Sistemas Estocsticos

Jaime Bustos G.
jaime.bustos@ufrontera.cl
Departamento de Ingeniera de
Sistemas
Universidad de La Frontera
 Sistemas Estocsticos
En la teora de probabilidades, un proceso
estocstico (o proceso aleatorio) es la
contraparte de un proceso determinstico.
En lugar de manejar una sola posible
realidad de cmo podra evolucionar el
proceso en el tiempo, existe una
indeterminacin en su evolucin futura
(mltiples opciones), descrita por una
distribucin de probabilidades asociada a
variables aleatorias.
Aunque las condiciones iniciales sean conocidas, existen varias alternativas o caminos
a tomar, pero algunas alternativas pueden ser ms o menos probables.
El camino que toma el sistema se define aleatoriamente ya sea por eventos aleatorios
externos y/o por decisiones internas
Dependiendo de las caractersticas de los valores de las variables aleatorias puede ser
un sistema discreto o continuo
http://en.wikipedia.org/wiki/Stochastic_systems
Qu son los Sistemas
Estocsticos (SE)?
Son sistemas en los que existe
incertidumbre
Casos extremos:
Un evento cuya ocurrencia es

inevitable se llama un evento cierto

Un evento que nunca puede ocurrir

se llama evento imposible

Un evento que puede o no ocurrir,

cuando se dan ciertas condiciones

se llama un evento aleatorio
Entonces: el resultado de la
operacin del sistema no se puede
predecir con certeza
Sistema Variable Evento(s) Medida de
(del sistema) aleatorio(s) desempeo
(variable)

Supermercado Cantidad Horario y cantidad total de

de clientes de clientes ventas (da, mes, ao)

Productos Lista de compras

comprados
Compras impulsivas
 Ejemplos de sistemas socio-
tecnolgicos
El servicio de atencin en un supermercado
Una fbrica y sus procesos
Una competencia deportiva
Un casino de juegos

El mercado accionario
El sistema de autopistas o calles en una ciudad
El sistema de generacin y transmisin de energa elctrica
 Fuentes de incertidumbre
Existencia de cursos de accin u opciones
Preferencias personales
Desconocimiento de:
resultado posible
interacciones entre los componentes
Informacin incompleta
Gran tamao del sistema: componentes, participantes
Interaccin entre componentes del sistema
Fallas
Errores
Accidentes
Influencias externas: clima, economa
 Preguntas clave
Qu tan relevante es el impacto de la incertidumbre?
Cmo se gestiona un sistema con incertidumbre?
Diseo

Operacin

Control

Mximo aceptable
Demanda de
Cmo se modela la incertidumbre? transporte en
horario punta

Demanda de
transporte segn
hora del da
Modelacin de incertidumbre

Estadstica
Teora de Probabilidades
Lgica Difusa
Redes de Petri
Redes Bayesianas

Ver:
Charla de J Sagula Modelacin de Incertidumbre, OPTIMA 2009 en

http://ficaetv.ufro.cl/watch_video.php?v=a3162e2d02ae412
Texto Modeling Uncertainty de Dror-Lecuyer-Szidarovszky
Que implicancias tienen los SE
en la ingenieria?
Funcionamiento aleatorio
Fallas de operacin
Variabilidad de resultados
Respuestas diferentes para
diferentes participantes
Reglas de uso y operacin
Dimensionamiento: diseo
Prediccin de utilizacin:
operacin
Mantenimiento
Eficiencia, costo, beneficio
Fundamentos
Teora de probabilidades
Estadstica

Teora de decisiones

Ronald Fischer
Pafnuti Chevyshev
Instituciones relacionadas
ORSA (The Operations Research Society of America)

Institute for Operations Research and Management Science

INFORMS (http://www.informs.org/):

Asociacin Latino-Iberoamericana de Investigacin Operativa (ALIO)

