Unidad Tema

Unidad 1 Programación No lineal

1.1 Introducción
1.2 Multiplicadores Lagrange
Ejemplo
1.3 Condiciones Jun- Tucker
1.4 Procedimiento de Búsqueda de una Dimensión
1.5 Técnicas de Gradiente
1.6 Funciones de Penalización
Ejemplo

Unidad 2 Teoría de Inventarios

2.1 Introducción
2.2 Definición y Características
Ejemplo
2.3 Modelo con Reabastecimiento Instantáneo
Ejemplo
2.4 Modelo con Reabastecimiento uniforme, no se permite el
faltante
Ejemplo
2.5 Modelo de descuento por compras de grandes cantidades
Ejemplo

Unidad 3 Líneas de Espera

3.1 Introducción
3.2 Definiciones, Características y terminología
3.3 Modelo de un servidor y una cola
Ejemplo
3.4 Evaluación del sistema cuando se conoce el costo de
espera
Ejemplo
3.5 Evaluacion del sistema con costos de espera
desconocidos
Ejemplo
 3.6 Modelo de un servidor con tiempos de servicios
constantes
Ejemplo
3.7 Modelo con Servidores Múltiples
Ejemplo

Unidad 4 Cadenas de Markov

4.1 Introducción
4.2 Caso de Aplicación
4.3 Formulación de Cadenas de Harkov
4.4 Procesos Estocásticos
4.5 Propiedad Markoviana de 1er Orden
4.6 Probabilidad de Transición de un solo paso
Ejemplo
4.7 Probabilidad de transición estacionaria de n pasos
Ejemplo
4.8 Probabilidades de transición estacionaria de estados
estables
Ejemplo
4.9 Tiempos de1er paso
 Investigación de Operaciones
PROGRAMACION NO LINEAL

1.1 Introducción.
Una suposición importante de programación lineal es que todas sus funciones
(Función objetivo y funciones de restricción) son lineales. Aunque, en esencia,
esta suposición se cumple para muchos problemas prácticos, es frecuente que no
sea así. De hecho, muchos economistas han encontrado que cierto grado de no
linealidad es la regla, y no la excepción, en los problemas de planeación
económica, por lo cual, muchas veces es necesario manejar problemas de
programación no lineal.
De una manera general, el problema de programación no lineal consiste en
encontrar para maximizar , sujeta a

en donde y las son funciones dadas de n variables de decisión.

No se dispone de un algoritmo que resuelva todos los problemas específicos

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 investigación sigue muy activa.

1.2 Multiplicadores de Lagrange.

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:

(1)

Para resolverlo, asociamos un multiplicador l 1 con la i-ésima restricción y

formamos el lagrangiano
 (2)

Donde son constantes (desconocidas) denominadas

multiplicadores de Lagrange. Después resuélvase el sistema de n + m ecuaciones:

Teorema : Si existe una solución al programa (1), ésta se encuentra contenida

entre las soluciones al sistema anterior, siempre y cuando
y todas tengan primeras derivadas parciales continuas y la
matriz jacobina de m x n,

tenga rango m en X = X*

El método de los multiplicadores de Lagrange es equivalente a emplear las

ecuaciones de restricción para eliminar algunas de las variables x de la función
objetivo y resolver después un problema de maximización sin restricciones para
las restantes variables x.

Ejemplo:

Una compañía planea gastar 10,000 dólares en publicidad. Cuesta 3,000 dólares
un minuto de publicidad en la televisión y 1,000 dólares un minuto de publicidad en
la radio. Si la empresa compra x minutos de comerciales en la televisión y y
minutos de comerciales en la radio, su ingreso, en miles de dólares, está dado
por . ¿Cómo puede la empresa maximizar su
ingreso?

Solución:

Se tiene el programa no lineal siguiente

Entonces Hacemos

Obsérvese que 10 - 3x -y = 0 se convierte en la restricción 3x + y = 10. La

ecuación (1) da y la ecuación (2) da
Así, ,o

Sustituyendo (4) y (5) en la (3), obtenemos, o . Entonces (4) y (5)

nos dan

El hessiano para es

Ya que cada mejor principal de primer orden es negativo, y

, es una función cóncava. La restricción es lineal y, por lo tanto da la
solución óptima para el programa no lineal.

Así, la empresa tendría que comprar 69/28 minutos de tiempo de televisor y

73/28 minutos de tiempo de radio. Ya que l = ¼ , el gasto de un D extra (en miles)
(para un D pequeño) aumentaría los ingresos de la empresa en aproximadamente
0.25 D dólares (en miles).
 En general, si la empresa tiene a dólares para gastar en la publicidad, se puede

demostrar que . Vemos que si gasta más dinero en la publicidad, el

incremento en el ingreso por cada dólar adicional para la publicidad se hace más
pequeño.

1.3 Condiciones Kunh-Tucker

El desarrollo está basado en el método de Lagrange. Estas condiciones son
también suficientes bajo ciertas limitaciones que se establecerán posteriormente.
Considere el problema maximizar z = f(X)
sujeto a g(X)>= 0

Las restricciones de desigualdad pueden convertirse en ecuaciones sumando

las variables de holgura no negativas apropiadas. Por consiguiente, para
satisfacer las condiciones de no negatividad, sea la cantidad de holgura
sumada a la i-esima restricción gi (X) >= 0. Defínase

S = (S1 , S2 , . . . , Sm )T y
donde m es el número toral de restricciones de desigualdad. La función de
Lagrange es, por consiguiente,
L(X,S,l ) = f(X) - l [ g(X) + S2 ]
Dadas las restricciones g(X) >= 0

Una condición necesaria para la optimidad es que l sea no negativa (o bien, no

positiva) para problemas de maximización (o bien, minimización). Esto se justifica
como sigue. Considere el caso de maximización. Ya que l mide la tasa de
variación de f con respecto a g; l = d f / d g

como el lado derecho de la restricción g >= 0 aumenta sobre cero, el espacio de

soluciones llega a ser menos restringido y así f no puede disminuir. Esto significa
que l ³ 0. De igual manera, en el caso de minimización cuando los recursos
aumentan, f no puede aumentar, lo cual implica que l >= 0 . Si las restricciones
son igualdades, esto es, g(X) =0 , entonces l será irrestricta en signo.

Las restricciones sobre l dadas anteriormente deben de mantenerse como parte

de las condiciones necesarias de Kunh-Tucker. Las condiciones restantes se
obtendrán ahora.

Tomando las derivadas parciales de L con respecto a X, S y l ,

El segundo conjunto de ecuaciones revela los resultados siguientes.

1. si l i > 0 , . Esto significa que el recurso correspondiente es escaso y,

por lo tanto, se agota totalmente (restricción de igualdad).
2. Si , l i = 0 . Esto significa que el recurso i-esimo no es escaso y, en
consecuencia, no afecta el valor de f,

(l i =d f / d gi = 0 ).
Del segundo y tercer conjunto de ecuaciones se deduce que l i gi (X) = 0, i = 1,
2, . . . , m

Esta nueva condición esencialmente repite el argumento anterior ya que si l i > 0,

gi(X) = 0, o . Similarmente, si gi(X) < 0 , esto es, entonces l i > 0.

Las condiciones de Kuhn-Tucker necesarias para que X y l sean un punto

estacionario del problema de maximixación anterior pueden resumirse ahora como
sigue ; l ³ 0 f(X) - l g(X) = 0 l igi (X) = 0 y = 1, 2, . . , m g(X) >= 0

1.4 Procedimiento de búsqueda en una dimensión.

Este procedimiento trata de encontrar una serie de soluciones prueba que

conduzcan hacia una solución óptima. En cada iteración, se comienza con la
solución prueba actual para llevar a cabo una búsqueda sistemática, que culmina
con la identificación de una nueva solución prueba mejorada.

