Sistema

Qu entendemos por Sistemas?

Sistema
Es lo que se denomina como conjunto de un
todo; y el sistema a su vez se compone de
subsistemas que estn delimitados y existen
dentro de la misma esfera del sistema pero
como sub-divisiones.
Sistema
El aspecto ms importante del concepto de
sistemas es la idea de un conjunto de elementos
interconectados, para formar un todo que presenta
propiedades y caractersticas propias que no se
encuentran en ninguno de los elementos aislados.
Sistemas
Un sistema posee organizacin, unidad global y
nuevas propiedades, por lo que debemos recordar
que el todo es mayor que la suma de sus partes.
Principios de Sistemas (Jonson, Kast y Rosenzwing )
El todo es primero y las partes son secundarias.
La integracin es la condicin de la interrelacionalidad de las
muchas partes dentro de una.
Las partes as constituidas forman un todo indisoluble en el cual
ninguna parte puede ser afectada sin afectar todas las otras
partes.
El papel que juegan las partes depende del propsito para el
cual existe el todo.
El todo es cualquier sistema que se conduce como una pieza
nica, no importando qu tan compleja sea.
La totalidad debe empezar como una premisa y las partes, as
como sus relaciones, debern evolucionar.
Modelo
Qu entendemos por Modelos?
Modelo
Definicin de Modelos.

Un modelo es una representacin ideal de un sistema real
y de la forma como opera o funciona. Un modelo es una
abstraccin selectiva de la realidad.

El modelo, se define como una funcin objetivo con
restricciones que se expresan en trminos de las variables
(alternativas) de decisin del problema.
Modelo
El objetivo de un modelo es analizar el comportamiento
del sistema, o bien predecir su comportamiento futuro.
Obviamente los modelos no son tan complejos como el
sistema mismo, de tal manera que se hacen las
suposiciones y restricciones necesarias para representar
las porciones mas relevantes del mismo.

No habra ventaja alguna de utilizar modelos si estos no
simplificaran la situacin real. En muchos casos
podemos utilizar modelos matemticos que, mediante
letras, nmeros y operaciones, representan variables,
magnitudes y sus relaciones.
Modelo
Un modelo de decisin debe considerarse como un
vehculo para resumir un problema de decisin, en forma tal
de que haga posible la identificacin y evaluacin sistemtica
de todas las alternativas de decisin del problema. Despus
se llega a una decisin seleccionando la alternativa ptima,
que ser la mejor entre todas las opciones o soluciones
disponibles.
Representacin del Modelo
Conceptual
Cuando se representa la situacin real por una descripcin
cualitativa bien organizada, que permite la medicin de sus
factores.
Matemtico
Se refiere a una representacin numrica por aspectos lgicos y
estructurados con aspectos de la ciencia matemtica. Pueden
ser nmeros, letras, imgenes, smbolos. Por ejemplo si se
refiere a un modelo grfico de matemticas, se observan
imgenes y grficas matemticas, que representan a un modelo
numrico y de ecuaciones, los cuales son expresiones visuales
basadas en aspectos cuantificables y de la ciencia matemtica.
Representacin del Modelo
Fsico
Basado en aspectos de la ciencia fsica, de aquellos
movimientos de los cuerpos, y que adems es
cuantificable. Estos modelos generalmente representan el
fenmeno estudiado utilizando las mismas relaciones
fsicas del prototipo, pero reduciendo su escala para
hacerlo manejable. Por ejemplo, pertenecen a este tipo de
modelo las representaciones a escalas reducidas.
Clasificacin de Modelos
Los modelos matemticos pueden clasificarse de la
siguiente manera:

a) Modelo Determinsticos:
Cuando se conoce los datos de manera puntual y la forma
del resultado, no hay incertidumbre. Es decir, todos los
datos son conocidos. Se aplica a los siguientes tipos de
problemas de: Programacin lineal, programacin entera,
programacin no lineal, teora de redes, transporte, de
asignacin, programacin por metas, teora de inventarios,
etc.
Clasificacin de Modelos
Los modelos matemticos pueden clasificarse de la
siguiente manera:

b) Modelo Probabilstico o Estocstico:
Cuando no se conoce el resultado esperado, sino
su probabilidad y existe por lo tanto incertidumbre. Se
aplica a los siguientes tipos de problemas, como: Cadenas
de Markov, teora de juegos, lneas de espera, inventarios
con demanda probabilstica, etc.
Tipos de Modelos
En base al origen de la informacin utilizada
Modelos Heursticos
Modelos Empricos
En base al campo de aplicacin
Modelo Matemtico de Optimizacin
Modelo de Simulacin
Modelo de Control
Modelo Mixto Operacional Estadstico

Tarea: Investigar cada uno de los tipos de modelos y proporcionar al
menos un ejemplo de cada uno de ellos.
Investigacin de Operaciones
La investigacin de operaciones aspira a determinar
la mejor solucin (ptima) y el mejor curso de accin
de un problema de decisin con la restriccin de
recursos limitados.

El trmino investigacin de operaciones muy a
menudo est asociado casi en exclusiva con la
aplicacin de tcnicas matemticas, para
representar por medio de un modelo y analizar
problemas de decisin.

Aunque la labor consiste mas en resolver un
problema que en construir y resolver modelos
matemticos. Los problemas de decisin suelen
incluir importantes factores intangibles que no se
pueden traducir directamente en trminos del
modelo matemtico.
Investigacin de Operaciones
Ejemplo del tipo de problemas de los que se ocupa:
Supongamos que tenemos que instalar un nuevo sistema
informtico a lo largo de las cinco prximas semanas en
una empresa de Monterrey. Nuestro jefe ha decidido que
volemos los lunes a MTY y que regresemos los mircoles.
Un billete de ida y vuelta normal vale 400 USD, pero
podemos conseguir un descuento del 20% si las fechas
del billete incluyen un fin de semana. El billete sencillo
vale 300 USD. Debido a la disponibilidad de billetes
solamente podemos optar por una de las tres opciones
siguientes:
Investigacin de Operaciones
1. Comprar cinco billetes normales GDL-MTY-GDL
(2000 USD).
2. Comprar un billete sencillo GDL-MTY, cuatro
MTY-GDL-MTY, incluyendo los fines de semana
y uno MTY-GDL (1880 USD).
3. Comprar un billete GDL-MTY-GDL que incluye el lunes
de la primera semana y el mircoles de la ltima y
cuatro MTY-GDL-MTY que abarquen los fines de semana
para cubrir el resto de periodos (1600 USD).
Investigacin de Operaciones
Tenemos por tanto que tomar un decisin basndonos
en algn criterio objetivo, como por ejemplo, elegir la
alternativa ms econmica, lo cual nos llevara a optar
por la tercera de las combinaciones.

Este ejemplo proporciona las componentes principales
de un modelo de investigacin de operaciones: las
alternativas, las restricciones y un criterio objetivo
para elegir la mejor opcin.
Investigacin de Operaciones
Un modelo matemtico comprende principalmente tres
conjuntos bsicos de elementos. 1) variables y
parmetros de decisin, 2) restricciones y 3) funcin
objetivo.

