INVESTIGACIÓN

OPERATIVA II

MODELOS ESTOCÁSTICOS

2015
INTRODUCCION

Un modelo estocástico se define como una colección ordenada

de variables aleatorias {Xt}, en donde el índice t, toma valores de
un conjunto T dado, que con frecuencia es un conjunto de enteros
no negativos y Xt representa una característica de interés medible
en el tiempo t. Por ejemplo:
Xt = Número de artículos en inventario semanalmente
T = 52 semanas al año
X1= 40 artículos en la semana 1
X2= 30 artículos en la semana 2

Si se presenta cierta regularidad en algunos de estos fenómenos

aleatorios, se puede minimizar la incertidumbre, mediante el
desarrollo de modelos probabilísticos que caractericen el
comportamiento de estas variables.
DEFINICIONES BÁSICAS

Espacio muestral: el conjunto de resultados de un experimento

Evento: cualquier subconjunto del espacio muestral

Variable aleatoria: es una función que asigna valores reales a los

resultados de un experimento

Modelo estocástico: todo esquema abstracto de naturaleza

probabilística, susceptible de representar un modelo real.

En una breve descripción de un modelo aleatorio se reconocen los

siguientes elementos:

- Un conjunto de estados posibles del sistema E

- Un conjunto de eventos elementales posible Ω
- Una distribución D de probabilidades sobre Ω
DEFINICIONES BÁSICAS

Ejemplos:
- Número de ventas mensuales de un artículo
- Fallas eléctricas de un equipo en un mes
- Número de clientes atendidos por hora en un banco
- Número de piezas fabricadas por un torno al mes

Los modelos estocásticos son funciones aleatorias pero con la

particularidad de que el argumento de estas funciones es el tiempo.
Se dice entonces que son procesos estocásticos o aleatorios. En este
tipo de modelos, se busca saber cómo el futuro de un sistema está
correlacionado con su pasado y presente.
DEFINICIONES BÁSICAS

Definición 1: Un proceso estocástico es una colección de v.a. de la

forma {X(t), t ε T}, donde T puede ser un conjunto continuo o discreto.

Si T es contable o finito, el proceso se denomina discreto.

Si T es un subconjunto de los reales, el proceso se denomina

continuo.

Con frecuencia T se toma como el conjunto de enteros no negativos y

Xt representan una característica de interés medible en el tiempo t.
DEFINICIONES BÁSICAS

Definición 2: Se dice que un proceso estocástico {N(t), t≥0}, es un

Proceso de Conteo si cuenta a los eventos que ocurren en el
intervalo (0,t)

{N(t), t≥0}, es un proceso estocástico en tiempo continuo.

Ejemplos:
-Nº de votos en una urna a lo largo de un día
-Nº de accidentes de tránsito en un año
-Llegada de camiones a un punto de carga
-Ventas de cierto producto en un supermercado.
DEFINICIONES BÁSICAS

Propiedades del proceso de conteo

N(t) ≥ 0
N(t) toma valores enteros positivos

Si s < t  N(s) ≤ N(t) (proceso creciente)

El número de eventos ocurridos en (s,t) = N(t) – N(s) donde N(s) y

N(t) son v.a. independientes.
DEFINICIONES BÁSICAS
Axioma de Independencia

{N(t), t≥0} es un proceso de conteo con incrementos independientes

si la v.a. N(s+t) – N(t) es independiente del proceso N(u), donde u ≤ t.

Ejemplo:

N(t)= número de personas que han llegado a una estación de metro

en (0,t) N(u) N(t) N(t+s)

0 u t t+s

N(t+s) = N(t) + [N(t+s) – N(t) ] = número de llegadas en el intervalo (t, t+s)

N(t+s) = N(t+s) -- Independencia de lo que ocurre antes de t

DEFINICIONES BÁSICAS

Axioma de Uniformidad (Incrementos estacionarios)

{N(t), t≥0} es un proceso de conteo con incrementos estacionarios si

la distribución del número de eventos que ocurren en un intervalo de
tiempo depende del largo del intervalo, pero no de su posición en el
tiempo. Esto es N(s+t)–N(t) es independiente del tiempo.

