Apuntes - Modelos Estocasticos

FUNCIN DE DENSIDAD
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
La distribucin normal queda definida por dos parmetros, su media y su

desviacin tpica y la representamos as
FUNCIN DE DISTRIBUCIN
Puede tomar cualquier valor (- , + )
Son ms 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 simtrica).
Conforme nos separamos de ese valor , la probabilidad va decreciendo de
forma ms o menos rpida dependiendo de un parmetro , que es la
desviacin tpica.
F(x) es el rea sombreada de

esta grfica
TIPIFICACIN
Por tanto su funcin de densidad es
y su funcin de distribucin es
siendo la representacin grfica de esta funcin
a la variable Z se la denomina variable tipificada de X, y a la curva de su funcin

de densidad curva normal tipificada.
Caracterstica de la distribucin normal tipificada (reducida, estndar)
No depende de ningn parmetro

Su media es 0, su varianza es 1 y su desviacin tpica es 1.
La curva f(x) es simtrica respecto del eje OY
Tiene un mximo en este eje
Tiene dos puntos de inflexin en z =1 y z = -1
Aproximacin de la Binomial por la Normal (Teorema de De Moivre) :

Demostr que bajo determinadas condiciones (para n grande y tanto p como q no
estn prximos a cero) la distribucin Binomial B(n, p) se puede aproximar
mediante una distribucin normal
Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms

prximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta
con que se verifique
gracias a esta aproximacin es fcil hallar probabilidades binomiales, que para

valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta transformacin de
una variable discreta (binomial) en una variable continua (normal) es necesario
hacer una correccin de continuidad.
MANEJO DE TABLAS. CASOS MS FRECUENTES.

La distribucin de la variable Z se encuentra tabulada
Funcion de Densidad.
Funcion de distribucin.
Algunas propiedades de la distribucin normal son:

7
1. Es simtrica respecto de su media, ;
X
3 2
+ +2 +3 .
Distribucin de probabilidad alrededor de la media en una distribucin N( , ).

2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .
4. Distribucin de probabilidad en un entorno de la media:
1. en el intervalo [ - , + ] se encuentra comprendida, aproximadamente, el 68,26% de la
distribucin;
2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el 95,44% de la distribucin;
3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida, aproximadamente, el
99,74% de la distribucin. Estas propiedades son de gran utilidad para el establecimiento de
intervalos de confianza. Por otra parte, el hecho de que prcticamente la totalidad de la
distribucin se encuentre a tres desviaciones tpicas de la media justifica los lmites de las
tablas empleadas habitualmente en la normal estndar.
1
Ejemplos.
Dada una distribucin Normal estndar, encuentre el rea bajo la curva que esta.
a) a la derecha de z = 1.84,
b) entre z = -1.97 y z = .86
a.-) El rea se encuentra a la derecha de z = 1.84 es igual a 1 menos el rea de la tabla a.3 a la
izquierda de z = 1.84, es decir 1-.9671 = .0329.
b.-) El rea se encuentra entre z = -1.97 y z = .86 es igual al rea a la izquierda de z= .86 menos el
rea a la izquierda de z = -1.97 a partir de la tabla A.3 se encuentra que el rea deseada es .8051 - .
0244 = .7807.
Ejemplo: Dada una distribucin normal con = 50 y = 10 encuentre la probabilidad de que x

asuma un valor entre 45 y 62
Solucin: Los valores de z correspondientes a x1 = 45 y x2 = 62 son
45 -50
Z1 = _________ = -0.5
10
62 -50
Z2 = _________ = 1.2
10
Por lo tanto P (45 <x<62) = P (-.5 < Z < 1.2)
La P (-.5<z<1.2) esta dado por el rea de la regin sombreada en la figura siguiente, esta rea puede
encontrarse restando el rea a la izquierda de la ordenada z = -.5 del rea total a la izquierda de z =
1.2. A partir de la tabla A.3 se tiene
P (45 <x<62) = P (-.5 < Z < 1.2)
= P (z<1.2) p (z< -.5)
= .8849 - .3085
= .5764
Ejemplo.
Dada una distribucin normal estndar, encuentre los valores de k(punto) de tal forma que a) P(z >
k) = .3015 y b) p( k < z < -.18) = .4197(area)
Solucin:
a) En la figura siguiente puede apreciarse que el valor de k que da una rea de .3015 a la derecha
debe, entonces dar una rea de .6985 a la izquierda de la tabla de valores se tiene.
Tenemos 1 - .3085 = .6985 pasamos a las tablas y nos da un valor de k = .52
b) A partir de la tabla A.3 se puede observar que el rea total a la izquierda de -.18 es igual a .
4286 en tablas, en la figura se observa que el rea entre k y -.18 es 0.4197 de tal forma
que el rea a la izquierda de k debe de ser .4286 - .4197 = .0089 por lo tanto se tiene que k =
-2.37(punto)
Ejemplo:
Dada una distribucin normal con = 40 y = 6 encuentre el valor de x que tiene que P(z >
1.08) a) 45% del rea izquierda, b) 14% del rea a la derecha.
Solucin
a) Una rea 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 rea 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
9
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
De la tabla P( z < -2.0 ) = .0228

P ( -2 < z < 2.00) = 2(0.0228) = .0456(debido a la simetra de
la distribucin normal)
Se anticipa que el promedio es 4.56 % de lo baleros manufacturados se arrojan a la basura.( z) se
encuentra entre ( -2 y 2)
2.11.-APROXIMACIN NORMAL DE PROBABILIDAD

BINOMIALES.
Las probabilidades que se asocian con experimentos binomiales pueden obtenerse fcilmente cuando
(n) es pequea, de tal forma b(x;n,p) de la distribucin 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 aproximacin, tanto la distribucin binomial como la de poisson son discretas. La
distribucin normal frecuentemente es una buena aproximacin a la distribucin discreta cuando
esta ultima toma la forma de campana simtrica, desde el punto de vista terico, algunas
distribuciones convergen a normales a medida que sus parmetros se aproximan a ciertos lmites.
La distribucin binomial se aproxima bastante bien con la normal en problemas prcticos cuando se
trabaja con la funcin de distribucin acumulada.
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
= P(-1.32< z < -0.79)

= P(z -0.79) P(z < -1.32)
= .2148 - .0934
= 0.1214
NOTA:
Calcular la probabilidad nmero de (y) de xitos en (n) ensayos se encuentra en una regin dada.
Calcule la probabilidad P (Y) de que (y) caiga en la regin dada cuando (n) es grande n= 1000
sobre el teorema de limite central.
Si (n) es grande, la variable binomial tendr una distribucin aproximadamente normal con una
media y varianza (np), (npq).
Ejemplo. Considrese una distribucin binomial para (y) con n=10, P= donde:
= np = (10) (1/2) = 5
=npq = (109(.5)(.5) = 2.5 = 1.58

