CADENAS DE MARKOV

Una cadena de Markov, que recibe su nombre del matemtico ruso Andrei Markov,
es una serie de eventos, en la cual la probabilidad de que ocurra un evento
depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen
memoria. Recuerdan el ltimo evento y esto condiciona las posibilidades de los
eventos futuros. 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.
En los negocios, las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear las necesidades de
personal y para analizar el reemplazo de equipo.
En matemticas, se define como un proceso estocstico discreto que cumple con
la Propiedad de Markov, es decir, si se conoce la historia del sistema hasta su
instante actual, su estado presente resume toda la informacin relevante para
describir en probabilidad su estado futuro.
Una cadena de Markov es una secuencia X1, X2, X3, de variables aleatorias. El
rango de estas variables, es llamado espacio estado, el valor de Xn es el estado
del proceso en el tiempo n. Si la distribucin de probabilidad condicional de Xn+1
en estados pasados es una funcin de Xn por s sola, entonces:
Donde xi es el estado del proceso en el instante i. La identidad mostrada es la
Propiedad de Markov.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que
ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas
de este tipo tienen memoria. Recuerdan el ltimo evento y esto condiciona las
posibilidades de los eventos futuros. 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 anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo
el mtodo en 1907, permite encontrar la probabilidad de que un sistema se
encuentre en un estado en particular en un momento dado. Algo ms importante
an, es que permite encontrar el promedio a la larga o las probabilidades de

estado estable para cada estado. Con esta informacin se puede predecir el
comportamiento del sistema a travs del tiempo.
La tarea ms difcil es reconocer cundo puede aplicarse. La caracterstica ms
importante que hay que buscar en la memoria de un evento a otro.
Formulacin de las cadenas de Markov.
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que
ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas
de este tipo tienen memoria. Recuerdan el ltimo evento y esto condiciona las
posibilidades de los eventos futuros. 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.
Probabilidades de transicin.
Una forma de describir una cadena de Markov es con un diagrama de estados. En
sta se ilustra un sistema de Markov con cuatro estados posibles: M1, M2, M3 y
M4. La probabilidad condicional o de transicin de moverse de un estado a otro se
indica en el diagrama
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de
transicin.
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de
transicin. .
Para n = 0, 1, 2,.
El superndice n no se escribe cuando n = 1.
Procesos estocsticos.
Un proceso estocstico se define sencillamente como una coleccin indexada de
variables aleatorias {X1}, donde el subndice t toma valores de un conjunto T dado.
Con frecuencia T se toma como el conjunto de enteros no negativos y X,
representa una caracterstica de inters medible en el tiempo t. Por ejemplo, el
proceso estocstico, X1, X2, X3,.., Puede representar la coleccin de niveles de

inventario semanales (o mensuales) de un producto dado, o puede representar la

coleccin de demandas semanales (o mensuales) de este producto.
Un estudio del comportamiento de un sistema de operacin durante algn periodo
suele llevar al anlisis de un proceso estocstico con la siguiente estructura. En
puntos especficos del tiempo t , el sistema se encuentra exactamente en una de
un nmero finito de estados mutuamente excluyentes y exhaustivos, etiquetados
0, 1 . . , S. Los periodos en el tiempo pueden encontrarse a intervalos iguales o su
esparcimiento puede depender del comportamiento general del sistema en el que
se encuentra sumergido el proceso estocstico. Aunque los estados pueden
constituir una caracterizacin tanto cualitativa como cuantitativa del sistema, no
hay prdida de generalidad con las etiquetas numricas 0, 1. . , M, que se usarn
en adelante para denotar los estados posibles del sistema. As la representacin
matemtica del sistema fsico es la de un proceso estocstico {Xi}, en donde las
variables aleatorias se observan en t = 0, 1, 2,. . ., y en donde cada variable
aleatoria puede tomar el valor de cualquiera de los M + 1 enteros 0, 1,.. , M. Estos
enteros son una caracterizacin de los M + 1 estados del proceso.
Propiedad Markoviana de 1o. orden.
Se dice que un proceso estocstico tiene la propiedad Markoviana si
P Xt+1 = j = P X t+1 , para toda t = 0, 1 . Y toda
Sucesin i, j , K0 , K1 . . , Ki-1.
Se puede demostrar que esta propiedad Markoviana es equivalente a establecer
una probabilidad condicional de cualquier evento futuro dados cualquier evento
pasado y el estado actual Xi = i, es independiente del evento pasado y slo
depende del estado actual del proceso. Las probabilidades condicionales PXt+1 =
j se llaman probabilidades de transicin. Si para cada i y j,
P Xt+1 = j = pX1 = j, para toda t = 0, 1,.
Entonces se dice que las probabilidades de transicin (de un paso) son
estacionarias y por lo general se denotan por pij. As, tener probabilidades de
transicin estacionarias implica que las probabilidades de transicin no cambian
con el tiempo. La existencia de probabilidades de transicin (de un paso)
estacionarias tambin implica que, para cada i, j y n (n = 0, 1, 2,),

