Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de densidad
que corresponde a tales distribuciones viene dado por la frmula
Representacin grfica de esta funcin de densidad
FUNCIN DE DISTRIBUCIN
Puede tomar cualquier valor (- , + )
Son ms probables los valores cercanos a uno central que llamamos media
y su funcin de distribucin es
Funcion de Densidad.
Funcion de distribucin.
X
3 2
+ +2 +3 .
X = x + = (6) (-0.13) + 40
= 39.22
b) En la siguiente figura se muestra el sombreado una rea igual a .14 a la derecha del valor (x)
deseado, en esta ocasin se requiere un valor (z) que tenga .14 del rea a la derecha(1- Fz)
se tiene que 1 menos .14 es .86 y, por lo tanto, un rea .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
X = (6) (1.08) + 40 = 46.48
Ejemplo.
Un proceso industrial el dimetro de un balero es una importante parte componente, el comprador
establece en sus especificaciones que el dimetro debe ser 3 = .01 cm, la aplicacin es que no se
acepta ningn balero que se salga de esta especificacin, se sabe que el proceso, el dimetro de un
balero tiene una distribucin normal con una media de 3 y una desviacin estndar = .005. En
promedio cuantos valeros fabricados se descartaran. = 3 = .005
Solucin.
La distribucin de dimetro se muestra en la siguiente figura donde los valores que corresponde a lo
limites de la especificacin so x1 = 2.99 y x2 = 3.01, los valores correspondientes de x son:
X -
Z1 = ____________
X -
2.99 -3
Z1 = ____________ = _________ = -2.0
.005
3.01 - 3
Z2 = _________ = 2.0
.005
10
Teorema: Si x es una variable aleatoria binomial con media = np y la varianza = npq entonces
la forma de lmite de la distribucin de:
X - np
Z = ______________
npq
Cuando n ------- , es la distribucin normal estndar n (z; 0,1)
La distribucin normal con = np y = np(1-p) no solo proporciona una aproximacin muy
precisa a la distribucin binomial cuando (n) es grande y (p) no es muy cercana a 0 o 1 sino que
tambin proporciona una muy buena aproximacin aun cuando (n ) es pequea y ( p) es razonable
cercana a .
Para ejemplificar la aproximacin normal a la distribucin binomial primero se dibuja el histograma
para b(x; 15, 0.4) y entonces se sobrepone la curva normal particular que tiene la misma media y
varianza que la de la variable binomial x.
= np = (15) (.4) = 6
= npq = (15) (.4)(.6) = 3.6 = 1.897
(x n p)
Aproximacin normal de b(x; 15, 0.4).
El histograma de b(x; 15,0.4) y la correspondiente curva normal sobrepuesta, la cual se determina
completamente por su media y varianza, la cual s muestra en la figura anterior.
La probabilidad exacta de que la variable aleatoria binomial X asume un valor dado (x) es igual al
rea cuya base se centra en (x).
Ejemplo:
La probabilidad exacta de que (x) asuma el valor 4 es igual al rea de rectngulo con la base
centrada en x= 4 mediante la tabla A.1 se encuentra que esta rea es.
P(x=4) = = b (4; 15, .4) = .1268.
Lo que resulta aproximadamente igual a rea de la regin 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.
3.5 - 6
Z1 = ___________ =
1.897
-1.32
4.5 - 6
Z2 = ________ = -.79
1.897
Si x es una variable aleatoria binomial y z una variable normal estndar, entonces, usando tabla 3
P(x=4 ) = b ( 4; 15, 0.4)
11
= np = (10) (1/2) = 5
Cuando (n) es pequea y (p) est cerca de 0,1 la distribucin binomial no es simtrica donde su
media est ubicada cerca de cero o de (n) .
Cuando ( P) est cerca a cero la mayora de los valores de (y) sern pequeos obtenindose una
distribucin concentrada cerca de y = 0 que se decae gradualmente hacia (n) donde proporciona una
aproximacin deficiente a la distribucin de probabilidad binomial. Podramos pensar que la
distribucin binomial seria ms o menos simtrica si pudiera extenderse una desviacin igual a dos
desviaciones estndar ambos lados de la media y este es realmente el caso.
Ejemplo:
En el experimento binomial donde n= 10 p = .5 calcule la probabilidad de y = 2,3,4, con tres cifras
decimales usando la tabla 1 del apndice II, luego calcule la aproximacin normal correspondiente
a esta probabilidad.
4
4
1 (antes del dos)
P1 = p(y) =
p(y) - p(y) = .377- .011 = .366
y=2
y=0
y=0
12
La aproximacin normal requerira el rea entre y1 = 1.5 y y = 4.5 , donde = 5 =1.58 los
valores correspondientes.
Z=0 = .500
.4864
Z 1 = (1.5 5 )/ 1.58 = -2.22
z= -2.22 = .0138
Z2 = (4.5-5 ) /1.58 = -.32
Z = 0 .500
.1255
Z= -.32 = .3745
La probabilidad P2 es el rea que se encuentra entre los parmetros desde z= 0 y z= 2.22 es A1
=.4868 similarmente el rea entre Z = 0 y z= - .32 es A1= .1255 tabla 3
P2 = a1 a2 = .4868 - .1255 = .3613
.6255
-2.22 = .0132
-.32 = .3745
= .3613
Una empresa constructora desea saber cuales sern las probabilidad de los valores del 9 al 13 los
cuales tienen una aproximacin 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 aproximacin normal es muy til para calcular sumas binomiales para valores grandes de (n).
Con los datos de la figura anterior se podra estar interesado en la posibilidad de que (x) asumiera un
valor entre 7 y 9.
P(7 x 9 )
P(7 x 9 )
9
= b ( x; 15, 0.4)
X=7
9
6(antes uno)
= b ( x; 15, 0.4) - b ( x; 15, 0.4)
x=0
x=0
= .9662 - .6098
= .3564
La cual e s igual a la suma de las reas de los rectngulo con las bases centradas e X = 7, 8,9.
Por la aproximacin normal se encuentra el rea de la regin sombreada bajo la curva entre las
ordenadas x1 = 6.5 y x2 = 9.5 de la figura anterior los corresponsales valores de z son. = 6 Raiz
=1.897
6.5 - 6
Z1 = ----------------=
1.897
0.26
9.5 - 6
Z1 = ----------------= 1.85
1.897
13
14
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 opcin mltiple 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.
Solucin:
Para cada una de las 80 respuestas es p = , si (x) representa el numero de respuestas correctas
dadas al azar.
30
P(25< =X <= 30) = b(X; 80, 1/4)
25
= np =
80 * 1/4 = 20
x2 = 30.5
1.16
Z2 = (30.5 - 20) / 3.873 = 2.71
.8770
.9966
Las probabilidades de responder correctamente de 25 a 30 preguntas l proporciona la regin de la
fig. Siguiente aplicando la tabla 3.
30
P (25< =X <= 30) = b(X; 80, 1/4) (no existe valor de 80 en la binomial) pero lo planteamos con
25
los valores (Z1, Z2)
= P (1.16 < Z < 2.71)
= P (Z < 2.71) - P (Z < 1.16)
= ,9966 - 0.8770
= .1196
De aqu que un experimento de poisson puede generar observaciones para la variable aleatoria (X)
que representa.
