Herramientas para la Toma de Decisiones:

TRABAJO GRUPAL

AUTORES

Juárez Diaz Paul

Pazo Chulle Guillermo

Preciado Abad Kiara Pamela

Vera Quintana Jarumy Mirella

Vilela Juárez Estefany

DOCENTE DE LA ASIGNATURA
Cintia Del Rosario Santos Montalvo

Piura
2022 -II

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

 ÁRBOLES DE DECISIÓN: EJEMPLO: LA DECISIÓN DE LARRY
Durante la última semana Larry ha recibido 3 propuestas matrimoniales de 3 mujeres distintas y debe
escoger una. Ha determinado que sus atributos físicos y emocionales son más o menos los mismos, y
entonces elegirá según sus recursos financieros.

• La primera se llama Jenny. Tiene un padre rico que sufre de artritis crónica. Larry calcula una
probabilidad de 0.3 de que muera pronto y les herede $100.000. Si el padre tiene una larga
vida no recibirá nada de él
• La segunda pretendienta se llama Jana, que es contadora en una compañía. Larry estima una
probabilidad de 0.6 de que Jana siga su carrera y una probabilidad de 0.4 de que la deje y se
dedique a los hijos. Si continúa con su trabajo, podría pasar a auditoría, donde hay una
probabilidad de 0.5 de ganar $40.000 y de 0.5 de ganar $30.000, o bien podría pasar al
departamento de impuestos donde ganaría $40.000 con probabilidad de 0.7 o $25.000 (0.3). Si
se dedica a los hijos podría tener un trabajo de tiempo parcial por $20.000
• El tercer pretendiente es María, la cual sólo puede ofrecer a Larry su dote de $25.000.
¿Con quién debe casarse Larry? ¿Por qué?
¿Cuál es el riesgo involucrado en la secuencia óptima de decisiones?

Decisión X P(X) E(X) var

100 0.30 30 2100
Jenny
0 0.70
40 0.15 29.3 60.252
30 0.15
Jana 40 0.21
25 0.09
20 0.40
Maria 25 1.00 25 0

Resultados:
• La decisión por Jenny es la del
valor esperado más alto, pero
también es la más riesgosa, pues
los resultados varían entre $0 y
$100.000
• La decisión por María es la
menos riesgosa, pero la de menor
rendimiento
• Tal vez la mejor decisión sea
Jana, ya que el valor esperado es
cercano al de Jenny, pero con un
riesgo menor

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

 VALOR ESPERADO
El valor esperado (o la esperanza) de una variable aleatoria es el número que intenta capturar
el centro de la distribución de dicha variable aleatoria. Podemos interpretarlo como el promedio
de muchas muestras independientes de dicha distribución. Más precisamente, se define como
la suma ponderada de todos los posibles valores en el soporte de la variable aleatoria, cuyos
pesos son las probabilidades de ocurrencia de cada uno de los valores.

E[𝑋] = ∑ 𝑥𝑃(𝑥)
𝑥∈𝑋

Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el promedio de lluvia en
una ciudad en un año, el promedio de temperatura en agosto, el promedio de edad de los
trabajadores de una empresa, entre otros. El más común promedio utilizado en estadística es la
media o valor esperado o esperanza matemática.

Sea 𝑋 una variable aleatoria definida sobre Ω y sea una función real definida sobre ℝ defina
𝑔(𝑋) por:

𝑔(𝑋)(𝑤) = 𝑔(𝑋(𝑤)), 𝑤 ∈ Ω

Caso discreto

Suponga que 𝑔(𝑋) es una variable aleatoria es discreta. Si ∑∞ 𝑖−1|𝑔(𝑥𝑗 )|𝑃 (𝑋 = 𝑥 ) < ∞,
( ) ( )
entonces se define la media de 𝑔 𝑋 o el valor esperado de 𝑔 𝑋 por:
∞
𝐸 [𝑔(𝑋)] = ∑ 𝑔(𝑥𝑖 )𝑃(𝑋 = 𝑥𝑖 )
𝑖−1

Caso continuo

Suponga que 𝑔(𝑋) es una variable aleatoria continua y 𝑓 la función de densidad de .

∞
Si∫−∞|𝑔(𝑥 )|𝑓(𝑥 )𝑑𝑥 < ∞, entonces se define la media de 𝑔(𝑋) o el valor esperado
de 𝑔(𝑋) por:
∞
𝐸[𝑔(𝑋)] = ∫ 𝑔(𝑥 )𝑓(𝑥 )𝑑𝑥
−∞

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

 VARIANZA
En estadística es conocida como la media de dispersión utilizada para representar las
desviaciones existentes entre un conjunto de datos con relación al promedio o la media de los
mismos, es decir, la sumatoria de estos elevados al cuadrado dividido entre el total de
observaciones.

Es una medida de la dispersión de una variable aleatoria (valores que se obtienen de manera
aleatoria). Es ampliamente utilizada en el área de estadística expresando, a través de un número,
la variabilidad de dicha dispersión. De manera muy general se puede decir que la varianza es la
desviación estándar elevada al cuadrado.

La varianza cómo medida de dispersión

La varianza, junto con la desviación estándar, son medidas de dispersión de datos u

observaciones. La dispersión de estos datos indica la variedad que estos presentan, es decir, si
todos los valores en un conjunto de datos son iguales, entonces no hay dispersión, pero en
cambio, si no todos son iguales entonces hay dispersión.

