Segundo encuentro sincrónico Programación

Estocástica

José Eduardo Suárez Vargas

Politécnico Gran Colombiano
Bogotá, Colombia
marzo de 2020
 Distribución Exponencial

Supongamos que: 𝑋 ~ exp(𝜆)

La probabilidad de que 𝐗 = 𝒙 hasta el tiempo 𝒕 es:

𝑃 𝑥 ≤ 𝑡 = 1 − 𝑒 −𝜆𝑡 ,𝑡 ≥ 0

1 1
𝐸 𝑋 = 𝑉𝑎𝑟 𝑋 = 2
𝜆 𝜆
 Distribución Exponencial

1
Ejemplo: 𝑋 ~ exp(0.5 /ℎ) 𝐸 𝑋 = =2ℎ
0.5/ℎ
El tiempo promedio de daño de un bombillo se comporta
como una variable 𝑿

La probabilidad de que el bombillo se queme en una hora es:

𝑃 𝑋 >1 =1−𝑃 𝑋 ≤1
− 0.5/ℎ 1
𝑃 𝑋 > 1 = 1 − [1 − 𝑒 ]
𝑃 𝑋 > 1 = 0.60
 Distribución Exponencial

Ejemplo:
La probabilidad de que el bombillo se queme entre una hora
y tres horas es:

𝑃 1≤𝑋 ≤3 =𝑃 𝑋 ≤3 −𝑃 𝑋 ≤1
− 0.5 ℎ 3 − 0.5 ℎ 1
𝑃 1 ≤ 𝑋 ≤ 3 = [1 − 𝑒 ] − [1 − 𝑒 ]
𝑃 1 ≤ 𝑋 ≤ 3 = 0.17
 Propiedades de la Distribución Exponencial

No memoria 𝑃 𝑡 ≥𝑥+𝑠|𝑡 ≥𝑠

Una empresa de fabricación de bolsas plásticas tiene una máquina que cumple
el proceso de sellado. Por ser máquinas que continuamente están trabajando
tienen un desgaste continuo y por ende su tiempo de vida promedio es de 10
meses siguiendo una distribución exponencial. Si el último cambio de máquina
que se hizo fue hace 10 meses, ¿Cual es la probabilidad que deba cambiarse la
máquina antes de los próximos ocho meses?

Comprobemos la propiedad de no memoria de la distribución exponencial.

Propiedades de la Distribución Exponencial
 Propiedades de la Distribución Exponencial

La propiedad de no memoria permitirá no tener en cuenta que la maquina lleva 10

meses de uso y por consiguiente deberá dar la misma probabilidad condicional
encontrada solo teniendo en cuenta que la maquina debe durar 8 meses a partir de
ahora:

Así se demuestra que, sin importar el tiempo que lleva funcionando, la distribución de
probabilidad será la misma que si hubiera vuelto a comenzar. Es por ello que se dice
que la distribución exponencial no tiene memoria
 Propiedades de la Distribución Exponencial

Mínimo de exponenciales

𝑧𝑛 = min(T1 , T2 , … , Tn )
𝑧𝑛 ∼ exp(λ1 + λ2 + ⋯ + 𝜆𝑛 )

𝑇1 ∼ exp(𝜆)
𝑍 ∼ exp(λ + μ)
𝑇2 ∼ exp(𝜇)
 Propiedades de la Distribución Exponencial

Suma de exponenciales de igual tasa

𝑍1 ∼ exp(𝜆) 𝑍2 ∼ exp(𝜆)

𝑍1 + 𝑍2 ∼ Erlang(λ, n)

𝑧𝑛 ∼ exp(λ1 + λ2 + ⋯ + 𝜆𝑛 )
 Propiedades de la Distribución Exponencial

Tiempo hasta la ocurrencia de alguno de los eventos

𝑇1 ∼ exp(𝜆)
𝑇2 ∼ exp(𝜇)

λ 𝜇
P T1 < T2 = P T2 < T1 =
𝜆+𝜇 𝜆+𝜇
 Distribución de Poisson

𝑋~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑦 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑙𝑎 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠

Entonces:

