Vdocuments - MX - Cadenas de Markov Marco Teorico PDF

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om
Contenido
Contenido.............................................................................................................................1
Cadenas de Markov..............................................................................................................6
Introducción.....................................................................................................................6
Probabilidades absolutas y de transición para n pasos.....................................................7
Estados Absorbentes........................................................................................................ 9
Caso..................................................................................................................................9
Análisis del caso.............................................................................................................11
Procesos de Markov: Consideraciones y terminología..................................................13
Optimización de redes........................................................................................................19
Introducción...................................................................................................................19
Terminología..................................................................................................................20
Problema de la ruta más corta ........................................................................................23

Aplicaciones...................................................................................................................40
Algoritmo para el problema del árbol de expansión mínima.........................................40
Problema de flujo máximo .............................................................................................43
Bibliografía........................................................................................................................48
http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 1/48





Cadenas de Markov
Introducción
Las cadenas de Markov son una herramienta para analizar el comportamiento y el
gobierno de determinados tipos de procesos que evolucionan de forma no determinista a
lo largo del tiempo en torno a un conjunto de estados. Proviene de una familia dinámica
que involucra componentes aleatorios (procesos estocásticos) así como dependientes del
tiempo. Su nombre proviene en honor del matemático ruso Andrei Andreevitch Markov
(1856 – 1922), que las introdujo en 1907.
Davis y Mckeon (2000) al respecto, señalan que: Se describen diversas situaciones que
buscan determinar de forma secuencial, la probabilidad de que ocurra o no un evento
estocástico, considerando que depende solo de su condición de un periodo anterior, el
cual afecta al estado actual, de esta forma proporciona al metodólogo un medio para
determinar probabilidades de que ocurra un evento determinado como resultado de una
transición recurrente de una situación u otra, los cuales son denominados markovianos.
(García, 2011)
Una cadena de Markov, por tanto, representa un sistema que varía su estado a lo largo del
tiempo, siendo cada cambio una transición del sistema. Dichos cambios no están

predeterminados, aunque sí lo está la probabilidad del próximo estado en función de los
estados anteriores, probabilidad que es constante a lo largo del tiempo (sistema
homogéneo en el tiempo). Eventualmente, en una transición, el nuevo estado puede ser el
mismo que el anterior y es posible que exista la posibilidad de influir en las
probabilidades de transición actuando adecuadamente sobre el sistema (decisión).
Hoy en día las cadenas de Markov, se consideran una herramienta esencial en
disciplinas como la economía, la ingeniería, la investigación de operaciones y
muchas otras.
Probabilidades absolutas y de transición para n pasos
Dados {a0j} y P de una cadena de Markov, nos interesa conocer la
probabilidad de que ocurra Ej en la transición n. Estas se conocen como las
probabilidades absolutas del sistema después de un número Específico n de

transiciones. Llamemos {anj } estas probabilidades absolutas después de n
transiciones. La expresión general de {anj} en términos de {a0j} y P se puede
calcular de la siguiente manera:
También

Donde p(2)kj = Σpkipij es la probabilidad de transición de dos pasos o de
segundo orden, es decir, la probabilidad de ir del estado k al estado j en
exactamente dos transiciones.
Por inducción se puede ver que:
Donde pij es la probabilidad de transición de n pasos u orden n dada por la
formula recursiva:
En general para todo i y j,
Los elementos de una matriz de transición más alta p(n)ij se obtienen de forma
directa por multiplicación matricial. Así:
y en general
Por tanto, si las probabilidades absolutas se definen en forma vectorial como:
Entonces:

Estados Absorbentes.
Un estado se llama absorbente o estacionario si p ik =1, es decir, si una vez
que el estado llega a k, permanece ahí para siempre. Si k es un estado
absorbente y el proceso comienza en i, la probabilidad de llegar a k se llama
probabilidad de absorción de k (f ik ). Si se tienen 2 o más estados absorbentes, el
proceso será absorbido por uno de éstos. Para saber cual, hay que resolver el
sistema de ecuaciones:1
M
f ik = ∑ pij f jk para i=0,1,…,M
j=0
Esto es importante en las “caminatas aleatorias”: cadenas de Markov en las que
si el sistema se encuentra en el estado i, entonces, en una sola transición, o
permanece en i, o se mueve a uno de los 2 estados inmediatamente adyacentes
a i.
A continuación analizaremos los procesos de Markov vistos con anterioridad
aplicados a un caso:
Caso
Move-U Truck Rental Company
1
Davis (2006), Métodos cuantitativos .

La Move-U Truck Rental Company se especializa en el arrendamiento de
camiones a personas que desean realizar sus propias mudanzas. El gerente de
distribución de la compañía, G.I.Miller, está considerando aplicar un “cargo por
traslado” para cubrir el costo de enviar camiones desde áreas 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 áreas en las que hay sobrantes, desea determinar la proporción del
número total de camiones que, a largo plazo, acabaran en cada una de las areas
de renta. Si las proporciones son aproximadamente las mismas, el cargo por

traslado será innecesario. Si no es así, el cargo dependerá de la proporción del
total que termine en cada región. 2
G. I. ha dividido la parte de los Estados Unidos que atiende la compañía en tres
regiones: norte, central y sur. De registros previos se ha determinado que de los
camiones que se rentan cada mes en el norte, 30% terminan en la región central
y 50% se devuelve a la compañía en la región del sur.
De manera similar, la compañía a determinado que, cada mes, 40% de los
camiones que se rentan en la región central se devuelven en la misma, 30% se
devuelven en el norte y el 30% restante se devuelve en el sur.
Por último, de los camiones que se rentan cada mes en la región sur, 20% se
devuelven en el norte y 40% se devuelven en la región central.
2
Aguilar (2001, recuperado de: www.unam.mx/trabajos

En este momento 40% de los camiones se encuentran en el norte, 30% en la
parte central y 30% en la región sur. Dado el patrón de movimiento de los
camiones, la Move-U Company está interesada en saber lo siguiente:
1. ¿Qué proporción de los camiones se encontrará en cada región después
de un mes? ¿Después de dos meses?
2. ¿Qué proporción de los camiones estará en cada región después de un
periodo “largo”?
Análisis del caso
Es posible entrar emplear una tabla como la 15-1 para resumir la información
referente a la proporción de camiones que tienen una región de origen y llegan a
otra de destino. En esta tabla la región donde se renta el camión se lista en el
extremo izquierdo y la región en donde se devuelve el camión aparece en la
parte superior. Por ejemplo, observando el primer renglón de la tabla y la
primera columna, puede verse que 20% de los camiones que se rentan en el
norte se devuelven en el mismo norte. Otra forma de plantear esta relación, es
que existe una probabilidad 0.2 de que un camión rentado en el norte sea
regresado en la misma región.
TABLA 15-1 Proporción de camiones que se regresan a cada región

Obsérvese que para cualquier renglón la suma de las probabilidades es uno.
Esto significa que un camión rentado debe ir a algún lado. Nótese también que
la región en la se regresa un camión depende sólo de la región en la que se
rentó. En otras palabras, el estado final del camión depende sólo de su estado
más reciente (estado anterior). Si un camión fue rentado alguna vez en la región
central, no afecta el lugar en el que se le regrese si ahora se renta en el norte.
El hecho de que haya una probabilidad asociada con el lugar en el que se
devolverán los camiones y que esta región en la que se devuelven dependa solo
de la región en la que se rente significa que esta situación satisface las
consideraciones básicas de los procesos de Markov. Una consideración

adicional para los problemas de este tipo es que habrá ocurrencias repetidas del
evento bajo estudio.
Para resumir, las principales consideraciones de los procesos de Markov
aplicadas a los ejemplos son:
1. Hay incertidumbre con respecto a la región en la que se devolverán los
camiones y es posible medir esta incertidumbre a través de
probabilidades;
2. La región en la que se devuelve un camión depende solo de la región en
que fue rentado;

3. Habrá ocurrencias repetidas, o ensayos, es decir, se rentan camiones
bajo las mismas circunstancias.
Procesos de Markov: Consideraciones y terminología
Estados, ensayos y probabilidades de transición
Los procesos de Markov, al igual que la mayoría de los modelos que hemos
estudiado tienen su propia terminología. En este caso, muchos de los términos
significan lo mismo que la programación dinámica. Por ejemplo, las condiciones
iniciales y finales de un proceso de Markov se denominan estados. Las
ocurrencias repetidas del evento que se estudia se llaman ensayos y la
probabilidad de pasar de un estado actual al siguiente se conoce como
probabilidad de transición.
En nuestro ejemplo, las regiones en las que se rentan y en las que se devuelven
los camiones son los estados. Las probabilidades de la tabla 15-1 son las
probabilidades de transición. Por último, se considera que cada mes es un
ensayo. Para simplificar un poco el análisis, se hacen tres consideraciones
adicionales:
1. Existe un número finito de estados.
2. Existen probabilidades constantes de transmisión.
3. Ocurren periodos iguales.
Estas consideraciones, junto con las tres consideraciones básicas que se
analizaron, definen tipos especiales de procesos de Markov denominados
cadenas de Markov. Para un texto como éste, en el que se ha intentado hacer

énfasis en el planteamiento y las interpretaciones, un estudio de las cadenas de
Markov será suficiente para presentar los posibles usos de los procesos de
Markov en general.
Presentación de cadenas de Markov a través de un árbol
Un método ilustrativo para responder la primera de las preguntas referentes
a la flotilla de camiones consiste en utilizar un enfoque de “árbol”. En la figura
15-1 se muestra el diagrama de árbol para un camión que se renta en la región
del norte en el mes 0. Los nodos del árbol son las ubicaciones en los meses 0, 1
y 2, y en las ramas del árbol aparecen las probabilidades de cada transición.

FIGURA 15-1 Diagrama de árbol para la Move-U Company
Las probabilidades de encontrarse en cada uno de los estados en el mes 2 se
calculan multiplicando las probabilidades individuales de transición. Por ejemplo,
la probabilidad de estar en el norte en cada uno de los tres meses está dada por
(0.2) (0.2) = 0.4.
Para determinar la probabilidad de que un camión se encuentre en el norte

después de dos meses, se suman las tres probabilidades de encontrarlo en el
norte:

P (de estar en el norte en el mes 2 dado que se encontraba en el norte en el
mes 0) = 0.04 + 0.09 +0.10 = 0.23
De manera similar,
P (de estar en la región central en el mes 2 dado que estaba en el norte en el
mes 0) = 0.06 + 0.12 + 0.20 = 0.38
P (de estar en el sur en el mes 2 dado que estaba en el norte en el mes 0) =
0.10 + 0.09 + 0.20 = 0.39
Si se utiliza notación de matrices, estos cálculos para el mes 1 aparecerán de la

siguiente manera (para más información consúltese “ Apéndice B: Álgebra de
matrices, 727-731” , en Davis, Mckeown (2000), “Modelos cuantitativos para
administración”):
Para el segundo mes, repetimos los cálculos:

Observe que estas series de cálculos pueden combinarse en uno solo de la
siguiente manera:
El cálculo del vector de probabilidad después de dos meses depende del vector
de probabilidad en el mes 0 y de la matriz de transición de un mes. En los
cálculos anteriores, se utilizo un vector de probabilidad inicial que representaba
un camión que había comenzado en el norte. Para calcular la proporción de
camiones que se encontraran en cada región después de dos meses,
simplemente sustituye la proporción original de camiones que se encuentra en
cada región y se considera como el vector inicial de probabilidad, es decir, [0.4

0.3 0.3]. Por ello, los cálculos se convierten en:

De estos cálculos, puede verse después de dos meses que 23.6% de todos los
camiones se encontraran en el norte, 37.7% estarán en la región central y 38.7%
en el sur. La segunda pregunta que interesa responder es la proporción de
camiones que se encontrara en cada región después de un “periodo largo”. Para
contestarla, se programo una computadora para que repitiera los cálculos del
vector de probabilidad para 8 meses. Esta serie de cálculos se muestra en la
figura 15-2.
FIGURA 15-2 Solución por computadora para el problema de la Move-U
En esta figura se observa que el vector de probabilidad cambia de su valor inicial
de [0.4 0.3 0.3] a [0.238 0.376 0.386] en 8 meses. Observe también que el
cambio entre vectores subsiguientes disminuye al aumentar el número de
meses. Este patrón de vectores de probabilidad prácticamente iguales indica
que se ha alcanzado una condición de estado estacionario cuando la proporción

de camiones en cada región permanece igual. Esta proporción de estado
estacionario de camiones es 23.8% en el norte, 37.6% en la región central y
38.6% en el sur, lo cual la suma del porcentaje de las tres regiones da un total
de 100%.
Optimización de redes
Introducción
La optimización de redes es una herramienta de la programación lineal que
aunque no tenga una amplia área de aplicación como esta, es tan frecuente su
uso que llega a ser considerada una de las herramientas más importantes de tal,
mostrando su rendimiento optimo a través de graficas de las diversas aéreas en
las que es aplicable, nombrando algunas de estas aéreas se tendrían, las de
producción, rutas de distribución de un producto, redes de comunicación, el
programa de actividades de un proyecto, localización de instalaciones, entre
muchas otras.
Empresas como Fedex, Estafeta, aerolíneas México, correspondencia, entre

muchas otras, utilizan ésta herramienta para identificar la ruta más corta, para de
esta manera optimizar el tiempo y costo de la entrega de un producto y/o
servicio.

En este capítulo él lector se podrá plantear las bases de la metodología de redes
actual. Sin embargo, sólo se dará una introducción a cuatro tipos importantes de
problemas de redes y algunas ideas básicas sobre cómo resolverlos (sin
profundizar en los aspectos de estructuras de bases de datos, vitales para la
aplicación exitosa en los problemas de gran escala). Los tipos de problemas son
los siguientes: el problema de la ruta más corta, el problema del árbol de mínima
expansión, el problema del flujo máximo y el problema del flujo de costo mínimo.
Terminología
Se ha desarrollado, como en todo tema, una terminología relativamente
extensa para describir los tipos de redes y sus componentes. Aunque se ha
evitado dentro lo posible en ésta investigación el uso del vocabulario específico,
es necesario introducir un número considerable de términos que se usarán en
este capítulo.
A. Red: Conjunto de puntos y líneas que unen ciertos pares de puntos.
B. Nodos: Puntos (o vértices).
C. Arcos: Líneas, ligaduras, aristas o ramas. Se etiquetan para dar nombre a
los nodos en sus puntos terminales.
D. Arco dirigido: Si el flujo a través de un arco se permite sólo en una
dirección. La dirección se indica agregando una cabeza de flecha al final
de la línea que representa el arco.
E. Arco no dirigido: Si el flujo a través de un arco se permite en ambas
direcciones.

F. Red dirigida: Red que tiene sólo arcos dirigidos.
G. Red no dirigida: Todos sus arcos son no dirigidos.
H. Trayectoria: Sucesión de arcos distintos que conectan nodos.
I. Ciclo: Trayectoria que comienza y termina en el mismo nodo.
J. Red conexa: Red en la que cada par de nodos está conectado.

K. Nodo fuente: Nodo origen, tiene la propiedad de que el flujo que sale del
nodo excede el flujo que entra a él.
L. Nodo de demanda: Nodo de destino, donde el flujo que llega excede al
que sale de él.
Componentes de redes representativas
Nodos Arcos Flujos

Cruceros Caminos Vehículos
Aeropuertos Líneas aéreas Aviones
Estaciones de bombeo Tuberías Trabajos
Centros de trabajo Cables, canales Fluidos
A continuación se explicara a grandes rasgos de una manera explicativa y
grafica la terminología de redes, por la cual se entiende que:
Una red es un conjunto de nodos y arcos que se conectan entre sí, teniendo
una dirección asociada (arco dirigido) o no (arco). Entre cada nodo existe un
arco el cual tiene un valor asignado llamado flujo, si a través de este flujo se
realiza una conexión de nodos con una sucesión de arcos distintos se le conoce
como trayectoria . Se ha de destacar que existen dos tipos de trayectorias, estas
responden al nombre de trayectorias dirigidas y trayectorias no dirigidas.
La dirigida es una sucesión de arcos cuya dirección es hacia el nodo de destino,
de manera que el flujo del nodo fuente hacia el nodo de destino es factible. A
diferencia de la trayectoria dirigida, la no dirigida trata de, una sucesión de arcos
cuya dirección puede ser hasta o desde el nodo final. Finalmente un ciclo se
refiere a una trayectoria que comienza y finaliza en el mismo nodo.

Problema de la ruta más corta
En el problema de la ruta más corta se determina ésta, entre una fuente y un
destino, en una red de transporte, es decir, considere una red conexa y no
dirigida con dos nodos especiales llamados origen y destino. A cada arco no
dirigido se asocia un flujo no negativo. El objetivo es encontrar la ruta más corta
(la trayectoria con la mínima distancia total) del origen al destino.
Se dispone de un algoritmo bastante sencillo para este problema. La esencia del
procedimiento es que analiza toda la red a partir del origen; identifica de manera
sucesiva la ruta más corta a cada uno de los nodos en orden ascendente de sus
distancias (más cortas), desde el origen; el problema queda resuelto en el

momento de llegar al nodo destino.
La siguiente figura muestra el sistema de carreteras o vías, donde “O” es la
ciudad de donde se iniciará el colector; las otras letras (A, B, C, D y E)

representan las ciudades vecinas con las vías que las conectan; “T” representa
la ubicación de la planta de tratamiento y los números son las distancias en
kilómetros de estas carreteras. Se ha decidido construir un colector de “Aguas
residuales” desde la ciudad “O” hasta la planta de tratamiento “T”. Dicho colector
tiene que construirse por debajo del pavimento de las carreteras que conectan a
las ciudades entre sí. Las condiciones de altitud son similares en todas las
ciudades (terreno plano). Lógicamente se pretende determinar la ruta más corta
desde “O” hasta “T” bajo la obligación de colocar la tubería del colector por
debajo del pavimento de las carreteras existentes que conectan las ciudades.
Solución
A continuación se pretenderá orientar “paso a paso” la utilización de la hoja de
cálculo EXCEL para la solución de este tipo de problemas. Vaya a EXCEL y en
las columnas B y C identifique las rutas posibles de trasladarse de un sitio al
próximo que esté conectado (DESDE→HASTA).

En la columna “E” coloque la distancia de las rutas que se indicaron en las
columnas “B-C”: Por ejemplo en la celda “E4” colocaremos 2 que es la distancia
desde “O” hasta “A” (Ruta O→A); en la celda “E5” colocaremos 5 que es la
distancia desde “O” hasta “B” (Ruta O→B) y así sucesivamente, hasta que
quede de la siguiente manera:

Ahora coloque en la columna “D” ceros, estas celdas reflejarán los resultados
una vez que se aplique SOLVER. Cuando se aplique SOLVER en las celdas
señaladas anteriormente (Desde “D4” hasta “D17”) se reflejará “1” indicando que
esta ruta debe ser utilizada y se reflejará “0” en las que no deben utilizarse.
Identifique en la columna “G” los “nodos” que conforman el problema:
Un viaje del origen al destino se interpreta como un “flujo” de “1” por la
trayectoria elegida a través de la red. Los RESULTADOS se refieren a qué vías

deben incluirse en la trayectoria que se recorre. Se asigna un flujo de “1” a una
vía si está incluida, el flujo es “0” si no lo está. El flujo neto generado en un nodo
es el flujo que sale menos el flujo que entra, de manera que el flujo neto es “1”
en el origen, “-1” en el destino y “cero” en el resto de los nodos.
En atención a lo indicado anteriormente en la columna “H” y al lado de cada
“nodo” se colocan los siguientes valores: “1” al lado del Origen, “cero”“al lado de
las ciudades intermedias y “-1” en el destino T.
Las ecuaciones para los flujos netos de cada “nodo” o ciudad se incluirán en la
columna “J”, en donde cada celda de esta columna (“J”) calcula el flujo neto real
en ese nodo sumando el flujo que sale y restando el que entra. Estudiando la
ecuación que debemos incluir en las celdas “J4” hasta “J10” nos permitimos
hacer las siguientes consideraciones:
a) Como las celdas de la columna “D” reflejarán los resultados (uno o cero
según sea el caso), serán éstas las que se tomen en cuenta para la
elaboración de las ecuaciones.

b) Como el flujo neto generado en un nodo es el flujo que sale menos el flujo
que entra, las ecuaciones se reducen a la suma y resta de los valores que
debe reflejar SOLVER en las celdas de la columna “D”
c) Las celdas de la columna “D” que se colocarán en las ecuaciones serán
aquellas que se encuentren en la misma “Fila” donde esté ubicado el
“nodo” estudiado. Si la letra que identifica al nodo se encuentra en la
columna “B” (DESDE) se sumará; cuando se encuentre en la columna “C”
(HASTA) se restará.
En la celda “J4” se incluirá la ecuación relacionada con el Origen (“O”).
Notamos que la letra “O” se encuentra ubicada en las filas 4, 5 y 6, por lo tanto
debo utilizar en la ecuación las celdas “D4”, “D5” y “D6”. En las filas 4, 5 y 6,
podemos ver que existen tres rutas que incluyen a “O”, a saber:
O→A (Fila 4)
O→B (Fila 5)
O→C (Fila 6)
Como en los tres casos el flujo sale de “O” (La flecha empieza después de “O” y
termina en”A”,”B” ó “C”), en la ecuación se sumarán los tres valores:
Celda “J4” =D4+D5+D6

En la celda “J5” se incluirá la ecuación relacionada con la ciudad “A”).
Notamos que la letra “A” se encuentra ubicada en las filas 4, 7 y 8, por lo tanto
debo utilizar en la ecuación las celdas “D4”, “D7” y “D8”. En las filas 4, 7 y 8,
podemos ver que existen tres rutas que incluyen a “A”, a saber:
O→A (Fila 4)
A→B (Fila 7)
A→D (Fila 8)
Como en el primer caso (O→A) el flujo entra a “A”, en la ecuación se restará
“D4”. Como en los otros dos casos (A→B) y (A→D) el flujo sale de “A”, en la
ecuación se sumarán los dos valores correspondientes a estas filas:
Celda “J5” =–D4+D7+D8
En la celda “J6” se incluirá la ecuación relacionada con la ciudad “B”).
Notamos que la letra “B” se encuentra ubicada en las filas 5, 7, 9, 10, 11 y 12,
por lo tanto debo utilizar en la ecuación las celdas “D5”, “D7”, “D9”, “D10”, “D11”
y “D12”. En las filas 5, 7, 9, 10, 11 y 12, podemos ver que existen seis rutas que
incluyen a “B”, a saber:
O→B (Fila 5)
A→B (Fila 7)
B→C (Fila 9)
B→D (Fila 10)

B→E (Fila 11)
C→B (Fila 12)

Como en el primero, segundo y sexto caso (O→B) , (A→B) y (C→B) el flujo
entra a “B”, en la ecuación se restarán “D5”, “D7” y “D12”. Como en los otros tres
casos (B→C), (B→D) y (B→E) el flujo sale de “B”, en la ecuación se sumarán los
tres valores correspondientes a estas filas:
Celda “J6” =–D5–D7+D9+D10+D11–D12
Respetando el criterio aplicado en las tres celdas anteriores las ecuaciones
restantes se expresarán:
Celda “J7” =–D6–D9+D12+D13
Celda “J8” =–D8–D10+D14+D15–D16

Celda “J9” =–D11–D13–D14+D16+D17
Celda “J10” =–D15–D17
En estas celdas se reflejarán inicialmente ceros hasta que apliquemos SOLVER.

Solo nos falta escoger la celda donde queremos que se refleje la distancia total
en kilómetros de la trayectoria escogida. En este caso podemos escoger “D19” y
en ella debemos incluir la siguiente ecuación:
Celda “D19” =SUMAPRODUCTO(D4:D17;E4:E17)
La hoja de cálculo con toda la información se presentará en su pantalla de la
manera siguiente:
Para calcular la distancia mínima total y la ruta a seguir, se utiliza una
herramienta que incluye Excel llamada “SOLVER”. Para correr el Solver se elige
¨SOLVER” en el menú “Herramientas”. En caso de que su computador no
muestre en el menú “Herramientas” el comando “Solver”, busque en dicho menú
el comando “Complementos” e instale “Solver”.

Una vez instalado haga clic en “Solver” y se mostrará un cuadro de diálogo
“Parámetros de Solver”.
Antes de que “Solver” pueda resolver el problema, necesita conocer con
exactitud, donde se localizan los componentes del modelo en la hoja de cálculo.
Es posible escribir las direcciones de las celdas o hacer clic en ellas.

En el espacio superior izquierdo del cuadro de diálogo mostrado, donde se
solicita la Celda objetivo coloque la celda donde se decidió que apareciera la
distancia total en kilómetros de la trayectoria escogida: “$D$19”
En los círculos blancos donde se solicita el “Valor de la celda objetivo” indique
“Mínimo”. Se busca la ruta más corta o distancia mínima (haga clic sobre la
palabra mínimo). En el espacio central izquierdo, donde se solicita “Cambiando
las celdas” indique las celdas donde se propuso anteriormente que se mostraran
los resultados. En este caso son las celdas D4 hasta D17, coloque:
“$D$4:$D$17”.

En el espacio en blanco, en la parte inferior izquierda, “Sujetas a las siguientes
Restricciones” indique las restricciones o condiciones del problema, para lo cual
haga clic en “Agregar”. En este momento aparecerá en la pantalla el cuadro de
diálogo “Agregar Restricción”. En este tipo de problema las restricciones se
reducen a que los valores de las celdas del flujo neto (Columna “J”) sean iguales
a los valores de la columna “H”. Por lo tanto coloque:
$H$4:$H$10 = $J$4:$J$10
Haga clic en “Aceptar”. Ahora el cuadro de diálogo resume el modelo completo.

Antes de pedir a ¨Solver” que resuelva el modelo, se elige el botón “Opciones” y
aparecerá el cuadro de diálogo “Opciones de Solver”.
Este cuadro permite especificar las opciones para resolver el modelo. Lo más
importante son las opciones “Adoptar Modelo Lineal” y “Asumir no negativos”
(asegúrese de hacer clic sobre ellos).
Con un clic en “Aceptar” se regresa al cuadro de diálogo “Parámetros de Solver”.

Ahora todo está listo para hacer clic en “Resolver” y después de unos segundos
Solver indicará los resultados en las celdas D4 hasta D17, en la celda objetivo
(D19) aparecerá la distancia total en kilómetros de la RUTA MAS CORTA desde
“O” hasta “T”. En el cuadro final “Resultados de Solver”, haga clic en “Aceptar”.

Y aparecerá la hoja de resultados:
Este resultado nos indica que la RUTA MAS CORTA es:
O→A→B→D→T y que la longitud total del colector será de 13
kilómetros.

Sin embargo este problema presenta otra solución óptima que podemos
observar a continuación:
En esta ocasión el resultado nos indica que la RUTA MAS CORTA es:
O → A → B → E → D → T y que la longitud total del colector será de 13
kilómetros.
Como podemos observar en este caso tenemos dos posibles soluciones, que
indiferentemente la que se agarre estaremos en la ruta más corta.

