LICENCIATURA EN CIENCIAS Y TÉCNICAS

ESTADÍSTICAS
UNIVERSIDAD DE SEVILLA
-------------
2º Curso
Departamento de Estadística
e Investigación Operativa

MODELOS ESTOCÁSTICOS DE LA
INVESTIGACIÓN OPERATIVA. I
Curso 2010-2011

1. Procesos estocásticos. Definiciones y propiedades básicas.

2. Función generatriz de probabilidad y sus aplicaciones
3. Cadenas de Markov en tiempo discreto.
4. Procesos de Poisson. Procesos de nacimiento y muerte.
5. Cadenas de Markov en tiempo continuo.
6. Procesos de renovación.
7. Procesos de decisión markovianos.

Bibliografía
1. Beichelt, F. (2006). Stochastic Processes in Science, Engineering and Finance.
Chapman & Hall
2. Bellman, R.E. (1957). Dynamic Programming. Princeton University Press
3. Çinlar, E. (1975). Introduction to Stochastic Processes. Prentice-Hall
4. Denardo, E.V. (1982). Dynamic Programming, models and applications. Prentice-
Hall
5. Feller, W. (1989). Introducción a la teoría de probabilidades y sus aplicaciones.
Limusa-Wiley
6. Grimmett. G.R.; Stirzaker, D.R. (1992) Probability and Random Processes.
Oxford Science Publications
7. Heyman, D.P., y Sobel, M.J. (1982). Stochastic models in Operations Research.
McGraw-Hill
8. Lawler, G.F. (2006) Introduction to Stochastic Processes. Chapman & Hall
9. Heyman, D.P., y Sobel, M.J. (1990). Stochastic models. North-Holland
10. Kibzun, A.I., y Yu.S. (1996). Stochastic Programming problems. Wiley
11. Parzen. (1973). Procesos estocásticos. Paraninfo
12. Tijms, H.J. (1986). Stochastic modelling and analysis. Wiley

Metodología y Evaluación.

La evaluación de la asignatura en cualquier convocatoria se realizará mediante un

examen final que constará de dos partes: teórica y práctica, además de un trabajo de
curso obligatorio. Cada parte del examen se calificará de 0-10 puntos. Para aprobar el
examen será imprescindible obtener al menos una calificación media de 5 puntos entre
las partes teórica y práctica, debiendo alcanzar al menos un tres en cada una de las
partes. Además del examen final para la convocatoria de junio habrá un examen
eliminatorio, con las mismas características del examen final, que se celebrará con
anterioridad.
 MÉTODOS ESTOCÁSTICOS DE LA I.O. 1
EJERCICIOS
Capı́tulo 1.- Función generatriz de probabilidad. Apli-
caciones
Ejercicio 1.1

Calcular la función generatriz de probabilidad, y a partir de ella la media y la varianza

de las distribuciones de probabilidad:
1. Bernoulli

2. Geométrica

3. Poison

4. Hipergeométrica
Ejercicio 1.2

A un aparcamiento llegan durante una hora K tipos de vehı́culos (motos, camiones,

furgonetas,...). El número de cada tipo se rige por una ley de Poisson de parámetro λi ,
i = 1, . . . , K. Determinar la distribución del número total de vehı́culos que llegan al
aparcamiento en dicho periodo.

Ejercicio 1.3

Un insecto deposita N huevos, donde N está distribuido según una ley de Poisson de
media λ. Cada huevo tiene una probabilidad p de sobrevivir, independientemente de los
restantes. Determinar la distribución del número de supervivientes

Ejercicio 1.4

Mediante el uso de la función generatriz de probabilidad determinar los momentos y

leyes marginales de la distribución multinomial.

Ejercicio 1.5

Sea X distribuida según una ley de Poisson de parámetro Y, donde Y sigue una ley de
Poisson de parámetro µ. Probar que GX+Y (s) = exp(µ(ses−1 − 1)).

Ejercicio 1.6

Sea una variable aleatoria X que se distribuye según una ley de Poisson de parámetro
(Λ),y donde Λ sigue una ley exponencial Exp(µ). Probar que X sigue una distribución
geométrica.

1
 Ejercicio 1.7

Sean X1 , X2 , ... variables aleatorias independientes e idénticamente distribuidas con

función de densidad ”logarı́tmica”:

(1 − p)k
f (k) = ; con k≥1
klog( p1 )

donde 0 < p < 1. Si N es independiente

P de los Xi y sigue una distribución de Poisson con
parámetro µ, probar que Y = N i=1 Xi sigue una distribución binomial negativa.

Ejercicio 1.8

Tomamos X una variable aleatoria distribuida como X ∼ Bi(n, U ), donde U es una

variable aleatoria distribuida uniformemente en (0, 1). Veamos que X está uniformemente
distribuida en {0,1,2,. . . ,n}.

Ejercicio 1.9

Se lanza una moneda n-veces, sea ”p”la probabilidad de que salga cara (probabilidad
éxito) se pide:
a.Demostrar que la función generatriz de probabilidad conjunta de las variables alea-
torias H y T de caras y cruces, respectivamente, es:

GH,T (x, y) = (px + (1 − p)y)n

b.Generalizar esta conclusión para hallar la función generatriz de probabilidad de una
distribución multinomial.

