INVESTIGACIN DE OPERACIONES II

CADENAS DE MARKOV CADENAS DE MARKOV ERGODICAS CADENA REGULAR DETERMINACIN DE LAS CONDICIONES DE ESTADO ESTABLE MTODO ANALTICO CADENAS DE MARKOV ABSORVENTES TEORIA DE COLAS O LINEAS DE ESPERA INVENTARIOS PROBABILISTICOS ( DEMANDA DISCRETA ) INVENTARIOS PROBABILISTICOS ( DEMANDA CONTINUA )
CREDITOS INICIO

CADENAS DE MARKOV
Cada proceso suceso individual se denomina un estado. Habr tantos estados como procesos o sucesos posibles. Para propsitos de notacin utilizaremos Si que significa el i-simo estado de un total de m estados posibles: >m>=2. Cada vez que se produce un nuevo resultado, se dice que el proceso ha avanzado un paso, Utilizaremos una n para indicar el nmero de pasos: n=0 nos indica el presente; n=1 representa el suceso posible en la siguiente seleccin; n=2 representa 2 pasos despus, etc. Cuando n se dice que el proceso se ha estabilizado y se encuentra en condiciones de estado estable. Los periodos de tiempo que identifican a un paso, son diferentes de acuerdo al sistema de que se trate.

EJEMPLO: Tres fabricantes de automviles tienen los siguientes datos con respecto a las compras de los clientes:

Estados posibles

n=0 posee actualmente Ford Chevrolet Nissan

n=1 porcentajeen decimales de que compre un Ford 40 20 25

N=1 porcentajeen decimales de que compre un Chevrolet 30 50 25

N=2 porcentajeen decimales de que compre un Nissan 30 30 50

S1 S2 S3

INICIO

SIGUIENTE

Representacin de la Matriz de Transicin 1) Definir los estados: Por extensin (S1, S2, S3) y por comprensin: S1=Comprara un Ford, S2=compra un Chevrolet, S3Compra un Nissan. 2) Definir los renglones y las columnas. La "componente permanente" o retenciones (grupos que no cambian) aparecen como valores en la diagonal principal y la " componente de intercambio" (grupos que si cambian) aparecen como prdidas en valores de renglones y las ganancias en columnas Todo lo anterior se resume de la manera siguiente: S1 S1 P= S2 S3 S2 S3 Permanencia y Ganancia

0.40 0.30 0.30 0.20 0.50 0.30 0.25 0.25 0.50

Permanencia y prdida La permanencia, cambio o ganancia de clientes de cada marca puede observarse mediante la siguiente grfica, donde los estados son nodos y los cambios son vectores:
0.40 0.30 0.20 0.50

S1
0.25 0.30

0.25 0.30

S2

S3

0.50

INICIO

ANTERIOR

SIGUIENTE

Cual es la probabilidad de que el propietario de un Nissan compre un Ford en la siguiente ocasin? Esto es en n=0, el estado es S3, y se desea saber en n=1 la probabilidad de compra de un Ford (S1). Respuesta: La probabilidad es 0.25

Caractersticas de una matriz de transicin: 1.- Cada elemento debe ser una probabilidad o sea que debe tener valores entre cero y uno inclusive. No puede haber probabilidades negativas ni mayores a uno. 2.- Los elementos de cada rengln deben sumar exactamente uno. 3.- La matriz de transicin siempre es cuadrada. S1 S1 S2 P= . . Sm P11 P21 . . PM1 S2.......Sm P12.........P1m P22.........P2m . . PM2 . . PMN =1 =1 =1 donde 0<=Pij<=1 n Pij=1 donde i=1,2,3 ,m J=1

Un rengln de la matriz de transicin representa a un vector Vi cuyas dimensiones son 1 *m. V1 = [0.40 0.30 0.30] Habr tantos vectores como estados existan, para el ejemplo anterior se tienen 3 vectores

INICIO

ANTERIOR

SIGUIENTE

S1 = V1 = [0.40 0.30 0.30] S2 = V2 = [0.20 0.50 0.30] S3 = V3 = [0.25 0.25 0.50] Ejemplo: Para conocer las probabilidades de compra de una persona que posee ahora un Ford dos pasos despus comprara un Chevrolet, lo ilustraremos por medio de un diagrama de rbol de probabilidades. 0.4 F 0.3 Ch 0.3 N 0.4 F Ford 0.3 Ch 0.3 N 0.2 F 0.5 Ch 0.3 N 0.2 F 0.25 Ch 0.5 N n=0 n=1 n=2 0.345 0.3*0.25=0.075 0.3*0.5=0.15 Ford 0.4*0.3=0.12 Chevrolet (%)

Por lo tanto, la probabilidad de que el propietario de un Ford (S1) en n=0, compre un Chevrolet (S2), 2 pasos despus, es igual a 0.345 .

