Professional Documents
Culture Documents
SESION TEMA
UNIDAD UNO
1 Programacin dinmica
1.1 Caractersticas de los problemas de programacin dinmica: etapas, estados, frmula recursiva,
2 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.
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:
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 del curso y no deben ser
utilizados con fines comerciales ya que los mismos estn protegidos por las leyes de derechos de autor.
Adicional al programa SOLVER, incluido en EXCEL-2000 de MIcrosoft (cuya explicacin didctica del
funcionamiento del programa Solver (445 kb), se incluye en este documento que puede ser bajado por Usted), se
incorporan otros programas que operan bajo sistema WIndows 98/ME/2000/XP, debiendo disponer de una
computadora actualizada con procesador Pentium II y superiores, memoria mnima de 256 kb y capacidad de disco
de 50 MB y los cuales pueden ser bajados a continuacin:.
A.1) El programa WinQSB (3.9 Mb), cuya propiedad intelectual es del Dr. Yih-Long Chang y es aplicable a todos
los problemas de Investigacin de Operaciones. Para conocer sus usos y aplicaciones, se incorpora el MANUAL
DE USO del WINQSB.
A.2) El programa PrgLin, cuya propiedad es de la Universidad de Lisboa (Portugal), el cual se aplica para
soluciones grficas de problemas de dos dimensiones.
A.3) El programa InvOp (361 kb), desarrollado por la Universidad del Cuyo en Argentina, se aplica para la solucin
de problemas relacionados con transporte y redes.
A.3) El programa Lingo, propiedad de Lindo Systems Inc (USA), que dado su gran tamao (18.9 Mb), se
recomienda que Usted lo recupere directamente de la pagina Web del propietario de dicha tecnologia http://
www.lindo.com
Posteriormente se irn incorporando otros programas de computacin especficos para cada caso y cuyo uso ser
descrito mediante ejemplos en la Clase.
Para conocer la aplicacin del mtodo SOLVER de EXCEL (Microsoft), se utilizar un ejemplo prctico:
Max Z= 10 X1 + 8 X2
Sujeto a:
30X1 +20X2 <= 120
2X1 + 2X2 <= 9
4X1 + 6X2 <= 24
X1,X2 >=0
La nica dificultad que tenemos es el de modelar el programa dentro del Excel, y eso, es muy fcil. Por supuesto,
hay infinidad de maneras de hacerlo, aqu propongo una.
Se ubican las celdas que se correspondern con el valor de las variables de decisin; en ste
caso, las celdas B6 y C6, se les da un formato para diferenciarlas de las dems, aqu azul oscuro
(ver captura abajo). Se ubica tambin, las celdas que contendrn los coeficientes de las variables
de decisin, B4 y C4, y se llenan con sus respectivos valores, 10 y 8. Aunque ste ltimo paso, se
podra omitir y dejar los coeficientes definidos en la celda de la funcin objetivo, as es mejor para
los anlisis de sensibilidad y para que la hoja quede portable para otro programa.
Se ubica la celda que se corresponder con la funcin objetivo (celda objetivo), la B3. En ella se
escribe la funcin que sea, en ste caso, ser el coeficiente de X1 (en B4) por el valor actual de X1
(en B6) mas el coeficiente de X2 (en C4) por el valor actual de X2 (en C6) O sea: =$B$4*$B$6+
$C$6*$C$4
Coeficientes para la primera restriccin: los podemos escribir en la misma columna de las
variables de decisin; en las celdas B7 y C7, con los valores 30 y 20, seguido del sentido de la
desigualdad (<=) y de su correspondiente RHS: 120. A la derecha ubicaremos el valor actual de
consumo de la restriccin, ella se escribir en funcin de las variables de decisin y de los
coeficientes de la restriccin. Esta celda, la utilizar Solver como la real restriccin, cuando le
digamos que el valor de sta celda no pueda sobrepasar la de su correspondiente RHS. De nuevo
ser el valor del coeficiente por el de la variable:=B7*$B$6+C7*$C$6. Notese que ahora B7 y C7
no tienen el signo $. Pues es que luego que se haya escrito sta celda, se podr arrastrar hacia
abajo para que Excel escriba la frmula por nosotros (la pereza!), pero tome los valores relativos a
los coeficientes que le corresponda a los mismos valores de las variables de decisin. Se repite
los pasos anteriores para las otras restricciones, pero ahora la frmula ser: =B8*$B$6+C8*$C$6 y
=B9*$B$6+C9*$C$6.
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 ahora para las restricciones: se hace click en agregar...
En F7 est la primera restriccin, como se puede ver en la captura. Se especifica el sentido de la restriccin <=, >=
=. Aqu tambin se puede especificar el tipo de variable, por defecto es continua, pero se puede escoger "Int"
para entera o "Bin" para binaria. En el recuadro de la derecha establecemos la cota. Aqu podemos escribir 120
pero mejor escribimos $E$7 para que quede direccionado a la celda que contiene el 120, y despus lo podramos
cambiar y volver a encontrar la respuesta a manera de anlisis de sensibilidad.
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.
Fuente: http://www.investigacion-operaciones.com/Metodos_computacionales.htm
10 UNIDAD DOS
Teora de Colas
Introduccin
Todos hemos experimentado en alguna ocasin la sensacin de estar perdiendo el tiempo al esperar en una cola. El fenmeno
de las colas nos parece natural: esperamos en el coche al estar en un tapn, o un semforo mal regulado, o en un peaje;
esperamos en el telfono a que nos atienda un operador y en la cola de un supermercado para pagar.... Como clientes no
queremos esperar, los gestores de los citados servicios no quieren que esperemos.... Por qu hay que esperar? La respuesta es
casi siempre simple, en algn momento la capacidad de servicio ha sido (o es) menor que la capacidad demandada.
