Unidad 1 Introduccion Modelos Estocasticos

download Unidad 1 Introduccion Modelos Estocasticos

If you can't read please download the document

description

Introducción a los conceptos y aplicaciones de proceso de poisson, cadenas de markov y sistemas de espera.

Transcript of Unidad 1 Introduccion Modelos Estocasticos

  • ICI2212 Modelos Estocsticos

    Profesor Claudio C. Araya Sassi

    Unidad 1: Introduccin a los Procesos Estocsticos

    Curso Perodo Verano, Enero de 2015

    Facultad de Ingeniera

    Escuela de Industrias

    Ingeniera Civil Industrial

  • Profesor

    Claudio Christian Araya Sassi

    Propietario y Gerente General MSC Management Science Consulting. Consultora y capacitacin en Optimizacin, Simulacin, Pronsticos, Ingeniera de Marketing y Strategic Management Science.

    Ingeniero Civil Industrial, Universidad Tcnica Federico Santa Mara.

    Master in Management Science, Universidad Adolfo Ibez.

    Doctorado en Ingeniera Industrial, Pontificia Universidad Catlica de Valparaso (previsto 2016).

    [email protected] www.managementscience.cl

    2 Profesor MSc. Claudio Araya Sassi

    mailto:[email protected]:[email protected]://www.managementscience.cl/
  • Programa

    1. IDENTIFICACIN DE LA ASIGNATURA Curso : Modelos Estocsticos Cdigo : ICI2212 Tipo de actividad : Terico-Prctico Prerrequisitos : ICI2209 2. DESCRIPCIN DE LA ACTIVIDAD CURRICULAR Analizar los sistemas de gestin y operacin que presenten componentes probabilsticas o aleatorias, as como con presencia de elementos de incertidumbre y utilizando metodologas de simulacin y modelacin para la resolucin de problemas en ambientes complejos.

    Profesor MSc. Claudio Araya Sassi 3

  • Programa

    3. SENTIDO Y UBICACIN DE LA ASIGNATURA EN EL PLAN DE ESTUDIOS Se encuentra en el eje Gestin de Operaciones, en el que el alumno una vez aprobado el eje, se encontrar en condiciones de disear, dirigir y optimizar procesos productivos y de servicios, orientado a la creacin de valor en la organizacin con especial atencin en la calidad, aplicando su dominio en herramientas de simulacin, heursticas para la solucin de problemas, construccin de modelos determinsticos y estocsticos de optimizacin, imprimiendo siempre en su accionar un sello de responsabilidad social y de respeto por el medio ambiente.

    Profesor MSc. Claudio Araya Sassi 4

  • Programa

    4. APRENDIZAJES ESPERADOS

    El estudiante desarrollar aprendizajes que le permitirn: 1. Comprender de manera general y especfica sistemas de gestin y

    operacin que presenten componentes probabilsticas o aleatorias, as como con presencia de elementos de incertidumbre.

    2. Comprender y modelar sistemas en los cuales sus componentes

    interactan a travs del tiempo de acuerdo a comportamientos aleatorios.

    3. Modelar y resolver problemas reales de operacin y gestin de sistemas que presentan componentes probabilsticos o aleatorios.

    Profesor MSc. Claudio Araya Sassi 5

  • Programa

    5. CONTENIDO

    Unidad 1: Introduccin a los Procesos Estocsticos (10%)

    Definicin de incertidumbre Ejemplos de sistemas con incertidumbre Definicin y caractersticas bsicas de Procesos Estocsticos Enfoques de modelacin (modelos analticos y simulacin)

    Unidad 2: Repaso Probabilidad y Estadsticas (12%)

    Funciones de distribucin de probabilidades Esperanza, varianza y momentos Probabilidades y Esperanza condicionales

    Profesor MSc. Claudio Araya Sassi 6

  • Programa

    5. CONTENIDO Unidad 3: Proceso de Poisson: (12%)

    Definicin y propiedades del proceso Ejemplos de proceso de Poisson Distribucin de probabilidades del proceso Distribucin de los tiempos entre eventos Distribucin condicional de los tiempos entre llegadas. Descomposicin del proceso de Poisson y proceso de Poisson compuesto.

