Introducción a los Modelos

Estocásticos
Modelos Estocásticos - ICI-2212
Claudio Carmona C.
Contenidos
Unidad 1: Introducción a los Procesos
Estocásticos
Unidad 2: Repaso de probabilidad y
estadística
Unidad 3: Proceso de Poisson
Unidad 4: Proceso de Renovación
Unidad 5: Cadenas de Markov en Tiempo
Discreto
Unidad 6: Cadenas de Markov en Tiempo
Continuo
Unidad 7: Sistemas de Espera
Unidad 8: Inventario Probabilístico
Evaluación y Asistencia
Evaluación
Promedio Solemnes (3): 60%
Promedio controles,
trabajos y tareas (3): 40%

Nota presentación (NP) >= 5.0 Eximido

Nota Final = NP*0,7 + Nota_Examen*0,3

Asistencia mínima: 70%

Bibliografía
Título: Introducción a la
Investigación de Operaciones.
Autores: Hillier y Lieberman
ISBN: 9786071503084
Editorial: McGraw-Hill
Edición: 9a. ed.
Número de Ejemplares
disponibles: 4
Sedes: República
Título: Investigación de
Operaciones
Autor: Taha
ISBN: 9786073207966
Editorial: Pearson
Edición: 7a. ed.
Número de Ejemplares
disponibles: 12
Sedes: República
Título: Investigación de
Operaciones
Autor: Wayne L. Winston
ISBN: 9706863621
Editorial: Thomson
Edición: 4a. ed.
Número de Ejemplares
disponibles: 8
Sedes: República
Título: Modelos Estocásticos para
la Gestión de Sistemas
Autor: P. Gazmuri
ISBN: 956140351X
Editorial: Ediciones Universidad
Católica, 1995.
Edición: 7a. ed.
Número de Ejemplares
disponibles: 1
Sedes: República
Procesos Estocásticos -
Introducción
La naturaleza y las realizaciones
humanas nos muestran numerosos
fenómenos en los cuales, una o varias
magnitudes, que representan “el
estado” de un cierto sistema, varían
en función del tiempo en una forma
que no puede ser previsible.
Procesos Estocásticos –
Introducción (continuación)
Sin embargo, las variaciones de estas
magnitudes pueden ser sometidas a
las leyes estadísticas que permiten
vincular probabilidades a los
diferentes valores que pueden tomar
dichas magnitudes.
Procesos Estocásticos –
Introducción (continuación)

Llamamos “estado del tiempo” al estado del sistema

atmosfera local caracterizado por una cierta probabilidad de
precipitaciones, ciertos valores extremos de temperatura
(probabilidades de ciertas temperaturas máxima y mínima),
cierta velocidad de viento (probabilidad de cierta velocidad de
viento), etc.
 Procesos Estocásticos –
Introducción (continuación)

Variable aleatoria a lo
Proceso estocástico
largo del tiempo

Objetivo
Ajustar un modelo con el fin
de hacer predicciones sobre
el comportamiento futuro.
Procesos Estocásticos –
Introducción (continuación)
Las distribuciones de probabilidad
(Normal, Poisson, etc.) y las relaciones
que ligan las magnitudes del sistema
constituyen lo que se llama un “modelo
matemático” del fenómeno; se llama
proceso estocástico a un modelo que se
ajusta al caso descrito, en donde una o
varias magnitudes del sistema varían en
una forma aleatoria en función del
tiempo.
Procesos Estocásticos –
Introducción (continuación)
A los posibles valores que puede tomar
la variable aleatoria se le denominaran
estados, por lo que se puede tener un
espacio de estados discreto o un
espacio de estados continuo.
Los estados posibles del sistema
pueden ser en número finito o infinito,
pero a menudo se les definirá en forma
que puedan ser numerados. Cada
estado posible puede ser referido como
X0, X1, … , Xi, …
Procesos Estocásticos –
Introducción (continuación)
Una secuencia de variables que indique
el valor de alguna magnitud del sistema
en instantes sucesivos suele
representarse de la siguiente manera:

en la que cada variable Xi , i = 0, ..., n,

tiene una distribución de probabilidades,
en general, distinta de las otras variables.
Procesos Estocásticos –
Introducción (continuación)
Procesos Estocásticos -
Clasificación
Por tanto, si T representa el conjunto
(espacio de tiempo) de valores de
tiempo posibles y Xt los valores de la
variable aleatoria (espacio de estados)
en los instantes t, donde t є T,
tendremos:
Si el conjunto T es continuo, por ejemplo
ℝ+, diremos que Xt es un proceso
estocástico de tiempo continuo.
Si por el contrario T es discreto, por
ejemplo ℕ, diremos que nos
encontramos frente a un proceso
estocástico de tiempo discreto.
Procesos Estocásticos -
Clasificación
Si para cada instante t la variable
aleatoria Xt es de tipo continuo,
diremos que el proceso estocástico es
de estado continuo.
Si para cada instante t la variable
aleatoria Xt es de tipo discreto,
diremos que el proceso estocástico es
de estado discreto.
 Procesos Estocásticos –
Clasificación (Ejemplo discreto)
Supongamos el espacio Entonces para cada t, Xt
de tiempo: es el valor del proceso o
estado del sistema al
tiempo t.
(Discreto)