El numero de llamadas telefnicas por hora que se reciben en una oficina.
El numero de das en que la escuela se cierra durante el invierno debido a la nieve.
o el nmero de juegos pospuestos debido a la lluvia durante la temporada de beisbol.
La regin especificada podra ser un segmento de lnea, una rea de volumen, o tal vez un pedazo de
material.
En este caso (X) podra representar el numero de ratas de campo por acre, el numero de bateras en
un determinado cultivo, o el numero de errores de mecanografa por pagina.
El cual tiene las siguientes propiedades.
1. El numero de resultados que ocurren en un intervalo de tiempo o regin especficos es
independiente del numero que ocurre en cualquier otro intervalo disjunto de tiempo o regin
del espacio disjunto, de esta manera se dice que el proceso de poisson no tiene memoria.
2. La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo muy corto o en
una regin pequea es proporcional a la longitud del intervalo de tiempo o al tamao de la
regin y no depende del nmero de resultados que ocurren fuera de este intervalo o regin.
3. La probabilidad de que ms de un resultado ocurra en ese intervalo de tiempo tan corto o en
esa regin tan pequea es despreciable.
El numero (X) de resultados que ocurre en un experimento de poisson se llama variable aleatoria de
poisson y su distribucin de probabilidad recibe el nombre de distribucin de Poisson. El numero
promedio de resultados se calcula con = t donde t es el tiempo o regin especificaos de inters.
Dado que sus probabilidades dependen de, la taza de ocurrencia de resultados se representa por la
expresin p(x; t).
La derivacin de la frmula para p(x; t) la cual se basa en las propiedades del proceso de poisson
indicadas anteriormente, esta mas all del alcance de este libro.
Distribucin de poisson: La distribucin de probabilidad de la variable aleatoria de poisson (X) que
representa el nmero de resultados que ocurren en un intervalo de tiempo dado o en una regin
especifica indicada por t es.
-t
x
e
( t)
P(x; t) = ______________,
x = 0, 1, 2,3
X!
Donde es el numero promedio de resultados por unidad de tiempo o regin y e = 2.72828
En la tabla A.2 se encuentra la suma de las probabilidades de poisson.
r
p(x; t) = p(x; t) para algunos valores seleccionados de (t) en el rango 0.1 a 18
x=0
16
Ejemplo.
El nmero promedio de partculas radiactivas que pasan a travs de un contador durante
milisegundo en un experimento de laboratorio es 4.
Cul es la probabilidad de que entren 6 partculas al cantador en un milisegundo determinado.
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
x=0
6!
X=0
x=0
= .1042.
Ejemplo.
Se sabe que 10 es el nmero promedio de camiones tanques de aceite que llegan por da a una cierta
ciudad portuaria, las instalaciones del puerto pueden atenderse cuando mucho a 15 camiones-tanque
en un da.
Cul es la probabilidad de que en un determinado da se tenga que regresar los camiones-tanque.
Sea (x) el numero de camiones-tanque que llegan por da, entonces utilizando la tabla A.2.
P(X > 15) = 1 p(x 15)
15
= 1 - p(x; 10)
X=0
= 1 - .9513
= 0.0487
Adicionalmente ciertas distribuciones continuas importantes utilizadas en teora de confiabilidad y
teora de colas dependen del proceso de poisson
2.13.-DISTRIBUCION EXPONENCIAL DE PROBABILIDAD.
La exponencial es un caso especial de la distribucin, tiene un gran nmero de aplicaciones donde la
distribucin exponencial y gamma juegan un papel importante tanto en la teora de colas como en
problemas de confiabilidad, el tiempo entre las llegadas en las instalaciones de servicio y el tiempo
de fallas de los componentes y sistemas elctricos frecuentemente involucran la distribucin
exponencial.
La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos
similares de problemas.
La distribucin exponencial.- es la variable aleatoria continua (X) tiene una distribucin exponencial
con parmetro , si su funcin de densidad es:
F(x) =
1
-x / ,
___ e
x>0
17
0,
P (T > 8) =
1/5
-t/5
-8/5
dt
= e
= 0.2
8
Sea (x) el nmero de componentes funcionando despus de 8 aos, entonces mediante la
distribucin binomial, n = 5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos tabla 1
5
1
P(X 2) = b(x; 5, 0.2) = 1 - b(x; 5, 0.2)
X=2
x= 0
= 1 - .7373
0.2627
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 estn en la fila sean atendidas en al
menos 5 minutos, en el transcurso de los 3 de los 5 das.
Ejemplo:
1.
El tiempo que transcurre antes de que una persona sea atendida en una cafetera es una variable
aleatoria que tiene una distribucin exponencial con una media de 4 minutos. Cul es la probabilidad
de que una persona sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6 das
siguientes?
Solucin:
Lo que nos indica que la integral va a ser evaluada de 0 a 3
18
P( T 3 )
1
4
1
t
4
dt
1
4
3
4
0.5276
p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un da cualquiera
= 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un da
cualquiera = 1- p = 0.4724
19
_
P(X < 775) = P ( z < -2.5)
= .0062
_
x = 10
_
________________________________________________ X
775
800
Ejemplo:
1/4
Dada una poblacin uniforme discreta
x= 0, 1, 2,3
f(x) =
0
Encuentre la probabilidad de que una muestra aleatoria de tamao 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.
Solucin:
Si se calcula la media y la varianza de la distribucin uniforme por medio de las formulas del.
k
xi
i=1
( xi - )
i=1
20
= ________
k
_________________
k
0+1+2+3
3
= _________ = ____
4
2
5
= __
4
_
_
La distribucin muestral de X puede aproximarse por la distribucin normal con media x = 3/2 y
la varianza x = / n = 5/144= .186
_
_
Obtener la raz cuadrada se encuentra que la desviacin estndar es x = .186, la probabilidad de X
sea mayor que 1.4 pero menor que 1.8 est dada por el rea de la regin sombreada en la siguiente
figura.
_
x = 0.186
_
______________________________________________________ x
1.45
1.50
1.75
_
Los valores correspondientes de z a x1 = 1.45
_
x2 = 1.75 son
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)
Ejemplo.
Una muestra de tamao n1 = 5 se saca aleatoriamente de una poblacin que esta normalmente
distribuida con media 1 = 50 y una varianza 1 = 9, y se registra la media x1, una segunda muestra
aleatoria de tamao n 2 = 4 se selecciona independientemente de la primera muestra, de una
poblacin diferente que tambin esta normalmente distribuida, con media 2 = 40 y varianza 2 = 4
y se registra la media muestral x2, encuentre P(X1 - X2 < 8.2).
21
_
_
Solucin. De la distribucin muestral de X1 - X2 se sabe que la distribucin es normal con media.
_
_
x1 x2 = 1 - 2
= 50 - 40 = 10
Y Varianza.
_
_
x1 - x2 =
____
n1
= 9/5
+ ___
n2
+ 4/4 =
2.8 = 1.673
La probabilidad deseadas esta dada por el rea de la regin sombreada en la siguiente figura
correspondiente al valor x1 - x2 < 8.2 se encuentra que:
x1 - x2 = 1.673
_
_
____________________________________________________ x1 - x2
8.2
10
8.2 - 10
Z = ____________ = - 1.08
2.8
Y de aqu que
GRAN XITO(G)
(G)
8
12
15
.2
23
Una compaa Star Productions quiere saber los pagos asociados y las probabilidades de las tres
alternativas de inversin, en este punto de decisiones se debe escoger una de las alternativas de
inversin(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 el siguiente figura.
