PROCESOS ESTOCÁSTICOS - Galiciacentros.edu.xunta.es/cprcristorey/AEP3.pdf · 2004. 6. 8. ·...

____________________Introducción a los métodos estadísticos, numéricos y probabilísticos

113

PROCESOS ESTOCÁSTICOS

¿Para qué?

Para conocer el desarrollo futuro de procesos que se desarrollan a lo largo del tiempo, para predecir el comportamiento de fenómenos físicos, económicos, atmosféricos. Para conocer la evolución de los que en estadística se conocen como sucesos raros.


Procesos Estocásticos Introducción: Siempre que estudiamos el comportamiento de una variable aleatoria a lo largo del tiempo, estamos ante un proceso estocástico. En general, trabajamos con procesos estocásticos en cualquier caso en que intentamos ajustar un modelo teórico que nos permita hacer predicciones sobre el comportamiento futuro de un proceso. Un ejemplo particularmente importante lo proporcionan las denominadas "Series de Tiempo" o "Series Temporales", que registran observaciones de determinado proceso en función del tiempo. Podemos definir, pues, un proceso estocástico como una familia { de variables aleatorias, clasificadas mediante un parámetro t, que varía en un conjunto T.

}TttX ∈),(

Cada una de las variables aleatorias X(t) puede depender explícitamente del tiempo t o no; en este segundo caso, el proceso estocástico se denomina ESTACIONARIO. Si el estado en que se encuentra un proceso estocástico depende sólo del estado anterior, pero no de los anteriores a éste, estaremos ante un proceso de Markov. Cuando t toma valores discretos, diremos que el proceso estocástico es de parámetro discreto y cuando toma valores continuos, diremos que el proceso estocástico es de parámetro continuo. Proceso de Poisson Sea un sistema en el que se observa el número de veces que ocurre el suceso A, que se repite de forma aleatoria e independientemente del tiempo. Denominaremos N(t) a la variable aleatoria que indica el número de veces que el suceso A, se repite en un intervalo arbitrario de tiempo t. -Diremos que el proceso está en un estado En en el instante t>0, si el suceso A

ha ocurrido exactamente n veces en el tiempo t . -Denotaremos como ( ) [ ]ntNPtPn == )( a la probabilidad de que el suceso A ocurra n veces en el tiempo t. -Es decir, Pn(t) describe la probabilidad de que el sistema, en el estado Ej en el momento h, evolucione hacia el estado Ej+n en el instante h+t.

114


Intentamos encontrar Pn(t) cuando t varía, bajo las siguientes condiciones: i)Pn(t) es independiente del origen de tiempos, es decir, es igual en el

lapso (h,h+t) que en el lapso (k,k+t) ∀h,k. ii)Hipótesis de regularidad Para todo incremento de tiempo suficientemente pequeño ∆t, se cumple que:

)()( tQttP ∆+=∆ λ es decir, la probabilidad de que el suceso A ocurra en un intervalo ∆t,

pequeño, es proporcional a dicho intervalo salvo infinitésimos. iii)P0(0)=1 La probabilidad de que el suceso A ocurra cero veces en un intervalo de tiempo 0 , es 1. Pn(0)=0 ∀n≠0 La probabilidad de que el suceso A ocurra n veces en el intervalo de tiempo 0 es 0 ∀n. Estas dos condiciones, se denominan condiciones iniciales.

Así las cosas, un sistema que se encuentra en el estado En, puede evolucionar en un lapso de tiempo ∆t, según dos alternativas: 1-Puede permanecer en el estado En con probabilidad 1-λ∆t 2-Puede evolucionar hacia el estado En+1 con probabilidad λ∆t Cálculo de Pn(t) No lo detallamos por incluir el cálculo de una ecuación diferencial; admitiremos simplemente que el resultado de resolver la misma, es:

tn

n enttP λλ −=!)()(

la distribución de probabilidad encontrada es una distribución de Poisson de parámetro λt y es por ello, que el proceso estocástico que describimos, se denomina Proceso de Poisson. Distribución del tiempo de espera en el proceso de Poisson En numerosos problemas resulta necesario conocer la distribución de los tiempos transcurridos entre dos apariciones u ocurrencias sucesivas del suceso A. Este tiempo constituye en si mismo una variable aleatoria, que denominamos Tiempo de Espera.

-Supongamos, para centrar el caso, que el suceso A es una llamada telefónica y que transcurre un tiempo τ hasta producirse una nueva llamada.

115


-Lo que pretendemos es obtener la función de densidad de la variable ξ=τ.

[ ] )().()( 10 ττττξτττ dPPdPdf =+


SIMÉON-DENIS POISSON Se ocupó de la teoría de la probabilidad y el análisis complejo. Aplicó las matemáticas al electromagnetismo. La ley de Poisson relaciona las presiones y los volúmenes en la compresión adiabática. Nació en 1781 en Pithiviers. Inicialmente su formación se orientó hacia la cirugía, pero Poisson se dio cuenta de que no poseía condiciones para esta profesión que, por otro lado, tampoco le gustaba demasiado. Estudió en la École Polytechnique de París, donde uno de sus profesores, Lagrange, se da cuenta de la enorme creatividad matemática que el joven estudiante posee. En 1800 entra a formar parte del equipo docente de la École. Su contribución al estudio de la teoría de probabilidades se fundamenta en los resultados de Laplace. En 1838, desarrolló una fórmula para calcular la probabilidad de ocurrencia de sucesos cuando ésta es muy pequeña, que tiene gran aplicación en la práctica. A partir de esta fórmula obtuvo una distribución que lleva su nombre, y que, como más tarde se demostraría, es un caso especial de la distribución binomial o distribución de Bernoulli. Poisson estudió también el área de las matemáticas puras, siendo significativo su estudio de lo que en la actualidad se conoce como integración de contornos. Fue el primer matemático que interpretó funciones complejas a lo largo de contornos en el plano complejo. Con sus trabajos en esta materia contribuyó, en gran medida, al desarrollo del análisis complejo. Además, Poisson es célebre por sus estudios en el campo de la física matemática, donde formuló una ley, conocida como relación o ley de Poisson, sobre la teoría del calor y la elasticidad. En 1812, Poisson y George Green extendieron la teoría matemática de la gravitación a la electricidad y al magnetismo, y finalizaron también una ecuación diferencial de Laplace, convirtiendo así la electrostática en una ciencia moderna. Además, por el consejo de Laplace, Poisson utilizó los resultados que había obtenido para demostrar la fórmula de la fuerza en la superficie de un conductor cargado. De esta forma, consiguió solucionar el problema de la distribución de la carga en dos conductores esféricos separados por una distancia conocida. Fue el primer científico que resolvió esta cuestión. Más tarde, los estudios de Coulomb darían la misma solución que había obtenido Poisson.