Variables y parmetros de decisin. Las variables de
decisin son las incgnitas (o decisiones) que deben
determinarse resolviendo el modelo. Los parmetros son
los valores conocidos que relacionan las variables de
decisin con las restricciones y funcin objetivo. Los
parmetros del modelo pueden ser determinsticos o
probabilsticos.
Investigacin de Operaciones
Restricciones. Para tener en cuenta las limitaciones
tecnolgicas, econmicas y otras del sistema, el modelo
debe incluir restricciones (implcitas o explcitas) que
restrinjan las variables de decisin a un rango de
valores factibles.

Funcin objetivo. La funcin objetivo define la medida
de efectividad del sistema como una funcin
matemtica de las variables de decisin.

La solucin ptima ser aquella que produzca el mejor
valor de la funcin objetivo, sujeta a las restricciones.
Investigacin de Operaciones
Ejemplo
Cules seran los componentes si buscamos
desarrollar el caso de ingreso de alumnos a la UMG?
Variables
Parmetros
Restricciones
Funcin objetivo
Solucin ptima
Investigacin de Operaciones
Generalmente las alternativas del problema adoptan la
forma de variables desconocidas. Despus estas
variables se utilizan para construir en forma de
funciones matemticas tanto las restricciones como la
funcin objetivo. El resultado final es un modelo
matemtico que relaciona las variables, las restricciones
y la funcin objetivo. La solucin del modelo consiste
en dar el valor de las variables de la decisin que
optimizan (maximizan o minimizan) el valor de la
funcin objetivo a la vez que satisfacen el conjunto de
restricciones. La solucin resultante se suele denominar
solucin posible ptima.
Investigacin de Operaciones
Definicin.

LA INVESTIGACION DE OPERACIONES ES LA APLICACIN,
POR GRUPOS INTERDISCIPLINARIOS, DEL MTODO
CIENTFICO A PROBLEMAS RELACIONADOS CON EL
CONTROL DE LAS ORGANIZACIONES O SISTEMAS (HOMBRE-
MQUINA) A FIN DE QUE SE PRODUZCAN SOLUCIONES QUE
MEJOR SIRVAN A LOS OBJETIVOS DE TODA LA
ORGANIZACIN.
Investigacin de Operaciones
BENEFICIOS DE UN PROYECTO DE INVESTIGACIN
DE OPERACIONES:

Incrementa la posibilidad de tomar mejores decisiones.
Mejora la coordinacin entre los mltiples componentes
de la organizacin.
Mejora el control del sistema.
Investigacin de Operaciones
Algunos de los ya considerados problemas prototipo en el
campo de la Investigacin de Operaciones son:

1. Problemas de Asignacin y Distribucin de Recursos. Se
trata de asignar recursos escasos a una serie de tareas para
realizar de la mejor manera posible una serie de trabajos. Por
ejemplo, problemas de mezclas de productos (elaboracin de
dietas), problemas de inversiones, distribucin de materiales,
etc...
Investigacin de Operaciones
2. Problemas de Inventarios. Son aquellos en los que se
desea establecer el nivel de inventario que debe
mantenerse en una empresa. Se incluyen aqu los
problemas relacionados con la gestin de embalses.

3. Problemas de Mantenimiento, Reemplazamiento y
Fiabilidad. El objetivo aqu es el mantenimiento de los
equipos industriales, militares, e incluso sociolgicos. Estos
equipos suelen deteriorarse con el tiempo, esto implica
tomar decisiones sobre si interesa o no reemplazar
determinadas piezas del equipo, y de hacerlo, decidir en
qu momento.
Investigacin de Operaciones
4. Problemas de Colas. Este tipo de problemas surge
cuando una serie de tems acceden a un sistema en
demanda de un servicio. El objetivo es disear el centro de
servicio para optimizar criterios como, minimizar el tiempo
de espera, minimizar costes, etc.

5. Problemas de Rutas de Vehculos. El problema clsico
de rutas de vehculos consiste en disear un conjunto de
rutas de mnimo coste para un conjunto de vehculos, que
deben servir un determinado producto a un conjunto de
clientes, cuyas demandas y localizaciones son conocidas.
Investigacin de Operaciones
6. Problemas de Secuenciacin de Actividades. Se trata
de decidir en qu orden deben realizarse un conjunto de
tareas en un conjunto de mquinas, teniendo en cuenta
que dichas tareas suelen estar sujetas a relaciones de
precedencia.
.
Fases de un Proyecto de
Investigacin de Operaciones
1. Formulacin y definicin del problema.
2. Construccin del modelo.
3. Solucin del modelo.
4. Validacin del modelo.
5. Implementacin de resultados.
Formulacin de los Problemas
En la investigacin de operaciones como en la medicina, el
problema se empieza por los sntomas, no por el diagnstico. En
todo estudio de investigacin de operaciones se deben buscar el
mayor nmero de sntomas antes de empezar el proyecto que
genera soluciones.
Formular un problema requiere:
Identificar los componentes controlables y no controlables de un
sistema.
Identificar posibles rutas de accin, dadas por las componentes
controlables.
Definir el marco de referencia dado por las componentes no
controlables.
Identificar las interrelaciones importantes entre las diferentes
componentes del sistema.
Construccin del Modelo
En esta fase, el investigador de operaciones
debe decidir el modelo a utilizar para
representar el sistema. Debe ser un modelo
tal que relacione a las variables de decisin
con los parmetros y restricciones del
sistema. Los parmetros (o cantidades
conocidas) se pueden obtener ya sea a
partir de datos pasados o estimados por
medio de algn mtodo estadstico.

Es recomendable determinar si el modelo
es probabilstico o determinstico.

Construccin del Modelo
En la investigacin de operaciones existen tres tipos de
modelos: ICNICOS, ANALGICOS Y SIMBLICOS.

Los modelos ICNICOS son imgenes a escala del sistema
cuyo problema se quiere resolver. Por ejemplo, las
fotografas, las maquetas, dibujos y modelos a escala de
barcos, automviles, aviones, canales, etc.

Los modelos ANALGICOS se basan en la representacin
de las propiedades de un sistema cuyos problemas se
quieren resolver utilizando otro sistema cuyas propiedades
son equivalentes, por ejemplo las propiedades de un
sistema hidrulico son equivalentes a las de un sistema
elctrico o inclusive econmico.

Construccin del Modelo
Los modelos SIMBLICOS son conceptualizaciones
abstractas del problema real a base del uso de letras,
nmeros, variables y ecuaciones, ste tipo de modelos
son fciles de manipular y se puede hacer con ellos un
gran nmero de experimentos.




De las tres clases de modelos los SIMBLICOS son
los ms econmicos de construir y operar.
Grados de Dificultad en la
Construccin de Modelos
GRADO DE DIFICULTAD 1: La estructura del sistema
es sencilla de observar, analizar, entender y modelar a
simple vista y/o como consecuencia de plticas
realizadas con el grupo de individuos que componen el
sistema.

GRADO DE DIFICULTAD 2 : La estructura del sistema
es ms complicada de modelar y, por lo tanto, se
requiere de un sistema anlogo cuya modelacin cae
dentro del grado de dificultad anterior.

