Professional Documents
Culture Documents
UNIDAD ZACAENCO
EDIFICIO: 10
SALON: 104
13:00– 14:30
MODELOS ESTOCASTICOS
RESUMEN APUNTES
21/10/2018
DISTRIBUCION DE POISSON. Poisson (a2: a3: falso o verdadero)
Son aquellas variables aleatorias discretas cuyas distribuciones de probabilidad son las
llamadas de Poisson e hipergeometricas, estas distribuciones están relacionadas con la
probabilidad binomial, y (s) puede emplear par modelar el numero de defectos en un m2 de
tela, el numero de colonias de bacterias en un cm3 de agua, el numero de veces que falla una
maquina en el transcurso de un día de trabajo, el numero de accidentes que ocurren en un
determinado crucero de avenidas en el periodo de una semana.
y -
℮
Y
-
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo,
pieza, etc.
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc., etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto,
la fórmula a utilizar sería:
x
p( x , )
x!
donde:
= 2.718
x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente
de otro intervalo dado, así como cada área es independiente de otra área dada y cada producto
es independiente de otro producto dado.
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin
fondos en cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día
cualquiera = 0, 1, 2, 3, …, etc., etc.
= 6 cheques sin fondo por día
= 2.718
b) x= variable que nos define el número de cheques sin fondo que llegan al banco en dos
días consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos
Nota: siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar”
de lo mismo que x.
( 12 )10 ( 2.718 )12 ( 6.191736410 )( 0.000006151 )
p( x 10, 12 ) 0.104953
10! 3628800
Solución:
=1-(0.367918+0.367918) = 0.26416
Las variables aleatorias continuas pueden tomar cualquier de entre el numero infinito de
valores contenidos en un intervalo en la recta, sin embargo, resulta imposible asignar
probabilidades a cada uno de estos valores de manera que la suma de estas sea 1, como en el
caso de las variables aleatorias discretas, la frecuencia relativa asociada a una clase
particular de una población, es la fracción de mediciones de la población que corresponde a ese
intervalo de clase, y es también la probabilidad de que una medición extraída de esa
población caiga en la mencionada clase.
Ejemplo.
Sea (y) el número de caras resultantes al lanzar dos monedas, cuya distribución se identifica en
la tabla siguiente.
y 0 1 2
P(y) ¼ ½ ¼
Supóngase que se repite el experimento un número muy grande de veces por ejemplo n =
4,000,000, intuitivamente se espera observar 1 millón de veces 0, 2 millones de veces el 1 y 1
millón de veces el 2, el valor promedio seria entonces.
N 4,000,000
∑ Y p (y) = 1
Y= 0
² = ------ (Yi - )
N i=1
La desviación de su media (o - ỹ)
n 2
i =1
2 2
Yi (Yi - ỹ) (Yi - ỹ) Yi
5 5-3.8 1.44 25
7 7-3.8 10.24 49
2 2-3.8 3.24 4
4 4-3.8 0.04 16
Total 19 0 22.80 95
1 n 2
n - 1 i =1
n 2
S = S² = (Yi - ỹ )
i=1
-------------------
n-1
Sea (y) una variable aleatorio discreta con distribución p (y), entonces E (y), el valor esperado
de (y) es. E (y) = y p (y)
Nótese que si p(y) proporciona una descripción precisa de las frecuencias relativas de la
población real de las mediciones, entonces E(y) = , la media de la población, se
supondrá que este es el caso y por ende E(y) y serán sinónimos.
El método para calcular el valor esperado de una variable aleatoria continua (y) es
similar desde el punto de vista intuitivo, pero en la practica se utiliza el cálculo.
EJEMPLO.
En los concursos para obtención de contratos, es usual que los contratistas sometan los
precios de sus proyectos si sus expectativas tomadas en cuenta el tipo de proyecto y al resto
de los participantes, les indican que sus ganancias estarán encima de cierta cantidad.
Supóngase que un contratista considera un proyecto en el cual ganara 50,000.00 pesos si le
es otorgado, el costo de la preparación del proyecto, si lo somete es de 5,000.00 de pesos y
el propio contratista piensa que la probabilidad, en esas circunstancias, de que gane el
concurso (e) es de (.4) finalmente el contratista ha decidido someter propuestas para
proyectos cuya ganancia esperada sea de por menos 12,000.00 pesos, debe someter
propuesta en este proyecto.
La ganancia (y) del contratista puede tomar cualquiera de los valores y = -5,000.00, si pierde
el concurso o si lo gana entonces Y= 45,000.00 (50,000.00 de ganancia menos 5,000.00 de
costo de preparación del proyecto), las probabilidades de estos valores son de .6 y .4
respectivamente la distribución de probabilidad de su ganancia (y) se muestra a
continuación.
Y -5,000.00 45,000.00
P(y) .6 .4
EJEMPLO.
Un actuario que es un estadista empleado por una compañía de seguros determina las primas
de seguro que la compañía debe cobrar por determinada protección, considere el problema
de determinar la prima anual para un seguro de daños de automóvil de 100,000.00, la póliza
cubre un tipo de evento que por experiencia previa se sabe que ocurre a 3 de cada 5,000.00
automovilistas cada año. Sea (y) la ganancia anual de la compañía resultante de la venta de
una póliza y se C la cantidad desconocida que representa al valor de la prima anual, se desea
calcular C de modo que la ganancia esperada E(Y) sea 0, en otras palabras, se desea calcular
C para no ganar ni perder, al valor calculado, desde luego la compañía agregara los gastos
administrativos correspondientes y un margen de utilidad.
La ganancia esperada E (Y) depende de C, la cual se requiere encontrar de manera que la
ganancia esperada sea 0.
E (y) = y p (y)
Es determinar los valores de la ganancia y pueda tomar (y) después, p(y), si el evento que
cubre la póliza no ocurre en este año, la compañía gana y= C, ai el evento ocurre, la ganancia
cera negativa, esto será una perdida, Y= - 100,000.00 la probabilidad asociada a estos dos
valores de y son 4997/5000 y 3/5000 respectivamente, Y= c y – c = 0
Y, ganancia C -(100,000 - C)
(4997/5000) C +(3/5000) C - 60 = 0 C = 60
Lo anterior quiere decir que si la compañía cobra una prima anual de 60.00 entonces su
ganancia promedio sobre un numero grande de póliza similar será cero, la prima final que la
compañía deberá cobrar será entonces de 60.00 más los gastos de administración y la
utilidad.
Cualquier variable aleatoria cuyos valores son mediciones, y pueden tomar una gran variedad
de formas, es importante hacer notar que muchas de las variables aleatorias observadas en
la naturaleza tienen una distribución de frecuencia de forma acampanada.
2 2
-(y - ) / 2
2 π
Muchas variables aleatorias continuas presentan una función de densidad cuya gráfica
tiene forma de campana.
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco, o de una
misma cantidad de abono.
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo grupo de
individuos, puntuaciones de examen.
Caracteres psicológicos, por ejemplo: cociente intelectual, grado de adaptación a un
medio, ...
FUNCIÓN DE DENSIDAD
FUNCIÓN DE DISTRIBUCIÓN
Puede tomar cualquier valor (- , + )
Son más probables los valores cercanos a uno central que llamamos media
Conforme nos separamos de ese valor , la probabilidad va decreciendo de igual
forma a derecha e izquierda (es simétrica).
Conforme nos separamos de ese valor , la probabilidad va decreciendo de forma
más o menos rápida dependiendo de un parámetro , que es la desviación típica.
F(
x) es el área sombreada de esta gráfica
TIPIFICACIÓN
Por tanto, su función de densidad es
y su función de distribución es
Demostró que bajo determinadas condiciones (para n grande y tanto p como q no estén
próximos a cero) la distribución Binomial B (n, p) se puede aproximar mediante una
distribución normal
Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto más próximo
sea p a 0.5, tanto mejor será la aproximación realizada. Es decir, basta con que se
verifique
gracias a esta aproximación es fácil hallar probabilidades binomiales, que para valores
grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta transformación de una
variable discreta (binomial) en una variable continua (normal) es necesario hacer una
corrección de continuidad.
MANEJO DE TABLAS. CASOS MÁS FRECUENTES.
μ − 3σ μ −2 σ μ−σ μ + σ μ +2σ μ +3 σ.
Ejemplos.
Dada una distribución Normal estándar, encuentre el área bajo la curva que esta.
a) a la derecha de z = 1.84,
b) entre z = -1.97 y z = .86
a.-) El área se encuentra a la derecha de z = 1.84 es igual a 1 menos el área de la tabla
a.3 a la izquierda de z = 1.84, es decir 1-.9671 = .0329.
