Está en la página 1de 16

Investigacin de Operaciones II

Unidad 1: Resumen Axiomtico de Probabilidades


Rodrigo Tranamil Vidal
Ingeniero Civil Industrial mencin Informtica
MSc in Industrial and Systems Engineering

Contenidos
1.
2.
3.
4.

Leyes de Probabilidad.
Variables aleatorias.
Expectativa de una variables aleatoria.
Distribuciones de probabilidades.

Investigacin de Operaciones II 2do semestre 2015

1. Leyes de Probabilidad
Definiciones
La probabilidad tiene que ver con los resultados
aleatorios de un experimento.
La conjuncin de todos los resultados es el espacio
de muestreo, y un subconjunto de ste es un evento.
Ejemplo: Lanzar un dado, lanzar una moneda, el
tiempo entre las fallas de un componente
electrnico.
Investigacin de Operaciones II 2do semestre 2015

1. Leyes de Probabilidad
Definiciones
Si un evento E ocurre m veces en un experimento de n
ensayos, entonces la probabilidad de realizar el evento
E se define como
La definicin dice que cuando el experimento se repite
un nmero infinito de veces, la probabilidad de realizar
un evento es m/n.
Ejemplo: lanzar una moneda, P(cara)=P(sello)=0.5
cuando el numero de lanzamientos es infinito.
Investigacin de Operaciones II 2do semestre 2015

1. Leyes de Probabilidad
Definiciones
Por definicin

0 1

Un evento E es imposible si P(E)= 0, y seguro si


P(E)=1.
Ejemplo: lanzar dado.
o P(obtener 7) = 0 evento imposible
o P(obtener un numero 1 al 6) = 1 evento seguro
Investigacin de Operaciones II 2do semestre 2015

1. Leyes de Probabilidad
Ley de la adicin de probabilidad
Para dos eventos E y F,
o La unin es E+F o EUF,
o La interseccin es EF o EF.

Los eventos E y F son mutuamente excluyentes si la


ocurrencia de uno excluye la ocurrencia del otro. Es decir,
P(EF)=0.
La ley de adicin de probabilidad es la siguiente
+ ,
si y son m. e.
+ =
+ ,
c. o. c
Investigacin de Operaciones II 2do semestre 2015

1. Leyes de Probabilidad
Ley de probabilidad condicional
Dados los dos eventos E y F con P(F)0. La probabilidad
condicional de E dado F se calcula como
()
=
, con > 0
()
Si ECF, entonces P(EF)=P(E). Los dos eventos son
independientes si, y slo si, P(E|F)=P(E).
La ley de probabilidad condicional se reduce a
() = ()
Investigacin de Operaciones II 2do semestre 2015

2. Variables Aleatorias
Definiciones
Los resultados de un experimento pueden ser
numricos o representados por un cdigo
o Lanzar un dado: M={1,2,3,4,5,6} {cara=1/cruz=0}

El primer caso define una variable aleatoria.


Una variable aleatoria, x, puede ser discreta
(lanzamiento de una moneda) o continua
(tiempo para que falle un equipo).
Investigacin de Operaciones II 2do semestre 2015

2. Variables Aleatorias
Definiciones

Cada variable x aleatoria continua o discreta


puede ser cuantificada por una funcin de
distribucin de probabilidad (fdp), f(x) o p(x),
que satisface las siguientes condiciones:

Investigacin de Operaciones II 2do semestre 2015

2. Variables Aleatorias
Definiciones
Una importante medida de probabilidad es la funcin
de distribucin acumulada (FDA),
FDA se define como

=
=

() ,

es dicreta

() =

es continua

Investigacin de Operaciones II 2do semestre 2015

10

3. Expectativa de una v.a.


Definiciones
El valor esperado de una funcin h(x) es

= ()() ,

()

es dicreta

, es continua

Algunas medidas estadsticas de la v.a x son


o El valor medio E[x] mide el valor promedio de x
o La varianza var[x] mide la dispersin de x
o La desviacin estndar mide incertidumbre de x
Investigacin de Operaciones II 2do semestre 2015

11

3. Expectativa de una v.a.


Media y varianza de una v.a.
Usando la definicin de valor esperado con h(x)=x, se obtienen la frmulas
para la media

Ahora, usando h(x)=(x-E[x])2, se obtiene la frmula para la varianza

Y la desviacin estndar corresponde a


. =
Valor esperado, varianza y covarianza para dos v.a.:
+ = +
+ = 2 + 2 + 2 ,
, =

Investigacin de Operaciones II 2do semestre 2015

12

4. Distribuciones de Probabilidad
Distribucin Binomial
Problema: Se produce un artculo en lotes de n artculos. La fraccin
de artculos defectuosos p en cada lote se estima a partir de datos
histricos. Nos interesa determinar la fdp de la cantidad de
artculos defectuosos en un lote.
!

Modelacin: Hay =
combinaciones distintas de x
! !
artculos defectuosos en un lote de tamao n. La probabilidad de
realizar cada combinacin es 1 . Por lo tanto, la ley de la
adicin implica que
= = 1 ,
= 0,1,2, ,
La expresin anterior es la distribucin binomial con parmetros n
y p. Su media y varianza son np y np(1-p) respectivamente.
Investigacin de Operaciones II 2do semestre 2015

13

4. Distribuciones de Probabilidad
Distribucin de Poisson
Problema: Clientes llegan a un banco aleatoriamente. Sea x
el nmero de llegadas que ocurren durante un lapso de
tiempo. Se quiere conocer La fdp que describe x.
Modelado: el nmero de llegadas durante un lapso de
tiempo especfico es la distribucin de Poisson

= =
,
= 0,1,2
!
La media y la varianza de la distribucin de Poisson es .
La dist. de Poisson se usa para estudiar sistemas de espera.
Investigacin de Operaciones II 2do semestre 2015

14

4. Distribuciones de Probabilidad
Distribucin Exponencial
Modelo: Si el nmero de llegadas a una instalacin de
servicio durante un lapso de tiempo especfico sigue la
distribucin de Poisson, entonces, la distribucin del
tiempo entre llegadas es la distribucin exponencial.
= ,
>0
La media y la varianza de la distribucin exponencial son
1/.
La media es consistente con la definicin de porque si
es la tasa a la cual ocurren los eventos, entonces 1/ es
el intervalo de tiempo promedio entre eventos sucesivos.
Investigacin de Operaciones II 2do semestre 2015

15

4. Distribuciones de Probabilidad
Distribucin Normal
La fdp de la distribucin normal es
La media y la varianza son y 2 . La notacin es N(, 2 ).
Una propiedad importante de la variable normal es que representa
de forma aproximada la distribucin del promedio de una muestra
tomada de cualquier distribucin. (Teorema del lmite central)

Una variable normal x con media y desviacin estndar puede


convertirse en normal estndar z ~N(0,1) mediante

16

También podría gustarte