MODELO DE DECISIN DE COLAS BASADO EN LAS CADENAS DE

MARKOV CON ESTADOS FUZZY

David de la Fuente Garca
1
Mara Jos Pardo Santiago
2


1
Universidad de Oviedo, david@uniovi.es
2
Universidad del Pas Vasco, mjose.pardo@ehu.es




Resumen

En este trabajo diseamos un sistema de colas
determinando la mejor poltica a seguir en las
decisiones sobre propaganda, tomando como
base las cadenas de Markov con estados fuzzy.
Para ello, en primer lugar definimos y
calculamos las cadenas de Markov con estado
inicial y estado final fuzzy y, en segundo lugar,
ilustraremos con un ejemplo, y a travs de la
solucin por programacin lineal del proceso de
decisin markoviano, los resultados tericos
previamente obtenidos.

Palabras Clave: Modelos de Decisin de
Colas, Cadenas de Markov con Estados Fuzzy.

1 INTRODUCCIN

Un proceso de decisin Markoviano puede ser usado para
describir un sistema dinmico el cual evoluciona en el
tiempo conforme a los efectos simultneos de las leyes
probabilsticas de movimiento y la secuencia de
decisiones tomadas. El sistema se observa en los instantes
de tiempo 0,1, 2,... t = , y es clasificado en uno de los M
estados del sistema. Despus de cada observacin se toma
una de las K posibles decisiones. Ello implica que cuando
el sistema se encuentra en un estado particular y se toma
una decisin, el sistema se mueve a un nuevo estado con
una probabilidad de transicin conocida y se incurre en un
coste, y esto para toda combinacin de estados y
decisiones. Una poltica es un conjunto de decisiones
tomadas para cada uno de los estados del sistema. En
general hay
M
K polticas. El problema es encontrar la
mejor poltica de manera que el coste promedio por
unidad de tiempo sea mnimo.
Los procesos de decisin Markovianos representan una
til herramienta para modelar y encontrar la poltica
ptima en una amplia clase de sistemas. Son aplicados en
reas tales como teora de colas, inventarios,
mantenimiento, programacin dinmica probabilstica,...
En este trabajo diseamos un sistema de colas con
capacidad limitada / /1/ M M N (Winston [5]) a travs de
la determinacin de la mejor poltica a seguir en las
decisiones sobre propaganda, las cuales son tomadas
teniendo en cuenta al nmero de clientes en cola en el
instante de la toma de decisiones. As, si por ejemplo la
longitud de cola es larga la decisin podr ser efectuar o
no propaganda para aumentar la tasa de llegadas, tal
decisin depender de los costes que conlleve la
realizacin de publicidad.
Para llevar a cabo el proceso de optimizacin y encontrar
la mejor poltica a seguir en cada estado de la Cadena de
Markov que determina el sistema de colas vamos a
utilizar la solucin por programacin lineal del proceso de
decisin markoviano (Taha [4]). Esta solucin conlleva la
formulacin de un programa lineal. Para un sistema con
M estados y K alternativas de decisin, la formulacin del
programa lineal asociado debe incluir 1 M + restricciones
y MK variables, el cual tender a ser muy extenso para
valores de M y K grandes. Por ejemplo, si el sistema
cuenta con una capacidad limitada a 15 unidades, el
nmero de estados es 1 16 M N = + = , y suponiendo que
existan dos alternativas de decisin, efectuar propaganda
o no, entonces 2 K = , luego el sistema de programacin
lineal que permite resolver para cada estado de la Cadena
de Markov la decisin ms adecuada consta de 32
variables y 17 restricciones. Para reducir este nivel de
clculo hemos desarrollado las Cadenas de Markov con
estados fuzzy, de manera que en el problema en estudio se
pueden considerar, por ejemplo, los estados fuzzy
longitud corta de cola, longitud media de cola y
longitud larga de cola y para resolver la optimizacin
del sistema de colas a cada estado fuzzy se le asocia una
alternativa de decisin (efectuar publicidad o no) de
forma que el sistema de programacin lineal, dado que el
modelo cuenta ahora con 3 estados ( 3 M = ) y las
alternativas de decisin son tambin 2 ( 2 K = ) consta de
6 variables y 4 restricciones, una cantidad de variables y
restricciones sensiblemente inferior a las obtenidas sin la
aplicacin de estados fuzzy sobre la Cadena de Markov.
ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy 191
Para utilizar las Cadenas de Markov con estados fuzzy en
primer lugar en este trabajo hemos desarrollado la teora
que relaciona los estados no fuzzy con los estados fuzzy,
y que permite calcular las probabilidades de transicin de
la Cadena de Markov con estados fuzzy conocidas las
probabilidades de transicin de la Cadena de Markov con
estados no-fuzzy, as como calcular las probabilidades de
estado estable de la Cadena de Markov con estados fuzzy
mediante las probabilidades de estado estable con estados
no-fuzzy.
A continuacin, en el trabajo describimos brevemente la
solucin del problema de decisin markoviano por
programacin lineal. Y, por ltimo, ilustramos con un
ejemplo la aplicacin prctica de los resultados tericos
obtenidos.
Para mantener la longitud del presente artculo dentro de
los lmites todas las demostraciones y pruebas han sido
omitidas, slo se establecen los resultados.