45 -50
Z1 = _________ = -0.5
10
62 -50
Z2 = _________ = 1.2
10
b) A partir de la tabla A.3 se puede observar que el área total a la izquierda de -.18 es
igual a .4286 en tablas, en la figura se observa que el área entre k y -.18 es
0.4197 de tal forma que el área a la izquierda de k debe de ser .4286 - .4197 = .
0089 por lo tanto se tiene que k = -2.37(punto)
Ejemplo:
Dada una distribución normal con μ = 40 y σ = 6 encuentre el valor de x que tiene que P
(z > 1.08) a) 45% del área izquierda, b) 14% del área a la derecha.
Solución
a) Un área de .45 a la izquierda del valor deseado de (x) es la parte sombreada en la
siguiente figura, se requiere un valor (z) que tenga un área de .45 a la izquierda,
donde se tiene P (z > 1.08) de la tabla A.3 se busca un valor cercano a .45(tabla)
pero que no se pase, de tal forma que el valor de (z) deseado es – 0.13 por lo tanto
X = σ x + μ = (6) (-0.13) + 40 = 39.22
b) En la siguiente figura se muestra el sombreado un área igual a .14 a la derecha del
valor (x) deseado, en esta ocasión se requiere un valor (z) que tenga .14 del área a
la derecha (1- Fs.) se tiene que 1 menos .14 es .86 y, por lo tanto, un área .86 a la
izquierda. Otra vez consultamos en la tabla A.3 se tiene que P (z > 1.08) = .86 de
tal forma que el valor (z) deseado es 1.08 y
Ejemplo.
Un proceso industrial el diámetro de un balero es una importante parte componente, el
comprador establece en sus especificaciones que el diámetro debe ser 3 = .01 cm, la
aplicación es que no se acepta ningún balero que se salga de esta especificación, se
sabe que el proceso, el diámetro de un balero tiene una distribución normal con una
media de 3 y una desviación estándar σ= .005. En promedio cuantos valeros fabricados
se descartarán. μ = 3 σ = .005
Solución.
La distribución de diámetro se muestra en la siguiente figura donde los valores que
corresponde a los límites de la especificación so x1 = 2.99 y x2 = 3.01, los valores
correspondientes de x son:
X- μ
Z1 = ____________
σ
X- μ 2.99 -3 3.01 - 3
Z1 = ____________ = _________ = -2.0 Z2 = _________ = 2.0
.005 .005
Las probabilidades que se asocian con experimentos binomiales pueden obtenerse fácilmente
cuando (n) es pequeña, de tal forma b (x; n, p) de la distribución binomial o de la tabla siguiente
si (n) es grande y (p) es cercana a 0, 1, es conveniente calcular las probabilidades binomiales por
procedimientos de aproximación, tanto la distribución binomial como la de Poisson son discretas.
La distribución normal frecuentemente es una buena aproximación a la distribución discreta
cuando esta última toma la forma de campana simétrica, desde el punto de vista teórico,
algunas distribuciones convergen a normales a medida que sus parámetros se aproximan a
ciertos límites. La distribución binomial se aproxima bastante bien con la normal en problemas
prácticos cuando se trabaja con la función de distribución acumulada.
Z = ______________
√npq
μ = np = (15) (.4) = 6
(x n p)
La probabilidad exacta de que la variable aleatoria binomial X asume un valor dado (x) es igual
al área cuya base se centra en (x).
Ejemplo:
La probabilidad exacta de que (x) asuma el valor 4 es igual al área de rectángulo con la base
centrada en x= 4 mediante la tabla A.1 se encuentra que esta área es n= 15, p = .4.
P(x=4) = b (4; 15, .4) = .2173
Lo que resulta aproximadamente igual a área de la región sombreada bajo la curva normal
entre las dos ordenadas x1 = 3.5 y x2 = 4.5 de la siguiente figura si se convierte a valores z, se
tiene, media 6
3.5 - 6
Z1 = ___________ = -1.32
1.897
4.5 - 6
Z2 = ________ = -.79
1.897
Si x es una variable aleatoria binomial y z una variable normal estándar, entonces, usando tabla
3
= .2148 - .0934
= 0.1214
Si (n) es grande, la variable binomial tendrá una distribución aproximadamente normal con una
media y varianza (np), (npq).
Ejemplo. Considérese una distribución binomial para (y) con n=10, P= ½ donde:
Cuando (n) es pequeña y (p) está cerca de 0,1 la distribución binomial no es simétrica donde su
media está ubicada cerca de cero o de (n).
Cuando (P) está cerca a cero la mayoría de los valores de (y) serán pequeños obteniéndose una
distribución concentrada cerca de y = 0 que se decae gradualmente hacia (n) donde proporciona
una aproximación deficiente a la distribución de probabilidad binomial. Podríamos pensar que la
distribución binomial sería más o menos simétrica si pudiera extenderse una desviación igual a
dos desviaciones estándar ambos lados de la media y este es realmente el caso.
Ejemplo:
La aproximación normal requeriría el área entre y1 = 1.5 y y = 4.5 , donde μ= 5 =1.58 los
valores correspondientes.
Z= -.32 = .3745
tarea
Una empresa constructora desea saber cuáles serán las probabilidades de los valores del 9 al
13 los cuales tienen una aproximación bajo la curva, donde se desea saber sus componentes
binomiales, Calcular la curva que se encuentra con una muestra de 17, con una probabilidad de .
50.
Ejemplo.
La aproximación normal es muy útil para calcular sumas binomiales para valores grandes de (n).
Con los datos de la figura anterior se podría estar interesado en la posibilidad de que (x)
asumiera un valor entre 7 y 9.
X=7
9 6(antes uno)
x=0 x=0
= .9662 - .6098
= .3564
La cual es igual a la suma de las áreas del rectángulo con las bases centradas e X = 7, 8,9.
Por la aproximación normal se encuentra el área de la región sombreada bajo la curva entre las
ordenadas x1 = 6.5 y x2 = 9.5 de la figura anterior los corresponsales valores de z son. µ= 6
Raíz =1.897
6.5 - 6
Z1 = ---------------- = 0.26
1.897
9.5 - 6
Z2 = ---------------- = 1.85
1.897
= .9678 - .6026
= 0.3652
Una vez más, la aproximación de la curva normal proporciona un valor muy cercano al valor
exacto de .3564. El grado de precisión es cual depende también de que la curva concuerde con
el histograma, se incrementara conforme (n) aumenta.
Es evidente que una curva normal esta más de acuerdo con el histograma cuando n = 15 que
cuando n = 6.
En resumen, se utiliza la aproximación normal para evaluar probabilidades binomiales siempre
que (p) no este cercana a 0, 1. La aproximación es excelente cuando (n) es grande y bastante
buena para valores pequeños de (n) si (p) está razonablemente cercana a ½.
Una posible guía para determinar cuándo puede utilizarse la aproximación normal es tener en
cuenta el cálculo de no y no, si ambos np y nq son mayores o iguales a 5 será bueno.
Tal como se indicó anteriormente, la calidad de la aproximación es bastante buena para valores
grandes de (n). Si (p) es cercana a 1/2, una muestra mediana o pequeña será suficiente para una
aproximación razonable. En la tabla siguiente sirve como indicación de la calidad de la
aproximación, se da tanto las aproximaciones normales como las probabilidades acumulativas
binomiales reales. Nótese que en p = 0.05 y p= 0.10 la aproximación es bastante imperfecta
para n = 10, sin embargo, puede verse la mejoría para p = 0.50 incluso para p = 0.10. Por otro
lado, cuando p esta fija en 0.05 puede observarse como mejora la aproximación conforme se va
de n = 20 a n = 100.
Ejemplo.
Solución.
La variable binomial (x) que representa el No de pacientes que sobrevivan, dada que n = 100
debe obtenerse resultados bastantes precisos.
μ = no = 100 * .4 = 40
Para obtener la probabilidad deseada, debe encontrarse el área a la izquierda X=29.5 es el valor
correspondiente.
Z= (29.5 – 40) / 4.89 = -2. 14: P (x< 30) = p (z < -2.14) = .0162 (tabla .3)
tarea
Una empresa constructora debe seleccionar de 180 solicitudes tipo examen, de las cuales
existen 6 preguntas claves que son de mucha importancia para seleccionarlos, de los cuales 2
son correctas, calcule la probabilidad que entre ellas existan al azar sean 17 a 22 solicitudes
sean correctas de 45, donde los no tienen experiencia.
Ejemplo.
