UNIVERSIDAD NACIONAL DE SAN

CRISTÓBAL DE HUAMANGA
Facultad de Ingeniería de Minas,
Geología y Civil
Escuela Profesional de Ingeniería de Minas

TEORÍA DE DECISIONES DE MARKOV

Presentado por:
Ángel ALANYA OCHOA

Irvin J. HUMANÍ MEZA

Kukin MUÑOZ MALLQUI

Danny D. SOSA LOZANO

Jose L. TOMATEO VARGAS

Catedrático:
Ing. Kelvis BERROCAL ARGUMEDO
Ayacucho - Perú
2019
Definitivamente lo más valioso que tiene la com-
pañía es este equipo de trabajo, que sin cansancio
han trabajado para conseguir lo que nos hemos
propuesto.
Les doy mis más leales y sinceros agradecimien-
tos por lo que hemos alcanzado hoy día, muy
agradecido porque cada uno puso su granito de
arena y hoy vemos grandes resultados que redun-
dan en beneficio de todos y cada uno de nosotros.
Nuevamente gracias.

I
 Índice general

Página

Portada I

Dedicatoria I

Índice General II

Lista de Figuras IV

Lista de Tablas V

Resumen VI

Introducción VII

1. Generalidades 1
1.1. OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. MARCO TEÓRICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1. Elementos que caracterizan la Toma de Desiciones . . . . . . . . . . 1
1.2.2. Tipo de Desiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3. Teoría de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.3.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3.2. Procesos Estocásticos . . . . . . . . . . . . . . . . . . . . . 3
1.2.3.3. Elementos claves de una Cadena de Markov . . . . . . . . . 4
1.3. SOFTWARE QM FOR WINDOWS . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1. Definición del problema: . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2. Desarrollo de un modelo: . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3. Recolección de datos: . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4. Desarrollo de una solución: . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.5. Pruebas de solución: . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Estado del Arte 8

2.0.1. Análisis de los resultados y análisis de sensibilidad: . . . . . . . . . . 8
2.0.2. Implementación de los resultados: . . . . . . . . . . . . . . . . . . . 8

II
Índice general

2.1. ANÁLISIS DE VENTAJAS Y DESVENTAJAS EN LOS PROCESOS . . . 10

2.2. Mediante Sistema de Ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3. Software QM for Windows . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Conclusiones y Recomendaciones 16
Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Temas afines por investigar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

Referencias Bibliográficas 18

Universidad Nacional de San Cristóbal de Huamanga III

 Lista de Figuras

1.1. Diagrama de aplicación del Software . . . . . . . . . . . . . . . . . . . . . . 6

1.2. Ventana de comandos del Software QM . . . . . . . . . . . . . . . . . . . . 7

2.1. Fotografía de Ubicación Geográfica . . . . . . . . . . . . . . . . . . . . . . . 9

2.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.3. Sistema de Ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.4. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.5. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.6. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.7. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.8. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.9. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.10. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.11. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

IV
 Lista de Tablas

1.1. Cuadro de tipos de desiciones . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.1. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

V
 Resumen

El presente trabajo analiza la Teoría de Desiciones, entre sus variedades se selccionó la

Teoría de Markov, su apliación de este mediente el desarrollo de Sistemas de Ecuaciones
Lineales y el uso del software QM for Windows. Habiendo formulado el problema en la
mina TERESITA y recopilado los datos necesarios, se procede a la resolución del problema
mediante:
El primer método, se realizó mediante un digrama de transición, seguido por una serie de
ecuaciones desarrollados en MathType y finalmente la obtención de respuestas.
El Segundo método, Se insertó los datos en la primera ventana, posteriormente en la ventana
Solve se realiza la puesta en marcha del Programa y se obtiene los resultados.
También se verifica y compara la obtención de resultados y también concluimos que no hay
variación en las respuestas. También se demuestra la efectividad del Software para estos
casos.
Por ende, demostrar que para la Ingeniería las matemáticas ya están establecidas y es el
trabajo del Ingeniero de Minas hacer uso de múltiples promagramas que disminuyan el
tiempo con los cálculos.

