MODELOS ESTOCSTICOS

DOCENTE: JORGE URRUTIA

OBJETIVOS
Al finalizar el curso, el estudiante estar capacitado para aplicar las
tcnicas usadas para el estudio de las cadenas de Markov y las lneas de
espera, as como de entender los conceptos que las sustentan.
OBJETIVOS ESPECFICOS
1. Lograr que el estudiante identifique los procesos Markovianos, aprenda
como plantear los modelos y resolverlos.
2. Hacer que el estudiante identifique los procesos de lneas de espera y
utilice tcnicas que permitan tomar decisiones apropiadas para el
mejoramiento de la eficiencia de estos procesos.

CADENAS
DE MARKOV

TEORA DE
COLAS

INTRODUCCIN
CONCEPTOS BSICOS

INCERTIDUMBRE Y SU TAXONOMA

VARIABLE ALEATORIA

EXPERIMENTO ALEATORIO

TOMADO DE: ZAPATA, C.J. Anlisis

probabilstico y simulacin. Universidad
Tecnolgica de Pereira. 2010.

EL CONCEPTO DE
INCERTIDUMBRE
El trmino incertidumbre se
refiere a aquella situacin en la
cual no se tiene completo
conocimiento sobre un proceso
dado.
Lo opuesto a incertidumbre se
denomina certidumbre o
determinismo.

INCERTIDUMBRE Y
DETERMINISMO
Tiempo t para gestar
un ser humano

Tiempo t en segundos
para la cada de un
objeto desde h
metros de altura

LA INCERTIDUMBRE APARECE POR:

1 La incapacidad para explicar el proceso (falta de conocimiento=ignorancia)
2 La incapacidad para modelar o representar el proceso (por ignorancia, alta
complejidad del proceso, limitacin de las herramientas matemticas y
computacionales)
3 La incapacidad para medir u observar en forma precisa el proceso bajo estudio

La incertidumbre se refiere al analista no

al proceso.

EN INGENIERA
En los problemas reales de ingeniera y ciencias se encuentra
que lo ms comn es que no existe la suficiente informacin o la
certidumbre como para establecer modelos determinsticos.

TAXONOMA DE LA
INCERTIDUMBRE
Nivel de
complejidad

Tipo de
incertidumbre

Descripcin

Determinismo

Completo conocimiento del proceso bajo estudio

Aleatoriedad

Se conocen los posibles resultados del proceso bajo

estudio pero no sus causas, o, aunque se conocen las
causas y los resultados, no se es capaz de establecer
una descripcin determinstica del proceso

Vaguedad e
imprecisin

Incapacidad para definir en forma clara o precisa una

clasificacin de las observaciones para las causas o
resultados. En trminos lingsticos se denomina vaguedad
y en trminos numricos imprecisin.

Ambigedad

Aunque existe una clasificacin de las causas y resultados

se es incapaz de asignar algunas observaciones a ellas (no
especificidad)

Confusin

Rene caractersticas de vaguedad y ambigedad.

EJEMPLO: EL PROCESO BAJO ESTUDIO ES OBSERVAR O MEDIR LA ESTATURA DE LAS PERSONAS QUE
ASISTEN A UN SALN DE CLASE

Tipo de
incertidumbre

Descripcin

Determinismo

Existe una definicin perfecta de los resultados

Bajo < 1.50m
1.50m Medio 1.70m
Alto > 1.70m

Aleatoriedad

Requiere una perfecta definicin de los resultados (Qu es Alto, Medio

y Bajo), pero la incertidumbre est en cmo se darn estos
resultados: con qu frecuencia llega una persona alta?

Vaguedad e
imprecisin

Cules valores pertenecen a cada categora lingstica (Alto, Medio,

Bajo)?
Una persona con una estatura de 1.499999 es Baja o Media?

Ambigedad

1.70 m es una estatura media o alta?

Confusin

No se sabe si un resultado es alto o medio o qu es alto o medio.

EJEMPLO MODELO DIFUSO

Se define una funcin de pertenencia (x) para la variable x bajo

estudio, la cual da el grado de pertenencia de los valores de x
con respecto a una definicin lingstica

VARIOS TIPOS DE
INCERTIDUMBRE
Un fenmeno o situacin del mundo real
puede presentar varios tipos de
incertidumbre para un mismo analista.

