You are on page 1of 28

INVESTIGACIN

OPERATIVA II
MODELOS ESTOCSTICOS
2013
INTRODUCCION
Un modelo estocstico se define como una coleccin ordenada
de variables aleatorias {Xt}, en donde el ndice t, toma valores de
un conjunto T dado, que con frecuencia es un conjunto de enteros
no negativos y Xt representa una caracterstica de inters medible
en el tiempo t. Por ejemplo:
Xt = Nmero de artculos en inventario semanalmente
T = 52 semanas al ao
X1= 40 artculos en la semana 1
X2= 30 artculos en la semana 2

Si se presenta cierta regularidad en algunos de estos fenmenos
aleatorios, se puede minimizar la incertidumbre, mediante el
desarrollo de modelos probabilsticos que caractericen el
comportamiento de estas variables.

DEFINICIONES BSICAS
Espacio muestral: el conjunto de resultados de un experimento

Evento: cualquier subconjunto del espacio muestral

Variable aleatoria: es una funcin que asigna valores reales a los
resultados de un experimento

Modelo estocstico: todo esquema abstracto de naturaleza
probabilstica, susceptible de representar un modelo real.

En una breve descripcin de un modelo aleatorio se reconocen los
siguientes elementos:

- Un conjunto de estados posibles del sistema E
- Un conjunto de eventos elementales posible
- Una distribucin D de probabilidades sobre
Ejemplos:
- Nmero de ventas mensuales de un artculo
- Fallas elctricas de un equipo en un mes
- Nmero de clientes atendidos por hora en un banco
- Nmero de piezas fabricadas por un torno al mes


Los modelos estocsticos son funciones aleatorias pero con la
particularidad de que el argumento de estas funciones es el tiempo.
Se dice entonces que son procesos estocsticos o aleatorios. En este
tipo de modelos, se busca saber cmo el futuro de un sistema est
correlacionado con su pasado y presente.
DEFINICIONES BSICAS
Definicin 1: Un proceso estocstico es una coleccin de v.a. de la
forma {X(t), t T}, donde T puede ser un conjunto continuo o discreto.

Si T es contable o finito, el proceso se denomina discreto.

Si T es un subconjunto de los reales, el proceso se denomina
continuo.

Con frecuencia T se toma como el conjunto de enteros no negativos y
Xt representan una caracterstica de inters medible en el tiempo t.
DEFINICIONES BSICAS
Definicin 2: Se dice que un proceso estocstico {N(t), t0}, es un
Proceso de Conteo si cuenta a los eventos que ocurren en el
intervalo (0,t)

{N(t), t0}, es un proceso estocstico en tiempo continuo.

Ejemplos:
-N de votos en una urna a lo largo de un da
-N de accidentes de trnsito en un ao
-Llegada de camiones a un punto de carga
-Ventas de cierto producto en un supermercado.

DEFINICIONES BSICAS
Propiedades del proceso de conteo

N(t) 0
N(t) toma valores enteros positivos

Si s < t N(s) N(t) (proceso creciente)

El nmero de eventos ocurridos en (s,t) = N(t) N(s) donde N(s) y
N(t) son v.a. independientes.
DEFINICIONES BSICAS
Axioma de Independencia
{N(t), t0} es un proceso de conteo con incrementos independientes
si la v.a. N(s+t) N(t) es independiente del proceso N(u), donde u t.

Ejemplo:

N(t)= nmero de personas que han llegado a una estacin de metro
en (0,t)




DEFINICIONES BSICAS
0 u t t+s
N(t+s)
N(t+s) = N(t) + [N(t+s) N(t) ] = nmero de llegadas en el intervalo (t, t+s)
N(t+s) = N(t+s) -- Independencia de lo que ocurre antes de t

N(t) N(u)



Axioma de Uniformidad (Incrementos estacionarios)

{N(t), t0} es un proceso de conteo con incrementos estacionarios si
la distribucin del nmero de eventos que ocurren en un intervalo de
tiempo depende del largo del intervalo, pero no de su posicin en el
tiempo. Esto es N(s+t)N(t) es independiente del tiempo.

DEFINICIONES BSICAS
0 u t t+s
N(t+s) N(u)
Definicin 3: Un proceso de conteo {N(t), t0}, es un Proceso de
Poisson a tasa con 0 si:

N(0) = 0 ( en t=0 no hay eventos)
N(t) tiene incrementos independientes
N(t) tiene incrementos estacionarios

Entonces la distribucin de Poisson con parmetro t es:


DEFINICIONES BSICAS
} {
!
) (
) ( ) (
n
e t
n t N P t P
t n
n


= = =
t t N E = )) ( (
La distribucin de Poisson modela procesos de conteo de individuos que
llegan a un sistema, por unidad de tiempo.

