Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura

Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Funcin de densidad.
La distribucin normal queda definida por dos parmetros, su media y su desviacin tpica
uy la representamos as:
N (,)
Para cada valor de y tendremos una funcin de densidad distinta, por tanto la
expresin N(,) representa una familia de distribucin normales.

Puede tornar cualquier valor (-,+ )

Son ms probables los valores cercanos a uno central que llamamos media .
Conforme nos separamos de ese valor, la probabilidad va decreciendo de igual
forma a derecha e izquierda (es simtrica).
Conforme nos separamos de ese valor, la probabilidad va decreciendo de forma
ms o menos rpida dependiendo de un parmetro, que es la desviacin
estndar.

Funcin de distribucin

F(x) = P (X x)
F(x) es el rea sombreada de esta grfica.

Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms prximo sea
P a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta con que se verifique
np 5 y nq 5

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Gracias a esta aproximacin es fcil hallar las probabilidades binomiales, que para
valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar corre3ctamente esta transformacin de una
variable discreta (binomial) en una variable (normal) es necesario hacer una correccin de
continuidad.

Caractersticas de la distribucin normal tipificada. (Reducida, estndar)

No dependen de ningn parmetro

Su media es 0, su varianza es 1 y su desviacin tpica es 1.
La curva f(x) es simtrica respecto del eje OY.
Tiene un mximo en este eje.
Tiene dos puntos de inflexin en z=1 y z=-1

Aproximacin de la Binomial por la Normal (Teorema de Moivre):

Demostr que bajo determinadas condiciones (para n grande y tanto p como q no estn
prximos a cero) la distribucin Binomial B(n,p) se puede aproximar mediante una
distribucin normal.
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media .
2. La moda y la mediana son ambas iguales a la media, .
3. Los puntos de inflexin de la curva se dan para x = - y x=-.
Aproximacin normal de probabilidad binomiales.
Las probabilidades que se asocian con experimentos binomiales pueden obtenerse
fcilmente cuando (n) es pequea, de tal forma b(x;n.p) de la distribucin binomial o de la
tabla siguiente si (n) es grande y ( p) es cercana a 0, 1, es conveniente calcular las
probabilidades binomiales por procedimientos de aproximacin, tanto la distribucin
binomial como la de poisson son discretas. La distribucin normal frecuentemente es una
buena aproximacin a la distribucin discreta cuando esta ltima toma la forma de
campana simtrica, desde el punto de vista terico, algunas distribuciones convergen a
normales a medida que sus parmetros se aproximan a ciertos lmites.
La distribucin binomial se aproxima bastante bien con la normal en problemas prcticos
cuando se trabaja con la funcin de distribucin acumulada.
Teorema: Si x es una variable aleatoria binomial con media :np y la varianza 2: npq
entonces la forma de lmite de la distribucin de:

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel

Cuando n ------, es la distribucin normal estndar n(z;0,1)

La distribucin normal con : np y 2 : np(1-p) no solo proporciona una aproximacin muy
precisa a la distribucin binomial cuando (n) es grande y (p) no es muy cercana a 0 o 1
sino que tambin proporciona una muy buena aproximacin aun cuando (n ) es pequea y
( p) es razonable cercana 1/2.
Aproximacin normal de probabilidad poisson.
Los experimentos que resulta en valores numricos de una variable aleatoria (X) misma
que representa en el nmero de resultados durante un intervalo de tiempo dado, o en una
regin especfica, frecuentemente se llama experimento de poisson. El intervalo de tiempo
dado puede ser de cualquier duracin.
Ejemplo:
Un minuto, Una semana, Un mes o inclusive un ao.
De aqu que un experimento de poisson puede generar observaciones para la variable
aleatoria (X) que representa.
EI nmero de llamadas telefnicas por hora que se reciben en una oficina.
El nmero de das en que la escuela se cierra durante el invierno debido a la nieve.
o el nmero de juegos pospuestos debido a la lluvia durante la temporada de bisbol.
La regin especificada podra ser un segmento de lnea, una rea de volumen, o tal vez
un pedazo de material.
En este caso (X) podra representar el nmero de ratas de carnpo por acre, el nmero de
bateras en un determinado cultivo, o el nmero de errores de mecanografa por pgina.
El cual tiene las siguientes propiedades.
1. El nmero de resultados que ocurren en un intervalo de tiempo o regin especficos es
independiente del nmero que ocurre en cualquier otro intervalo disjunto de tiempo o
regin del espacio disjunto, de esta manera se dice que el proceso de poisson no tiene
memoria.
2. La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy
corto o en una regin pequea es proporcional a la longitud del intervalo de tiempo o al
tamao de la regin y no depende del nmero de resultados que ocurren fuera de este
intervalo o regin.
3. La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo tan corto
o en esa regin tan pequea es despreciable.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
El nmero (X) de resultados que ocurre en un experimento de poisson se llama variable
aleatoria de poisson y su distribucin de probabilidad recibe el nombre de distribucin de
Poisson. El numero promedio de resultados se calcula con = t donde t es et tiempo o
regin especificados de inters.
Dado que sus probabilidades dependen de, la taza de ocurrencia de resultados se
representa por la expresin p(x; t).
La derivacin de la frmula para p(x; t) la cual se basa en las propiedades del proceso
de poisson indicadas anteriormente.
Distribucin de poisson: La distribucin de probabilidad de la variable aleatoria de poisson
(X) que representa el nmero de resultados que ocurren en un intervalo de tiempo dado o
en una regin especifica indicada por t es:

Donde es el nmero promedio de resultados por unidad de tiempo o regin y e:2.72828.

Para algunos valores seleccionados de (t) en el rango 0.1 a 18.

Distribucin exponencial de probabilidad.
La exponencial es un caso especial de la distribucin, tiene un gran nmero de
aplicaciones donde la distribucin exponencial y gamma juegan un papel importante tanto
en la teora de colas como en problemas de confiabilidad, el tiempo entre las llegadas en
las instalaciones de servicio y el tiempo de fallas de los componentes y sistemas
elctricos frecuentemente involucran la distribucin exponencial. e=2.7284.

O en cualquier otro caso donde > 0.

El reciproco del parmetro en la distribucin de poisson, la cual implica que las
ocurrencias en los periodos de tiempo sucesivos son independientes.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
El parmetro importante es el tiempo promedio entre eventos, la teora de la
confiabilidad, donde la falla de un equipo concuerda con el proceso de poisson, recibe el
nombre de tiempo promedio entre fallas.
Muchas descomposturas de equipo siguen el proceso de poisson, y entonces la
distribucin exponencial es aplicable.
Teorema del lmite central.
Si se obtiene una muestra de una poblacin normal, entonces la media muestral tiene una
distribucin normal sin importar el tamao de la muestra. Sin embargo, se puede
demostrar que de hecho no importa el modelo de probabilidad del cual se obtenga la
muestra; mientras la media y la varianza existan, la distribucin de muestreo de X se
aproximar a una distribucin normal conforme (n) aumente. Lo anterior constituye uno de
los ms importantes teoremas en inferencia estadstica y se conoce como TEOREMA DEL
LIMITE CENTRAL.
En muchos casos, puede concluirse en forma segn que la aproximacin ser buena
mientras n > 30.
Si X es la media de la muestra aleatoria de tamao (n) que se toma de una poblacin con
media y una varianza infinita 2 entonces la forma lmite de la distribucin de:

Cuando n ------- , es la distribucin normal estndar n ( z; 0.1)

La aproximacin normal X generalmente ser buena si n 30 sin importar la forma de
poblacin. Si n < 30, la aproximacin es buena solo si la poblacin no difiere de una
distribucin normal y, como se estableci antes, si se sabe que la poblacin es normal, la
distribucin muestral de X seguir una distribucin normal, sin importar que tan pequea
sea el tamao de las muestras.
Anlisis de decisiones.
Es la tcnica utilizada para ayudar a los administradores a escoger la mejor secuencia de
decisiones en este tipo de problemas, donde tambin existen
Decisiones a nivel sencillo que deben tomarse en un solo punto del tiempo.
Decisiones de multinivel conjunto de decisiones qu deben tomarse en varios puntos
secuenciales en el tiempo.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Es la ciencia de la administracin que proporciona numerosas tcnicas para ayudar al
gerente, administrador, ingeniero a tomar decisiones sobre los problemas probabilsticos,
en lo que es relevante a la informacin que se tenga en el momento en la toma de
decisiones.
Formulacin del problema.
Al utilizar el anlisis de decisiones consiste en identificar un nmero finito de alternativas
de decisin, a pesar de que el objetivo ltimo es determinar la cantidad a intervenir, se
plantearon tres niveles generales en las cuales se convierten en alternativas de decisin.