La probabilidad de que y = 2,3,4 es Igual al rea de
los tres rectngulos Situados sobre y = 2,3,4, Podemos
aproximar esta probabilidadcon el rea bajo la curva
normal desde y =1.5 hasta y =4.5 donde y = 2 e Y =4
no sera buena aproximacin a la probabilidad de que
Y = 2,3,4, porque excluira la mitad de los rectngulos
de probabilidad correspondiente y= 2 e y = 4 para
conseguir una buena aproximacin, se debe recordar
que hay que aproximar las reas completas de los
rectngulos si la probabilidad a y = 2 e y = 4
incluyendo el rea bajo la curva normal desde y =
1.5 hasta y = 4.5.
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
P(7 x 9 ) = P(0.26 < z 1.85)

= P(z < 1.85) P(z < 0.26)
= .9678 - .6026
= 0.3652
Una vez ms, la aproximacin de la curva normal proporciona un valor muy cercano al valor exacto
de .3564. El grado de precisin es cual depende tambin de que la curva concuerde con el
histograma, se incrementara conforme (n) aumenta.
Esto es particularmente cierto cuando (p) no esta muy cercano a y el histograma no es ya
simtrico, en las siguientes figuras, muestra los histogramas para b(x; 6,0.2) y b(x; 15, 0.2),
respectivamente.
P No esta cercana a
b (x; 6, 0.2)
b (x; 15 0.2)
Es evidente que una curva normal esta mas de acuerdo con el histograma cuando n = 15 que cuando
n = 6.
En resumen se utiliza la aproximacin normal para evaluar probabilidades binomiales siempre que
(p) no este cercana a 0, 1. La aproximacin es excelente cuando (n ) es grande y bastante buena
para valores pequeos de (n) si (p) esta razonablemente cercana a .
Una posible gua para determinar cuando puede utilizarse la aproximacin normal es tener en cuenta
el clculo de np y nq, si ambos np y nq son mayores o iguales a 5 ser bueno.
Tal como se indico anteriormente, la calidad de la aproximacin es bastante buena para valores
grandes de (n). Si (p) es cercana a 1/2, una muestra mediana o pequea ser suficiente para una
aproximacin razonable. En la tabla siguiente sirve como indicacin de la calidad de la
aproximacin, se da tanto las aproximaciones normales como las probabilidades acumulativas
binomiales reales. Ntese que en p = 0.05 y p= 0.10 la aproximacin es bastante imperfecta para n
= 10, sin embargo puede verse la mejora para p = 0.50 incluso para p = 0.10. Por otro lado, cuando
p esta fija en 0.05 puede observarse como mejora la aproximacin conforme se va de n = 20 a n =
100.
Ejemplo.
La probabilidad de que un paciente se recupere de una rara enfermedad de sangre es .4, si se sabe
que 100 personas han contrado esta enfermedad, cual es la probabilidad de que al menos 30
sobrevivan.
Solucin.
La variable binomial (x) que representa el No de pacientes que sobrevivan, dada que n = 100 debe
obtenerse resultados bastantes precisos.
= np = 100 * .4 = 40
= npq = (100) (.4) (.6) = 4.89.
Para obtener la probabilidad deseada, debe encontrarse el rea 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 )
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
= npq = (80)(1/4)(3/4) = 3.873
Se necesita el rea entre x1 = 24.5
x2 = 30.5
los valores correspondientes de (z) son.
Z1 = (24.5 - 20) / 3.873 =
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
2.12.- APROXIMACIN NORMAL DE PROBABILIDAD POISSON.

Los experimentos que resulta en valores numricos de una variable aleatoria(X) misma que representa
el numero de resultados durante un intervalo de tiempo dado, o en una regin especifica,
frecuentemente se llama experimento de poisson. El intervalo de tiempo dado puede ser de cualquier
duracin.
Ejemplo un minuto
Un da
Una semana
Un mes
O inclusive un ao
15
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,
en cualquier otro caso donde > 0
En seguida se dan unos ejemplos y se analiza el papel de la distribucin exponencial es el parmetro ,

el reciproco del parmetro en la distribucin de poisson, la cual implica que las ocurrencias en los
periodos de tiempo sucesivos son independientes.
El parmetro importante es el tiempo promedio entre eventos, la teora de la confiabilidad, donde la
falla de un equipo concuerda con el proceso de poisson, recibe el nombre de tiempo promedio
entre fallas.
Muchas descomposturas de equipo siguen el proceso de poisson, y entonces la distribucin
exponencial es aplicable.
Ejemplo:
Suponga que un sistema contiene cierto tipo de componentes cuyos tiempos de falla en aos esta
dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla = 5.
Si 5 de estos componentes se instalan en diferentes sistemas.
Cul es la probabilidad de que al menos 2 continen funcionando despus de 8 aos.
La probabilidad de que un determinado componente este funcionando aun despus de 8 aos es.
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
x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos

x = 0, 1, 2,...,6 das
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
P( x 5o6 , N 6 , p 0.5276 ) 6 C5 ( 0.5276 ) ( 0.4724 ) 6 C6 ( 0.5276 ) ( 0.4724 )

5
= 0.11587 + 0.02157 = 0.13744

2.5.- TEOREMA DEL LIMITE CENTRAL
Si se obtiene una muestra de una poblacin normal, entonces la media muestral tiene una
distribucin normal sin importar el tamao 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 distribucin de muestreo de X se aproximar a una distribucin normal
conforme (n) aumente. Lo anterior constituye uno de los ms importantes teoremas en inferencia
estadstica y se conoce como TEOREMA DEL LIMITE CENTRAL.
En muchos casos, puede concluirse en forma segura que la aproximacin ser buena mientras n > 30.
_
Si X es la media de la muestra aleatoria de tamao (n) que se toma de una poblacin con media
y una varianza infinita entonces la forma limite de la distribucin de :
_
X -
Z = ______________
/ n
Cuando n ------- , es la distribucin normal estndar n (z; 0,1)
_
19
La aproximacin normal para X generalmente ser buena si n 30 sin importar la forma de

poblacin. Si n < 30, la aproximacin es buena solo si la poblacin no difiere de una distribucin
normal y, como se estableci antes, si se sabe que la poblacin es normal, la distribucin
muestral de X seguir una distribucin normal, sin importar que tan pequea sea el tamao de
las muestras.
Ejemplo.
Una compaa fabrica focos que tiene un periodo de vida que estn distribuido aproximadamente en
forma normal, con media igual 800 horas y una desviacin estndar de 40 horas. Encuentre la
probabilidad de que una muestra aleatoria de 16 focos tenga una vida promedio de menos de
775 horas.
_
_
_
Solucin: La distribucin muestral de X ser aproximadamente normal con x = 800 y x = 40/16
= 10.
_
La probabilidad deseada la del rea de la regin sombreada en siguiente figura. x = 775
_
X -
775 - 800
Z = ____________ = ___________ = -2.5
/ n
10
Por lo tanto
_
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
en cualquier otro caso
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
(0 -3/2) + (1 -3/2) + (2 -3/2) + (3 -3/2)