Variable Aleatoria N(t) = Nmero de veces que ocurre el suceso n (xitos)
por unidad de rea, tiempo, pieza, etc.

Ejemplos:

- N de defectos de una tela por m2
- N de aviones que aterrizan en un aeropuerto por da
- N de bacterias por cm2 de cultivo
- N de llamadas telefnicas entrantes por hora
- N de llegadas de embarcaciones a un puerto por da

Parmetros de la distribucin: Media ()

Funcin de probabilidades:
MODELO ESTOCSTICO DE POISSON
} {
!
) (
) ( ) (
n
e t
n t N P t P
t n
n


= = =
Definicin 4: Sea T una v.a. que representa los tiempos entre
eventos de un proceso de Poisson, entonces stos corresponden a
v.a. idnticamente distribuidas, con distribucin exponencial de
parmetro .



y


donde el valor esperado y la varianza son:

} {
t
e t T P

= s 1

1
) ( = T E
2
1
) (

= T Var
} {
t
e t T P

=
La funcin de densidad de la distribucin exponencial es:





Propiedades

-f
T
es una funcin estrictamente decreciente de t (t0)



- Falta de memoria..

<
>
=

0 0
0
) (
t para
t para e
t f
t
T
o
o
) ( ) 0 ( t t T t P t T P A + s s > A s s
) ( ) / ( t T P t T t t T P > = A > A + >
Divisin de un Proceso de Poisson:
p
1-p
X
A
(t)
X
B
(t)
X(t)
Si X(t) es un proceso de Poisson de tasa , con probabilidad p un
evento de X(t) es tipo A y con probabilidad (1-p) es tipo B, entonces
XA(t) y XB(t) son dos procesos de Poisson independientes de tasas
A=p y B=(1-p).
Mezcla de dos Procesos de Poisson:
Si N1(t) y N2(t) son dos procesos de Poisson de tasas 1 y 2
respectivamente. A partir de estos dos procesos es posible construir
N(t)=n1(t)+N2(t) de tasa = 1 + 2.
N
1
(t)
N
2
(t)
N(t)=N
1
(t)+N
2
(t)
Ejemplo 1.

En un estacionamiento del centro, se ha determinado que la llegada de
vehculos obedece a una distribucin de Poisson con tasa = 15 vehculos
por hora. El 30% de los vehculos que llegan al estacionamiento finalmente
entran a l, mientras que el 70 % restante se va sin ingresar.

a) Cual es la probabilidad de que ingresen al menos 5 vehculos al
estacionamiento durante una jornada (6 horas).
p
1-p
N
A
(t)
N
B
(t)
N(t)
P=0,3 entran al estacionamiento
1-P=0,7 no entran al estacionamiento
A=p* = 0,3*15 = 4,5 vehculos/hora
=15 vehculos/hora
B=(1-p)* = 0,7*15 = 10,5 vehculos/hora
Ejemplo 1.

a) Cual es la probabilidad de que ingresen al menos 5 vehculos al
estacionamiento durante una jornada (6 horas).
p
1-p
N
A
(t)
N
B
(t)
N(t)
P=0,3 entran al estacionamiento
1-P=0,7 no entran al estacionamiento
A=p* = 0,3*15 = 4,5 vehculos/hora
=15 vehculos/hora
B=(1-p)* = 0,7*15 = 10,5 vehculos/hora
P [Na(6)5] = 1 P[Na(6)<5]
% 99 , 99 9999 . 0 } 5 ) 6 ( {
0000000485 , 0 1 } 5 ) 6 ( {
! 0
) 6 5 , 4 (
! 1
) 6 5 , 4 (
! 2
) 6 5 , 4 (
! 3
) 6 5 , 4 (
! 4
) 6 5 , 4 (
1 } 5 ) 6 ( {
0 1 2 3 4
6 * 5 . 4
= = >=
= >=
(

-
+
-
+
-
+
-
+
-
= >=

Na P
Na P
e Na P
Ejemplo 1.

b) Se sabe que se han retirado del estacionamiento 8 vehculos entre las 12:00
y la 12:30 Hrs. Cual es la probabilidad de que se vallan 4 vehculos
durante la siguiente media hora?
t=0 t=30 t=60
12:00 12:30 13:00
Se sabe que Nb(30)=8
P(Nb(30)=4) ?
0.166
4!
e 30) (0.175
4} (30) P{N
4} (30) P{N 8} (30) N / 4 (30) P{N
30 * 175 . 0 4
B
B B B
=
-
= =
= = = =