Generalmente esta limitacin se puede eliminar invirtiendo en elementos que aumenten la capacidad. En estos casos la pregunta
es: Compensa invertir? La teora de colas intenta responder a estas preguntas utilizando anlisis matemticos detallados.
Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf
Con el objeto de verificar si una situacin determinada del sistema de lneas de espera se ajusta o no a un modelo
conocido, se requiere de un mtodo para clasificar las lneas de espera. Esa clasificacin debe de responder
preguntas como las siguientes:
1.- El sistema de lneas de espera tiene un solo punto de servicio o existen varios puntos de servicio en
secuencia?
2.-Existe solo una instalacin de servicio o son mltiples las instalaciones de servicio que pueden atender a una
unidad?
3.- Las unidades que requieren el servicio llegan siguiendo algn patrn o llegan en forma aleatoria?
4.- El tiempo que requieren para el servicio se da en algn patrn de o asume duraciones aleatorias de tiempo?
2.1 Introduccin y casos de aplicacin.
Un sistema de colas se puede describir como: clientes que llegan buscando un servicio,
esperan si este no es inmediato, y abandonan el sistema una vez han sido atendidos. En algunos casos
se puede admitir que los clientes abandonan el sistema si se cansan de esperar.
El trmino cliente se usa con un sentido general y no implica que sea un ser humano, puede
significar piezas esperando su turno para ser procesadas o una lista de trabajo esperando para imprimir
en una impresora en red.
servicio
clientes que
abandonan
clientes
llegando
clientes
servidos
Figura 1 Un sistema de cola tpico
Aunque cualquier sistema se puede representar como en la figura 1, debe quedar claro que una
representacin detallada exige definir un nmero elevado de parmetros y funciones.
La teora de colas fue originariamente un trabajo prctico. La primera aplicacin de la que se
tiene noticia es del matemtico dans Erlang sobre conversaciones telefnicas en 1909, para el clculo
Teora de Colas
Mtodos Cuantitativos de Organizacin Industrial
Pgina 3 de 54
de tamao de centralitas. Despus se convirti en un concepto terico que consigui un gran
desarrollo, y desde hace unos aos se vuelve a hablar de un concepto aplicado aunque exige un
importante trabajo de anlisis para convertir las frmulas en realidades, o viceversa.
11
12 2.2 Definiciones, caractersticas y suposiciones.
Seis son las caractersticas bsicas que se deben utilizar para describir adecuadamente un
sistema de colas:
a) Patrn de llegada de los clientes
b) Patrn de servicio de los servidores
c) Disciplina de cola
d) Capacidad del sistema
e) Nmero de canales de servicio
f) Nmero de etapas de servicio
Algunos autores incluyen una sptima caracterstica que es la poblacin de posibles clientes.
Fuente: http://personales.upv.es/jpgarcia/LinkedDocuments/Teoria%20de%20colas.pdf
Para aplicar una solucin general, se necesita una tasa de servicio que pueda variar de manera
continua.
Cuando los costos de servicio cambian en forma escalonada, se usa la tcnica de prueba y
error para encontrar el sistema de menor costo. Se calcula el costo total para una tasa de
servicio, despus para la siguiente y as sucesivamente. Esto contina hasta que se encuentra
un lmite inferior o un mnimo tal, que el aumentar o el disminuir las tasas de servicio da costos
totales ms altos.
Ejemplo:
Se esta estudiando un muelle de carga y descarga de camiones para aprender cmo debe
formarse una brigada. El muelle tiene espacio slo para un camin, as es un sistema de un
servidor. Pero el tiempo de carga o descarga puede reducirse aumentando el tamao de la
brigada.
Supngase que puede aplicarse el modelo de un servidor y una cola ( llegadas Poisson,
tiempos de servicio exponenciales) y que la tasa promedio de servicio es un camin por hora
para un cargador. Los cargadores adicionales aumentan la tasa de servicio proporcionalmente.
Adems, supngase que los camiones llegan con una tasa de dos por hora en promedio y que
el costo de espera es de $ 20 por hora por un camin. Si se le paga $ 5 por hora a cada
miembro de la brigada, Cul es el mejor tamao de esta?
Datos :
Ahora sea k = nmero de personas en la brigada. Se busca k tal que la suma de los costos de
espera y servicio se minimicen :
Costo total = Cw LS + k CS
Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o dos no
podran compensar la tasa de llegadas de dos camiones por hora. Para una brigada de tres, la
tasa de servicio es de tres camiones por hora y puede encontrarse L s con la siguiente
ecuacin :
De la misma manera, para una brigada de cuatro :
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
17 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.
Cola.
En este modelo se considera que el tamao de la cola es infinito. La disciplina de la cola es
primero en llegar, primero en ser servido sin prioridades especiales. Tambin se supone que las
llegadas no pueden cambiar lugares en la lnea (cola) o dejar la cola antes de ser servidas.
Instalacin de Servicio.
Se supone que un solo servidor proporciona el servicio que vara aleatoriamente.
Salidas.
No se permite que las unidades que salgan entren inmediatamente al servicio.
Caractersticas de operacin .
Un servidor y una cola.
Llegada Poisson.
Cola infinita, primero en llegar primero en ser servido.
Tiempos de servicio exponenciales.
Cola :
Utilizacin de la instalacin :
Entonces :
= 2.25 Clientes
= 3 clientes.
= 0.75 o 75%
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
18 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 :
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 . Esto se expresa
como :
Wq = 2 minutos
Rearreglando trminos,
Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede descartarse la
solucin negativa. Entonces :
Para cumplir los requerimientos, se necesita una tasa de casi 50 rdenes por hora. Si, por
ejemplo, una brigada de cinco pueden manejar 45 rdenes por hora y una de seis puede
procesar 50 por hora, entonces sera necesario tener la brigada de seis.
