CADENAS DE MARKOV

Introducción

Andrei Markov fue un matemático ruso que desarrolló la moderna teoría de procesos
estocástico en el campo de la teoría de la probabilidad, profundizó en las consecuencias
del teorema central del límite y en la ley de los grandes números. 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 último evento y esto condiciona las posibilidades de los eventos futuros,
estas poseen ciertos estados que la definen tal como los estados estado transitorio,
estado absorbente, estado recurrente, estado alcanzable, estado periódico y estado
ergódico. En la investigación de operaciones son de gran relevancia el uso de los
pronósticos, los cuales permitirán hacer predicciones de lo que puede suceder o esperar,
son premisas o suposiciones básicas en que se basan la planeación y la toma de
decisiones. Muchos métodos de pronósticos se apoyan en técnicas matemáticas
complejas; el pronóstico se necesita como elemento de otros modelos y algunos
pronósticos son una ayuda esencial en la planeación y solución de problemas. Hay dos
métodos fundamentales que se utilizan en esta área: Pronóstico cualitativo: este método
es apropiado cuando los datos confiables son escasos o difíciles de emplear; y los
Pronóstico cuantitativo: este hace una extrapolación del pasado o se utiliza cuando se
cuenta con suficientes datos estadísticos o confiables para especificar las relaciones
existentes entre variables fundamentales. En el trabajo presentado a continuación se
abordaran de manera completa tópicos de interés en el área de la investigación de
operación tales como las cadenas de Markov y la clasificación de los estados de estas,
los procesos estocásticos, cadenas absorbentes y los diferentes modelos de pronósticos
que representan una herramienta fundamental para el éxito de cualquier empresa.

Andrei Markov (Riazán, 1856 - San Petersburgo, 1922) Matemático ruso que desarrolló la
moderna teoría de procesos estocásticos. Trabajó en la casi totalidad de los campos de la
matemática. En el campo de la teoría de la probabilidad, profundizó en las consecuencias
del teorema central del límite y en la ley de los grandes números. En su honor, lleva su
nombre un tipo muy especial de procesos estocásticos. Markov, graduado en la
Universidad de San Petersburgo en 1878, fue alumno de Pafutny Chebyshev, quien
ejerció una gran influencia en sus investigaciones. Impartió clases de matemáticas en
esta Universidad desde 1886. Sus primeras investigaciones versaron sobre análisis y
teoría de números, en particular sobre las fracciones continuas, límites de integrales,
teoría de aproximaciones y convergencia de series. En 1900 estudió la teoría de
probabilidades. Demostró a partir de supuestos muy generales el llamado teorema central
del límite, que establece que la suma de un número grande de variables aleatorias
independientes se aproxima a una distribución gaussiana. Tras este trabajo, estudió las
variables dependientes e introdujo el concepto de sucesos encadenados. Markov extendió
los resultados clásicos de sucesos independientes a cierto tipo de sucesos encadenados,
conocidos como sucesos markovianos, que son aquellos cuyo estado en un instante de
tiempo depende de uno o varios estados cronológicamente anteriores.