117


118

En 1824, Poisson publica una memoria en la que describe la teoría de "los dos fluidos" de la electricidad con objeto de dar una explicación al magnetismo, formulando el potencial magnético en cualquier punto como la suma de las integrales del volumen y la superficie de contribuciones magnéticas. Poisson muere en 1840, siendo miembro de la Academia de Ciencias de París.


119

CADENAS DE MARKOV

¿Para qué?

Para conocer el desarrollo de procesos y procedimientos que tienen lugar siguiendo una programación probabilística.


120

Cadenas de Markov Situación característica Supongamos que durante los cinco días laborables de la semana, una persona reparte su tiempo libre entre dos ocupaciones; bien sale a pescar, bien trabaja en el jardín. Nunca pasea dos días seguidos pero si un día trabaja en el jardín, es igualmente probable que realice cualquiera de las dos ocupaciones al día siguiente. -Como observamos, se trata de una situación en la que el resultado de la

prueba, la ocupación del tiempo libre de un determinado día, depende exclusivamente de la tarea del día anterior.

Definiciones

Proceso estocástico. Es aquel que consiste en la iteración finita de un experimento, que tiene como resultado un número finito de sucesos con probabilidades dadas. Espacio de estados. Es el conjunto de resultados o sucesos posibles de cada uno de los experimentos asociados a un proceso estocástico.

Cadena finita de Markov Es un experimento estocástico como el del ejemplo o situación característica, en el que se verifica que el resultado de determinada prueba o experimento, depende como mucho de la prueba anterior, pero en ningún caso de las anteriores a ésta. Para cada cadena de Markov tendremos:

a) Un espacio de estados b) Para cada dos estados ai y aj , la denominada probabilidad de

transición del estado i al estado j, que denotaremos como pij y que designa la probabilidad de que el estado j suceda al i.

c) La matriz de transición del proceso, donde se ordenan todas las probabilidades de transición


=

nnn

n

pp

pp

P

..........

..

.

1

111

ijp

iP

ij

n

jij

∀≥

∀=∑=

;0

;11

Así pues, la matriz de transición es una matriz estocástica. d) El vector formado por las probabilidades del estado inicial del

sistema, denominado “vector de probabilidad inicial”. ),......,( )0()0(2

)0(1

)0(nPPPP =

iP

P

i

ii

∀≥

=∑,0

1)0(

Así pues, el vector de probabilidad inicial, es un vector estocástico. En el ejemplo característico del principio de la lección, los elementos correspondientes a la cadena de Markov, son los siguientes:

-Espacio de estados: E=J,P, donde J=Trabajar en el jardín, P=Ir a pescar. -Probabilidades de transición: p11=0= Probabilidad de ir a pescar si el día anterior se pescó p12=1= Probabilidad de trabajar el jardín si el día anterior se pescó p21=1/2=Probabilidad de ir a pescar si el día anterior se trabajó el

jardín p22=1/2=Probabilidad de trabajar el jardín si el día anterior ya se trabajó.

-Estas pij quedan ordenadas en la siguiente matriz de transición :

=

2/12/110

P

-El vector de probabilidad inicial, quedará como: )2/1,2/1()0( =p

121


Probabilidad de transición en k pasos La probabilidad de que un proceso pase del estado i al estado j en k pasos, se denomina probabilidad de transición en k pasos. La representamos por . kip , j

-Las probabilidades de transición en k pasos, pueden ser ordenadas en la denominada matriz de transición en k pasos.

=

knn

kn

kn

kn

kk

k

ppp

ppp

P

.........

.

21

11211

)(

Teorema: Si P es la matriz de transición de una cadena de Markov, entonces, la matriz de transición en k pasos, es la k-ésima potencia de P. kk PP =)( Probabilidades totales La probabilidad de que el proceso se encuentre en el estado ai después de realizar k experimentos, recibe el nombre de probabilidad total o absoluta. Denotamos dicha probabilidad como . )(kiP -A cada prueba k, le corresponde un vector estocástico, formado por todas las

probabilidades totales de esa prueba. ),......,,( )()(2

)(1

)( kn

kkk PPPP = que recibe el nombre de "Distribución de probabilidades del paso k". Teorema: Sea una cadena de Markov con matriz de transición P. Dado el vector de probabilidad inicial ),.....( )0()0(1

)0(nppP =

tenemos que

kkk PpPpp

PpPppPpp

.................................

²...

)0()1()(

)0()1()2(

)0()1(

==

==

=

−

122


Cadenas de Markov regulares Consideremos las siguientes cadenas de Markov por sus matrices de transición:

=

012/12/1

A

=

103/23/1

B

ambas corresponden a procesos de Markov de dos estados. teniendo en cuenta el significado de pij ∀ i,j , podemos representar los siguientes "Diagramas de transición" A) B) 1/2 2/3 1/2 a1 a2 0 1/3 b1 b2 1

123

1 0 En el diagrama A, es posible recorrer, aunque con probabilidades diferentes, un "ciclo" entre los dos estados, a1 y a2 . En el diagrama B, por el contrario, si la transición se efectúa de b1 a b2, el proceso queda bloqueado, repitiendo indefinidamente éste último estado, ya que la probabilidad de transición del mismo al anterior, es cero. b2 en este caso, se denomina "estado absorbente". Si analizamos un proceso de Markov de tres estados, tendremos:

=

04/14/35/405/14/14/30

C

=

001100010

D

Matrices a las que corresponden los diagramas siguientes: c) ¾ d) 1 0 a1 a2 0 0 b1 b2 0 1/5 0 ¼ ¾ ¼ 4/5 1 0 0 1

0 a3 0 b3


En el caso c) es posible pasar de un estado a otro sin estados absorbentes; en el caso d) también, pero en este caso, los estados se repiten periódicamente con período 3. Las cadenas y procesos de Markov de tipos C y A, se denominan “Cadenas de Markov regulares” y reciben el mismo nombre que sus matrices asociadas. Punto fijo de una matriz de transición regular Consideremos una matriz regular cualquiera:

=

2221

1211

pppp

P

buscamos un vector de probabilidad v, tal que verifique vP=v. Obviamente, v tendrá unas componentes tales que (x, 1-x) ya que la suma de las mismas debe ser 1, de manera que por la condición expuesta, debe verificarse que:

)1,()1,(2221

1211 xxpppp

xx −=

−

Realizando el producto del primer miembro e igualando elementos, tendremos:

xpxxpxpxxp−=−+

=−+1)1(

)1(

2212

2111

Solucionando el sistema, obtenemos el denominado vector fijo de probabilidad asociado a la matriz P. Distribución estacionaria Teorema: Si P es una matriz de transición regular, las potencias sucesivas de P se aproximan a una matriz que tiene todas las filas iguales y que coinciden con las componentes del vector fijo de P.

