Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métod Cuantitat - U2
Métod Cuantitat - U2
CUANTITATIVOS
Armin Trujillo Mata
armin.trujillo@gmail.com
Justificacin
La administracin se ve inmersa en distintas situaciones
problemticas y de decisin que retan a los profesionistas a
encontrar la mejor alternativa de solucin de manera oportuna y
eficaz.
Los mtodos cuantitativos nos permiten modelar las diferentes
situaciones problemticas a las que nos enfrentamos para poder
abordarlas y resolverlos de manera eficiente.
Son un conjunto de herramientas que nos permitirn encontrar las
alternativas de solucin que nos den los mejores resultados y por lo
tanto, a hacer ms eficiente nuestro proceso de toma de
decisiones.
2016 Armin Trujillo Mata
Temario Unidad 2
Cadenas de Markov
2.1 Concepto, terminologa y aplicaciones
2.2 Elaboracin matricial de las probabilidades de transicin
Incertidumbre
lgebra
Punto de Equilibrio
Anlisis Costo-Beneficio
Clculo
Programacin matemtica
Lineal
No lineal
Entera
Dinmica
Metas
Cuadrtica
Geomtrica
Teora de Decisiones
rboles de Decisin
Diagramas de Influencia
Anlisis de Lneas de espera
Simulacin
Cadenas de Markov
Anlisis de Redes
PERT y CPM
Teora de Juegos
Teora de Confiabilidad
Anlisis Estadsticos
Teora de Probabilidad
Prueba de Hiptesis
Estadstica Bayesiana
Correlacin y Regresin
Mtodos no paramtricos
2016 Armin Trujillo Mata
Introduccin
Introduccin
En los problemas de toma de decisiones, con frecuencia surge la
necesidad de tomar decisiones basadas en fenmenos que tienen
incertidumbre asociada.
En lugar de manejar la variabilidad (originada por la incertidumbre)
de manera cualitativa, puede incorporarse a un modelo matemtico
y manejarse de manera cuantitativa.
Es necesario que el fenmeno presente cierta regularidad de
manera que pueda describirse mediante un modelo probabilstico.
Cadenas de Markov
Para poder analizar las probabilidades de los estados de un
sistema o de un proceso (estocstico), se utilizan las cadenas de
Markov.
Las cadenas de Markov son modelos probabilsticos de gran
importancia.
10
Conceptos y terminologa
En puntos especficos del tiempo t etiquetados 0, 1, 2, el
sistema se encuentra en uno de un nmero finito de estados o
categoras mutuamente excluyentes y colectivamente exhaustivos
etiquetados 0, 1, 2, M.
Los puntos en el tiempo pueden encontrarse a intervalos iguales o
el espacio entre ellos puede depender del comportamiento general
del sistema en el que se encuentra el proceso estocstico.
11
Conceptos y terminologa
Proceso estocstico {Xt , t T }
Xt es una variable aleatoria
12
Sean D1, D2, las demandas semanales de esta cmara, las Di son
variables aleatorias independientes e idnticamente distribuidas con una
distribucin de probabilidad conocida.
Sea X0 el nmero de cmaras que se tiene al momento de iniciar el proceso,
X1 el nmero de cmaras que se tiene al final de la semana 1, X2 el nmero
de cmaras al final de la semana 2, etc.
Suponga que X0 = 3. El sbado en la noche la tienda hace un pedido que le
entregan el lunes por la maana al abrir la tienda.
La tienda usa la siguiente poltica (s, S ) 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), ordena (hasta) S = 3. De otra manera no coloca la
orden (Si hay una o ms cmaras en almacn no se hace el pedido).
13
Ejemplo 1. (Cont.)
{Xt } para t = 0, 1, es un proceso estocstico
Los estados posibles del proceso son los enteros 0, 1, 2 y 3 que son
el nmero posible de cmaras en inventario al final de cada semana.
mx
+1 , 0
Si Xt < 1
mx
+1 , 0
Si Xt 1
+1 =
14
Cadenas de Markov
Se dice que un proceso estocstico {Xt } tiene la propiedad
Markoviana si
+1 = 0 = 0 , 1 = 1 , , 1 = 1 , = }
Lo cual es igual a
+1 = = } para t = 0, 1, 2, . t -1
15
Esto es
1 = 0 = }
para toda t = 0, 1, 2,
16
0,
()
=0
= 1,
para toda i y j ; n = 0, 1, 2,
para toda i ; n = 0, 1, 2,
17
para n = 0, 1, 2,
O lo que es equivalente,
18
19
Ejemplo 2. (cont.)
