PROYECTO CADENA DE MARKOV EN TIEMPO DISCRETO

Presentado por:
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXX
Cdigo XXXXXXXXXXX

Presentado a:
XXXXXXXXXXXXXXXXXXXXXX

POLITECNICO GRANCOLOMBIANO
PROGRAMACION ESTOCSTICA
2017
 TABLA DE CONTENIDO

Tabla de contenido
Introduccin...............................................................................................................3
Objetivo General 3
Objetivos especficos 3
La empresa................................................................................................................4
Equipo de trabajo 4
 INTRODUCCIN

El siguiente Proyecto consiste en la representacin de la aplicacin del mtodo de

Cadena de Markov en Tiempo Discreto, mediante la utilizacin de acuerdo a la
tcnica y destreza de cada herramienta propia de la ingeniera y as lograr la
compresin de mtodos matemticos indispensables que nos ayuden a solucionar los
problemas y discusiones cotidianas presentadas en el rea de ingeniera de la
empresa.
La Empresa busca implementar y desarrollar un modelo estocstico que se ajuste a la
idea del Gerente en cuanto a la promocin de la FIA, la cual se basa en generar un
ranking a pequea escala y as poder establecer una categorizacin para los pilotos de
la F1 y de los Equipos.
En este estudio de casos se analizaran las metodologas adecuadas para contrarrestar
los efectos adversos de la fase de implementacin de la herramienta de ingeniera,
generando acciones correctivas y estableciendo estrategias de mejora continua
fundamentadas en la medicin y control de las operaciones.

OBJETIVO GENERAL

Aprender acerca de las funciones y los conceptos bsicos de densidad y probabilidad,

aplicados en los procesos estocsticos y la cadena de Markov de tiempos discreto.

OBJETIVOS ESPECIFICOS

Aplicar las definiciones y conceptos de procesos estocsticos para el modelamiento

de la empresa.
Modelar el problema como proceso estocstico en tiempo discreto.
Implementar la cadena de Markov en tiempo Discreto.
Interpretar la tcnica probabilstica y estocstica de los sistemas que pueden ser
modelados como Cadena de Markov en tiempos Discreto.

Pgina 3 de 12
La Empresa

Vian System S.A es una empresa dicada a la investigacin de mercadeo y estadstica

Ubicada en la ciudad de Bogot en la siguiente direccin carrera 151 N72-34, fue
constituida en el ao 2015 por un grupo de estudiantes de la facultad de ingeniera
Industrial de la universidad Politcnico Grancolombiano.
La misin de la empresa est orientada a la prestacin de servicios de alta calidad en el
rea de investigacin de mercadeo, con precios accesibles y una mejor calidad de
servicios de investigacin. Manteniendo todas los entandares de innovacin y calidad.

Equipo de Trabajo

Vian System S.A se apoyada con profesionales competentes, altamente motivados y

mediante la coordinacin, ejecucin y control de las actividades programadas.

Pgina 4 de 12
 Implementacin de Cadenas de Markov en tiempo discreto aplicada a grupos de
Frmula 1 en Facebook.

Por la informacin suministrada en la gua del proyecto solucionaremos un ejercicio de

grupos de frmula 1 en Facebook en el cual de describe cada uno de los 24 usuarios de
la aplicacin de Facebook para ello crearemos una matriz de incidencia que conexione
a los diferentes usuarios en principios determinados.
La Matriz anterior aparece descrita en la hoja Total de Contactos del archivo Excel
Matrices del Proyecto.xlsx. Posteriormente la hoja Correspondencias nos muestra
qu los usuarios j estn en la lista de contactos del usuario i.

Pgina 5 de 12
La tabla anterior la utilizamos como soporte para realizar la matriz de incidencias.
Continuando la indicacin suministrada para la definicin de la probabilidad de
incidencia en cada posicin

{
1
,iincluye a jentre sus amigos
pij = M i
0,e . c .c .

En la matriz Mi pertenece a la totalidad de amigos que tiene la persona i. La tabla de

incidencias elaborada aparece descrita en la hoja Incidencias de Excel.

Pgina 6 de 12
Con la hoja Correspondencias de Excel, se seleccionaron especficamente los
usuarios que se relacionaban entre s de manera directa o indirectamente. Se
encuentra dos grupos notoriamente definidos, los cuales se identifican en las hojas
Grupo de Pilotos N1 y Grupo de Pilotos N2 de Excel.

Pgina 7 de 12
Por lo consiguiente en la hoja Incidencias de Excel en la parte inferior de la tabla
donde se muestra los valores de la matriz de incidencias, se efecta la suma por filas
de los trminos correspondientes a la matriz, all se identifica que en una sola fila la de
Sergio Prez (SP), la suma es igual a 1, lo cual nos representa un impedimento para
que la matriz que nos d como resultado sea estocstica. En la hoja Total Contactos
de Excel tambin se ve reflejado que dicho piloto no tiene ningn contacto dentro de su
aplicacin.

PASO 4:
El proceso anterior garantiza que la matriz P es estocstica, sin embargo, no est
garantizado que la distribucin lmite de dicha matriz exista. La propuesta que hicieron

Pgina 8 de 12
Page y Brin3, es construir una nueva matriz como una combinacin lineal de la matriz P
con una matriz estocstica de perturbacin:
P=P+1uuN
En donde u es un vector columna que contiene unos en todas MTD irreducible y
aperidica. Utilice un = 0.85 sus posiciones. Construya la matriz P y verifique que es
representa a una C

[ ]
u u a u
u u u a
P=
a u u u
u u u a

[ ]
1 1 0 .85 1
1 1 1 0 .85
P=
0.85 1 1 1
1 1 1 0 .85

Encuentre la distribucin lmite de la CMTD del numeral anterior, y construya un

Ranking de 1 a 10 directamente proporcional a la distribucin lmite para cada persona.

