Professional Documents
Culture Documents
Operaciones
Material para segundo parcial
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de Markov
Temario:
Introducción.
Proceso de Poisson.
Cadenas de Markov en tiempo discreto.
Clasificación de los estados y distribución límite.
Cadenas de Markov en tiempo continuo.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de Markov
Introducción.
Introducción.
Introducción.
Introducción.
Número 4
de
compradores 3
en el
sistema 2
0
20 40 60 80 100
Proceso de Poisson.
Proceso de Poisson.
Proceso de Poisson.
6 Nt
Número 5
de
llamadas 4
0
Tiempo
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
Proceso de Poisson.
Proceso de Poisson.
Proceso de Poisson.
IP(Nh=k / Nt=n)
= IP(Nh=k, Nt=n) / IP(Nt=n)
= IP(Nh=k, Nt – Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt – Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt-h = n - k) / IP(Nt=n)
= e-λ h(λ h)k / k! e-λ (t-h)
(λ (t-h))n-k / (n-k)! /
e-λ t(λ t)n / n!
k n −k
h h t − h
=
k t t
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Ejemplo.
Suponga que llegan pasajeros a un terminal de
buses de acuerdo a un proceso de Poisson {Nt}t≥ 0
a tasa λ =3 pas./min. En el instante t=0 acaba de
salir un bus y no deja ningún pasajero en la fila,
suponga además que cada bus tiene una
capacidad suficiente para no dejar pasajeros
esperando en el terminal.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
Solución
11
1
IE(Y = n) = ∫ IE(Y / T = t ) dt
9 11 − 9
11
1
= ∫ IE(Nt ) dt
9 2
1 11
= ∫ 3t dt
29
= 30
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
6 Nt
Número 5
de
eventos 4
1
0
T1 T2 T3 T4 T5 Tiempo
S1 S2 S3 S4 S5
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
Ejemplo.
Sea {Nt}t≥ 0 un proceso de Poisson a tasa λ , que
cuenta el número de veces que se ha
reemplazado una ampolleta en una lámpara
determinada. Si la primera ampolleta lleva s horas
funcionando, calcular la probabilidad de que
complete más de s + t horas funcionando.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
IP(T1 > s + t )
IP(T1 > s + t / T1 > s) =
IP(T1 > s)
e −λ(s+ t ) − λs
= − λt
= e = IP(T1 > t )
e
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
Ejemplo.
Suponga que en un proceso productivo se tiene
dos máquinas que trabajan en paralelo elaborando
un mismo producto. Sean Nt1 y Nt2 procesos de
Poisson independientes a tasas λ 1 y λ 2 que
cuentan el número de fallas hasta el instante t de
la máquina 1 y 2 respectivamente. Calcular la
probabilidad de que la máquina 2 falle por primera
vez antes de que la máquina 1 falle por primera
vez.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
IP (T2<T1 ) = λ 2/(λ 1 +λ 2)
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
IP(T 2 ≤ T 1 ) = ∫ IP(T 2 ≤ T 1 = t )λ 1e − λ dt 1
= ∫ IP(T 2 ≤ t )λ 1e − λ t dt
1
= ∫ IP(1 − e − λ t )λ 1e − λ t dt
2 1
= 1 − λ 1 ∫ e −( λ + λ ) t dt
1 2
= 1 − λ 1 /(λ 1 + λ 2 )
= λ 2 /(λ 1 + λ 2 )
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proceso de Poisson.
Proceso de Poisson.
k
n −1 ( λ t )
IP(Ti ≤ t ) = 1 − ∑ e − λt
k =0 k!
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
fn = PT fn-1 = (PT)n f0
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Ejemplo 1.
Considere una tienda que mantiene un inventario
de un producto dado para satisfacer una demanda
(aleatoria). La demanda diaria D, tiene la siguiente
distribución:
IP (D = 0) = 1/4, IP (D = 1) = 1/2,
IP (D = 2) = 1/4, IP (D >= 3) = 0
Sea Xn el nivel de inventario al inicio del día n y
suponga que la tienda tiene la política de
mantención de inventario (s, S), que consiste en
que si al final del día se posee menos de s, se
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Se tiene que:
Xn ∈ {1, 2} ; n = 0, 1, 2, ...