P Xt+n = j = pXn = j,
Para toda t = 0, 1,. . . Estas probabilidades condicionales casi siempre se denotan
por y se llaman probabilidades de transicin de n pasos. As, es simplemente la
probabilidad condicional de que la variable aleatoria X, comenzando en el estado i,
se encuentre en el estado j despus de n pasos (unidades de tiempo).
Como las son probabilidades condicionales, deben satisfacer las propiedades:
Probabilidad de transicin de un solo paso.
Ejemplo:
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se
puede ordenar cada semana. Sean D1, D2, las demandas de esta cmara
durante la primera, segunda,, semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idnticamente distribuidas que tienen
una distribucin de probabilidad conocida. Sea X0 el nmero de cmaras que se
tiene en el momento de iniciar el proceso, X1 el nmero de cmaras que se tienen
al final de la semana uno, X2 el nmero de cmaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
poltica ( s, S)1 para ordenar : si el nmero de cmaras en inventario al final de la
semana es menor que s =1 (no hay cmaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o ms cmaras en el
almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1,.. Es un proceso
estocstico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras
en inventario al final de la semana.
Observe que {Xi}, en donde Xi es el nmero de cmaras en el almacn al final de
la semana t ( antes de recibir el pedido}), es una cadena de Markov. Se ver ahora
cmo obtener las probabilidades de transicin (de un paso), es decir, los
elementos de la matriz de transicin (de un paso).
Suponiendo que cada Dt tiene una distribucin Poisson con parmetro.

Para obtener es necesario evaluar. Si, Entonces. Por lo tanto, significa que la
demanda durante la semana fue de tres o ms cmaras. As, la probabilidad de
que una variable aleatoria Poisson con parmetro tome el valor de 3 o ms; y se
puede obtener de una manera parecida. Si, entonces. Para obtener, la demanda
durante la semana debe ser 1 o ms. Por esto, Para encontrar, observe que si . En
consecuencia, si, entonces la demanda durante la semana tiene que ser
exactamente 1. Por ende, Los elementos restantes se obtienen en forma similar, lo
que lleva a la siguiente a la siguiente matriz de transicin (de un paso):
Probabilidad de transicin estacionaria de n pasos.
Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular
estas probabilidades de transicin de n pasos:
Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n
pasos, el proceso estar en algn estado k despus de exactamente m (menor
que n) pasos. As,
Es solo las probabilidad condicional de que, si se comienza en el estado i, el
proceso vaya al estado k despus de m pasos y despus al estado j en n- m
pasos.
Los casos especiales de m=1 y m=n-1 conducen a las expresiones
Para toda i, j, y n de lo cual resulta que las probabilidades de transicin de n pasos
se pueden obtener a partir de las probabilidades de transicin de un paso de
manera recursiva. Para n=2, estas expresiones se vuelven:
Note que las son los elementos de la matriz P (2), pero tambin debe de
observarse que estos elementos, se obtienen multiplicando la matriz de transicin
de un paso por s misma; esto es, P (2) = P * P = P2.
En trminos ms generales, se concluye que la matriz de probabilidades de
transicin de n pasos se puede obtener de la expresin: P(n) = P * P. P = Pn =
PPn1 = Pn-1 P.
Entonces, la matriz de probabilidades de transicin de n pasos se puede obtener
calculando la n-sima potencia de la matriz de transicin de un paso. Para valores
no muy grandes de n, la matriz de transicin de n pasos se puede calcular en la