[ ] [ ]
1 1 0 .85 1 1 1 0 . 85 1
1 1 1 0 .85 1 1 1 0 .85
P= P=
0.85 1 1 1 0.85 1 1 1
1 1 1 0 .85 x 1 1 1 0 .85 =

[ ]
3 . 723 3 . 850 3 .700 3. 550
3 . 700 3 . 850 3 .700 3. 573
P=
3 . 700 3 . 850 3 .723 3. 550
3 . 700 3 . 850 3 .700 3. 573

Pgina 9 de 12
 [ ]
3 .723 3 . 850 3 .700 3 . 550

[ ]
3 . 723 3 . 850 3 .700 3 . 550
3 .700 3 . 850 3 .700 3 . 573
P=
3 . 700 3 . 850 3 .700 3 . 573 P=
3 . 700 3 . 850 3 .723 3 . 550 3 .700 3 . 850 3 .723 3 . 550
3 . 700 3 . 850 3 .700 3 . 573 3 .700 3 . 850 3 .700 3 . 573

[ ]
54 .93 57. 07 54 . 93 52. 79
54 .93 57. 07 54 . 93 52. 79
P=
54 .93 57. 07 54 . 93 52. 79
54 .93 57. 07 54 . 93 52. 79

El sistema a analizar en este trabajo son matrices estocsticas P correspondientes a

probabilidades de transicin donde hay elementos de matriz con valor fijo u de
probabilidad de transicin esto es estacionarias y otros elementos a que a partir de su
valor inicial se perturban de manera aleatoria de acuerdo a una distribucin normal y se
trata de llevar estas matrices a estado estable. En lo sucesivo, a la matriz con solo
elementos fijos le llamaremos matriz estacionaria u, y a la que tiene elementos
variantes o con perturbacin matriz perturbada a. El nmero de elementos variantes se
elige como un parmetro a analizar. La forma de llevar una matriz de transicin a
estado estable mediante calculo numrico es aplicar a si misma dicha matriz, o en otras
palabras, pre-multiplicar o pos-multiplicar n-veces dicha matriz por si misma hasta que
se llega a una situacin donde los elementos de cada una de las columnas de la matriz
resultante coinciden en un mismo valor a este se le llama estado estable. La variacin
de los elementos designados a ser perturbados se realiza en cada paso de aplicacin
de la matriz o sea cada vez que se multiplica P sucesivamente, lo cual equivale a una
variacin de algunas de las caractersticas del sistema real en el tiempo. A la matriz
resultante se le puede llamar matriz de transicin de n pasos.

PASO 5:

NOTA: LA MULTIPLICACIOIONES DE LAS MATRICES SE ENCUENTRAN EN EL

EXCEL ADJUNTO A LA ENTREGA.

CONCLUSIONES DE LAS MULTIPLICACION DE LAS MATRICES: Teniendo en cuenta

que en la matriz P16 se tienen que las 24 filas son idnticas, se puede concluir que se
ha llegado a la distribucin lmite de una CMTD. Segn la matriz del ejemplo, existe una
probabilidad de 0,043 de que al largo plazo ocurra el estado 1, existe una probabilidad
de 0,057 de que al largo plazo ocurra el estado 2 y existe una probabilidad de 0,028
de que al largo plazo ocurra el estado 3. Para esta matriz fue necesario multiplicarla
hasta P16 para lograr identificar las matrices iguales, es decir, que ya se encuentra en
la distribucin lmite de la cadena.
Pgina 10 de 12
 CONCLUSION

El anterior ejercicio nos ayud a comprender la forma de como la incidencia de una

matriz nos puede llevar a determinar cierta totalidad de un listado o en este caso de
amigos en con relacin a la frmula 1.
Este mtodo es determinante a la hora hacer la clasificacin que conlleve a que cada
piloto encuentre amigos en comn.
La dificulta que tuvo el grupo a la hora de empezar a planificar la matriz fue la clara
identificacin de los componentes de la frmula ejercitada en el problema, gracias a la
ayuda de consultas, repaso, ejemplos e investigacin, dado que algunos de nosotros no
habamos visto este tema.

Pgina 11 de 12
 BIBLIOGRAFIA

Zeger, S. L. (1988). A Regression Model for Time Series of Counts. Biometrika, Vol.
75, 4, 621-629.

Pginas de consulta
https://books.google.com.co/books?id=ktiz9gi4I5UC&pg=RA1-
PR2&dq=Cadena+de+Markov+en+Tiempo+Discreto&hl=es&sa=X&ved=0ahUKEwjD0Je
b9P3LAhXMfxoKHe6qCFEQ6AEIRDAI#v=onepage&q=Cadena%20de%20Markov
%20en%20Tiempo%20Discreto&f=false

https://books.google.com.co/books?
id=ranO6TGcP_wC&pg=PA45&dq=Cadena+de+Markov+en+Tiempo+Discreto&hl=es&s
a=X&ved=0ahUKEwjD0Jeb9P3LAhXMfxoKHe6qCFEQ6AEILTAD#v=onepage&q&f=fals
e

Pgina 12 de 12