Está en la página 1de 544

Guía para la solución de problemas de

cadenas de Markov, colas, inventarios


y análisis de decisiones

Luis Fernando Moreno Velásquez


TABLA DE CONTENIDO
Procesos de Markov........................................................................................................... 3

Capítulo 1.
Introducción a los procesos de Markov. Toma de decisiones bajo incertidumbre............... 5
Definición de proceso estocástico........................................................................................ 6
Cadenas de Markov.............................................................................................................. 9

Capítulo 2.
Ecuaciones de Chapman-Kolmogorov.............................................................................. 17
Distribuciones no condicionales........................................................................................ 23

Capítulo 3.
Clasificación de estados de una cadena de Markov........................................................... 25

Capítulo 4.
Tiempos de primera pasada y propiedades a largo plazo de las cadenas de Markov........ 41
Tiempos de primera pasada................................................................................................ 41
Propiedades a largo plazo de las cadenas de Markov........................................................ 46
Conclusiones sobre las probabilidades de estado estable.................................................. 52

Capítulo 5.
Costos esperados y estados absorbentes............................................................................ 63
Costos esperados................................................................................................................ 63
Estados absorbentes........................................................................................................... 66

Capítulo 6.
Cadenas de Markov de tiempo continuo............................................................................ 75
Algunas variables aleatorias importantes en los procesos continuos................................. 76
Ecuaciones de balance....................................................................................................... 79

Problemas de Procesos de Markov................................................................................. 85

Teoría de Colas............................................................................................................... 141


Capítulo 7.
Introducción a la teoría de colas ..................................................................................... 143
Fuente de entrada............................................................................................................. 144
Cola.................................................................................................................................. 144
Mecanismo de servicio.................................................................................................... 144
Terminología.................................................................................................................... 146
Capítulo 8.
El papel de la distribución exponencial y la distribución Poisson................................... 151
Propiedades de la exponencial ........................................................................................ 153
Propiedad 1: función creciente......................................................................................... 153
Propiedad 2: falta de memoria......................................................................................... 154
Propiedad 3: mínimo de varias variables exponenciales independientes........................ 155
Propiedad 4: Relación de la exponencial con Poisson..................................................... 157
Propiedad 5: Probabilidad de un evento en un intervalo pequeño................................... 158
Propiedad 6: No afecta agregar o desagregar.................................................................. 158
La distribución Poisson.................................................................................................... 159

Capítulo 9.
Proceso de nacimiento y muerte...................................................................................... 163
Suposición 1..................................................................................................................... 163
Suposición 2..................................................................................................................... 163
Suposición 3 .................................................................................................................... 163
Ecuaciones de balance..................................................................................................... 165

Capítulo 10.
Modelos de colas basados en el proceso de nacimiento y muerte................................... 173
Modelo M/M/S................................................................................................................ 173
Ejemplo Hospital General................................................................................................ 179

Capítulo 11.
Algunas variaciones al modelo M/M/S............................................................................ 189
Variación de cola finita al modelo M / M / S................................................................... 189
Modelo M/M/S/K............................................................................................................ 189
Variación fuente de entrada (Población) finita al modelo M / M / S............................... 192

Capítulo 12.
Modelos de colas con distribuciones no exponenciales................................................... 203
Comentario sobre la fórmula de Pollaczek-Khintchine................................................... 204
Modelo M / D / S............................................................................................................. 206
Modelo M / Ek / S............................................................................................................ 206
Llamada perdida de Erlang.............................................................................................. 208

Capítulo 13.
Aplicación de la teoría de colas....................................................................................... 213
Forma g(N)....................................................................................................................... 216
Forma h (W)..................................................................................................................... 218
Ejemplo - SIMULATION INC........................................................................................ 220

Problemas de Teoría de Colas....................................................................................... 229


Teoría de Inventarios..................................................................................................... 279

Capítulo 14.
Introducción a la teoría de Inventarios............................................................................. 281
Pasos generales................................................................................................................ 281
Componentes (Terminología) de los modelos de inventarios.......................................... 281

Capítulo 15.
Modelo clásico de la cantidad económica a ordenar....................................................... 291
Análisis de sensibilidad ................................................................................................... 297
Sensibilidad de Q ante variaciones de a, K, h ................................................................. 299
Sensibilidad del costo de administración a cambios en Q............................................... 301

Capítulo 16.
Modelo EOQ con faltantes (agotamientos)...................................................................... 305

Capítulo 17.
Modelo EOQ con descuentos........................................................................................... 315
Observaciones sobre los modelos del lote económico..................................................... 323
Tiempo de adelanto.......................................................................................................... 324

Capítulo 18.
Modelo del lote de producción y el sistema de clasificación ABC.................................. 327
Modelo del lote de producción........................................................................................ 327
El sistema de clasificación ABC...................................................................................... 327

Capítulo 19.
Revisión periódica - Un modelo general para la planeación de la producción................ 335
Revisión periódica........................................................................................................... 335
Planeación de la Producción - Un algoritmo................................................................... 337

Capítulo 20.
Modelo estocástico de inventarios................................................................................... 347

Problemas de Teoría de Inventarios............................................................................. 357

Teoría de Decisiones....................................................................................................... 397

Capítulo 21.
Análisis de decisiones...................................................................................................... 399
Conceptos generales y Teorema de Bayes....................................................................... 399
Definición de partición .................................................................................................... 402
Propiedad (eventos mutuamente excluyentes por parejas).............................................. 403
Terminología de la teoría de decisiones........................................................................... 406
Capítulo 22.
Toma de decisiones sin experimentación......................................................................... 409
Criterio del Pago máximo (pesimista o maximin)........................................................... 410
Criterio del optimista....................................................................................................... 412
Criterio de la máxima posibilidad ................................................................................... 414
Modelo de minimización del arrepentimiento (minimax)............................................... 416
Modelo de maximización del pago promedio (Regla de decisión de Bayes).................. 420

Capítulo 23.
Toma de decisiones con experimentación........................................................................ 423
Teorema de Bayes............................................................................................................ 425
Valor de la experimentación ............................................................................................ 428
Valor esperado de la información perfecta ...................................................................... 429
Valor esperado de la experimentación............................................................................. 430
Algoritmo evaluación de la experimentación.................................................................. 437

Capítulo 24.
Árboles de decisión.......................................................................................................... 445
Terminología de árboles de decisión................................................................................ 445

Capítulo 25.
Teoría de la utilidad......................................................................................................... 455
Propiedad de la función de utilidad................................................................................. 457

Problemas de Teoría de Decisiones............................................................................... 467


Objetivos

El objetivo de este libro es proporcionar herramientas avanzadas en investigación de


operaciones que permitan estudiar y planificar sistemas complejos, en las áreas de procesos
de Markov, teoría de colas, teoría de inventarios y teoría de toma de decisiones, al igual
que servir de guía en la solución de problemas complejos en las cuatro áreas arriba
mencionadas.

En cada uno de los cuatro temas se hace una descripción de la teoría y a continuación se
resuelve una serie de problemas.

La descripción de la teoría es tomada de la experiencia en el curso de Investigación de


Operaciones dictado en la Facultad de Minas de la Universidad Nacional de Colombia sede
Medellín. La teoría se describe de forma tal que es fácil de comprender y no requiere
referencias adicionales.

Para cada uno de los cuatro temas se dispone de 25 problemas, de niveles de dificultad muy
variado, desde unos muy sencillos para una comprensión de los conceptos elementales
hasta problemas de alta complejidad.

El libro está dirigido principalmente a un curso de pregrado, aunque dado su contenido de


problemas de alta complejidad también puede usarse en un curso de posgrado.

Los principales libros usados como referencia son:

Introducción a la investigación de operaciones, de Frederick S. Hillier y Gerald J.


Lieberman, Editorial Mac Graw Hill.

Modelos cuantitativos para la administración, de K. Roscoe Davis y Patrick G. McKeown,


Grupo Editorial Iberoamérica.

Investigación de operaciones, de Hamdy A. Taha, Editorial Alfaomega.

Introduction to Probability Models, de Ross Sheldon.

Introductory Probability and Statiscal Applications, de Meyer.

Para una comprensión de los temas sólo se requiere tener conocimientos elementales de
estadística.

Se debe reconocer que el principal libro que sirve de referencia es el de Hillier y Lieberman,
aunque ampliado con bastantes comentarios personales aclaratorios.

1
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Procesos de Markov
Capítulo 1.
Introducción a los procesos de Markov

Toma de decisiones bajo incertidumbre


Si se presenta cierta regularidad en los fenómenos se puede minimizar la incertidumbre
mediante el desarrollo de modelos probabilísticos.

Definiciones básicas de conceptos estadísticos:

Espacio muestral: el conjunto de resultados de un experimento.

Evento: cualquier subconjunto del espacio muestral.

Variable aleatoria: función que asigna valores reales a los resultados de un experimento.
Por ejemplo:

Sea el experimento tirar un dado de 6 caras con los números de 1 a 6

El espacio muestral es el conjunto de los números (1, 2, 3, 4, 5, 6)

Eventos de este experimento:

(1): caer 1 en la tirada del dado

(2): caer 2 en la tirada del dado

(3): caer 3 en la tirada del dado

(4): caer 4 en la tirada del dado

(5): caer 5 en la tirada del dado

(6): caer 6 en la tirada del dado

(2, 4, 6): caer un número par en la tirada del dado

(1, 3, 5): caer un número impar en la tirada del dado

(4, 5, 6): caer un número >= 4 en la tirada del dado

(1, 2, 3, 4, 6): caer un número diferente de 5 en la tirada del dado

Para explicar el concepto de variable aleatoria tomemos el experimento: tirar una moneda
cuyo espacio muestral es el conjunto (cara, sello).

5
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Los eventos (cara, sello) no constituyen una variable aleatoria porque no son números
reales.

Ahora tomemos la función matemática f(x) del dominio (cara, sello) sobre el rango de los
números reales:

f(sello) = 1

f(cara) = 0

El conjunto (1, 0) si constituyen una variable aleatoria, porque son números reales.

Otras variables aleatorias serían por ejemplo:

f(sello) = 0

f(cara) = 1

o también:

f(sello) = 1.53

f(cara) = 0.84

o también:

f(sello)= π (pi = 3.1415926)

f(cara)= 0.34

Existen infinitas variables aleatorias

Definición de proceso estocástico


Proceso que evolucionan en el tiempo de una manera probabilística (aunque los procesos
estocásticos se pueden definir en dominios diferentes al tiempo, lo que veremos en este
texto serán en el tiempo).

Definición matemática: Es una colección indexada de variables aleatorias Xt en donde el


índice t, toma valores de un conjunto T dado (que como se dijo normalmente es el tiempo,
aunque veremos algunos ejemplos donde no es el tiempo).

En puntos específicos del tiempo t el proceso se encuentra en una de un número finito o


infinito de categorías o estados mutuamente excluyentes y exhaustivos, etiquetados 0,1,...,
M.

Si T es contable o finito, el proceso se denomina discreto.

6
Luis Fernando Moreno Velásquez
Si T es un subconjunto de los reales, el proceso se denomina continuo.

No confundir los elementos del conjunto T (los puntos del tiempo) con las categorías o
estados.

Las categorías o estados son los que se definieron como eventos. Así en procesos de
Markov, en lugar de decir que al tirar el dado salió 5, se dice que el proceso entró en el
estado 5 (estado = evento).

Ejemplo:

Una tienda de cámaras tiene en almacén un modelo especial de cámara que puede ordenar
cada semana. Sean D1, D2,..., Dn, las demandas durante la primera, segunda y n-ésima
semana respectivamente.

Se supone que las Di (demandas) son variables aleatorias que tienen una distribución de
probabilidad conocida.

Note que el conjunto de demandas Di cumple con la definición de variable aleatoria.

Pero identifiquemos un segundo conjunto de variables aleatorias Xi: el número de cámaras


que quedan en inventario en la tienda al final de la semana i

X0: Número de cámaras que se tiene al iniciar el proceso.

X1: Número de cámaras que se tiene al final de la semana 1.

X2: Número de cámaras que se tiene al final de la semana 2

Xn: Número de cámaras que se tiene al final de la semana n.

Suponga que el almacén utiliza una política de pedidos (s, S), es decir siempre que el nivel
de inventario sea menor que s al final de una semana, se ordenan hasta S unidades (S>s), o
sea se ordenan S − s. Si el nivel de inventario es mayor o igual a s, no se ordenan cámaras.
Las cámaras que se ordenan al final de la semana están disponibles para satisfacer la
demanda de la semana siguiente. La tienda utiliza una política (s, S) = (1, 3)

La política dice que si el número de cámaras en inventario al final de la semana es menor


que s=1 ordena hasta S=3. De otra manera se no coloca la orden.

Se supone que las ventas se pierden cuando la demanda excede el inventario. Entonces
{Xt} para t=1,2,..., n es un proceso estocástico (Es una colección indexada de variables
aleatorias).

El número posible de cámaras en inventario al final de la semana t es

0,1, 2, 3 (Estados posibles del sistema, bajo el supuesto de que no se aceptan devoluciones)

7
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Las variables aleatorias Xt son dependientes y se pueden evaluar en forma iterativa por
medio de la expresión.

Xt+1 = Max {(3 − Dt+1), 0} si Xt < 1 (el 0 en esta expresión hace que no haya inventario
negativo)

Xt+1 = Max {(Xt − Dt+1), 0 } si Xt ≥ 1

Veamos otros ejemplos:

Ejemplo 1

Existe una región donde se da lo siguiente:

P(llueva mañana |llovió hoy) = α (El símbolo | significa dado que: probabilidad
condicional)

P(llueva mañana |no llovió hoy) = β

Estado 0 llover, estado 1 no llover

Estas probabilidades pueden representarse por medio de un matriz denominada matriz de


Markov, que se formalizará más adelante.