INICIO

ANTERIOR

SIGUIENTE

Utilizando la tcnica facilitada por Cadenas de Markov, resolveremos el ejemplo anterior: La pregunta se escribe as: Vi2 que al desglosarlo queda: V12 = (V11) (P1) Para propsitos de notacin general,el subndice indica el vector Vi y el superndice indica n pasos despus. 0.40 0.30 0.30 V12= [ 0.40 0.30 0.30 ] 0..20 0.50 0.30 0.25 0.25 0.50 1x3 Ejemplo: Teniendo un Nissan (S3) en n = 0, encontrar las probabilidades de comprar un Ford en n = 3. V33 = (V31) (P2) = (V32) (P1) V31 V33 = [ 0.25 0.25 0.50 ] P2 0.295 0.345 0.360 0.255 0.385 0.360 0.275 0.325 0.400 Otra forma de resolverlo: V33 = ( V32) (P1) Verificando Solucin: Primero calculamos V32 S1 S2 S3 3x3 S1 S2 S3

= [ 0.295 0.345 0.360] = S1 = Ford

= [ 0.2750 0.3450 0.3800 ]

INICIO

ANTERIOR

SIGUIENTE

0.40 0.30 0.30 V32 = [ 0.25 0.25 0.50 ] V33 = (V32) (P1) V33 =[ 0.2750 0.3450 0.3800 ] De acuerdo a la notacin utilizada, queda demostrado lo siguiente: Vi0= [Pi1 Pi2 Pi3 Pim ], donde Pii=1 0.20 0.50 0.30 0.25 0.25 0.50

V32 = [ 0.275 0.325 0.340 ]

Lo anterior significa que en n = 0, se conoce exactamente cual es el estado, por lo tanto la probabilidad de que exista es igual a 1. V10 = [S1], V20 = [S2], V30 = [S3]. Demostracin: Un paso despus: n = 1 Dos pasos despus: n = 2 Tres pasos despus: n = 3 n pasos despus Vi1= Vi0 P1 Vi2= Vi1 P1= ( Vi0 P1 ) P1 = Vi0 P2 Vi3= Vi2 P1= ( Vi0 P2 ) P1 = Vi0 P3 Vin = Vin-1 P1= ( Vi1 Pn-2 ) P1 = Vi0 Pn

Donde cada igualdad es un mtodo distinto de solucin, (a, b y c) Por lo tanto, las probabilidades de los sucesos despus de n pasos a partir de ahora, pueden determinarse utilizando el vector de probabilidad Vi y alguna potencia de la matriz de transicin P. En forma general n pasos, llamado tambin condiciones de estado estable o a largo plazo, se utiliza la siguiente expresin: Vin = Pn Condiciones de estado estable ; Vi0 =1

INICIO

ANTERIOR

SIGUIENTE

CADENAS DE MARKOV ERGODICAS

Para asegurar la obtencin de condiciones de estado estable, la cadena debe ser ergodica (tambin llamada irreducible). Una cadena ergodica describe matemticamente un proceso en el cual es posible avanzar desde un estado i hasta cualquier estado "j. No es necesario que esto se logre en un solo paso pero debe ser posible para que cualquier resultado sea logrado independientemente del estado presente.

Por ejemplo: Analicemos un sector de la ciudad compuesto por nueve esquinas. Consideremos a una esquina como un estado, por lo tanto habr nueve estados posibles.

Cada vez que el conductor llega a una esquina, 2,4, 6 y 8 puede dar vuelta a la izquierda o derecha seguir de frente con igual probabilidad de 1/3. Si se encuentra en la esquina 5 tiene 4 posibilidades de avanzar con probabilidad de . Si esta en la esquina 1, 3, 7 o 9, solo tiene dos posibilidades con probabilidad de . Con la informacin anterior se elabora la matriz de transicin:

INICIO

ANTERIOR

SIGUIENTE

S1 S1 S2 S3 S4 P= S5 S6 S7 S8 S9 0 =1 1/3 0 1/3 0 0 0 0 0

S2 0 0 0 0 0 0

S3 0 1/3 0 0 0 1/3 0 0 0

S4

S5

S6 0 0 0 1/3 0 0

S7 0 0 0 1/3 0 0 0 1/3 0

S8

S9 0 0 0 0 0 0 1/3 0 1/3 0 0

0 0 0 0 0 0

1/3 0 1/3 0 0 0 1/3 0

0 0 0 0 0

La manera ms sencilla de verificar si una matriz de transicin es ergodica, es elaborando una grfica, como se vio anteriormente. Nos colocamos en cualquier estado y si a partir de ste se puede llegar a todos los dems, no importa que sea en uno o ms pasos, entonces es una matriz ergodica. Ejemplo: Verifique si la siguiente matriz de transicin es ergodica. S1 S1 S2 P= S3 S4 S5
INICIO

S2 X X 0 0 X

S3 0 X 0 X 0

S4 X 0 X 0 0

S5 X X X X 0
ANTERIOR SIGUIENTE

X 0 0 X X

Sea X igual a algn valor positivo p entre 0 y 1. Por inspeccin se observa que puedo ir directamente desde S1 a S2, S4 y S5 pero no a S3 Con lo anterior queda demostrado que es posible llegar desde cualquier estado hasta el estado S1 y esto implica que es posible ir a los dems estados. Por lo que se concluye que es una matriz ergodica.

