Facultad de Ingeniera

Escuela de Industrias
Ingeniera Civil Industrial

ICI2212 Modelos Estocsticos

Profesor Claudio C. Araya Sassi

Unidad 1: Introduccin a los Procesos Estocsticos

Curso Perodo Verano, Enero de 2015

Profesor
Claudio Christian Araya Sassi

Propietario y Gerente General MSC Management Science Consulting.

Consultora y capacitacin en Optimizacin, Simulacin, Pronsticos,
Ingeniera de Marketing y Strategic Management Science.
Ingeniero Civil Industrial, Universidad Tcnica Federico Santa Mara.
Master in Management Science, Universidad Adolfo Ibez.
Doctorado en Ingeniera Industrial, Pontificia Universidad Catlica de
Valparaso (previsto 2016).
claudioaraya@managementscience.cl
www.managementscience.cl
Profesor MSc. Claudio Araya Sassi

Programa
1. IDENTIFICACIN DE LA ASIGNATURA
Curso
Cdigo
Tipo de actividad
Prerrequisitos

: Modelos Estocsticos
: ICI2212
: Terico-Prctico
: ICI2209

2. DESCRIPCIN DE LA ACTIVIDAD CURRICULAR

Analizar los sistemas de gestin y operacin que presenten componentes
probabilsticas o aleatorias, as como con presencia de elementos de
incertidumbre y utilizando metodologas de simulacin y modelacin
para la resolucin de problemas en ambientes complejos.

Profesor MSc. Claudio Araya Sassi

Programa
3. SENTIDO Y UBICACIN DE LA ASIGNATURA EN EL PLAN DE ESTUDIOS
Se encuentra en el eje Gestin de Operaciones, en el que el alumno una
vez aprobado el eje, se encontrar en condiciones de disear, dirigir y
optimizar procesos productivos y de servicios, orientado a la creacin de
valor en la organizacin con especial atencin en la calidad, aplicando su
dominio en herramientas de simulacin, heursticas para la solucin de
problemas, construccin de modelos determinsticos y estocsticos de
optimizacin, imprimiendo siempre en su accionar un sello de
responsabilidad social y de respeto por el medio ambiente.

Profesor MSc. Claudio Araya Sassi

Programa
4. APRENDIZAJES ESPERADOS

El estudiante desarrollar aprendizajes que le permitirn:

1. Comprender de manera general y especfica sistemas de gestin y
operacin que presenten componentes probabilsticas o aleatorias, as
como con presencia de elementos de incertidumbre.
2. Comprender y modelar sistemas en los cuales sus componentes
interactan a travs del tiempo de acuerdo a comportamientos
aleatorios.

3. Modelar y resolver problemas reales de operacin y gestin de sistemas

que presentan componentes probabilsticos o aleatorios.

Profesor MSc. Claudio Araya Sassi

Programa
5. CONTENIDO
Unidad 1: Introduccin a los Procesos Estocsticos (10%)

Definicin de incertidumbre
Ejemplos de sistemas con incertidumbre
Definicin y caractersticas bsicas de Procesos Estocsticos
Enfoques de modelacin (modelos analticos y simulacin)

Unidad 2: Repaso Probabilidad y Estadsticas (12%)

Funciones de distribucin de probabilidades
Esperanza, varianza y momentos
Probabilidades y Esperanza condicionales

Profesor MSc. Claudio Araya Sassi

Programa
5. CONTENIDO
Unidad 3: Proceso de Poisson: (12%)
Definicin y propiedades del proceso
Ejemplos de proceso de Poisson
Distribucin de probabilidades del proceso
Distribucin de los tiempos entre eventos
Distribucin condicional de los tiempos entre llegadas.
Descomposicin del proceso de Poisson y proceso de Poisson compuesto.
Unidad 4: Proceso de Renovacin (12%)
Definicin, distribucin de probabilidades del proceso
Polticas de mantencin y reemplazo
Comportamiento del proceso en el largo plazo
Unidad 5: Cadenas de Markov en Tiempo Discreto (12%)
Definicin, propiedades, probabilidades de transicin,
Ecuaciones de Chapman-Kolmogorov
Distribucin de probabilidades
Clasificacin de estados, anlisis del estado transiente
Anlisis en el largo plazo, distribucin lmite
Profesor MSc. Claudio Araya Sassi

Programa
5. CONTENIDO
Unidad 6: Cadenas de Markov en Tiempo Continuo (12%)

Definicin y propiedades
Tiempos de permanencia y probabilidades de transicin
Ecuaciones de Chapman- Kolmogorov
Anlisis en el largo plazo, ecuaciones de equilibrio
Procesos de nacimiento y muerte.