VI
 Introducción

En el presente trabajo desarrollaremos el primer tema del curso: "LA TEORÍA DE

MARKOV", siendo este de suma importancia por reducir la toma de desiciones y disminuirlo
al mínimo y cuando de trabajo se trata, busca optimizar mediante modelos matemáticos.
Esta Teoría funciona mediante procesos estocásticos, esto quiere decir que es un concepto
matemático que sirve para usar magnitudes aleatorios que varían con el tiempo o para
caracterizar una sucesión de variables aleatorias que evolucionan en función a otra variable,
generalmente el tiempo. En el Sector Minero estamos rodeados de múltiples decisiones, y es
el Ingeniero quien toma las elecciones más convenientes y para lo cual debe de optimizar la
cantidad de decisiones y por ende reduce el tiempo.

VII
“El futuro tiene muchos nombres. Para los débiles es lo Apéndice
inalcanzable. Para los temerosos, lo desconocido. Para los Capítulo
valientes es la oportunidad”

1
— Víctor Hugo

Generalidades

1.1 OBJETIVOS

1.1.1 Objetivo General

En este problema se tratará de reducir la cantidad de decisiones.

1.1.2 Objetivos Específicos

Se debe de elegir el Equipo adecuado entre entre las marcas Cat y Komatsu.

1.2 MARCO TEÓRICO

TEORIA DE DESICIONES

La toma de decisiones es una situación que está presente en nuestras vidas desde que
despertamos hasta que nos acostamos, nuestra vida está llena de elecciones unas más
difíciles que otras, con más o menos implicancia, pero al final estamos decidiendo. Es
por esta razón que desde hace bastante tiempo las personas vienen estudiando este tema,
tratando de facilitar la toma de decisiones y reducir el riesgo al mínimo posible cuando
de elegir se trata este trabajo busca optimizar la toma de decisiones a través de modelos
matemáticos que ayudan en el proceso y brindan resultados objetivos.

1.2.1 Elementos que caracterizan la Toma de Desiciones

Para que se dé una toma de decisiones se necesita que estén presentes los siguientes
elementos:
Sujeto, que es la persona que debe elegir la alternativa a seguir, en otras palabras es
el decisor.

1
Capítulo 1. Generalidades

Alternativas y/o cursos de acción a seguir, mínimamente deben ser 2 para que pueda
darse la elección o decisión.
Criterio, que sirve de base para determinar la alternativa a seguir.
Posibles estados
Posibles efectos.
Relación entre acciones y efectos.

1.2.2 Tipo de Desiciones

Decisiones en condiciones de certeza.

Decisiones en condiciones de riesgo.
Decisiones en condiciones de incertidumbre.

Fuente: Elaboración propia

Tabla 1.1: Cuadro de tipos de desiciones

1.2.3 Teoría de Markov

El concepto de cadenas de Markov fue introducido en el año de 1905 por el matemático ruso
Andrey Andreyevich Markov. Nacido en Riazán, Rusia en 1856 fue ampliamente conocido
por sus trabajos en la teoría de números y teoría de probabilidades. Actualmente se le
considera como herramienta esencial para los siguientes casos:
Investigación de operaciones
Predicciones meteorológicas
Optimizar precios de productos y servicios
Marketing
Análisis de ciclo de negocio
Análisis de producto
Optimización de los modelos de planificación
Optimización de calidad de servicio al cliente
Predicción de pérdida de clientes

Universidad Nacional de San Cristóbal de Huamanga 2

Capítulo 1. Generalidades

Predicción del comportamiento de los consumidores

Optimización de las relaciones con los clientes
Optimización del rendimiento de los trabajadores
Modelos financieros para la optimización de acciones
Análisis de juegos como el béisbol
Reconocimientos de patrones
Optimización de inventarios
Las cadenas de Marcov son modelos probabilísticos que se usan para predecir la evolución
y el comportamiento a corto a largo plazo de determinados sistemas. Ejemplo: Reparto
de mercado entre marcas; dinámica de las averías de maquinas para decidir política de
mantenimiento; evolución de una enfermedad, etc.

