Introducción a los Modelos
Estocásticos
2020-1
Procesos Estocásticos
Introducción
Desarrollo
Ejercicios resueltos
Ejercicios propuestos
Conclusiones
Objetivo
Entender los procesos estocásticos, sus
características y sus distribuciones de
probabilidad.
Introducción
Motivación
¿Cómo puedo construir un modelo que nos permita explicar la estructura y
preveer la evolución de una variable que observamos a lo largo del tiempo?
Siendo que la variable puede ser económica
(I.P .C., demanda de un producto,
existencias de en un almacén, etc), física
(temperatura de un proceso, velocidad del
viento en una central eólica, concentración
de un contaminante en la atmósfera, etc) o
social (nro de nacimientos, votos de un
determinado partido, personas inmunizadas
luego de una enfermedad, etc).
Definición
Procesos estocásticos - Definición
- Un proceso estocástico es una colección
de variables aleatorias {Xt, t ∈T } donde
Xt mide un aspecto del sistema bajo
estudio tomando diferentes estados s∈S
en el tiempo t∈T .
- P or tanto, para cada instante t
tendremos una variable aleatoria distinta
representada por Xt, P or ejemplo, si
observamos sólo unos pocos valores de t,
I nterpretamos a un proceso
tendríamos una imagen similar a la de la estocásti co como la evoluci ón en el
figura siguiente: ti empo de algún fenómeno cuya
di námi ca se ri ge por el azar.
Elementos de un proceso estocástico
T iene los siguientes elementos:
- Xt es la variable aleatoria y están
referidas al espacio de
probabilidades (Ω,F ,P ).
- S es el espacio de Estados cuyos
valores toma Xt en el tiempo t
- T el espacio paramétrico en el que
se desenvuelve t.
Caso ejemplo
Caso ejemplo
Caso ejemplo
Caso ejemplo
Caso ejemplo
Caso ejemplo
Caso ejemplo
Caso ejemplo
Clasificación
Clasificación de los procesos estocásticos
Un proceso estocástico puede clasificarse de acuerdo a su espacio de estados S,
su espacio paramétrico T y a la relación de dependencia entre sus variables Xt.
Según el espacio de estados “S” se puede Según el espacio par amétr ico “T ” se puede
clasificar en: clasificar en:
a) Pr oceso de estados discr eto si a) Pr oceso de tiempo discr eto si
S= {1, 2, 3, …}, {Xt, t∈T } T = {0, 1, 2, 3, …}, {Xn, n= 0,1,2,…}
b) Pr oceso r eal valor ado si b) Pr oceso de tiempo continuo si
S= {-∞, ∞ }, {Xt, t∈T } T = {0, ∞ }, {Xt, t≥ 0}
c) Pr ocesos k-vector ial si
S= {(X1,X2,…,Xn);∀Xi∈ }, {Xt, t∈T }
Clasificación de los procesos estocásticos
• Si el conjunto T es continuo, por ejemplo R+ , diremos que Xt es un proceso estocástico
de parámetro continuo. Si por el contrario T es discreto, por ejemplo N, diremos que
nos encontramos frente a un proceso estocástico de parámetro discreto.
• Si para cada instante t la variable aleatoria Xt es de tipo continuo, diremos que el
proceso estocástico es de estado continuo. Si para cada instante t la variable aleatoria
Xt es de tipo discreto, diremos que el proceso estocástico es de estado discreto.
t Discreto t Continuo
X Discreta Proceso de estado discreto Proceso de estado discreto
y tiempo discreto (Cadena) y tiempo continuo (Proc. Saltos Puros)
(Unidades producidas por mes) (Unidades producidas hasta el instante t)
X Continua Proceso de estado continuo Proceso de estado continuo
y tiempo discreto (Serie estocástica continua) y tiempo continuo (Proceso Continuo)
(Toneladas de producción diaria) (Velocidad de un vehículo en el instante t)
Clasificación de los procesos estocásticos
Ejemplos
Ejemplo # 1
Estoy realizando lanzamientos consecutivos de una
moneda y quiero llevar la cuenta de la cantidad de
“caras” que voy acumulando a lo largo del juego.
¿Cómo represento esta si tuaci ón medi ante un proceso
estocásti co?
Discreto Continuo
X t: Canti dad de “ caras” acumuladas luego del
lanzami ento “ t” . Espacio de Estados “S”:
S= {0, 1, 2, 3, ….}
T= {1, 2, 3, …} Espacio paramétrico “T”:
Ejemplo # 2
Se está llenando un contenedor de víveres para
damnificados, con una capacidad de 600kg. Normalmente
esta tarea demora en completar 90 minutos. Como la
plataforma donde se ubican los contenedores tiene una
capacidad máxima de carga, es de interés conocer el peso
que va acumulando el contenedor.
Representar la si tuaci ón como un proceso estocásti co. Discreto Continuo
X t: Peso (kg) del contenedor en el momento Espacio de Estados “S”:
“ t” .
S: [0, 500kg] ki logramos de carga
T: [0, 90mi n] i nstante de llenado Espacio paramétrico “T”:
Ejemplo # 3
El municipio desea llevar la estadística del número de
asaltos diarios que ocurren en la ciudad durante el mes
de mayo.
Representar la si tuaci ón como un proceso estocásti co.
Discreto Continuo
X t: Canti dad de asaltos en el día “ t” .
S: [0, 1, 2, …, n] asaltos Espacio de Estados “S”:
T: [1, 2, 3, …, 31] días
Espacio paramétrico “T”:
Ejemplo # 4
Deseo llevar el control del marcador durante un parti do
parti do de fútbol.
¿Puedo modelarlo medi ante un proceso estocásti co?
Discreto Continuo
X t: Marcador de un parti do de fútbol en el
i nstante “ t” . Espacio de Estados “S”:
S: {(x,y) / x,y= 0, 1, 2, …}
T: [0, 90] mi nutos con segundos Espacio paramétrico “T”:
Ejemplo # 5
El proceso de filtración de una sustancia líquida se repite
durante 5 ciclos, a fin de que la concentración de impurezas
(medida en ppm - partículas por millón) caiga por debajo del
máximo permitido. Se tiene interés en conocer la eficiencia
de filtrado en cada ciclo que se complete.
Discreto Continuo
X t: # de ppm de i mpurezas luego de completar
el ci clo “ t” de fi ltrado. Espacio de Estados “S”:
S: [0, 1’000,000] ppm de i mpurezas
T: [0, 1, 2, 3, 4, 5] ci clo de fi ltrado Espacio paramétrico “T”:
Conclusiones
Conclusiones
01 Los procesos estocásticos son familias de variables aleatorias
definidas generalmente en función al tiempo..
Los procesos estocásticos se utilizan principalmente para
02 representar la evolución temporal de fenómenos cuya
dinámica se rige por el azar.
Los elementos principales, además de la variable aleatoria,
03 son el espacio de estados “S” y el espacio paramétrico de
tiempo “T”.
04 El tipo de estados (discreto, continuo) y el tipo de espacio
paramétrico (discreto, continuo) permiten clasificar a los
procesos estocásticos.
REFERENCIAS
TAHA, HAMDY A. (2012). Investigación de operaciones. Novena edición.
PEARSON EDUCACIÓN, México.
EPPEN, G. D. (2000). Investigación de Operaciones en la Ciencia Administrativa.
PRENTICE-HALL, México.
Gallager, Robert G. (2013). Stochastic processes: theory for applications.
Cambridge University Press, United Kingdom.
GRACIAS
Contenido elaborado en: