Professional Documents
Culture Documents
PRACTICA DE LABORATORIO No 3
TEMA: Cadenas de Markov Absorbente
OBJETIVOS
Una sesin
MARCO TERICO
CASO 1.- Una empresa fabrica tocacintas porttiles. Antes de mandar a ventas un casete
o portacintas, se analiza el lote. Las categoras de inspeccin son: no funciona (NF),
regular, bueno y excelente. Los portacintas NF se desechan, mientras que los lotes
excelentes se envan inmediatamente a ventas. Los lotes regulares y buenos se regresan
para ajustes y se vuelven a probar. Las proporciones de lotes regulares y buenos que
cambian de categora se dan en la tabla siguiente:
A
DE
Regular
Bueno
NF
Regular
Bueno
Excelente
0.05
0
0.20
0.10
0.35
0.20
0.40
0.70
2
a) Descrbase este proceso de prueba como una cadena de Markov absorbente y
calclese la matriz de transicin.
NF
REGULAR
BUENO
EXCELENTE
NF
1
0.05
0
0
REGULAR
0
0.20
0.10
0
1
0
BUENO
0
0.35
0.20
0
EXCELENTE
0
0.40
0.70
1
0
1
I-N
0.8
-0.10
1.3223
0.1652
-0.35
0.8
(I-N)-1
0.5785
1.3223
= 1.9008
= 1.4875
(I-N)-1 * A
0.066
0.934
0.008
0.992
b) De 100000 lotes existentes actualmente, a los que se acaba de realizar una
inspeccin y result que hay 30000 lotes buenos, 20000 lotes regulares, 45000
lotes Excelentes y 5000 lotes NF Cuntos lotes de cada categora habr dentro
de 3 inspecciones?
Entonces habr:
Lotes NF
Lotes Regulares
Lotes Buenos
Lotes Excelentes
3
c) Cuntos lotes Excelentes habr en las prximas 5 inspecciones.
0.5785
= 1.9008
1.3223
= 1.4875
0.934
La probabilidad es de 6.6%
g) Cul es la probabilidad de que un lote regular llegue a ventas?
0.066
0.934
La probabilidad es de 93.4%
h) De 30 000 lotes probados como buenos originalmente. Cuntos llegarn a
ventas?
0.008
Llegaran: 100000 * 0.992 = 99200 Lotes
0.992
4
CASO 2.- El Programa Profesional de Ingeniera Industrial, despus de haber recogido datos
durante varios aos, puede predecir las proporciones de los estudiantes que pasarn de una
categora a otra en un ao dado. Estos datos se dan en la tabla siguiente.
1er Ao
2do Ao
3er Ao
4to Ao
5to Ao
Retirado
Termina
1er Ao
0.20
0
0
0
0
0
0
1.25
0
0
0
0
3er Ao
0
0.70
0.15
0
0
0
0
2do Ao
0.60
0.15
0
0
0
0
0
4to Ao
0
0
0.65
0.10
0
0
0
5to Ao
0
0
0
0.80
0.05
0
0
Retirado
0.20
0.15
0.20
0.10
0.05
1
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0.8
0
0
0
0
-0.60
0.85
0
0
0
I-N
0
-0.70
0.85
0
0
0
0
-0.65
0.9
0
0
0
0
-0.80
0.95
(I-N)-1
0.88235294 0.7266436 0.52479815
1.17647059 0.96885813 0.69973087
0
1.17647059 0.8496732
0
0
1.11111111
0
0
0
0.44193529
0.58924705
0.71551428
0.93567251
1.05263158
Termina
0
0
0
0
0.90
0
1
3.82572998
3.43430664
2.74165807
2.04678363
1.05263158
(I-N)-1 * A
0.07
0
-0.0125
0
0.105
0
0.05
-0.72
0.0475
0.855
Terminaran 311.63
CASO 3.- El estado de las cuentas por cobrar en una empresa se modela con frecuencia
como una cadena absorbente de Markov. Suponga que una empresa supone que una cuenta
es incobrable si han pasado ms de tres meses de su fecha de vencimiento. Entonces, al
principio de cada mes, se puede clasificar cada cuenta en uno de los siguientes estados
especficos:
Estado 1 Cuenta nueva.
