Professional Documents
Culture Documents
ESTOCASTICOS
DIANA ISABELLA DURAN BERMUDEZ
MARIO GUERRA GUALY
23 DE NOVIEMBRE DE 2015
Indice
1. Probabilidad
1.1. Sucesos Compatibles . . . . . . . . . . . . .
1.2. Sucesos Independientes . . . . . . . . . . . .
1.3. Sucesos Dependientes . . . . . . . . . . . .
1.4. Variables Aleatorias . . . . . . . . . . . . .
1.5. Variables Aleatorias . . . . . . . . . . . . .
1.6. Estimador Insesgado . . . . . . . . . . . . .
1.7. Caracteristica de la Funcion de Distribucion
1.8. Espacio Muestral . . . . . . . . . . . . . . .
1.9. Variables Aleatorias y Variables Discretas .
1.10. Valor Esperado o Esperanza Matematica . .
1.11. Caminatas Aleatorias . . . . . . . . . . . .
1.12. Varianza . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
6
6
6
7
7
8
8
9
10
10
11
2. Procesos Estocasticos
2.1. Que es un espacio estocastico . . . . . . .
2.2. Clasificaci
on de los procesos estocasticos
2.3. Problema del sombrero . . . . . . . . . .
2.4. Soluci
on . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12
12
12
13
13
.
.
.
.
3. Caminatas Aleatorias
16
3.1. Probabilidad de regreso a la posicion de origen . . . . . . . . . . 16
3.2. Definici
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3. Probabilidad de Transicion . . . . . . . . . . . . . . . . . . . . . 20
4. Ruina del Jugador
4.1. Planteamiento . . . . .
4.2. Pregunta a resolver . .
4.3. Soluci
on al problema .
4.4. Analisis de la Solucion
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5. Distribuci
on de Poisson
6. Procesos de Poisson
6.1. Definici
on 1: . . . . . . .
6.2. Definici
on 2: . . . . . . .
6.3. Definici
on 3: . . . . . . .
6.4. Perdida de la memoria:
6.5. Definici
on 4: . . . . . . .
6.6. Definici
on alternativa: .
24
24
25
25
31
32
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
34
35
35
36
36
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
42
44
44
45
47
49
50
51
53
8. Teoria de colas
8.1. Notaci
on para las caracteristicas de los
8.2. Notaci
on Kendall . . . . . . . . . . . .
8.3. Sistema de colas |M ||M |1|DG||| .
8.4. Sistema de colas |M ||M |1|DG|c|| . .
8.5. Sistema de colas |M ||M |s|DG||| .
8.6. Ejemplos de Sistemas de colas . . . . .
sitemas de cola
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
54
54
55
56
60
64
67
9. Movimiento Browniano
9.1. Historia . . . . . . . . .
9.2. Definici
on . . . . . . . .
9.3. Funci
on de Probabilidad
9.4. Funci
on de Probabilidad
9.5. Ejercicios . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
Conjunta
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
73
73
74
77
78
80
. . . .
. . . .
. . . .
. . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
81
81
82
82
84
84
86
86
87
87
87
87
88
88
88
89
89
89
92
. . . . . . . .
. . . . . . . .
de Transicion
de Transicion
. . . . . . . .
10.Programaci
on Lineal
10.1. Historia . . . . . . . . . . . . . . . . .
10.2. Que es? . . . . . . . . . . . . . . . . .
10.3. Modelos Matematicos . . . . . . . . .
10.4. Introducci
on a la Programacion Lineal
10.5. Terminos importantes para la PL . . .
10.6. Definici
on de programacion lineal . .
10.7. Suposiciones de proporcionalidad . . .
10.8. Suposiciones de aditividad . . . . . .
10.9. Regi
on factible . . . . . . . . . . . . .
10.10.Soluci
on optima . . . . . . . . . . . . .
10.11.Conjunto convexos . . . . . . . . . . .
10.12.Punto extremo . . . . . . . . . . . . .
10.13.Casos de soluciones optimas . . . . . .
10.14.Restricciones activas . . . . . . . . . .
10.15.Restricciones inactivas . . . . . . . . .
10.16.Metodo grafico . . . . . . . . . . . . .
10.17.Metodo Simplex . . . . . . . . . . . .
10.18.Ejemplo . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11.Modelos de Inventarios
11.1. Tipos de Inventarios . . . . . . . . . . . . . . . . . . .
11.2. Tipos de Modelos de Inventarios . . . . . . . . . . . .
11.3. Modelos de inventario determinstico . . . . . . . . . .
11.4. Modelos de inventario probabilstico . . . . . . . . . .
11.5. Modelos de Inventarios Determinsticos . . . . . . . .
11.6. Modelo B
asico de Lote Economico (EOQ) . . . . . . .
11.7. Derivaci
on del modelo Basico de EOQ . . . . . . . . .
11.8. Modelo EOQ en el que se permiten pedidos atrasados
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
99
100
100
100
101
101
101
102
107
1.
Probabilidad
Se asocia una cantidad P(E) que esta definida y ademas cumple con los siguientes
axiomas:
1)0 P (E) 1
2)P (S) = 1
3)Para una sucesion de eventos E1 , E2 , ..., En que son mutuamente excluyentes,
esto es, Ei Ej = siempre que i 6= j (Disyuntos dos a dos) se tiene que:
k
K
[
X
P( Ei ) =
P (Ei )
i=1
i=1
1
48
1.1.
1
48
1
48
1
48
2
48
1
24
(eventos equiprobables)
Sucesos Compatibles
E1 = Obtener un As P (E1 ) =
4
48
12
48
P (E1 E2 ) =
1.2.
4
48
12
48
1
48
15
48
5
16
Sucesos Independientes
1
6
1.3.
1
6
1
6
1
6
1
36
Sucesos Dependientes
2
P (E1 E2 ) = P (E1 )P ( E
E1 )
Ejemplo
Se obtiene una caja con 10 monedas de 100 pesos y 2 de ellas son falsas. Se
extraen 2 monedas, una detras de la otra sin reposicion. Cual es la probabilidad
de seleccionar una moneda falsa seguida por otra falsa.
P (E1 E2 ) = P (E1 ) P (
P (E1 E2 ) =
1.4.
E2
)
E1
2
1
2 1
=
=
10 9
90
45
Variables Aleatorias
1.5.
Variables Aleatorias
1.6.
Estimador Insesgado
1.7.
una
f uncion
no
decreciente
Ejemplo
3
8 );(2
cara,
caras,
(3 caras, 81 ).
(0 caras,
Calcula la probabilidad de obtener menos de dos caras?
1
8 );(1
F (1) = P rob[x 1] =
3
8 );
Pi 1 = P rob[x = 0] + P rob[x = 1] =
xi <x
4
1 3
+ =
8 8
8
Caso Continuo: Sea X una variable aleatoria continua con una funcion de
densidad f(x), se define la funcion de distribucion, F(x), como:
Z
F (x) = P [x X] =
f (x)dx
Propiedades:
a)F (x) 0
Z
b)
f (x)dx = 1
c)P [a x b] =
1.8.
la
f uncion
densidad
es
la
derivada
de
la
f uncion
Espacio Muestral
de
distribucion
1.9.
