PRESENTACION

Nombre
Tameli Cesarina
Apellido
Sánchez Sánchez
Matricula
2-19-6699
Asignatura
Investigación de operaciones II
Profesor
Rubén Darío Mancebo
Numero Práctica

Tercer parcia

Universidad
Instituto Tecnológico de Santiago
UTESA
INDICE

Introducción………………………………………………..1
I. Teoría de decisión………………………………………..2
1.1 Características generales de teoría de decisión……3
1.2 El valor de la información perfecta………………...3-4
1.3 Árboles de decisión…………………………………..5-11
1.4 Análisis de sensibilidad……………………………...12-14
II. Cadena de Markov……………………………………....15
2.1 Proceso estocástico…………………………………..16-19
2.2 Introducción a la cadena de Markov……………….20-21
2.3 Estado estable………………………………………...22-26
2.4 Estado absorbente……………………………………27-29
2.5 Costo o ganancia esperada…………………………...30
Conclusión……………………………………………………31
Referencia bibliográfica……………………………………..32
 1

INTRODUCCION

Como cualquier ser humano todos los días tomamos decisiones rutinarias y no
rutinarias; algunas, o tal vez la mayoría de ellas, carecen de importancia y se hacen de
forma habitual, pero también en ocasiones tomamos decisiones importantes que
pueden tener efectos inmediatos o a largo plazo sobre nuestras vidas. En la vida laboral
tomar decisiones también es una tarea diaria gerencial.

Las decisiones convierten a quien las toma en una figura importante, pero también
la responsabiliza del desarrollo de la organización y del logro de satisfacción de las
necesidades de sus colaboradores. Por ello, existen a diario miles de decisiones en
nuestras pequeñas, medianas y grandes organizaciones, y con frecuencia se toman con
base en emociones e intuición, y en otras tantas se utilizan modelos más adecuados y
cercanos a las decisiones científicas y objetivas.

Tomar decisiones no es algo desconocido para nosotros: lo hacemos todos los

días, es probable que al tomar tantas, algunas parezcan automáticas, por lo que hay
que tener especial cuidado con estas. Las buenas decisiones no se logran fácilmente,
son el resultado de u arduo ordenado proceso mental. Las condiciones cambian, así
que no podemos exponernos a los riesgos de una respuesta mecánica o un enfoque
intuitivo. De hecho, las experiencias para decisiones rápidas pueden ser tan grandes
que nos pueden llevar; sin darnos cuenta, a una trampa.

El análisis de decisiones sustenta todas las funciones directivas. Nada de lo que

un directivo hace es más importante que el uso de la mejor información disponible
para tomar buenas decisiones. El daño causado a una organización por una decisión
básicamente desacertada no puede ser evitado ni por la más cuidadosa planificación
ni por una implementación básica.
 2

I. Teoría de decisión

Según Madrigal Torres (2009) una decisión es un dictamen, una elección entre
varias alternativas.

Chiavenato (2002) al respecto, menciona que una decisión “es el proceso de

análisis y elección entre las alternativas disponibles de cursos de acción que la
persona deberá seguir”.

Davis & McKeown (1992) indican que una decisión puede definirse como el
proceso de elegir la solución para un problema, siempre y cuando existan al menos
dos soluciones alternativas.

Considerando las definiciones anteriores, la toma de decisiones es la elección de

una alternativa entre varias para una situación específica, la cual tiene un proceso
que estudia, analiza e implementa decisiones, ya sea a través de una persona o un
grupo de personas, por lo que es fundamental apoyarnos en modelos de índole
cuantitativo o cualitativo, para tomar la mejor decisión que veremos más adelante.

La toma de decisiones ha creado los sistemas de información gerencial, los

cuales han servido para decidir, implementar y comparar los logros de los actuales
objetivos, así como para crear nuevas estrategias y abordar nuevos mercados y
obtener resultados más eficientes al futuro. Para tomar una decisión es importante
contar con uno de los recursos más cotizados en la organización: la información. Los
recursos electrónicos hoy en día han sido de gran importancia para la información en
tiempo real y la creación de modelos que permitan resolver con gran precisión las
alternativas de uso.

Anteriormente, las organizaciones basaban sus decisiones en información

contable, porque era una de las principales necesidades de la empresa al querer saber
el estado de sus utilidades; actualmente no sólo el dinero es punto de reflexión; hay
otras preocupaciones como los procesos, el producto, los consumidores y sobre todo
el factor humano. Todo ello exige información más asertiva y actualizada, a fin de
asumir la gran responsabilidad de la toma de decisiones.

El sistema de información gerencial es considerado como un sistema formal para

recopilar, integrar, comparar, analizar y difundir información interna y externa de la
empresa de forma oportuna, eficaz y eficiente Koontz y Weirich, (1989).
 3

1.1 Características generales de teoría de decisión

Toda decisión debe evaluarse en función de cinco características:

1- Efectos futuros. Tiene que ver con la medida en que los compromisos
relacionados con la decisión afectarán el futuro.

2- Reversibilidad. Se refiere a la velocidad con que una decisión puede revertirse

y la dificultad que implica hacer este cambio. Teoría de Decisión.

3- Impacto. En qué medida se ven afectadas otras áreas o actividades.