Ejercicio 1.10

Se lanza una moneda repetidamente, la probabilidad de que salga cara en cada lanza-
miento es p. Sea hn la probabilidad de obtener un numero par de caras en n lanzamientos
de la moneda.Aceptando que 0 es par, encontrar una ecuación verificada por hn y hn−1 y
deducir de ella que la función generatriz de probabilidad correspondiente es:
1 1 1
H(s) = { + }
2 1 − s 1 − (q − p)s

Ejercicio 1.11

Tenemos una columna de sobres y otra de cartas, con el mismo numero de unidades
en ambas. Debido al azar se nos cae ambas columnas y metemos las cartas en los sobres
de forma aleatoria.

2
 1. Demostrar que si Xn es el numero de cartas introducidas correctamente en su sobre,
la relación entre la probabilidad de Xn y Xn+1 es dada por:

P [Xn = j] = (1 + j)P [Xn+1 = j + 1]

2. Deducir PXn (s) = PX0 n+1 (s)

(−1)n−r
3. Concluir P [Xn = r] = 1r ( 2!1 − 1
3!
+ ........ + (n−r)!
)

Ejercicio 1.12

Dadas n-cartas y sus sobres con las direcciones ¿Cuál es la probabilidad pn de que al
colocar al azar las cartas en los sobres ninguna carta se encuentre en el sobre correcto?

Ejercicio 1.13

Una moneda se lanza sucesivamente, obteniendo cara con probabilidad p en cada

lanzamiento. Calcula la probabilidad de pm,n de que aparezcan m-caras antes de n-
cruces.(Pacioli 1494).

Ejercicio 1.14

En cada paquete de un cierto alimento para niños se incluye una estampa de un cam-
peón. Hay c diferentes, y se distribuyen de modo que cada paquete puede tener cualquiera
de ellos con la misma probabilidad. Si compramos un paquete cada dı́a:

a) Determinar el número medio de dias transcurridos para completar la colección.

b) Sea T el número de paquetes abiertos hasta que se complete la colección. Determinar

E[sT ] y P [T = k]. Suponiendo que c = 4.

3
 Capı́tulo 2.- Procesos estocásticos
Ejercicio 2.1

Sea {Zn } una secuencia de variables aleatorias

Princorreladas, con media 0 y varianza la
unidad. Definimos la media móvil como: Yn = i=0 αi Zn−i , siendo α1 . . . αn constantes.
Demostrar que Yn es estacionario y encontrar su función de autocovarianza.

Ejercicio 2.2

Sea Zn como en el ejercicio anterior. Supongamos que Yn es una secuencia estacionaria

que verifica Yn = αYn−1 + Zn , −∞ < n < +∞ , para algún α/|α| < 1. Calcular la función
de autocovarianza de Y .

Ejercicio 2.3

Sea X(t) = Y cos(θt) + Zsen(θt) donde Y y Z son variables N(0,1) y sea X(t) e =
Rcos(θt + ψ) donde R y ψ son v.a. independientes. Encontrar distribuciones para R y ψ
e posean las funciones de distribución finito dimensionales iguales.
de forma que X y X

Ejercicio 2.4
P
Sea U uniforme en [0, 1]Pcon desarrollo en base dos dado por: U = ∞ −i
i=1 Xi 2 . Demos-
∞ −i
trar que la sucesión Vn = i=1 Xi+n 2 es fuertemente estacionaria y calcular su función
de autocovarianza.

Ejercicio 2.5

Sea X una sucesión de v.a. con media 0 y función de autocovarianza c. Probar que
los coeficientes del mejor predictor lineal (en el sentido de minimizar el error cuadrático
medio) de Xr+k como función de Xr , Xr−1 , . . . , Xr−s verifican la ecuación:
s
X
ai c(|i − j|) = c(k + j) 0 ≤ j ≤ s.
i=0

Ejercicio 2.6

Consideramos el esquema autoregresivo Yn = αYn−1 + Zn , −∞ < n < +∞, donde

{Zn } es una secuencia de variables aleatorias independientes con media 0 y varianza
1, α ∈ R, |α| < 1. Determinar la mejor estimación lineal de Yr+k como función de
Yr , Yr−1 , . . . , Yr−s y el error cuadrático medio de esta predicción.

4
 Ejercicio 2.7

Consideremos el proceso estocástico {Zn }, n = 0, 1, 2..., que representa el recorrido de

una partı́cula que se mueve a lo largo de un eje con pasos de tamaño unidad, en momentos
que representan incrementos de una unidad de tiempo. Suponemos que cada movimiento
tiene la probabilidad p de hacerlo hacia la derecha y q de ir hacia la izquierda.
1. Demostrar que es un proceso estocástico espacial y temporalmente homogéneo, y
que presenta la propiedad de Markov.
2. Si la partı́cula está en la posición 0 en el tiempo 0, determinar la probabilidad de
que esté en la posición k, después de n pasos.
3. Calcular la media y la varianza de Zn .
4.Usando el teorema central del lı́mite, encontrar cotas al noventa y cinco por ciento
de Z10000 si p = 0.6.

Ejercicio 2.8

Consideremos un recorrido aleatorio que parte del origen. Calcular:

1. Función generatriz de probabilidad de la sucesión {probabilidad de volver al origen
después de n pasos}.
2.Función generatriz de probabilidad de la sucesión {probabilidad de volver por vez
primera al origen después de n pasos}.