1.2.3.1 Definición

Una cadena de Markov es una sucesión de ensayos similares u observaciones en la cual cada
ensayo tiene el mismo número finito de resultados posibles y en donde la probabilidad de
cada resultado para un ensayo dado depende sólo del resultado del ensayo inmediatamente
precedente y no de cualquier resultado previo. Del mismo modo, el análisis a través de
las cadenas de Markov se puede definir como una manera de examinar el comportamiento
actual de alguna variable en un esfuerzo por pronosticar el comportamiento futuro de ésa
misma variable. Representa un sistema que varía su estado a lo largo del tiempo, siendo
cada cambio una transición del sistema. Estos cambios no están predeterminados, aunque sí
lo está la probabilidad del próximo estado en función de los anteriores, siendo esta constante
a lo largo del tiempo. Una cadena de markov (CM) es:
Un proceso estocástico.
Con un número finito de estados.
Con probabilidades de estación estacionarias.
Que tiene propiedad mrakoviana.

1.2.3.2 Procesos Estocásticos

Se define como una colección de variables aleatorias Xt : tεT parametrizada por un

conjunto T, llamado espacio parametral, y con valores en un conjunto S llamado espacio de
estados. En los casos más sencillos se toma como espacio parametral el conjunto discreto
T = {1, 2, 3, 4, 5...} o bien el conjunto continuo y estos se interpretan como tiempos. Se dice
que el proceso es a tiempo discreto cuando utiliza el primer conjunto y de tiempo continuo
cuando utiliza el segundo conjunto. Los posibles espacios de estados que se consideran son
subconjuntos de números enteros Tenemos diferentes tipos de procesos estocásticos:
Procesos de ensayos independientes.
Procesos de Markov.
Procesos con incrementos independientes.
Procesos estacionarios.

Universidad Nacional de San Cristóbal de Huamanga 3

Capítulo 1. Generalidades

Procesos con incrementos estacionarios.

Procesos de Levy
Procesos gausianos.
Ejemplos del proceso estocásticos:
Serie mensual de ventas de un producto.
Estado de una máquina al final de cada semana (funciona/averiada).
N o de clientes esperando en una cola cada 30 segundos.
Marca de detergente que compra un consumidor cada vez que hace la compra. Se
supone que existen 7 marcas diferentes.
N o de unidades en almacén al finalizar la semana.

1.2.3.3 Elementos claves de una Cadena de Markov

1. Estados: Se define como una caracterización cualitativa o cuantitativa de una situación

en que se halla el sistema en un instante dado.
2. Matriz de transición (T): Matriz cuadrada con tantas filas y columnas como estados
tiene el sistema. Sus elementos representan las probabilidades de que un estado (fila)
permanezca en el mismo o cambie a los siguientes estados (columnas). La suma de
probabilidades por fila debe ser igual a 1.
3. Composición actual de los estados: Se utiliza para encontrar la composición de dichos
estados proyectada en un periodo n. Los estados que pueden ocurrir llegan a ser de
diferentes tipos, como son:
Estado absorbente: Una vez que el proceso entra en este estado, permanecerá
ahí indefinidamente. Es decir, la probabilidad de hacer una transición fuera de
ese estado es igual a cero.
Estado de transición. Sus probabilidades están cambiando constantemente res-
pecto al periodo anterior.

1.3 SOFTWARE QM FOR WINDOWS

El software POM-QM (Production and Operations Management, Quantitative Methods) es
una herramienta que contiene los principales métodos cuantitativos para las asignaturas
de Investigación de operaciones. El orden en que exploraremos el software, será en base al
orden en que están orientados los temas en las asignaturas de Investigación de operaciones,
y para ejemplificar el uso del software.

1.3.1 Definición del problema:

El primer paso en el enfoque cuantitativo es desarrollar un enunciado claro y conciso acerca

del problema. Este enunciado dará dirección y significado a los siguientes pasos. En muchos
casos, definir el problema es el paso más importante y más difícil. Es esencial ir más allá de
los síntomas del problema e identificar las causas reales.