Nivel inferior (L).

Nivel Moderado (M).
Nivel alto (H).

Se debe tomar en cuenta las probables posibilidades

Fracaso (F).
xito (S).
Gran xito (G).

El trabajo consiste en evaluar cada alternativa de inversin sobre la base de las

ganancias, las ganancias no solo estn basadas en la decisin de inversin inicial sino
tambin en el xito resultante del programa, para utilizar la tcnica del anlisis de
decisiones es necesario recoger los datos apropiados para cada pareja decisiones
resultados. En sentido comn le dice que cuanto ms grande sea el nivel de compromiso
cualquiera que sea el monto de la inversin, mayor ser la cantidad que puede perder el
estudio. Si usted decide invertir en el nivel alto y el espectculo es un fracaso el estudio
perder mucho, si usted decide invertir a un nivel bajo y el espectculo resulta ser un gran
xito, esto permitir al estudio cobrar mayores tarifas por publicidad.

rbol de decisiones.
El rbol de decisiones es una representacin grfica de las alternativas, probabilidades y
pagos o ganancias asociadas con un problema de decisiones, de pagos asociados de las
probabilidades de las alternativas de decisin, para trazar un rbol empiece con un nodo
numerado como (0) para representar el punto del tiempo en el cual se debe tomar una
decisin.
Procesos de markov.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Proceso de Markov (denominados cadenas de Markov)- Es una familia de modelos
dinmicos, don descriptivos porque buscan determinar en forma secuencial las
probabilidades de que ocurra o no ocurra eventos, son similares a los modelos de lnea de
espera, rbol de decisiones.
Las condiciones iniciales y finales de un proceso de markov se denominan estados.
Las ocurrencias repetidas el evento que se estudia se llaman ensayos.
La probabilidad de pasar de un estado actual al siguiente se conoce como probabilidad de
transicin.
Principio de Markov:
Cuando una probabilidad condicional depende nicamente del suceso inmediatamente
anterior, cumple con el principio de Markov de primer orden.

Definiciones de los procesos de markov de primer orden:

Estados: las condiciones en los cuales se encuentran un ente o sucesos posibles.
Ensayos: las ocurrencias repetidas de un evento que se estudia.
Probabilidad de transicin: La probabilidad de pasar de un estado actual al siguiente en
un periodo o tiempo, y se denota por Pij (la probabilidad de pasar del estado i al estado j
en una transicin o periodo).

Caractersticas de los procesos de markov de primer orden:

Se pueden usar como modelo de un proceso fsico o econmico que tenga las siguientes
propiedades:
a)
b)
c)
d)

Que la probabilidad cumpla con el principio de markov.

Existencia de un nmero finito de estados.
Las Pij son constante con respecto al tiempo o periodo.
Ensayos en periodos iguales.

Si un suceso depende de otro adems del inmediatamente anterior, este es un proceso de

Markov de mayor orden. Por ejemplo: un proceso de segundo orden describe un proceso
en el cual el suceso depende de los dos sucesos anteriores.
Los procesos de Markov tambin se les llaman Cadenas de Markov.
NOTACIONES QUE UTILIZAREMOS:

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Pij = Probabilidad de transicin e un periodo.
P= Pij nxm = matriz de transicin formada por los valores de Pij, donde cada fila
representa el estado inicial donde se parte y la columna el estado al que se ira en
un periodo.
PIJ (K)= P(X (k)= j l X (0) = i) = representa la probabilidad de ir del estado i al estado
j en K periodos.
P (K) = (P ij (k)) nxm = la matriz de transicin de K periodos.
Si (t) = probabilidad de encontrarse en el estado i en el periodo t.
S (t) = (Sl (t), S2(t),.., Sn(t))= vector de probabilidad de estado en el periodo t.
Para n estados.

