MODELOS ESTOCSTICOS

Qu significa estocstico?
1. adj. Perteneciente o relativo al azar.
2. f. Mat. Teora estadstica de los procesos
cuya evolucin en el tiempo es aleatoria, tal
como la secuencia de las tiradas de un dado.
Variable estocstica
Es lo mismo que una variable aleatoria
Magnitud cuyos valores estn determinados
por las leyes de probabilidad, como los puntos
resultantes de la tirada de un dado.
Modelo determinstico
Un Modelo determinstico es un modelo matemtico donde las mismas
entradas producirn invariablemente las mismas salidas, no
contemplndose la existencia del azar ni el principio de incertidumbre.
Est estrechamente relacionado con la creacin de entornos simulados a
travs de simuladores para el estudio de situaciones hipotticas, o para
crear sistemas de gestin que permitan disminuir la incertidumbre.
La inclusin de mayor complejidad en las relaciones con una cantidad
mayor de variables y elementos ajenos al modelo determinstico har
posible que ste se aproxime a un modelo probabilstico o de enfoque
estocstico.
Ejemplos
Por ejemplo, la planificacin de una lnea de produccin, en cualquier
proceso industrial, es posible realizarla con la implementacin de un
sistema de gestin de procesos que incluya un modelo determinstico en
el cual estn cuantificadas las materias primas, la mano de obra, los
tiempos de produccin y los productos finales asociados a cada proceso.
Modelo estocstico
Un modelo es estocstico cuando al menos una variable del mismo
es tomada como un dato al azar y las relaciones entre variables se
toman por medio de funciones probabilsticas.
Sirven por lo general para realizar grandes series de muestreos,
quitan mucho tiempo en el computador son muy utilizados en
investigaciones cientficas.
Para lograr modelar correctamente un proceso estocstico es
necesario comprender numerosos conceptos de probabilidad y
estadstica.
Dentro del conjunto de procesos estocsticos se encuentran, por
ejemplo, el tiempo de funcionamiento de una mquina entre avera
y avera, su tiempo de reparacin y el tiempo que necesita un
operador humano para realizar una determinada operacin.
Algunas definiciones ms
Cualquier situacin en que el resultado es incierto se denomina
experimento
Para cualquier experimento, el espacio muestral S consiste en todos
los resultados posibles del experimento
Un evento E es cualquier coleccin de puntos (conjunto de
resultados) en el espacio muestral
Para dos eventos E1 y E2, la probabilidad condicional de E2 dado E1
(P(E2/E1), es la probabilidad de que ocurra el evento E2 dado que el
evento E1 ya ocurri
En el caso anterior se dice que los eventos E1 y e2 son
independientes si y solo si P(E2/E1)= P(E2) ( o en forma equivalente,
si P(E1/e2)=P(E1), es decir si y solo si el conocimiento de que
ocurri el evento anterior no cambia la probabilidad de que ocurra
el evento siguiente
Ejemplo
Suponga que saca una carta de un mazo de 52
cartas
1.-Cul es la probabilidad de que salga una carta
dada?
2.-Cul es la probabilidad de que salga un
corazn o una pica?
3.-Cul es la probabilidad de que al sacar una
carta sta NO sea 2?
4.-Dado que se sac una carta roja, cul es la
probabilidad de que sea de diamantes?
Solucin
1.-si se tiene 52 cartas la probabilidad de que
salga un nmero dado es de 4/52=1/13
2.-Si definimos el evento E
1
como se saca una
pica
Y el evento E2 como se saca un corazn
P(E
1
)=13/52=1/4
P(E
2
)=13/52=1/4
P(E
1
u E
2
)=P(E
1
)+P(E
2
)=1/4+1/4=1/2
3.-si se define E como el evento de sacar un 2
P(E )=4/52=1/13
P()=1-P(E ) =1-1/13=12/13

4.- si E
3
es el evento de sacar una carta roja y E
4
el
evento de sacar un diamante
P(E
1
/E
3
)=P(E
3
E
4
)/P(E
1
)
P(E
3
)=1/2
P(E
4
)=1/4
P(E
4
/E
3
)=1/4/1/2=1/2
VARIABLE ALEATORIA
Es una funcin que asocia un nmero con cada
punto en un espacio muestral del experimento.
Variable aleatoria discreta, asume solo valores
discretos x
1
, x
2
, x
3
Se caracteriza por el hecho
de que se sabe que la probabilidad de que X=x
1