Unidad 7: Sistemas de Espera (30%)

Introduccin a los problemas de sistemas de espera.

Indicadores de Performance de un sistema
Sistemas M/M/1
Frmula de Little.
Otros Sistemas: M/M/1/K, M/M/C. M/G/1.
Sistemas con servicio dependiente del estado, llegadas en lotes.
Redes de Sistemas de Espera
Profesor MSc. Claudio Araya Sassi

Programa
6. EVALUACIN
La nota de presentacin a examen se calcular como sigue:
Promedio de Solemnes (2)
Tarea

= 70%
= 30%

Ponderacin final:
Nota presentacin a examen
Nota examen

= 70%
= 30%

La nota de eximicin del examen es 5.0 sin rojos, 5.5 con un rojo.
Asistencia a clases: Se exigir una asistencia del 87%, esto es, 13 das de los
15 das en total. Los alumnos que no cumplan con esta norma quedarn
automticamente reprobados.
Profesor MSc. Claudio Araya Sassi

Programa
7. BIBLIOGRAFA

OBLIGATORIA:
Ttulo: Introduccin a la Investigacin de Operaciones.
Autor: Hillier y G.J. Lieberman
Editorial: McGraw-Hill, 1982

COMPLEMENTARIA:
Ttulo: Modelos Estocsticos para la Gestin de Sistemas
Autor: P. Gazmuri
Editorial: Ediciones Universidad Catlica, 1994.

Profesor MSc. Claudio Araya Sassi

10

Programacin
Semana 1
ID

Fecha (Enero de 2015)

Lunes 5

Martes 6

Mircoles 7

Jueves 8

Viernes 9

Contenidos
Unidad 1: Introduccin a los Procesos Estocsticos (10%)
Definicin de incertidumbre
Ejemplos de sistemas con incertidumbre
Definicin y caractersticas bsicas de Procesos
Estocsticos
Enfoques de modelacin (modelos analticos y simulacin)
TAREA
Unidad 2: Repaso Probabilidad y Estadsticas (12%)
Funciones de distribucin de probabilidades
Esperanza, varianza y momentos
Probabilidades y Esperanza condicionales
Unidad 3: Proceso de Poisson: (12%)
Definicin y propiedades del proceso
Ejemplos de proceso de Poisson
Distribucin de probabilidades del proceso
Distribucin de los tiempos entre eventos
Distribucin condicional de los tiempos entre llegadas.
Descomposicin del proceso de Poisson y proceso de
Poisson compuesto.
LABORATORIO 1 (Unidades 2 y 3)
Profesor MSc. Claudio Araya Sassi

11

Programacin
Semana 2
ID

Fecha (Enero de 2015)

Lunes 12

Martes 13

10

Mircoles 14

Jueves 15

Viernes 16

Contenidos
Unidad 4: Proceso de Renovacin (12%)
Definicin, distribucin de probabilidades del proceso
Polticas de mantencin y reemplazo
Comportamiento del proceso en el largo plazo
SOLEMNE 1 (Unidades 1 -2-3-4)
Unidad 5: Cadenas de Markov en Tiempo Discreto (12%)
Definicin, propiedades, probabilidades de transicin,
Ecuaciones de Chapman-Kolmogorov

Distribucin de probabilidades
Clasificacin de estados, anlisis del estado transiente
Anlisis en el largo plazo, distribucin lmite