4- Calidad. Se refiere a las relaciones laborales, valores éticos, consideraciones

legales, principios básicos de conducta, imagen de la compañía, entre otros
aspectos.

5- Periodicidad. ¿La decisión se toma frecuente o excepcionalmente? Teoría de

Decisión.

1.2 El valor de la información perfecta

El valor de la información perfecta es la cantidad en la que se podría mejorar el

rédito esperado si la persona supiera de antemano cuál es el evento que va a ocurrir.

Dicho valor se calcula mediante el siguiente procedimiento:

1- Identificar el mejor rédito para cada evento (si es ganancia, se elije el número
más alto; si es costo, tómese el menor número)

2- Calcular el valor esperado de esos mejores réditos multiplicando el mejor

rédito para cada evento por la probabilidad de que ese evento ocurra.

3- Restar del valor esperado del rédito obtenido sin información perfecta del
valor esperado del rédito obtenido con información perfecta. Esta diferencia es
el valor de la información perfecta.
 4

Se puede pensar en la información perfecta como aquella proporcionada por un

clarividente confiable e infalible, quien puede ver el futuro e informar con toda certeza
las variables involucradas en la decisión. Puesto que la información perfecta es
virtualmente imposible de conseguir ¿Por qué calcular su valor? Hay dos razones para
hacerlo antes de calcular el valor de cualquier información adicional que se sabe
será imperfecta. Primero, el valor de la información perfecta presenta el límite superior
del valor de cualquier información imperfecta. Segundo, permite definir en qué
estancias será conveniente planificar acciones de recolección de información.

Otra información adicional que se puede obtener de los árboles de decisiones es el

valor de control, también conocido como valor del genio. Se ha visto que un
clarividente quien puede ver el futuro pero no puede cambiarlo- es muy valiosos para
el decisor, pues le ayuda a determinar el valor de la información perfecta, pero un
mago quien pude conceder deseos; por lo tanto, cambiar el futuro-es aún más valioso.
El efecto del control perfecto es que el decisor puede solicitar al genio que uno de los
posibles valores de una variable aleatoria realmente ocurra.

Para obtener los valores de control perfecto, el analista debe dibujar el comienzo
del árbol de decisiones el nodo de azar que representa una variable específica. Después
escogerá el mejor valor esperado para ese nodo y establecerá la diferencia entre este
valor y el esperado original, sin control perfecto. Así, en el caso de GULP, el valor
con control perfecto para el costo unitario se puede obtener de examinar el árbol con
el nodo de costo unitario trasladado al inicio del árbol de decisión.

La rama superior del nodo de costo unitario, c= 0.67, muestra que si hubiera alguna
manera de lograr que el costo unitario de producción del nuevo aditivo fuera de $0.67,
daría un valor esperado de $38.5 millones. Otra vez, haciendo cálculos similares a los
usados para determinar el valor de información perfecta y recordando que el valor
esperado original fue de $18.9 millones se tiene:

VECP (c) = VECCP(c)

VESCP(c)= 38.5

Dónde: VECP(c): Valor espere aro del control perfecto en c

VECCP(c): Valor esperado con control perfecto en c
VESCP(c): Valor esperado sin control perfecto en c
 5

1.3 Árboles de decisión

Los árboles de decisión son uno de los algoritmos más utilizados para la toma de
decisiones en Machine Learning. Aunque su capacidad predictiva es superada por
otros algoritmos, son de uso frecuente por su sencilla implementación y fácil
interpretación.

Se trata de un diagrama de flujo que empieza con una idea principal y luego se
ramifica según las consecuencias de tus decisiones. Se denomina “árbol de decisiones”
por su semejanza con un árbol con muchas ramas.
Este método se usa para realizar un análisis que consiste en delinear de forma gráfica
los posibles resultados, costos y consecuencias de una decisión compleja. Puedes usar
un árbol de decisiones para calcular el valor esperado de cada resultado en función de
las decisiones tomadas y sus respectivas consecuencias. Luego, puedes comparar los
diferentes resultados para determinar rápidamente cuál será el mejor plan de acción.
También puedes usar un árbol de decisiones para resolver problemas, gestionar costos
e identificar oportunidades.

1.3.1 Simbología de un árbol de decisiones

En este método se suelen utilizar los siguientes símbolos:

 Ramificaciones alternativas: son líneas que se desprenden de una decisión.

Cada rama indica un posible resultado o decisión que se deriva de la decisión
inicial.
 Nodos de decisión: indican una decisión que se está tomando en el árbol y se
representan con un cuadrado. Todos los árboles de decisiones comienzan con
un nodo de decisión.
 Nodos de oportunidad: muestran varios resultados posibles y se representan
con un círculo.
 Nodos terminales o finales: indican el resultado final de una decisión y se
representan con un triángulo.

En un diagrama de árbol de decisiones se combinan estos símbolos con notas que

detallan cada decisión y sus posibles resultados, así como cualquier dato relevante
para explicar las ganancias o las pérdidas. Puedes dibujar el árbol de decisiones de
forma manual o puedes usar una herramienta de diagrama de flujo para crearlo
digitalmente.
 6

1.3.2 ¿Para qué se usa el diagrama de árbol de decisiones?