(la probabilidad de que ocurra X es x
1
). P(X=x
1
)
Funcin de distribucin acumulativa, F(x) para
cualquier variable aleatoria X se define por
F(x)=P(X<=x)
Ejemplo
Sea X el nmero de puntos que salen cuando se tira un dado. Entonces, para
i=1,2,3,4,5,6
P(X=i)=1/6
La funcin de distribucin acumulativa (fda) para X, entre 0 y 1 es 0, entre 1 y
2 es 1/6, entre 2 y 3 es 1/3, y as
Variables aleatorias continuas
Si la variable aleatoria X puede asumir todos
los valores de un intervalo, entonces X es una
variable continua
Distribucin normal
Es la distribucin de probabilidad ms usada
Una variable aleatoria tiene una distribucin
normal si para algn y > 0, la variable
aleatoria tiene la funcin de densidad
siguiente:
Distribucin normal
Si una variable aleatoria X est normalmente
distribuida con media y una desv estndar ,
se dice que X es N(,)
La funcin siempre es simtrica con respecto a
la media
Distribucin normal

Distribucin normal
Una propiedad importante de la variable
aleatoria normal es que representa de forma
aproximada la distribucin del promedio de
una muestra tomada de cualquier distribucin
La fda de la variable aleatoria normal no
puede determinarse en una forma cerrada,
por lo que debe recurrirse a tablas de
distribucin normal estndar
Distribucin normal
Si Z es una variable aleatoria que es N(0,1),
entonces se dice que Z es una variable
aleatoria normal estandarizada, es decir, con
media 0 y desv estndar 1
Una variable aleatoria X con media y desv
est puede transformarse en normal estndar
z usando
Distribucin normal
Ms del 99% del rea bajo cualquier funcin
de densidad normal se encuentra encerrada
en el intervalo -3<= x <=+3, tambin
conocido como lmite 6
Ejemplo
El dimetro interno de un cilindro tiene la
especificacin 1 +-0,03 cm
El resultado del proceso de maquinado que
produce el cilindro sigue una distribucin
normal con media de 1 cm y desv est de 0,1
cm
Determinar el porcentaje de la produccin
que satisface las expectativas
Solucin(1)
Si se define x como el dimetro del cilindro,
La probabilidad de que satisfaga las
especificaciones es