= ____________________________________
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)
= P (-0.27 < Z < 1.34)

= P (Z < 1.34) - P (Z < - 0.27)
= 0.9099 - .3936
= .5163 tablas A.3
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
P(X1 -X2 < 8.2) = P(Z < - 1.08)

= 0.1401 tablas. A.3
2.6.- ANLISIS DE DECISIONES

Es la tcnica utilizada para ayudar a los administradores a escoger la mejor secuencia de decisiones
en este tipo de problemas, donde tambin existen
Decisiones a nivel sencillo que deben tomarse en un solo punto del tiempo,
Decisiones de multinivel conjunto de decisiones que deben tomarse en varios puntos secuenciales en el
tiempo.
Es la ciencia de la administracin que proporciona numerosas tcnicas para ayudar al gerente,
administrador, ingeniero a tomar decisiones sobre los problemas probabilsticos, en lo que es relevante
a la informacin que se tenga en el momento en la toma de decisiones
Ejemplo.
Una compaa es productora de series de televisin acaba de firmar un contrato para producir un
nuevo espectculo de primera lnea, el presidente de la compaa se le ha encomendado determinar
una inversin inicial apropiada para el programa piloto de dos horas y para los siguientes ocho
episodios de un ahora de la serie.
22
Formulacin del problema.

Al utilizar el anlisis de decisiones consiste en identificar un numero finito de alternativas de decisin,
a pesar de que el objetivo ultimo es determinar la cantidad a invertir, se plantearon tres niveles
generales en las cuales se convierten en alternativas de decisin.
Nivel inferior (L). Ninguno de los actores tiene un reconocimiento sustantivo.

Nivel Moderado (M). El actor principal tiene reconocimiento, pero no as ninguno de los
actores de apoyo.
Nivel alto (H) Mas de uno de los actores tiene reconocimiento.
Se debe tomar en cuenta las probables posibilidades

Fracaso (F). Menos del 10% de los espectadores ven el programa.
xito (S) entre el 10% y 20% de los espectadores ven el programa.
Gran xito (G) mas del 20% de los espectadores ven el programa
El trabajo consiste en evaluar cada alternativa de inversin sobre la base de las ganancias, las
ganancias no solo estn basadas en l decisin de inversin inicial sino tambin en el xito resultante
del programa, para utilizar la tcnica del anlisis de decisiones es necesario recoger los datos
apropiados para cada pareja decisiones resultado. En sentido comn le dice que cuanto ms grande
sea el nivel de compromiso cualquiera que sea el monto de la inversin, mayor ser la cantidad que
puede perder el estudio, si usted decide invertir en el nivel alto y el espectculo es un fracaso el
estudio perder mucho, si usted decide invertir a un nivel bajo y el espectculo resulta ser un gran
xito, esto permitir al estudio cobrar mayores tarifas por publicidad.
RBOLES DE DECISIONES
El rbol de decisiones es una representacin grafica de las alternativas, probabilidades y pagos o
ganancias asociadas con un problema de decisiones, de pagos asociados de las probabilidades de las
alternativas de decisin, para trazar un rbol empiece con un nodo numerado como (0) para
representar el punto del tiempo en el cual se debe tomar una decisin.
Ejemplo.
Una empresa desea saber cuales serian las mejores probabilidades de decisin de ganancias, para A =
-6,4,7, B = -4,11,13, C= -7, 4,20, donde sus probabilidades baja(.17), media(.35),alta(.48)
Ejemplo.
Probabilidad(fracaso inversin baja) = P(F L) = .4
GANANCIAS DE LOS RESULTADOS.
FRACASO(f)
XITO(S)
DECISIONES
(F)
(S)
BAJA(L)
-2
5
MODERADA(M)
-5
10
ALTA(H)
-8
6
PROBABILIDADES
0.4
0.4
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) +
=(-2*.4)+(5*.4)+(8*.2) = 2.8
esta es la mejor opcin
Ganancia esperada para 2 = (Ganancia esperada para 8) * (prob asociada al arco 2-8) +
=(-5*.4)+(10*.4)+(12*.2) = -2+4+2.4 =4.4
Ganancia esperada para 3 =

=(-8*.4)+(6*.4)+(15*.2) = -3.2+2.4+3 =2.2
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
2.7.- PROCESOS DE MARKOV

Proceso de Markov (denominados cadenas de Markov).- Es una familia de modelos dinmicos, son
descriptivos porque buscan determinar en forma secuencial las probabilidades de que ocurra o no
ocurra ciertos eventos, son similares a los modelos de lnea de espera, rbol de decisiones
Las condiciones inciales y finales de un proceso de markov se denominan estados.
Las ocurrencias repetidas del evento que se estudia se llaman ensayos.
La probabilidad de pasar de un estado actual al siguiente se conoce como probabilidad de
transicin.
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
P ( X (t 1) j X (0) K 0 , X (1) K 1 ,....., X (t ) i ) P ( X (t 1) j X (t ) i ) p ij
Definiciones en los Procesos de Markov de Primer Orden:

Estados: Las condiciones en las cuales se encuentra un ente sucesos posibles.
Ensayos: Las ocurrencias repetidas de un evento que se estudia.
Probabilidad de Transicin: La probabilidad de pasar de un estado actual al siguiente en un perodo
tiempo, y se denota por pij ( la probabilidad de pasar del estado i al estado j en una transicin perodo)
Caractersticas de los Procesos de Markov de Primer Orden:
Se pueden usar como modelo de un proceso fsico econmico que tenga las siguientes propiedades:
a)
b)
c)
d)
Que la probabilidad cumpla con el principio de Markov.

Existencia de un nmero finito de estados.
Las pij son constante con respecto al tiempo perodo.
Ensayos en perodos iguales.
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 )
P(k)=[ pij ]nxn la matriz de transicin de k perodos.

Si(t) = probabilidad de encontrarse en el estado i en el perodo t.
S(t) =(S1(t) , S2(t) , . . . . , Sn(t)) vector de probabilidad de estado en el perodo t. Para n estados.
Los sucesos que cumplan con un proceso de Markov, se pueden representar por medio de un esquema
donde los nodos indique los estados y arcos dirigidos de nodo a nodo con un nmero que representa la
probabilidad de transicin de ir de un estado a otro, por medio de una matriz de transicin.
Ejemplo:
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
Otra forma es usando el vector de probabilidades y la matriz de transicin, es decir:

S(0) = (1, 0, 0)
S(1) = S(0).P = (0,2; 0,3; 0,5)
S(2) =S(1).P =(0,23; 0,38; 0,39)

Ejemplo:
Una compaa se dedica a rentar carros uno se encuentra en la regin del norte en mes de 0, los
nodos del rbol son las ubicaciones en los meses 0,1,2, y en las ramas del rbol aparecen las
probabilidades de cada transicin, cual es la probabilidad de encontrarse en cada uno de los estados
en el mes 2 se calculan multiplicando las probabilidades individuales de transicin 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 camin se encuentre en el norte despus de dos meses, se
suman las tres probabilidades de encontrarlo en el norte, vector inicial(0.4,0.3,0.3)
PROBABILIDADES DE TRANSICIN
Ubicacin
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 ]
despus de un mes.
Para el segundo mes repetimos los clculos.