Ejercicio 2.9

Basándonos en los resultados anteriores, determinar:

1.Probabilidad de que se vuelva al origen.
2.Probabilidad de que se visite alguna vez la parte positiva del eje.
Ejercicio 2.11
(El problema de la ruina). Consideremos al jugador que gana o pierde un peso con
probabilidades respectivas p y q. Sea su capital inicial z y sea a-z el capital inicial del
jugador contrario, de manera que el capital combinado será a. El juego continúa hasta
que el capital del jugador se reduce a cero o se incrementa hasta a, es decir, hasta que
uno de los jugadores quede arruinado.
Determinar:
1. Probabilidad de la ruina del jugador.

2. Distribución de probabilidades de la duración del juego.

Ejercicio 2.12

Una partı́cula realiza un camino aleatorio sobre los vértices del cuadrado ABCD. En
cada paso, la probabilidad de movimiento desde el vértice D es igual a ρCD , donde:

ρAB = ρBA = ρCD = ρDC = α

5
 ρAD = ρDA = ρBC = ρCB = β
con α, β > 0 tales que α + β = 1.
Sea GA (s) la función generatriz de probabilidad de la secuencia (PAA (n); n ≥ 0) don-
de PAA es la probabilidad de que la partı́cula esté en A después de n pasos, habiendo
empezado en A.
Probar que:
1 n 1 1 o
GA (s) = · +
2 1 − s2 1 − |β − α|2
y a partir de ésta encontrar la función generatriz de probabilidad del tiempo del primer
retorno a A (al origen).

Ejercicio 2.13

Consideramos un proceso ramificado. Supongamos que el número de descendientes

directos está sujeto a una distribución geométrica f (k) = qpk con k ≥ 0 y p+q = 1.
Sea Zn el número de descendiente en la n-ésima generación. Sea T = min{n : Zn = 0} el
tiempo de extinción. Suponemos Z0 = 1. Se pide:

1. P [T = n]

2. ¿Para qué valores de p se tiene E[T ] < ∞?

Ejercicio 2.14

En un recorrido aleatorio simétrico, p = q, que parte del origen, demostrar que la

probabilidad de no volver al origen en los 2n primeros pasos es igual a la probabilidad de
volver al origen en el paso 2n, y determinar dicha probabilidad.

Ejercicio 2.15

Sea {Xn } una secuencia de variables aleatorias Bernouilli independientes que toman
valores 0 y 1 con probabilidades p y 1 − p, respectivamente. Encontrar la función de
probabilidad del proceso de renovación N (t) que nos indica el número de realizaciones ,
con tiempo entre llegadas dado por {Xn }.

6
 Capı́tulo 3.- Procesos de Markov.
Ejercicio 3.1
Sea (Xn ) una cadena de Markov y sea un conjunto {nr : r ≥ 0} de números enteros
ordenados en orden creciente. Demostrar que Yr = Xnr constituye una cadena de Markov.
Encontrar la matriz de transición de (Yr ) cuando nr = 2r y (Xn ) es:

1. Un camino aleatorio simple.

2. Un proceso de ramificación.

Ejercicio 3.2

Sea Xn la máxima puntuación obtenida en las primeras n tiradas de un dado. Demos-

trar que (Xn ) es una cadena de Markov y encontrar su matriz de transición de probabili-
dades.

Ejercicio 3.3

Consideramos la secuencia aleatoria de polı́gonos convexos generada de la siguiente

manera: Tomamos dos lados del polı́gono inicial, trazamos un segmento que unan sus
puntos medios y obtenemos dos nuevos polı́gonos. Cogemos aleatoriamente uno de ellos
para ser el próximo en la secuencia y ası́ sucesivamente. Sea Xn + 3 el número de lados
del n-ésimo polı́gono de la secuencia ası́ construida.
1. Encontrar E[Xn ] en términos de X0 .
2. Encontrar la distribución estacionaria de la cadena de Markov (Xn ).
Nota: El número de lados es Xn +3 para garantizar que el polı́gono inicial sea al menos
un triángulo.

Ejercicio 3.4

Sea {Sn : n ≥ 0} una caminata al azar con S0 = 0.

1. Demostrar que Xn = |Sn | es una cadena de Markov. Encontrar la matriz de transi-
ción de probabilidad de la cadena.
2. Sea Mn = max{Sk : 0 ≤ k ≤ n}, demostrar que Yn = Mn − Sn es otra cadena de
Markov.

Ejercicio 3.5

La copia de un libro es leı́da por una secuencia infinita de editores detectando errores.
Cada error es detectado con una probabilidad p en cada lectura.
Entre las distintas lecturas el corrector detecta errores pero introduce un número aleatorio
de errores nuevos (los errores pueden ser introducido incluso si no detecta ningún error).
Teniendo en cuenta, que el número de errores son diferentes en cada lectura del corrector
pero idénticamente distribuidos:

7
Buscar una expresión para la función generatriz de probabilidad de la distribución esta-
cionaria Xn donde Xn : número de errores después de la n-ésima lectura del corrector.
Buscar una expresión para la función generatriz de probabilidad explı́cita cuando el co-
rrector introduce un número de errores en cada lectura regida por una distribución de
Poisson.

Ejercicio 3.6

Una partı́cula recorre un camino aleatorio sobre los vértices de un grafo G conexo, el
cual para simplificar suponemos que no tiene bucles. En cada etapa la partı́cula se mueve
de un vértice a otro de los adyacentes, teniendo cada punto igual probabilidad de ser
elegido. Si G tiene η(< +∞) aristas, mostrar que la distribución estacionaria está dada
por Πv = dv2η
donde dv es el grado del vértice.