-Si consideramos el vector de probabilidad inicial , sabemos que la distribución absoluta correspondiente al al paso k viene dada por la relación p

),.....( )0()0(1)0(

npp=P

(k)=p(0).Pk. Por este teorema, p(k) acabará aproximándose a v con lo que podremos afirmar:

Teorema: Consideremos una cadena de Markov regular; la probabilidad de que después de un número grande de ensayos, suceda el suceso ai, es aproximadamente igual a la componente i-ésima del vector fijo de la matriz de transición del proceso.

124


Por lo tanto, las probabilidades absolutas de que ocurra un determinado estado, son independientes de las condiciones iniciales del sistema. -La distribución de probabilidad que define el vector fijo, se denomina

Distribución de probabilidad estacionaria de la cadena de Markov. Cadenas absorbentes Consideremos la cadena de Markov que tiene como matriz de transición la siguiente:

=

5/35/200103/103/2

P

Su diagrama de transición será: 2/3 a1 a2 1

125

1/3 2/5

a3 3/5

-Los estados a1 y a3, pueden sucederse a si mismos, y además, es posible alcanzar al menos uno de los restantes desde ellos. Sin embargo, si el proceso está en el estado a2,permanecerá indefinidamente en dicho estado, ya que las probabilidades de transición a cualquier otro, son nulas. Los estados 1 y 3 se denominan transitorios, mientras que el estado 2, se denomina absorbente. -Una cadena de Markov que consta solamente de estados transitorios y absorbentes, se denomina cadena de Markov absorbente. -Si una cadena de Markov contiene algún estado absorbente, la fila correspondiente de la matriz de transición, constará de un 1 en la diagonal, siendo 0 el resto de los elementos de la misma. Será por lo tanto una matriz no regular.


Para estudiar las cadenas de Markov absorbentes, es necesario reordenar la matriz de transición de forma canónica, de manera que los estados absorbentes aparezcan en primer lugar. Generalizando, si la matriz (cadena) contiene p estados transitorios y q estados absorbentes, la matriz reordenada, presentará el aspecto siguiente:

126

PQOI

Donde: I= Matriz unidad de dimensión q O=Matriz nula de dimensión qxp Q=Matriz pxq que contiene las probabilidades de paso de estados transitorios a absorbentes P=Matriz pxp que contiene la probabilidad de paso de estados transitorios a transitorios

Se denomina matriz fundamental de la cadena o proceso de Markov al resultado de la operación: 1( )F I P −= − es decir, la matriz inversa de la obtenida al restar de una matriz unidad de dimensiones nxn, la matriz P de probabilidades de paso de estados transitorios a transitorios. Teorema: Consideremos las matrices P,Q,F ya definidas, se verifica: 1) Si la cadena comienza en ai, transitorio, la probabilidad de que llegue a aj, absorbente, viene dada por el elemento ij de la matriz FQ. 2) La suma de elementos de la fila i de F, nos proporciona la media del número de veces que la cadena se mueve por estados transitorios antes de caer en uno absorbente, cuando empieza por el estado ai. 3) El elemento ij de F representa la media del número de veces que la cadena está en aj (transitorio), sabiendo que empezó en ai, antes de caer en un estado absorbente.


127

Cadenas de Markov. Problemas

1. Escogemos 5 estudiantes al azar en una clase de formada por 15 hombres y 17 mujeres y anotamos su sexo. (Sin reemplazamiento). Calcúlese: a) Probabilidad de la serie HHMMM b) Probabilidad de elegir una mujer en la tercera elección

2. Un determinado robot está programado de forma que si realiza el

procedimiento A, el día siguiente efectúa el B, pero si realiza el B, entonces a continuación realiza el C. Si realizó el C, 4 de cada 10 días, de forma aleatoria, continúa con el proceso A y 6 de cada 10, con el proceso B. a) Escríbase la matriz de transición de este proceso b) Dibújese su diagrama de transición.

3. Sean los siguientes procesos estocásticos: a) Elegir 5 estudiantes al azar de una clase con 15 hombres y 17 mujeres b) Disparar 5 veces sobre una diana con probabilidad de acertar igual a 0,3 Estúdiese si se trata de procesos de Markov y en caso afirmativo, escríbase la

matriz de transición

4. Lanzamos un dado normal y tras cada tirada anotamos el número más alto obtenido en dicha tirada y todas las anteriores. ¿Se tratará de un proceso de Markov?

5. En el ejercicio del robot, determínese la probabilidad de que si el robot

comenzó la semana con el proceso A, la termine con el mismo proceso. Cuéntese la semana como laboral, es decir, de lunes a viernes.

6. El neón publicitario de una joyería, denominada DIAMT, tiene la siguiente

secuencia de encendido: a) Las letras se iluminan hacia la derecha con probabilidad 2/3 y hacia la

izquierda con probabilidad 1/3. b) Cuando se ilumina un extremo, en el paso siguiente se ilumina la letra

contigua. Calcúlese la probabilidad de que se ilumine la letra I, tres pasos después de iluminarse la letra T.

7. Un conductor profesional intenta minimizar el tiempo que pasa en atascos de

tráfico, mediante un sistema de tránsito por los puntos conflictivos, A, B y C. La probabilidad de que pase un día por el mismo punto que el anterior, es 1/2,


128

las probabilidades de que pase por cualquiera de los otros dos, son idénticas entre si. Escríbase la matriz de transición del proceso, y dibújese el diagrama de transición.


ANDREI ANDREYEVICH MARKOV Nació en Ryazan (Rusia) el 14 de junio de 1856 y murió el 20 de julio de 1922 en Petrogrado (hoy San Petersburgo). En 1906 definió por primera vez las cadenas de Markov en un artículo sobre la ley de los grandes números. Las cadenas de Markov nacen de la teoría de probabilidad. Markov nunca intentó aplicarlos a las ciencias sino que las aplicó en textos literarios, los dos estados posibles o el espacio muestral eran vocal o consonante. Hizo un estudio de la alternancia de vocales y consonantes en el libro del gran poeta ruso Pushkin titulado "Eugene Onegin".