forma que se acaba de describir, pero cuando n es grande, tales clculos resultan
tediosos y, ms an, los errores de redondeo pueden causar inexactitudes.
Ejemplo:
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se
puede ordenar cada semana. Sean D1, D2, las demandas de esta cmara
durante la primera, segunda,, semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idnticamente distribuidas que tienen
una distribucin de probabilidad conocida. Sea X0 el nmero de cmaras que se
tiene en el momento de iniciar el proceso, X1 el nmero de cmaras que se tienen
al final de la semana uno, X2 el nmero de cmaras al final de la semana dos, etc.
Suponga que X0 = 3. El sbado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
poltica (s, S)1 para ordenar: si el nmero de cmaras en inventario al final de la
semana es menor que s =1 (no hay cmaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o ms cmaras en el
almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1,.. Es un proceso
estocstico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras
en inventario al final de la semana.
As, dado que tiene una cmara al final de una semana, la probabilidad de que no
haya cmaras en inventario dos semanas despus es 0.283; es decir, De igual
manera, dado que se tienen dos cmaras al final de una semana, la probabilidad
de que haya tres cmaras en el almacn dos semanas despus es 0.097; esto es,
La matriz de transicin de cuatro pasos tambin se puede obtener de la siguiente
manera:
P (4) = P4 = P (2) * P (2)
As, dado que queda una cmara al final de una semana, 0.282 es la probabilidad
de que no haya cmaras en inventario 4 semanas ms tarde; es decir, De igual
manera, dado que quedan dos cmaras en el almacn final de una semana, se
tiene una probabilidad de 0.171 de que haya tres cmaras en el almacn 4
semanas despus; esto es,

Probabilidades de transicin estacionaria de estados estables.

Teorema
Sea P la matriz de transicin de una cadena de M estados. Existe entonces un
vector tal que
Se establece que para cualquier estado inicial i.
El vector a menudo se llama distribucin de estado estable, o tambin distribucin
de equilibrio para la cadena de Markov. Para encontrar la distribucin de
probabilidades de estacionario para una cadena dada cuya matriz de transicin es
P, segn el teorema, para n grande y para toda i, (1)
Como Pij (n + 1) = (rengln i de Pn) (columna j de P), podemos escribir
(2)
Ejemplo:
Suponga que toda la industria de refrescos produce dos colas. Cuando una
persona ha comprado la cola 1, hay una probabilidad de 90 % de que su siguiente
compra se de cola 1. Si una persona compr cola 2, hay un 80 % de
probabilidades que su prxima compra sea de cola 2.
Entonces:
Al reemplazar la segunda ecuacin por la condicin,
Obtenemos el sistema
Al despejar resulta que Por lo tanto, despus de largo tiempo, hay probabilidad 2/3
de que una persona dada compre cola 1 y 1/3 de probabilidad de que una persona
compre cola 2.
Tiempos de primer paso.
Con frecuencia es conveniente poder hacer afirmaciones en trminos de
probabilidades sobre el nmero de transiciones que hace el proceso al ir de un