CADENA REGULAR
Un caso ms restringido de cadena ergodica, es una cadena regular. Una cadena regular se define como una cadena que tiene una matriz de transicin P, que contiene elementos igual a cero y para la cual alguna potencia de P, nicamente tendr elementos positivos de probabilidad (diferentes a cero. Todas las cadenas regulares pueden ser ergodicas, pero no todas las ergodicas son regulares). Cuando desaparecen los ceros si elevo la matriz de transicin a una potencia, es regular y si puedo ir de uno de los estados a todos los dems, es ergodica. Ejemplo: S1 S1 P= S2 S3 X X 0 S2 X 0 X S3 0 X X P3 = X X X X X X X X X

Al multiplicar la matriz se busca tener elementos nicamente positivos. Es una matriz regular, por que al elevar P al cuadrado desaparecen los ceros.

INICIO

ANTERIOR

SIGUIENTE

DETERMINACIN DE LAS CONDICIONES DE ESTADO ESTABLE

La existencia de condiciones de estado estable en una cadena ergodica regular, se encuentran elevando la matriz de transicin n veces, tambin se encuentra resolviendo el sistema de ecuaciones que se desprende de la matriz de transicin. A esta cadena de Markov se le conoce como de alto orden y nos indica los cambios futuros en las preferencias de los clientes. A medida que aumenta el valor de n, los valores Pij tienden hacia un limite fijo y cada vector de probabilidad V tiende a ser igual para todos tos valores de j. 1)Para un valor de "n" suficientemente grande, el vector de probabilidad Vin se hace igual para todas las i-es y no cambia para otros valores mayores a n dados. 2)Puesto que V1n+1 = Vin P y Vin+1 = Vin, existe un vector V* = (V*)(P) El vector asterisco contiene las probabilidades que existen en condiciones de estado estable. Utilizando la matriz de transicin del ejemplo de los automviles, se obtienen los siguientes resultados de P para diferentes valores de n: Valores de P 0.4 P3 = 0.2 0.3 0.5 0.3 0.3 0.27343744 0.35156352 0.37499904 P8 = 0.27343488 0.35156608 0.37499904 0.27344000 0.35155840 0.37500160 V* =[ 0.273 0.352 0.375 ]

0.25 0.25 0.5

Los elementos de cada columna tienden a ser iguales, cuando esto sucede, se les llama condiciones de estado estable, donde V* es el vector de estado estable. (Considere un mnimo de 5 decimales con calculadora)

INICIO

ANTERIOR

SIGUIENTE

MTODO ANALTICO
Siguiendo con el mismo ejemplo, la matriz de transicin es: 0.4 P3 = 0.2 0.3 0.5 0.3 0.3

0.25 0.25 0.5 Transformando renglones por columnas: 0.4 V1 + 0.2 V2 +0.25 V3 = V1 0.3 V1 + 0.5 V2 +0.25 V3 = V2 0.3 V1 + 0.3 V2 + 0.50 V3= V3 V1 + V2 + V3= 1 Igualando a cero V1 + V2 + V3 = 1

-0.6 V1 + 0.2 V2+ 0.25 V3 = 0 0.3 V1 - 0.5 V2 + 0.25 V3 = 0 0.3 V1 + 0.3 V2 - 0.50 V3 = 0

Utilizando el mtodo analtico para resolver el sistema de ecuaciones o utilizando un programa de calculadora, se llega a las probabilidades de estado estable. V1 = 0.2734375 V2 = 0.3515625 V3 = 0.375 Condiciones de estado estable o de equilibrio a largo plazo

INICIO

ANTERIOR

SIGUIENTE

CADENAS DE MARKOV ABSORVENTES

Los estados absorbentes describen procesos que terminan o finalizan despus de alcanzar determinadas condiciones y dan como resultado un caso especial de cadenas de Markov, algunos ejemplos son:

1.- En control de calidad, despus de encontrar un nmero predeterminado de partes que pueden ser aceptadas o rechazadas, se suspende la inspeccin secuencial. 2.- Despus de x horas de funcionamiento, una mquina se detiene para repararla o reemplazarla. 3.- Despus de que una persona ha trabajado en una empresa, puede jubilarse o recontratarse. 4.- Despus del seguimiento que se hace a una cuenta bancaria esta se paga o se considera perdida

CARACTERSTICAS.

a)

Un estado absorbente es aquel que tiene una probabilidad de ser abandonado igual a cero, o sea que una vez comenzado es imposible dejarlo y el proceso se detiene completamente o se detiene para luego comenzar a partir de algn otro estado.

b) Una cadena de Markov es absorbente si: 1) Tiene por lo menos un estado absorbente. 2) Es posible ir desde cada estado no absorbente hasta por lo menos un estado absorbente. No es necesario efectuar esta transicin en un paso; ni es necesario alcanzar cada estado absorbente a partir de cualquier estado no absorbente.
INICIO ANTERIOR SIGUIENTE