Los estados mañana se representan como columnas y los estados hoy se representan como
filas

0 1

0 α 1- α

P = 1 β 1-β

Ejemplo 2

Tomemos un computador (origen) que transmite bits a otro computador (destino), pero que
existe una probabilidad de que un bit llegue al computador destino en forma errónea:

Prob(error) = p

Estado cero: El bit es 0 Estado uno: El bit es 1

Los estados del computador destino se representan como columnas y los estados del
computador origen se representan como filas.

8
Luis Fernando Moreno Velásquez
0 1

0 1−p p

P = 1 p 1−p

Cadenas de Markov
Los procesos (cadenas) de Markov tienen la propiedad particular de que las probabilidades
que describen la forma en que el proceso evolucionará en el futuro, son independientes de
los eventos ocurridos en el pasado y dependen sólo del estado actual (presente) en que se
encuentra el proceso, aunque en casos particulares pueden ser independientes también del
presente. En resumen lo que hace que un proceso estocástico sea markoviano es la
independencia del pasado.

Pasado (no influye)

Futuro

Presente (puede influir o no influir)

Figura 1.1

Notación

Si Xt = i, se dice que el proceso estocástico está en el estado i en el tiempo (periodo) t.

Llamemos Pij la probabilidad de estar en el estado j en el momento t+1, conocidos los


estados anteriores (desde el 0 hasta el t)

Pij = P {Xt+1 = j | X0 = k0, X1 = k1,..., Xt-1 = kt-1, Xt = i} = P {Xt+1 = j | Xt = i} Probabilidades


condicionales para cada i y j

La igualdad anterior define un proceso markoviano: note que se suprimió en la parte del
dado que (|) el pasado: X0 = k0, X1 = k1,..., Xt-1 = kt-1 y se dejó sólo el presente: Xt = i

Las probabilidades Pij se llaman probabilidades de transición ya que representan las


probabilidades de pasar del estado i al estado j en un periodo (del t al t+1) y son válidas
para cualquier i y cualquier j, por lo que las probabilidades de transición se pueden
representar como una matriz, que se denomina matriz de Markov y representan las
probabilidades de pasar del estado i en el periodo t al estado j en el periodo t+1, o sea hacer
una transición del i al j.

9
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Si para cada i, j se cumple que:

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

Se dice que las probabilidades de transición (de un paso o periodo) son estacionarias, es
decir no cambian con el tiempo. Esto también implica que P {Xt+n = j | Xt = i}= P {Xn = j |
X0 = i} para toda t=0,1…

Estas probabilidades se denotan Pij(n) y se llaman probabilidades de transición de n pasos

Pij(n) es simplemente la probabilidad condicional de que el proceso estocástico definido por


la colección de variables aleatorias X, comenzando en el estado i se encuentre en el estado
j después de n pasos (Cómo se calcula? ). Se verá más adelante.

Propiedades:

Pij(n) ≥ 0 para toda i y j; n=0,1,... (porque son probabilidades)


(𝑛𝑛)
∑𝑀𝑀
𝑗𝑗=1 𝑃𝑃𝑖𝑖𝑖𝑖 = 1 para toda i ; n=0,1,... (porque los estados son mutuamente excluyentes
y exhaustivos), es decir: La suma de las filas de cualquier matriz de Markov P siempre es
1

Si las pij(n) las ponemos en una matriz, esta matriz la denominaremos P(n) y es una matriz
que contiene las probabilidades de pasar de cualquier estado (fila) a cualquier otro estado
(columna) en n pasos. Note que esta matriz es una generalización de la matriz de Markov
(de un paso) a n pasos y siempre contiene probabilidades condicionales.

Forma matricial

0 1 ... M

0 p00(n) p01(n) ... p0M(n)

P(n) = 1 p10(n) p11(n) ... p1M(n)

. .…………………………..

M pM0(n) pM1(n) ... pMM(n)

para n=0, 1,...

Note que los estados se han numerado del 0 al M, pero es bastante frecuente empezar desde
el 1, o denominar los estados arbitrariamente de cualquier forma.

10
Luis Fernando Moreno Velásquez
Ejemplo:

Retomemos el caso de las cámaras que se venía desarrollando. Observe que {Xt} es una
cadena de Markov.

Recuerde que Xt es el número de cámaras en el almacén al final de la semana t (antes de


recibir el pedido).

Veamos cómo obtener las probabilidades de transición de un paso, es decir los elementos
de la matriz de transición de un paso (n=1).

0 1 2 3

0 p00 p01 p02 p03

P = 1 p10 p11 p12 p13

2 p20 p21 p22 p23

3 p30 p31 p32 p33

donde la fila representa el inventario al final de la semana t y la columna el inventario al


final de la semana t+1

Estados posibles del sistema: 0, 1, 2, 3 (Recuerde que como no se aceptan devoluciones y


se pide lo que falta para llegar a 3, entonces el inventario máximo es 3.

Supongamos que cada Dt tiene una distribución Poisson con λ = 1

Recuerde que Dt son las demandas de cámaras en la semana t

Para obtener p00 es necesario evaluar

p {Xt+1 = 0 | Xt = 0} o sea la probabilidad de que si al final de una semana se termina con


un inventario de 0 al final de la siguiente semana se termine nuevamente con un inventario
de 0.

Recuerde que:

Max {(3 − Dt+1), 0} si Xt < 1 (se piden 3 cámaras)

Xt+1=

Max {(Xt − Dt+1), 0} si Xt ≥ 1 (no se piden cámaras)

11
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Si Xt = 0 Xt+1 = Max { ( 3 - Dt+1) , 0 } (Se piden 3 que quedan inmediatamente disponibles
para satisfacer la demanda de la semana t+1, o sea que se inicia la semana t+1 con 3
cámaras.

Xt+1 = 0 indica que la demanda durante la semana t + 1 fue de tres o más cámaras, es decir:

P00 = Prob{Dt+1 ≥ 3 } = 1 - P { Dt+1 ≤ 2 }.

Recuerde que Dt tiene una distribución Poisson.

Para Poisson se tiene: Prob(demanda = n en una semana) = e-λt(λt)n/n! (donde λ es la


demanda promedio de cámaras por semana; la distribución Poisson se verá en detalle más
adelante en el módulo de teoría de colas. Para este ejemplo se asume una demanda
promedio λ = 1 (cámara/semana) y t = 1 semana porque los inventarios se miden al final
de cada semana.

P00 = P {Dt+1 ≥ 3} = 1 - P {Dt+1 ≤ 2} = 1 – P(D=0) – P(D=1) – P(D=2)

= 1 − e-110/0! - e-1(1)1/1! − e-1(1)2/2! = 1 – 0.368 – 0.368 – 0.194 = 0.92

P10 nos indica la probabilidad de tener en inventario 0 cámaras la próxima semana dado que
ésta (la semana actual) se terminó con 1 cámara

P10 = P {Xt+1 = 0 | Xt = 1}

Si Xt = 1 Xt+1 = Max {(1 - Dt), 0} (no se pide)

Xt+1 = 0 indica que la demanda durante la semana fue de 1 o más cámaras

P10 = Prob{Dt+1 ≥ 1} = 1 − P {Dt+1 = 0} = 0.632

P21 nos indica la probabilidad de tener en inventario 1 cámara la próxima semana dado que
ésta (la semana actual) se terminó con 2 cámaras

P21 = P {Xt+1 = 1 | Xt = 2}

Si Xt = 2, Xt+1 = Max {(2 – Dt+1) (no se pide)

P21 = Prob{Dt+1 = 1} = 0.368

Similarmente obtenemos las otras probabilidades, con lo que completamos la matriz de


transición de un paso (Matriz de Markov):

12
Luis Fernando Moreno Velásquez
0 1 2 3

0 0.080 0.184 0.368 0.368

P = 1 0.632 0.368 0 0

2 0.264 0.368 0.368 0

3 0.080 0.184 0.368 0.368

Note que hay tres probabilidades = cero, ya que es imposible pasar de tener 1 cámara al
final de una semana a tener 2 o 3 al final de la siguiente, o de tener 2 al final de una semana
a tener 3 al final de la siguiente, ya que en esos casos no se pide y recuerde que no hay
devoluciones.

Otros ejemplos:

Consideremos el mercado de acciones.

Si la acción subió hoy, la probabilidad de que suba mañana es 0.7.

Si la acción no subió hoy (bajó o permaneció igual), la probabilidad de que suba mañana
es 0.5.

Cadena de Markov donde los estados son:

Estado 0 La acción sube

Estado 1 La acción baja o permanece igual

Matriz de transición de un paso:

S B

S 0.7 0.3 Los valores de la columna B se obtienen por

P = B 0.5 0.5 complementariedad (suma de filas =1)

Note que en lugar de denominar los estados 0 (subir) y 1 (no subir) los denominaos S (subir)
y B (bajar o permanecer igual), ya que es más nemotécnico y más práctico, aunque los
valores B, S no son válidos para una variable aleatoria ya que no son números reales. Esta
estrategia la seguiremos utilizando, teniendo en cuenta que se hace para hacer más
comprensible la descripción de los estados.

P (acción suba mañana | subió hoy) = 0.7

P (acción baje mañana | subió hoy) = 0.3

13
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
P (acción suba mañana | bajó hoy) = 0.5

P (acción baje mañana | bajó hoy) = 0.5

Consideremos ahora el mismo mercado de acciones, sólo que el hecho de que una acción
suba o no mañana, depende de si subió o no los dos días anteriores (hoy y ayer).

Aunque aparentemente este hecho atenta contra la definición de un proceso markoviano,


porque el pasado (ayer) tiene influencia en el futuro (mañana), esto sería cierto si los
estados describieran lo que le sucede a la acción en un día, pero vamos a definir los estados
como lo que le sucede a la acción en dos días consecutivos. O sea a cada día le agregamos
lo que pasó el día inmediatamente anterior. Entre otras cosas note que los periodos en este
caso son días.

En dos días consecutivos (ayer y hoy) a la acción le puede pasar cualquiera de estas cuatro
cosas:

Estado 0 La acción subió ayer y hoy

Estado 1 La acción no subió ayer y subió hoy

Estado 2 La acción subió ayer y no subió hoy

Estado 3 La acción no subió ayer y no subió hoy

y se cuenta con las siguientes probabilidades: (para obtener estas probabilidades se debe
realizar un estudio muestral)

P (acción suba mañana | subió ayer y hoy) = 0.9

P (acción suba mañana | no subió ayer y subió hoy) = 0.6

P (acción suba mañana | subió ayer y no subió hoy) = 0.5

P (acción suba mañana | no subió ayer y no subió hoy) = 0.3

La matriz de Markov es la siguiente:

SS BS SB BB

SS 0.9 0 0.1 0

P = BS 0.6 0 0.4 0

SB 0 0.5 0 0.5

BB 0 0.3 0 0.7

donde las filas representan lo que le sucedió a la acción ayer y hoy y las columnas hoy y
mañana (note que hay un desplazamiento de un día porque se pasa de hoy a mañana y

14
Luis Fernando Moreno Velásquez
simplemente al hoy se la antecede del día anterior que es el ayer y al mañana se le antecede
el día anterior que es el hoy.

Note que aparecen 8 ceros en la matriz, que se explican porque esos eventos son
contradictorios (imposibles) y por tanto su probabilidad es cero.

Así a manera de ejemplo el primer cero es:

Probabilidad (no suba hoy y suba mañana |subió ayer y subió hoy) lo cual es imposible
porque se están dando los eventos no subir hoy y subir hoy simultáneamente). De igual
manera se explican los demás ceros.

Por último consideremos el ejemplo del jugador.

Suponga que un jugador tiene $1

Su probabilidad de ganar es p, y allí gana $1

Su probabilidad de perder es 1- p, y allí pierde $1

El juego termina cuando el jugador acumula $3 o bien cuando quiebra (llega a cero).

Este modelo es una cadena de Markov y sus estados son:

Estado 0 El jugador está quebrado (tiene 0$)

Estado 1 El jugador tiene $1

Estado 2 El jugador tiene $ 2

Estado 3 El jugador tiene $ 3

No puede haber estados distinto porque cuando llega a cero o a tres se retira del juego.

Matriz de transición de un paso (Matriz de Markov):

0 1 2 3

0 1 0 0 0

P = 1 1−p 0 p 0

2 0 1−p 0 p

3 0 0 0 1

15
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Note que los periodos en este caso no son tiempo sino vez que se tira la moneda, así que
las probabilidades de la matriz son las probabilidades de tener en la tirada n+1 de la moneda
el número de pesos que está en la columna dado que en la tirada n se tenía el número de
pesos que está en la fila.

Teóricamente los procesos de Markov se van hasta el infinito. Para entender este ejemplo
se puede suponer que un tercero está tirando la moneda y la continúa lanzando hasta el
infinito (infinitas veces), a pesar de que el jugador se retire porque llegó a cero o a tres
pesos.

Note además que en la fila del cero y del tres aparece un uno (un evento con probabilidad
1 es un evento cierto), ya que si llega a uno o a tres, a pesar de que el tercero continúe
tirando la moneda, el jugador continúa con cero o tres pesos porque ya no juega.

Estos estados que tienen un 1 en la diagonal se denominan estados absorbentes y se volverá


sobre ellos más adelante (en este ejemplo los estados 0 y 3 son absorbentes).

16
Luis Fernando Moreno Velásquez
Capítulo 2.
Ecuaciones de Chapman-Kolmogorov

Habíamos dicho que Pij(n) es la probabilidad condicional de que la variable aleatoria X,


empezando en el estado i se encuentre en el estado j después de n pasos:
(𝑚𝑚) (𝑛𝑛−𝑚𝑚)
Pij(n) = ∑(𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒) 𝑃𝑃𝑖𝑖𝑖𝑖 𝑃𝑃𝑘𝑘𝑘𝑘 para toda i, j, n y 0 ≤ m ≤ n

Al ir del estado i al estado j en n pasos el proceso estará en algún estado k después de


exactamente m pasos.

Es sólo la probabilidad condicional de que, si se comienza en el estado i el proceso vaya al


estado k después de m pasos y posteriormente del estado k al estado j en (n-m) pasos.
𝑛𝑛
Esto es aplicar el teorema de la probabilidad total: P(A) = �𝑘𝑘=0 P(A ∩ 𝐵𝐵𝑘𝑘 ) donde los
𝐵𝐵𝑘𝑘 son una partición es decir un conjunto de n eventos mutuamente excluyentes y
exhaustivos.