2 CADENAS DE MARKOV CON
ESTADOS FUZZY

2.1. PRELIMINARES

2.1.1. Probabilidad de eventos fuzzy
Sea ( ) , , P el espacio probabilstico, donde denota
el espacio muestral, una -lgebra sobre y P una
medida de probabilidad. Un conjunto fuzzy A en
define un evento fuzzy. Sea ( )
A
la funcin de
pertenencia del evento fuzzy A. Entonces la probabilidad
del evento fuzzy A y la probabilidad condicional del
evento fuzzy A, dado un evento fuzzy B son definidas por
Zadeh [7] como:
( ) ( )
A
P A dP

=

( ) [ ] : 0,1
A
(1)
( )
( )
( )
/
P A B
P A B
P B

= ( ) 0 P B > (2)
El producto de dos eventos fuzzy A y B se define como
(Zimmermann [8]):

A B A B
A B

= (3)
2.1.2. Probabilidades de las Cadenas de Markov
Sea
t
X el estado del sistema en el instante t. Se considera
una cadena de Markov con estado finito en la que la
matriz de probabilidades de transicin es:

ij
p =

P { } , 0,1,..., i j N (4)
donde
ij
p representa las probabilidades de transicin
desde el estado i al estado j de un paso, 0, ,
ij
p i j :
{ } { }
1 1 0
/ /
ij t t
p P X j X i P X j X i
+
= = = = = = (5)
con
0
1
N
ij
j
p
=
=

. Y la matriz de transicin de
probabilidad de r pasos es, donde
r
ij
p es la probabilidad
de transicin desde el estado i al estado j, en r pasos:
{ } 0, , 0,1,...,
r r
ij ij
p p i j N =

r
P (6)
{ } { }
0
/ /
r
ij t r t r
p P X j X i P X j X i
+
= = = = = = (7)
Los elementos de la matriz
r
P se obtienen de forma
directa con:
( (( ( ) )) )
r
r
P P = == = (8)
Por ltimo, sea { }
0 i
p P X i = = , { } 0,1,..., i N , es
decir.
i
p son las probabilidades de estado inicial de la
cadena de Markov, con
0
1
N
i
i
p
=
=

.
Si la cadena de Markov es irreducible ergdica,
entonces se verifica:
lim
r
ij j
r
p

= { } 0,1,..., j N (9)
en donde
j
son las probabilidades de estado estable.