EJEMPLO. 1 Los alumnos de una escuela tcnica, cursan 4 aos para terminar su carrera. De los que ingresan a primer ao, 80% aprueba, 10% reprueba y el resto deserta. De los que estn en segundo ao, 85% aprueba, 10% reprueba y el resto deserta. De los de tercer ao, 80% aprueba, 15% reprueba y resto deserta. Los que estn en el ltimo grado, 85% se grada, 5% deserta y el resto reprueba. a) b) Cuntos aos se espera que un alumno pase como estudiante? Cual es la probabilidad de que un estudiante se grade?

Solucin: Encontrar cuntos y cuales son los estados y modelar la matriz de transicin.

S0=Ingreso S1 =Primer ao S2 =Segundo ao S3 =Tercer ao S4 =Cuarto ao S5 =Deserta S6 =Se grada a=Estados absorventes n=Estados no absorventes
INICIO

S1 S2 P= S3 S4 S5 S6

S1 0.10 0 0 0 0

S2 0.80 0.10 0 0 0 0 n

S3 0 0

S4

S5 0.10 0.05 0 0

S6

A
n

0.85 0

0.15 0.80 0.05 0 0 0 0.10 0.05 0 0 1 0 a

0 0.85 0 1

I
m=a+n
SIGUIENTE

ANTERIOR

Una vez alcanzados los estados absorbentes S5 y S6, la probabilidad de que el proceso permanezca en el respectivo estado es 1. Por lo tanto es imposible (probabilidad cero) ir desde cualquiera de estos estados hasta cualquier otro. En realidad esto se debe a que el alumno tom la decisin de dejar la escuela voluntariamente o decidi graduarse. A partir del anlisis de cadenas de Markov absorbentes, se obtiene la siguiente informacin: 1.- El nmero de pasos antes de que el proceso sea absorbido, utilizando (I N-1) Para el ejemplo los pasos seran aos. 2.- El nmero esperado de veces que el proceso est en cualquier estado no absorbente. Para el ejemplo, sera el nmero de aos que el alumno permanece en cada grado. 3.- La probabilidad de absorcin por cualquier estado absorbente dado, por medio de la siguiente expresin (I-N)-1*A. Para realizar los clculos anteriores, la matriz de transicin se subdivide en cuatro matrices y son los estados absorbentes los quedan la pauta para dicha subdivisin, (regresar al ejemplo) Donde N e I son opuestos por el vrtice. Estas matrices ms pequeas contienen elementos de probabilidad que nos originan "a estados absorbentes y "n" no absorbentes que en total seran a + n = m estados. Matriz I: Es una matriz identidad de dimensiones a*a y representa las probabilidades de permanecer dentro de un estado absorbente. Matriz O: Es una matriz cero de a*n y nos indica las probabilidades de ir desde un estado absorbente hasta un estado absorbente. Matriz A: Es una matriz de n*a y contiene las probabilidades de ir desde un estado no absorbente hasta un estado absorbente.
INICIO ANTERIOR

SIGUIENTE

Matriz N: Es una matriz de n*n que contiene las probabilidades de ir desde un estado no absorbente hasta un estado no absorbente. Contina la solucin.:Calcular (I-N ) 1 NOTA: La matriz N que se utiliza en esta expresin, debe ser de las mismas dimensiones de I. I 1 0 0 0 0 1 0 0 0 01 0 0 0 01 N 0.10 0.8 0 0 0 0 0 = I-N 0.9 -0.8 0 0 0 0 0 1.11 0 0 0 (I-N) -1 0.99 1.11 0 0 0.99 1.11 0.88 0.99

0.1 0.85 0 0 0 0.15 0.8 0 0.1

0.9 -0.85 0 0 0 0.85 -0.8 0 0.9

1.18 1.05 0 1.11

(I-N) 1 = Al nmero esperado de pasos antes de que el sistema o proceso se detenga