129

Se graduó en la Universidad de San Petersburgo en 1878. Se inició en la docencia en esa misma universidad desde 1880 a 1905. Se retiró casi a los 50 años con el fin de dar paso a matemáticos más jóvenes. Después de 1900 aplicó el método de fracciones continuadas, del que fue pionero su profesor Pafnuty Chebyshev, a la teoría de Probabilidad. Se interesó enormemente en Probabilidad, en Teoría de Números, Fracciones Continuas, Teoría de la aproximación, Series de Convergencia, Secuencia de variables mutuamente dependientes y límites de integrales. Fue un participante activo en el movimiento liberal ruso antes de la primera guerra mundial, criticó públicamente a las autoridades estatales y fue miembro de la Academia de Ciencias de su país. Tuvo un hijo que nació el 9 de septiembre 1903, y quien fue también un reconocido matemático. En 1923 Norbert Wiener fue el primero en tratar rigurosamente los Procesos de Markov Continuos. Y en 1930 Andrei Kolmogorov enuncia teorías importantes en los Procesos de Markov.


130

SERIES DE TIEMPO

¿Para qué?

Para saber distinguir en la evolución temporal de un fenómeno, los factores que realmente influyen en el proceso de aquellos que afectan al mismo por cuestiones circunstanciales; se trata de un tema esencial en economía y salud.


131

Series de tiempo Descripción Una serie temporal o cronológica es una serie de observaciones de un fenómeno que varía con respecto al tiempo. Existen varios fines que justifican el estudio de las series temporales -Predecir el futuro basándose en datos pasados -Conocimiento y control del proceso que produce la serie -Tener una descripción de las características más destacables de la

correspondiente serie, etc... Las magnitudes que se suelen estudiar en series temporales, se pueden dividir en dos grandes grupos

-Magnitudes "stock" o nivel, aquellas que toman un valor determinado en un momento concreto. -Magnitudes "flujo", aquellas que representan el valor acumulado de una variable desde la observación anterior hasta la observación actual.

Análisis de series temporales. Componentes. Para proceder a su estudio, consideraremos una serie de tiempo como resultante de las siguientes componentes:

1. Tendencia: Entendemos como tal el movimiento suave o regular de la serie, observada durante un período de tiempo suficientemente largo.

Mediante la tendencia, se mide la variación media de la variable por unidad de tiempo.

2. Variaciones estacionales: Entendemos como tales los movimientos periódicos que se presentan con cierta regularidad, durante un período de observación de duración igual o inferior a 1 año.

3. Variaciones cíclicas: Son aquellos movimientos recurrentes, ya sean ascendentes o descendentes, que a diferencia de los estacionales, se extienden a períodos de tiempo superiores a 1 año.

4. Variaciones residuales: Son aquellos movimientos que no muestran un carácter periódico reconocible; los consideramos aleatorios o producidos por causas no previsibles y suponemos que son independientes entre sí, siendo su media 0.


132

Modelos para el análisis de series de tiempo Están definidos por la forma de integrar las cuatro componentes definidas anteriormente.

Esquema aditivo: Parte de la hipótesis de que el valor de la serie de tiempo, está compuesto por la adición de las cuatro componentes

Y=T+E+C+R Esquema multiplicativo: Considera que el valor de la serie de tiempo, está compuesto por la multiplicación de las cuatro componentes. Y=T·E·C·R

El modelo aditivo debe usarse cuando la composición de tendencia y movimiento estacional, conduce a una variación de amplitud constante. El modelo multiplicativo se empleará cuando dicha composición conduzca a una variación creciente en el tiempo.

Identificación de la tendencia El método multiplicativo es el más utilizado en el análisis descriptivo de series temporales y podemos afirmar que es el que mejores resultados da; de todas formas, para lograr la descomposición de la serie en 4 componentes, tendremos en primer lugar que aislar la tendencia en los valores observados. Para ello, trataremos de representarla mediante una curva suficientemente suave, lo que conseguiremos mediante: -Mínimos cuadrados -Tanteo (mano alzada) -Método de las medias móviles

Tendencia Mínimo-cuadrática Determinamos la tendencia general de los datos, ajustando a los mismos una curva de mínimos cuadrados. Tendencia Lineal

Elegimos representar la tendencia mediante una recta, de ecuación y=a+bt


Siguiendo el procedimiento de mínimos cuadrados, los coeficientes a y b se calculan resolviendo el sistema ofrecido por las siguientes ecuaciones:

∑ ∑ ∑∑ ∑

+=

+=

²tbtatY

tbTaY

Donde: T = Ordinal del último dato en el tiempo ∑t =Sumatorio de los ordinales de los datos de tiempo

∑tY = Sumatorio de los productos tY, siendo Y los valores de la variable que controlamos ∑t² = Sumatorio de los cuadrados de los ordinales de los datos de tiempo.

Tendencia cuadrática

Pretendemos representar la tendencia mediante una función cuadrática del tipo:

Y=a+bt+ct² En este caso, la identificación de los parámetros se llevará a cabo resolviendo el sistema ofrecido por las siguientes ecuaciones.

∑ ∑ ∑∑∑ ∑ ∑ ∑

∑∑ ∑

++=

++=

++=

4³²²

³²

²

tctbtaYt

tctbtatY

tctbTaY

Para facilitar los cálculos, se toma como origen el punto medio de los períodos abarcados, de modo que se anulen las sumas de t elevadas a exponentes impares. Con ello, las ecuaciones anteriores, quedarán reducidas a:

∑ ∑∑∑ ∑∑ ∑

+=

=

+=

4

2

''²'²

²''

'

tctaYt

tbYt

tcTaY

siendo t’= t-Pm.

Despejando, tendremos:

T

tcYa ∑ ∑−= '² ;

∑∑=

'²

'

t

Ytb ; ( )²'²'

'²'²4 ∑∑

∑ ∑ ∑−

−=

ttT

YtYtTc

133


Tendencia exponencial En el caso de optar por ajuste exponencial, del tipo Y=abt, se reduce el problema al caso lineal mediante la utilización de logaritmos, ya que: LnY=Lna+t·Lnb Ajuste logístico de tendencia Para ajuste de series que reflejan la evolución de ciertas poblaciones e índices bursátiles, suele emplearse la función logística, que responde a la ecuación:

xabkxf

−+=

1)(

En este caso, el valor de la serie en el momento t+1 depende de los datos observados en el instante t mediante una función del tipo p(t+1)=kp(t)-kp²(t)

Método de las medias móviles Se trata de un método para suavizar series temporales mediante cálculo reiterado de los valores medios, tras lo cual se aplica un método gráfico. Se intenta restar importancia a cada observación particular, promediándola con las inmediatamente inferiores y superiores; para cada instante t, tenemos un valor yt que vendrá dado por la correspondiente media de componentes predeterminados.

tiempo variable media t1 y1 ................... t2 y2

3)( 321 yyy ++

t3 y3 3

)( 432 yyy ++ t4 y4

3)( 543 yyy ++

t5 y5 3

)( 654 yyy ++ t6 y6 ..................