𝑒 −𝜆 (𝜆)𝑘
𝑃 𝑋=𝑘 = ;𝑘 ≥ 0
𝑘!
𝑑𝑜𝑛𝑑𝑒 𝜆 𝑟𝑒𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑢𝑛𝑎 𝑡𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
Ejemplo: Los clientes de una sucursal bancaria llegan a sus oficinas siguiendo una distribución de
Poisson a una tasa de 20 personas por hora. ¿Cuál es la probabilidad de que lleguen 35 clientes en
una hora?
𝑋 = 𝑁𝑜. 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑙𝑙𝑒𝑔𝑎𝑛 𝑎𝑙 𝑏𝑎𝑛𝑐𝑜 𝑒𝑛 𝑢𝑛𝑎 ℎ𝑜𝑟𝑎
20 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜆=
ℎ𝑜𝑟𝑎
𝑒 −20 (20)35
𝑃 𝑋 = 35 = = 0,00069
35!
 Proceso de Poisson
𝑺𝒆𝒂 𝑵 𝒕 𝒖𝒏 𝒑𝒓𝒐𝒄𝒆𝒔𝒐 𝒅𝒆 𝒑𝒐𝒊𝒔𝒔𝒐𝒏 ⇒ 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
𝑇𝑖 = 𝐸𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠

𝑡
𝑇1 𝑇2 𝑇3 𝑇4 𝑇5
= 𝐿𝑙𝑒𝑔𝑎𝑑𝑎
entonces:
𝑆𝑖 𝑇𝑖 ~ exp 𝜆 ↔ 𝑁 𝑡 ~ 𝑃𝑜𝑖𝑠𝑠𝑜𝑛 (𝜆𝑡)
𝑒 −𝜆𝑡 (𝜆𝑡)𝑘
𝑃 𝑁 𝑡 =𝑘 =
𝑘!

Ejemplo: Suponga un proceso Poisson 𝑵 𝒕 = Numero de carros que llegan a un estacionamiento con
6 𝑐𝑎𝑟𝑟𝑜𝑠
parámetro de 𝜆 = ℎ𝑜𝑟𝑎 . Calcule la probabilidad de que en 3 horas lleguen 5 carros.

𝑒 −6(3) (6 ∗ 3)5
𝑃 𝑁 3 =5 =
5!
𝑃 𝑁 3 = 5 = 0,00024
 Proceso de Poisson

Ejemplo 1: El numero de llamadas que atiende un call center llegan siguiendo un proceso de Poisson
con un parámetro de 𝜆=5 llamadas por hora (5ℎ−1 ). Calcule la probabilidad de que en tres horas
lleguen 5 llamadas

𝑃(𝑁 𝑡 = 3 = 5)

Ejemplo 2: El numero de llamadas que atiende un call center llegan siguiendo un proceso de Poisson
con un parámetros de 𝜆=5 llamadas por hora (5ℎ−1 ). Si entre las 5:00 pm y las 6:00 pm llegaron 6
llamadas, ¿Cuál es la probabilidad de que se emitan 3 llamadas entre las 6:00pm y 6:30 pm?

𝑃(𝑁 𝑡 = 0,5 = 3)
 Proceso de Poisson

Ejemplo 3: Si el call center empieza a atender a las 8:00 am las llamadas que siguen un proceso de
Poisson con un parámetro de 𝜆=20 llamadas por hora (20ℎ−1 ). El 30% de las llamadas son para quejas
y el porcentaje restante para emergencias

Calcule la probabilidad de que la primera llamada por una emergencia llegue después de las 8:15
am

Ejemplo 4: Si el call center empieza a atender a las 8:00 am las llamadas que siguen un proceso de
Poisson con un parámetro de 𝜆=20 llamadas por hora (20ℎ−1 ). El 38% de las llamadas son para quejas
y el porcentaje restante para emergencias

Si un agente acaba de colgar una llamada de una queja. ¿Cuál es la probabilidad de que el
próximo cliente que llame lo haga por una emergencia?
 Proceso de Poisson

Ejemplo 1: El numero de llamadas que atiende un call center llegan siguiendo un proceso de Poisson
con un parámetro de 𝜆=5 llamadas por hora (5ℎ−1 ). Calcule la probabilidad de que en tres horas
lleguen 5 llamadas
𝑒 −5(3) (5 ∗ 3)5
𝑃 𝑁 3 =5 =
5!
𝑃 𝑁 3 = 5 = 0,00193

Ejemplo 2: El numero de llamadas que atiende un call center llegan siguiendo un proceso de Poisson
con un parámetros de 𝜆=5 llamadas por hora (5ℎ−1 ). Si entre las 5:00 pm y las 6:00 pm llegaron 6
llamadas, ¿Cuál es la probabilidad de que se emitan 3 llamadas entre las 6:00pm y 6:30 pm?

