Introducción a los Procesos

Estocásticos

Maturana, J. (2021). Introducción a los

Procesos Estocásticos [apunte]. Chile. UNAB
Introducción a los procesos
estocásticos

INTRODUCCIÓN A LOS PROCESOS ESTOCÁSTICOS

1. Introducción

Tanto la vida personal como la profesional se tratan sobre tomar decisiones. Estas
pueden ser desde cosas cotidianas (como por ejemplo qué cereal comer al desayuno) al
rediseño de sistemas de Ingeniería que permitan resolver problemas concretos a las
personas que los afectan. En este sentido, las personas nos preparamos
profesionalmente para enfrentar este proceso de toma de decisiones de manera
informada y con las herramientas apropiadas.

En el contexto de la Gestión de Sistemas, uno de los objetivos de las asignaturas de

corte matemático es la formalización de modelos para el análisis de sistemas complejos.
A lo largo de la carrera (sobre todo en Ingeniería Civil Industrial) has aprendido una
serie de metodologías que te permiten modelar la realidad (por ejemplo, en la asignatura
Investigación de Operaciones donde aprendiste a formular modelos de optimización
determinísticos).

1
Sin embargo, la gran mayoría (si es que no todas) las decisiones involucran una
componente de incertidumbre que normalmente es determinante en el resultado final.
El objetivo de esta asignatura es entregarte las herramientas que te permitan analizar y
modelar sistemas que exhiben incertidumbre, es decir sistemas en donde existen
elementos que no permiten prever a priori (antes de la experiencia) el resultado de un
proceso. En este contexto, aprenderemos modelos para tomar decisiones a problemas
que tienen relación con procesos de manufactura, inventarios, gestión de sistemas de
servicios, distribución de productos, manejo de sistemas computacionales y entre otras
muchas aplicaciones.

A lo largo de esta asignatura hemos construido una serie de apuntes docentes que
intentan presentar los contenidos de una manera coherente e integral los aspectos
fundamentales de los modelos que estudiaremos. Normalmente, la mayoría de los textos
asociados a los contenidos de este curso están cargados de lenguaje técnico,
nomenclaturas y formalismos matemáticos que a veces pueden ser abrumadores. En
este curso nos enfocaremos en la aplicación de estas teorías matemáticas a problemas
concretos de Ingeniería.
Introducción a los procesos
estocásticos

En este primer capítulo, iniciaremos con una serie de definiciones básicas para
contextualizar al lector en el mundo estocástico, y posteriormente pasaremos a revisar
ejemplos concretos de sistemas y metodologías para modelar sistemas con
incertidumbre.

2. Definiciones básicas

Aunque los términos se utilizan de diversas maneras entre el público en general, muchos
especialistas en teoría de la decisión, estadística y otros campos cuantitativos han
definido la incertidumbre, el riesgo y su medición como:

Incertidumbre: La falta de certeza, un estado de conocimiento limitado donde es

imposible describir exactamente el estado existente, un resultado futuro o más de un
resultado posible.

La incertidumbre se refiere a anomalías que implican información imperfecta o

desconocida. Se aplica a las predicciones de eventos futuros, a las mediciones físicas
que ya se han realizado o a lo desconocido. 2

La incertidumbre surge en entornos parcialmente observables, así como debido a la

ignorancia, la indolencia o ambas. Surge en cualquier número de campos, incluyendo
los seguros, filosofía, física, estadística, economía, finanzas, psicología, sociología,
ingeniería, metrología, meteorología, ecología y ciencias de la información.

De hecho, la física en sus orígenes planteaba un universo completamente determinístico

bajo una concepción de causalidad. Esto significa que si uno conoce perfectamente todas
las causas que actúan sobre un sistema o experimento, entonces es posible predecir con
exactitud el resultado.

Medida de incertidumbre: Un conjunto de posibles estados o resultados donde se

asignan probabilidades a cada posible estado o resultado; esto también incluye la
aplicación de una función de densidad de probabilidad a variables continuas.
Introducción a los procesos
estocásticos

Incertidumbre de segundo orden: En estadística y economía, la incertidumbre de

segundo orden se representa en las funciones de densidad de probabilidad sobre las
probabilidades de primer orden.

