Professional Documents
Culture Documents
TEMAS
1
2
UNIDAD UNO
Programacin dinmica
1.1 Caractersticas de los problemas de programacin dinmica: etapas, estados, frmula recursiva,
programacin en avance y en retroceso
1.2 Algunos ejemplos de modelos de P.D. Al estudiar cada aplicacin ponga especial atencin a los tres
elementos bsicos de un modelo de programacin dinmica.
1. Definicin de las etapas
2. Definicin de las alternativas en cada etapa
3. Definicin de los estados para cada etapa
En general, de los tres elementos, la definicin de estado suele ser la ms sutil. Al investigar cada
aplicacin (diferentes ejemplos de modelos de P.D.), encontrar til tener en cuenta las preguntas
siguientes:
1. Qu relaciones vinculan entre s a las etapas?
2. Qu informacin se necesita para tomar decisiones factibles en la etapa actual sin volver a
examinar las decisiones tomadas en las etapas anteriores?
En esta pagina, se presenta la documentacin relativa a los programas de computacin que sern
utilizados en el curso para resolver problemas de programacin Lineal, adicionalmente, el alumno puede
bajar los programas de computacin con fines acadmicos, con miras a resolver los problemas propuestos
Z=
10
X1
2X1
30X1
+
8
+20X2
2X2
<=
<=
X2
a:
120
9
El resto del formato es para darle una presentacin ms bonita a la hoja. Ahora a resoverlo! Al hacer click
en Herramientas , Solver se tendr una pantalla como la siguiente. Lo primero que hay que hacer es
especificar la celda objetivo y el propsito: maximizar. Se escribe B3 (o $B3 B$3 $B$3 como sea, da
igual), en el recuadro "cambiando las celdas", se hace un click en la flechita roja, para poder barrer las
celdas B6 y C6; lo mismo da si se escriben directamente los nombres.
Y listo! Se hace click en resolver y ya. Parece un poco largo en comparacin con los otros paquetes de
programacin lineal, pero esto se har slo una vez, para los prximos programas se podr utilizar la
misma hoja cambiando los coeficientes. Sin embargo, como se puede notar, la flexibilidad de modelar es
muy grande, y se puede introducir directamente en una hoja donde se haga el anlisis de Planeacin
Agregada, Transporte, Inventario, Secuencias, balanceo, etc.
10
UNIDAD DOS
Teora de Colas
Introduccin
12
13
14
Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf
2.4 Proceso de nacimiento y muerte. Modelos Poisson.
FGUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase10_II.pdf
Como este costo es mayor que el de la brigada de cinco, se rebas el lmite inferior de la curva de
costo; el tamao ptimo de la brigada es cinco personas.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
2.6 Un servidor cola infinita, fuente infinita.
16
2.6 Un servidor cola infinita, fuente infinita.
Este modelo puede aplicarse a personas esperando en una cola para comprar boletos para el cine, a
mecnicos que esperan obtener herramientas de un expendio o a trabajos de computadora que esperan
tiempo de procesador.
Llegadas.
Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario, es impredicible en que
momento llegarn . El modelo tambin supone que las llegadas vienen de una poblacin infinita y llegan
una a la vez .
17
Cola.
2.25 Clientes
3 clientes.
0.32
Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser servido. En promedio,
hay un poco ms de dos clientes en la lnea o tres en el sistema. El proceso completo lleva un promedio
de 20 minutos. La caja est ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habr cuatro
personas o ms en el sistema ( o tres o ms esperando en la cola).
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
2.7 Servidores mltiples, cola infinita, fuente infinita
En lugar de estimar el costo de espera, el administrador puede especificar un promedio mnimo de tiempo
de espera o de longitud de lnea . Esto establece un lmite superior para W q , el tiempo de espera en la
cola
( o para Lq, la longitud de lnea en la cola). Con este lmite superior puede encontrarse la tasa de servicio
necesaria para cualquiera tasa de llegadas dadas.
Ejemplo :
Considrese un restaurante de comida rpida con un men limitado. El restaurante se est diseando
para que todos los clientes se unan a una sola lnea para ser servidos. Una persona tomar la orden y la
servir. Con sus limitaciones, la tasa de servicio puede aumentarse agregando ms personal para
preparar la comida y servir las rdenes.
Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas son aleatorias, puede
aplicarse el modelo de una cola. Supngase que la administracin quiere que el cliente promedio no
espere ms de dos minutos antes de que se tome su orden.
18
Rearreglando trminos,
Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la solucin
negativa. Entonces :
20
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
2.9 Uso de programas de computacin
PROGRMA TORA PAG 929.
PROGRAMA SIMNET II PAG 930
21
22
Decisin sin riesgo entre mercancas inconmensurables (mercancas que no pueden ser medidas
bajo las mismas unidades)
Eleccin bajo impredecibilidad
Eleccin intertemporal - estudio del valor relativo que la gente asigna a dos o ms bienes en
diferentes momentos del tiempo
23
FUENTE: http://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_decisi%C3%B3n
3.1 Caractersticas generales de la teora de decisiones
3.1 Caractersticas generales de la teora de decisiones
Caractersticas DE LA TOMA DE DECISIONES
24
25
Su
decisin
no
significa
nada
a
menos
que
la
ponga
en
accin.
Las decisiones son el corazn del xito y, a veces, hay momentos crticos en que pueden presentar
dificultad, perplejidad y exasperacin. Un gerente debe tomar muchas decisiones todos los das. Algunas
de ellas son decisiones de rutina o intrascendentes mientras que otras tienen una repercusin drstica en
las operaciones de la empresa donde trabaja. Algunas de estas decisiones podran involucrar la ganancia
o perdida de grandes sumas de dinero o el cumplimiento o incumplimiento de la misin y las metas de la
empresa. En este mundo cada vez mas complejo, la dificultad de las tareas de los decidores aumenta da
a da. El decidor debe responder con rapidez a los acontecimientos que parecen ocurrir a un ritmo cada
vez mas veloz. Adems, un decidor debe asimilar a su decisin un conjunto de opciones y consecuencias
que muchas veces resultan desconcertantes. Con frecuencia, las decisiones de rutina se toman
rpidamente, quizs inconscientemente, sin necesidad de elaborar un proceso detallado de
consideracin. Sin embargo, cuando las decisiones son complejas, criticas o importantes, es necesario
tomarse el tiempo para decidir sistemticamente. Las decisiones criticas son las que no pueden ni deben
salir mal o fracasar. Uno debe confiar en el propio juicio y aceptar la responsabilidad. Existe una tendencia
a buscar chivos expiatorios o transferir responsabilidades.
Fuente: http://www.tuobra.unam.mx/obrasPDF/publicadas/040922205227.html
3.2 Criterios de decisin Deterministicos y Probabilsticas
de donde:
Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadstico.
Level of improvements on decisin making = Nivel de Mejoramiento en la Toma de Decisiones
26
La figura anterior representa el hecho que a medida que la exactitud de un modelo estadstico aumenta,
el nivel de mejoramiento en la toma de decisin aumenta. Esta es la razn del porqu necesitamos la
estadstica de negocio. La estadstica se creo por la necesidad de poner conocimiento en una base
Simplificar
Construir un modelo de decisin
Probar el modelo
Usando el modelo para encontrar soluciones:
o El modelo es una representacin simplificada de la situacin real
o No necesita estar completo o exacto en todas las relaciones
o Se concentra en las relaciones fundamentales e ignora las irrelevantes.
o Este es entendido con mayor facilidad que un suceso emprico (observado), por lo tanto
permite que el problema sea resuelto con mayor facilidad y con un mnimo de esfuerzo y
prdida de tiempo.
5. El modelo puede ser usado repetidas veces para problemas similares, y adems puede ser
ajustado y modificado.
Afortunadamente, los mtodos probabilsticos y estadsticos para el anlisis de toma de decisiones bajo
incertidumbre son ms numerosos y mucho ms poderosos que nunca. Las computadoras hacen
disponible muchos usos prcticos. Algunos de los ejemplos de aplicaciones para negocios son los
siguientes: *Un auditor puede utilizar tcnicas de muestreo aleatorio para auditar las cuentas por cobrar
de un cliente. *Un gerente de planta puede utilizar tcnicas estadsticas de control de calidad para
asegurar la calidad de los productos con mnima inspeccin y menor nmero de pruebas. *Un analista
A1
A2
(desarrollar)
(no desarrollar)
Estados de la naturaleza
Mucha venta
Venta media
A(0,2)
B(0,5)
3000
2000
0
0
Poca venta
C(0,3)
-6000
0
Las probabilidades de los estados de la naturaleza representan los distintos grados que tiene el
criterio del decisor (por ejemplo, un gerente) con respecto a la ocurrencia de cada estado. Nos
referiremos a estas evaluaciones subjetivas de la probabilidad como probabilidades "a priori".