As mismo, dos analistas podran manejar

un fenmeno o situacin del mundo real
mediante teora de probabilidad o con
teora de lgica difusa, siendo ambas
alternativas vlidas.

EJEMPLO
Un hombre tiene 4 amigas con las que sale en algunas ocasiones. Un
sbado en la tarde este hombre llama a cada una de las 4 y las
invita a salir. Cada una de ellas le responde voy a mirar si puedo
cuadrar los asuntos que tengo pendientes y te respondo en una
hora. Mientras espera la respuesta, este hombre dice: La
probabilidad de que cualquiera de ellas en forma independiente
acepte a salir conmigo es del 80%, entonces la probabilidad de que
una de las cuatro acepte hoy a salir conmigo, la puedo hallar
aplicando la distribucin binominal
Mientras este hombre espera que sus amigas le respondan, un
compaero de estudio le dice: No seas bobo, este asunto no es de
probabilidades sino de lgica difusa pues la respuesta de ellas
depende es de su estado de nimo; as del estado de nimo que
detectaste al hablar con cada una de ellas, estima con la siguiente
funcin de pertenencia cul puede ser su respuesta:

EJEMPLO

INCERTIDUMBRE EN FORMA
DE ALEATORIEDAD
Mediante el anlisis
probabilstico se estudian
procesos donde existe
incertidumbre en forma
de aleatoriedad.

VAGUEDAD
AMBIGEDAD
CONFUSIN

Las otras formas de incertidumbre se

estudian mediante la lgica difusa (fuzzy
logic), la teora de las posibilidades y la
teora de la evidencia.

ALEATORIEDAD
El trmino aleatoriedad se refiere a aquella situacin en la cual
la ocurrencia de un evento dado no puede explicarse mas que
por intervencin del azar
Algo carente de causa u orden o que es impredecible.

El trmino azar se
refiere a la ausencia de
causa o explicacin

DE DNDE SURGE LA IDEA

DE ALEATORIEDAD?
Todo lo que sucede en el mundo tiene una causa o explicacin y en
este sentido el mundo es determinstico
Es la falta de conocimiento
del ser humano la que hace
que algunos procesos deban
considerarse aleatorios.

No se conocen las
causas que lo producen

Aunque se conocen las

causas y los resultados
no se es capaz de
establecer una ley o
relacin determinstica
permanente entre ellos

La secuencia de
resultados no puede
condensarse en una
ecuacin o descripcin

Existe duda sobre la

veracidad de una
afirmacin o negacin

EJEMPLO
El proceso natural de gestacin de un
ser humano es determinstico:
conocemos sus causas, evolucin y
resultado principal (el nacimiento de un
beb). Sin embargo, existe
incertidumbre respecto a varios
aspectos de este resultado.
Por ejemplo, no existe un modelo
matemtico que permita determinar en
forma exacta el instante t en que ha de
nacer un beb. Lo nico que se conoce
empricamente respecto a este tiempo
es que tiene un valor promedio de 9
meses (38 semanas), por lo cual, las
observaciones pueden ser mayores o
menores a este dato. As, t se considera
aleatorio.

EXPERIMENTO ALEATORIO Y
DETERMINSTICO
Un experimento es todo proceso o
procedimiento que transforma una
entrada en una salida

EXPERIMENTO DETERMINSTICO

EXPERIMENTO ALEATORIO

Misma entrada,
identicas
condiciones

Misma entrada,
identicas
condiciones

Misma salida

Diferente salida

EXPERIMENTO ALEATORIO
El experimento aleatorio es
una abstraccin
matemtica para describir
fenmenos con
incertidumbre en forma de
aleatoriedad.

El experimento aleatorio se caracteriza porque:

1 Se repite muchas veces (varias iteraciones, ensayos).
2 No se puede o no se desea predecir la salida o resultado exacto del experimento

EJEMPLOS EXPERIMENTO
ALEATORIO
Entrada

Proceso

Salida

Nmero de descargas
atmosfricas por ao en una
regin

Conteo de truenos

88 en 1998, 72 en 1999, 92
en 2000,
101 en 2001, 100 en 2002, . .
.

Tiempo que un trabajador

tarda haciendo una
operacin

Toma de tiempos

1 minuto, 1.5 minutos, 0.9

minutos, 1.1 minutos

Qu tipo de msica le gusta?