(I-N) 1 1.11 0 0 0 0.99 0.99 0.88 0.99 1.05 1.11

A 0.10 0.05 0.05 0.05 0 0 0 0.85 =

(I-N) 1 A 0.25 0.16 0.11 0.75 0.84 0.89

1.11 1.11 0 0 1.18 0

0.06 0.94

(I-N) 1 A = Probabilidad

INICIO

ANTERIOR

SIGUIENTE

TEORIA DE COLAS O LINEAS DE ESPERA

La teora de colas es la tcnica de mayor aplicacin potencial y sin embargo es quizs la ms difcil aplicar debido a que el modelo utilizado, con frecuencia muy poco se ajusta a la realidad. Muchas de estas dificultades se pueden superar combinando la teora con la experiencia del investigador. Toda clase de negocios, gobierno, industria, escuela y hospitales grandes y pequeos, todos en algn momento tienen problemas de "colas. Algunas veces las mquinas permanecen ociosas y en otros momentos, los clientes deben esperar. En algunas ocasiones los inventarios son excesivos y en otros momentos hay pedidos que no se satisfacen. A veces la industria funciona a media capacidad, los trabajadores sufren desempleo y los capitales permanecen ociosos. En otras ocasiones la capacidad de produccin se aprovecha al mximo, la mano de obra escasea los abastecedores tienen grandes listas de pedidos en espera de ser atendidos. Ninguno de estos extremos es conveniente y hay una decisin administrativa bsica que implica un equilibrio entre los recursos humanos, econmicos y materiales. Para tomar decisiones al respecto, deben conocerse los siguientes puntos: Longitud de las colas. Porcentaje de utilizacin de las instalaciones de servicio Tiempo total que toma al usuario formarse y recibir el servicio. Disponibilidad de personal.

Ejemplo: Lavado de autos Daytona Para lavar cada auto en las instalaciones, se requieren dos minutos. Hay una sola maquina de lavar que es atendida por una sola persona y slo se puede acomodar un auto a la vez. Si los clientes llegan exactamente a intervalos de dos minutos, el funcionamiento del negocio carecera de incertidumbre.

INICIO

ANTERIOR

SIGUIENTE

Si el sistema compuesto por la mquina de lavado y los clientes que esperan entrar a ella inician operaciones con seis clientes en su interior es posible que durante el da haya clientes siempre esperando. Si el sistema inicia las operaciones cuando esta vaco, el primer cliente que llega ser atendido inmediatamente y no habr automviles en la cola. La maana del da 1 de junio, cuando Pedro abri las puertas a las 9:00 lloras, no haba ningn cliente en el sistema de lavado. El primero lleg un minuto despus de iniciadas las operaciones. Los tiempos de llagada de los primeros seis clientes se muestran a continuacin: Nmero de cliente tiempo de llegada tiempo desde la llegada anterior tiempo de entrada a la mquina de lavado 1 2 3 4 5 6 9:01 9:04 9:06 9:09 9:10 9:11 0:03 0;02 0:03 0:01 0:01 =10 9;:0l 9:04 9:06 9:09 9:11 9:13 9:03 9:06 9:08 9:11 9:13 9:15 0:02 0:02 0:02 002 0:03 0:04 =15 tiempo de salida tiempo total en el sistema

Promedio de llegadas = 0:03 + 0:02 + 0:03 + 0:01 + 0: 01 = 0:10 10 min./5 eventos = promedio de llegada de 2 min. Promedio de tiempo total en el sistema = (0:02 + 0:02 + 0:02 + 0:03 + 0:04) / 6 = 2.5 min.
INICIO ANTERIOR

SIGUIENTE

Tasa de Servicio (cuanto dura el servicio) = 2 min. Tasa de llegada en los primeros 11 minutos == 1 coche cada 2 minutos. Tasa de servicio en el sistema = 2.5 min. Tiempo ocioso en el sistema = 3 min. ELEMENTOS PRINCIPALES EN UNA LNEA DE ESPERA: Entrada (poblacin infinita o finita). Fila (lnea de espera). Servidores (unidad de servicio) Salida Finita Entrada Poblacin Infinita Linea de Espera Unico o multiple Servidor Sistema

CLIENTE: Unidad que llega requiriendo algn servicio. Pueden ser personas, mquinas, refacciones, etc. COLA (lnea de espera) : Es el numero de clientes que esperan ser atendidos (la cola no incluye al cliente que esta siendo atendido). UNIDAD DE SERVICIO: Es el proceso, sistema o persona que esta efectuando el servicio al cliente, ste puede ser simple mltiple. Se identificar con la letra k.
INICIO ANTERIOR

SIGUIENTE

EJEMPLOS: Los aficionados a un encuentro de ftbol son los clientes y el (los) empleado(s) que vende(n) los boletos son las unidades de servicio. En un estacionamiento los automviles son los clientes y tos espacios de estacionamiento las unidades de servicio. Las tarjetas de crdito seran los clientes y las cajas automticas de los bancos serian las unidades de servicio. TASA DE LLEGADA (clientes por periodo de tiempo). (): Es la tasa a la cual tos clientes llegan para ser atendidos. Se supondr en la mayora de los problemas que esta tasa corresponde a una distribucin aleatoria de Poisson. TASA DE SERVICIO (clientes por perodo de tiempo) (): Es la tasa a la cual una unidad de servicio proporciona el servicio a un cliente y puede alcanzarse cuando la unidad de servicio est siempre ocupada. Supondremos que esta tasa est aleatoriamente distribuida segn una distribucin de Poisson. PRIORIDAD: Esta suposicin consiste en que el primero que llega es el primero en ser atendido. Esta suposicin afecta la deduccin de las ecuaciones utilizada en el anlisis. TAMAO DE LA POBLACIN: Cuando el nmero de clientes potenciales es mayor a 30 se considera una poblacin es infinita; cuando es menor a 30, ser una poblacin finita. DISTRIBUCIN DE TASAS DE LLEGADA Y DE SERVICIO: La suposicin ms frecuente para estos casos, es la distribucin de Poisson, donde se considera que ambas tasas deban ser completamente independientes y que permanezcan constantes con el tiempo, aunque esto ltimo puede no ser verdadero debido a un cambio temporal de la tasa de servicio.