Grados de Dificultad en la
Construccin de Modelos
GRADO DE DIFICULTAD 3 : La estructura del sistema
puede deducirse o aproximarse sobre la base de un
anlisis de cierta informacin, por ejemplo el estudio
del trfico de una ciudad puede modelarse a datos que
se obtienen por observacin directa de automviles y
peatones, en un determinado lugar y periodo de
tiempo.
Grados de Dificultad en la
Construccin de Modelos
GRADO DE DIFICULTAD 4 : La estructura del sistema
no se puede deducir, sino nicamente aproximar a
base de pura experimentacin, ste es el caso por
ejemplo de la calendarizacin de la produccin de un
nuevo producto, cuyo propsito de mercado, se ha
inferido sobre la base de la venta de un producto
similar de una compaa adversaria (experimentacin
de mercado).
Grados de Dificultad en la
Construccin de Modelos
GRADO DE DIFICULTAD 5 : La estructura del sistema
no se puede deducir (ya sea por falta de datos o de
experimentos) y, por lo tanto, se conceptualiza una
estructura artificial, por ejemplo de los modelos que los
Estados Unidos han utilizado en su simulacin de
ataques nucleares, ocasionados por una supuesta
guerra. Otro ejemplo son los modelos que el FBI
desarrolla para el control de motines callejeros.
Solucin del Modelo
Una vez que se tiene el modelo, se procede a derivar
una solucin matemtica empleando las diversas
tcnicas y mtodos para resolver problemas y
ecuaciones. Debemos tener en cuenta que las
soluciones que se obtienen en este punto del proceso
son matemticas y debemos interpretarlas en el mundo
real. Adems, para la solucin del modelo, se deben
realizar anlisis de sensibilidad, es decir, ver cmo se
comporta el modelo ante cambios en las
especificaciones y parmetros del sistema.
Validacin del Modelo
Antes de prestar demasiada atencin a la solucin
obtenida tras resolver un modelo que se haya construido,
se debe comprobar que se ha modelado lo que se
pretenda.
Asumiendo que no hay errores de tipo sintctico
(generalmente los paquetes informticos los detectan)
existen tres salidas que en general se recorrern
sucesivamente:
El modelo sea incompatible
El modelo no est acotado
El modelo sea resoluble
Validacin del Modelo
Modelo Incompatible
Un modelo no tiene solucin si existen restricciones contradictorias. Por
ejemplo, las siguientes restricciones haran el modelo irresoluble:

X1 + X2 <= 1
X1 + X2 >= 1

En la prctica esta situacin no ser tan evidente. El programa intentar
resolver hasta que detecte la incompatibilidad. En algunos casos la
indicar, aunque no es lo habitual.

En pocas ocasiones la incompatibilidad ser debida a que el problema
real no tiene solucin, aunque en la mayor parte de casos es debido a
que se ha formulado mal el problema.
Validacin del Modelo
Modelos No Acotados
Se dice que un problema no est acotado si su funcin
objetivo se optimiza cuando alguna variable tiende a
infinito.

Mientras que en un modelo incompatible el problema es la
existencia de demasiadas restricciones, en un problema
no acotado faltan restricciones. Generalmente
restricciones fsicas obvias que han sido olvidadas o
relaciones entre variables no consideradas.
Validacin del Modelo
Modelo Resoluble
Cuando un modelo no es incompatible y es acotado se conoce
como un modelo resoluble. Cuando se obtenga la solucin
ptima de un modelo resoluble lo primero que hay que hacer es
comprobar que sta es lgica. Si no lo fuera el modelo sera
errneo. El sentido comn es el mejor aliado en este caso.

Para comprobar que los resultados son lgicos existen mltiples
maneras. Una es modificar de manera sistemtica los costos en
la funcin objetivo (o las limitaciones en las restricciones) para
comprobar que se puede modificar la solucin modificando los
coeficientes.

Validacin del Modelo
Modelo Resoluble

Si el resultado es lgico deberamos compararlo con un
resultado real, podra ser que el modelo fuera demasiado
restrictivo (aunque no llegue a ser incompatible) o
demasiado laxo (aunque no llegue a ser no acotado)

En muchos casos, este anlisis ya est conduciendo hacia
un mejor entendimiento del problema, y por tanto, el
esfuerzo (aunque sin solucin) ya est siendo eficaz.
Validacin del Modelo
Modelo Resoluble

An llegado este punto caben dos situaciones, que el
modelo sea resoluble pero sus soluciones no sean
coherentes con el problema, y por ltimo que el modelo sea
resoluble y sus soluciones sean coherentes.

Si se alcanza este punto, el modelo est listo para ser
utilizado.
Validacin del Modelo
Los objetivos fundamentales del proceso de validacin
son:
- Producir un modelo que represente el comportamiento
de sistema real lo suficientemente prximo como para
que el modelo pueda sustituir al sistema con el objetivo
de experimentar determinados aspectos del mismo.

- Aumentar a un nivel aceptable la credibilidad del
modelo, para que sea aceptado por los gestores y
usuarios finales a nivel de toma de decisiones sobre los
resultados proporcionados por dicho modelo.
Dificultades de la Validacin
1. No existe la Validacin General.
No se puede decir que un modelo vlido para un propsito lo tenga que ser
necesariamente para otros.
2. Puede no existir mundo real con el que comparar.
3. Cul es el mundo real?.
Diferentes personas pueden tener apreciaciones diferentes del mundo real,
conocidas como visiones del mundo.
4. A veces los datos obtenidos del mundo real no son
precisos.
5. No hay suficiente tiempo para verificar y validar
cualquier cosa.
6. Confianza no es validez.

Implementacin de Resultados

Una vez que hayamos obtenido la solucin o soluciones
del modelo, el siguiente y ltimo paso del proceso es
interpretar esos resultados y dar conclusiones y cursos
de accin para la optimizacin del sistema. Si el modelo
utilizado puede servir a otro problema, es necesario
revisar, documentar y actualizar el modelo para sus
nuevas aplicaciones.
Modelacin Matemtica del Problema
Una vez presentado el problema
cmo plantearlo cientficamente?
Modelacin Matemtica del Problema
Ejemplo: Dos empresas Mineras extraen dos tipos diferentes de minerales, los
cuales son sometidos a un proceso de trituracin, con tres grados: alto , medio y
bajo. Las compaas han firmado un contrato para proveer de mineral a una
planta de fundicin, cada semana, 12 toneladas de mineral de grado alto, 8
toneladas de grado medio y 24 toneladas de grado bajo. Cada una de las
empresas tiene diferentes procesos de fabricacin.
Mina Coste por da (miles de Euros) Produccin(toneladas/da)
Alto Medio Bajo
X 180 6 3 4
Y 160 1 1 6

Cuntos das a la semana debera operar cada empresa para cumplir el
contrato con la planta de fundicin?
Modelacin Matemtica del Problema
Debemos buscar una solucin que minimice el coste de
produccin de las empresas, sujeta a las restricciones impuestas
por el proceso productivo as como el contrato con la planta de
fundicin.



