Professional Documents
Culture Documents
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
I. Introduccin a la Investigacin de
Gestin de Investigacin de Operaciones
Operaciones
I.1. Introduccin.
Piezas pequeas: 2x + 2y 8
Piezas grandes : x + 2y 6
Temario:
Diagrama:
C.D.1
X11
Planta 1
X12
X13
X23
C.D.3
Orgenes Destinos
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Variables de decisin:
Funcin Objetivo:
1) No Negatividad: xij 0
2) Demanda:
CD1 : x11 +x21 = 200
CD2 : x12 +x22 = 200
CD3 : x13 + x23 = 250
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
3) Oferta :
P1 : x11 + x12 + x13 250
P2 : x21 + x22 + x23 450
Variables de decisin:
x1 : galones de leche utilizados en la dieta.
x2 : porciones de legumbre utilizadas en la dieta.
x3 : unidades de naranja utilizadas en la dieta.
Funcin Objetivo:
Minimizar el costo total de la dieta, dado por:
2 x1 + 0.2 x2 + 0.25 x3
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
x1 0 ; x2 0 ; x3 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Variables de decisin:
xt : nmero de unidades elaboradas en el periodo t.
It : nmero de unidades de inventario al final del
periodo t.
Funcin objetivo:
Consiste en minimizar los costos de produccin y el
costo de mantenimiento de inventario.
6x1+ 4x2 + 8x3 + 9x4 + 2I1 + I2 + 2.5I3 + 3I4
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
2) Restricciones de no negatividad
xt 0
3) Restricciones de demanda
x1 + I0 I1 = 130 Periodo 1 I0=15
x2 + I1 I2 = 80 Periodo 2
x3 + I2 I3 = 125 Periodo 3
x4 + I3 I4 = 195 Periodo 4
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Funcin Objetivo:
Se propone maximizar los retornos recibidos en la
asignacin, dados por:
Variables de decisin:
xj : cantidad de barriles del gas j que son vendidos
sin mezclar, con j = 1, 2, 3, 4.
xA : cantidad de barriles de avgas A.
xB : cantidad de barriles de avgas B.
xjA: cantidad de gas j usado en avgas A.
xjB: cantidad de gas j usado en avgas B.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Funcin objetivo:
Max 24,83 (x1 + x2 + x3 + x4) + 26,45xA + 25,91xB
Restricciones: x1 + x1A + x1B = 3814
x2 + x2A + x2B = 2666
x3 + x3A + x3B = 4016
x4 + x4A + x4B = 1300
x1A + x2A + x3A + x4A = xA
x1B + x2B + x3B + x4B = xB
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
5 x 1A 8x 2 A 4 x 3 A 21x 4 A
RVP, avgas A: 7
xA
5 x 1B 8x 2B 4 x 3B 21x 4B
RVP, avgas B: 7
xB
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Variables de decisin:
xt : cantidad de MW expandidos en planta a
petrleo al inicio del ao t, con t = 1, 2, ..., T.
yt : cantidad de MW expandidos en planta a gas al
inicio del ao t, con t = 1, 2, ..., T.
zt : cantidad total de MW disponible en plantas
nuevas a petrleo al inicio del ao t.
wt : cantidad total de MW disponible en plantas
nuevas a gas al inicio del ao t.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Funcin Objetivo:
pt x t gt yt
T
Min
t 1
Restricciones: c t z t w t dt
t
z t xk t 20
k 1
t
zt xk t 20
k t 19
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
t
w t yk t 15
k 1
t
wt yk t 15
k t 14
wt
0,30 t 1...T
ct zt w t
x t , yt , z t , w t 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Temario:
4 6 x1
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
x1* = 2 x2* = 6
z* = 3 x1* + 5 x2* = 36
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Temario:
4 6
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
c1 1
1
c2 2
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
c1 1
Para C1: 1 10 c1 20
20 2
Para C2: 1 15 1 15 c 2 30
c2 2
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Primera restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x1 = 0 y x2 = 4, de donde se obtiene:
z(0,4) = 15 x 0 + 20 x 4 = 80 y b1* = 0 + 2 x 4 = 8
Segunda restriccin.