N(u) N(t+s)
0 u t t+s
DEFINICIONES BÁSICAS
Definición 3: Un proceso de conteo {N(t), t≥0}, es un Proceso de
Poisson a tasa λ con λ ≥0 si:

N(0) = 0 ( en t=0 no hay eventos)

N(t) tiene incrementos independientes
N(t) tiene incrementos estacionarios

Entonces la distribución de Poisson con parámetro λt es:

(t ) n e   t
Pn ( t )  PN ( t )  n  
n!
E ( N ( t ))  t
MODELO ESTOCÁSTICO DE POISSON

La distribución de Poisson modela procesos de conteo de individuos que

llegan a un sistema, por unidad de tiempo.

Variable Aleatoria N(t) = Número de veces que ocurre el suceso n (éxitos)

por unidad de área, tiempo, pieza, etc.

Ejemplos:

- N° de defectos de una tela por m2

- N° de aviones que aterrizan en un aeropuerto por día
- N° de bacterias por cm2 de cultivo
- N° de llamadas telefónicas entrantes por hora
- N° de llegadas de embarcaciones a un puerto por día

Parámetros de la distribución: Media (λ)

n  t

Pn ( t )  PN ( t )  n  
Función de probabilidades: ( t ) e
n!
Definición 4: Sea T una v.a. que representa los tiempos entre
eventos de un proceso de Poisson, entonces éstos corresponden a
v.a. idénticamente distribuidas, con distribución exponencial de
parámetro λ.


P T t   1  et
y

P T t   e  t
donde el valor esperado y la varianza son:

1 1
E (T )  Var (T ) 
 2
La función de densidad de la distribución exponencial es:

e t para t0


f T (t )  
0 para t0

Propiedades

-fT es una función estrictamente decreciente de t (t≥0)

P(0  T  t )  P(t  T  t  t )

- Falta de memoria..

P(T  t  t / T  t )  P(T  t )
División de un Proceso de Poisson:

XA(t)
p
X(t)

1-p
XB(t)

Si X(t) es un proceso de Poisson de tasa λ, con probabilidad p un

evento de X(t) es tipo A y con probabilidad (1-p) es tipo B, entonces
XA(t) y XB(t) son dos procesos de Poisson independientes de tasas
λA=p λ y λB=(1-p)λ.
Mezcla de dos Procesos de Poisson:

N1(t)

N(t)=N1(t)+N2(t)

N2(t)

Si N1(t) y N2(t) son dos procesos de Poisson de tasas λ1 y λ2

respectivamente. A partir de estos dos procesos es posible construir
N(t)=n1(t)+N2(t) de tasa λ = λ1 + λ2.
Ejemplo 1.

En un estacionamiento del centro, se ha determinado que la llegada de

vehículos obedece a una distribución de Poisson con tasa = 15 vehículos
por hora. El 30% de los vehículos que llegan al estacionamiento finalmente
entran a él, mientras que el 70 % restante se va sin ingresar.

a) Cual es la probabilidad de que ingresen al menos 5 vehículos al

estacionamiento durante una jornada (6 horas).

NA(t) P=0,3 entran al estacionamiento

p
N(t) λA=p*λ = 0,3*15 = 4,5 vehículos/hora

λ=15 vehículos/hora
1-p 1-P=0,7 no entran al estacionamiento
NB(t)
λB=(1-p)*λ = 0,7*15 = 10,5 vehículos/hora
Ejemplo 1.

a) Cual es la probabilidad de que ingresen al menos 5 vehículos al

estacionamiento durante una jornada (6 horas).

NA(t) P=0,3 entran al estacionamiento

p
N(t) λA=p*λ = 0,3*15 = 4,5 vehículos/hora

λ=15 vehículos/hora
1-p
NB(t)1-P=0,7 no entran al estacionamiento
λB=(1-p)*λ = 0,7*15 = 10,5 vehículos/hora

P [Na(6)≥5] = 1 – P[Na(6)<5]
 (4,5  6) 4 (4,5  6) 3 (4,5  6) 2 (4,5  6)1 (4,5  6) 0 
 4.5*6
P{Na(6)  5}  1  e      
 4! 3! 2! 1! 0! 
P{Na(6)  5}  1  0,0000000485
P{Na(6)  5}  0.9999  99,99%
 Ejemplo 1.

b) Se sabe que se han retirado del estacionamiento 8 vehículos entre las 12:00
y la 12:30 Hrs. ¿Cual es la probabilidad de que se vallan 4 vehículos
durante la siguiente media hora?