Ejercicio 3.7

Mostrar que un camino aleatorio sobre un árbol binario infinito completo es una cadena
de Markov de estados transitorios.

Ejercicio 3.8

Una partı́cula realiza una caminata al azar sobre los vértices de un cubo.En cada
etapa permanece en el vértice en que se encuentra con una probabilidad 14 y se desplaza
a sus vecinos con la misma probabilidad. Sean v,w dos vértices diametralmente opuestos
y supongamos que la caminata comienza en v. Hallar:

1. El número medio de etapas hasta la primera visita a v.

2. El número medio de etapas hasta la primera visita a w.

Ejercicio 3.9

Sea la siguiente figura S:

A D

B E
Comenzamos en el vértice (A). Nos piden:

1. El tiempo de primer paso por A partiendo de A (tiempo medio de recurrencia).

8
 2. Números de visitas a D antes de llegar a A sabiendo que partimos de A
3. Números de visitas a C antes de llegar a A sabiendo que partimos de A
4. Tiempo de primer paso por A sabiendo que parte de A sin que pase por E
5. Números de visitas a D antes de llegar a A sabiendo que partimos de A,sin pasar
por E

Ejercicio 3.10
Sea Xn la cantidad de agua que hay en un embalse el dı́a n sobre el mediodia.Ddurante
las 24 horas anteriores al dı́a n el embalse recibe agua que cuantificaremos en la variable
Yn , justamente antes de cada mediodı́a la presa arroja 1 unidad de agua (si hay tal
cantidad).La capacidad máxima del embalse es k, y si la presa recibe excesiva cantidad este
agua se desborda y se pierde. Suponemos que las Yn son independientes e idénticamente
distribuidas y que todos los numeros de valoración son enteros no negativos.
(1)Demostrar que {Xn : n > 0} es una cadena de Markov.
(2)Hallar la matriz de transición de {Xn : n ≥ 1}
(3)Encontrar una expresión de la distribución estacionaria Π en términos de la función
generatriz de probabilidad de Yn
(4)Calcular Π cuando Gy (s) = p(1 − qs)−1

Ejercicio 3.12
Clasificar los estados de la Cadena de Markov dada por la siguiente matriz de paso:
 
0 0 0.4 0.6 0
 0 0.2 0 0.5 0.3 
 
P ≡ 0.5 0 0.5 0 0 
 0 0 1 0 0 
0.3 0 0.5 0 0.2

Ejercicio 3.13
Clasificar los estados de la cadena de Markov dada por la matriz adjunta, ası́ como su
matriz lı́mite.
a b c d e f g
 
a 0.8 0 0 0 0 0.2 0
b 0 0 0 0 1 0 0 

c 0.1 0 0.9 0 0 0 0 


d 0 0 0 0.5 0 0 0.5 
e 0 0.3 0 0 0.7 0 0 

f 0 0 1 0 0 0 0 
g 0 0.5 0 0 0 0.5 0

9
 Ejercicio 3.14

Sea X una cadena de Markov con espacio de estados E={1,2,3,4,5,6,7,8} y matriz de

transición:  
0.4 0.3 0.3 0 0 0 0 0
 0 0.6 0.4 0 0 0 0 0 
 
 0.5 0.5 0 0 0 0 0 0 
 
 0 0 0 0 1 0 0 0 
P =  0 0

 0 0.8 0.2 0 0 0 

 0 0 0 0 0 0.4 0.6 0 
 
 0.4 0.4 0 0 0 0 0 0.2 
0.1 0 0.3 0 0 0.6 0 0
clasificar los estados y determinar la matriz lı́mite.

Ejercicio 3.15

Clasificar los estados de la cadena de Markov dada por la siguiente matriz de transición,
ası́ como determinar la matriz limite.

1 2 3 4 5
1 0.5 0 0 0.5 0
2 0 0.6 0 0 0.4
c)
3 0.3 0 0.7 0 0
4 0 0 1 0 0
5 0 1 0 0 0

Ejercicio 3.16

Clasificar los estados de la cadena de Markov con la siguiente matriz de transición, y

su comportamiento lı́mite :
 
0.8 0 0.2 0
 0 0 1 0 
P =  1


0 0 0
0.3 0.4 0 0.3

Ejercicio 3.17

Estudiar las cadenas de Markov dadas por las matrices de transición:

 
p0 p1 p2 p3 · ·
 p0 p1 p2 p3 · · 
 
 0 p0 p1 p2 · · 
P = 0 0 p0 p2 · · 

 
 · · · · · · 
· · · · · ·

10
  
h0 g0 0 0 0 ·
 h1 g1 g0 0 0 · 
 
 h2 g2 g1 g0 0 · 
Q=



 h3 g3 g2 g1 g0 · 
 · · · · · · 
· · · · · ·

Determinar el comportamiento de los estados a través de las funciones generatrices de

las sucesiones {pi } y {gj }, respectivamente.

Ejercicio 3.18

Estudiar el comportamiento de los estados de los recorridos aleatorios dados por las
matrices de transición:
 
q p 0 0 0 ·
 q 0 p 0 0 · 
 
 0 q 0 p 0 · 
1. P1 =  
0 0 q 0 p · 
 
 · · · · · · 
· · · · · ·
 
0 1 0 0 0 ·
 q 0 p 0 0 · 
 
 0 q 0 p 0 · 
2. P2 =  0 0 q 0 p · 

 
 · · · · · · 
· · · · · ·
en función del valor de p. Determinar las distribuciones lı́mite.