Variaciones estacionales. Desestacionalización Admitiendo que el cálculo de medias móviles anula tanto la acción de las fluctuaciones estacionales como las aleatorias, y teniendo en cuenta que usamos el modelo multiplicativo, la media móvil será una estimación del producto T·C. Teniendo en cuenta que Y=T·E·C·R, el cociente Y/TC, será una estimación de de E·R

134


Para eliminar de la estimación de E·R las variaciones residuales (R) , calculamos la media de los porcentajes estacionales para cada período de tiempo (trimestres, por ejemplo) multiplicando por el correspondiente factor de proporcionalidad. -Así, el índice estacional es el cociente entre el valor observado y la media móvil correspondiente a ese dato. -La desestacionalización, consiste en dividir cada valor de la serie original, por el correspondiente valor del índice estacional.

Componentes cíclicas y residuales Una vez calculada la tendencia y los índices estacionales, estamos en condiciones de aislar los componentes cíclicos. Teniendo en cuenta que asumimos el modelo multiplicativo, tendremos que:

RCET

RCETET

Y ··

····

==

Las componentes residuales pueden eliminarse haciendo las medias móviles, por lo general de tamaño 3, para los valores obtenidos del producto C·R. Tendremos así una estimación de C de forma que realizando el cociente C·R/C, tendremos aislada la componente R. Predicción Al utilizar una serie para hacer predicciones, debemos asumir que el comportamiento de la serie en el pasado, determinará en cierto modo su futuro. Generalmente, para estimar comportamientos futuros se usa el método de mínimos cuadrados en cualquiera de sus variedades habituales, corrigiendo el valor de la predicción mediante desestacionalización. Autocorrelación Acontece en ocasiones, que los valores que toma una variable en el tiempo no son independientes entre si, sino que un valor determinado depende de los valores anteriores. Esta correlación entre una serie temporal y ella misma desfasada en el tiempo, recibe el nombre de autocorrelación. Para calcular valores, obramos igual que cuando manejamos dos variables o dos series, la primera es la serie en si y la segunda, ella misma desfasada en el tiempo, la denominada serie Yt-1.

135


136

Números índices En ciertas ocasiones, para medir variaciones relativas, interesa comparar todos los valores de la serie de tiempo con datos correspondientes a un período que denominamos “de referencia” . -El período de referencia se denomina “Período Base” y a su índice se le hace

corresponder el valor 100. -A los períodos restantes, se les hacen corresponder ciertas cantidades, el cálculo de las cuales depende de que sean una o varias variables las que se tengan en consideración y los diversos criterios para establecer ponderaciones.

*Respecto a su forma de cálculo, dependiendo de si se hacen para una o varias variables, se clasifican en simples y compuestos.


137

Series de tiempo. Problemas

1. Enuncia ejemplos de procesos que evolucionen en diferentes períodos temporales.

2. La venta de unidades de determinado artículo, por trimestres, durante dos

años consecutivos, fueron las siguientes: Trim 1 2 3 4 5 6 7 8 Uds. 195 232 168 229 165 215 155 217

a) Represéntese la serie b) Determínese la tendencia ajustando una recta por el método de mínimos

cuadrados. c) Basándose en la recta anterior, calcúlense los índices de variación

estacional para los cuatro trimestres. 3. Los depósitos a 31 de diciembre en la banca privada, en miles de millones de pesetas fueron los siguientes entre los años 1996 y 2001: Año 1996 1997 1998 1999 2000 2001

Depósitos 1323 1459 1644 1838 2084 2263 Ajústense una recta, una parábola y una exponencial. Estímense los pasivos financieros para 2002 y compárense con los de 2001. Obviamente, los pasivos financieros, son precisamente tales depósitos.

4. Las ventas en millones de pesetas de un concesionario de automóviles,

durante los últimos 10 años, fueron las siguientes: 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 156 168 145 132 126 153 175 189 201 220 ?

Calcula la tendencia por el método de las medias móviles de tamaño 3 y 4 y posteriormente, en ambos casos, estima las ventas para el año 2002.


138

5. Los siguientes datos representan la cantidad de bacterias (en cientos de miles) contenidos en una cápsula de cultivo, según los días transcurridos:

Días 2 11 14 17 20 23 27 29 37 Bact. 3 4 10 15 23 38 50 530 900

Calcula el número de bacterias a los 50 días de cultivo.

6. Las temperaturas medias en grados centígrados, recogidas en el observatorio

de un centro educativo, a lo largo de tres años, fueron las siguientes:

Meses 1999 2000 2001 ene 5 5 4 feb 10 12 13

marz 16 14 14 abr 18 18 17 may 18 19 19 jun 23 22 21 jul 27 26 26 ago 28 26 28 sep 20 19 18 oct 13 12 11 nov 9 9 9 dec 6 8 7

Calcúlense los índices de variación estacional y estímese la temperatura en septiembre de 2002.

7. La depreciación de la moneda en determinado país durante el período

1985/95 fue de un 5% anual. Actualiza la siguiente serie de valores, poniéndola en moneda de 1985 :

1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 300 900 1200 2000 2500 2600 3000 3600 4000 4600 5100


GEORGE BOOLE Boole redujo la Lógica a la sencillez del Álgebra. También trabajó en ecuaciones diferenciales, el cálculo de diferencias finitas y métodos generales en probabilidad.