Puedes usar un diagrama de árbol de decisiones para tomar decisiones en muchas

áreas, incluidas las operaciones, la planificación presupuestaria y la gestión de
proyectos. Siempre que sea posible, incluye datos cuantitativos y números para poder
crear un árbol eficaz. Cuantos más datos tengas, más fácil te resultará calcular los
valores esperados y analizar las soluciones en función de los números.

Por ejemplo, si quieres determinar qué proyecto es más rentable, puedes usar un
árbol de decisiones para analizar los posibles resultados de cada proyecto y elegir el
proyecto que tiene más posibilidades de generar mayores ganancias.

1.3.3 Cómo crear un árbol de decisiones

Sigue estos cinco pasos para crear un diagrama de árbol de decisiones, analizar
resultados inciertos y llegar a la solución más lógica.

1. Empieza con una idea

Empieza tu diagrama con una idea o decisión principal que representarás con un
nodo de decisión y, luego, agrega ramificaciones individuales con las diferentes
decisiones entre las que debes elegir.

Por ejemplo, si estás planificando desarrollar una aplicación pero no puedes

decidir si crear una nueva o actualizar una existente, usa un árbol de decisiones para
evaluar los posibles resultados de cada decisión.

En este caso, el primer nodo de decisión será:

 Crear una aplicación

Las tres opciones (o ramas) entre las que debes elegir son:

 Desarrollar una nueva aplicación de planificación de tareas

 Actualizar una aplicación de planificación de tareas existente
 Desarrollar una aplicación de productividad en equipo
 7

2. Agrega nodos de oportunidades y de decisiones

Después de agregar tu idea principal al árbol, continúa agregando nodos de

oportunidades o de decisiones luego de cada decisión para expandir aún más tu árbol.
Un nodo de oportunidad puede ir seguido de ramificaciones alternativas, ya que de
dicha decisión podrían desprenderse varios resultados posibles.

Por ejemplo, si decides desarrollar una aplicación nueva, existe la posibilidad de

obtener una gran rentabilidad si tienes éxito con los clientes. Sin embargo, también
existe la posibilidad de que la aplicación no tenga éxito, lo que podría resultar en una
rentabilidad baja. Es muy importante que coloques ambos resultados posibles en tu
árbol de decisiones.

3. Expande el diagrama hasta llegar a los puntos finales

Continúa agregando nodos de oportunidades y de decisiones a tu árbol hasta que

hayas abarcado todas las decisiones y resultados posibles. Cuando llegues a este punto,
agrega los nodos terminales para indicar la finalización del diagrama.
Una vez que hayas completado tu árbol, puedes empezar a analizar cada una de las
decisiones.

4. Calcula los valores del árbol

Lo ideal es que tu diagrama también incluya datos cuantitativos. Los datos que se
usan con más frecuencia en los árboles de decisiones son valores monetarios.
Por ejemplo, desarrollar o actualizar una aplicación le costará a tu empresa una
determinada cantidad de dinero. Además, cada opción tendrá un costo diferente.
Incluir estos valores en el árbol debajo de cada decisión puede ayudarte durante
el proceso de toma de decisiones.

También puedes intentar estimar el valor esperado que generará cada decisión, ya
sea grande o pequeño. Una vez que hayas determinado el costo de cada resultado y la
probabilidad de que ocurra, podrás calcular el valor esperado para cada resultado
usando la siguiente fórmula:

 Valor esperado (EV) = (primer resultado posible x probabilidad del resultado)

+ (segundo resultado posible x probabilidad del resultado) - costo
Para calcular el valor esperado, primero debes multiplicar los dos resultados posibles
por la probabilidad de que ocurra cada uno de ellos y sumar ambos valores. Luego
debes restar los costos iniciales de tu total.
 8

5. Evalúa los resultados

Una vez que tengas los resultados esperados para cada decisión, determina cuál es
el mejor plan de acción para ti en función del riesgo que estás dispuesto a tomar. Es
posible que el valor esperado más alto no siempre sea el que quieras elegir. Esto se
debe a que, si bien podría resultar en una mayor rentabilidad, también significa que
debes asumir el riesgo del proyecto más alto.

Ten en cuenta que el valor esperado en un diagrama de árbol de decisiones se basa

en un algoritmo de probabilidades. Depende de ti y tu equipo determinar cómo evaluar
mejor los resultados del árbol.

1.3.4 Ventajas y desventajas del diagrama de árbol de decisiones

Ventajas

Cuando necesitas tomar una decisión compleja y debes evaluar una gran cantidad
de datos, los árboles de decisiones pueden ayudarte a visualizar con mayor claridad
las posibles consecuencias o beneficios asociados a cada decisión.

 Transparente: la mayor ventaja de este método es que brinda un enfoque

centrado en la toma de decisiones. Cuando analices cada decisión y calcules su
valor esperado, tú y tu equipo tendrán una idea más clara de cuál será la decisión
más apropiada.

 Eficiente: los árboles de decisiones son eficientes ya que puedes crearlos en

muy poco tiempo y con pocos recursos. Con otras herramientas de toma de
decisiones, como las encuestas, las pruebas de usuarios o los prototipos, puedes
tardar meses y tener que invertir mucho dinero para lograr un resultado. Un
árbol de decisiones es una forma sencilla y eficiente de tomar una decisión.

