- 7
+.XX
3
?.-- 7
?.4X
,?
?.*- 7
?.XX
,-
4.-- 7
4.4X
H
4.*- 7
4.XX
*
*.-- 7
*.4X
4
*.*- 7
*.XX
?
H.-- 7
H.4X
+
H.*- 7 ,
En la tabla ad)acente hemos agrupado las notas
#inales del e$emplo en nuee clases de igual
tamaGo, a #in de obserar la #orma aproximada de
la distribucin de estas notas.
. simple ista puede apreciarse que esta
distribucin no es simtrica, como debiera serlo si
se tratase de una distribucin normal.
Si esta distribucin #uese normal, las clases ? ) 4,
que son ad)acentes al alor promedio, debieran
ser de igual tamaGo. 5ambin las clases + ) *, , )
H. Se e que las notas altas est!n m!s repartidas.
F.--

:omparemos el per#il anterior con los que corresponden a una distribucin
normal 0en l"nea punteada1 ) a una distribucin edumtrica 0en l"nea gruesa1/
La distribucin normal dibu$ada tiene el mismo promedio 041 ) la misma arianza
0,1 que el con$unto de notas #inales. Por su parte, la distribucin edumtrica, que
se caracteriza por tener un nico par!metro, llamado t 0tiempo1, en este caso se
ha tomado con el alor t > +.+. Los alores paramtricos seGalados, tanto los del
modelo normal como el del modelo edumtrico, son los que me$or se a$ustan a
los datos del e$emplo.
. simple ista, ninguno de los dos modelos parece representar mu) bien al
con$unto de datos. Sin embargo, la prueba de bondad de a$uste de Wolmogoro7
Smirno 0:anaos ,X331 permite aceptar ambos modelos como !lidos, con un
niel de signi#icacin a > -.+-. En lo que se re#iere al con$unto original de datos 0o
sea los punta$es antes de ser estandarizados1, tambin resultan aceptables los
modelos normal ) edumtrico respectios.
En s"ntesis, queremos a#irmar una ez m!s que no basta estandarizar los
punta$es, o utilizarlos para discriminar a los me$ores entre un grupo de alumnos
sometidos a una misma prueba, para que el modelo normal sea
autom!ticamente la me$or herramienta disponible. Ko depende de la
estandarizacin el que las notas #inales resulten a$ustadas, o no, a un modelo
normal. 5oda"a m!s, es posible que otros modelos sean tan !lidos como el
normal, o an me$ores, incluso cuando se est ealuando por norma, como en el
caso del e$emplo.


3) DISTRIBUCION UNIFORME
En esta seccin introducimos las distribuciones de probabilidad para ariables
aleatorias continuas. [ecordar! que en la seccin ?., establecimos que las
ariables aleatorias que pueden asumir cualquier alor en un interalo o
coleccin de interalos determinados son continuas. E$emplos de ariables
aleatorias continuas inclu)en los siguientes;
1. La wntM real de sopa colocada en una lata etiquetada como de '3 onzas'
2. El tiempo de vuelo de un ain que ia$a de :hicago a Kuea 9or^
3. El tiempo de ida del cinescopio en un teleisor nueo
4. La pro#undidad de perforacin requerida para llegar al petrleo en una
operacin de per#oracin mar adentro.
Para entender la naturaleza de las ariables aleatorias continuas en #orma m!s
completa, suponga que en el primer e$emplo, una _ata de sopa tiene 3.+ onzas )
otra 3.?. %tras latas podr"an contener 3.+* onzas. 3.++* unzas, ele. 6e hecho, el
peso real puede ser cualquier alor numrico de - onzas pan una lata ac"a
hasta, digamos, 3.* onzas para una lata llena a toda su capacidad, 6ebido a que
este interalo conticnc un nmero in#inito de alores, )a no podemos enlistar
cada alor indiidual de la ariable aleatoria ) luego identi#icar su probabili dad
asociada. 6e hecho, para ariables aleatorias continuas necesitamos un nueo
mtodo para calcular las probabilidades asociadas con los alores de la ariable
aleatoria.