Entonces habrá

variables aleatorias
 Procesos Estocásticos –
Clasificación (Ejemplo continuo)

El espacio de tiempo también

puede ser un conjunto continuo

Entonces el proceso es a
tiempo continuo y se denota:
Procesos Estocásticos -
Cadena

Una Cadena es un proceso

estocástico en el cual el tiempo se
mueve en forma discreta y la variable
aleatoria sólo toma valores discretos
en el espacio de estados.
Procesos Estocásticos -
Cadena

Como un ejemplo de una Cadena, considere una máquina dentro

de una fábrica. Los posibles estados para la máquina son que
esté operando o que esté fuera de funcionamiento y la
verificación de esta característica se realizará al principio de cada
día de trabajo. Si hacemos corresponder el estado “fuera de
funcionamiento” con el valor 0 y el estado “en operación” con el
valor 1, entonces la figura muestra una posible secuencia de
cambios de estado a través del tiempo para esa máquina.
Procesos Estocásticos –
Saltos Puros

Un Proceso de Saltos Puros es un

proceso estocástico en el cual los
cambios de estados ocurren en forma
aleatoria pero la variable aleatoria sólo
toma valores discretos en el espacio de
estados.
Procesos Estocásticos –
Saltos Puros

Para el caso de los Procesos de Saltos Puros se puede

considerar como un ejemplo una señal telegráfica. Sólo
hay dos posibles estados (por ejemplo 1 y -1) pero la
oportunidad del cambio de estado se da en cualquier
instante en el tiempo, es decir, el instante del cambio
de estado es aleatorio.
Procesos Estocásticos – Estado
continuo / tiempo discreto

Un Proceso de estado continuo y

tiempo discreto es un proceso donde
la variable aleatoria puede tomar
cualquier estado dentro de un rango,
pero solo es observada en ciertos
instantes de tiempo.
Procesos Estocásticos – Estado
continuo / tiempo discreto

Como ejemplo tómese la producción

de toneladas de cobre en Chile por
año. La producción puede tomar
cualquier valor, pero las
observaciones se realizan por año.
Procesos Estocásticos –
Proceso Continuo

En un Proceso Continuo los cambios

de estado se producen en cualquier
instante y hacia cualquier estado
dentro de un espacio continuo de
estados.
 Procesos Estocásticos –
Proceso Continuo
Señal de voz vista en la
pantalla de un
osciloscopio.

Esta señal acústica es

transformada en una señal
eléctrica analógica que puede
tomar cualquier valor en un
intervalo continuo de estados.

señal de voz modulada

en amplitud.
Tipos de Modelos Matemáticos –
Modelo Estocástico
Modelo Estocástico aquellos basados en la
estadística y probabilidades (donde se
incorpora las incertidumbres que por lo
general acompañan nuestras
observaciones de eventos reales).
◦ Modelo de Poisson
◦ Modelo Normal
◦ Modelo Binomial
Tipos de Modelos Matemáticos –
Modelo Determinístico
Modelo Determinístico corresponde a aquel
modelo cuantitativo que no contiene
consideraciones probabilísticas.
◦ Modelo de Optimización Lineal
◦ Modelos de inventarios
◦ Modelos para determinar capacidad productiva
óptima
◦ Modelos para maximizar la utilidad o minimizar
las pérdidas
 Determinístico v/s Estocástico
Los procesos determinísticos, son procesos en los que
conociendo las condiciones iniciales siempre siguen el
mismo curso y producen el mismo resultado final, o
sea no hay elementos aleatorios, podemos predecir en
el tiempo todos los posibles estados y el estado final
siempre será el mismo dado unas mismas condiciones
iniciales.
 Determinístico v/s Estocástico
En procesos estocásticos no estamos frente a un
simple curso de acontecimientos en el tiempo, o sea
que hay un grado de indeterminación en los posibles
cursos o secuencias de pasos que tome el proceso y
este escenario múltiple puede ser descrito por
distribuciones de probabilidad. En un proceso
estocástico aun cuando tenemos las mismas
condiciones iniciales en el comienzo hay diferente
cursos de acontecimiento que el proceso puede tomar
y por ende se puede arribar a diferentes estados
finales partiendo de unas mismas condiciones iniciales.