Definimos la variable
X=
0 demanda baja
1 demanda alta
Demanda da siguiente
P{X t+1 = 0 | X t = 0 } =
0.8
P{X t+1 = 0 | X t = 1 } =
0.6
Demanda
Actual
Xt
X t+1
0 Dbaja
1 Dalta
0 Dbaja
1 Dalta
20
Ejemplo 2. (cont.)
b) Ahora, el diagrama de transicin
0.2
0.8
0.4
0.6
c) Probabilidades de estado estable del sistema (estado estacionario)
Despus de transcurridos varios das
21
Ejemplo 2. (cont.)
Establecemos las siguientes ecuaciones:
p0 = P0,0 p0 + P1,0 p1
p1 = P0,1 p0 + P1,1 p1
1 = p0 + p1
Sustituimos:
p0 = 0.8 p0 + 0.6 p1
p1 = 0.2 p0 + 0.4 p1
1 = p0 + p1
Tomamos y sustituimos en
p0 = 0.8 p0 + 0.6 p1
1 - p1 = 0.8 (1 - p1 ) + 0.6 p1
1 - p1 = 0.8 0.8 p1 + 0.6 p1
- p1 + 0.8 p1 - 0.6 p1 = 0.8 - 1
0.8 p1 = 0.2
p1 = 0.2 / 0.8 = 0.25
Probabilidad de llegar a un da con D alta
Tomamos y despejamos
De despejamos p0
p0 = 1 - p1 .
p0 = 1 - p1
p 0 = 1 0.25 = 0.75
Probabilidad de llegar a un da con D baja
22
c. Cadenas
b. Cadenas
regulares
d. Cadenas
positivas(primitivas o absorbentes
recurrentes
ergdicas)
e. Cadenas
en tiempo
continuo
23
a. Cadenas irreducibles
Una cadena de Markov se dice irreducible si se cumple cualquiera
de las siguientes condiciones (equivalentes entre s):
1.
2.
3.
4.
5.
24
25
b. Cadenas positivo-recurrentes
Una cadena de Markov se dice positivo-recurrente si todos sus
estados son positivo-recurrentes.
26
c. Cadenas regulares
Una cadena de Markov es regular (primitiva o ergdica) si existe
alguna potencia positiva de la matriz de transicin cuyas entradas
sean todas estrictamente mayores que cero.
Cuando el espacio de estados E es finito, y si P denota la matriz de
transicin de la cadena,
lim =
27
d. Cadenas absorbentes
Una cadena de Markov con espacio de estados finito se dice
absorbente si se cumplen las dos condiciones siguientes:
28
Adems,
29
tal que
30
31
32
33
Condicin de equilibrio
Para una Cadena de Markov irreducible, regular, cuando el nmero
de etapas n tiende al infinito, el lmite existe y es independiente de i
(es decir, todos los renglones de la matriz convergen al mismo
valor).
()
Lim
34
Ejemplo 3.
Por ejemplo para una cadena con tres estados (suponga nivel de
ventas bajo, medio y alto) y con probabilidades en estado estable o
de equilibrio, tendramos que
35
Ejemplo 3. (cont.)
Desarrollando el sistema anterior:
36
Ejemplo 3. (cont.)
Para encontrar el estado estable, planteamos su condicin:
37
Ejemplo 3. (cont.)
A las ecuaciones anteriores agregamos la
restriccin de la suma de probabilidades:
Resolviendo el sistema de
ecuaciones, obtenemos la distribucin
de probabilidad en el estado de equilibrio
2016 Armin Trujillo Mata
p2 = 4/17 = 0.2352
Sustituyendo el valor de p2 en ,
p1 = 2p2
p1 = 2 (0.2352) = 0.4705
Sustituyendo en tenemos
p1 + p2 + p3 = 1
2p2 + p2 + p3 = 1
3p2 + p3 = 1
p3 = 1 - 3p2 . . . . . . . .
Sustituyendo y en tenemos
p3 = 1 - p1 - p2
p3 = 1 0.4705 0.2352 = 0.2941
39
Ejemplo 3. (cont.)
As, tenemos que
p1 = 0.4705
p2 = 0.2352
p3 = 0.2941
Lo cual significa que a largo plazo, existe un 47.05% de
probabilidad que se presente el estado1, un 23.52% de
probabilidad que se presente el estado 2 y 29.41% de
probabilidad que se presente el estado 3.
