Documente Academic
Documente Profesional
Documente Cultură
METODOS PROBABILISTICOS
GRUPO 104561_62
INGENIERIA INDUSTRIAL
TUTOR
VLADIMIR DE JESUS VANEGAS ANGULO
INTRODUCCION
El presente trabajo tiene como finalidad abordar el contenido de la unidad dos,
como son cadenas de Markov, Teora de Colas y programacin no lineal, para
esta oportunidad se realizar el trabajo utilizando el estudio de casos como
estrategia de aprendizaje.
Las cadenas de Markov se incluyen dentro de los llamados procesos estocsticos.
En ciencias de la computacin, la teora de colas es el estudio matemtico de las
lneas de espera o colas dentro de una red de comunicaciones. Su objetivo
principal es el anlisis de varios procesos, tales como la llegada de los datos al
final de la cola, la espera en la cola, entre otros.
La teora de colas generalmente es considerada una rama de investigacin
operativa porque sus resultados a menudo son aplicables en una amplia variedad
de situaciones como negocios, comercio, industria, ingenieras, transporte y
telecomunicaciones.
En matemticas, Programacin no lineal (PNL) es el proceso de resolucin de un
sistema de igualdades y desigualdades sujetas a un conjunto de restricciones
sobre un conjunto de variables reales desconocidas, con un funcin objetivo a
maximizar, cuando alguna de las restricciones o la funcin objetivo no son lineales.
OBJETIVOS
1. El grupo colaborativo deber realizar un cuadro comparativo entre las cadenas de Markov, la teora de colas, y la
programacin no lineal. En el cuadro se debe desarrollar: Principales conceptos, caractersticas y sus aplicaciones.
CADENAS DE MARKOV
TEORIA DE COLAS
PROGRAMACION NO LINEAL
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.
Puede enunciarse de una forma muy
Es el estudio matemtico de las lneas de espera o colas
dentro de una red de comunicaciones. Su objetivo principal simple:
es el anlisis de varios procesos, tales como la llegada de los
datos al final de la cola, la espera en la cola, entre otros; max ( x )
Identificar el nivel ptimo de capacidad del sistema que
Maximizar una funcin
minimiza el coste global del mismo; evaluar el impacto que
Una cadena de Markov es una serie las posibles alternativas de modificacin de la capacidad del objetivo
de eventos, en la cual la probabilidad sistema tendran en el coste total del mismo; establecer un
de que ocurra un evento depende del balance equilibrado entre las consideraciones cuantitativas
evento inmediato anterior.
min ( x)
de costes y las cualitativas de servicio.
CONCEPTOS
Minimizar una
Las cadenas de este tipo tienen Las colas se presentan con frecuencia cuando se solicita un O
memoria.
funcin
(
de
coste)
servicio por parte de una serie de clientes y tanto el servicio
como los clientes son de tipo probabilsticos.
Esta dependencia del evento anterior
: Rn R
distingue a las cadenas de Markov de
las series de eventos independientes,
X R n.
como tirar una moneda al aire o un
Donde
dado.
Su
inters
es
describir
el
comportamiento de un sistema e
operacin durante algunos periodos.
Los procesos estocsticos se pueden
clasificar atendiendo a dos aspectos:
si el espacio de estados posibles de
la variable aleatoria contiene valores
discretos o continuos y de si los
valores del tiempo son discretos o
continuos.
Para describir completamente una
cadena de Markov es necesario saber
el estado actual y todas las
probabilidades de transicin, es decir
las probabilidades de pasar de un
evento a otro.
Hay dos formas de exponer las
probabilidades de transicin:
1. El diagrama de estados.
2. La matriz de transicin.
APLICACIONES
*Problemas de planeacin
Econmica.
*Programacin matemtica.
*Finanzas.
*Asignacin de tareas.
*Marketing.
*Produccin.
*Logstica.
S1
0.2
S2
0.8
0.25
0.75
= (0.6*0.8+0.4*0.25), (0.6*0.2+0.4*0.75)
( 0.58, 0.42)
0.2X + 0.75Y = Y
X+Y=1
Se coloca utilizando la siguiente expresin:
[ X1 , X 2 ] . P= [ X 1 , X 2 ]
[ X1 , X2] .
0.80 0.20 = X , X
[ 1 2]
0.25 0.75
1.
2.
3.
X0=
0,2
0,45
X 0 =0,4444
En la ecuacin 3:
X A + 0,4444=1
XA = 0,5556
A largo plazo el fabricante de dentfrico Aroma tendr una participacin del mercado de
55,56% y los fabricantes de otra marca el 44,44%
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.
Marca X
0.68
0.25
Marca Y
0.32
0.75
X+Y=1
Entonces a largo plazo:
La solucin del sistema es:
Definicin de estados:
X1 = Marca X
X2 = Otras marcas
Matriz de transicin:
X1 X2
X 2 0.25 0.75
X 1 0.68
Viene dada por:
[ X1 , X2]
0.68 0.32
0.25 0.75
2.
X 1 + X 2 =1
* 0.32
-0.32 X1 + 0.25X2 = 0
0.32 X1 + 0.32X2 = 0.32
____________________
0 + 0.57X2 = 0.32
X2 = 0.32/0.57
X2 = 0.56
Por lo tanto (en la ecuacin 3):
X 2=0.5614
Quiere decir que el porcentaje del mercado pronosticado para la marca X a largo plazo es de
43,86% y para las otras marcas de 56.14%
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.
1. Taza de llegada (): 90 Clientes hora = cada 1.5 minutos llega un cliente.
2. Taza de servicio (U): 120 Clientes hora = 2 clientes por minuto.
Taza de llegada
3. Probabilidad de el sistema ocupado ( P): Taza de servicio
90
120
= 0.75%
5.
taza de llegada
Taza de servicio (Tazade servicioTaza de llegada)
atencin.
Entonces 3 clientes esperando a ser atendidos por minuto.
6. Nmero promedio en el sistema (L ) L = * W= 90 * 0.03333= 3
U (U)
90
120 (12090)
1.5
2(21.5)
PROGRAMACION LINEAL
No permite incertidumbre en los valores
La funcin objetivo es lineal
Las
variables de decisin (tanto en la
funcin objetivo como en las restricciones)
tienen exponente uno.
PROGRAMACION NO LINEAL
Es estructurada
Algunas veces la funcin objetivo es
cuadrtica.
Por lo menos una variable de decisin (ya
sea en la funcin objetivo o en alguna de las
restricciones) tiene exponente diferente a
uno.
no se dispone de un algoritmo que resuelva
todos los problemas especficos que se
ajustan a este formato.
CONCLUSIONES
En la aplicacin de este taller es importante sealar que estos mtodos nos llevan a
analizar que forman parte de una implementacin bsica y de carcter general, lo
importante al tratar de solucionar problemas es la generacin de mtodos adecuados.
Entendimos que lo que nos permite un mtodo probabilstico es conocer con un cierto
nivel de certeza una situacin o comportamiento de un sistema a futuro, empleando
las probabilidades a cada uno de los posibles resultados.
BIBLIOGRAFIA