Una prueba opción múltiple tiene 200 preguntas cada una con 4 posibles respuestas, de las
cuales solo 1 es correcta. Cual es la probabilidad que al azar se den de 25 a 30 respuestas
correctas para 80 de los 200 problemas acerca de los cuales el estudiante no tiene conocimiento.
Solución:
30
25
Se necesita el área entre x1 = 24.5 x2 = 30.5 los valores correspondientes de (z) son.
.8770 .9966
30
P(25< =X <= 30) = b(X; 80, 1/4) (no existe valor de 80 en la binomial) pero lo planteamos
con
= ,9966 - 0.8770
= .1196
Los experimentos que resulta en valores numéricos de una variable aleatoria(X) misma que
representa el numero de resultados durante un intervalo de tiempo dado, o en una región
especifica, frecuentemente se llama experimento de Poisson. El intervalo de tiempo dado puede
ser de cualquier duración.
Ejemplo un minuto
Un día
Una semana
Un mes
O inclusive un año
De aquí que un experimento de Poisson puede generar observaciones para la variable aleatoria
(X) que representa.
La región especificada podría ser un segmento de línea, un área de volumen, o tal vez un pedazo
de material.
En este caso (X) podría representar el numero de ratas de campo por acre, el número de baterías
en un determinado cultivo, o el número de errores de mecanografía por página.
El número (X) de resultados que ocurre en un experimento de Poisson se llama variable aleatoria
de Poisson y su distribución de probabilidad recibe el nombre de distribución de Poisson. El
numero promedio de resultados se calcula con = t donde t es el tiempo o región especificaos
de interés.
La derivación de la formula para p(x; t) la cual se basa en las propiedades del proceso de
Poisson indicadas anteriormente, esta mas allá del alcance de este libro.
-t x
e ( t)
¡X!
p(x; t) = p(x; t) para algunos valores seleccionados de (t ) en el rango 0.1 a 18 .
x=0
Ejemplo.
X= 6 t = 4 se encuentra en la tabla.
-4 6
r e (4) 6 5 (antes)
p(x; t) = p(x; t) = P(6; 4) = ___________ = p(x; 4) - p(x; 4) = 0.8893 - .7851
= .1042.
Ejemplo.
Se sabe que 10 es el número promedio de camiones –tanques de aceite que llegan por día a una
cierta ciudad portuaria, las instalaciones del puerto pueden atenderse cuando mucho a 15
camiones-tanque en un día.
Cuál es la probabilidad de que en un determinado día se tenga que regresar los camiones-
tanque.
Sea (x) el número de camiones-tanque que llegan por día, entonces utilizando la tabla A.2.
15
= 1 - p(x; 10)
X=0
= 1 - .9513
= 0.0487
Adicionalmente ciertas distribuciones continuas importantes utilizadas en teoría de confiabilidad
y teoría de colas dependen del proceso de Poisson
1 -x / β, x > 0
___ e
F(x) = β
Ejemplo:
Suponga que un sistema contiene cierto tipo de componentes cuyos tiempos de falla en
años está dado por la variable aleatoria T, distribuida exponencialmente con tiempo
promedio de falla β = 5.
Si 5 de estos componentes se instalan en diferentes sistemas.
Cuál es la probabilidad de que al menos 2 continúen funcionando después de 8 años.
La probabilidad de que un determinado componente este funcionando aun después de 8
años es, tabla 1
∞ -t/5 -8/5
P(T > 8) = 1/5 e da = e = 0.2
8
Sea (x) el número de componentes funcionando después de 8 años, entonces mediante
la distribución binomial, n = 5
p = 0.20 = probabilidad de que un componente esté funcionando después de 8 años
5 1
P(X ≥ 2) = b(x; 5, 0.2) = 1 - b( x; 5, 0.2) = 1 - .7373 =
0.2627
X=2 x= 0
Tarea.
Una empresa dedicada a seleccionar personal tiene una fila de 87 gentes, los cuales son
atendidas en promedio 7 minutos, calcule la probabilidad que las personas que están en la fila
sean atendidas en al menos 5 minutos, en el transcurso de los 3 de los 5 días.
Ejemplo:
1. El tiempo que transcurre antes de que una persona sea atendida en una cafetería es una
variable aleatoria que tiene una distribución exponencial con una media de 4 minutos. ¿Cuál es
la probabilidad de que una persona sea atendida antes de que transcurran 3 minutos en al
menos 4 de los 6 días siguientes?
Solución:
x = 0, 1, 2,6 días
3 1 1 3
1 t
P( T 3 )
4
0
4
dt 4
1 4
0.5276
p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un día
cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un día
cualquiera = 1- p = 0.4724
‾
Si se obtiene una muestra de una población normal, entonces la media muestra tiene
una distribución normal sin importar el tamaño de la muestra. Sin embargo, se puede
demostrar que de hecho no importa el modelo de probabilidad del cual se obtenga la
muestra; mientras la media y la varianza existan, la distribución de muestreo de `X se
aproximará a una distribución normal conforme (n) aumente. Lo anterior constituye
uno de los más importantes teoremas en inferencia estadística y se conoce como
TEOREMA DEL LIMITE CENTRAL.
En muchos casos, puede concluirse en forma segura que la aproximación será buena mientras n
> 30.
Si X es la media de la muestra aleatoria de tamaño (n) que se toma de una población con media
μ y una varianza infinita σ² entonces la forma límite de la distribución de:
X- μ
Z = ______________
σ / √n
_
La aproximación normal para X generalmente será buena si n ≥ 30 sin importar la forma
de población. Si n < 30, la aproximación es buena solo si la población no difiere de una
distribución normal y, como se estableció antes, si se sabe que la población es normal, la
distribución muestra de X seguirá una distribución normal, sin importar que tan
pequeña sea el tamaño de las muestras.
Ejemplo.
Una compañía fabrica focos que tiene un periodo de vida que están distribuido
aproximadamente en forma normal, con media igual 800 horas y una desviación
estándar de 40 horas. Encuentre la probabilidad de que una muestra aleatoria de 16
focos tenga una vida promedio de menos de 775 horas.
_ _ _
Solución: La distribución muestra de X será aproximadamente normal con ex = 800 y
ex = 40/√16 = 10.
_
La probabilidad deseada la del área de la región sombreada en siguiente figura. x = 775
X- μ 775 - 800
σ / √n 10
Por lo tanto _
P (X < 775) = P (z < -2.5)
= .0062
Ejemplo:
1/4 x= 0,1,2,3
Dada una población uniforme discreta f(x) =
0 en cualquier otro caso
Encuentre la probabilidad de que una muestra aleatoria de tamaño 36, seleccionada como
remplazo, de una media muestral mayor que 1.4 pero menor que 1.8 si la media se mide y se
redondea hasta las decimas.
Solución:
Si se calcula la media y la varianza de la distribución uniforme por medio de las fórmulas de él.
k k ²
xi ( xi - μ)
i=1 i=1
μ = ________ y σ² = _________________
k k
0+1+2+3 3
μ = _________ = ____
4 2
² ² ² ²
σ² = ____________________________________ = __
4 4
_ _
La distribución muestral de X puede aproximarse por la distribución normal con media μx = 3/2 y
la varianza σ² x = σ²/ n = 5/144= .186 _
_
σ x = 0.186
______________________________________________________ x
1.45 1.50 1.75
_ _
1.45 - 1.5
Z= _____________ = - 0.27
0.186
1.75 - 1.5
Z= _____________ = 1.34
0.186
Por lo tanto: P (1.4 < X < 1.8) = P ( -0.27 < Z < 1.34)
= 0.9099 - .3936
Ejemplo.
_ _
_ _
μ x1 – x2 = μ1 - μ2
= 50 - 40 = 10
Y Varianza.
_ _ σ²1 σ²2
σ² x1 - x2 = ____ + ___
n1 n2
= 9/5 + 4/4 = 2.8 = 1.673
σ x1 - x2 = 1.673
_ _
____________________________________________________ x1 - x2
8.2 10
8.2 - 10
Z = ____________ = - 1.08
√ 2.8
Decisiones a nivel sencillo que deben tomarse en un solo punto del tiempo,
ÁRBOLES DE DECISIONES
Ejemplo.
Probabilidad(fracaso inversión baja) = P(F L) = .4
GANANCIAS DE LOS RESULTADOS.
FRACASO(f) ÉXITO(S) GRAN ÉXITO(G)
DECISIONES (F) (S) (G)
BAJA(L) -2 5 8
MODERADA(M) -5 10 12
ALTA(H) -8 6 15
PROBABILIDADES 0.4 0.4 .2
Una compañía Estar Productions quiere saber los pagos asociados y las probabilidades
de las tres alternativas de inversión, en este punto de decisiones se debe escoger una de
las alternativas de inversión (baja, moderada, alta). Trace un nodo por cada alternativa
posible y conecte el nodo 0 a cada uno de estos nodos con un arco de la forma en que se
ilustra en la siguiente figura.