 Flexible: si se te ocurre una idea nueva luego de creado el árbol, puedes

agregarla fácilmente al diagrama. También puedes agregar ramificaciones para
posibles resultados si obtienes mayor información durante el análisis.
 9

Desventajas

El árbol de decisiones también tiene sus desventajas por lo que no es una

herramienta de toma de decisiones perfecta. Si logras comprender estas desventajas,
puedes usar tu árbol como parte de un proceso de previsión más amplio.

 Complejo: si bien los árboles de decisiones suelen tener puntos finales bien
definidos, pueden volverse complejos si agregas demasiadas decisiones al
diagrama. Si tu árbol se ramifica en muchas direcciones, posiblemente tengas
dificultades para hacer un seguimiento de todo y calcular los valores esperados.
La mejor manera de usar esta herramienta es mantenerlo lo más simple posible
para que no cause confusión y puedas aprovechar al máximo sus beneficios.
Para poder lograrlo, quizás tengas que usar otras herramientas de toma de
decisiones para reducir tus opciones y crear un árbol de decisiones una vez que
tengas una cantidad manejable de opciones.

 Inestable: es importante asegurarse de que los valores en el árbol de decisiones

sean precisos para que tus ecuaciones sean más exactas. Si cambias incluso una
pequeña parte de los datos, los datos más grandes pueden presentar errores.

 Riesgoso: el árbol de decisiones se basa en un algoritmo de probabilidades, por

lo que el valor esperado que calculas es una estimación, no una predicción
exacta de cada resultado. Esto significa que debes tomar estas estimaciones con
mucha cautela. Si no evalúas lo suficiente las probabilidades y los beneficios de
tus resultados, podrías asumir un riesgo muy alto con la decisión que elijas.
 10

1.3.5 Ejemplo de diagrama de árbol de decisiones

A continuación se muestra un ejemplo de cómo se vería un diagrama de árbol de

decisiones si tuviéramos que analizar la decisión entre desarrollar una aplicación
nueva o actualizar una existente.

A medida que el árbol se ramifica, los resultados mostrarán ingresos grandes y

pequeños y los costos del proyecto se deducen de los valores esperados.
Nodos de decisión para este ejemplo:

 Desarrollar una nueva aplicación de planificación de tareas: $50 000

 Actualizar una aplicación de planificación de tareas existente: $25 000
 Desarrollar una aplicación de productividad en equipo: $75 000

Nodos de oportunidades para este ejemplo:

 Ingreso máximo y mínimo para la decisión uno: 55 y 40 %
 Ingreso máximo y mínimo para la decisión dos: 60 y 38 %
 Ingreso máximo y mínimo para la decisión tres: 55 y 45 %

Nodos terminales para este ejemplo:

 Rentabilidad estimada para la decisión uno: $200 000 o $150 000
 Rentabilidad estimada para la decisión dos: $100 000 u $80 000
 Rentabilidad estimada para la decisión tres: $250 000 o $200 000
11
 12

1.4 Análisis de sensibilidad

El análisis de sensibilidad es una herramienta de gestión que permite a las

organizaciones predecir los resultados de un proyecto, ayudando a comprender las
incertidumbres, las limitaciones y los alcances de un modelo de decisión. También
conocido como análisis hipotético, permite determinar cómo los diferentes valores de
una variable independiente pueden afectar a una variable dependiente particular. Es
útil en una amplia gama de temas además de la gestión de proyectos, como finanzas,
ingeniería, geografía, biología, etc.

Existen dos tipos de análisis de sensibilidad: (el local y el global). El primero es

una técnica que estudia el impacto de un solo parámetro a la vez en función al costo,
manteniendo las variables de manera fija. El análisis de sensibilidad global, en cambio,
utiliza una muestra global con el propósito de explorar el espacio de diseño.

Pero, ¿cuál es su importancia en los proyectos? El análisis de sensibilidad es una

de las herramientas más utilizadas por los directores de proyectos para predecir los
resultados esperados de un proyecto. Añade más flexibilidad al modelo de valoración
durante el proceso de análisis y, finalmente, en la presentación ante posibles clientes,
inversores o grupos de interés. Existen múltiples beneficios de aplicarlo en la gestión
de proyectos:

 Facilita la toma de decisiones. El análisis de sensibilidad da como resultado

pronósticos respaldados por datos. Cuando se consideran todas las variables y
se analizan todos los resultados, le resulta más sencillo a la gerencia tomar
decisiones de inversión. Por lo tanto, es una herramienta extremadamente útil
para la planificación futura de la empresa.
 Asegura el control de calidad. Con el análisis de la sensibilidad, las compañías
pueden determinar aquellos procesos que no están permitiendo la creación de
un producto útil e impiden el alcance de objetivos. Determinar aquellos errores
a tiempo ayudará a crear mejores productos y a menor tiempo, lo que puede
generar en el futuro una mayor diversificación.
 Mejor asignación de recursos. El análisis de sensibilidad permite identificar
las áreas fuertes y débiles de la planificación de un proyecto, a su vez que mide
su posible impacto en los resultados. Esto permite a las organizaciones dirigir
los recursos a las variables que más apoyo necesitan.