Los axiomas de independencia y de


incrementos estacionarios, indican que
lo que sucede en el tramo (0,30), no
afecta lo que suceder en el tramo
(30,60), por lo que la probabilidad de
que se vallan 4 vehculos en este
tramo, no depende su posicin en el
tiempo, si no que depende slo del
largo de su intervalo (30 minutos):
Ejemplo 1.

c) Cual es la probabilidad de que ingresen 2 vehculos entre las 9:00 y las
9:20 am, si se sabe que han ingresado 4 entre las 9:00 y las 9:45 am?
t=0 t=20 t=45
09:00 09:20 09:45
Se sabe que Na(45)=4
P(Na(20)=2) ?
En este caso, los intervalos (t) de
tiempo, no son independientes, por lo
que debern calcularse probabilidades
condicionales.
Para poder multiplicar las
probabilidades condicionales, los
suceso deben ser independientes,
en este caso no lo son, por lo que
debe transformarse el problema.
De esta forma, se realiza una
nueva probabilidad condicional, con
sucesos independientes
) 4 (45) N (
) 4 (45) N ( 2) (20) P(N
} 4 (45) N / 2 (20) P{N
A
A A
A A
=
= =
= = =
P
P
t=0 t=20 t=45
09:00 09:20 09:45
Na(25)=2
P(Na(20)=2) ?
) 4 (45) N (
) 4 (45) N ( 2) (20) P(N
} 4 (45) N / 2 (20) P{N
A
A A
A A
=
= =
= = =
P
P
( ) ( )
( )
3659 . 0
1849 . 0
2696 . 0 * 2510 . 0
} 4 (45) N / 2 (20) P{N
! 4
* 45 * 075 . 0
! 2
* 25 * 075 . 0
*
! 2
* 20 * 075 . 0
} 4 (45) N / 2 (20) P{N
) 4 (45) N (
) 2 (25) N ( * 2) (20) P(N
) 4 (45) N (
) 2 (25) N ( 2) (20) P(N
} 4 (45) N / 2 (20) P{N
A A
) 45 * 075 . 0 (
4
) 25 * 075 . 0 (
2
) 20 * 075 . 0 (
2
A A
A
A A
A
A A
A A
= = = =
= = =
=
= =
=
=
= =
= = =


e
e e
P
P
P
P
Al aeropuerto de Antofagasta, llegan aviones segn una distribucin de Poisson,
con media de 20 aviones por hora. Se pide determinar.

1. Cul es la probabilidad de que lleguen ms de 2 aviones los primeros 10
minutos?
EJEMPLO:
utos min
aviones
3
1
uto min
aviones
60
20
hora
aviones
20 = = =
} {
!
) (
) ( ) (
n
e t
n t N P t P
t n
n


= = =
| |
6472 . 0 } 2 ) 10 ( {
3527 . 0 1 } 2 ) 10 ( {
0357 . 0 1189 . 0 1982 . 0 1 } 2 ) 10 ( {
! 0
) 10
3
1
(
! 1
) 10
3
1
(
! 2
) 10
3
1
(
1 } 2 ) 10 ( {
}] 0 ) 10 ( { } 1 ) 10 ( { } 2 ) 10 ( { [ 1 } 2 ) 10 ( {
} 2 ) 10 ( { 1 } 2 ) 10 ( {
10
3
1
0
10
3
1
1
10
3
1
2
= >
= >
+ + = >
(
(
(
(

-
+
-
+
-
= >
= + = + = = >
s = >
- - -
N P
N P
N P
e e e
N P
X P N P N P N P
N P N P
2.- Si se sabe que durante los 10 primeros minutos llegaron al menos 2 aviones.
Cul es la probabilidad de que los siguientes 5 minutos no llegue ningn
avin?
EJEMPLO:
1889 . 0
! 0
) 5
3
1
(
} 0 ) 5 ( {
} 0 ) 5 ( { } 2 ) 10 ( / 0 ) 5 ( {
5
3
1
0
=
-
= =
= = > =
-
e
N P
N P N N P
t=0 t=10 t=15
Los axiomas de independencia y de incrementos estacionarios, indican que lo
que sucede en el tramo (0,10), no afecta lo que suceder en el tramo (10,15),
por lo que la probabilidad de que no llegue ningn avin en este tramo, no
depende su posicin en el tiempo, si no que depende slo del largo de su
intervalo (5 minutos):
Para una distribucin de Poisson:

Llegan en promedio 20 aviones en 1 hora

Para una distribucin exponencial:


3. En promedio, un avin toma 2 minutos en aterrizar, tiempo que se distribuye
exponencialmente. Los aviones aterrizan en orden de llegada Cunto tiempo
en promedio pasar ocupada la loza durante 1 hora?
EJEMPLO:
aviones hora
hora
aviones
t t N E 20 1 20 )) ( ( = - = =
avin
utos
T E
min
2
1
) ( = =

utos
avion
utos
aviones T E t N E min 40
min
2 * 20 ) ( * )) ( ( = =
Cada avin demora en promedio 2 minutos en aterrizar.