Nodo Nodo
probabilistico terminal
P(FL)=0.4 4 -2
1 P(SL)=0.4 5 5
P(GL)=0.2 6 8
Nodo de decisión L(baja)
P(FM) = 0.4 7 -5
O M(moderado) 2 P(SM) = 0.4 8 10
P(GM) =0.2 9 12
P(FH)= 0.4 10 -8
H (alta) 3 P(SH) = 0.4 11 6
P(GH)= 0.2 12 15
Para trazar el árbol empiece con un nodo numerado cono 0 para representar el punto del
tiempo en el cual se debe tomar una decisión, en este punto de decisión se debe
escoger una de las tres alternativas de inversión, trace un nodo por cada alternativa
posible y conecte el nodo 0 a cada uno de estos nodos con un arco de la forma anterior.
Considere ahora el nodo 1 que representa la selección de la alternativa de inversión
baja, existen tres alternativas posibles, fracaso, éxito, gran éxito, estos resultados están
representados por los nodos 4,5,6, que estén conectados con el nodo 1, el nodo 4
representa el resultado de tener un fracaso en caso de que se haya hecho una
inversión baja, en este caso el pago esperado, de acuerdo con la tabla anterior es de
2 millones cantidad que se coloca junto al nodo 4, de manera similar, los pagos
esperados de 5 y 8 se escriben junto a los nodos 5,6 respectivamente. El arco que
conecta al nodo 1 con el nodo 4 representa el resultado de tener un fracaso, si se
selecciona la alternativa de inversión baja. Usted puede asociar a este arco la
probabilidad condicional de que se presente este resultado como se dio en la tabla
anterior, en la gráfica este valor se escribe junto al arco, la probabilidad condicional de .4
y .2 se escriben junto a los arcos que valor del nodo 1 a los nodos 5,6.
En la misma grafica los nodos 7,8,9, y a los arcos que conectan a estos con el nodo 2 y la
información correspondiente a los nodos 10,11,12 y a los arcos que conectan con el nodo
3, donde el nodo 0 esta representado al inicio del árbol donde este se considera no de
decisión, los nodos probabilísticos 1,2,3 de los cuales se derivan los resultados inciertos,
y los terminales 4,12
El árbol de decisiones le ayuda a ver las interrelaciones entre todos los elementos del
problema. Primero debe calcularse el pago esperado asociado con cada alternativa que
corresponda a los nodos 1,2,3, el pago esperado para el nodo 1 se obtiene mediante la
suma de los resultados de multiplicar cada pago asociado con un nodo terminal al nodo
1(es decir los nodos 4,5,6) con la correspondiente probabilidad de rama.
Usted escribe este valor junto al nodo 1, cálculos similares identifican los pagos
esperados para los nodos 2,3, la información resultante a continuación, donde se
identifica la mejor alternativa debido a su pago esperado de $4.4 millones en el nodo 2,
es el más grande de las tres alternativas, donde la decisión es optima.
Ganancias esperadas
1 = (-2*.4) +(5*.4) +(8*.2) = 2.8
Ganancias esperadas
0 2 = (-5*.4) +(10*.4) +(12*.2) = 4.4
Ganancias esperadas
3 = (-8*.4) +(6*.4) +(15*.2) = 2.2
Ejemplo.
Una empresa desea saber cuales serian las mejores probabilidades de decisión de
ganancias, para A = -6,4,7, B = -4,11,13, C= -7, 4,20, donde sus probabilidades bajas
(.17), media (.35), alta (.48)
Principio de Markov:
P( X(t +1)= j|X(0)=K 0 , X(1)=K 1 ,....., X(t )=i)=P( X (t +1)=j|X(t )=i )=pij
P = [pij]nxn matriz de transición formada por los valores de pij, donde cada fila representa el
estado inicial donde se parte y las columnas el estado al que se ira en un período.
S(t) =(S1(t), S2(t), . . .., Sn(t)) vector de probabilidad de estado en el período t. Para n
estados.
Los sucesos que cumplan con un proceso de Markov, se pueden representar por medio de un
esquema donde el nodo indique los estados y arcos dirigidos de nodo a nodo con un número que
representa la probabilidad de transición de ir de un estado a otro, ó por medio de una matriz de
transición.
Ejemplo:
1 2
3
[ ]
0.2 0.3 0.5
P= 0.3 0.4 0.3
0.2 0.4 0.4
Para calcular:
= 0,2.0,2+0,3.0,3+0,5.0,2 = 0,23
= 0,2.0,3+0,3.0,4+0,5.0,4 = 0,38
= 0,2.0,5+0,3.0,3+0,5.0,4 = 0,39
( 2) ( 2) ( 2)
luego p11 + p12 + p13 =1
Una compañía se dedica a rentar carros uno se encuentra en la región del norte en mes de
0, los nodos del árbol son las ubicaciones en los meses 0,1,2, y en las ramas del árbol
aparecen las probabilidades de cada transición, cual es la probabilidad de encontrarse en cada
uno de los estados en el mes 2 se calculan multiplicando las probabilidades individuales de
transición donde la probabilidad de estar en el norte en cada uno de los tres meses esta dada
por (.2)(.2) =.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, vector
inicial(0.4,0.3,0.3)
PROBABILIDADES DE TRANSICIÓN
En el En el En el de cada
Norte 0.04
0.2
Norte
0.5
Sur 0.10
0.3
Central
Sur 0.09
sur
0.4
Sur 0.20
P (de estar en el sur en el mes 2 dado que se estaba en el norte en el mes 0) =.10+.09+.20=.39
N C S
El norte.
Para el segundo mes repetimos los cálculos.
N C S
Observe que estas series de cálculos pueden combinarse en uno de los siguientes
N C S N C S
El norte.
El calculo del vector de probabilidad después de dos meses depende del vector de
probabilidad en el mes 0 y de la matriz de transición de un mes, en los cálculos anteriores se
utilizo un vector de probabilidad inicial que representaba un camión que había comenzado en
el norte, para calcular la proporción de camiones que se encontraran en cada región después
de dos meses, simplemente se sustituye la proporción original de camiones que se encuentran
en cada región y se considera como el vector inicial de probabilidad es decir[.4 .3 .3] y se
convierte en.
N C S N C S
[.4 .3 .3 ] 0.3 0.4 0.3 0.3 0.4 0.3 =[0.236 0.377 0.387]
0.2 0.4 0.4 0.2 0.4 0.4
Mes 0
De estos cálculos pueden verse después de dos meses que 23.6% de todos los camiones se
encontrara en el norte 37.7% está en la región central y 38.7% en el sur
Una escuela financiada por el gobierno carreras de dos años, están interesados en saber cuántos
alumnos se gradúan cada año, cuantos continuaran en la escuela y cuantos renunciaran a ella,
esta información es útil para plantear las necesidades futuras de profesores para obtener fondos
del estado. Donde los estudiantes que terminan su primer año pueden continuar en la escuela o
pasar a otra (a un estudiante que renuncia a la escuela se le considera como transferible). Si los
estudiantes continúan pueden asistir a cursos del segundo año o repetir cursos del primero, los
que terminan el segundo año se gradúan con un grado intermedio, continúan en la escuela para
terminar los requisitos del grado o se transfieren otra escuela sin terminar los cursos necesarios
para obtener el grado intermedio, en un estudio de datos anteriores se ha determinado la
proporción que cae en la categoría.
1º 2º
grad 0 0 1 0
trans 0 0 0 1
Esta matriz de transición es diferente de las que vimos antes, en primer lugar, no es
posible pasar a todos los demás estados a partir de un especifico, donde un estudiante
de primer año no puede graduarse, en segundo lugar, un estudiante que alcanza el
estado de graduado o el transferido no puede pasar a ningún otro estado. Por esta razón,
estos estados (graduado y transferibles) se conoce como estados absorbentes porque
una vez que se alcanza no puede abandonarse. Qué proporción de los estados originales
no absorbentes terminaran en cada uno de los estados absorbentes, que proporción de
estudiantes de primer o segundo año se graduaran, y que proporción se transferirán a
otra escuela o la abandonaran.
1º 2º
1 .2 .1 .7 1 0
G= .6 .2 H =0 .2 I= 0 1
Matriz Unitaria.