Se sabe que Nb(30)=8 Los axiomas de independencia y de

incrementos estacionarios, indican que
lo que sucede en el tramo (0,30), no
afecta lo que sucederá en el tramo
(30,60), por lo que la probabilidad de
t=0 t=30 t=60 que se vallan 4 vehículos en este
P(Nb(30)=4) ?
12:00 12:30 13:00 tramo, no depende su posición en el
tiempo, si no que depende sólo del
largo de su intervalo (30 minutos):

P{NB (30)  4 / NB (30)  8}  P{NB (30)  4}

(0.175  30)4 e 0.175 *30
P{NB (30)  4}   0.166
4!
 Ejemplo 1.

c) ¿Cual es la probabilidad de que ingresen 2 vehículos entre las 9:00 y las

9:20 am, si se sabe que han ingresado 4 entre las 9:00 y las 9:45 am?

Se sabe que Na(45)=4

En este caso, los intervalos (t) de
tiempo, no son independientes, por lo
que deberán calcularse probabilidades
t=0 P(Na(20)=2) ? t=20 t=45 condicionales.
09:00 09:20 09:45
Para poder multiplicar las
probabilidades condicionales, los
P(NA (20)  2)  P (NA (45)  4)
P{NA (20)  2 / NA (45)  4}  suceso deben ser independientes,
P (NA (45)  4) en este caso no lo son, por lo que
debe transformarse el problema.
Na(25)=2

De esta forma, se realiza una

nueva probabilidad condicional, con
sucesos independientes
t=0 P(Na(20)=2) ? t=20 t=45
09:00 09:20 09:45
 P(NA (20)  2)  P (NA (45)  4)
P{NA (20)  2 / NA (45)  4} 
P (NA (45)  4)

P(NA (20)  2)  P (NA (25)  2) P(NA (20)  2) * P (NA (25)  2)

P{NA (20)  2 / NA (45)  4}  
P (NA (45)  4) P (NA (45)  4)
0.075 * 202 * e( 0.075 *20 ) * 0.075 * 252 * e( 0.075 *25 )
P{NA (20)  2 / NA (45)  4}  2! 2!
0.075 * 45 4
*e ( 0.075 * 45 )

4!
0.2510 * 0.2696
P{NA (20)  2 / NA (45)  4}   0.3659
0.1849
 EJEMPLO:
Al aeropuerto de Antofagasta, llegan aviones según una distribución de Poisson,
con media de 20 aviones por hora. Se pide determinar.

1. ¿Cuál es la probabilidad de que lleguen más de 2 aviones los primeros 10

minutos?
aviones 20 aviones 1 aviones
  20  
hora 60 min uto 3 min utos
(t ) n e   t
Pn ( t )  PN ( t )  n  
n!
P {N (10)  2}  1  P {N (10)  2}
P {N (10)  2}  1  [P {N (10)  2}  P {N (10)  1}  P { X (10)  0}]
 1 1
 10 1
1
 10 1  10 
1

 (  10) e (  10) e 3 (  10) e 3 

2 3 1 0

P {N (10)  2}  1   3  3  3 
 2! 1! 0! 
 
P {N (10)  2}  1  0.1982  0.1189  0.0357
P {N (10)  2}  1  0.3527
P {N (10)  2}  0.6472
 EJEMPLO:

2.- Si se sabe que durante los 10 primeros minutos llegaron al menos 2 aviones.
¿Cuál es la probabilidad de que los siguientes 5 minutos no llegue ningún
avión?

t=0 t=10 t=15

Los axiomas de independencia y de incrementos estacionarios, indican que lo
que sucede en el tramo (0,10), no afecta lo que sucederá en el tramo (10,15),
por lo que la probabilidad de que no llegue ningún avión en este tramo, no
depende su posición en el tiempo, si no que depende sólo del largo de su
intervalo (5 minutos):

P{ N (5)  0 / N (10)  2}  P { N (5)  0}

1
1  5
(  5) e 3
0

P { N ( 5 )  0}  3  0.1889
0!
 EJEMPLO:

3. En promedio, un avión toma 2 minutos en aterrizar, tiempo que se distribuye

exponencialmente. Los aviones aterrizan en orden de llegada ¿Cuánto tiempo
en promedio pasará ocupada la loza durante 1 hora?

aviones
Para una distribución de Poisson: E ( N ( t ))  t  20  1hora  20aviones
hora
Llegan en promedio 20 aviones en 1 hora
1 min utos
Para una distribución exponencial: E (T )  2
 avión
Cada avión demora en promedio 2 minutos en aterrizar.