Traduccin del problema en trminos matemticos
1. definir las variables
2. las restricciones
3. el objetivo
Modelacin Matemtica del Problema
Variables
Representan las decisiones que puede
tomar la empresa:
Dx = nmero de das a la semana que la
empresa X produce
Dy= nmero de das a la semana que la
empresa Y produce
Notar que Dx>0 y Dy>0
Restricciones
Se recomienda primero plantear las
restricciones con palabras antes de pasar a
su formulacin matemtica
Restriccin 1. refleja el balance entre las
limitaciones productivas de la fbrica y el
contrato con la plante de fundicin
Grado
Alto 6Dx+1Dy>12
Medio 3Dx+1Dy>8
Bajo 4Dx+6Dy>24
Restriccin 2. das de trabajo disponibles a
la semana
Dxs5 y Dys5
Objetivo
Como objetivo buscamos minimizar el
costo
Modelacin Matemtica del Problema
La representacin completa del problema tomara la siguiente
forma:
Minimizar 180Dx+160Dy
Sujeto a:
6Dx+1Dy>12
3Dx+1Dy>8
4Dx+6Dy>24
Dxs5, Dys5
Dx>0, Dy>0
Modelacin Matemtica del Problema
Algunas reflexiones
Hemos pasado de la definicin del problema a su formulacin
matemtica.
Error de especificacin, el error ms frecuente consiste en descuidar
las limitaciones (restricciones, caractersticas de las variables, etc,)
En el ejemplo anterior:
a) Todas las variables son continuas (admitimos fracciones de da)
b) Existe un nico objetivo (minimizar los costes)
c) El objetivo y las restricciones son lineales

Las tres consideraciones anteriores nos llevan a lo que
denominamos un problema de Programacin Lineal PL
Modelacin Matemtica del Problema
El ejercicio anterior plantea un PROBLEMA DE DECISIN
Hemos tomado una situacin real y hemos construido su equivalente
matemtico MODELO MATEMTICO
Durante la formulacin del modelo matemtico nosotros consideramos el
mtodo cuantitativo que (esperanzadamente) nos permitir resolver el modelo
numricamente ALGORITMO
El algoritmo es un conjunto de instrucciones que siguiendo de manera gradual
producen una solucin numrica
Llegamos a una nueva definicin de Investigacin de Operaciones.
Ciencia para la representacin de problemas reales mediante modelos
matemticos que junto con mtodos cuantitativos nos permiten obtener una
solucin numrica a los mismos
Algunas reflexiones
El problema de la industria de
juguetes Galaxia
Galaxia produce dos tipos de juguetes:
* Space Ray
* Zapper

Los recursos estn limitados a:
* 1200 libras de plstico especial.
* 40 horas de produccin semanalmente.
El problema de la industria de
juguetes Galaxia
Requerimientos de Marketing.
* La produccin total no puede exceder de 800 docenas.
* El nmero de docenas de Space Rays no puede exceder al
nmero de docenas de Zappers por ms de 450.

Requerimientos Tecnolgicos.
* Space Rays requiere 2 libras de plstico y 3 minutos de
produccin por docena.
* Zappers requiere 1 libra de plstico y 4 minutos de produccin
por docena.

El problema de la industria de
juguetes Galaxia
Plan comn de produccin para:
* Fabricar la mayor cantidad del producto que deje mejores
ganancias, el cual corresponde a Space Ray ($8 de utilidad por
docena).
* Usar la menor cantidad de recursos para producir Zappers, porque
estos dejan una menor utilidad ($5 de utilidad por docena).

El plan comn de produccin consiste en:
Space Rays = 550 docenas
Zappers = 100 docenas
Utilidad = $4900 por semana

El problema de la industria de
juguetes Galaxia

El gerente siempre
buscar un esquema
de produccin que
incremente las
ganancias de su
compaa


El problema de la industria de
juguetes Galaxia
Solucin
Variables de decisin
* X1 = Cantidad producida de Space Rays (en docenas por semana).
* X2 = Cantidad producida de Zappers (en docenas por semana).

Funcin objetivo
* Maximizar la ganancia semanal.
El problema de la industria de
juguetes Galaxia
Modelo de Solucin
Max 8X1 + 5X2 (ganancia semanal)
Sujeto a:

2X1 + 1X2 <= 1200 (Cantidad de plstico)
3X1 + 4X2 <= 2400 (Tiempo de produccin)
X1 + X2 <= 800 (Limite produccin total)
X1 - X2 <= 450 (Produccin en exceso)
X
j
>= 0 , j= 1, 2. (Resultados positivos)
El problema de la industria de
juguetes Galaxia
USANDO UN GRFICO SE
PUEDEN REPRESENTAR
TODAS LAS RESTRICCIONES,
LA FUNCION OBJETIVO Y LOS
PUNTOS DE FACTIBILIDAD.
El problema de la industria de
juguetes Galaxia
1200
600
The Plastic constraint
Factible
Restriccin del plstico:
2X1+X2<=1200
X2
No Factible
Horas de
Produccin
3X1+4X2<=2400
Restriccin del total de produccin:
X1+X2<=800
600
800
Restriccin del
exceso de produccin:
X1-X2<=450
X1
El problema de la industria de
juguetes Galaxia
Resolucin grfica para encontrar la solucin ptima.
El problema de la industria de
juguetes Galaxia
600
800
1200
400 600 800
X2
X1
comenzar con una ganancia dada de = $2,000...
Utilid. = $ 000
2,
Entonces aumente la ganancia...
3, 4,
...y contine hasta que salga de la regin factible
Ganancia =$5040
El problema de la industria de
juguetes Galaxia
600
800
1200
400 600 800
X2
X1
Se toma un valor cercano al punto ptimo
Feasible
region
Regin
Factible

Regin no
factible
El problema de la industria de
juguetes Galaxia
Resumen de la solucin ptima

Space Rays = 480 docenas
Zappers = 240 docenas
Ganancia = $5040

* Esta solucin utiliza todas las materias primas (plstico) y
todas las horas de produccin.
* La produccin total son 720 docenas (no 800).
* La produccin de Space Rays excede a la de Zappers por solo
240 docenas y no por 450.
Cadenas de Markov


Cuando, conociendo el pasado y el
presente, el comportamiento
probabilstico del futuro inmediato
slo depende del estado presente
Cadenas de Markov
Consideremos un cajero que
atiende a las personas que
llegan a una sucursal bancaria
Pensemos que en la fila nunca
hay ms de tres personas
(incluyendo la que se atiende)
Supongamos que los clientes
no llegan en grupos
Entonces el nmero de
personas en la fila (incluyendo
la que se atiende) puede
tomar los valores 0, 1, 2, 3
Cadenas de Markov
Pensemos que el cajero tarda
al menos un minuto en atender
a un cliente y que en un
minuto dado no puede llegar
ms de un cliente al banco
Si observamos el nmero de
personas en la fila cada
minuto, esta cantidad puede:
Aumentar en 1, si llega otro
cliente antes de que atiendan
al que est en servicio
Disminuir en 1, si se termina
de atender al cliente y nadie
ms llega
Esto se repite a lo largo del da
Minuto 5
Minuto 6
Minuto 7
Minuto 8
Cadenas de Markov
Si podemos considerar que la cantidad de clientes en el prximo
minuto depende solamente de la cantidad de clientes en el minuto
actual, entonces podramos determinar la probabilidad de tener una
cierta cantidad de clientes en la fila en el prximo minuto
Para ello requeriramos solamente probabilidades condicionales del
tipo:
P(en el siguiente minuto haya i clientes | en este minuto hay j clientes)
A fin de poder calcular tales probabilidades, debemos contar con:
Informacin acerca de la velocidad con que atiende el cajero a los
clientes
Informacin sobre la cantidad de clientes que llega al banco por unidad
de tiempo
Cadenas de Markov
Una forma adecuada de
organizar dicha
informacin es mediante
una tabla o matriz
En los renglones
colocamos el nmero
actual de clientes
En las columnas, el
nmero de clientes en el
siguiente minuto
Llamemos X
n
al nmero
de clientes en el minuto n
0 1 2 3
0 0.5 0.5 0 0
1 0.25 0.5 0.25 0
2 0 0.7 0.2 0.1
3 0 0 0.4 0.6 C
l
i
e
n
t
e
s