La mayor variacin del coeficiente del lado derecho
se alcanza en x1 = 6 y x2 = 0, de donde se obtiene:
z(0,4) = 15 x 6 + 20 x 0 = 90 y b1*= 2 x 6 + 2x0 = 12
Temario:
xi 0, i = 1, 2, ..., n y mn
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Min cTx
sa Ax = b
x0
P) Max 9u + 2v + 5z
sa 4u + 3v + 6z 50
u + 2v + 3z 8
2u 4v + z = 5
u,v 0
z IR
xi 0, i=1,2,3,4,5,6.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Con u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
n
x1 xB c B
x m
m
B D x 2 c
nm
nm
A= m
xn xD c D
xB :variables bsicas.
xD :variables no bsicas.
m n-m
cB :costos bsicos.
Criterio de Optimalidad:
c T x cBT x B cDD x D
cBT B 1b B
1
D x B cDT x D
cBT B
1
b cDT cDT B
1
D xB xD
valor actual vector de
de la costos
funcin obj. reducidos.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Ejemplo.
Resolver el siguiente problema de P.L.
Tabla inicial:
x1 x2 x3 x4 x5
1 0 0 2 1 70
0 1 0 1 1 40
0 0 1 1 3 90
0 0 0 -40 -60 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
x 1 15
x 2 0
x B x 4 15 xD
x 3 0
x 5 25
z* = - 40 x 15 - 60 x 25 = - 2100
donde: x 1 0
x 3 9
xB x D x 2 0
x 5 1
x 4 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
x 2 0
x 1 1/ 10
xB x D x 4 0
3
x 8
x 5 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
x1 x2 x3 x4
Quedando:
0 5 1 1 8
1 1 0 1/10 9/10
0 1 1/5 0 9/5
Temario:
x1* = 5
x2* = 25
z = v(p) = 2100
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
2 1 + 2 + 3 40
21 + 2 + 3 3 60
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
D) Min 70 1 + 40 2 + 90 3
sa: 2 1 + 2 + 3 40
21 + 2 + 3 3 60
1, 2, 3 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
xj 0 j 1,2,..., m
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
m
D) Min bi i
i 1
m
sa : aij i c j j 1,2,..., n
i 1
i 0 i 1,2,..., m
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
P) Max cTx
sa: Ax b
x0
D) Min bT
sa: AT c
0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
j1 i 1
j 1 i 1
Adems:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
D) Max 5 1 + 6 2
sa: 1 + 22 3
21 + 22 4
31 + 2 5
1, 2 0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
1 2 3 4 5 3 3
1 2 1 0 0 3 xB 4 4
2 2 0 1 0 4 5 5
3 1 0 0 1 5 1 0
xD
2 0
-5 -6 0 0 0 0
1 2 3 4 5 2 3 / 2
1 0 0 3/2 xB 4 1
1 0 -1 1 0 1 5 7 / 2
5/2 0 -1/2 0 1 7/2 1 0
xD
-2 0 3 0 0 9 3 0
1 2 3 4 5 1 1
x B 2 1
0 1 1 -1/2 0 1
1 0 -1 1 0 1 5 1
0 0 2 -5/2 1 1 3 0
xD
0 0 1 2 0 11 4 0
x1 x2 x3 x4 x5
0 -1 -5/2 1 -1/2 -2
1 1 1/2 0 -1/2 3
0 1 7/2 0 3/2 -9
Temario:
rk ck cBTB1Ak
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
sa : Ax b
x0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Consideremos :
c j c j j
j rj c j c j rj
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
0
c i c i i cB cB i 1 cB iei
0
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
rj rj
Max / yij 0 i Min / yij 0
yij yij
Ejemplo:
xB B1b y se cumple xB 0
4 10 4 / 15 1 / 15
B B 1
1 40 1 / 150 2 / 75
Intervalo recurso 1:
4 / 15 1 / 15 6000 b1
1 / 150 2 / 75 x 4000 0
20000 4 b1 10000 b1
0 0
15 15 150 150
b1 5000 b1 10000
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
5000 b1 10000
1000 b1 16000
Intervalo recurso 2:
4 / 15 1/ 15 6000
1/ 150 2 / 75 x 4000 b 0
2
2500 b2 20000
1500 b2 24000
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Variable x1:
0 D1 2 10 C1* 12
Variable x4:
Variable x2:
C2* = C2 + 2 C2 = -20
2 - r2 C2* - 20 - ( 20/3)
C2* - 80/3
Variable x3:
C3* = C3 + 3 C3 = -18
3 - r3 C3* - 18 - ( 10/3)
C3* - 64/3
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Lineal
Temario:
a) Problema de la mochila.
