PROGRAMACION PRIMER BLOQUE-PROGRAMACION

ESTOCASTICA

GLOSARIO:

Alcanzabilidad: Estados de una cadenade Markov, se dice que

un estado A es alcanzable desde otro B si existe una
probabilidad de transicin desde B hacia A. mayor a cero.
Aleatoriedad: Tipo de variabilidad que noes controlable con
facilidad debido al desconocimiento parcial del sistema en
estudio.
Cadena de Markov: Son procesos estocastics especiales que
poseen la propiedad markoviana y permite predecir el
comportamiento de diferentes sistemas a travs del tiempo.
Estas cadenas pueden ser observadas en tiempo discreto o en
tiempo continuo dependiendo del sistema CMTD para cadenas
de Markov de tiempo discreto y CMTC para cadenas de tiempo
continuo.
 Cadena irreductible: Es una cadena markov que tiene un
numero finito de estados y a su vez todos sus estados son
recurrentes.
Cadena Ergodica: si una cadena es aperidica y es irreducible
es una cadena ergodica. Para determinar el limite de la cadena
de markov.
Comunicabilidad: dos estados A y B se comunican entre si, si
A es alcanzable desde B y a su vez B es alcanzable a A.
Demanda determinstica: son valores conocidos sin importar
si son constantes o variables.
Distribuccion estocstica: demanda cuyos valores no
podemos predecir con certeza y la probabilidad de ocurrencia
asociada.
Distribucion Estadistica: Se entiende como la funcin que
resume el comportamiento de un conjunto de valores de una
variable aleatoria.
Estado Adsorbente: es aquel que no puede volver a salir una
vez se llegue a este.
Estado cadena aperidica: aperidico cuando su periodo es
1.
Espacio de estados del proceso estocstico: Conjunto de
posibles valores de una variable aleatoria que esta definida
como un proceso estocstico.
Estado recurrente: Se puede volver una y otra vez infinito de
veces con el transcurso del tiempo.
Estado transitorio: son los que no se puede asegurar volver a
ellos con el transcurso del tiempo. Son estados de pasos.
Matriz estocstica: Describe las transiciones de una cadena
de Markov, debe tener un valor mayor o igual a cero, y menr o
igual a uno de los dems, la suma de lso elementos de cada fila
debe totalizar 1.
Periodo: Definida como el minimo numero de pasos posibles
para volver al mismo estado.
Proceso determinstico: Sistema en el cual el azar no esta
involucrado, es el estado actual del sistema se conocera el
estado futuro. Determinalistico es sinnimo de constante o
conocido.
Proceso estocstico: es un concepto matemtico que sirve
para caracterizar una sucesin de variables aleatorias que
evolucionan en funcin de otra variable generalmente el
tiempo.
Probabilidad de transicin: chance que hay de pasar de un
estado a otro dentro de un proceso estocstico.
 Propiedad markoviana: no necesitan informacin histrica
acerca de los estados anteriores del istema para predecir
estados futuros del mismo. Es decir basta con tener informacin
suficiente para modelar el comportamiento actual del sistema
para luego pronosticar probabilsticamente comportamientos
posteriores.
Red de Jackson: Es un conjunto de estaciones que pueden ser
evaluadas individualmente como sistemas de espera
independientes con el fin de evaluar con sustema global o de la
red.

SEMANA 1 LECTURA 1

SEMANA 1 LECTURA 1

Variable aleatoria y distribuciones de probabilidad: El conjunto

de valores que pueden tomar la demanda y la probabilidad asociada a
cada uno de esos valores.

Dicho valores se les conoce como espacio muestral, de esta manera

se va adefinir una variable aleatoria como la funcin que asocia un
numero real probabilidad con cada uno de los valores del espacio
muestral.

Ejemplo:

Una variable aleatoria x relacionada con una demanda seria:

X: Numero de unidades a vender en el mes de enero.

La siguiente tabla representa la distribucin de probabilidades segn

el espacio muestral.
Tabla 1.

Un espacio muestral discreto: es aquel que contiene un numero finito

de posibilidades o una serie interminable con tantos elementos como
nmeros enteros existen. Como datos contados, numero de artculos
defectuosos.

Un espacio muestral continuo: Es aquel que contiene un numero

infinito de posibilidades igual al numero de puntos en un segmento de
lnea, representa dadots medidos como pesos temperaturas,
distancias etc.