Variables Aleatorias: X
F(x)=P(X x) = P(x (-, x])
Variables Discretas
X
F(x)=
P (x = y); y=xi (condiciones del evento) ; i=1,...,n
yx
d
dx F (x)
Ejemplo caso continuo: Sea x una variable aleatoria cuya funcion de densidad
viene dada por :
x
0x2
2
0
encontrar la funcion de distribucion
Z 0
Z
F (x) =
0dx +
x2
4
x
x2
dx =
2
4
x<0
0<x<2
x>2
1
7
=
8
8
1.10.
E[x] =
dx
F (x) =
xf (x)dx si x es continua
xP {X = x} si x es discreta
E[x] = 2
2
2
1
+3
+4
+5
36
36
36
x1 + x2 + ... + xn
n
x1 n1 + x2 n2 + ... + xm nm
x
=
m
x1 n1
xm nm
x
=
+ ... +
m
m
X
x
=
xi P (xi )
x
=
1.11.
Caminatas Aleatorias
xf (x)dx si x es continua
xP {X = x} si x es discreta
Z
E[h(x)] =
xdf h(x)
E[h(x)] =
h(x)df (x)
Nota:
Z
E[x] =
Z
xdf (x);
F (x) =
f (x)dx;
10
f (x) =
d
F (x)
dx
1.12.
Varianza
Demostracion:
V ar[X] = E[(X E[X])2 ]
V ar[X] = E[X 2 2XE[X] + (E[X])2 ]
V ar[X] = E[X 2 ] 2E[X]E[X] + (E[X]2 )
V ar[X] = E[X 2 ] + (E[X]2
Ejemplos:
1. Un casino le permite a un jugador que lance un dado legal y que reciba
tantos pesos como puntos aparezcan en la parte superior del dado. El jugador
debe pagar una cantidad K de pesos cada vez que juegue. Calcule cuanto debe
valer K para que el jugador ni gane ni pierda?
(1, 16 );(2, 16 );(3, 61 ); (4, 16 );(5, 16 ); (6, 16 )
1
1
1
1
1
1
+2 +3 +4 +5 +6
6
6
6
6
6
6
1 2 3 4 5 6
E[x] = + + + + + = 3,5
6 6 6 6 6 6
E[x] = 1
K= 3.5
2. Considere una loteria con 1000 numeros. Cada numero cuesta 25 centavos y
el premio es de 100 dolares. Calcule cuanto se espera ganar o perder cada vez
que se participa en esta loteria?
x
f(x)
99.75
-0.25
1
1000
999
1000
1
999
+ (0,25)
1000
1000
249,75
= 0,15
99,75
1000
3. Suponga que el numero de automoviles que pasan por un autolavado entre
las 4 y las 5 en un viernes cualquiera tienen la siguiente distribucion de
probabilidad.
99,75
x 4 5 6 7 8 9
1
1
1
P(x=x) 12
12 4
1
4
1
6
1
6
1
1
1
1
1
1
+9
+ 11 + 13 + 15 + 17
12
12
4
4
6
6
16 24 32
+
+
= 12,6
12
4
6
11
2.
2.1.
Procesos Estocasticos
Que es un espacio estocastico
Clasificaci
on de los procesos estocasticos
12
2.3.
Soluci
on
13
E
) = 0 ( al menos ocurre una coincinotemos que, P ( M
dencia)
E n1
pn = P ( c )
(1)
M
n
ahora bien, notese que P (E/M c ) es la probabilidad de
que no ocurre ninguna coincidencia cuando n1 personas
seleccionan n 1 sombreros, y ademas hay una persona
cuyo sombrero no esta dentro de los n 1. lo anterior
puede pasar de dos formas mutuamente excluyente
1
E
)
=
P
+
Pn2
n1
Mc
n1
1
Pn Pn1 = Pn1 Pn2
n
es decir,
1
1
2! 3!
reemplazando en la ecuacion (2) obtenemos
p3 =
14
(2)
p4 p3 =
p3 p2
1
=
4
4!
es decir
1
1
1
+
2! 3! 4!
procediendo de esta manera obtenemos que
p4 =
1
1
1
(1)n
pn = + ... +
2! 3! 4!
n!
para un grupo fjo de k personas la probabilidad d que
ellos y solamente ellos selecciones sus propios sombreros
esta dado por
1 1
1
(n k)!
...
pnk =
pnk
n n 1 n (k 1)
n!
donde pnk es la probabilidad que las n k personas
restantes que seleccionan dentro de sus propios sombreros no haya ninguna coincidencia. ahora bien, dado que
n
hay exactamente ( ) formas diferentes de seleccionar un
k
grupo de k personas, la probabilidad de que haya exactamente k coincidencias esta dada por
n (n k)!
pnk
( )
pnk =
k
n!
k!
=
1
2!
1
3!
1
4!
... +
(1)nk
(nk)!
k!
por lo tanto, para n suficientemente grande, se tiene la
probabilidad de que haya exactamente k coincidencias es
1
aproximadamente ek!
15
Ejemplo:
10 (10 2)!
)
p102
2
10!
1
p102 =
5
1
(0, 5) = 0, 10
5
e1
= 0, 18
2!
3.
3.1.
Caminatas Aleatorias
Probabilidad de regreso a la posici
on de origen
Para calcular la probabilidad de que una caminata regrese a una eventual posicion de origen hay que demostrar
que se presenran dos casos: el caso asimetrico y simetrico. En este trabajo vamos a demostrar el caso simetrico,
que es en el cual se cumple con probabilidad que la caminata regresa a la posicion de origen, es decir, cuando
p = 1/2.
16
3.2.
Definici
on
gn
n=1
Nuestro objetivo es relacionar la sucesion (gn ) con la conocida sucesion (fn ). Para ello introducimos las respectivas funciones generatrices:
F (s) =
fn s
yG(s) =
gn s n
n=
n=0
Para nuestros propositos, la que nos interesa es la segunda funcion generatriz,G(s), pues, por ejemplo: lms1 es
la probabilidad de volver en alg
un momento al eje.
Pero es la otra funcion generatriz la que podemos calcular
explcitamente:
F (s) =
X
n=0
fn s =
f2n s
n=0
2n
X
2n
(pqs2 )n .
=
n
n=1
nos va a permitir relacionar las dos funciones generatrices. Vamos a clasificar las trayectorias del paseo aleatorio
que tocan el eje en tiempo n seg
un el momento en que
lo tocan por primera vez (un argumento de probabilidad
condicionada): para cada n 1.
F (n) =
n
X
P(Sn = 0)
k=1
n
X
f(nk) gk
k=
para cada n 1.
Hemos utilizado que g0 = 0 Sin mas que recordar como
se multiplican dos funciones generatrices, deducimos la
relacion que prometamos:
F (s) =
X
n
X
fn s = 1+
(
fnk gk )sn = 1+F (s)G(s).
n
n=0
n=1 k=0
As que:
G(s) = 1
p
1
= G(s) = 1 1 4pqs2 .
