Académique Documents
Professionnel Documents
Culture Documents
Alumno:
Investigacion de operaciones 2
Unidad 4
1
ÍÍ NDÍCE
INTRODUCCIÓN…………………………………………………………………….3
CONCLUSIÓN………………………………………………………………………..14
BIBLIOGRAFIA……………………………………………………………………….14
2
ÍNTRODUCCÍOÍ N
En las cadenas de Markov considera ciertos puntos discretos en el tiempo , para toma
valores de 1, 2, 3,…. Y la variable aleatoria que caracteriza al sistema . Y la familia de las
variables aleatorias forma un proceso llamado proceso estocástico. Entonces las cadenas de
Markov se usan para estudiar ciertos comportamientos de largo y cortos plazos de sistemas
estocásticos.
Para un proceso de Markov es un sistema estocástico siempre que cumpla con la propiedad
Markoviana.
Las cadenas de Markov son modelos probabilísticos que se usan para predecir la evolución y
el comportamiento a corto y a largo plazo de determinados sistemas. Ejemplos: reparto del
mercado entre marcas; dinámica de las averías de máquinas para decidir política de
mantenimiento; evolución de una enfermedad.
Las cadenas de Markov se pueden aplicar en áreas como la educación, comercialización,
servicios
3
Formulación de las cadenas de Markov.
Probabilidades de transición.
4
Otro método para exhibir las probabilidades de transición es usar una matriz de
transición. . La matriz de transición para el ejemplo del diagrama de estados se muestra
en la tabla 4.1 .
Procesos estocásticos.
Ejemplo :
D 0 1 2 3 4 5 6
p( 0.3 0.7 0.9 0.9 0.9 0.9 1.0
D) 68 36 20 81 96 99 00
Para obtener P00 es necesario evaluar P Xt = 0 Xt-1 = 0 . Si Xt-1 = 0, entonces
Xt = máx. (3 Dt , 0 .
Por lo tanto Xt = 0 significa que la demanda durante la semana fue de tres o más
cámaras. Así, P00 = P Dt ≥ 3 = 1 P Dt ≤ 2 = 1 0.920 = 0.080, es la probabilidad de
que una variable aleatoria Poisson con parámetro = 1 tome el valor de 3 o más.
De manera similar se obtiene P10 como P10 = P Xt = 0 Xt-1 = 1 . Si Xt-1 = 1,
entonces Xt = máx. (1 Dt , 0 . Para obtener Xt = 0, la demanda durante la semana
debe ser 1 o más. Por esto, P10 = P Dt ≥ 1 = 1 P Dt = 0 = 1 0.368 = 0.632.
Para encontrar P21 = P Xt = 1 Xt-1 = 2 . Si Xt-1 = 2 y Xt = máx. (2 Dt , 0 , en
consecuencia Xt = 1; entonces la demanda durante la semana tiene que ser exactamente
1, y la probabilidad debe ser de menos de 1.
Esto significa que P21 = P Dt ≤ 1 = P Dt = 0 = 0.368.
Los elementos restantes se obtienen en forma similar, lo que lleva a la siguiente
matriz de transición (de un paso):
0 1 2 3
0 1 – p(2) = . (1 – p(1)) – (1 – p(2)) = (1 – p(0)) – (1 – p(1)) = p(0) =
1 1 – 080
p(0) = . 0.184
p(0) = 0.368 0.368
0 0.368 0
2 632
1 – p(1) = . (1 – p(0)) – (1 – p(1)) = p(0) = 0.368 0
3 1 – 264
p(2) = . 0.368
(1 – p(1)) – (1 – p(2)) = (1 – p(0)) – (1 – p(1)) = p(0) =
080 0.184 0.368 0.368
Probabilidad de transición estacionaria de 1 paso.
p
0 1 2 3
0 . . . .
1 08 . 18
. 36
0 36
0
2 63 . 36
. . 0
3 26 . 36
. 36
. .