La idea fundamental del procedimiento, es que se basa en el hecho de que la

pendiente (derivada) sea positiva o negativa en una solución prueba, indica
definitivamente si la mejora está a la derecha o a la izquierda, respectivamente.
Así, si la derivada evaluada para un valor especifico de x es positiva, entonces x*
debe ser más grande que esta x ( ver figura 1), con lo que x se convierte en una
cota inferior para las soluciones prueba que en adelante se tomarán en cuenta.
Por el contrario, si la derivada es negativa, entonces x* debe ser mas chica que
esta x, y x se convierte en una cota superior. Una vez que se han identificado
ambas cotas, cada nueva solución prueba que se selecciona entre ellas
proporciona una nueva cota más estrecha de uno de los dos tipos, cerrando la
búsqueda cada vez más. Siempre y cuando se use una regla razonable para elegir
cada solución prueba en esta forma, la sucesión de soluciones prueba debe de
converger a x* .

Notación :

Paso inicial :

Se selecciona g . Se encuentran iniciales por inspección . Se elige una

solución prueba inicial.

Regla de detención : Si , de manera que la nueva x’ se encuentra a una

*
distancia de x menor que g , el proceso termina. De otra manera, se regresa al
paso iterativo.

1.5 Técnicas de Gradiente.

En este punto se desarrolla un método para optimizar funciones continuas que
son dos veces diferenciables. La idea general es generar puntos sucesivos
comenzando en un punto inicial dado, en la dirección del aumento más rápido
(maximización) de la función. Está técnica se conoce como método del gradiente
porque el gradiente de la función en un punto es lo que indica la tasa más rápida
de aumento.

El método de Newton-Raphson.

Una desventaja de utilizar la condición necesaria para determinar

puntos estacionarios es la dificultad de resolver numéricamente las ecuaciones
simultáneas resultantes. El método de Newton-Raphson es un procedimiento
iterativo para resolver ecuaciones simultáneas no lineales. Aunque el método se
presenta en este contexto, realmente es parte de los métodos conocidos como
métodos de gradiente para optimizar numéricamente funciones no restringidas,
irrestrictas.
fi (X) =0, i=1, 2, ..., m
k
se X 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

Estas ecuaciones pueden escribirse en notación matricial como Ak + Bk (X - Xk )

=0
Bajo la hipótesis de que todas las fi (X) son independientes Bk necesariamente es
no singular. Por consiguiente, la última ecuación proporciona X = Xk -Bk-1 Ak

La idea del método es comenzar desde un punto inicial X0. Utilizando la

ecuación anterior, siempre puede determinarse un nuevo punto Xk+1 a partir de Xk.
El procedimiento finaliza con Xm como la solución cuando Xm Xm-1 .
Método de la Cuesta de Mayor Pendiente.

La terminación del método gradiente se efectúa en el punto donde el vector

gradiente se anula. Esta es solamente una condición necesaria de optimidad. Por
consiguiente, se destaca que la optimidad no puede verificarse a menos que se
conozca a priori que f(X) es cóncava o convexa.

Suponga que se maximiza f(X). Sea X0 el punto inicial desde el cual comienza el
procedimiento y defina
f(Xk ) como el gradiente de f en el punto k de Xk . La idea del método es
determinar una ruta particular p a lo largo de la cual df/dp se maximiza en un punto
dado. Este resultado se logra si se seleccionan puntos sucesivos Xk y Xk+1 tales
queXk+1 = Xk + rk f (Xk )donde rk es un parámetro llamado tamaño de paso
óptimo.

El parámetro rk se determina de modo que Xk+1 resulta en la mejora más grande

en f. En otras palabras, si una función h(r) se define de manera que
h(r) = f [ Xk + r f (Xk ) ]
k
r es el valor de r que maximiza h(r). Ya que h(r) es una función de una sola
variable .

El procedimiento propuesto termina cuando dos puntos sucesivos de ensayo Xk

y Xk+1 son aproximadamente iguales. Lo anterior equivale a tener
rk f (Xk ) 0
Con la hipótesis de que rk 0, la cual siempre será cierta a menos que X0 sea el
óptimo de f(x), esto es equivalente a la condición necesaria f (Xk ) = 0 .
Ejemplo :
Considere el maximizar la función
f(x1 , x2 ) es una función cuadrática cuyo óptimo absoluto ocurre en (x1 , x2 ) = (1/3 ,
4/3 ).
Sea el punto inicial X0 = (1, 1) . Ahora
f(X) = (4 - 4x1 -2x2 , 6-2x1 -4x2 )
Primera iteración
f(X0 ) = (-2, 0)
1
El punto siguiente X se obtiene considerando
X = (1, 1) + r (-2, 0) = (1-2r, 1)
Por consiguiente,
h(r) = f(1-2r, 1) = -2(1-2r)2 +2(1-2r) + 4
El tamaño del paso óptimo que proporciona el valor máximo de h(r) es r1 = 1/4. Lo
anterior proporciona
X1 =(1/2, 1).
Segunda iteración.
f(X1) =(0, 1)
Considere
X = (1/2, 1) + r (0, 1) = (1/2, 1 + r)
Por consiguiente,
h(r) = -2(1+r)2 + 5(1+r) +3/2
2 2
Esto da r = ¼ o bien X = (1/2, 5/4) .

Tercera iteración.
f( X2 ) = ( -1/2, 0 )
Considere,

Por consiguiente ,
h(r) = -(1/2)(1-r)2 + (3/4)(1-r) +35/ 8
Esto da r3 = ¼ o bien , X3 = ( 3/8, 5/4 ).
Cuarta iteración.
f (X3 ) = (0, ¼ )
Considere

Por lo tanto,
h(r) = -(1/8)(5+r)2 + (21/16) (5+r) +39/32
Lo anterior da r = ¼ , o bien X4 =(3/8, 21/16 ).
4

Quinta iteración.
f(X4 ) = (-1/8 , 0 )
Considere
Por consiguiente,

Esto da r5 = ¼ , o bien X5 = (11/32, 21/16 ).

Sexta iteración.
f(X5 ) = ( 0, 1/16 )
Ya que f(X5 ) 0, el procedimiento puede terminarse en este punto. El punto
de máximo aproximado está dado por X5 = (0.3437, 1.31125 ).

1.6 Funciones de penalización.

Un enfoque alternativo para resolver el programa

(1)

comprende al programa sin restricciones :

Donde pi > 0 son constantes denominadas costos de penalización. La solución

al programa (2) es la solución al programa (1), cuando cada gi (x) = 0. Para los
valores grandes de pi la solución de (2) tendrá cada gi (x) cercana a cero, para
evitar efectos adversos en la función objetivo por parte de los términos pi gi2 (x); y
conforme cada pi -> ¥ , cada gi (x) -> 0.

En la práctica, excepto en raros casos, este proceso no puede realizarse

analíticamente. En cambio, se resuelve repetidamente el programa (2) empleando
el patrón modificado de búsqueda, cada vez con un nuevo conjunto de pesos de
penalización incrementados o con un tamaño de avance disminuido. Cada patrón
de búsqueda con un conjunto específico de pesos de penalización y un tamaño de
avance dado, es una fase del procedimiento de solución. El vector inicial para una
fase en particular es el vector final de la fase inmediatamente anterior. Para la
primera fase, se seleccionan pesos de penalización pequeños, a menudo de 1/50
= 0.02; generalmente se toma 1 como primer tamaño de avance.