e
n

e
l

m
i
n
u
t
o

n
Clientes en el minuto n+1
( )
12 1
2| 1 0.25
n n
p P X X
+
= = = =
Cadenas de Markov
Notemos que el primer rengln de la matriz
anterior indica las probabilidades de pasar a 0,
1, 2 o 3 clientes en la fila dado que ahora hay
cero clientes
Como estos valores representan todos los posibles
resultados, deben sumar 1
Lo mismo ocurre con los otros renglones
A una matriz que cumple con esta condicin se
le llama matriz estocstica (probabilstica)
Cadenas de Markov
Proceso Estocstico
Es una funcin aleatoria que vara en el tiempo
Sus valores no pueden ser predichos con exactitud, sino con
cierta probabilidad
Proceso o Cadena de Markov
Es un tipo importante de proceso estocstico que cumple con la
Propiedad Markoviana
Dicha propiedad implica que el comportamiento futuro del
proceso, dada la trayectoria que ha seguido en el pasado y
hasta el momento actual, depende nicamente de su situacin
presente
Esto implica que un proceso de Markov no tiene memoria
En el ejemplo, el proceso o cadena de Markov, X
n
, es el nmero
de clientes en la fila en el minuto n
Cadenas de Markov
Las cadenas de Markov y los procesos de
Markov son un tipo especial de procesos
estocsticos que poseen la siguiente propiedad:
Propiedad de Markov: Conocido el estado del
proceso en un momento dado, su
comportamiento futuro no depende del pasado.
Dicho de otro modo, dado el presente, el futuro
es independiente del pasado
Cadenas de Markov
Si se observa el valor de la cadena de Markov en una
cantidad a lo ms numerable de momentos: 0, 1, ..., n,
... entonces se dice que es de tiempo discreto
Estados de una cadena de Markov
Son los valores que puede asumir el proceso
En el ejemplo visto, los estados son 0, 1, 2 y 3
Probabilidades de transicin
Son las probabilidades de que la cadena pase al estado j dado
que est en el estado i
Se representan por p
ij
Por ejemplo, si i = 1 y j = 2, entonces
( )
12 1
2| 1 0.25
n n
p P X X
+
= = = =
Cadenas de Markov
Si las probabilidades de transicin son constantes con
respecto al tiempo, entonces se dice que la cadena de
Markov es homognea o estacionaria
Matriz de transicin o matriz estocstica
Es la matriz que resume las probabilidades de transicin
Si la matriz da las probabilidades de pasar:
Del estado i en el tiempo n al estado j en el tiempo n+1, entonces
se le llama de un paso
Del estado i en el tiempo n al estado j en el tiempo n+2, se le
llama de dos pasos, etc
Si P es la matriz de un paso de una cadena de Markov,
entonces P
2
es la matriz de dos pasos; P
3
la de tres
pasos, etc.
Cadenas de Markov
La distribucin inicial de una cadena de Markov son las
probabilidades de que inicie en cada estado
En nuestro ejemplo, siempre se empieza sin clientes,
as que siempre tenemos X
0
= 0, lo cual es equivalente a
decir que P(X
0
= 0) = 1
En general podramos tener una probabilidad de
empezar con 0 clientes, una probabilidad de empezar
con 1 cliente, etctera
Esto podramos expresarlo mediante un vector:
(P(X
0
= 0), P(X
0
= 1), P(X
0
= 2), P(X
0
= 3)) = (1,0,0,0)
Cadenas de Markov
Los q
ij
se agrupan en la denominada matriz
de transicin:
( )
S j i
ij
q
q q q
q q q
q q q
Q
e
=
|
|
|
|
|
.
|

\
|
=
,
22 21 20
12 11 10
02 01 00
... ... ... ...
...
...
...
Matriz de transicin
Cadenas de Markov
Tiempo
n+1
Estado 0 Estado 1 Estado 2 Estado 3
Estado 0
0,20 0,65 0,15 0
Tiempo
n
Etado 1
0 0,60 0 0,40
Estado 2
0,15 0,15 0,30 0,40
Estado 3
0 0 0 1
Cadenas de Markov
Propiedades de la matriz de transicin
Por ser los q
ij
probabilidades, para espacios de
estados S discretos
| | 1 , 0 , , e e
ij
q S j i
Por ser 1 la probabilidad del suceso seguro, cada
fila ha de sumar 1, es decir,
1 , = e

eS j
ij
q S i
Una matriz que cumpla estas dos propiedades se
llama matriz estocstica
Cadenas de Markov
Diagrama de transicin de estados
El diagrama de transicin de estados (DTE) de una
CM es un grafo dirigido cuyos nodos son los
estados de la Cadena de Markov (CM) y cuyos
arcos se etiquetan con la probabilidad de transicin
entre los estados que unen. Si dicha probabilidad es
nula, no se pone arco.
i j
q
ij

Cadenas de Markov
Ejemplo: lnea telefnica
Sea una lnea telefnica de estados ocupado=1
y desocupado=0. Si en el instante t est
ocupada, en el instante t+1 estar ocupada con
probabilidad 0,7 y desocupada con probabilidad
0,3. Si en el instante t est desocupada, en el
t+1 estar ocupada con probabilidad 0,1 y
desocupada con probabilidad 0,9.
Cadenas de Markov
Ejemplo: lnea telefnica
|
|
.
|

\
|
=
7 , 0 3 , 0
1 , 0 9 , 0
Q
0 1
0,9
0,1
0,3
0,7
Cadenas de Markov
Para efectos de una investigacin, en un determinado
pas, una familia puede clasificarse como habitante de
zona urbana, rural o suburbana. Se ha estimado que
durante un ao cualquiera, el 15% de todas las familias
urbanas se cambian a zona suburbana y el 5% a zona
rural. El 6% de las familias suburbanas pasan a zona
urbana y el 4% a zona rural. El 4% de las familias
rurales pasan a zona urbana y el 6% a zona suburbana.
Ejemplo : un modelo para el desplazamiento
poblacional
Cadenas de Markov
Tendremos la siguiente matriz de transicin

Urb. Surb. Rur.
|
|
|
.
|

\
|
=
90 , 0 06 , 0 04 , 0
04 , 0 90 , 0 06 , 0
05 , 0 15 , 0 80 , 0
P
Cadenas de Markov

Urb
Surb
.
Rural
0,15
0,04
0,05
0,04
0,06
0,06
0,8
0,90
0,90
Cadenas de Markov
Despus de mucho estudio sobre el clima, hemos visto que
si un da est soleado, en el 70% de los casos el da
siguiente continua soleado y en el 30% se pone nublado.
En trminos de probabilidad, lo que nos sirve entonces para
predecir el clima, vemos que la probabilidad de que
contine soleado el da siguiente es .7 y la probabilidad de
que al da siguiente est nublado es .3. Tambin nos
fijamos en que si un da est nublado, la probabilidad de
que est soleado el da siguiente es .6 y la probabilidad de
que se ponga nublado es .4.
Ejemplo : un modelo para el clima
Cadenas de Markov
Ejemplo : un modelo para el clima
Pregunta
Hoy est nublado, cul es la probabilidad de que maana
contine nublado? cul es la probabilidad de que est
nublado pasado maana?