El análisis de sensibilidad permite a las empresas pronosticar el éxito o fracaso de

un proyecto utilizando datos confiables y certeros. Al estudiar todas las variables y los
posibles resultados, los directores de proyectos pueden me tomar mejores decisiones
respecto al proyecto, el negocio o las inversiones.
 13
1.4.1 ¿Cómo se lleva a cabo el análisis de sensibilidad?

Para llevar a cabo el análisis de sensibilidad se han de calcular los flujos de

caja (hacen referencia a los flujos de entradas y salidas de efectivo en un periodo de
tiempo determinado) y el VAN (valor actual neto, es decir, el valor presente de los
flujos de caja netos como consecuencia de una inversión), al cambiar una variable.

Así pues, para poder llevar a cabo el análisis de sensibilidad se han de comparar
el VAN antiguo y el VAN nuevo, y el resultado que arroje esta operación deberá ser
multiplicado por 100. Esta operación dará como resultado un porcentaje de cambio.
La fórmula del análisis de sensibilidad es la siguiente:

Análisis de sensibilidad = ((VANn – VANe) / VANe) x 100

Donde:
 VANn: hace referencia al valor actual neto nuevo.
 VANe: hace referencia al valor actual neto que se tenía antes de realizar el
cambio en la variable que se está midiendo.

1.4.2 Ventajas e inconvenientes del análisis de sensibilidad

Ventajas
El análisis de sensibilidad cuenta con no pocas ventajas, entre las que destacamos
las siguientes:

 Facilita la toma de decisiones: el análisis de sensibilidad puede resultar de gran

utilidad para tomar una decisión, por lo que resulta muy ventajoso para las
empresas, sobre todo a la hora de planificar los proyectos que se pretenden
llevar a cabo. Esto es así porque el análisis de sensibilidad dará como resultado
diversos pronósticos sobre un proyecto concreto que estarán fundamentados en
datos.
 Asegura el control de calidad del proyecto: gracias al análisis de sensibilidad,
las empresas podrán determinar qué procesos y proyectos no están dando los
resultados esperados, es decir, qué proyectos no cumplen con los objetivos que
se fijaron en un principio. De esta forma, y gracias al análisis de sensibilidad,
las empresas podrán detectar los errores y fallos que se están produciendo, lo
cual les permitirá subsanarlos y esto redundará positivamente en la calidad de
los productos, así como suponer un ahorro importante de tiempo.
 Mejora en la asignación de los recursos disponibles: gracias al análisis de
sensibilidad, las empresas podrán determinar cuáles son las fortalezas y las
flaquezas de un proceso o proyecto y, con base en esta información, podrán
asignar de mejor manera los recursos de que disponen.
 14

 Pronóstico del éxito o fracaso de un proyecto: el análisis de sensibilidad

arroja resultados fiables, ya que estos están basados en datos confiables y
certeros. Así, al estudiar las diferentes variables y los eventuales resultados que
pueden producirse, las entidades y empresas podrán tomar mejores y más
fundamentadas decisiones, lo que facilitará el éxito del proyecto.

Inconvenientes

Sin duda, el análisis de sensibilidad cuenta con no pocas ventajas, aunque también
cuenta con algún que otro inconveniente. Veamos los inconvenientes más importantes:

 Una sola variable cada vez: quizá el inconveniente principal del análisis de
sensibilidad es que este tan solo puede estudiar los cambios que se produce en
una sola variable cada vez.
 No utilización de distribuciones de probabilidad: esta realidad limita de
forma bastante notable la capacidad predictiva del análisis de sensibilidad.

1.4.3 Análisis de sensibilidad: ejemplo

Para entender mejor toda esta información, lo mejor es ilustrarla con un ejemplo.
Imaginemos que una empresa ha invertido dinero en maquinaria nueva. Este cambio
de maquinaria es la novedad que se ha introducido y que puede afectar a la variable
que estamos midiendo. Así, en este caso, el VANe es de 564,29, mientras que el VANn
es de 648,61. En este caso concreto, aplicando la fórmula:

Análisis de sensibilidad = ((VANn – VANe) / VANe) x 100

Análisis de sensibilidad = ((648,61 – 564,29) / 564,29 x 100 = 14,94 %

En este caso, podemos afirmar que, gracias a la introducción de nueva maquinaria,

se produce un cambio en las ventas que trae consigo un incremento del VAN de casi
un 15 %, por lo que esta novedad puede resultar eficaz.
Sin duda, el análisis de sensibilidad es una buena estrategia para conocer o estimar si
un nuevo proyecto tendrá el éxito espera o no.
 15

II. Cadena de Markov

Según Ortiz-García José (2003) Una cadena de Markov se define como una
secuencia de variables aleatorias que representan los estados de un determinado
sistema durante una serie de intervalos de tiempo, de modo tal que el estado del
sistema en el intervalo actual depende únicamente de su estado en el intervalo
inmediato anterior y no de los estados previos.

Para Palgrave, (1998). 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.

Según Young University, (2003) .La cadena de Márkov, dentro de la teoría de la

probabilidad, es un proceso estocástico donde la posibilidad de que un evento ocurra
depende del evento anterior.