N C
S
0.2 0.3 0.5
0.3 0.4 0.3
=
0.2 0.4 0.4
Matriz de transicin
de un mes
N C S
[ .2 .3 .5 ]
Para despus de un mes
N C
S
[0.23 0.38 0.39 ]
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
Vector de proba Matriz de transicin

Para comenzar en
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
= [0.23
Matriz de transicin
de un mes
C
0.38
S
0.39]
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
2.- Dividir los renglones restantes en cada estado absorbente y no absorbente.

.2
.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
(1- .1) (0 - .7)

Q=
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
P (seleccionar un auto estndar) = p (seleccionar un Chevrolet o Chrysler o Ford estndar) =

p (ChS) + p (ChrS) + p (FS)
32
= p(Ch) p(S Ch) + p(Chr) p(S Chr) + p(F)p(S F)

= 0.45*1/10 + 0.30*2/10 + 0.25*2/8
= 0.045 + 0.06 + 0.0625
= 0.1675
b.
p(seleccionar un Chevrolet estndar) = 0.45*1/10 = 0.045
c.
p(seleccionar un Ford o Chrysler automtico) = p(FA) + p(ChrA)

= p (F) p (A F) + p (Chr)p(A Chr)
= 0.25*6/8 + 0.30*8/10
= 0.1875 + 0.24 = =0.4275
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%
a.- p (producto seleccionado no cumpla con las especificaciones) = 30/150*0.15 + 60/150*0.20 +

60/150*0.05
= 0.04 + 0.08 + 0.02
= 0.14
b.-)
a.- E = evento de que el producto seleccionado no cumpla con las especificaciones
33
b.- B = evento de que el producto seleccionado sea del tipo B

p (B E) = p (BE)/p(E) = (60/150*0.20)/0.14 = 0.08/0.14= 0.57143
c.-) p (cumpla con las especificaciones y sea del tipo B) = 60/150*0.8 = 0.32
3. En una urna se tienen 10 esferas blancas, 5 verdes y 2 azules, se extraen de la urna dos esferas
una tras otra, sin reemplazo, a.) Determine la probabilidad de que la segunda esfera extrada sea
verde, b.) cul es la probabilidad de que ambas esferas sean blancas, c.) Si la segunda esfera es
verde, cul es la probabilidad de que la primera sea blanca?
Solucin:
9
B
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
p(segunda esfera sea verde) = p(B)p(V B) + p(V)p(V V) + p(A)p(V A) =

= 10/17*5/16 + 5/17*4/16 + 2/17*5/16 =
= 50/272 + 20/272 + 10/272
= 80/272 =0.29412
b. p(ambas esferas sean blancas) = 10/17*9/16 = 90/272 = 0.33088

c. E = evento de que la segunda esfera seleccionada sea verde
B = evento de que la primera esfera sea blanca
P(B E) = p(BE)/p(E) = (10/17*5/16)/(80/272)
=(50/272)/(80/272)
= 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)
(n)
PM1........ PMM
(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
CALCULO DE LAS PROBABILIDADES DE TRANSICION.

Una anlisis til es pronosticar el estado del sistema despus de 1,2,3, o ms periodos, esto se
llama anlisis de transicin, debido a que es a corto plazo y esta enfocado a periodos cortos.
Ejemplo.
Una copiadora de oficina, poco segura, si esta funcionando un da, existe un 75% de posibilidades de
que al da siguiente funcione y un 25% de posibilidades de que no funcione, pero si no esta
funcionando, hay 75% de posibilidades de que tampoco funcione al da siguiente y solo un 25% de
que si lo haga(se lleva mucho tiempo la reparacin). Se debe conocer el estado actual, supngase que
se esta 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 da siguiente, si se comienza en el estado 2 solo hay 25% de cambiar el estado 1 as.
S1
S1
S2
0.25
0.25
0.75
0.25
S2
0.25
0.75
p(S1)=P(comiense S1)p11+ P(comienS2)p21

= (.75) (.75) + (25) (.25) = 0.625
Como solo hay dos estado, entonces P(s2) =0.375

Despus de dos das.
P(S1) = 0.625p11 +0.375p21
= 0.625(0.75) +0.375(0.25)
= .562
Tambin se puede representar en forma de un diagrama de rbol, donde los resultados de los
primeros cuatro das son. (fig. 1)
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
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
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
CALCULOS DE LAS PROBABILIDADES DE ESTADO ESTABLE.

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
despus 0.625, 0.567, 0.531 y .516 donde esta probabilidades se mueven hacia un lmite, en el sistema
de tres estados pueden observarse que P(S2) adquiere los valores 0.3, 0.45, 0.53, 0.58.
38
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.
pik P(Si) = pik P(Dk)

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.
2.7.2.- CADENAS DE MARKOV ERGODICAS.

Si todos los estados de una cadena son recurrentes, y se comunican entre si se dice que la cadena es
ergodicas.
Ergodica
No ergodica
ergodica
0 0
1/3 2/3 0
1/2 1/2 0 0

P1 = 1/2 0
1/2
P2 = 0
0 2/3 1/3
P3= 2/3 1/3 0
0
3/4
0
0 2/3 1/3
0 2/3 1/3
Representacion de una matiz de transicin.
Definicion: Un estado i es un estado transitorio si existe un estado j que es alcanzable desde i, pero el
estado i no es alcanzable desde j.
.3
.6
.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
2.7.3.- CADENAS MARKOV ABSORBENTES.

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 formulara la matriz de transicin con los estados en una lista con el siguiente orden.
1.- Los estados transitorios y despus los absorbentes donde s-m estados transitorios (t1,t2,t3,t sm) y m estados absorbentes (a1, a2,.am). Entonces la matriz de transicin para la cadena de
absorcin puede escribirse como sigue.
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
Estado 5 Se ha saldado la cuenta.