Nodo
probabilistico
1
Nodo de decisin
O
Nodo
terminal
P(FL)=0.4
4
P(SL)=0.4
5
P(GL)=0.2
6
-2
5
8
L(baja)
M(moderado)
H (alta)
P(FM) = 0.4
7
P(SM) = 0.4 8
P(GM) =0.2
9
P(FH)= 0.4
P(SH) = 0.4
P(GH)= 0.2
-5
10
12
10
11
12
-8
6
15
Para trazar el rbol empiece con un nodo numerado cono 0 para representar el punto del tiempo en
el cual se debe tomar una decisin, en este punto de decisin se debe escoger una de las tres
alternativas de inversin, 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 seleccin de la alternativa de inversin baja, existen
tres alternativas posibles, fracaso, xito, gran xito, estos resultados estn representados por los nodos
4,5,6, que estn conectados con el nodo 1, el nodo 4 representa el resultado de tener un fracaso en caso
de que se haya hecho una inversin 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 inversin
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 grafica 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
informacin 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 rbol donde este se considera no de decisin, los nodos
probabilisticos 1,2,3 de los cuales se derivan los resultados inciertos, y los terminales 4,12
El rbol 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.
(Ganancia esperada para 4) * (prob asociada al arco 1-4) +
24
Ganancia esperada para 1 = (Ganancia esperada para 5) * (prob asociada al arco 1-5) +
(Ganancia esperada para 6) * (prob asociada al arco 1-6) +
=(-2*.4)+(5*.4)+(8*.2) = 2.8
esta es la mejor opcin
(Ganancia esperada para 7) * (prob asociada al arco 2-7) +
Ganancia esperada para 2 = (Ganancia esperada para 8) * (prob asociada al arco 2-8) +
(Ganancia esperada para 9) * (prob asociada al arco 2-9) +
=(-5*.4)+(10*.4)+(12*.2) = -2+4+2.4 =4.4
Ganancia esperada para 3 =
Usted escribe este valor junto al nodo 1, clculos similares identifican los pagos esperados para los
nodos 2,3, la informacin resultante a continuacin, donde se identifica la mejor alternativa debido a
su pago esperado de $4.4 millones en el nodo 2, es el ms grande de las tres alternativas, donde la
decisin es optima.
Ganancias esperadas
1 = (-2*.4)+(5*.4)+(8*.2)= 2.8
Ganancias esperadas
2 = (-5*.4)+(10*.4)+(12*.2)= 4.4
Ganancias esperadas
3 = (-8*.4)+(6*.4)+(15*.2)= 2.2
Principio de Markov:
Cuando una probabilidad condicional depende nicamente del suceso inmediatamente anterior, cumple
con el Principio de Markov de Primer Orden, es decir.
25
Si un suceso depende de otro adems del inmediatamente anterior, este es un proceso de Markov de
mayor orden. Por ejemplo, Un proceso de segundo orden describe un proceso en el cual el suceso
depende de los dos sucesos anteriores.
Los procesos de Markov tambin se les llama Cadenas de Markov.
Notaciones que utilizaremos:
pij = probabilidad de transicin en un perodo.
P = [pij]nxn matriz de transicin formada por los valores de pij , donde cada fila representa el estado
inicial donde se parte y las columna el estado al que se ira en un perodo.
p ij( k ) P ( X ( k ) j X (0) i ) representa la probabilidad de ir del estado i al estado j en k perodos.
(k )
0.2
P 0.3
0.2
0.3
0.4
0.4
0.5
0.3
0.4
Para calcular:
26
(2)
p11
P ( X ( 2) 1 X (0) 1) = p11.p11+ p12.p21+ p13.p31
= 0,2.0,2+0,3.0,3+0,5.0,2 = 0,23
(2)
p12
P ( X (2) 2 X (0) 1) = p11.p12+ p12.p22+ p13.p32
= 0,2.0,3+0,3.0,4+0,5.0,4 = 0,38
( 2)
p13
P ( X ( 2) 3 X (0) 1) = p11.p13+ p12.p23+ p13.p33
= 0,2.0,5+0,3.0,3+0,5.0,4 = 0,39
( 2)
( 2)
( 2)
luego p11
+ p12
+ p13 =1
Ubicacin
Ubicacin
En el
Mes 0
En el
Mes 1
En el
Mes 2
Norte
probabilidad
de cada
ubicacin en el mes 2
0.04
0.2
Norte
0.3
Central
0.06
Sur
Norte
0.10
0.09
Central
0.12
0.5
0.2
0.3
Central
NORTE
0.3
0.4
27
0.3
0.5
Sur
0.09
0.2
Norte
0.10
0.4
Central
0.20
Sur
0.20
sur
0.4
P(de estar en el norte en el mes 2 dado que se encontraba en el norte en el mes 0)=.04+.09+.10=.23
P(de estar en el central en el mes 2 dado que se estaba en el norte en el mes 0)=.06+.12+.20=.38
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
MATRIZ DE PROBABILIDAD ESTA PROBABILIDAD DES ESTADO ESTABLE
Si se utiliza notacin de matrices, estos clculos para el mes 1 aparecern de la siguiente manera
N C S
[1 0 0]
Vector de probabilidad
Para comenzar en
El norte.
N C
S
0.2 0.3 0.5
0.3 0.4 0.3
=
0.2 0.4 0.4
Matriz de transicion
de un mes
N
[0.2
C
0.3
S
0.5 ]
Vector de probabilidad
despus de un mes.
N C S
[ .2 .3 .5 ]
Vector de probabilidad
Para despus de un mes
N C
S
[0.23 0.38 0.39 ]
Vector de probabilidad
despus de dos meses.
Observe que estas series de clculos pueden combinarse en uno de los siguientes
N C S
[1 0 0]
N
0.2
0.3
0.2
C
0.3
0.4
0.4
S
0.5
0.3
0.4
N
0.2
0.3
0.2
C
0.3
0.4
0.4
S
0.5
0.3
0.4
N
= [0.23
Matriz de transicin
de un mes
C
0.38
S
0.39]
Vector de probabilidad
despus de dos mes.
28
El norte.
El clculo del vector de probabilidad despus de dos meses depende del vector de probabilidad en
el mes 0 y de la matriz de transicin de un mes, en los clculos anteriores se utiliz un vector de
probabilidad inicial que representaba un camin que haba comenzado en el norte, para calcular la
proporcin de camiones que se encontraran en cada regin despus de dos meses, simplemente se
sustituye la proporcin original de camiones que se encuentran en cada regin y se considera como
el vector inicial de probabilidad es decir[.4 .3 .3] y se convierte en.
N C S
[.4 .3 .3]
Proporcin de
Camiones en
Mes 0
N
0.2
0.3
0.2
C
0.3
0.4
0.4
S
0.5
0.3
0.4
Matriz de transicin
de un mes
N
0.2
0.3
0.2
C
0.3
0.4
0.4
S
0.5
0.3
0.4
N
= [0.236
Matriz de transicin
de un mes
C
S
0.377 0.387]
proporcin de camiones
en el mes 2.