Básicamente, una cadena es un proceso en tiempo discreto (también se puede

suponer su continuidad, pero esta tarea sobrepasa el ámbito en el que se enmarca esta
publicación) en el que una variable aleatoria va cambiando de estado con el paso del
tiempo. O, en otras palabras, una cadena representa un sistema que varía su estado a
lo largo del tiempo. Un estado es una caracterización de la situación en la que se halla
un determinado sistema en un instante dado, y puede ser tanto cuantitativo como
cualitativo.

En términos coloquiales, un estado es la respuesta a la pregunta ¿Cómo están las

cosas? En términos más formales, el estado de un sistema en un determinado instante
es una variable aleatoria cuyos valores solo pueden pertenecer al conjunto de posibles
estados del sistema, que son mutuamente excluyentes. El sistema que pretende
modelizar una cadena es, por consiguiente, una variable aleatoria que cambia de valor
(cuantitativo o cualitativo) en el tiempo. A dicho cambio se le denomina transición.

Las cadenas de Márkov tienen la propiedad de que la probabilidad de que la

variable aleatoria en cuestión se encuentre en un estado j en el instante t solo depende
del estado en que se encontraba el sistema en el instante t-1, y no de los anteriores a
este último. En este sentido, las cadenas de Márkov tienen memoria, si bien dicha
memoria está restringida al último estado de la variable.
 16

2.1 Proceso estocástico

Un proceso estocástico es un conjunto de variables aleatorias que depende de un

parámetro o de un argumento. En el análisis de series temporales, ese parámetro es el
tiempo. Formalmente, se define como una familia de variables aleatorias Y indiciadas
por el tiempo, t. Tales que para cada valor de t, Y tiene una distribución de
probabilidad dada.

Los Procesos Estocásticos o Procesos Aleatorios, son una herramienta

probabilística, que surge ante la necesidad de modelar el comportamiento de
experimentos aleatorios que varían en el tiempo, o dependen de alguna otra variable
no determinista.

De manera general pueden dividirse en:

1. Procesos estocásticos de tiempo discreto

2. Proceso estocástico de tiempo continuo

El proceso es llamado un proceso con parámetro continuo si T es un intervalo

teniendo longitud positiva y un proceso con parámetro discreto si T es un subconjunto
finito o contable. Si todas las variables aleatorias X(t) toman valores de un conjunto
fijo S, entonces S es llamado el espacio de estados del proceso.

Es decir, cuando nosotros estudiamos procesos estocásticos, cada observación que

realicemos corresponderá a una función del tiempo. A manera de entender lo que es
el significado de las palabras “estocástico” y “proceso”, de una manera sencilla
podemos decir que: estocástico significa “aleatorio”, al “azar” o “no determinista”, y
la palabra proceso en nuestro contexto diremos que significa una “función del tiempo”.

2.1.1 Ejemplos de procesos estocásticos

A continuación se ofrecen ejemplos variados de fenómenos que constituyen

procesos estocásticos.

 Electrocardiograma
 Terremotos
 El clima
 El segundo concreto de un partido en el que un jugador anota un gol
 Número de personas que dicen una palabra concreta alrededor del mundo
 17

2.1.2 Tipos de procesos estocásticos

Existen dos tipos de procesos estocásticos. La diferencia entre los mismos, tiene
que ver con predictibilidad de una serie temporal:

 Procesos estocásticos estacionarios: Tiene una serie de características que lo

hacen, en cierta manera, predecible.
 Procesos estocásticos no estacionarios: En términos generales, sería
impredecible.

Proceso estocástico estacionario

Un proceso estocástico estacionario es aquel cuya distribución de probabilidad

varía de forma más o menos constante a lo largo de cierto periodo de tiempo. Con
otras palabras, una serie de números puede parecer (y ser) caótica pero tomar valores
dentro de un rango limitado. A través de esta información se pueden realizar modelos
que intenten predecir la variable. Los retornos diarios de un activo financiero son un
ejemplo de procesos estocásticos estacionarios. Así pues, los retornos diarios del
EURUSD, es decir, la variación diaria en porcentaje tiene la siguiente forma:

Este gráfico refleja los retornos diarios en porcentaje del EURUSD desde 1999.
Sin embargo, para entender mejor el concepto, vamos a ofrecer solo los últimos 100
días.
 18

Al ampliar el gráfico podemos ver con más claridad el comportamiento de la

variable. Durante los últimos 100 días el EURUSD ha tenido variaciones dentro del
rango -1% y 1%. No podemos predecir cual será la variación de un día en concreto,
pero podemos intuir (que no confirmar), el rango de valores entre el que estará la
variable.

Proceso estocástico no estacionario

Un proceso estocástico no estacionario es aquel cuya distribución de probabilidad

varía de forma no constante. Dicho de otra forma, si una serie de números se comporta
de forma totalmente caótica, podríamos decir que es aleatorio no estacionario. Un
ejemplo de proceso estocástico no estacionario sería la cotización del par de divisas
EURUSD.
 19

Como vemos en la imagen, tanto la variabilidad, como la media, cambian a lo

largo del tiempo. No podemos predecir si el EURUSD, va a subir o va a bajar. Ha
subido durante algunos años y ha bajado durante otros tantos. Con la serie por sí sola,
no tiene sentido intentar predecir el movimiento.