Este estudio, desarrollado por su discípulo Andrei Kolmogorov y por Norbert Wiener, se
convirtió en una teoría general de procesos estocásticos y se ha aplicado con éxito en
campos tan dispares como la biología, la sociología y la lingüística. Fue miembro de la
Academia rusa de Ciencias desde 1896. Proceso estocástico Un proceso estocástico se
define sencillamente como una colección indexada de variables aleatorias {X1}, donde el
subíndice t toma valores de un conjunto T dado. Con frecuencia T se toma como el
conjunto de enteros no negativos y X, representa una característica de interés medible en
el tiempo t. Por ejemplo, el proceso estocástico, X1, X2, X3,.., Puede representar la
colección de niveles de inventario semanales (o mensuales) de un producto dado, o
puede representar la colección de demandas semanales (o mensuales) de este producto.
Un estudio del comportamiento de un sistema de operación durante algún periodo suele
llevar al análisis de un proceso estocástico con la siguiente estructura. En puntos
específicos del tiempo t , el sistema se encuentra exactamente en una de un número 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
estocástico. Aunque los estados pueden constituir una caracterización tanto cualitativa
como cuantitativa del sistema, no hay pérdida de generalidad con las etiquetas numéricas
0, 1, . . , M, que se usarán en adelante para denotar los estados posibles del sistema. Así
l la representación matemática del sistema físico es la de un proceso estocástico {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 M. Estos
enteros son una caracterización de los M + 1 estados del proceso. Definición matemática
Un proceso estocástico se puede definir equivalentemente de dos formas diferentes:
Como un conjunto de realizaciones temporales y un índice aleatorio que selecciona una
de ellas. Como un conjunto de variables aleatorias índice , dado que , con . indexadas por
un puede ser continuo si es un intervalo (el número de sus valores es ilimitado) o discreto
si es numerable (solamente puede asumir determinados valores) Las variables aleatorias
valores). toman valores en un conjunto que se denomina espacio probabilístico. Sea un
espacio probabilístico. En una muestra de tamaño n se observa un suceso compuesto E
formado por sucesos elementales ω: , de manera que El suceso compuesto es un
subconjunto contenido en el espacio muestral y es un álgebra de Boole B. A cada suceso
ω le corresponde un valor de una variable aleatoria V, de manera que V es función de , ω:

El dominio de esta función o sea el campo de variabilidad del suceso elemental, es el

espacio muestral, y su recorrido o sea el de la recorrido, variable aleatoria, es el campo de
los números reales. Se llama reales proceso aleatorio al valor en de un elemento, donde
para todo aleatoria del valor en .

es una variable

Si se observa el suceso ω en un momento t de tiempo: . V define así un proceso

estocástico.[1] Si al valor en es una filtración,[2] se llama proceso aleatorio adaptado, , de
un elemento -medible del valor en medible , donde . La es una variable aleatoria función
suceso. Se llama la trayectoria asociada al Casos especiales Proceso estacionario: Un
proceso es estacionario en sentido estricto si la función de distribución conjunta de
cualquier subconjunto de variables es constante respecto a un desplazamiento en el
tiempo. Se dice que un proceso es estacionario en sentido amplio (o débilmente
estacionario) cuando se verifica que: 1. La media teórica es independiente del tiempo; y 2.
Las autocovarianzas de orden s sólo vienen afectadas por el lapso de tiempo transcurrido
entre los dos periodos y no dependen del tiempo. Proceso homogéneo: variables
aleatorias independientes e idénticamente distribuidas Proceso de Markov: Aquellos
procesos discretos en que la evolución sólo depende del estado actual y no de los
anteriores. Proceso de Gauss: Proceso continúo en el que toda combinación lineal de
variables es una variable de distribución normal. Proceso de Gauss-Markov: Son
procesos, al mismo tiempo, de Gauss y de Markov Proceso de Bernoulli Son procesos
discretos con una distribución binomial.

Cadena 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 último 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. Este tipo de proceso, introducido por Markov en un artículo publicado en
1907, presenta una forma de dependencia simple, pero muy útil en muchos modelos,
entre las variables aleatorias que forman un proceso estocástico. 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. 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 distribución de probabilidad condicional de Xn+1 en estados
pasados es una función de Xn por sí sola, entonces:

Donde xi es el estado del proceso en el instante i. La identidad mostrada es la propiedad

de Markov.

Clasificación de los estados de las cadenas de Markov Limite de las probabilidades de

estado: Si k tiende a infinito, P (k) llega a una constante, entonces el límite de las
probabilidades de estado existe y son independientes de la condición inicial. Si es un
vector 1 x m definido como, Infinito

Limk

P (k)= puede satisfacer = P.

Entonces

Para el ejemplo, esta ecuación se puede ser resuelta con la restricción ∑ im

i

=1 para obtener (

2)

Estado transitorio Si es un estado transitorio si se puede dejar el estado pero nunca

retornar a él. Es aquel que no regresa a su estado de modo seguro. Por consiguiente, el
estado i es transitorio si y solo si existe un estado j (j diferente de i) que es accesible
desde el estado j, pero no viceversa, esto es que el estado i no es accesible desde j. Un
estado transitorio solo es visitado un número finito de veces.