Riesgo: Un estado de incertidumbre donde algunos resultados posibles tienen un efecto

no deseado o una pérdida significativa.

Medida de riesgo: Un conjunto de incertidumbres medidas donde algunos posibles

resultados son pérdidas y las magnitudes de esas pérdidas; esto también incluye
funciones de pérdida sobre variables continuas

Sistema: Una colección de objetos, entidades o agentes que interactúan entre sí, en
pro de un objetivo o meta previamente establecida.

Estado de un sistema: conjunto de variables que permiten definir, caracterizar o

monitorear completamente un sistema (perspectiva u objetivos del modelador o tomador
de decisiones). 3

Eventos discretos: Propiedades y variables de interés que cambian en una secuencia

de instantes en el tiempo (llegadas, salidas, llamadas, etc., variaciones de índices en el
tiempo).

Sistemas continuos: Propiedades y variables de interés cambian continuamente en el

tiempo (temperaturas, precipitaciones, etc.).

2.1 Ejemplos introductorios

Pensemos por un momento en el lanzamiento de un dado (también podríamos

imaginarnos el lanzamiento de dos dados en un juego de casino, pero este ejemplo lo
dejaremos para más adelante) ¿Es este lanzamiento intrínsecamente aleatorio? ¿Es
posible predecir con exactitud cuál es el número que se obtendrá? En principio uno podría
pensar que sí. Sin embargo, dada la tecnología disponible hoy, un científico podría
sencillamente utilizar cámaras para medir elementos como la fuerza con la que lanza el
Introducción a los procesos
estocásticos

dado, la trayectoria, la temperatura y posición inicial. En este sentido, la información

detallada del proceso aleatorio podría permitir predecir con mayor exactitud cuál es el
número que se obtendrá, justo antes de obtenerlo. Al menos este estudio ofrecería
información un poco más detallada del modelo básico que indica que la probabilidad de
obtener cualquier número es 1/6.

Pensemos en una empresa de telecomunicaciones que desea optimizar su red interna

de recepción de llamadas. Para poder analizar este sistema en detalle ha construido una
serie de nuevas alternativas de operación en donde se requiere caracterizar la llegada
de las llamadas que entran al servidor. Para poder describir correctamente este proceso
es necesario estudiar los tiempos entre llegadas entre dos llamadas consecutivas.

Si las empresas contaran con recursos “infinitos”, entonces una alternativa sería reducir
la incertidumbre a través de la caracterización de cada cliente (comportamiento de
llamadas, datos demográficos, estilos de conversación, etc.). Sin embargo, sabemos que
obtener este tipo de información podría ser muy costoso para una organización, por lo
cual es necesario contar con herramientas matemático-computacionales que permitan
representar este sistema lo más fielmente posible dentro de su propia realidad. El
objetivo de esto es poder predecir el momento en el que llegará la siguiente llamada.
4
Más adelante revisaremos que este en realidad es un tipo especial de modelo
denominado “proceso de conteo”.

3. Procesos estocásticos

En la teoría de la probabilidad, un proceso estocástico es un concepto matemático que

sirve para usar magnitudes aleatorias que varían con el tiempo o para caracterizar una
sucesión de variables aleatorias que evolucionan en función del paso del tiempo. En este
sentido, un Proceso Estocástico se define como secuencia de variables aleatorias {Xt}
(t ∈ T). En este caso ese subíndice es el que va variando en el tiempo, y para cada
subíndice, se tiene una realización de la variable (es decir un valor).

Observe que el conjunto T puede ser discreto, ante lo cual decimos que el Proceso
Estocástico es de tiempo discreto. ({0,1,2,3…}). El concepto de discreto hace referencia
a que el conjunto contiene una cantidad finita de elementos. Por otro lado, se habla de
conjuntos continuos cuando existen infinitos números en el intervalo definido.
Introducción a los procesos
estocásticos

Cada una de las variables aleatorias del proceso tiene su propia función de distribución
de probabilidad y pueden o no estar correlacionadas entre sí. Algunos ejemplos de
procesos estocásticos son:

• El número de vehículos esperando en una plaza de peaje en el instante t.

• El número total de llamadas recibidas solicitando un servicio en el instante t.
• El número de máquinas descompuestas o en reparación en un taller en el instante t.