Podemos ilustrar esta situacin por medio de un diagrama
de rbol:


Cadenas de Markov
Ejemplo : un modelo para el clima
Figura Posibles estados del tiempo a partir de que hoy est nublado

Con la ayuda de la Figura 1 podemos predecir qu ocurrir maana si sabemos
que hoy est nublado. Vemos que la probabilidad de que maana contine
nublado es .4, es decir, si hiciramos esta prediccin
muchas veces estaramos en lo correcto cerca del 40% de las veces.
Cadenas de Markov
Ejemplo : un modelo para el clima
Si hoy est nublado, para que pasado maana est nublado,
podramos tener un da de maana soleado o nublado. As tenemos las
siguientes secuencias en orden de (hoy, maana, pasado maana):
(nublado, soleado, nublado) o (nublado, nublado, nublado) donde
pasado maana es nublado. Estas secuencias son mutuamente
excluyentes, corresponden a caminos distintos en el rbol, as tenemos
que:

P(pasado maana nublado | hoy nublado)
= P((nublado, soleado, nublado) o (nublado, nublado, nublado))
= P(nublado, soleado, nublado) + P (nublado, nublado, nublado) =
(.6 x .3) + (.4 x .4) = .34.
Cadenas de Markov
Ejemplo : un modelo para el clima
Matriz de Transicin

Cadenas de Markov
Ejemplo : un modelo para el clima
Producto de Matrices

Cadenas de Markov
Ejemplo : un modelo para el clima
Matriz de Transicin del proceso en dos pasos

Nos da las probabilidades de llegar en dos pasos a cualquier estado si partimos
de un estado particular.
Podemos extender este argumento a cualquier nmero de das en el futuro en
que queremos hacer la prediccin, vemos que corresponde a las
probabilidades de transicin en dos pasos
Cadenas de Markov
Matriz de Transicin del proceso en m pasos
En base a lo anterior, entonces
corresponden a las probabilidades de transicin en 3, 4, ...,
m pasos respectivamente.

De hecho, la matriz se conoce como la matriz de
transicin en m pasos de la cadena de Markov.
Cadenas de Markov
Ejemplo de cola
Suponga que toda la industria de refrescos produce dos colas.
Cuando una persona ha comprado la cola 1, hay una probabilidad de
90 % de que su siguiente compra sea de cola 1.
Si una persona compr cola 2, hay 80 % de probabilidades que su
prxima compra sea de cola 2.

1. Si actualmente una persona es compradora de cola 2, cul es la
probabilidad que compre cola 1pasadas dos compras a partir de hoy?

2. Si en la actualidad una persona es compradora de cola 1, cul es la
probabilidad que compre cola 1 pasadas tres compras a partir de
ahora?
Cadenas de Markov
Solucin
Consideraremos que las compras de cada una de las
personas son una cadena de Markov, y que el estado en
cualquier momento es el tipo de cola que compr la
persona por ltima vez.
Por lo tanto, las compras de cola por parte de cada una de
las personas se pueden representar con una cadena de
Markov de dos estados, donde:

Estado 1 = la persona acaba de comprar cola 1
Estado 2 = la persona acaba de comprar cola 2
Cadenas de Markov
Si definimos Xn como el tipo de cola que compra
una persona en la n-sima compra futura (la
compra actual = X0 ), entonces X0, X1, se
puede describir como la cadena de Markov con la
siguiente matriz de transicin:
Cadenas de Markov
Podemos contestar ahora las preguntas 1 y 2.
1. Se busca (P X2 = 1 | X0 = 2) = P 21(2) =
elemento 21 de PxP
Cadenas de Markov
Por lo tanto, P21 (2) = 0,34
Esto significa que existe una probabilidad de 0,34 de que la
persona 2 compre cola 1, despus de dos compras a partir de
ahora.
Con la teora bsica de probabilidad, podemos obtener esta
respuesta siguiendo un camino distinto
Cadenas de Markov
2. Buscamos P11(3) = elemento 11 de PxPxP
Por lo tanto, P11(3) = 0,781
Cadenas de Markov
En muchos casos no conocemos el estado de la cadena de
Markov en el tiempo 0.
Como se ha definido, sea qi la probabilidad de que la
cadena est en el estado i en el tiempo 0.

Entonces podemos determinar la probabilidad de que el
sistema est en el estado i en el tiempo n mediante el
siguiente razonamiento
Cadenas de Markov
Para mostrar el uso de la ecuacin contestaremos
la siguiente pregunta:
Supongamos que el 60% de la gente toma hoy
cola 1 y el 40% cola 2.
A tres compras a partir de ahora, qu fraccin de
los compradores estar tomando cola 1?
Como q = [0,60 0,40] y
= probabilidad de que a tres compras a partir de
este momento una persona tome cola 1
Cadenas de Markov
La probabilidad que se busca es
Por lo tanto, a tres compras de este
momento el 64 % de las personas estarn
comprando cola 1.
Cadenas de Markov
Tarea
El ascensor de un edificio con bajo y dos pisos realiza viajes de uno a otro
piso. El piso en el que finaliza el viaje n-simo del ascensor sigue una cadena
de Markov. Se sabe que la mitad de los viajes que parten del bajo se dirigen a
cada uno de los otros dos pisos, mientras que si un viaje comienza en el
primer piso, slo el 25% de las veces finaliza en el segundo. Por ltimo, si un
trayecto comienza en el segundo piso, siempre finaliza en el bajo. Se pide:

a) Calcular la matriz de probabilidades de transicin de la cadena
b) Dibujar el grafo asociado
c) Cul es la probabilidad de que se encuentre en el primer piso despus de
3 movimientos?
d) Calcular la matriz de probabilidades de transicin de la cadena resultante

Clasificacin de Estados de
Cadenas de Markov
Se dice que el estado i es accesible o
alcanzable desde el estado j si la probabilidad
de transicin en n pasos de j a i es positiva, p
(n)
ij