Estado 6 Se ha cancelado la cuenta por ser mal pagador.
Los ltimos datos indican que la siguiente cadena de Markov describe como cambia el estado de
una cuenta de un mes al siguiente.
DATOS:
Nueva 1 mes
Nueva.
0
.6
1 mes
0
0
2mese.
0
0
3 mese
0
0
Pagado
0
0
Incobrable
0
0
2 mese 3 meses pagado incobrable

0
0
.4
0
.5
0
.5
0
0
.4
.6
0
0
0
.7
.3
0
0
1
0
0
0
0
1
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
2 mese 3 meses pagado incobrable

0
0
.4
0
.5
0
.5
0
0
.4
.6
0
0
0
.7
.3
0
0
1
0
0
0
0
1
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
2.8.- FORMULACIN DEL EJEMPLO DE INVENTARIOS COMO UNA CADENA DE

MARKOV.
Recordamos que Xt es l numero de cmaras en el almacn al final de la semana t( antes de ordenar
mas), donde Xt representa el estado del sistema en el tiempo t, dado que es el estado actual es Xt=i,
donde X t+1 depende solo de D t+1(la demanda en la semana t+1) y Xt como Xt+1 es
independiente de la historia del sistema de inventarios, el proceso estocstico {Xt} {t=0,1..} tiene la
propiedad markoviana y por lo tanto es una cadena de markov.
Se vera como obtener las probabilidades de transicin ( de un paso), es decir los elementos de la
matriz de transicin ( de un paso).
Estado 0
1
2
3
0
P00 P01 P02 P03
P= 1
P10 P11 P12 P13
2
P20 P21 P22 P23
3
P30 P31 P32 P33
dado que Dt+ 1 tiene una distribucin poisson con media de 1 entonces
n
-1
(1)
e
-1
P { Dt+1 = n } = _________
para n = 0,1,2..
e = (2 .718281) =.368
n!
43
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) !
P{Dt+1 3}= 1 P{ Dt+1 2} = 1 (.368 +.368 +.184) = .080

Para el primer rengln de P, se trata de la transicin del estado Xt = 0 a algn estado Xt+1
Xt+1 = max (3- Dt+1, 0}
si Xt = 0
Por lo tanto para la transicin a X t+1 = 3, Xt+1 = 2
o Xt+1 = 1
P03 = P{ Dt+1 = 0 } = .368

P02 = P{ Dt+1 = 1 } = .368
P01 = P{ Dt+1 = 2 } = .184
Una transicin de Xt = 0 a Xt+1 = 0 implica que la demanda de cmaras en la semana t + 1 es 3 o
ms, despus que se agregaron 3 cmaras al inventario agotado el principio de la semana de manera
que
Poo= P{Dt+1 3}= 0.80
Para los otros renglones de P, es.
Xt+1 = max { Xt Dt+1, 0} si Xt+1 1.
Esto implica que Xt+1 Xt entonces, P12 = 0, P13 = 0 para las otras transiciones.
P11 = P{Dt+1 =0 } = .368
P10 = P{Dt+1 1} = 1 P{Dt+1 = 0 } = .632
P22 = P{ Dt+1 = 0 } = .368
P21 = P{ Dt+1 =1 } = .368
P20 = P{Dt+1 2} = 1-P{Dt+1 1} = 1 (.368 +.368) = .264
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
.080 .184 .368

.632 .368
0
.264 .368 .368
.080 .184 .368
.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
4. El inventario se reabastece cuando ha llegado exactamente al nivel de cero, no se utiliza

existencia de seguridad y no se permite agotamiento.
5. El reabastecimiento de los inventarios es instantneo, es decir el pedido total se recibe en un
solo lote.
6. La cantidad de pedido es constante para cada orden.
7. El problema implica un sistema de etapa nica.
8. Se considera un horizonte de tiempo infinito y continuo.
9. Se considera que todos los costos son constantes en el horizonte infinito de tiempo.
Planteamiento del modelo.
El objetivo de este modelo, es determinar la cantidad optima de pedido( Q ) y el punto de reorden ( R
), de manera que se minimicen los costos totales de los inventarios.
Para desarrollar un modelo matemtico general que represente la estructura de costos de los
inventarios, se deben definir sus variables y sus parmetros y son:
Co = costo por pedido que se coloca.
Cc = Costo de conservacin por unidad y por periodo de tiempo
Ct = costo total de inventario por periodo de tiempo.
Q = cantidad que se pide (tamao de pedido).
D = Unidades que se piden por periodo de tiempo.
La variable para la que se busca una solucin, es la cantidad de pedido, Q.
El criterio que es necesario minimizar es el costo total de los inventarios, Ct, Co, Cc son parmetros
para el modelo, los cuales servirn para determinar los costos de los pedidos y los costos de
mantenimiento para varios tamaos del pedido.
El costo de pedido es simplemente el costo por cada uno de ellos, Co, multiplicando por el nmero
de pedidos que se hacen por cada periodo. Dado que la demanda por periodo , D, es conocida el
numero de pedidos por periodo es la cantidad de la demanda divida entre el tamao del
pedido(D/Q).
El costo por pedido es = Co x D/Q
El costo de conservacin es igual al costo de conservar o mantener una unidad por periodo, Cc
multiplicado por el numero promedio de unidades que se conservan en el inventario, donde se deben
calcular primero el inventario promedio.
Este se calcula el nmero total de unidades que se conservan entre dos pedidos y se multiplica esta
cifra por el costo unitario diario de conservacin.
Ejemplo.
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
=
Longitud del periodo

Nivel de
Inventario
____________________
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
Cantidad optima de pedido Q* = 2CoD/Cc

48
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.
Cantidad econmica de pedido.

Q* = 2CoD/Cc = 2(20)(365)/100 = 146
= 12.08
El numero ptimo de pedido por ao.

N* = DCc/2Co = N* = (365)(100)/ 2(20)
= 912.50 = 30.2
El tiempo entre pedido sucesivo.

tc = 2Co / D Cc = 2(20) /(365)(100) = .0331 aos.
Se desea expresar el tc en das, se debe multiplicar por 365.
tc = (365) ( .0331) = 12.08 das.
Costo total asociado con la poltica optima de Q + = 12 unidades.
Ct* = 2 CoCcD. = 2 (20) (100) (365)
= 1,460,000
$1208.30
2.8.2.- EL TAMAO ECONMICO DE LOTE,

Existe una formula para calcular el tamao del lote donde hay dos factores de costo implicados en la
funcin de costo total, Ct, puede encontrar el tamao del lote, Q* que minimiza Ct, utilizando
clculos diferenciales,
Q* =
2CoD
Cc(1-(r2/r1)
1 tamao del lote
Ct* = 2CoCcD(1-(r2/r1)
2 costo total del sistema de inv.
N* = CcD(1-(r2/r1))
2Co
3 Numero de pedidos.
tc* = T
2Co
4 calcula el tiempo transcurrido

49
CcD(1-(r2/r1)
M = Q Q(r2/r1)
5 Nivel mximo de produccin.
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.
utilizando la ecuacin 2 para sacar el costo total del inventario

Ct* = 2(200)(55)(1000)(12)(1-(1000/2500)
= $12,585.70
Podramos calcular el nivel mximo de inventario, M de la siguiente manera r1 es 2500 unidades al

mes, o 100 unidades diarias( suponiendo un mes de 25 das, es decir 300/12 = 25) con un lote 146
unidades se requiere un da y medio para realizar una corrida de produccin, la demanda r2 es de
1000 unidades por mes 40 (1000/25= 40) el nivel del inventario para el da y medio aumenta(100-40
= 60 en inventario). El nivel mximo de produccin es 1.5*60 = 90 unidades.
M = Q Q(r2/r1)
=381.38 381.38(1000/2500)
= 228.82
2.8.3. -INVENTARIOS CON AGOTAMIENTO