En resumen, un proceso estocástico es un proceso aleatorio. Un proceso dominado

por el azar. Aun así, existen dos tipos. Los procesos estocásticos no estacionarios o
caóticos. Y los procesos estocásticos estacionarios que, por sus características, pueden
intentar predecirse.
 20

2.2 Introducción a la cadena de Markov

La cadena de Markov recibe su nombre del matemático ruso Andrei Markov que
desarrollo el método en 1907, permite encontrar la probabilidad de que un sistema se
encuentre en un estado en particular en un momento dado. Algo más importante aún,
es que permite encontrar el promedio a la larga o las probabilidades de estado estable
para cada estado. Con esta información se puede predecir el comportamiento del
sistema a través del tiempo. A veces nos interesa saber cómo cambia una variable
aleatoria a través del tiempo. Por ejemplo, desearíamos conocer cómo evoluciona el
precio de las acciones de una empresa en el mercado a través del tiempo. La cadena
de markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento
depende del evento inmediato anterior.

En efecto, las cadenas de este tipo tienen memoria. “Recuerdan” el último evento
y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento
anterior distingue a las cadenas de Markov de las series de eventos independientes,
como tirar una moneda al aire o un dado. En los negocios, las cadenas de Markov se
han utilizado para analizar los patrones de compra de los deudores morosos, para
planear las necesidades de personal y para analizar el reemplazo de equipo. En
matemáticas, se define como un proceso estocástico discreto que cumple con la
Propiedad de Markov, es decir, si se conoce la historia del sistema hasta su instante
actual, su estado presente resume toda la información relevante para describir en
probabilidad su estado futuro.

En las cadenas de Markov considera ciertos puntos discretos en el tiempo para

toma valores de la variable aleatoria que caracteriza al sistema. Entonces las cadenas
de Markov se usan para estudiar ciertos comportamientos de largo y cortos plazos de
sistemas. Los estados en el tiempo representan situación exhaustiva y mutuamente
excluyentes del sistema en un tiempo específico. Además el número de estado puede
ser finito o infinito.

Por lo general una cadena de Markov describe el comportamiento de transición

de un sistema en intervalos de tiempo igualmente espaciados. Sin embargo, existen
situaciones donde los espaciamientos temporales dependen de las características del
sistema y por ello, pueden no ser iguales entre sí. Las cadenas de Markov se pueden
aplicar en áreas como la educación, comercialización, servicios de salud, finanzas,
contabilidad y producción.
 21

Características:

1. Número finito y conocido de estados.

2. Probabilidades de transición conocidas y constantes.
3. Se puede, eventualmente, pasar de un estado a cualquier otro.
4. No son ciclos simples.

Elementos de una Cadena de Markov

1. Para definirla es necesario determinar:

El conjunto de estados del sistema

La definición de transición
Una ley de probabilidad condicional, que defina la probabilidad como del nuevo
estado en función de los anteriores.
Los estados son una caracterización de un sistema en un instante dado.
El estado de un sistema en un instante t es una variable cuyos valores sólo pueden
pertenecer al conjunto de estados del sistema.
El estado del sistema en el tiempo t+1 dependerá solo del estado del sistema en el
tiempo t

Clasificación de los estados de una Cadena de Markov

1. Existen ciertas propiedades de los estados que son importantes en el

comportamiento de las Cadenas de Markov.
2. El estado j se dice que es accesible desde el estado i si pij (n) > 0 en
cualquier etapa n. Esto quiere decir que el sistema puede entrar al estado
j eventualmente, si está en el estado i.
3. Si el estado j es accesible desde el estado i, y el estado i, es accesible
desde el estado j, se dice entonces que i y j pueden comunicarse.
4. Se dice que un estado es transitorio si una vez en ese estado, el sistema
no retorna a dicho estado otra vez. En otras palabras, el estado i es
transitorio si existe un estado j que es accesible desde i pero no lo
contrario desde el estado j.
5. Un estado es recurrente si, una vez en ese estado, el sistema volverá a ese
estado otra vez en algún momento.
6. Un estado es absorvente si una vez en él, el sistema nunca lo dejará. Así,
en un estado absorvente p ii = 1
 22

2.3 Estado estable

Se puede decir que el estado estable es la distribución de probabilidades que en

cierto punto quedará fija para el vector P y no presentará cambios en periodos
posteriores.

Esta situación inicial a menudo se identifica como un estado transitorio, un

período de puesta en marcha o calentamiento. [1Por ejemplo, mientras que el flujo
de fluido a través de un tubo o electricidad a través de una red podría estar en un estado
estable porque hay un flujo constante de fluido o electricidad, un tanque o capacitor
que se drena o se llena con fluido es un sistema en estado transitorio, porque su
volumen de fluido cambia con el tiempo.
23
24
25
26
 27
2.4 Estado absorbente

Estado cuya única transición posible es volver al mismo estado. Un

estado absorbente constituye una clase final de un único estado.

En otras palabras un estado absorbente es aquel del que no se puede

salir una vez se haya caído en él, es decir la probabilidad de permanecer
en el mismo es de 100% .Por ejemplo si expresáramos la vida como una
cadena de markov, con la serie de estados: nacer, crecer, reproducirse y
morir; la muerte sería obviamente el estado absorbente ya que no existe la
posibilidad alguna de volver a un estado anterior.