Ejercicio 3.19

El número de dı́as que transcurren hasta que se recibe una petición para la suit pre-
sidencial de un hotel, es una v.a. G(p). Cada cliente que realiza la petición de la suit por
un número de dı́as que es una v.a. discreta X.

1. Calcular la fracción de tiempo que la suit está ocupada.

2. Calcular el beneficio para el hotel, si la estancia de X dı́as produce un beneficio

cX + k, y un coste D.

11
 Capı́tulo 4.- Procesos de Poisson
Ejercicio 4.1

Dos lı́neas de tren A y B comparten estación. Los trenes de tipo A y B llegan a la

estación según proceso de Poisson independientes con tasas λA = 3, λB = 6 trenes por
hora. Suponemos que los viajeros suben y bajan de los trenes instantáneamente.
1. En un instante al azar un pasajero llega a la estación a tomar el tren tipo A:
a) ¿Cuál es la función de densidad del tiempo que debe esperar para tomar su
tren?
b) ¿Cuál es la probabilidad de que lleguen al menos 3 trenes mientras que está es-
perando?
2. ¿Cuál es la probabilidad de que por la estación pasen exactamente 9 trenes en una
hora?
3. Si un observador cuenta el número de trenes que pasan por la estación cada ho-
ra, comenzando a las 8:00 de la mañana, ¿cuál es el número esperado de horas
transcurridas hasta que cuenta 9 trenes?
4. Supongamos que cada tren A, B, transporta un número de viajeros que es una v.a.
uniforme discreta en [0,A], [0,B] respectivamente. Determinar el número medio de
viajeros que pasan por la estación en [0,t], la varianza y la probabilidad de que no
pase ningún viajero.

Ejercicio 4.2

Sea Tn el tiempo de la n-ésima ocurrencia de un proceso de Poisson de tasa λ y

definamos el tiempo de vida restante como la v.a. E(t) = TN (t)+1 − t, es decir el tiempo
que uno debe esperar desde el instante t hasta la siguiente llegada. Probar que
Z t
−λ(t+x)
P (E(t) > x) = e + P (E(t − u) > x)λe−λu du
0
.
Resuélvase la ecuación integral para encontrar la distribución de E(t). Explı́quese el
resultado.

Ejercicio 4.3

Sea N un proceso de nacimiento puro con intensidades λ1 , λ2 , . . . ,λi 6= λj siempre que

i 6= j y N (0) = 0. Probar que pn (t) = P (N (t) = n) es igual a:
n n
1 X −λi t Y λj
pn (t) = λi e
λn i=1 j=0,j6=i
λj − λi

12
 Ejercicio 4.4

Un ama de casa vende subscripciones por correo de una revista. Sus clientes se suscri-
ben según un proceso de Poisson de tasa 6 cada dı́a. Se pueden subscribir durante 1,2, ó 3
años, lo que hacen de forma independiente con probabilidades respectivas de 1/2, 1/3, y
1/6. Por cada subscripción anual vendida se recibe una unidad monetaria. Si llamamos
X(t) a la cantidad total obtenida por subscripciones en un perı́odo de t dı́as, calcular la
ganancia media, su varianza y la probabilidad de que no se venda ninguna subscripción.

Ejercicio 4.5

Sea una máquina que funciona de forma intermitente y que puede estar en tres estados:
parada, funcionamiento o estropeada (P, F, E).
1. Si está funcionando en el instante t, hay una probabilidad γ∆t + o(∆t) de que se
decida pararla en el intervalo (t, t + ∆t) y una probabilidad λ∆t + o(∆t) de que falle
en dicho intervalo.

2. Si la máquina está parada en t, hay una probabilidad de ν∆t + o(∆t) que se decida
ponerla en funcionamiento en (t, t + ∆t).

3. Si la máquina falla, se tarda k unidades de tiempo en repararla y la máquina aparece

parada.
Suponemos que la máquina está parada en el instante t = 0. Definimos la duración
aparente de vida como el intervalo de tiempo entre que se pone en paro después de una
reparación y el instante en el que la máquina vuelve a fallar. Calcular la función de
distribución de la v.a. T, duración aparente de vida, su media y su varianza.

Ejercicio 4.6

Consideremos una población de bacterias de tamaño N(t) en el instante t y N(0)=1.

Supongamos que el crecimiento está descrito por un proceso de nacimiento puro en el
que cada miembro de la población se puede dividir en dos en el intervalo (t, t + ∆t) con
probabilidad λ∆t + o(∆t) o no cambiar en este intervalo con probabilidad 1 − λ∆t + o(∆t)
cuando ∆t → 0.
1. Escribir el conjunto de ecuaciones diferenciales en diferencias que verifican pk (t) =
P (N (t) = k).
ze−λt
2. Probar que la función generatriz de N(t), G(z,t) verifica: G(z, t) = 1−z+ze −λt .