    Unidad 4: Proceso de Renovacin (12%) Definicin, distribucin de probabilidades del proceso Polticas de mantencin y reemplazo Comportamiento del proceso en el largo plazo

    Unidad 5: Cadenas de Markov en Tiempo Discreto (12%) Definicin, propiedades, probabilidades de transicin, Ecuaciones de Chapman-Kolmogorov Distribucin de probabilidades Clasificacin de estados, anlisis del estado transiente Anlisis en el largo plazo, distribucin lmite

    Profesor MSc. Claudio Araya Sassi 7

  • Programa

    5. CONTENIDO

    Unidad 6: Cadenas de Markov en Tiempo Continuo (12%)

    Definicin y propiedades Tiempos de permanencia y probabilidades de transicin Ecuaciones de Chapman- Kolmogorov Anlisis en el largo plazo, ecuaciones de equilibrio Procesos de nacimiento y muerte.

    Unidad 7: Sistemas de Espera (30%)

    Introduccin a los problemas de sistemas de espera. Indicadores de Performance de un sistema Sistemas M/M/1 Frmula de Little. Otros Sistemas: M/M/1/K, M/M/C. M/G/1. Sistemas con servicio dependiente del estado, llegadas en lotes. Redes de Sistemas de Espera

    Profesor MSc. Claudio Araya Sassi 8

  • Programa

    6. EVALUACIN La nota de presentacin a examen se calcular como sigue: Promedio de Solemnes (2) = 70% Tarea = 30% Ponderacin final: Nota presentacin a examen = 70% Nota examen = 30% La nota de eximicin del examen es 5.0 sin rojos, 5.5 con un rojo. Asistencia a clases: Se exigir una asistencia del 87%, esto es, 13 das de los 15 das en total. Los alumnos que no cumplan con esta norma quedarn automticamente reprobados.

    Profesor MSc. Claudio Araya Sassi 9

  • Programa

    7. BIBLIOGRAFA OBLIGATORIA: Ttulo: Introduccin a la Investigacin de Operaciones. Autor: Hillier y G.J. Lieberman Editorial: McGraw-Hill, 1982 COMPLEMENTARIA: Ttulo: Modelos Estocsticos para la Gestin de Sistemas Autor: P. Gazmuri Editorial: Ediciones Universidad Catlica, 1994.

    Profesor MSc. Claudio Araya Sassi 10

  • Programacin

    ID Fecha (Enero de 2015) Contenidos

    1 Lunes 5

    Unidad 1: Introduccin a los Procesos Estocsticos (10%) Definicin de incertidumbre Ejemplos de sistemas con incertidumbre Definicin y caractersticas bsicas de Procesos Estocsticos Enfoques de modelacin (modelos analticos y simulacin)

    TAREA

    2 Martes 6

    Unidad 2: Repaso Probabilidad y Estadsticas (12%) Funciones de distribucin de probabilidades Esperanza, varianza y momentos Probabilidades y Esperanza condicionales

    3 Mircoles 7

    Unidad 3: Proceso de Poisson: (12%) Definicin y propiedades del proceso Ejemplos de proceso de Poisson Distribucin de probabilidades del proceso

    4 Jueves 8

    Distribucin de los tiempos entre eventos Distribucin condicional de los tiempos entre llegadas. Descomposicin del proceso de Poisson y proceso de Poisson compuesto.

    5 Viernes 9 LABORATORIO 1 (Unidades 2 y 3)

    Profesor MSc. Claudio Araya Sassi 11

    Semana 1

  • ID Fecha (Enero de 2015) Contenidos

    6 Lunes 12 Unidad 4: Proceso de Renovacin (12%)

    Definicin, distribucin de probabilidades del proceso

    7 Martes 13 Polticas de mantencin y reemplazo Comportamiento del proceso en el largo plazo

    8 Mircoles 14

    SOLEMNE 1 (Unidades 1 -2-3-4) Unidad 5: Cadenas de Markov en Tiempo Discreto (12%)