De estos clculos pueden verse despus de dos meses que 23.6% de todos los camiones se
encontrara en el norte 37.7% est en la regin central y 38.7% en el sur
ESTUDIOS DE CASOS FENMENOS DE PREFERENCIA
Una escuela financiada por el gobierno carreras de dos aos, estn interesados en saber cuantos
alumnos se gradan cada ao, cuantos continuaran en la escuela y cuantos renunciaran a ella, esta
informacin es til para plantear las necesidades futuras de profesores para obtener fondos del
estado. Donde los estudiantes que terminan su primer ao 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
continan pueden asistir a cursos del segundo ao o repetir cursos del primero, los que terminan el
segundo ao se gradan con un grado intermedio, continan 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 proporcin que cae en la
categora.
1
2
Ao
ao
grado
trans
1 ao 0.1
0.7
0
0.2
2 ao
0
0.2
0.6
0.2
grad
0
0
1
0
trans
0
0
0
1
Esta matriz de transicin es diferente de las que vimos antes, en primer lugar no es posible pasar a
todos los dems estados a partir de un especifico, donde un estudiante de primer ao no puede
graduarse, en segundo lugar un estudiante que alcanza el estado de graduado o el transferido no
puede pasar a ningn otro estado. Por esta razn, estos estados (graduado y transferibles) se conoce
como estados absorbentes porque una vez que se alcanza no puede abandonarse. Qu proporcin de
29
los estados originales no absorbentes terminaran en cada uno de los estados absorbentes, que
proporcin de estudiantes de primer o segundo ao se graduaran, y que proporcin se transferirn a
otra escuela o la abandonaran.
Donde primero definiremos la matriz fundamental Q.
Eliminar los renglones correspondientes a los estados absorbentes originales.
Dividir la matriz restante en estados absorbentes y no absorbentes, denominar G a la parte de
la matriz bajo estado absorbentes, y a la parte bajo estados no absorbentes, H
Calcular Q = (I-H) elevada a la menos 1, en donde I = matriz identidad (diagonal principal, y
ceros en las dems posiciones) y el exponente 1 se refiere al inverso de una matriz.
1.- Eliminar los renglones.
1
ao
0.1
0
1 ao
2 ao
2
ao
0.7
0.2
grad
0
0.6
trans
0.2
0.2
G=
.6
.1
0
H =
.7
.2
I=
1
0
0
1
Matriz Unitaria.
Inversa de una matriz
1
-b
B = _________
ad - bc
d
=
- b
______
_______
ad-bc
ad-bc
-c
----------
-----------
ad-bc
ad-bc
-1
3. Calcular Q = (I - H)
-1
-1
30
0.9 -.7
(0 0) (1 -.2)
.8
.8
.7
.9
1.111 .972
=
1.250
Se cambian signos invertir Utilizando Q puede calcularse la proporcin de estudiantes que alcanzaran
cada uno de los estados absorbentes, si esta matriz de proporcin se denota R, en donde Rij =
proporcin de estudiantes en un estado inicial y que en algn momento pasan a un estado absorbente
j.
Hacer el producto de rengln por cada una de las columnas para poder obtener los siguientes valores
de la matriz
R = QG
1.111 .972
Q=
1.250
G=
.2
.6
.2
Por lo que.
1.111
R=
.972
1.250
0.2
0.6 0.2
.583
.417
.750
.250
R11 = .583
= proporcin de estudiantes que se encuentran en el primer ao y que en algn
momento se graduaran.
R12 = .417
= proporcin de estudiantes que se encuentran en el primer ao y que se transfieren a
alguna otra escuela.
R21 = .750 = proporcin de estudiantes que se encuentran en su segundo ao y que se graduaran.
R22 = .250 = proporcin de estudiantes que se encuentran en su segundo ao y que se transfieren.
Si ahora existieran 1000 estudiantes de primer ao y 800 estudiantes de segundo ao es de
esperarse que.
(.583) (1000) = 583 estudiantes de primer ao que en algn momento se graduaran.
(.417)(1000) = 417 estudiantes de primer ao que se transferirn.
(.750)(800) = 600 estudiantes de segundo ao que se graduaran.
(.250)(800) = 200 estudiantes de segundo ao que se transferirn.
Si los administradores desean que se gradu en promedio 700 estudiantes entonces ser necesario
aumentar el nmero de alumnos de primer ao a (700/.583) = 1201 estudiantes.
2.7.1.- PROCESOS ESTOCASTICOS.
Proceso Estocstico.- Se consideran una familia de modelos dinmicos que son estocsticos as como
dependientes del tiempo.
Estocstico.- son fenmenos estadsticos, de probabilidad.
31
Los procesos estocsticos, y ms concretamente las llamadas cadenas de Markov, han tenido en los
ltimos aos un amplio desarrollo debido a sus mltiples aplicaciones. Y es que este tipo de cadenas
aparecen con frecuencia en disciplinas tan diversas como la fsica de partculas, los modelos
econmicos, la psicopedagoga o la epidemiologa.
Es muy frecuente que en muchos procesos biolgicos, sociolgicos o incluso en fsica terica,
aparezcan sucesos producidos por el azar, pero conectados entre s como los eslabones de una cadena.
La cadena que une todos estos procesos tiene una especial peculiaridad: un eslabn determina en cierta
forma cual ser el eslabn siguiente, pero sin embargo es independiente del eslabn anterior. Estos
procesos fueron estudiados por el matemtico 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
exposicin, lo que no quita que podamos exponer los conceptos bsicos que las configuran y que nos
permitirn entender la esencia de su lenguaje.
El comportamiento de un sistema as condujo a un anlisis de un tipo particular de un proceso
estocstico, se puede ilustrar las ideas presentadas considerando el siguiente aplicacin.
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 estndar, 1 de cada 10 autos Chevrolet son
estndar y 2 de cada 10 autos Chrysler son tambin estndar, un cliente compra un auto de este
lote, a.) cul es la probabilidad de que el auto seleccionado por el cliente sea estndar?, b.)
cul es la probabilidad de que haya seleccionado un auto Chevrolet estndar?, c.) cul es la
probabilidad de que el auto seleccionado sea Ford o Chrysler automtico?
Solucin:
a. Haciendo uso de un diagrama de rbol como se muestra, se facilita hacer el clculo de
probabilidades
S 2/8
F
25%
45%
A 6/8
S 1/10
CH
A 9/10
S 2/10
30%
Chr
A 8/10
c.
2. En un lote de produccin se tienen 150 artculos, 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, cul es la probabilidad de que sea un producto del tipo B?, c.) cul es la
probabilidad de que un producto cumpla con las especificaciones y sea del tipo B?
Solucin:
Haciendo uso de un diagrama de rbol como en el caso anterior, procederemos a dar solucin al
problema en cuestin;
NC 15%
A
30/150
C 85%
60/150
NC 20%
C 80%
60/150
C
NC 5%
C 95%
= 0.14
b.-)
a.- E = evento de que el producto seleccionado no cumpla con las especificaciones
33
10/17
10
5
2 A 2/16
B 10/16
10
V
5/17
5 V 4/16
2 A 2/16
10 B 10/16
5 V 5/16
A
2/17
Primera esfera
a.
B 9/16
V 5/16
A 1/16
segunda esfera
= 80/272 =0.29412
= 0.625
34
2.7.2.- CADENAS DE MARKOV.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 informacin importante cuando es
aplicada, el anlisis de markov es similar a la programacin lineal.