3. Calcular E[N(t)].
4. Calcular la forma de Pk (t).

Ejercicio 4.7

Supongamos que una máquina se puede hallar en tres estados: trabajando (E0 ), es-
tropeada (E1 ) o quemada (E2 ). Suponemos que las transiciones entre los estados E1 y

13
E2 no son posibles. Denotemos por X(t) el estado en el que se encuentra la máquina en
el instante t y supongamos que los tiempos entre fallos y sobrecargas (que conducen a
quemar la máquina) son v.a. exponenciales, independientes e idénticamente distribuidas
de tasas ai , i = 1, 2, y los tiempos de reparación de cada uno de estos tipos de fallos son
respectivamente v.a. exponenciales, independientes e idénticamente distribuidas de tasas
bi , i = 1, 2. Probar que {X(t) : t ≥ 0} es una cadena de Markov de párametro continuo.
Encontrar la matriz de generadores de la cadena.

Ejercicio 4.8

En un paso de cebra los peatones fluyen según procesos de Poisson con tasa λL desde la
izquierda y con tasa λR desde la derecha de dicho cruce. Suponemos que ambos procesos
son independientes y que los peatones cruzan instantáneamente cuando se enciende la luz
verde. Vamos a analizar tres posibles reglas de funcionamiento del semáforo:

1. Regla A Luz verde cada T minutos.

2. Regla B Luz verde cuando el número de peatones esperando sea N0 .

3. Regla C Luz verde cuando el primer peatón que llega al semáforo haya esperado T0
minutos.

Determinar para cada regla de decisión:

1. El número esperado de peatones que cruzan de izquierda a derecha en cualquier luz

verde.

2. La probabilidad de que no cruce ningún peatón de izquierda a derecha en un instante

de luz verde.

3. La función de distribución del tiempo de luz verde.

4. El tiempo esperado para cruzar de un peatón que llega aleatoriamente.

5. El tiempo esperado desde la llegada de un observador no peatón hasta la próxima

luz verde.

14
 Capı́tulo 5.- Procesos de nacimiento y muerte.
Ejercicio 5.1

Consideremos un sistema con dos componentes en paralelo de modo que el tiempo

de fallo de las componentes son v.a. i.i.d. con distribución exponencial de media 1/λ. El
tiempo de reparación de cada componente sigue una distribución exponencial de media
1/µ. Se supone que el tiempo de fallo de las dos componentes y su tiempo de reparación
son mutuamente independientes. Inicialmente ambas componentes están operando has-
ta que una componente falla, en cuyo caso la reparación comienza instantáneamente y
ası́ sucesivamente. El sistema falla cuando ambas componentes no son operativas.
1. Calcular la probabilidad de que el sistema halla fallado antes del tiempo T . Hallar
el tiempo medio de fallo.

2. Estudiar este mismo modelo para el caso de un sistema en alerta, es decir, si una
unidad es operativa la otra espera su fallo para entrar en funcionamiento.

3. Suponer que hay una probabilidad p de que cuando el sistema halla fallado pueda
recuperarse.

Ejercicio 5.2

(Propiedad P.A.S.T.A.). Sea X = {X(t) : t ≥ 0} una cadena de Markov de

parámetro continuo con distribución estacionaria π. Sea N un proceso de Poisson de tasa
λ, independiente de X y definimos Yn = X(Tn ), como el valor tomado por X inmediata-
mente después del instante Tn de la n-ésima llegada de N. Probar que Y = {Yn : n ≥ 0}
es una cadena de Markov de parámetro discreto con la misma distribución estacionaria
que X.

Ejercicio 5.3

Sea X = {X(t), t ≥ 0} una cadena de Markov irreducible con matriz generatriz G, y

sea Y = {Yn , n ≥ 0} la cadena encajada dada por Y0 = X(0) e Yn es el valor de X justo
después del salto n-ésimo.

1. Si X tiene distribución estacionaria Γ1 , demostrar que Y tiene distribución estacio-

naria Γ∗ dada por:

Γk · gkk
Γ∗k = P
i Γi · gii
P
supuesto que i Γi · gii < ∞.
¿Cuándo ocurre Γ∗ = Γ?

15
 2. Probar que un estado es persistente en X si lo es en Y .

Ejercicio 5.4

Los items llegan a un centro de manufacturas para su procesamiento según un proceso

de Poisson con intensidad λ .El tiempo de servicio necesario para procesar un item es una
v.a. exponencial de media µ1 . Cuando no hay items el centro deja de operar, comenzando
de nuevo cuando se han acumulado Q nuevos items después de un paro.Todos los items
del sistema son entonces procesados y el ciclo de trabajo se termina cuando no hay más
items en el sistema,repitiéndose este esquema sucesivamente.
Calcular la probabilidad de que haya n items exactamente en el sistema.

Ejercicio 5.5

Un centro de reparación dispone de 10 plazas para atender las máquinas estropeadas en

dos centros de producción, en los que existen 10 máquinas en cada uno. Las máquinas del
primer centro se averı́an con tasa 3 por dı́a y son reparadas con tasa 4 por dı́a; mientras
que las del segundo centro se averı́an con tasa 1 por dı́a y se arreglan con tasa 1 por
dı́a. Dado que el primer centro se considera de gran importancia, se toma como regla de
decisión acepta siempre que sea posible máquinas del primer centro, pues el sistema no
permite espera, mientras que las del segundo centro son aceptadas si existen plazas libres
y no hay en reparación L máquinas de este centro. Determinar L para que se minimice el
número medio de máquinas no admitidas a reparación por unidad de tiempo.