F (s)
p + q = 1, 1 = (p + q)2 = p2 + q 2 + 2pq
As que:
0 (p q)2 = p2 2pq + q 2 = 1 4pq
De manera que la probabilidad de que el borracho vuelva
en alg
un momento a su casa es:
G(1) =
gn = 1
p
1 4pq = 1 p q .
n=0
Probabilidad de Transici
on
Las caminatas aleatorias inician en cero, es intuitivamente claro que despues de efectuar un n
umero par de
pasos el proceso solo puede terminar en una posicion par,
y lo mismo si es un n
umero impar. Ademas,la caminata
solo puede llegar a una distancia maxima de n unidades,
a la izquierda o a la derecha. Teniendo esto en mente,
en el siguiente resultado se presenta la distribucion de
probabilidad de la variable Xn .
Proposici
on 1
Para cualesquiera n
umeros enteros x y n tales que
n x n, y para el caso cuando x y n son ambos
pares o ambos impares,
1
1
n
P (Xn = x|X0 = 0) = 1
p 2 (n+x) q 2 (nx)
2 (n + x)
20
n
X
i=1
Entonces
n
X
1
Rn = (n +
i )
2
i=1
Sacando la sumatoria dentro del parentesis
21
Rn =
n
X
1
i=1
(1 + i )
1
1
n
p 2 (n+x) q 2 (nx)
1
2 (n + x)
22
Proposici
on 2
Si los n
umeros n y x y son ambos pares o ambos
impares, entonces para -n 6 x y 6 n
1
1
n
P (Xn = x|X0 = y) = 1
p 2 (n+xy) q 2 (nxy)
2 (n + x y)
Para valores de la diferencia x y y el entero n no cumplen las comdiciones indicadas la probabilidad en cuesti
on vale cero.
Demostraci
on: Como la caminata aleatoria parte desde cero(X0 = 0) esta proposicion demuestra la probabilidad en cualquier punto y (X0 = y), partimos de que
X0 = y y por la proposicion 1 tenemos que Xn = x,
ahora considerando un nuevo proceso:
X0 = y
X0 y = 0
a esto le daremos el nombre de un nuevo proceso Z0 y
asi la caminata tendra como punto de inicio el 0, o sea :
Z0 = X0 y = 0
Z0 = 0
De forma general a lo anterior seria
Zn = X n y
como Xn = x por la proposicion anterior, entonces
Zn = X n y = x y
23
Planteamiento
El jugador A K unidades.
tiene
El jugador B N-K unidades, donde el capital total
de los dos jugadores es igual a N .
En cada apuesta el jugador A tiene probabilidad de ganar
p, y probabilidad de perder q = 1 p, suponga ademas
que no hay empates.Sea Xn la fortuna del jugador A al
tiempo n. Entonces {Xn : n = 0, 1, ...} es una caminata
aleatoria que inicia en el estado K y eventualmente puede
24
4.2.
Pregunta a resolver
1. Cual es la probabilidad de que el jugador A se arruine? Es decir, cual es la probabilidad de que la caminata se absorba en el estado 0 y no en el estado
N, u oscile entre estos dos estados?
4.3.
Soluci
on al problema
Usando la probabilidad condicional es posible transformar este problema en una ecuacion en diferencias.
Sea el primer momento en el que la caminata visita alguno de los dos estados absorbentes, es decir =
mn{n 0 : Xn = 0 Xn = N }.Puede demostrarse que
es una variable aleatoria y que es finita casi seguramente.La pregunta planteada se traduce en encontrar la
probabilidad:
uk = P (X = 0 | X0 = K)
Por el teorema de probabilidad total se obtiene la ecuacion en diferencias:
25
uk = puk+1 + quk1
Donde,
uk = la probabilidad del que el jugador A se arruine
iniciando con K unidades.
puk+1 = la probabilidad del que el jugador A gane la
primera partida y se arruina con k + 1 unidades.
quk1 = la probabilidad A pierde la primera partida y
se arruina con k 1 unidades.
Ya que es una ecuacion en diferencias encontramos la
solucion multiplicando el lado izquierdo por (p + q):
(p + q)uk = puk+1 + quk1
puk + quk = puk+1 + quk1
quk quk1 = puk+1 puk
q(uk uk1 ) = p(uk+1 uk )
q
(uk uk1 ) = uk+1 uk
p
Las condiciones de fronteras:
u0 = 1, uN = 0
Resolviendo iterativamente,obtenemos:
Para k = 1
q
uk+1 uk = (uk uk1 )
p
q
u2 u1 = (u1 u0 )
p
26
1
2
juego equilibrado
q
q
q
uk u1 = (u1 1)[ + ( )2 + + ( )k1 ]
p
p
p
reemplazamos
27
uk u1 = (u1 1)[
1/2 2
1/2 k1
1/2
+(
) + + (
) ]
1/2
1/2
1/2
28
q
q
q
uk u1 = (u1 1)[ + ( )2 + + ( )k1 ]
p
p
p
= ( pq + ( pq )2 + + ( pq )k1 )
= pq ( pq + ( pq )2 + + ( pq )k1 )
= (1 + pq + ... + ( pq )k )
q
q
uk u1 = (u1 1) (1 + + ... + ( )k )
p
p
|
{z
}
seriegeometrica
Sk = ( pq )(1 + pq + ... + ( pq )k )
q k+1
q 1 (p)
Sk = ( )(
)
p
1 ( pq )
1( pq )k+1
1( pq ) )
1( pq )N +1
(u1 1)( pq )( 1(
)
q
p)
uk u1 = (u1 1)( pq )(
N = k uN u1 =
uN = 0
q N +1
q 1 (p)
0 u1 = (u1 1) ( )(
)
p
1 ( pq )
{z
}
|
m
u1 = (u1 1)(m)
u1 = u1 m m
m = u1 m + u1
m = u1 (m + 1)
u1 =
m
m+1
( pq )( pq )N +2
1( pq )
= ( ( q )( q )N +2
p
1( pq )
+1
29
( pq )( pq )N +2
1( pq )
) = ( ( q )( q )N +2 +1( q ) ) =
p
1( pq )
( pq )( pq )N +2
1( pq )
1( pq )N +2
1( pq )
(( pq )
(( pq )N +2 )(1 ( pq ))
(( pq ) (( pq )N +2 )
=
(1 ( pq ))(1 ( pq )N +2 )
(1 ( pq )N +2 )
Reemplazo en la formula principal
(( pq ) (( pq )k+2 )
uk u1 = (u1 1)
(1 ( pq ))
(( pq ) (( pq )N +2 )
(( pq ) (( pq )k+2 )
(( pq ) (( pq )N +2 )
)=(
1)(
)
uk (
(1 ( pq )N +2 )
(1 ( pq )N +2 )
(1 ( pq ))
(( pq ) (( pq )N +2 )
( pq ) ( pq )N +2 1 + ( pq )N +2 (( pq ) (( pq )k+2 )
)(
uk (
)=(
)
(1 ( pq )N +2 )
1 ( pq )N +2
(1 ( pq ))
(1 ( pq ))(( pq ) ( pq )k+2 )
(( pq ) (( pq )N +2 )
)=
uk (
(1 ( pq )N +2 )
(1 ( pq )N +2 )(1 pq )
(( pq ) ( pq )k+2 )
(( pq ) ( pq )N +2 )
uk =
+(
)
(1 ( pq )N +2 )
(1 ( pq )N +2 )
( pq ) + ( pq )k+2 + ( pq ) ( pq )N +2
uk =
1 ( pq )N +2
( pq )k+2 ( pq )N +2
uk =
1 ( pq )N +2
=
30
Analisis de la Solucion
Gracias a la formula, en donde N = 50, podemos analizar el comportamiento de las probabilidades, por ejemplo
en el caso simetrico P = 1/2, cuando la partida es justa,
la probabilidad de ruina se acerca mucho a 1, especialmente si k es mucho menor que N , lo que nos indica que
el jugadorA no deberia apostar en contra de adversarios
muy ricos, aun siendo la partida justa. Ademas podemos
apreciar que la variable uk es muy sensible a los avlores
de p cercanso a 1/2, lo que no se esperaba. Ahora cuando
p es distante de 1/2 la probabilidad de uk es constante,
pero cuando p se acerca a 1/2 la probabilidad cambia
31
Distribuci
on de Poisson
32
El n
umero de clienes que llega a una corporacion de ahorro y vivienda los sabados es un promedio de 40 por hora. Cual es la probabilidad de que lleguen por lo menos
2 clientes
a. En un periodo de 14 minutos
=
40
60 14
= 9, 33
x e
P (x) =
x!