Los sucesos que cumplan con un proceso de Markov, se pueden representar por medio
de un esquema donde los nodos indiquen los estados y arcos dirigidos de nodo con un
nmero que representa la probabilidad de transicin de ir de un estado a otro, o por medio
de una matriz de transicin.

Estudios de casos fenmenos de preferencia.

No es posible pasar todos los dems estados a partir de un especfico. Por esta razn,
estos estados se conoce como estados absorbentes porque una vez que se alcanza no
puede abandonarse. Qu proporcin de los estados originales no absorbentes terminarn
en cada uno de los estados absorbentes.
Donde primero definiremos la matriz fundamental Q.
Eliminar los renglones correspondientes a los estados absorbentes originales.
Dividir la matriz restante en estados absorbentes, y a la parte bajo estados no
absorbentes, H.
Calcular Q = (1-H) elevada a la menos 1 en donde 1 = matriz identidad (diagonal
principal, y ceros en las dems posiciones) y el exponente -1 se refiere al inverso
de una matriz.
Utilizando Q puede calcularse la proporcin de estudiantes que alcanzaran cada uno de
los estados absorbentes, si esta matriz de proporcin se denota R, en donde
Rij=proporcin de estudiantes en un estado inicial i que en algn momento pasan a un
estado absorbente j.
Hacer el producto de rengln por cada una de las columnas para poder obtener los
siguientes valores de la matriz.
Procesos estocsticos.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Proceso estocstico: se consideran una familia de modelos dinmicos que son
estocsticos as como dependientes del tiempo.
Estocsticos
Son fenmenos estadsticos de probabilidad.
Los procesos estocsticos, y las llanadas cadenas de Markov, han tenido en los ltimos
aos un amplio desarrollo debido a sus mltiples aplicaciones. Este tipo de cadenas
tienen disciplinas diversas como la fsica de las partculas, los modelos econmicos, la
psicopedagoga o la epidemiologa.
La cadena que une todos los procesos tiene una especial peculiaridad: un eslabn se
determina en cierta forma cual ser el eslabn siguiente, pero es independiente del
eslabn anterior. Estos procesos fueron estudiados por el matemtico ruso Andrei
Andreyevich Markov.
El comportamiento de un sistema as condujo a un anlisis de un tipo particular de un
proceso estocstico.
Ejemplo:
En un lote de autos usados, el 25% son de marca Ford, el 45% son Chevrolet y el 30%
son Chrysler, de los cuales, 2 de cada 8 autos Ford son estndar, 1 de cada 10 autos
Chevrolet son estndar y 2 de cada 10 autos Chrysler son tambin estndar, un cliente
compra un auto de este lote. A) Cul es la probabilidad de que el auto seleccionado por
el cliente sea estndar?, b) Cul es la probabilidad de que haya seleccionado un auto
Chevrolet estndar?, c) Cul es la probabilidad de que el auto seleccionado se Ford o
Chrysler automtico?

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel

S 2/8
25%

45%

30%

A 6/8
S
1/10
A
9/10
S
2/10
A
8/10

a) P(seleccionar un auto estndar) = p(seleccionar un Chevrolet o Chrysler o Ford

estndar) = p(ChrS)+p(ChrS)+p(FS)
= p (Ch) p(S | Ch) +p (Chr) p(S | Chr) +p (F) p(S | F)
=0.45*1/10 + 0.30*8/10 + 0.25*2/8
=0.045 + 0.06 + 0.0625
=0.1675
b. p (seleccionar un Chevrolet estndar) = 0.45*1/10 = 0.045
c. p (seleccionar un Ford o Chrysler automtico) = p (FA) + p (Chau)
= p (F) p (A | F) +p (Chr) p (A | Chr)
=0.25*6/8 + 0.30*8/10
=0.1875 + 0.24 = 0.4275

