Clase 1

Facultad de Ingeniería
Modelos Estocásticos
Clase N°0: Aspectos Formales del curso
Robert Altamirano
García
02 de julio de 2021
Identificación de la Asignatura
Robert Altamirano García

Ingeniero Civil Industrial
Magister en Ingeniería Industrial
[email protected]
[email protected]
Curso: Métodos Estocásticos
Código: AICI 3203
NRC: 1438
Cátedra: Viernes 19:00 – 22:00
Descripción del curso
Analizar los sistemas de gestión y operación que presenten

componentes probabilísticas o aleatorias, así como con presencia
de elementos de incertidumbre y utilizando metodologías de
simulación y modelación para la resolución de problemas en
ambientes complejos.
Aprendizajes Esperados
 Comprender de manera general y específica sistemas de gestión y
operación que presenten componentes probabilísticas o aleatorias, así
como con presencia de elementos de incertidumbre.
 Comprender y modelar sistemas en los cuales sus componentes
interactúan a través del tiempo de acuerdo con comportamientos
aleatorios.
 Modelar y resolver problemas reales de operación y gestión de sistemas
que presentan componentes probabilísticos o aleatorios.
Program
a
Unidad 1: Introducción a los Procesos Estocásticos
• Definición de incertidumbre
• Ejemplos de sistemas con incertidumbre
• Definición y características básicas de Procesos
Estocásticos
• Enfoques de modelación (modelos analíticos y
simulación)
Program
a
Unidad 2: Repaso Probabilidad y Estadística
• Funciones de distribución de probabilidades
• Esperanza, varianza y momentos
• Probabilidades y esperanza condicionales
Program
a
Unidad 3: Proceso de Poisson
• Definición y propiedades de proceso

• Ejemplos de proceso de Poisson
• Distribución de probabilidades del
proceso
• Distribución de los tiempos entre eventos
• Distribución condicional de los tiempos
entre llegadas
• Descomposición del proceso de Poisson
y proceso de Poisson compuesto
Program
a
Unidad 4: Proceso de Renovación
• Definición, distribución de
probabilidades del proceso
• Políticas de mantención y reemplazo
• Comportamiento de proceso en el largo
plazo
Program
a
Unidad 5: Cadenas de Markov
• Definición, propiedades, probabilidades

de transición
• Ecuaciones de Chapman-Kolmogorov
• Clasificación de estados
• Análisis del estado transitorio
• Cadenas de Markov en tiempo continuo
• Procesos de nacimiento y muerte
Program
a
Unidad 6: Sistemas de espera
• Introducción a los problemas de sistemas

de espera
• Indicadores de desempeño de un sistema
de espera
• Sistemas M/M/1 p


Factor de Carga
• Formula de Little 1-p Servidor desocupado


• Otros Sistemas L

Número promedio de clientes en el sistema
2
Lq  Número promedio de clientes en la cola
( )
1
W  Tiempo promedio de clientes en el sistema
 

W  Tiempo promedio clientes en la Cola
 
Program
a
Unidad 7: Modelos Probabilisticos
Min p w c w x w
de inventarios
Sujeto a:
Aw x w  b w
xw  0
• Modelos Probabilizado
• Modelo Probabilistico
• Periodicos
Sistema de evaluaciones
Solemnes (2) 30% cada una

El alumno podrá eximirse del
Promedio Controles 20% examen si tiene un promedio
igual o superior a 5.0,
además si no posee notas
inferior a 4.0 en las
evaluaciones.
Promedio Talleres 20%
Calendario
Fechas tentativas pueden variar según el avance del programa

Unab virtual
 Todos los contenidos serán subidos a Blackboord
 Se subirán las clases en formato de pdf.

Bibliografía
Título: Introducción a la Investigación de Operaciones
Autor: Hillier, F. y Lieberman, G
Título: Investigación de Operaciones: aplicaciones y algoritmos

Autor: Wayne L. Winston
Título: Investigación de Operaciones

Autor: Taha, H.
Título: Modelos Estocásticos para la Gestión de Sistemas

Autor: Gazmuri P.
Clase N°1: Introducción a los procesos

estocásticos
02 de julio 2021
Contexto
Incertidumbre
 La incertidumbre hace referencia a la ausencia de información. A medida que se incrementa la
información, la incertidumbre se reduce.
 En ingeniería, específicamente, en los problemas de toma de decisiones, con frecuencia surge la

necesidad de tomar decisiones basadas en fenómenos que tienen incertidumbre asociados a ellos.
 En lugar de manejar esta variabilidad como cualitativa, puede incorporarse a un modelo matemático y
manejarse en forma cuantitativa.
Incertidumbre (II)
 Los componentes típicos de un problema pueden depender de eventos aleatorios, por lo que al modelar
un problema se deben considerar como sus elementos pueden evolucionar en el tiempo.
 Es común modelar los problemas de manera determinista para evitar representar la aleatoriedad, pero
este tipo de modelos no permite reflejar los elementos dinámicos que evoluciónan en el tiempo
(incertidumbre).
Áreas de la Ingeniería con presencia de incertidumbre
Sistemas con incertidumbre
Un sistema es un conjunto de elementos relacionados entre sí que interactúan y funcionan