estado i a un estado j por primera vez. Este lapso se llama tiempos de primer paso
al ir del estado i al estado j. cuando J=i, esta tiempo de primer paso es justo el
nmero de transiciones hasta que el proceso regresa al estado inicial i. En este
caso, el tiempo de primer paso se llama tiempo de recurrencia para el estado i.
Para ilustrar estas definiciones, reconsidrese el ejemplo siguiente:
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se
puede ordenar cada semana. Sean D1, D2, las demandas de esta cmara
durante la primera, segunda, , semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idnticamente distribuidas que tienen
una distribucin de probabilidad conocida. Sea X0 el nmero de cmaras que se
tiene en el momento de iniciar el proceso, X1 el nmero de cmaras que se tienen
al final de la semana uno, X2 el nmero de cmaras al final de la semana dos, etc.
Suponga que X0 = 3. El sbado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
poltica ( s, S)1 para ordenar : si el nmero de cmaras en inventario al final de la
semana es menor que s =1 (no hay cmaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o ms cmaras en el
almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1,.. Es un proceso
estocstico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras
en inventario al final de la semana.
Donde Xt es el nmero de cmaras en inventario al final de la semana t y se
comienza con, Suponga que ocurri lo siguiente:
En este caso, el tiempo de primer paso para ir al estado 3 al estado 1 es de 2
semanas, el tiempo de primer paso para ir del estado 3 al estado 0 es de 3
semanas y el tiempo de recurrencia del estado 3 es de 4 semanas.
En general, los tiempos de primer paso son variables aleatorias y, por lo tanto,
tienen una distribucin de probabilidad asociada a ellos. Estas distribuciones de
probabilidad dependen de las probabilidades de transicin del proceso. En
particular, denota la probabilidad de que el tiempo de primer paso del estado i al j

sea igual a n. Se puede demostrar que estas probabilidades satisfacen las

siguientes relaciones recursivas:
Entonces se puede calcular la probabilidad de un tiempo de primer paso del
estado i al j en n pasos, de manera recursiva, a partir de las probabilidades de
transicin de un paso. En el ejemplo, la distribucin de probabilidad de los tiempos
de primer paso del estado 3 al estado 0 se obtiene como sigue:
Para i y j fijos, las son nmeros no negativos tales que
Esta suma puede ser menor que 1, lo que significa que un proceso que el iniciar
se encuentra en el estado i puede no llegar nunca al estado j. Cuando la suma es
igual a 1, las pueden considerarse como una distribucin de probabilidad para la
variable aleatoria, el tiempo de primer paso.
Para obtener el tiempo esperado de primer paso del estado i al estado j. Sea, que
se define como:
Entonces satisface, de manera nica, la ecuacin:
Cuando i=j, se llama tiempo esperado de recurrencia.
Al aplicarlo al ejemplo del inventario, estas ecuaciones se pueden usar para
calcular el tiempo esperado hasta que ya no se tengan cmaras en el almacn,
suponiendo que el proceso inicia cuando se tienen tres cmaras; es decir, se
puede obtener el tiempo esperado de primer paso . Como todos los estados son
recurrentes, el sistema de ecuaciones conduce a las expresiones
La solucin simultnea de este sistema es
De manera que el tiempo esperado hasta que la tienda se queda sin cmaras es
de 3.50 semanas.
Caso de Aplicacin.
Aplicacin a la administracin: Planeacin de Personal.
El anlisis de transicin puede ser til al planear satisfacer las necesidades de
personal. Muchas firmas emplean trabajadores de diferentes niveles de