    Definicin, propiedades, probabilidades de transicin, Ecuaciones de Chapman-Kolmogorov

    9 Jueves 15

    Distribucin de probabilidades Clasificacin de estados, anlisis del estado transiente Anlisis en el largo plazo, distribucin lmite

    10 Viernes 16 ENTREGA SOLEMNE 1 LABORATORIO 2: Unidades 4 y 5

    Profesor MSc. Claudio Araya Sassi 12

    Programacin

    Semana 2

  • ID Fecha Contenidos

    11 Lunes 19 Unidad 6: Cadenas de Markov en Tiempo Continuo (12%)

    Definicin y propiedades Tiempos de permanencia y probabilidades de transicin

    12 Martes 20 Ecuaciones de Chapman- Kolmogorov Anlisis en el largo plazo, ecuaciones de equilibrio Procesos de nacimiento y muerte.

    13 Mircoles 21

    SOLEMNE 2 (Unidades 5,6 y 7) Unidad 7: Sistemas de Espera (30%)

    Introduccin a los problemas de sistemas de espera. Indicadores de Performance de un sistema Sistemas M/M/1

    LABORATORIO 3: Unidades 6 y 7

    14 Jueves 22

    Frmula de Little. Otros Sistemas: M/M/1/K, M/M/C. M/G/1. Sistemas con servicio dependiente del estado, llegadas en lotes. Redes de Sistemas de Espera

    15 Viernes 23 ENTREGA TAREA ENTREGA SOLEMNE 2

    Profesor MSc. Claudio Araya Sassi 13

    Programacin

    Semana 3

  • Definicin de incertidumbre

    Profesor MSc. Claudio Araya Sassi 14

    En los problemas de toma de decisiones, con frecuencia surge la necesidad de tomar decisiones basadas en fenmenos que tienen incertidumbre asociada a ellos. Esta incertidumbre proviene de la variacin inherente de las fuentes que la provocan y que eluden el control o proviene de la inconsistencia de fenmenos naturales. En lugar de manejar esta variabilidad como cualitativa, puede incorporarse a un modelo matemtico y manejarse en forma cuantitativa. En general, este tratamiento se puede lograr si el fenmeno natural muestra un cierto grado de regularidad, de forma que sea posible describir la variacin mediante un modelo probabilstico. Los procesos que evolucionan en el tiempo de una manera probabilstica son llamados Procesos Estocsticos, los cuales pueden ser descritos mediante un modelo probabilstico.

  • Ejemplos de sistemas con incertidumbre

    Profesor MSc. Claudio Araya Sassi 15

    Sistemas de Inventarios

    Orgenes del material

    Localizaciones del inventario

    Productos terminados En

    vo

    Inventarios en proceso

    Recep

    ci

    n

    Materiales en Produccin

    Transporte de entrada

    Produccin Transporte de salida

    Almacenamiento de productos terminados

    Clientes

  • Profesor MSc. Claudio Araya Sassi 16

    Sistemas de Inventarios

    Determinacin de la cantidad ptima de pedido

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 17

    Sistemas de Inventarios

    Determinacin de la cantidad ptima de pedido

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 18

    Sistemas de Inventarios

    Determinacin de la cantidad ptima de pedido

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 19

    Sistemas de Inventarios

    Control de Punto de Reorden con Demanda Incierta o Estocstica

    PRO

    Ca

    ntid

    ad d

    isp

    on

    ible

    0

    Q

    Q

    Recepcin del pedido

    Colocacin del pedido

    Falta de existencias

    LT Tiempo

    LT

    DDLT

    P

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 20

    Sistemas de servicio (Teora de colas)

    Tiempo entre llegadas es estocstico Tiempo de servicio aleatorio

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 21

    Sistemas logsticos

    Distribuidor

    Transporte de salida

    Transporte de entrada

    Punto de agrupacin

    Proveedor

    X s p p 1 0 1 2

    , .

    X s i i 4 1 0 2

    , .

    X s o o 2 0 25 2

    , .