Cadenas de Markov
Es una serie de eventos en la cual la probabilidad de que ocurra un evento depende del
evento inmediato, esta dependencia del evento anterior distingue a las cadenas de
markov de las series de eventos independientes, como tirar una moneda al aire o un
dado. El juego de blackjack es un juego en el que el pasado condiciona el futuro conforme
se van jugando las cartas, las del estado o las condiciones en que se encuentre el monte.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Las cadenas markov se han utilizado para analizar patrones de compra de los
consumidores, para pronosticar las condiciones por deudores morosos, para plantear las
necesidades de personal y para analizar el reemplazo de equipo.
Descripcin de una cadena de Markov
El proceso para generar una cadena de markov, produce uno de (n) eventos posibles.
Donde J= 1, 2n a intervalos discretos de tiempo (no tiene que ser iguales). La
probabilidad de ocurrencia para cada uno de estos eventos depende del estado del
generador.
Este estado se describe por el ltimo evento generado, el ltimo evento generado fue (Ej)
de manera que el generador se encuentra en el estado (Sj). La probabilidad de que (Ek)
sea el siguiente evento generado es una probabilidad condicional P (Ek/Sj) esto se llama
probabilidad de transicin del estado (Sj) al estado (Ek) para describir completamente una
cadena de markov es necesario saber el estado actual y todas las probabilidades de
transicin.

Estado Generador Sj

Movimiento

Evento generado

E1 E4 E6 Ej
T1 t2

t3 t4

Tiempo

Probabilidad de transicin
Una cadena de markov es como un diagrama de estados, como se muestra a
continuacin, en la ilustracin se muestra un sistema de markov con cuatro estados
posibles S1, S2, S3 y S4 la condicin o transicin de moverse de un estado a otro se

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
muestra en el diagrama es decir p14 = P (S4/S1) donde las flechas muestran las
trayectorias

Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin
del diagrama de estados, cuando existen cuatro estados posibles, es necesario 4 x 4 = 16
probabilidades, cada rengln de la matriz suman 1, se debe que el sistema debe hacer
una transicin.

Las probabilidades de transicin son datos para el anlisis, no existe manera de

derivarlas, en algunas aplicaciones esto puede ser una limitacin.

La probabilidad de transicin en un rengln y columna de datos es para la transicin del

estado de ese rengln al estado en la columna. Cuando n=1 el superndice hace
referencia como la matriz de transicin.
Mtodo de la suma de flujos

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Este mtodo est basado en el concepto de que todo lo que entra debe de salir, el
diagrama de estados se usa para presentar flujos, se muestra los estados de dos, para
cada estado se puede escribir una ecuacin tal para cada estado (k) se cumpla.
pik P (Si) = pik P (Dk)
Toda i k

toda i k

Cadena de Markov Ergodicas

Los estados de una cadena son recurrentes, y se comunican entre s se dice que la
cadena es ergodicas.

Definicin: un estado i es un estado transitorio si existe un estado j que es alcanzable

desde i, pero el estado i no es alcanzable desde j.

Un estado (i) es un estado absorbente si Pii=1

Cadenas Markov Absorbentes

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Las aplicaciones de las cadenas de Markov incluyen cadenas en las que algunos de los
estados son absorbentes y el resto son transitorios, a esas cadenas se les llama cadenas
absorbentes, al final tendremos la seguridad de dejar el estado y terminar uno de los
estados absorbentes.
Se formula la matriz de transicin con los estados en una lista
1. Los estados transitorios y despus los absorbentes donde s-m estados transitorios
(t1, t2, t3, ts-m) y m estados absorbentes (a1, a2,am). Entonces la matriz de
transicin para la cadena de absorcin puede escribir lo siguiente.
s-m
Renglones
P=

S-m
m
Colum colum

(Q0 R1 )

Donde:
Los renglones y las columnas de P corresponden, en orden a los
1. Estados t1, t2, t3., t s-m, a1, a2.am donde.
2. I es una matriz identidad de m x m que refleja el hecho de que nunca podemos
dejar un estado absorbente.
3. Q es una matriz (s-m) x (s-m) que representa las transiciones entre los estados
transitorios.
4. R es una matriz (s-m) x m que representa las transiciones desde los estados
transitorios a los estados absorbentes.
5. 0 es una matriz m x (s-m) que consta de ceros, esto refleja el hecho de que es
imposible ir un estado absorbente a uno transitorio.