Para que un proceso estocástico esté completamente definido hay que determinar
completamente las variables aleatorias, es decir, determinar e identificar la distribución
de probabilidad asociada a cada una de ellas y, es más, la distribución conjunta de todas
ellas. A continuación, veremos un ejemplo de un proceso estocástico desde la
perspectiva más matemática.

Definamos el proceso de lanzar una moneda al aire. Cada vez que sale cara, un jugador
gana un punto mientras que cuando sale sello el jugador pierde un punto (este juego no
tiene fin). Vamos a estudiar el proceso estocástico asociado al puntaje del jugador a lo
largo del tiempo. De esta manera, definimos:
5

Xt: Puntaje del jugador en el lanzamiento t

Claramente los posibles valores que puede tomar la variable Xt es el conjunto ℤ (es decir
{…,-3,-2,-1,0,1,2,3}). Además, si asumimos que la moneda no está cargada, entonces
cada valor es equi-probable con probabilidad 1/2𝑡𝑡 donde t es la cantidad de lanzamientos
que se han realizado. Por ejemplo:

Suponga que el jugador inicia con 0 puntos. Si se realiza un lanzamiento, entonces el

jugador puede quedar con 1 punto con una probabilidad de ½, y puede quedar con -1
punto con la probabilidad de ½.

Suponga ahora que se realiza un segundo lanzamiento. El jugador puede quedar con -2
puntos con probabilidad de ¼, o puede volver a quedar en 0 con probabilidad de ¼.
También es posible que pase de 1 a 2 puntos con probabilidad de ¼, y finalmente es
posible que pase de 1 puntos a tener 0 puntos con probabilidad de ¼.
Introducción a los procesos
estocásticos

Esto genera un grafo como el que se muestra a continuación:

Observe que los números que se presentan en la cuarta columna representan los
posibles valores que puede tomar la variable aleatoria: -3 -1 1 3. Claramente en este
contexto podemos también determinar la probabilidad de ocurrencia de cada uno de
6
esos valores:

1 1 1 1
𝑃𝑃(𝑋𝑋3 = −3) = ∗ ∗ =
2 2 2 8

1 1 1 1 1 1 1 1 1 1 1 1 3
𝑃𝑃(𝑋𝑋3 = −1) = ∗ ∗ + ∗ ∗ + ∗ ∗ =3∗� ∗ ∗ �=
2 2 2 2 2 2 2 2 2 2 2 2 8

1 1 1 1 1 1 1 1 1 1 1 1 3
𝑃𝑃(𝑋𝑋3 = 1) = ∗ ∗ + ∗ ∗ + ∗ ∗ =3∗� ∗ ∗ �=
2 2 2 2 2 2 2 2 2 2 2 2 8

1 1 1 1
𝑃𝑃(𝑋𝑋3 = 3) = ∗ ∗ =
2 2 2 8
Introducción a los procesos
estocásticos

De esta manera se puede definir la siguiente variable aleatoria:

Y = Número de caras obtenidas en un total de 3 intentos

Dada la definición en palabras de la variable aleatoria, se puede decir que se distribuye

binomial de parámetros n = 3 y probabilidad de éxito = ½.

1
𝑌𝑌~𝑏𝑏 �3; �
2

De esta manera,

1
𝑃𝑃(𝑌𝑌 = 0) = 𝑃𝑃(𝑋𝑋3 = −3) =
8

3
7
𝑃𝑃(𝑌𝑌 = 1) = 𝑃𝑃(𝑋𝑋3 = −1) =
8

3
𝑃𝑃(𝑌𝑌 = 2) = 𝑃𝑃(𝑋𝑋3 = 1) =
8

3
𝑃𝑃(𝑌𝑌 = 3) = 𝑃𝑃(𝑋𝑋3 = 3) =
8

Si se repite este proceso infinitas veces, es posible entonces determinar que la variable
Xt sigue una distribución binomial. Esto representa la esencia del análisis estocástico, la
determinación de las distribuciones de probabilidad en el largo plazo.
Introducción a los procesos
estocásticos

3.1 El problema de las aproximaciones

En muchas situaciones los tomadores de decisiones pueden verse tentados a solucionar

un problema a través de los valores promedio de algunos parámetros relevantes.
Supongamos una empresa que recibe llamadas a través de un único número de atención
telefónica. Estas llamadas llegan con una intensidad de 10 llamadas por hora, y el
ejecutivo es capaz de atender 20 llamadas por hora. Este modelo representa uno de los
modelos más elementales de teoría de colas, el cual estudiaremos brevemente en la
Unidad 05.