Sabemos que Pij(n) = P {Xn = j | X0 = i}

entonces: Pij(n+m) = P {Xn+m = j | X0 = i}

Pij(n+m) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛+𝑚𝑚 = 𝑗𝑗 ∩ 𝑋𝑋𝑛𝑛 = 𝑘𝑘 | 𝑋𝑋0 = i ) (teorema de la probabilidad total)

Llamando A el evento X n+m = j, B el evento Xn = k, C el evento X0 = i

y sabiendo que P(A∩B) = P(A|B) * P(B)

P(A∩B |C) = P(A|B |C) * P(B |C)

P((A∩B) |C) = P(A|(B ∩C)) * P(B|C) (Teorema de la probabilidad condicional)

tenemos: Pij(n+m) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛+𝑚𝑚 = 𝑗𝑗|𝑋𝑋𝑛𝑛 = 𝑘𝑘 ∩ 𝑋𝑋0 = i ) ∗ 𝑃𝑃(𝑋𝑋𝑛𝑛 = 𝑘𝑘|𝑋𝑋0 = i )

Pero ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛+𝑚𝑚 = 𝑗𝑗|𝑋𝑋𝑛𝑛 = 𝑘𝑘 ∩ 𝑋𝑋0 = i ) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛+𝑚𝑚 = 𝑗𝑗| 𝑋𝑋𝑛𝑛 =
k ) ya que como 𝑋𝑋0 = 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 no influye por ser markoviano el proceso, entonces:
(𝑚𝑚)
Pij(n+m) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛+𝑚𝑚 = 𝑗𝑗|𝑋𝑋𝑛𝑛 = k ) ∗ 𝑃𝑃(𝑋𝑋𝑛𝑛 = 𝑘𝑘|𝑋𝑋0 = i ) ) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑘𝑘𝑘𝑘 ∗
(𝑛𝑛)
𝑃𝑃𝑖𝑖𝑖𝑖

17
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(𝑛𝑛) (𝑚𝑚)
= ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑖𝑖𝑖𝑖 ∗ 𝑃𝑃𝑘𝑘𝑘𝑘 (ley conmutativa)

Si hacemos

0 1 … M

0 p00(n) p01(n) … p0M(n)

P(n) = 1 p10(n) p11(n) … p1M(n)

. .…………………………..

M pM0(n) pM1(n) … pMM(n)

para n=0, 1, ...M (donde los estados van del 0 al M), es decir armamos una matriz con las
(𝑛𝑛)
probabilidades 𝑝𝑝00 y la denominamos P(n), entonces tenemos:

(𝑛𝑛) (𝑚𝑚)
Pij(n+m) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑖𝑖𝑖𝑖 ∗ 𝑃𝑃𝑘𝑘𝑘𝑘 que en forma matricial es equivalente a:

P(n+m) = P(n) P(m), que en palabras es equivalente a decir que si se multiplica la matriz que
tiene las probabilidades de pasar de cualquier estado (fila) a cualquier estado (columna) en
n pasos por la matriz que tiene las probabilidades de pasar de cualquier estado (fila) a
cualquier estado (columna) en m pasos obtenemos la matriz que tiene las probabilidades
de pasar de cualquier estado (fila) a cualquier estado (columna) en (n + m) pasos.

Apliquemos ahora el teorema de la inducción matemática:

Para m=n=1: P (2) = P (1)* P (1) = P2 (caso particular), es decir: para obtener la matriz que
tiene las probabilidades de pasar de cualquier estado (fila) a cualquier estado (columna) en
dos pasos, es suficiente elevar la matriz de Markov P al cuadrado.

Si asumimos por inducción que P (n-1) = P n-1 (sin demostrarlo)

Y hacemos m = 1 y n = r-1

P(r-1+1) = P( r ) = P(r-1) P(1) = Pr-1 P = Pr, es decir la matriz que tiene las probabilidades de pasar
de cualquier estado (fila) a cualquier estado (columna) en n pasos se obtiene elevando la
matriz de Markov a la potencia n.

Esta ecuación se denomina la ecuación o el teorema de Chapman-Kolmogorov.

Nota. El producto de dos matrices de Markov siempre es una matriz de Markov: o sea que
si se multiplican dos matrices cuyos elementos son probabilidades (0 ≤ Pij ≤ 1) y tales que

18
Luis Fernando Moreno Velásquez
la suma de todas las filas de 1, entonces el producto también cumple esas dos propiedades
(es una Matriz de Markov)

Teorema de Chapman-Kolmogorov: 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.

Ejemplo:

Para el problema de inventarios de las cámaras donde la matriz de transición de un paso


estaba dada por:

0 1 2 3

0 0.080 0.184 0.368 0.368

P = 1 0.632 0.368 0 0

2 0.264 0.368 0.368 0

3 0.080 0.184 0.368 0.368

se tiene que: la matriz de transición de dos pasos es:

0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368

P2 = 0.632 0.368 0 0 0.632 0.368 0 0 =

0.264 0.368 0.368 0 * 0.264 0.368 0.368 0

0.080 0.184 0.368 0.368 0.080 0.184 0.368 0.368

0 1 2 3

0 0.249 0.286 0.300 0.165

P2 = 1 0.283 0.252 0.233 0.233

2 0.351 0.319 0.233 0.097

3 0.249 0.286 0.300 0.165

Note que las filas de la matriz todas suman 1 (es una matriz de Markov) y su significado, a
manera de ejemplo, es el siguiente de acuerdo con el teorema de Chapman-Kolmogorov.

19
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
El elemento (2,3) que es 0.097 quiere decir que la probabilidad de que si se termina una
semana con 2 unidades en inventario (fila), entonces existe una probabilidad de 0.097 de
que dentro de dos semanas se termine con un inventario de 3 cámaras (columna)
independientemente del comportamiento en las semanas intermedias. Una interpretación
similar es válida para cualquiera de los 16 elementos de esta matriz.

La matriz de transición de cuatro pasos se obtiene:

0.249 0.286 0.300 0.165 0.249 0.286 0.300 0.165

P4 = P2* P2 = 0.283 0.252 0.233 0.233 * 0.283 0.252 0.233 0.233

0.351 0.319 0.233 0.097 0.351 0.319 0.233 0.097

0.249 0.286 0.300 0.165 0.249 0.286 0.300 0.165

0 1 2 3

0 0.289 0.286 0.261 0.164

P4 = 1 0.282 0.285 0.268 0.166

2 0.284 0.283 0.263 0.171

3 0.289 0.286 0.261 0.164

Note nuevamente que las filas de la matriz todas suman 1 (es una matriz de Markov) y su
significado, a manera de ejemplo, es el siguiente de acuerdo con el teorema de Chapman-
Kolmogorov.

El elemento (3,2) que es 0.261 quiere decir que la probabilidad de que si se termina una
semana con 3 unidades en inventario (fila), entonces existe una probabilidad de 0.261 de
que dentro de dos semanas se termine con un inventario de 2 cámaras (columna)
independientemente del comportamiento en las semanas intermedias. Una interpretación
similar es válida para cualquiera de los 16 elementos de esta matriz y para cualquier
potencia de la Matriz de Markov.

Ejemplo

Consideremos el estado del tiempo, donde la probabilidad de que llueva mañana, depende
de si llovió o no los dos días anteriores, ayer y hoy.

Aunque aparentemente este hecho parece ir en contra de la definición de un proceso de


Markov, porque las probabilidades del futuro son dependientes del pasado (ayer). Esto sería
contradictorio si los estados se definieran como llover o no llover durante un día, pero

20
Luis Fernando Moreno Velásquez
definamos los estados como lo que pasa en dos días consecutivos (o sea a lo que pasa en
un día le anteponemos lo que pasa en el día inmediatamente anterior) respecto a la lluvia.
De acuerdo con esta definición de los estados habría cuatro estados:

Estado 0 Llovió ayer y llovió hoy

Estado 1 No llovió ayer y llovió hoy

Estado 2 Llovió ayer y no llovió hoy

Estado 3 No llovió ayer y no llovió hoy

Las probabilidades son las siguientes (se obtuvieron de un estudio de campo):

P (llueva mañana dado que llovió ayer y llovió hoy) = 0.7

P (llueva mañana dado que no llovió ayer y llovió hoy) = 0.5

P (llueva mañana dado que llovió ayer y no llovió hoy) = 0.4

P (llueva mañana dado que no llovió ayer y no llovió hoy) = 0.2

La matriz de transición de un paso es la siguiente:

LL NL LN NN

LL 0.7 0.0 0.3 0.0

P= NL 0.5 0.0 0.5 0.0

LN 0.0 0.4 0.0 0.6

NN 0.0 0.2 0.0 0.8

donde los estados de las filas denotan lo que pasa ayer y hoy y los de la columna lo que
pasa hoy y mañana (desplazamiento de un día (de hoy a mañana), pero al hoy le
anteponemos el día anterior (ayer) y al mañana igualmente le ponemos el día anerior (hoy).

Note que aunque los estados deben ser números reales, por simplicidad y por nemotecnia
los denominamos como dos letras conscutivas, pues es mas fácil recordar que no llover
ayer y no llover hoy es NN, que decir que este es el estado 1, 2, 3 o 4.

Note que en la matriz aparecen ocho ceros ya que esas probabilidades denotan eventos
contradictorios. Así por ejmplo el primer cero que está en la fila LL y en la columna NL
quiere decir pasar del estado LL (llover ayer y llover hoy) al estado NL (no llover hoy y
llover mañana), lo cual ppor supuesto es imposible porque hoy llueve (según la fila) y no

21
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
llueve (según la columna). Una contradicción similar se puede notar en los otros ceros de
la matriz. Recuerde que la probabilidad de un evento imposible o contradictorio es cero.

0.7 0.0 0.3 0.0 0.7 0.0 0.3 0.0

P2 = 0.5 0.0 0.5 0.0 * 0.5 0.0 0.5 0.0 =

0.0 0.4 0.0 0.6 0.0 0.4 0.0 0.6

0.0 0.2 0.0 0.8 0.0 0.2 0.0 0.8

LL NL LN NN

LL 0.49 0.12 0.21 0.18

P2 = NL 0.35 0.20 0.15 0.30

LN 02.0 0.12 0.20 0.48

NN 0.10 0.16 0.10 0.44

Esta matriz tiene las probabilidades de lo que pase mañana y pasado mañana (columna)
dado lo que pasó ayer y hoy (fila), porque estamos en la potencia dos, o sea nos movemos
dos días: de hoy a pasado mañana, pero al hoy le anteponemos el día anterior (ayer) y al
pasado mañana también le anteponemos el día anterior (mañana).

Así por ejemplo ¿cuál es la probabilidad de que llueva mañana y pasado mañana dado que
no llovió ayer ni hoy? (esa probabilidad es 0.10. Mirar la matriz).

Pero suponga que se quiere responder la pregunta ¿cuál es la probabilidad de que llueva
pasado mañana, dado que llovió ayer y hoy?

Si los estados representan lo que pasa en dos días consecutivos, como saber la probabilidad
es de un solo día: pasado mañana. La solución nos la da el teorema de la probabilidad total,
que también es válido con probabilidades condicionales.

P (llueva pasado mañana|llovió ayer y hoy) = P (llueva mañana y pasado mañana|llovió


ayer y hoy) + P (no llueva mañana y llueva pasado mañana|llovió ayer y hoy) = 0.49 +
0.12 = 0.61

Note que los eventos Bi son: B1 llover mañana y B2 no llover mañana, que son una partición
(mutuamente excluyentes y exhaustivos).

22
Luis Fernando Moreno Velásquez
Distribuciones no condicionales
Las probabilidades de transición de 1 o n pasos que hemos visto en la matriz de Markov,
o en cualquiera de sus potencias según Chapman Kolmogorov, son probabilidades
condicionales; por ejemplo:

Pij(n) = P {Xn = j | X0 = i}

Si se desea la probabilidad incondicional P {Xn = j} (Note que no es una probabilidad


condicional)

es necesario que se especifique la distribución de probabilidad del estado inicial.

Denotemos esta distribución por QX0(i) donde:

������⃗
QX0(i) = P{X0 = i} para i = 1,....M y definamos el vector 𝑄𝑄 𝑥𝑥0

������⃗
𝑄𝑄𝑥𝑥0 = { QX0(1) QX0(2) …QX0(M)} (note que asumimos que los estados van de 1 a M y no
de 0 a M)

que contiene las probabilidades iniciales no condicionales de todos los estados en el


momento inicial

Queremos averiguar el vector

�������⃗
𝑄𝑄𝑥𝑥𝑛𝑛 = { QXn(1) QXn(2) …QXn(M)}

que contiene las probabilidades no condicionales de todos los estados dentro de n periodos

Cada una de las componentes del vector �������⃗


𝑄𝑄𝑥𝑥𝑛𝑛 es:

QXn(j) = P{Xn = j} = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛 = 𝑗𝑗 ∩ 𝑋𝑋0 = 𝑖𝑖) (Teorema de la probabilidad total)
= ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑋𝑋𝑛𝑛 = 𝑗𝑗|𝑋𝑋0 = 𝑖𝑖) ∗ P{X0 = i} (Probabilidad condcional a los términos de la
(𝑛𝑛) (𝑛𝑛)
sumatoria) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑖𝑖𝑖𝑖 ∗ QX0(i) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒∗ 𝑄𝑄𝑥𝑥0 (𝑖𝑖 ) ∗ 𝑃𝑃𝑖𝑖𝑖𝑖 (ley conmutativa)

Que esto espresado en forma matricial no es más que:

�������⃗ ������⃗
𝑄𝑄𝑥𝑥𝑛𝑛 = 𝑄𝑄 𝑥𝑥0 * P
n

En palabras este teorema nos dice que el vector que tiene las probabilidades no
condicionales de todos los estados dentro de n periodos se obtiene multiplicando el vector
que tiene las probabilidades no condicionales de todos los estados en el periodo inicial por
la matrizde Markov elevada a la potencia n.

