Universidad Juárez

Autónoma de Tabasco
(UJAT)
División Académica de Ciencias
Económico Administrativas
(DACEA)
Licenciatura en Mercadotecnia

Unidad 3

Alumna:

Madero Hernández Zoila María de Guadalupe

Docente:

Gonzales Hernández Cesar Andrés

Semestre: 4to Grupo: ADLM Ciclo escolar: 2024 01

Contenido
Introducción.........................................................................................................................2
3.1 Conceptos Básicos.........................................................................................................2
3.2 Matriz de transición y sus aplicaciones en la administración.......................................2
3.3 Condición de Equilibrio................................................................................................3
3.4 Estados Absorbentes......................................................................................................4
3.5 Modelos de línea de espera...........................................................................................4
3.6 Distribución de llegadas de Poisson y Distribución de servicio exponencial con un
servidor, servicio (PEPS), población y cola infinita...........................................................5
Introducción

En el presente documento podrá encontrar conceptos asociados a la materia “Investigación

de Operaciones” dispuesta en el plan de estudios de la Universidad Juárez Autónoma de
Tabasco para la licenciatura en Mercadotecnia. Haciendo énfasis en las diferencias entre
cada uno de los puntos investigados y estudiados a través de esta unidad, cada subtema será
considerado en un cuadro comparativo que presentara los elementos más destacables para
de esa manera poder encontrar la mejor opción entre las que se presentan a continuación.

3.1 Conceptos Básicos

Pruebas del proceso: eventos que disparan transiciones de un estado a otro. En muchas
aplicaciones, periodos de tiempo sucesivos.
Probabilidad de transición: dado que el sistema está en estado durante un periodo, la
probabilidad de transición pij es la probabilidad de que el sistema esté en el estado j durante
el siguiente periodo.
Probabilidad de estado: es la probabilidad de que el sistema esté en cualquier estado
particular.
Probabilidad de estado estable: La probabilidad de que el sistema esté en cualquier estado
particular después de un número elevado de transiciones. Una vez alcanzado este estado la
probabilidad de estado no cambia de un periodo a otro.
Estado de absorción: se da cuando la probabilidad de que ocurra una transición de este
estado es cero. Por lo que una vez que el sistema a hecho una transición a un estado de
absorción, quedará ahí.
Matriz fundamental: Matriz necesaria para el cómputo de probabilidades asociadas con el
estado de absorción de un proceso de Markov.

3.2 Matriz de transición y sus aplicaciones en la

administración

Las Instituciones Microfinancieras (IMF) juegan un papel crucial en proporcionar servicios

financieros a micro y pequeñas empresas, ofreciendo créditos sin garantías pero con un
mayor número de clientes comparado con la banca tradicional (Aguilar, Camargo y
Morales, 2004). A nivel mundial, las pequeñas y medianas empresas han ganado relevancia
como motores del desarrollo económico (Pereira, 2019).
Una preocupación clave en las IMF es la administración de la morosidad y la probabilidad
de incumplimiento. Para calcular esta probabilidad, se emplean diversas herramientas
estadísticas, entre ellas las matrices de transición
Las matrices de transición, basadas en la teoría de la probabilidad de Markov, permiten
prever la evolución de un proceso a partir de su estado actual (Polanco, Gonzáles,
Castañón, 2015). Estas matrices se utilizan para analizar el riesgo de crédito y determinar la
probabilidad de que un crédito cambie de clasificación en un período determinado (Jarrow,
Lando y Turnbull, 1997). Se pueden usar para evaluar la solvencia del prestatario y la
probabilidad de que no pague en un horizonte de tiempo específico (Peña, 2013). Valencia
y Zambrano (2012) establecen que el cálculo de la probabilidad de default es crucial para
estimar la pérdida esperada y la calidad de la cartera de créditos.
Las matrices de transición se construyen a partir de datos de clientes con obligaciones
crediticias en un período específico, evaluando su calificación crediticia a lo largo del
tiempo y las probabilidades de migración entre diferentes clasificaciones. Los resultados
permiten identificar patrones de comportamiento, como la probabilidad de mejora,
deterioro, o default. Estas matrices también ayudan a las instituciones microfinancieras a
tomar decisiones estratégicas para gestionar el riesgo de crédito.

3.3 Condición de Equilibrio

El equilibrio en investigación de operaciones puede implicar diferentes significados según

el contexto. Equilibrio en Teoría de Juegos
Equilibrio de Nash: Un estado en un juego en el que ningún jugador puede beneficiarse
unilateralmente cambiando su estrategia, asumiendo que otros jugadores no cambian las
suyas. Es un concepto clave para entender estrategias óptimas y comportamiento
competitivo en economía y otros campos.
Equilibrio entre Inventario y Demanda: Se refiere a mantener un nivel de inventario óptimo
para satisfacer la demanda sin tener un exceso de inventario o desabastecimientos. El
equilibrio implica optimizar costos de almacenamiento, costos de pedido y niveles de
servicio.
Aplicaciones Prácticas:
 Optimización de Recursos: Mantener el equilibrio entre recursos y
demanda es clave para una gestión eficiente.