FUENTE: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
19 2.8 Servidores mltiples, cola finita, fuente infinita
Este modelo es igual que el anterior, excepto que se supone que el tiempo de servicio es exactamente el mismo en
cada llegada en lugar de ser aleatorio. Todava se tiene una sola lnea, tamao de la cola infinito, disciplina de la
cola como primero en llegar primero en ser servido y llegadas Poisson.
Las aplicaciones tpicas de este modelo pueden incluir un autolavado automtico, una estacin de trabajo en
una pequea fbrica o una estacin de diagnstico de mantenimiento preventivo. En general, el servicio lo
proporciona una mquina.
Ejemplo:
Supngase un lavado automtico de autos con una lnea de remolque, de manera que los autos se mueven a
travs de la instalacin de lavado como en una lnea de ensamble. Una instalacin de este tipo tiene dos tiempos
de servicio diferentes : el tiempo entre autos y el tiempo para completar un auto. Desde el punto de vista de teora
de colas, el tiempo entre autos establece el tiempo de servicio del sistema. Un auto cada cinco minutos da una
tasa de 12 autos por hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe esperar para
entregar un auto limpio. La teora de colas no considera este tiempo.
Supngase que el lavado de autos puede aceptar un auto cada cinco minutos y que la tasa promedio de
llegadas es de nueve autos por hora ( con distribucin Poisson). Sustituyendo :
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
20 INVESTIGAIN DE OPRAINES DE TAHA. ED ALFAOMEGA, MEX. 204
PRIMER EXAMEN PARCIAL
21
22 UNIDAD TRES
Teora de Decisin
La teora de la decisin es una rea interdisciplinaria de estudio, relacionada con casi todos los participantes en
ramas de la ciencia, ingeniera principalmente la psicologa del consumidor (basados en perspectivas cognitivo-
conductuales). Concierne a la forma y al estudio del comportamiento y fenmenos psquicos de aquellos que
toman las decisiones (reales o ficticios), as como las condiciones por las que deben ser tomadas las decisiones
ptimas.
1. La teora de la decisin normativa que busca los criterios racionales de la decisin as como las
motivaciones humanas en diferentes situaciones. De esta forma esta parte de la teora busca ejemplos
axiomticos de la racionalidad dentro de la toma de decisiones.
2. La teora de la decisin prescriptiva.
3. La teora de la decisin descriptiva.
Como parece obvio que las personas no se encuentran en estos entornos ptimos y con la intencin de hacer la
teora ms realista, se ha creado un rea de estudio relacionado que se encarga de la parte de la disciplina ms
positiva o descriptiva, intentando describir que voluntad tiene el que toma la decisin, antes de que la haga. Se
pens en esta teora debido a que la teora normativa, trabaja slo bajo condiciones ptimas de decisin, y a
menudo crea hiptesis para ser probadas, algo alejadas de la realidad cotidiana, los dos campos estn
ntimamente relacionados. No obstante es posible relajar alguna presunciones de la informacin perfecta que llega
al sujeto que toma decisiones, se puede rebajar su racionalidad y as sucesivamente hasta llegar a una serie de
prescripciones o predicciones sobre el comportamiento de la persona que toma decisiones, permitiendo comprobar
qu ocurre en la prctica de la vida cotidiana.
Existen tipos de decision que son interesantes desde el punto de vista del desarrollo de una teora, estos
son:
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
Decisiones sociales: decisiones tomadas en grupo o bajo una estructura organizativa
FUENTE: http://es.wikipedia.org/wiki/Teor%C3%ADa_de_la_decisi%C3%B3n
3.1 Caractersticas generales de la teora de decisiones
23
3.1 Caractersticas generales de la teora de decisiones
Elija la meta que satisfaga sus "valores". Los valores deben expresarse en escala numrica y
mensurable. Esto es necesario para hallar las jerarquas entre los valores.
1. Averige cual es el conjunto de cursos de accin posibles que puede tomar y luego
rena informacin confiable sobre cada uno de ellos. La informacin objetiva sobre los
cursos de accin tambin puede expandir su conjunto de alternativas. Cuantas mas
alternativas desarrolle, mejores decisiones podr tomar. Debe convertirse en una
persona creativa para expandir su conjunto de alternativas.
Pablo Picasso se dio cuenta de esto y dijo: " Todos los seres humanos nacen con el
mismo potencial de creatividad. La mayora lo derrochan en millones de cosas
superfluas. Yo invierto el mo en una sola cosa: mi arte". Las alternativas de decisiones
creativas son originales, relevantes y practicas.
2. Prediga el resultado de cada curso de accin individual mirando hacia el futuro.
3. Elija la mejor alternativa que tenga el menor riesgo involucrado en llegar a la meta.
4. Implemente su decisin.
Los datos son conocidos como informacin cruda y no como conocimientos en s. La secuencia que va
desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) a la
Informacin (Information), de la Informacin (Information) a los Hechos (Facts), y finalmente, de
los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en informacin, cuando se
hacen relevantes para la toma de decisin a un problema. La informacin se convierte en hecho, cuando es
respaldada por los datos. Los hechos son lo que los datos revelan. Sin embargo el conocimiento
instrumental es expresado junto con un cierto grado estadstico de confianza (gl).
de donde:
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
sistemtica de la evidencia. Esto requiri un estudio de las leyes de la probabilidad, del desarrollo de las
propiedades de medicin, relacin de datos.
La inferencia estadstica intenta determinar si alguna significancia estadstica puede ser adjunta luego que
se permita una variacin aleatoria como fuente de error. Una inteligente y crtica inferencia no puede ser
hecha por aquellos que no entiendan el propsito, las condiciones, y la aplicabilidad de las de diversas
tcnicas para juzgar el significado.