El Instituto Chileno de Investigacin Operativa (ICHIO)
(www.ichio.cl)

Instituto Cientfico Milenio Sistemas Complejos de Ingeniera

http://www.uncertainty-in-engineering.net/
 Descripcin del curso
La asignatura ensea los fundamentos tericos y metodolgicos de
los procesos Markovianos y Semi-Markovianos y complementa los
contenidos de la teora de probabilidades, todo lo cul se aplica a travs
de ejemplos a la modelacin matemtica y el anlisis de los
sistemas probabilsticos y de colas

Contenidos del curso

Resumen Axiomtico de Probabilidades, Variables aleatorias
Procesos de Poisson y otros procesos estocsticos

Cadenas de Markov en tiempo discreto y tiempo continuo

Sistemas de espera (colas) Markovianos y no Markovianos

Introduccin a la simulacin discreta

Desarrollo de competencias
Pensamiento crtico
Disear procesos con creatividad e innovacin, haciendo uso de
conocimientos de ingeniera y tecnologas de proceso y desarrollo,
para maximizar diferentes recursos con calidad, responsabilidad
social, un fuerte compromiso y respeto por el medioambiente.

Resultados de aprendizaje
Modelar problemas aleatorios Markovianos y Semi-Markovianos
Tomar decisiones ptimas frente a la incertidumbre.
Identificar variables crticas que intervienen en el logro de los
resultados de un proceso
Buscar mejoras a procesos establecidos
 Metodologa
Las clases semanales son un 50% teoria (2 hrs a todo el curso) y un
50% de trabajo prctico de laboratorio (2 hrs en mdulos)
En el trabajo prctico se apunta al anlisis de problemas utilizando el
conocimiento para modelar y tomar decisiones en sistemas sometidos a
fenmenos probabilsticos, con un nfasis en los problemas industriales
y de aplicacin cotidiana. Se utiliza software estndar para apoyar la
modelacin y anlisis

Trabajo autnomo del estudiante:

Complementar la materia pasada en clase con apuntes, uso del texto gua, lecturas
complementarias, ejercicios entregadas por el profesor y/o disponibles en internet
Ejercitar el desarrollo de la capacidad de modelacin y solucin de problemas con
caractersticas comunes en los sistemas sometidos a incertidumbre.
participar activamente del curso, ya sea en clases como en interaccin
presencial/virtual con el docente y/o ayudantes
Bibliografa
Taha, H. Investigacin de Operaciones, Pearson, 7
Ed. 2004 (8 Ed 2006, 9 Ed 2010, 10 Ed 2016)
Ross, S. Stochastic Processes, 2 Ed
Ross, S. Introduction to probability models, Academic
Press, 9 Ed, 2007
Gazmuri, P. Modelos Estocsticos para la gestin de
sistemas, Ed. UC
Ross, S. Simulacin, Pearson, 2 Ed.
Law, A., Kelton, D. Simulation Modeling and Analysis,
3 ed,
Evaluaciones
Prueba 1 18-Abril
Prueba 2 30-Mayo
Prueba 3 4-Julio
Prueba Recuperativa 6-Julio
Examen 25-Julio

Carga de trabajo
13 clases de teora
14 sesiones prcticas
3 sesiones de pruebas

60 hrs presenciales

Trabajo independiente aprox 80-90 hrs

 Recomendaciones para una
buena experiencia en el curso
Asista a clases (participacin activa)
Estudie independiente (recordar los SCT !!!)

Abundante ejercitacin

Interacte con el equipo docente (docente +

ayudantes)
diferentes medios: en clases, en labs, va mail,
reuniones presenciales
Ejerciteresolucin con tiempo reducido
Haga uso efectivo del sistema de bonos
Lectura complementaria
Model uncertainty: http://videolectures.net/cmulls08_pineau_pdm/
Fuzzy Logic
Monte Carlo Simulation for Statistical Inference, Model Selection
and Decision Making