Resolvamos un ejemplo
28
29
 30

2.5 Costo o ganancia esperada

Es una teoría que describe un modelo de elección racional con resultados

inciertos. De esta forma, la teoría nos permite clasificar los resultados en términos de
utilidad, y representarlos mediante la función que lleva su nombre: la función de
utilidad. Así, el resultado escogido es el que presenta una utilidad más elevada.

La utilidad esperada, por tanto, es una teoría que se centra en el análisis de

situaciones en las que los individuos deben tomar una decisión y desconocen los
efectos que trascienden por haber escogido dicha decisión. Es decir, deben tomar una
decisión en un escenario de incertidumbre.

2.5.1 Axiomas de la utilidad esperada

Los axiomas de la utilidad esperada son:

Preferencias completas

En este axioma, el individuo tiene las preferencias bien definidas y siempre puede
decidir entre las alternativas. Es decir, en un escenario en el que debemos coger A o
B, o preferimos A, o preferimos B, o nos es indiferente.
Imaginemos que tenemos 2 caminos. Escogiendo el primero tardamos 1 hora,
mientras que, si escogemos el segundo, 3 horas. Entonces, iremos por el primer
camino, el más rápido. Como vemos, las alternativas están bien definidas y es fácil
escoger.

Transitividad

Las decisiones que toma un individuo, además de completas, deben ser

consistentes. Es decir, entre escoger A, B y C, si preferimos A en lugar de B, y B en
lugar de C, A, por tanto, debe ser mejor alternativa que C.

Independencia

Un individuo, ante la necesidad de elegir entre dos alternativas donde ya ha

anunciado que prefiere la primera con respecto a la segunda, mantendrá este orden
de preferencia ante una situación que mezcle las dos alternativas propuestas en un
inicio, en adición a una nueva, una tercera.
Por tanto, introducir una tercera opción no influye sobre el orden de preferencia
inicial señalado.
 31

CONCLUSION

El proceso de la toma de decisiones es sin duda una de las mayores

responsabilidades, sin embargo las decisiones marcan el éxito o fracaso de cualquier
organización, son como el motor de las negocios.

En el momento de tomar una decisión es importante que se pueda estudiar el

problema o situación y considerarlo profundamente para elegir el mejor camino a
seguir según las diferentes alternativas y operaciones. También es de vital importancia
para la administración ya que contribuye a mantener la armonía y coherencia del
grupo, y por ende su eficiencia.

También el tomar una decisión consta de la resiliencia por que nunca nos debemos
de dar por vencidos ante los obstáculos que se nos pongan enfrente.
Después de tomar una decisión ya no hay marcha atrás y tendrás que afrontar las
consecuencias por eso tomate un tiempo para analizar lo que vas hacer.

Como conclusión las cadenas de Markov nos permite hacer análisis sobre el
estudio de los comportamientos de ciertos sistemas en ciertos periodos que pueden ser
cortos o largos. Además se tiene una relación con las probabilidades absolutas. Pero
sin embargo lo más importante es el estudio del comportamiento sistemas a largo
plazo, cuando el número de transiciones tiene al infinito Al conocer más o menos las
probabilidades de un experimento, esto a su vez nos permitirá conocer a corto yplazo
los estados en que se encontrarían en periodos o tiempos futuros y tomar decisiones
que afectarán o favorecerán nuestros intereses, y tomar una decisión de manera
consciente y no se comentan muchos errores. Esto también nos proporcionara un
tiempo estimado para que identifiquemos cada estado y el periodo en que se encuentra
con la implementación de un proceso, también se establece las probabilidades como
una herramienta más en las cadenas de Markov.
 32

REFERENCIA BIBLIOGRAFICA

Chiavenato, I. (2002). Administración en los nuevos tiempos. México: McGraw-Hill.

Hernández, S. (2006). Administración, teoría general administrativa: origen,
evolución y vanguardia. México: McGraw-Hill.
(s.f.). Recuperado el 20 de febrero de 2014, de [Link]
[Link]
Claver, E. L. (2000). Manual de administración de empresas (4a. ed.). Madrid.
KAST, F. E. (1979). Administración de las Organizaciones. Editorial Mc GranW-Hill.
Koontz, H. y. Administración. Una perspectiva Global. México: Mc. Graw Hill.
Butt Abbas A. [y otros] Application of Markov Process to Pavement Management
Systems at Network Level [Conferencia]. - San Antonio, Texas, EUA :
Transportation Research Board, 1994.
Lam Patrick MCMC Methods: Gibbs Sampli ng and the Metropolis-Hastings
Algorithm [En línea] // Patrick Lam Home. - 2008. - 1 de August de 2013. -
[Link]
pdf.
Ortiz-García José J., Costello Seósamh B. y Snaith Martin S. Derivation of
Transition Probability Matrices for Pavement Deterioration Modeling [Publicación
periódica] // ASCE Journal of Transportation Engineering. - febrero de 2006.
Pierce Lane D. A Probabilistic Approach to Creating Pavement Deterioration
Models [Informe] / Department of Civil and Environmental Engineering, College of
Engineering and Technology ; Brigham Young University. - Provo, UT, EUA :
Brigham Young University, 2003.
Robinson Richard, Danielson Uno y Snaith Martin Road Maintenance Management:
Concepts and Systems [Libro]. - Chippenham, Wiltshire, UK : Palgrave, 1998.