23
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ejemplo: retomemos el caso de la lluvia

Probabilidad (llueva mañana | llovió hoy) = 0.7

Probabilidad (llueva mañana |no llovió hoy) = 0.5 cuya matriz de Markov es.

L N

L 0.7 0.3
P =
N 0.5 0.5

Como las predicciones del tiempo son más ciertas si se hacen para periodos cortos,
������⃗
supongamos que se conocen las probabilidades de lluvia y no lluvia hoy 𝑄𝑄 𝑥𝑥0 = {0.9, 0.1}.

Si la probabilidad no condicional de que llueva hoy es 0.9 ¿cuál es la probabilidad no


condicional de que lluevapasado mañana?

De acuerdo con la fórmula de probabilidades no condicionales tenemos que:

������⃗ ������⃗
𝑄𝑄𝑥𝑥2 = 𝑄𝑄 2
𝑥𝑥0 * P (De hoy a pasado mañana nos movemos dos días)

0.7 0.3 * 0.7 0.3 = 0.64 0.36


P2 = P*P =
0.5 0.5 0.5 0.5 0.60 0.40

������⃗
𝑄𝑄𝑥𝑥2 = = {0.9, 0.1} * 0.64 0.36 = {0.636, 0.364}

0.60 0.40

Es decir: si la probabilidad no condicional de que llueva hoy es 0.9, la probabilidad no


condicional de que llueva mañana es 0.636

24
Luis Fernando Moreno Velásquez
Capítulo 3.
Clasificación de estados de una cadena de
Markov

Se dice que el estado j es accesible desde el estado i, si Pij(n) > 0 para algún n ≥ 0.

Que el estado j sea accesible desde el estado i significa que es posible que el sistema llegue
eventualmente al estado j si comienza en el estado i.

En general, una condición suficiente para que todos los estados sean accesibles entre sí es
que exista un valor de n para el que Pij(n) > 0 para todo i y j

Recordando el ejemplo del juego se puede decir que el estado 2 no es accesible desde el
estado 3, ya que cuando el jugador se encuentra en el estado 3 (tiene $3) el juego termina.

0 1 2 3

0 1 0 0 0

P = 1 1₋p 0 p 0

2 0 1₋p 0 p

3 0 0 0 1

Observe que la matriz de transición de n pasos para este ejemplo es de la siguiente forma
donde los asteriscos representan números no negativos.

0 1 2 3

0 1 0 0 0

P = 1 * * * *

2 * * * *

3 0 0 0 1

Nota. Observe que el estado 3 sí es accesible desde el estado 2.

25
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Definición
Si el estado j es accesible desde el estado i, y el estado i es accesible desde el estado j,
entonces se dice que los estados i y j se comunican.

Propiedades de la comunicación.

1. Cualquier estado se comunica consigo mismo (propiedad reflexiva).

Pii(0) = P {X0 = i | X0 = i} = 1 (es decir n=0)

2. Si el estado i se comunica con el estado j, entonces el estado j se comunica con el estado


i (propiedad recíproca).

i j j i

3. Si el estado i se comunica con el estado j y el estado j se comunica con el estado k,


entonces el estado i se comunica con el estado k (propiedad transitiva).

i j j k

i k

Demostremos la propiedad 3 para el caso de la transitividad de la comunicación:

⇒ j es accesible desde i: ∃n tal que Pij(n) > 0

k es accesible desde j: ∃m tal que Pjk(m) > 0 ∃m tal que Pjk(m) > 0
(𝑛𝑛) (𝑚𝑚) (𝑛𝑛) (𝑚𝑚)
Pik(n+m) = ∑𝑘𝑘 ∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑖𝑖𝑖𝑖 ∗ 𝑃𝑃𝑘𝑘𝑘𝑘 ≥ 𝑃𝑃𝑖𝑖𝑖𝑖 ∗ 𝑃𝑃𝑗𝑗𝑗𝑗 (Por Chapman-Kolmogorov) ≥ 0

Porque la suma de números ≥ 0 es ≥ cualquiera de ellos.

Para el caso k j i la demostración es similar.

El concepto de comunicación divide el espacio de estados en clases ajenas, es decir que


dos clases siempre son idénticas o disjuntas.

De 2 estados que se comunican entre sí, se dice pertenecen a la misma clase.

Ningún estado puede pertenecer a 2 clases distintas

Demostración

Por reducción al absurdo: supongamos que el estado j pertenece a dos clases distintas (la
que tiene el estado i y la que tiene el estado k).

26
Luis Fernando Moreno Velásquez
Entonces por definición: i j y j k, pero por transitividad

i k, es decir i se comunica con k, o sea i, k pertenecen a la misma clase (y


no a dos clases distintas como se había supuesto).

Esas dos clases resultan ser la misma.

Usemos esta flecha para denotar ser accesible “en un paso”.

Y con esa flecha se construye un grafo recorriendo la matriz de Markov fila por fila y
agregando flechas al grafo entre los estados que tienen un valor diferente de cero en la
matriz, y que esos valores indican que es probable pasar del estado que está en la fila al que
está en la columna.

Con el diagrama de flechas se definen las clases de la siguiente manera:

Se recorren todos los estados consecutivamente.

Para el estado que está siendo recorrido y al cual se le están tratando de encontrar los
estados que pertenecen a la misma clase se determina si hay doble vía, en cualquier número
de pasos con todos los otros estados. Si se encuentra doble vía, entonces ese estado
pertenece a la clase.

Debe tenerse en cuenta que como un estado no puede pertenecer a dos clases, entonces solo
es necesario buscar entre los estados que tienen una numeración mayor. La flecha de un
estado a sí mismo puede omitirse, ya que esa operación no le agregaría estados a la clase.

Ejemplo sea la matriz de Markov con tres estados 0, 1, 2:

0 1 2

0 1/2 1/2 0

P = 1 1/2 1/4 1/4

2 0 1/3 2/3

Se construye el grafo:

0 2

Figura 3.1

27
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Note que las flechas del 0 al 1 y del 1 al 2 son de doble sentido porque tanto los elementos
de la matriz (0,1) (1,0) (1,2) (2,1) son >0

Aplicando lo descrito anteriormente se tiene:

Estado 0 (candidatos el 1 y el 2 porque son >0)

0 y 1 pertenecen a la misma clase porque hay doble vía

Por ahora una clase parcial contiene los estados (0,1)

¿El 2 pertenece a la clase parcial del 0 y 1?

Se recomienda usar siempre el primer estado de la clase, aunque no es necesario. En este


caso es el 1.

El 2 pertenece a la clase parcial del (0,1), porque hay doble vía del 0 al 2 y del 2 al 0.

Note sin embargo que la vía del 0 al 2 es en dos pasos al igual que la del 2 al 0, pero
recuerde que para armar las clases se busca doble vía en “cualquier número de pasos” y no
necesariamente en un paso.

Esa matriz tiene una sola clase con los estados (0, 1, 2).

Definición

Una matriz que contiene una sola clase se dice matriz irreducible. La matriz del ejemplo
anterior es irreducible. Veamos otro ejemplo:

0 1 2 3

0 1/2 1/2 0 0

P = 1 1/2 1/2 0 0

2 1/4 1/4 1/4 1/4

3 0 0 0 1

Se construye el grafo:

0 1

2 3

Figura 3.2

28
Luis Fernando Moreno Velásquez
Procedimiento para armar las clases:

Tomamos el 0 y recorremos los estados 1, 2 y 3 buscando doble vía en cualquier número


de pasos.

¿El 1 pertenece a la clase del 0? Si hay doble vía del 0 al 1 y del 1 al 0.

Hasta ahora tenemos la clase parcial (0, 1)

¿El 2 pertenece a la clase parcial (0, 1)?

No, porque a pesar de que hay vía del 2 al 0 no hay forma de ir del 0 al 2.

¿El 3 pertenece a la clase parcial (0, 1)?

No, porque no hay vía del 3 al 0 ni del 0 al 3.

Los estados (0, 1) forman una clase.

Continuamos tomando ahora el 2, que debe chequearse sólo con el 3 (el único >2)

¿El 3 perteneces al clase del 2?

No, porque a pesar de que hay vía del 2 al 3 no hay forma de ir del 3 al 2.

El (2) forma una clase.

Queda sólo el (3), que no hay con quien chequearlo porque no hay estados >3.

Entonces el (3) también forma una clase.

La matriz de Markov anterior tiene tres clases: (0,1) (2) (3)

Definición
Sea para un estado i, fii la probabilidad de que el proceso regrese al estado i dado que
comienza en el estado i.

Note que en esta definición no se dice en cuántos pasos el proceso debe regresar. Es la
posibilidad de regresar al estado i, si se parte del estado i, en cualquier número de pasos.

El estado i se llama recurrente si fii = 1

El estado i se llama transitorio si fii < 1

Un caso especial de un estado recurrente es un estado absorbente. Un estado es absorbente


si una vez que se entra en él no se puede abandonar (en la matriz aparece como un 1 en la
diagonal).

29
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Por lo general no es fácil determinar si un estado es recurrente o transitorio evaluando fii.
Por lo tanto no es evidente si un estado debe clasificarse como recurrente o transitorio.

Teorema

Si el estado i es recurrente entonces se visitará un número infinito de veces.

Es decir: el número esperado de periodos que un proceso markoviano está en un estado i


recurrente es infinito.

Lo anterior se demuestra por como fii = 1, entonces si se empieza de i se visita una segunda
vez con probabilidad 1. Si ya se ha visitado una segunda vez, entonces nuevamente como
fii = 1, entonces se visita una tercera vez y así sucesivamente hasta el infinito.

Si un proceso de Markov se encuentra en un estado i y el estado es transitorio, entonces la


probabilidad de que no regrese al estado i es (1 - fii) que es > 0, porque fii <1, es decir, un
estado transitorio se abandona y no se vuelve nunca a él con probabilidad 1 (un evento que
se da con probabilidad >0, si se repite infinitas veces necesariamente se da).

Teorema

El número esperado de periodos que el proceso se encuentra en el estado i es finito y está


1
dado por (Distribución geométrica).
1−𝑓𝑓𝑖𝑖

Por tanto se concluye que el estado i es recurrente si y sólo si el número esperado de


periodos que el proceso se encuentra en el estado i es infinito, dado que empezó en el estado
i.

Teorema
(𝑛𝑛)
Si el estado i es recurrente entonces ∑∞
𝑛𝑛=1 𝑃𝑃𝑖𝑖𝑖𝑖 =∞

Demostración:

Definamos Bn = 1 si Xn = i

Bn = 0 si Xn ≠ i

La cantidad ∑∞ 𝑛𝑛=1 𝐵𝐵𝑛𝑛 |(𝑋𝑋𝑋𝑋 = 𝑖𝑖) representa el número de periodos que el proceso está en
el estado i dado que X0=i

E (∑∞
𝑛𝑛=1 𝐵𝐵𝑛𝑛 |(𝑋𝑋𝑋𝑋 = 𝑖𝑖)) = ∑∞
𝑛𝑛=1 𝐸𝐸[𝐵𝐵𝑛𝑛 |(𝑋𝑋𝑋𝑋 = 𝑖𝑖))] = ∑∞
𝑛𝑛=1 𝑃𝑃 [𝑋𝑋𝑛𝑛 = 𝑖𝑖| 𝑋𝑋0 = 𝑖𝑖 ] =
(𝑛𝑛)
∑∞
𝑛𝑛=1 𝑃𝑃𝑖𝑖𝑖𝑖 =∞

30
Luis Fernando Moreno Velásquez
(𝑛𝑛)
(Se ha demostrado que el estado i es recurrente si y solo si: ∑∞
𝑛𝑛=1 𝑃𝑃𝑖𝑖𝑖𝑖 =∞

Este resultado se puede usar para demostrar que la recurrencia es una propiedad de clase
(es decir que es común a todos los estados de la clase).

Teorema

Si i es recurrente y además i se comunica con j, entonces j es recurrente.

Demostración:

Como: i j ∃ enteros k y m tales que Pij(k) > 0 y Pji(m) > 0

Pero Pjj(m+n+k) ≥ Pji(m) Pii(n) Pij(k), ya que esta última es una forma particular de pasar de j
a j en (m + n + k) pasos
(𝑚𝑚+𝑛𝑛+𝑘𝑘) 𝑛𝑛
∑∞
𝑛𝑛=1 𝑃𝑃𝑗𝑗𝑗𝑗 ≥ Pji(m) Pij(k) ∑∞
𝑛𝑛=1 𝑃𝑃𝑖𝑖𝑖𝑖 = ∞, puesto que

∑∞ 𝑛𝑛
𝑛𝑛=1 𝑃𝑃𝑖𝑖𝑖𝑖 = ∞ (i es recurrente)

Pji(m) Pij(k) > 0 (i, j se comunican)

Teorema

Si i es un estado transitorio y además i comunica con j, entonces j es transitorio.

Demostración:

Por reducción al absurdo: si j fuera recurrente, i sería recurrente por el teorema anterior.

Teorema

En una cadena de Markov de número finito de estados, no todos pueden ser transitorios.

Si todos los estados fueran transitorios, entonces

∃ T0, después de T0 el estado 0 nunca sería visitado

∃ T1, después de T1 el estado 1 nunca sería visitado

∃ TM, después de TM el estado M nunca sería visitado

Si hacemos T = Máx {T0, T1,..., TM}

Después de T ningún estado sería visitado lo que es una contradicción.

31
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Nota: Ser recurrente y transitorio son propiedades de clase.

Corolario

Todos los estados de una cadena de Markov irreducible de número finito de estados son
recurrentes.

Ejemplo:

0 1 2 3

0 0 0 1/2 1/2

P = 1 1 0 0 0

2 0 1 0 0

3 0 1 0 0

0 1

3 2

Figura 3.3

Todos los estados se comunican (una sola clase: matriz irreducible). Observe que de
cualquier estado se puede ir a cualquier otro de doble vía, aunque no necesariamente en un
paso.