En este contexto, la empresa necesita saber la cuánto espacio de memoria requiere para
de la fila de espera de las llamadas que ingresan (cada llamada ocupa un espacio de
memoria en el servidor de, y cada espacio de memoria tiene un costo). Considerando
que el ejecutivo es capaz de atender el doble de lo que llega ¿Significa que no habrá
colas?

Si observamos los valores promedio, uno podría verse tentado a asumir que no habrá
8
llamadas esperando, pero observe que, si llegan 10 llamadas en una hora,
perfectamente podrían llegar las 10 juntas. En este sentido, es un error muy grande
utilizar los valores esperados (o promedios) para tomar decisiones sin considerar los
elementos estocásticos del proceso. En este caso, la incertidumbre de este sistema se
encuentra en el tiempo que va a transcurrir entre dos llamadas consecutivas (y es
precisamente eso lo que se debe estudiar, y no el valor promedio).

Como fue mencionado anteriormente, este ejemplo es la base de un sistema elemental

de teoría de colas. Si estamos estudiando un sistema de estas características, entonces
se puede decir que la cantidad promedio de llamadas que estarán en espera en un
instante cualquiera es:

Xt = Cantidad de llamadas en espera en un instante t

𝜆𝜆 = tasa de llegada de llamadas por hora

𝜇𝜇 = tasa de atención de llamadas por hora

Introducción a los procesos
estocásticos

𝜆𝜆2 102 100 1

𝐸𝐸(𝑋𝑋𝑡𝑡 ) = = = = [𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙]
𝜇𝜇(𝜇𝜇 − 𝜆𝜆) 20(20 − 10) 20 ∗ 10 2

Es decir, en promedio habrá 0,5 llamadas en espera (¡menos de una!) en un instante

cualquiera, por lo que la empresa puede simplemente contratar una cantidad reducida
de espacio de memoria (2 o 3 será suficiente) para entregar un buen nivel de servicio.

3.2 Clasificación de procesos estocásticos

Los procesos estocásticos se pueden clasificar esencialmente de dos maneras: i)

dependiendo de la estructura que toma la dimensión temporal (discreta o continua) y
del conjunto de estados posibles de la variable (los valores de la variable X); ii)
dependiendo de las características probabilísticas de las variables aleatorias.

En este apunte nos enfocaremos en la primera clasificación, dado que la segunda la

estudiaremos en detalle en las Unidades 02 y 03. En ella se tienen cuatro subtipos de
clasificación para los procesos estocásticos que se resumen en la siguiente tabla:
9

Tiempo discreto Tiempo continuo

Variable discreta Proceso de estado y tiempo Proceso de estado discreto y
discretos: Cadena. tiempo continuo: Proceso de
saltos puros.

Variable continua Proceso de estado continuo y Proceso de estado y tiempo

tiempo discreto: Sucesión continuo: Procesos
de variables aleatorias. continuos.

• Cadena: Supongamos un sistema hidráulico con una válvula de seguridad que se

revisa diariamente. Esta válvula presenta tres posibles estados: correcto, incorrecto
y deteriorado. En cada día el estado de la llave es susceptible de cambiar entre los
tres distintos estados con alguna probabilidad a determinar. De este modo se puede
definir una variable aleatoria de esta manera:

Xt = Estado de la válvula en el día t

Introducción a los procesos
estocásticos

• Proceso de saltos puros (o proceso puntual): Un autobús escolar tiene

capacidad para k personas. Si en una parada hay k o menos personas esperando,
entonces todas subirán al autobús. Si no es así, subirán las k primeras, quedando el
resto de las personas en espera. Se pueden plantear asuntos como minimizar el
tiempo medio de espera, o reducir el número de personas esperando. En este
contexto, la variable aleatoria se define como:

Xt = Cantidad de personas esperando el autobús en el paradero en el instante t

Observe detenidamente la diferencia entre la definición de ambas variables. En la

primera, se habla de un día t, y el estado del sistema cambia exactamente una vez al
día (por supuesto porque la persona va y revisa el estado de la válvula una vez al día).
En el segundo caso, se habla del “instante t” lo cual implica que el tiempo va avanzando
continuamente en el tiempo. Sin embargo, el valor de X en el tiempo es un valor discreto
(0,1,2,3…).