.pl i caci n de l a di st r i buci n uni # or me
Suponga que x denota el tiempo de uelo de un ain que ia$a de :hicago a
Kuea 9or^. .suma que el tiempo m"nimo es + horas ) que el tiempo m!ximo es
+ horas +- minutos; por tanto, expresado en minutos, el tiempo de uelo puede
ser cualquier alor en el interalo de ,+- a ,4- minutos 0por e$emplo. ,+4
minutos, ,+*.43 minutos, etc.1. :omo la ariable aleatoria puede tomar
cualquier alor de ,+- a ,4- minutos, .r es una ariable aleatoria continua en
lugar de discreta. Suponga que dispone de su#icientes datos de uelo reales para
concluir que la probabilidad de un tiempo de uelo entre ,+- ) ,+, minutos es la
misma que la probabilidad de un tiempo de uelo dentro de cualquier otro
interalo de , a ,4- minutos, inclusie. :on cada interalo de I minuto siendo
igual de probable, la ariable aleatoria x tiene una distribucin de probabilidad
uni#orme. La siguiente #uncin de densidad de probabilidad describe la
distribucin de probabilidad uni#orme para la ariable aleatoria del tiempo de
uelo/
La #igura 0?.X1 muestra una gr!#ica de esta #uncin de densidad de probabilidad.
En general, la #uncin de densidad de probabilidad uni#orme para una ariable
aleatoria x es
En el e$emplo del tiempo de uelo, a > ,+- ) h
m
,4-.
En la gr!#ica de una #uncin de densidad de probabilidad. F( x ) muestra la altura
o alor de la #uncin en cualquier alor particular de x. 6ebido u que la #uncin de
densidad de probabilidad para el tiempo de uelo es uniforme, la altura o alor de la
#uncin es la misma para cada alor de i entre ,+- ) ,4-. Es decir.=0.t1 > Z` para
todos los alores de x entre ,+- ) ,4-. La #uncin de densidad de probabilidad=
0.1 representa la altura de la #uncin en cual` quier alor particular de x ) no
probabilidad, a di#erencia de la #uncin de probabilidad para una ariable
aleatoria discreta. [ecuerde que Para cada alor de una ariable aleatoria
discreta 0digamos, x > +1. La #uncin de probabilidad produ$o la probabilidad de
que x tuiera exactamente e-se alor 0es decir, f ( 2 ) \ , Sin embargo, una ariable
aleatoria continua tiene una cantidad in#inita de alores, as" que )a no podemos
identi#icar la probabilidad para cada alor espec"#ico de x. Mus bien, debemos
considerar la probabilidad de que una ariable aleatoria tome un alor dentro de
un intervalo dado. .s" en el e$emplo del tiempo de uelo una pregunta de
probabilidad aceptable es/ Rcu!l es la probabilidad de que el tiempo de uelo esM
t entre ,+- ) ,?- minutosS Es decir, Rcu!l es =O 0,+- s . r s ,?-1S :omo el tiempo
de uelo debe estar entre ,+- ) ,4- minutos ) como la probabilidad est!
distribuida uni#ormemente a lo largo de este interalo, nos sentimos cmodos
diciendo que P (,+- a x a ,?-1 > -.*-. En e#ecto, como mostraremos, esta
suposicin es correcta.
4) DISTRIBUACION TRIANGULAR
La distribucion triangular se utiliza en la ingeniieria comercial en la ealuacion de
pro)ectos/
4.1 SIMULACIN DE PROYECTOS UTILIZANDO UNA DISTRIBUCIN
TRIANGULAR
La distribucin triangular se basa en tres tipos de situaciones esperadas. El
procedimiento es calcular la media ) ariancia de los #lu$os de e#ectio con base
en la distribucin triangular ) luego realizar estimaciones de probabilidad
basados en la distribucin normal. Las #rmulas para calcular la media ) la
ariancia son las siguientes/
E0x1 > 0a]b]c1=?
Z.[0x1 > 0a+]b+]c+170axb]axc]bxc1
Dso de la distribucin triangular para ealuar un pro)ecto mediante simulacin.