Esta probabilidad se calcula mediante la
normal estndar, dado que =1 y =0,1
Se tiene
Solucin(2)
Como la distribucin es simtrica con respecto
a la media
Solucin (3)
Solucin (4)
O sea, aproximadamente el 23,6 % de los
cilindros estar de acuerdo a la especificacin
Ejemplo 2
La demanda de barras de chocolate en una tienda
tiene una media de 100 y una varianza de 3.000
unidades. La tienda tiene en la actualidad una
existencia de 3.500 barras de chocolate
Cul es la probabilidad de que la tienda se quede sin
barras en los prximos 30 das?
Adems, cuntas barras debe tener disponibles al inicio
el perodo para que solo exista el 1% de
probabilidades de quedarse sin chocolate al final del
perodo?
Suponga que las demandas de das diferentes son
variables independientes
Solucin (1)
Sea X
i
la demanda de barras de chocolate en
el da i=1, 2, 3, 4.30
Sea X la demanda de los 30 das siguientes
La tienda se queda sin chocolates si X>=3.500
Se sabe que X=X
1
+X
2
+X
30
X tiende a distribuirse a una variable aleatoria
X normalmente distribuida, con
E(X)=30*100=3000 y var X=30*3000=90000
Solucin (2)
Entonces la desv estndar es raz de var=300
La probabilidad de que la tienda se quede sin
stock durante los prximos 30 das es
P(X>=3.500)=P((X-3.000)/300>=(3.500-3.000)/300)
=P(Z>=1,67)=1-P(Z<=1,67)=1-F(1,67)=1-0,9525=0,0475
Solucin (3)
Sea c la cantidad de barras para que solo haya un 1% de probabilidades de
quedarse sin stock
Se busca un c que satisfaga
P(X>=c)=0,01
O bien
P((X-3.000)/300>=(c-3.000)/300)=0,01
Equivalente a
P(Z>=(c-3.000)/300)=0,01
1-P(Z<=2,33)=0,01
P(z<=2,33)=0,99
Z
0,99
=2,33
(c-3.000)/300=2,33c=3.699
Con un stock de 3.699 hay un 1% de probabilidad de quedarse sin chocolate en los
prximos 30 das
La funcin de excel =distr.norm(3500;3000;300;1)
y distr.norm.inv(0,99;3000;300) permiten estos clculos
Simulacin
Se usa cuando plantear un modelo es demasiado complejo y requiere
demasiadas simplificaciones
Es una tcnica que imita la operacin de un sistema del mundo real a
medida que evoluciona en el tiempo
Para ello se desarrolla un modelo de simulacin
Un modelo de simulacin toma la forma de un conjunto de suposiciones
acerca de la operacin del sistema, expresado como relaciones
matemticas o lgicas entre los objetos de inters en le sistema
Una simulacin, en lugar de entregar una solucin matemtica exacta,
genera muestras representativas de las medidas de desempeo
Podra verse que la simulacin podra verse es experimento de muestreo
en el sistema real, donde los resultados son los puntos muestrales
Para obtener la mejor estimacin de la media de la medida del
desempeo, se promedian los resultados muestrales
Por lo tanto, mientras ms puntos muestrales se generen, mejor ser la
estimacin
Simulacin (2)
Las simulaciones tienen ventajas y desventajas
La principal ventaja es que la teora es
relativamente directa, ya que son ms fciles
de aplicar que los mtodos analticos
Pero no es una tcnica de optimizacin
Se usa normalmente para analizar preguntas
del tipo que pasara si
Terminologa
Un sistema es una coleccin de entidades que actan e
interactan hacia la realizacin de algn fin lgico
El estado de un sistema es el conjunto de variables
necesario para describir el status del sistema en algn
momento determinado
Un sistema discreto es uno en el que las variables de estado
cambian solo en puntos discretos o contables en el tiempo
Un sistema continuo es uno en el que las variables de
estado cambian en forma continua con el tiempo
Un modelo de simulacin esttico es una representacin de
un sistema en un punto particular del tiempo
Una simulacin dinmica es una representacin de un
sistema que evoluciona con el tiempo
Ejemplo simulacin discreta
Sistema de colas de un solo servidor
Los clientes llegan al sistema a partir de
alguna poblacin y entran al servicio de
inmediato si el servidor est desocupado o se
unen a la lnea de espera(cola) si est ocupado
(ejemplo: peluquera con un solo peluquero,
un solo expendedor de boletos en una
terminal area o de buses
Ejemplo
Se debe hacer ciertas suposiciones, como:
Llegadas se extraen de una poblacin demandante infinita
Hay capacidad ilimitada en la sala de espera
Los clientes se atendern en el orden de llegada
Las llegadas ocurren una a la vez en forma aleatoria
La distribucin de tiempos de llegada es dada
Los tiempos de servicio son aleatorios
Despus del servicio los clientes vuelven a la poblacin
demandante
Se entrega a continuacin las tablas de tiempos de llegada
y atencin
Datos
Distribucin de tiempos de
llegada
Tiempo entre
llegadas (s)
Probabilidad
1 0,20
2 0,30
3 0,35
4 0,15
Distr tpos
servicio
T servicio
(min)
Prob
1 0,35
2 0,4
3 0,25
Definicin del estado del sistema
Se requiere definir las siguientes variables:
Nmero de clientes en el sistema
Status del servidor(ocupado o no)
Tiempo de la siguiente llegada
Se define un evento como situacin que provoca un cambio en el
estado del sistema
En un sistema de colas con un servidor, solo 2 eventos pueden
cambiar el estado del sistema
Una llegada al sistema y una salida al completar el servicio
Se define una lista de eventos en que se debe llevar un registro del
tipo de eventos programados y adems del tiempo al que est
programado que ocurran estos eventos
El tiempo se registra mediante una variable llamada tiempo de reloj


Simulacin de Montecarlo
Es el procedimiento de generar nmeros
(usualmente tiempos) a partir de distribuciones
de probabilidad, o generacin de nmeros
aleatorios
El principio de muestreo de distribuciones
discretas se basa en la interpretacin de la
probabilidad en relacin con la frecuencia
Es decir, a la larga, nos gustara que los resultados
ocurrieran con las frecuencias especificadas por
las probabilidades en la distribucin


TM: tiempo reloj
SS: status servidor
WL: numero clientes en cola espera
AT: tiempo programado sgte llegada
DT: tpo programado sgte salida