• Sucesión de variables aleatorias: Una empresa petrolífera debe decidir sobre su

10
producción mensual. En este contexto, cada día (tiempo discreto) se produce una
cantidad diferente de petróleo. La diferencia con la Cadena es que ahora hablamos
de unidades producidas por unidad de tiempo y no de estados. Observe que al ser
una cantidad producida en toneladas es perfectamente factible de representar con
números decimales (y de ahí su naturaleza continua). En este caso se define la
siguiente variable aleatoria:

Xt = Toneladas de petróleo producidas el día t

• Procesos continuos: En la ventanilla de un banco se contabiliza el tiempo de espera

de un cliente que llega en un instante t. Observa que en este caso los clientes llegan
al banco en instantes continuos de tiempo, y además la medición del tiempo de
espera es en sí misma una medida continua. Los procesos continuos básicos están
muy relacionados a la teoría de colas y sistemas de espera, algo que profundizarás
con más detalle en la asignatura “Simulación”. Sea la siguiente variable aleatoria:

Xt = Tiempo de espera de un cliente que llega al banco en el instante t

Introducción a los procesos
estocásticos

Observa que en los cuatro casos que hemos analizado, hemos definido explícitamente
una variable aleatoria de estudio. Ahora, este término también se ha repetido muchas
veces: “variable aleatoria”. En el apartado final de este apunte podrás encontrar una
definición de lo que significa esa frase. Además, en este curso una dimensión importante
en términos de rigurosidad matemática es la definición correcta de variables.

3.3 Estado transitorio y estado de régimen

En cada instante de tiempo tenemos una variable Xt con un comportamiento aleatorio.

Una conjunto o secuencia de realizaciones de dichas variables en un conjunto de
instantes definirá una trayectoria, tal como se muestra en la siguiente imagen.

11

Por supuesto, en la medida en que el proceso estocástico se va repitiendo a través de la

experimentación, es factible de obtener diferentes trayectorias. Entonces, ¿Cuál es la
trayectoria que mejor representa un proceso estocástico? ¿Cuál es el comportamiento
definitivo que debo tener en cuenta para estudiar un proceso que exhibe incertidumbre?

Si observamos detenidamente la imagen que se presenta a continuación, podemos ver

distintas trayectorias representadas con color negro, y una trayectoria “promedio” o
representativa del proceso estocástico representada con color rojo. Sin embargo, un
concepto fundamental en estadística y que aplica en este curso también es la variabilidad
Introducción a los procesos
estocásticos

de un sistema. Cuando se analizan procesos industriales es necesario tener en cuenta la

desviación con respecto al promedio.

Observe que si bien existe una trayectoria representativa (representada con color rojo),
también existe mucha desviación con respecto a esa trayectoria (¡algunas líneas negras
están muy lejos de la línea roja!). En este sentido, la variabilidad (que se calcula
matemáticamente a través de la varianza, la desviación estándar, o el coeficiente de
variación) es tremendamente relevante para el análisis de sistemas estocásticos
industriales, dado que puede ser determinante al momento de tomar decisiones.

12

Ahora bien, no solo es importante la trayectoria representativa del proceso estocástico,

sino que también es importante su convergencia. En este contexto, supongamos que
estamos estudiando un fenómeno que sigue una distribución Normal con media 𝜇𝜇 y
variabilidad 𝜎𝜎 2 . En cada instante t, tendríamos una media y una varianza distinta, por
lo que nos interesa estudiar cómo cambia la distribución de probabilidades en el tiempo.
Observe el siguiente gráfico:
Introducción a los procesos
estocásticos

Conforme el proceso estocástico se va desarrollando en el tiempo, y conforme se van

generando distintas trayectorias, podremos observar que la distribución de
probabilidades general convergerá a una distribución estacionaria. Cuando esto ocurre
se dice que el proceso estocástico se encuentra en estado estable. Piense por ejemplo
en un motor a petróleo: a diferencia de un vehículo que funciona con gasolina, un motor
a petróleo requiere un tiempo de calentamiento antes de poder comenzar a andar. Este
periodo se conoce como periodo transitorio, o período transiente. Una vez que el motor
ha ganado suficiente temperatura (lo que normalmente ocurre entre 1 y 2 minutos de
iniciado el motor) entonces es posible iniciar el movimiento. En ese momento el motor
se encuentra en estado estable.