ENTREGA SOLEMNE 1
LABORATORIO 2: Unidades 4 y 5

Profesor MSc. Claudio Araya Sassi

12

Programacin
Semana 3
ID

Fecha

11

Lunes 19

12

Martes 20

13

Mircoles 21

14

Jueves 22

15

Viernes 23

Contenidos
Unidad 6: Cadenas de Markov en Tiempo Continuo (12%)
Definicin y propiedades
Tiempos de permanencia y probabilidades de transicin
Ecuaciones de Chapman- Kolmogorov
Anlisis en el largo plazo, ecuaciones de equilibrio
Procesos de nacimiento y muerte.
SOLEMNE 2 (Unidades 5,6 y 7)
Unidad 7: Sistemas de Espera (30%)
Introduccin a los problemas de sistemas de espera.
Indicadores de Performance de un sistema
Sistemas M/M/1
LABORATORIO 3: Unidades 6 y 7
Frmula de Little.
Otros Sistemas: M/M/1/K, M/M/C. M/G/1.
Sistemas con servicio dependiente del estado, llegadas en
lotes.
Redes de Sistemas de Espera
ENTREGA TAREA
ENTREGA SOLEMNE 2
Profesor MSc. Claudio Araya Sassi

13

Definicin de incertidumbre
En los problemas de toma de decisiones, con frecuencia surge la
necesidad de tomar decisiones basadas en fenmenos que tienen
incertidumbre asociada a ellos.
Esta incertidumbre proviene de la variacin inherente de las fuentes que
la provocan y que eluden el control o proviene de la inconsistencia de
fenmenos naturales.

En lugar de manejar esta variabilidad como cualitativa, puede

incorporarse a un modelo matemtico y manejarse en forma
cuantitativa.
En general, este tratamiento se puede lograr si el fenmeno natural
muestra un cierto grado de regularidad, de forma que sea posible
describir la variacin mediante un modelo probabilstico.
Los procesos que evolucionan en el tiempo de una manera probabilstica
son llamados Procesos Estocsticos, los cuales pueden ser descritos
mediante un modelo probabilstico.
Profesor MSc. Claudio Araya Sassi

14

Ejemplos de sistemas con incertidumbre

Sistemas de Inventarios

Transporte de
entrada

Transporte de
salida

Produccin
Recepcin

Orgenes
del material

Almacenamiento
de productos
terminados

Clientes

Materiales en Produccin

Productos terminados

Envo

Inventarios en proceso

Localizaciones del inventario

Profesor MSc. Claudio Araya Sassi

15

Ejemplos de sistemas con incertidumbre

Sistemas de Inventarios
Determinacin de la cantidad ptima de pedido ( )

Profesor MSc. Claudio Araya Sassi

16

Ejemplos de sistemas con incertidumbre

Sistemas de Inventarios
Determinacin de la cantidad ptima de pedido ( )

+
/

= 2+
=0

2

= 2
2

2
2
=
/

Profesor MSc. Claudio Araya Sassi

17

Ejemplos de sistemas con incertidumbre

Sistemas de Inventarios
Determinacin de la cantidad ptima de pedido ( )

Profesor MSc. Claudio Araya Sassi

18

Ejemplos de sistemas con incertidumbre

Sistemas de Inventarios

Cantidad disponible

Control de Punto de Reorden con Demanda Incierta o Estocstica

Q
Colocacin
del pedido
Q

DDLT

PRO
Recepcin
del pedido

LT

Falta de
existencias

LT

Tiempo
Profesor MSc. Claudio Araya Sassi

19

Ejemplos de sistemas con incertidumbre

Sistemas de servicio (Teora de colas)

Tiempo entre llegadas es estocstico

Tiempo de servicio aleatorio

Profesor MSc. Claudio Araya Sassi

20

Ejemplos de sistemas con incertidumbre

Sistemas logsticos
Proveedor

Tiempo de procesamiento

= 1 , s 2p = 0 .1
Tiempo de transporte

Transporte de entrada

2
X i = 4 , si = 1.0

Transporte de salida
Tiempo de transporte
Punto de agrupacin

= 2 , s o2 = 0 .25

Profesor MSc. Claudio Araya Sassi

Distribuidor

21

Ejemplos de sistemas con incertidumbre

Sistemas Productivos (tiempos de detenciones atribuibles a fallas de
equipos)
Falla n

Falla n+1

T1 (n)

Downtime

ti (n)

tf (n)

T2 (n)

T3 (n+1)

Uptime

Downtime

ti (n+1)

tf (n+1)

Profesor MSc. Claudio Araya Sassi

T2 (n+1)

Uptime

ti (n+2)

22

Ejemplos de sistemas con incertidumbre

Sistemas Productivos (tiempos de detenciones atribuibles a fallas de
equipos)