Encuesta

Rock, rock, pop, balada,

rock, despecho, salsa,

VARIABLE ALEATORIA
La salida de un experimento aleatorio es una variable aleatoria
Una variable aleatoria es aquella para la
cual sus valores no pueden predecirse en
forma exacta, por lo cual, la ocurrencia de
ciertos valores solo puede expresarse en
trminos de probabilidad

PROBABILIDAD
El trmino probabilidad define matemticamente el grado de
certidumbre sobre la ocurrencia de un evento o eventos
Es un nmero real entre 0.0 y 1.0, el cual tambin es comnmente expresado en porcentaje

EJEMPLOS VARIABLE
ALEATORIA
Nmero de descargas
atmosfricas por ao en una
regin

Tiempo de
reparacin de
una mquina en
una planta de
produccin

Precio de las acciones

de una empresa

Demanda de un
producto

Peso de la cosecha de una

hectrea de pia
Tiempo en que un
trabajador realiza una
operacin

Litros de agua consumidos

en una vivienda
mensualmente
Da lluvioso o da
seco

TIPOS DE VARIABLES
ALEATORIAS
DISCRETA

Puede tener nicamente un

Nmero de fallas en
nmero contable de valores o un un perodo de tiempo
nmero discreto de estados

CONTINUA

Tiene un nmero no contable de

valores

MIXTA

Una combinacin de las

anteriores

Tiempo de reparacin
de una mquina

DISTRIBUCIN DE PROBABILIDAD DE
UNA VARIABLE ALEATORIA
Asignar a cada valor posible de una variable aleatoria la
probabilidad que le corresponde, es definir la distribucin de
probabilidad de la variable aleatoria.
Sea x la variable aleatoria que representa los eventos que producen daos
generalizados en una ciudad. La probabilidad de que x esta dada por:
EVENTO

PROBABILIDAD

Terremotos

0.05

Lluvias fuertes

0.20

Tormentas elctricas

0.10

Fuertes vientos

0.15

Inundaciones

0.25

Granizada

0.16

Protestas

0.09

Entonces, la tabla presentada es la distribucin de probabilidad de x .

FUNCIN DE DISTRIBUCIN DE PROBABILIDAD

DE UNA VARIABLE ALEATORIA

Variable discreta

Variable continua

La funcin de densidad de probabilidad es la razn de cambio de la probabilidad

acumulada con respecto a los valores de variable aleatoria x

ESPACIO MUESTRAL
Es el conjunto de todos los resultados posibles de un
experimento aleatorio

EJEMPLOS
EXPERIMENTO

ESPACIO MUESTRAL

Conteo de truenos por ao en una regin Los nmeros enteros positivos

incluyendo el cero
Tiempo para reparar una mquina

Los nmeros reales positivos sin incluir

el cero

Estado operativo de un grupo de

luminarias de un sistema de iluminacin
pblico

Buena, Daada

EVENTOS
Es un subconjunto de inters del espacio muestral

son los resultados de un experimento aleatorio que cumplen unas

determinadas condiciones.

EJEMPLOS
EXPERIMENTO

EVENTOS

Reprocesos en la produccin
de avisos luminosos en
empresa X

Cortado aluminio, Soldado de

la estructura, Instalacin de
bombillas, Ensamble de
sistema elctrico, Pegado de
vinilos, otras.

Se introduce el evento otras para cubrir el desconocimiento que hay en este caso sobre
el espacio muestral; es decir, no se conocen todas las posibles fallas.

TAREA:
Traer 3 ejemplos (de su propia creatividad) cotidianos y/o aplicados
a la ingeniera industrial de procesos aleatorios.
La tarea se socializar en la prxima clase.
EJEMPLO:

ENTRADA

PROCESO

Lluvia
Medicin
durante todos lluvia diaria
los das mes
de agosto

SALIDA

TIPO DE
VARIABLE

ESPACIO
MUESTRAL

Milmetros
de lluvia
diarios

Continua

Los nmeros
reales
positivos
incluyendo el
cero

Por qu es un proceso aleatorio? Porque hay incertidumbre acerca de la

cantidad de lluvia que caer cada da.