Considerando el ambiente de la incertidumbre, la posibilidad de que las buenas decisiones sean tomadas
incrementa con la disponibilidad de la buena informacin. El chance de la disponibilidad de la buena
informacin incrementa con el nivel de estructuracin del proceso de Direccin de Conocimiento. La
figura anterior tambin ilustra el hecho que mientras la exactitud de un modelo estadstico aumenta, el
nivel de mejora en la toma de decisiones aumenta.
El conocimiento es mas que simplemente saber algo tcnico. El conocimiento necesita la sabidura. La
sabidura es el poder de poner nuestro tiempo y nuestro conocimiento en el uso apropiado. La sabidura
viene con edad y experiencia. La sabidura es la aplicacin exacta del conocimiento exacto. La sabidura
es sobre saber como algo tcnico puede ser mejor utilizado para cubrir las necesidades de los encargados
de tomar decisiones. La sabidura, por ejemplo, crea el software estadstico que es til, ms bien que
tcnicamente brillante. Por ejemplo, desde que la Web entr en el conocimiento popular, los observadores
han notado que esto pone la informacin en nuestras manos, pero guardar la sabidura fuera de nuestro
alcance. HR>
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
financiero podra usar mtodos de regresin y correlacin para entender mejor la analoga entre los
indicadores financieros y un conjunto de otras variables de negocio. *Un analista de mercadeo podra usar
pruebas de significancia para aceptar o rechazar una hiptesis sobre un grupo de posibles compradores a
los cuales la compaa esta interesada en vender sus productos. *Un gerente de ventas podra usar
tcnicas estadsticas para predecir las ventas de los prximos periodos
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwida
3.3 Valor de la informacin perfecta
En muchos casos, el decisor puede necesitar la opinin de un especialista para reducir sus
incertidumbres con respecto a la probabilidad de cada uno de los estados de la naturaleza. Por
ejemplo, consideremos el siguiente problema de decisin concerniente a la produccin de un
nuevo producto:
Estados de la naturaleza
Mucha venta Venta media Poca venta
A(0,2) B(0,5) C(0,3)
A1 (desarrollar) 3000 2000 -6000
A2 (no desarrollar) 0 0 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".
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:
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.
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=7HihnUZ8-
E6fckMD4JQauC9ZPDo&hl=en&ei=GnmtSs6HHYaKsgPN9uCKBQ&sa=X&oi=book_result&ct=result
28 &resnum=1#v=onepage&q=&f=false
29 3.4 rboles de decisin
30 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.
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, puede
tomar una decisin, y da vuelta a la rueda de su coche. En cada nodo del crculo la seora Fortuna asume
el control la rueda, y usted es impotente.
A continuacin se indica una descripcin paso a paso de cmo construir un rbol de decisiones:
1.-Dibuje el rbol de decisiones usando cuadrados para representar las decisiones y crculos para
representar la incertidumbre.
2.-Evale el rbol de decisiones, para verificar que se han incluido todos los resultados posibles.
3.-Calcule los valores del rbol trabajando en retroceso, del lado derecho al izquierdo.
4.-Calcule los valores de los nodos de resultado incierto multiplicando el valor de los resultados por su
probabilidad (es decir, los valores esperados). Podemos calcular el valor de un nodo del rbol cuando
tenemos el valor de todos los nodos que siguen. El valor de un nodo de eleccin es el valor ms alto de
todos los nodos que le siguen inmediatamente. El valor de un nodo de probabilidad es el valor esperado de
los valores de los nodos que le siguen, usando la probabilidad de los arcos. Retrocediendo en el rbol,
desde las ramas hacia la raz, se puede calcular el valor de todos los nodos, incluida la raz del rbol. Al
poner estos resultados numricos en el rbol de decisiones obtenemos como resultado el siguiente grfico:
Referencias de la figura
No Consultant = Sin consultor;
$500 fee = $500 por honorarios;
Hire Consultant = Contratar consultor
Verifique la eficiencia del consultor (%) calculando el ndice: (Beneficio esperado recurriendo al
consultor {monto en $}) / VEIP. El beneficio esperado recurriendo al consultor surge del grfico
como
BE = 1000 - 500 = 500, mientras que VEIP = 0,2(3000) + 0,5(2000) + 0,3(0) = 1600.
Por lo tanto, la eficiencia de este consultor es: 500/1600 = 31%
Como trabajo domiciliario rehaga este problema con distribucin previa plana, es decir, trabajando
slo con las recomendaciones de la firma de marketing. Trabajar con distribucin previa plana
significa que asigna igual probabilidad, a diferencia de (0,2, 0,5, 0,3). Es decir, el dueo del
problema no conoce el nivel de ventas si introduce el producto al mercado.
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.
o Claramente relaja el problema, por lo tanto todas las opciones pueden ser consideradas.
o Nos permiten ampliamente analizar las posibles consecuencias de una decisin.
o Proporcionan un esquema para cuantificar los valores delos resultados y las probabilidades
para lograr los mismos.
o Nos ayudan a tomar mejores decisiones basadas en la informacin existente, as como
tambin hacer mejores adivinanzas.
Tambin visite:
Teora de la Decisin y rboles de Decision
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rwhyadvice
3.5 Teora de utilidad
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
31 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.
Las diferencias individuales en actitudes hacia el riesgo y estas diferencias, influenciarn sus
opciones. Por lo tanto, individuos deben realizar cada vez la misma decisin con relacin al riesgo
percibido en situaciones similares. Esto no significa que todos los individuos deberan controlar la
misma cantidad de riesgo en situaciones similares. Mas an, debido a la estabilidad financiera de
un individuo, dos individuos enfrentando la misma situacin podran reaccionar de manera
diferente a pesar de utilizar los mismos criterios. Una diferencia personal de opinin e
interpretacin de las polticas tambin puede producir diferencias.