Profesor MSc. Claudio Araya Sassi

23

Ejemplos de sistemas con incertidumbre

Sistemas Productivos (Levantamiento de Cuellos de botella)

Profesor MSc. Claudio Araya Sassi

24

Elementos de Sistemas y Modelos

Sistema: Una coleccin de entidades (gente, partes, mensajes,
mquinas, servidores, ) que actan e interactan juntos hacia algn fin
(Schmidt and Taylor, 1970)*

En la prctica, depende de los objetivos de estudio

Podra limitar los lmites (fsicos y lgicos) del sistema
Juicio: nivel de detalle (e.g., qu es una entidad?)
Usualmente asume un elemento de tiempo sistema dinmico

Estado de un sistema: Coleccin de variables y sus valores necesarios

para describir el sistema en un tiempo determinado.
Podra depender de los objetivos deseados, medidas de desempeo
de resultados
Modelo de Banco: Podra incluir nmero de cajeros ocupados,
tiempo de arribo de cada cliente, etc.
* Simulation and Analysis of Industrial Systems, Richard D. Irwin, Homewood, Illinois.
Profesor MSc. Claudio Araya Sassi

25

Elementos de Sistemas y Modelos

Tipos de Sistemas
Discretos
o Variables de estado cambian instantneamente en puntos
separados en el tiempo.
o Modelo de Banco: Cambios de estado ocurren slo cuando un
cliente llega o parte.
Continuos
o Variables de estado cambian continuamente como una funcin
del tiempo.
o Vuelo de avin: Variables de estado como la posicin y
velocidad cambian continuamente.
Profesor MSc. Claudio Araya Sassi

26

Procesos Estocsticos
Definicin
Coleccin indexada de variables aleatorias ,
: caracterstica de inters medible en el tiempo o estado del proceso
en el tiempo
Por ejemplo, el proceso estocstico 1 , 2 , 3 , . puede representar:
Niveles de inventario semanales (o mensuales) de un producto dado
Demandas semanales (o mensuales) de este producto

Tiempo entre llegadas a un sistema de espera

Tiempos de detenciones por fallas imprevistas de un equipo

Profesor MSc. Claudio Araya Sassi

27

Procesos Estocsticos
Procesos Estocsticos en tiempo discreto
Definicin
Coleccin indexada de variables aleatorias ,
El conjunto de ndices es un conjunto contable y 0

Ejemplos
Procesos Estocsticos en tiempo continuo
Definicin
Coleccin indexada de variables aleatorias ,
El conjunto de ndices es un conjunto continuo y 0

Ejemplos

Profesor MSc. Claudio Araya Sassi

28

Procesos Estocsticos
Cualquier realizacin de es llamada una trayectoria muestral.

En cada instante de tiempo tenemos una variable con un

comportamiento aleatorio.
Una conjunto o secuencia de realizaciones de dichas variables en un
conjunto de instantes definir una trayectoria.
Si se repiten diferentes secuencias de realizaciones de la variable en
estudio, se podr obtener diferentes trayectorias.
La trayectoria en s posee un comportamiento estocstico.
Profesor MSc. Claudio Araya Sassi

29

Procesos Estocsticos
Si generamos cientos de trayectorias o secuencias de realizaciones se
genera una nube de trayectorias

Profesor MSc. Claudio Araya Sassi

30

Procesos Estocsticos
En cada instante t, tendramos una media y una varianza
Existe una distribucin de probabilidades en cada instante del tiempo, la
cual estamos interesados en conocer y estudiar
cmo cambia la distribucin de probabilidades en el tiempo?
cambia el tipo de funcin de distribucin?

Profesor MSc. Claudio Araya Sassi

31

Procesos Estocsticos
Esta distribucin puede converger a una distribucin estacionaria (que
no cambiar ms)

Estaremos en un estado de rgimen (estaremos en un estado de

rgimen para el instante t*, si para todo t1, t2 t*, las distribuciones en
t1 y t2 son idnticas)

Profesor MSc. Claudio Araya Sassi

32

Procesos Estocsticos
Uno de los objetivos que persigue esta disciplina es analizar las
distribuciones estacionarias para variables de inters (de entrada, de
estado o de desempeo)
Identificar bajo que condiciones nos encontramos en dicho estado
(identificar t*)

existir un estado con condiciones estacionarias?