(Ejemplo)
En una compaa que vende equipos de computadoras, la compaa es distribuidora exclusiva de una
tienda al norte de Mxico, la demanda es constante en 1200 unidades al mes(14,400 unidades por
ao), el costo unitario de conservacin por concepto de almacenamiento y manejo es de 13 aos, el
50
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
=1,262.96 = 1263 cantidad de pedido
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 +
= 111 unidades para el modelo de agotamiento.
2.8.4.-DESCUENTOS POR CANTIDAD

Aqu se utilizara las siguientes formulas, como del costo total para evaluar los descuentos deben
incluir el costo de las compras por periodo
Ct1 = (Co)(D/Q*) +(Cc)(Q*/2) +(D)(P sin descuento)
P sin descuento = precio sin descuento por unidad
Ct2 = (Co)(D/Q descuento) + (Cc)(Q descuento/2) + (D)(P descuento).
Para el caso con descuento.
Q descuento = cantidad que se compra al precio de descuento.
P descuento = cantidad al precio descontado unitario.
Ct1 es en realidad el punto mnimo de la curva de costo total
Ct2 es el punto de la curva de costo con descuento por la cantidad.
Q es la cantidad mnima que se requiere para recibir descuento.
D = valor real de la demanda.
D = valor estimado de la demanda.
Co = Valor real del costo de pedidos
Co = Valor estimado del costo de pedidos
Cc = valor real del costo de conservacin Cc = valor estimado del costo de conservacin
Para demostrar la aplicacin del anlisis de descuento por compras en grandes cantidades,
supongamos que al mismo tiempo que la compaa estaba terminando la evaluacin de una poltica de
pedido, durante los 365 das, donde estableci un descuento 3% sobre el costo normal unitario de
$3500, si la empresa compraba en cantidades de 60 o ms, donde:
51
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
Admita que la mayor parte de su responsabilidad involucra toma de decisiones bajo

condiciones inciertas. Puede ser teraputico aceptar que las decisiones crticas que
posiblemente tendr que tomar, no sern bajo un ambiente calmo y tranquilo, sino bajo presin
y contra reloj. Admitir esto le puede preparar para el momento, y ser visible para sus
subordinados, colegas, competencia y posiblemente los ejecutivos que estn evaluando su
comportamiento.
Exhiba sus habilidades para reaccionar bajo presin. A menudo, esa capacidad nica se trata
slo de tomar lo que est disponible para basar una decisin crtica. Mientras otros se quedan
perplejos, los mejores directivos y gerentes analizan la informacin al alcance para adoptar el
mejor plan de accin.
Sea consistente. Lo ms probable es que usted tome las mismas decisiones bajo presin y
durante la calma, pero su comportamiento hacia los dems 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.
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
2.8.6-CUANDO SE CONOCE NO EL COSTO POR AGOTAMIENTO.

Determinar como mantener los niveles de inventario es una cuestin crtica si se permite un dficits
(faltante), cuando se permite los dficits, otra cuestin es como se maneja. Si un articulo no esta
actualmente disponible en una tienda detallista, el cliente puede ir a otro lado, donde resulta una venta
perdida, si la materia prima no estn disponibles en una fabrica, la demanda de la materia prima
continua y se satisface cuando llega el abastecimiento, en este caso la demanda no se pierde sino que
se satisface en periodos posteriores, este dficit se dice que se maneja como un pedido no surtido.
NO SE PERMITE FALTANTES.
Una ejemplo donde un ciclo puede interpretarse como el tiempo que pasa entre corrida de
produccin, si una fabrica que se dedica a producir 24000 bocina en cada corrida y despus se usan
a una tasa de 8000 por mes, entonces la longitud del ciclo es de 24000/8000 =3 meses.
K = costo de preparacin para producir u ordenar un lote.
c = el costo de producir o comprar cada unidad.
h = el costo de mantener el inventario por unidad, por unidad de tiempo.
La longitud del ciclo es Q/ a
El costo total por unidad de tiempo T es la siguiente manera.
Costo por ciclo de produccin = K + cQ.
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.
2
El costo por ciclo de mantener inventario = hQ / 2a
2
El costo total por ciclo = K + cQ + hQ / 2
53
El costo total por unidad de tiempo es
2
K + cQ + hQ / (2a)
aK
T =__________________ = _____ + ac + hQ/2
Q/ a
Q
*
Q = 2aK/h
Haciendo operaciones nos queda

*
*
Q
Donde t = _____ = 2K/a h
a
Aplicarlo al ejemplo anterior. K = 12000
h =.30
a = 8000
*
Q = 2aK/h = (2)(8000)(12000)/.30 = 25298
*
t = 25298/8000 = 3.2 meses
Hacer una preparacin de bocinas cada 3.2 meses, y producir 25298 cada vez.
SE PERMITE FALTANTE.
Puede ser redituable permitir que ocurra pequeos faltantes ya que la longitud del ciclo se puede
alargar con el consiguiente ahorro de preparacin, 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.
S = nivel de inventario justo despus de recibir un lote de Q unidades.
Q S = faltante de inventario justo antes de recibir un lote de Q unidades.
Ahora el costo total por pedido de tiempo se obtiene a partir de las siguientes componentes.
Costo de producir u ordenar por ciclo = K +cQ
El nivel de inventarios promedio durante este tiempo = S/2 artculos por unidad de tiempo.
El costo correspondiente es hS/2 por unidad de tiempo.
2
HS
S
hS
Costo de mantener el inventario por ciclo =____ _____ =
_____
2
a
2a
*
S = 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
La fraccin de tiempo en que no existe faltante es.
*
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
2.8.7.-EL MODELO CONTINUOS O PERIDICA.

Muchos de los artculos que caen en la categora B pueden manejarse a travs de un sistema
peridico de revisin peridica los inventarios no se revisan en forma continua. Se hacen
verificaciones a intervalos predeterminados y fijos de tiempo, donde el nivel de inventarios esta por
debajo del nivel de reorden predeterminado R, al revisar el inventario(a intervalos fijos de tiempo), se
coloca un pedido de tamao Qi en donde Qi es la diferencia entre el nivel mximo del inventario(S y
el nivel existente de la i-esima revisin (o al final de la (i-1) revisin). Donde las desventajas del
sistema de revisin son que se requiere una cantidad de inventario de seguridad alta y los tamaos del
pedido no uniforme pueden conducir a gastos e inconveniencias adicionales.
Nivel de inventario.
1
S
Q1
Q2
Q3
Nivel max de inv.