CONTINUACIN
INTRODUCCIN A PROCESOS
ESTOCSTICOS
CONCEPTOS BSICOS

MODELO MATEMTICO DE UN PROCESO ALEATORIO

DISTRIBUCIN DE PROBABILIDAD

TENDENCIA DE UN PROCESO ALEATORIO

TIPOS DE MODELOS PROBABILSTICOS

PROCESOS ESTOCSTICOS

TIPOS DE PROCESOS ALEATORIOS

PROCEDIMIENTO PARA OBTENER UN MODELO PROBABILSTICO

TOMADO DE: ZAPATA, C.J. Anlisis

probabilstico y simulacin. Universidad
Tecnolgica de Pereira. 2010.

MODELO MATEMTICO DE
UN PROCESO ALEATORIO
La distribucin de probabilidad constituye el modelo
matemtico del proceso aleatorio bajo estudio

MODELO MATEMTICO DE
UN PROCESO ALEATORIO
Para definir el modelo probabilstico, es deseable seleccionar
una de las funciones matemticas desarrolladas para tal
propsito. Esta seleccin se hace basndose en los siguientes
criterios:
1

La naturaleza fsica del problema bajo estudio

Los datos disponibles (Los resultados del

experimento)

La prueba estadstica de que el modelo propuesta

es una representacin apropiada del proceso
bajo estudio.

El conocimiento del analista

TIPOS DE MODELOS
PROBABILSTICOS

Distribuciones de
probabilidad

Solo aparece la
variable o variables
aleatorias mediante
las cuales se estudia
el proceso aleatorio

Procesos estocsticos

Aparece la variable o
variables aleatorias
mediante las cuales
se estudia el proceso
aleatorio, pero
indexadas por el
tiempo u otro
parmetro

MODELOS
PROBABILSTICOS

TIPOS DE MODELOS
PROBABILSTICOS
Funciones de Distribucin
de probabilidad

Procesos Estocsticos

El periodo de inters para

estudiar el proceso aleatorio o la
evolucin del tiempo dentro de
este periodo no se requieren
para explicar el proceso
aleatorio bajo estudio

Se utilizan cuando el periodo de

inters para estudiar el proceso
aleatorio o la evolucin del
tiempo dentro de este periodo
se requieren para explicar el
proceso aleatorio bajo estudio.

El proceso aleatorio es
estacionario (cero tendencia)

El proceso aleatorio bajo estudio

puede ser estacionario o no
estacionario.

TENDENCIA EN UN PROCESO
ALEATORIO

Durante el perodo t:
patrn de continuo
aumento o
disminucin
TIPO DE PROCESO: NO
ESTACIONARIO

No se observa
durante el periodo t
que las observaciones
de x presenten un
patrn de aumento o
disminucin

Un proceso aleatorio es estacionario si su valor

esperado y varianza son constantes durante t

TIPO DE PROCESO:
ESTACIONARIO

PROCESO ALEATORIO
HOMOGNEO
Un proceso aleatorio es homogneo si durante t este puede ser
representador mediante una funcin de distribucin de
probabilidad.
Todo proceso estacionario es homogneo.

PROCEDIMIENTO PARA OBTENER UN

MODELO PROBABILSTICO

PRUEBA DE INDEPENDENCIA: Consiste en

determinar si las observaciones de la muestra
son independientes entre si o no.
Modelos: Series de tiempo, modelos de
regresin.

EJEMPLOS DE MODELOS
PROBABILSTICOS

Procesos estocsticos
homogneos

Proceso de Poisson Homogneo

Cadenas de Markov continuas homogneas
Proceso Gausiano

Procesos estocsticos
no homogneos

Procesos de Poisson no homogneos

Cadenas de Markov no homogneas

Modelos para
dependencia

Series de tiempo, modelos de regresin,

Branching process

Distribuciones de
probabilidad

Uniforme, Poisson, Normal,

Exponencial, Gamma, Weibull, etc.

PROCESO ESTOCSTICO
Es una coleccin de variables aleatorias: existe una variable
aleatoria por cada valor del parmetro t del proceso. La
coleccin de variables aleatorias estn definidas sobre un mismo
espacio muestral o espacio de estado.
Segn como se estudien el espacio de estado y el tiempo, un proceso estocstico
puede ser:
Estado

Tiempo

Ejemplos

Discreto

Discreto

cadena de Markov discreta

Discreto

Continuo

cadena de Markov continua, procesos

puntuales

Continuo

Continuo

proceso Gausiano, proceso Browniano

TAREA
Traer 3 ejemplos de procesos estocsticos, explicando por
qu considera usted que es un proceso estocstico.
La tarea se socializar en la siguiente clase