2.2. PROBABILIDADES DE LAS CADENAS DE
MARKOV CON ESTADOS FUZZY

Sobre los estados del sistema definimos una particin
fuzzy
1
(Dubois y Prade [1]), es decir, un conjunto de
estados fuzzy
{ } 1 2
, ,...,
n
A A A
% % %
, de manera que cada
subconjunto fuzzy
i
A
%
, { } 1, 2,..., i n representa un
estado o evento fuzzy de la cadena de Markov inicial.
Definicin 1: Se define la probabilidad de estado inicial
fuzzy,
( ) ( ) 0 i i
P A P X A = =
% %
a travs la probabilidad crisp
de un evento fuzzy calculada mediante la integral de
Lebesgue-Stieltjes (Zadeh [7]):

1
Sea { }
1 2
, ,...,
n
X x x x = un conjunto dado. Una particin fuzzy de X es
una familia de subconjuntos de X, denotados por
{ } 1 2
, ,...,
N
A A A A =
% % %

{ } ( )
1,..., , ,
i i
i N A A X =
% %
con las correspondientes funciones de
pertenencia
1
A

%
,..,
N
A

%
las cuales satisfacen:
( ) { }
1
1 1,...,
i
N
r r A i
x x X r n
=
= =
%

ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
192 XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy
( ) { } { } ( ) ( )
0 0
0 0 i i
N N
i i s A A s s
P A P X A P X s s p s
= =
= = = = =
% %
% % %

Proposicin 1: La probabilidad condicional del estado
fuzzy
j
A
%
dado el estado inicial m, con { } 1,..., j n y
{ } 0,..., m N , es:

( ) { } ( )
1 0
0
/ /
j
N
j j ms A s
P A m P X A X m p s
=
= = = =
%
% % %
(10)
y representa la probabilidad de transicin a estado fuzzy
(de un paso). La demostracin es directa desde (1) y (2).
Proposicin 2: La probabilidad de transicin a estado
fuzzy de r pasos es:
( ) { } ( )
0
0
/ /
j
N
r r
j r j ms A s
P A m P X A X m p s
=
= = = =
%
% % %
(11)
De igual forma, la demostracin es directa desde (1) y (2).
Definicin 2: Se define la cadena de Markov de estado
final fuzzy, de r pasos, mediante la matriz:

( )
/
r
j
P A m

=

%
r
P (12)
Esta matriz proporciona la probabilidad de transicin del
estado inicial m, ( { } 0,..., m N ) a un estado final fuzzy
j
A
%
, ( { } 1,..., j n ), en r pasos.
Proposicin 3: La probabilidad condicional del evento
fuzzy
j
A
%
dado el evento fuzzy
i
A
%
, { } , 1,..., i j n es
funcin de una combinacin lineal de probabilidades
( )
/
j
P A m
%
, de la forma:
( ) { } ( )
( )
( )
1 0
0
/ / /
i
m N A
j i j i j
m
i
p m
P A A P X A X A P A m
P A

=
= = = =

%
% % % % % % %
%

y representa la probabilidad de transicin de estado
inicial fuzzy a estado final fuzzy (de un paso). La
demostracin es directa desde (1), (2) y (3).
Proposicin 4: La probabilidad de transicin entre
estados fuzzy de r pasos es:
( ) { } ( )
( )
( )
0
0
/ / /
i
m N A r r
j i r j i j
m
i
p m
P A A P X A X A P A m
P A

=
= = = =

%
% % % % %
%

La demostracin es directa desde (7) y (11).
Definicin 3 Se define la cadena de Markov de estado
inicial fuzzy y estado final fuzzy, de r pasos, mediante la
matriz:

( )
/
r
j i
P A A

=

% % %
r
P (13)
Esta matriz proporciona la probabilidad de transicin del
estado inicial fuzzy
i
A
%
al estado final fuzzy
j
A
%
, en r
pasos, { } , 1,..., i j n .
Las matrices
r
P y
%
r
P son estocsticas dado que la suma
de cada una de sus filas es 1.
En base a estas definiciones y proposiciones
proponemos el siguiente teorema:
Teorema: Las probabilidades de estado estable de la
cadena de Markov con estado final fuzzy
j
A