Distribuciones discretas:

1. Distribucion binomial: conocidos experimentos de Bernoulli,

donde debe contener las siguientes propiedades:
a. El experimento consiste en N pruebas que se repiten.
b. Cada prueba produce un resultado xito o fracaso.
c. La probabilidad xito se denota con la letra p, permanece
constante en cada prueba
d. Las prebas que se repiten son independientes.

xito: (con probabilidad p)

Fracaso: Con probabilidad q = 1- p
Variable x = numero de xitos en los N ensayos : Variable aleatoria
binomial de paramatros N, p

Ejemplo1:
La probabilidad de prueba de choque dada es de encuentra la
probabilidad de que sobrevivan exactamente dos de los siguientes cuatro
componentes que se prueben.
Los primero es que las pruebas son independientes y como p=3/4
Ejemplo 2:
La probabilidad de que un paciente se recupere de una rara
enfermedad sangunea es del 0,4 si se sabe que 15 personas
contraen esta enfermedad, cual es la probabilidad de que sobrevivan:

a. al menos 10,
b. de 3 a 8
c. sobrevivan exactamente 5

distribucin geomtrica: es aquella donde se realiza

sucesivamente experimentos independientes de Bernoulli de
parmetro p la variable aleatoria Xg= numero de ensayos hasta
obtener el primer xito.

Ejemplo 3: el promedio que cada 100 articulos esta defectuoso,

cual es la probabilidad de que el quinto articulo que se inspeccciona
sea el primer defectuoso que se encuentra?

Ejemplo 4:

El tiempo ocupado en un conmutador telefnica esta muy cerca de

su capacidad por lo que los usuarios tiene dificultad al hacer las
llamadas, puede ser de inters conocer el numero de intentos
necesarios a fin de conseguir un enlace telefnica. Suponga de p=0,5
es la probabilidad a conseguir un enlace durante el tiempo ocupado,
nos interesa conocer la probabilidad de que se necesiten cinco
intentos para hacer una llamda exitosa.

El usuo de la distribucin geometra con n=5 y p=0.05

Distribucin binomial negativa: independientes repetidas

Ejemplo 5: encuentra la probabilidad de que una persona que lanza
tres monedas obtenga solo caras o solo cruces por segunda vez en el
quinto lanzamiento.

Distribuciones continas:

Distrubucion normal: Describir la mayora de fenmenos de la

naturaleza, industria y la ciencia, caracteriza por su simetra y forma
de campana. Su funcin de densidad media varianza y grafica son las
siguiente:

FUncion densidad, media, varianza y grafica de la variable

aleatoria:

Tabla distribuccion normal:

Distribucin exponencial: se caracteriza por modelar tiempos
entre eventos, lo que hace muy til, su funcin de densidad,
media,varianza y grafica son las siguientes:
SEMANA 1 LECTURA 2

Probabilidad condicional: partida de puntos principales procesos

estocsticos.

Ejemplo 8: en una encuesta realiza los estudiantes deben elegir entre

tipo de transporte a utilizar con los siguientes resultados:
PROCESOS ESTOCASTICOS SEMANA 1 LECTURA 3

Proceso estocstico: Xn: Como la variable aleatoria que significa

estado del sistema en el tiempo n.

Espacio de estados: Sea S el conjunto de posibles valores de Xn

para cualquier n luego S es llamado espacio de estados del proceso
estocstico.

Ejemplo 1:

Un estudiante de programacin estocstica desea modelar como

unproceso la temperatura que registra en la u todo slos das a las
12:00pm cual es el modelamiento adecuado?

La variable del sistema: El estado del sistema en el tiempo n-Xn

Conjunto de posibles valores de Xn (S).

Xn= temperatura en grados Celsius de la u a las 12:00pm de n-dia.

S = (0 , 30) se supone que nunca registra cero grados ni superiores a
30 grados.

Ejemplo 2:
Modelar proceso de lanzamiento de dados seis lados

Solucion uno:
Xn= resultado de n-esimo lanzamiento de un dado de seis lados
S={1,2,3,4,5,6}
Solucion dos:
Xn= resultado de un dado de seis lados despus del n-esimo
lanzamiento.
S={1,2,3,4,5,6}

Ejemplo: se desea modelar el comportamiento semanal del inventario

de vehculos de un concesionario que tiene capacidad para almacenar
diez vehculos. Adicionalmente se conoce que le costo admon por
concepto de inventario de tener un vehiculo en el almacen es de
50000 por semana.
Solucion: Cual es el costo total esperado de inventario durante las
primeras tres semanas:
 1. resolver el ejercicio es modelar un sistema proceso estocstico.
Xn= numero de vehculos en el inventario al final de la n-esima
semana.
S= {0, 1, 2, 310}
El costo esperado durante las tres primeras semanas es de:
E(50.000 * X1 + 50.000 *X2 + 50.000 * X3) = 50.000 *E(X1+X2+X3)
Cuaderno:

MATERIAL DIDACTICO SEMANA 1 LECTURA 1

DISTRIBUCIONES CONTINUAS: una distribucin de probabilidad es

continua cuando los resultados posibles del experimento son
obtenidos de variables aleatorias continuas, son variables
cuantitativas que pueden tomar cualquier valor ejemplo: estatura de
grupo de personas, tiempo dedicado para estudiar, la temperatura.