Q4
R
Nivel de reorden
Existencias de
seguridad
55
tl
tl
tl
tiempo
2.8.8.- Seleccin del nivel de servicio.

El inventario, en el mundo empresarial, es el conjunto de todos los bienes propios y disponibles para la
venta a los clientes. Se convierte en efectivo dentro del ciclo operacional de la empresa, por lo que se
considera como un activo corriente. Los inventarios estn constituidos por los bienes de una entidad
que se destinan a la venta o a la produccin para su posterior venta, tales como son la materia prima, la
produccin en procesos, los artculos terminados y otros materia les que se utilicen en el empaque,
envase de mercanca o las refacciones para el mantenimiento que se consuman en el ciclo de
operaciones. Si se vende hay un ingreso. Son los bienes en espera de ser utilizados los cuales se
registran en el nivel de inventario.
En definicin el nivel de servicio de inventario es el porcentaje de clientes que hacen un pedido para
ser servidos en plazos habituales (no se incluyen las excepciones) y que pueden completar la compra al
primer intento.
Niveles altos de inventario no necesariamente resultan en un mejor servicio al cliente, pero
seguramente tendrn impacto en las utilidades. Por otra parte, niveles bajos de inventario,
particularmente si no se tiene un control eficiente del mismo, pueden resultar en faltantes de producto,
con fuertes repercusiones en el servicio al cliente.
Con frecuencia confundimos nivel de servicio con servicio al cliente. El nivel de servicio es una
medida del desempeo en el manejo del inventario de producto, que involucra al cliente a travs de la
demanda que ste genera. El servicio al cliente, elemento esencial en la estrategia de mercadotecnia de
la empresa, es un concepto ms amplio, relacionado con la satisfaccin total de sus expectativas. Los
factores dominantes en la mente del cliente
[1] Son la disponibilidad del producto: rdenes completas y precisas, y el tiempo de ciclo: desde que se
acepta la orden hasta que sta es surtida y recibida con entera satisfaccin Es por ello que el servicio al
cliente se analiza con frecuencia a travs de medidas de desempeo del proceso de surtido de la orden:
entregas a tiempo, completas y sin errores, en gran parte relacionadas con el manejo del inventario.
2.9.- SIMULACIN
La simulacin es una herramienta de la investigacin de operaciones donde nos ayuda a:
La operacin diaria de un banco u hospital, para comprender el impacto de aadir ms
pagadores o enfermeras.
La operacin de un puerto martimo o areo, para comprender el flujo de trfico y su
congestin asociada.
El proceso de produccin en una fabrica, para identificar los cuellos de botella en la
lnea de produccin
El flujo de trfico en una autopista o en un sistema de comunicacin complicada, para
determinar si es necesario una expansin.
56
2.9.1.-SIMULACIN DEFINICIN DE OBJETIVOS

La simulacin es una herramienta muy importante para los modelos estocsticos(probabilidad) y es la
imitacin de un proceso o un sistema real a lo largo del tiempo, los cambios que ocurren dentro del
sistema lo oferta con frecuencia, donde los cambios que ocurren fuera del sistema ocurren en el
medio ambiente del sistema, los cuales se consideran abiertos y cerrados, donde se usara la
distribucin de probabilidad para generar aleatoriamente los distintos eventos que ocurran en un
sistema, la cual se requerir de la computadora la programacin como el planteamiento, como hojas
de calculo, el modelar clculos matemticos, lgicos, con variables endgenas y exgenas variables de
estado, as como elaborar en bloques. Donde cada modulo se identifica los componentes, los atributos,
el sistema como un todo se modelara matemticamente de acuerdo con la lgica de enlace de
bloques, como la corrida de simulacin por lo general requiere la generacin y el proceso de una
gran cantidad de datos estadsticos.
Variables exgenas.- 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 actan sobre el sistema, pero no reciben accin alguna de
parte de el, donde estas variables pueden ser controladas( pueden ser manipuladas o control
por quien toma decisiones o crea polticas 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 interactan con las exgenas del sistema y
con las endgenas, el valor de una variable de estado durante un periodo particular de tiempo,
puede depender no solamente de los valores de una o mas variables exgenas en algn
periodo precedente, sino tambin del valor de ciertas variables de salida en periodos
anteriores.
Variables endgenas.- son las dependientes o salidas del sistema y son generadas por la
interaccin de las variables exgenas con las del estado, de acuerdo con las caractersticas de
operacin del ultimo.
FORMULACION DE MODELO
La formulacin de los modelos de simulacin, requiere de la generacin de la informacin, cuando
se dispone de datos histricos se les organizan en histogramas de frecuencia y se estima los
parmetros como la media y la desviacin estndar, donde se puede proporcionar la distribucin de
probabilidad que rija el comportamiento de la variable bajo estudio, con su respectiva prueba de
bondad de ajuste y se conoce como EVALUACION DEL MODELO. Los estudio de campo son el
mtodo mas afectivo, aunque mas tardo y costoso, de obtener la informacin requerida, esta estrategia
requiere de diseo de una muestra estadsticamente representativa de la poblacin bajo estudio, de
personal entrenado y confiable. Donde la etapa final del estudio de la simulacin consiste en validar
el modelo a travs de anlisis de los datos simulados y deben responder a las preguntas, que tambin
coinciden de los valores simulados de las variables donde el anlisis se lleva de 3 pasos.
Recoleccin y procesamiento de los datos simulados.
Calculo de las estadsticas de las pruebas.
Interpretacin de los resultados.
57
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:
Diseo y operacin de sistemas de colas.

Administracin de sistemas de inventario.
Estimacin de la probabilidad de terminar u proyecto a tiempo.
Diseo y operacin de sistemas de manufactura.
Diseo y operacin de sistemas de distribucin.
anlisis de riesgos financieros.
Aplicaciones de cuidado de la salud.
Aplicaciones en otras industrias de serviciosetc.
La operacin diaria de un banco u hospital, para comprender el impacto de aadir ms
pagadores o enfermeras.
La operacin de un puerto martimo o areo, para comprender el flujo de trfico y su
congestin asociada.
El proceso de produccin en una fabrica, para identificar los cuellos de botella en la lnea de
produccin
El flujo de trfico en una autopista o en un sistema de comunicacin complicada, para
determinar si es necesario una expansin.
2.9.2.- METODO DE MONTECARLO, GRAFICO Y TABULAR, TRANSFORMACIN

MATEMATICA.
Esta tcnica fue utilizada en diversas investigaciones con equipos militares de investigacin durante
la segunda guerra mundial a mediados de 1940 en la planeacin, finanzas, probabilidad, valuacin de
seguros, modelos de inventario.
El mtodo consiste en utilizar en forma aleatoria para elegir valores mustrales a partir de una
distribucin probabilstica, despus esos valores mustrales se utilizan como entrada o valores
operativos para un modelo de simulacin.
Ejemplo.
La recoleccin de basuras por da donde el objetivo es simular las toneladas de basura que se
recogen en un da.
Elaborar una distribucin probabilstica (necesitamos conocer la probabilidad de las toneladas

en un da sean menos que, o igual a un valor determinado).
Esto es sumando los valores de las probabilidades comenzando con la recoleccin de 10 ton
por da.
Donde las probabilidades acumuladas caen en el intervalo de 0,1 es posible que genera una
ocurrencia aleatoria.
Seleccionar un valor al azar entre 0,1.
58
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
Intervalos de nmeros aleatorios

Alta
Media
Baja
00-04
00-09
00-14
05-14
10-29
15-39
15-39
30-59
40-74
40-69
60-84
75-89
70-89
85-94
90-94
59
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
Esta demanda genera un ingreso de 24 dlls en cada uno de estos das.