40
Ejercicio 1
Dos compaas, A y B, comparten un mercado. Actualmente, A domina el
35% del mercado y B el resto. El departamento de investigacin de la
compaa A, ha determinado por medio de estudios que un cliente que
actualmente le compra, tiene un 70% de probabilidad de comprarle
nuevamente el prximo ao. Mientras que un cliente que le compra a la
compaa B, tiene un 80% de probabilidad de seguirle comprando a B el ao
prximo. Si el mercado total del ao que viene se estima en $4,000,000.
Qu ingreso por ventas espera tener la empresa A?
Participacin actual
Compaa
A
B
0.35
0.65
Participacin ao
prximo
Matriz de transicin
A
A 0.7 0.3
0.375
0.625
B 0.2 0.8
41
0.7
0.8
0.2
42
Ejercicio 2
Considere el anlisis del precio de una accin. Al final de un da dado, se
registra el precio de dicha accin. Si la accin subi al cierre de la jornada, la
probabilidad de que suba el da de maana es de 0.7. Si la accin baj, la
probabilidad de que suba maana es slo de 0.5.
P=
0.7 0.3
0.5 0.5
43
Ejercicio 3
Suponga ahora que el modelo del mercado de acciones cambia; el que el
precio de una accin suba o baje maana, depende de si subi o baj el da
de hoy y ayer. En particular, si la accin subi los dos das, la probabilidad de
que suba maana es 0.9. Si la accin subi hoy pero ayer baj, maana
subir con probabilidad de 0.6. Si la accin baj hoy pero ayer subi,
entonces maana subir con probabilidad de 0.5. Por ltimo, si baj los dos
das, la probabilidad de que maana suba es de 0.3.
Represente las probabilidades de transicin con una matriz.
44
Maana
Probabilidad
0.9
0.6
0.5
0.3
0
Estado 0 = La accin subi ayer y hoy subi.
Estado 1 = La accin baj ayer y hoy subi.
Estado 2 = La accin subi ayer y hoy baj.
Estado 3 = La accin baj ayer y hoy baj.
0
1
P=
2
3
0.9 0 0.1 0
0.6 0 0.4 0
0 0.5 0 0.5
0 0.3 0 0.7
45
Caso.
Move-U Truck Rental Company
La Move-U Truck Rental Company se especializa en el arrendamiento de
camiones a personas que desean realizar sus propias mudanzas. El gerente
de distribucin de la compaa, est considerando aplicar un cargo por
traslado para cubrir el costo de enviar camiones desde reas en las que hay
sobrantes a otros lugares en los que se necesitan. Antes de decidir si debe
aplicar el cargo por traslado al costo del arrendamiento de los camiones que
se dirigen a reas en las que hay sobrantes, desea determinar la proporcin
del nmero total de camiones que, a largo plazo, acabarn en cada una de
las reas de renta. Si las proporciones son aproximadamente las mismas, el
cargo por traslado ser innecesario. De lo contrario, el cargo depender de la
proporcin del total que termine en cada regin.
El gerente ha dividido la parte de Estados Unidos que atiende su empresa,
en las regiones norte, centro y sur. De registros previos se ha determinado
que de los camiones que se rentan cada mes en el norte, 20% van a una
ciudad del norte, 30% terminan en la regin centro y 50% regresan a la
regin sur.
2016 Armin Trujillo Mata
46
Por ltimo, de los camiones que se rentan cada mes en la regin sur, 20% se
regresan a la regin norte y 40% se regresan a la regin centro.
En este momento, 40% de los camiones se encuentran en el norte, 30% en
la regin centro y 30% en la regin sur.
47
Enfoque de solucin
Regin donde
se renta
Norte
Central
Sur
Norte
Central
Sur
0.2
0.3
0.2
0.3
0.4
0.4
0.5
0.3
0.4
Notas:
48
N C S
1 0
Vector de probabilidad
para comenzar en el
norte
0.2 0.3
0.3 0.4
0.2 0.4
0.5
0.3
0.4
Matriz de transicin
de un mes
0.2 0.3
0.5
Vector de probabilidad
despus de un mes
49
0.2 0.3
0.5
Vector de probabilidad
despus de un mes
0.2 0.3
0.3 0.4
0.2 0.4
S
0.5
0.3
0.4
Matriz de transicin
de un mes
Vector de probabilidad
despus de dos meses
Proporcin de camiones
en el mes 2.
50
51
52
Conclusin
53
54