Ejemplo:

Usando la función de penalización :

 Este programa de maximización, sin restricciones, en las dos variables x1 y x2 ,
es lo suficientemente simple como para poderse resolver analíticamente.
Haciendo , se obtiene :

Resolviendo estas ecuaciones para x1 y x2 , en términos de p1 , se obtiene :

Es negativa definida para cada valor positivo de p1 ,z es una función

estrictamente cóncava y su único punto estacionario debe ser un máximo global.
Entonces, dejando que , se obtiene la solución óptima al programa
original :

Unidad II
Teoría de Inventarios.
2.1 Introducción.

Los sistemas de inventarios surge de las diferencias entre el tiempo y la

localización de la demanda y el abastecimiento.
 Desde el punto de vista del cliente, un artículo debe contener tantas unidades
como puedan demandarse, y nunca debería quedar fuera de existencia.
Generalmente, así sucede en el caso de la leche o el pan en una tienda de
abarrotes. Los inventarios cuestan dinero, representan el capital inútil.

La cantidad comienza en un nivel alto y luego se reduce conforme se sacan las

unidades. cuando el nivel baja se coloca una orden, la cual al recibirse incrementa
el inventario y esto se repite una y otra vez. La cantidad se controla con el tiempo
y la cantidad de cada orden. Así, lo más importante es:

Cuánto ordenar y cuándo ordenar.

2.2 Definición y caracteristicas

Es un conjunto de bienes que se almacenan para posteriormente venderlos o

utilizarlos.

Tipos de inventarios.

a. Materias primas, productos en proceso, productos terminados y

refracciones.

Razones para llevar inventarios.

1. independizar las etapas en producción .

2. Aprovechar los descuentos al comprar grandes cantidades.
3. Para evitar la especulación , ej. Las fabricas de transformadores utilizan
mucho su producción el cobre.
4. Atender oportunamente al cliente cuando requiera el producto.

Costos que se generan al tener inventarios.(representan un total del 15 al 40 % )

a. Costo de la inversión estática en vía(Costo de oportunidad) lo menos que

se pierde por este concepto es lo que nos daría el banco en intereses (12 %
aprox.).
b. Terrenos y edificios (12 %).
c. Sueldos del personal de almacén (3%).
d. Seguros(1%).
e. Robos y desperdicios (3%).
f. Depreciación y obsoletismo (6%).

Costo total de las inventarios.

1. Costo de ordenar.
2. Costo del faltante.
 3. Costo de lo comprado.
4. Costo de mantener los inventarios en almacén.

Ejemplo :

Supongamos que una cía. tiene una demanda de un producto de 97 unidades por
semana y que puede comprarse en diversas formas : una cantidad de 5040 al año,
una cantidad de 2520 cada 6 meses, 1680 cada 4 meses y así sucesivamente de
acuerdo a las necesidades de la empresa.

El costo unitario de compra del articulo es de $2.50 , el costo total y por satisfacer
una orden es de $35.00 y el costo anual de almacenamiento de la mercancía es
del 20% del precio de compra de la misma.

a. Determinar el tamaño económico del lote.

b. El número de pedidos.
c. El costo total del inventario.
d. El punto de reorden si el proveedor tarda 2 semanas en surtir el pedido.

Inventario Promedio (Inv. Prom.)

unidades

Costo de
mantener = Inventario Promedio * costo del Producto * 0.20 %
el inventario(Cmi).

Cmi = 2520 * 2.50 * 0.20 = $1260

Costo de compra = 5040 * 2.5 =$ 12600

Costo = Costo de + Costo de + Costo de

total tenencia ordenar compra

Costo total = 1260+35+12600= $ 13,895.

 # de Tamaño Inventario Costo de Costo de Costo de Costo total
pedidos del pedido Promedio mnto de ordenar compra
inv.
1 5040 2520 1260 35 12600 13895
2 2520 1260 630 20 12600 13300
3 1680 840 420 105 12600 13125
4 1260 630 315 140 12600 12950
5 1008 504 252 175 12600 13027
6 840 420 210 210 12600 13020
7 720 360 180 245 12600 13020
8 630 315 157 280 12600 13037.5
# de pedidos = 6.

Costo Total = $ 13,020.

Demanda optima = 840.

Dadas los siguientes datos determinar :

a. El tamaño económico del lote.

b. Número de pedidos.
c. Costo total de adquisición del inventario.
d. Necesidades anuales 144000 piezas.
e. Costo del producto $16.00
f. Costo de adquisición por pedido $25.00
g. Punto de repedido si el proveedor tarda 12 días en enviar el pedido.

# de Tamaño Inv. Costo de Costo de Costo de Costo

pedidos pedido promedio mnto de ordenar compra total
inv.
1 144000 72000 115200 25 2304000 2419225
2 72000 36000 57600 50 2304000 2361650
3 48000 24000 38400 75 2304000 2342475
4 36000 18000 28800 100 2304000 2332900
5 28800 14400 23040 125 2304000 2327165
 6 24000 12000 19200 150 2304000 2323350
7 20571 10285 16456 175 2304000 2320631
8 18000 9000 14400 200 2304000 2318600
9 16000 8000 12800 225 2304000 2317025
10 14400 7200 11520 250 2304000 2315770

2.3 MODELO CON REABASTECIMIENTO INSTANTANEO.

No se permite el faltante. Suposiciones :

1. La demanda tiene que ser constante.

2. Los costos son constantes (no se permite descuento en adquisiciones
voluminosas).
3. Los proveedores entregaran con puntualidad los pedidos en el periodo
comprendido.
4. El lote mínimo es igual al inventario máximo.

Nomenclatura :
Q = tamaño económico del lote.
N = número de pedido.
D = Demanda.
Ci = Costo de compra.
Ch = Costo de mantener un unidad en los inventarios (%).
Co = Costo de ordenar.
R = Punto de reorden.
L = Tiempo de consumo.
T = Tiempo para consumir el inventario máximo.
Imáx = Inventario Máximo.
Î =Inventario Promedio.
Ct = Costo Total.

Ct = Costo de compra + Costo de ordenar + Costo de tenencia.

Costo de compra = CiD
Costo de ordenar =

Costo de tenencia =
Si la demanda es de 50 piezas por día y el proveedor pasa 10 días en surtir por
tanto necesitamos 500 piezas para no tener faltante.

R = ? = 50 * 10 -500
D = 50 pza/día.
L = 10 días.
R=DL
Unidad = 5040

Ejemplo :

Una Cía. fabricante de refrescos a observado que requiere anualmente de 3000

baleros que son utilizados en las bombas de agua con un programa de
mantenimiento preventivo diseñado por el departamento de producción. El costo
de cada unidad es de $ 80,000 , el costo de oportunidad de inversión es de 12%
del costo del producto. Los costos generados por el control de inventarios como
son el sueldo de personal de almacén, agua y electricidad es de 2,400 * unidad ,
otro costo que representa aun los deterioros , extravió y envejecimiento de los
productos almacenados anualmente y alcanzan un costo de $2,000 * unidad .La
orden de compra se ha estimado en $120,000 .

Suponga que el proveedor tarda en promedio 15 días en surtir una orden,

determinar :
El tamaño económico del lote.
El inventario máximo.
El inventario Promedio.
El punto de reorden.
El tiempo requerido para consumir el inventario máximo.
Costo total del inventario.
Número de pedidos.
Datos:
D = 3000 unidad por año.
Ci = $80,000
Co =$120,000
Ch= 0.12 (80,000)+ 2,900 + 2,000
Ch = 14,000 unidades por año.
L = 15 días .
 =
Q = 227 unidad.
Imáx. = Q = 227 u.

=
e) T - Q/D = 0.075 Años = 27 días.
f)

Ct = $ 243,174,340

g) =

2.4 MODELO CON REABASTECIMIENTO UNIFORME, NO SE PERMITE EL

FALTANTE.