INICIO

ANTERIOR

SIGUIENTE

POBLACIN INFINITA PARAMETRO Probabilidad de hallar el sistema ocioso o desocupado (P0) K=1 K>1

Probabilidad de hallar ocupado o trabajando el sistema ( )

Probabilidad de hallar k clientes o ms en el sistema

Probabilidad de que haya n clientes en la cola

Nmero esperado de clientes en la cola.

INICIO

ANTERIOR

SIGUIENTE

POBLACIN INFINITA PARAMETRO Nmero esperado de clientes en el sistema K=1 K>1

Tiempo esperado en la cola

Tiempo esperado en el sistema

Probabilidad de que un cliente permanezca ms de t unidades de tiempo en el sistema Probabilidad de que un cliente permanezca mas t unidades de tiempo en la linea de espera
INICIO ANTERIOR SIGUIENTE

POBLACIN FINITA PARAMETRO Probabilidad de hallar el sistema ocioso o desocupado (P0) K=1 K>1

Probabilidad de que haya n clientes en la cola

Nmero esperado de clientes en la cola.

Nmero esperado de clientes en el sistema

INICIO

ANTERIOR

SIGUIENTE

POBLACIN FINITA PARAMETRO Tasa de llegada promedio K=1 K>1

Tiempo esperado en la cola

Tiempo esperado en el sistema

INICIO

ANTERIOR

SIGUIENTE

INVENTARIOS PROBABILISTICOS ( DEMANDA DISCRETA )

Las empresas se enfrentan con frecuencia a problemas en los que se tiene esta sucesin de eventos: 1. La empresa decide cuntas unidades pedir. Sea q el nmero de unidades pedidas 2. Con una probabilidad p(d), se tiene una demanda de d unidades. En esta seccin supondremos que d debe ser un entero no negativo. Sea D la variable aleatoria que representa la demanda. 3. Dependiendo de d y de q, se incurre en el Costo c (d,q). Los problemas que siguen esta secuencia se llaman problemas del vendedor de peridicos. Para ver por que es as, pensemos en un vendedor que debe decidir cuantos peridicos pedir cada da a la editorial. Si el vendedor pide demasiados se quedar con muchos sin vender, al fina del da. Por otro lado, un vendedor que pide muy pocos peridicos perder ganancias (y enojar a sus clientes) que podran haber sido suyas si hubiera pedido peridicos suficientes para cumplir con la demanda. El vendedor debe pedir el nmero de peridicos que equilibre en forma adecuada a esos dos costos. En esta seccin mostraremos como se puede emplear el anlisis marginal, para resolver problemas de vendedor de peridicos . Cuando la demanda es una variable discreta y c (d,q) tiene la forma siguiente: c(d, q) = Coq + (trminos sin q) c(d,q) = -Cuq + (trminos sin q) (d <= q) (d >= q + I) (2) (2.1)

En la ecuacin (2), Co es el costo unitario de comprar demasiado. Si d <= q, hemos pedido ms de lo que es la demanda, esto es, estamos sobreabastecidos. Si el tamao del pedido aumenta de q a q+, la ecuacin (2) muestra que el costo se incrementa en Co. Por lo tanto Co es el costo debido a tener 1 unidad de excedente. A Co se le llama costo de sobre abastecimiento. Igualmente, si d >= q + 1, tenemos faltantes hemos pedido una cantidad menor que la demanda.
INICIO ANTERIOR SIGUIENTE

Si d >= q +1, y aumentamos en 1 el tamao del pedido, nuestro faltante ser una unidad menor. Entonces (2.1) indica que el costo se reduce en Cu y. por tanto, Cu es el costo unitario de tener faltantes. A Cu se le llama costo de sub abastecimiento. Para deducir la cantidad ptima de pedido por medio del anlisis marginal, sea E(q ) el costo esperado si se hace un pedido de q unidades. Suponemos que la meta de quien toma las decisiones es encontrar el valor q* que minimiza a E(q). Si c(d,q) se puede describir mediante las ecuaciones (2) y (2.1) y si E(q) es funcin convexa de q, entonces se puede emplear el anlisis marginal para determinar q*. Siguiendo con la ecuacin (1),debemos determinar el valor mnimo de q para el cual E(q+1)-E(q)>= 0. Para calcular E(q+1) - E(q) debemos tener en cuenta dos posibilidades: Caso 1 d <= q. En este caso, si se piden q + 1 unidades en lugar de q, se hace que tengamos sobrante, o estemos sobreabastecidos en una unidad ms. Esto aumenta en Co el costo. La probabilidad que se tenga el caso 1 es simplemente P( D <= q), donde D es la variable aleatoria que representa a la demanda. Caso 2 d >= q + 1. En este caso, pedir q + 1 unidades en lugar de q, hace que tengamos escasez de una unidad menos. Esto disminuir Co nuestro costo. La probabilidad de tener el caso 2 es: P(D >= q + 1 = 1 P(D <= q) En resumen, una fraccin P(D <= q) de las veces, pedir q + 1 unidades costara Co ms que si se piden q unidades, y una fraccin 1 - P(D <= q ) de las veces, pedir q + 1 unidades costara Cu menos que si se piden q unidades. As, en promedio, pedir q + 1 unidades cuesta: Co P(D <= q) - Cu - P(D <= q) ms que si se piden q unidades.

