01 Clase Mod Estocasticos
01 Clase Mod Estocasticos
01 Clase Mod Estocasticos
ICI2212
Profesor: Víctor Betancourt G.
01: 2019-01
Modelos Estocásticos
Descripción
N.P.E. 70%
EXAMEN 30%
TOTAL 100%
SI NPE ≥ 5 Eximido
NF = 0,70NPE + 0,30NE
Modelos Estocásticos
BIBLIOGRAFÍA
Título: Introducción a la Investigación de Operaciones.
Autor: Hillier y G.J. Lieberman
ISBN: 9786071503084
Editorial: McGraw-Hill
Edición: 9a. ed.
Número de Ejemplares disponibles: 4
Sedes: República
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
X , 0 : T
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
• Si fijo ω, por ejemplo 0=CCFFFC, obtengo
una secuencia de valores completamente
determinista:
• X1(0)=1, X2(0)=2, X3(0)=1, X4(0)=0,
X5(0)= –1, X6(0)=0
• Puedo dibujar con estos valores la trayectoria
del proceso:
Ejemplo 1 proceso estocástico
3
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
PX 3 ( ) 3 PCCC
1 1 1 1
2 2 2 8
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
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.
𝑃 𝐴∩𝐵
𝐿𝑎 𝑓ó𝑟𝑚𝑢𝑙𝑎: 𝑃 𝐵ൗ𝐴 =
𝑃 𝐴
Donde:
𝑃 𝐴1 𝑃 𝐵ൗ𝐴
𝐴1ൗ 1
𝑃 𝐵 =
𝑃 𝐵 = σ 𝑃 𝐴𝑖 𝑃 𝐵ൗ𝐴
𝑖
Ejemplo 6
F(X) = p(x ≤ X)
𝑿𝒊 𝑷𝒊
X≤1 1
6
X≤2 2
6
X≤3 3
6
X≤4 4
6
X≤5 5
6
X≤6 6
6=1
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.
𝑿𝒊 𝑷𝒊
X= 0 15
45
X=1 24
45
X=2 6
45
Distribución de probabilidad de la variable aleatoria del
ejemplo
𝑿𝒊 𝑷𝒊
X= 0 15
45
X=1 24
45
X=2 6
45
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
1 – p =(0.50)
• n = número de intentos = 6
Ejemplo 10
𝑝 𝑥 (1 − 𝑝)(𝑛−𝑥)
De acuerdo con la ley de la adición, la probabilidad de k
artículos defectuosos en un lote de n artículos es :
La media E{x} = np
Ejemplos :
Donde:
μ = E{x} = λ
(𝜎 2 ) = 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
𝑓 𝑥 = λ𝑒 −λ𝑥 , X > 0
La figura siguiente muestra la forma de f(x)
La varianza , var{x} = 1 / λ .
λ = 3/2 minutos
0 𝑠𝑖 𝑥 < 0
𝑓 𝑥 =ቊ
1 − 𝑒 3𝑥Τ2 𝑠𝑖 𝑥 ≥ 0
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.
𝑋−𝜇
El valor de z está derivado de la fórmula: 𝑍=
𝜎
En la que:
𝑃 𝐼 ҧ 𝑃(𝐴ൗ ҧ
ҧ 𝐼)
𝑃 𝐼ൗ𝐴 =
𝑃 𝐼 ҧ 𝑃(𝐴ൗ ҧ + 𝑃(𝐼)𝑃(𝐴ൗ𝐼)
𝐼)
Ejercicio 5
El diámetro promedio de una pieza metálica para cierta
maquinaria industrial es de 71 milímetros con márgenes de
tolerancia de 2 milímetros por encima o por debajo de la
media. ¿Cuál debe ser el valor de la desviación estándar, si
se aspira a que sólo el 1% de las piezas, resulten
defectuosas? Se sabe que los diámetros se distribuyen
normalmente. 99%
Solución:
2,5758293
𝑋−𝜇 73−71
𝑍= = =2,5758293 => σ=0,77
𝜎 𝜎
Ejercicio N°6