Estado absorbente Es aquel que una vez que se entra en él no se puede salir del mismo.
Un estado es absorbente si: Pii=1
(i ≠ j, j = 1,....,m)
Pjj=0 Si es un estado absorbente si el sistema entra al estado y permanece ahí. Y el límite
de la probabilidad de estado es 1. este estado es conocido también como estado trampa.
Estado recurrente Son aquellos estados donde después de n pasos puede volver a el
mismo; es decir estando en algún estado i puede regresar a el después de n pasos con
probabilidad una probabilidad asociada a el. El estado puede ser visitado un número
infinito de veces. Estado Alcanzable El estado j es alcanzable desde el estado i si existe n
> 0 tal que p(n)
i, j

> 0; es decir es posible que el proceso llegue al

estado j desde el estado i. Se denota i → j

12 Estado Periódico Es aquel donde la probabilidad que regrese al estado Ei en el paso n

es pii (n). Si te es un numero mayor que 1, se tiene que: Pii = 0 para n ≠ t, 2t, 3t,... Pii 0
para n t, 2t, 3t,...

En este caso se dice que el estado Ej es periódico de periodo t. Si para un estado no

existe dicho valor de t entonces se dice que es aperiódico. Estado ergódico Es aquel que
es recurrente, no nulo y aperiódico. Este estado es importante en la clasificación de las
cadenas para probar la existencia de distribuciones de probabilidad límite. Finalmente se
presentan unos útiles factores de las cadenas de Markov: Cada cadena de Markov debe
tener al menos una cadena recurrente Una cadena recurrente es un estado absorbente
generalizado Un estado transitorio es un estado que ocupa el sistema antes de
convertirse en una cadena recurrente

CADENAS ABSORBENTES Son aquellas tales que algunos de sus estados son
transitorios y el resto son absorbentes. Sea X una CM cuyos estados son todos
transitorios o absorbentes. En tal caso diremos que X es absorbente. Si X es finita y
absorbente, reordenamos S poniendo primero los estados transitorios y obtenemos:

 Q' R  Q= 0 I   
Modelos para pronósticos Los pronósticos son predicciones de lo que puede suceder o
esperar, son premisas o suposiciones básicas en que se basan la planeación y la toma de
decisiones. Algunos escritores consideran que los modelos de pronósticos son técnicas
de la ciencia administrativa por varias razones: muchos métodos de pronósticos se
apoyan en técnicas matemáticas complejas; el pronóstico se necesita como elemento de
otros modelos y algunos pronósticos son una ayuda esencial en la planeación y solución
de problemas. En realidad, los pronósticos no sólo se utilizan como elemento de los
modelos de solución de problemas mediante la ciencia administrativa, sino que
establecen además las premisas a partir de las cuales se elaboran los planes y controles.

Dos grandes tipos de pronósticos se emplean como premisas de planeación: 1. Los

pronósticos de eventos que no serán influenciados por la organización. 2. Los pronósticos
de eventos que serán influenciados al menos en parte, por el comportamiento de la
organización. Ciertas variables básicas de carácter económico y social no son afectadas
por el comportamiento de la organización. Así, los gerentes no necesitan tener en cuenta
las posibles acciones de su empresa cuando efectúan predicciones sobre dichas
variables. En cambio, investigarán los principales indicadores de nivel gerencial, entre
ellos las estadísticas de comercio en la recopilación de la información que necesitan. Por
ejemplo: Si los administradores quieren decidir si deben ampliar los servicios de su
universidad, las estadísticas federales les darán alguna idea de las tendencias de
inscripción universitaria a largo plazo. Los pronósticos en que repercute el
comportamiento de una organización son más difíciles, pues requieren suposiciones
acerca de sus acciones y también suposiciones referentes a eventos que escapan a su
control. Por ejemplo: Un pronóstico de ventas comienza como un objetivo de la compañía.
En el proceso de planeación, los análisis de los gerentes sobre las acciones previstas de
la compañía y sobre las respuestas probables de los competidores pueden indicar que los
objetivos de ventas no se alcanzarán si no se modifican los programas y políticas
actuales.