08 18 36 36
Las ecuaciones de Chapman-Kolmogorov proporcionan un método para calcular
estas probabilidades de transición de n pasos:
( ) ( ) ( )
∑
( )
Note que las son los elementos de la matriz P(2) ,pero también debe observarse
que estos elementos ∑ se obtienen multiplicando la matriz de transición de un
(2) 2
paso por sí misma; esto es , p = p * p = p .
En términos más generales se concluye que la matriz de probabilidades de transi-
(n) n n-1 n-1
ción de n pasos se puede obtener de la expresión : p = p * p .... p = p = pp = p p.
Entonces, la matriz de probabilidades de transición de n pasos se puede obtener
calculando la n-ésima potencia de la matriz de transición de un paso. Para valores no muy
grandes de n, la matriz de transición de n pasos se puede calcular en la forma que se
acaba de describir, pero cuando n es grande, tales cálculos resultan tediosos y, más aún,
los errores de redondeo pueden causar inexactitudes.
Ejemplo :
(2) 2
Retomando el ejemplo de las cámaras, para p = p , se tiene:
2
p * p = p
0 1 2 3 0 1 2 3 0 1 2 3
0 . . . . . . . . . . . .
1 08
. 18
. 36
0 36
0 08
. 18
. 36
0 36
0 24
. 28
. 300
. 16
.
2 63 36 * 63 36 = 28 25 233 23
. . . 0 . . . 0 . . . .
3 26
. 36
. 36
. . 26
. 36
. 36
. . 35
. 31
. .233 09
.
Así, dado que se tiene una cámara al final de una semana, la probabilidad de que
( )
no haya cámaras en inventario dos semanas después es 0.283; es decir, .
De igual manera, dado que se tienen dos cámaras al final de una semana, la
probabilidad de que haya tres cámaras en el almacén dos semanas después es 0.097;
( )
esto es,
La matriz de transición de cuatro pasos también puede obtenerse como:
Así, dado que queda una cámara al final de una semana, 0.282 es la probabilidad
( )
de que no haya cámaras en inventario 4 semanas más tarde; es decir,
De igual manera, dado que quedan dos cámaras en el almacén final de una
semana, se tiene una probabilidad
( )
de 0.171 de que haya tres cámaras en el almacén 4
semanas después; esto es,
Teorema
(2)
Ejemplo :
Suponga que toda la industria de refrescos produce dos refrescos , A y B. Cuando
una persona ha comprado el refresco A, hay una probabilidad de 90 % de que su siguiente
compra sea de refresco A. Si una persona compró refresco B, hay un 80 % de
probabilidades que su próxima compra sea de refresco B.
Compra 2
Compra 1 Refresco Refresco pAA pAB .90 .10
p= =
Refresco A A
90% B
10% pBA pBB .20 .80
Refresco B 20% 80%
Entonces :
Ejemplo :
Cierta compañía se especializa en el arrendamiento de camiones a personas que
desean realizar sus propias mudanzas. El gerente de distribución de la compañía está
considerando la posibilidad de aplicar un “cargo por traslado” para cubrir el costo de enviar
camiones desde áreas en las que hay sobrantes a otras en las que se necesitan. Antes de
decidir si se debe aplicar el cargo por traslado al costo de arrendamiento de los camiones
que se dirigen a áreas en las que hay sobrantes, desea determinar la proporción del
número total de camiones que, a largo plazo, acabarán en cada una de las áreas de renta.
Si las proporciones son aproximadamente las mismas, el cargo por traslado será
innecesario. Si no es así, el cargo dependerá de la proporción del total que termine en
cada región. El gerente de distribución ha dividido la parte del país que atiende la
compañía en tres regiones: norte, centro y sur. De registros previos se ha determinado la
siguiente información, referente a la proporción de camiones que se rentan en
determinada región y dónde se entregan:
Región Región donde se
donde se devuelve
Nort Centr Sur
renta
Nort e20% o30% 50%
e 30% 40% 30%
Cent 20% 40% 40%
ro
M.C. José Alberto estrada Beltrán 8
En este momento 40% de los camiones están en el norte, 30% en el centro y 30%
en la región sur.
Dado el patrón de movimiento de los camiones, la compañía está interesada en
saber lo siguiente:
1. ¿ Qué proporción de camiones se encontrará en cada región después de un mes ?