Ejercicio 5.6

Una empresa de seguros debe mantener una cierta liquidez para hacer frente a los
reintegros solicitados por sus asociados y poder cobrar los pagos realizados por sus clien-
tes. El resto del capital de la empresa se encuentra invertido en valores mobiliarios. Las
entradas y salidas de caja están descritas por sendos procesos de Poisson compuestos.
Los reintegros ocurren siguiendo un proceso de tasa λ1 y la cantidad reembolsada es una
v.a. discreta con probabilidad {φ1 (j) : j = 1, 2, ...}. Los pagos los realizan los clientes
según un proceso de Poisson de tasa λ2 y las cantidades siguen la ley de probabilidad
{φ2 (j) : j = 1, 1, ...}.
Se desea estudiar el coste por unidad de tiempo de la siguiente regla de actuación :
”La cantidad de dinero en caja se descuenta automáticamente a b,si se supera este
lı́mite, comprando activos financieros. Si la cantidad en caja es inferior al nivel a, a < b,
se eleva hasta esta cantidad vendiendo activos. ”
Siendo el coste de comprar activos en los mercados financieros c2 u.m. por unidad
comprada y c1 u.m. por unidad vendida. El coste por unidad de tiempo por mantener M
u.m. en caja es c0 M .

16
 Ejercicio 5.7

La llegada de los trabajos a la cola de proceso de un ordenador de procesamiento

compartido se realiza según un proceso de Poisson de tasa λ. El microprocesador los
atiende en el orden de sus llegadas uno tras otro, empleando en cada uno de ellos un tiempo
que es una variable aleatoria exponencial de parámetro µ independiente, e independiente
de los tiempos entre llegadas. Sea X(t) el número de trabajos en el sistema (en la cola de
proceso o siendo procesado) en el instante t, X(0) = 0. Probar que X es una cadena de
Markov y escribir su matriz de generadores. Demostrar que existe distribución estacionaria
si y sólo si λ < µ, encontrarla explı́citamente en este caso.

Ejercicio 5.8

Consideremos una ciudad con dos servicios de emergencia que colaboran para atender
a las alarmas. La ciudad está dividida en dos zonas. Las emergencias que se producen
en la zona i se tratan de atender inicialmente por la unidad i. Las alarmas que llegan
cuando una sola unidad está libre se atiende por dicha unidad independientemente de la
procedencia. Las alarmas que llegan cuando las dos unidades están ocupadas se pierden
y no son atendidas. Los siniestros se producen según una ley Poisson de parámetros
λ1 , λ2 respectivamente en cada zona. Los tiempos de servicio de una emergencia del área
i atendida por la unidad j son variables aleatorias independientes exponenciales de media
1
µij
.

1. Determinar la matriz de generadores de la cadena.

2. Calcular la fracción de emergencias que se pierden.

17
 Capı́tulo 6.- Procesos de renovación.
Ejercicio 6.1

El número de veces N que un animal visita un área en un cierto periodo es una v.a.
geométrica de parámetro θ, siendo p la probabilidad de ser capturado para su estudio en
cada visita. Suponemos que el animal es dejado en libertad cada vez que es capturado.

1. Demostrar que la distribución de probabilidad del número total de veces que es

estudiado es una ley geomémtrica.

2. ¿Cúal es la probabilidad de que un individuo no sea capturado?

3. Si se le inyectan c unidades de producto cada vez que es estudiado, ¿cúal es la

cantidad media de producto que recibe?

Ejercicio 6.2

El número de semillas de cualquier planta de una cierta especie, se distribuye según

una ley Poisson de media λ. Cada semilla produce o no produce una flor con probabilidad
p independientemente de las restantes. El número de plantas que hay en la zona sigue una
v.a. con distribución de probabilidad pn = k · q0n /n, n = 1, 2, . . . , ∞, p0 = 0.
Encontrar la función generatriz de probabilidad del número de flores, ası́ como el
número esperado de flores en dicha área.

Ejercicio 6.3
1
Probar que M (t) = E[N (t)] = 2
λt − 14 (1 − e−2λt ) si los tiempos entre ocurrencias
siguen una distribución G(λ, 2).

Ejercicio 6.4

Un ordenador genera aleatoriamente caracteres alfabéticos desde su teclado hacia la

pantalla. Suponemos que el teclado se compone de los 27 signos alfabéticos (letras) más
la barra espaciadora. Se pretende estudiar la aparición de la secuencia examen de colas.
1. Definir un proceso de renovación que describa el proceso.
2. Aplicar el teorema elemental de renovación para obtener el número medio de carac-
teres generados hasta la primera obtención de dicha secuencia.

Ejercicio 6.5

Sea N un proceso de Poisson de tasa λ. Probar que la vida total D(t) en el instante
t tiene como función de distribución P (D(t) ≤ x) = 1 − (1 + λ mı́n{t, x})e−λx , x ≥ 0.
−λt
Deducir que E(D(t)) = (2−eλ ) .

18
 Ejercicio 6.6

Sea N un proceso de renovación y W el intervalo de tiempo que transcurre hasta que

la duración de un tiempo entre llegadas es mayor que s;es decir,W = inf {t : C(t) > s}
siendo C(t) el tiempo transcurrido (en el instante t) desde la última llegada. Probar que:
½
0 Rs si x < s
FW (x) =
1 − F (s) + 0 FW (x − u)dF (u) si x ≥ s

donde F es la función de distribución de un tiempo entre llegadas.

Probar que si N es un proceso de Poisson con tasa λ entonces:
λ−θ
E(eθW ) = para θ < λ
λ − θe(λ−θ)s
eλs −1
y E(W ) = λ
.

