Métodos probabilísticos UNAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561
1 MTODOS PROBABILSTICOS
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA PROGRAMA CIENCIAS BSICAS
104561 MTODOS PROBABILSTICOS VLADIMIR DE JESS VANEGAS ANGULO (Director Nacional)
WILLIAM MOSQUERA (Acreditador)
Santa Marta 13 de enero de 2012
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561 MTODOS PROBABILSTICOS
ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO
El presente mdulo fue diseado en el ao 2009 por William Ortegn docente de la UNAD, ubicado en el CEAD de Ibagu el Autor es Ingeniero industrial especialista en logstica de produccin y distribucin. Se ha desempeado como tutor de la UNAD desde Enero de 2008 hasta la fecha y ha sido catedrtico de Universidades de Ibagu. El presente mdulo ha tenido 2 actualizaciones la primera realizada por la doctora Gloria Guzmn y la segunda por el ingeniero William Ortegn El material ha sido revisado por el ingeniero William Mosquera y aportado para la calidad del mismo.
INTRODUCCIN LA INVESTIGACIN DE OPERACIONES Y EL USO DE MODELOS Un poco de Historia Se inicia desde la revolucin industrial, en los libros se dice que fue a partir de la segunda Guerra Mundial. La investigacin de operaciones se aplica a casi todos los problemas. En 1947, en E.U., George Datzing encuentra el mtodo SIMPLEX para el problema de programacin lineal. En la investigacin de operaciones, las computadoras son la herramienta fundamental en la investigacin de operaciones. Definicin Investigacin de operaciones, es la aplicacin del mtodo cientfico por un grupo multidisciplinario de personas a un problema, principalmente relacionado con la distribucin eficaz de recursos limitados (dinero, materia prima, mano de obra, energa ), que apoyados con el enfoque de sistemas (este enfoque, es aquel en el que un grupo de personas con distintas reas de conocimiento, discuten sobre la manera de resolver un problema en grupo.). Puede considerarse tanto un arte como una ciencia. Como arte refleja los conceptos eficiente y limitado de un modelo matemtico definido para una situacin dada. Como ciencia comprende la deduccin de mtodos de clculo para resolver los modelos. Pasos del Mtodo cientfico en IO 1. 2. 3. 4. 5. 6. Delimitacin del problema Modelacin del problema Resolucin del modelo Verificacin con la realidad Implantacin Conclusiones
TIPOS DE MODELOS Y SU SIGNIFICADO Un modelo es una representacin ideal de un sistema y la forma en que este opera. El objetivo es analizar el comportamiento del sistema o bien predecir su comportamiento futuro. Obviamente los modelos no son tan complejos como el sistema mismo, de tal manera que se hacen las suposiciones y restricciones necesarias para representar las porciones ms relevantes del mismo. Claramente no habra ventaja alguna de utilizar modelos si estos no simplificaran la situacin real. En muchos casos podemos utilizar modelos matemticos que, mediante letras, nmeros y operaciones, representan variables, magnitudes y sus relaciones.
Modelos Matemticos Un modelo es producto de una abstraccin de un sistema real: eliminando las complejidades y haciendo suposiciones pertinentes, se aplica una tcnica matemtica y se obtiene una representacin simblica del mismo.
Un modelo matemtico consta al menos de tres conjuntos bsicos de elementos: 1. Variables de decisin y parmetros Las variables de decisin son incgnitas que deben ser determinadas a partir de la solucin del modelo. Los parmetros representan los valores conocidos del sistema o bien que se pueden controlar. 2. Restricciones Las restricciones son relaciones entre las variables de decisin y magnitudes que dan sentido a la solucin del problema y las acotan a valores factibles. Por ejemplo si una de las variables de decisin representa el nmero de empleados de un taller, es evidente que el valor de esa variable no puede ser negativa. 3. Funcin Objetivo La funcin objetivo es una relacin matemtica entre las variables de decisin, parmetros y una magnitud que representa el objetivo o producto del sistema. Por ejemplo si el objetivo del sistema es minimizar los costos de operacin, la funcin objetivo debe expresar la relacin entre el costo y las variables de decisin. La solucin PTIMA se obtiene cuando el valor del costo sea mnimo para un conjunto de valores factibles de las variables. Es decir hay que determinar las variables x1, x2,..., xn que optimicen el valor de Z = f(x1, x2,..., xn) sujeto a restricciones de la forma g(x1, x2,..., xn) b. Donde x1, x2,..., xn son las variables de decisin Z es la funcin objetivo, f es una funcin matemtica.
Clasificacin de Modelos
Muchos problemas de decisin implican un gran nmero de factores o variables importantes o pueden tener muchas opciones a considerar por lo que se hace necesario la utilizacin de computadoras para su solucin. Por ejemplo una empresa puede contar con varias fbricas donde produce bienes para enviar a cientos de clientes. Decidir la programacin de las fbricas y determinar cules de ellas deben atender a cuales clientes, para minimizar costos, implica cientos de variables y restricciones que pueden tener millones de posibles soluciones. Los modelos de programacin lineal y programacin entera son las tcnicas ms utilizadas para resolver problemas grandes y complejos de negocios de este tipo. En ellos se aplican tcnicas matemticas para hallar el valor mximo (o el mnimo) de un objetivo sujeto a un conjunto de restricciones. La simulacin es una tcnica para crear modelos de sistemas grandes y complejos que incluyen incertidumbre. Se disea un modelo para repetir el comportamiento del sistema. Este tipo de modelo se basa en la divisin del sistema en mdulos bsicos o elementales que se enlazan entre s mediante relaciones lgicas bien definidas. El desarrollo de un modelo de simulacin es muy costoso en tiempo y recursos. Problemas dinmicos los problemas dinmicos de decisin implican un tipo particular de complejidad cuando hay una secuencia de decisiones interrelacionadas a travs de varios perodos. Por ejemplo modelos de inventario, para determinar cundo pedir mercadera y cuanto debe mantenerse en existencia; los modelos PERT o de ruta Critica para la programacin de proyectos y los modelos de colas para problemas que involucran congestin. En los problemas complejos pueden aparecer variables exgenas o variables externas, importantes para el problema de decisin, pero que estn condicionadas por factores que estn fuera del control de la persona que decide, tales como condiciones econmicas, acciones de los competidores, precios de las materias primas y otros factores similares. Las restricciones pueden considerar ciertas polticas definidas por la empresa tales como que los materiales tienen que adquirirse a determinados proveedores o que deben mantenerse ciertos niveles de calidad.
La investigacin de operaciones, tiene mtodos de optimizacin aplicables a los siguientes tipos de problemas: 1. METODOS DETERMINISTICOS: Ej., Programacin lineal, programacin entera, probabilidad de transporte, programacin no lineal, teora de localizacin o redes, probabilidad de asignacin, programacin por metas, teora de inventarios, etc. 2. METODOS PROBABILISTICOS: Ej. Cadenas de Markov, teora de juegos, lneas de espera, teora de inventarios, etc. 3. METODOS HIBRIDOS: Tienen que ver con los mtodos deterministicos y probabilsticos como la teora de inventarios. 4. METODOS HEURISTICOS: Son las soluciones basadas en la experiencia, como la programacin heurstica. Un Analista de investigacin de Operaciones debe elegir el plan de accin ms efectivo para lograr las metas de la organizacin, debe seleccionar un conjunto de medidas de desempeo, utilizar una unidad monetaria y tomar decisiones, debe seguir un proceso general de solucin, en cualquier situacin, durante la toma de decisiones. Deben establecerse los criterios de tomas de decisiones (Costos, Cantidades, Mximos, Mnimos etc.), seleccionar las alternativas, determinar un modelo y evaluarlo, integrar la informacin cuantitativa obtenida para luego decidir. Muchas veces hay que incorporar factores cualitativos tales como el nimo y el liderazgo en la organizacin, problemas de empleo, contaminacin u otras de responsabilidad social.
Nota: el proceso de abstraccin (idealizacin restriccin y simplificacin) siempre introduce algn grado de error en las soluciones obtenidas, por lo que el ejecutivo no debe volverse incondicional de un modelo cuantitativo y adoptar automticamente sus conclusiones como la decisin correcta. La cuantificacin es una ayuda para el juicio empresarial y no un sustituto de este. Los modelos planteados se conocen como modelos deterministicos. En contraste, en algunos casos, quiz no se conozcan con certeza los datos, ms bien se determinan a travs de distribuciones de probabilidad, se da cabida a la naturaleza probabilstica de los fenmenos naturales. Esto da origen a los as llamados modelos probabilsticos o estocsticos. Las dificultades evidentes en los clculos de los modelos matemticos han obligado a los analistas a buscar otros mtodos de clculo que aunque no garantizan la optimalidad de la solucin final, buscan una buena solucin al problema. Tales mtodos se denominan heursticos. Suelen emplearse con dos fines: En el contexto de un algoritmo de optimizacin exacto, con el fin de aumentar la velocidad del proceso. En segundo lugar para obtener una solucin al problema aunque no ptima, la que puede ser muy difcil encontrar.
INDICE DE CONTENIDO
INTRODUCCIN ....................................................................................................................................
UNIDAD UNO: TCNICAS DE PRONSTICO, TEORA DE INVENTARIOS ............................................8

CAPITULO 1: TCNICAS DE PRONSTICO ..................................................................................12 Leccin 1: Conceptos generales................................................................................................ 13 Leccin 2: Modelo de regresin lineal ..............................................................................................14 Leccin 3: Modelo de promedio mvil..............................................................................................18 Leccin 4: suavizacin exponencial20 Leccin 5: error del pronstico..22 Practica 1: Regresin lineal..26 CAPITULO 2: TEORA DE INVENTARIOS 33
Leccin 6: conceptos generales 33 Leccin 7: Modelo de inventarios EOQ..36 Leccin 8: Modelo de inventario EOQ con descuento.41 Leccin 9: Modelos de lote de produccin y el sistema de clasificacin ABC.. 46 Leccin 10: Modelo estocstico de Inventarios.. 52 Fuentes documentales unidad I
UNIDAD DOS: CADENAS DE MARKOV,TEORA DE COLAS Y PROGRAMACIN NO LINEAL .............60