P (x > 2) = 1 [P (x = 0) + P (x = 1)]
40
60 5
= 3, 33
x e
P (x) =
x!
P (x > 2) = 1 [P (x = 0) + P (x = 1)]
3, 330 e3,33 3, 331 e3,33
1[
+
] = 0, 84
0!
1!
6.
Procesos de Poisson
Definici
on 1:
Definici
on 2:
Definici
on 3:
n
t (t)
n!
V ar[N (t)] = t
Perdida de la memoria:
35
propiedades a partir de ese momento hacia adelante. Esto es, si uno toma cualquier tiempo s > 0 y empieza
a contar desde cero las ocurrencias de eventos a partir
de ese momento, lo que uno obtiene es nuevamente un
proceso de Poisson.
6.5.
Definici
on 4:
(t)n
;
n!
n = 0, 1, 2, ....
E[N (t)] = t
6.6.
Definici
on alternativa:
P0 (t) = P {N (t) = 0}
P0 (t + h) = P {N (t + h) = 0}
P0 (t + h) = P {N (t) = 0, N (t + h) N (t)}
P0 (t + h) = P {N (t) = 0}P {N (t + h) N (t) = 0}
P0 (t + h) = P {N (t) = 0} [1 h + oh]
P0 (t + h) = P0 (t) [1 h + oh]
P0 (t + h) = P0 (t) hP0 (t) + oh
P0 (t + h) P0 (t) hP0 (t) + oh
=
h
h
P0 (t + h) P0 (t)
oh
= P0 (t) +
h
h
0
P0 (t) = P0 (t)
P00 (t)
=
P0 (t)
Ln(P0 (t)) = t + c
P0 (t) = et+c
P0 (t) = ket ;
Po (0) = 1
P0 (0) = ke0 = 1
si k = 1
P0 (t) = P {N (t) = 0} = et
Pn (t) = P {N (t) = n}
Pn (t + h) = P {N (t + h)}
37
dt
lineal
= et
d t
[e P1 (t)] = et P0 (t)
dt
d t
[e P1 (t)] =
dt
Z
Z
d t
[e P1 (t)] = dt
dt
et P1 (t) = t + c
P1 (t) = et (t + c)
P1 (t) = tet
c=0
Para k = n
P0 (t) = et
P1 (t) = tet
38
n!
n!
t
n
e (t)
Pn (t) =
n!
et Pn (t) =
Proposici
on:
Demostraci
on:
P {N (t)N (s) = n} =
k=0
P {N (t s) = n}P {N (s) = k}
k=0
= P {N (t s) = n}
P {N (s) = k}
k=0
P {N (t) N (s) = P {N (t s) = n}
Ejemplo
n
t (t)
n!
(0, 1(2))0
P {N (2) = 0} = e0,1(2)
0!
= 0, 8187 81, 87 %
2. Cual es la probabilidad de que no hayan defectos en el
kilometro 3 si no las hay en los primero 2 kilometros
P {N (s + t) N (t) = n} = e
n
t (t)
n!
P {N (3) N (2) = 0|N (2) = 0} = P {N (3) N (2) = 0}
40
0
0,1(1) (0, 1(1))
P {N (1) = 0} = e
0!
= 0, 9048 90, 48 %
El n
umero de automoviles que llegan a un parquedero lo
hacen de acuerdo a un proceso de poisson con tasa de 6
vehiculos por hora.
1. Cual es la probabilidad de que pasen 15 minutos sin
llegadas
6/60 = 0, 1
P {N (t) = n} = e
n
t (t)
n!
(0, 1(15))0
P {N (15) = 0} = e0,1(15)
0!
= 0, 22 22 %
2. Cuales la probabilidad de que llegue exactamente 6
vehiculos en una hora
6/60 = 0, 1
P {N (t) = n} = e
n
t (t)
n!
6
0,1(60) (0, 1(60))
P {N (60) = 6} = e
6!
= 0, 16 16 %
7.
Definici
on
Una cadena de Markov es una sucesion de ensayos similares u observaciones en la cual cada ensayo tiene el
mismo n
umero finito de resultados posibles y en donde
la probabilidad de cada resultado para un ensayo dado
depende solo del resultado del ensayo inmediatamente
precedente y no de cualquier resultado previo.
Un proceso estocastico {xt , t 0} es una cadena de
Markov, si cumple con la propiedad de Markov, si se
tienen ik estados; k=0,1,2,...,t,t+1,...,s entonces:
P {xt+1 = it+1 |xt = it , ..., x1 = i1 , xo = io } = P {xt+1 = it+1 |xt = it }
P = {xt+1 = J/xt = i} = Pij (1) = P ij
Pij es la probabilidad de pasar del estado i al j en una
transicion. Las Pij se conocen como probabilidades de
transicion y se pueden escribir en una matriz sxs, si se
tienen s estados.
(ij ), Pij 0
42
.
.
.
.
.
.
.
.
.
.
.
.
Ps1 Ps2 .... Pss
Ejemplo: (Ruina del Jugador) Dos jugadores apuestan sucesivamente:
tiene
El jugador A K unidades.
tiene
El jugador B N-K unidades, donde el capital total
de los dos jugadores es igual a N .
En cada apuesta el jugador A tiene probabilidad de ganar
p, y probabilidad de perder q = 1 p, suponga ademas
que no hay empates.
Diagrama de Estados
1
0
0
0
P
1P
P = 0
1P
0
0
0
1P
0
0
0
43
0
0
P
0
0
0
0
0
P
1
(3)
7.2.
Pij =
Pij2
s
X
=P =
Pik Pkj
k=1
Para 2 estados
Pij (2) = Pij2 = Pi1 P1j + Pi2 P2j + Pi3 P3j + ... + Pis Psj
Pij (2) =
7.3.
s
X
Pik Pkj
k=1
P1j
P
2j
Pi2 ...Pis ] ..
.
Psj
= Pij Pij = P 2
44
(4)
Para 3 estados
Pij (3) =
s
X
Pik (2)Pkj =
k=1
s
X
k=1
Pik Pkj (2) = Pi1 (P11 Pij +P12 P2j +...+P1s Psj )+Pi2 (P21 Pij +P22 P2j +...+P1s Psj )+P
7.4.