INICIO

ANTERIOR

SIGUIENTE

De modo mas formal, hemos demostrado que: E(q+1)-E(q)=Co P(D<=q) - Cu1- P(D<=q) = (Co + Cu) P(D <= q) - Cu Entonces E(q + 1) - E(q) >= O ser valida si (Co + Cu) P(D <= q) >= O o sea P(D <= q) >= Cu (Co- Cu) Sea F(q) = P(D <= q) la distribucin de la funcin de demanda. Como es aplicable el anlisis marginal, acabarnos de demostrar que E(q) ser reducida al mnimo por el valor mnimo de q (llammosle q*) que satisface a: F(q*)>= Cu (Co - Cu) El ejemplo siguiente muestra el uso de la ecuacin (3). EJEMPLO 1 Walton Bookstore debe decidir en agosto cuantos calendaros de la naturaleza pedir para el prximo ao. Cada calendario le cuesta 2 dlares y los vende a 4.50 dlares. Despus del 12 de enero, cualquier calendario no vendido se regresa al editor y se reciben 75 centavos por cada uno. Walton cree que el numero de calendarios vencidos al 12 de enero sigue la distribucin de probabilidad mostrada en la Tabla 1. Walton desea maximizar la ganancia neta esperada debida a ventas de calendarios. Cuntos calendarios debe pedir en agosto ? *Como p(D - q) aumenta al aumentar q. E(q +1) - E(q) aumentara al aumentar q. Por lo tanto, si Co + Cu >= 0 E(q) es funcin convexa de q, y se justifica el uso del anlisis marginal. *Basado en Barron (1985).
INICIO ANTERIOR

(3)

SIGUIENTE

Tabla 1 Funcin de masa de probabilidad para las ventas de calendarios No. de calendarios vendidos 100 150 200 250 300 Solucin . Sean: q = numero de calendarios que se piden en agosto d = numero de calendarios necesitados hasta el 1 de enero Si d <= q, se incurre en los costos de la Tabla 2. La ganancia es costo negativo. De acuerdo con la ecuacin (2), Co = 1.25 . Si d >= q +1, se incurre en los costos que aparecen en la Tabla 3. De acuerdo con la ecuacin (2), -Cu = -2.5, o sea Cu = 2.5 . Entonces Cu Co + Cu = 2.5 3.75 = 2 3 Probabilidad 0.30 0.2 0.30 0.15 0.05

De acuerdo con la ecuacin (3); Walton debe pedir q* calendarios, donde q* es el menor nmero para el cual P(D <=q*) >= 2/3. Como funcin de q, P(D <= q) aumenta solo cuando q = 100,150, 200, 250 o 300. Ntese tambin que P(D <= 100) =0 .30 P(D <= 150) =0 .50, P(D <= 200 )= 0.80 . Como P(D <= 200) es mayor o igual que 2/3. Se debe pedir q* = 200 calendarios.
INICIO ANTERIOR

SIGUIENTE

Tabla 2 Clculo del costo total si d <= q Compra de q calendarios a 2 dlares c/u Venta de d calendarios a 4.50 dlares c/u Devolucin de q - d calendarios a 75 centavos c/u Costo total

COSTO 2q -4.5d -0.75 (q - d) 1.25q-3.75d

Tabla 3 Clculo del costo total si d >= q + 1 Compra de q calendarios a 2 dlares c/u Venta de d calendarios a 4.50 dlares c/u Costo total

COSTO 2q -4.5q -2.5q

OBSERVACIONES 1. En trminos del anlisis marginal, la probabilidad de vender el 200 calendario que se pide es P(D >= 200) = 50. Esto significa que el 200 calendario vendido tiene probabilidad 1 - 0.50 = 0.50 de no ser vendido. As, el 200 calendario aumentar los costos esperados de Walton en 0.50(-2.50) + 0.50(1.25) = - 0.625 dlares. En consecuencia, se debe pedir el 200 calendario. Por otro lado, la probabilidad de vender el 201 calendario es P(D >= 201) = 0.20 y la probabilidad de que no se venda es 1 - 0.20 = 0.80. Por lo tanto, el 201 calendario aumentar los costos esperados en 0.20(-2.50) + 0.80(1.25) = 0.50 dlares. As, el 201 calendario aumentar los costos esperados y no se debe pedir.