Problema del árbol de mínima expansión
Introducción
El problema del árbol de mínima expansión es un problema común de
optimización combinatoria. Fue formulado inicialmente por Boruvka en 1926. La
formulación del MST ha sido aplicada para hallar soluciones en diversas áreas
(transporte, diseño de redes de telecomunicaciones, sistemas distribuidos y
otros. Se han desarrollado algoritmos de tiempo polinomial para su resolución
(Prim, Kruskal, Dijktra y Sollin). Debido a su complejidad y su explosión
combinatoria se pueden emplear algoritmos evolutivos que mejoren la relación

(calidad/tiempo) de la solución. Como estrategia se hace uso de optimización
restringida aplicando una función penalty a los cromosomas infactibles; esta
penalización es dinámica, debido a que aumenta por el número de restricciones
violadas. Este método hace que la convergencia a la solución sea mucho más
eficiente (calidad/tiempo).
El problema del árbol de expansión mínima tiene algunas similitudes con la
versión principal del problema de la ruta más corta que se presentó en la sección
anterior. En ambos casos se considera una red no dirigida y conexa, en la que la
información dada incluye alguna medida de longitud positiva (distancia, costo,
tiempo, etc.) asociada con cada ligadura.
Sin embargo en esta técnica del árbol de expansión mínima se conectan los
nodos que están a una distancia mínima. Dicha propiedad requiere que las
ligaduras seleccionadas deben proporcionar una trayectoria entre cada par de

nodos. El problema del árbol de expansión mínima se puede resumir como
sigue:
1. Se tienen los nodos de una red pero no las ligaduras. En su lugar se
proporcionan las ligaduras potenciales y la longitud positiva para cada
una si se inserta en la red. (Las medidas alternativas para la longitud de
una ligadura incluyen distancia, costo y tiempo.)
2. Se desea diseñar la red con suficientes ligaduras para satisfacer el
requisito de que haya un camino entre cada par de nodos.
3. El objetivo es satisfacer este requisito de manera que se minimice la

longitud total de las ligaduras insertadas en la red.
Una red con n nodos requiere sólo (n -1) ligaduras para proporcionar una
trayectoria entre cada par de nodos. No deben usarse más ligaduras ya que esto
aumentaría, sin necesidad, la longitud total de las ligaduras seleccionadas.
Las (n -1) ligaduras deben elegirse de tal manera que la red resultante (con sólo
las ligaduras seleccionadas) forme un árbol de expansión. Por lo tanto, es
encontrar el árbol de expansión con la longitud total mínima de sus ligaduras.

Aplicaciones
A continuación se proporciona una lista de algunos tipos importantes de
aplicación del árbol de expansión mínima:
• Diseño de redes de telecomunicación (redes de fibra, óptica, de
computadores, telefónicas, de televisión por cable, etcétera).
• Diseño de redes de transporte para minimizar el costo total de
proporcionar las ligaduras (vías ferroviarias, carreteras, etc.).
• Diseño de una red de líneas de transmisión de energía eléctrica de alto
voltaje.
• Diseño de una red de cableado en equipo eléctrico (como sistemas de
cómputo) para minimizar la longitud total de cable
• Diseño de una red de tuberías para conectar varias localidades.
Debido a que algunas redes de comunicación ahora cuestan muchos millones
de dólares, es muy importante optimizar su diseño encontrando la solución

mediante el método del árbol de expansión mínima.
Algoritmo para el problema del árbol de expansión mínima
1. Se selecciona, de manera arbitraria, cualquier nodo y se conecta (es decir, se
agrega una ligadura) al nodo distinto más cercano.

2. Se identifica el nodo no-conectado más cercano a un nodo conectado y se
conectan estos dos nodos (es decir, se agrega una ligadura entre ellos). Este
paso se repite hasta que todos los nodos están conectados.

3. Empates: los empates para el nodo más cercano distinto (paso 1) o para el
nodo no conectado más cercano (paso 2), se pueden romper en forma
arbitraria y el algoritmo debe llegar a una solución óptima. No obstante, estos
empates son señal de que pueden existir (pero no necesariamente)
soluciones óptimas múltiples.
Todas esas soluciones se pueden identificar si se trabaja con las demás formas de
romper los empates hasta el final. La manera más rápida de ejecutar este algoritmo
en forma manual, es decir en el enfoque gráfico proporcionado por el profesor de la
materia, en caso que se tratase de una investigación de campo sería la imagen
satelital o pictográfica del lugar que se desea conocer la solución más óptima del
problema de árbol de expansión mínima.
A continuación se presentara una figura en la cual la toma de decisiones estar
basado en lo visto con anterioridad en el tema, explicando cada paso por el cual
llegamos a obtener la ruta; O-A-B-C-E-D-T como la óptima dentro de los parámetros
del problema del árbol de expansión mínima:
En forma arbitraria, se selecciona u nodo, en este caso en particular
comenzaremos con el nodo “O” como inicio. A continuación observamos el nodo
no-conectado más cercano a “O” el cual vendría siendo en este caso “A”. Se
conecta el nodo “A” a “O”. Se repite el mismo procedimiento, es decir, se busca
nuevamente el nodo no-conectado más cercano a cualesquiera de los nodos “O”

o “A”, el cual es el nodo “B” (más cercano a “A”). Se conecta el nodo “B” al nodo
“A”. Ya tenemos conectados los nodos “O”, “A” y “B”. Por lo que se busca el
nodo no-conectado más cercano a éstos, que es el nodo “C” (más cercano a