Estado 2 Los pagos de la cuenta estn retrasados un mes.
Estado 3 Los pagos de la cuenta estn retrasados dos meses.
Estado 4 Los pagos de la cuenta estn retrasados tres meses.
Estado 5 Se ha saldado una cuenta.
Estado 6 Se ha cancelado la cuenta por ser mal pagador.
Supongamos que los ltimos datos indican que la siguiente cadena de Markov describe cmo
cambia el estado de una cuenta de un mes al siguiente:
Por ejemplo si al principio de un mes una cuenta lleva dos meses de vencida, hay 40% de
probabilidades de que no se pague al principio del mes siguiente y, por lo tanto, que tenga
tres meses de retraso y una probabilidad de 60% de que se pague.
Suponga ademn que despus de tres meses, la cuenta o se cobra o se considera incobrable.
Una vez que una deuda se paga o se considera incobrable, se cierra y no se tiene ms
transiciones.
NUEVA
1 MES
2 MES
3 MES
PAGADA
INCOBRABLE
NUEVA
0
0
0
0
0
0
1 MES
0.6
0
0
0
0
0
1
0
0
0
2 MES
0
0.5
0
0
0
0
0
1
0
0
3 MES
0
0
0.4
0
0
0
0
0
1
0
PAGADA
0.4
0.5
0.6
0.7
1
0
0
0
0
1
I-N
1
0
0
0
1
0
0
0
-0.60
1
0
0
0.6
1
0
0
0
-0.5
1
0
(I-N)-1
0.3
0.5
1
0
0
0
-0.4
1
0.12
0.2
0.4
1
2.02
1.7
1.4
1
INCOBRABLE
0
0
0
0.3
0
1
(I-N)-1 * A
0.964
0.94
0.88
0.7
0.036
0.06
0.12
0.3
a) Cul es la probabilidad que una cuenta nueva sea cobrada alguna vez?.
96.4%
b) Cul es la probabilidad que una cuenta atrasada un mes se vuelva finalmente
incobrable?
6%
c) Si las ventas de la empresa son 100 000 dlares en promedio mensual, cunto
dinero ser incobrable cada ao?
De la respuesta 1 solo el 3.6% de todas las deudas son incobrables. Como las cuentas totales
del ao son 1 200 000 dolares en promedio, entonces: 0.036 * 1 200 000 = 43200 dolares
sern impagables al ao.
CASO 4.- Una urna contiene tres bolas sin pintar. Se saca una bola al azar, si la bola sacada
no esta pintada la pintamos de rojo o negro. Si la bola ya esta pintada, entonces cambiamos
el color de rojo a negro o de negro a rojo. Estados (S R N) = (Sin pintar, Rojo, Negro)
a) Modele el problema como una cadena de Markov y encuentre la matriz de
probabilidades de transicin.
E5=1,0,2
E4=1,2,0
E6=0,2,1
E3=1,1,1
E1=2,1,0
E4=1,2,0
E2=2,0,1
E0=3,0,0
E1=2,1,0
E2=2,0,1
E5=1,0,2
E3=1,1,1
E7=0,1,2
8
b) Despues de dos jugadas, cul es la probabilidad que el estado sea (0 3 0)? Despues
de tres jugadas, cul es la probabilidad que el estado sea (0 1 2)?
CASO 5.- En un proceso de produccin cada producto pasa por 4 etapas, dos de fabricacin
y dos de inspeccin. Al final de cada etapa los productos se desechan, se regresan para
rehacerlos slo en inspeccin, o pasan a la siguiente etapa. En la siguiente tabla se muestran
datos del problema:
Actividad
Mquina 1
Mquina 2
Inspeccin (cada una)
Almacenado
Tiempo de operacin
(horas - hombres
3.00
2.50
0.25
0.10
Costo operacin
(UM/h)
5.00
5.00
1.00
4.00
El costo de los materiales es de 10.00 UM por parte y el de los residuos 1.00 UM por parte.
Estado
Descripcin
Artculo en mquina 1
Artculo en inspeccin 1
Artculo en mquina 2
Artculo en inspeccin 2
Artculo en almacn
Artculo desechado
2
3