CAPITULO 3: CADENAS DE MARKOV .........................................................................................62 Leccin 11: Conceptos generales.............................................................................................. 62 Leccin 12: descripcin de una cadena de Markov ..........................................................................63 Leccin 13: Clculo de las probabilidades de transicin ...................................................................64 Leccin 14: Probabilidades de estados estable. 68 Leccin 15: aplicaciones.70 Practica 2: Cadenas de Markov.. 74 CAPITULO 4: TEORA DE COLAS ........80 Leccin 16: conceptos generales 81 Leccin 17: Antecedentes.83 8
Leccin 18: Caractersticas de un sistema de colas.84 Leccin 19: Medidas de rendimiento ..87 Leccin 20: Anlisis de costos...90 CAPITULO 5: PROGRAMACIN NO INEAL......... 95 Leccin 21: conceptos generales.. 95 Leccin 22: Programacin cuadrtica..96 Leccin 23: Multiplicadores de LaGrange-Condiciones Kunh-Tucker...96 Leccin 24: Tcnica del gradiente .98 Leccin 25: Mtodo de Newton-Raphson...99 Fuentes documentales unidad II..101
UNIDAD 1
Nombre de la Unidad
TCNICAS DE PRONSTICO, TEORA DE INVENTARIOS En la toma de decisiones tratamos con el diseo de planes futuros. De esta forma los datos que describen la situacin de decisin deben ser representativos de lo que ocurra en el futuro. Por ejemplo, en control de inventarios basamos nuestras decisiones en la naturaleza de la demanda del artculo controlado durante un horizonte de planeacin especfico. Asimismo, en planeacin financiera, necesitamos predecir el patrn del flujo de efectivo en el tiempo. Este captulo presenta tres tcnicas para pronosticar cambios futuros en el nivel de una variable deseada como funcin del tiempo:
1. Regresin lineal Introduccin 2. Promedio mvil 3. Suavizacin exponencial La necesidad de proyecciones de la demanda es un requerimiento general a lo largo del proceso de planeacin y control. Sin embargo, tambin podran necesitarse ciertos tipos de problemas de planeacin, como control de inventarios, compras econmicas y control de costos, pronsticos de los tiempos de espera, precios y costos. Las tcnicas de pronsticos son igualmente aplicables. El pronstico de los niveles de demanda es vital para la firma como un todo, ya que proporciona los datos de entrada para la planeacin y control de todas las reas funcionales, incluyendo logstica, marketing, produccin y finanzas. Los niveles de demanda y su programacin afectan en gran medida los niveles de capacidad, las necesidades financieras y la estructura general del negocio. Cada rea funcional tiene sus propios problemas especiales de pronstico. El xito de un negocio depende a menudo de la habilidad para pronosticar, es decir hacer predicciones sobre el futuro. Estas
10
predicciones se usan para tomar dos amplios tipos de decisiones: decisiones operativas en curso y decisiones estratgicas a largo plazo. Las decisiones operativas en curso, son la asignacin de pocos recursos, la compra de materias primas, la determinacin de horarios de trabajo, etc., Las predicciones estratgicas a largo plazo tambin dependen de predicciones exactas. De esta forma el pronstico es la estimacin de las actividades futuras; se basa en el uso de datos anteriores de una variable para producir su desempeo futuro, solo son aplicables para predecir la demanda de artculos para los que se dispone de una cantidad sustancial de informacin anterior y no para productos nuevos.
Las tcnicas de pronsticos disminuyen la incertidumbre sobre el futuro, permitiendo estructurar planes y acciones congruentes con los objetivos de la organizacin y permiten tambin tomar acciones correctivas apropiadas y a tiempo cuando ocurren situaciones fuera de lo pronosticado. Pronosticar vs. Planear Pronstico. Estimacin anticipada del valor de una variable, por ejemplo: la demanda de un producto. Presupuesto. Valor anticipado de la variable que una compaa est en posibilidad de concretizar, por ejemplo: la cantidad de producto que la compaa decide fabricar en funcin de la demanda y de la capacidad instalada. El conocimiento de las tcnicas de pronsticos es de poco valor a menos que puedan aplicarse efectivamente en el proceso de planeacin de la organizacin. Caractersticas de los Pronsticos Primera. Todas las situaciones en que se requiere un pronstico, tratan con el futuro y el tiempo est directamente involucrado. As, debe pronosticarse para un punto especfico en el tiempo y el cambio de ese punto generalmente altera el pronstico. Segunda. Otro elemento siempre presente en situaciones de pronsticos es la incertidumbre. Si el administrador tuviera certeza sobre las circunstancias que existirn en un tiempo dado, la preparacin de un pronstico seria trivial. Tercera. El tercer elemento, presente en grado variable en todas las situaciones descritas es la confianza de la persona que hace el
11
Justificacin
pronstico sobre la informacin contenida en datos histricos. La administracin de inventario es primordial dentro de un proceso de produccin ya que existen diversos procedimientos que nos va a garantizar como empresa, lograr la satisfaccin para llegar a obtener un nivel ptimo de produccin. Dicha poltica consiste en el conjunto de reglas y procedimientos que aseguran la continuidad de la produccin de una empresa, permitiendo una seguridad razonable en cuanto a la escasez de materia prima e impidiendo el acceso de inventario, con el objeto de mejorar la tasa de rendimiento. Su xito va estar enmarcado dentro de la poltica de la administracin de inventario: 1. Establecer relaciones exactas entre las necesidades probables y los abastecimientos de los diferentes productos. 2. Definir categoras para los inventarios y clasificar cada mercanca en la categora adecuada. 3. Mantener los costos de abastecimiento al ms bajo nivel posible. 4. Mantener un nivel adecuado de inventario. 5. Satisfacer rpidamente la demanda. 6. Recurrir a la informtica. Algunas empresas consideran que no deberan mantener ningn tipo de inventario porque mientras los productos se encuentran en almacenamiento no generan rendimiento y deben ser financiados. Sin embargo es necesario mantener algn tipo de inventario porque: 1. La demanda no se puede pronosticar con certeza. 2. Se requiere de un cierto tiempo para convertir un producto de tal manera que se pueda vender. Adems de que los inventarios excesivos son costosos tambin son los inventarios insuficientes, por que los clientes podran dirigirse a los competidores si los productos no estn disponibles cuando los demandan y de esta manera se pierde el negocio. La administracin de inventario requiere de una coordinacin entre los departamentos de ventas, compras, produccin y finanzas; una falta de coordinacin nos podra llevar al fracaso financiero. En conclusin la meta de la administracin de inventario es proporcionar los inventarios necesarios para sostener las operaciones en el ms bajo costo posible. En tal sentido el primer paso que debe seguirse para determinar el nivel ptimo
12
De inventario son, los costos que intervienen en su compra y su mantenimiento, y que posteriormente, en qu punto se podran minimizar estos costos.
intencionalidades Formativas
Denominacin de captulos
Desarrollar una tcnica de decisin que comprenda teora matemtica, si es necesario, y que conduzca a un valor ptimo basado en los objetivos del tomador de decisiones. Permitir que los estudiantes resuelvan problemas del campo de la ciencia, la tecnologa e ingeniera, con los conocimientos interiorizados del curso acadmico en mencin. Fomentar en el estudiante caractersticas que deben identificarlo en su desempeo y actuacin profesional de la Ingeniera. Capitulo 1 Tcnicas de pronstico Capitulo 2 Teora de inventarios
13
CAPITULO UNO: TCNICAS DE PRONSTICO Introduccin En la toma de decisiones tratamos con el diseo de planes futuros. De esta forma los datos que describen la situacin de decisin deben ser representativos de lo que ocurra en el futuro. Por ejemplo, en control de inventarios basamos nuestras decisiones en la naturaleza de la demanda del artculo controlado durante un horizonte de planeacin especfico. Asimismo, en planeacin financiera, necesitamos predecir el patrn del flujo de efectivo en el tiempo. Este captulo presenta tres tcnicas para pronosticar cambios futuros en el nivel de una variable deseada como funcin del tiempo: 1. Regresin lineal 2. Promedio mvil 3. Suavizacin exponencial La necesidad de proyecciones de la demanda es un requerimiento general a lo largo del proceso de planeacin y control. Sin embargo, tambin podran necesitarse ciertos tipos de problemas de planeacin, como control de inventarios, compras econmicas y control de costos, pronsticos de los tiempos de espera, precios y costos. Las tcnicas de pronsticos son igualmente aplicables. El pronstico de los niveles de demanda es vital para la firma como un todo, ya que proporciona los datos de entrada para la planeacin y control de todas las reas funcionales, incluyendo logstica, marketing, produccin y finanzas. Los niveles de demanda y su programacin afectan en gran medida los niveles de capacidad, las necesidades financieras y la estructura general del negocio. Cada rea funcional tiene sus propios problemas especiales de pronstico. El xito de un negocio depende a menudo de la habilidad para pronosticar, es decir hacer predicciones sobre el futuro. Estas predicciones se usan para tomar dos amplios tipos de decisiones: decisiones operativas en curso y decisiones estratgicas a largo plazo. Las decisiones operativas en curso, son la asignacin de pocos recursos, la compra de materias primas, la determinacin de horarios de trabajo, etc., Las predicciones estratgicas a largo plazo tambin dependen de predicciones exactas. De esta forma el pronstico es la estimacin de las actividades futuras; se basa en el uso de datos anteriores de una variable para producir su desempeo futuro, solo son aplicables para predecir la demanda de artculos para los que se dispone de una cantidad sustancial de informacin anterior y no para productos nuevos.
14
Leccin 1: PRONSTICOS La definicin de pronstico es simple, sin embargo encierra muchas situaciones que intervienen en su resultado o bien en la consecucin del mismo. "Un pronstico es un inicio o una seal por donde se puede saber una cosa futura mediante indicios"1 El pronstico desempea un papel muy significativo en la planeacin de materiales, se pueden encontrar pronsticos de abastecimiento, de condiciones, comerciales, de tecnologa, precios, etc. Y en cualquiera de estos rtulos el pronstico es necesario para la toma de decisiones. Aunque es muy cotidiano que hoy en da el manejo de pronsticos en las pequeas y medianas empresas, existen situaciones que tienen que ver con la planeacin de las necesidades futuras. La problemtica primordial es la poca confianza del uso de la tcnica pronstico. En el sector automotriz las insuficiencias de compra de materiales y produccin provienen de pronsticos ventas, ya que es responsabilidad la misma rea de ventas o mercadeo de los productos, sin embargo cuando los ordenadores de compra de materiales tienden en compras excesivas o deficientes siempre son acusados, cuando verdaderamente el generador de esos pronsticos es ventas. Autores experimentados manifiestan que: "Si la demanda es inferior al pronstico, el proveedor puede sospechar que el pronstico original era un intento por obtener un precio favorable o alguna otra concesin. Si la demanda excede el pronstico, los costos del proveedor pueden aumentar debido a la urgencia, las compras de emergencia, y cambios en los programas de produccin."2 De tal manera los proveedores hacen parte de ese conjunto de incertidumbre que presenta el pronstico, por ello es prescindible que los ordenadores de los materiales ayuden a estrechar los contactos con los diferentes proveedores y que generen un ambiente empresarial fomentando flexibilidad y cooperacin al momento de sus
1
Enciclopedia Sopena, Editorial Ramon Sopena, S.A. Provenza 95, Barcelona pg. 952 Arbones Malisani, Logistica Empresarial. Editorial Alfaomega
15
requerimientos Tambin es cierto que no se deben descartar que de manera regular las actualizaciones y se ajusten a los pronsticos. En el da a da se encuentran una diversidad de tcnicas para el planteamiento de pronsticos y se estas se van desarrollando de manera exponencial, estas tcnicas pueden ser cuantitativas y cualitativas y se pueden emplear separadas o en conjunto. El sector automotriz la tcnica ms usada de pronsticos es la cuantitativa ya que esta se sustenta en la toma de datos del pasado para hacer las proyecciones o predicciones del futuro, algunas tcnicas cuantitativas hacen hincapi en identificar indicadores que sean sobresalientes mediante los cuales se puedan crear modelos lineales o de regresin mltiple. Algunas de las tcnicas de pronstico cuantitativas que en la actualidad se utilizan, se desarrollaron durante el siglo XIX; un ejemplo de ello el anlisis de regresin y las tcnicas de series de tiempo. Con la implementacin de tcnicas de pronstico ms complejas, junto con la generalizacin del uso de las computadoras, los pronsticos acentuaron la atencin durante los ltimos aos, y cualquier persona es capaz de operar datos a partir de un software en una computadora de bolsillo y obtener pronsticos. Quienes han desarrollado los modelos cuantitativos clasifican a algunos de los pronsticos cuantitativos como repetitivos, es decir, que los valores que se pronostican continan un proceder repetitivo a travs del tiempo, la labor de los quienes analizan este tipo de pronsticos es el identificar ese comportamiento y desarrollar el pronstico, por consiguiente el desarrollar dicho pronstico hace necesario tener en cuenta algunos factores como el valor constante, tendencia, variaciones estacinales, variaciones cclicas, variaciones aleatorias y puntos de modulacin. Referente a los pronsticos cualitativos, se consideran ms comunes en las empresas de servicios ya que se basan en la repuesta de opiniones de diversas personas, valorizando con juicio dichas opiniones para utilizarlas al generar el pronstico. Estas tcnicas cualitativas son ms flexibles que las cuantitativas, sin embargo son tan precisas y exactas como estas. Al momento de elaborar un pronstico y este resulta mal proyectado conlleva a que la planeacin no funciona y todas las reas de la empresa se vuelven ineficientes, repercutiendo en las finanzas y reflejando las
16
pocas ventas obtenidas, abundancias en los inventarios de productos que no requieren los clientes, reduccin de mrgenes, costos ms altos, entre otros problemas. En trminos de pronosticar variables importantes para una compaa o para una parte de ella como son las ventas de la empresa, las horas de ausencia por empleado, los costos operativos, las tasa de inters y tipos de cambio del mercado, entre otros, ms sin embargo, las variables macroeconmicas median en las decisiones que tome la empresa para su futuro. QU TCNICA UTILIZAR? Para determinar que tcnica de pronstico, se deben considerar los siguientes puntos: 1. Definir la naturaleza del problema de pronstico. 2. Explicar la naturaleza de los datos bajo investigacin. 3. Describir las capacidades y limitaciones de las tcnicas de pronstico potencialmente tiles. 4. Desarrollar algunos criterios predeterminados sobre los cuales se pueda tomar la decisin de la seleccin, como son algunas medidas de error.
BASES DE PRONSTICO. Ingreso por venta. Costo de productos manufacturados. Horas de mano de obra directa Horas de maquinaria. Costos de los insumos. FUENTES DE PRONSTICO.
17
Externas: Actividades generales de la geopolticos, que despus se relacionan empresariales.
economa con las
o factores actividades
Internas: Estima cada producto de una empresa, para despus hacer un pronstico agregado de todas sus actividades. CLASIFICACION DE LOS METODOS DE PRONOSTICOS.SEGN EL TIEMPO: A Corto Plazo: alcance de un da a un ao, sirve para funciones de control, como ajuste de la Tasa de produccin, del empleo, del pronstico de venta, etc. A Mediano Plazo: con alcance de una estacin a uno o dos aos. Son usados para la planeacin operativa, el flujo de caja, el programa de produccin y las ventas. A Largo Plazo: con un alcance de dos a cinco aos, esto se usa para ampliar plantas, producir nuevos productos, cambiar polticas, adoptar nuevas tecnologas.
Leccin 2: MODELO DE REGRESIN LINEAL El anlisis de regresin es una de las tcnicas estadsticas la cual se utiliza en la investigacin al relacionar entre dos o ms variables, una de sus utilizaciones est en la construccin de modelos que permitan predecir el comportamiento de una variable Y (dependiente, respuesta) en funcin de una o ms variables (independientes, predictivas) X. El comportamiento de estas variables suelen definirse de manera previa lo que nos remite a un modelo terico, o bien, se tiene el caso de que no exista una relacin establecida entre estas y sea necesario establecer una primera aproximacin del comportamiento de las mismas. Lo anterior se puede lograr usando una herramienta grfica denominada diagrama de dispersin lo que nos conducira a desarrollar un modelo emprico de la relacin que mantienen las variables en estudio. Establece la relacin temporal para la variable de pronstico, implica una relacin causa-efecto.
18
La ecuacin general es: Y= + x Y = Variable dependiente = La altura de la recta. = La pendiente de la recta. x = Variable independiente.
METODOS DE LOS MNIMOS CUADRADOS. Para calcular
y :
= altura de la lnea recta. = pendiente de la recta. Y = variable dependiente. X = variable independiente. x = promedio de los valores X. y = promedio de los valores Y. n = nmero de observaciones. Ejemplo Encontrar la lnea recta del mnimo cuadrado.
19
EJEMPLO:
20
La demanda de un artculo en los ltimos 4 aos se muestra a continuacin: Demanda(unidades) 2006 Aos 6 2007 8 2008 7 2009 9
Con esta informacin se pide pronosticar la demanda para el ao 2010 y 2011 utilizando regresin lineal. Solucin: Es necesario hallar la ecuacin de regresin la demanda en unidades del artculo. Procedemos a hallar Aos 2006 2007 2008 2009 TOTALES X 1 2 3 4 10 , donde x representa el tiempo y Y
teniendo en cuenta las ecuaciones planteadas anteriormente. Demanda(y) 6 8 7 9 30 X.Y 6 16 21 36 79 X2 1 4 9 16 30
= =2,5; = =7,5 = =0,8 =5,5 ; Esta sera la ecuacin de regresin, ahora para hallar la demanda del ao 2010 reemplazamos a x por 5, ya que sera el valor que le correspondera en la tabla, pues el 2009 es 4, as el 2011 seria 6. Reemplazando obtendramos:
Entonces la demanda proyectada para el 2010 sera de 9 unidades y de 10 unidades para el 2011. TALLER DE APLICACIN Solucione los siguientes ejercicios: 1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a continuacin:
21
Utilice la tcnica de regresin lineal para estimar el nmero de unidades que se proyectan de demanda para el ao 2010. 2. El nmero de estudiantes matriculados en los ltimos 4 aos en una institucin de educacin bsica secundaria se describe a continuacin:
Mediante regresin lineal pronostique el nmero de estudiantes que se matricularan en el ao 2010.
Leccin 3: MODELO DE PROMEDIO MVIL
La suposicin fundamental para esta tcnica es que la serie de tiempo es estable, en el sentido de que sus datos se generan mediante el siguiente proceso constante: yt= b+et donde b es un parmetro constante desconocido estimado a partir de los datos histricos. Se supone que el error aleatorio et tiene un valor esperado cero y una varianza constante. Adems, los datos para los diferentes periodos no estn correlacionados. La tcnica del promedio mvil supone que las n observaciones ms recientes son igualmente importantes en la estimacin del parmetro b. As, en un periodo actual t, si los datos para los n periodos ms recientes son yt-n+1, yt-n+2,...e yt, entonces el valor estimado para el periodo t+1 se calcula como yt+1 = (yt-n+1+ yt-n+2 +...+yt)/n No hay una regla exacta para seleccionar la base del promedio mvil, n. Si las variaciones en la variable permanecen razonablemente constantes en el tiempo, se recomienda una n grande. De otra forma, se aconseja un valor de n pequeo si la variable muestra patrones cambiantes. En la prctica, el valor de n flucta entre 2 y 10. Ejemplo.
22
La demanda (en nmero de unidades) de un artculo de inventario durante los pasados 24 meses se resume en la tabla. Utilice la tcnica del promedio mvil para pronosticar la demanda del siguiente mes (t= 25) TABLA Mes, t 1 2 3 4 5 6 7 8 9 10 11 12 Demanda, yt 46 56 54 43 57 56 67 62 50 56 47 56 Mes, t 13 14 15 16 17 18 19 20 21 22 23 24 Demanda, yt 54 42 64 60 70 66 57 55 52 62 70 72
Si utilizamos n = 3, la demanda estimada para el siguiente mes (t = 25) ser igual al promedio de las demandas para los meses 22 al 24, es decir, =68. EJERCICIOS DE APLICACIN Solucione los siguientes ejercicios: 1. La demanda de un artculo en unidades en los ltimos 5 aos se describe a continuacin:
Utilice la tcnica del promedio mvil con k= 3 para estimar el nmero de unidades que se proyectan de demanda para el ao 2009 y 2010. 2. El nmero de estudiantes matriculados en los ltimos 4 aos en una institucin de educacin bsica secundaria se describe a continuacin:
23
Mediante promedio mvil con k= 4, pronostique el nmero de estudiantes que se matricularan en el ao 2010 y 2011. Leccin 4: SUAVIZACIN EXPONENCIAL El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin que a las demandas anteriores. Es el mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor flucta entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es: Ft+1= Ft+1= (demanda para este periodo) + (1Dt + (1)Ft ) (pronstico calculado para el ltimo periodo)
La siguiente ecuacin es equivalente: Ft+1= Ft + (Dt-Ft)
Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al mismo periodo actual. Para poner en marcha la suavizacin exponencial se requiere un pronstico inicial. Hay dos formas de realizar este pronstico inicial: Usar la demanda del ltimo periodo, o bien, se dispone de datos histricos, calcular el promedio de varios periodos recientes de demanda. El efecto de la estimacin inicial del promedio sobre las estimaciones sucesivas del mismo disminuye a lo largo del tiempo porque, con la suavizacin exponencial, las ponderaciones asignadas a las demandas histricas sucesivas, que se utilizan para calcular el promedio, disminuyen exponencialmente.
EJERCICIOS DE APLICACIN
24
1. Karls Copiers vende y repara mquinas de fotocopiado. El gerente necesita pronsticos semanales de las solicitudes de servicios, a fin de poder programar las actividades de su personal de servicio. El pronstico correspondiente a la semana del 3 de julio fue de 23 llamadas para servicio. El gerente aplica la suavizacin exponencial con = 0.25. Pronostique usted el nmero de llamadas para servicio correspondientes a la semana del 7 de agosto, suponiendo que sta sea la semana prxima.
2. Los siguientes datos corresponden a las calculadoras vendidas (expresadas en unidades) en una tienda de electrnica durante las ltimas 5 semanas.
Aplique la suavizacin exponencial con correspondientes a las semanas 3 a 6. Leccin 5: ERROR DEL PRONSTICO MEDICIONES DE PRONSTICO. Error Pronstico: RENDIMIENTO
= 0.2, para pronosticar las ventas
PARA
EVALUAR
MODELOS
DE
La cantidad por la cual la demanda real difiere de la demanda pronosticada. Existen tres mediciones de funcionamiento para evaluar un modelo de pronstico en el que Dt es la demanda real en el periodo t y Ft, es la demanda pronosticada en el periodo t, encontramos:

RMSE: Error medio cuadrado MAE: Error medio absoluto MAPE: Error medio porcentual
25
EJEMPLO. Se ha desarrollado un modelo de pronstico para predecir las ventas mensuales de un modelo particular de carro basndose en los siguientes datos de los 6 meses anteriores, donde hallaremos error de pronstico, error medio cuadrado (RMSE), error medio absoluto (MAE), error medio porcentual(MAPE).
Como las ventas pronosticadas no son iguales que las ventas reales como podemos calcular el error de pronstico:
Los errores de pronostico (+) indican que la demanda real excede el pronstico y los errores (-) significan que la demanda est por debajo del pronstico. Ahora hallaremos RMSE y tenemos:
26
RMSE = 72/6 = 3,46 MAE = 18/6 = 3 MAPE = 28/6 = 4,66 Autoevaluacin TALLER. 1. En la Universidad de Tunja se escogieron 10 muestras de hombres al azar y se les pregunto la estatura (x) y el nmero de calzado (y), arrojando los siguientes datos:
Halle la ecuacin de la lnea de regresin lineal (y). Cuando x: 1,75 2. Pronosticar las ventas diarias del almacn de zapatos Bucaramanga basndose en los 11 meses anteriores donde deber hallar: a. Error pronostico b. Error medio cuadrado (RMSE) c. Error medio absoluto (MAE) d. Error medio porcentual (MAPE)
27
28
AREA:
ESTADSTICA
Escuela de Ciencias Bsicas Tecnologa e Ingeniera
CIENCIAS BSICAS CURSO: UNIDAD: Tcnicas de pronstico y teora de inventarios CAPTULO: Tcnicas de pronstico Mtodos probabilsticos LECCIN: modelo de regresin lineal
NUMERO DE LA PRCTICA
NOMBRE DE LA PRCTICA Regresin lineal NOMBRE DEL SOFTWARE WinQsb Libre: ______x_____ Licenciado: _____________ Aspectos Tericos:
El trmino regresin se utiliz por primera vez en el estudio de variables antropomtricas: al comparar la estatura de padres e hijos, result que los hijos cuyos padres tenan una estatura muy superior al valor medio tendan a igualarse a ste, mientras que aquellos cuyos padres eran muy bajos tendan a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al promedio.4 La constatacin emprica de esta propiedad se vio reforzada ms tarde con la justificacin terica de ese fenmeno. El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que emplean modelos basados en cualquier clase de funcin matemtica. Los modelos lineales son una explicacin simplificada de la realidad, mucho ms gil y con un soporte terico por parte de la matemtica y la estadstica mucho ms extenso
La idea es proyectar una variable a travs del tiempo, teniendo como referencia los datos histricos de una variable, por ejemplo la demanda de un artculo en los ltimos aos y a partir de estos datos pronosticar mediante una lnea de regresin el valor aproximado de la demanda en el futuro, generalmente es vlido para unos cuantos perodos.
29
Ejemplo 1: Teniendo en cuenta los datos histricos de la demanda de un artculo en los ltimos 5 aos, realice el pronstico de la demanda para el ao 2011.Utilice el winqsb. AOS 2005 DEMANDA(MILES 8 DE UNIDADES) Solucin: Utilice el modulo del winqsb titulado: forecasting and linear regression. 2006 6 2007 7 2008 10 2009 11
Luego seleccione file:
30
Nos dara la opcin de elegir new problem, para introducir los datos de un nuevo ejercicio luego nos aparece el siguiente pantallazo, en donde vamos a darle un titulo al problema y en problema type marcamos time series forecasting, en time unit colocamos das, meses o aos segn los datos del problema, para nuestro caso sern aos. En number of time units colocamos el nmero de periodos de tiempo que tenemos, esto corresponde a los datos histricos que se tienen para hacer el pronstico(5 en nuestro caso).
31
Le damos ok y obtenemos el siguiente cuadro, en donde se deben registrar los datos del ejercicio:
Luego seleccionamos solve and analyze, y obtenemos el siguiente cuadro:
Seleccionamos como indica la figura y se obtiene el siguiente cuadro de resultados:
32
Los valores que aparecen en los aos 6 y 7 son los valores proyectados para la demanda, que en este caso sera de 8,4 es decir 8400 unidades para el ao 2010 y 2011.La dems informacin corresponde a datos estadsticos de los clculos efectuados. Podemos tambin realizar la grafica correspondiente a datos reales y proyectados, para nuestro ejercicio nos quedara as:( utilizando la ventana indicada con la flecha.)
EJERCICIO 1. Halle el pronstico de la demanda para el mes de febrero y marzo de un artculo que en los ltimos meses registro las siguientes ventas en millones de pesos: Meses agosto septiembre octubre noviembre diciembre enero
33
Ventas(millones 3 de pesos)
Utilice el Winqsb como se mostro en el ejemplo, grafique los datos originales y los de tendencia. 2. El nmero de estudiantes que se matricularon en una institucin educativa de bachillerato en los ltimos cuatro aos se relacionan a continuacin: aos Estudiantes matriculados 2007 425 2008 450 2009 465 2010 486
Con estos datos halle el pronstico de estudiantes que se matricularan para el ao 2011. CAPITULO 2: TEORA DE INVENTARIOS INTRODUCCIN Los modelos de inventarios tienen mucha importancia en el mbito laboral de cualquier empresa o negocio en el cual se necesite tener informacin completa sobre los diferentes materiales o insumos que haya en existencia o que tengan que ser incluidos en la lista de pedidos que deben ejecutarse temporalmente de acuerdo con las necesidades de produccin de la empresa o segn el comportamiento de la demanda. Existen diferentes modelos de inventarios, los cuales se aplican en relacin con los requerimientos del negocio en el cual van a ser empleados y se convierten en una base para la toma de decisiones por parte de los gerentes o encargados de produccin que son los que estn pendientes de que no haya faltantes o sobrantes en la produccin, de modo que se generen el denominado logro que no es otra cosa que poseer un stock de mercancas que no se mueven o no producen ninguna ganancia. OBJETIVOS
Conocer algunos de los ms efectivos mtodos para la toma de decisiones en cuanto al manejo de inventarios y sus mtodos de control. Determinar cul es el modelo de inventarios ms adecuado de acuerdo con la empresa en la cual se vaya a implementar, de modo que se tenga una certeza de cules son los artculos que se van a necesitar y en qu medida debe realizarse el pedido.
Leccin 6: CONCEPTOS GENERALES DEFINICION

34
Son los artculos a la mano que un cliente puede comprar en un ambiente de fabricacin, los inventarios son las materias primas para producir bienes terminados. La madera, clavos, barniz y otros materiales necesarios para construir un librero son los artculos de inventario, el medio de produccin es el cliente.
ADMINISTRACION DE INVENTARIOS
Son tcnicas usadas para ayudar a los gerentes a determinar cundo deben ordenarse. Consideremos las ventajas de tener grandes inventarios:
Para evitar escasez. Cuando se conoce la demanda futura de un artculo y se puede confiar en las entregas puntuales de un proveedor, siempre puede colocar pedidos de tal forma que se satisfaga toda la demanda sin necesidad de un inventario. Para aprovechar las economas de escala. Al solicitar grandes cantidades un negocio puede obtener su suministros a un costo inferior, as mismo el negocio colocara menos pedidos, lo que ahorrara esfuerzos y costos administrativos. Mantener un flujo de trabajo continuo en un medio de produccin de mltiples etapas. Cada una de estas razones argumenta a favor de tener grandes inventarios a la mano. CARACTERSTICAS DE LOS MODELOS DE INVENTARIOS Son las tcnicas utilizadas para determinar cual de estas caractersticas tiene su modelo para poder aplicar el paquete para realizar el anlisis correcto. a. Demanda Dependiente: dos o ms artculos en los que la demanda de un artculo determinado afecta la demanda de uno o ms de los otros artculos. b. Demanda Independiente: dos o ms artculos en los que la demanda de un artculo no afecta la demanda cualquiera de otros artculos. c. Demanda Determinstica Contra Probabilstica: Existen dos categoras:
Demanda Determinstica: es la demanda de un artculo que se conoce con certeza. Ejemplo: un proceso de elaboracin de un libro, una mquina inserta las 100 hojas por segundo aqu las hojas seran artculos o materias en inventario, la maquina es el cliente y la demanda Determinstica son las 100 hojas por segundo. Demanda Probabilstica: es la demanda de un artculo que est sujeta a la cantidad significativa de incertidumbre y variabilidad. Ejemplo: en un hospital usted no sabe cuntos y que tipos de pacientes tenga la semana entrante, lo que ocasiona una demanda incierta de suministros mdicos.
35
d. Dficit o Faltantes: una circunstancia en la que el inventario disponible es insuficiente para satisfacer la demanda. e. Tiempos Lderes: el tiempo entre la colocacin de periodo de bienes y la llegada de estos bienes enviados por el proveedor. f. Descuentos Cuantitativos: cuando los inventarios son reabastecidos por proveedores Externos, la cantidad pagada por artculo puede depender del tamao de ese pedido. g. Polticas de Pedidos: es un enfoque para determinar cmo y cundo reabastecer los inventarios. CARACTERSTICAS CLAVES: Pedido de artculos en intervalos de tiempo fijos: La cantidad a ordenar est determinada por el nivel del inventario en el momento en el que se coloca el pedido. La cantidad pedida cada vez vara. Ejemplo: considere el reabastecimiento de leche en una tienda de abarrotes. Cada martes el gerente de lcteos pide la cantidad, y la cantidad depende de cuantos galones hay en el estante cuando coloca el pedido. Esta poltica tambin se denomina revisin peridica pues requiere revisara el nivel de inventario en puntos fijos de tiempo para determinar cunto ordenar. Pedido de un nmero fijo de artculos cuando el inventario a la mano llega a un cierto nivel previamente especificado, llamado el punto de nuevos pedidos: En este caso, la cantidad pedida siempre es la misma, pero el tiempo entre los pedidos puede variar. Ejemplo: Un gerente de bar puede reordenar cerveza cuando el suministro actual cae por menos de tres cajas. Este nivel puede alcanzarse en 4 semanas cuando el negocio va lento o en una semana cuando el negocio est activo, digamos durante la semana del sper tazn. Esta poltica tambin se denomina revisin continua, pues requiere una comprobacin continua del inventario para determinar cundo se alcanza el punto de nuevos pedidos. i. Revisin Peridica: es la poltica de ordenamiento que requiere revisar el nivel de inventarios en puntos fijos de tiempo para determinar cundo ordenar sobre la base de inventarios a la mano en ese momento. ii. Revisin Continua: es la poltica de ordenamiento que requiere revisar el inventario continuamente para determinar cundo se alcanza el punto de nuevos pedidos. iii. Punto de Nuevos Pedidos: nivel de inventarios en el cual debe colocarse el nuevo pedido. Leccin 7: MODELO DE INVENTARIOS EOQ MODELOS DE INVENTARIOS E.O.Q. A qu se debe que las empresas almacenan inventario?. Son muchas las razones para que una empresa conserve productos terminados o insumos como inventario. El inventario
36
permite enfrentar variaciones de la demanda, evitar quiebres de stock, obtener economas de escala, permite una mayor flexibilidad productiva, se puede usar como un arma competitiva, etc. Por consiguiente, mantener los inventarios proporciona importantes beneficios asociados Por qu no llenamos nuestras bodegas de inventario?. Las respuestas son mltiples, pero todas mantienen una base comn: Costos. Se afirma que mantener inventarios es un "mal necesario" dado los costos asociados a la gestin de inventarios. En este sentido podemos clasificar los costos de inventario en: 1. Costo de rdenes: costo que se incurre cada vez que se emite una orden. 2. Costo de mantener Inventario: arriendo de bodegas, depreciacin, costo de oportunidad, prdidas, seguros, etc. 3. Costo de quiebre de stock: es ms difcil de estimar y est asociado al costo de la venta prdida (perder un cliente, deterioro de imagen, multas, etc). La Gestin de Operaciones provee de modelos matemticos que permite enfrentar de una forma sistemtica la problemtica de la gestin de inventarios. Estos modelos matemticos bsicamente se clasifican en 2 categoras y depende del comportamiento (basado en supuestos) respecto al comportamiento de la demanda. Estn los modelos asociados a demanda constante (EOQ, POQ, EOQ con descuentos por volumen, etc) y los relacionados con demanda aleatoria (asociada a una funcin de probabilidad). En este sentido EOQ resulta ser el modelo matemtico ms sencillo y sus caractersticas principales se resumen a continuacin. De tal manera Inventarios EOQ, Es el modelo matemtico usado como la base para la administracin de inventarios en el que la demanda y el tiempo lder son determinsticos. No se permiten los dficits y el inventario se reemplaza por lotes al mismo tiempo. Caractersticas:

El inventario pertenece a uno y solo un artculo. El inventario se abastece por lotes. La demanda es Determinstica, es decir se conocen cuantas se venden en un tiempo determinado. El tiempo gua L es determinstico y se conoce. Los dficit no estn permitidos.
Componentes de Costos de un Sistema de Inventarios.
37
El costo de pedidos u organizacin: (K) este es un costo fijo, independiente del nmero de unidades pedidas o producidas. se incurre es este costo cada vez que se coloca un pedido o que se echa a andar una mquina para una corrida de produccin. El costo de compra: (C) cada unidad pedida incurre en un costo de compra, que es un costo directo por unidad. El costo de conservacin: (H) este es un costo obtenido por cada artculo en inventario, un costo de conservacin puede incluir lo siguiente:
Costos de almacenamiento: compuestos por los gastos generales del almacn, seguro, requerimientos de manejo especial, robo, objetos rotos,etc. Costos de oportunidad del dinero: comprometido en inventario que de otra manera podra haberse usado o invertido. Los costos totales de almacenamiento y oportunidad que componen los costos de conservacin se calculan como una fraccin (i) del costo unitario C. H= (Tasa de transferencia)*(Costo de la unidad) H=i*C Ejemplo: Para el Mouse valuado en $20000 con tasa de transferencia de 0.11, el costo de conservacin por ao por cada unidad es: H=i*C H = 0.11 * 20000 H = $2200 Tasa de Transferencia: (i) es la suma de las fracciones usadas en el clculo de los costos de almacenamiento y oportunidad. El costo de Dficit: (B) es el costo de no satisfacer la demanda. es decir el costo de que se acabe un artculo. Recuerde que cuando no se puede satisfacer la demanda la venta se pierde. TABLA DE RESUMEN D = demanda por pedido L= El tiempo para recibir un pedido I= Tasa de transferencia por periodo, est dada siempre en % K= El costo fijo de colocar un pedido. C= El costo de compra de pedir cada unidad. H = (I * C) El costo de conservacin por unidad por periodo.
38
Formulas del Modelo E.O.Q. D - demanda por perodo. L - el tiempo gua para recibir un pedido. L = Q*/D i - tasa de transferencia por pedido. K - costo fijo de un pedido. C - costo de compra (costo por unidad). H - costo de conservacin (H = I x C). Q - nmero de unidades. Q* - cantidad optima de pedido. Q/2- inventario promedio. CPA. Costo de pedido anual Cp = K x (D/Q). Cc. Costo por compra anual Cc = C x D. Costo de conservacin anual Ch= (Q/2) x (H). Ct .Costo anual total Cta = (Cp) + (Cc) + (CH). Nmero de pedidos NP = D/Q*. Punto de nuevos pedidos (R) R = D x L.
EJEMPLOS 1. El hospital de Neiva da servicio a una pequea comunidad. Un suministro usado con frecuencia es la pelcula de rayos x, que se pide a un proveedor fuera de la ciudad. Como gerente de suministros, debe determinar cmo y cundo hacer pedidos para asegurar que al hospital nunca se le termine este artculo critico, y al mismo tiempo, mantener el costo total tan bajo como sea posible. Para comprender como la cantidad de pedido (Q) impacta al nivel del inventario con el tiempo, supongamos que ordenamos lotes de: Q = 4500 pelculas en existencia. Y el proveedor se ha comprometido a satisfacer pedidos en 1 semana (es decir el tiempo gua es L = 1 semana). El departamento de contabilidad del hospital ha proporcionado los siguientes valores: Un costo de pedidos fijo de $10000 para cubrir los costos de colocar cada pedido, pagar los cargos de entrega, etc. Un costo de compra de $5000 por cada pelcula sin descuento de cantidad. Una tasa de transferencia de 30% por ao (es decir, i=0.0) para reflejar el costo de almacenar la pelcula en un rea especial, as como el costo de oportunidad del dinero invertido en el inventario ocioso. Solucin Demanda anual D= (1500 pelculas*12 meses)= 18000 pelculas Tiempo gua L= 1 semana= 1/52 de un ao
39
Tasa de transferencia anual de i= 0.30% Costo de pedidos K= $10000 por pedido Costo de pedidos C= $5000 por pelcula Costo de conservacin anual H= i*C= 0.30*5000= $1500 por pelcula al ao. CTA = costo de pedidos anual + costo compra anual + costo conservacin A. COSTO DE PEDIDOS ANUAL: K * D / Q = 10000*(18000/4500)= 40000 COSTO DE COMPRA ANUAL: C * D = 5000*18000= 90.000.000 COSTO DE CONSERVACION ANUAL: (Q/2)*H o (Q/2)*(I * C) =(Q/2)*(I * C)=2250*(0.30*5000)= 3.375.00 Ahora remplazamos en la formula general: CTA = costo de pedidos anual + costo compra anual + costo conservacin A. CTA = 40000+90.000.000+3.375.000 CTA = 93.415.000 Ahora hallamos Q* Q*=2D*K/H = 2D*K/I*C Q*= 2D*K/(i * C) Q*= 2*18000*10000/(0.30*5000) Q*=489,89 490 NUMERO DE PEDIDOS: D/Q*=18000*490 = 36,7 37 pedidos TIEMPO: L = Q*/D = 490/18000 = 0.027 NIVEL DE PEDIDOS: R = D * L =18000*0.027 = 486 2. Almacenes Olmpica compra aproximadamente 10.000 televisores en el curso del ao a un costo de 30 cada uno. Cada pedido incurre en un costo fijo de 85 y llega una semana despus de haber hecho el pedido. Suponiendo una tasa de transferencia anual de o.15, calcule: La cantidad de pedidos ptimos, el punto de nuevos pedidos y el costo anual. Solucin. Lo que se tiene: D = 10.000 H = I x C = 0,15(30) K = 85 i = 0,15 C = 30= 4.5
=614,6362 R = D x L Q = (D/2 x H) R= 10.000(1/52) Q = 10.000/2(4.5) R = 192,3076 Q = 22.500
40
CTA = costo de pedido anual + costo compra anual + costo conservacin anual K(D/Q) + C x D + (Q/2) x H 85(10.000/22.500) + 30(10.000) + 614,6363/2) x 4,5 CTA = 315208,35 3. Un almacn de venta de ropa para un suministro frecuente de jeans pide a un proveedor fuera de la ciudad, el gerente debe asegurar que estas nunca se terminen y que adems se mantenga el costo mnimo posible. Teniendo en cuenta: La demanda es de 200 jeans por mes El proveedor tarda una semana en entregar la mercanca El costo de pedido fijo es de $50.000 Un costo de compra de $30.000 Una tasa de transferencia del 20% por ao donde Q=1000 D = 200 I = 1 K = 50.000 C = 30.000 L = 0.20 Q = 1000 CPA = Kx(D/Q)=50.000(200/1000)=50.000 x 0,2=10.000 Costo de compra anual= C x D = 30.000 x 200 = 6.000.000 Costo de conservacin=Q/2(I x C)=1000/2(0,2 x 30.000)=3.000.000 Nmero promedio de pedidos=D/Q=200/1000=0.2
SOLUCIONE LOS SIGUIENTES EJERCICIOS 1. Una compaa comercializadora est interesada en reducir el costo de su inventario determinando el nmero ptimo de su producto que debe solicitar en cada orden. Su demanda anual es de 500 unidades, el costo de ordenar o preparar es de $12 por orden y el costo de mantener por unidad por ao es de $2. La compaa trabaja 280 das al ao. Halle: a. Nmero ptimo de unidades por orden. b. Nmero de rdenes por ao. c. Tiempo esperado entre rdenes. d. Costo total anual del inventario. (costo por unidad $80). 2. En cada uno de los siguientes casos, determine la cantidad ptima de pedido y el costo diario correspondiente. a. k= $100, h= $0.05, D= 30 unidades diarias. b. k= $50, h= $0.05, D= 30 unidades diarias. c. k= $100, h= $0.01, D= 40 unidades diarias. d. k= $100, h= $0.04 D= 20unidades diarias.
41
3. Mcburguer pide carne molida al comenzar cada semana para cubrir la demanda semanal de 300lb. El costo fijo por pedido es de $20, cuesta unos $0.03 por libra y por da refrigerar y almacenar la carne. Determine la cantidad ptima de pedido y el costo semanal del inventario. Leccin 8: MODELOS DE INVENTARIOS EOQ CON DESCUENTOS
DESCUENTO POR CANTIDAD Los descuentos por cantidad, que son incentivos de precio para que el cliente compre mayores cantidades del producto, crean presin para mantener un inventario abundante. Por ejemplo, un proveedor puede ofrecer un precio de $4 por unidad, para los pedidos en que soliciten entre 1 y 99 unidades; un precio de $3.50 por unidad, para pedidos entre 100 y 199 unidades; y un precio de $3.000 por unidad, para los pedidos de ms de 200 unidades. El precio del artculo ya no se considera fijo, como se supona en la derivacin de la EQQ; en lugar de eso, si la cantidad del pedido aumenta lo suficiente, se obtiene un descuento en el precio. Por lo tanto, en este caso se requiere un nuevo enfoque para encontrar el mejor tamao del lote, es decir, un mtodo que sopese las ventajas de comprar materiales a precios ms bajos y tener que hacer menos pedidos(es decir, los beneficios de hacer pedidos por grandes cantidades), frente a la desventaja que implica el incremento del costo por el manejo de un inventario mayor. El costo anual total incluye ahora no solamente el costo de manejo de inventario, (Q/2) (H) y el costo de hacer pedidos, (D/Q) (S), sino tambin el costo de los materiales comprados. Cualquiera que sea el nivel de precios por unidad, P, el costo total es: Costo = Costo anual de + Costo anual de + Costo anual de Total manejo de inventario hacer pedidos de materiales
El costo unitario de manejo de inventario H se expresa habitualmente como un porcentaje del precio unitario, porque cuanto ms valioso sea el artculo que se tiene en inventario, tanto ms alto ser el costo de su manejo. Por consiguiente, cuanto ms bajo sea el precio unitario, P, tanto ms bajo ser H. Inversamente, cuanto ms alto sea P, tanto ms alto ser H. Igual que cuando calculamos anteriormente el costo total. La ecuacin del costo total genera curvas de costo total en forma de U. Si el costo anual de materiales se agrega a la ecuacin del costo total, cada curva de costo total se eleva en una magnitud fija.
42
PROCESO PARA HALLAR EL MEJOR TAMAO DE LOTE 1. A partir del precio ms bajo de todos, calcule la EOQ para cada nivel de precios, hasta que encuentre una EOQ factible. Sabr usted que sta es factible si se encuentra en el rango correspondiente a un precio. Cada EOQ subsiguiente es ms pequea que la anterior porque p, y por lo tanto H, se vuelve cada vez ms grande y porque esa H ms grande est en el denominador de la frmula de la EOQ. 2. Si la primera EOQ factible que encuentre corresponde al nivel de precios ms bajo, esta cantidad representar el mejor tamao del lote. Si no es as, calcule el costo total correspondiente a la primera EOQ factible y a la mayor magnitud del cambio de precio, en cada nivel de precios ms bajo. La cantidad a la cul corresponde el costo total ms bajo de todos ser la ptima. EJEMPLO PRCTICO Uno de los proveedores del sistema de salud de Lower Florida Keys ha presentado su plan de precios de descuento por cantidad para alentar a sus clientes a que compren mayores cantidades de un catter de tipo especial. El plan de precios propuesto es el siguiente:
Lower Florida ha estimado que la demanda anual para este artculo es de 936 unidades, el costo que implica hacer esos pedidos es de $45 por pedido y su costo anual de manejo de inventario representa el 25% del precio unitario del catter. Qu cantidad de dicho catter tendr que pedir el hospital para minimizar su total de costos? SOLUCION Paso 1. Encuentre la primera EOQ factible, comenzando con el nivel de precios ms bajo:
43
Un pedido de 77 unidades cuesta realmente $60 por unidad, en lugar del costo de $57 por unidad que se uso en el clculo de la EQQ; por lo tanto, esta EQQ no es factible. Intentemos ahora con el nivel de $58.80:
Esta cantidad tampoco resulta factible, porque un pedido de 76 unidades es demasiado pequeo para que se le aplique el precio $58.80. Intente ahora con el nivel de precios ms alto:
Esta cantidad es factible, porque se encuentra dentro del rango correspondiente a su precio, P = $60.00. Paso 2. La primera EQQ factible, de 75, no constituye el nivel de precios ms bajo de todos. Por lo tanto, tendremos que comparar su costo total con las cantidades correspondientes al cambio de precio (300 unidades y 500 unidades), en los niveles de precio ms bajos ($58.80 y $57.00):
44
La mejor cantidad de compra es de 500 unidades, con la cual se obtiene el mayor descuento. Sin embargo, la solucin no siempre funciona as. Cuando los descuentos son pequeos, el costo de manejo de inventario H es considerable, la demanda D es pequea y los tamaos del lote ms reducidos funcionan mejor, aunque se renuncie a descuentos en el precio. TALLER DE APLICACIN 1. El equipo Bucks de la liga mayor de bisbol rompe cuatro bates por semana, en promedio. El equipo compra sus bates de bisbol a Corkys, un fabricante que se distingue porque tiene acceso a la mejor madera maciza. El costo de hacer el pedido es de $70 y el costo anual del manejo de inventario por bat y por ao representa el 38% del precio de compra. La estructura de precios de Corkys es la siguiente:
a. Cuntos bates debera comprar el equipo en cada pedido? b. Cul es el total de los costos anuales asociados a la mejor cantidad de pedido? 2. La librera universitaria de una gran institucin estatal compra lapiceros mecnicos a un mayorista. ste le ofrece descuentos cuando los pedidos son grandes, de acuerdo con el siguiente plan de precios:
La librera ha supuesto que la demanda anual ser de 500 unidades. Hacer un pedido le cuesta $10 y el costo anual por manejo de inventario de una unidad es equivalente al 10% del precio de la misma. Determine cul es la mejor cantidad del pedido. Leccin 9: MODELOS DE LOTE DE PRODUCCIN Y EL SISTEMA DE CLASIFICACIN ABC MODELO DE LOTE DE PRODUCCIN Hasta ahora habamos supuesto que el pedido llegaba instantneamente o que la produccin se reabasteca de inmediato. Sin embargo en la prctica una empresa manufacturera va produciendo paulatinamente y a travs del tiempo va vendiendo los artculos que le son
45
demandados. A continuacin se explicara un modelo con el supuesto que la produccin se da paulatinamente a una tasa b, que es mayor que la demanda a. Los costos que se considerarn son: K : Costo de preparacin para producir u ordenar un lote. c : El costo de producir o comprar cada unidad. h : El costo de mantenimiento de una unidad de inventario por unidad de tiempo. Recordemos adems: b : Tasa de produccin de los artculos a : Tasa de demanda de los artculos. b>a
Debemos hallar el costo total por unidad de tiempo ($/tiempo). Primero hallaremos los costos nicamente para un ciclo, por lo que los costos estarn en ($). Costo por ciclo de produccin u ordenar = K + c Q [$] + [$/ artculo ] * [artculo ] =[$]
46
47
Ejemplo: Manufactura de bocinas para televisores. 1. Cada vez que se produce un lote, se incurre en un costo de preparacin de $12000. 2. El costo unitario de produccin de una sola bocina (excluyendo el costo de preparacin) es $10. 3. El costo de mantenimiento de una bocina en almacn es de $0.3 por mes. 4. La demanda es de 8000 bocinas mensuales. 5. La tasa de produccin es de 14000 bocinas mensuales
48
Manufactura de bocinas para televisores debe producir 38643 bocinas cada 4.83 meses para minimizar los costos de manejo de los inventarios.
EL sistema de clasificacin ABC Es una necesidad en casi todas las compaas saber la composicin de sus inventarios. Es por ello que existen formas de clasificarlos segn su importancia. El sistema de clasificacin ABC nos ayuda a clasificar los inventarios en tres categoras: A: Muy importantes. B: Medianamente importantes. C: Poco o nada importantes Al aplicar el sistema de clasificacin ABC es importante recordar lo expuesto por el economista italiano Pareto referente a que el 20% ms importante de la causa es la responsable del 80% del efecto. Aplicndolo a los inventarios se vera:
49
Un criterio de clasificacin para determinar la importancia de los artculos dentro del inventario es la cantidad promedio en dinero del artculo (Cantidad en artculos promedio * Costo unitario). Ejemplo: Suponga que un almacn de cadena maneja 4 tipos de artculos: Electrodomsticos, vestidos para hombres y mujeres, artculos comestibles, artculos de papelera. En la siguiente tabla se resume la clasificacin de los artculos:
50
Leccin 10: MODELO ESTOCASTICO DE INVENTARIOS Hasta el momento hemos venido suponiendo que la demanda es conocida y cierta. Modelo de un perodo sin costo fijo sin embargo la mayora de los casos nos muestran demandas inciertas y desconocidas. Suponiendo que la demanda para un perodo es una variable aleatoria, es posible conocer su distribucin de probabilidad. Ejemplo - Distribuidor de bicicletas Un distribuidor mayorista de bicicletas compra bicicletas al fabricante para surtir las diferentes tiendas en el oeste de los E.E.U.U existe incertidumbre sobre cul ser la demanda de bicicletas por parte de las tiendas en cualquier mes, por lo que el distribuidor se enfrenta a Cuntas bicicletas debe ordenar al fabricante en un mes determinado? El distribuidor ha analizado sus costos y ha determinado que los siguientes factores son importantes: 1. Costo de ordenar:
51
2. Costo de mantenimiento: Costo de tener un inventario. Se ha estimado en $1 por bicicleta-mes. Sin embargo las bicicletas tienen un valor de salvamento de $10 c/u. - $9 por bicicleta que queda al final del mes. 3. Costo por faltantes: Costo por no tener una bicicleta disponible cuando se necesita se considera despreciable en este ejemplo. Segn la terminologa que hemos venido empleando: K : 0 Costo de preparacin c : $ 20 / bicicleta Costo de adquisicin h : - $9 / bicicleta - mes Costo de mantenimiento p : $ 45 / bicicleta Precio de venta Vamos a adoptar el criterio de maximizacin del ingreso neto para la formulacin del modelo
Definamos y : Cantidad comprada por el distribuidor al fabricante D : Cantidad demandada por las tiendas al distribuidor Ingreso neto = p * cantidad vendida por el distribuidor - c * cantidad comprada por el distribuidor - h * cantidad no vendida y liquidada al valor de recuperacin
52
53
54
55
ACTIVIDADES DE AUTOEVALUACIN DE LA UNIDAD 1. Escriba dentro del parntesis la letra a la cual corresponde la definicin.
2. Mac-in-the-Box, Inc., vende equipo de computadoras mediante pedidos que los clientes hacen por telfono y por correo. Mac vende 1200 escneres de cama plana cada ao. El costo del pedido es de $300 y el costo anual del manejo de inventario representa el 16% del precio del artculo. El fabricante del escner le ha propuesto la siguiente estructura de precios a Mac-in-the-Box.
Con qu cantidad del pedido se logra minimizar el total de los costos anuales?
56
3. enuncie cuatro caractersticas de los Modelos E.O.Q.
4. Indique el significado de los siguientes smbolos.