“B”). Se conecta el nodo “C” al nodo “B”. [Sin embargo se aclara que en este
punto el nodo no-conectado más cercano a “O”, “A”, “B” o “C” es el nodo “E”
(más cercano a “B”). Por lo que aunque se toma y se deja expresado el nodo “C”
en la grafica, no es óptimo seguir el camino llevado por “C” por lo que se busca
nuevamente otro nodo del anterior (en este caso “B”) para seguir con el
problema del árbol de expansión mínima]. Conectamos el nodo “E” al nodo “B”.
A continuación el nodo no-conectado más cercano a “O”, “A”, “B”, “C” o “E” es el
nodo “D” (más cercano a “E”). Se conecta el nodo “D” al nodo “E”. El nodo no-
conectado es el nodo “T”. Está más cerca del nodo “D”. Se conecta el nodo “T”
al nodo “D”. En este punto todos los nodos han quedado conectados,(desde el
nodo inicial, hasta el nodo de destino) por lo que ésta es la solución (óptima) que
se buscaba. La longitud total de las ramas es 14 millas.
Aunque con este procedimiento pueda parecer que la elección del nodo inicial
afectaría la solución final, en realidad no es así. Verifique este hecho, aplicando
de nuevo el algoritmo, pero con un nodo inicial distinto de O. En esta categoría,
el objetivo es diseñar la red más apropiada para el problema dado y no de
analizar una red ya diseñada.

Problema de flujo máximo
Introducción
Intuitivamente, este tipo de red se puede aplicar a problemas de distribución
de granos como el maíz, en donde existen m centros productores y n centros
consumidores. En algunas redes circula por los arcos un flujo (envío o
circulación de unidades homogéneas de algún producto: automóviles en una red
de carreteras, litros de petróleo en un oleoducto, bits por un cable de fibra
óptica) desde el origen fuente al destino. Es decir, en términos mas generales,
se puede describir de la siguiente manera:

1. Todo flujo a través de una red conexa dirigida se origina en un nodo,
llamado fuente, y termina en otro nodo llamado destino.
2. Los nodos restantes son nodos de trasbordo.
3. Se permite el flujo a través de un arco sólo en la dirección indicada por la
flecha, donde la cantidad máxima de flujo está dada por la capacidad del
arco (flecha). En la fuente, todos los arcos (flechas) señalan hacia afuera.
En el destino, todos señalan hacia el nodo.
4. El objetivo es maximizar la cantidad total de flujo de la fuente al destino.
Esta cantidad se mide en cualquiera de las dos maneras equivalentes,
esto es, la cantidad que sale de la fuente o la cantidad que entra al
destino.

Aplicaciones
1. Maximizar el flujo a través de la red de distribución de la compañía de sus
fábricas a sus clientes.
2. Maximizar el flujo a través de la red de suministros de la compañía de los
proveedores a las fábricas.
3. Maximizar el flujo de petróleo por un sistema de tuberías.
4. Maximizar el flujo de agua a través de un sistema de acueductos.
5. Maximizar el flujo de vehículos por una red de transporte.
Para algunas de estas aplicaciones, el flujo a través de la red se puede originar

en más de un nodo y también puede terminar en más de un nodo, aunque el
problema del flujo máximo es en realidad que sólo puede tener un origen y un
destino. En el caso de que el origen o el destino no existan en el problema, se
añaden ficticiamente utilizando arcos unidireccionales de capacidad infinita,
como se muestra en la siguiente gráfica:
El punto de esto es determinar primero cual es el flujo máximo que puede

circular por esa red ya sea; por unidades de tiempos, segundos, la distribución
de los arcos, entre muchas otras.
Problema de flujo de costo mínimo

Introducción
El problema del flujo de costo mínimo tiene una posición medular entre los
modelos de optimización de redes; primero, abarca una clase amplia de
aplicaciones y segundo, su solución es muy eficiente. Igual que el problema del

flujo máximo, toma en cuenta un flujo en una red con capacidades limitadas en
sus arcos. La razón por la que el problema del flujo de costo mínimo se puede
resolver de modo tan eficiente es que se puede formular como un problema de
programación lineal. A continuación se describe el flujo de costo mínimo:
1. La red es una red dirigida y conexa.
2. Al menos uno de los nodos es un nodo fuente.
3. Al menos uno de los nodos es un nodo demanda.
4. El resto de los nodos son nodos de trasbordo.
5. Se permite el flujo a través de un arco dirigido, donde la cantidad máxima
de flujo está dada por la capacidad del arco.
6. La red tiene suficientes arcos con suficiente capacidad para permitir que
todos los flujos generados por los nodos fuente lleguen a los nodos de
demanda.
7. El costo del flujo a través del arco es proporcional a la cantidad de ese
flujo, donde se conoce el costo por unidad.
8. El objetivo es minimizar el costo total de enviar el suministro disponible a

través de la red para satisfacer la demanda dada. (Un objetivo alternativo
es maximizar la ganancia total del envío.)
Aplicaciones