Una empresa est pensando invertir en cuatro
proyectos diferentes, cada proyecto se finaliza a lo
ms en 3 aos. Los flujos de caja requeridos en
cada ao junto con el Valor Presente Neto de cada
proyecto, concludos los aos de ejecucin, y las
disponibilidades de recursos financieros se
resumen en la siguiente tabla:
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Variables de decisin:
1, si se invierte en el proyecto i
xi con i 1,2,3,4
0, sin o
Funcin objetivo:
Variables de decisin:
1, si la restriccin j se satisface
yj
0, sin o
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Variables de decisin
xt: nmero de unidades compradas en t.
It : nivel de inventario al final del perodo t.
1, si se hace una compra en el periodo t
yt
0, sin o
con t: 1, 2, ..., T
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Funcin objetivo
T
Min st yt pt x t ht It
t 1
Restricciones
xt + It-1 - It = dt t = 1, 2, ..., T
I0 = inventario inicial
xt Mt yt t = 1, 2, ..., T
Mt = cte. grande
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
d) Problema de cobertura:
1, si se instala el servidor j
xj
0, sin o
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Funcin objetivo:
n
Min cj xj
j1
Restricciones:Para
n
cada zona i
aij x j 1
j 1
xj k
j1
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Variables de decisin:
1, si se abre la planta j
yj
0, sin o
xij = el nmero de unidades elaboradas en la
planta j para satisfacer el cliente i, con j = 1,...,n y
i = 1,....,m.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Funcin objetivo:
Min c j y j v j xij
n n m n m
i 1
tij xij
j 1 j 1 j 1 i 1
Restricciones:
m
1) Demanda cliente i:
xij di
i 1
xij M j y j
j1
Temario:
Por ejemplo:
PLE) Max cTx
s.a. Ax=b
x 0, xj entero
El problema PL) corresponde a la relajacin
continua del problema PLE), que resulta de
eliminar las condiciones de integralidad de las
variables de decisin en PLE).
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Ejemplo
PLE) Max x2
s.a. - 2x1 + 2x2 1
2x1 + x2 7
x1 0, x2 0 enteros
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
. .
. . .
. . . . x1
3.5
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Temario:
3 x2 = 3
3/2
2 x2 = 2
21x1+11x2=39
1 x2 = 1
x1
x1 = 1 x1 = 2
21x1+11x2 7x1+4x2=13
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Paso 0
Hacer P0), la relajacin continua de PLE)
Fijar la cota inferior del v(PLE) en -.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Paso1
Seleccionar un problema no resuelto, Pi)
Resolver Pi) como problema de programacin
lineal.
Agotar este problema, usando:
(i) que se encontr una solucin entera
(ii) que el problema resulta infactible
(iii) que el problema no provee un valor mejor que
la actual cota del valor ptimo v(PLE).
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Paso 2
Seleccionar una variable xj= j, cuyo valor en la
solucin ptima de Pi) no de entero.
