INSTITUTO TECNOLÓGICO DE PIEDRAS NEGRAS

CARRERA:
Ingeniería Industrial.
MATERIA:
Investigación de Operaciones ll.
DOCENTE:
Ing. Norma Eleonor Hernández Ochoa.
TEMA:
Sistema Estocástico.

NOMBRE DEL ALUMNO(A):

Karina Guadalupe López Pérez.
NÚMERO DE CONTROL:
19430016
Piedras Negras, Coahuila. Martes, 13 de julio de 2021.
 SISTEMA ESTOCÁSTICO. (DEFINIR DISTRIBUCION DE POISSON
Y EXPONENCIAL, MARCAR DIFERENCIAS ENTRE SISTEMA DETERMINISTICO Y ESTO
CASTICO)

Sistema Estocástico.
Definición técnica: Un proceso estocástico es un conjunto de variables aleatorias
que depende de un parámetro o de un argumento. En el análisis de series
temporales, ese parámetro es el tiempo. Formalmente, se define como una familia
de variables aleatorias Y indiciadas por el tiempo, t. Tales que, para cada valor de
t, Y tiene una distribución de probabilidad dada.
En términos mucho más sencillos, un proceso estocástico es aquel que no se
puede predecir. Se mueve al azar. Uno de los ejemplos más clásicos para hacer
referencia a un proceso estocástico es la bolsa de valores.

Ejemplos de procesos estocásticos

A continuación, se ofrecen ejemplos variados de fenómenos que constituyen

procesos estocásticos.

 Electrocardiograma
 Terremotos
 El clima
 El segundo concreto de un partido en el que un jugador anota un gol
 Número de personas que dicen una palabra concreta alrededor del
mundo

Como podemos comprobar son procesos totalmente aleatorios. Es imposible

saber en qué segundo anotará un jugador un gol. Al igual que es imposible
predecir de forma exacta qué tiempo hará en una zona en cierto instante. Y a
pesar de los avances tecnológicos sigue siendo imposible predecir un terremoto.
Distribución de Poisson.
Definición técnica: La distribución de Poisson es una distribución de probabilidad
discreta que modeliza la frecuencia de eventos determinados durante un intervalo
de tiempo fijado a partir de la frecuencia media de aparición de dichos eventos.
En otras palabras, la distribución de Poisson es una distribución de probabilidad
discreta que, tan solo conociendo los eventos y su frecuencia media de
ocurrencia, podemos saber su probabilidad.

Expresión de la distribución de Poisson.

Dada una variable aleatoria discreta X decimos que su frecuencia se puede
aproximar satisfactoriamente a una distribución de Poisson, tal que:

Expresión de la distribución de Poisson

A diferencia de la distribución normal, la distribución de Poisson solo depende de
un parámetro, mu (marcado en amarillo).

Mu informa del número esperado de eventos que ocurrirán en un intervalo de

tiempo fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a
pensar en la media. Por tanto, mu es la media de la frecuencia de los eventos. 

Tanto la media como la varianza de esta distribución son mu, estrictamente

positiva.

Representación.

Dada una distribución de Poisson con media 2, la distribución de probabilidad de

densidad es la siguiente: 
 Función de densidad de probabilidad de Poisson

La función solo está definida en valores enteros de x. 

No todas las distribuciones de probabilidad de densidad de Poisson tendrán el

mismo aspecto, aunque mantengamos igual la muestra. Si cambiamos la media,
es decir, el parámetro del que depende la función, también cambiará la función. 

Distribución Exponencial.
Podemos considerarla como un modelo adecuado para la distribución de
probabilidad del tiempo de espera entre dos hechos que sigan un proceso de
Poisson. De hecho, la distribución exponencial puede derivarse de un proceso
experimental de Poisson con las mismas características que las que
enunciábamos al estudiar la distribución de Poisson, pero tomando como variable
aleatoria, en este caso, el tiempo que tarda en producirse un hecho.
Obviamente, entonces, la variable aleatoria será continua. Por otro lado, existe
una relación entre el parámetro a de la distribución exponencial, y el parámetro de
intensidad del proceso l, esta relación es  = l

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los
siguientes casos:

 Distribución del tiempo de espera entre sucesos de un proceso de Poisson

 Distribución del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condición que la probabilidad de producirse un fallo en un
instante no depende del tiempo transcurrido. Aplicaciones en fiabilidad y
teoría de la supervivencia.

Función de densidad.

A pesar de lo dicho sobre que la distribución exponencial puede derivarse de un

proceso de Poisson, vamos a definirla a partir de la especificación de su función.
de densidad:

Dada una variable aleatoria X que tome valores reales no negativos {x ≥ 0}
diremos que tiene una distribución exponencial de parámetro  con  ≥ 0, si y
sólo si su función de densidad tiene la expresión:  

Diremos entonces que 

Gráficamente como ejemplo planteamos el modelo con parámetro =0,05.

Diferencias entre sistema determinístico y sistema
estocástico.
Tal clasificación hace referencia al grado de certeza con el cuál se conocen los
parámetros de un modelo matemático, el modelo es determinístico cuando se
tiene certeza de los valores de los parámetros, el modelo es estocástico cuando
los parámetros usados para caracterizar el modelo son variables aleatorias que
tienen unos comportamientos estimados, pero no se conoce con certidumbre
previamente cuál será el valor que tomen.