Tal vez el tipo más importante de aplicación sea en la operación de la red de
distribución de una compañía. Este tipo de aplicación siempre incluye
determinar un plan para enviar bienes desde las fuentes (fábricas) a las
instalaciones de almacenamiento intermedias (según se necesite) y después
al nodo de demanda (consumidores).
Para algunas aplicaciones de los problemas del flujo de costo mínimo, todos
los nodos de trasbordo son instalaciones de procesamiento y no almacenes.
En otra aplicación los nodos pueden representar un evento que ocurre en
distintos momentos. En este caso, cada nodo fuente representa un tiempo

específico (periodo) en que la compañía dispone de dinero (cuentas por cobrar,
préstamos, etcétera). El suministro en cada nodo es la cantidad de efectivo que
estará disponible. El objetivo es maximizar el ingreso de la compañía debido a
estas inversiones entre los tiempos en que se dispone del efectivo y se usa.
Nodos de
Tipo de aplicación Nodos fuente Nodos demanda
trasbordo
Operación de una Fuentes de bienes. Almacenes Consumidores
red de distribución. intermedios.
Administración de Fuentes de Instalaciones de
Rellenos.
desechos sólidos. desechos sólidos. procesamiento.
Operación de una Almacenes Instalaciones de
Agentes de ventas
red de suministros intermedios procesamiento.
Coordinación de
mezclas de Producción de un Mercado del
Plantas.
productos en artículo específico. producto específico.
plantas.
Administración de Fuentes de efectivo Opciones de Necesidad de

en tiempos inversión a corto efectivo en tiempos
flujo de efectivo.
específicos. plazo. específicos.
TABLA de Aplicaciones comunes del problema del flujo de costo mínimo.

LA INFORMACION QUE TIENES ES BUENA PERO DEBES DE
CONTEMPLAR MÁS REFERENCIAS BIBLIOGRAFICAS, UTILIZA COMO
MINIMO 10 REFERENCIAS VALIDAS .
TRATA DE NO COPIAR LA INFORMACION TAL COMO ESTA EN LE LIBRO
PUES ESA PRACTICA ES CONSIDERADA COMO UN PLAGIO.
REALIZA LA REFERENCIA DEL LIBRO DE MANERA EXACTA, SIN

ESTENDER EN LOS EJEMPLOS TAL COMO SE ENCUENTRAN EN EL
LIBRO.
LA INFORMACION ES BUENA PERO SOLO COMO MARCO TEORICO.

Bibliografía
García, D. D. (2011). Matematicas discretas. México: Prentice Hall.

Vdocuments - MX - Cadenas de Markov Marco Teorico PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Vdocuments - MX - Cadenas de Markov Marco Teorico PDF

Загружено:

Авторское право:

Доступные форматы

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

Probabilidades absolutas y de transición para n pasos.....................................................7

Análisis del caso.............................................................................................................11

Procesos de Markov: Consideraciones y terminología..................................................13

Problema de la ruta más corta ........................................................................................23

Algoritmo para el problema del árbol de expansión mínima.........................................40

Problema de flujo máximo .............................................................................................43

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 1/48

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 2/48

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 3/48

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 4/48

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 5/48

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

Las cadenas de Markov son una herramienta para analizar el comportamiento y el

gobierno de determinados tipos de procesos que evolucionan de forma no determinista a

(1856 – 1922), que las introdujo en 1907.

buscan determinar de forma secuencial, la probabilidad de que ocurra o no un evento

estocástico, considerando que depende solo de su condición de un periodo anterior, el

determinar probabilidades de que ocurra un evento determinado como resultado de una

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 6/48

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

predeterminados, aunque sí lo está la probabilidad del próximo estado en función de los

estados anteriores, probabilidad que es constante a lo largo del tiempo (sistema

homogéneo en el tiempo). Eventualmente, en una transición, el nuevo estado puede ser el

mismo que el anterior y es posible que exista la posibilidad de influir en las

probabilidades de transición actuando adecuadamente sobre el sistema (decisión).

Hoy en día las cadenas de Markov, se consideran una herramienta esencial en

disciplinas como la economía, la ingeniería, la investigación de operaciones y

Probabilidades absolutas y de transición para n pasos

Dados {a0j} y P de una cadena de Markov, nos interesa conocer la

probabilidad de que ocurra Ej en la transición n. Estas se conocen como las

probabilidades absolutas del sistema después de un número Específico n de

transiciones. La expresión general de {anj} en términos de {a0j} y P se puede

calcular de la siguiente manera:

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 7/48

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

Donde p(2)kj = Σpkipij es la probabilidad de transición de dos pasos o de

segundo orden, es decir, la probabilidad de ir del estado k al estado j en

exactamente dos transiciones.

Por inducción se puede ver que:

Donde pij es la probabilidad de transición de n pasos u orden n dada por la

En general para todo i y j,

Por tanto, si las probabilidades absolutas se definen en forma vectorial como:

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 8/48

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

Un estado se llama absorbente o estacionario si p ik =1, es decir, si una vez

que el estado llega a k, permanece ahí para siempre. Si k es un estado

absorbente y el proceso comienza en i, la probabilidad de llegar a k se llama

probabilidad de absorción de k (f ik ). Si se tienen 2 o más estados absorbentes, el

Esto es importante en las “caminatas aleatorias”: cadenas de Markov en las que

si el sistema se encuentra en el estado i, entonces, en una sola transición, o

permanece en i, o se mueve a uno de los 2 estados inmediatamente adyacentes

Move-U Truck Rental Company

http://slide pdf.c om/re a de r/full/c a de na s-de -ma rkov-ma rc o-te or ic o 9/48

5/11/2018 Ca de na s de Ma rkov (Ma rc o Te or ic o) - slide pdf.c om

La Move-U Truck Rental Company se especializa en el arrendamiento de

camiones a personas que desean realizar sus propias mudanzas. El gerente de

distribución de la compañía, G.I.Miller, está considerando aplicar un “cargo por

sobrantes a otros lugares en los que se necesitan. Antes de decidir si debe

de renta. Si las proporciones son aproximadamente las mismas, el cargo por

total que termine en cada región. 2

G. I. ha dividido la parte de los Estados Unidos que atiende la compañía en tres

regiones: norte, central y sur. De registros previos se ha determinado que de los