Universidad Nacional de San Cristóbal de Huamanga 4

Capítulo 1. Generalidades

1.3.2 Desarrollo de un modelo:

Un modelo es una representación (casi siempre matemática) de una situación. Lo que

diferencia el análisis cuantitativo de otras técnicas es que los modelos que se usan son
matemáticos. Un modelo matemático es un conjunto de relaciones matemáticas. Casi
siempre, estas relaciones se expresan como ecuaciones y desigualdades, ya que se encuentran
en un modelo de hoja de cálculo que suma, saca promedios o desviaciones estándar.

1.3.3 Recolección de datos:

Una vez desarrollado un modelo, debemos obtener los datos que se usarán en él (datos de
entrada). La obtención de datos precisos para el modelo es fundamental; aun cuando el
modelo sea una representación perfecta de la realidad, los datos inadecuados llevarán a
resultado equivocados.

1.3.4 Desarrollo de una solución:

El desarrollo de una solución implica la manipulación del modelo para llegar a la mejor
solución (óptima) del problema. En algunos casos, esto requiere resolver una ecuación
para lograr la mejor decisión. En otros casos, se podría usar el método de ensayo y error,
intentando varios enfoques y eligiendo aquel que resulte en la mejor decisión. La precisión
de una solución depende de la precisión de los datos de entrada y del modelo.

1.3.5 Pruebas de solución:

Antes de analizar e implementar una solución, es necesario probarla cabalmente. Como la

solución depende de los datos de entrada y el modelo, ambos requieren pruebas. El modelo
se puede verificar para asegurarse de que sea lógico y represente la situación real.

Universidad Nacional de San Cristóbal de Huamanga 5

Capítulo 1. Generalidades

Fuente: Google EARTH

Figura 1.1: Diagrama de aplicación del Software

Universidad Nacional de San Cristóbal de Huamanga 6

Capítulo 1. Generalidades

Fuente: Google EARTH

Figura 1.2: Ventana de comandos del Software QM

Universidad Nacional de San Cristóbal de Huamanga 7

“Cuando amamos, siempre nos esforzamos por ser mejores Apéndice
de lo que somos. Cuando nos esforzamos por ser mejor de Capítulo
lo que somos, todo a nuestro alrededor se vuelve mejor”

2
— El Alquimista de Paulo Coelho

Estado del Arte

2.0.1 Análisis de los resultados y análisis de sensibilidad:

El análisis de resultados comienza con la determinación de las implicaciones de la solución.

En la mayoría de los casos, una solución a un problema causará un tipo de acción o cambio
en la forma en que opera una organización. Las implicaciones de tales acciones o cambios
deben determinarse y analizarse antes de implementar los resultados.

2.0.2 Implementación de los resultados:

Es el proceso de incorporar la solución a la compañía y suele ser más difícil de lo que se

imagina. Incluso si la solución es óptima y dará ganancias adicionales de millones de dólares,
si los gerentes se oponen a la nueva solución, todos los efectos del análisis dejan de tener
valor.

8
Capítulo 2. Estado del Arte

Fuente: Google EARTH

Universidad Nacional de San Cristóbal de Huamanga 9

Capítulo 2. Estado del Arte

Fuente: Elaboración propia

Figura 2.2: Datos

2.1 ANÁLISIS DE VENTAJAS Y DESVENTAJAS EN LOS PROC

Para poder crear una cadena de Markov se requieren llevar a cabo las siguientes etapas:

Desarrollo de la matriz de probabilidades de transición

Descripción de los estados

Determinar las probabilidades de estado estable.

Por lo cual, se desarrollará mediante el método de las ecuaciones y luego Software.

2.2 Mediante Sistema de Ecuaciones

En la mina TERESITA, se debe decidir entre 2 marcas de Scooptram (CAT, KOMATSU).