139

Estudió intensamente los trabajos de Laplace y Lagrange, tomando notas que llegaron a convertirse más tarde en la base de sus primeros papeles matemáticos. Recibió estímulos importantes de Duncan Gregory (Cambridge) y del editor "Cambridge Mathematical Formal". La estimulación de Duncan Gregory fue insuficiente para hacerle estudiar oficialmente en Cambridge, y se dedicó al estudio autodidacta del Álgebra. Publicó una aplicación de los métodos algebraicos a la resolución de ecuaciones diferenciales en el Transaction of the Royal Society, recibiendo por ello la medalla de la sociedad. Boole fue nominado para una cátedra de matemática en Queens College de Cork en 1849. Enseñó allí durante el resto de su vida, ganándose una magnífica reputación como profesor. En el 1854 publicó "Una investigación de las leyes del pensamiento", en las que están basadas las teorías matemáticas de Lógica y Probabilidad. Boole agudizó la analogía entre los símbolos algebraicos y aquellos que representan formas lógicas. Comenzaba así el Álgebra de la Lógica llamada Álgebra Booleana que es la base, hoy en día, de la construcción de computadores y circuitos eléctricos El sistema de lógica de Boole es una de las muchas pruebas de genio y paciencia combinados. El proceso simbólico del álgebra, inventado como herramienta de cálculo numérico, es idóneo para expresar cada acto del pensamiento.


140

PROGRAMACIÓN LINEAL

¿Para qué?

Para culminar el proceso de toma de decisiones tomando la mejor de las soluciones posibles, para minimizar costes sin afectar a la producción, para sacar el máximo rendimiento a tus ahorros con el mínimo riesgo, para sacar el mayor rendimiento a tus tierras con el menor coste de mantenimiento.


Programación Lineal Breve recordatorio acerca de métodos gráficos de resolución de inecuaciones y sistemas de inecuaciones con dos incógnitas. Una inecuación lineal de dos variables, del tipo ax+by+c) , donde a y b son distintos de 0 y tanto a y b como c son números reales, se resuelve de la siguiente forma: -Despejamos y en función de x y sustituimos el signo de desigualdad que

presente la inecuación por uno de igualdad, con o que tendremos la ecuación de una recta de la forma y=mx+n.

-Dicha recta, divide al plano en dos semiplanos. -Los puntos que se encuentran sobre la recta, verifican la ecuación y=mx+n,

los que se encuentran por encima de ella, verifican la inecuación y>mx+n y los que se encuentran por debajo, verifican la inecuación y


nnyn

y

y

cbxa

cbxa

cbxa

≤+

≤+

≤+

.......................

.......................222

111

3. Para resolver el problema gráficamente, seguimos los siguientes pasos:

-Agrupamos los datos en una tabla -Definimos la función objetivo -Representamos el conjunto solución de las restricciones lo que resultará en una región convexa que denominaremos “Región

factible”, cada uno de cuyos puntos, será una “Solución factible”, ya que satisfarán todas las restricciones.

4. Representamos la función objetivo para B=0 y a continuación, trazando rectas paralelas a la misma, determinamos aquella de mayor ordenada al origen, que corte a la región factible en algún punto. Dicho punto de corte nos da la solución óptima.

5. Esta última fase puede obviarse, ya que puede demostrarse que la solución ha de encontrarse necesariamente en uno de los vértices de la región factible; por lo tanto, basta con ensayar la función objetivo en los vértices de la región factible y elegir aquel de ellos que ofrezca el máximo valor.

Casos especiales:

- La intersección de la función objetivo (recta) y la región factible, resulta ser todo un segmento en lugar de un punto. Tendremos en este caso, infinitas soluciones óptimas.

- La región factible resulta vacía. En este caso, no existirá solución óptima.

- La región factible es “no limitada” de forma que no resulta posible encontrar un valor que maximice la función objetivo. En este caso, será posible encontrar un valor que la minimice. Puede demostrarse igualmente que si una región factible no es acotada y existe un valor que la maximice o minimice la función objetivo, éste se encuentra en un vértice de la región.

142


El problema Dual Un problema de programación lineal y su dual, se caracterizan como:

Problema Original

sdycxrbyax

yxnesrestricciolasCon

qypxBMaximizar

≤+≤+

≥

+=

0,....

..

Problema Dual

qdybxpcyax

yxnesrestricciolasCon

syrxCMinimizar

≥+≥+

≥

+=

0,.....

...

Observamos que:

-Un problema con función objetivo maximizar, se convierte en otro con función objetivo minimizar. -Los coeficientes de la función objetivo y los términos independientes de las restricciones, se intercambian entre sí. -Los sistemas de inecuaciones invierten los signos de desigualdad. -Las matrices de los sistemas de inecuaciones son traspuestas.

Se puede probar que: Si un problema de programación lineal tiene solución óptima, entonces su problema dual también la tiene y ambas soluciones coinciden. El problema general de programación lineal El problema general de programación lineal, viene dado como sigue: Maximizar la función objetivo F(x1,x2,x3,......xn)=c1x1+c2x2+......+cnxn de manera que verifique el sistema de restricciones: a11x1+a12x2+.........+a1nxn≤ b1 ............................................. am1x1+am2x2+.........+amnxn≤ b1 donde x1,x2,......,xn,b1,b2,..........bm≥0 -La idea de la resolución gráfica está descartada de antemano por ser necesaria una representación en un espacio m-dimensional. Esta limitación, llevó en los años 40 a G.Danzig a idear un método, que mediante operaciones aritméticas elementales, conduce a una solución del problema de programación lineal, independientemente del número de variables que contenga. Su justificación teórica es

143


excesiva para el nivel de este texto y no la mostraremos. Diremos que se conoce como Método Simplex y lo revisaremos mediante un ejemplo.

Problema-Tipo Sea la función a maximizar B=40x+60y y sean las restricciones: x ≥ 0 y ≥ 0 2x+y ≤ 180 x+2y ≤ 160 x+y ≤ 100

Solución: - Comenzamos por expresar las restricciones como ecuaciones; para compensar las desigualdades, deberemos añadir a cada inecuación una cantidad no negativa 2x+y+r=180 x+2y+s=160 x+y+t =100 - Las variables originales x e y se denominan variables estructurales, mientras que las añadidas, r, s y t se denominan variables de holgura. - Re-escribimos la función objetivo como -40x-60y+B=0, y la añadimos al sistema formado por las ecuaciones de restricción. - Obtenemos así el siguiente sistema:

=+−−=++=++=++

0604010016021802

Byxtyx

syxryx

que puede resumirse en una matriz 4x6 que denominamos Tabla Simplex

010006040100010011160001021180000112

−−Btsr

Btsryx

144


-Se puede observar que separamos mediante líneas discontinuas los coeficientes dados por la función objetivo y la columna de términos independientes. Sabemos que una solución factible del problema, es x=0, y=0; para estos valores, en el sistema de ecuaciones, obtenemos r=180, s=160, t=100 y además B=0. Esta solución obtenida de forma trivial, recibe el nombre de solución factible básica, denominándose variables no básicas aquellas que resultan tener valor cero en esta solución. -El método simplex, consiste en intentar sustituir una variable básica por otra no básica, de forma que la nueva solución factible, mejore la función objetivo, aumentándola en cada caso, o al menos no disminuyéndola. -El proceso se realiza siguiendo el esquema siguiente: PIVOTE

