INVESTIGACIN DE

OPERACIONES II

Msc. Mariela Galindo B.

mariegaba@gmail.com
 INTRODUCCION
Muchos de los eventos que ocurren en la vida del ser humano no se
pueden predecir con exactitud, pues la mayora de los hechos estn
influenciados por el azar, es decir, por procesos inciertos, en los que no
se est seguro de lo que va a ocurrir. Sera un error afirmar que vivimos
en un mundo determinista, en donde no hay influencia del azar y la
incertidumbre.

La Probabilidad permite un acercamiento a estos sucesos, ponderando

las posibilidades de su ocurrencia y proporcionando mtodos para tales
ponderaciones, creando as modelos Probabilsticos. Precisamente,
algunos de esos mtodos proporcionados por la teora de la Probabilidad
llevan a descubrir que ciertos eventos tienen una mayor o menor
probabilidad de ocurrir que la apreciacin hecha a travs del sentido
comn.
 EJEMPLOS
Si dejamos caer una piedra o la lanzamos, y conocemos las
condiciones iniciales de altura, velocidad, etc., sabremos
con seguridad dnde caer, cunto tiempo tardar, etc. Es
una experiencia determinista.

Si echamos un dado sobre una mesa, ignoramos qu cara O

numero quedar arriba. El resultado depende del azar. Es
una experiencia aleatoria.
Suceso aleatorio es un acontecimiento que ocurrir o no,
dependiendo del azar.
Y que tal un repaso sobre
algunos conceptos de
probabilidad?
 Repaso de Conceptos Bsicos de
Probabilidad

Sea un experimento E (proceso o procedimiento), donde

todos los posibles resultados a obtener se almacenen en un
conjunto . Al conjunto se le denomina espacio
muestral.

Como dira un experto en gastronoma:

Digiera bien ste concepto

Si X es la variable aleatoria a analizar en el experimento, entonces el

espacio muestral abarca todos los posibles valores ( estados
eventos) que dicha variable puede tomar, bajo unas mismas condiciones
iniciales para la experimentacin.
 Repaso de Conceptos Bsicos de
Probabilidad

Los elementos individuales del espacio muestral se

denominan puntos muestrales.

Un evento es un conjunto de puntos muestrales, que puede

ser un subconjunto de , un nico punto, o incluso el espacio
muestral completo.

= {wi: wi es un resultado observable e identificable a

priori}

Un espacio muestral, define, de hecho, un modelo de

experimento.
 EJEMPLOS
1. Si se lanza una moneda, el espacio muestral estar dado
por: S = { cara, sello}.

2. Se sabe que en cierta bodega pueden no llegar o llegar hasta

5 camiones, en las horas estimadas para descargue. Encontrar
la variable aleatoria asociada al experimento.

X t= Numero de camiones que llegan al muelle, en la hora de

descargue t
Donde S = {0,1,2,3,4,5}
Horas de descargue t = 0, 8 a.m; t = 1, 9 a.m; t = 2 , 10 a.m.

X 1 = 3; quiere decir que el numero de camiones que llego a las

9 de la maana es de 3.
 EJEMPLOS
Considere el lanzamiento de dos dados. El espacio muestral de este experimento
aleatorio est constituido por 36 posibles resultados.
Se define como variable aleatoria X la suma de los valores de las dos caras de los
dados.
La tabla 1, relaciona los 36 resultados con los valores correspondientes de la
variable aleatoria X
Valor de la
Numero de Probabilidad
Resultado variable
ocurrencias (b)
aleatoria (a)
( 1 , 1) 2 1 1 / 36
(1,2) (2,1) 3 2 2 / 36
(1,3) (2,2) (3,1) 4 3 3 / 36
(1,4) (2,3) (3,2) (4,1) 5 4 4 / 36
(1,5) (2,4) (3,3) (4,2) (5,1) 6 5 5 / 36
(1,6) (2,5) (3,4) (4,3) (5,2)
(6,1) 7 6 6 / 36
(2,6) (3,5) (4,4) (5,3) (6,2) 8 5 5 / 36
(3,6) (4,5) (5,4) (6,3) 9 4 4 / 36
(4,6) (5,5) (6,4) 10 3 3 / 36
(5,6) (6.5) 11 2 2 / 36
( 6 , 6 ) 12 1 1 / 36
 DISTRIBUCION DE PROBABILIDAD

Es la representacin de todos los resultados posibles de un

experimento junto con la probabilidad de cada resultado. Puede
ser en tabla, grafica o formula.

En la tabla 1, las columnas (a) y (b) formaran una distribucin

de probabilidad para la Variable Aleatoria:

X = suma de las caras del lanzamiento de dos dados.

De esta forma, la probabilidad de que la variable aleatoria tome

un valor especifico Xi, se denota:

P ( X = Xi ) =
 Propiedades de la Distribucin
de Probabilidad
1. La suma de todas las probabilidades de cada elemento del
espacio muestral es igual a uno.
m

P( X X ) 1
i 1
i

2. La probabilidad de un elemento del espacio muestral esta

entre 0 y 1

0 P(X = X i ) 1
 DISTRIBUCIONES DE PROBABILIDAD
DISCRETA

La variable aleatoria solo puede tomar valores enteros, o valores

determinados, generalmente como resultado de un conteo o de una
enumeracin.
Ejemplo: Numero de Clientes, Numero de unidades vendidas.