Pij (n) =
tiempo 0
Pij (n) =
Pijn
s
X
(n1)
Pik Pkj
s
X
(n1)
Pik Pkj
k=1
k=1
tiempo(n-1)
tiempo n
(n1)
(n1)
Pij P1j +Pi2(n1) P2j +...+Pis Psj
= Pn
s
X
k=1
45
(n1)
Pik
Pkj
(n1)
[Pij
(n1)
(n1)
Pi2 ...Pis ]
P1j
P2j
..
.
Psj
(n1)
= Pij Pij = P (n)
(5)
P01 = 0,2
1 modelo de camara que se puede solicitar
cada semana
Dt : t = 1, ....
D2 : 10
=1
X0 =numero de cmaras que se tiene al iniciar el proceso
Ejemplo 2.
Si Xt = 0 ordenaron 3 camaras
Xt 0 no ordenaron ninguna camara
si x(t)=0,max(3 Dt+1 , 0)
x(t) =
si x(t) 1,max(x(t) Dt+1 , 0)
46
(8)
0,08
0,632
0,264
0,08
0,368 0,368
0
0,184 0,368 0,368
n e
1e1
P (Dt+1 = n) =
=
n!
n!
e1
P (Dt+1 = 0) =
= 0,368
0!
e1
P (Dt+1 = 1) =
= 0,368
1!
e1
P (Dt+1 = 2) =
= 0,184
2!
P (Dt+1 3) = 1 P (Dt+1 < 3) = 0,08
7.5.
Ecuaci
on de Chapman Kolmogrov
Pij (n + m) =
s
X
(n)
(m)
(m)
(n)
k=1
47
48
Distribuci
on de probabilidad inicial
P {x0 = i} = q~i
P1j (n)
P2j (n)
= q1 , q2 , . . . , qs ..
.
Psj (n)
P {xn = j | x0 = i} = ~q(j esima columna de p(n) )
49
Suponga que el 60 % de las personas en la actualidad beben Kola 1 y el 40 % Kola 2, entonces 3 compras apartir de ahora que porcentaje de los compradores
estaran bebiendo Kola 1
Teniendo:
0,
781
0,
219
p3 =
y ~q = 0, 6 0, 4
0, 438 0, 562
0, 781
P = {x3 = 1 | x0 = i} = 0, 6 0, 4
= 0, 6438
0, 438
Ejemplo:
7.7.
Clasificaci
on de estados en una cadena de markov
50
1 2 . . . s
. . .
s
1 2
lm P (n) = ..
.
.
..
..
n
.
1 2 . . . s
El vector j se llama distribucion de estado estable y
cada j ;j = 1, 2, 3, ..., s se denomina probabilidad de estado estable
s
X
1 + 2 + ... + s =
j = 1
j=1
n
s
X
Pjj (n+1) =
n
s
X
Pikn Pjk =
k=1
k=1
lm Pjj (n + 1) = lm
j =
s
X
k=1
s
X
Pikn Pjk
k=1
lm Pikn Pjk
51
estados
j =
s
X
j P : kj
k=1
j = 1
P11
P
2 . . . s .21
..
Ps1
P1s
. . . ...
. . . ...
Pss
1 = 0, 91 + 0, 22 0, 11 0, 22 = 0 (1)
2 = 0, 11 + 0, 82 0, 11 + 0, 22 = 0 (2)
1 + 2 = 1 (3)
Ahora multiplicando (1) 10 y sumadole (3) 2 queda:
1
22 = 0
+
21 + 22 = 2
31
= 2
1 =
1
2
2 =
3
3
52
7.9.
s
X
Pik mkj
mii =
k6=j
1
i
Ejemplo de Kola
m11 =
1
3
=
2/3 2
1
=3
1/3
s
X
=1+
P1k mk2
m22 =
m12
k6=2
m12 = 10 una persona que tome Kola 1 tomara 10 veces Kola 1 antes de que
s
X
m21 = 1 +
P2k mk1
k6=1
m21 = 5 una persona que tome Kola 2 tomara 5 veces Kola 2 antes de que ca
53
8.
8.1.
Teoria de colas
Notaci
on para las caracteristicas de los sitemas de
cola
54
8.2.
Notaci
on Kendall
David Kendallen 1953 introdujo una notacion que permite describir las colas y mostrar las caracteristicas de
las mismas, mas que nada clasificar los diferentes tipos
de colas. De forma general se tiene que se determina de
la siguiente manera:
1|2|3|4|5|6
donde los n
umeros se replazan con:
1. La naturaleza del proceso de llegada, o sea la distribucion de probabilidad del tiempo de llegadas, esta
puede ser exponencial(M ),Deterministica(D),Erlang(Ek )
o general(GI)
2. La naturaleza de los tiempos de servicio, esta puede
ser exponencial(M ),Deterministica(D),Erlang(Ek ) o
general(GI)
3. La naturaleza de n
umeros de servidores en paralelo.
4. La disciplina de la cola:
PLPS= Primero en llegar,primero en ser atendido.
ULPS= Ultimo en llegar, primero en ser atendido.
SEOA= Servicio en orden aleatorio.
DG= Disciplina general de la cola.
5. El n
umero permisible de clientes en el sistema, incluyendo los que esperan y los que estan en el servicio.
6. Es el tama
no dela poblacion de la cual se toman los
clientes.
55
8.3.
n =
n = 0, 1, 2, 3, ...
0 = 0
n =
n = 1, 2, 3, ...
Deducci
on de las probabilidades de estado estable
n (n + n ) = n+1 n+1 + n1 n1 )
0 . . . n1
0
1 . . . n
definimos =
n =
n
n = n 0
56
<1
n = 1;
n = n 0
X
X
0 +
n = 1; 0 + 0
n = 1
n=0
n=1
n=1
0 + 0
0 (1 +
n=1
n = 1
n = 1
n=1
)=1
0 (1 +
1
como
n =
n=1
0 (
1
)=1
1
0
= 1 = 0 = 1
1
n = n (1 )
Estimici
on de Parametro
n
0
1
..
.
k
..
.
L
0
1
..
.
k
..
.
Lq
0
0
..
.
k1
..
.
Ls
0
1
..
.
1
..
.
Para Lq :
Lq = 00 + 01 + 2 + ... + (k 1)k
X
Lq =
(n 1)n
n=1
57
Lq =
nn
n=1
Lq =
n=1
nn (1 ) (1 0 )
n=1
Lq =
nn 0 (1 0 )
n=1
Lq = 0
nn (1 0 )
n=1
) (1 0 )
(1 )2
) (1 (1 ))
Lq = (1 )(
(1 )2
Lq = 0 (
2
Lq =
=
(1 )
1
Lq =
2
2
2
Lq =
( )
Para Ls :
Ls = 00 + 1 + 2 + ... + k
Ls =
n=1
Ls = 1 0
Ls = 1 (1 ) =
58
Ls =
Para L:
L = Lq + Ls
2
L=
+
1
=
L=
1
Ahora para W :
L
W =
W =
1
W =
Para Wq :
Wq =
Wq =
Lq
2
( )
Wq =
)
(
Para Ws :
Ws =
Ws =
Ls
1
Ws =
59
8.4.
n =
c = 0;
n = 0, 1, 2, 3, ..., c
n = c + 1, c + 2, c + 3, ...