clasificacin dentro de la misma categora de trabajo. Esto es comn para

personal de confianza, oficinistas, obreros calificados, no calificados y personal
profesional. La firma debe tener el nmero de empleados en cada nivel de
clasificacin para proporcionar la oportunidad de promocin adecuada, cumplir
con las habilidades necesarias para el trabajo y controlar la nmina. Una
planeacin de personal a largo plazo apropiada requiere que se considere el
movimiento de personas tanto hacia arriba en el escalafn de clasificacin como
hacia afuera de la organizacin. El anlisis de Markov puede ayudar en este
esfuerzo de planeacin.
El movimiento de personal a otras clasificaciones puede considerarse como una
cadena de Markov. Se supone que hay tres clasificaciones; el grado 1 es la ms
baja. Adems, los descensos se consideran raros y se omiten. El estado salen es
absorbente, el cual incluye renuncias, ceses, despidos y muertes. Por supuesto,
todos los empleados finalmente alcanzan este estado.
Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan
promociones. Como transiciones de probabilidad, estn controladas por la firma,
puede establecerse el nivel que la firma determine que es necesario para cumplir
sus objetivos. Como ejemplo, supngase que la firma tiene en este momento 30
empleados del 3, 90 empleados del grado 2 y 300 empleados del grado 1 y que
desea mantener este nivel de empleados durante el prximo ao. Por experiencia,
se espera que salgan el 30 % de los empleados de grado 1 al ao, el 20 % de los
empleados de grado 2 y el 10 % de aquellos que estn en el grado 3. Si la poltica
es contratar slo en los niveles de clasificacin ms bajos, cuntos se deben
contratar y cuntos se deben promover el siguiente ao para mantener estables
los niveles ?.
Este problema puede resolverse sin el anlisis de Markov, pero el modelo es til
para ayudar a conceptualizar el problema. Como se trata slo de un ciclo, se usa
el anlisis de transicin. El anlisis comienza con el grado ms alto. No se hacen
promociones pero el 10 %, o sea, 3, sale. Todos ellos deben de reemplazarse por
promociones del grado 2. En el nivel de clasificacin, el 20 % sale y se deben
promover 3, con una prdida de 21. Esto se debe compensar por promocin del
grado 1. Al pasar al grado 1, el 30 % sale y 21 deben promoverse, lo cual una
prdida total de 111. Por tanto, el siguiente ao se deben contratar 111 empleados
del nivel 1.

En este ejemplo se derivan algunas tasas de transicin a partir de consideraciones

externas.

EJERCICIOS TIPO EXAMEN

2012 - 1
Un estudio reciente realizado en nuestra la ciudad muestra que el 2% de los habitantes que viven
en el rea metropolitana se mudan a los suburbios en un perodo de un ao, en tanto que el 1% de
los que viven en los suburbios se mudan al rea metropolitana en el mismo perodo. Suponga que
esta situacin queda modelada como un proceso de Markov con dos estados: Ciudad (los que
viven en el rea metropolitana) y Suburbios.
a.
b.
c.

Siguiendo los pasos requeridos escriba la matriz de probabilidades de transicin

Calcule las probabilidades de estado estable
En un rea metropolitana especfica, 40% de la poblacin vive en la ciudad y 60% vive
en los suburbios. Qu cambios en la poblacin resultan de las probabilidades de
estado estable para esta rea metropolitana?

Un cazador le dispara a un pato independientemente de cuantos patos vuelen juntos; la

probabilidad de acertar (es decir disparar y cazar un pato) es de 0.2. La cacera termina cuando el
cazador haya cazado 2 patos. Suponga que esta situacin queda modelada como un proceso de
Markov.
a. Siguiendo los pasos requeridos escriba la matriz de probabilidades de transicin
b. Cuntos disparos debe hacer el cazador antes de lograr el lmite, si tiene cero patos y
cundo tenga un pato.

Un estudio demuestra que el nmero de clientes que estn en el momento ocupando la estacin
afecta la probabilidad de una nueva llegada, ver tabla anexa. Si se supone que la probabilidad de
servicio es 0.5 formular esta situacin como una cadena de Markov, describiendo una a una las
probabilidades de la matriz de transicin, de lo contrario la cadena no tiene valor.
Nmero de clientes en
la estacin
0
1
2
3

Probabilidad de una
nueva llegada
0.4
0.4
0.1
0.1

.
En una oficina de representaciones hay tres agentes viajeros para visitar a los clientes.
Las correras empiezan los lunes pero antes deben sostener una reunin conjunta. Slo
pueden salir de viaje dos de los agentes pues siempre debe permanecer uno en la oficina.
Cuando un agente sale de correra puede demorarse en ella exactamente una o dos
semanas con probabilidad 2/3 y 1/3 respectivamente. Al iniciar una correra siempre salen

los dos agentes disponibles. Escriba la matriz de transicin correspondiente a la situacin

planteada.

Un taxi puede estar en buen estado (1) o en reparacin (0). En el 95% de los casos el taxi
permanece en buen estado de un da a otro y cuando est en reparacin en el 30% de las veces
no se logra reparar en un da. Cuando el taxi est funcionado los gastos de operacin diario son de
$1500 y cuando est en reparacin los costos son de $2000 por da.
a.
b.
c.