INICIO

ANTERIOR

SIGUIENTE

2. En el ejemplo 1 se podran haber calculado fcilmente Co y Cu sin recurrir a las ecuaciones (2) y (2.1). Por ejemplo, si hay una unidad mas que la demanda real, se aumentan los costos de Walton en 2- 0.75 = 1.25 dlares. As, Co = 1.25 dlares. Igualmente, con una unidad menos qu la demanda real, le costara 4.50- 2.00 = 2.50 dlares a Walton, en trminos de ganancias. Por lo tanto, Cu = 2.50 dlares. Si podemos calcular Co y Cu sin emplear las ecuaciones (2) y (2.1), lo deberamos hacer. Sin embargo, en problemas ms difciles las ecuaciones pueden ser de mucha utilidad.

INVENTARIOS PROBABILISTICOS ( DEMANDA CONTINUA )

A continuacin veremos el caso del vendedor de peridicos cuando la demanda D es variable aleatoria continua que tiene una funcin de densidad f(d). Al modificar el argumento de anlisis marginal visto anteriormente o mediante la regla de Leibniz para diferenciar una integral se puede demostrar que el costo esperado por el tomador de decisiones se reduce al mnimo cuando pide q* unidades, donde q* es el nmero mnimo que satisface a: P ( D <= q*) >= Cu Co-Cu Como la demanda es una variable aleatoria continua, podemos determinar un nmero q* para el cual la expresin (4) sea vlida como igualdad. Por lo tanto en este caso, la cantidad ptima por pedir se puede obtener al determinar el valor de q* que satisfaga: Cu P(D<=q')= Co + Cu o Cu P(D>=q*)>= Co + Cu (5) (4)

INICIO

ANTERIOR

SIGUIENTE

Segn esta ecuacin, vemos que lo ptimo es pedir unidades hasta el punto en el que la ltima que se pida tenga una probabilidad: Cu Co + Cu de venderse. EJEMPLO 1 La American Bar Association (ABA) efecta su convencin anual en Las Vegas. Seis meses antes de que inicie la convencin, la ABA debe decidir cuantas habitaciones debe reservar en el hotel sede. En este momento, la ABA puede reservar habitaciones a un costo de 50 dlares cada una, pero seis meses antes de la convencin, la ABA no sabe con certeza cuanta gente asistir a la convencin. La ABA cree, sin embargo, que el nmero de habitaciones necesarias tiene una distribucin normal con promedio 5000 y desviacin estndar 2000. Si el nmero necesario de habitaciones es mayor que el reservado en el hotel sede, se tendrn que pagar habitaciones en los hoteles cercanos a un costo de 80 dlares por habitacin. Para los participantes en la convencin es incomodo alojarse en hoteles vecinos. Se mide la incomodidad al estimar un costo adicional de 10 dlares por cada habitacin ocupada en un hotel vecino. Si la meta es reducir al mnimo el costo esperado por la ABA y sus miembros, Cuntas habitaciones debe reservar la ABA en el hotel sede? Solucin Definimos q = nmero de habitaciones reservadas d = nmero de habitaciones necesarias en realidad Si d <= q, entonces el costo en que se incurre es el costo de las habitaciones reservadas con anterioridad y, por lo tanto, el costo total es 50q. As, Co = 50. Si d >= q + 1, se incurre en los siguientes costos:
INICIO ANTERIOR SIGUIENTE

Costo de reservacin de q habitaciones = 50q. Costo de renta de d - q habitaciones en hoteles vecinos = 80(d- q). Costo de incomodidad a los participantes adicionales = 10(d -q) Costo total = 90d-40q y Cu=40 Como Cu / (Co + Cu) = 40/90 = 4/9, segn la ecuacin (5), el nmero ptimo de habitaciones que se debe reservar es el numero q* que satisfaga P(D <= q*) = 4/9 (6)

Como D tiene distribucin normal con promedio 5 000 y desviacin estndar 2000, podemos normalizar la ecuacin (6) con respecto a la variable aleatoria D y obtener: P(D P (D-5000 <= q*-5000) = .444 2000 2000

P (Z <= q*- 5 000) = .444 2000 En la Fig. 2 vemos que (q* - 5000) / 2000 debe ser igual al nmero que tenga un rea 0.444 a la izquierda de l en las tablas de distribucin normal estndar. Segn esa tabla , vemos que P(Z <=0.14) =0.4443. Entonces q*-5000 =-0.14 2000 q*= 5000-2000(0.14) =4720
INICIO ANTERIOR SIGUIENTE

Figura 2 Determinacin de q* para el ejemplo de reservacin de habitaciones en hotel.

-0.14 = q* - 5000 2000 Por lo tanto, la ABA debe reservar 4 720 habitaciones.

ANTERIOR

INICIO

UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO

FACULTAD DE INGENIERIA
APUNTES DE INVESTIGACIN DE OPERACIONES

ELABORADOS POR: ING.RUFINO CRUZ SORIANO

INICIO

SIGUIENTE