Como puedes observar en la gráfica siguiente, el desafío en este caso corresponde en

determinar en qué instante de tiempo se ha llegado al estado estable.

13

De hecho, uno de los objetivos de esta disciplina es estudiar precisamente las

distribuciones estacionarias. A lo largo de las unidades de este curso iremos trabajando
con modelos que asumen cierto tipo de estabilidad, o determinaremos efectivamente las
probabilidades de que esto ocurra en el tiempo (todo depende del modelo con el que
trabajemos).
Introducción a los procesos
estocásticos

En este contexto, existen una serie de preguntas interesantes de realizar:

• ¿Existirá un estado con condiciones estacionarias?

• ¿Bajo qué condiciones el estado de régimen (otra forma de decir estado estable)
refleja lo que realmente ocurrirá en la práctica / vida real?
• ¿Cómo puedo determinar t*? ¿Existe realmente?

3.4 Enfoques de modelamiento

En general un sistema se compone de la siguiente estructura de variables involucradas:

14

Variables de entrada: representan toda la información que ingresa al sistema y que

no es determinística. Observe que cuando una información es determinística entonces
no está sujeta a variación y por tanto deja de ser variable y pasa a ser un parámetro
dentro del sistema (por ejemplo, el precio de la bencina es variable, pero la distancia
entre Santiago y Viña del Mar es determinística y es posible de determinar y dejar fija).

Variables de estado: describen cuantitativamente al sistema en un instante de tiempo

cualquiera. Las variables de estado cambian en función de las variables de entrada y son
dinámicas. Algunos posibles valores son ocupados/desocupados, abierto/cerrado,
operativo/operativo parcialmente/no operativo, entre muchos otros.
Introducción a los procesos
estocásticos

Variables de desempeño: Permiten resumir el comportamiento del sistema para poder

tomar decisiones de diseño/rediseño. Las variables de desempeño permiten estimar si
se alcanzan metas (por ejemplo, eficiencias, costos, etc.).

En un curso de análisis estocástico, el objetivo es determinar distribuciones para las

variables de estado del sistema, a partir del comportamiento de las variables de entrada.
Posteriormente debemos estimar distribuciones para las variables de desempeño en
función de lo anterior. Finalmente se pretende seleccionar o definir esquemas de
operación que “optimicen los indicadores de desempeño”.

Imaginemos por ejemplo una fábrica de automóviles, un sistema tremendamente

complejo con muchas variables de entrada, variables de estado e indicadores de
desempeño. En este contexto, las materias primas llegan a la fábrica de acuerdo con
procesos sujetos a incertidumbre (¡aun cuando existen planes de abastecimiento que
intentan reducirla!) dado que existen elementos que están fuera de control de la
compañía (retrasos de proveedores, accidentes en ruta, terremotos, etc.).

Además, las máquinas están afectas a fallas y los trabajadores pueden enfermar.
15
También pueden ocurrir detenciones no programadas que no sean por fallas
(emergencias como incendios o inundaciones). En este contexto, la empresa busca
determinar cómo calcular la productividad promedio de la planta y de cada trabajador
(lo cual representa una variable de desempeño).

Dicha variable estará afecta a distintas variables de estado (como por ejemplo la
cantidad de productos en proceso en cada máquina, la cantidad de horas trabajadas en
total, la cantidad de horas que trabaja cada trabajador, etc.). Finalmente, algunas
variables de entradas que van a influir en esto son los instantes de llegada de cada
materia prima, los tiempos de funcionamiento (o tiempos de servicio de cada máquina),
o los tiempos entre fallas, entre otras.