Inversa de una matriz
1 d -b d - b
B = _________ = ______ _______
ad - bc c a ad-bc ad-bc
-c a
---------- -----------
ad-bc ad-bc
-1
3. Calcular Q = (I - H)
-1 -1
(1- .1) ( 0 - .7) 0.9 -.7 .8 .7 1.111 .972
Q= (0 – 0) ( 1 -.2) = 0 .8 = 0 .9 = 0 1.250
Se cambian signos invertir
Utilizando Q puede calcularse la proporción de estudiantes que alcanzaran cada uno de los
estados absorbentes, si esta matriz de proporción se denota R, en donde Rij = proporción de
estudiantes en un estado inicial i que en algún momento pasan a un estado absorbente j.
Hacer el producto de renglón por cada una de las columnas para poder obtener los siguientes
valores de la matriz
R = QG
1.111 .972 0 .2
Q= 0 1.250 y G= .6 .2
Por lo que.
R11 = .583 = proporción de estudiantes que se encuentran en el primer año y que en algún
momento se graduaran.
Si ahora existieran 1000 estudiantes de primer año y 800 estudiantes de segundo año es de
esperarse que.
(.583) (1000) = 583 estudiantes de primer año que en algún momento se graduaran.
Si los administradores desean que se gradué en promedio 700 estudiantes entonces será
necesario aumentar el número de alumnos de primer año a (700/.583) = 1201 estudiantes.
Proceso Estocástico. - Se consideran una familia de modelos dinámicos que son estocásticos,
así como dependientes del tiempo.
Los procesos estocásticos, y más concretamente las llamadas cadenas de Markov, han tenido en
los últimos años un amplio desarrollo debido a sus múltiples aplicaciones. Y es que este tipo de
cadenas aparecen con frecuencia en disciplinas tan diversas como la física de partículas, los
modelos económicos, la psicopedagogía o la epidemiología.
Es muy frecuente que, en muchos procesos biológicos, sociológicos o incluso en física teórica,
aparezcan sucesos producidos por el azar, pero conectados entre sí como los eslabones de una
cadena. La cadena que une todos estos procesos tiene una especial peculiaridad: un eslabón
determina en cierta forma cual será el eslabón siguiente, pero sin embargo es independiente del
eslabón anterior. Estos procesos fueron estudiados por el matemático ruso Andrei Andreyevich
Markov, motivo por el que llevan su nombre. Un estudio general de las cadenas de Markov se
sale por completo del marco de esta exposición, lo que no quita que podamos exponer los
conceptos básicos que las configuran y que nos permitirán entender la esencia de su lenguaje.
Ejemplos:
1. En un lote de autos usados, el 25% son de la marca Ford, el 45% son Chevrolet y
el 30% son Chrysler, de los cuales, 2 de cada 8 autos Ford son estándar, 1 de
cada 10 autos Chevrolet son estándar y 2 de cada 10 autos Chrysler son también
estándar, un cliente compra un auto de este lote, a.) ¿cuál es la probabilidad de
que el auto seleccionado por el cliente sea estándar?, b.) ¿cuál es la probabilidad
de que haya seleccionado un auto Chevrolet estándar?, c.) ¿cuál es la
probabilidad de que el auto seleccionado sea Ford o Chrysler automático?
Solución:
25% A 6/8
S 1/10
45% CH
A 9/10
30% S 2/10
Chr
A 8/10
= 0.1675
= p(F)p(A½F) + p(Chr)p(A½Chr)
= 0.25*6/8 + 0.30*8/10
= 0.1875 + 0.24 = =0.4275
2. En un lote de producción se tienen 150 artículos, de los cuales 30 son del tipo A,
60 del tipo B y 60 del tipo C, de los que el 15% de los productos del tipo A, 20% de
los productos del tipo B y 5% de los productos del tipo C, no cumplen con las
especificaciones, si se selecciona un producto de este lote al azar, a.) Determine la
probabilidad de que el producto seleccionado no cumpla con las especificaciones,
b.) Si el producto seleccionado no cumple con las especificaciones, ¿cuál es la
probabilidad de que sea un producto del tipo B?, c.) ¿cuál es la probabilidad de que
un producto cumpla con las especificaciones y sea del tipo B?
Solución:
Haciendo uso de un diagrama de árbol como en el caso anterior, procederemos a dar
solución al problema en cuestión;
NC 15%
A
30/150 C 85%
60/150 B NC 20%
C 80%
60/150
C NC 5%
C 95%
b.-)
a.- E = evento de que el producto seleccionado no cumpla con las
especificaciones
c.-) p (cumpla con las especificaciones y sea del tipo B) = 60/150*0.8 = 0.32
Solución:
9 B 9/16
B 5 V 5/16
10/17 2 A 2/16
10 B 10/16
5 V 10
5/17 5V 4/16
2 2 A 2/16
10 B 10/16
A 5 V 5/16
2/17 1 A 1/16
Son una serie de eventos en la cual la probabilidad de que ocurra un evento depende del
evento inmediato, esta dependencia del evento anterior distingue a las cadenas de Markov de
las series de eventos independientes, como tirar una moneda al aire o un dado. El juego de
blackjack(veintiuno) es un juego en el que el pasado condiciona al futuro Conforme se van
jugando las cartas, las posibilidades en las siguientes manos se van modificando, las
posibilidades en el juego dependen del estado o las condiciones en que se encuentre el monte.
Las cadenas de Markov se han utilizado para analizar los patrones de compra de los
consumidores, para pronosticar las concesiones por deudores morosos, para plantear las
necesidades de personal y para analizar el reemplazo de equipo, donde puede proporcionar
información importante cuando es aplicada, el análisis de Markov es similar a la programación
lineal.
Este estado se describe por ultimo evento generado, él ultimo evento generado fue (Ej.) de
manera que el generador se encuentra en el estado (Sj). La probabilidad de que (Ek) sea el
siguiente evento generado es una probabilidad condicional P(Ek/Sj) esto se llama probabilidad de
transición del estado (Sj) al estado (Ek) para describir completamente una cadena de Markov es
necesario saber el estado actual y todas las probabilidades de transición.
Estado
Generador Movimiento
Sj
Evento generado
E1 E4 E6 Ej
T1 t2 t3 t4 tiempo
PROBABILIDAD DE TRANSICIÓN.
Para describir una cadena de Markov es como un diagrama de estados, como se muestra a
continuación, en esta ilustración un sistema de Markov con cuatro estados posibles S1, S2, S3,
S4, la probabilidad condicional o de transición de moverse de un estado a otro se indica en el
diagrama, como sigue es decir p14 =P(S4/S1), donde las flechas muestran las trayectorias de
transición que son posibles.
P31 p3
3
S
S 3
1
P13
P24
S S
2 4
P42 p4
4
Otro método para exhibir las probabilidades de transición es usar una matriz de transición, la
matriz de transición del diagrama de estados se muestra a continuación, cuando existen cuatro
estados posibles, es necesario 4 x 4 =16 probabilidades, también nótese que cada renglón de la
matriz suma 1, esto se debe a que el sistema debe hacer una transición.
S1 s2 s3 s4 total
S2 p21 0 0 p24 1
Las probabilidades de transición son datos para el análisis, se debe conocer, no existe manera de
derivarlas, en algunas aplicaciones esto puede ser una limitación.
(n)
Un análisis útil es pronosticar el estado del sistema después de 1,2,3, o más periodos, esto se
llama análisis de transición, debido a que es a corto plazo y está enfocado a periodos cortos.
Ejemplo.
Una copiadora de oficina, poco segura, si está funcionando un día, existe un 75% de
posibilidades de que al día siguiente funcione y un 25% de posibilidades de que no funcione,
pero si no está funcionando, hay 75% de posibilidades de que tampoco funcione al día siguiente
y solo un 25% de que si lo haga (se lleva mucho tiempo la reparación). Se debe conocer el
estado actual, supóngase que se está comenzando y que hay 75% de posibilidades de estar en
el estado 1 y 25% de estar en el estado 2, esto define el estado actual en forma probabilista,
cual es la probabilidad de estar en el estado 1 al día siguiente, si se comienza en el estado 2 solo
hay 25% de cambiar el estado 1 así.
S1 S2
0.7
5
S1 0.75 0.25
S1 S2 0.25 0.75
= .562
P(S1) P(S2)
1 0.625 0.375
0.567 0.433
1.531 0.469
0.516 0.484
En los sistemas con mas estados, los cálculos se vuelven más largos, pero el
procedimiento es el mismo, considérese el sistema de tres estados que se muestran a
continuación, supóngase que el sistema se encuentra en el estado S1 en el diagrama
puede observarse para el siguiente ciclo.