S = Tasa de producción.

Formulario :
Ejemplo :

Frecuentemente un gerente de producción desea tomar la producción , ya sea de

comprar o manufacturar un articulo. Los modelos vistos hasta el momento pueden
ser usados para tomar tal decisión .

Suponga que un articulo puede ser comprado a $25 la unidad o fabricado a un

tasa de producción de 10,000 unidades por año, con un costo de $22 la unidad.
Sin embargo si lo compramos el costo de una orden es de 45 mientras que el
costo de organizar una tanda de producción. (preparar el equipo) es de $50. La
demanda es de 2,500 unidades por año, el costo de conservar el inventario es de
10% del costo del producto. Determinar que es preferible, si comprar o
manufacturar .

Comprar

Ci = $25 u.

Co= $5

Ch = 0.10(25) = $2.5

D = 2,500 u / año.

Ct = $ 62,750

Manufacturar

S = 10,000 u / año.
Ci = $22 unidades.

Co =$50

D = 2,500 u / año.

Ch = 0.10 (22) = $2.2

Ct = 55,692

De acuerdo con los costos obtenidos conviene mejor manufacturar el producto que
comprarlo.

Una vez que el gerente ha decidido fabricar el producto desea conocer también :

a. El inventario máximo.
b. El tiempo de producción.
c. El punto de reorden ( una orden tarda 1 semana en atenderse).
d. El tiempo de ciclo.
e. El tiempo en que no existe producción y que no se puede ocupar para dar
mantenimiento a las maquinas.
f. El inventario promedio.
g. El número de ordenes de fabricación.

a)

b)

c)
d)

e) T - t = 57 - 14 = 43

f)

g)

2.5 MODELO DE DESCUENTO POR COMPRAS DE GRANDES CANTIDADES.

Es muy común que el precio de un producto por la cantidad que se compra o se

produce. Esta situación surge cuando se tiene la oportunidad de recibir un
descuento en la compra de una cantidad grande. Es posible que el costo de
adicional de tener un inventario mayor , son ampliamente compensado reduciendo
el costo de compra y el costo de ordenar. La forma directa de saber si se deben
acelerar cantidades grandes es comparar el aumento de los costos con el precio
normal con el ahorro generado por el precio de descuento.

Ejemplo :

D = 2000 u/año.

Ci = $5

Co = $5

Ch = 1.50 + 0.10 * 5 = 2

1. Encuentre la Q optima con el precio base.

= = 100

2.Encontrar el costo del inventario con el precio base .

 = (5 * 2000 )+ (5 * (200/100)) + (200/2) = 10,200

3. Calcular el costo del inventario con el precio de descuento, comparar este

costo con el anterior y seleccionar la opción de menor costo.

Ejemplo:

Suponga que un proveedor nos ofrece un descuento del 5% si adquirimos lotes

mayores o iguales a 200 unidades.

Datos :

desc. 5%

Ci = 5 * 0.95 = $ 4.75

Ch = 1.50 + 0.10 ( 4.75 ) = $ 1.975

Ct = 4.75 + 2000 + (5 * 2000/200) + (1.975 * 200/2) = 9747.5

Ct = $ 9747.5 menor que la anterior.

Otro proveedor nos ofrece ahora un descuento del 40% si compramos lotes
mayores o iguales a 120 unidades.

Datos:

desc. 40%

Ci = 5 * 0.66 = $ 3

Ch = 1.50 + 0.10 (3 ) = $ 1.80

Ct = 3 + 2000 + (5 * 2000/120) + (1.80 * 120/2) = 6191

Ct = $ 6191 Optimo.

Unidad III
Líneas de espera.
 3.1 Introducción.

En este capítulo se aplica la teoría de colas. Una Cola es una línea de

espera y la teoría de colas es una colección de modelos matemáticos
que describen sistemas de líneas de espera particulares o de sistemas
de colas. Los modelos sirven para encontrar el comportamiento de
estasdo estable, como la longitud promedio de la línea y el tiempo de
espera promedio para un sistema dado.

El problema es determinar que capacidad o tasa de servicio

proporciona el balance correcto. Esto no es sencillo, ya que el cliente no
llega a un horario fijo, es decir, no se sabe con exactitud en que
momento llegarán los clientes.También el tiempo de servicio no tiene un
horario fijo.

3.2 Definiciones, características y Terminología.

Definición.

Una Cola es una línea de espera y la teoría de colas es una colección de modelos
matemáticos que describen sistemas de líneas de espera particulares o sistemas
de colas. Los modelos sirven para encontrar el comportamiento de estado
estable , como la longitud promedio de la línea y el tiempo de espera promedio
para un sistema dado. Esta información, junto con los costos pertinentes, se usa,
entonces, para determinar la capacidad de servicio apropiada.

Costos de los sistemas de colas.

Un sistema de colas puede dividirse en sus dos componentes de mayor

importancia , la cola y la instalación de servicio . Las llegadas son las unidades
que entran en el sistema para recibir el servicio. Siempre se unen primero a la cola
; si no hay línea de espera se dice que la cola esta vacía . De la cola, las llegadas
van a la instalación de servicio de acuerdo con la disciplina de la cola, es decir, de
acuerdo con la regla para decidir cuál de las llegadas se sirve después. El primero
en llegar primero en ser servido es una regla común, pero podría servir con
prioridades o siguiendo alguna otra regla. Una vez que se completa el servicio, las
llegadas se convierten en salidas.
Ambas componentes del sistema tienen costos asociados que deben de
considerarse.
Costo de Espera.

Esperar significa desperdicio de algún recurso activo que bien se puede

aprovechar en otra cosa y esta dado por :
Costo total de espera = CwL
Donde Cw = costo de espera por hora (en dólares) por llegada por unidad de
tiempo y L= longitud promedio de la línea.

Costo de Servicio.

Este en la mayoría se trata de comprar varias instalaciones de servicio , en estos

casos solo se ocupan los costos comparativos o diferenciales.

Sistema de costo mínimo.

Aquí hay que tomar en cuenta que para tasas bajas de servicio, se experimenta
largas colas y costos de espera muy altos . Conforme aumenta el servicio
disminuyen los costos de espera, pero aumenta el costo de servicio y el costo total
disminuye , sin embargo , finalmente se llega a un punto de disminución en el
rendimiento. Entonces el propósito es encontrar el balance adecuado para que el
costo total sea el mínimo.

Estructuras típicas.

Las llegadas pueden ser personas, cartas, carros, incendios, ensambles

intermedios en una fabrica, etc. En la siguiente tabla se muestran algunos
ejemplos de varios sistemas de colas .

Ejemplos de sistemas de colas

 Situación Llegadas Cola Mecanismo de
Servicio
Aeropuerto Aviones Aviones en Pista
carreteo
Aeropuerto Pasajeros Sala de espera Avión
Depto de bomberos Alarmas de Incendios Depto. De
incendio Bomberos.
Compañía Números Llamadas Conmutador
telefónica marcados
Lavado de carros Autos Autos sucios Mecanismo de
lavado
La corte Casos Casos atrasados Juez
Panadería Clientes Clientes con Vendedor
números
Carga de camiones Camiones Camiones en Muelle de carga
espera
Oficina de correos Cartas Buzón Empleados por
correos
Crucero Autos Autos en línea Crucero
Fábrica Subensamble Inventario en Estación de trabajo.
proceso
Cartas de negocios Notas de dictado Cartas para Secretaria
mecanografiar
Reproducción Pedidos Trabajos Copiadoras
Hospital Pacientes Personas Hospital
enfermas

Permitiendo que varíen el número de colas y el número de servidores, pueden

hacerse los diagramas de los cuatro tipos de sistemas de la siguiente figura. Cada
línea de espera individual y cada servidor individual se muestra por separado.