0 = 0
n =
c = 0;
n = 1, 2, 3, ...
n = c + 1, c + 2, c + 3, ...
Deducci
on de las probabilidades de estado estable
=
60
c
X
n = 1;
n = n 0
c
c
X
X
0 +
n = 1; 0 + 0
n = 1
n=0
n=1
n=1
0 + 0
0 (1 +
c
X
n=1
c
X
n = 1
n = 1
n=1
c
X
c+1
c+1
n
)=1
como
=
0 (1 +
1
1
n=1
c+1
0 1 +
=1
1
1 c+1
1
= 1 = 0 =
0
1
1 c+1
1
n
n =
1 c+1
Estimici
on de Parametro
n
0
1
2
..
.
c
L
0
1
2
..
.
c
Lq
0
0
1
..
.
c1
Ls
0
1
1
..
.
1
61
L=
L=
c
X
nn
n=1
c
X
nn o
n=1
L = o
c
X
nn
n=1
en conclusion:
c
X
[(c + 1)(1 )c + (1 c+1 )]
n
=
(1 )2
n=1
Remplazando en L = o
c
X
nn obtenemos:
n=1
L = o
L=
1 c+1
(1 )2
1 [1 (c + 1)c + cc+1 ]
L=
1 c+1
(1 )2
[1 (c + 1)c + cc+1 ]
L=
(1 c+1 )(1 )
Para hayar Ls :
Ls = 00 + 1 + 2 + ... + c
X
Ls =
n
n=1
Ls = 1 0
Para hayar Lq :
Lq = L Ls
Ahora para W se hace a partir de las siguientes ecuaciones:
L = W
Lq = Wq
Ls = Ws
Pero en este modelo de capacidad
nita tiene un promedio , pero c de esas llegada encuentran el sistema a toda capacidad y se van.En
realidad entrara al sistema un promedio de c =
(1 c ) llegadas por unidad de tiempo,entonces:
W =
Wq =
L
L
= W =
(1 c )
Lq
Lq
= Wq =
(1 c )
63
Ws =
8.5.
Ls
Ls
= Ws =
(1 c )
Suponemos que los tiempos entre llegadas son exponenciales, con rapidez igual a ,que los tiempos de servicio son exponciales, con rapidez , y que solo una cola de
clientes esperando su servicioen una de las s vemtanillas
o servidores.Si hay n s clientes, entonces losn clientes
estan en el servivcio; si hay n > s clientes, entonces las s
ventanillas estan ocupadas, y hay n s clientes esperando en la cola.Toda llegada que encuentre un aventanilla
vacia entra al servicio de inmediato, pero una llegada
que no encuentre ventanilla vacia se forma en la cola de
clientes que esperan su atencion.
64
n =
n = n
= s
n = 0, 1, 2, ....
n = 0, 1, 2, ..., s
n = s + 1, s + 2, ....
Deducci
on de las probabilidades de estado estable
=
0 =
s
1
s1
X
(s)n
n=0
n
(s)s
+
n!
s!(1 )
(s) 0
n = 1, 2, 3, ...
n!
Si 1 no existe estado estable. En otras palabras si
la frecuencia o rapidez de llegadas es al menos igual a la
rapidez maxima posible de servicio ( s) explota el
sistema.La probabilidad de estado estable de que todas
las ventanillas esten ocupadas es:
n =
s)n 0
P (n s) =
s!(1 )
En la siguiente tabla se muestra P (n s) para diversas
situaciones:
65
Wq =
Lq
P (n s)
=
L=
P (n s)
+
1
Para W :
W =
Lq 1
+
1
W = Wq +
Lq
P (n s) 1
W =
=
+
W =
8.6.
67
Soluci
on:
60
= 3,33
15 5
=
=
18 3
0, 833
=
= 5 automoviles
L=
1 1 0, 833
1
1
1 1
W =
=
= = (60) = 20 minutos
18 15 3 3
Debido a la presente escasez de gasolina los compradores
va mas seguido a la gasolineria a llenar sus tanques, esto
a su vez duplica las compras en la gasolinera. Este suceso
a ocaionado que un sistema que se encontraba en equilibrio y optimizado, ahora se encuentre con la presencia
de largas colas ya que por la escasez de gasolina abrian
5 automoviles en la gasolinera y tardaria 20 minutos en
sair de ella.
=
Una maquina que se utiliza para empacar bebidas en lata recibe un promedio de 20 latas por
hora y tarda 2 minutos en empacar una lata. Si los tiempos de operacion de la maquina y de llegadas de las latas
son exponenciales
2.|M ||M |1|DG|||
a. Determine L, Wq y W
b. Suponga ahora que las latas solo se llena hasta la mitad y el jefe de produccion de la empresa ordena que
se triplique el envo de latas a la maquina. Calcule
L y Wq . Cual es la razon entres L y W seg
un estos
datos?
68
Soluci
on:
a.
= 20 latas por hora
= 60
2 = 30 latas por hora
20 2
=
=
30 3
2/3
L=
=
= 2 latas
1 1 2/3
se esperan 2 latas en el sistema
=
2
202
400 4
Lq =
=
=
=
( ) 30(30 20) 300 3
Ahora:
Lq
4/3
4
1
=
=
= (60) = 4 minutos
20
60 15
las latas deben esperar 4 minutos antes de entrar a la
maquina
Wq =
W =
1
1
1
1
=
=
= (60) = 6 minutos
30 20 10 10
a.
= 3 personas por hora (60 min)
Tiempo de servicio = 30 minutos
= 60
30 = 2 personas saldran del sistema por hora
3
= 2
j = j 0
21
1 32
1
16
8
0 = 1
= 130
= 65
81 =
4 =
1
65
Solucion:
16
16
8
3 = ( 32 )3 65
= 216
520 = 0.415384
Para hallar el promedio de personas que entraran a la
instalacion por hora usamos la formula
(1 3 )
70
L
(1 c )
[1 (c + 1)c + cc+1 ]
L=
(1 c+1 )(1 )
3
L= 2
[1(4)( 32 )3 +3( 23 )4 ]
(1( 32 )4 (1 32 )
129
129
32
65
32
129
65 =
1.9846
1,98
65
W = 3(10,415384)
= 1,7541
= 1.1315 horas
Solucion:
a.) K=4
R=1
=10
= 16
= 60
Lq = (L )
L=
10
1
L= 6010
= 10
50 = 5 clientes
1
clientes
Lq = 51 - 16 = 30
cliente por minuto entonces esto nos comprueba que durante 50 minutos el servidor esta ocioso.
c.)
=10
= 13
= 30
10
1
L= 3010
= 10
20 = 2 clientes
Lq = 21 - 13 = 16 clientes
0 = 1 31 = 23 = 32 (60) = 40 minutos
Lo que indica que como el tramite de cada persona usa
una distribucion de Erlang de parametro de rapidez 1
cliente por minuto entonces esto nos comprueba que
durante 40 minutos el servidor esta ocioso.
9.
9.1.