Cantidades econmicas de pedido

Los inventarios prevalecen en el mundo de los negocios, mantener inventarios es
necesario para las compaas que traten con productos fsicos, como fabricantes,
distribuidores y comerciantes. Los fabricantes necesitan inventarios de materiales
requeridos para la manufactura de productos, tambin se deben almacenar productos
terminados, en espera de ser enviados, de manera similar los distribuidores como las
tiendas deben mantener inventarios de bienes disponibles cuando los consumidores la
solicitan como:
1. Se conoce la demanda con incertidumbre y es constante con el tiempo.
2. El tiempo de adelanto o espera es cero, un pedido se recibe en el momento en
que se ordena.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
3. Se emple un sistema de punto de orden y, as los inventarios se revisan en forma
continua.
4. El inventario se reabastece cuando ha llegado exactamente al nivel cero, no se
utiliza existencia de seguridad y no se permite agotamiento.
5. El reabastecimiento de los inventarios es instantneo, es decir el pedido total se
recibe en un lote.
6. La cantidad de pedido es constante para cada orden.
7. El problema implica un sistema de etapa nica.
8. Se considera un horizonte de tiempo infinito y continuo.
9. Se considera que todos los costos son constantes en el horizonte infinito de
tiempo.
El objetivo de este modelo, es determinar la cantidad ptima de pedido (Q) y el punto de
reorden (R), de manera que se minimicen los costos totales de los inventarios.
Para desarrollar un modelo matemtico general que represente la estructura de los costos
de inventarios, se debe definir los inventarios y sus parmetros.
Co = costos por pedido que se coloca.
Cc = costos de conservacin por unidad y por medio de tiempo.
Ct = costo total de inventario por periodo de tiempo.
Q = cantidad que se pide (tamao de pedido).
D = unidades que se piden por medio de tiempo.
La variable que se busca una solucin, es la cantidad de pedido QEs necesario minimizar es el costo total de los inventarios, Ct, Co, Cc son parmetros
para el modelo, los cuales servirn para determinar los costos de los pedidos y los costos
de mantenimiento para varios tamao del pedido.
El costo de pedido es el costo por cada uno, Co, multiplicando por el nmero de pedidos
que se hacen por cada periodo. Dado que la demanda por periodo, D, es conocida el
nmero de pedidos por periodo es la cantidad dividida entre el tamao del pedido.
El costo por pedido es = Co x D/Q
El costo de conservacin es igual al costo de conservar o mantener por unidad por
periodo, Cc multiplicando por el nmero promedio de unidades que se conservan en el
inventario, donde se deben calcular primero el inventario promedio.
Este se calcula el nmero total de unidades que se conservan entre dos pedidos y se
multiplica esta cifra por el costo unitario diario de conservacin.

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel

Manejo de incertidumbre
Los mejores administradores deben siempre reaccionar coherentemente aunque estn
bajo presin, pero en ocasiones puede parecer que son tmidos o indecisos en algunos
momentos. Cuando esto sucede, la incertidumbre llega y retrasan la toma crucial de
decisiones. En lugar de de tomar confiada una decisin, analizan la situacin, recopilando
ms informacin antes de tomar una accin.
En el lugar de trabajo definen el xito de fracaso profesional de quien toma o prolonga la
decisin, segn sea el caso.
Alimentados por el miedo a equivocarse sin tener los datos, algunos gerentes o directores
hacen poco o nada poder acumular la informacin para tomar una decisin. Los mejores
directivos siempre encuentran el modo de sobrepasar estos obstculos, tener la vista
siempre en el objetivo de mantener la compostura cuando se tomen decisiones
necesarias.
Simulacin
La simulacin es una herramienta de la investigacin de operaciones donde nos ayuda

La operacin diaria de un banco u hospital, para comprender el impacto de aadir

ms pagadores o enfermeras.
La operacin de un puerto martimo o areo, para comprender el flujo de trfico y
su congestin.

La simulacin es una herramienta muy importante para los modelos estocsticos y es la

imitacin de un proceso o un sistema real a lo largo del tiempo, los cambios que ocurren
dentro del sistema la oferta de frecuencia, donde los cambios ocurren fuera del sistema
ocurren en el medio ambiente del sistema, los cuales se consideran abiertos o cerrados,
donde se usara la distribucin para generar aleatoriamente los distintos eventos que
ocurran.