La retribucin monetaria esperada que se asocia con las diversas decisiones puede no ser razonable
por las siguientes dos razones importantes:
1. El valor en dlares puede no expresar autnticamente el valor personal que el resultado tiene
para uno. Esto es lo que motiva a algunas personas a jugar a la lotera por $1.
2. Si usted acepta los valores monetarios esperados es probable que no est reflejando con
exactitud su aversin al riesgo. Por ejemplo, supongamos que tiene que elegir entre que le paguen
$10 por no hacer nada, o participar de una apuesta cuyo resultado depende del lanzamiento de una
moneda al aire, pudiendo ganar $1.000 si sale cara y perder $950 si sale cruz. La primera
alternativa tiene una recompensa esperada de $10; la segunda tiene una recompensa esperada de
0,5(1000) + 0,5(- 950) = $25, y es claramente preferible a la primera (si la recompensa monetaria
esperada fuere un criterio razonable). Pero usted quizs prefiera $10 seguros antes que correr el
riesgo de perder $950.
Por qu algunas personas contratan seguros y otras no? El proceso de toma de decisiones
involucra factores psicolgicos y econmicos, entre otros. El concepto de utilidad es un intento de
medir el provecho que tiene el dinero para el decisor en lo individual. Con el concepto de la
utilidad podemos explicar por qu, por ejemplo, algunas personas compran billetes de lotera por
un dlar para ganar un milln de dlares. Para estas personas, 1.000.000 ($1) es menos que
($1.000.000). Por lo tanto, para tomar una decisin acertada considerando la actitud que tiene el
decisor con respecto al riesgo, debemos convertir la matriz de beneficios monetarios en una matriz
de utilidad. La principal pregunta sera: Cmo se mide la funcin de la utilidad con cada decisor?
Jugar el siguiente juego: ganar $15 con probabilidad (p) y -$2 con probabilidad (1-p), donde p es
un nmero seleccionado entre 0 y 1.
Cambiando el valor de p, y repitiendo una pregunta similar, existe un valor de p con el que el
decisor es indiferente ante las dos hiptesis. Digamos, p = 0,48.
d) Repita el mismo proceso para hallar las utilidades de cada elemento de la matriz de beneficios.
Supongamos que definimos la siguiente matriz de utilidad:
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.
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rutility
32 3.5 Teora de utilidad
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.
La funcin de utilidad es normalmente usada para predecir la utilidad del tomador de decisiones
para un valor monetario dado. La prediccin y precisin aumentan desde el mtodo tabular al
matemtico.
Representacin Tabular de la Funcin de Utilidad: Podemos tabular los pares de datos (D, U)
usando las entradas de la matriz que representan los valores monetarios (D) y sus utilidades
correspondientes (U) de la matriz de utilidad obtenida previamente. La forma tabular de la funcin
de utilidad para nuestro ejemplo numrico es dada por la siguiente tabla de pares de datos (D, U):
D 12 8 6 3 15 7 3 -2 7 7 7 7
U 58 34 28 13 100 19 13 0 19 19 19 19
Como puede ver, la representacin tabular esta limitada a los valores numricos dentro de la tabla.
Suponga que se desea obtener la utilidad en dlares, digamos $10. Se podra usar el mtodo de
interpolacin; sin embargo, porque la funcin de utilidad normalmente es no-lineal; el resultado
interpolado no representa la utilidad del tomador de decisiones acertadamente. Para enfrentar esta
dificultad, se debera usar el mtodo grfico.
Para nuestro ejemplo numrico, el grafico siguiente es una funcin sobre el intervalo usado en el
modelo de la funcin de utilidad, dibujado con la utilidad asociada (eje de las U) y el valor
asociado en dlares (eje de las D). Note que en el diagrama de dispersin los puntos mltiples
estn representados por crculos pequeos.
La representacin grfica tiene una gran ventaja sobre la tabular y es que se puede leer la utilidad
en dlares de $10 directamente del grfico, como se muestra en la figura anterior para nuestro
ejemplo numrico. El resultado es aproximadamente U = 40. Leyendo un valor del grfico no es
conveniente; por lo tanto, para los procesos de predicciones, un modelo matemtico es el que
mejor funciona.
Sabemos que queremos una funcin cuadrtica que se ajuste mejor al diagrama de dispersin que
ha sido construido previamente. Por lo tanto, utilizamos el anlsis de regresin para estimar los
coeficientes en la funcin que mejor se ajusta a los pares de datos (D, U).
Modelos de Parbola: Las regresiones de parbola tienen tres coeficientes con una forma general:
U = a + bD + cD2,
donde
Para nuestro ejemplo numrico i = 1, 2,..., 12. mediante la evaluacin de estos coeficientes
utilizando la informacin dada en la seccin de la forma tabular, El mejor ajuste es caracterizado
por sus coeficientes de valores estimados: c = 0,409, b = 0,035, y a = 3,091. El resultado es; por lo
tanto, una funcin de utilidad aproximada por la siguiente funcin cuadrtica:
A usted podra gustarle utilizar el JavaScript de Regresin Cuadrtica para comprobar sus clculos
manuales. Para grados mayores que la cuadrtica, a usted podra gustarle utilizar el JavaScript de
Regresin Polinomial.
Fuente: http://home.ubalt.edu/ntsbarsh/opre640S/SpanishP.htm#rutility
33 3.6 Decisiones secunciales.