S1 s2 s3
P(S1) = p11 = 0.4 p11 p12 p13 s1 .4 .3 .3
P(S2)= p12 = 0.3 p21 p22 p23 s2 .1 .8 .1
P(S3)= p13 = 0.3 p31 p32 p33 s3 .1 .3 .6
.4 .6
0.3
S1 S3
0.1
.1 .1
.3 .3
S
2
.
8
.4 .3 .3
Como el sistema se debe encontrar en algún estado, solo es necesario calcular dos de
estas probabilidades y la tercera puede encontrarse con la siguiente relación.
P(S1) +P(S2) +P(S3) =1
1 .4 .3 .3
Las cadenas de Markov poseen una propiedad notable en cuanto a que tienden a aproximarse a
lo que se llama estado estable, en el sistema anterior de dos estados P(S1) resulto ser 0.75 al
principio y después 0.625, 0.567, 0.531 y .516 donde estas probabilidades se mueven hacia un
límite, en el sistema de tres estados pueden observarse que P(S2) adquiere los valores 0.3, 0.45,
0.53, 0.58.
Cuando una cadena de Markov ha llegado lo suficientemente lejos como para estar cerca de
estos límites, se dice que alcanzado un estado estable. Los límites de estado estable se refieren
solo al porcentaje de tiempo a largo plazo que el sistema se encontrara en cada estado
particular.
Este método está basado en el concepto de que todo lo que entra debe salir, el diagrama de
estados se usa para presentar los flujos, en la siguiente figura se muestra los estados de dos,
para cada estado puede escribirse una ecuación tal que para el estado (k) se cumpla.
toda i k toda i k
Observando el estado S1 donde solo es n las flechas entre los estados, para los flujos
que llegan se tiene.
Si todos los estados de una cadena son recurrentes, y se comunican entre si se dice que la
cadena es ergodicas.
½ ½ 0 0
.6 3 4 .4
.4 1 2 .5
.5 .5 .8 .3
S1 S2
.2
Ejemplo.
Supóngase que toda la industria de la construcción fabrica dos tipos de concreto 1, 2, dado que
una persona la última vez compro el 1, hay 90% de probabilidades de que su siguiente compra
sea el 1, dado que la última compra de una compra fue el 2, hay el 80 % de probabilidad de que
su siguiente compra sea 2.
En cualquier tiempo dado, del tiempo de cemento que compro la persona en la última vez, así
las compras de cada individuo pueden representarse como una cadena de Markov de dos
estados donde.
Donde En como el tipo de cemento que una persona compra en su n-exima compra futura
(compra actual de cemento = So, X1… se podría describir como la cadena de Markov con la
siguiente matriz de transición.
cem1 cem 2
Cement 1 . 90 .10
P21(2) = .34 esto significa que la probabilidad de que un comprador de cemento 2 en el futuro
compre dos veces cemento 1 es .34, obsérvese que P21(2) = (probabilidad de que la siguiente
compra sea cemento 1 y la segunda compra sea cemento 1) + (probabilidad de que la siguiente
compra sea cemento 2 y la segunda compra sea cemento 1) = p21p11 + p22p21 = (.20) (.90) +
(.80) (.20) = .34
3 2
Cemen 2
Cement 2 Cement1
P21 = .20 P11 = .90
Cement 1
Muchas aplicaciones interesantes de las cadenas de Markov incluyen cadenas en las que algunos
de los estados son absorbentes y el resto son transitorios, a esas cadenas se les llama cadenas
absorbentes, si comenzamos en un estado transitorio, entonces al final tendremos la seguridad
de dejar el estado transitorio y terminar en uno de los estados absorbentes.
Se formulará la matriz de transición con los estados en una lista con el siguiente orden.
1.- Los estados transitorios y después los absorbentes donde s-m estados transitorios (t1, t2, t3,
t s-m) y m estados absorbentes (a1, a2,.am). Entonces la matriz de transición para la cadena de
absorción puede escribirse como sigue.
S–m m
Colum colum
s-m Q R
P= renglones 0 I
Donde:
Ejemplo.
Los últimos datos indican que la siguiente cadena de Markov describe cómo cambia el estado de
una cuenta de un mes al siguiente.
DATOS:
Nueva. 0 .6 0 0 .4 0
1 mes 0 0 .5 0 .5 0
2mese. 0 0 0 .4 .6 0
3 mese 0 0 0 0 .7 .3
Pagado 0 0 0 0 1 0
Incobrable 0 0 0 0 0 1
Si al principio de un mes una cuenta lleva dos meses de atraso al comienzo de un mes, hay 40%
de probabilidad de que al comienzo del siguiente mes no se pague la cuenta (y, por
consiguiente, tres meses de atraso) y 60% de probabilidades de que se pague la cuenta. Para
simplificar se supondrá que después de tres meses, la cuenta cobra o se considera incobrable.
Una vez que una deuda se paga la deuda o se borra como deuda incobrable, se cierra la cuenta
y ya no ocurre mas transiciones, por lo tanto, las deudas pagada e incobrable son estados
absorbentes. Puesto que cada cuenta finalmente será paga o borrada como incobrable, nuevas,
1 mes, 2 mes, y 3 meses son estados transitorios, una cuenta vencida hace 2 meses puede
seguir la trayectoria 2 meses- pagada pero no hay retorno de cobrada a 2 meses. Una nueva
cuenta característica será absorbida como deuda cobrada o incobrable, una pregunta de mayor
interés es, cual es la probabilidad de que finalmente sea cobrada una cuenta nueva.
2.-Cual es la probabilidad de una cuenta con un mes de retraso en algún momento sea una
deuda incobrable.
3.- Si en promedio las ventas de la empresa son $100,000 por mes, cuánto dinero por año se
quedará sin cobrar.
Nueva. 0 .6 0 0 .4 0
1 mes 0 0 .5 0 .5 0
2mese. 0 0 0 .4 .6 0
3 mese 0 0 0 0 .7 .3
Pagado 0 0 0 0 1 0
Incobrable 0 0 0 0 0 1
Entonces s =6 m=2
0 .6 0 0 .4 0 1 0 0 0
Q = 0 0 .5 0 R= .5 0 I= 0 1 0 0
0 0 0 .4 .6 0 0 0 1 0
0 0 0 0 .7 .3 0 0 0 1
4x4 4x2
Entonces: I - Q
1 0 0 0 0 .6 0 0 1 -.6 0
0
I= 0 1 0 0 Q= 0 0 .5 0 = 0 1 .5
0
0 0 1 0 0 0 0 .4 0 0 1
-.4
0 0 0 1 0 0 0 0 0 0 0
1
2.- Se busca un numero opuesto en el reglón 3 de la matriz inversa, y que se multiplique por el
renglón ultimo de la matriz identidad, y se sume al tercer renglón de la matriz identidad y su
resultado se coloque en el tercer renglón de la matriz solución.
3.- para calcular el siguiente renglón se prosigue de la misma manera que el calculo anterior,
ahora por .5
4.-Para calcular el siguiente renglón se prosigue de la misma manera que el calculo anterior,
ahora por .6
Inversa.
1 -.6 0 0 1 0 0 0 1 .6 .3 .12
0 1 - .5 0 0 1 0 0 0 1 .5 .20
0 0 1 -.4 0 0 1 0 = 0 0 1 .4
0 0 0 1 0 0 0 1 0 0 0 1
T1 t2 t3 t4 a1 a2
t3 0 0 1 .4 .6 0 t3 .880 .120
t4 0 0 0 1 .7 .3 t4 .700 .300
1.- t1 = Nueva a1 = pagado así la probabilidad que finalmente se cobre una cuenta nueva es
el elemento. -1
R11 de (I – Q) * R = .964.
2.- T2 = 1 mes a2 = deuda incobrable, por consiguiente, la R22 probabilidad de una cuenta con
un mes de retraso se convierta en una deuda incobrable es el elemento 22 de (I – Q) de R22 = .
06
3.- Solo el 3.6 % de las deudas no se cobran, puesto que las cuentas por cobrar
anuales12*100,000 = 1,2000,000, en promedio 0.036* 12000000 = 43,200.00 por año no se
cobrarán.
TAREA:
T1 = principiante.
T2= experimentado
T3 = asociado.
3.- Cual es el tiempo promedio que un asociado pase en la empresa como asociado.
Para el ultimo renglón de P, la semana t+1 comienza con 3 cámaras en inventario y los cálculos
de las probabilidades de transición son justo las mismas que para el primer renglón, en
consecuencia, la matriz completa es.