El beneficio esperado de cada curso de accin es A1 = 0,2(3000) + 0,5(2000) + 0,3(-6000) = -$200
y A2 = 0; entonces elegimos A2, que significa que no desarrollamos.
Sin embargo, el gerente se siente algo reacio a tomar esta decisin; por ello solicita la asistencia
de una firma de investigacin de mercado. Ahora nos enfrentamos a una nueva decisin. Es decir,
con cul firma de investigacin de mercado debe consultar su problema de decisin. De esta
manera es que el gerente debe tomar una decisin acerca de cun "confiable" es la firma
consultora. Mediante muestreo y luego analizando el desempeo previo de la consultora debemos
desarrollar la siguiente matriz de confiabilidad:
27
Lo que el consultor Ap
predijo
Bp
Cp
Todas las Firmas de Investigacin de Mercado llevan registros (es decir, conservan datos
histricos) del desempeo alcanzado en relacin con las predicciones anteriores que hubieren
formulado. Estos registros los ponen a disposicin de sus clientes sin cargo alguno. Para construir
una matriz de confiabilidad debe tomar en consideracin los "registros de desempeo" de la Firma
de Investigacin de Mercado correspondientes a los productos que tienen mucha venta, y luego
hallar el porcentaje de los productos que la Firma predijo correctamente que tendran mucha venta,
venta media y poca o ninguna venta. Estos porcentajes se representan como P(Ap|A) = 0,8, P(Bp|A)
= 0,1, P(Cp|A) = 0,1, en la primera columna de la tabla anterior, respectivamente. Se debe efectuar
un anlisis similar para construir las otras columnas de la matriz de confiabilidad.
Observe que para fines de consistencia, las entradas de cada columna en la matriz de confiabilidad
deberan sumar uno.
a) Tome las probabilidades y multiplquelas "hacia abajo" en la matriz, y luego smelas:
b)
SUMA
es
el
resultado
de
sumar
en
sentido
horizontal.
c) Es necesario normalizar los valores (es decir, que las probabilidades sumen 1) dividiendo el
nmero de cada fila por la suma de la fila hallada en el paso b.
0,2
A
0,2(0,8) = 0,16
0,2(0,1) = 0,02
0,2(0,1) = 0,02
A
(0,16/0,24)=0,667
(0,02/0,53)=0,038
(0,02/0,23)=0,087
0,5
B
0,5(0,1) = 0,05
0,5(0,9) = 0,45
0,5(0) = 0
0,3
C
0,3(0,1) = 0,03
0,3(0,2) = 0,06
0,3(0,7) = 0,21
B
(0,05/0,24)=0,208
(0,45/0,53)=0,849
(0/0,23)=0
SUMA
0,24
0,53
0,23
C
(0,03/0,24)=0,125
(0,06/0,53)=0,113
(0,21/0,23)=0,913
29
Fuente:
http://books.google.com/books?id=B6LAqCoPSeoC&pg=PA75&lpg=PA75&dq=valor+de+la+informacion
+perfecta+para+la+toma+de+decisiones&source=bl&ots=vM61BdkNIX&sig=7HihnUZ8E6fckMD4JQauC9ZPDo&hl=en&ei=GnmtSs6HHYaKsgPN9uCKBQ&sa=X&oi=book_result&ct=result&re
snum=1#v=onepage&q=&f=false
3.4 rboles de decisin
3.4 rboles de decisin Arbol de Decisiones y Diagrama de Influencia
Aproximacin del Arbol de decisiones: El rbol de decisiones es una representacin cronolgica del
proceso de decisin, mediante una red que utiliza dos tipos de nodos: los nodos de decisin,
representados por medio de una forma cuadrada (el nodo de eleccin), y los nodos de estados de la
naturaleza, representados por crculos (el nodo de probabilidad). Dibuje la lgica del problema
construyendo un rbol de decisiones. Para los nodos de probabilidad asegrese de que las probabilidades
en todas las ramas salientes sumen uno. Calcule los beneficios esperados retrocediendo en el rbol,
comenzando por la derecha y trabajando hacia la izquierda.