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
3.6 Decisiones secunciales.
Fuente:
http://www.snap.gov.bo/campusvirtual/courses/CLIBFDTSCB/document/Toma_de_decisiones/Teoria/CA
34 P_6_DECISIONES_SECUENCIALES,___ARBOL_DE_DECISION.pdf?cidReq=CLIBFDTSCB
35 3.7 Anlisis de sensibilidad
El trabajo del equipo de investigacin de operaciones recin se inicia cuando se ha aplicado con xito el mtodo smplex para
identificar una solucin ptima. Una suposicin de programacin lineal es que todos los parmetros del modelo (aij, bi y cj ) son
constantes conocidas. En realidad, los valores de los parmetros que se usan en este modelo son slo estimaciones
basadas en una prediccin de las condiciones futuras. Los datos obtenidos para desarrollar estas estimaciones con frecuencia
son bastante imperfectos o no existen, es por esta razn que los parmetros de la formulacin original pueden representar poco
ms que algunas pequeas reglas proporcionadas por el personal de lnea el que tal vez se sinti presionado para dar su
opinin. Los datos pueden incluso representar estimaciones optimistas o pesimistas que protegen los intereses de los
estimadores.
Por todo esto, un gerente razonable y el personal de investigacin de operaciones mantendrn cierto escepticismo respecto a
los valores originales entregados por el computador y, en los muchos casos, los considerarn solamente como un punto de
inicio para el anlisis posterior del problema. Una solucin "ptima" es ptima nada ms en lo que se refiere al modelo
especfico que se est usando para representar el problema real, y tal solucin no se convierte en una gua confiable para la
accin hasta que se verifica que su comportamiento es bueno para otras representaciones razonables del problema. An ms,
algunas veces los parmetros del modelo (en particular bi) se establecen como resultado de decisiones por polticas
gerenciales, y estas decisiones deben revisarse despus de detectar sus consecuencias.
Estas son las razones por las cuales es importante llevar a cabo un anlisis de sensibilidad, para investigar el efecto que
tendra sobre la solucin ptima proporcionada por el mtodo smplex el hecho de que los parmetros tomaran otros valores
posibles. En general, habr algunos parmetros a los que se les pueda asignar cualquier valor razonable sin que afecten la
optimalidad de la solucin. Sin embargo, tambin existirn parmetros con valores probables que nos lleven a una nueva
solucin ptima. Esta situacin es particularmente preocupante, si la solucin original adquiere valores sustancialmente
inferiores en la funcin objetivo, o tal vez no factibles!
Por lo tanto, el objetivo fundamental del anlisis de sensibilidad es identificar los parmetros sensibles, (por ejemplo, los
parmetros cuyos valores no pueden cambiar sin que cambie la solucin ptima ). Para ciertos parmetros que no estn
clasificados como sensibles, tambin puede resultar de gran utilidad determinar el intervalo de valores del parmetro para el
que la solucin ptima no cambia. (Este intervalo de valores se conoce como intervalo permisible para permanecer ptimo). En
algunos casos, cambiar el valor de un parmetro puede afectar la factibilidad de la solucin BF ptima. Para tales parmetros,
es til determinar el intervalo de valores para el que la solucin BF ptima (con los valores ajustados de las variables bsicas)
seguir siendo factible. (Este intervalo recibe el nombre de intervalo permisible para permanecer factible).
La informacin de este tipo es invaluable en dos sentidos. Primero, identifica los parmetros ms importantes, con lo que se
puede poner un cuidado especial al hacer sus estimaciones y al seleccionar una solucin que tenga un buen desempeo para
la mayora de los valores posibles. Segundo, identifica los parmetros que ser necesario controlar de cerca cuando el estudio
se lleve a la prctica. Si se descubre que el valor real de un parmetro se encuentra fuera de su intervalo de valores
permisibles, sta es una seal de que es necesario cambiar la solucin.
En esencia, la idea fundamental revela de inmediato la forma en que los cambios al modelo original alteraran los nmeros de la
tabla smplex final (si se supone que se duplica la misma secuencia de operaciones algebraicas que realiz el mtodo smplex
la primera vez). Por lo tanto, despus de hacer unos cuantos clculos para actualizar esta tabla smplex, se puede verificar con
facilidad si la solucin BF ptima original ahora es no ptima (o no factible). Si es as, esta solucin se usar como solucin
bsica inicial para comenzar de nuevo el mtodo smplex (o el smplex dual ) para encontrar una nueva solucin ptima, si se
desea. Si los cambios realizados en el modelo no son cambios mayores, slo se requerirn unas cuantas iteraciones para
obtener la nueva solucin ptima a partir de esta solucin bsica inicial "avanzada".
Para describir este procedimiento con ms detalle, considere la siguiente situacin. Se ha empleado el mtodo smplex para
obtener una solucin ptima para un modelo de programacin lineal con valores especficos para los parmetros bi, cj y aij.
Para iniciar el anlisis de sensibilidad se cambian uno o ms parmetros. Despus de hacer los cambios, sean bi, cj y aij los
valores de los distintos parmetros. Entonces, en notacin matricial, para el modelo revisado.
___
b b, c c, a a,
Primer paso es actualizar la tabla smplex final para que refleje estos cambios. Usando la siguiente notacin junto a las frmulas
que acompaan a la idea fundamental [ 1) t* = t + y*T y 2) T* = S*T ] , se ve que la tabla smplex final revisada se calcula a
partir de y* y S* (que no han cambiado) y la nueva tabla smplex inicial, como se muestra en la tabla 1.1.
Tabla 1.1 Tabla smplex final revisada que resulta de los cambios en el modelo original
Coeficiente de
(1, 2,...,m) 0 A 1 b
(1,2,...,m) 0 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:
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 ambas fronteras por las que se muestran con lneas oscuras, 2x2 = 24 y 2x1 + 2x2 = 18. En
consecuencia, la solucin FEV anterior (2, 6) cambia ahora a la nueva interseccin (-3, 12) que es una solucin no factible en
un vrtice para el modelo revisado. El procedimiento descrito en los prrafos anteriores encuentra este cambio algebraicamente
(en la forma aumentada). An ms, lo hace de manera muy eficiente aunque se trate de grandes problemas para los que el
anlisis grfico es imposible.