Eliminar la regin correspondiente a
j < j < j + 1
Crear dos nuevos problemas de programacin
lineal que incorporen a Pi) dos restricciones
mutuamente excluyentes: xj j, xj j +1 una
en cada problema y volver al paso 1.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin Entera
Temario:
En este ejemplo:
xi es la cantidad de recursos asignados al producto
i, con i = 1,2,3,4.
Max
s.a:
x1 + x2 + x3 + x4 75.000
xi 0; i = 1, 2, 3, 4, 5.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
y2
y1
x1 x2 xm
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
i) h (x) = a0 + a1 x
ii) h (x) = a0 + a1 x + a2 x2
iii) h (x) = a0 + a1x a2
iv) h (x) = a0 ea1x
v) h (x) = a0 + a1 x + a2 ea3x
vi) h (x) = a0 + a1 ln(x)
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
h(x)= a0 + a1x
ym
y2
y1
x1 x2 xm
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
m
yi x i
a 1 i1m
2
xi
i 1
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
c) Localizacin de instalaciones.
Una compaa petrolera desea construir una
refinera que recibir suministros desde tres
instalaciones portuarias, cuyas coordenadas se
muestran en la siguiente figura:
Puerto B
40
30 Puerto C
Puerto A
30 80
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Puerto B
x*=30,8052225
y*= 37,8900128
Puerto C
Refinera
Puerto A
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
n n n
Max rixi K sij xix j
i1 i1 j1
n
sa : xi 1
i1
xi 0 1 1,2,...,n
Temario:
Min f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
s.a: 1x5
x+
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Lineal a trozos
f(y)
f(x)
x y
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
y y
x
x
Es convexo No es convexo
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Grficamente,
tambin
podemos
observar la
presencia de
divesos mnimos
locales en un
problema no
lineal.
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:
6x1
f ( x ) 2
2
3 x 3 x 2
6 0
D f (x )
2
0 6 x 2 3
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
f(x)
d
x+
-f(x)
Z=20
Z=10 x1
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Ejemplo.Considerar el problema:
Mtodo de Newton
Aqu el vector dk se calcula como la solucin del
siguiente sistema de ecuaciones:
D2f(x)dk = - f(x)
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:
P) Min f(x)
s.a. g1(x) = b1
g2(x) = b2
g m(x) = bn mn
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
gi(x) = bi i = 1, 2, ..., m
m i1
y que
D2 f ( x ^ ) ^i D2gi (x ^ )
i1
es una matriz positiva definida entonces x^ es un
mnimo local de P).
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
f (x ) x12 x 22 ;m 1 h1(x ) x1 x 2 4
f (x ) (2x1, 2x 2 )T 0 0
h1( x )
0 0
2 0 0 0
D f (x )
2 D h( x )
2
0 0
0 2
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
2x1 + 1 = 0
2x2 + 1 = 0
x1 + x2 - 4 = 0 ( Factibilidad)
2 0 0 0 2 0
0 2 1 0 0 0 2
es positiva definida. m
Notar que en x* se tiene: f ( x ) *i hi ( x * )
*
i1
4 4 T 41 1T
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:
gi(x^) = bi ; i = 1, 2, ..., m
hr(x^) dr ; r = 1, 2, ..., l
con j { r / hr(x^) = dr }
Gestin de Investigacin de Operaciones II. Modelos de Programacin Matemtica
Programacin No - lineal
Temario:
Ejemplo.
Min x12 5x1 + 2x22 8x2
sa: 3x1 + 2x2 6
x1, x2 0
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de Markov
V.1. Introduccin.
V.1. Introduccin.
V.1. Introduccin.
V.1. Introduccin.