Por lo tanto, en una hora, la loza estar ocupada:

5. Suponga que los aviones que llegan al aeropuerto, corresponden a vuelos
comerciales con una probabilidad de , y a vuelos de carga con una
probabilidad de . Si se sabe que entre las 10:00 y 11:00 am llegaron 18
aviones Cul es la probabilidad de que la siguiente media hora llegue un avin
de carga?
EJEMPLO:
p
1-p
N
A
(t)
N
B
(t)
N(t)
P=3/4, aviones comerciales
1-P=1/4, aviones de carga
A=p* = 3/4*1/3 = 1/4 aviones/minuto
=1/3 aviones/minuto
B=(1-p)* = 1/4*1/3 = 1/12 aviones/minuto
t=0 t=60 t=90
10:00 11:00 11:30
EJEMPLO:
p
1-p
N
A
(t)
N
B
(t)
N(t)
P=3/4, aviones comerciales
1-P=1/4, aviones de carga
A=p* = 3/4*1/3 = 1/4 aviones/minuto
=1/3 aviones/minuto
B=(1-p)* = 1/4*1/3 = 1/12 aviones/minuto
t=0 t=60 t=90
10:00 11:00 11:30
0.2052
1!
e 30)
12
1
(
1} (30) P{N
1} (30) P{N } 18 N(60) / 1 (30) P{N
30 *
12
1
1
B
B B
=
-
= =
= = = =

?
Los axiomas de independencia y de
incrementos estacionarios, indican que
lo que sucede en el tramo (0,60), no
afecta lo que suceder en el tramo
(60,90), por lo que la probabilidad de
que llegue un avin de carga en este
tramo, no depende su posicin en el
tiempo, si no que depende slo del
largo de su intervalo (30 minutos):
EJEMPLO:
p
1-p
N
A
(t)
N
B
(t)
N(t)
P=3/4, aviones comerciales
1-P=1/4, aviones de carga
A=p* = 3/4*1/3 = 1/4 aviones/minuto
=1/3 aviones/minuto
B=(1-p)* = 1/4*1/3 = 1/12 aviones/minuto
t=0 t=30 t=60
10:00 10:30 11:00
12 aviones
2 aviones?
En este caso, los intervalos (t) de
tiempo, no son independientes, por lo
que debern calcularse probabilidades
condicionales.
6. Si se sabe que entre las 10:00 y 11:00 am llegaron 12 aviones comerciales
Cul es la probabilidad de que lleguen 2 aviones comerciales entre las 10:00 y
las 10:30?
EJEMPLO:
A=p* = 3/4*1/3 = 1/4 aviones/minuto
t=0 t=30 t=60
10:00
10:30
11:00
12 aviones comerciales
2aviones?
Para poder multiplicar las
probabilidades condicionales, los
suceso deben ser independientes,
en este caso no lo son, por lo que
debe transformarse el problema.
t=0 t=30 t=60
10:00
10:30
11:00
10 aviones?
2aviones?
De esta forma, se realiza una
nueva probabilidad condicional, con
sucesos independientes
) 12 (60) N (
) 12 (60) N ( 2) (30) P(N
} 12 (60) N / 2 (30) P{N
A
A A
A A
=
= =
= = =
P
P
EJEMPLO:
A=p* = 3/4*1/3 = 1/4 aviones/minuto
t=0 t=30 t=60
10:00
10:30
11:00
10 aviones?
2aviones?
0129 . 0
1024 . 0
0858 . 0 * 0155 . 0
! 12
e * 60 *
4
1
! 10
e * 30 *
4
1
*
! 2
e * 30 *
4
1
} 12 (60) N / 2 (30) P{N
) 12 (60) N ( P
) 10 (30) N ( P * 2) (30) P(N
) 12 (60) N ( P
) 10 (30) N ( P 2) (30) P(N
} 12 (60) N / 2 (30) P{N
) 60 *
4
1
(
12
) 30 *
4
1
(
10
) 30 *
4
1
(
2
A A
A
A A
A
A A
A A
= =
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
= = =
=
= =
=
=
= =
= = =