Para llevar a cabo este procedimiento, se comienza escribiendo los parmetros del modelo revisado en forma matricial:
__10_4
c = (4,5), A = 0 2 , b = 24
2 2 18
La tabla smplex inicial nueva que resulta se muestra en la parte superior de la tabla 1.2. Debajo se encuentra la tabla smplex
final original. Se dibujaron cuadros oscuros para marcar las partes de esta tabla smplex final que definitivamente no cambian
con los cambios al modelo, a saber, los coeficientes de las variables de holgura tanto en el rengln 0 (y*) como en el resto de
los renglones (S*). As,
1 1/3 -1/3
y* = ( 0, 3/2, 1 ), S* = 0 0
0 -1/3 3
Figura 1 Cambio de la solucin final en un vrtice de (2, 6) a (-3, 12) para la revisin del problema de la Wyndor Glass Co.,
donde c1 = 3 4, a31 = 3 2 y b2 =12 24.
Estos coeficientes de las variables de holgura quedan necesariamente sin cambiar cuando se realizan las mismas operaciones
algebraicas que originalmente realiz el mtodo smplex porque los coeficientes de estas mismas variables en la tabla smplex
inicial no cambiaron.
Sin embargo, como otras partes de la tabla smplex inicial cambiaron, habr modificaciones en la tabla smplex final. Usando las
frmulas de la tabla 6.1, los nmeros actualizados en el resto de la tabla smplex final se calculan como sigue:
_104
2 2 18
A* = 0 0 0 2 = 0 1 ,
1 1/3 -1/3 4 6
b* = 0 0 24 = 12
0 -1/3 1/3 18 -2
Tabla 1.2 Obtencin de la tabla smplex revisada final para el problema de la Wyndor Glass Co.
Fuente: http://html.rincondelvago.com/analisis-de-sensibilidad_1.html
36 3.7 Anlisis de sensibilidad
UNIDAD CUATRO
Cadenas de Markov
37
38 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 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.
Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan promociones.
Como transiciones de probabilidad, estn controladas por la firma, puede establecerse el nivel
que la firma determine que es necesario para cumplir sus objetivos. Como ejemplo, supngase
que la firma tiene en este momento 30 empleados del 3, 90 empleados del grado 2 y 300
empleados del grado 1 y que desea mantener este nivel de empleados durante el prximo ao.
Por experiencia, se espera que salgan el 30 % de los empleados de grado 1 al ao, el 20 % de
los empleados de grado 2 y el 10 % de aquellos que estn en el grado 3. Si la poltica es
contratar slo en los niveles de clasificacin ms bajos, cuntos se deben contratar y cuntos
se deben promover el siguiente ao para mantener estables los niveles ?.
Este problema puede resolverse sin el anlisis de Markov, pero el modelo es til para ayudar
a conceptualizar el problema. Como se trata slo de un ciclo, se usa el anlisis de transicin. El
anlisis comienza con el graado ms alto. No se hacen promociones pero el 10 %, o sea, 3,
sale. Todos ellos deben de reemplazarse por promociones del grado 2. En el nivel de
clasificacin, el 20 % sale y se deben promover 3, con una prdida de 21. Esto se debe
compensar por promocin del grado 1. Al pasar al grado 1, el 30 % sale y 21 deben
promoverse, lo cual una prdida total de 111. Por tanto, el siguiente ao se deben contratar 111
empleados del nivel 1.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
39 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.
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, E j , 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 E j , de manera que el generador se
encuentra en el estado Mj .
Probabilidades de transicin.
Una forma de describir una cadena de Markov es con un diagrama de estados, como el que
se muestra en la figura 4.1.2. En sta se ilustra un sistema de Markov con cuatro estados
posibles : M1, M2 , M3 y M4 . La probabilidad condicional o de transicin de moverse de un
estado a otro se indica en el diagrama
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
41 4.4 Propiedad Markoviana de primer orden.
sucesin i, j , K0 , K1 , . . , Ki-1 .
Entonces se dice que las probabilidades de transicin (de un paso) son estacionarias y por lo
general se denotan por pij . As, tener probabilidades de transicin estacionarias implican que
las probabilidades de transicin no cambian con el tiempo. La existencia de probabilidades de
transicin (de un paso) estacionarias tambin implica que, para cada i, j y n (n = 0, 1, 2,...),
P{ Xt+n = j | | Xt = i } = p{Xn = j | X0 = i },
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
42 4.4 Propiedad Markoviana de primer orden.
43 4.5 Probabilidad de transicin estacionarias de un solo paso.
44 4.5 Probabilidad de transicin estacionarias de un solo paso.
Ejemplo :
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 D i son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X0 el nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el
nmero de cmaras que se tienen al final de la semana uno, X 2 el nmero de cmaras al final
de la semana dos, etc. Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido
que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1
para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
45 4.6 Probabilidad de transicin estacionarias de n pasos.
46 4.6 Probabilidad de transicin estacionarias de n pasos.
Las ecuaciones de Chapman-Kolmogorov proporcionan un mtodo para calcular estas
Note que las son los elementos de la matriz P(2) , pero tambin debe de observarse que
Ejemplo :
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 D i son variables aleatorias
independientes e idnticamente distribuidas que tienen una distribucin de probabilidad
conocida. Sea X0 el nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el
nmero de cmaras que se tienen al final de la semana uno, X 2 el nmero de cmaras al final
de la semana dos, etc. Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido
que le entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1
para ordenar : si el nmero de cmaras en inventario al final de la semana es menor que s =1
(no hay cmaras en la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se
cuenta con una o ms cmaras en el almacn, no se hace el pedido). Se supone que las ventas
se pierden cuando la demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un
proceso estocstico de la forma que se acaba de describir. Los estados posibles del proceso
son los enteros 0, 1, 2, 3 que representan el nmero posible de cmaras en inventario al final
de la semana.