En esta parte entramos en un punto central. Todas o gran parte de las variables de
entrada serán aleatorias. El hecho que sean aleatorias incorpora inmediatamente la
componente de distribución de probabilidades. En algunos casos, algunos sistemas
productivos exhiben naturalmente distribuciones de probabilidades teorías en sus
procesos (por ejemplo, el tiempo entre fallas se puede modelar apropiadamente con una
distribución Weibull, así como también la teoría de oleajes. Los tiempos entre llegadas
Introducción a los procesos
estocásticos

de dos clientes a un banco típicamente se distribuye Exponencial). En otros casos, será

necesario hacer uso de la estadística para definir distribuciones empíricas o alternativas
equivalentes.

Independiente de cuál sea el caso, en análisis de sistemas estocásticos existen

comúnmente dos alternativas para enfrentar el modelamiento. La primera de ellas
corresponde al desarrollo de modelos matemáticos (ecuaciones e inecuaciones) para
obtener distribuciones de probabilidad y en consecuencia determinar probabilidades de
ocurrencia (recuerde que uno de los grandes objetivos de este curso es precisamente
ese, plantear y calcular probabilidades).

En el caso en que no sea posible plantear modelos matemáticos, dada la complejidad

del problema, existe otra alternativa para el estudio de sistemas estocásticos: la
simulación de eventos discretos. Esta disciplina cae dentro del área de la investigación
de operaciones, en donde a través de un análisis profundo del flujo del proceso,
combinado con herramientas estadísticas, es posible modelar computacionalmente un
sistema en estudio para poder ejecutarlo un número determinado de veces y poder
ofrecer alternativas de rediseño. Para ello existe una asignatura dedicada
exclusivamente a ese tema, la cual podrá cursar al terminar este curso.
16

4. Enfrentando la incertidumbre en la empresa

En la literatura existen una gran cantidad de maneras de estimar y medir la

incertidumbre en un sistema. En general los autores buscan cuantificar estos valores a
través de distintos indicadores, normalmente asociados a la variabilidad. Sin embargo,
es importante tener en cuenta las fuentes de incertidumbre a las cuales está afecta la
empresa, por lo que un análisis más cualitativo puede ser útil como primera herramienta
de análisis.

En este apartado analizaremos fuentes de incertidumbre particularmente en la cadena

de suministros de una organización, dado que este concepto es lo suficientemente global
como para incorporar varios elementos de una organización simultáneamente. Sin
embargo, es posible que estas dimensiones no aborden explícitamente el área financiera,
de recursos humanos y en general las actividades de apoyo de la cadena de valor.
Introducción a los procesos
estocásticos

La incertidumbre en una cadena de suministros genérica puede ser analizada desde las
siguientes dimensiones: Calidad, Cantidad y Tiempo. Además, también puede ser
analizada desde los siguientes aspectos relevantes: Abastecimiento, Demanda y
Distribución, Procesos, Planificación y control. Esto da como resultado la siguiente matriz
de análisis:

Cantidad Calidad Tiempo

Abastecimiento Cantidades Calidad de material Tiempo de respuesta
planificadas versus Calidad de manejo de de proveedores
recibidas. materiales

Demanda y Incertidumbre e Relación entre lo Tiempo de respuesta

Distribución incertidumbre esperado por el a clientes
implícita de la cliente y lo realmente
demanda producido (nivel de Tiempo entre etapas
satisfacción) de distribución
Necesidades de
transporte e
inventarios

Procesos Rendimiento de la Calidad del producto Tiempos de

producción, terminado producción y 17
desechos, Calidad del producto almacenamiento
cancelaciones posterior al
almacenamiento
Planificación y Disponibilidad de la Precisión en la Tiempos de
Control información información disponibilidad de
información

En general, la mayoría de los autores que analizan la incertidumbre en la cadena de

suministros de cualquier organización coinciden en que la mayor fuerte de incertidumbre
está en los extremos, particularmente con la demanda (desde los clientes) y sobre las
fuentes de abastecimiento.
Introducción a los procesos
estocásticos

Referencias

1. Gazmuri, P. (1995). Modelos estocásticos para la Gestión de Sistemas. Ediciones

Universidad Católica de Chile.
2. Van Der Vorst J. and Beulens A. (2002) Identifying sources of uncertainty to
generate supply chain redesign strategies. International Journal of Physical
Distribution and Logistics Management, Vol. 32, n°6, pp. 409-430.
3. Maturana-Ross, J. (2021). Apuntes de clase.
4. Canales, W. (2021). Apuntes de clase.

18