DESCRIPCIN DE UNA CADENA DE MARKOV
En la fig siguiente se muestra el proceso para generar una cadena de markov, en general markov
produce uno de (n) eventos posibles, (Ej) donde J=1,2,..n a intervalos discretos de tiempo(que no tiene
que ser iguales). La probabilidad de ocurrencia para cada uno de estos eventos depende del estado
del generador.
Este estado se describe por ultimo evento generado, l 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 transicin del estado
(Sj) al estado (Ek) para describir completamente una cadena de markov es necesario saber el estado
actual y todas las probabilidades de transicin.
Estado
Generador
Sj
Movimiento
Evento generado
E1 E4 E6 E j
T1
t2
t3
t4
tiempo
PROBABILIDAD DE TRANSICIN.
Para describir una cadena de markov es como un diagrama de estados, como se muestra a
continuacin, en esta ilustracin un sistema de markov con cuatro estados posibles S1, S2, S3, S4, la
probabilidad condicional o de transicin 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 transicin que son
posibles.
35
P31
P13
P12
P21
P43
p34
P24
P42
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin, la matriz
de transicin del diagrama de estados se muestra a continuacin, cuando existen cuatro estados
posibles, es necesario 4 x 4 =16 probabilidades, tambin ntese que cada rengln de la matriz suman
1, esto se debe a que el sistema debe hacer una transicin.
De:
s1
S2
S3
S4
S1
s2
s3
s4
total
0
p21
p31
0
p12
0
0
p42
p13
0
p33
p43
0
p24
p34
p44
1
1
1
1
Las probabilidades de transicin son datos para el anlisis, se debe conocer, no existe manera de
derivarlas, en algunas aplicaciones esto puede ser una limitacin.
O en forma equivalente, la matriz de transicin de (n) pasos
Estado
0
1
0
(n)
P00
(n)
P10
1
....... M
(n)
(n)
P01 Pom
(n)
(n)
P11 . P1m
...
(n)
Pmo
(n)
P
=
M
Observe que la probabilidad de transicin en un rengln y columna dados es para la transicin del
estado en ese rengln al estado en la columna. Cuando n=1 el superndice (n) no se escribe y se
hace referencia a esta como la matriz de transicin
36
0.25
0.75
0.25
S2
0.25
0.75
P(S1)
P(S2)
Inicio: 0.75
0.25
1
0.625
0.375
0.567
0.433
0.531 0.469
0.516
0.484
En los sistemas con ms estados, los clculos se vuelven ms largos, pero el procedimiento es el
mismo, considrese el sistema de tres estados que se muestran a continuacin, supngase que el
sistema se encuentra en el estado S1 en el diagrama puede observarse para el siguiente ciclo.
S1
s2
s3
37
s1
.4
.3
.3
s2
.1
.8
.1
s3
.1
.3
.6
0.3
0.1
.1
.1
.3
PS1
.4
P(S1) =.4P11 + .3P21 +.3P31
=.4(.4) +.3(.1) +.3(.1) = 0.22
P(S1) =.22P11 + .45P21 +.33P31
=.22(.4) +,45(.1) +.33(.1)=.166
P(S1)=.16P11 + .53P21 +.304P31
=.16(.4) + .53(.1) +.304(.1) = .15
P(S1)=.15P11 + .56521 +.285P31
=.15(.4) +.565(.1)+.285(.1)= .145
.3
PS2
.3
P(S2) = .4P12 +.3P22 +.3P32
= .4/.3) +.3(.8) +.3(.31) = .45
P(S2)= .22P12 +.45P22 +.33P32
=.22(.3)+.45(.8) +.33(.31) =.53
P(S2)=.16P12 +.53P22 +.304P32
=.16(.3) +.53(.8)+.304(.31)=.56
P(S2)=.15P12+.565P22 +.285P32
=.15(.3)+.56(.8)+.28(.31) =.58
PS3
.3
P(S3)=.4P13+.3P23+.3P33
=.4(.3) +.3(.1) +.3(.6)=.33
P(S3)=.22P13+.45P23+.33P33
=.22(.3)+.45(.1)+.33(.6)=.304
P(S3)=.16P13+.53P23+.304P33
=.16(.3)+.53(.1)+.304(.6) =.285
P(S3)=.15P13+.565P23+.285P33
=.15(.3)+.565(.1)+.285(.6)=.275
Como el sistema se debe encontrar en algn estado, solo es necesario calcular dos de estas
probabilidades y la tercera puede encontrarse con la siguiente relacin.
P(S1) +P(S2)+P(S3) =1
INICIO
1
2
3
4
5
P(S1)
.4
.22
.166
.15
.145
P(S2)
.3
.45
.53
.565
.58
P(S3)
.3
.33
.304
.285
.275
Cuando una cadena de markov ha llegado lo suficientemente lejos como para estar cerca de estos
lmites, se dice que alcanzado un estado estable. Los lmites de estado estable se refieren solo al
porcentaje de tiempo a largo plazo que el sistema se encontrara en cada estado particular.
METODO DE LA SUMA DE FLUJOS.
Este mtodo esta 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 ecuacin tal que para el estado (k) se cumpla.
toda i k
Observando el estado S1 donde solo es n las flechas entre los estados, para los flujos que llegan
se tiene.
.7
.4 1
4 .4
2
.5
.5
.8
.5
S1
.3
S2
5
.2
Un estado (i) es un estado absorbente si Pii = 1
Ejemplo.
39
Supngase que toda la industria de la construccin fabrica dos tipos de concreto 1, 2, dado que una
persona la ultima vez compro el 1, hay 90% de probabilidades de que su siguiente compra sea el 1,
dado que la ultima compra de una compra fue el 2 , hay el 80 % de probabilidad de que su siguiente
compra sea 2.
1. Si una persona en la actualidad es comprador de el 2, cual es la probabilidad de que compre el
1 dos veces a partir de ahora.
2. Si una persona en la actualidad es comprador de el 1, cual es la probabilidad de que compre
el 1 tres ocasiones a partir de ahora.
En cualquier tiempo dado, del tiempo de cemento que compro la persona en la ultima vez, as las
compras de cada individuo pueden representarse como una cadena de markov de dos estados
donde.
Cemento 1 = la persona compro cemento de tipo 1 la ultima vez.
Cemento 2 = la persona compro cemento de tipo 2 la ultima vez.
Donde Xn como el tipo de cemento que una persona compra en su n-esima compra futura(compra
actual de cemento = Xo, X1 se podra describir como la cadena de Markov con la siguiente matriz
de transicin.
cem1 cem 2
Cement 1 . 90
.10
P = Cement 2 .20
.80
2
1.- Se busca P(x2 = 1 I Xo = 2) = P21(2) = elemento 21 de P :
P=
. 90 .10
.20 .80
. 90 .10
.20 .80 =
.83 .17
.34 .66
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, obsrvese 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.- Se busca P11 (3) = elemento 11 de P
3
2
P = P(P) = . 90 .10 . 83 .17
.781 .219
.20 .80 .34 .66
=
.438 .562
Por lo tanto P11(3) = .781
Cemen 2
P22 = .80
P12 = .10
40
Cement 2
Cement1
P21 = .20
P11 = .90
Cement 1
Tiempo 0
Tiempo 1
tiempo 2
P=
Sm
Colum
s-m
Q
renglones 0
m
colum
R
I
Donde:
Los renglones y las columnas de P corresponde, en orden a los
1. Estados t1,t2,t3,.t s-m , a1,a2,.am donde.
2. I es una matriz identidad de m x m, que refleja el hecho de que nunca podemos dejar un
estado absorbente.