Dada la importancia de predecir las futuras tendencias económicas y de ventas, hay dos
métodos fundamentales que se utilizan en estas áreas. (Pronóstico cualitativo y
pronóstico cuantitativo). Pronóstico cualitativo. Este método es apropiado cuando los
datos confiables son escasos o difíciles de emplear. Por ejemplo: Cuando se introduce un
nuevo producto o tecnología, la experiencia pasada no constituye un criterio seguro para
estimar cuáles serán los efectos a corto plazo. Este pronóstico implica el uso de juicios
subjetivos y esquemas de clasificación para transformar la información cualitativa en
estimaciones cuantitativas. Pronóstico cuantitativo. Este hace una extrapolación del
pasado o se utiliza cuando se cuenta con suficientes datos estadísticos o confiables para
especificar las relaciones existentes entre variables fundamentales. El pronóstico basado
en la extrapolación, como un análisis de series de tiempo, recurre a las tendencias
pasadas o presentes a fin de proyectar los acontecimientos futuros. Así, los registros de
ventas en los últimos años podrían servir para proyectar el patrón de ventas para el
próximo año. El pronóstico cualitativo no exige datos numéricos ni estadísticos en la
misma forma que el cuantitativo. Este último puede aplicarse si se cuenta con información
sobre el pasado, si se le puede especificar numéricamente y si es posible suponer que
continuará el patrón del pasado. Los elementos del pronóstico cualitativo son sobre todo,
resultado del pensamiento intuitivo, el juicio, y la acumulación de conocimientos.
Características de los Pronósticos • Primera. Todas las situaciones en que se requiere un
pronóstico, tratan con el futuro y el tiempo está directamente involucrado. Así, debe
pronosticarse para un punto específico en el tiempo y el cambio de ese punto
generalmente altera el pronóstico. • Segunda. Otro elemento siempre presente en
situaciones de pronósticos es la incertidumbre. Si el administrador tuviera certeza sobre
las circunstancias que existirán en un tiempo dado, la preparación de un pronóstico seria
trivial. • Tercera. El tercer elemento, presente en grado variable en todas las situaciones
descritas es la confianza de la persona que hace el pronóstico sobre la información
contenida en datos históricos. CLASIFICACIÓN DE LOS METODOS DE PRONÓSTICOS
Métodos Cualitativos Usos de estos métodos. Las técnicas cualitativas se usan cuando
los datos son escasos, por ejemplo cuando se introduce un producto nuevo al mercado.
Estas técnicas usan el criterio de la persona y ciertas relaciones para transformar
información cualitativa en estimados cuantitativos.

1. Método Delphi. Se usa para pronósticos a largo plazo, pronósticos de ventas de

productos nuevos y pronósticos tecnológicos. Tiempo estimado: más de dos meses.
Exactitud: de regular a muy buena. 2. Investigación de Mercados. Se usa para evaluar y
probar hipótesis acerca de mercados reales. Tiempo estimado, más de tres meses.
Exactitud, puede ser excelente, dependiendo del cuidado que se haya puesto en el
trabajo. 3. Consenso de un Panel. Tiene los mismos usos que el Método Delphi. Tiempo
estimado, más de dos semanas. Exactitud, de baja a regular. 4. Pronósticos Visionarios.
Se usa para hacer una profecía del futuro usando la intuición personal. Tiempo estimado,
una semana. Exactitud, mala. 5. Analogía Histórica. Se usa para productos nuevos,
basándose en el análisis comparativo de la introducción y crecimiento de productos
similares. Tiempo estimado, más de un mes.