Ejemplo:

0 1 2 3 4

0 1/4 3/4 0 0 0

P = 1 1/2 1/2 0 0 0

2 0 0 1 0 0

3 0 0 1/3 2/3 0

4 1 0 0 0 0

32
Luis Fernando Moreno Velásquez
0 1

3 2

Figura 3.4

Gráficamente (geométricamente) se puede ver que:

Una clase es recurrente si no se puede salir de ella.

Una clase es transitoria si se puede salir de ella y no hay forma de regresar.

De acuerdo con el gráfico anterior este proceso de Markov tiene 4 clases:

(0, 1) (2) (3) (4) (Recuerde la forma de definir las clases).

Un segundo paso después de tener las clases es determinar por observación en el gráfico,
de acuerdo con la definición, si son recurrentes o transitorias.

(0, 1) es recurrente (no hay forma de salir).

(2) es recurrente (además es absorbente: las absorbentes, que son clases de un solo
elemento, siempre son recurrentes).

(3) es transitoria (se puede salir de ella, por ejemplo hacia el 2, pero si se sale no se puede
regresar.

(4) es transitoria (se puede salir de ella, por ejemplo hacia el 0, pero si se sale no se puede
regresar.

Realización
Una realización del proceso estocástico markoviano es el desarrollo particular aleatorio del
proceso. Note que una realización empezando en cualquier estado es diferente cada vez que
se ejecuta (se realiza) el proceso.

Para el ejemplo anterior algunas realizaciones podrían ser:

0 0 0 1 0 0 0 1 1 … (empezando en el 0).

33
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
2 2 2 2 2 2 2 … (empezando en el 2) Observe que el proceso se queda para
siempre en el 2 (por eso esa clase y ese estado se denominan absorbentes).

3 3 2 2 2 2 2 … (empezando en el 3) Note que si se llega a entrar en el


estado 2 no se sale nunca de él.

4 0 0 0 0 0 0 1 0 0 0 1 … (empezando en el 4).

Observe que la matriz de transición de n pasos para este ejemplo es de la siguiente forma
donde los asteriscos representan números positivos.

0 1 2 3 4

0 * * 0 0 0

1 * * 0 0 0

P = 2 0 0 1 0 0

3 0 0 * * 0

4 * * 0 0 0

Es intuitivamente evidente que al estar en el estado 0 o 1 se regresará a estos mismos.

Definición
El periodo de un estado i se define como el entero t (t>1) tal que Piin =0 para todos los
valores de n distintos de t, 2t, 3t, ..., y t es el entero más grande con esa propiedad.

De acuerdo con esta definición un estado periódico i con periodo t sólo puede ser visitado
en pasos múltiplos de t.

Observe que, de acuerdo con la definición, el estado no puede ser visitado en pasos que no
son múltiplos de t, en tanto que en los que son múltiplos de t el estado puede ser visitado o
no.

Ejemplo:

0 1 2

0 0 1/2 1/2

P = 1 1 0 0

2 1 0 0

34
Luis Fernando Moreno Velásquez
Se construye el grafo:

1 2

Figura 3.5

(0, 1, 2) es una clase recurrente: matriz irreducible.

Además, todos los elementos de esta clase tienen periodo 2.

¿Cómo demostrar que en los pasos que no son múltiplos de 2, si se empieza de cualquier
estado, ese estado no se puede visitar?

Para decir que el estado 0 tiene periodo 2, tenemos que mostrar que si empezamos del 0,
en los pasos no múltiplos de 2 (los impares) no se puede pasar del 2 al propio 2.

Aunque teóricamente habría que hacerlo para todos los pasos impares desde 0 hasta el ∞,
note lo que ocurre, y esto sucede siempre con los estados periódicos. Elevemos la matriz a
las potencias 2, 3, 4.

0 1 2

0 1 0 0

P2 = 1 0 1/2 1/2

2 0 1/2 1/2

0 1 2

0 0 1/2 1/2

P3 = 1 1 0 0

2 1 0 0

35
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
0 1 2

0 1 0 0

P4 = 1 0 1/2 1/2

2 0 1/2 1/2

Note que P3 = P y que P4 = P2.

Si continuamos elevando a cualquier potencia P5, P6, ... Se puede ver que todas las pares
son iguales entre sí y todas las impares también son iguales entre sí, o sea que las infinitas
potencias solo pueden ser una de esas dos matrices.

Es decir: P2n+1 = P

P2n = P2

Y en los pasos impares no se puede ir del estado 0 al estado 0 porque la probabilidad es


cero. Note que lo mismo sucede para los estados 2 y 3. Por tanto este proceso markoviano
tiene periodo 2.

¿Por qué no tiene periodo 3 para el estado 0? Porque como 2 no es múltiplo de 3, en la


potencia 2 debería haber un 0 en el elemento (0,0) de la matriz y no lo hay, ya que aparece
un 1.

Teorema

Tener periodo t es una propiedad de clase.

O sea que si a un estado se le encuentra un periodo, todos los estados de esa clase tienen el
mismo periodo.

Ejemplo:

0 1 2

0 0 1 0

P = 1 0 0 1

2 1 0 0

Note que esta matriz es un caso raro, porque todas las probabilidades 1 son eventos que se
dan necesariamente en tanto que las probabilidades 0 son eventos imposibles (en un paso).

36
Luis Fernando Moreno Velásquez
Se construye el grafo:

2 1

Figura 3.6

Note que hay una sola clase (0, 1, 2) recurrente: matriz irreducible, los tres estados se
comunican entre sí ya que hay doble vía siempre en ambas direcciones de cualquier estado
a cualquier estado.

Una realización empezando en el 0 es:

0 1 2 0 1 2 0 1 2 0…

Pero vamos a demostrar que este proceso (matriz) de Markov tiene periodo 3. Tomemos
las potencias 2, 3, 4 de la matriz de Markov:

0 1 2

0 0 0 1

P2 = 1 1 0 0

2 0 1 0

0 1 2

0 1 0 0

P3 = 1 0 1 0

2 0 0 1 (la matriz identidad)

0 1 2

0 0 1 0

P4 = 1 0 0 1

2 1 0 0 (P4 = P)

37
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Si P4 = P se puede demostrar que P5 = P2 ya que P5 = P4*P = P*P = P2 y en forma análoga
se puede mostrar que sólo hay tres matrices, así:

P3n+1 =

P3n+2 = P2

P3n = P3

Al igual que en el ejemplo anterior en los pasos no múltiplos de 3 o sea en P1 y P2 no se


puede pasar de un estado a ese mismo (hay 0 en la diagonal).

Igualmente no puede tener periodo 4 o mayor, porque para tener periodo 4 se requiere que
en la potencia 3 haya un 0 en la diagonal y no lo hay. Observe que hay 1.

En conclusión este proceso markoviano tiene periodo 3.

Definición
Si existen 2 números consecutivos s y (s+1) tales que el proceso puede encontrarse en el
estado i en los tiempos s y (s+1), se dice que el estado tiene periodo 1 y se llama estado
aperiódico. De acuerdo con esta definición la aperiodicidad se da cuando para el estado en
la diagonal de la matriz de Markov aparece un valor > 0.

Definición

Si el estado i es recurrente, se dice recurrente positivo, si empezando en i el tiempo (número


de pasos) esperado para volver a i es finito.

Definición

Si el estado i es recurrente, se dice recurrente nulo, si empezando en i el tiempo (número


de pasos) esperado para volver a i es infinito.

Ejemplo: caminata aleatoria

Suponga que hay un jugador que puede pasar del estado i al estado i+1 con probabilidad p,
o devolverse del estado i al i ₋1 con probabilidad 1₋ p.

Este proceso es similar al ejemplo del jugador visto al final del capítulo 2 con la diferencia
de que el juego no termina cuando el jugador llega a 0 o a 3, sino que el juego puede
continuar hasta los estados ∞ (el jugador se llena de plata) o ₋∞ (el jugador contrae deudas
infinitas). Note que los estados negativos se pueden interpretar como tener una deuda.

Este juego también se conoce como la caminata aleatoria, cuando los estados representan
la posición donde se encuentra una persona en un eje unidimensional.

38
Luis Fernando Moreno Velásquez
Este proceso no se puede representar por medio de una matriz porque el número de estados
es ∞ (los enteros desde -∞ hasta ∞) sino que se define así:

Pi , i+1 = p

Pi, i -1 = 1₋p, donde p es la probabilidad de ganar y (1₋p) la probabilidad de perder (se supone
que se lanza una moneda que puede estar cargada).

₋∞ … l l l l l l l l l l …∞

₋5 ₋4 ₋3 ₋2 ₋1 0 1 2 3 4

Figura 3.7

Claramente este proceso tiene únicamente una clase: todos los estados se comunican entre
sí. Por ejemplo una forma de pasar del estado a al estado b (con b>a) es ganar
consecutivamente (b₋a) juegos y una forma de pasar del estado a al estado b es perder
consecutivamente (b₋a) juegos, es decir hay doble vía entre cualquier par de estados. Note
que encontramos una forma de pasar de a hacia b aunque puede haber ∞ al igual que para
pasar de b hacia a.

¿Esta única clase es recurrente o transitoria?

Recuerde que cualquier clase —y aquí sólo hay una— tiene que ser recurrente o transitoria.

La respuesta es:

Si p = 0.5 todos los estados son recurrentes (la moneda no está cargada)

Si p ≠ 0.5 todos los estados son transitorios (la moneda está cargada)

Sin embargo, lo curioso es que si p = 0.5 los estados son nulos recurrentes.

La demostración de la clasificación de los estados, según el valor de p es tema de un curso


más avanzado.

Definición

Los estados recurrentes positivos aperiódicos se denominan ergódicos.

Teorema

En una matriz de Markov finita, los estados recurrentes son recurrentes positivos.

Definición

Una cadena de Markov se dice ergódica si todos sus estados son ergódicos.

39
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 4.
Tiempos de primera pasada y propiedades a
largo plazo de las cadenas de Markov

Tiempos de primera pasada


Con frecuencia es conveniente poder hacer afirmaciones en términos de probabilidades
sobre el número de transiciones (periodos) que hace el proceso al ir de un estado i a un
estado j por primera vez.

Este lapso se llama tiempo de primera pasada al ir del estado i al estado j.

Cuando j = i, este tiempo de primera pasada es justo el número de transiciones hasta que el
proceso regresa al estado inicial i.

Note que estas probabilidades pueden ser diferentes a las dadas por Chapman-Kolmogorov,
porque Chapman-Kolmogorov nos da por ejemplo la probabilidad de pasar del estado i al
estado j en n pasos, pero en los periodos entre el 1 y el n, el j se pudo haber dado una o
varias veces, en tanto que en las probabilidades de primera pasada no sólo se trata de pasar
del estado i al j en n pasos, sino que adicionalmente se pone la condición de que sea por
primera vez, es decir que en los pasos anteriores al n no se pudo haber dado el estado j,
para que en el paso n sea por primera vez. Note que esta probabilidad mide la resistencia o
capacidad de aguante del proceso markoviano sin caer en el estado j.

Ejemplo:

Recordemos el caso del almacén de cámaras donde Xt representaba el número de cámaras


al finalizar la semana t. {Xt} para t=1, 2,..., n es un proceso estocástico.

Recuerde que el número posible de cámaras en inventario al final de la semana t (estados


del proceso) son 0, 1, 2, 3.

Suponga que se dio la siguiente realización:

X0 X1 X2 X3 X4 X5
3 2 1 0 3 1

En este caso, el tiempo de primera pasada para ir del estado 3 al estado 1 es dos semanas,
el tiempo de primera pasada para ir del estado 3 al estado 0 es tres semanas y el tiempo de
recurrencia del estado 3 es cuatro semanas. Note que en 5 semanas se pasa del estado 0 al
1 pero no por primera sino por segunda vez.

41
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
En general, los tiempos de primera pasada son variables aleatorias y por lo tanto tienen una
distribución de probabilidad asociada a ellos.

Definamos fij(n) como la probabilidad de que el tiempo de primera pasada del estado i al
estado j sea n.

pij(1) = fij(1) = pij (ya que en un paso siempre es por primera vez).

pij(2) = fij(2) + fij(1) * pjj (por el teorema de la probabilidad total ya que hay dos formas de
pasar del i al j en dos pasos:

X0 X1 X2

Primera forma i ≠j j cuya probabilidad es fij(2)

Segunda forma i j j cuya probabilidad es fij(1) * pjj.

Y como son mutuamente excluyentes y exhaustivas podemos aplicar el teorema de la


probabilidad total pij(2) = fij(2) + fij(1) * pjj.

De aquí podemos despejar fij(2) = pij(2) - fij(1) * pjj

En forma similar a como se hizo para dos pasos se puede hacer para n pasos y aplicar el
teorema de la probabilidad total tomando como partición el hecho de que el evento j se da
por primera vez en el paso 1, o en el 2, o en el 3….., o en el n.

pij(n) = fij(n) + fij(1) * pjj(n-1) + fij(2) * pjj(n-2) +...+ fij(n-1) * pjj

De aquí podemos despejar fij(n) = pij(n) - fij(1) * pjj(n-1) - fij(2) * pjj(n-2) -...- fij(n-1) * pjj

Note que pesar de que despejamos fij(n), aparece en función de fij(1) , fij(2) , fij(3) … fij(n-1), por
lo que para encontrar fij(n) hay que resolver secuencialmente todas las ecuaciones de fij(n)
desde 2 hasta el valor de n que se desea encontrar, es decir: se puede calcular la probabilidad
de un tiempo de primera pasada del estado i al j en n pasos, de manera recursiva, a partir
de las probabilidades de transición de un paso.