30
Usted puede imaginarse el conducir de su coche, el comenzar en el pie del rbol de la decisin y el
trasladarse a la derecha a lo largo de las ramificaciones. En cada nodo cuadrado usted tiene control,
la
=
Sin
por
$500
figura
consultor;
honorarios;
Diagramas de Influencia: Como puede ser observado en el ejemplo del rbol de decisiones, la
descripcin de las ramas y nudos el problema de decisiones secuenciales normalmente se hace
bastante complicado. En ciertas ocasiones es menos difcil dibujar el rbol de tal forma que
preserve las relaciones que realmente manejan las decisiones. La necesidad por mantener la
validacin, y el rpido incremento en complejidad que usualmente proviene de los usos liberales
de las estructuras recursivas, han provisto del proceso de decisiones para describir otros. La razn
para esta complejidad es que el actual mecanismo computacional que sola analizar el rbol, esta
encarnado directamente dentro de los rboles y las ramas. Las probabilidades y valores requeridos
para calcular los valores esperados de las siguientes ramas estn expresamente definidos en cada
nudo.
Los Diagramas de Influencia tambin son utilizados para el desarrollo de modelos de decisin y
como una alternativa de representacin grafica de rboles de decisin. La figura siguiente muestra
un diagrama de influencia para nuestro ejemplo numrico.
En el diagrama de influencia anterior, los nudos de decisin y los nudos de oportunidad son
ilustrados similarmente con cuadrados y crculos. Los arcos (flechas) implican relaciones,
incluyendo probabilsticas.
Finalmente, el rbol de decisin y el diagrama de influencia proporcionan mtodos de tomas de
decisiones efectivas porque ellos:
o
o
o
o
Claramente relaja el problema, por lo tanto todas las opciones pueden ser consideradas.
Nos permiten ampliamente analizar las posibles consecuencias de una decisin.
Proporcionan un esquema para cuantificar los valores delos resultados y las probabilidades
para lograr los mismos.
Nos ayudan a tomar mejores decisiones basadas en la informacin existente, as como
tambin hacer mejores adivinanzas.
Tambin
Teora de la Decisin y rboles de Decision
visite:
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwhyadvice
3.5 Teora de utilidad
1. Determinacin de la funcin de utilidad del decisor
Hemos trabajado con tablas de redistribucin expresadas en trminos del valor monetario
esperado. Sin embargo, este no es siempre el mejor criterio de usar en la toma de decisiones. El
valor del dinero varia de situacin a situacin y de una decisin a otra. Generalmente, el valor del
dinero no es una funcin lineal de la cantidad de dinero. En tal caso, el analista debe determinar
la utilidad monetaria del tomador de decisiones y seleccionar los cursos de accin que proporcione
la utilidad esperada mas elevada, en vez del valor monetario esperado mayor.
Los pagos individuales de seguros se enfocan en evitar la posibilidad de perdidas financieras
asociadas con la ocurrencia de algn evento indeseado. Sin embargo, las utilidades de diferentes
resultados no son directamente proporcionales a sus consecuencias monetarias. Si la prdida es
considerada relativamente grande, un individuo es ms propenso a pagar una prima asociada. Si
un individuo considera que la prdida no tiene consecuencias, esta persona es ms propensa a
pagar la prima asociada.
31
Ahora se puede aplicar cualquiera de las tcnicas antes analizadas a esta matriz de utilidad (en
lugar de monetaria) para tomar una decisin satisfactoria. Queda claro que la decisin podra ser
diferente.
Determinacin de la funcin de utilidad del decisor JavaScript E-labs.
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rutility
3.5 Teora de utilidad
1. Representaciones de la Funcin de Utilidad con Aplicaciones
Introduccin: Una funcin de utilidad transforma el uso de un resultado en un valor numrico que
mide la valoracin personal del resultado. La utilidad de un resultado puede estar dentro de una
escala comprendida entre 0 y 100, as como hicimos en nuestro ejemplo numrico, convirtiendo la
matriz monetaria en una matriz de utilidad . Esta funcin de utilidad puede ser una simple tabla,
un sutil grfico continuo ascendente, o una expresin matemtica de un grfico.