Nmero 4
de
3
compradores
en el
2
sistema
1
0
20 40 60 80 100
Tiempo (en minutos)
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
6 Nt
Nmero 5
de
4
llamadas
3
Tiempo
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
IP(Nh=k / Nt=n)
= IP(Nh=k, Nt=n) / IP(Nt=n)
= IP(Nh=k, Nt Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt Nh = n - k) / IP(Nt=n)
= IP(Nh=k)IP(Nt-h= n - k) / IP(Nt=n)
= e-h(h)k / k e-(t-h) ((t-h))n-k / (n-k) /
e-t(t)n / n
k n k
= h h t h
k t t
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo.
Suponga que llegan pasajeros a un terminal de
buses de acuerdo a un proceso de Poisson {Nt}t0
a tasa =3 pas./min. En el instante t=0 acaba de
salir un bus y no deja ningn pasajero en la fila,
suponga adems que cada bus tiene una
capacidad suficiente para no dejar pasajeros
esperando en el terminal.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Solucin
11
1
IE(Y n) IE(Y / T t ) dt
9 11 9
11
1
IE(Nt ) dt
9 2
1 11
3t dt
29
30
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
6 Nt
Nmero 5
de
eventos 4
3
2
1
0
T1 T2 T3 T4 T5 Tiempo
S1 S2 S3 S4 S5
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo.
Sea {Nt}t0 un proceso de Poisson a tasa , que
cuenta el nmero de veces que se ha
reemplazado una ampolleta en una lmpara
determinada. Si la primera ampolleta lleva s horas
funcionando, calcular la probabilidad de que
complete ms de s + t horas funcionando.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
IP(T1 s t )
IP(T1 s t / T1 s)
IP(T1 s)
e (s t ) s
t
e IP(T1 t )
e
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo.
Suponga que en un proceso productivo se tiene
dos mquinas que trabajan en paralelo elaborando
un mismo producto. Sean Nt1 y Nt2 procesos de
Poisson independientes a tasas 1 y 2 que
cuentan el nmero de fallas hasta el instante t de
la mquina 1 y 2 respectivamente. Calcular la
probabilidad de que la mquina 2 falle por primera
vez antes de que la mquina 1 falle por primera
vez.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
IP(T 2 T 1 ) IP(T 2 T 1 t ) 1e dt 1
IP(T 2 t ) 1e t dt
1
IP(1 e t ) 1e t dt
2 1
1 1 e ( ) t dt
1 2
1 1 /( 1 2 )
2 /( 1 2 )
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
n 1 ( t )k
IP(Ti t ) 1 e t
k 0 k!
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
fn = PT fn-1 = (PT)n f0
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo 1.
Considere una tienda que mantiene un inventario
de un producto dado para satisfacer una demanda
(aleatoria). La demanda diaria D, tiene la siguiente
distribucin:
IP (D = 0) = 1/4, IP (D = 1) = 1/2,
IP (D = 2) = 1/4, IP (D >= 3) = 0
Sea Xn el nivel de inventario al inicio del da n y
suponga que la tienda tiene la poltica de
mantencin de inventario (s, S), que consiste en
que si al final del da se posee menos de s, se
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Se tiene que:
Xn {1, 2} ; n = 0, 1, 2, ...
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
IP(x 0 1) 0
f
0
IP(x 0 2) 1
pi, j IP(X n1 j / X n i) ; i, j {1,2}
p11 IP(D 0) 1/ 4
p12 IP(D 1) 3 / 4
p 21 IP(D 1) 1/ 2
p 22 IP(D 0) IP(D 2) 1/ 2
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
1/ 4 3 / 4
P
1 / 2 1 / 2
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo 2.