    Tiempo de procesamiento

    Tiempo de transporte

    Tiempo de transporte

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 22

    Sistemas Productivos (tiempos de detenciones atribuibles a fallas de equipos)

    Ejemplos de sistemas con incertidumbre

    ti (n+1) tf (n+1) tf (n) ti (n) ti (n+2)

    T1 (n) T2 (n) T3 (n+1) T2 (n+1)

    Downtime Downtime Uptime Uptime

    Falla n Falla n+1

  • Profesor MSc. Claudio Araya Sassi 23

    Sistemas Productivos (tiempos de detenciones atribuibles a fallas de equipos)

    Ejemplos de sistemas con incertidumbre

  • Profesor MSc. Claudio Araya Sassi 24

    Sistemas Productivos (Levantamiento de Cuellos de botella)

    Ejemplos de sistemas con incertidumbre

  • Elementos de Sistemas y Modelos

    Profesor MSc. Claudio Araya Sassi 25

    Sistema: Una coleccin de entidades (gente, partes, mensajes, mquinas, servidores, ) que actan e interactan juntos hacia algn fin (Schmidt and Taylor, 1970)*

    En la prctica, depende de los objetivos de estudio Podra limitar los lmites (fsicos y lgicos) del sistema Juicio: nivel de detalle (e.g., qu es una entidad?) Usualmente asume un elemento de tiempo sistema dinmico

    Estado de un sistema: Coleccin de variables y sus valores necesarios para describir el sistema en un tiempo determinado.

    Podra depender de los objetivos deseados, medidas de desempeo de resultados Modelo de Banco: Podra incluir nmero de cajeros ocupados, tiempo de arribo de cada cliente, etc.

    * Simulation and Analysis of Industrial Systems, Richard D. Irwin, Homewood, Illinois.

  • Profesor MSc. Claudio Araya Sassi 26

    Tipos de Sistemas

    Discretos

    o Variables de estado cambian instantneamente en puntos separados en el tiempo.

    o Modelo de Banco: Cambios de estado ocurren slo cuando un

    cliente llega o parte.

    Continuos

    o Variables de estado cambian continuamente como una funcin del tiempo.

    o Vuelo de avin: Variables de estado como la posicin y

    velocidad cambian continuamente.

    Elementos de Sistemas y Modelos

  • Procesos Estocsticos

    Profesor MSc. Claudio Araya Sassi 27

    Definicin

    Coleccin indexada de variables aleatorias

    caracterstica de inters medible en el tiempo o estado del proceso en el tiempo

    Por ejemplo, el proceso estocstico puede representar:

    Niveles de inventario semanales (o mensuales) de un producto dado Demandas semanales (o mensuales) de este producto Tiempo entre llegadas a un sistema de espera Tiempos de detenciones por fallas imprevistas de un equipo

  • Profesor MSc. Claudio Araya Sassi 28

    Procesos Estocsticos en tiempo discreto Definicin

    Coleccin indexada de variables aleatorias El conjunto de ndices es un conjunto contable y Ejemplos

    Procesos Estocsticos en tiempo continuo Definicin

    Coleccin indexada de variables aleatorias El conjunto de ndices es un conjunto continuo y Ejemplos

    Procesos Estocsticos

  • Profesor MSc. Claudio Araya Sassi 29

    Cualquier realizacin de es llamada una trayectoria muestral. En cada instante de tiempo tenemos una variable con un comportamiento aleatorio. Una conjunto o secuencia de realizaciones de dichas variables en un conjunto de instantes definir una trayectoria. Si se repiten diferentes secuencias de realizaciones de la variable en estudio, se podr obtener diferentes trayectorias. La trayectoria en s posee un comportamiento estocstico.

    Procesos Estocsticos

  • Profesor MSc. Claudio Araya Sassi 30

    Si generamos cientos de trayectorias o secuencias de realizaciones se genera una nube de trayectorias

    Procesos Estocsticos

  • Profesor MSc. Claudio Araya Sassi 31

    En cada instante t, tendramos una media y una varianza Existe una distribucin de probabilidades en cada instante del tiempo, la cual estamos interesados en conocer y estudiar cmo cambia la distribucin de probabilidades en el tiempo? cambia el tipo de funcin de distribucin?

    Procesos Estocsticos