El objetivo es representar la funcin funcional entre las entradas en la matriz monetaria y los
resultados obtenidos anteriormente de la matriz de utilidad. Usted podra preguntarse Qu es una
funcin?
Qu es una funcin? Una funcin es algo que hace algo. Por ejemplo, una maquina para moler
caf es una funcin que transforma el grano de maz en polvo. Una funcin de utilidad transforma
(convierte) la esfera de entradas (valores monetarios) hacia un rango de salidas o resultados, con
dos valores finales de utilidad 0 y 100. En otras palabras, la funcin de utilidad determina el grado
de sensibilidad de las preferencias del tomador de decisiones.
Este catulo presenta un proceso general para determinar la funcin de utilidad. La presentacin
esta en el contexto de los resultados numricos del captulo anterior, a pesar de que se repiten
datos.
32
12 8 6 3 15 7 3 -2
58 34 28 13 100 19 13 0
7 7 7 7
19 19 19 19
- Dbarra) 4 -
- Dbarra)2] 2}
Fuente:
http://www.snap.gov.bo/campusvirtual/courses/CLIBFDTSCB/document/Toma_de_decisiones/Teoria/CA
P_6_DECISIONES_SECUENCIALES,___ARBOL_DE_DECISION.pdf?cidReq=CLIBFDTSCB
34
Fuente:
http://www.snap.gov.bo/campusvirtual/courses/CLIBFDTSCB/document/Toma_de_decisiones/Teoria/CA
P_6_DECISIONES_SECUENCIALES,___ARBOL_DE_DECISION.pdf?cidReq=CLIBFDTSCB
Ec.
Variables
originales
Variables de holgura
Lado
derecho
1-c
(1, 2,...,m)
z* - c = y* A - c
y*
Z* = y* b
(1,2,...,m)
A* = S * A
S*
b* = S* b
A manera de ilustracin, suponga que se revisa el modelo original del problema de la Wyndor Glass Co.
segn se muestra en el cuadro que presentamos a continuacin:
Modelo original Modelo revisado
As, los cambios al modelo original son c1 = 3 4, a31 = 3 4 y b2 =12 24. El siguiente grfico muestra el
efecto de estos cambios. Para el modelo origina el mtodo smplex ya ha identificado la solucin FEV
ptima en el vrtice (2, 6), que se encuentra en la interseccin de las dos fronteras de restriccin que se
muestran como lneas punteadas, 2x2 = 12 y 3x1 + 2x2 = 18. Ahora, la revisin del modelo ha cambiado
36
Fuente: http://html.rincondelvago.com/analisis-de-sensibilidad_1.html
3.7 Anlisis de sensibilidad
UNIDAD CUATRO
Cadenas de Markov
37
41. Introduccin.
Una 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 ltimo 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.
El anlisis de Markov, llamado as en honor de un matemtico ruso que desarrollo el mtodo en 1907,
permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un
momento dado. Algo ms importante an, es que permite encontrar el promedio a la larga o las
probabilidades de estado estable para cada estado. Con esta informacin se puede predecir el
comportamiento del sistema a travs del tiempo.
La tarea ms difcil es reconocer cundo puede aplicarse. La caracteristica ms importante que hay
que buscar en la memoria de un evento a otro.
Aplicacin a la administracin: Planeacin de Personal.
El anlis de transicin puede ser til al planear satisfacer las necesidades de personal. Muchas firmas
emplean trabajadores de diferentes niveles de clasificacin dentro de la misma categora de trabajo. Esto
es comn para personal de confianza, oficinistas, obreros calificados, no calificados y personal
profesional. La firma debe tener el nmero de empleados en cada nivel de clasificacin para proporcionar
la oportunidad de promocin adecuada, cumplir con las habilidades necesarias para el trabajo y controlar
la nmina. Una planeacin de personal a largo plazo apropiada requiere que se considere el movimiento
de personas tanto hacia arriba en el escalafn de clasificacin como hacia afuera de la organizacin. El
anlisis de Markov puede ayudar en este esfuerzo de planeacin.