¿ Después de dos meses ?
2. Qué proporción de los camiones estará en cada región en un período “largo” ?
DIAGRAMA DE ÁRBOL
Probabilidad
Ubicación Ubicación Ubicación de cada
en el en el en el ubicación
mes 0 mes 1 mes 2 enel mes 2
Norte 0.04
0.2
0.3
Norte Centro 0.06
0.5
Sur 0.10
0.2
Norte 0.09
Norte0.3
0.3Centro
0.4 Centro 0.12
0.3
Sur 0.09
0.5 Norte 0.10
0.2
0.4 Centro 0.20
Sur
0.4 Sur 0.20
La probabilidad de estar en el norte en cada uno de los tres meses (mes 0, 1 y 2)
está dada por:
( 0.2 ) * ( 0.2 ) = 0.04
Para determinar la probabilidad de que un camión se encuentre en el norte después
de dos meses, se suman las tres probabilidades de encontrarlo en el norte:
p ( estar en el norte dado que se encontraba en el norte en el mes 0 ) = 0.04 + 0.09 +
0.10 = 0.23
p ( estar en el centro dado que se encontraba en el norte en el mes 0 ) = 0.06 + 0.12 +
0.20 = 0.38
p ( estar en el sur dado que se encontraba en el norte en el mes 0 ) = 0.10 + 0.09 +
0.20 = 0.39
9
Utilizando notación matricial, los cálculos para el mes 1 son:
N C S
N C S N 0 0. 0 N C S
1 0 0 * C S 0. =0.3 0. 0. 0. 0.
0. 4
0. 0. 2 3 5
Vector de probabilidad Matriz. de4 transición
. Vector de probabilidad
para comenzar en el de un mes después de un mes
norte
Para el segundo mes, los cálculos son:
N C S
N C S N 0 0. 0. N C S
0. 0. 0. * C S 0. 3
=0. 5
0. 0.2 0.3 0.3
2 3 5 0. 4
0. 3
0. 36 77 87
Vector de probabilidad Matriz
. de
4 transición
4 Vector de probabilidad
Después de un mes de un mes después de dos meses
N C S N C S N C S
N C S N 0 0. 0 N 0 0 0 0.2 0.3 0.3
0. 0. 0. * C S * 0. 3
0. 0. C 0. 0. 0. = 36 77 87
4 3 3 0. 4
0. 0. S 0. 0. 0.
. 4 . . . .
Otro ejemplo:
S1 = 1 S2 S3
0.8 (1 S2 S3) + 0.3 S2 + 0.2 S3 = 0
0.4 (1 S2 S3) 0.7 S2 + 0.2 S3 = 0
0.4 (1 S2 S3) + 0.4 S2 0.4 S3 = 0
Esto significa que cuando se alcance el estado estable, es decir, cuando los
televidentes tengan bien definidas sus preferencias por las cadenas de televisión, el
22.72% verán la cadena NBS, el 27.27% de televidentes verán la cadena CBC y el 50%
restante verán la cadena ABS.
Estos resultados tan bajos para las expectativas de la cadena NBS hacen que Mark
Goldman pueda tomar decisiones al respecto.
CONCLUSÍOÍ N
Como conclusión las cadenas de Markov nos permite hacer análisis sobre el
estudio de los comportamientos de ciertos sistemas en ciertos periodos que pueden ser
cortos o largos. Además se tiene una relación con las probabilidades absolutas. Pero sin
embargo lo más importante es el estudio del comportamiento sistemas a largo plazo,
cuando el número de transiciones tiene al infinito.
Al conocer más o menos las probabilidades de un experimento, esto a su vez nos
permitirá conocer a corto yplazo los estados en que se encontrarían en periodos o tiempos
futuros y tomar decisiones que afectarán o favorecerán nuestros intereses, y tomar una
decisión de manera consciente y no se comentan muchos errores.
Esto también nos proporcionara un tiempo estimado para que identifiquemos cada
estado y el periodo en que se encuentra con la implementación de un proceso, también se
establece las probabilidades como una herramienta más en las cadenas de Markov.