Variable Saliente

010006040100010011160001021180000112

−−Btsr

Btsryx

145

Variable entrante Indicadores Cocientes: 180:1=180 160:2=80 Menor cociente 100:1=100 - De entre los números enmarcados en la última fila, denominados indicadores, elegimos el de mayor valor absoluto (-60) - La variable correspondiente en la "sobrefila" superior, será la variable entrante (y) - A continuación, dividimos los términos independientes de la columna a la derecha de la línea punteada, por los correspondientes de la columna de la variable entrante que sean positivos. El elemento que ofrezca el menor cociente indicará el elemento pivote y nos dará (por coordenadas) la variable saliente. - Operamos las filas de la matriz, hasta conseguir que nos quede un 1 en el elemento pivote y se hagan ceros los restantes elementos de la columna de la variable entrante.


- Sustituimos, además, la variable saliente por la variable entrante - En nuestro ejemplo, tendremos:

48001030001020012/1002/180002/1012/1

100002/1102/3

−−

−

Btyr

Btsryx

- Si todos los indicadores fuesen no negativos ya tendríamos la solución óptima, que se encontraría en el elemento que ocupase la última fila y última columna. Si existen indicadores negativos, debemos recomenzar el proceso, teniendo en cuenta para nuestro cómputo, exclusivamente dichos indicadores negativos.

- En el paso anterior, ya contamos con una solución aproximada, que se lee de izquierda a derecha, y que sería: x=0; y=80; r=100; s=0; t=20; B=4800

- Repitiendo el proceso, tendremos:

PIVOTE

48001030001020012/1002/180002/1012/1

100002/1102/3

−−

−

Btyr

Btsryx

146

Variable entrante Variable saliente Cocientes: 100:3/2= 150 80:1/2= 160 20:1/2= 40 Menor cociente - A continuación, sustituimos la variable t por x y procedemos a dejar a cero todos los elementos de la columna de la variable x, salvo el elemento (x,x), que debe quedar en 1. En nuestro caso ejemplo.:


520012020000400210016001101040031100

Bxyr

Btsryx

−−−

147

- Al no tener ningún indicador negativo en el recuadro inferior, consideramos terminado el proceso, siendo los valores óptimos alcanzados, los siguientes: x=40; y=60; r=40; s=0; t=0; B=5200.


Programación lineal. Problemas 1. Un campesino planta trigo y cebada en varios campos. Para sembrar y recolectar

una hectárea de trigo, necesita una hora de ayuda del trabajador A y dos del trabajador B. Para sembrar y recolectar una hectárea de cebada, necesita una hora y media del trabajador A y una hora del trabajador B. Adicionalmente, cada hectárea requiere que el campesino le dedique una hora personalmente. El campesino dispone de 8 horas diarias para supervisar todos los campor. Tanto el trabajador A como el B, trabajan un máximo de 9 horas diarias. El trabajador A cobra 800 ptas la hora y el trabajador B 600. La Ha. de trigo, le proporciona un ingreso de 5200 ptas diarias y la de trigo 3800. El alquiler, seguro y cuidado de los campos, le supone 400 ptas por Ha. ¿Cuántas Has. de cada clase debe sembrar el campesino para obtener el mayor beneficio posible. ¿Cuánto será dicho beneficio? ¿Cuánto gana el campesino por su hora de supervisión?

148

82. Maximizar la función z=2x1+x2 , con las restricciones:

a) 2 21 ≤+ xx b) 5

921 ≤+ xx

c) 2 21 ≤+ xx d) 0

2x0

, 21 ≥xx 3. Maximizar la función z=2x1-x2 , con las restricciones

a) 1232 21 ≤+ xxb) 1 32x =c) , 21 ≥xx

4. Maximizar la función z=700 x1+900 x2 con las restricciones:

a) 222 21 ≤+ xx b) 262 21 ≤+ xx c) 12

120

1 ≤xd) 2 ≤xe) , 21 ≥xx


149

PROGRAMACIÓN LINEAL CON EXCEL

¿Para qué? Para resolver con extrema facilidad problemas simples y

complejos de programación lineal, de forma completamente automatizada y fiable.


150

Programación Lineal con Excel La hoja de cálculo Excel, incluida en el paquete Office de Microsoft, posee en su menú Herramientas el comando Solver, que permite resolver problemas de programación lineal en forma sencilla. La explicación de su forma de utilización resulta también sencilla si se sigue el orden lógico de desarrollo del modelo matemático del problema, lo que haremos a continuación con un ejemplo numérico: En una fábrica se producen tres productos distintos, A, B y C, empleándose para ello dos tipos de materia prima, MP1 y MP2. El producto A consume 0,4 m² de MP1 y 0,3 m² de MP2; el producto B, 0,2 m² de MP1 y 0,2 m² de MP2; y el producto C, 1 m² de MP1 y 0,6 m² de MP2. La fabricación de cada unidad del producto A requiere la utilización de 4 horas-hombre de mano de obra; la del producto B, de 2 h-h; y la del producto C, de 6 h-h. Para la producción del próximo mes se dispone de 200 m² de MP1, 120 m² de MP2 y 1000 h-h de mano de obra. Además, en ese mes se deben cumplimentar pedidos de clientes de 50 unidades del producto A, 250 unidades del producto B y 40 unidades del producto C; el Departamento de Ventas estima, además, que se pueden vender todas las unidades excedentes que se fabriquen. La venta de cada unidad del producto A produce un beneficio de 30 euros; la del producto B, un beneficio de 12 euros; y la del producto C, un beneficio de 38 euros. Nuestra misión es decidir cuántas unidades de cada producto deben fabricarse durante el próximo mes, para que se obtenga el máximo beneficio. Los datos detallados se pueden agrupar en el siguiente cuadro:

PRODUCTO

PEDIDOS MP1 MP2 M.OBRA BENEFICIO

A 50 0.4 0.3 4 30 B 250 0.2 0.2 2 12 C 40 1.0 0.6 6 38

Totales 200 120 1000 MAX.