Valor esperado o media =

 DISTRIBUCIONES DE PROBABILIDAD
CONTINUA

La variable aleatoria puede tomar cualquier valor de un intervalo

dado, generalmente es el resultado de una medicin.

Ejemplo: Tiempo medio de falla de un bombillo

Cantidad de precipitaciones por da en la ciudad de
Palmira.

La precisin del instrumento usado permitir hacer mas notorio que

es una variable continua.
Nota: cualquier valor de dinero tambin se considera una variable
continua.
 FUNCIONES DE PROBABILIDAD

Cuando una distribucin de probabilidad se describe a partir de

una ecuacin se denomina funcin de probabilidad.

La funcin de probabilidad de una variable aleatoria discreta, es de

caracterstica escalonada.

La distribucin de probabilidad asociada a una variable continua

tiene asociada una funcin de densidad, la cual permite calcular el
rea bajo la curva que representa la probabilidad que la variable
continua aleatoria tome un valor entre el intervalo donde se define
como funcin.
 DISTRIBUCIONES DISCRETAS
DISTRIBUCION BINOMIAL
Caracteristicas:
Solo hay dos resultados posibles, conocidos generalmente
como xito y fracaso.
La probabilidad de cada resultado permanece constante en
cada ensayo.
Los ensayos son independientes
Se pueden hacer o repetir muchas veces

Ejemplo: Nmero de piezas defectuosas de un lote.

Nmero de clientes de un tipo particular que
entran en el sistema.
 DISTRIBUCIONES DISCRETAS
DISTRIBUCION BINOMIAL
Parametros:
n = tamao del conjunto observado
x = variable aleotoria discreta para la cual se quiere hallar
p(x)
p = la probabilidad de xito
En excel se encuentra como dis.binom ( en funciones)

E(x) = n.p varianza = np (1-p)

Ejemplo: hoja 1 archivo de excel.

 DISTRIBUCIONES DISCRETAS
DISTRIBUCION GEOMETRICA
Caracteristicas:
Es una serie de ensayos Bernoulli con una probabilidad
constante de xitos p, en la que el nmero de ensayos no es
fijo como en la distribucin binomial si no que stos se
realizan hasta que se obtiene el primer xito.

Entonces, la variable aleatoria X es el nmero de ensayos

realizados hasta obtener un xito.
La distribucin geomtrica tiene un parmetro p y se expresa:
apartir de x=1 x 1 1
P( X x) (1 p) * p
E x
p
x
P( X x) (1 p )i 1 * p x2
(1 p )
i 0 p2

Ejemplo: hoja 2, libro de excel

 DISTRIBUCIONES DISCRETAS
BINOMIAL NEGATIVA
Caracteristicas:
Es una serie de ensayos Bernoulli con una probabilidad
constante de xitos p, en la que el nmero de ensayos no es
fijo como en la distribucin binomial si no que stos se
realizan hasta que se obtienen r xitos.

Entonces, la variable aleatoria X es el nmero de ensayos

realizados hasta obtener r xito.
La distribucin geomtrica tiene un parmetro p, r .
r (1 p) * r
Ex x2
p p

Ejemplo: hoja 3, libro de excel

 DISTRIBUCIONES DISCRETAS
DISTRIBUCION HIPERGEOMETRICA
Caracteristicas:
Sea N el nmero de elementos de un conjunto de los cuales k
son determinados como xitos y N-k como fallas, se trata
ahora de determinar la probabilidad de x xitos en n ensayos
de los N elementos del conjunto donde k < = N y n< = N .
la variable aleatoria X es el nmero de xitos en la muestra.

La distribucin geomtrica tiene los siguientes parmetros:

N = Tamao de la poblacin
K = Numero de la poblacin sealada como xito
n = Tamao de la muestra
x = Numero de xitos en la muestra

Ejemplo: hoja 4, libro de excel

 DISTRIBUCIONES DISCRETAS
DISTRIBUCION DE POISSON

La variable aleatoria representa el numero de eventos independientes que

ocurren a una velocidad constante. Es el principal modelo de probabilidad
empleado para analizar problemas de:
lneas de espera
confiabilidad y control de calidad
numero de personas que llegan a un lugar determinado en un
tiempo definido
Los defectos en piezas similares por el material
El numero de bacterias en un cultivo
numero de goles anotados en un partido de futbol,
numero de fallas de una maquina en una hora o en un da,
La cantidad de vehculos que transitan por una autopista
El numero de llamadas telefnicas por minuto

Se trata de hallar la probabilidad de ocurrencia de cualquier numero por

unidad de medicin (temporal o espacial).
 DISTRIBUCIONES DISCRETAS
DISTRIBUCION DE POISSON
Dado un proceso Poisson donde es el
numero promedio de ocurrencias en el intervalo
de numeros reales donde este se define, la
variable aleatoria X se define como:

X = Numero de ocurrencias en el intervalo dado.

Funcin:

Con x =1,2,3, y >0

Donde = numero de ocurrencias promedio en el experimento

aleatorio
 DISTRIBUCIONES DISCRETAS
DISTRIBUCION DE POISSON

La funcin acumulada ser:

Con x =1,2,3, y >0

Donde = numero de ocurrencias promedio en el experimento

aleatorio.
 DISTRIBUCIONES DISCRETAS
DISTRIBUCION DE POISSON

Una distribucin Binomial se puede acercar o considerar

una Poissn, cuando:

n20 y p 0,05.

Con = np

Ejemplo: hoja excel poisson

.
Taller!!!