> 0, para algn nmero natural n
Si el estado i es accesible desde el estado j y
viceversa se dice que los estados estn
comunicados
Clasificacin de Estados de
Cadenas de Markov
Estado transitorio
Es aqul tal que despus de que el proceso ha entrado ah, nunca
regresar
El estado i es transitorio si y slo si existe un estado j que es
accesible desde i, pero donde el estado i no es accesible desde j
Al no haber acceso al estado i desde j, existe una probabilidad
positiva (incluso igual a 1) de que el proceso se mueva al estado j
y nunca regrese al estado i
Estado recurrente
Es un estado tal que una vez que el proceso ha estado en l,
existe la seguridad de que volver
Un estado es recurrente si y slo si no es transitorio
Estado absorbente
Es un estado tal que despus de haber entrado all, el sistema ya
nunca saldr
Para que un estado i sea absorbente se requiere que p
ii
= 1
Clasificacin de Estados de
Cadenas de Markov
Conjunto Cerrado
Un conjunto de estados S en una cadena de Markov es conjunto
cerrado si ningn estado fuera de S es alcanzable desde un
estado en S.
una vez que entramos a un conjunto cerrado no podemos dejarlo
nunca.
Ejemplo: La ruina del jugador.
Probabilidad p de ganar 1 y 1p de perder 1 .
Si el estado es 0 4 no juego ms y, por lo tanto, el estado no puede
cambiar; entonces P
00
= P
44
= 1
Clasificacin de Estados de
Cadenas de Markov
0 1
2
1p
3
p p
1
1p 1p
4
p
1
Estado Transitorio
Un estado i es transitorio si hay manera de dejar el estado i de tal modo
que nunca se regrese a l.
0 1
2
1p
3
p p
1
1p 1p
4
p
1
Los estados 1, 2 y 3 son estados transitorios.
Desde el estado 2 es posible pasar por la trayectoria 2 3 4, pero
no hay modo de regresar al estado 2 desde el estado 4.
Estado Transitorio
Cules estados son Transitorios?
Estado Transitorio
R= [2 0 0] , [1 1 0] y [1 0 1] son estados transitorios
Estado Recurrente
Si un estado no es transitorio, se llama estado
recurrente.
0 1
2
1p
3
p p
1
1p 1p
4
p
1
Los estados 0 y 4 son estados recurrentes.
Estado Recurrente
R= [0 2 0], [0 0 2] y [0 1 1] son estados recurrentes
Estado Absorbente
En la siguiente matriz de
transicin, el estado 0 y
el estado 2 son
absorbentes, ya que una
vez entrando en alguno
de ellos, el sistema no
vuelve a salir
Esto ocurre porque la
probabilidad de pasar al
estado 0 dado que se
encuentra en el estado 0
es igual a 1
Anlogamente ocurre
para el estado 2
0 1 2 3
0 1 0 0 0
1 0.1 0.5 0.25 0.15
2 0 0 1 0
3 0.2 0.1 0.4 0.3 E
s
t
a
d
o

n
Estado n+1
Un estado i es estado absorbente si P
ii
= 1
Estado Absorbente
0
2 3
1
1
0.10
0.10
1
0.25
0.40
0.5
0.30
0.15
0.30
0.20
Los estados 0 y 2
son absorbentes.
Notamos que una
vez que el sistema
llega a alguno de
ellos, no vuelve a
salir
Estado Absorbente
0 1
2
1p
3
p p
1
1p 1p
4
p
1
Los estados 0 y 4 son estados recurrentes y absorbentes.
Conjunto Cerrado
Un conjunto de estados S en una cadena de Markov es
conjunto cerrado si ningn estado fuera de S es
alcanzable desde un estado en S
De la cadena de Markov con la matriz P anterior, tanto S
1
={1,2} como S
2
= {3,4,5}
son conjuntos cerrados.
Observe que una vez que entramos a un conjunto cerrado no podemos dejarlo
nunca.
Cadenas Recurrentes y Transitorias
Ejemplo: Estado de cuentas con un to rico
(fortunes with the rich uncle). Probabilidad p de
ganar 1 y 1p de perder 1 . Cuando me
arruino, mi to me presta dinero para la prxima
tirada:
Cadenas Recurrentes y Transitorias
0 1
p
2
1p
3


p p p
1p 1p 1p 1p
p
n+1
1p
p p
1p
1p
n




Cadenas Recurrentes y Transitorias
Esta cadena se demuestra que es transitoria si
p>0,5 y recurrente en otro caso (ps0,5)
La cadena es transitoria cuando la tendencia
global es ir ganando dinero. Esto implica que
una vez visitado un estado, al final dejaremos
de visitarlo porque tendremos ms dinero.
Periodicidad
Un estado i es peridico con periodo k >1 si k
es el menor nmero tal que todas las
trayectorias que parten del estado i y regresan
al estado i tienen una longitud mltiplo de k. Si
un estado recurrente no es peridico, se llama
aperidico.
Periodicidad
Ejemplo: En la siguiente CM todos los estados
son peridicos de periodo k=2:


Ejemplo: En la siguiente CM todos los estados son
peridicos de periodo k=3:
Cadenas Ergdicas
Si todos los estados de una cadena son
recurrentes, aperidicos y se comunican entre
s, se dice que la cadena es ergdica.
Cadenas Ergdicas
Ejemplos.
Cadenas Ergdicas
Cul de las siguientes cadenas es Ergdica?
Cadenas Ergdicas
Cul de las siguientes cadenas es Ergdica?
Ergdica
NO Ergdica
Ergdica
P2 no es ergdica porque hay dos clases cerradas de estados (la clase 1 = {1, 2} y la
clase 2 = {3, 4}) y los estados en clases diferentes no se comunican entre si.
Estados Estables o Estacionarios

Existe una probabilidad lmite de que el
sistema se encuentre en el estado j, despus
de muchas transiciones, y que esta
probabilidad sea independiente del estado
inicial.?
Estados Estables o Estacionarios
Describe el importante concepto de probabilidades de
estado estable, que se pueden usar para describir el
comportamiento de una cadena de Markov a largo plazo.
Afirmacin:
Si P es la matriz de transicin de una Cadena de
Markov que tiene los estados {1,2,...k} , entonces,
para j=1,2,..,k

j
) n (
j , i
n
p
lim
t =

Estados Estables o Estacionarios
Escrito de otra forma


|
|
|
|
|
|
.
|

\
|
t

t
t

t
t
t

t
t
=

k
k
k
n
n
P lim
2
2
2
1
1
1
Al hacer que n tienda al infinito en la ecuacin obtenemos:
Estados Estables o Estacionarios
Para mostrar cmo determinar las probabilidades
de estado estable, las calcularemos para el
ejemplo de la Cola.