El uso de la distribucin triangular en la ealuacin de un pro)ecto mediante
simulacin la empresa tiene que determinar inersiones, #lu$os de e#ectio, ida
til o tasa de descuento para tres situaciones probables de la econom"a/
situacin optimista, situacin normal ) situacin pesimista. Estos son los alores
a, b, c. Se genera un nmero aleatorio b entre - ) ,. Entonces, x toma el alor
de acuerdo con las siguientes #rmulas/
Si [ A c0b7a1= 0c7a1d entonces
E> a]e 0c7a1 x 0b7a1 x[
Si no es, entonces x > c7 e 0c.7a1 0c7b1 0,7[1
4.2 EJEMPLO CON DISTRIBUCIN TRIANGULAR
Para demostrar el procedimiento de simulacin utilizando distribucin triangular
supnganse los siguientes datos/
C7? C7+ C7, C C], C]+ C]?
La !"a#$a%&'a(&)#
7? 7+ 7, - , + ?
f
E
D#!&$a$ $ *%+,a,&-&$a$ "%&a#./-a%
20x1
a b c xA0+ 1 A0+ 2 A0+ 3 A0+ 4 A0+ 1
A Pesimista F4 +- +- +- +- +-
B Kormal F+ ++ ++ ++ ++ ++
C %ptimista F- +4 +4 +4 +4 +4
Vol. 19-1 91
Se plantean tres posibles escenarios o situaciones pesimista 0a1, normal 0b1 )
optimista 0c1, los datos correspondientes al aGo - es el alor que asume la
inersin inicial del pro)ecto segn sea la situacin, ) en los aGos , al * el alor
del #lu$o de e#ectio neto por aGo 0despus de impuestos m!s la depreciacin1
segn sea la situacin, la ida til es de * aGos, la tasa de descuento del ,-T )
el alor de rescate al #inal del aGo es -. Se establece como regla de decisin que/
,1 Z.K esp O- ) +1 Pro. 0Z.KespeO-1 > -,F*.
Para los datos de la inersin se tiene que c0b7a1= 0c7a1d > -,*- ) para los datos
del #lu$o de e#ectio anual se tiene que c0ba1= 0c7a1d > -,*-. Si [ A -,*- tomar! el
alor de E>a]e 0c7a1 x 0b7a1 x[ ) si no tomar! el alor de x > c7e 0c.7a1 0c7b1 0,7
[1.
Para cada interaccin o corrida, se calcula un Z.K ) para cada aGo 0-, ,, +, ?, 4
)
*1 se debe generar un nmero aleatorio ) calcular el alor correspondiente
utilizando las #rmulas anteriores.
.s", para la primera corrida se tiene que el aGo - el nmero aleatorio es de -,,H,
para el aGo + de -,?-, para el aGo 4 de -,,3 para el aGo * de -,*- ) para el aGo H
de -,FH.
Los c!lculos son los siguientes/
.Go - [>-,,Hg-,*- F4] e 0F-7F41 0F+7F41 -,,H 7 F*,,4
.Go , -,?- +-] e 0F-7F41 0F+7F41 -,?- +,,*H
.Go + -,,3 +-] e 0F-7F41 0F+7F41 -,,3 +,,,3
.Go ? -,XX +47 e 0F-7F41 0F+7F41 ,7-,XX +?,F,
.Go 4 -,*- +-] e 0F-7F41 0F+7F41 -,*- +,,XX
.Go * -,FH +4] e 0F-7F41 0F+7F41 ,7-,FH ++,H,
Z.K al ,-T ] 3,3?
M/!"%a (2-(/-+ *%&3%a (+%%&$a
Este procedimiento se aplica repetidamente hasta producir su#icientes resultados
de Z.K 0o 5I[, o h=:, o Z.K.E1 que es lo que interesa en este caso. :on#orme
aumenta el nmero de corridas K, el Z.K esperado tiende a distribuirse segn el
teorema del l"mite central en #orma normal 0distribucin normal1 con un alor
medio ) una ariancia.
BIBLIOGRAFIA
5%M. 6E 6E:ISI%KES @E[EK:I.LES Mtodos :uantitatios
Escrito por iairo .ma)a .ma)a
Mtodos cuantitatios para los negocios
Escrito por 6aid [. .nderson,6ennis i. Sjeene),5homas .rthur killiams