El primer sistema que se muestra en la figura, se llama un sistema de un

servidor y una cola o puede describir un lavado de carros automático o un muelle
de descarga de un solo lugar. El segundo, una línea con múltiples servidores, es
típico de una peluquería o una panadería en donde los clientes toman un número
al entrar y se les sirve cuando llega el turno. El tercer sistema, aquél en que cada
servidor tiene una línea de separada, es característico de los bancos y las tiendas
de autoservicio. El cuarto sistema , es una línea con servidores en serie, puede
describir una fábrica.

3.3 Modelo de un servidor y una cola.

Este modelo puede aplicarse a personas esperando en una cola para comprar
boletos para el cine, a mecánicos que esperan obtener herramientas de un
expendio o a trabajos de computadora que esperan tiempo de procesador.

Llegadas.

Consiste en la entrada al sistema que se supone es aleatoria. No tienen horario,

es impredicible en que momento llegarán . El modelo también supone que las
llegadas vienen de una población infinita y llegan una a la vez .
Cola.
En este modelo se considera que el tamaño de la cola es infinito. La disciplina
de la cola es primero en llegar, primero en ser servido sin prioridades especiales.
También se supone que las llegadas no pueden cambiar lugares en la línea (cola)
o dejar la cola antes de ser servidas.

Instalación de Servicio.
Se supone que un solo servidor proporciona el servicio que varía
aleatoriamente.

Salidas.
No se permite que las unidades que salgan entren inmediatamente al servicio.

Características de operación .
Un servidor y una cola.
Llegada Poisson.
Cola infinita, primero en llegar primero en ser servido.
Tiempos de servicio exponenciales.

Cola :

Longitud promedio de la línea :

Tiempo de espera promedio :

Sistema:

Longitud promedio de la línea :

Tiempo de espera promedio :

Utilización de la instalación :

Probabilidad de que la línea exceda a n :

A = tasa promedio de llegada.
S = tasa promedio de servicio.

Ejemplo : (Un supermercado )

Supóngase un supermercado grande con muchas cajas de salida, en donde los
clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y que
hay 10 cajas en operación. Si hay poco intercambio entre las lìneas, puede
tratarse este problema como 10 sistemas separados de una sola lìnea, cada uno
con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora :
Dados A = 9 clientes por hora
S = 12 clientes por hora

Entonces :

= 2.25 Clientes

= 0.25 horas o 15 minutos.

= 3 clientes.

= 0.33 horas o 20 minutos.

= 0.75 o 75%

0.32

Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de

ser servido. En promedio, hay un poco más de dos clientes en la línea o tres en el
sistema. El proceso completo lleva un promedio de 20 minutos. La caja está
ocupada el 75 % del tiempo. Y finalmente, el 32 % del tiempo habrá cuatro
personas o más en el sistema ( o tres o más esperando en la cola).

3.4 Evaluación del sistema cuando se conoce el costo de espera.

Los costos de servicio influyen en el método para encontrar el sistema de menor
costo. Si el costo de servicio es un función lineal de la tasa de servicio, puede
encontrarse una solución general para la tasa óptima.

Para aplicar una solución general, se necesita una tasa de servicio que pueda
variar de manera continua.

Cuando los costos de servicio cambian en forma escalonada, se usa la técnica de

prueba y error para encontrar el sistema de menor costo. Se calcula el costo total
para una tasa de servicio, después para la siguiente y así sucesivamente. Esto
continúa hasta que se encuentra un límite inferior o un mínimo tal, que el aumentar
o el disminuir las tasas de servicio da costos totales más altos.

Ejemplo:

Se esta estudiando un muelle de carga y descarga de camiones para aprender

cómo debe formarse una brigada. El muelle tiene espacio sólo para un camión, así
es un sistema de un servidor. Pero el tiempo de carga o descarga puede reducirse
aumentando el tamaño de la brigada.

Supóngase que puede aplicarse el modelo de un servidor y una cola ( llegadas

Poisson, tiempos de servicio exponenciales) y que la tasa promedio de servicio es
un camión por hora para un cargador. Los cargadores adicionales aumentan la
tasa de servicio proporcionalmente. Además, supóngase que los camiones llegan
con una tasa de dos por hora en promedio y que el costo de espera es de $ 20 por
hora por un camión. Si se le paga $ 5 por hora a cada miembro de la brigada,
¿Cuál es el mejor tamaño de esta?

Datos :

A = 2 camiones por hora.

S = 1 camión por persona.
Cw = costo de espera = $20 por hora por camión.
CS = costo de servicio = $ 5 por hora por persona.

Ahora sea k = número de personas en la brigada. Se busca k tal que la suma de

los costos de espera y servicio se minimicen :

Costo total = Cw LS + k CS
Las pruebas deben de empezar con tres miembros de la brigada, ya que uno o
dos no podrían compensar la tasa de llegadas de dos camiones por hora. Para
una brigada de tres, la tasa de servicio es de tres camiones por hora y puede
encontrarse Ls con la siguiente ecuación :

De la misma manera, para una brigada de cuatro :

El costo es menor, por tanto se sigue adelante.

Para una brigada de cinco :
Este todavía es menor :

Como este costo es mayor que el de la brigada de cinco, se rebasó el límite

inferior de la curva de costo; el tamaño óptimo de la brigada es cinco personas.

3.5 Evaluación del sistema con costos de espera desconocidos .

En lugar de estimar el costo de espera, el administrador puede especificar un
promedio mínimo de tiempo de espera o de longitud de línea . Esto establece un
límite superior para Wq , el tiempo de espera en la cola
( o para Lq, la longitud de línea en la cola). Con este límite superior puede
encontrarse la tasa de servicio necesaria para cualquiera tasa de llegadas dadas.

Ejemplo :

Considérese un restaurante de comida rápida con un menú limitado. El

restaurante se está diseñando para que todos los clientes se unan a una sola línea
para ser servidos. Una persona tomará la orden y la servirá. Con sus limitaciones,
la tasa de servicio puede aumentarse agregando más personal para preparar la
comida y servir las ordenes.

Esto constituye un sistema de un servidor y una cola. Si las llegadas y salidas

son aleatorias, puede aplicarse el modelo de una cola. Supóngase que la
administración quiere que el cliente promedio no espere más de dos minutos antes
de que se tome su orden . Esto se expresa como :

Wq = 2 minutos
Supóngase también que la tasa máxima de llegadas es de 30 órdenes por hora.

Rearreglando términos,

Como la tasa de servicio debe ser mayor que la tasa de llegadas, puede
descartarse la solución negativa. Entonces :

Para este ejemplo, se supuso :

A = 30 ordenes por hora.
Wq = 2 minutos o 0.033 horas
Entonces :

= 15 + 33.5 = 48.5 órdenes por hora.

Para cumplir los requerimientos, se necesita una tasa de casi 50 órdenes por
hora. Si, por ejemplo, una brigada de cinco pueden manejar 45 órdenes por hora y
una de seis puede procesar 50 por hora, entonces sería necesario tener la brigada
de seis.

3.6 Modelo de un servidor con tiempos de servicio constantes.

Este modelo es igual que el anterior, excepto que se supone que el tiempo de
servicio es exactamente el mismo en cada llegada en lugar de ser aleatorio.
Todavía se tiene una sola línea, tamaño de la cola infinito, disciplina de la cola
como primero en llegar primero en ser servido y llegadas Poisson.

Las aplicaciones típicas de este modelo pueden incluir un autolavado

automático, una estación de trabajo en una pequeña fábrica o una estación de
diagnóstico de mantenimiento preventivo. En general, el servicio lo proporciona
una máquina.