Estado 0 1 2 3
1 .632 .368 0 0
La información dada por la matriz de transición también se puede describir con el diagrama de
transición de estados, los cuatro estados posibles para el numero de cámaras que se tienen al
final de la semana se representa por lo cuatro nodos. (círculos) en el diagrama, las flechas
muestran las transiciones posibles de un estado a otro o, en ocasiones de regreso al mismo
estado cuando la tienda de cámaras va del final de una semana al final de la siguiente. El
numero junto a cada flecha da la probabilidad de que ocurra esa transición en particular cuando
la tienda de cámaras está en la base de la flecha.
.632
.368
.80 0 1
.184
.368
.368
2 3 .368
.368 .368
Ejemplo.
El valor de una acción, al final de un día dado se registra el precio, si la acción subió, la
probabilidad de que suba mañana es .7 si la acción bajo, la probabilidad de que suba mañana es
solo .5, esta es una cadena de Markov, donde el estado 0 representa que el precio de la acción
sube y el estado 1 representa que baja, la matriz de transición está dada por.
Estado 0 1
0 .7 .3
P= 1 .5 .5
Ejemplo.
Suponga ahora que el modelo del mercado de acciones se cambia de manera que el que
una acción suba o no mañana depende de si subió o no hoy y ayer, en particular si la acción
subió los dos días, ayer y hoy, la probabilidad de que suba mañana es .9, si la acción subió
hoy pero ayer bajo, mañana subirá con la probabilidad d .6, si la acción bajo hoy pero ayer
subió, entonces mañana subirá con probabilidad de .5 por ultimo, si bajo durante estos dos
días, la probabilidad de que mañana suba es .3. si se define el estado como la representación
del hecho de que la acción baje o suba hoy, se puede transformar en una si se define los estados
como sigue.
Estado 0 1 2 3
0 .9 0 .1 0
1 .6 0 .4 0
P= 2 0 .5 0 .5
3 0 .3 0 .7
Ejemplo.
Suponga que un jugador tiene $1 y que cada jugada gana 41 con probabilidad p> 0 o pierde $1
con probabilidad 1- p, el juego termina cuando el jugador acumula $3 o bien cuando quiebra,
este modelo es una cadena de Markov en la que los estados representan la fortuna del jugador,
esto es ,0, $1, $2 o $3 y con matriz de transición dada por.
Estado 0 1 2 3
0 1 0 0 0
1 1–p 0 p 0
P= 2 0 1-p 0 p
3 0 0 0 1
Las etiquetas numéricas de los estados que alcanza el proceso coinciden con la expresión física
del sistema, los niveles del inventario real y la fortuna del jugador, respectivamente, mientras
que las etiquetas numéricas de los estados en el ejemplo de la acción no tienen significado
físico.
2.8.1.- CANTIDADES ECONÓMICAS DE PEDIDO
Costo de conservación = Inv. promedio por día) * (costo por unidad por periodo de 6
días)
= (3) * (.274) (6) = 4.932.
La longitud de cada una de las porciones diagonales del inventario se define como el
ciclo del inventario tic, así el promedio se calcula como sigue.
Inventario de inventario
Q
Q/2
0 Tiempo
0 tc
½*Q * tc Q
= ______________ = _______
tc 2
Si se calcula para varios ciclos, de cualquier manera, debe obtenerse un inventario promedio de
Q/2.
Ejemplo;
4 * ½ *Q* tc
4 tc
N* = √DCc/2Co
El tiempo que transcurre entre los pedidos sucesivos ( tc); tc = √ 2Co / D Cc
Ejemplo: supongamos.
Calcular:
Existe una fórmula para calcular el tamaño del lote donde hay dos factores de costo implicados
en la función de costo total, Ct, puede encontrar el tamaño del lote, Q* que minimiza Ct,
utilizando cálculos diferenciales,
CC.(1-(r2/r1)
2Co
CcD(1-(r2/r1)
Ejemplo.
Una compañía ha decidido comenzar a fabricar una refacción que antes adquiría de un
proveedor externo, la demanda es de 1000 unidades al mes, el costo de preparación
por corrida es $200 y el costo de mantenimiento es $55 por unidad al año, una vez que
una maquina esta operando, puede fabricar esas partes a razón de 2,500 unidades
por mes, la compañía opera al año 300 días, se desea saber el lote de producción con
el que deben trabajar, con que frecuencia deben realizarse las corridas y el costo total
asociado con el tamaño de la corrida.
(55)(1-(1000/2500))
Utilizando la ecuación 4
(55)(1000)(12)(1-(1000/2500))
M = Q – Q(r2/r1)
=381.38 –381.38(1000/2500)
= 228.82
(Ejemplo)
En una compañía que vende equipos de computadoras, la compañía es distribuidora exclusiva de
una tienda al norte de México, la demanda es constante en 1200 unidades al mes (14,400
unidades por año), el costo unitario de conservación por concepto de almacenamiento y manejo
es de 13 años, el costo de colocar un pedido es de $200, los administradores estiman que el
costo de los agotamientos es de $5.00 por unidad por año aproximadamente.
Calcular la cantidad optima de pedido y el nivel máximo de los inventarios, la cantidad es.
Q* = √ 2CoD √ Cc + Cs = √ 2(200)(1200)(12) √ 13 + 5
Cc Cs 13 5
Q *= modelo de agotamiento
S* = √ 2CoD Cs = 2(200)(1200)(12) 5
Cc Cc + Cs 13 13 + 5
Aquí se utilizará las siguientes formulas, como del costo total para evaluar los descuentos deben
incluir el costo de las compras por periodo
Con = Valor real del costo de pedidos Co = Valor estimado del costo de pedidos
C’c = valor real del costo de conservación Cc = valor estimado del costo de conservación
Para demostrar la aplicación del análisis de descuento por compras en grandes cantidades,
supongamos que al mismo tiempo que la compañía estaba terminando la evaluación de una
política de pedido, durante los 365 días, donde estableció un descuento 3% sobre el costo
normal unitario de $3500, si la empresa compraba en cantidades de 60 o más, donde:
Utilizando los valores de P=$3500 por unidad, D= 365 unidad por año, Q* = 12.08 unidades =
12.00 (tamaño practico del lote) donde Co = $60 por pedido, CC. = $ 100 por unidad por año.
Donde se calculará el punto óptimo de pedido.
P = $3500
D= 365
Q* = 12
Co = 60
Sin descuento.
Con descuento.
2.8.5.-MANEJO DE INCERTIDUMBRE.
Los mejores administradores deben siempre reaccionar coherentemente, aunque estén bajo
presión, pero en ocasiones puede parecer que son tímidos o indecisos en algunos momentos.
Cuando esto sucede, la incertidumbre llega y retrasan la toma crucial de decisiones. En lugar de
confiadamente tomar una decisión, analizan la situación, recopilando más y más información
antes de tomar acción. Estos escenarios ocurren a diario en el lugar de trabajo y
definen el éxito o fracaso profesional de quien toma o prolonga la decisión, según sea el caso. La
incertidumbre nubla la visión e impide la toma estratégica de decisiones en momentos cruciales
de los cuales depende una operación.
Alimentados por el miedo a equivocarse sin tener todos los datos, algunos gerentes o directores
hacen poco o nada hasta poder acumular “suficiente” información para tomar una decisión.
Mientras tanto, otros con menor grado de incertidumbre, toman la información a la mano,
proyectando los probables resultados de una decisión a otra para que la acción no espere.
Ambos grupos admitirán con dificultad que tomar decisiones con incertidumbre no es ideal, pero
la realidad dicta que la mayoría de los negocios operan en un clima con al menos un poco de
incertidumbre, requiriendo así de los mejores gerentes y directores para tomar decisiones
prontas y acertadas. Los mejores directivos siempre encuentran el modo de sobrepasar estos
obstáculos, tener la vista siempre en el objetivo y mantener la compostura cuando se tomen
decisiones necesarias. Aquellos que reaccionan de manera indiferente, permiten a la
incertidumbre reinar en cualquier situación, que posteriormente, cobrará factura.
Exhiba sus habilidades para reaccionar bajo presión. A menudo, esa capacidad “única” se
trata sólo de tomar lo que esté disponible para basar una decisión crítica. Mientras otros
se quedan perplejos, los mejores directivos y gerentes analizan la información al alcance
para adoptar el mejor plan de acción.
Sea consistente. Lo más probable es que usted tome las mismas decisiones bajo presión y
durante la calma, pero su comportamiento hacia los demás es distinto. Busque ser
consistente, particularmente si sabe que sus decisiones son buenas. Adopte la misma
personalidad siempre, pues esto es lo que perciben quienes le rodean.