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
0 IP(x 0 = 1) 0
f = =
IP(x 0 = 2) 1
pi, j = IP(X n+1 = j / X n = i) ; i, j ∈ {1,2}
p11 = IP(D = 0) = 1/ 4
p12 = IP(D ≥ 1) = 3 / 4
p 21 = IP(D = 1) = 1/ 2
p 22 = IP(D = 0) + IP(D ≥ 2) = 1/ 2
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
1/ 4 3 / 4
P=
1 / 2 1 / 2
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Ejemplo 2.
Suponga que en el sistema de las AFP existen
solo 2; las AFP A y las AFP B. Sea N el número
de personas afiliadas al sistema; la
superintendencia está preocupada de que las
cuentas individuales estén al día. Para ello ha
establecido un sistema de control basado en el
siguiente procedimiento: al final de cada mes
escoge una persona al azar de los N existentes en
el sistema.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Se tiene:
Ejemplo
Define una cadena
1/ 2 1/ 2 0
de estados irreducible
p = 0 1/ 3 2 / 3
con estados recurrente
1/ 3 1/ 3 1/ 3 positivos periódicos
Es una cadena
irreducible, de
0 1 0 0
1/ 2 0 1/ 2 0
estados recurrentes
p= positivos y todos
0 0 0 1
1 sus estados son
0 0 0
periódicos de
periodo d=2.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Proposición.
Sea {Xn}n=0,1,2 una cadena de Markov irreducible con
estados recurrentes positivos aperiódicos,
entonces existe una distribución estacionaria π ,
tal que π > 0 y que se obtiene como la solución
única del sistema:
π = PT π
∑ πj = 1
j
πj ≥ 0
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
π1 + π 2 + π 3 = 1 1/3
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
2
de (1) π1 = π3
3
de (2) π2 = π3
2
así π3 + π3 + π3 = 1
3
1 3
∴ Solución π1 = π2 = π3 =
4 8
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Ejemplo:
Una compañía esta considerando emplear cadenas
de markov para analizar los cambios en las
preferencias de los usuarios por tres marcas
distintas de un determinado producto. El estudio ha
arrojado la siguiente estimación de la matriz de
probabilidades de cambiarse de una marca a otra
cada mes: 1 2 3
1 0.8 0.1 0.1
2 0.03 0.95 0.02
3 0.2 0.05 0.75
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
π =PT π
Σ π i=1; i = 1,2,3.
π 1 + π 2+ π 3 =1
Propiedad Markoviana:
IP(X t + s = j / X u = X(u), 0 ≤ u ≤ t, X t = i)
= IP(X t + s = j / X t = i)
Propiedad Estacionaria
4
Xt
3
2
1
t
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Se necesita explicitar:
i) Probabilidades de transición pij (asumiendo pii=0)
ii) Tasas vi de los tiempos exponenciales Ti de
permanencia en el estado i.
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Distribución de Xt :
pij (t ) = IP(X t = j / X 0 = i)
O equivalentemente el sistema:
v jπ j = ∑ πk vkpkj ; j = 1,2,... ∑ πj = 1
k≠ j j
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
Ejemplo :
En el puerto de Valparaíso existen N trenes
encargados de traer cargas de contenedores
desde los buques hasta una unidad de descarga.
En esta unidad existen c grúas ( c < N) para
descargar los trenes. El tiempo que le toma a una
grúa descargar un tren es exponencial a tasa µ .
Un tren deja la unidad de descarga cuando la grúa
termina de atenderlo y vuelve con una nueva carga
después de un tiempo exponencial de tasa λ .
Formular un modelo que nos permita obtener en el
largo plazo :
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
pj,j-1= j µ / (j µ + (N – j ) λ ) j>0
pj,j+1=( N- j ) λ / (j µ + (N – j ) λ )
vj= c µ + (N – j) λ
pj,j-1= c µ / (cµ + (N – j ) λ )
Nλ π 0 = µ π 1
[µ + ( N – 1 )] =Nλ π 0 +2µ π 2
...
[cµ + ( N – c ) λ ] π C = (N –( c – 1)) λ π c-1 +cµ π C+1
...
[cµ + λ ] π N-1 = 2 λ π N-2 +cµ π N
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.
c µ π N= λ π N-1
π 1+ π 1+...+ π N =1
El número promedio
c
de grúas
N
atendiendo trenes
∑ n πn + ∑ c πn
n =1 n = c +1
III. Modelos Probabilísticos
Ptrocesos Estocásticos y Cadenas de MarkoIII.