Académique Documents
Professionnel Documents
Culture Documents
ESTADÍSTICAS
UNIVERSIDAD DE SEVILLA
-------------
2º Curso
Departamento de Estadística
e Investigación Operativa
MODELOS ESTOCÁSTICOS DE LA
INVESTIGACIÓN OPERATIVA. I
Curso 2010-2011
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.
2. Geométrica
3. Poison
4. Hipergeométrica
Ejercicio 1.2
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
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
(1 − p)k
f (k) = ; con k≥1
klog( p1 )
Ejercicio 1.8
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:
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:
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
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:
3
Capı́tulo 2.- Procesos estocásticos
Ejercicio 2.1
Ejercicio 2.2
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
4
Ejercicio 2.7
Ejercicio 2.8
Ejercicio 2.9
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:
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
1. P [T = n]
Ejercicio 2.14
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:
2. Un proceso de ramificación.
Ejercicio 3.2
Ejercicio 3.3
Ejercicio 3.4
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:
Ejercicio 3.9
B E
Comenzamos en el vértice (A). Nos piden:
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
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
Ejercicio 3.17
10
h0 g0 0 0 0 ·
h1 g1 g0 0 0 ·
h2 g2 g1 g0 0 ·
Q=
h3 g3 g2 g1 g0 ·
· · · · · ·
· · · · · ·
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.
11
Capı́tulo 4.- Procesos de Poisson
Ejercicio 4.1
Ejercicio 4.2
Ejercicio 4.3
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).
Ejercicio 4.6
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:
3. Regla C Luz verde cuando el primer peatón que llega al semáforo haya esperado T0
minutos.
14
Capı́tulo 5.- Procesos de nacimiento y muerte.
Ejercicio 5.1
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
Ejercicio 5.3
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
Ejercicio 5.5
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
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
.
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.
Ejercicio 6.2
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
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
Ejercicio 6.7
Ejercicio 6.8
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
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:
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