 Planificación de la Producción: Equilibrar la producción con la

demanda esperada para minimizar costos y maximizar eficiencia.
  Logística y Transporte: Mantener un flujo óptimo de mercancías para
minimizar tiempos de espera y costos de transporte.

3.4 Estados Absorbentes

Un estado de una cadena de Markov se dice absorbente si es imposible

abandonarlo. Es, por tanto, un tipo particular de estado recurrente. Una cadena de Markov
se dice absorbente si posee al menos un estado absorbente y desde cada estado es posible
llegar al estado absorbente. Ejemplo. Supongamos el caso de la ruina del jugador. Este
juega a un juego que tiene probabilidad 1/2 de ganar un dólar y probabilidad 1/2 de
perderlo. Parará cuando se quede sin dinero o cuando alcance 4 dólares. Desde cualquiera
de los estados 1, 2 y 3 es posible alcanzar en un nú mero finito de pasos los estados
absorbentes 0 y 4. Por tanto, la cadena es absorbente. Los estados 1, 2 y 3 son transitorios.

3.5 Modelos de línea de espera

Los modelos de línea de espera, también conocidos como modelos de colas, son
herramientas fundamentales en la investigación de operaciones para analizar sistemas
donde se generan esperas o colas debido a la demanda de servicios. Estos modelos son
esenciales para comprender y optimizar la gestión del tiempo y los recursos en diversas
situaciones prácticas, como atención al cliente, telecomunicaciones, logística, entre otros.
Componentes principales:
Llegadas: Se refiere al flujo de clientes o solicitudes que llegan al sistema. Pueden ser
aleatorias o seguir un patrón específico, como la distribución de Poisson.
Servicios: Indica cómo y cuántos recursos se dedican a atender las llegadas. Los tiempos de
servicio pueden variar según las características del sistema.
Capacidad: Describe el número máximo de clientes que pueden ser atendidos al mismo
tiempo o que pueden esperar en la cola.
Disciplina de cola: Reglas que determinan el orden en que se atienden las solicitudes.
Puede ser «primero en llegar, primero en ser atendido» , «último en llegar, primero en ser
atendido» , o con prioridad basada en ciertos criterios.
Los modelos de línea de espera se utilizan para predecir el comportamiento del sistema bajo
diferentes condiciones y ayudar en la toma de decisiones estratégicas. Por ejemplo, pueden
ayudar a determinar cuántos empleados se necesitan para reducir los tiempos de espera,
cuántas líneas de servicio se requieren para evitar la congestión, o cuándo es necesario
expandir la capacidad para evitar la saturación.
3.6 Distribución de llegadas de Poisson y Distribución de
servicio exponencial con un servidor, servicio (PEPS),
población y cola infinita.

Distribución de llegadas de Poisson

La distribución de Poisson describe la probabilidad de un número determinado de eventos
que ocurren en un período específico de tiempo, espacio o área. En el contexto de modelos
de colas, esta distribución es utilizada para modelar la frecuencia de llegadas de clientes,
llamadas, tareas, etc.
Características: La distribución de Poisson asume que los eventos ocurren de manera
independiente y con una tasa constante (llamada "tasa de llegada", generalmente
representada como λ).
Aplicación en colas: En un sistema M/M/1, las llegadas al sistema siguen esta distribución,
lo que significa que el tiempo entre llegadas consecutivas tiene una distribución
exponencial con media 1/λ.
Distribución de servicio exponencial
La distribución exponencial es utilizada para modelar los tiempos de servicio en un modelo
M/M/1. Esta distribución asume que los tiempos de servicio son independientes y tienen
una tasa constante.
Características: El parámetro de la distribución exponencial es la "tasa de servicio" (μ), y el
tiempo medio de servicio es 1/μ.
Relación con colas: En el sistema M/M/1, se asume que el tiempo que un servidor tarda en
atender a un cliente sigue esta distribución, y cada servicio es independiente del anterior.
Un servidor, servicio PEPS, población y cola infinita
El modelo M/M/1 tiene un servidor único que atiende a los clientes según la regla "Primero
en Entrar, Primero en Salir" (PEPS), también conocida como "First In, First Out" (FIFO).
Esto significa que los clientes son atendidos en el orden en que llegaron.
Población infinita: Indica que no hay límite al número de clientes que pueden llegar al
sistema.
Cola infinita: Significa que el espacio para la espera es ilimitado, por lo que no se pierde a
ningún cliente por falta de capacidad para hacer cola.
Aplicaciones y limitaciones
Este modelo básico es útil para comprender sistemas de colas con llegadas aleatorias y
tiempos de servicio variables. Se aplica en contextos como centros de llamadas, cajas de
supermercados y sistemas de telecomunicaciones. Sin embargo, sus limitaciones incluyen
la falta de flexibilidad para escenarios con múltiples servidores, prioridades, tiempos de
servicio no exponenciales, entre otros.