En el ejemplo del almacén de cámaras la distribución de probabilidad de tiempos de


primera pasada del estado 3 al 0 se obtiene así:

42
Luis Fernando Moreno Velásquez
Recuerde que

0 1 2 3

0 0.080 0.184 0.368 0.368

P= 1 0.632 0.368 0 0

2 0.264 0.368 0.368 0

3 0.080 0.184 0.368 0.368

0 1 2 3

0 0.249 0.286 0.300 0.165

P2 = 1 0.283 0.252 0.233 0.233

2 0.351 0.319 0.233 0.097

3 0.249 0.286 0.300 0.165

Entonces:

f30(1) = 0.08

f30(2) = p30(2) - f30(1) * p00

f30(2) = 0.249 - (0.08*0.08) = 0.243


(𝑛𝑛)
Para i y j fijos las fij son números no negativos tales que ∑∞
𝑛𝑛=1 𝑓𝑓𝑖𝑖𝑖𝑖 ≤ 1

Por qué ≤ 1 y no estrictamente = 1 si se están considerando todo los eventos desde 0 hasta
∞?

En realidad falta el evento iniciar en i y nunca llegar al estado j

Pero si este evento no se da entonces


(𝑛𝑛)
∑∞
𝑛𝑛=1 𝑓𝑓𝑖𝑖𝑖𝑖 = 1 y en ese caso las fij para n=1,2,.. pueden considerarse como una distribución
(n)

de probabilidad para la variable aleatoria, el tiempo de primera pasada.

43
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Mientras que puede ser difícil calcular fij(n) para toda n, es relativamente sencillo obtener el
tiempo esperado de primera pasada del estado i al estado j, o sea el promedio de la variable
(𝑛𝑛)
aleatoria 𝑓𝑓𝑖𝑖𝑖𝑖 .

Denominemos este promedio µij:


(𝑛𝑛)
µij = ∞ si ∑∞
𝑛𝑛=1 𝑓𝑓𝑖𝑖𝑖𝑖 < 1, en tanto que

(𝑛𝑛) (𝑛𝑛)
µij = ∑∞
𝑛𝑛=1 𝑛𝑛𝑓𝑓𝑖𝑖𝑖𝑖 si ∑∞
𝑛𝑛=1 𝑓𝑓𝑖𝑖𝑖𝑖 =1 (Esta es la expresión del promedio de cualquier variable
aleatoria discreta)
(𝑛𝑛) (𝑛𝑛)
Para el caso ∑∞
𝑛𝑛=1 𝑓𝑓𝑖𝑖𝑖𝑖 =1, la expresión µij = ∑∞
𝑛𝑛=1 𝑛𝑛𝑓𝑓𝑖𝑖𝑖𝑖 puede ser larga y tediosa de
calcular ya que es una serie que tiene infinitos términos. Sin embargo existe una forma más
sencilla de obtener los µij resolviendo el sistema de ecuaciones que se plantea a
continuación.

µij = 1 + ∑(𝑘𝑘≠𝑗𝑗)∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑖𝑖𝑖𝑖 µkj , donde esta fórmula es el teorema de la probabilidad total
donde la partición de los Bi se hace con los estados de lo que sucede en el paso 1. Por
supuesto, si en el paso 1 k = j, cuando se presente nuevamente j ya no será por primera vez.
Por esta razón la sumatoria se hace sobre todos los estados excepto el estado j.

Cuando i=j µii se denomina tiempo esperado de recurrencia para el estado i.

Esta fórmula se aclara con los ejemplos que se ven a continuación:

Ejemplo: retomemos el ejemplo del inventario de las cámaras

0 1 2 3

0 0.080 0.184 0.368 0.368

P = 1 0.632 0.368 0 0

2 0.264 0.368 0.368 0

3 0.080 0.184 0.368 0.368

y planteemos el sistema de ecuaciones µij = 1 + ∑(𝑘𝑘≠𝑗𝑗)∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑖𝑖𝑖𝑖 µkj con j = 0.

µ30 = 1+p31µ10 + p32µ20 + p33µ30

µ20 = 1+p21µ10 + p22µ20 + p23µ30

44
Luis Fernando Moreno Velásquez
µ10 = 1+p11µ10 + p12µ20 + p13µ30

Este es un sistema de 3 ecuaciones en 3 variables (µ10 µ20 µ30), ya que los coeficientes pij
se toman de la matriz P. Al resolver este sistema obtenemos:
µ10 = 1.58 semanas
µ20 = 2.51 semanas
µ30 = 3.50 semanas
El tiempo esperado para que el almacén se quede sin cámaras es 1.58, 2.51 y 3.50 semanas,
dado que el proceso inicia con 1, 2 o 3 cámaras respectivamente.

Note que estos valores son promedio y por ejemplo µ10 = 1.58 semanas quiere decir que,
en promedio, si yo termino una semana con 1 cámara en inventarios, para esperar hasta que
se acaben (0 cámaras) debo esperar en promedio 1.58 semanas, pero no necesariamente
hay que esperar 1.58 semanas (que entre otras cosas es imposible, porque el número de
semanas es un número entero).

Ejemplo:

Una computadora se inspecciona cada hora. Se encuentra que está trabajando o


descompuesta. Si está trabajando, la probabilidad de que siga así la siguiente hora es 0.90.
Si está descompuesta, se repara, lo que puede llevar más de una hora. Siempre que la
computadora esté descompuesta (sin importar cuanto tiempo pase), la probabilidad de que
siga descompuesta una hora más es 0.35

a) Construya la matriz de transición de un paso para esta cadena de Markov.

b) Utilice las ecuaciones para calcular las µij (el tiempo esperado de primera pasada
del estado i al estado j) para toda i y toda j e interprete estos valores.

De acuerdo con el planteamiento y llamando los estados B (buena o trabajando) y M (mala


o descompuesta) la matriz de Markov es la siguiente:

B M

B 0.9 0.1
P =
M 0.65 0.35

donde los estados representan cómo se encuentra la computadora al final de cada hora.

45
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Planteemos y resolvamos las ecuaciones de los µij: µij = 1 + ∑(𝑘𝑘≠𝑗𝑗)∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑖𝑖𝑖𝑖 µkj

Para j = B se plantean las ecuaciones en dos variables (µ1B y µBB):

µMB = 1 + pMMµ1B

µBB = 1 + pBMµMB

que al resolverlas da: µMB = 1.54 horas µBB = 1.15 horas

Para j = M se plantean las ecuaciones en dos variables (µMM y µBM)):

µBM = 1 + pBBµBM

µMM = 1 + pMBµBM

que al resolverlas da: µBM = 10 horas µMM = 7.5 horas.

Interpretación de los valores (recuerde que las µij son promedios):

µMB = 1.54 horas quiere decir que una computadora que está mala, permanece en en
reparación en el taller 1.54 horas

µBB = 1.15 horas quiere decir que una computadora dura buena 1.15 horas antes de volver
a encontrarla buena. Note que si la computadora nunca se dañara, el tiempo buena antes de
encontrarla nuevamente buena sería 1 hora (ya que nunca se daña), pero como existe una
probabilidad de que se dañe, el promedio se sube un poco.

µBM = 10 horas quiere decir que una computadora que termina una hora buena va al taller
en promedio cada 10 horas.

µMM = 7.5 horas quiere decir que una computadora que está siendo reparada en el taller se
demora en promedio 7.5 horas para volver a encontrarla en el taller.

Propiedades a largo plazo de las cadenas de Markov


Definición

Condición de estado estacionario es la condición en la que la probabilidad de encontrarse


en cualquier estado no varía de un periodo a otro.

De acuerdo con esta definición, la primera pregunta que se debe hacer es esta:

¿Es posible que la probabilidad de encontrarse en cualquier estado no varíe de un periodo


a otro? o sea, ¿es posible que se dé la condición de estado estacionario?

46
Luis Fernando Moreno Velásquez
Para entender el concepto veamos el ejemplo visto en “Distribuciones no condicionales”
en el capítulo 2.

L N

L 0.7 0.3
P =
N 0.5 0.5

Matriz de Markov de un paso que muestra las probabilidades de pasar de cualquier estado
(fila) a cualquier estado (columna) en un paso.

������⃗
𝑄𝑄𝑥𝑥0 = {0.9, 0.1} Probabilidades no condicionales hoy (X0), es decir, la probabilidad no
condicional de que llueva hoy es 0.9 y la probabilidad no condicional de que no llueva hoy
es 0.1.

�������⃗ ������⃗
𝑄𝑄𝑥𝑥𝑛𝑛 = 𝑄𝑄 n
𝑥𝑥0 * P , aplicando esta ecuación para n = 1 se tiene:

0.7 0.3 = (0.68, 0.32)


������⃗ ������⃗
𝑄𝑄𝑥𝑥1 = 𝑄𝑄 1
𝑥𝑥0 * P = (0.9, 0.1)*
0.5 0.5

Es decir, la probabilidad no condicional de que llueva dentro de un día (mañana) es 0.68


que es diferente a la probabilidad no condicional de que llueva hoy, que es 0.9.

Sin embargo existen ciertas condiciones que se verán a continuación, en las que las
probabilidades de que llueva en dos días consecutivos son iguales.

Tratemos de encontrar unas probabilidades tales que sean iguales en dos días consecutivos.

Para ello planteemos el siguiente sistema de ecuaciones:

������⃗ ������⃗
𝑄𝑄𝑥𝑥1 = 𝑄𝑄 ������⃗ ������⃗ ������⃗
𝑥𝑥0 ,pero como 𝑄𝑄𝑥𝑥1 = 𝑄𝑄𝑥𝑥0 * P se tiene: 𝑄𝑄𝑥𝑥0 * P = 𝑄𝑄𝑥𝑥0
1 1

Y si hacemos 𝑄𝑄𝑥𝑥0 = (PL , PN) se tiene:

0.7 0.3
(PL, PN) * = (PL , PN)*
0.5 0.5

Es decir: 0.7 PL + 0.5 PN = PL ecuacion (1)

0.3 PL + 0.5 PN = PN ecuacion (2)


47
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Se tienen dos ecuaciones en dos variables que nos permitirían despejar PL y PN, pero esas
dos ecuaciones son linealmente dependientes. Sin embargo contamos con la ecuación
adicional

PL + PN = 1.

Si resolvemos el par de ecuaciones: 0.7 PL + 0.5 PN = PL

PL + PN = 1, obtenemos:

PN = 0.375

PL = 0.625

Y curiosamente si las probabilidades (de los estados mañana) son iguales a las
probabilidades (de los estados hoy), las probabilidades pasado mañana son también iguales,
porque en las probabilidades (pasado mañana) = probabilidades (mañana)*P y continuando
se ve que las probabilidades no condicionales permanecen estáticas para siempre. Esa es la
razón por la que se llaman probabilidades de estado estacionario.

Entonces para encontrar las probabilidades de estado estacionario, en general, se puede


plantear el sistema de ecuaciones ������⃗ ������⃗
𝑄𝑄𝑥𝑥0 * P1 = 𝑄𝑄 𝑥𝑥0 y encontrar las 𝑄𝑄𝑥𝑥0 , que resultan ser las
probabilidades no condicionales para un número infinito de periodos. En ese sistema de
ecuaciones siempre hay una ecuación redundante que se puede eliminar y reemplazar por
la ecuación ∑𝑖𝑖 ∈ 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃𝑖𝑖 = 1

En lugar de ������⃗ ������⃗


𝑄𝑄𝑥𝑥0 o 𝑄𝑄 𝑥𝑥1 el sistema utiliza la letra griega π y el sistema se plantea como π =
πP

Ejemplo:

Recordemos el ejemplo de las cámaras donde la matriz de transición de cuatro pasos fue:

0 1 2 3

0 0.289 0.286 0.261 0.164

P4 = 1 0.282 0.285 0.268 0.166

2 0.284 0.283 0.263 0.171

3 0.289 0.286 0.261 0.164

Si obtenemos la matriz de probabilidades en 8 pasos se tiene:

P8 = P4*P4 =

48
Luis Fernando Moreno Velásquez
0.289 0.286 0.261 0.164 0.289 0.286 0.261 0.164

P8 = 0.282 0.285 0.268 0.166 * 0.282 0.285 0.268 0.166

0.284 0.283 0 .263 0.171 0.284 0.283 0.263 0.171

0.289 0.286 0.261 0.164 0.289 0.286 0.261 0.164

0.286 0.286 0.264 0.166

P8 = 0.286 0.286 0.264 0.166

0.286 0.286 0 .264 0.166

0.286 0.286 0.264 0.166

Note que las probabilidades (a nivel de 3 decimales) son iguales entre sí para cada una de
las columnas. Es decir: la probabilidad de estar en el estado j después de 8 semanas parece
independiente del inventario inicial.

¿Es esto casualidad? La respuesta es no y nos la da el siguiente teorema:

Teorema
(𝑛𝑛)
Para una cadena de Markov irreducible ergódica el lim 𝑃𝑃𝑖𝑖𝑖𝑖 existe, es independiente de i
𝑛𝑛→∞
y es > 0
(𝑛𝑛)
Más aún lim 𝑃𝑃𝑖𝑖𝑖𝑖 = πj > 0
𝑛𝑛→∞

Note que en realidad son tres teoremas:

1. El límite existe
2. El límite es independiente de i (no depende de la fila)
3. El límite es > 0

Es decir, cuando la matriz de Markov es irreducible ergódica y se eleva a una potencia muy
grande entonces los elementos dentro de cada columna son iguales, o sea la matriz se vuelve
de la forma:

49
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
π0 π1 π2 … πM

P = π0 π1 π2 … πM

…….……………………….

π0 π1 π2 … πM

Note que aquí los estados van del 0 al M.

Sin embargo estos son los mismos que se obtienen al resolver el sistema π = πP o sea los
de la condición de estado estacionario.

Demostración

Si se empieza de cualquier vector inicial no condicional

������⃗
𝑄𝑄𝑥𝑥0 = [𝑄𝑄𝑥𝑥0 (1), 𝑄𝑄𝑥𝑥0 (2), … 𝑄𝑄𝑥𝑥0 (𝑀𝑀)]

Se tiene que

π0 π1 π2 … πM

�������⃗
𝑄𝑄𝑥𝑥𝑛𝑛 = ������⃗
𝑄𝑄𝑥𝑥0 * Pn = [𝑄𝑄𝑥𝑥0 (1), 𝑄𝑄𝑥𝑥0 (2), … 𝑄𝑄𝑥𝑥0 (𝑀𝑀)] * π0 π1 π2 … πM
……………………………
π0 π1 π2 … πM

= [π0 π1 π2 …… πM] teniendo en cuenta que ∑𝑀𝑀


𝑖𝑖=0 𝑄𝑄𝑥𝑥0 (𝑖𝑖 ) = 1.