K C H B Q* I D
57
FUENTES DOCUMENTALES DE LA UNIDAD 1

Bernstein, Peter L. (1998). Against the Gods, the remarkable story of risk. USA, John Wiley. Hanke, John E.; Wichern, Dean W. & Reitsch, Arthur G. (2001). Business Forecasting. Seventh Edition. USA, New Jersey: Prentice Hall Makridakis, Spyros. (1993). Pronsticos. Estrategia y Planificacin para el siglo XXI . Madrid, Espaa: Ediciones Daz de Santos, S.A.
Sanjay K. Bose. An Introduction to queueing systems, Kluwer Academic/Plenum Publishers, 2002.
Frederick S. Hillier, Gerald J. Lieberman Introduction to operations research, McGraw-Hill, 1995.
Hisashi Kobayashi Modeling and analysis : an introduction to system performance evaluation methodology, Addison-Wesley, 1978.
Stephen S. Lavenberg, [editors] Computer performance modeling handbook, Academic Press, 1983.
Wayne L. Winston Operations research : applications and algorithms, Brooks/Cole - Thomson Learning, 2004.
58
UNIDAD 2 Nombre de la Unidad Introduccin El anlisis de Markov tuvo su origen en los estudios de A.A.Markov(1906-1907) sobre la secuencia de los experimentos conectados en cadena y los intentos de descubrir matemticamente los fenmenos fsicos conocidos como movimiento browiano. La teora general de los procesos de Markov se desarrollo en las dcadas de 1930 y 1940 por A.N.Kolmagoron, W.Feller, W.Doeblin, P.Levy, J.L.Doob y otros. El anlisis de Markov es una forma de analizar el movimiento actual de alguna variable, a fin de pronosticar un movimiento futuro de la misma. Las "colas" son un aspecto de la vida moderna que nos encontramos continuamente en nuestras actividades diarias. En el contador de un supermercado, accediendo al Metro, en los Bancos, etc., el fenmeno de las colas surge cuando unos recursos compartidos necesitan ser accedidos para dar servicio a un elevado nmero de trabajos o clientes. En matemticas, Programacin no lineal (PNL) es el proceso de resolucin de un sistema de igualdades y desigualdades sujetas a un conjunto de restricciones sobre un conjunto de variables reales desconocidas, con una funcin objetivo a maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales. Cadenas de Markov, teora de colas y programacin no lineal
Justificacin
El estudio de las colas es importante porque proporciona tanto una base terica del tipo de servicio que podemos esperar de un determinado recurso, como la forma en la cual dicho recurso puede ser diseado para proporcionar un determinado grado de servicio a sus clientes. Debido a lo comentado anteriormente, se plantea como algo muy til el desarrollo de una herramienta que sea capaz de dar una respuesta sobre las caractersticas que tiene un determinado modelo de colas.
59
Intencionalidades Formativas
Valorar la importancia que tiene los mtodos estudiados en situaciones organizacionales para las empresas en el mundo moderno. Plantear y resolver problemas en diferentes campos del saber, haciendo un proceso de abstraccin de escenarios conocidos a escenarios desconocidos de las temticas estudiadas.
Denominacin de captulos
Capitulo 3 Cadenas de Markov Capitulo 4 Modelos de lneas de espera Capitulo 5 Programacin no lineal
60
CAPITULO 3: CADENAS DE MARKOV
Leccin 11: CADENAS DE EVENTOS ANALISIS 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 los negocios, las cadenas de Markov se han utilizado para analizar los patrones de compra de los consumidores, para pronosticar las concesiones por deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo. Aunque no es una herramienta que se use mucho, el anlisis de Markov puede proporcionar informacin importante cuando es aplicable. 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. Ms importante an, 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. Un tipo especial de procesos estocsticos de tiempo discreto se llama cadena de Markov. Para simplificar nuestra presentacin supondremos que en cualquier tiempo, el proceso estocstico de tiempo discreto puede estar en uno de un nmero finito de estados identificados por 1.2,..., s. DEFINICIN Un proceso estocstico de tiempo discreto es una cadena de Markov si, para t = 0,1,2,... y todos los estados, (1) P(Xt+1 = i t+1 \ X t = i t,. Xt-1= it-1, , X1 = i1, X 0= i0) = P(Xt+1 = i t+1 \ X t = i) En esencia, la ecuacin (1) dice que la distribucin de probabilidad del estado en el tiempo t + 1 depende del estado en el tiempo t(i) y no depende de los estados por los cuales pas la cadena para llegar a i, en el tiempo t. En el estudio de las cadenas de Markov haremos la hiptesis adicional que para lodos los estados i y j, y toda t, P(Xt+1 = i \ X t = j ) es independiente de t. Esta hiptesis permite escribir
61
(2) P(Xt+1 = i \ X t = j ) = pij donde pij es la probabilidad de que dado que el sistema est en el estado i en el tiempo t, el sistema estar en el estado j en el tiempo t + 1. Si el sistema pasa del estado i durante un periodo al estado j durante el siguiente, se dice que ha ocurrido una transicin de i a j. Con frecuencia se llaman probabilidades de transicin a las pij en una cadena de Markov. La ecuacin (2) indica que la ley de probabilidad que relaciona el estado del siguiente periodo con el estado actual no cambia. o que permanece estacionaria, en el tiempo. Por este motivo, a menudo se llama Hiptesis de estabilidad a la ecuacin (2). Toda cadena de Markov que cumple con la ecuacin (2) se llama cadena estacionionaria de Markov El estudio de las cadenas de Markov tambin necesita que definamos qi como la probabilidad de que la cadena se encuentre en el estado i en el tiempo 0; en otras palabras, P(X0 = i) = qi,. Al vector q = [q1, q2, ..., qs] se le llama distribucin inicial de probabilidad de la cadena de Markov. En la mayora de las aplicaciones, las probabilidades de transicin se presentan como una matriz P de probabilidad de transicin s x s. La matriz de probabilidad de transicin P se puede escribir como
Dado que el estado es i en el tiempo t, el proceso debe estar en algn lugar en el tiempo t + 1. Esto significa que para cada i.
Tambin sabemos que cada elemento de la matriz P debe ser no negativo. Por lo tanto, todos los elementos de la matriz de probabilidad de transicin son no negativos; los elementos de cada rengln deben sumar 1.
62
Leccin 12: DESCRIPCIN DE UNA CADENA DE MARKOV La probabilidad de pasar de un evento a otro se llama probabilidad de transicin, para describir completamente una cadena de Markov es necesario saber el estado actual y todas las probabilidades de transicin. Hay dos formas fciles de exponer las probabilidades de transicin: 1. DIAGRAMA DE ESTADOS: como el que muestra la figura, en sta se ilustra un sistema de Markov con dos estados posibles: s1 y s2. La probabilidad condicional o de transicin de moverse de un estado a otro se indica en el diagrama, por ejemplo la probabilidad de pasar del estado s1 al estado s2 se seala como p12. Las flechas muestran las trayectorias de transicin que son posibles. La ausencia de algunas trayectorias significa que esas trayectorias tienen probabilidad igual a cero.
2. MATRIZ DE TRANSICIN: Para el ejemplo anterior la matriz se muestra a continuacin, ntese que, como existen dos estados posibles, se necesitan 2x2 = 4 probabilidades. Tambin ntese que cada rengln de la matriz suma 1.esto se debe a que el sistema debe hacer una transicin.
63
EJERCICIOS PRACTICOS 1. Teniendo en cuenta el siguiente diagrama de estados, describa la matriz de transicin correspondiente.
2. teniendo en cuenta la siguiente matriz de transicin describa el diagrama de estados correspondiente.
3. Escriba las observaciones que puede hacer a partir del diagrama de estados o de la matriz de transicin en cada caso. Leccin 13: CLCULO DE LAS PROBABILIDADES DE TRANSICIN
Ahora que se sabe cmo presentar los datos, qu puede hacerse? Un anlisis til es pronosticar el estado del sistema despus de 1, 2, 3, o ms periodos. Esto se llama anlisis de transicin, debido a que es a corto plazo y est enfocado a periodos cortos. EJEMPLO: Considrese la siguiente cadena de Markov: una copiadora de oficina, poco segura. Si est funcionando un da, existe un 75% de posibilidades de que al da siguiente funcione y un
64
25% de posibilidades de que no funcione. Pero si no est funcionando, hay 75% de posibilidades de que tampoco funcione al da siguiente y slo un 25% de que si lo haga (se lleva mucho tiempo la reparacin) Para comenzar un anlisis de transicin, se deben conocer el estado actual. Supngase que se est comenzando y que hay 75% de posibilidades de estar en el estado 1 y 25% de estar en el estado 2. Esto define el estado actual en forma probabilstica. Cul es la probabilidad de que la copiadora al 4 da este funcionando? SOLUCION: ESTADOS: S1= La copiadora funcionando S2= La copiadora no funcionando
X0= Representa la proporcin de objetos en cada estado al inicio del proceso (vector inicial de distribucin probabilstica) ESTADO ACTUAL X0= [X1, X2]= [0.75, 0.25] Para hallar la probabilidad de que la copiadora este funcionando al 4 da es necesario determinar las 3 probabilidades anteriores, ya que: X4= x3.p X3= x2.p X2= x1.p X1= x0.p
65
Xn= x0.pn esta ecuacin representa la proporcin de objetos en el estado i que realizan la transicin al estado j durante un perodo. Entonces las probabilidades para el primer ciclo se calcularan as:
De esta forma se hallan las otras probabilidades de transicin, el resultado final es:
Esto se puede interpretar asi: al cuarto da la probabilidad de funcionamiento de la copiadora es de 51.56% si ella estaba funcionando. asi mismo 48.43% de probabilidades de no funcionamiento. TALLER 1. Dada la cadena de Markov siguiente:
66
Encuentre las probabilidades de transicin para los 5 ciclos siguientes, teniendo en cuenta que el sistema se encuentra en el estado 1. 2. Dada la siguiente matriz de tres estados.
a. dibuje el diagrama de estados. b. Encuentre las probabilidades de transicin para los siguientes tres ciclos suponiendo el inicio en el estado B. 3. Un gerente de crdito estima que el 95% de aquellos que pagan sus cuentas a tiempo un mes, tambin lo harn el siguiente mes, sin embargo, de aquellos que se tardan, solo la mitad pagara a tiempo la prxima vez. a. Si una persona paga a tiempo. Cul es la probabilidad de que pagara a tiempo durante 6 meses desde ahora? Leccin 14: PROBABILIDADES DE ESTADO ESTABLE APLICACIN A LA ADMINISTRACIN E INGENIERIA Las compras de los consumidores estn influidas por la publicidad, el precio y muchos otros factores. Con frecuencia un factor clave es la ltima compra del consumidor. Si por ejemplo, alguien compra un refrigerador maraca Y y le da un buen servicio, quedar predispuesto a comprar otro refrigerador marca Y. De hecho, una investigacin de mercado puede determinar el grado de lealtad a la marca encuestando a los consumidores. En trminos de una cadena de Markov, los resultados de la investigacin son las probabilidades de transicin de seguir con la marca o de cambiar. Ejemplo, cambio de marca, la marca A es la marca de inters y la marca B representa todas las dems marcas. Los clientes son bastante leales, el 80% de ellos son clientes que repiten. La oposicin conserva el 70% de sus clientes.
67
Qu informacin puede obtenerse con el anlisis de Markov? Con el anlisis de transicin puede descubrirse que tan probable es que un cliente cambie despus de cierto nmero de ciclos. Pero el anlisis de estado estable es el ms til. Qu interpretacin dara usted del promedio a largo plazo de estar en cualquiera de los estados? La de porcentajes de mercado! El promedio a la larga del estado A es el porcentaje de mercado que puede esperar recibir la marca A. As, conociendo el grado de lealtad a la marca entre los clientes puede predecirse el porcentaje de mercado para el producto o servicio. El desarrollo o clculo de las probabilidades de estado estable para el ejemplo anterior se realizan a continuacin: Matriz de transicin (cambio de marca) Marca A Marca B Marca A Marca B 0.8 0.3 0.2 0.7
Las distribuciones de estado lmite o estable representan las proporciones aproximadas de objetos en los diferentes estados de una cadena de Markov, despus de un gran nmero de periodos. La matriz limite L tiene dos renglones idnticos, siendo la suma de sus componentes igual a la unidad. Se calculan utilizando la siguiente expresin: [ x1,x2].P = [ x1,x2] [ x1,x2]. 0.8 0.2 = [ x1,x2] 0.3 0.7 Resultan 2 ecuaciones: 0.8x1+0.3x2= x1 0.2x1+0.7x2= x2 Y una tercera ecuacin, clave para hallar la solucin del sistema es: X1+x2=1
68
De las dos primeras ecuaciones escogemos 1, pues las dos resultan ser la misma, para trabajarla con la tercera. Utilizamos cualquier mtodo de solucin de sistemas de ecuaciones, como reduccin, igualacin o sustitucin. La solucin del sistema es: X1= 0.6 X2= 0.4 Lo que significa que la marca A capturar a la larga el 60% del mercado y las otras marcas tendrn el 40%. Esta informacin puede ser til en muchas formas. Una de ellas es al evaluar las diferentes estrategias de publicidad. Esta publicidad puede estar dirigida a los clientes actuales en un esfuerzo para incrementar la lealtad a la marca. De otra manera, puede dirigirse a los compradores de otras marcas con el fin de persuadirlos para cambiar. Cmo debe asignarse un presupuesto de publicidad entre estas dos alternativas? El anlisis de Markov puede proporcionar una respuesta si se dispone de cierta informacin adicional. TALLER 1. Dada la cadena de Markov siguiente:
Encuentre las probabilidades de estado estable. 2. Dada la siguiente matriz de tres estados.
Encuentre las probabilidades de estado estable.
69
3. Un gerente de crdito estima que el 95% de aquellos que pagan sus cuentas a tiempo un mes, tambin lo harn el siguiente mes, sin embargo, de aquellos que se tardan, solo la mitad pagara a tiempo la prxima vez. A la larga Cul es la proporcin de cuentas pagadas a tiempo? Leccin 15: Aplicaciones
PROBLEMA RESUELTO Formlese como una cadena de Markov el siguiente proceso. El fabricante de dentfrico Brillo controla actualmente 60% del mercado de una ciudad. Datos del ao anterior muestran que 88% de consumidores de brillo continan usndola, mientras que 12% de los usuarios de brillo cambiaron a otras marcas. Adems, 85% de los usuarios de la competencia permanecieron leales a estas otras marcas, mientras que 15% restante cambi a brillo. Considerando que estas tendencias continan, determnese la parte del mercado que corresponde a brillo: a) en 3 aos, y b) a largo plazo. Se considera como estado 1 al consumo de brillo y al estado 2 como el consumo de una marca de la competencia. Entonces, p11, probabilidad de que un consumidor de brillo permanezca leal a brillo, es 0.88; p12, la probabilidad de que un consumidor de brillo cambie a otra marca es de 0.12;p21, probabilidad de que el consumidor de otra marca cambie a brillo, es 0.15; p22, probabilidad de que un consumidor de otra marca permanezca leal a la competencia, es 0.85. La matriz estocstica definida por estas probabilidades de transicin es:
El vector inicial de distribucin probabilstica es X0 = ( 0.60, 0.40 ), donde los componentes x10 = 0.60 y x20 = 0.40 representan las proporciones de personas inicialmente en los estados 1 y 2, respectivamente. SOLUCIN: Las probabilidades para los primeros ciclos se calculan as:
70
segn esto a brillo le corresponde en el primer ao 58.8% del mercado, al segundo ao 57.9% y al tercer ao 57.26%. A largo plazo el proceso sera:
Las distribuciones de estado lmite o estable representan las proporciones aproximadas de objetos en los diferentes estados de una cadena de Markov, despus de un gran nmero de periodos. La matriz limite L tiene dos renglones idnticos, siendo la suma de sus componentes igual a la unidad. Se calculan utilizando la siguiente expresin: [ x1,x2].P = [ x1,x2]
[ x1,x2]. 0.88 0.12 = [ x1,x2] 0.15 0.85