Bajo que condiciones el estado de rgimen refleja lo que realmente
ocurrir en la prctica / vida real?
Antes de alcanzar el estado de rgimen, estaremos en un estado
transiente
Algunos investigadores se enfocan en analizar el estado transiente
Profesor MSc. Claudio Araya Sassi

33

Enfoques de Modelacin
Elementos de un modelo para la toma de decisiones

El objetivo es determinar distribuciones para las variables de estado del

sistema, a partir del comportamiento de las variables de entrada
Posteriormente debemos estimar distribuciones para las variables de
desempeo
Finalmente se pretende seleccionar o definir esquemas de operacin que
optimicen los indicadores de desempeo
Profesor MSc. Claudio Araya Sassi

34

Enfoques de Modelacin
Distribuciones de variables de entrada (input)
Mediciones y muestreos
Inferencia estadstica y tcnicas economtricas (ajustes)
Distribuciones a priori
Estimacin de medias y varianzas
Ejemplo de ajuste a distribucin Lognormal

Frecuencia
Observada

Frecuencia
Terica

Profesor MSc. Claudio Araya Sassi

35

Enfoques de Modelacin
Ejemplo de ajuste a distribucin Gamma

Frecuencia
Observada
Frecuencia
Terica

Profesor MSc. Claudio Araya Sassi

36

Enfoques de Modelacin

Sistema

Experimento con el
Sistema Real

Experimento con el
Modelo del Sistema

Modelo
Fsico

Modelo
Matemtico

Solucin
Analtica
Profesor MSc. Claudio Araya Sassi

Simulacin

37

Enfoques de Modelacin
Desafo en modelacin de procesos:
Obtener distribuciones de variables de estado
Distribuciones de variables de desempeo

Existen dos mtodos para abordar ambos desafos:

Enfoque analtico
Tcnicas de simulacin

Profesor MSc. Claudio Araya Sassi

38

Enfoques de Modelacin
Enfoques analticos
Bsqueda y solucin de sistemas de ecuaciones matemticas que
caracterizan o representan el comportamiento del sistema (variables de
estado e indicadores de desempeo)
Puede llegar a presentar una complejidad excesivamente alta, como para
ser resuelto de manera exacta
Facilidad para anlisis de sensibilidad respecto a parmetros y
alternativas de operacin (evaluacin de indicadores y derivadas para
diferentes parmetros de input o diseo)
En investigacin el fuerte est en la bsqueda de modelos analticos
Computacionalmente ms econmicos

Profesor MSc. Claudio Araya Sassi

39

Enfoques de Modelacin
Tcnicas de simulacin:

Reconstruccin computacional del sistema de operacin

Modelo de laboratorio (analoga de modelos a escala)
Cada ejecucin del programa es una realizacin
Se deben construir variables de estado y desempeo
Se debe ejecutar cientos de veces para obtener distribuciones e
indicadores representativos
En el programa se debe realizar cambios para reflejar diferentes
estrategias o cambios de escenarios/parmetros
Son ms utilizados en la prctica
Ms flexible (fcil de adaptar)
Permite validar modelos analticos

Profesor MSc. Claudio Araya Sassi

40

Enfoques de Modelacin
Tcnicas de simulacin:

Modelamiento
Sistema Real

Modelo Lgico
Matemtico

Anlisis de resultados

Validacin

Calibracin
Resultados
Diseo de experimentos y ejecucin

Profesor MSc. Claudio Araya Sassi

41

Enfoques de Modelacin
Dimensin

Analtico

Simulacin

Complejidad

Trata de incluir solamente

los aspectos ms
importantes

Puede ser muy complejo

y detallado (+/-)

Flexibilidad

Ms fcil de cambiar pero

pequeos cambios pueden
tener grandes
consecuencias

Difcil de cambiar una

vez construido

Datos

Menos necesidad

Ms necesidad

Transparencia

Claro para analistas, puede

ser opaco para menos
entranados

Caja negra

Eficiencia

Esfuerzo para lograr

soluciones tratables
difciles de estimar

Esfuerzo ms lineal y
predecible

Profesor MSc. Claudio Araya Sassi

42