Entonces se han encontrado dos formas de encontrar las probabilidades de estado


estacionario:

1. Resolviendo el sistema π = πP
2. Elevando la matriz de Markov a una potencia muy grande (teóricamente cuando
n → ∞)

Adicionalmente hay una tercera forma de encontrar las π:

πj = 1/µjj , es decir, obteniendo el inverso de las µ definidas en el capítulo 4 como tiempos


promedio de primera pasada cuando los dos subíndices son iguales, o sea πj = 1/µjj.

50
Luis Fernando Moreno Velásquez
Ejemplo:

Hallemos las probabilidades de estado estable para el problema de los inventarios de


cámaras

Recuerde que la matriz de transición de un paso (Matriz de Markov) estaba dada por:

0.080 0.184 0.368 0.368

P = 0.632 0.368 0 0

0.264 0.368 0.368 0

0.080 0.184 0.368 0.368

Planteemos el sistema π = πP, donde π = ( π0 π1 π2 π3) ya que son cuatro estados (0, 1, 2,
3)

(π0 π1 π2 π3) = (π0 π1 π2 π3) * 0.080 0.184 0.368 0.368

0.632 0.368 0 0

0.264 0.368 0.368 0

0.080 0.184 0.368 0.368

Lo que nos da:

π0 = π00.080 + π10.632+ π20.264 + π30.080

π1 = π00.184 + π10.368 + π20.368 + π30.184

π2 = π00.368 + π10 + π20.368 + π30

π3 = π00.368 + π10 + π2 + π30.368

Recuerde que este sistema de cuatro ecuaciones en cuatro variables tiene una redundante,
que se puede descartar y reemplazar con la ecuación π0 + π1+ π2 + π3 = 1.

Al resolver este sistema obtenemos:

π0 = 0.286

π1 = 0.286

π2 = 0.264
51
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
π3 = 0.166

Que son los mismos valores obtenidos en la matriz P8

Note que a pesar de que el teorema plantea la convergencia cuando n tiende a ∞, la


convergencia es muy rápida y ya en la potencia 8 se observa que a nivel de 3 decimales los
elementos en cada columna son iguales entre sí.

Es decir, después de un número grande de semanas, la probabilidad de encontrar cero, una,


dos y tres cámaras en el almacén tiende a 0.286, 0.286, 0.264, 0.166 respectivamente.

Los tiempos esperados de recurrencia se obtienen de la ecuación: πj = 1/µjj ,


µ 00 = 3.51 semanas
µ 11 = 3.5 semanas
µ 22 = 3.79 semanas
µ 33 = 6.02 semanas

Se requieren 3.51, 3.51, 3.79 y 6.02 semanas en promedio para que el proceso empezando
del estado i regrese por primera vez al i con i =1, 2, 3, 4.

Conclusiones
Existen otros resultados importantes respecto a las probabilidades de estado estable.

En particular, si i y j son estados recurrentes que pertenecen a distintas clases entonces:

Pij(n) = 0 para toda n

Este resultado es consecuencia de la definición de clase.

De manera parecida, si j es un estado transitorio, entonces:


(𝑛𝑛)
lim 𝑃𝑃 =0 para toda i
𝑛𝑛→∞ 𝑖𝑖𝑖𝑖

Este resultado significa que la probabilidad de encontrar el proceso en un estado transitorio


después de un número grande de pasos es cero.

Ejemplo:

Estudiemos el caso de la movilidad de clases sociales. Supongamos que en la sociedad sólo


existen los estratos socioeconómicos alto, medio y bajo.

52
Luis Fernando Moreno Velásquez
Veremos a continuación la matriz de transición de un paso, es decir las probabilidades de
pasar en una generación una clase social a otra.

Estado 0: Clase alta


Estado 1: Clase media
Estado 2: Clase baja
La matriz de Markov (que se puede obtener por medio de encuestas) es la siguiente:

A M B

A 0.45 0.48 0.07

P = M 0.05 0.70 0.25

B 0.01 0.50 0.49

Esta es la matriz de Markov de un paso donde el paso representa una generación, es decir
las filas representan la clase social de los padres y las columnas la clase social de los hijos.

Para el caso se puede tomar uno de los dos padres: el padre o la madre.

Así por ejemplo de padres de clase alta (primera fila) sus hijos tienen una probabilidad de
0.45 de ser de clase alta, una probabilidad de 0.48 de ser de clase media y una probabilidad
de 0.07 de ser de clase baja. La interpretación de las otras filas es similar: por ejemplo el
1% de las personas que tuvieron padres de clases baja logran llegar a ser personas de clase
alta.

Recuerde π = π P donde π = (πA, πM, πB) y

0.45 0.48 0.07

P = 0.05 0.70 0.25

0.01 0.50 0.49

Planteamos el sistema:

0.45 0.48 0.07

(πA, πM, πB) = (πA, πM, πB) * 0.05 0.70 0.25

0.01 0.50 0.49

53
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Es decir:

πA = πA0.45+ πM0.05 + πB0.01


πM = πA0.48 + πM0.70 + πB0.50
πB = πA0.07 + πM0.25 + πB0.49
Se elimina una cualquiera de estas tres ecuaciones y se agrega la ecuación:
πA + πM + πB = 1
Al resolver este sistema se obtiene:
πA = 0.07 πM = 0.62 πB = 0.31

Lo que quiere decir que después de varias generaciones, e independientemente del estado
inicial de la sociedad, la probabilidad de pertenecer a la clase alta, media y baja tiende a
0.07, 0.62, 0.31 respectivamente, es decir así se estabiliza la sociedad.

Ejemplo:

Veamos ahora el caso de una constructora que utiliza camiones para el transporte de
materiales y escombros. Se sabe que el problema más común de los camiones es que se les
obstruya el filtro de aire.

A los camiones se les clasifica el filtro al final de cada día y se determina que está en uno
de tres estados: el filtro está limpio, parcialmente obstruido o completamente obstruido. El
costo de reparación de un camión con el filtro totalmente obstruido es $120/camión-día
teniendo en cuenta los costos de reparación y el lucro cesante. Además, la reparación de un
camión con el filtro totalmente obstruido se demora todo el día siguiente. La matriz de la
forma en que evoluciona el filtro de los camiones día a día es la siguiente:

L PO O

L 0.10 0.80 0.10

P = PO 0 0.50 0.50

O 1 0 0

Donde L = limpio, PO = parcialmente obstruido y O = completamente obstruido. Las filas


representan el estado del filtro del camión al final de un día y las columnas el estado del
filtro del camión al final del día siguiente.

Así, por ejemplo, de los camiones que terminan un día con el filtro limpio al día
siguiente el 10% terminan nuevamente con el filtro limpio, 80% terminan con el filtro
parcialmente obstruido y 10% terminan con el filtro completamente obstruido y estos

54
Luis Fernando Moreno Velásquez
son los que hay que someter a reparación el día siguiente y que hacen que la empresa
incurra en un costo de $120.

Note que los camiones con el filtro obstruido se llevan en un día con certeza (Probabilidad
1) al estado limpio porque se les cambia el filtro por uno limpio. Planteemos las ecuaciones
de estado estacionario: π = π P

(πL, πPo, πO ) = (πL, πPo, πO ) * P

0.10 0.80 0.10

(πL, πPo, πO) = (πL, πPo, πO) * 0 0.50 0.50

1 0 0

Es decir:
πL = πL0.10+ πPo0+ πO1
πPo = πL0.80+ πPo0.50+ πO0
πO = πL0.1 + πPo0.50+ πO0

Se elimina una cualquiera de estas tres ecuaciones y se agrega la ecuación:

πA + πM + πB = 1

Al resolver este sistema se obtiene:

πL = 0.286 πPo = 0.457 πO = 0.257

Después de un tiempo, al final de cualquier día el 28.6% de los camiones tienen el filtro
limpio, el 45.7% lo tienen parcialmente obstruido y el 25.7% totalmente obstruido y esos
porcentajes permanecen para siempre. Note que lo que produce la estabilidad es el hecho
de que la cantidad de camiones que llegan a un estado y la que abandona el estado son las
mismas, por lo que los porcentajes permanecen constantes.

Note, a manera de ejemplo el estado PO (parcialmente obstruido). Los que abandonan el


estado PO de un día para otro son el 50% que se van a obstruido (ver la segunda fila de la
matriz) = 0.5*0.457 = 0.228

Los que llegan al estado PO de un día para otro son el 80% de los L (ver la segunda columna
de la matriz = 0.8*0.286 = 0.228

Como los que dejan el estado y los que llegan estado son la misma cantidad entonces los
que permanecen en el estado también son la misma cantidad y los mismos porcentajes.

55
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Este análisis también se puede hacer para los otros 2 estados, al igual que en cualquier
matriz de Markov irreducible ergódica. En estas circunstancias el costo del mantenimiento
correctivo sería:

25.7% * $120/camión-día = $30.84/camión-día

Existe la posibilidad de hacer un mantenimiento preventivo, es decir cambiar el filtro a los


camiones que terminan al final del día con el filtro parcialmente obstruido. El costo de
reparación de un camión con el filtro parcialmente obstruido serían $20/camión-día y
también toma un día ese cambio. La matriz para esta situación sería:

L PO O

L 0.10 0.80 0.10

P = PO 1 0 0

O 1 0 0

Note que el único cambio es en la segunda fila (PO) ya que los camiones con el filtro PO
se llevan al estado L con certeza (probabilidad = 1), o sea una situación similar a los
obstruidos.

Planteemos las ecuaciones de estado estacionario: π = π P

(πL, πPo, πO) = (πL, πPo, πO) * P

0.10 0.80 0.10

(πL, πPo, πO) = (πL, πPo, πO) * 1 0 0

1 0 0

Es decir:

πL = πL0.10+ πPo1+ πO1

πPo = πL0.80+ πPo0+ πO0

πO = πL0.1 + πPo0+ πO0

Se elimina una cualquiera de estas tres ecuaciones y se agrega la ecuación:

πA + πM + πB = 1

56
Luis Fernando Moreno Velásquez
Al resolver este sistema se obtiene:

πL = 0.53 πPo = 0.42 πO = 0.05

Bajo estas circunstancias el costo del mantenimiento total sería:

42% * $20/camión-día + 5% * $120/camión-día = $14.4/camión-día.

Lo que nos muestra que en este caso es menos costoso hacer el mantenimiento preventivo
que no hacerlo.

Este tipo de problemas se denominan problemas de políticas, porque se hace un análisis


separado bajo dos circunstancias políticas diferentes y se escoge la mejor.

Note que el hecho de que sea mejor el mantenimiento preventivo depende de varios
factores, como la diferencia de costos entre el preventivo y el correctivo, al igual que del
porcentaje de camiones que terminan con el filtro parcialmente obstruido que para este
ejemplo es 0.05, aunque podría ser diferente, pero el enfoque markoviano es una de las
formas de tratar el problema del mantenimiento preventivo.

Retomemos el ejemplo de las computadoras que se revisan al final de cada hora para decidir
si se llevan al taller a reparar o no.

B M

B 0.9 0.1
P =
M 0.65 0.35

Se plantea la condición de estado estacionario:

0.9 0.1
(πB πM) =(πB πM) *
0.65 0.35

Que al resolver para πB πM eliminando una de las ecuaciones redundantes y agregando la


ecuación πB +πM = 1 da: πB = 0.867 πM = 0.133.

Es decir que cada computadora después de un cierto tiempo se mantiene buena el 86.7%
del tiempo y mala el 13.3% del tiempo. O sea que si en el salón hay 100 computadoras, en
promedio se mantienen en forma estacionaria siempre 86.7 computadoras buenas y 13.3
computadoras malas.

57
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ejemplo:

Considere el siguiente problema de inventario de sangre al que se enfrenta un hospital. Se


tiene necesidad de un tipo raro de sangre. La demanda diaria en litros de sangre está dada
por:

P[D=0] = 0.4 P[D=1] = 0.3 P[D=2] = 0.2 P[D=3] = 0.1

Note que la demanda esperada es un litro de sangre:

E(D) = 0 litros *0.4 + 1 litro*0.3 + 2 litros *0.2 + 3 litros *0.1 = 1 litro

Suponga que se surte sangre todos los días. El hospital propone una política y firma un
contrato con un proveedor para recibir al principio del día 1 litro de sangre (el promedio) y
usa siempre la más vieja. Si se requiere durante el día más sangre de la que se tiene al
principio del día se hace una entrega de emergencia a un costo muy alto. La sangre se debe
descartar si en 4 días no se ha usado. Denote los estados del sistema como el número de
litros en inventario justo después de una entrega. Observe que debido a la política de
descartar la sangre el estado más grande posible es 4 litros: un litro recién entregado, otro
con un día, otro con dos días y otro con tres días.

a) Encuentre la matriz de transición de un paso para esta cadena de Markov.


b) Encuentre las probabilidades de estado estable para los estados de esta cadena de
Markov.
c) Use los resultados de b) para encontrar la probabilidad de estado estable de que sea
necesario descartar un litro de sangre durante un día.
d) Determine el número promedio de litros caros de sangre que se compran por día.
e) Determine el número promedio de litros de sangre que se descartan por día.
a) Para armar la matriz de transición usemos una estructura de árbol, que facilita
mucho el trabajo: se puede usar un árbol para armar cada fila de la matriz, donde la raíz del
árbol es el estado en el periodo t y los nodos finales los estados en el periodo t+1.

Recuerde que los estados, al principio de un día, después de la entrega son (1, 2, 3, 4: tener
1 litro, tener 2 litros, tener 3 litros, tener 4 litros), que los estados son después de la entrega,
por lo que siempre hay que sumar un litro: el entregado. Recuerde también la ecuación de
balance de inventario para un periodo:

Inventario final = inventario inicial + entradas (contrato + compra caras) –


salidas (demanda + descartada).