Exactitud, de buena a regular. Métodos Cuantitativos Son modelos matemáticos que se

basan en datos históricos, bajo el supuesto de que son relevantes para el futuro. Estos
modelos se pueden utilizar con series de tiempo. Una serie de tiempo es un conjunto de
valores observados, medidos durante períodos sucesivos. Una de las características más
importantes que tienen los pronósticos es la precisión. Precisión del pronóstico: indica
cuan cerca están los pronósticos de los datos reales. Los pronósticos se realizan antes de
conocer los datos reales, por lo tanto, su precisión sólo puede determinarse después que
haya transcurrido el tiempo. Si los valores del pronóstico quedan muy cerca de los datos
reales, decimos que tienen una elevada precisión o que el error de pronóstico es bajo.
Para determinar la precisión de los modelos de pronósticos se suman las distancias entre
los pronósticos y los datos reales a través del tiempo. Si la precisión del modelo es baja, o
sea que la suma obtenida es alta, se modifica el método o se escoge uno nuevo.
Regresión lineal y correlación: se utiliza en pronósticos a largo plazo. Si el conjunto de
datos históricos se proyecta en sólo unos cuantos períodos en el futuro, la regresión
también puede utilizarse en pronósticos a corto plazo. El análisis de regresión lineal es un
modelo de pronóstico que establece la relación entre una variable dependiente y una o
más variables independientes. Si los datos históricos son las ventas, que forman una serie
de tiempo, la variable independiente es el período y la variable dependiente son las
ventas. Estacionalidad en los pronósticos de series de tiempo: en general, los patrones
estacionales son fluctuaciones que ocurren dentro de un año y tienden a repetirse
anualmente. Estas estaciones pueden ser causadas por el clima, las vacaciones, los días
de pago, los eventos escolares o cualquier otro fenómeno. Los pasos a seguir para
desarrollar pronósticos con el análisis de regresión lineal cuando en los datos de la serie
de tiempo hay estacionalidad, se selecciona un conjunto representativo de datos
históricos, se desarrolla un índice de estacionalidad para cada estación (mes, trimestre,
etc.), se usan los índices de estacionalidad para desestacionalizar la serie (así se eliminan
los patrones estacionales). Luego, se realiza el análisis de regresión lineal sobre los datos
desestacionalizados. Se usa la ecuación de regresión para calcular los pronósticos del
futuro y se utilizan los índices de estacionalidad para aplicar los patrones estacionales a
los pronósticos. Método de los promedios móviles: es el modelo de las series de tiempo a
corto plazo que pronostica las ventas para el siguiente período. Para ello, promedia los
datos de unos cuántos períodos recientes y este promedio se convierte en el pronóstico
del período siguiente. Cuanto mayor sea la cantidad de períodos promediados, mayor es
la capacidad de amortiguación del ruido y menor es la respuesta de impulso del
pronóstico y viceversa. Método de los promedios móviles ponderados: el pronóstico para
el siguiente período es un promedio ponderado de las ventas pasadas. Se aplica en
situaciones que pudieran necesitar pesos o coeficientes de ponderación de los datos
históricos. Por ejemplo, si se cree que los datos más recientes son más importantes para
un pronóstico, se pueden aplicar coeficientes de ponderación más elevados a estos datos
y permite a los pronosticadores especificar la importancia relativa de cada uno de los
períodos pasados de datos. Método de suavización exponencial y Suavización
exponencial con tendencia. Se aplica el método de los promedios móviles para realizar
pronósticos en datos reales.

El modelo de regresión lineal El modelo lineal relaciona la variable dependiente Y con K

variables explicativas Xk (k = 1,...K), o cualquier transformación de éstas, que generan un
hiperplano de parámetros βk desconocidos:
donde es la perturbación aleatoria que recoge todos aquellos

factores de la realidad no controlables u observables y que por tanto se asocian con el

azar, y es la que confiere al modelo su carácter estocástico. En el caso más sencillo de
dos variables explicativas, el hiperplano es una recta: (3) El problema de la regresión
consiste en elegir unos valores determinados para los parámetros desconocidos βk, de
modo que la ecuación quede completamente especificada. Para ello se necesita un
conjunto de observaciones. En una observación cualquiera i junto i-ésima (i= 1,... I) se
registra el comportamiento simultáneo de la variable dependiente y las variables
explicativas (las perturbaciones aleatorias explicativas se suponen no observables).