Siguiendo todos los pasos requeridos, elabore la matriz correspondiente.

Halle los costos directos esperados por da.
Cunto debera ganar el taxista durante un da para que su sueldo sea al menos el
doble del salario mnimo. [Ayuda: considere el salario mnimo como $450000]

.
Hace mucho tiempo en una galaxia lejana existi un planeta en el que el clima de
cualquier da dependa slo del clima del da anterior. Por ejemplo, la probabilidad de que
lloviera hoy dependera slo de lo sucedido ayer. Existen slo tres tipos de clima en ese
planeta: despejado, lluvia y nieve. Enseguida se presenta la matriz de transicin diaria
para estos tipos de clima:

Despeja
do
Lluvia
nieve

Despejad
o
0.5

Lluvia

Nieve

0.

0.2

0.4
0.3

0.4
0.3

0.2
0.4

a.

Calcule las probabilidades de estado para pasado maana siendo que hoy
llovi.
b.
Cul es la probabilidad de que siga lloviendo un mes despus
c.
Cules son las probabilidades de equilibrio para cada tipo de clima

Suponga que el estado del tiempo un da cualquiera depende de las condiciones del
tiempo de los dos das anteriores. Esto es, si ayer llovi y hoy tambin, la probabilidad de
que maana llueva es 0.7. Si hoy llovi, pero no ayer, maana llover con probabilidad
0.5. Si hoy no llovi, pero ayer si, maana llover con probabilidad 0.4. Si en los ltimos
das no ha llovido, llover maana con probabilidad 0.2.
a.

Siguiendo todos los pasos requeridos a la elaboracin de la cadena

correspondiente, elabore la matriz de transicin correspondiente.
b.
Si el lunes y el martes de esta semana llovi, cul es la probabilidad de que
llueva el jueves
c.
Cul es la probabilidad de que llueva en los prximos cuatro das, si hoy est
lloviendo

Se tiene un proceso de produccin donde cada artculo debe pasar por dos etapas. Al final de cada
etapa los artculos se desechan con probabilidad 0.05 o regresan para rehacerlos con probabilidad

0.1 o pasan a la etapa siguiente. El tiempo de operacin en cada etapa es de 1 hora-hombre y 2

horas-hombre respectivamente con un costo promedio de $144/hora; los artculos desechados
cuestan $1 cada uno.

a. Siguiendo todos los pasos requeridos a la elaboracin de la cadena, elabore la

matriz de transicin correspondiente
b. Halle el nmero esperado de pasos para que el producto sea terminado; y para
que el producto sea desechado.
c. Halle el porcentaje de piezas buenas que terminan
d. Luego de pasar la etapa 1,cul es el porcentaje de piezas terminadas?
e. Halle el costo esperado de produccin de cada artculo
f. Halle el costo esperado de produccin de cada artculo bueno

..
Un consorcio ha ganado una licitacin para construir una carretera en cierta zona
volcnica del pas. El constructor sabe que el polvo volcnico obstruir los filtros de las
mquinas de las mquinas con mucha rapidez y provocar que los camiones dejen de
funcionar. Los filtros se revisan todos los das y se clasifican como recin limpiados,
parcialmente obstruidos o totalmente obstruidos. Experiencias anteriores han mostrado
que un filtro que se acaba de limpiar tiene una probabilidad de 0.1 de permanecer limpio y
una probabilidad de 0.8 de quedar parcialmente obstruido. Un filtro que ya est
parcialmente obstruido tiene igual probabilidad de quedar parcialmente o totalmente
obstruido. Para poder utilizar un camin que tiene un filtro totalmente obstruido ste se
debe limpiar primero.
a. Siguiendo todos los pasos requeridos a la elaboracin de la cadena
correspondiente, elabore la matriz de transicin correspondiente.
b. Si un camin deja de operar, esto le cuesta a la compaa $100 por el tiempo
perdido de trabajo y $20 para poder limpiar el filtro. Cunto le costar a la
compaa seguir una poltica de no limpiar los filtros sino hasta que se detengan
los camiones?