Movimiento Browniano
Historia
73
Definici
on
1
3
Para i 1, sea
75
E(Xi2 )0
independientes.Luego,
por el teorema del limite podemos
Pn
decir i=1 Xi tiene distribucion normal con media = 0
2
y V ar(Xi ) = 23 . ht
Para construir la distribucion del componente X(t)
del movimiento browniano se necesita h 0 Y 0
2
2
para que de esta forma 2
3h tienda a una constante
Por lo tanto,X(t), N (0, 2 .t) entonces en particular las
variables Y (t), Z(t) tienen = 0, V ar = 2 .t
Tambien se puede demostrar que X(t), Y (t), Z(t) son
variables independientes, es decir, t0 < t1 < ... < tn
tenemos que X(t1 ) X(t0 ), X(t2 ) X(t1 ), ..., X(tn )
X(tn1 ) los cambios de tiempos que no coinciden son
independientes.
Ademas, tiene la propiedad de incrementos estacionarios, es decir, la distribucion fijada t para s < t y h
(, ), las variables X(t)X(s) y X(t+h)X(s+h)
estam igualmente distribuida.
1.
DEFINICION
El proceso estocastico {B(t), t 0} es un Movimiento Browniano con varianza 2 si cumple las siguientes
condiciones:
1. B(0) = 0
2. Tiene incrementos independientes y estacionarios.
3. Para todo s < t, B(t) B(s) N (0, 2 (t s))
2. Un movimiento browniano con parameDEFINICION
tro de varianza = 1, decimos que el movimiento browniano es estandar.
Si tenemos un movimiento browniano no estandar con
76
varianza 2
X(t)
W (t) = X(t)
se convierte en estandar.
W (t) =
Luego {W (t)}t>0
9.3.
Funci
on de Probabilidad de Transici
on
Vamos a calcular la funcion de densidad de la probabilidad condicional de X(t) dado que X(0) = 0 la denotaremos ft/t0 (x/x0 ), esta funcion son conocidas como
funci
on de densidad de probabilidad de transici
on
y, a partir de ella se puede calcular la siguiente probabilidad condicional:
Z
u
P X(t) u | X(0) = x0 } =
ft/t0 (x/x0 ) =
e
2t
77
Funci
on de Probabilidad de Transici
on Conjunta
gU,V (u, v) =
78
x2
( 1+
1
2 2 t1
e
2 2 t1 (t2 t1 )
(x2 x1 )2
t2 t1 )
, don-
de < x1 , x2 <
Generalizamos para encontrar la funcion de densidad
conjunta de X(t1 ), X(t2 ), ..., X(tn ) que se denota por f (x1 , ..., xn )
usando las variables de transformacion:
U1 = X(t1 )
U2 = X(t2 ) X(t1 )
.
.
.
Un = X(tn ) X(tn1 )
Por la propiedad de incrementos independientes, las
variables U1 , U2 , ..., Un son independientes y por la propiedad de incrementos estacionarios sus distribuciones
son normales:
U1 N (0, 2 t1 )
Ui = N (0, 2 (t2 t1 )), i =, 2, ..., n
Por lo tanto
f (x1 , ..., xn ) =
p
e
2 2 t1 (t2 t1 )...(tn tn1 )
79
(x x
)2
x2
1
( 1 + ti ti1 )
2 2 t1
i i1
, donde < x1 ,
9.5.
Ejercicios
C
odigo de trayectoria de partculas en movimiento browniano
En el siguiente ejemplo simularemos la trayectoria de
partculas brownianas por medio de un metodo aleatorio. El valor del metodo consiste en utilizar los n
umeros
aleatorios para generar un arreglo de angulos aleatorios
para el movimiento de la partcula en el espacio.
La forma en la que la partcula se va a mover es simple:
se propone un paso unitario en una direccion aleatoria
y en esa nueva ubicacion se hara otro desplazamiento
aleatorio sin que tenga relacion con la anterior.
80
10.
10.1.
Programaci
on Lineal
Historia
81
10.2.
Que es?
Es un enfoque de solucion de problemas elaborado para ayudar a tomar decisiones. Es un modelo matematico con una funcion objetivo lineal, un conjunto de restricciones lineales variables no negativas. En el ambiente
de negocios actual, pueden encontrarse gran cantidad de
aplicaciones. El desarrollo de la programacion lineal ha
sido clasificado como uno de los avances cientficos mas
importantes de mediados del siglo XX.
La programacion lineal utiliza un modelo matematico para describir el problema. El adjetivo lineal significa
que todas las funciones matematicas del modelo deben
ser funciones lineales. En este caso, la palabra programacion no se refiere aqu a terminos computacionales;
en esencia es sinonimo de planeacion. Por lo tanto, la
programacion lineal involucra la planeacion de actividades para obtener un resultado optimo. Se dispone de un
procedimiento de solucion muy eficiente llamado metodo
smplex para resolver estos problemas lineales, incluso los
de gran tama
no. Estas
son algunas razones del tremendo
efecto de la programacion lineal en las decadas recientes.
10.3.
Modelos Matematicos
Los modelos matematicos tienen muchas ventajas sobre una descripcion verbal del problema. La mas obvia es
que describe un problema en forma mucho mas concisa.
Esta caracterstica tiende a hacer mas comprensible toda
la estructura del problema y ayuda a revelar las relaciones importantes causa-efecto. En segundo lugar, indica
con mayor claridad que datos adicionales son importan82
(9)
para las que se deben determinar los valores respectivos. En consecuencia, la medida de desempe
no adecuada
(por ejemplo, la ganancia) se expresa como una funcion
83
(10)
(11)
Con frecuencia, tales expresiones matematicas de las limitaciones reciben el nombre de restricciones. Las constantes (los coeficientes o el lado derecho de las expresiones) de las restricciones y de la funcion objetivo se llaman
par
ametros del modelo.
10.4.
Introducci
on a la Programacion Lineal
La Programaci
on Lineal corresponde a un algoritmo a traves del cual se resuelven situaciones reales en las
que se pretende identificar y resolver dificultades para
aumentar la productividad respecto a los recursos (principalmente los limitados y costosos), aumentando as los
beneficios. El objetivo primordial de la Programacion Lineal es optimizar, es decir, maximizar o minimizar funciones lineales en varias variables reales con restricciones
lineales (sistemas de inecuaciones lineales), optimizando
una funcion objetivo tambien lineal.
10.5.
T
erminos importantes para la PL
Variables de decisi
on: En cualquier modelo de programacion lineal las variables de decision deben describir
84
i = 1, 2, 3, ..., n
(12)
Funci
on objetivo: Con la programacion lineal, el que
toma las decisiones desea maximizar o minimizar alguna
funciones de las variables de decision, esto se le hace a
una funcion, en este caso lineal.
f (x) = c1 x1 + c2 x2 ...
(13)
(14)
(15)
(16)
85
Definici
on
Una funcion f (x1 , x2 , ..., xn ) y cualquier numero b, las desigualdades f (x1 , x2 , ..., xn ) b y f (x1 , x2 , ..., xn )
b son desigualdades.
Definici
on:
10.6.
Definici
on de programaci
on lineal
Suposiciones de proporcionalidad
1. La contribucion de la funcion objetivo para cada variable de decision es proporcional al valor de esta.
2. La contribucion de cada variable al primer miembro
de cada restriccion, es proporcional al valor de la
variable.
86
10.8.