Por lo tanto, en una hora, la loza estará ocupada:

min utos
E ( N ( t )) * E (T )  20 aviones * 2  40 min utos
avion
 EJEMPLO:

5. Suponga que los aviones que llegan al aeropuerto, corresponden a vuelos

comerciales con una probabilidad de ¾ , y a vuelos de carga con una
probabilidad de ¼. Si se sabe que entre las 10:00 y 11:00 am llegaron 18
aviones ¿Cuál es la probabilidad de que la siguiente media hora llegue un avión
de carga?
NA(t) P=3/4, aviones comerciales
p
N(t) λA=p*λ = 3/4*1/3 = 1/4 aviones/minuto

λ=1/3 aviones/minuto
1-p 1-P=1/4, aviones de carga
NB(t)
λB=(1-p)*λ = 1/4*1/3 = 1/12 aviones/minuto

t=0 t=60 t=90

10:00 11:00 11:30
EJEMPLO:

NA(t) P=3/4, aviones comerciales

p
N(t) λA=p*λ = 3/4*1/3 = 1/4 aviones/minuto

λ=1/3 aviones/minuto
1-p 1-P=1/4, aviones de carga
NB(t)
λB=(1-p)*λ = 1/4*1/3 = 1/12 aviones/minuto

t=0 t=60 ? t=90

10:00 11:00 11:30
Los axiomas de independencia y de
P{N B (30)  1 / N(60)  18}  P{N B (30)  1} incrementos estacionarios, indican que
1
lo que sucede en el tramo (0,60), no
1  *30 afecta lo que sucederá en el tramo
(  30) e 12
1
(60,90), por lo que la probabilidad de
P{N B (30)  1}  12  0.2052 que llegue un avión de carga en este
1! tramo, no depende su posición en el
tiempo, si no que depende sólo del
largo de su intervalo (30 minutos):
 EJEMPLO:

6. Si se sabe que entre las 10:00 y 11:00 am llegaron 12 aviones comerciales

¿Cuál es la probabilidad de que lleguen 2 aviones comerciales entre las 10:00 y
las 10:30?
NA(t) P=3/4, aviones comerciales
p
N(t) λA=p*λ = 3/4*1/3 = 1/4 aviones/minuto

λ=1/3 aviones/minuto
1-p 1-P=1/4, aviones de carga
NB(t)
λB=(1-p)*λ = 1/4*1/3 = 1/12 aviones/minuto

12 aviones
En este caso, los intervalos (t) de
tiempo, no son independientes, por lo
que deberán calcularse probabilidades
t=0 2 aviones? t=30 t=60 condicionales.
10:00 10:30 11:00
 EJEMPLO:

λA=p*λ = 3/4*1/3 = 1/4 aviones/minuto

12 aviones comerciales

t=0 2aviones? t=30 t=60

10:00 10:30 11:00
Para poder multiplicar las
P(N A (30)  2)  P (N A (60)  12) probabilidades condicionales, los
P{N A (30)  2 / N A (60)  12}  suceso deben ser independientes,
P (N A (60)  12)
en este caso no lo son, por lo que
debe transformarse el problema.

10 aviones?
De esta forma, se realiza una
nueva probabilidad condicional, con
sucesos independientes
t=0 2aviones? t=30 t=60
10:00 10:30 11:00
 EJEMPLO:

λA=p*λ = 3/4*1/3 = 1/4 aviones/minuto

10 aviones?

t=0 2aviones? t=30 t=60

10:00 10:30 11:00

P(N A (30)  2)  P( N A (30)  10) P(N A (30)  2) * P( N A (30)  10)

P{N A (30)  2 / N A (60)  12}  
P( N A (60)  12) P( N A (60)  12)
2 10
1  1 
1 1
(  * 30 ) (  * 30 )
 * 30  * e 4  * 30  * e 4
4  *
4 
P{N A (30)  2 / N A (60)  12}  2! 10!
12
1 
1
(  *60 )
 * 60  * e 4
4 
12!
0.0155 * 0.0858
  0.0129
0.1024