3. Q es una matriz (s-m) x (s-m) que representa las transiciones entre los estados transitorios.
4. R es una matriz (s-m) x m que representa las transiciones desde los estados transitorios a los
estados absorbentes,
5. 0 es una matriz m x (s-m) que consta de ceros, esto refleja el hecho de que es imposible ir
de un estado absorbente a uno transitorio.
Ejemplo.
Estado 1 cuentas nueva.
Estado 2 Los pagos de la cuenta estn retrasados un mes.
Estado 3 Los pagos de la cuenta estn retrasados dos meses.
Estado 4 Los pagos de la cuenta estn retrasados tres meses.
41
Si al principio de un mes una cuenta lleva dos mese 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 atrazo) y 60% de probabilidades de que se pague la cuenta. Para simplificar se supondr
que despus 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 ser 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 mesespagada pero no hay retorno de cobrada a 2 meses. Una nueva cuenta caracterstica ser absorbida
como deuda cobrada o incobrable, una pregunta de mayor inters es, cual es la probabilidad de que
finalmente sea cobrada una cuenta nueva.
1.-Cual es la probabilidad dde que finalmente se cobre una cuenta nueva.
2.-Cual es la probabilidad de una cuenta con un mes de retrazo en algn momento sea una deuda
incobrable.
3.- Si en promedio las ventas de la empresa son $100,000 por mes, cuanto dinero por ao se quedara
sin cobrar.
T1 = nueva. T2 = 1 mes T3 = 2 mese. T4 = 3 meses. A1 = pagado. A2 = incobrable.
La matriz de probabilidad de transicin se puede expresar como.
Nueva 1 mes
Nueva.
0
.6
1 mes
0
0
2mese.
0
0
3 mese
0
0
Pagado
0
0
Incobrable
0
0
Entonces s =6
0
m=2
.6
0 0
.4 0
0 0
42
0
0
0
0 .5 0
0 0 .4
0 0 0
R = .5 0
.6 0
.7 .3
4x4
Entonces:
I=
0 1 0 0
0 0 1 0
0 0 0 1
4x2
I - Q
1
I= 0
0
0
0 0 0
1 0 0
0 1 0
0 0 1
0 .6 0 0
Q = 0 0 .5 0
0 0 0 .4
0 0 0 0
1 -.6
= 0 1
0 0
0 0
0 0
.5 0
1 -.4
0 1
Inversa.
1 -.6
0 1
0 0
0 0
0
.5
1
0
0
0
.4
1
1
0
0
0
0
1
0
0
0
0
1
0
T1 t2 t3
t4
-1
t1 1 -.6 .3
.12
(I - Q) R = t2 0
1 -.5
.20
t3 0
0
1
-.4
t4 0
0
0
1
0
0
0
1
.4 0
.5 0
.6 0
.7 .3
1
0
= 0
0
.6
1
0
0
.3 .12
.5 .20
1 .4
0 1
.964
.940
.880
.700
.036
.060
.120
.300
As
P{D t+1= 0 } =
0
1
.368
(0) !
P{D t+1= 1 } =
1
1
.368
(1) !
P{D t+1= 2 } =
2
1
.368
(2) !
0
= 1
.368
= 1 * .368 = .368
(0) !
1
= 1
.368
= 1 * .368 = .368
(1) !
2
= 1
.368
= 1 * .368 =.184
(2) !
si Xt = 0
o Xt+1 = 1
44
Para el ultimo rengln de P, la semana t+1 comienza con 3 cmaras en inventario y los clculos de
las probabilidades de transicin son justo las mismas que para el primer rengln, en consecuencia la
matriz completa es.
Estado
P=
0
1
2
3
.368
0
0
.368
La informacin dada por la matriz de transicin tambin se puede describir con el diagrama de
transicin de estados, los cuatro estados posibles para el numero de cmaras que se tienen al final
de la semana se representa por lo cuatro nodos.(crculos) en el diagrama, la flecha muestran las
transiciones posibles de un estado a otro o, en ocasiones de regreso al mismo estado cuando la
tienda de cmaras va del final de una semana al final de la siguiente. El numero junto a cada
flecha da la probabilidad de que ocurra esa transicin en particular cuando la tienda de cmaras
esta en la base de la flecha.
.632
.368
.80 0
1
.184
.368
.264 .368
.080
.184
.368
2
3 .368
.368
.368
Ejemplo.
El valor de una accin, al final de un da dado se registra el precio, si la accin subi, la
probabilidad de que suba maana es .7 si la accin bajo, la probabilidad de que suba maana es
solo .5, esta es una cadena de markov, donde el estado 0 representa que el precio de la accin sube
y el estado 1 representa que baja, la matriz de transicin esta dada por.
Estado
0
P= 1
0
.7
.5
1
.3
.5
Ejemplo.
Suponga ahora que el modelo del mercado de acciones se cambia de manera que el que una accin
suba o no maana depende de si subi o no hoy y ayer, en particular si la accin subi los dos das,
ayer y hoy, la probabilidad de que suba maana es .9, si la accin subi hoy pero ayer bajo, maana
subir con la probabilidad d .6, si la accin bajo hoy pero ayer subi, entonces maana subir con
probabilidad de .5 por ultimo, si bajo durante estos dos das, la probabilidad de que maana suba
45
es .3. si se define el estado como la representacin del hecho de que la accin baje o suba hoy, se
puede transformar en una si se define los estados como sigue.
Estado 0. la accin aumento hoy y ayer.
Estado 1. la accin aumento hoy y ayer bajo.
Estado 2. la accin bajo hoy y ayer aumento.
Estado 3. la accin bajo hoy y ayer.
Esto conduce a una cadena de markov de cuatro estados
Estado
P=
0
1
2
3
.9
.6
0
0
0
0
.5
.3
.1
.4
0
0
0
0
.5
.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 transicin dada por.
Estado
P=
0
1
2
3
1
0
1p 0
0
1-p
0
0
0
p
0
0
0
0
p
1
Las etiquetas numricas de los estados que alcanza el proceso coinciden con la expresin fsica del
sistema, los niveles del inventario real y la fortuna del jugador, respectivamente, mientras que las
etiquetas numricas de los estados en el ejemplo de la accin no tienen significado fsico.
2.8.1.- CANTIDADES ECONMICAS DE PEDIDO
Los inventarios prevalecen en el mundo de los negocios, mantener inventarios es necesario para las
compaas que traten con productos fsicos, como fabricantes, distribuidores, y comerciantes. Los
fabricantes necesitan inventarios de materiales requeridos para la manufactura de productos,
tambin deben almacenar productos terminados, en espera de ser enviados, de manera similar tanto
los distribuidores como las tiendas deben mantener inventarios de bienes disponibles cuando los
consumidores los solicitan como:
1. Se conoce la demanda con incertidumbre y es constante con el tiempo.
2. El tiempo de adelanto o espera es cero, es decir un pedido se recibe en el momento en que se
ordena.