𝑃 𝑁 1,5 − 𝑁(1) = 3 ) = 𝑃 𝑁 1,5 − 1 = 3 = 𝑃(𝑁 0,5 = 3)

PROPIEDAD DE INCREMENTOS ESTACIONARIOS

𝑒 −5(0,5) (5 ∗ 0,5)3
𝑃 𝑁 0,5 = 3 = = 0,21376
3!
 Proceso de Poisson

Ejemplo 3: Si el call center empieza a atender a las 8:00 am las llamadas que siguen un proceso de
Poisson con un parámetro de 𝜆=20 llamadas por hora (20ℎ−1 ). El 30% de las llamadas son para quejas
y el porcentaje restante para emergencias

Calcule la probabilidad de que la primera llamada por una emergencia llegue después de las 8:15
am

𝜆𝑞𝑢𝑒𝑗𝑎𝑠 = 20ℎ−1 ∗ 30% = 6ℎ−1 𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 = 20ℎ−1 ∗ 70% = 14ℎ−1

𝑇𝑞𝑢𝑒𝑗𝑎𝑠 ~exp(𝜆𝑞𝑢𝑒𝑗𝑎𝑠 ) 𝑇𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 ~exp(𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 )

𝑃 𝑋𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎 > 0,25 ℎ = 1 − 𝑃 𝑋 ≤ 0,25

14
− ℎ 0,25ℎ
𝑃 𝑥𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎 > 0,25ℎ = 1 − [1 − 𝑒 ]

𝑃 𝑥𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎 > 0,25ℎ = 0,030

 Proceso de Poisson

Ejemplo 4: Si el call center empieza a atender a las 8:00 am las llamadas que siguen un proceso de
Poisson con un parámetro de 𝜆=20 llamadas por hora (20ℎ−1 ). El 38% de las llamadas son para quejas
y el porcentaje restante para emergencias

Si un agente acaba de colgar una llamada de una queja. ¿Cuál es la probabilidad de que el
próximo cliente que llame lo haga por una emergencia¿

𝐶𝑜𝑚𝑜 𝑙𝑎𝑠 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 𝑠𝑖𝑔𝑢𝑒𝑛 𝑢𝑛 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑑𝑒 𝑃𝑜𝑖𝑠𝑠𝑜𝑛, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑇𝑖 𝑑𝑖𝑠𝑡𝑖𝑟𝑏𝑢𝑦𝑒
Exponencial y se puede aplicar la probabilidad de mínimo de exponenciales

𝜆𝑞𝑢𝑒𝑗𝑎𝑠 = 20ℎ−1 ∗ 38% = 7,6ℎ−1 𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 = 20ℎ−1 ∗ 62% = 12,4ℎ−1

𝑇𝑞𝑢𝑒𝑗𝑎𝑠 ~exp(𝜆𝑞𝑢𝑒𝑗𝑎𝑠 ) 𝑇𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 ~exp(𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 )

𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠
P Temergencias < T𝑞𝑢𝑒𝑗𝑎𝑠 =
𝜆𝑒𝑚𝑒𝑟𝑔𝑒𝑛𝑐𝑖𝑎𝑠 + 𝜆𝑞𝑢𝑒𝑗𝑎𝑠
P T𝑞𝑢𝑒𝑗𝑎𝑠 < Temergencias
12,4ℎ−1
P Temergencias < T𝑞𝑢𝑒𝑗𝑎𝑠 = = 0,62
12,4ℎ−1 + 7,6ℎ−1
 Ejemplo Cadena de Markov en tiempo Continuo

Ejemplo: En el edificio de ingeniería hay dos ascensores de los que se tiene la siguiente información:

▪ Tiempo de falla de cada ascensor:

𝒕 𝒇𝒂𝒍𝒍𝒂 ~ 𝒆𝒙𝒑 𝝀

• Tiempo de reparación del ascensor 1:

𝒕 𝒓𝒆𝒑𝒂𝒓𝒂𝒄𝒊𝒐𝒏 𝒂𝒔𝒄𝒆𝒏𝒔𝒐𝒓 𝟏 ~ 𝒆𝒙𝒑 𝝁

• Tiempo de reparación del ascensor 2:

𝒕 𝒓𝒆𝒑𝒂𝒓𝒂𝒄𝒊𝒐𝒏 𝒂𝒔𝒄𝒆𝒏𝒔𝒐𝒓 𝟐 ~ 𝒆𝒙𝒑 𝜷

Modele una cadena de markov de tiempo continuo que represente este sistema: Defina variables de
estado, espacio de estados, defina las condiciones de transición entre estados y grafique la cadena
de markov
 Cadenas de Márkov

Discreta
𝑋 Variable aleatoria
Continua

𝑆 Espacios de estados
 Cadenas de Márkov de Tiempo Continuo

Suponga 𝑋 𝑡 ,𝑡 ≥ 0 Estado del sistema hasta el tiempo 𝒕

𝑋(𝑡)