Los valores escogidos como estimadores de los parámetros, son los coeficientes de
regresión, sin que se pueda garantizar que, coinciden con parámetros reales del proceso
generador. Por tanto, en

Los valores son por su parte estimaciones de la perturbación aleatoria o errores. Tipos de
modelos de regresión lineal linea Regresión lineal simple Sólo se maneja una variable
independiente, por lo que sólo , cuenta con dos parámetros Son de la forma: parámetros.

donde es el error asociado a la medición del valor Xi y siguen (media cero, varianza con ).

los supuestos de modo que constante e igual a un σ y Dado el modelo de regresión

simple, si se calcula la esperanza (valor esperado) del valor Y, se obtiene:

Calculando minimicen y Para esto se buscan dichos parámetros que

Derivando respecto a

e igualando a cero, se obtiene:

Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente

solución para ambos parámetros:[6]
Regresión lineal múltiple Maneja varias variables independientes. Cuenta con varios .
parámetros. Se expresan de la forma:

donde es el error asociado a la medición i del valor Xip y (media cero, con ).

Siguen los supuestos de modo que varianza constante e igual a un σ y

Diferencias entre la regresión lineal simple y regresión múltiple.

Regresión Lineal Simple Una regresión lineal es aquella donde tu ecuación solo tiene
variables de primer grado. Es decir que están elevados a la potencia "1". Ejemplo Y= α+
βx, donde β es lineal. La regresión múltiple comprende tres o más variables, existe solo
una variable dependiente, pero hay dos o mas tipo independiente. Esta operación al
desarrollo de una ecuación que se p puede utilizar para predecir valores de y, respecto a
valores dados de la diferencia variables independientes adicionales es incrementar la
capacidad predicativa sobre la de la regresión lineal simple.

Regresión Lineal Múltiple La regresión múltiple puede tener variables elevadas a la

potencia que sea, como Y= Y= α+β^2x que significa que β esta elevado al cuadrado. o Y=
Log (α)+Log (β) x, (β que es una función logarítmica, etc. La regresión lineal simple
comprende el intento de desarrollar una línea recta o ecuación matemática lineal que
describe la reacción entre dos variables.

Conclusión

Markov fue sin duda alguna uno los matemáticos más prominentes del siglo 20, formuló
una teoría que explicaba de manera sencilla a los procesos estocásticos. Dicho teorema
es denominado las cadenas de Markov y los procesos de Markov, estos son un tipo
especial de procesos estocásticos que poseen la siguiente propiedad: “Conocido el
estado del proceso en un momento dado, su comportamiento futuro no depende del
pasado”; dicho de otro modo, “dado el presente, el futuro es independiente del pasado”.
Así mismo declaro que en toda cadena hay determinaos conjuntos de estados que
caracterizan el comportamiento del proceso, y su clasificación se hace teniendo en cuenta
la comunicación que existen dentro de los distintos estados del conjunto. Igualmente
definió un tipo de cadena ergódica la cual lo es, solo si todos sus estados son ergódico,
para este tipo de cadenas se obtiene siempre que la distribución invariante es el reciproco
del vector de los tiempos medios de recurrencia. Una cadena ergódica describe
matemáticamente un proceso en el cual es posible avanzar desde un estado hasta
cualquier otro estado. Por otra parte la predicción es un proceso de estimación de un
suceso futuro basándose en consideraciones subjetivas diferentes a los simples datos
provenientes del pasado; estas consideraciones subjetivas no necesariamente deben
combinarse de una manera predeterminada. Es decir, cuando no existen datos del
pasado, se requiere una predicción, y de lo contrario, se necesita un pronóstico.

Los pronósticos son la base de la planificación corporativa a largo plazo. El personal de

producción y de operación utiliza pronósticos para tomar decisiones periódicas con
respecto a la selección de procesos, a la planificación de la capacidad, a la planificación
de la producción, a la programación de actividades y al inventario. Los pronósticos no sólo
se utilizan como elemento de los modelos de solución de problemas mediante la ciencia
administrativa, sino que establecen además las premisas a partir de las cuales se
elaboran los planes y controles.