TRABAJO COLABORATIVO N.

2
CADENAS DE MARKOV, TEORA DE COLAS y PROGRAMACIN NO
LINEAL

DINA ESTHER LOPEZ SIERRA

Cod. 40.797.114
ALVARO GARCIA DIAZ
Cod: 77171437
ELIZABETH RODRIGUEZ
Cod:
OSCAR ABEL LUNA
Cod:
GRUPO: 104561_46

Tutor: WILLIAN GERMAN ORTEGON

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA-UNAD

FACULTAD DE CIENCIAS BASICAS DE LA INGENIERIA
PRORAMA DE INGENIERIA DE SISTEMAS
METODOS PROBABILISTICOS
2010

INTRODUCCIN

Ya que este curso corresponde a la formacin bsica del programa de

ingeniera de sistemas y por lo tanto estamos deseoso de adquirir y aplicar
conocimientos bsicos necesarios para la construccin de soluciones en el
tema, de la elaboracin de LA ACTIVIDAD TRABAJO COLABORATIVO 2 del
curso utilizando para ello diversas estrategias de aprendizaje, propias del
modelo de educacin a distancia, permitiendo activar las habilidades cognitivas
y meta cognitivas en el estudiante..
Nuestro propsito realizar esta actividad, con el fin de conocer los conceptos,
caractersticas y aplicaciones de 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.

OBJETIVOS

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.

Conocer los elementos existentes en el modelo de cola.

Identificar los diferentes algoritmos utilizados para solucionar problemas

de Cadenas de Markov, teora de colas y programacin no lineal.
Poner en prctica mediante los conocimientos lo aprendido, y de esta
manera saber aplicarlos en futuros aportes.

CUADRO COMPARATIVO
CADENAS DE MARKOV, TEORA DE COLAS y PROGRAMACIN NO
LINEAL
CADENAS DE MARKOV

TEORIAS DE COLAS

PROGRAMACION NO
LINAEL

Conceptos:

Conceptos:

Conceptos:

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,

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.

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.

Caractersticas:
1. Sistema de cola de un
paso: en el cual los
productos o los clientes
abandonan el sistema
despus de ser atendidos
en un solo centro o estacin
de trabajo.

Caractersticas:

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.
Caractersticas:
Una de las principales
caractersticas
es la
probabilidad de transicin,
compuestas
por
dos
formas:
-

Diagrama de Estados:
Aqu se ilustra una
cadena DE Markov con
dos estados posibles:
S1 y S2

Matriz

de

Entre las caractersticas mas

comunes podeos encontrar
las siguientes:

1. Programacin Cuadrtica:
Un programa Matemtico en
el cual cada restriccin gi, es
lineal, pero es cuadrtico.

Transicin: 2. Red de Cola: en el que 2.

Multiplicadores

de

la

existen dos estados un

producto
puede
posibles, se necesitan proceder de una estacin
2x2
=
4 de trabajo y pasar a otra
probabilidades.
antes de abandonar el
sistema.
Tambin ntese que cada
rengln de la matriz suma
1.esto se debe a que el 3. Disciplina de Cola: La
sistema debe hacer una forma en que los clientes
transicin
son
elegidos
para
proporcionarles un servicio.

Grange: para resolver los

problemas no lineales en los
cuales las restricciones son
igualdades.
3. Tcnicas de Gradiente: un
mtodo
para
optimizar
funciones continuas que
son
dos
veces
diferenciables.
4. mtodo de newtonRaphson:
resuelve
ecuaciones simultneas no
lineales.

Aplicaciones:

Aplicaciones:

Aplicaciones:

1.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.

- 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.

1. Valorar la importancia
que tiene los mtodos
estudiados en situaciones
organizacionales para las
empresas en el mundo
moderno.

2.se pueden clasificar en

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.

2. Plantear y resolver
problemas en diferentes
campos
del
saber,
haciendo un proceso de
abstraccin de escenarios
2. Hay que tener en cuanta: conocidos a escenarios
A los clientes, la capacidad desconocidos
de
las
de cola, disciplina de cola, temticas estudiadas.
mecanismos de servicios,
los sistemas de la cola.

2. Resolver los siguientes problemas de aplicacin:

a. Formule como una cadena de Markov el siguiente proceso. El
fabricante de dentfrico AROMA controla actualmente 60% del mercado de
una ciudad. (estado inicial). Datos del ao anterior muestran que 80% de
consumidores de AROMA continan usndola, mientras que 20% de los

usuarios de AROMA cambiaron a otras marcas. Adems 75% de los

usuarios de la competencia permanecieron leales a estas otras marcas,
mientras que 25% restante se cambi a AROMA. Considerando que estas
tendencias continan, determnese la parte del mercado que corresponde
a AROMA: en 3 aos y a largo plazo. (dibuje el diagrama de estados
correspondiente a la cadena de Markov).