71
Resultan 2 ecuaciones: 0.88x1+0.15x2= x1 0.12x1+0.85x2= x2 Y una tercera ecuacin, clave para hallar la solucin del sistema es: X1+x2=1 De las dos primeras ecuaciones escogemos 1, pues las dos resultan ser la misma, para trabajarla con la tercera. Utilizamos cualquier mtodo de solucin de sistemas de ecuaciones, como reduccin, igualacin o sustitucin. La solucin del sistema es: X1= 0.55 X2= 0.45 Lo que significa que la marca brillo capturar a la larga el 55% del mercado y las otras marcas tendrn el 45%. Esta informacin puede ser utilizada para realizar campaas de publicidad encaminadas a mantener o mejor subir la fidelidad de los clientes antiguos y a ganar clientes nuevos. PROBLEMAS DE APLICACIN 1.Las uvas del valle de sonoma se clasifican como superiores, regulares o malas. Despus de una cosecha superior, las probabilidades de tener durante el siguiente ao una cosecha superior, regular o mala son de: 0, 0.8 y 0.2 respectivamente. Despus de una cosecha regular, las probabilidades de que la siguiente cosecha sea superior, regular y mala son de 0.2, 0.6 y 0.2. Despus de una mala cosecha, las probabilidades de una cosecha superior, regular y mala son de 0.1, 0.8 y 0.1. Determnense las probabilidades de una cosecha superior para cada uno de los siguientes cinco aos. si la cosecha ms reciente fue regular.
2.Una lnea area con un vuelo a las 7:15 p.m entre la ciudad de Nueva York y la ciudad de washington,D.C; No desea que el vuelo salga retrasado dos das consecutivos. Si el vuelo sale retrasado un da, la lnea area realiza un esfuerzo especial al da siguiente para que el vuelo salga a tiempo, y lo logra 90% de las veces. Si el vuelo no sali con retraso el da anterior, la linea area no realiza arreglos especiales, y el vuelo parte de acuerdo con lo programado el 60% de las veces. Que porcentaje de veces parte con retraso el vuelo?.
72
3. El departamento de comercializacin de la marca X hizo una investigacin y encontr que, si un cliente compro su marca, existe un 70% de posibilidades de que la compre de nuevo la prxima vez. por otro lado, si la ltima compra fue de otra marca, entonces se escoge la marca X solo el 20% del tiempo. Cul es el porcentaje de mercado que puede pronosticarse a la larga para la marca X?.
73
AREA:
ESTADSTICA
Escuela de Ciencias Bsicas Tecnologa e Ingeniera
CIENCIAS BSICAS CURSO: UNIDAD: Cadenas de Markov, teora de colas y programacin no lineal CAPTULO: Cadenas de Markov Mtodos probabilsticos LECCIN: clculo de las probabilidades de transicin
NUMERO DE LA PRCTICA
NOMBRE DE LA PRCTICA Cadenas de Markov NOMBRE DEL SOFTWARE WinQsb Libre: ______x_____ Licenciado: _____________
Aspectos Tericos: Las cadenas de Markov se incluyen dentro de los denominados procesos estocsticos. Dichos estudian el comportamiento de variables aleatorias a lo largo del tiempo X(t,w). Se definen como una coleccin de variables aleatorias {X(t,w), t I}, donde X (t,w) puede representar por ejemplo los niveles de inventario al final de la semana t. El inters de los procesos estocsticos es describir el comportamiento de un sistema e operacin durante algunos periodos.
Los procesos estocsticos se pueden clasificar atendiendo a dos aspectos: si el espacio de estados posibles de la variable aleatoria contiene valores discretos o continuos y de si los valores del tiempo son discretos o continuos.
Las cadenas de Markov es un proceso estocstico en el que los valores del tiempo son discretos y los estados posibles de la variable aleatoria contienen valores discretos, es decir, es una cadena estocstica de tiempo discreto.
74
Las cadenas de Markov, se clasifican, adems, dentro de los procesos estocsticos de Markov, que son aquellos en el que el estado futuro de un proceso es independiente de los estados pasados y solamente depende del estado presente. Por lo tanto las probabilidades de transicin entre los estados para los tiempos k-1 y k solamente depende de los estados que la variable adquiere dichos tiempos. La idea es determinar las probabilidades de ocurrencia de eventos que dependen de las probabilidades de ocurrencia del evento anterior y tambin ms importante poder determinar las probabilidades a largo plazo de los eventos. Ejemplo 1: Una copiadora que hoy se encuentra funcionando tiene una probabilidad de que el da de maana funcione correctamente de 65%. Pero si la copiadora hoy no est funcionando existe un 40% de probabilidades de que maana funcione. Nos interesa determinar en esta cadena de Markov las probabilidades de encontrar la copiadora funcionando despus de 1 o varios das, teniendo en cuenta que como estado inicial vamos a suponer que la copiadora est funcionando hoy. Tambin determinaremos las probabilidades de estado estable que significan las probabilidades de encontrar la copiadora funcionando despus de n ciclos que en nuestro caso son das. Solucin: Utilice el modulo del winqsb titulado: Markov process Luego seleccione file:
Nos dar la opcin de elegir new problem, para introducir los datos de un nuevo ejercicio. Luego nos aparece el siguiente pantallazo, en donde vamos a darle un titulo al problema y colocamos tambin el nmero de estados, para nuestro ejemplo sern 2(la copiadora funcionando y la copiadora no funcionando) y le damos ok.
75
Al darle ok nos dara la opcin de introducir los datos del ejercicio, que corrersponden a la matriz de transicin. En este caso es: S1: Estado 1, la copiadora funcionando S2: Estado 2, la copiadora no funcionando Matriz de transicin S1 S2
76
S1 S2
0,65 0,40
0,35 0,60
Entonces
Hay que resaltar que se debe colocar las probabilidades iniciales, en nuestro caso las que corresponden al estado 1, segn el enunciado del ejercicio. Luego procedemos a resolver utilizando solve and analyse que encontramos en la barra superior y elegimos markov process step Obtenemos la siguiente tabla:
En esta casilla se coloca el numero de periodos que se quieren proyectar, en este caso colocamos 1. El resultado que obtenemos 0,5625 corresponde a la probabilidad de encontrar funcionando la copiadora al dia siguiente y 0,4375 de no estar funcionando si tenemos en cuenta que la copiadora inicio funcionando. Bastaria con variar este nmero para calcular las probabilidades de 2,3, 0 ms periodos.
77
Asi mismo hallamos la probabilidad de estado estable asignando por ejemplo el valor de 100 o eligiendo la opcin steady state, que para nuestro ejemplo nos daria los siguientes resultados:
Los que indica la flecha, es decir que a la larga la probabilidad de encontrar la copiadora funcionando es de 53,33% y de no estar funcionando de 46,66%. Es de anotar que para el clculo de estas probabilidades no se necesita de un estado inicial, sea el valor que fuera nos dara a largo plazo el mismo resultado. Ejercicios de aplicacin 1. En un pueblo, al 90% de los das soleados le siguen das soleados, y al 80% de los das nublados le siguen das nublados. Con esta informacin modelar el clima del pueblo como una cadena de Markov. Determinar la probabilidad de tener un da soleado al tercer da si hoy tenemos un da nublado. A largo plazo cul es la probabilidad de tener das soleados? 2. Un agente comercial realiza su trabajo en tres ciudades A, B y C. Para evitar desplazamientos innecesarios est todo el da en la misma ciudad y all pernocta,
78
desplazndose a otra ciudad al da siguiente, si no tiene suficiente trabajo. Despus de estar trabajando un da en C, la probabilidad de tener que seguir trabajando en ella al da Siguiente es 0,4, la de tener que viajar a B es 0,4 y la de tener que ir a A es 0,2. Si el viajante duerme un da en B, con probabilidad de un 20% tendr que seguir trabajando en la misma ciudad al da siguiente, en el 60% de los casos viajar a C, mientras que ir a A con probabilidad 0,2. Por ltimo si el agente comercial trabaja todo un da en A, permanecer en esa misma ciudad, al da siguiente, con una probabilidad 0,1, ir a B con una probabilidad de 0,3 y a C con una probabilidad de 0,6. a) Si hoy el viajante est en C, cul es la probabilidad de que tambin tenga que trabajar en C al cabo de cuatro das? b) Cuales son los porcentajes de das en los que el agente comercial est en cada una de las tres ciudades?
CAPITULO 4: MODELOS DE LNEAS DE ESPERA TEORIA DE LNEAS DE ESPERA 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? Leccin 16: CONCEPTOS GENERALES INTRODUCCIN En muchas ocasiones en la vida real, un fenmeno muy comn es la formacin de colas o lneas de espera. Esto suele ocurrir cuando la demanda real de un servicio es superior a la capacidad que existe para dar dicho servicio. Ejemplos reales de esa situacin son: los cruces de dos vas de circulacin, los semforos, el peaje de una autopista, los cajeros
79
automticos, la atencin a clientes en un establecimiento comercial, la avera de electrodomsticos u otro tipo de aparatos que deben ser reparados por un servicio tcnico, etc todava ms frecuentes, si cabe, son las situaciones de espera en el contexto de la informtica, las telecomunicaciones y, en general, las nuevas tecnologas. As, por ejemplo, los procesos enviados a un servidor para ejecucin forman colas de espera mientras no son atendidos, la informacin solicitada, a travs de Internet, a un servidor Web puede recibirse con demora debido a congestin en la red o en el servidor propiamente dicho, podemos recibir la seal de lneas ocupadas si la central de la que depende nuestro telfono mvil est colapsada en ese momento, etc. JUSTIFICACION La teora de las colas se ocupa del anlisis matemtico de los fenmenos de las lneas de espera o colas. Las colas se presentan con frecuencia cuando de solicita un servicio por parte de una serie de clientes y tanto el servicio como los clientes son de tipo probabilstico. La teora de las colas no pretenden en ningn momento resolver directamente el problema de la espera en colas sino mas bien describe la situacin que presenta una cola a travs del tiempo y extrae lo que bien se podra llamar las caractersticas operacionales de la cola. Alguna de estas caractersticas son el nmero promedio de clientes en la cola, su tiempo de espera en la cola, el porcentaje de tiempo que el despachador esta ocupado, etc. Debido al carcter bsico de estas teoras nos limitaremos a hacer una exposicin de los modelos mas elementales sin entrar estrictamente a considerar la labor de optimizacin de los sistemas que representan. OBJETIVOS
Identificar el nivel ptimo de capacidad del sistema que minimiza el costo global del mismo. Evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema tendran en el coste total del mismo. Establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de costes y las cualitativas de servicio. Hay que prestar atencin al tiempo de permanencia en el sistema o en la cola: la paciencia de los clientes depende del tipo de servicio especfico considerado y eso puede hacer que un cliente abandone el sistema.
LECTURA AUTOREGULADA UNA VISITA A DISNEY
80
Qu tan popular es Disney World en Orlando, Florida? Desde que abri en 1971, 200 millones de personas han visitado Disney World, y esperan en filas Para tener acceso a sus muchas atracciones. Lo administracin de Disney Pone mucha atencin a la forma en que trata a sus clientes mientras esperan en las colas. En la ciencia de la administracin. Las filas se conocen a menudo como colas, y la teora de colas se aplica a muchas estructuras diferentes- En Disney world, por ejemplo, los visitantes forman una fila para tener acceso al paseo con el Capitn Nemo, mientras que los mismos submarinos del Capitn Nomo hacen cola mientras bajan y suben, a los pasajeros Qu tambin atiende las filas y a las personas es algo crtico para el negocio de Disney, Norm Doerges, directora de Epcot (que es parte de Disney World). analiza cmo Epcot fue diseada. Primero, los investigadores de Disney recolectaron datos acerca del modo en que las personas pasan su tiempo en el parque. Cunto tiempo esperan en una fila? Cunto tiempo realmente invierten en las atracciones? Cunto tiempo pasan comiendo? Cunto tiempo les lleva decidirse sobre qu hacer a continuacin? Segundo, Disney pide a sus clientes su opinin acerca de cunto tiempo estaan dispuestos a esperar para tener acceso a las diferentes atracciones y servicios. Los diseadores deo Epcot entonces construyeron un modelo para simular sucesos y el flujo de trfico en el parque. teniendo en mente la eliminacin de las esperas largas. Tomar en consideracin las necesidades de los clientes en la etapa de diseo, significa que Epcot podra evitar el hacer cambios caros a gran escala en el parque despus de que fuera construido. PREGUNTAS SOBRE EL CASO 1. Cunto tiempo estaban dispuestos a esperar los clientes de Disney World para tener acceso a las atracciones ms populares? Qu factores influyeron en sus decisiones? 2. Comente sobre la forma en que Disney revisa sus colas y con qu frecuencia lo hace. 3. Qu tipos de datos objetivos y subjetivos recaba Disney para su modelo de simulacin? Ms all del caso 1. Por qu los supermercados no utilizan el sistema de una sola fila que se ve en la mayora da los bancos? 2 Qu ahorro en costos pueden resultar del uso de un modelo de colas para decidir cuntos servidores controladores, cajeros, etctera) tener trabajando?
Leccin 17: ANTECEDENTES ANTECEDENTES
81
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang (Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico telefnico con el objetivo de cumplir la demanda incierta de servicios en el sistema telefnico de Copenhague. Sus investigaciones acabaron en una nueva teora denominada teora de colas o de lneas de espera. Esta teora es ahora una herramienta de valor en negocios debido a que un gran nmero de problemas pueden caracterizarse, como problemas de congestin llegada-salida. En los problemas de formacin de cola, a menudo se habla de clientes, tales como personas que esperan la desocupacin de lneas telefnicas, la espera de mquinas para ser reparadas y los aviones que esperan aterrizar y estaciones de servicios, tales como mesas en un restaurante, operarios en un taller de reparacin, pistas en un aeropuerto, etc. Los problemas de formacin de colas a menudo contienen una velocidad variable de llegada de clientes que requieren cierto tipo de servicio, y una velocidad variable de prestacin del servicio en la estacin de servicio. Cuando se habla de lneas de espera, se refieren a las creadas por clientes o por las estaciones de servicio. Los clientes pueden esperar en cola simplemente porque los medios existentes son inadecuados para satisfacer la demanda de servicio; en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez ms larga a medida que transcurre el tiempo. Las estaciones de servicio pueden estar esperando por que los medios existentes son excesivos en relacin con la demanda de los clientes; en este caso, las estaciones de servicio podran permanecer ociosas la mayor parte del tiempo. Los clientes puede que esperen temporalmente, aunque las instalaciones de servicio sean adecuadas, por que los clientes llegados anteriormente estn siendo atendidos. Las estaciones de servicio pueden encontrar temporal cuando, aunque las instalaciones sean adecuadas a largo plazo, haya una escasez ocasional de demanda debido a un hecho temporal. Estos dos ltimos casos tipifican una situacin equilibrada que tiende constantemente hacia el equilibrio, o una situacin estable. En la teora de la formacin de colas, generalmente se llama sistema a un grupo de unidades fsicas, integradas de tal modo que pueden operar al unsono con una serie de operaciones organizadas. La teora de la formacin de colas busca una solucin al problema de la espera prediciendo primero el comportamiento del sistema. Pero una solucin al problema de la espera consiste en no solo en minimizar el tiempo que los clientes pasan en el sistema, sino tambin en minimizar los costos totales de aquellos que solicitan el servicio y de quienes lo prestan. La teora de colas incluye el estudio matemtico de las colas o lneas de espera y provee un gran nmero de modelos matemticos para describirlas. Se debe lograr un balance econmico entre el costo del servicio y el costo asociado a la espera por ese servicio. La teora de colas en s no resuelve este problema, slo proporciona informacin para la toma de decisiones.
Leccin 18: CARACTERSTICAS DE UN SISTEMAS DE COLAS Poblacin de Clientes: Conjunto de todos los clientes posibles de un sistema de colas Proceso de llegada: La forma en que los clientes de la poblacin llegan a solicitar un servicio
82
Proceso de colas: La forma en que los clientes esperan a que se les d un servicio Disciplina de colas: La forma en que los clientes son elegidos para proporcionarles un servicio. Proceso de servicio: Forma y rapidez con que son atendidos los clientes Proceso de Salida: Forma en que los productos o los clientes abandonan un sistema de colas Sistema de colas de un paso: Sistema en el cual los productos o los clientes abandonan el sistema despus de ser atendidos en un solo centro o estacin de trabajo. Red de colas: Sistema en el que un producto puede proceder de una estacin de trabajo y pasar a otra antes de abandonar el sistema.
83
ELEMENTOS EXISTENTES EN UN MODELO DE COLAS
84
Para describir una cola se deben especificar un proceso de entrada y uno de salida. En la siguiente tabla se presentan algunos ejemplos de procesos de entrada y salida. CASO Banco Pizzera Banco de sangre en hospital Astillero naval Frigorfico PROCESO DE ENTRADA Los clientes llegan al banco. PROCESO DE SALIDA Los cajeros despachan a los clientes Se reciben pedidos de La pizzera manda una pizzas. motocicleta para entregar pizzas. Llegan bolsas de sangre. Los pacientes usan bolsas de sangre. Se descomponen los barcos Se reparan los barcos y en el mar y se mandan al regresan al mar. astillero a reparacin. Llegan las reses para ser Se despacha la carne para el sacrificadas consumo humano.
EL PROCESO DE LLEGADA El proceso de entrada se conoce, por lo general, por proceso de llegada. La llegada son los clientes. En todos los modelos que estudiamos, suponemos que solo hay una llegada en un instante dado. En el caso de un restaurante, es una suposicin muy poco real. Si sucede que hay ms de una llegada en un instante dado, decimos que se permiten llegadas en masa. En general, suponemos que el proceso de llegada no es afectado por el nmero de clientes presentes en el sistema. En el contexto de un banco, esto significara que el proceso que gobierna las llegadas no cambia, haya 5 o 500 personas en la cola. Hay dos casos comunes en los que el proceso de llegada puede depender del nmero presente de clientes. El primero se da cuando las llegadas se toman de una poblacin pequea. Suponga que solo hay cuatro barcos en un astillero naval. Si los cuatro estn en reparacin, entonces ningn barco se puede descomponer en el futuro cercano. Por otro lado, si los cuatro barcos estn en el mar, en el futuro cercano hay una probabilidad relativamente alta de que suceda una descompostura. Los modelos en los que las llegadas se toman de una poblacin pequea se llaman modelos de origen finito. Otro caso en el que el proceso de llegada depende del nmero de clientes presentes, se tiene cuando la rapidez a la que llegan los clientes a la instalacin disminuye cuando est demasiado concurrida. Por ejemplo, si el lector ve que el estacionamiento del banco est lleno, podra pasar e ir otro da al banco. Si un cliente llega, pero no puede entrar al sistema, decimos que el cliente ha declinado. El fenmeno de declinacin (denegar o no aprovechar su turno) fue explicado por Yogi Berra cuando dijo: "Nadie va ya al restaurante; est demasiado concurrido."
85
Si al proceso de llegadas no lo afecta el nmero de clientes presentes, lo expresamos normalmente especificando una distribucin de probabilidad que gobierne el tiempo entre llegadas sucesivas. PROCESO DE SALIDA O DE SERVICIO Para describir el proceso de salida, que con frecuencia se llama proceso de servicio, de un sistema de cola, en general especificamos una distribucin de probabilidad; la distribucin del tiempo de servicio, que gobierna el tiempo de servicio a un cliente. En la mayor parle de los casos suponemos que la distribucin de tiempo de servicio es independiente del nmero de clientes presentes. Esto significa, por ejemplo, que el servidor no trabaja ms rpido cuando hay ms clientes. En este captulo estudiaremos dos acomodos de servidores: servidores en paralelo y servidores en serie. Los servidores estn en paralelo si todos ellos dan el mismo tipo de servicio y un cliente slo necesita pasar por un servidor para completar su servicio. Por ejemplo, los cajeros de un banco estn organizados generalmente en paralelo; cualquier cliente slo necesita ser atendido por un cajero, y cualquier cajero puede llevar a cabo el servicio deseado. Los servidores estn en serie si un cliente debe pasar por varios de ellos antes de completar el servicio. Un ejemplo de un sistema de cola en serie es una lnea de ensamble. DISCIPLINA DE LA COLA Para explicar por completo un sistema de cola, tambin debemos explicar la disciplina de la cola y la manera en la que los clientes se unen a ella. La disciplina de la cola es el mtodo que se usa para determinar el orden en el que se sirve a los clientes. La disciplina ms comn es la disciplina FIFO (el primero en llegar primero en ser servido), en la que los clientes son servidos en el orden de su llegada. Bajo la disciplina LIFO (ltimo en llegar, primero en ser servido), las llegadas ms recientes son las primeras en recibir el servicio. Si pensamos que la salida de un elevador sea un servicio, entonces un elevador muy lleno ilustra una disciplina LIFO. A veces, el orden en el que llegan los clientes no tiene efecto alguno sobre el orden en que se les sirve. Este sera el caso si el siguiente cliente en llegar se selecciona al azar de entre los que estn esperando para ser atendidos. A este caso se le llama disciplina SEOA (servicio en orden aleatorio). Cuando al llamar a una aerolnea se les pide que esperemos, la suerte de la seleccin determina con frecuencia al siguiente interlocutor que es atendido por un operador. MTODO UTILIZADO POR LAS LLEGADAS PARA UNIRSE A LA COLA Otro factor que tiene un importante efecto sobre el comportamiento de un sistema de cola es el mtodo que usen los clientes para determinar a cul cola unirse. Por ejemplo, en algunos bancos los clientes deben hacer una sola cola, pero en otros, pueden escoger la cola donde formarse. Cuando hay varias colas, con frecuencia los clientes se forman en la ms
86
corla. Desafortunadamente en muchos casos, como en un supermercado, por ejemplo, es difcil definir la cola ms corta. Si hay varias colas en una instalacin, es importante conocer si se permite a los clientes cambiar de cola o no. En la mayor parte de los sistemas con colas mltiples se permite el cambio, pero no se recomienda el cambio en una casilla para peaje. Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin. Podemos considerarla finita o infinita. Aunque el caso de infinitud no es realista, s permite (por extrao que parezca) Resolver de forma ms sencilla muchas situaciones en las que, en realidad, la poblacin es finita pero muy grande. Dicha suposicin de infinitud no resulta restrictiva cuando, an siendo finita la poblacin potencial, su nmero de elementos es tan grande que el nmero de individuos que ya estn solicitando el citado servicio prcticamente no afecta a la frecuencia con la que la poblacin potencial genera nuevas peticiones de servicio. Cliente: Es todo individuo de la poblacin potencial que solicita servicio. Suponiendo que los tiempos de llegada de clientes consecutivos son 0<t1<t2<..., ser importante conocer el patrn de probabilidad segn el cual la fuente de entrada genera clientes. Lo ms habitual es tomar como referencia los tiempos entre las llegadas de dos clientes consecutivos: consecutivos: clientes consecutivos: T{k} = tk - tk-1, fijando su distribucin de probabilidad. Normalmente, cuando la poblacin potencial es infinita se supone que la distribucin de probabilidad de los Tk (que ser la llamada distribucin de los tiempos entre llegadas) no depende del nmero de clientes que estn en espera de completar su servicio, mientras que en el caso de que la fuente de entrada sea finita, la distribucin de los Tk variar segn el nmero de clientes en proceso de ser atendidos. Capacidad de la cola: Es el mximo nmero de clientes que pueden estar haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita. Lo ms sencillo, a efectos de simplicidad en los clculos, es suponerla infinita. Aunque es obvio que en la mayor parte de los casos reales la capacidad de la cola es finita, no es una gran restriccin el suponerla infinita si es extremadamente improbable que no puedan entrar clientes a la cola por haberse llegado a ese nmero lmite en la misma. Disciplina de la cola: Es el modo en el que los clientes son seleccionados para ser servidos. Las disciplinas ms habituales son: La disciplina FIFO (first in first out), tambin llamada FCFS (first come first served): segn la cual se atiende primero al cliente que antes haya llegado.
87
La disciplina LIFO (last in first out), tambin conocida como LCFS (last come first served) o pila: que consiste en atender primero al cliente que ha llegado el ltimo. La RSS (random selection of service), o SIRO (service in random order), que selecciona a los clientes de forma aleatoria. Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los clientes que lo solicitan. para determinar totalmente el mecanismo de servicio debemos conocer el nmero de servidores de dicho mecanismo (si dicho nmero fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de que los servidores tengan distinta destreza para dar el servicio, se debe especificar la distribucin del tiempo de servicio para cada uno. La cola: Es el conjunto de clientes que hacen espera, es decir los clientes que ya han solicitado el servicio pero que an no han pasado al mecanismo de servicio. El sistema de la cola: Es el conjunto formado por la cola y el mecanismo de servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio de qu cliente de la cola elegir para pasar al mecanismo de servicio. Un modelo de sistema de colas debe especificar la distribucin de probabilidad de los tiempos de servicio para cada servidor. La distribucin ms usada para los tiempos de servicio es la exponencial, aunque es comn encontrar la distribucin degenerada o determinstica (tiempos de servicio constantes) o la distribucin Erlang (Gamma). Leccin 19: MEDIDAS DE RENDIMIENTO MEDIDAS DE RENDIMIENTO PARA EVALUAR UN SISTEMA DE COLAS Valor numrico que se utiliza para evaluar los meritos de un sistema de colas en estado estable. CONDICIONES: 1. Poblacin de clientes infinita. 2. un proceso de colas que consiste en una sola lnea de espera de capacidad infinita, con una disciplinas de colas de primero en entrar primero en salir. FIFO. 3. un proceso de servicio que consiste en un solo servidor que atiende a los clientes de acuerdo con una distribucin infinita.
88
FORMULAS:

Taza de Llegada: nmero promedio de llegad por unidad de tiempo (). Taza de Servicio: nmero promedio de clientes atendidos por unidad de tiempo (). Utilizacin: probabilidad de hallar el sistema ocupado.
U=p p=/ Probabilidad de que hayan clientes en el sistema o que el sistema este ocioso. Po = 1-p Probabilidad de que hayan clientes en el sistema. Pn = pn *po Nmero Promedio en Filas: nmero promedio de clientes que se encuentran esperando en la fila para su atencin. Lq = 2 / (-) Nmero Promedio en el Sistema: nmero promedio de clientes que se encuentran en el sistema. L = (-) Tiempo Promedio en la Cola: tiempo promedio de un cliente que llega tiene que esperar en la cola antes de ser atendidos. Wq = / (-) tiempo Promedio en el Sistema: tiempo promedio que un cliente invierte desde su llegada hasta su salida. Wq = 1 (-) FRMULAS PARA CALCULAR LAS MEDIDAS DE RENDIMINTO DE UN SISTEMAS DE COLAS M/M/1
89
Leccin 20: ANLISIS DE COSTOS
ANALISIS DE COSTOS DEL SISTEMA DE COLAS Al analizar los mritos de contratar personal de reparacin adicional en Bavaria , usted debera identificar dos componentes importantes:
90
Para seguir adelante, necesita ahora conocer el costo por hora de cada Miembro del personal de reparacin (denotado con C8) y el costo por hora de Una mquina fuera de operacin (denotado por CW), que es el costo de una hora de produccin perdida. Suponga que el departamento de contabilidad le informa que cada reparador le cuesta a la compaa $50 por hora, incluyendo impuestos, prestaciones, etc. El costo de una hora de produccin perdida deber incluir costos explcitos, como la contabilidad de ganancias no obtenidas, y costos implcitos, como la perdida de voluntad por parte del cliente si no se cumple con la fecha limite de la entrega. Estos costos implcitos son difciles de estimar. Sin embargo suponga que el departamento de contabilidad estima que la compaa pierde $ 100 por cada hora que una mquina est fuera de operacin. Ahora ya puede calcular un costo total para cada uno de los tamaos de personal. Para un personal de siete reparadores, el nmero esperado de mquinas en el sistema es 12.0973, de modo que:
91
Realizando clculos parecidos para cada uno de los tamaos de personal restantes se tiene como resultado los costos por hora de cada alternativa que presentamos en la siguiente tabla: Costos por hora para diferentes tamaos de personal de reparacin de la empresa Bavaria
De los resultados, usted puede ver que la alternativa que tiene menor costo por hora, $ 1128.63, es tener un total de nueve reparadores. En consecuencia, su recomendacin a la gerencia de produccin de la empresa X, es contratar a dos reparadores adicionales. Estor dos nuevos empleados tendrn un costo de $100 por hora, pero este costo adicional est ms que justificado por los ahorros que se tendrn con menos mquinas fuera de operacin. La recomendacin reducir el costo por hora de $ 1559.73 a $ 1128.63, un ahorro de aproximadamente $ 430 por hora, mayor que la cantidad que cubre sus honorarios.
CARACTERSTICAS CLAVES
En resumen, para evaluar un sistema de colas en el que controla el nmero de servidores o su tasa de servicio, se necesitan las siguientes estimaciones de costos y medidas de rendimiento:

El costo por servidor por unidad de tiempo (C8). El costo por unidad de tiempo por cliente esperando en el sistema (Cw). El nmero promedio de clientes en el sistema (L).
92
EJEMPLO DESARROLLADO La Concesin Neiva Bogot, tiene unas estaciones para el pesado de camiones cerca de sus peajes, para verificar que el peso de los vehculos cumpla con las regulaciones viales. La administracin de la Concesin est considerando mejorar la calidad del servicio en sus estaciones de pesado y ha seleccionado una de sus estaciones como modelo a estudiar antes de instrumentar los cambios. La administracin desea analizar y entender el desempeo del sistema actual durante las horas pico, cuando llega a la bscula el mayor nmero de camiones, suponiendo que el sistema puede desempearse bien durante este periodo, el servicio en cualquier otro momento ser an mejor. Para estimar las tasas promedio de llegada y de servicio en la estacin, los datos disponibles que la gerencia determina para los valores son: = nmero promedio de camiones que llegan por hora = 60 = nmero de camiones que pueden ser pesados por hora = 66 El valor de = 66 es mayor que el de = 60, de modo que es posible hacer el anlisis de estado estable de este sistema. Solucin:
93
La intensidad de trfico es: p = / = 60 / 66 = 0.9091 Mientras ms cerca est p de 1, ms cargado estar el sistema, lo cual tiene como resultados colas ms larga y tiempos de espera ms grandes. En trminos de p, y las medidas de rendimiento, para el problema de la concesin, se calculan de la siguiente manera: 1. Probabilidad de que no hayan clientes en el sistema (Po): Po = 1 p= 1 0.9091= 0.0909 Este valor indica que aproximadamente 9% del tiempo un camin que llega no tiene que esperar a que se le proporcione el servicio porque la estacin de pesado est vaca. Dicho de otra manera aproximadamente 91% del tiempo un camin que llega tiene que esperar. 2. Nmero promedio en la fila (Lq): Lq = p2/ 1 p= (0.9091)2 / 1 0.9091= 9.0909 En promedio la estacin de pesado puede esperar tener aproximadamente nueve camiones esperando para obtener el servicio (sin incluir al que se est pesando) Cuando ya se ha determinado un valor para Lq se pueden calcular los valores de Wq , W, y L , as: 3. Tiempo promedio de espera en la cola (Wq ) Wq = Lq / = 9.0909 / 60= 0.1515 Este valor indica, que en promedio un camin tiene que esperar 0.1515 horas, aproximadamente 9 minutos, en la fila, antes de que empiece el proceso de pesado. 4. Tiempo promedio de espera en el sistema (W) W = Wq + 1 / = 0.1515 + 1 / 66= 0.1667 Este valor indica, que en promedio, un camin invierte 0.1667 horas, 10 minutos, desde que llega hasta que sale. 5 Nmero promedio en el sistema ( L ) L = * W= 60 * 0.1667= 10 Este valor indica, que en promedio, existe un total de 10 camiones en la estacin de pesado, ya sea en la bscula o esperando ser atendidos. 6 Probabilidad de que un cliente que llega tenga que esperar ( Pw ) : pw = 1 Po = p= 0.9091 Este valor, como se estableci en el paso 1, indica que aproximadamente 91% del tiempo un camin que llegue tiene que esperar. 7 Probabilidad de que haya n clientes en el sistema ( Pn ) : Pn = p n * Po Al utilizar esta frmula se obtienen las siguientes probabilidades: n pn 0 0.0909 1 0.0826
94
2 0.0759 3 0.0684 . . . . Esta tabla proporciona la distribucin de probabilidad para el nmero de camiones que se encuentran en el sistema. Los nmeros que aparecen en la tabla se pueden utilizar para responder una pregunta como: Cul es la probabilidad de que no hayan ms de tres camiones en el sistema?, en este caso, la respuesta de 0.3169 se obtiene mediante la suma de las primeras cuatro probabilidades de la tabla, para n = 0, 1, 2 y 3. 8 Utilizacin ( U ) : U = p= 0.9091 Este valor indica que aproximadamente 91% del tiempo las instalaciones de pesado estn en uso (un camin est siendo pesado). De manera equivalente, aproximadamente 9% del tiempo la estacin est sin funcionar, sin que haya camiones que se estn pesando.
95
CAPITULO 5 PROGRAMACIN NO LINEAL
Leccin 21: Conceptos generales INTRODUCCIN Una suposicin importante de programacin lineal es que todas sus funciones Funcin objetivo y funciones de restriccin son lineales. Aunque, en esencia, esta suposicin se cumple para muchos problemas prcticos, es frecuente que no sea as. De hecho, muchos economistas han encontrado que cierto grado de no linealidad es la regla, y no la excepcin, en los problemas de planeacin econmica, por lo cual, muchas veces es necesario manejar problemas de programacin no lineal de una manera general, el problema de programacin no lineal consiste en encontrar x = ( x1,x2,....xn ) para maximizar f(x), sujeta a: g(x) bi, para i= 1, 2,3....m y x 0 en donde f(x) y las g(x) son funciones dadas de n variables de decisin. No se dispone de un algoritmo que resuelva todos los problemas especficos que se ajustan a este formato. Sin embargo, se han hecho grandes logros en lo que se refiere a algunos casos especiales, haciendo algunas suposiciones sobre las funciones, y la investigacin sigue muy activa. En este caso se destaca el estudio de optimizacin en una variable sin restricciones de la forma: Optimizar z = f(x) Donde f es funcin no lineal de x y la optimizacin se realiza en (-, ). Si la bsqueda se circunscribe a un sub. Intervalo finito [a, b] el problema es de optimizacin no lineal restringida y se transforma a optimizar z = f(x) con la condicin a x b. Optimizacin no lineal multivariable Es el caso anlogo al anterior, pero en el caso en que la funcin f es de ms de una variable, es decir: Optimizar z = f(X) donde X = [x1, x2, ..., xn]T Si existen las restricciones Gi(X) = 0 Es un problema no lineal multivariable restringido. Ejemplo Una Compaa desea construir una planta que recibir suministros desde tres ciudades A, B, C, tomando como origen la ciudad A, B tiene coordenadas (300 km. al Este,400 Km. al Norte), y C tiene coordenadas (700 Km. al Este, 300 Km. al norte) respecto de A. La posicin de la planta debe estar en un punto tal que la distancia a los puntos A, B y C sea la mnima. sean x1 y x2 las coordenadas desconocidas de la planta respecto de A. Utilizando la frmula de la distancia, debe minimizarse la suma de las distancias
96
No hay restricciones en cuanto a las coordenadas de la planta ni condiciones de no negatividad, puesto que un valor negativo de x1 significa que la planta se localiza al Oeste del punto A. La ecuacin es un programa matemtico no lineal in restricciones. Veamos ahora algunos casos de programacin no lineal comunes de encontrar:
Leccin 22: PROGRAMACIN CUADRTICA
Es un caso particular de programacin matemtica no lineal. Un programa Matemtico en el cual cada restriccin gi es lineal pero el objetivo es cuadrtico se Conoce como programa cuadrtico, es decir f(x1,x2,..,xn) = S i=1,nS j=1,n cijxixj + S i=1,ndixi Ejemplo Minimizar z = x12+X22 Con las condiciones x1 - x2 = 3 X2 3 Donde ambas restricciones son lineales, con n = 2 (dos variables) c11 = 1; c12 = c21 = 0; c22 = 1 y d1 = d2 = 0.
Leccin 23: MULTIPLICADORES DE LAGRANGE -CONDICIONES KUNH TUCKER MULTIPLICADORES DE LAGRANGE.
Un modelo de Programacin Lineal (PNL) es aquel donde las variables de decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. Las condiciones que establecen las condiciones de optimalidad de KKT permiten resolver modelos de PNL con restricciones mediante la activacin progresivas de las restricciones del modelo. Una restriccin activa es aquella que se cumple en igualdad.
97
Se pueden utilizar los multiplicadores de Lagrange para resolver los problemas no lineales en los cuales las restricciones son igualdades. Consideramos los del tipo siguiente: max(o min) z= f(x1,x2,.....xn..) s.a g1( x1,x2,.....xn..)= b1 g2( x1,x2,.....xn..)= b2 gm( x1,x2,.....xn..)= bm para resolverlo, asociamos un multiplicador L1 con la i-esima restriccin y frmamos el lagrangiano.
Ejemplo Karush Kuhn Tucker (KKT)
No existe una nica forma de abordar la resolucin de un problema de programacin no lineal utilizando el teorema de KKT. Consideraremos la aplicacin de este teorema en este caso para problemas slo con restricciones "<=" (menor o igual). Si el problema tiene restricciones ">=" stas se pueden transformar por "<=" multiplicando por -1. Bsicamente el procedimiento consiste en resolver el problema no lineal como uno sin restricciones, luego si la solucin ptima de dicho problema no cumple la totalidad o parte de las restricciones del problema se activan dichas restricciones (en conjunto y/o secuencialmente) y se resuelve nuevamente. Esto se repite hasta llegar a un conjunto de restricciones activas cuya solucin tambin satisface las restricciones omitidas. Notar que si se han activado la totalidad de restricciones sin encontrar una solucin factible, entonces el problema es infactible.
Leccin 24: TCNICA DEL GRADIENTE En este punto se desarrolla un mtodo para optimizar funciones continuas que son dos veces diferenciables. La idea general es generar puntos sucesivos comenzando en un punto inicial dado, en la direccin del aumento ms rpido maximizacin) de la funcin. Est tcnica se conoce como mtodo del gradiente porque el gradiente de la funcin en un punto es lo que indica la tasa ms rpida de aumento. Un modelo de Programacin Lineal (PNL) es aquel donde las variables de decisin se expresan como funciones no lineales ya sea en la funcin objetivo y/o restricciones de un
98
modelo de optimizacin. Esta caracterstica particular de los modelos no lineales permite abordar problemas donde existen economas o deseconomas de escala o en general donde los supuestos asociados a la proporcionalidad no se cumplen. En este sentido el mtodo del gradiente (conocido tambin como mtodo de Cauchy o del descenso ms pronunciado) consiste en un algortimo especfico para la resolucin de modelos de PNL sin restricciones, perteneciente a la categora de algoritmos generales de descenso, donde la bsqueda de un mnimo est asociado a la resolucin secuencial de una serie de problemas unidimensionales. Los pasos asociados a la utilizacin del mtodo del gradiente o descenso ms pronunciado consiste en:
Ejemplo del Mtodo del Gradiente Considere el siguiente modelo de programacin no lineal sin restricciones. Aplique 2 iteraciones del mtodo del gradiente a partir del punto inicial X0=(1,1).
99
Luego de realizar la segunda iteracin se verifica que se cumplen las condiciones necesarias de primer orden (d1=(0,0)). Adicionalmente se puede comprobar que la funcin objetivo resulta ser convexa y en consecuencia las condiciones de primer orden resultan ser suficientes para afirmar que la coordenada (X1,X2)=(-2,1) es el ptimo o mnimo global del problema. Leccin 25: MTODO DE NEWTON- RAPHSON EL MTODO DE NEWTON-RAPHSON. Una desventaja de utilizar la condicin necesaria f(x)= 0 para determinar puntos estacionarios es la dificultad de resolver numricamente las ecuaciones simultneas resultantes. El mtodo de Newton-Raphson es un procedimiento iterativo para resolver ecuaciones simultneas no lineales. Aunque el mtodo se presenta en este contexto, realmente es parte de los mtodos conocidos como mtodos de gradiente para optimizar numricamente funciones no restringidas, irrestrictas. fi (X) =0, i=1, 2, ..., m se Xk un punto dado. Entonces por el desarrollo de Taylor fi(X)= fi (Xk ) + fi(Xk) (X-Xk) , i= 1, 2, ...., m Por consiguiente, las condiciones originales pueden aproximarse por fi (Xk) + fi (Xk) (X-Xk) = 0 , i= 1, 2, ...., m k Estas ecuaciones pueden escribirse en notacin matricial como Ak + Bk (X - X ) = 0 Bajo la hiptesis de que todas las fi(X) son independientes Bk necesariamente es no singular. Por consiguiente, la ltima ecuacin proporciona X = Xk -Bk-1Ak La idea del mtodo es comenzar desde un punto inicial X0. Utilizando la ecuacin anterior, siempre puede determinarse un nuevo punto Xk+1a partir de Xk. El procedimiento finaliza con Xm como la solucin cuando Xm = Xm-1 . ACTIVIDADES DE AUTOEVALUACIN DE LA UNIDAD TALLER En los siguientes ejercicios identifique y describa los siguientes aspectos del escenario de colas: a. Los clientes y los servidores b. La poblacin de clientes y su tamao
100
c. El proceso de llegada y los parmetros adecuados para la distribucin de llegadas d. El proceso y la disciplina de colas e. Proceso de servicios y los parmetros adecuados para la distribucin tiempo - servicio 1. La divisin de mantenimiento de las Empresas Pblicas de Neiva est tratando de decidir cuntos reparadores necesita tener para proporcionar un nivel aceptable de servicios a sus clientes. Las quejas llegan a un centro de servicios de acuerdo con una distribucin exponencial, con una tasa promedio de 20 llamadas al da. El tiempo que tarda un tcnico reparador en llegar al lugar donde se le llam, resolver el problema y regresar tambin sigue una distribucin exponencial, con un promedio de 3 horas y 30 minutos. 2. El gerente del Supermercado La Sexta desea determinar el nmero mnimo de cajeros que necesita para atender a los clientes que llegan a la hora del almuerzo. El tiempo promedio entre la llegada de dos clientes es de 2 minutos, pero el tiempo real entre llegadas sigue una distribucin exponencial. Cada cajero puede atender un promedio de 12 clientes por hora, pero el tiempo de atencin a cada cliente vara de acuerdo a una distribucin exponencial. 3. El portaaviones de Aires tiene un complemento de 80 aviones. Despus de operaciones de rutina, los aeroplanos son llevados de la cubierta de vuelo a una cubierta inferior, dos a la vez. El recorrido en elevador de una cubierta a otra dura 20 segundos y se necesitan diez segundos para cargar y descargar una aeronave del elevador. Los elevadores llegan al elevador de la cubierta de vuelo cada 30 segundos.
101
FUENTES DOCUMENTALES DE LA UNIDAD 2

BIBLIOGRAFA
lvarez A. Jorge Investigacin de Operaciones. Programacin Lineal. Editorial. U.N.I.Lima 1995. Prawda W. Juan Mtodos y Modelos de Investigacin de Operaciones. Tomo I: Modelos Deterministicos. Editorial Limusa. Quinta Edicin. Mxico 2001. Taha Hamdy A. Investigacin de Operaciones. Una Introduccin. Editorial Prentice Hall. Sptima Edicin. Mxico 2000. Instituto Tecnolgico de Introduccin a la Investigacin de Operaciones. Sonora, Mxico. Abril 2007
Programa Nacional de TIC, Captulo Ministerio de Educacin y Ciencia, Espaa. Set. 2007
8:
Programacin
Lineal.
Dr. Ing. Franco Bellini M, Curso de Investigacin de Operaciones. Universidad Santa Maria. Caracas Venezuela. Ago.2005
102

Métodos probabilísticos UNAD

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Métodos probabilísticos UNAD

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD ESCUELA DE CIENCIAS BSICAS, TECNOLOGA E INGENIERA CONTENIDO DIDCTICO DEL CURSO: 104561

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

104561 MTODOS PROBABILSTICOS VLADIMIR DE JESS VANEGAS ANGULO (Director Nacional)

WILLIAM MOSQUERA (Acreditador)

Santa Marta 13 de enero de 2012

ASPECTOS DE PROPIEDAD INTELECTUAL Y VERSIONAMIENTO

UNIDAD UNO: TCNICAS DE PRONSTICO, TEORA DE INVENTARIOS ............................................8

UNIDAD DOS: CADENAS DE MARKOV,TEORA DE COLAS Y PROGRAMACIN NO LINEAL .............60

Externas: Actividades generales de la geopolticos, que despus se relacionan empresariales.

economa con las

METODOS DE LOS MNIMOS CUADRADOS. Para calcular

teniendo en cuenta las ecuaciones planteadas anteriormente. Demanda(y) 6 8 7 9 30 X.Y 6 16 21 36 79 X2 1 4 9 16 30

Mediante regresin lineal pronostique el nmero de estudiantes que se matricularan en el ao 2010.

Leccin 3: MODELO DE PROMEDIO MVIL

La siguiente ecuacin es equivalente: Ft+1= Ft + (Dt-Ft)

= 0.2, para pronosticar las ventas

Escuela de Ciencias Bsicas Tecnologa e Ingeniera

Luego seleccione file:

Luego seleccionamos solve and analyze, y obtenemos el siguiente cuadro:

Seleccionamos como indica la figura y se obtiene el siguiente cuadro de resultados:

Leccin 6: CONCEPTOS GENERALES DEFINICION

Componentes de Costos de un Sistema de Inventarios.

=614,6362 R = D x L Q = (D/2 x H) R= 10.000(1/52) Q = 10.000/2(4.5) R = 192,3076 Q = 22.500

3. enuncie cuatro caractersticas de los Modelos E.O.Q.

4. Indique el significado de los siguientes smbolos.

FUENTES DOCUMENTALES DE LA UNIDAD 1

Sanjay K. Bose. An Introduction to queueing systems, Kluwer Academic/Plenum Publishers, 2002.

Frederick S. Hillier, Gerald J. Lieberman Introduction to operations research, McGraw-Hill, 1995.

CAPITULO 3: CADENAS DE MARKOV

2. teniendo en cuenta la siguiente matriz de transicin describa el diagrama de estados correspondiente.

Encuentre las probabilidades de estado estable.

[ x1,x2]. 0.88 0.12 = [ x1,x2] 0.15 0.85

Escuela de Ciencias Bsicas Tecnologa e Ingeniera

LECTURA AUTOREGULADA UNA VISITA A DISNEY

Leccin 17: ANTECEDENTES ANTECEDENTES

ELEMENTOS EXISTENTES EN UN MODELO DE COLAS

Leccin 20: ANLISIS DE COSTOS

CAPITULO 5 PROGRAMACIN NO LINEAL

Leccin 22: PROGRAMACIN CUADRTICA

Leccin 23: MULTIPLICADORES DE LAGRANGE -CONDICIONES KUNH TUCKER MULTIPLICADORES DE LAGRANGE.

FUENTES DOCUMENTALES DE LA UNIDAD 2

You might also like