Las características de operación están dadas por 4 :

 En donde A = tasa promedio de llegadas (llegadas por unidad de tiempo) y S =
tasa constante de servicio (llegadas por unidad de tiempo).

Ejemplo:

Supóngase un lavado automático de autos con una línea de remolque, de

manera que los autos se mueven a través de la instalación de lavado como en una
línea de ensamble. Una instalación de este tipo tiene dos tiempos de servicio
diferentes : el tiempo entre autos y el tiempo para completar un auto. Desde el
punto de vista de teoría de colas, el tiempo entre autos establece el tiempo de
servicio del sistema. Un auto cada cinco minutos da una tasa de 12 autos por
hora. Sin embargo, el tiempo para procesar un auto es el tiempo que se debe
esperar para entregar un auto limpio. La teoría de colas no considera este tiempo.

Supóngase que el lavado de autos puede aceptar un auto cada cinco minutos y
que la tasa promedio de llegadas es de nueve autos por hora ( con distribución
Poisson). Sustituyendo :
 3.7 Modelo con servidores múltiples.

Supóngase que las llegadas son Poisson, los tiempos de servicio son
exponenciales, hay una sola línea, varios servidores y una cola infinita que opera
con la disciplina de primero en llegar primero en ser servido. Las ecuaciones para
las características de operación se vuelven un poco más complicadas. Sea :

N = número de servidores.
A = tasa promedio de llegadas (llegadas por unidad de tiempo).
S = tasa promedio de servicio por cada servidor (llegadas por unidad de tiempo).

Entonces :

La cantidad P0 es la probabilidad de que no haya llegadas en una unidad de

tiempo, lo cual no lo hace más fácil de calcular. Para dos o tres servidores pueden
combinarse y simplificar las dos ecuaciones para obtener, para N=2

Nótese que para N = 1 este modelo se reduce al modelo de un servidor.

Ejemplo:

|Considérese la biblioteca de una universidad cuyo personal está tratando de

decidir cuántas copiadoras debe de instalar para uso de los estudiantes. Se ha
escogido un equipo particular que puede hacer hasta 10 copias por minuto. No se
sabe cuál es el costo de espera para un estudiante, pero se piensa que no deben
tener que esperar más de ods minutos en promedio. Si el número promedio de
copias que se hacen por ususario es cinco, ¿ cuántas copiadoras se deben
instalar ? .

Se usa prueba y error para resolver este tipo de problemas, no se encuentra

una solución general como se hizo para el modelo de un servidor. Se tratará
primero con dos copiadoras, después con tres, y así hasta que se satisfaga el
criterio del tiempo de espera.

¿Cuál es la tasa de servicio? Si el número promedio de copias es cinco y la

copiadora puede hacer hasta 10 copias por minuto, entonces pueden servirse en
promedio hasta dos estudiantes por minuto. Pero, en esto no se toma en cuenta el
tiempo para insertar la moneda, cambiar originales, para que un estudiante
desocupe y otro comience a copiar. Supóngase que se permite un 70 % del
tiempo para estas actividades. Entonces la tasa de servicio neta baja a 0.6
estudiantes por minuto. Además se supone que los periodos pico de copiado
tienen una tasa de llegada de 60 estudiantes por hora, o 1 por minuto.

Se comenzará con dos copiadoras, ya que una no sería suficiente.

A = 1 por minuto.
S = 0.6 por minuto.
N=2

Esto excede el criterio del máximo de 2 minutos de espera para el estudiante

promedio. Se tratarán tres copiadoras.
Se necesitan tres copiadoras. La utilización de cada una será :

Unidad IV
Cadenas de Markov.

4.1 Introducción.

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 último evento y esto
condiciona las posibilidades de los eventos futuros. Esta dependencia del evento
anterior distingue a las cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado.

En los negocios, las cadenas de Markov se han utilizado para analizar los
patrones de compra de los deudores morosos, para planear las necesidades de
personal y para analizar el reemplazo de equipo.

El análisis de Markov, llamado así en honor de un matemático ruso que

desarrollo el método en 1907, permite encontrar la probabilidad de que un sistema
se encuentre en un estado en particular en un momento dado. Algo más
importante aún, es que permite encontrar el promedio a la larga o las
probabilidades de estado estable para cada estado. Con esta información se
puede predecir el comportamiento del sistema a través del tiempo.

La tarea más difícil es reconocer cuándo puede aplicarse. La caracteristica más

importante que hay que buscar en la memoria de un evento a otro.

4.2 Caso de Aplicación.

Aplicación a la administración : Planeación de Personal.

El anális de transición puede ser útil al planear satisfacer las necesidades de

personal. Muchas firmas emplean trabajadores de diferentes niveles de
clasificación dentro de la misma categoría de trabajo. Esto es común para
personal de confianza, oficinistas, obreros calificados, no calificados y personal
profesional. La firma debe tener el número de empleados en cada nivel de
clasificación para proporcionar la oportunidad de promoción adecuada, cumplir
con las habilidades necesarias para el trabajo y controlar la nómina. Una
planeación de personal a largo plazo apropiada requiere que se considere el
movimiento de personas tanto hacia arriba en el escalafón de clasificación como
hacia afuera de la organización. El análisis de Markov puede ayudar en este
esfuerzo de planeación.

El movimiento de personal a otras clasificaciones puede considerarse como una

cadena de Markov. Se supone que hay tres clasificaciones; el grado 1 es la más
baja. Además, los descensos se consideran raros y se omiten. El estado "salen"
es absorbente, el cual incluye renuncias, ceses, despidos y muertes. Por
supuesto, todos los empleados finalmente alcanzan este estado.

Las transiciones del grado 1 al grado 2 y del grado 2 al grado 3 representan

promociones. Como transiciones de probabilidad, están controladas por la firma,
puede establecerse el nivel que la firma determine que es necesario para cumplir
sus objetivos. Como ejemplo, supóngase que la firma tiene en este momento 30
empleados del 3, 90 empleados del grado 2 y 300 empleados del grado 1 y que
desea mantener este nivel de empleados durante el próximo año. Por experiencia,
se espera que salgan el 30 % de los empleados de grado 1 al año, el 20 % de los
empleados de grado 2 y el 10 % de aquellos que están en el grado 3. Si la política
es contratar sólo en los niveles de clasificación más bajos, cuántos se deben
contratar y cuántos se deben promover el siguiente año para mantener estables
los niveles ?.

Este problema puede resolverse sin el análisis de Markov, pero el modelo es útil
para ayudar a conceptualizar el problema. Como se trata sólo de un ciclo, se usa
el análisis de transición. El análisis comienza con el graado más alto. No se hacen
promociones pero el 10 %, o sea, 3, sale. Todos ellos deben de reemplazarse por
promociones del grado 2. En el nivel de clasificación, el 20 % sale y se deben
promover 3, con una pérdida de 21. Esto se debe compensar por promoción del
grado 1. Al pasar al grado 1, el 30 % sale y 21 deben promoverse, lo cual una
pérdida total de 111. Por tanto, el siguiente año se deben contratar 111 empleados
del nivel 1.

En este ejemplo se derivan algunas tasas de transición a partir de

consideraciones externas.

4.3 Formulación de las cadenas de Markov.

 Una cadena de Markov es una serie de eventos, en la cual la probabilidad de
que ocurra un evento depende del evento inmediato anterior. En efecto, las
cadenas de este tipo tienen memoria. " Recuerdan" el último evento y esto
condiciona las posibilidades de los eventos futuros. Esta dependencia del evento
anterior distingue a las cadenas de Markov de las series de eventos
independientes, como tirar una moneda al aire o un dado.

En la figura 4.1.1 se muestra el proceso para formular una cadena de Markov.