como un todo.
Sistemas con incertidumbre: Red de suministro
Sistemas con incertidumbre: Inventarios
Sistemas con incertidumbre: Producción
Sistemas con incertidumbre: Naturaleza
Sistemas con incertidumbre: Industria Portuaria
Procesos estocásticos
 Para reducir la incertidumbre de los elementos de un sistema se deben representar como procesos
estocásticos, de tal manera de generar un modelo que represente su evolución y así predecir su
comportamiento en el tiempo, el cual depende de las leyes de las probabilidades.
 Un proceso estocástico es un modelo probabilístico que permite representar sistemas que evolucionan en
forma aleatoria en el tiempo. En estos sistemas, se ocupa un estado en cada instante de tiempo.
 Se denomina estocástico a aquel sistema que funciona, sobre todo por el azar.
 Un proceso estocástico se denomina estacionario si presenta una serie de características que lo hacen de
alguna manera predecible, en cambio se denomina no estacionario cuando no se puede predecir su
comportamiento.
Procesos estocásticos: Estacionarios
Es aquel cuya distribución de probabilidad varía de forma más o menos constante a lo largo de cierto periodo
de tiempo, es decir, los valores pueden tomar valores desconocidos, pero dentro de un rango limitado, por lo
que se pueden desarrollar modelos que intente predecir la variable.
Procesos estocásticos: No Estacionarios
Es aquel cuya distribución de probabilidad varia de manera no constante, es decir, los valores pueden tomar
valores totalmente desconocidos.
Procesos estocásticos: Ejemplos
Enfoque de modelación
 Se busca modelar un proceso con incertidumbre de manera estocástica para conocer su comportamiento
en el tiempo y espacio. De esta manera se podrá predecir el comportamiento de un sistema, entender su
comportamiento, observar los fallos y errores que pueden ocurrir, analizar mejoras, simular propuestas e
implementar soluciones. Todo esto ese puede hacer con modelos analíticos y de simulación.
 Dada la naturaleza de los procesos estocásticos, sus modelos son de orden descriptivo con estructura
computacional en el caso de la simulación o con funciones matemáticas como en Teoría de colas y
cadenas de Márkov
 Entre más complejo sea un sistema, la simulación será la mejor alternativa de modelación, ya que permite
describir y analizar grandes cantidades de elementos.
 Los modelos permiten la comprender y resolver diferentes tipos de problemas.

Enfoque de modelación
Componentes de un modelo estocástico
Representación del mundo real
Modelos analíticos
 Son aquellos que buscan representar o caracterizar el comportamiento de un sistema

mediante sistemas de ecuaciones matemáticas, los cuales pueden ser resueltos de
manera exacta o con algún método cuando son de mayor complejidad.
 Los modelos analíticos suelen ser los mas preferidos por su facilidad para el análisis de
sensibilidad con respectos a los parámetros del modelo, y además que son más
económicos.
 Los modelos analíticos buscan mostrar exactamente el comportamiento del sistema

analizado.
Simulación
 Procedimientos de simulación o algoritmos que muestran en un horizonte de tiempo como se comportará
el sistema, desde el principio hasta el fin de la simulación.
 Se debe representar de manera computacional el sistema analizado, son mas costosos de implementar y se
debe ejecutar una gran cantidad de veces para obtener distribuciones e indicadores representativos.
 La mayor ventaja es que permite validar los modelos analíticos.

Clase N°1: Introducción a los procesos

estocásticos
02 de Julio de 2021

Clase 1

Cargado por

Copyright:

Formatos disponibles

Clase 1

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 1

Cargado por

Copyright:

Formatos disponibles

Facultad de Ingeniería

Clase N°0: Aspectos Formales del curso

Robert Altamirano García

Analizar los sistemas de gestión y operación que presenten

• Definición y propiedades de proceso

• Definición, propiedades, probabilidades

• Introducción a los problemas de sistemas

• Formula de Little 1-p Servidor desocupado

Solemnes (2) 30% cada una

Fechas tentativas pueden variar según el avance del programa

 Se subirán las clases en formato de pdf.

Título: Investigación de Operaciones: aplicaciones y algoritmos

Título: Investigación de Operaciones

Título: Modelos Estocásticos para la Gestión de Sistemas

Clase N°1: Introducción a los procesos

Robert Altamirano García

 En ingeniería, específicamente, en los problemas de toma de decisiones, con frecuencia surge la

Un sistema es un conjunto de elementos relacionados entre sí que interactúan y funcionan

 Los modelos permiten la comprender y resolver diferentes tipos de problemas.

 Son aquellos que buscan representar o caracterizar el comportamiento de un sistema

 Los modelos analíticos buscan mostrar exactamente el comportamiento del sistema

 La mayor ventaja es que permite validar los modelos analíticos.

Clase N°1: Introducción a los procesos

Robert Altamirano García

También podría gustarte