Para ello:
a) Cuando el grupo decide CAT existe una probabilidad de 0.8 que lo seguiran eligiendo.
b) Cuando una parte del grupo decide KOMATSU, existe una probabilidad de 0.6 que

Universidad Nacional de San Cristóbal de Huamanga 10

Capítulo 2. Estado del Arte

elegirán CAT.
Fuente: Elaboración propia

Tabla 2.1: Datos

Para la matriz de decisión de 2x2 se plantea la siguiente ecuación.

π0 =probabilidad de eleguir CAT.
Fuente: Elaboración propia

Figura 2.3: Sistema de Ecuaciones

π0 =probabilidad de eleguir KOMATSU.

2.3 Software QM for Windows

1.-Se selecciona en el módulo free (Markov Analysis), se elige el título, el número de estados
y se da clic en OK.

Universidad Nacional de San Cristóbal de Huamanga 11

Capítulo 2. Estado del Arte

Fuente: Elaboración propia

Figura 2.4: Datos

2.-Se cambia el nombre de los estados y se llena los datos brindados.

Fuente: Elaboración propia

Figura 2.5: Datos

Universidad Nacional de San Cristóbal de Huamanga 12

Capítulo 2. Estado del Arte

Fuente: Elaboración propia

Figura 2.6: Datos

3.- Selección de opción Solve:

4.-Obtención de resultados: 3.- Selección de opción Solve:

Fuente: Elaboración propia

Figura 2.7: Datos

Luego en una selección de 5 equipos Scooptram de 17 y 18 toneladas

de direntes marcas reconocidas en el mercado de la Insdustría Minera.

Universidad Nacional de San Cristóbal de Huamanga 13

Capítulo 2. Estado del Arte

Fuente: Elaboración propia

Figura 2.8: Datos

Fuente: Elaboración propia

Figura 2.9: Datos

Universidad Nacional de San Cristóbal de Huamanga 14

Capítulo 2. Estado del Arte

Fuente: Elaboración propia

Figura 2.10: Datos

Fuente: Elaboración propia

Figura 2.11: Datos

Universidad Nacional de San Cristóbal de Huamanga 15

Conclusiones y Recomendaciones

CONCLUSIONES

1. Mediante el desarrollo de las ecuaciones y el Software se determinó los resultados 0.25

y 0.75, siendo la elección más conveniente el próximo a la unidad.

2. Se determinó que la mejor elección es el equipo CAT y seguido por el equipo KO-
MATSU.

3. También se pudo seleccionar el Scooptram apropiado, siendo elegido el equipo EPI-

ROC(ST18).

4. Es una desventaja el procedimiento manual de un sistema de ecuaciones lineles con

más de 3 variables.

5. Es una ventaja el uso del Software para la resolución de un sistema complejo de

ecuaciones de más de 2 varibles.

6. Las matemáticas como los algoritmos en la Ingeniería ya están establecidas, es el

trabajo del Ingeniero hacer uso de herramientas que faciliten los procesos complejos
que pueden existir mendiante el uso de diversos Software.

16
Conclusiones y Recomendaciones

RECOMENDACIONES

1. Se sugiere elegir a los equipos que estén más cerca a la unidad.

2. Se recomienda la selección de un tercer o más equipos para una mejor prueba.

3. Se puede prentender realizar la aplicación del Software en equipos de más 5 y realizar

la selección apropiada. También con Equipos de con otro tipo de funciones.

4. Se recomienda el uso del Software para encontrar la soluciones de ecuaciones lineales

con múltiples variables.

5. Hacer uso de otro tipo de Software que realice la selección óptima de las variables y
comparar las respuestas con las nuestras.

Universidad Nacional de San Cristóbal de Huamanga 17

 Referencias Bibliográficas

Liberatore, S., Sechi, G., and Zuddas, P. (1998). A genetic algorithm approach for water
system optimization. In AICE Annual Conference.

MVCS (2018). Programa Nacional de Saneamiento Urbano. Ministerio de Vivienda,

Construcción y Saneamiento (MVCS).

Quagliarella, D., Périaux, J., Poloni, C., and Winter, G. (1997). Genetic algorithms and
evolution strategies in engineering and computer science. Jhon Wiley & Sons.

18