38
El movimiento de personal a otras clasificaciones puede considerarse como una cadena de Markov. Se
supone que hay tres clasificaciones; el grado 1 es la ms baja. Adems, los descensos se consideran
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.2 Formulacin de las cadenas de Markov.
Una 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 ltimo 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.
39
En la figura 4.1.1 se muestra el proceso para formular una cadena de Markov. El generador de Markov
produce uno de n eventos posibles, Ej , donde j = 1, 2, . . . , n, a intervalos discretos de tiempo (que no
tiene que ser iguales ). Las probabilidades de ocurrencia para cada uno de estos eventos depende del
estado del generador. Este estado se describe por el ltimo evento generado. En la figura 4.1.1, el ltimo
evento generado fue Ej , de manera que el generador se encuentra en el estado Mj .
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. . La matriz
de transicin para el ejemplo del diagrama de estados se muestra en la tabla 4.1.1 .
Otro mtodo para exhibir las probabilidades de transicin es usar una matriz de transicin. .
Para n = 0, 1, 2, ....
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.4 Propiedad Markoviana de primer orden.
41
y se llaman
42
43
las
son
probabilidades
condicionales,
deben
satisfacer
las
propiedades:
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.4 Propiedad Markoviana de primer orden.
4.5 Probabilidad de transicin estacionarias de un solo paso.
4.5 Probabilidad de transicin estacionarias de un solo paso.
Ejemplo :
44
Una tienda de cmaras tiene en almacn un modelo especial de cmara que se puede ordenar cada
semana. Sean D1, D2, ... las demandas de esta cmara durante la primera, segunda, ... , semana,
respectivamente. Se supone que las Di son variables aleatorias independientes e idnticamente
obtener
es
Entonces
necesario
. Por lo tanto,
evaluar
Si
se puede
, entonces
. Para obtener
, observe que
, la
. Para
si
. En consecuencia,
ende,
. Los elementos restantes se obtienen en forma similar, lo que lleva a la
siguiente a la siguiente matriz de transicin ( de un paso):
45
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.6 Probabilidad de transicin estacionarias de n pasos.
4.6 Probabilidad de transicin estacionarias de n pasos.
Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular estas probabilidades de
transicin de n pasos :
Estas ecuaciones simplemente sealan que al ir de un estado i al estado j en n pasos, el proceso estar
en algn estado k despus de exactamente m ( menor que n) pasos. As,
Es solo las probabilidad condicional de que, si se comienza en el estado i, el proceso vaya al estado k
despues de m pasos y despus al estado j en n- m pasos.
se vuelven :
son los elementos de la matriz P(2) , pero tambin debe de observarse que estos
elementos,
se obtienen multiplicando la matriz de transicin de un paso por s misma; esto es ,
P(2) = P * P = P2 .
En trminos ms generales, se concluye que la matriz de probabilidades de transicin de n pasos se
puede obtener de la expresin : P(n) = P * P .... P = Pn = PPn-1 = Pn-1 P.
46
As, dado que tiene una cmara al final de una semana, la probabilidad de que no haya cmaras en
inventario dos semanas despus es 0.283; es decir,
De igual manera, dado que se tienen
dos cmaras al final de una semana, la probabilidad de que haya tres cmaras en el almacn dos semanas
despus es 0.097; esto es,
La matriz de transicin de cuatro pasos tambin se puede obtener de la siguiente manera :
P(4) = P4 = P(2) * P(2)
As, dado que queda una cmara al final de una semana, 0.282 es la probabilidad de que no haya
cmaras en inventario 4 semanas ms tarde; es decir,
47
48
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.7 Estados absorbentes
4.7 Estados absorbentes
FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase5_II.pdf
El vector
a menudo se llama distribucin de estado estable, o tambin distribucin
de equilibrio para la cadena de Markov. Para encontrar la distribucin de probabilidades de estacionario
para una cadena dada cuya matriz de transicin es P, segn el teorema, para n grande y para toda i
,
(1)
Como Pij (n + 1) = ( rengln i de Pn )(columna j de P), podemos escribir
(2)
Ejemplo :
Suponga que toda la industria de refrescos produce dos colas. Cuando una persona ha comprado la
cola 1, hay una probabilidad de 90 % de que su siguiente compra se de cola 1. Si una persona compr
cola 2, hay un 80 % de probabilidades que su prxima compra sea de cola 2.