𝑥2

𝑥1

𝑡1 𝑡2 𝑡3 𝑡4 𝑡
 Cadenas de Márkov de Tiempo Continuo

Componentes de una CMTC

𝑋 𝑡 = 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜
𝑆 = 𝐶𝑜𝑛𝑗𝑢𝑛𝑡𝑜 𝑑𝑒 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜𝑠
𝜆 = 𝑇𝑎𝑠𝑎𝑠 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑐𝑖ó𝑛
𝑃𝑖𝑗 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑐𝑖ó𝑛 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑖 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑗
 Cadenas de Márkov de Tiempo Continuo

𝜆𝑃𝑖𝑗 𝜆𝑃𝑗𝑘

i j k

𝜇𝑃𝑗𝑖
 Ejemplo Cadena de Markov en tiempo Continuo

Ejemplo: En el edificio de ingeniería hay dos ascensores de los que se tiene la siguiente información:

▪ Tiempo de falla de cada ascensor:

𝒕 𝒇𝒂𝒍𝒍𝒂 ~ 𝒆𝒙𝒑 𝝀

• Tiempo de reparación del ascensor 1:

𝒕 𝒓𝒆𝒑𝒂𝒓𝒂𝒄𝒊𝒐𝒏 𝒂𝒔𝒄𝒆𝒏𝒔𝒐𝒓 𝟏 ~ 𝒆𝒙𝒑 𝝁

• Tiempo de reparación del ascensor 2:

𝒕 𝒓𝒆𝒑𝒂𝒓𝒂𝒄𝒊𝒐𝒏 𝒂𝒔𝒄𝒆𝒏𝒔𝒐𝒓 𝟐 ~ 𝒆𝒙𝒑 𝜷

Modele una cadena de markov de tiempo continuo que represente este sistema: Defina variables de
estado, espacio de estados, defina las condiciones de transición entre estados y grafique la cadena
de markov
 Ejemplo Cadena de Markov en tiempo Continuo

• Variables de estado: • Condiciones de transición:

Estado Estado Condición de transición
𝑌 𝑡 = 𝐸𝑠𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑎𝑠𝑐𝑒𝑛𝑠𝑜𝑟 1
Inicial Final
𝑍 𝑡 = 𝐸𝑠𝑡𝑎𝑑𝑜 𝑑𝑒𝑙 𝑎𝑠𝑐𝑒𝑛𝑠𝑜𝑟 2
(B,B) (M, B) Falla ascensor 1
𝑋 𝑡 =(𝑌 𝑡 , 𝑍(𝑡)) (B,B) (B,M) Falla ascensor 2
(M,B) (M,M) Falla ascensor 2
• Espacios de estado: (M,B) (M,M) Falla ascensor 1
(M,M) (B,M) Se repara ascensor 1
𝑆 𝑌 𝑡 = {𝐵 = 𝐵𝑢𝑒𝑛𝑜, 𝑀 = 𝑀𝑎𝑙𝑜 }
𝑆(𝑍 𝑡 ) = {𝐵 = 𝐵𝑢𝑒𝑛𝑜, 𝑀 = 𝑀𝑎𝑙𝑜} (M,M) (M,B) Se repara ascensor 2
(B,M) (B,B) Se repara ascensor 2
𝑋 𝑡 = { 𝐵, 𝐵 , 𝐵, 𝑀 , 𝑀, 𝐵 , (𝑀, 𝑀)}
(M,B) (B,B) Se repara ascensor 1
(B,B) (M,M) No es posible la transición
(B,M) (M,B) No es posible la transición
(M,B) (B,M) No es posible la transición
 Ejemplo Cadena de Markov en tiempo Continuo

• Grafica de la cadena de markov:

𝛽
𝜇
𝜆
𝛽
𝜆

𝜇
 Cadenas de Márkov de Tiempo Discreto

Variable aleatoria discreta

𝑋𝑛 ̴ Número de personas contagiadas en Colombia por COVID-19 en el día n

𝑋1 ̴ 1 persona contagiada en Colombia por COVID-19 en el día 1 (Marzo 06 de 2020)

𝑋2 ̴ 1 persona contagiada en Colombia por COVID-19 en el día 2 (Marzo 07 de 2020)

…

𝑋15 ̴ 145 personas contagiadas en Colombia por COVID-19 en el día 15 (Marzo 20 de 2020)
𝑋16 ̴ 210 personas contagiadas en Colombia por COVID-19 en el día 16 (Marzo 21 de 2020)
𝑋17 ̴ 231 personas contagiadas en Colombia por COVID-19 en el día 17 (Marzo 22 de 2020)