Recuerden que la matriz de transicin de ese
ejemplo era
Estados Estables o Estacionarios
Entonces las ecuaciones producen
Estados Estables o Estacionarios
Por lo tanto, despus de largo tiempo, hay
probabilidad 2/3 de que una persona dada compre
cola 1, y 1/3 de probabilidad de que una persona
dada compre cola 2.
Cadenas de Markov
Ejemplo.
El departamento de estudios de mercado de una fbrica
estima que el 20% de la gente que compra un producto un
mes no lo comprar el mes siguiente. Adems, el 30% de
quienes no lo compren un mes lo adquirir al mes
siguiente. En una poblacin de 1000 individuos, 100
compraron el producto el primer mes.
Cuntos lo comprarn al mes prximo?
Y dentro de dos meses?.
Cadenas de Markov
Cadenas de Markov
(C,N) = (100*0.8 + 900*0.3 , 100*0.2 + 900*0.7)
(C,N) = (100*0.7 + 900*0.45 , 100*0.3 + 900*0.55)
Cadenas de Markov
Ejemplo.
El clima en el pueblo de Centerville puede cambiar con rapidez de un
da a otro, sin embargo, las posibilidades de tener clima seco (sin
lluvia) maana es de alguna forma mayor si hoy est seco, es decir, no
llueve. En particular, la probabilidad de que maana est seco es de
0.8 si hoy est seco, pero es de slo 0.6 si hoy llueve. Estas
probabilidades no cambian si se considera la informacin acerca del
clima en los das anteriores a hoy.
La evolucin del clima da tras da en Centerville es un proceso
estocstico. Si se comienza en algn da inicial, el clima se observa
cada da t, para t=0,1,2, El estado del sistema en el da t puede ser.
Estado 0 = El da t es seco. O
Estado 1 = El da t es lluvioso
Cadenas de Markov
La matriz P contiene los estados posibles del
problema
Cadenas de Markov
La probabilidad del estado del clima dos, tres, cuatro,
cinco das a futuro se puede conocer a partir de las
matrices de transicin de dos, tres, cuatro y cinco pasos
que se calculan bajo las ecuaciones de Chapman
Kolmogorov. Partiendo de la matriz de transicin de un
paso.
Cadenas de Markov
Cadenas de Markov
Ejemplo.
Hay tres marcas nacionales de cerveza principales (B,M,S). Piense en el
volumen total (en galones) que se consumieron el ao pasado de estas tres
cervezas. En la grfica se muestra la proporcin del total del mercado( o sea,
la participacin en el mercado) de cada marca.
Sharon Sheralik es la gerente de la fbrica que produce
la cerveza B. Le gustara recuperar su posicin como
fabricante de cerveza nmero 1 en la nacin. Ella
espera cambiar su posicin en el mercado modificando
su estrategia de mercado y el envase. Espera aumentar
su participacin en el extenso mercado cervecero, en
tanto que conserva una ventaja entre los jvenes
solteros. Sabe que con una nueva campaa ganar y
perder clientes ante sus dos competidores. Lo que
Sharon necesita es una estimacin del efecto global.
Cadenas de Markov
Una cadena de Markov ofrece a Sharon un nuevo modelo para analizar
este problema. Para usarlo, suponga que se puede describir el
comportamiento de un consumidor individual mediante una cadena de
Markov. Los estados del sistema son las marcas de cerveza que los
consumidores podran comprar. Una probabilidad de transicin Pij es la
probabilidad de que un cliente que compra esta vez la marca i cambie a la
marca j la prxima vez. En la tabla siguiente se muestra la matriz de
transicin de un paso para este problema. Esta matriz indica que:

1.- El 85% de la gente que compr B la ltima vez, la comprar otra vez;
2.- El10% se aficionar a M;
3.- El 5% comprar S.

Las dems filas tienen una representacin similar. La matriz de
probabilidad es estacionarias se puede calcular con las ecuaciones de
Chapman Kolmogorov.
Cadenas de Markov
Cadenas de Markov
Cadenas de Markov
Cadenas de Markov
Cadenas de Markov
Cadenas de Markov
Observen que en la matriz de
veinticinco pasos, las tres filas
tienen elementos idnticos. Esto
se denomina probabilidad del
estado estable de la cadena de
Markov o Matriz estacionaria
Esto implica que la ventaja en el mercado de B aumentar al nuevo
nivel de 0.38. Se ha acercado a su competidor ms fuerte, de un 20%
ha pasado a un 7% de diferencia. De hecho esto depende de que la
matriz de transicin sea una buena representacin de cmo
reaccionarn los clientes ante la nueva campaa promocional.
Cadenas de Markov
Ejemplo
Un agente comercial realiza su trabajo en tres ciudades A, B y C. Para
evitar desplazamientos innecesarios est todo el da en la misma
ciudad y all pernocta, desplazndose a otra ciudad al da siguiente, si
no tiene suficiente trabajo. Despus de estar trabajando un da en C, la
probabilidad de tener que seguir trabajando en ella al da siguiente es
0,4, la de tener que viajar a B es 0,4 y la de tener que ir a A es 0,2. Si el
viajante duerme un da en B, con probabilidad de un 20% tendr que
seguir trabajando en la misma ciudad al da siguiente, en el 60% de los
casos viajar a C, mientras que ir a A con probabilidad 0,2. Por ltimo
si el agente comercial trabaja todo un da en A, permanecer en esa
misma ciudad, al da siguiente, con una probabilidad 0,1, ir a B con
una probabilidad de 0,3 y a C con una probabilidad de 0,6.
Problema:
a) Si hoy el viajante est en C, cul es la
probabilidad de que tambin tenga que trabajar en
C al cabo de cuatro das?

b) Cuales son los porcentajes de das en los que
el agente comercial est en cada una de las tres
ciudades?
Cadenas de Markov
Solucin
La matriz de transicin P es la siguiente para el
orden A,B,C
Cadenas de Markov
El apartado a) consiste en averiguar el trmino
P
4
33
, es decir el trmino que ocupa la fila 3 y la
columna 3 de la matriz P
4
. lo cual se obtiene con
la fila 3 y la columna 3 de P
2
, cuyos valores son:
Cadenas de Markov
por tanto el trmino buscado es:

0,18.0,48+0,30.0,48+0,52.0,52= 0,5008
En b) nos piden las probabilidades estacionarias. Para ello
hay que resolver el siguiente sistema:
Cadenas de Markov
Desarrollando resulta el sistema de ecuaciones lineales:
Eliminando y en las dos primeras:
Y= (9x-2z)/2 -33x+12z = 0,

y elimino y en las dos ltimas :
Y= 1-x-z 12z=6 ;

de ambas se deduce que:
x =2/11=0,1818 y = 7/22=0.3181 z = 0,5.

En porcentajes seran el 18,18% para la ciudad A, el 31,81 para
B y el 50% para la ciudad C.
Cadenas de Markov
Ejemplo

Los consumidores de caf en el rea de
Pontevedra usan tres marcas A, B, C. En marzo de
1995 se hizo una encuesta en lo que entrevist a
las 8450 personas que compran caf y los
resultados fueron:

Cadenas de Markov
Cadenas de Markov
Problema:
a) Si las compras se hacen mensualmente, cul ser la
distribucin del mercado de caf en Pontevedra en el mes de
junio?
b) A la larga, cmo se distribuirn los clientes de caf?
c) En junio, cual es la proporcin de clientes leales a sus marcas
de caf?
Solucin
a) A la vista de las frecuencias anteriores, las probabilidades de
transicin, conservando el mismo orden que la tabla (A,B,C) es:

Cadenas de Markov
De marzo a Junio hay 4 etapas por lo que nos piden las
probabilidades de transicin al cabo de 4 meses, las que vendrn
dada por los coeficientes de P
4




Cadenas de Markov
Cadenas de Markov
b) A la larga se trata de la situacin estable:
Cadenas de Markov
Desarrollando resulta el sistema de ecuaciones lineales:
Eliminando y en las dos ltimas:
Y= 1-x-z
Z= 2/7

de ambas se deduce que:
x =5/21, y = 10/21, z = 2/7.
y elimino y en las dos primeras:
Y= (5x+2.5z)/4 -9x + 7.5z=0;
En Marzo la proporcin de clientes:
A= 2028/8450 = 0,24
B= 3718/8450 = 0,44
C= 2704/8450 = 0,32.

Cadenas de Markov
En el mes de junio la proporcin es:
es decir 23.8% para A, 47.6% para B y 28.6% para C.
(.2385 .4757 .2855)