%
,
{ } 1,..., j n , son:
( )
0 j j
N
s A A s
s
=
=
% %
(14)
es decir,
j
A

%
es la probabilidad del evento fuzzy
j
A
%
y
est calculada en funcin de la distribucin de
probabilidad de estado estable
s
. El valor de
j
A

%
no
depende del estado inicial de la cadena de Markov, y es el
mismo para los m estados iniciales crisp, { } 0,..., m N y
para los
i
A
%
estados iniciales fuzzy, { } 1, 2,..., i n .
Adems, el resultado (14) verifica la propiedad
1
1
j
n
A j

=
=
%
.
La demostracin es inmediata desde las definiciones y
proposiciones establecidas previamente.
Para terminar queremos hacer notar que el clculo de
las matrices
r
P y
%
r
P se simplifica considerablemente
utilizando el clculo matricial. Para ello definimos las
matrices Q y S de la siguiente forma:

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1 2
1 2
1 2
0 0 0
1 1 1
n
n
n
A A A
A A A
A A A
N N N






=





% % %
% % %
% % %
L
L
M M O M
L
Q (15)
Esta matriz contiene los valores de las funciones de
pertenencia de la particin fuzzy que determina los
estados fuzzy del sistema
{ } 1 2
, ,...,
n
A A A
% % %
.

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
1 1 1
2 2 2
0 1
1 1 1
0 1
2 2 2
0 1
0 1
0 1
0 1
n n n
N A A A
N A A A
N A A A
n n n
p p p N
P A P A P A
p p p N
P A P A P A
p p p N
P A P A P A









=








% % %
% % %
% % %
L
% % %
L
% % %
M M O M
L
% % %
S (16)
Con las matrices Q y S se llega a:
=
r r
P P Q (17)
ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy 193
= =
%
r r r
P SP SP Q (18)
Y si definimos las matrices y
%
:

( )
0 1
0 1
, 1
0 1
N
N
n N
N
M



+

L
L
M M O M
L
= = = = (19)

( )
1 2
1 2
,
n
n
A A A
n n
A A A
M

% % %
% % %
L
%
M M O M
L
= = = = (20)
entonces
%
Q = = = = .

3 SOLUCIN DEL PROBLEMA DE
DECISIN MARKOVIANO

En esta seccin describimos brevemente la solucin por
programacin lineal del proceso de decisin markoviano
(Taha [4]). Para ello definimos las siguientes notaciones:
( )
ij
p k : probabilidad de transicin del sistema del estado
i al estado j cuando se toma la decisin k.
ik
C : coste esperado en el que se incurre durante la
prxima transicin si el sistema est en el estado
i y se toma la decisin k.
ik
y : probabilidad condicional de elegir la alternativa k
dado que el sistema est en el estado i.
C : coste esperado por transicin siguiendo una
poltica R.
Una poltica R es un vector de decisiones ( )
i
d R cuando
el sistema est en el estado i. As, R queda caracterizado
por el vector ( ) ( ) ( ) ( )
1
,...,
M
d R d R d R = . Alternativa-
mente, R tambin puede ser caracterizado asignando
valores 0
ik
D = 1 en la matriz, en la cual cada columna
debe contener un nico 1 y todos los dems elementos
iguales a 0:

11 12 1
21 22 2
1 2
Decisiones
1 2
1
Estados 2
K
K
M M MK
K
D D D
D D D
D D D M







L
L
L
L L L L L
L

El conjunto de decisiones
ik
D y las variables
ik
y estn
relacionados por la ecuacin:

1
ik
ik K
ik
k
y
D
y
=
=

(21)
Con todo, el problema de decisin markoviano queda
formulado mediante el siguiente programa lineal:
( )
1 1
1 1
1 1 1
Minimizar
sujeto a 1
0
0, 1,..., ; 1,..., ; 1,...,
M K
ik ik
i k
M K
ik
i k
K M K
jk ik ij
k i k
ik
C C y
y
y y p k
y j M i M k K
= =
= =
= = =
=
=
=
= = =




Con la solucin de este programa lineal se obtienen los
valores de
ik
y , y con (21) son obtenidos los resultados de
las decisiones a tomar dependiendo el estado i,
ik
D .
Est demostrado que
ik
y es estrictamente positivo para un
nico k para cada 1,..., i M = . Esto significa que la
solucin ptima automticamente garantiza que 1
ik
D =
para un nico k para cada i.
Hay que tener en cuenta que para un problema con M
estados y K alternativas de decisin, la formulacin del
programa lineal asociado debe incluir 1 M + restricciones
y MK variables, el cual tender a ser muy extenso para
valores de M y K grandes. Y es en esta situacin en donde
las Cadenas de Markov con estados fuzzy pueden reducir
considerablemente la complejidad computacional,
proporcionando resultados ms acordes con las
circunstancias reales.

4 EJEMPLO NUMRICO

El problema est relacionado con las decisiones de
publicidad a tomar en un sistema de colas, y consiste en
decidir si efectuar o no publicidad teniendo en cuenta la
longitud de cola en el sistema. El sistema de colas en
estudio es del modelo / /1/ M M N y cuenta con un
proceso de entrada de Poisson y tiempos de servicio
acordes a una distribucin exponencial, la capacidad del
sistema es de 10 unidades. El estudio del comportamiento
del sistema evidencia que la tasa de llegadas es 0.4 =
cuando no se toma la decisin de efectuar publicidad y
0.6 = cuando hay publicidad. La tasa de servicios
depende de la longitud de la cola de manera que si la
longitud de unidades en cola es inferior a 5 unidades
entonces la tasa de servicio es de 0.3 = , y si la longitud
de unidades en cola es 5 ms, en ese momento el
servicio se refuerza aumentando la tasa de servicio a
ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
194 XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy
0.5 = . Dada la capacidad del sistema, los estados de la
cadena de Markov asociada son { } 0,1,...,10 X = .
Hay dos alternativas de decisin, (1) no publicidad
( 1 k = ) y (2) publicidad ( 2 k = ).Si denotamos por P la
matriz de probabilidad de transicin asociada con X,
entonces dados los valores de y , es:
State 0 1 2 8 9 10
0 0 0 0 0
1 0 0 0
2 0 0 0 0
9 0 0 0
10 0 0 0 0
P





+
+
=
+
L
M
M
M
M M M M M M M M
M M M M M M M M
M
M

Y si denotamos por
k
P la matriz de probabilidad de
transicin asociada con X para la decisin k, entonces las
matrices
k
P para 1, 2 k = son:

1
0.6 0.4 0 0 0 0
0.18 0.54 0.28 0 0 0
0 0.18 0.54 0 0 0
0 0 0 0.5 0.2 0
0 0 0 0.3 0.5 0.2
0 0 0 0 0.5 0.5
P





=







M
M
M
M M M M M M M
M
M
M


2
0.4 0.6 0 0 0 0
0.12 0.46 0.42 0 0 0
0 0.12 0.46 0 0 0
0 0 0 0.5 0.3 0
0 0 0 0.2 0.5 0.3
0 0 0 0 0.5 0.5
P





=







M
M
M
M M M M M M M
M
M
M

Para encontrar la solucin por programacin lineal del
proceso de decisin planteado el programa lineal debe
contener 12 restricciones y 22 variables. Este mtodo de
clculo puede ser sensiblemente reducido si los estados
del sistema son fuzzy. As, en el sistema las decisiones
sern asociadas con tres estados fuzzy denotados
1 2 3
, y A A A
% % %
que corresponden a longitud corta de cola,
longitud media de cola y longitud larga de cola,
respectivamente. Y sobre los 11 estados del sistema se
establece la siguiente particin fuzzy que relaciona los
estados iniciales del sistema con los estados fuzzy,
definidos mediante la matriz Q:

1 1 0.8 0.4 0 0 0 0 0 0 0
0 0 0.2 0.6 1 1 1 0.6 0.2 0 0
0 0 0 0 0 0 0 0.4 0.8 1 1


=



T
Q
Hay que resear que los estados del sistema, X son
conocidos en los problemas especficos de modelos de
decisin de colas. Sin embargo hay que decidir los
estados fuzzy correspondientes y sus funciones de
pertenencia, para poder desarrollar la metodologa
propuesta. Esto puede hacerse a travs del mtodo
formulado por Yager [6] o el mtodo de Dubois et al. [2]
para la construccin de funciones de pertenencia a partir
de datos obtenidos de diversas fuentes o de expertos.
Se han calculado los costes esperados para las dos
decisiones y los tres estados fuzzy y se muestran en la
tabla 1.
Tabla 1: Costes esperados
ik
C
Estados fuzzy 1 k = 2 k =
1
A
%

10 3
2
A
%

7 5
3
A
%

4 7

Supondremos que las probabilidades de estado inicial
i
p
son todas iguales, luego 1/11
i
p = . Con este dato se
obtiene que las probabilidades de estado inicial fuzzy son:
( )
1
3.2/11 P A =
%

( )
2
4.6/11 P A =
%

( )
3
3.2/11 P A =
%

Y la matriz S:
1 1 0.8 0.4
0 0 0 0 0 0 0
3.2 3.2 3.2 3.2
0.2 0.6 1 1 1 0.6 0.2
0 0 0 0
4.6 4.6 4.6 4.6 4.6 4.6 4.6
0.4 0.8 1 1
0 0 0 0 0 0 0
3.2 3.2 3.2 3.2
=




=





S

Las matrices de probabilidad transicin correspondientes
a los estados fuzzy
1 2 3
, y A A A
% % %
para la decisin k,
( )
/
k j i
P A A

=

% % %
k
P se obtienen usando (18): =
%
k k
P SP Q :

1
0.8335 0.1665 0
0.0941 0.8103 0.0956
0 0.1687 0.8313
P


=



%


2
0.7978 0.2022 0
0.0755 0.8071 0.1174
0 0.1375 0.8625
P


=



%

Con todo, el programa lineal a plantear para encontrar la
solucin al problema de si efectuar o no publicidad
ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy 195
teniendo en cuenta la longitud de cola en el sistema,
consta de 4 restricciones y 6 variables, y es:

11 12 21 22 31 32
Minimizar 10 3 7 5 4 7 C y y y y y y = + + + + +
sujeto a
11 12 21 22 31 32
1 y y y y y y + + + + + =
( )
11 12
11 12 21 22
0.8335 .07978 0.0941 0.0755 0
y y
y y y y
+
+ + + =

(
)
21 22 11 12 21
22 31 32
0.1665 0.2022 0.8103
0.8071 0.1687 0.1375 0
y y y y y
y y y
+ + + +
+ + + =

( )
31 32
21 22 31 32
0.0956 0.1174 0.8313 0.8625 0
y y
y y y y
+
+ + + =

0, 1, 2, 3; 1, 2
ik
y i k = =
La solucin ptima es
11 21 32
0 y y y = = = y
12
0.1804 y = ,
22
0.4834 y = y
31
0.3362 y = . Luego utilizando (21) es:

1
2
3
Decisiones
1 2
0 1
Estados 0 1
1 0
A
A
A





%
%
%

As, la poltica ptima selecciona la alternativa 2 ( 2 k = ),
es decir efectuar propaganda cuando el sistema se
encuentra en los estados fuzzy
1 2
y A A
% %
(longitud corta y
media de cola) y la alternativa 1 ( 1 k = ), es decir no
efectuar propaganda cuando el sistema se encuentra en el
estado fuzzy
3
A
%
(longitud larga de cola), siendo el valor
ptimo de C igual a 3.697.