Como cuesta 15 dlls fabricar estos panes.
Nuestro margen de utilidad para cada uno de los primeros das es 9.00dls,
En el da 3 la demanda es 72 la cual representa una escasez de 12 panes su utilidad es de 24-15-1.8 =
7.20 dlls.
En el da 4 la demanda es 48.
Como nuestra poltica es hacer 60 panes, sobraran 12.
Los 48 panes que vendimos solo nos generan ingresos por 19.20 dlls.
Sin embargo los 12 panes que sobran representa 1.20 dlls adicional de ingreso por valor de
recuperacin la utilidad 19.20 +1.20 -15 =5.40
Da
1
2
3
4
5
6
7
8
9
10
11
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
Ganancia Recuperacin Ganancia
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
60*.40 = 24 dlares de ingreso.

60*.25= 15 dlares de costos de produccin
24-15 = 9 dlls de ganancia.
2.- Demanda de 72
Son 4 de 72
60*.40 = 24 dlares de ingreso

60*.25 = 15 dlares de costo de produccin
72-60=12*.15=1.80 costo de ganancia perdidas
24-15-1.8 =7.20 utilidad neta dlls al da.
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
6.- Una inmobiliaria se dedica a la construccin de viviendas prefabricadas, ha hecho un estudio de

mercadotecnia en un estado, y analizado la necesidad de la creacin departamentos, el cual tiene una
poltica de fabricacin de 123 departamentos trimestrales, costo de construccin 226,789.00, costo de
vta. 433,789.00, con un costo de recuperacin 23334.00, un costo de de perdida de ganancia 43387.00,
61
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
Hacer una funcin logartmica, ln para obtener.

T= -1(1/) * ln(1-U)
Donde = 12 y se genera un numero aleatorio uniforme de digamos U = .3329, la cantidad de
tiempo necesario para atender a un cliente particular.
T= -1(1/) * ln(1-U)
= - (1/12)*ln(1-.3329)
= - (1/12) * (-.4048)
= .03373 horas
62
63

Apuntes - Modelos Estocasticos

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Apuntes - Modelos Estocasticos

Caricato da

Copyright:

Formati disponibili

FUNCIN DE DENSIDAD

La distribucin normal queda definida por dos parmetros, su media y su

Conforme nos separamos de ese valor , la probabilidad va decreciendo de

F(x) es el rea sombreada de

Por tanto su funcin de densidad es

siendo la representacin grfica de esta funcin

a la variable Z se la denomina variable tipificada de X, y a la curva de su funcin

No depende de ningn parmetro

La curva f(x) es simtrica respecto del eje OY

Tiene un mximo en este eje

Tiene dos puntos de inflexin en z =1 y z = -1

Aproximacin de la Binomial por la Normal (Teorema de De Moivre) :

Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms

gracias a esta aproximacin es fcil hallar probabilidades binomiales, que para

MANEJO DE TABLAS. CASOS MS FRECUENTES.

Algunas propiedades de la distribucin normal son:

1. Es simtrica respecto de su media, ;

Distribucin de probabilidad alrededor de la media en una distribucin N( , ).

Ejemplo: Dada una distribucin normal con = 50 y = 10 encuentre la probabilidad de que x

De la tabla P( z < -2.0 ) = .0228

2.11.-APROXIMACIN NORMAL DE PROBABILIDAD

= P(-1.32< z < -0.79)

=npq = (109(.5)(.5) = 2.5 = 1.58

P(7 x 9 ) = P(0.26 < z 1.85)

:: P(x< 30) = p(z < -2.14) = .0162 (tabla .3 )

= npq = (80)(1/4)(3/4) = 3.873

Se necesita el rea entre x1 = 24.5

los valores correspondientes de (z) son.

Z1 = (24.5 - 20) / 3.873 =

2.12.- APROXIMACIN NORMAL DE PROBABILIDAD POISSON.

en cualquier otro caso donde > 0

En seguida se dan unos ejemplos y se analiza el papel de la distribucin exponencial es el parmetro ,

x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos

P( x 5o6 , N 6 , p 0.5276 ) 6 C5 ( 0.5276 ) ( 0.4724 ) 6 C6 ( 0.5276 ) ( 0.4724 )

= 0.11587 + 0.02157 = 0.13744

La aproximacin normal para X generalmente ser buena si n 30 sin importar la forma de

en cualquier otro caso

(0 -3/2) + (1 -3/2) + (2 -3/2) + (3 -3/2)

= P (-0.27 < Z < 1.34)

P(X1 -X2 < 8.2) = P(Z < - 1.08)

2.6.- ANLISIS DE DECISIONES

Formulacin del problema.

Nivel inferior (L). Ninguno de los actores tiene un reconocimiento sustantivo.

Se debe tomar en cuenta las probables posibilidades

(Ganancia esperada para 10) * (prob asociada al arco 3-10) +

2.7.- PROCESOS 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 ) p ij

Definiciones en los Procesos de Markov de Primer Orden:

Que la probabilidad cumpla con el principio de Markov.

P(k)=[ pij ]nxn la matriz de transicin de k perodos.

Otra forma es usando el vector de probabilidades y la matriz de transicin, es decir:

S(1) = S(0).P = (0,2; 0,3; 0,5)

S(2) =S(1).P =(0,23; 0,38; 0,39)

Para el segundo mes repetimos los clculos.

Vector de proba Matriz de transicin

2.- Dividir los renglones restantes en cada estado absorbente y no absorbente.

(1- .1) (0 - .7)

P (seleccionar un auto estndar) = p (seleccionar un Chevrolet o Chrysler o Ford estndar) =

= p(Ch) p(S Ch) + p(Chr) p(S Chr) + p(F)p(S F)

p(seleccionar un Chevrolet estndar) = 0.45*1/10 = 0.045

p(seleccionar un Ford o Chrysler automtico) = p(FA) + p(ChrA)

a.- p (producto seleccionado no cumpla con las especificaciones) = 30/150*0.15 + 60/150*0.20 +

b.- B = evento de que el producto seleccionado sea del tipo B

a.- p (producto seleccionado no cumpla con las especificaciones) = 30/1500.15 + 60/1500.20 +