3. Se empleo un sistema de punto de orden y, as los inventarios se revisan en forma continua.
46
47
Para un tamao de pedido de 6, se calcula que el numero total de unidades en el inventario seria 18,
su promedio para los 6 das, el inventario promedio e de 3 unidades.
Costo de conservacin = Inv promedio por da) * (costo por unidad por periodo de 6 das)
= (3) * (.274)(6)
4.932.
La longitud de cada una de las porciones diagonales del inventario se define como el ciclo del
inventario tc, as el promedio se calcula como sigue.
rea de bajo un lnea de inv.
Inv promedio = _________________________
* altura * base
=
____________________
tc
Nivel mximo
de inventario
Q/2
Tiempo
0
tc
Nivel promedio de inventarios para el modelo clsico.
* Q * tc
= ______________
tc
Q
= _______
2
Si se calcula para varios ciclos, de cualquier manera debe obtenerse un inventario promedio de Q/2.
Ejemplo;
4 * *Q* tc
Inventario promedio = _______________ = Q / 2
4 tc
El costo por mantenimiento se expresa entonces
Costo de conservacin = Cc * Q/2
Ahora el problema se puede expresar de la siguiente manera.
Minimizar:
Ct = Co * D/Q + Cc * Q/2
N* = DCc/2Co
El tiempo que transcurre entre los pedidos sucesivos ( tc);
Para determinar el costo asociado;
tc = 2Co / D Cc
Ct* = 2 CoCcD.
Ejemplo: supongamos.
Supongamos que tenemos lo siguiente:
Co = $20 por orden.
Cc = $100 por unidad por ao.
D = 365 unidades por ao.
Calcular:
La cantidad optima de pedida.
Numero ptimo de pedido.
Tiempo entre pedido.
Costo total Asociado.
= 12.08
= 912.50 = 30.2
= 1,460,000
$1208.30
2CoD
Cc(1-(r2/r1)
Ct* = 2CoCcD(1-(r2/r1)
N* = CcD(1-(r2/r1))
2Co
3 Numero de pedidos.
tc* = T
2Co
CcD(1-(r2/r1)
M = Q Q(r2/r1)
Ejemplo.
Una compaa ha decidido comenzar a fabricar una refaccin que antes adquira de un proveedor
externo, la demanda es de 1000 unidades al mes, el costo de preparacin por corrida es $200 y el
costo de mantenimiento es $55 por unidad al ao, una vez que una maquina esta operando, puede
fabricar esas partes a razn de 2,500 unidades por mes, la compaa opera al ao 300 das, se desea
saber el lote de produccin con el que deben trabajar, con que frecuencia deben realizarse las corridas
y el costo total asociado con el tamao de la corrida.
Co = costo e preparacin = $200
Cc= costos anuales de conservacin por unidad =$55
R1 = taza de produccin en unidades por mes = 2,500
R2= D = demanda mensual en unidades = 1000
T= tiempo por ao = 300
Q* = 2(200)(1000)(12) = 381.38 unidades por lote.
(55)(1-(1000/2500))
Utilizando la ecuacin 4
t* =300
2(200)
(55)(1000)(12)(1-(1000/2500))
= 9.53 das.
= $12,585.70
costo de colocar un pedido es de $200, los administradores estiman que el costo de los agotamientos
es de $5.00 por unidad por ao aproximadamente.
Calcular la cantidad optima de pedido y el nivel mximo de los inventarios, la cantidad es.
Q* =
2CoD
Cc
= (665.64)(1.897)
Cc + Cs
Cs
= 2(200)(1200)(12)
13
13 + 5
5
Q *= modelo de agotamiento
Nivel mximo de inventario. S*
S* =
2CoD
Cc
= (665.64)(.16667) = 110.94
Cs
Cc + Cs
2(200)(1200)(12)
13
5
13 +
Utilizando los valores de P=$3500 por unidad, D= 365 unidad por ao, Q* = 12.08 unidades = 12.00
(tamao practico del lote) donde Co = $60 por pedido, Cc = $ 100 por unidad por ao. Donde se
calculara el punto optimo de pedido.
P = $3500
D= 365
Q* = 12
Co = 60
Sin descuento.
Ct1 = (Co)(D/Q*) +(Cc)(Q*/2) +(D)(P sin descuento)
Ct1 = (60)(365)/(12) +(100)(12/2) +(365)(3500)
= 1825 + 600 + 1277500
= 1,279,925.00 costo por ao.
Con descuento.
Ct2 = (Co)(D/Qdescuento) + (Cc)(Q descuento/2) + (D)(Pdescuento).
Ct2 = (60)(365/60) + (100)(60/2) + (365)(3395)
= 365 + 3000 + 1239175.00 = 1242540.00
2.8.5.-MANEJO DE INCERTIDUMBRE.
Los mejores administradores deben siempre reaccionar coherentemente aunque estn bajo presin, pero
en ocasiones puede parecer que son tmidos o indecisos en algunos momentos. Cuando esto sucede, la
incertidumbre llega y retrasan la toma crucial de decisiones. En lugar de confiadamente tomar una
decisin, analizan la situacin, recopilando ms y ms informacin antes de tomar accin.
Estos escenarios ocurren a diario en el lugar de trabajo y definen el xito o fracaso profesional de quien
toma o prolonga la decisin, segn sea el caso. La incertidumbre nubla la visin e impide la toma
estratgica de decisiones en momentos cruciales de los cuales depende una operacin.
Alimentados por el miedo a equivocarse sin tener todos los datos, algunos gerentes o directores hacen
poco o nada hasta poder acumular suficiente informacin para tomar una decisin. Mientras tanto,
otros con menor grado de incertidumbre, toman la informacin a la mano, proyectando los probables
resultados de una decisin a otra para que la accin no espere.
Ambos grupos admitirn con dificultad que tomar decisiones con incertidumbre no es ideal, pero la
realidad dicta que la mayora de los negocios operan en un clima con al menos un poco de
incertidumbre, requiriendo as de los mejores gerentes y directores para tomar decisiones prontas y
acertadas. Los mejores directivos siempre encuentran el modo de sobrepasar estos obstculos, 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 situacin, que
posteriormente, cobrar factura.
Cmo manejar mejor el Factor Incertidumbre
52
Acptelo. La mayora de las decisiones que tomar, las har con la mitad de la informacin que le
gustara tener. Gran parte de su trabajo es enfrentarse continuamente a los obstculos y simplemente
utilizar la balanza entre los pros y contras, para saber como superarlos
2
K + cQ + hQ / (2a)
aK
T =__________________ = _____ + ac + hQ/2
Q/ a
Q
*
Q = 2aK/h
P/(p +h)
*
Q = 2aK/h
P+h/p
*
La longitud optima del ciclo t esta dada por.
*
*
Q
t = _____ 2K/a h P+h/p
a
*
*
54
Q - S = 2aK/p
h/p + h
*
S/a
P
________= _______
*
Q/ a
p +h
En el ejemplo anterior. Se permiti faltante, el costo por faltante se estimo en la seccin anterior.