El generador de Markov produce uno de n eventos posibles, Ej , donde j = 1, 2, . . .
, n, a intervalos discretos de tiempo (que no tiene que ser iguales ). Las
probabilidades de ocurrencia para cada uno de estos eventos depende del estado
del generador. Este estado se describe por el último evento generado. En la figura
4.1.1, el último evento generado fue Ej , de manera que el generador se encuentra
en el estado Mj .

La probabilidad de que Ek sea el siguiente evento generado es una probabilidad

condicional : P ( Ek / Mj ). Esto se llama probabilidad de transición del estado Mj al
estado Ek. Para describir completamente una cadena de Markov es necesario
saber el estado actual y todas las probabilidades de transición.

Probabilidades de transición.

Una forma de describir una cadena de Markov es con un diagrama de estados,

como el que se muestra en la figura 4.1.2. En ésta se ilustra un sistema de Markov
con cuatro estados posibles : M1, M2 , M3 y M4 . La probabilidad condicional o de
transición de moverse de un estado a otro se indica en el diagrama
 Otro método para exhibir las probabilidades de transición es usar una matriz de
transición. . La matriz de transición para el ejemplo del diagrama de estados se
muestra en la tabla 4.1.1 .

Otro método para exhibir las probabilidades de transición es usar una matriz de
transición. .
Para n = 0, 1, 2, ....

El superíndice n no se escribe cuando n = 1.

4.4 Procesos estocásticos.

Un proceso estocástico se define sencillamente como una colección indexada

de variables aleatorias { X1 }, donde el subíndice t toma valores de un conjunto T
dado. Con frecuencia T se toma como el conjunto de enteros no negativos y X,
representa una característica de interés medible en el tiempo t. Por ejemplo, el
proceso estocástico, X1 , X2 , X3, .., Puede representar la colección de niveles de
inventario semanales (o mensuales) de un producto dado, o puede representar la
colección de demandas semanales (o mensuales) de este producto.

Un estudio del comportamiento de un sistema de operación durante algún

periodo suele llevar al análisis de un proceso estocástico con la siguiente
estructura. En puntos específicos del tiempo t , el sistema se encuentra
exactamente en una de un número finito de estados mutuamente excluyentes y
exhaustivos, etiquetados 0, 1, . . , S. Los periodos en el tiempo pueden
encontrarse a intervalos iguales o su esparcimiento puede depender del
comportamiento general del sistema en el que se encuentra sumergido el proceso
estocástico. Aunque los estados pueden constituir una caracterización tanto
cualitativa como cuantitativa del sistema, no hay pérdida de generalidad con las
etiquetas numéricas 0, 1, . . , M , que se usarán en adelante para denotar los
estados posibles del sistema. Así la representación matemática del sistema físico
es la de un proceso estocástico {Xi}, en donde las variables aleatorias se observan
en t = 0, 1, 2,. . ., y en donde cada variable aleatoria puede tomar el valor de
cualquiera de los M + 1 enteros 0, 1, .. , M . Estos enteros son una caracterización
de los M + 1 estados del proceso.

4.5 Propiedad Markoviana de 1o. orden .

Se dice que un proceso estocástico tiene la propiedad markoviana si

P { Xt+1 = j | X0 = K0 , X1 = K1 , . ., Xt-1 = Kt-1 , = Kt-1, Xt=1}= P {X t+1 | X1 = i }, para toda

t = 0, 1, . . y toda

sucesión i, j , K0 , K1 , . . , Ki-1 .

Se puede demostrar que esta propiedad markoviana es equivalente a

establecer una probabilidad condicional de cualquier "evento" futuro dados
cualquier "evento " pasado y el estado actual Xi = i , es independiente del evento
pasado y sólo depende del estado actual del proceso. Las probabilidades

condicionales P{Xt+1 = j | Xt = i} se llaman probabilidades de transición. Si para

cada i y j,

P{ Xt+1 = j | | Xt = i } = p{X1 = j | X0 = i }, para toda t = 0, 1, ....

Entonces se dice que las probabilidades de transición (de un paso) son

estacionarias y por lo general se denotan por pij . Así, tener probabilidades de
transición estacionarias implican que las probabilidades de transición no cambian
con el tiempo. La existencia de probabilidades de transición (de un paso)
estacionarias también implica que, para cada i, j y n (n = 0, 1, 2,...),

P{ Xt+n = j | | Xt = i } = p{Xn = j | X0 = i },

Para toda t = 0, 1, . . . Estas probabilidades condicionales casi siempre se denotan

por y se llaman probabilidades de transición de n pasos. Así, es
simplemente la probabilidad condicional de que la variable aleatoria X,
comenzando en el estado i, se encuentre en el estado j después de n pasos
( unidades de tiempo ).

Como las son probabilidades condicionales, deben satisfacer las propiedades:

4.6 Probabilidad de transición de un solo paso.

Ejemplo :

Una tienda de cámaras tiene en almacén un modelo especial de cámara que

se puede ordenar cada semana. Sean D1, D2, ... las demandas de esta cámara
durante la primera, segunda, ... , semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idénticamente distribuidas que tienen
una distribución de probabilidad conocida. Sea X0 el número de cámaras que se
tiene en el momento de iniciar el proceso, X1 el número de cámaras que se tienen
al final de la semana uno, X2 el número de cámaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sábado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
política ( s, S)1 para ordenar : si el número de cámaras en inventario al final de la
semana es menor que s =1 (no hay cámaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o más cámaras en el
almacén, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1, .. es un proceso
estocástico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el número posible de cámaras
en inventario al final de la semana.
 Observe que {Xi}, en donde Xi es el número de cámaras en el almacén al final de
la semana t ( antes de recibir el pedido }), es una cadena de Markov. Se verá
ahora cómo obtener las probabilidades de transición (de un paso), es decir, los
elementos de la matriz de transición ( de un paso).

Suponiendo que cada Dt tiene una distribución Poisson con parámetro .

Para obtener es necesario evaluar . Si ,

Entonces . Por lo tanto, significa que la demanda

durante la semana fue de tres o más cámaras.
Así, , la probabilidad de que una variable
aleatoria Poisson con parámetro tome el valor de 3 o más;
y se puede obtener de una manera parecida. Si ,
entonces . Para obtener , la demanda durante la
semana debe ser 1 o más. Por esto, . Para
encontrar , observe que si .
En consecuencia, si , entonces la demanda durante la semana tiene que ser
exactamente 1. por ende, . Los elementos restantes se
obtienen en forma similar, lo que lleva a la siguiente a la siguiente matriz de
transición ( de un paso):

4.7 Probabilidad de transición estacionaria de n pasos.

Las ecuaciones de Chapman-Kolmogorov proporcionan un método para
calcular estas probabilidades de transición de n

pasos :
 Estas ecuaciones simplemente señalan que al ir de un estado i al estado j en n
pasos, el proceso estará en algún estado k después de exactamente m ( menor
que n) pasos. Así,

Es solo las probabilidad condicional de que, si se comienza en el estado i, el

proceso vaya al estado k despues de m pasos y después al estado j en n- m
pasos.

Los casos especiales de m=1 y m=n-1 conducen a las expresiones

Para toda i, j, y n de lo cual resulta que las probabilidades de transición de n

pasos se pueden obtener a partir de las probabilidades de transición de un paso
de manera recursiva. Para n=2, estas expresiones se

vuelven :

Note que las son los elementos de la matriz P(2) , pero también debe de

observarse que estos elementos, se obtienen multiplicando la matriz de

transición de un paso por sí misma; esto es , P(2) = P * P = P2 .
En términos más generales, se concluye que la matriz de probabilidades de
transición de n pasos se puede obtener de la expresión : P(n) = P * P .... P = Pn =
PPn-1 = Pn-1 P.