Suposiciones de aditividad
1. Las contribucion de la funcion objetivo para cualquier variable, es independiente de los valores de las
otras variables de decision. es decir que el de la funcion objetivo es la suma de las contribuciones de cada
una de las variables.
2. La contribucion de una variable al primer miembro
de cada restriccion, es independiente de los valores
de la variable. Es decir que el primer miembro de
cada restriccion es la suma de las contribuciones de
cada variable.
10.9.
Regi
on factible
Soluci
on optima
Para un problema de maximizacion, una solucion optima para programacion lineal es un punto con el valor
de la funcion objetivo mas grande en la region factible.
Para un problema de minimizacion, una solucion optima para programacion lineal es un punto con el valor
de la funcion objetivo mas peque
no de la region factible.
10.11.
Conjunto convexos
10.12.
Punto extremo
Restricciones activas
Una restriccion es activa u obligatoria si tanto el primero como el segundo miembro de las restricciones son
iguales cuando los valores optimos de las variables de
decision en la restriccion.
88
10.15.
Restricciones inactivas
M
etodo grafico
M
etodo Simplex
89
Para convertir un PL en la forma estandar, cada restriccion de desigualdad se debe reemplazar por una restriccion de igualdad.
Leather Limited fabrica dos tipos de cinturones:
el modelo de lujo y el modelo regular.
Para cada tipo se requiere una yarda cuadrada de piel.
Se necesita una hora de mano de obra calificada para un
cinturon regular, y para un cinturon de lujo se requieren
de 2 horas. Se dispone cada semana de 40 yardas cuadradas de piel y 60 horas de mano de obra calificada.
Cada cinturon regular aporta 3 dolares a la utlidad, y
cada cinturon de lujo , 4 dolares. Se definen
Ejemplo
(17)
(18)
90
(22)
(23)
(24)
(25)
21 a22 a2n
..
.. . . . ..
.
.
.
am1 am2 amn
91
(27)
x1
x2
..
.
xn
b1
b2
..
.
bn
(28)
(29)
Ejemplo
92
Variables de Decision
x1 = mesas
x2 = sillas
Funcion Objetivo
z = Ganancias totales
z = 50x1 + 80x2
93
Restricciones
infinitas?
Consumo Recursos Disponibles
x1 + 2x2 120 (corte)
x1 + x2 90 (ensamble)
Para poder graficar tomamos las ecuaciones de restriccion
Metodo Grafico
94
95
z = x1 + x2 = 90 M ax
x1 + x2 120
x1 + x2 90
x1 + x2 0
Igualamos la funcion de maximizacion a 0
z 50x1 80x2 = 0
Le agregamos las variables de holgura a las ecuaciones
de restriccion.
x1 + 2x2 + s1 = 120
x1 + x2 + +s2 = 90
Una vez establecidas las variables de holgura, procedemos a crear una tabla simplex en donde colocaremos los
valores de cada variable en el caso de cada ecauacion
mencionada anteriormente.
96
La columna se
nalada es la columna pivote y fue escogida
por tener el valor mas negativo en una de sus variables.
La fila se
nalada, es la fila pivote, y fue escogida por que
se tomaron los valores de la columna pivote en cada fila
respectiva y se divide el valor en la columna R por cada
variable correspondiente, en este caso
120/2 = 60
y
90/1 = 90
El valor menor obtenido fue 60 que corresponde a la fila
R2 por lo que esta fue seleccionada como la fila pivote.
Se procede a identificar el elemento pivote, en este caso
fue el numero 2, ya que coincide tanto la columna como
la fila en este elemento, y y se trata de volver ese 2 en
un 1 por medio de eliminacion Gaussiana.
Multiplicamos R2 *
1
2
1
1
1
0 60]
2
2
+[1 50 80 0 0 0]
= 1 10 0 40 0 4800
Multiplicamos y Sumamos (1 * R2 )+ R3
1[0
1
1
1
0 60]
2
2
+[0 1 1 0 1 90]
1
1
0 30
=0 0
2
2
Nueva Matriz
98
Modelos de Inventarios
mas peque
no posible. Su tama
no, en este caso, es dependiente de consideraciones de variabilidad que se manejan
dentro del Sistema Productivo y de los Niveles de Riesgo que sean aceptables para un determinado Sistema de
Produccion.
La finalidad de un sistema de inventario es dar respuestas a interrogantes como: cuanto pedir? y cuando
pedirlo? con el fin de minimizar los costos.
11.1.
Tipos de Inventarios
11.4.
11.6.
Modelo B
asico de Lote Econ
omico (EOQ)
101
Derivaci
on del modelo B
asico de EOQ
T C(q) = costo anual que se incurre si se piden q unidades cada vez que I = 0.
K = costo del pedido
D= demanda (pedidos al a
no)
P = costo por unidad
TC(q)= (costo anual de hacer pedido) + (costo compra
anual)+ (costo de retencion anual)
Como cada pedido consta q unidades se tendra que
hacer Dq pedidos por a
no.
K
D
q
para los valores de q, el costo de compra p, ya que
siempre se compra D unidades al a
no
=
= pD
Un concepto importante en el estudio del modelo EOQ
es la idea del ciclo.
103
104
1. La EOQ no depende de p a que no importa la cantidad del pedido y por lo tanto su precio va a ser
costante.
2
D
q.
4.
Braneast Airlies utiliza 500 luces traseras por
a
no. Cada vez que se hace un pedido de luces traseras,
se incurre en un costo de 5dls. Cada luz cuesta 40c y
el costo de retencion es de 8c/luz/a
no. Suponga que la
demanda ocurre a una tasa constante y no se permite
que haya escasez. Cual es la EOQ? Cuantos pedidos
se haran este a
no? Cuanto tiempo transcurrira entre la
colocacion de los pedidos?
Soluci
on
Se tiene que K =$5,
h =$0,08 /luz/a
no,
D = 500luces/ano.
La EOQ es:
s
2(5)(500)
q =
= 2,50
0,08
Ejemplo
Y finalmente:
Y finalmente:
108
Cada a
no, la clnica de optometra smalltown
vende 10.000 armazones para anteojos. La clnica pide
los armazones a un proveedor regional, que cobra 15 dls
por armazon. En cada pedido se incurre en un costo de
50 dls. La clnica considera que la demanda de armazones se puede retrasar y que el costo de tener un deficit
de una armazon durante 1 a
no son 15 dls (debido a la
perdida de negocios futuros). El costo de retencion anual
para el inventario es de 30c por valor en dls de inventario.
Cual es la cantidad optima de pedido? Cual es el deficit maximo que ocurrira? Cual es el nivel de inventario
maximo que ocurrira?
Ejemplo:
109
Soluci
on
Se tiene que:
K = $50
D = 10.000 armazones por a
no
h = 0.3(15)=$4,50/armazon/a
no
s = $15/armazon/a
no
De la formula para q y M , se obtiene:
q = (
2(50)(10000)(19,50) 1
) 2 = 537,48
(4,50)(15)
2(50)(10000)(15) 1
) 2 = 413,45
(4,50)(19,50)
Entonces el deficit maximo que ocurre sera q M =
124,03 armazones, y cada pedido debe ser por 537 o 538
armazones. Ocurrira un nivel de inventario maximo de
M = 413,45 armazones.
M = (
110