As, dado que tiene una cmara al final de una semana, la probabilidad de que no haya
As, dado que queda una cmara al final de una semana, 0.282 es la probabilidad de que no
de 0.171 de que haya tres cmaras en el almacn 4 semanas despus; esto es,
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
47 4.7 Estados absorbentes
48 4.7 Estados absorbentes
FUENTE: http://www.investigacion-operaciones.com/Curso_inv-Oper_carpeta/Clase5_II.pdf
49 4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
50 4.8 Probabilidad de transicin estacionarias de estados estables.Tiempos de primer paso.
Teorema
Sea P la matriz de transicin de una cadena de M estados . Existe entonces un
vector tal que
(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 ,
obtenemos el sistema
Al despejar resulta que Por lo tanto, despus de largo tiempo, hay
probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad de que una
persona compre cola 2.
Fuente: http://sistemas.itlp.edu.mx/tutoriales/investoper2/index.htm
Con frecuencia es conveniente poder hacer afirmaciones en trminos de probabilidades sobre
el nmero de transiciones que hace el proceso al ir de un estado i a un estado j por primera vez
. este lapso se llama tiempos de primer paso al ir del estado i al estado j. cuando J=i, esta
tiempo de primer paso es justo el nmero de transiciones hasta que el proceso regresa al
estado inicial i. En este caso, el tiempo de primer paso se llama tiempo de recurrencia para el
estado i.
Para ilustrar estas definiciones, reconsidrese el ejemplo siguiente :
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 D i son variables aleatorias independientes e
idnticamente distribuidas que tienen una distribucin de probabilidad conocida. Sea X 0 el
nmero de cmaras que se tiene en el momento de iniciar el proceso, X 1 el nmero de cmaras
que se tienen al final de la semana uno, X 2 el nmero de cmaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sbado en la noche la tienda hace un pedido que le entregan el lunes
en el momento de abrir la tienda. La tienda hace un pedido que le entregan el lunes en el
momento de abrir la tienda. La tienda usa la siguiente poltica ( s, S) 1 para ordenar : si el
nmero de cmaras en inventario al final de la semana es menor que s =1 (no hay cmaras en
la tienda), ordenar (hasta) S=3. De otra manera, no coloca la orden (si se cuenta con una o ms
cmaras en el almacn, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X 1} para t = 0, 1, .. es un proceso estocstico de la
forma que se acaba de describir. Los estados posibles del proceso son los enteros 0, 1, 2, 3
que representan el nmero posible de cmaras en inventario al final de la semana.
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 , que se
define como:
Al aplicarlo al ejemplo del inventario, estas ecuaciones se pueden usar para calcular el tiempo
esperado hasta que ya no se tengan cmaras en el almacn, suponiendo que el proceso inicia
cuando se tienen tres cmaras; es decir, se puede obtener el tiempo esperado de primer
paso . Como todos los estados son recurrentes, el sistema de ecuaciones conduce a las
expresiones
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
51 4.9 Uso de programas de computacin.
4.9 Uso de programas de computacin.
52 TAHA.
Practica: Analizar problemas de probabilidad de transicin estacionarias de un solo paso, de n pasos, los estados
53 absorbentes, la probabilidad de transicin estacionaria de estados estables y los tiempos de primer paso.
54 SEGUNDO EXAMEN PARCIAL
55 UNIDAD CINCO
Optimizacin de Redes
HANDY Y TAHA
5.1 Terminologa.
56
5.1 Terminologa.
57
58 5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
59 5.2 Problema de la ruta ms corta. Redes cclicas y acclicas
FUENTE: TAHA.
5.3 Problema del rbol de mnima expansin.
60
61 5.3 Problema del rbol de mnima expansin.
HAMDY A TAHA INVESTIGACIN DE OPERACIONES, PRENTICR AHLL,
5.4 Problema de flujo mximo.
62
63 5.5 Problema de flujo de costo mnimo.
(MCNFP)
Una condicin necesaria para que el modelo tenga solucin factible es que
bi=0, es decir, que el flujo total generado en los nodos origen sea igual al flujo total
absorbido por los nodos destino.
Con frecuencia bi y uij son valores enteros. Las variables xij son variables enteras y no se
requiere agregar esta condicin al modelo (unimodularidad).
Con este modelo es posible plantear un problema de transporte, de transbordo, de flujo
mximo y de camino ms corto.
Como la red es no-dirigida cada arco se sustituye por un par de arcos dirigidos en direccin
opuesta, excepto para el nodo origen y el nodo destino.
Veamos un ejemplo: la siguiente red indica los caminos posibles para llegar del nodo 1 al
nodo 7. Los valores en los arcos indican la distancia entre cada nodo.
15
2 7
10
18
11
19
8 4
1
5
0 6
2 8
0
6
3 0 5
6 10 0
4
min 10x12+15x27+19x67+26x13+8x23+8x32+18x24+18x42+10x35+10x53+
+8x56+8x65+5x45+5x54+11x47
s.t.
x12+x13=1
-x27-x47-x67=-1
x27+x24+x23-x32-x42-x12=0
x32+x35-x23-x53-x13=0
x42+x47+x45-x24-x54=0
x53+x54+x56-x35-x45-x65=0
x65+x67-x56=0
EL PROBLEMA DE FLUJO MXIMO COMO MODELO DE MCNFP
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
xTO
3
1
4
0 2 3 2
1 2 T
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.
fuente: ftp.itam.mx/pub/investigadores/gigola/ModyOpt/MCNFP.doc -