Entonces :
Al reemplazar la segunda ecuacin por la condicin
50
obtenemos el sistema
En este caso, el tiempo de primer paso para ir al estado 3 al estado 1 es dde 2 semanas, el tiempo de
primer paso para ir del estado 3 al estado 0 es de 3 semanas y el tiempo de recurrencia del estado 3 es
de 4 semanas.
En general, los tiempos de primer paso son variables aleatorias y, por lo tanto, tienen una distribucin
de probabilidad asociada a ellos. Estas distribuciones de probabilidad dependen de las probabilidades de
transicin del proceso. En particular,
denota la probabilidad de que el tiempo de primer paso del
estado i al j sea igual a n. Se puede demostrar que estas probabilidades satisfacen las siguientes
relaciones recursivas:
Entonces se puede calcular la probabilidad de un tiempo de primer paso del estado i al j en n pasos, de
manera recursiva, a partir de las probabilidades de transicin de un paso. En el ejemplo, la distribucin de
probabilidad de los tiempos de primer paso del estado 3 al estado 0 se obtiene como sigue:
Esta suma puede ser menor que 1, lo que significa que un proceso que el iniciar se encuentra en el
estado i puede no llegar nunca al estado j . Cuando la suma es igual a 1, las
pueden
considerarse como una distribucin de probabilidad para la variable aleatoria, el tiempo de primer paso.
Para obtener el tiempo esperado de primer paso del estado i al estado j. Sea
entonces
Cuando i=j,
51
52
53
54
55
De manera que el tiempo esperado hasta que la tienda se queda sin cmaras es de 3.50 semanas.
Fuene: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
4.9 Uso de programas de computacin.
4.9 Uso de programas de computacin.
TAHA.
Practica: Analizar problemas de probabilidad de transicin estacionarias de un solo paso, de n pasos, los
estados absorbentes, la probabilidad de transicin estacionaria de estados estables y los tiempos de
primer paso.
SEGUNDO EXAMEN PARCIAL
UNIDAD CINCO
Optimizacin de Redes
HANDY Y TAHA
56
57
58
59
FUENTE: TAHA.
5.3 Problema del rbol de mnima expansin.
60
61
62
5.5 Problema de flujo de costo mnimo.
(MCNFP)
El modelo de Flujo de Costo Mnimo en una Red se plantea de la manera siguiente
15
7
2
10
18
11
min 10x12+15x27+19x67+26x13+8x23+8x32+18x24+18x42+10x35+10x53+
+8x56+8x65+5x45+5x54+11x47
8
4
s.t.
1
x12+x13=1
5
-x27-x47-x67=-1
0
x27+x24+x23-x32-x42-x12=0
2
8
x32+x35-x23-x53-x13=0
6
x42+x47+x45-x24-x54=0
3
5
x53+x54+x56-x35-x45-x65=0
10
x65+x67-x56=0
EL PROBLEMA DE FLUJO MXIMO COMO MODELO DE MCNFP
19
Se tiene un nodo origen (O) y un nodo destino (T) y varios nodos de transbordo:
Se crea un arco ficticio del destino al origen identificado con la variable xTO con costo cTO=-1.
Los costos cij=0 para todo arco (i,j) excepto para el arco ficticio
bi=0 para todo nodo i
Ejemplo: dada la red
xTO
3
1
4
0
3
min -xTO
s.t.
xO1+xO2-xTO =0
x12+x13-xO1=0
x2T-x12-xO2=0
x3T-x13=0
xTO-x2T-x3T=0
xO1<2, xO2<3, xTO =0
x12<3, x13<4, x2T<2,
x3T<1,
El problema del rbol generador minimal como modelo de PL
Un rbol Generador de una red de n nodos es un conjunto de n-1 arcos con un camino entre cualquier
par de nodos y sin ciclos.
Sea xij una variable binaria indicando (xij=1) la existencia de un arco (i,j) en el rbol.
Cij= es la distancia del arco (i,j)
min cij xij
s.a
xij =n-1 (los arcos forman un rbol de la red)
Una restriccin que asegure que no se forman ciclos: ?????? (tarea)
xij {0,1}
fuente: ftp.itam.mx/pub/investigadores/gigola/ModyOpt/MCNFP.doc -
64
65
FUEN
TES