Variables exgenas: son las independientes o de entrada del modelo se supone

que ha ido predeterminadas y proporcionadas independientemente del sistema
que se modela, pueden considerarse que estas variables actan sobre el sistema,
pero reciben accin alguna de parte de l, donde estas variables pueden ser
controladas y no controlables.
Variables de estado: describe el estado de un sistema o uno de sus componentes,
ya sea al comienzo al final durante un periodo, las cuales interactan con las
exgenas del sistema y con las endgenas, el valor de una variable de estado
durante un periodo particular de tiempo, puede depender solamente de los valores

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel

de una o ms variables exgenas en algn periodo precedente, sino tambin del

valor de ciertas variables salida en periodos anteriores.
Variables endgenas: son las dependientes o salidas del sistema y son generadas
por la interaccin de las variables exgenas con las del estado, de acuerdo con las
caractersticas de operacin del ltimo.

Diseo de experimento
La simulacin es una tcnica excepcional por su versatilidad, ha hecho que la simulacin
sea la tcnica de la investigacin de operaciones, debido a su gran diversidad de
aplicaciones es imposible enumerar todas las reas especficas en las que se ha usado
como:

Diseo de operacin de sistemas de colas.

Administracin de sistemas de inventarios.
Estimacin de la probabilidad de terminar un proyecto a tiempo.
Diseo y operacin de sistemas de manufactura.
Diseo y operacin de sistemas de distribucin
Anlisis de riesgos financieros.
Aplicaciones de cuidado de salud.
Aplicaciones en otras industrias de servicios, etc.
La operacin diaria de un banco u hospital, para comprender el impacto de aadir
ms pagadores o enfermeras.
La operacin de un puerto martimo o areo, para comprender el flujo de trfico y
su congestin asociada.
El proceso de produccin de una fabrica, para identificar los cuellos de botella en
la lnea de produccin.
El flujo de trfico en una autopista o un sistema de comunicacin complicada, para
determinar si es necesario una expansin.

Mtodo de Montecarlo, grfico y tabular, transformacin matemtica.

Esta tcnica fue utilizada en diversas investigaciones con equipos militares de
investigacin durante la segunda guerra mundial a mediados de 1940 en la planeacin,
finanzas, probabilidad, valuacin de seguros, modelos de inventario.
El mtodo consiste en utilizar en forma aleatoria para elegir valores mustrales a partir de
una distribucin probabilstica, esos valores mustrale se utilizan como entrada o valores
operativos para un modelo de simulacin.

Generacin de nmeros aleatorios

Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura
Academia Sistemas
Modelos estocsticos
Alumno: Muoz Aguilar Sergio Gabriel
Se usan para obtener valores de variables aleatorios que tienen una distribucin de
probabilidad discreta conocida en que la variable aleatorio de inters puede asumir uno de
un nmero infinito de valores diferentes, en algunas aplicaciones, sin embargo las
variables aleatorias continuas pueden asumir cualquier calor real de acuerdo con una
distribucin probabilstica continua.

f ( t )=et

Mejoramiento de sistemas mediante simulacin

A diario vemos como crece la tecnologa y un ejemplo de ello es la creciente capacidad y
actualizacin de las computadoras y la inmensa investigacin en el campo de la Ciencia
de la Computacin que otorgan nuevas herramientas para apoyar el proceso de la toma
de decisiones en diversas disciplinas y, reas de diseo y manejo de la industria. La
Simulacin es una de las herramientas ms importantes y ms interdisciplinarias. En. Una
simple corrida de1 programa podemos predecir cualquier comportamiento dinmico de
una empresa o de la mquina que se est diseando.
En este sentido las aplicaciones de la simulacin parecen no tener lmites. Actualmente se
simulan los comportamientos hasta las partes ms pequeas de un mecanismo, el
desarrollo de las epidemias, el sistema inmunolgico humano, las plantas productivas,
sucursales bancarias, el sistema de reparticin de pizzas en la Ciudad de Mxico,
crecimiento de poblaciones de especies de animales, partidos y torneos de futbol,
movimiento de los planetas y 1a evolucin del universo, para mencionar unos pocos
ejemplos de las aplicaciones de esta herramienta.

Conceptos bsicos que se emplean en la Simulacin

Simula, es reproducir artificialmente un fenmeno o la relacin entada-salida de un
sistema. Esto ocurre siempre cuando la operacin de un sistema o la experimentacin en
l son imposibles, costosas, peligrosas o poco prcticas, como en el entrenamiento de
personal de operacin, pilotos de aviones, etc.