Diagrama de Estado

0.80

0.20

S1

S2

0.75

0.25

Matriz de Transicin
S1
S1
S2

0,80
0,25

S2
0,20
0,75

Vector inicial de distribucin probabilstica

X0 = (0.60, 0.40)

Probabilidad para los primeros tres aos

 0.60 * 0.80 0.60 * 0.20

0.80 0.20

X 1 0.60,0.40

0.25 0.75
0.40 * 0.25 0.40 * 0.75
X 1 0.58,0.42
0.58 * 0.80 0.58 * 0.20
0.80 0.20

X 2 0.58,0.42

0.25 0.75
0.42 * 0.25 0.42 * 0.75
X 2 0.569,0.431
0.569 * 0.80 0.569 * 0.20
0.80 0.20

X 3 0.569,0.431

0
.
25

0
.
75

0.431 * 0.25 0.431 * 0.75

X 3 0.563,0.437

INICIO
1
2
3

Probabilidades
Estado 1 (S1)
0.60
0.58
0.569
0.563

Probabilidades
Estado 1 (S2)
0.40
0.42
0.431
0.437

A Aroma le corresponde
En el primer ao el 58% del mercado
En el segundo ao el 56.9% del mercado
En el tercer ao el 56.3% del mercado
A largo plazo

X 1, X 21 * P X 1, X 21
X , X 21

0.80 0.20

0.25 0.75

X1, X 2

Resultan 2 ecuaciones

0.80X1 + 0.25X2 = X1
0.20X1 + 0.75X2 = X2
X1 +
X2 = 1
Trabajamos la ecuacin 1 con la 3
0.80X1 + 0.25X2 = X1
X1 +

X2 = 1 multiplicamos por -0.25

0.80X1 + 0.25X2 = X1
0.22X1 - 0.25X2 = - 0.25
-----------------------------------0.55 X1
= X1 - 0.25
0.55 X1 - X1 = - 0.25
- 0.45 X1 = - 0.25 multiplicamos por - 1
0.45 X1 = 0.25
X1

0.25
0.45

X 1 0.556

A largo plazo a Aroma le corresponde el 55.6% del mercado.

b. El departamento de comercializacin de la marca X hizo una

investigacin y encontr que, si un cliente compra su marca, existe un
68% 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 slo el 25% del tiempo. Cul es el porcentaje de mercado que puede
pronosticarse a la larga para la marca X.

Matriz de Transicin
S1
S1
S2

S2

0,68
0,25

0,32
0,75

A largo plazo

X 1, X 21 * P X 1, X 21
X , X 21 *

0.68 0.32

X1, X 2

0.25 0.75

Resultan 2 ecuaciones
0.68X1 + 0.25X2 = X1
0.32X1 + 0.75X2 = X2
X1 +
X2 = 1
Trabajamos la ecuacin 1 con la 3
0.68X1 + 0.25X2 = X1
X1 +

X2 = 1 multiplicamos por -0.25

0.68X1 + 0.25X2 = X1
0.25X1 - 0.25X2 = - 0.25
-----------------------------------0.43 X1
= X1 - 0.25
0.43 X1 - X1 = - 0.25
- 0.57 X1 = - 0.25
0.57 X1 = 0.25

multiplicamos por - 1

X1

0.25
0.57

X 1 0.439

Puede demostrarse un 43.9% del mercado para la marca X a largo plazo

c. Suponga un restaurante de comidas rpidas al cual llegan en promedio

90 clientes por hora, Se tiene capacidad para atender en promedio a 120
clientes por hora, Se sabe que los clientes esperan en promedio 2
minutos en la cola, Calcule las medidas de desempeo del sistema.
Capacidad
Llegan

120 clientes en 1 hora

90 clientes en 1 hora

Taza de llegada

90clientes
1.5
60 min utos

Clientes por minutos

Taza de servicio

120clientes
2
60 min utos

Clientes por minutos

Utilizacin
P

1 .5

0.75 75%

Probabilidad de que no hallan clientes en el sistema.

P0 = 1 P
P0 = 1 0.75 = 0.25 = 25%

Nmero promedio en fila

Lq

1.52
2 2 1.5
Lq 2.25clientes
Lq

Nmero promedio en el sistema

L
L 1.5 2 1.5
L 0.75

Tiempo promedio en la cola

1 .5
Wq
2 2 1 .5
Wq 1.5 min utos
Wq

Tiempo promedio en el sistema

W Wq

1
1
1.5 1.5 0.5 2 min utos

d. Identifique diferencias entre la programacin lineal y la no lineal.

La Programacin no Lineal (PNL) es una parte de la Investigacin Operativa

cuya misin es proporcionar una serie de resultados y tcnicas tendentes a la
determinacin de puntos ptimos para una funcin (funcin objetivo) en un
determinado conjunto (conjunto de oportunidades), donde tanto la funcin
objetivo, como las que intervienen en las restricciones que determinan el
conjunto de oportunidades pueden ser no lineales. Evidentemente, la estructura
del problema puede ser muy variada, segn las funciones que en l
intervengan (a diferencia de la Programacin Lineal (PL) donde la forma
especial del conjunto de oportunidades y de la funcin objetivo permite obtener
resultados generales sobre las posibles soluciones y facilitan los tratamientos
algortmicos de los problemas). Ello ocasiona una mayor dificultad en la
obtencin de resultados, que se refleja tambin en la dificultad de la obtencin
numrica de las soluciones. En este sentido, hay que distinguir entre las
diversas caracterizaciones de ptimo, que slo se emplean como tcnicas de
resolucin en problemas sencillos, y los mtodos numricos iterativos, cuyo
funcionamiento se basa en estas caracterizaciones, para la resolucin de
problemas ms generales.
La diferencia ms destacada desde el punto de vista matemtico es:

En la programacin lineal, las variables de decisin tanto en la funcin

objetivo como en las restricciones tienen exponente uno.

En la programacin no lineal por lo menos una variable de decisin ya

sea en la funcin objetivo o en alguna de las restricciones tiene
exponente diferente a uno

CONCLUSION
Al culminar este trabajo aprendimos que el anlisis de Markov es una forma de
estudiar el movimiento actual de alguna variable, a fin de pronosticar un
movimiento futuro de la misma y que 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.
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.
Adems aprendimos que la 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.

BIBLIOGRAFA.

MTODOS PROBABILSTICOS
WILLIAM GERMN ORTEGN CARROSO