P = 1.10
K = 12000
h = .30
a = 8000
*
S = (2)(8000)(12000)/(.30) 1.1/(1.1 +.3)
= 22424
*
Q = (2)(8000)(12000)/(.30) (1.1 + .3) / 1.1 = 28540
*
t = 28540/8000 = 3.6
Cada 3.6 meses para producir 28540 bocinas, el faltante mximo permitido es de 6116 bocinas
S
Q1
Q2
Q3
R
Nivel de reorden
Existencias de
seguridad
55
tl
tl
tl
tiempo
56
DISEO DE EXPERIMENTO.
La simulacin es una tcnica excepcional pos su versatilidad, ha hecho que la simulacin sea la
tcnica de la Investigacin de operaciones, debido a su gran diversidad de aplicaciones es imposible
enumerar todas las reas especficas en las que se ha usado como:
Ejemplo.
Una panadera cada maana la panadera satisface la demanda del da con pan recin horneado, el ha
pensado hacer lotes de docenas de panes. Cada pan tiene un costo de .25 centavos de dlar, la
demanda diaria total de pan tambin se presenta en mltiplos de 12, los datos demuestran que esta
demanda varia de 36 a 96 panes diarios, un pan se vende en .40 centavos de dlar, si sobra pan al
final del da se vende a una cocina de beneficencia a un precio de recuperacin de .10centavos de
dlar por pan, si la demanda es mayor que la oferta, suponemos que hay un costo por ganancia por
ganancia perdida de .15centavos de dlar/pan, debidos a la perdida de clientes que van con los
competidores, los registros de la panadera muestran que la demanda diaria se puede clasificar en
tres tipos, alta, media, baja, (.30, .45,.25) respectivamente. Quisiera determinar el numero optimo de
panes que debe hacer cada da para maximizar la ganancia (ingreso + ingreso de recuperacin
costo de fabricacin costo de ingresos).
Distribucin de probabilidad de demanda. Datos
DEMANDA
36
48
60
72
84
96
ALTA
.05
.10
.25
.30
.20
.10
MEDIA
.10
.20
.30
.25
.10
.05
BAJA
.15
.25
.35
.15
.05
.05
1.-Determine el tipo de demanda, si la demanda del da ser alta, media o baja, para hacerlo, calcule
la distribucin de probabilidad acumulada y establecer la asignacin de nmeros aleatorios, donde
se generara un nmeros aleatorio de dos dgitos y compararlos con las asignaciones de nmeros
aleatorios(datos).
Tipo de demanda
Alta
Media
Baja
Probabilidad
.30
.45
.25
Dist acumula
.30
.75
1.00
Intervalos de num.
00-29
30-74
75-99
2.- generar la demanda real del da a partir de la distribucin adecuada de demanda donde se
presenta la distribucin acumulada de demanda y las asignaciones de numero aleatorio para la
distribucin de cada uno de los 3tipos de demanda, para generar una demanda, tan solo generamos un
numero entero aleatorio y lo comparamos contra las asignaciones de nmeros aleatorios(Datos).
Demanda
36
48
60
72
84
Distribucin Acumulada
Alta
Media
.05
.10
.15
.30
.40
.60
.70
.85
.90
.95
Baja
.15
.40
.75
.90
.95
96
1.0
1.0
1.00
90-99
95-99
95-99
Supngase que la poltica es preparar 60 panes diarios, si sucede que la demanda para determinar el
da es de 72 tenemos 60(.40) = 24 dlls de ingreso, 60(.25) = 15 dlls en costos de produccin y
12(.15) = 1.80 dlls en costos de ganancias perdidas. Por la falta de 12 panes. Dando una utilidad 2415-1.8 = 7.20 por ese da.
Al final de la simulacin se promedia los mrgenes de utilidad del conjunto de das para obtener la
ganancia esperada por da de esa poltica.
Ejemplo. La simulacin para 15 das para una poltica en la que se hacen 60 panes por da, la
demanda tanto para un da 1 como para el 2 son de 60 panes, los nmeros aleatorios se darn en una
tabla.
69
92
13
25
34
64
84
56
92
42
96
78
43
59
30
88
51
58
50
71
68
32
82
16
14
89
48
45
66
13
17
68
98
36
12
79
04
29
15
93
78
53
55
86
62
18
70
53
68
24
31
08
99
11
67
38
80
13
59
13
49
37
18
35
23
41
05
01
57
60
10
44
47
03
79
25
02
98
93
72
83
35
17
82
Numero
aleatorio
demanda
69
30
66
55
80
10
92
82
04
31
23
Tipo de Numero
demanda aleatorio
demanda
Media
56
Media
32
Media
79
Media
24
Baja
35
Alta
98
Baja
88
Baja
17
Alta
86
Media
17
Alta
44
Demanda
Ingreso
60
60
72
48
48
96
72
48
84
48
72
24
24
24
19.20
19.20
24
24
19.20
24
19.20
24
0
0
1.80
0
0
5.40
1.80
0
3.60
0
1.80
0
0
0
1.20
1.20
0
0
1.20
0
1.20
0
9.0
9.0
7.2
5.4
5.4
3.6
7.2
5.4
5.4
3.0
7.20
60
12
13
14
15
93
42
16
29
Baja
Media
Alta
Alta
13
51
17
62
36
60
60
72
14.40
24
24
24
0
2.40
0
0
0
0
1.80
0
Utilidad total
Ganancia promedio
1.8
9.0
9.0
7.20
94.80
6.32
CALCULOS DESARROLLADOS.
Costo de fabricacin. .25
Costo de venta .40
Costo de recuperacin .10
Si la demanda es mayor que la oferta hay un costo por ganancia perdida de .15
La poltica es preparar 60 panes diarios.
Mayor de 60 existe una ganancia perdida.
Menor de 60 existe ingreso salvante.
Demanda de 60
1.- Demanda de 60
Son 4 de 60
2.- Demanda de 72
Son 4 de 72
3.- Demanda de 48
Son 4 de 48
48*.40=19.20
60-48 = 12*.10 = 1.20
19.20 + 1.20 15 = 5.40
4.- Demanda de 96
60*.40 = 24
60*.25=15
96-60= 36*.15= 5.40
24-15-5.4= 3.60
5.-Demanda de 84
60*.40 = 24
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
tenemos un numero de los porcientos de las demandas .78%, 3.05%,115%,3.20%, 1.45%, 2.11%, 3.2%,
1.2% calcular la utilidad, y una ganancia promedio.
2.9.3.- GENERACION DE NUMEROS ALEATORIOS.
Se usan para obtener valores de variables aleatorios que tienen una distribucin de probabilidad
discreta conocida en la que la variable aleatorio de inters 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 distribucin probabilstica continua, por ejemplo
al simular la operacin de un banco, la cantidad de tiempo que un pagador tarda con un cliente es
una variable aleatoria tal que pueda seguir una distribucin exponencial, esto se define mediante la
funcin de densidad.
- *t
f(t) = * e
Donde 1/ es el tiempo de servicio (esto es es el numero promedio de clientes atendidos por
unidad de tiempo).
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 estadstico de los datos anteriores tambin indica que la variable aleatoria asociada
T sigue muy estrechamiento una distribucin exponencial en la que = 12 como se analizo la
funcin de densidad asociada f(t), y la funcin de distribucin acumulativa, F(t) son. e = .368
- *t
f(t) = * e
Donde
F(t) = U
Hacemos una igualacion
- *t
1-e
=U
- *t
e
= 1-U
62
63