Entonces, la matriz de probabilidades de transición de n pasos se puede

obtener calculando la n-ésima potencia de la matriz de transición de un paso. Para
valores no muy grandes de n, la matriz de transición de n pasos se puede calcular
en la forma que se acaba de describir, pero cuando n es grande, tales cálculos
resultan tediosos y, más aún, los errores de redondeo pueden causar
inexactitudes.

Ejemplo :

Una tienda de cámaras tiene en almacén un modelo especial de cámara que se

puede ordenar cada semana. Sean D1, D2, ... las demandas de esta cámara
durante la primera, segunda, ... , semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idénticamente distribuidas que tienen
una distribución de probabilidad conocida. Sea X0 el número de cámaras que se
tiene en el momento de iniciar el proceso, X1 el número de cámaras que se tienen
al final de la semana uno, X2 el número de cámaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sábado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
política ( s, S)1 para ordenar : si el número de cámaras en inventario al final de la
semana es menor que s =1 (no hay cámaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o más cámaras en el
almacén, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1, .. es un proceso
estocástico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el número posible de cámaras
en inventario al final de la semana.

Así, dado que tiene una cámara al final de una semana, la probabilidad de que no
haya cámaras en inventario dos semanas después es 0.283; es

decir, De igual manera, dado que se tienen dos cámaras al final de

una semana, la probabilidad de que haya tres cámaras en el almacén dos

semanas después es 0.097; esto es,

La matriz de transición de cuatro pasos también se puede obtener de la siguiente

manera :

P(4) = P4 = P(2) * P(2)

Así, dado que queda una cámara al final de una semana, 0.282 es la
probabilidad de que no haya cámaras en inventario 4 semanas más tarde; es

decir, De igual manera, dado que quedan dos cámaras en el almacén

final de una semana, se tiene una probabilidad de 0.171 de que haya tres cámaras

en el almacén 4 semanas después; esto es,

4.8 Probabilidades de transición estacionaria de estados estables.

Teorema
Sea P la matriz de transición de una cadena de M estados . Existe entonces un
vector tal que

Se establece que para cualquier estado inicial i , .

El vector a menudo se llama distribución de estado estable, o
también distribución de equilibrio para la cadena de Markov. Para encontrar la
distribución de probabilidades de estacionario para una cadena dada cuya matriz
de transición es P, según el teorema, para n grande y para toda
i, (1)
n
Como Pij (n + 1) = ( renglón i de P )(columna j de P), podemos escribir

(2)

Ejemplo :

Suponga que toda la industria de refrescos produce dos colas. Cuando una
persona ha comprado la cola 1, hay una probabilidad de 90 % de que su siguiente
compra se de cola 1. Si una persona compró cola 2, hay un 80 % de
probabilidades que su próxima compra sea de cola 2.

Entonces :
 Al reemplazar la segunda ecuación por la condición ,

obtenemos el sistema

Al despejar resulta que Por lo tanto, después de largo tiempo,

hay probabilidad 2/3 de que una persona dada compre cola 1 y 1/3 de probabilidad
de que una persona compre cola 2.

4.9 Tiempos de primer paso.

Con frecuencia es conveniente poder hacer afirmaciones en términos de
probabilidades sobre el número de transiciones que hace el proceso al ir de un
estado i a un estado j por primera vez . este lapso se llama tiempos de primer
paso al ir del estado i al estado j. cuando J=i, esta tiempo de primer paso es justo
el número de transiciones hasta que el proceso regresa al estado inicial i. En este
caso, el tiempo de primer paso se llama tiempo de recurrencia para el estado i.
Para ilustrar estas definiciones, reconsidérese el ejemplo siguiente :

Una tienda de cámaras tiene en almacén un modelo especial de cámara que se

puede ordenar cada semana. Sean D1, D2, ... las demandas de esta cámara
durante la primera, segunda, ... , semana, respectivamente. Se supone que las Di
son variables aleatorias independientes e idénticamente distribuidas que tienen
una distribución de probabilidad conocida. Sea X0 el número de cámaras que se
tiene en el momento de iniciar el proceso, X1 el número de cámaras que se tienen
al final de la semana uno, X2 el número de cámaras al final de la semana dos, etc.
Suponga que X0 = 3 . El sábado en la noche la tienda hace un pedido que le
entregan el lunes en el momento de abrir la tienda. La tienda hace un pedido que
le entregan el lunes en el momento de abrir la tienda. La tienda usa la siguiente
política ( s, S)1 para ordenar : si el número de cámaras en inventario al final de la
semana es menor que s =1 (no hay cámaras en la tienda), ordenar (hasta) S=3.
De otra manera, no coloca la orden (si se cuenta con una o más cámaras en el
almacén, no se hace el pedido). Se supone que las ventas se pierden cuando la
demanda excede el inventario. Entonces, {X1} para t = 0, 1, .. es un proceso
estocástico de la forma que se acaba de describir. Los estados posibles del
proceso son los enteros 0, 1, 2, 3 que representan el número posible de cámaras
en inventario al final de la semana.

Donde Xt es el número de cámaras en inventario al final de la semana t y se

comienza con , Suponga que ocurrió lo siguiente:
 En este caso, el tiempo de primer paso para ir al estado 3 al estado 1 es dde 2
semanas, el tiempo de primer paso para ir del estado 3 al estado 0 es de 3
semanas y el tiempo de recurrencia del estado 3 es de 4 semanas.
En general, los tiempos de primer paso son variables aleatorias y, por lo tanto,
tienen una distribución de probabilidad asociada a ellos. Estas distribuciones de
probabilidad dependen de las probabilidades de transición del proceso. En
particular, denota la probabilidad de que el tiempo de primer paso del estado i
al j sea igual a n. Se puede demostrar que estas probabilidades satisfacen las
siguientes relaciones recursivas:

Entonces se puede calcular la probabilidad de un tiempo de primer paso del

estado i al j en n pasos, de manera recursiva, a partir de las probabilidades de
transición de un paso. En el ejemplo, la distribución de probabilidad de los tiempos
de primer paso del estado 3 al estado 0 se obtiene como sigue:

Para i y j fijos, las son números no negativos tales que

Esta suma puede ser menor que 1, lo que significa que un proceso que el iniciar
se encuentra en el estado i puede no llegar nunca al estado j . Cuando la suma es
igual a 1, las pueden considerarse como una distribución de
probabilidad para la variable aleatoria, el tiempo de primer paso.

Para obtener el tiempo esperado de primer paso del estado i al estado j. Sea
, que se define como:
entonces satisface, de manera única, la ecuación:

Cuando i=j, se llama tiempo esperado de recurrencia.

Al aplicarlo al ejemplo del inventario, estas ecuaciones se pueden usar para

calcular el tiempo esperado hasta que ya no se tengan cámaras en el almacén,
suponiendo que el proceso inicia cuando se tienen tres cámaras; es decir, se
puede obtener el tiempo esperado de primer paso . Como todos los estados
son recurrentes, el sistema de ecuaciones conduce a las expresiones

La solución simultánea de este sistema es

De manera que el tiempo esperado hasta que la tienda se queda sin cámaras
es de 3.50 semanas.
Instituto Tecnológico De Tijuana.

Investigación De Operaciones II.

Ing. Acosta Castillo Antonio.

Integrantes del Equipo:

Cardona Bañuelos Claudia
Cárdenas Maciel Martha
Villa Fuentes Claudia
Vargas García Ma Carmen
Silvestre Cesar Fabian.
Benítez Ricardo.
Araiza Gonzáles.
Valdes García Juan Flavio.

Tijuana BCN, miércoles 26 de noviembre del 2003.