Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos Estocásticos
Descripción
Complementaria
Título: Investigación de Operaciones
Autor: Wayne L. Winston
ISBN: 9706863621
Editorial: Thomson
Edición: 4a. ed.
Número de Ejemplares disponibles: 8
Sedes: República
Modelos Estocásticos
BIBLIOGRAFÍA
Título: Investigación de Operaciones
Autor: Taha
ISBN: 9786073207966
Editorial: Pearson
Edición: 7a. ed.
Número de Ejemplares disponibles: 12
Sedes: República
Modelos de análisis
Fórmulas analíticas, muestran exactamente o casi, como es el
comportamiento del sistema analizado.
Modelos de Simulación
Procedimientos de simulación o algoritmos que van a mostrar en
una escala de tiempo como se comportará el sistema, desde el
principio hasta el final de la simulación.
ESQUEMA GENERAL DE MODELACION DE SISTEMAS
Procesos estocásticos
• Un sistema de operaciones complejo se
caracteriza por demandas de carácter aleatorio
y por ser dinámico
• Necesitamos una herramienta que modele
procesos aleatorios en el tiempo, y para ello
usaremos los procesos estocásticos
• Un proceso estocástico es una familia de
variables aleatorias parametrizadas por el
tiempo
Procesos estocásticos
X t : , t T
X t X , t
Procesos estocásticos
t X t , 0
Procesos estocásticos
X t0 , :
X t0 ,
Procesos estocásticos
• El espacio de estados S de un proceso
estocástico es el conjunto de todos los posibles
valores que puede tomar dicho proceso:
S X t | t T
Ejemplo 1 proceso estocástico
• Lanzamos una moneda al aire 6 veces. El
jugador gana 1 $ cada vez que sale cara (C), y
pierde 1 $ cada vez que sale cruz (F).
• Xi = estado de cuentas del jugador después de
la i-ésima jugada
• La familia de variables aleatorias {X1, X2,…, X6}
constituye un proceso estocástico
Ejemplo 1 proceso estocástico
• ={CCCCCC,CCCCCF,…}
• () = 26 = 64 resultados posibles
• P()=1/64
• T={1, 2, 3, 4, 5, 6}
• S={–6, –5, …, –1, 0, 1, 2, …, 5, 6}
• X1()={–1, 1}
• X2()={–2, 0, 2}
Ejemplo 1 proceso estocástico
2
Valor del proceso
-1
-2
1 2 3 4 5 6
Instante de tiempo, t
Ejemplo 1 proceso estocástico
• Si fijo t, por ejemplo t0=3, obtengo una de las
variables aleatorias del proceso:
X3 :
X 3
S discreto S continuo
Sucesión de variables
Cadena (Proceso de estado
aleatorias continuas (Proceso
discreto y tiempo discreto
de estado continuo y tiempo
T discreto Ejem: Unidades producidas discreto)
mensualmente de un
Jem: Toneladas de producción
producto)
diaria de un producto
Proceso puntual (Proceso
de estado discreto y tiempo Proceso continuo (Proceso de
continuo) estado continuo y tiempo
T continuo continuo)
Ejem: Unidades producidas
hasta el instante t Ejem: Velocidad de un vehículo
en el instante t
Proceso Estocástico
Estado
Continuo Discreto
Continuo
Sucesión de variables
aleatorias continuas Cadena
Unidad II
• Ejemplo 2
Una bolsa contiene bolas blancas y negras. Se extraen
sucesivamente tres bolas.
– Calcular:
1. El espacio muestral.
2. El suceso A = {extraer tres bolas del mismo color}.
3. El suceso B = {extraer al menos una bola blanca}.
4. El suceso C = {extraer una sola bola negra}.
Solución ejercicio 1
1. El espacio muestral.
E = {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b); (n,
n,n)}
2. El suceso A = {extraer tres bolas del mismo color}.
A = {(b,b,b); (n, n,n)}
3. El suceso B = {extraer al menos una bola blanca}.
B= {(b,b,b); (b,b,n); (b,n,b); (n,b,b); (b,n,n); (n,b,n); (n,n ,b)}
4. El suceso C = {extraer una sola bola negra}.
C = {(b,b,n); (b,n,b); (n,b,b)}
En un experimento se puede manejar también un espacio muestral
continuo.
Ejemplos 3.
Donde:
𝑃 ( 𝐴1 ) 𝑃
( )
𝐵
( )
𝐴1 𝐴1
𝑃 =
( )
𝐵 𝐵
𝑃 ( 𝐵 )= ∑ 𝑃 ( 𝐴𝑖 ) 𝑃
𝐴𝑖
Ejemplo 6
( )
𝐴1 𝐴1
Aplicando la fórmula: 𝑃 =
( 𝐴𝐵 )
𝐵
𝑃 ( 𝐵 )= ∑ 𝑃 ( 𝐴𝑖 ) 𝑃
𝑖
F(X) = p(x ≤ X)
X≤1
X≤2
X≤3
X≤4
X≤5
X≤6
Una medida importante de las probabilidades es la
función de distribución acumulada (FDA), que se
define como sigue:
Solución:
Sea X = número de tornillos defectuosos extraídos.
Como hay 10 tornillos de los cuales 4 son defectuosos y se
extraen 2 tornillos al azar (sin reemplazo); entonces, el
cardinal del espacio muestral es
entonces X toma los valores del 0 al 2 ya que al extraer dos
tornillos sólo puede ocurrir que no salga ningún defectuoso, un
defectuoso o dos defectuosos.
X= 0
X=1
X=2
Distribución de probabilidad de la variable aleatoria del
ejemplo
X= 0
X=1
X=2
Expectativa de una Variable Aleatoria
Distribución Binomial
Distribución de Poisson
Distribución Exponencial
Distribución Normal
Distribución binomial
Etc.
Entonces, al resultado esperado se le puede denominar
como “éxito” y tiene una probabilidad de ocurrencia p y al
otro resultado , “fracaso”, con una probabilidad q=1-p.
6! /2!(6-2)! = 15
P{ 2caras} = 6! /2!(6-2)! *
Usando la siguiente notación tenemos que:
• P(x) es la probabilidad de ocurrencia del evento.
1 – p =(0.50)
• n = número de intentos = 6
Ejemplo 10
La media E{x} = np
Ejemplos :
Donde:
μ = E{x} = λ
( ) = var{x} = λ
El resultado es P (x = 5) = 0,04602
• n = 100 , P = 0.03 ,
• λ= 100 * 0.03 = 3 ,
•x=5,
• e = 2.718281828
= 0.10081
, X>0
La figura siguiente muestra la forma de f(x)
La varianza , var{x} = 1 / λ .
λ = 3/2 minutos
Ejemplo 16
6 /15
P( x 6) 1 e 0.3297
Distribución normal
La distribución normal es un caso particular de
probabilidad de variable aleatoria contínua, fue
reconocida por primera vez por el francés Abraham de
Moivre (1667-1754).
El área total es 1
Una propiedad importante de la variable aleatoria normal es que
representa de forma aproximada la distribución del promedio de una
muestra tomada de cualquier distribución.
En la que:
Solución:
2,5758293