Esta dispersión puede ser grande o pequeña, dependiendo de qué tan cercanos sean los valores
a la media. La varianza de una muestra se simboliza como S2, mientras que la varianza de una
población de simboliza como σ2.

La varianza de una muestra es utilizada para estimar la varianza de una población, la cual en
muchas ocasiones se desconoce. Es por esto que S2 también es considerada comúnmente como
un estadístico y σ2 como un parámetro.

Fórmula de la Varianza

∑𝒏𝒊=𝟏(𝒙𝒊 − 𝒙
̅)𝟐
𝒏−𝟏
Donde, representa la sumatoria de la resta entre cada uno de los valores muestreados () y la
media, elevado al cuadrado.

A su vez, representa el número total de observaciones o datos muestreados. Para valores muy
grandes de la varianza es mínima o incluso despreciable.

Fórmula de la Varianza de una población

∑𝒏𝒊=𝟏(𝒙𝒊 − ̅
𝒙)𝟐
𝑵
Donde N representa el número total de observaciones o datos muestreados.

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

En la mayoría de los casos es muy difícil, por no decir imposible obtener un N total de datos,
por ejemplo, al hablar de individuos de una población, no es posible muestrear a todos estos
individuos, ya que existe un factor de tiempo y recursos limitante.

Es por esto que se suele utilizar los estadísticos para estimar los parámetros de una
población. De acuerdo a la manera en que se encuentra escrita esta fórmula, las unidades de la
varianza presenta las mismas unidades de la variable, pero elevada al cuadrado.

También, vemos que la varianza no puede ser negativa, por lo que el mínimo valor que se puede
obtener en esta es cero.

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

 CADENAS DE MARKOV
La cadena de Markov es una herramienta con
un gran potencial para ser utilizada de forma
sencilla y flexible en diferentes campos. Se
trata de un sistema matemático que puede
experimentar las transacciones de un estado a
otro dependiendo de las normas de
probabilidades.
Este sistema se puede ampliar en distintos
contextos estadísticos y teóricos de la
información donde la mayoría de sus aplicaciones se enfocan en innumerables casos de estados.
Se puede utilizar en campos como la economía, genética, teoría de comunicación y finanzas,
entre otros.
Propiedades de la cadena de Markov
Las propiedades de la cadena de Markov son variadas y cuentan con funcionalidades que
permiten procesar ciertos casos específicos:

• Cadena absorbente: Puede llegar a ser absorbente cuando alguno de sus estados ya es
absorbente y de no serlo, pueda llevarse al estado absorbente, ya que suelen ser transitorios
después de un tiempo infinito medio y se convierte en un promedio positivo recurrente.
• Cadena homogénea: Es una cadena homogénea cuando la probabilidad de transición es
plenamente independiente en relación al tiempo.
• Cadena irreducible: Es irreducible o ergódica cuando existe una total comunicación entre
todos sus estados, lo que significa que la probabilidad de que un estado pase a otro, es
positiva.
• Cadena regular: Esta cadena es regular en caso de que se pueda pasar cualquier estado a
otro al seguir una cantidad de pasos específicos, mientras que el estado inicial siga siendo
independiente. Es una cadena que también es irreducible.
Ventajas y desventajas de la cadena de Markov
En la cadena de Markov y sus aplicaciones Existen algunas ventajas y desventajas como las
siguientes:

• Su proceso se puede entender y aplicar con facilidad.

• Con el tiempo permite ver determinados cambios en el sistema.
• El proceso de cálculos de sensibilidad se realiza de forma simple.
• Como desventaja, se puede resaltar que se trata de un modelo con un proceso complejo en
la toma de decisiones.

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

EJEMPLO:

El departamento de estudios de mercado de una fábrica estima que el 20% de la gente que
compra un producto un mes, no lo comprará el mes siguiente. Además, el 30% de quienes
no lo compren un mes lo adquirirá al mes siguiente. En una población de 1000 individuos,
100 compraron el producto el primer mes. ¿Cuántos lo comprarán al mes próximo? ¿Y
dentro de dos meses?

Solución:

Para resolver este tipo de problemas, lo primero es hacer un esquema.

Del 100% de clientes que compra en un mes un producto el
20% no compra el mes siguiente, o sea el 80% lo sigue
comprando el siguiente mes.

Del 100% de clientes que quienes no lo compran en un mes,

solo el 30% lo adquieren el mes siguiente. Es decir, el 70% no lo
compran el siguiente mes.

Con esta información construimos la matriz 2x2 𝑝(0)

0.8 0.2
𝑝(0) = ( )
0.3 0.7

(𝐶, 𝑁) = (100 900) (0.8 0.2) = (350 , 650)

0.3 0.7

El primer mes se comprará 𝐶 = 350 y no comprarán 𝑁 = 650

0.8 0.2 0.8 0.2 0.7 0.3

𝑝(2) = ( )( )=( )
0.3 0.7 0.3 0.7 0.45 0.55

(𝐶, 𝑁) = (100 0.7 0.3

900) ( ) = (475 , 525)
0.45 0.55

El segundo mes comprarán 𝐶 = 475 y no comprarán 𝑁 = 525

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS

PEOBLEMAS RESUELTO DE CADENAS DE MARKOV JULIO RITO VARGAS