DISTRIBUCION EXPONENCIAL: La distribucin de poisson calcula el

numero de eventos sobre alguna rea de oportunidad intervalo de
tiempo o espacio. La distribucin exponencial mide el paso del tiempo
entre tales eventos.
Formula:

Ejemplo ilustrativo: cuaderno y Excel

DISTRIBUCION UNIFORME: Las probabilidades son las mismas para

todos los posibles resultados, desde el minimo de a hasta el mximo
de b. El experimento de lanzar un dado cumple porque todos sus 6
lados son posibles tienen 1/6 de probabilidades de ocurrencia

Formula:
DISTRIBUCION NORMAL: llamada curva de error curva campana
curva de Gayss distribuccion gaussiana o curva de De moivre. Su
mxima altura se encuentra en la media aristmetica es decir su
ordenada mxima corresponde a una abscisa igual a la media
aritmtica. La asimetra de la curva normal es nula y su grado de
apuntamiento o curtosis se clasifica en mesocurtica.

Formula:
EJEMPLO CUADRO Y EXCEL WinSTAT GRAFICAR

SEMANA UNO MATERIAL DIDACTICO LECTURA 2

PROCESO DE POISSON

Es una distribucin de probabilidad de una variable aleatoria discreta

que nos proporciona la probabilidad de un suceso determinado un
numero de veces k en un intervalo de longitud, rea

Ejemplo:Video you tube https://www.youtube.com/watch?

v=hmAfNpD7Eps

En un hospital de una importante ciudad se esta estudiando los

nacimientos de bebes varones, se sabe que una semana nacen una
media de 7 varones calcular:
1. probabilidad de que nazcan 3 varones en una semana
2. probabilidad que nazcan menos de 3 varones a la semana

en el cuaderno

CADENAS DE MARKOV

Sirven para conocer el desarrollo de procesos y procedimientos que

tienen lugar a la programacin probabilstica.

Proceso estocstico: Es aquel que consiste en la iteracin finita de un

proceso experimento que tiene como resultado un numero finito de
sucesos con probabilidades dadas.

Espacio de estados: Es un conjunto de resultados o sucesos posibles

de cada uno de los experimentos asociados a un proceso estocstico.
Cadena finita de Markov: Es un experimento estocstico como el del
ejemplo o situacin caracterstica en el que se verifica que el
resultado de determinada prueba o experimento.

Cadena de Markov tendremos

1. un espacio de estados
2. para cada dos estados ai y aj denominada probabilidad de
transicin del estado i al estado j.
3. la matriz de transicin del proceso

ejemplo. Cuaderno

SERIES DE TIEMPO

Es una cronolgica es una serie de observaciones de un fenmeno

que varia con respecto al tiempo.
Series temporales:
1. predecir el futuro basndose en datos pasados
2. conocimiento y control del proceso que produce la serie
3. tener una descripcin de las caractersticas mas destacables
de la correspondiente serie
tendencia: Movimiento suave o regular de la serie.
Variaciones estacionales: Movimientos peridicos con regularidad
igual o inferior a un ao
Variaciones cclicas: son movimientos recurrentes ya sean
ascendentes o descendentes. Superiores a un ao
Variaciones residuales: No muestran un carcter peridico
reconocible.

MODELOS EN SERIE:

1. Esquema Aditivo: Hipotesis esta compuesto por cuatro

componentes.
Y= t+e+c+r
2. Esquema Multiplicativo: Valor de la serie del tiempo
multiplicacin
Y=t*e*c*r
CADENAS DE MARKOV SEMANA 2

Definiremos Xn como la variable aleatoria que significa el estado del

sistema en el tiempo n.

Forma uno: POdmeos suponer que se desea analizar el

comportamiento de la TRM durante una semana.

X1= significa o representa el valor de la TRM el dia lunes

X2: Significa o representa el valor del TRM el dia martes.
X3= significa o representa el valor de la TRM el dia mircoles

X0: valor de la TRM en el dia cero

X1: valor de la TRM en el dia uno
X2: valor de la TRM en el dia dos
Xn: valor de la TRM en el dia 30

Forma tres: Podemos suponer que se desea analizar el

comportamiento de la TRM durante un mes 31 dias

X1: valor de la TRM en el dia uno

X2: valor de la TRM en el dia dos