1.- IDENTIFICACION DE LAS VARIABLES DE DECISION Las variables de decisión, cuyos valores se deben determinar, son las cantidades de unidades a fabricar de cada producto durante el próximo mes, que se llamarán: X1 : la producción de A X2: la producción de B X3 : la producción de C .2.- FORMULACION DE LA FUNCION OBJETIVO Los valores de X1 , X2 y X3 deben ser tales que produzcan el máximo beneficio total , que se expresará como:

321 )·/(38.)·/(12.)·/(30 XudeurXudeurXudeurz ++= Ecuación que es por supuesto homogénea dimensionalmente, con todos los términos en euros. 3.- DEFINICION DE LAS RESTRICCIONES Las cantidades totales que se consumirán de cada una de las materias primas, no pueden ser mayores que las cantidades disponibles, es decir:

²200)·/²(1)()·/²(2,0)()·/²(4,0::1 3211 mXudmudXumudXudmMPr ≤++ ²120)·/²(6.0)()·/²(2,0)()·/²(3,0::2 3212 mXudmudXumudXudmMPr ≤++

)(1000)()·/(6)()·/(2)()·/(4::3 321 hhudXudhhudXudhhudXudhhMOr ≤++ Las tres desigualdades son homogéneas, en m² las dos primeras y en hh la última. Por otra parte, las cantidades de unidades a fabricar no pueden ser menores que las cantidades de pedidos pendientes, de modo que se imponen también las restricciones siguientes: r4: Pedidos de A: X1≥ 50 (u) r5: Pedidos de B: X2≥250 (u) r6: Pedidos de C: X3 ≥40 (u)

151


152

4.- CONDICION DE NO NEGATIVIDAD Por último, debe tenerse en cuenta que sólo tienen sentido en el problema real los valores positivos de las variables de decisión, es decir, que deben ser: X1 ≥0 X2 ≥0 X3 ≥0 5.- MODELO MATEMATICO En resumen, se ha obtenido el siguiente modelo matemático del problema: Función objetivo: Maximizar z = 30 X + 12 X + 38 X Sujeto a las restricciones: r1: MP1 0,4 X1 + 0,2 X2 + 1 X3 ≤ 200 r2: MP2 0,3 X1 + 0,2 X2 + 0,6 X3 ≤ 120 r3: M. O. 4 X1 + 2 X2 + 6 X3 ≤1000 r4: Pedidos de A X1 ≥ 50 r5: Pedidos de B X2≥250 r6: Pedidos de C X3≥ 40 Condiciones de no negatividad: X1 ≥ 0 X2≥ 0 X3 ≥ 0 FORMULACION DEL PROBLEMA EN EXCEL La formulación del problema en Excel se puede realizar en la siguiente forma: 1) Abrir una hoja de cálculo y emplazar las variables de decisión, así como la función objetivo y las restricciones, en una columna ( por ejemplo la A , previamente ensanchada) , siguiendo el orden del modelo matemático.


153

Las condiciones de no negatividad se ingresarán más adelante. Queda, entonces:

A B C 1 Variables de decisión: 2 X1 : Producción de A 3 X2 : Producción de B 4 X3 : Producción de C 5 Función objetivo 6 z 7 Restricciones: 8 r1 : MP1 9 r2 : MP2 10 r3 : M. O. 11 r4 : Pedidos de A 12 r5 : Pedidos de B 13 r6 : Pedidos de C

2) Asignar valores arbitrarios a las variables (que pueden ser ceros) ingresándolos en la columna B , frente a cada una de ellas . Las celdas ocupadas por estos valores, que variarán luego, se denominan "Celdas cambiantes". 3) Registrar en la columna B, frente a z, anteponiéndole el signo igual, la fórmula de la función objetivo , pero colocando en lugar de las variables de decisión los nombres de las celdas cambiantes que ocupan cada una de ellas, e indicando el producto de cada coeficiente por su variable . Es decir, en lugar de = 30 X1 + 12 X2 + 38 X3 se coloca: = 30*B2 + 12*B3 + 38*B4 4) Registrar en la columna B, ensanchada previamente si es necesario, frente a cada restricción, su respectiva fórmula, siempre anteponiéndole el signo igual y en función de los nombres de las celdas cambiantes.


154

Hasta aquí, la hoja ha tomado la siguiente forma :

A B C 1 Variables de decisión 2 X1 : Producción de A 0 3 X2 : Producción de B 0 4 X3 : Producción de C 0 5 Función objetivo 6 z = 30*B2 + 12*B3 + 38*B4 7 Restricciones 8 r1 : MP1 = 0,4*B2 + 0,2*B3 + 1*B4 9 r2 : MP2 = 0,3*B2 + 0,2*B3 + 0,6*B4 10 r3 : M. O. = 4*B2 + 2*B3 + 6*B4 11 r4 : Pedidos de A = B2 12 r5 : Pedidos de B = B3 13 r6 : Pedidos de C = B4

5) Hacer clic en el Menú Herramientas y en el comando Solver incluido en dicho menú. 6) En el cuadro de diálogo "Parámetros de Solver" que aparecerá, registrar:

- en "Celda objetivo”, el nombre de aquélla donde se anotó la fórmula de z , en este caso $B$6 (los signos $ identifican celdas absolutas). - en "Valor de la celda objetivo”, aquél que se busca: Máximo, Mínimo, o un valor determinado. En este caso, se hace clic en el círculo de Máximo. (Ver el cuadro más abajo). - en "Cambiando las celdas”, los nombres de las celdas cambiantes: $B$2; $B$3; $B$4. O bien: $B$2: $B$4 (que Excel interpreta como "desde $B$2 hasta $B$4)

El cuadro de diálogo "Parámetros de Solver" queda, hasta aquí, de esta forma:


155

Parámetros de Solver

Celda objetivo: $B$6 Resolver Valor de la celda objetivo: Cerrar Máximo Mínimo O Valor de. 0 Cambiando las celdas: $B$2: $B$4 Estimar Sujetas a las siguientes restricciones Opciones 1) Agregar 2) Restablecer todo 3) Cambiar 4) Eliminar ---- Ayuda 7) Para anotar las restricciones, hacer clic en "Agregar”. Aparece el cuadro de diálogo "Agregar restricción"

2002-08-25T10:33:06+0200Teodoro Rodriguez

PROCESOS ESTOCÁSTICOS - Galiciacentros.edu.xunta.es/cprcristorey/AEP3.pdf · 2004. 6. 8. ·...

Documents

Transcript of PROCESOS ESTOCÁSTICOS - Galiciacentros.edu.xunta.es/cprcristorey/AEP3.pdf · 2004. 6. 8. ·...