Acéptelo. La mayoría de las decisiones que tomará, las hará con la mitad de la información que
le gustaría tener. Gran parte de su trabajo es enfrentarse continuamente a los obstáculos y
simplemente utilizar la balanza entre los pros y contras, para saber cómo superarlo.
NO SE PERMITE FALTANTES.
Un ejemplo donde un ciclo puede interpretarse como el tiempo que pasa entre corrida de
producción, si una fábrica que se dedica a producir 12000 bocina en cada corrida y después se
usan a una tasa de 8000 por mes, entonces la longitud del ciclo es de 24000/8000 =3 meses.
El nivel promedio de un ciclo es Q/2 unidades por unidad de tiempo. Y el costo correspondiente
es hQ/2 por unidad de tiempo.
K + cQ + hQ / (2a) aK
Q/ a Q
* Q
SE PERMITE FALTANTE.
Puede ser redituable permitir que ocurra pequeños faltantes ya que la longitud del ciclo se puede
alargar con el consiguiente ahorro de preparación, cabe la posibilidad de que este beneficio
quede anulado por el costo por faltante.
p = costo por faltante por unidad de demanda insatisfecha por unidad de tiempo.
Ahora el costo total por pedido de tiempo se obtiene a partir de las siguientes componentes.
El nivel de inventarios promedio durante este tiempo = S/2 artículos por unidad de tiempo.
HS S hS
2 a 2a
a
* *
Q - S = √2aK/p √ h/p + h
S/a P
Q/ a p+h
En el ejemplo anterior. Se permitió faltante, el costo por faltante se estimó en la sección anterior.
t = 28540/8000 = 3.6
Cada 3.6 meses para producir 28540 bocinas, el faltante máximo permitido es de 6116 bocinas
1 2 3
Q1 Q2 Q3 Q4
Nivel de reorden
Existencias de
seguridad
tl tl tl tiempo
2.9.- SIMULACIÓN
Variables exógenas. - Son la independientes o de entrada del modelo y se supone que han
sido predeterminadas y proporcionadas independientemente del sistema que se modela,
pueden considerarse que estas variables actúan sobre el sistema, pero no reciben acción
alguna de parte de él, donde estas variables pueden ser controladas (pueden ser
manipuladas o control por quien toma decisiones o crea políticas para el sistema) y no
controlables (el medio ambiente).
Variables de estado. - describe el estado de un sistema o uno de sus componentes, ya
sea al comienzo al final o durante un periodo, las cuales interactúan con las exógenas del
sistema y con las endógenas, el valor de una variable de estado durante un periodo
particular de tiempo, puede depender no solamente de los valores de una o más variables
exógenas en algún periodo precedente, sino también del valor de ciertas variables de
salida en periodos anteriores.
Variables endógenas. - son las dependientes o salidas del sistema y son generadas por la
interacción de las variables exógenas con las del estado, de acuerdo con las
características de operación del último.
FORMULACION DE MODELO
DISEÑO DE EXPERIMENTO.
La simulación es una técnica excepcional pos su versatilidad, ha hecho que la simulación sea la
técnica de la Investigación de operaciones, debido a su gran diversidad de aplicaciones es
imposible enumerar todas las áreas específicas en las que se ha usado como:
Diseño y operación de sistemas de colas.
Administración de sistemas de inventario.
Estimación de la probabilidad de terminar su proyecto a tiempo.
Diseño y operación de sistemas de manufactura.
Diseño y operación de sistemas de distribución.
análisis de riesgos financieros.
Aplicaciones de cuidado de la salud.
Aplicaciones en otras industrias de servicios…etc.
La operación diaria de un banco u hospital, para comprender el impacto de añadir más
pagadores o enfermeras.
La operación de un puerto marítimo o aéreo, para comprender el flujo de tráfico y su
congestión asociada.
El proceso de producción en una fabrica, para identificar los cuellos de botella en la línea
de producción
El flujo de tráfico en una autopista o en un sistema de comunicación complicada, para
determinar si es necesario una expansión.
Esta técnica fue utilizada en diversas investigaciones con equipos militares de investigación
durante la segunda guerra mundial a mediados de 1940 en la planeación, finanzas, probabilidad,
valuación de seguros, modelos de inventario.
El método consiste en utilizar en forma aleatoria para elegir valores muéstrales a partir de una
distribución probabilística, después esos valores muéstrales se utilizan como entrada o valores
operativos para un modelo de simulación.
Ejemplo.
La recolección de basuras por día donde el objetivo es simular las toneladas de basura que se
recogen en un día.
Ejemplo.
Una panadería cada mañana la panadería satisface la demanda del día con pan recién horneado,
él ha pensado hacer lotes de docenas de panes. Cada pan tiene un costo de .25 centavos de
dólar, la demanda diaria total de pan también se presenta en múltiplos de 12, los datos
demuestran que esta demanda varia de 36 a 96 panes diarios, un pan se vende en .40
centavos de dólar, si sobra pan al final del día se vende a una cocina de beneficencia a un
precio de recuperación de .10centavos de dólar por pan, si la demanda es mayor que la
oferta, suponemos que hay un costo por ganancia por ganancia perdida de .15centavos de
dólar/pan, debidos a la perdida de clientes que van con los competidores, los registros de la
panadería muestran que la demanda diaria se puede clasificar en tres tipos, alta, media, baja,
(.30, .45,.25) respectivamente. Quisiera determinar el número óptimo de panes que debe hacer
cada día para maximizar la ganancia (ingreso + ingreso de recuperación – costo de fabricación –
costo de ingresos).
1.-Determine el tipo de demanda, si la demanda del día será alta, media o baja, para hacerlo,
calcule la distribución de probabilidad acumulada y establecer la asignación de números
aleatorios, donde se generará un número aleatorio de dos dígitos y compararlos con las
asignaciones de números aleatorios(datos).
Supóngase que la política es preparar 60 panes diarios, si sucede que la demanda para
determinar el día es de 72 tenemos 60(.40) = 24 dlls de ingreso, 60(.25) = 15 dlls en
costos de producción y 12(.15) = 1.80 dlls en costos de ganancias perdidas. Por la falta
de 12 panes. Dando una utilidad 24-15-1.8 = 7.20 por ese día.
Al final de la simulación se promedia los márgenes de utilidad del conjunto de días para
obtener la ganancia esperada por día de esa política.
Ejemplo. La simulación para 15 días para una política en la que se hacen 60 panes por
día, la demanda tanto para un día 1 como para el 2 son de 60 panes, los números
aleatorios se darán en una tabla.
69 56 30 32 66 79 55 24 80 35 10 98
92 92 88 82 13 04 86 31 13 23 44 93
13 42 51 16 17 29 62 08 59 41 47 72
25 96 58 14 68 15 18 99 13 05 03 83
34 78 50 89 98 93 70 11 49 01 79 35
64 43 71 48 36 78 53 67 37 57 25 17
84 59 68 45 12 53 68 38 18 60 02 82
CALCULOS DESARROLLADOS.
Demanda de 60
24-15-5.4= 3.60
5.-Demanda de 60*.40 = 24
84
60*.25= 15
84-60=24*.15 = 3.6
24-15-3.6 = 5.4
6-Demanda de 36 36*.40=14.40
60-36 = 24*.10=2.4
14.40-15+2.4= 1.80
Tarea
Se usan para obtener valores de variables aleatorios que tienen una distribución de
probabilidad discreta conocida en la que la variable aleatorio de interés puede asumir uno
de un numero finito de valores diferentes, en algunas aplicaciones, sin embargo las variables
aleatorias continuas pueden asumir cualquier valor real de acuerdo con una distribución
probabilística continua, por ejemplo al simular la operación de un banco, la cantidad de
tiempo que un pagador tarda con un cliente es una variable aleatoria tal que pueda seguir
una distribución exponencial, esto se define mediante la función de densidad.
- *t
f(t) = * e
Ejemplo.
Suponga que T es una variable tal que representa la cantidad de tiempo que un pagador pasa
con un cliente en un banco, suponga que este pagador atiende un promedio de 12 clientes por
hora, suponga que el analista estadístico de los datos anteriores también indica que la
variable aleatoria asociada T sigue muy estrechamiento una distribución exponencial en la
que = 12 como se analizo la función de densidad asociada f(t), y la función de distribución
acumulativa, F(t) son. e = .368
- *t
f(t) = * e
Donde F(t) = U
1-e =U
- *t
e = 1-U
T= -1(1/) * ln(1-U)
T= -1(1/) * ln(1-U)
= - (1/12)*ln(1-.3329)
= - (1/12) * (-.4048)
= .03373 horas