.
Suponga las elecciones que se efectan en cierto pas cada dos aos. Se ha observado en el
estado de Cumarca que un electorado que es liberal (vota liberal) puede votar por los
conservadores en una eleccin si y slo si en la eleccin anterior se abstuvo de votar (mayora
silenciosa); igual cosa sucede con los conservadores. Suponga S 1 si el elector vota liberal, S2 si
vota conservador y S3 si se abstiene. La experiencia en Cumarca muestra que un liberal se
abstendr la mitad del tiempo en las prximas elecciones, un conservador se abstendr la cuarta
parte del tiempo y un abstencionista de las elecciones pasadas tiene probabilidad de votar igual por
cualquier partido en las prximas elecciones.

a. Siguiendo todos los pasos requeridos a la elaboracin de la cadena

correspondiente, elabore la matriz de transicin correspondiente.
b. Encuentre la probabilidad de que una persona que vota liberal ahora, se abstenga
dentro de 2 elecciones.
c. En una eleccin dada, la mitad de la poblacin vota liberal, la cuarta parte
conservador y el resto se abstiene. Qu proporciones se pueden esperar en las
prximas elecciones?


..
Una fbrica tiene dos mquinas y una cuadrilla de reparacin. Suponga que la
probabilidad de que una mquina se dae un da cualquiera es alfa. Suponga, adems,
que si la cuadrilla de reparacin est trabajando en una de las mquinas, la probabilidad
que la repare en un da es beta. Sea Xn el nmero de mquinas en operacin al final
del n-simo da. Asuma que el comportamiento de {Xn} puede modelarse como una
cadena de Markov. Escriba la matriz de transicin correspondiente a la situacin
planteada.
Este problema es un reto:
Aplicando la teora de Cadenas de Markov encuentre la probabilidad de que D est
diciendo la verdad en el siguiente problema: A, B, C y D dicen la verdad cada uno de ellos
con una probabilidad de 1/3 (independientemente), y A afirma que B niega que C declara
que D es un embustero Adaptado de Parzen 1968

.
En una investigacin de mercados se comprob que el 90% de las personas que compraban la
marca X de cierto producto volvan a comprar la misma marca en la prxima semana, mientras que
el 20% de los que no la haban comprado lo hacan en la prxima oportunidad.

Siguiendo los pasos requeridos describa esta situacin como una cadena de
Markov
b Cul ser el porcentaje de consumidores de la marca X un mes despus, si
inicialmente la probabilidad de adquirir la marca Y era de 0.3?
c Cul es el vector de estado estable? Interpretarlo

En un determinado proceso de produccin, cada artculo pasa por dos etapas de fabricacin. Al
final de cada etapa los artculos se inspeccionan y se desechan totalmente con probabilidad 0.3; se
desechan parcialmente para regresarlos y rehacerlos con probabilidad 0.2 o pasan a la etapa
siguiente con probabilidad 0.5. Realizando todo el proceso de formulacin de una resolver esta
situacin C.M,
Tres
nios A, B y C juegan con una pelota de la siguiente manera: si A tiene la pelota, siempre se la
pasa a B y B siempre se la pasa a C, pero este se la pasa a A o B con igual probabilidad.
Encontrar:

a
b

Siguiendo los pasos requeridos defina el proceso de Markov correspondiente.

Qu pasara tres lanzamientos despus, sabiendo que inicialmente C tiene la
pelota.
c Las probabilidades lmites.

Una maquina puede estar en buen estado (1) o en reparacin (0). En el 85% de los casos la
mquina permanece en buen estado de un da a otro y cuando est en reparacin en el 20% de las
veces no se logra reparar en un da. Cuando la mquina est funcionado los gastos de operacin
diario son de $2500 y cuando est en reparacin los costos son de $1000 por da.

a
b
c

Siguiendo todos los pasos requeridos, elabore la matriz correspondiente.

Halle los costos directos esperados por da.
Cunto utilidad debera proporcionar la mquina durante un da para que la ganancia
mensual sea al menos el triple del salario mnimo. [Ayuda: considere el salario mnimo
como $450.000]