Suponga que en el sistema de las AFP existen
solo 2; las AFP A y las AFP B. Sea N el nmero
de personas afiliadas al sistema; la
superintendencia est preocupada de que las
cuentas individuales estn al da. Para ello ha
establecido un sistema de control basado en el
siguiente procedimiento: al final de cada mes
escoge una persona al azar de los N existentes en
el sistema.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Se tiene:
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
pij(n) IP(X n j / X 0 i) 0
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
pii(n) IP(X n i / X 0 i) 0
Fk (i, j) IP(T(i, j) k )
es decir :
Fk (i, j) IP(Xk j, Xk 1 j,...,X1 j / X 0 i)
x) Sea IE(T(i,i)) k 1k Fk (i,i) , el valor esperado
de el nmero de etapas que le toma al proceso
volver al estado i por primera vez, partiendo del
estado i.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
F(i,i) 1 y IE(T(i,i))
F(i,i) 1 y IE(T(i,i))
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo
Define una cadena
1/ 2 1/ 2 0
p 0 1/ 3 2 / 3
de estados irreducible
con estados recurrente
1/ 3 1/ 3 1/ 3 positivos peridicos
Es una cadena
irreducible, de
0 1 0 0
1/ 2 0 1/ 2 0
estados recurrentes
p positivos y todos
0 0 0 1
1 sus estados son
0 0 0
peridicos de
periodo d=2.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Proposicin.
Sea {Xn}n=0,1,2 una cadena de Markov irreducible
con estados recurrentes positivos aperidicos,
entonces existe una distribucin estacionaria , tal
que > 0 y que se obtiene como la solucin nica
del sistema:
PT
j 1
j
j 0
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
1/ 3 1/ 3 1/ 3 1/3
2/3
P T 3
1 2 3 1 1/3
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
2
de (1) 1 3
3
de (2) 2 3
2
as 3 3 3 1
3
1 3
\ Solucin 1 2 3
4 8
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo:
Una compaa esta considerando emplear
cadenas de markov para analizar los cambios en
las preferencias de los usuarios por tres marcas
distintas de un determinado producto. El estudio ha
arrojado la siguiente estimacin de la matriz de
probabilidades de cambiarse de una marca a otra
cada mes:
1 2 3
1 0.8 0.1 0.1
2 0.03 0.95 0.02
3 0.2 0.05 0.75
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
=PT
i = 1 ; i = 1,2,3.
Temario:
V.1. Introduccin.
V.2. Proceso de Poisson.
V.3. Cadenas de Markov en tiempo discreto.
V.4. Clasificacin de los estados y distribucin
lmite.
V.5. Cadenas de Markov en tiempo continuo.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Propiedad Markoviana:
IP(X t s j / X u X(u), 0 u t, X t i)
IP(X t s j / X t i)
Propiedad Estacionaria
4
Xt
3
2
1
t
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Se necesita explicitar:
i) Probabilidades de transicin pij (asumiendo pii=0)
ii) Tasas vi de los tiempos exponenciales Ti de
permanencia en el estado i.
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Distribucin de Xt :
pij (t ) IP(X t j / X 0 i)
O equivalentemente el sistema:
v j j k vkpkj ; j 1,2,... j 1
k j j
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
Ejemplo :
En el puerto de Valparaso existen N trenes
encargados de traer cargas de contenedores
desde los buques hasta una unidad de descarga.
En esta unidad existen c gras ( c < N) para
descargar los trenes. El tiempo que le toma a una
gra descargar un tren es exponencial a tasa m. Un
tren deja la unidad de descarga cuando la gra
termina de atenderlo y vuelve con una nueva carga
despus de un tiempo exponencial de tasa .
Formular un modelo que nos permita obtener en el
largo plazo :
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
vj= j m+ (N j)
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
pj,j-1= j m / (j m + (N j ) ) j>0
pj,j+1=( N- j ) / (j m + (N j ) )
vj= c m+ (N j)
pj,j-1= c m / (cm + (N j ) )
N 0 = m 1
[m + ( N 1 )] = N 0 + 2 m 2
...
[cm + ( N c ) ] C = (N ( c 1)) c-1 + c m C+1
...
[cm + ] N-1 = 2 N-2 + c m N
Gestin de Investigacin de Operaciones III. Modelos Probabilsticos
Ptrocesos Estocsticos y Cadenas de MarkoIII.
c m N = N-1
1+ 1+...+ N = 1