Conclusiones

A travs del concepto de probabilidad de eventos fuzzy
hemos adaptado los procesos de decisin Markovianos a
las situaciones en las cuales los estados pueden ser
considerados fuzzy, bien porque los estados del sistema
no puedan ser medidos con precisin, bien porque los
estados son perfectamente medibles y observables pero el
nmero de estados es tan amplio que las decisiones no
pueden ser asociadas con los estados exactos el sistema.
As, tomando como punto de partida la probabilidad de
eventos fuzzy en este trabajo hemos desarrollado la teora
de las Cadenas de Markov con estados fuzzy calculando,
por un lado la matriz de probabilidad de transicin entre
estados fuzzy y, por otro lado, las probabilidades de
estado estable de la Cadena de Markov con estados fuzzy.
Si el sistema en estudio cuenta con un amplio nmero de
estados la solucin del problema de decisin markoviano
por programacin lineal proporciona un sistema con un
gran nmero de variables y restricciones. Mediante el uso
de las Cadenas de Markov con estados fuzzy, tal como
hemos mostrado en el ejemplo, el sistema a resolver es
reducido considerablemente lo que conlleva una
disminucin de la complejidad computacional as como
de la toma de decisiones ya que sta queda limitada a slo
tres estados (longitud corta, media o larga de cola).
Si bien en este trabajo nos hemos limitado a la aplicacin
de las Cadenas de Markov con estados fuzzy en la Teora
de Colas, stas pueden ser utilizadas tanto en problemas
de inventarios como en mantenimiento de sistemas.
Adems, las Cadenas de Markov con estados fuzzy
pueden ser utilizadas para la optimizacin y diseo de un
sistema de lneas de flujo con capacidad limitada y datos
fuzzy tal como se muestra en de la Fuente y Pardo [3].

Referencias

[1] D. Dubois, H. Prade. Fuzzy Sets and Systems:
Theory and Applications. Academic Press, Boston,
1980.
[2] D. Dubois, H. Prade, R.R. Yager. Merging fuzzy
information. En: J. Bezdek, D. Dubois, H. Prade
(Eds.), Fuzzy Sets in Approximate Reasoning and
Information Systems. Kluwer, Boston 1999, pg.
335-401.
[3] D. de la Fuente, M.J. Pardo. Calculation of the
degree of customer satisfaction for the optimization
and design of a flow line system with finite capacity
and fuzzy data. XIV Congress of International
Association for Fuzzy Set Management and
Economy, SIGEF07. Poiana Braov, Romania, pg.
540-558, 2007.
[4] H.A. Taha. Operations Research: An Introduction
(seventh ed.). Prentice-Hall, New Jersey, 2003.
[5] W.L. Winston. Operations Research: Applications
and Algorithms (fourth ed.). Duxbury Press, Boston,
2003.
[6] R.R. Yager. Level sets for membership evaluation of
fuzzy subsets. En R.R. Yager (Ed.), Fuzzy Sets and
Possibility Theory: Recent Developments. Pergamon
Press, Oxford, 1982, pg. 90-97.
[7] L.A. Zadeh. Probability measures of fuzzy events.
Journal of Mathematical Analysis and Applications
23, pg. 421-427, 1968.
[8] H.J. Zimmermann. Fuzzy Set Theory and its
applications (fourth ed.). Kluwer, Boston, 2001.
ESTYLF08, Cuencas Mineras (Mieres - Langreo), 17 - 19 de Septiembre de 2008
196 XIV Congreso Espaol sobre Tecnologas y Lgica fuzzy