Ejercicio 6.7

Una fábrica está alternativamente produciendo y desocupada. Sean P1 , P2 , . . . los su-

cesivos tiempos de producción y sean D1 , D2 , . . . los sucesivos tiempos de desocupación.
Suponemos que {(Pn , Dn ) : n ≥ 1} es una sucesión de variables aleatorias bidimensio-
nales independientes. Determinar la fracción de tiempo que la fábrica está produciendo.

Ejercicio 6.8

Consideremos una situación de reemplazamiento de equipos en el que se usa la siguiente

regla: Un equipo se reemplaza por otro cuando falla o su edad es de T unidades de tiempo,
lo que ocurra primero. Los tiempos de vida de cada equipo son X1 , X2 , . . . , v.a. i.i.d. con
función de distribución F y función de densidad f . El sistema incurre en un coste de c1 > 0
u.m. por cada reemplazamiento sin fallo y en uno de c2 > c1 por cada reemplazamiento
con fallo. Determinar el coste medio por unidad de tiempo a largo plazo.

Ejercicio 6.9

Los pedidos llegan a una fábrica según un proceso de renovación con tiempo medio
entre pedidos 1/µ. La producción se inicia cuando se han recibido N pedidos. Los costes
de funcionamiento de la fábrica consisten en un coste fijo K cada vez que se inicia la
producción, más un coste de mantenimiento de pedidos con tasa hj, h > 0, cuando j
pedidos están esperando a ser atendidos.
Determinar el valor de N (entero) para que el coste por unidad de tiempo sea mı́nimo.

Ejercicio 6.10

Supongamos un sistema de inventario de revisión periódica cuyas demandas X1 , X2 , . . .

en semanas sucesivas son v.a.i.i.d. cuya función de densidad f (x) tiene los momentos de

19
primer y segundo orden finitos. Cualquier demanda que exceda el nivel de inventario
se almacena hasta que se produce reaprovisionamiento. La regla de control de pedidos
consiste en observar el nivel de inventario al principio de cada semana y pedir S − x
unidades siendo x el nivel de inventario x ≤ s, 0 ≤ s < S. Si s < x no se realizan pedidos.
El reaprovisionamiento es instantáneo.
Determinar la frecuencia media de pedido y cantidad media de cada pedido.

Ejercicio 6.11

Una fábrica produce una cantidad aleatoria de desechos por semana, que sigue una
ley exponencial de media 1/µ. Los desechos sólo pueden ser retirados al final de cada
semana. El almacenaje de los desechos produce un coste h por cada unidad de desecho
y por semana, además de un coste fijo k por cada retirada de residuos, y un coste p por
unidad de basura no retirada durante el último periodo.
Determinar el tamaño z del camión que retira los desechos de modo que minimice el
coste medio por periodo.

Ejercicio 6.12

Un guı́a turı́stico parte cada T minutos de la entrada principal de los Reales Alcázares.
Los turistas llegan a la entrada según un proceso de Poisson de tasa λ. Cada turista espera
al guı́a con probabilidad e−µλ si tiene que esperar un tiempo t hasta que comience el nuevo
recorrido. Cada turista parado paga al guı́a una cantidad τ , y el guı́a debe de pagar por
cada grupo unos gastos de entrada de grupo de C.
Demostrar que para el guı́a la duración óptima T ∗ de cada visita en grupo debe
verificar:
τλ τλ
e−µ T ∗ (τ λT ∗ + )= −c
µ µ
τλ
siempre que µ
> c.

Ejercicio 6.13

Sea N un proceso de renovación con tiempos entre ocurrencias dados por la v.a X.
Supongamos que X tiene momento de primer orden finito y no nulo y momento de segundo
orden finito. Usar el teorema llave para probar que:
½ ¾
t E(X12 )
lı́m m(t) − = −1
t→∞ E(X1 ) 2E 2 (X1 )
Ejercicio 6.14

Un contador radiactivo se bloquea durante un tiempo cada vez que registra una
partı́cula radiactiva.

20
 1. Supongamos que las partı́culas llegan según un proceso de Poisson de tasa λ y que
los tiempos de bloqueo son fijos de longitud T. Probar que:

El proceso de detección Ñ es un proceso de renovación cuya distribución de

tiempos entre ocurrencias es F̃ (x) = 1 − e−λ(x−T ) si x ≥ T.
Obtener una expresión para P (Ñ (t) ≥ k)

2. Si suponemos que las partı́culas llegan al contador según un proceso de renovación N

y la duración de cada bloqueo es según una v.a. positiva con función de distribución
FB . Probar que
Z x
P (X̃1 ≤ x) = {1 − F (x − y)}FB (y)dm(y)
0

Ejercicio 6.15

La policı́a de una autopista ha constatado que todos los vehı́culos que circulan por la
misma lo hacen a mayor velocidad de la permitida.
Un coche genérico debe de pagar multas cada M kilómetros, o cada vez que sufra una
averı́a (por exceso de velocidad) en un trayecto de menos de M kilómetros. Por cada
averı́a se paga una cantidad igual al número de kilómetros recorridos desde el último pago
y por cada multa convencional una cantidad constante C. Suponiendo que la densidad del
2
número de kilómetros recorridos hasta la próxima averı́a viene dada por f (x) = π(1+x 2)

x ∈ [0, ∞).
¿Cuál es el valor de M que hace mı́nimo los pagos por unidad de tiempo de un conductor
genérico?

21