58
Luis Fernando Moreno Velásquez
12 Prob(D=0) = 0.4

D=0
1 Prob(D=1) = 0.3
11 D=1
D=2
1 Compra 1 litro caro 1
Prob(D=2) = 0.2

D=3

1 Compra 2 litros caro 11

Prob(D=3) = 0.1

Figura 4.1 Árbol para el estado 1: primera fila de la matriz

Observe de este árbol que si al inicio de un día hay 1 litro en inventario, al día siguiente
sólo puede haber 1 litro con probabilidad 0.6 (0.3 + 0.2 + 0.1) o 2 litros con probabilidad
0.4 y que en un caso hay que comprar 1 litro caro y en otro caso hay que comprar 2 litros
caros.

En los árboles a continuación aparecen los estados iniciales y finales, pero no se hacen
comentarios.

13 Prob(D=0) = 0.4

D=0
2 Prob(D=1) = 0.3
22 D=1
D=2
11 Prob (D=2) = 0.2

D=3

1 Compra 1 litro caro 11 Prob(D=3) = 0.1

59
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
14 Prob(D=0) = 0.4

D=0
3 Prob(D=1) = 0.3
3 D=1
D=2
12 Prob (D=2) = 0.2

D=3

11 Prob(D=3) = 0.1

Figura 4.3 Árbol para el estado 3: tercera fila de la matriz

Descarta 1 litro
1 4
Prob(D=0) = 0.4

D=0
4 Prob(D=1) = 0.3
3 D=1
D=2
31 Prob (D=2) = 0.2

D=3

21 Prob(D=3) = 0.1

Figura 4.4 Árbol para el estado 4: cuarta fila de la matriz

De acuerdo con estos árboles la matriz de inventarios al comienzo de un día después de la


entrega es:

60
Luis Fernando Moreno Velásquez
1 2 3 4

1 0.6 0.4 0 0

P = 2 0.3 0.3 0.4 0

3 0.1 0.2 0.3 0.4

4 0 0.1 0.2 0.7

b) Probabilidades de estado estable

Ecuaciones de balance: π = πP

(π1, π2, π3, π4) = (π1, π2, π3, π4)P

π1 = 0.6 π1 + 0.3 π2 + 0.1 π3

π3 = 0.4 π2 + 0.3 π3 + 0.2 π4

π4 = 0.4 π3 + 0.7 π4

π1 + π2 + π3 + π4 = 1

(Se descarta la ecuación de π2 por ser la más larga).

Al resolver este sistema de ecuaciones obtenemos:

π1 = 0.2372

π2 = 0.2419

π3 = 0.2233

π4 = 0.2977

c) Observe los árboles, sólo en un caso se descarta sangre: cuando se empieza el día con
4 litros y la demanda es 0 litros y como ambos eventos son independientes, las
probabilidades se multiplican:

Probabilidad (descartar un litro de sangre) = π4*P(D = 0) = 0.2977*0.4 = 0.119.

Hay un 11.9% de probabilidad de descartar sangre, o en forma similar el 11.9% de los


días hay que descartar sangre.

d) Número promedio de litros caros comprados por día:

61
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Recuerde que el promedio de cualquier variable aleatoria discreta está dado por:
Promedio = Σ(valores que toma la variable)*(Probabilidad de cada valor).

De acuerdo con los árboles la variable aleatoria comprar litros caros toma los valores 0,
1, 2.

Entonces, promedio (litros caros) =0*Prob(comprar 0 caros) + 1*Prob(comprar 1 caro)


+ 2*Prob(comprar 2 caros) = 0 + 1*π1*Prob(Dem=2) +1* π2*Prob(Dem=3) +
2*π1*Prob(Dem=3) = 0.2372*0.2 + 0.2419*0.1 + 2*0.2372*0.1 = 0.119 litros.

En resumen, el hospital compra en promedio 0.119 litros caros por día

e) Número promedio de litros que se descartan por día:

De acuerdo con los árboles la variable aleatoria descartar litros toma los valores 0, 1.

Entonces, promedio (litros descartados) = 0*Prob (descartar 0) + 1*Prob (descartar1) =

1*π4*Prob(Dem = 0) =1*0.2977*0.4 = 0.119 litros.

En resumen el hospital descarta en promedio 0.119 litros por día.

Observe que los descartados y los comprados caros son iguales, lo cual no es
sorprendente ya que esto se puede demostrar matemáticamente:

En condición de estado estable: Promedio (entradas) = Promedio (salidas)

= Promedio (contrato + compra cara) = Promedio (demanda + descartada)

= Promedio (contrato) + Promedio (compra cara) = Promedio (demanda) + Promedio


(descartada)

= 1 litro + Promedio (compra cara) = 1 litro + Promedio(descartada).

Cancelando el valor 1 litro obtenemos:

Promedio (compra cara) = Promedio (descartada), como efectivamente habíamos


encontrado.

62
Luis Fernando Moreno Velásquez
Capítulo 5.
Costos esperados y estados absorbentes

Costos esperados
Habíamos estudiado las propiedades de largo plazo de las cadenas de Markov cuyos estados
eran recurrentes positivos y aperiódicos.

Si relajamos el requerimiento de que los estados sean aperiódicos, es posible que:


(𝑛𝑛)
lim 𝑃𝑃 no exista
𝑛𝑛→∞ 𝑖𝑖𝑖𝑖

Ejemplo:

Considérese el proceso de Markov, de dos estados, definido por la siguiente matriz

0 1
P=
1 0

Este proceso markoviano es periódico con periodo 2

1 0
2
P =
0 1

0 1
3
P = =P
1 0

63
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
1 0
4
P = = P2
0 1

y el patrón de matrices se repite.

Si el proceso comienza en el estado cero:

Estará en el estado 0 en los periodos 2, 4, 6, ...

Estará en el estado 1 en los periodos 1, 3, 5, ...

P00(n) = 1 si n es par

P00(n) = 0 si n es impar

Lim P00(n) no existe

ya que aparece la serie: 0 1 0 1 0 1 0 1 0 1 … que es una serie


divergente.

Sin embargo, el siguiente límite siempre existe para una cadena de Markov irreducible con
estados recurrentes positivos. (Note que no se exige que la matriz sea ergódica; de hecho
la de este ejemplo no lo es ya que es periódica)
1 (𝑘𝑘)
lim ( ∗ ∑𝑛𝑛𝑘𝑘=1 𝑃𝑃𝑖𝑖𝑖𝑖 ) = πj
𝑛𝑛→∞ 𝑛𝑛

Las πj satisfacen las ecuaciones de estado estable vistas en el capítulo 5.

Así que ya hemos encontrado una cuarta forma de encontrar las πj, con la ventaja de que
esta cuarta forma no requiere que la matriz sea ergódica, sino que sus estados sean positivos
recurrentes.

Este resultado es sumamente importante al calcular el costo promedio a la larga por unidad
de tiempo, asociado a una cadena de Markov.

Supongamos que se incurre en un costo C(Xt) cuando el proceso se encuentra en el estado


Xt en el tiempo t, para t=0,1,...

C(Xt) es una variable aleatoria que toma cualquiera de los valores C(0), C(1), ..., C(M) y la
función C(.) es independiente de t, es decir que si el estado es el mismo (se repite) en
periodos distintos, el costo asociado con esos dos periodos también es el mismo.

El costo promedio esperado en el que se incurre a lo largo de los primeros n periodos está
1
dado por: E( ∗ ∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )).
𝑛𝑛

64
Luis Fernando Moreno Velásquez
Se puede demostrar que el costo promedio esperado por unidad de tiempo (a la larga), está
1
dado por: lim E( ∗ ∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )) = ∑𝑀𝑀
𝑗𝑗=0 π𝑗𝑗 𝐶𝐶𝑗𝑗 (esta ecuación lo que dice es que el
𝑛𝑛→∞ 𝑛𝑛
promedio de una muestra muy grande tiende al promedio estadístico).

Ejemplo: retomemos el ejemplo de los inventarios

Suponga que se debe asignar un costo de almacenamiento por cada cámara que permanece
en la tienda al final de la semana.

0 si Xt = 0

C(Xt) = 2 si Xt = 1

8 si Xt = 2

18 si Xt = 3

Recordemos la matriz de transición de un paso y las πj del problema de las cámaras.

0 1 2 3

0 0.080 0.184 0.368 0.368

P = 1 0.632 0.368 0 0

2 0.264 0.368 0.368 0

3 0.080 0.184 0.368 0.368

π0 = 0.285

π1 = 0.264

π2 = 0.285

π3 = 0.166

Después de muchas semanas, la probabilidad de encontrar cero, una, dos y tres en el


almacén tiende a 0.285, 0.285, 0.264, 0.166 respectivamente.

El costo promedio esperado a la larga por mantener el inventario es


1
lim E( ∗ ∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )) = 2*(0.285) + *(0.264) + 2*(0.285) + 3*(0.166) = 5.67
𝑛𝑛→∞ 𝑛𝑛

65
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Este valor es el que debe usar la empresa para la evaluación de su inventario, cuando este
es variable en forma probabilística en el tiempo.

Definamos ahora un Ct muy particular de la siguiente manera:

1 si Xt = j
C(Xt) =
0 si Xt ≠ j
Note que es una función de costos que toma solamente los valores 0 o 1.

∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )) representa el número de veces que el proceso entra en el estado j.


1
∗ ∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )) representa la fracción de veces que el proceso está en el estado j.
𝑛𝑛

1
Si aplicamos la fórmula lim E( ∗ ∑𝑛𝑛𝑡𝑡=1 𝐶𝐶((𝑋𝑋𝑡𝑡 )) = ∑𝑀𝑀
𝑗𝑗=0 π𝑗𝑗 𝐶𝐶𝑗𝑗 se tiene:
𝑛𝑛→∞ 𝑛𝑛

lim E (fracción de veces que el sistema está en el estado j)= πj, y la segunda sumatoria da
𝑛𝑛→∞
π𝑗𝑗 .

Esta fórmula nos demuestra que π𝑗𝑗 se puede interpretar como la fracción o porcentaje real
(a la larga) del número de veces que el sistema se encuentra en el estado j (recuerde que
este teorema ya había sido demostrado).

Estados absorbentes
Se había dicho que el estado k se llama estado absorbente si Pkk=1, de manera que una vez
que la cadena llega al estado k, permanece ahí para siempre, porque la probabilidad de
pasar de ese estado al mismo estado en un periodo es 1, lo cual es un evento cierto. Por eso
los estados se llaman absorbentes, porque si en el proceso se llega a dar un estado
absorbente, el proceso no puede salirse de ahí hasta el infinito. Y se dice que el proceso es
absorbido por ese estado.

Definición

Si k es un estado absorbente y el proceso comienza en el estado i, la probabilidad de llegar


en algún momento a k se llama probabilidad de absorción al estado k, dado que el sistema
empezó en i y se denota fik

Si la cadena de Markov tiene dos o más estados absorbentes es deseable encontrar las
probabilidades de absorción por estos estados. Estas probabilidades se hallan al resolver un
sistema de ecuaciones lineales.

fik = ∑𝑀𝑀
𝑗𝑗=0 𝑃𝑃𝑖𝑖𝑖𝑖 𝑓𝑓𝑗𝑗𝑗𝑗 para i= 0,1,..., M (número de estados).

66
Luis Fernando Moreno Velásquez
Esta fórmula es el teorema de la probabilidad total donde la partición se hace en los estados
por los que pasa al cabo de un paso, que son mutuamente excluyentes y exhaustivos

Tenga en cuenta que:

fkk = 1 (si se empieza en un estado absorbente el proceso permanece absorbido en ese estado

fik = 0 si el estado i es recurrente e i≠k (esta ecuación se deduce del hecho de que no se
puede pasar de una clase recurrente a otra clase distinta también recurrente (recuerde que
los estados absorbentes son recurrentes), ya que como se vio en el capítulo 3 una clase es
recurrente si no se puede salir de ella. De acuerdo con esta definición las probabilidades de
absorción, fik ≠ 0, requieren que el estado i sea transitorio y el k absorbente.

Un caso donde las probabilidades de absorción son importantes es el de las caminatas


aleatorias, tal como se verá a continuación.

Ejemplo:

Retomemos el ejemplo de la caminata aleatoria visto al final del capítulo 1, que tiene dos
interpretaciones: la interpretación de la caminata y la del jugador.

Supongamos que se encuentran 2 jugadores (A y B) cada uno con $2. Uno de ellos (el A,
al que le vamos a plantear la matriz de Markov) acepta jugar hasta que quiebre, es decir
llegue a $0 o hasta que llegue a $4; el jugador se retira en cualquiera de estos dos casos.
Note que es una variante del ejemplo visto en el capítulo 1, porque allí no se retiraba en $4
sino en $3.

La probabilidad de que el jugador A gane es p, y cada vez que alguno de los jugadores gana
recibe $1 de su contrincante, o sea que si el jugador A pierde debe entregarle $1 al jugador
B.

El número de pesos que tiene el jugador A después de cada lanzamiento de la moneda (0,
1, 2, 3 o 4) proporciona los estados de una cadena de Markov.

La matriz de Markov que describe este proceso es:

0 1 2 3 4

0 1 0 0 0 0

1 1-p 0 p 0 0

P = 2 0 1-p 0 p 0

3 0 0 1-p 0 p

4 0 0 0 0 1

67
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Note que los estados 0 y 4 son absorbentes. El juego se termina cuando el jugador llega a
los estados 0 (tener $0) o 4 (tener $4).

Recuerde que la moneda puede estar cargada (p≠0.5) o ser normal (p=0.5).

Determinemos las clases con el gráfico visto en el capítulo 3.

0 2

4 3

Figura 5.1

Si se determinan las clases y su clasificación en transitorias o recurrentes vista en el capítulo


3 se ve que este proceso tiene 3 clases:

(0) Recurrente (recuerde que también es absorbente: 1 en la diagonal)

(1, 2, 3) Transitoria

(4) Recurrente (recuerde que también es absorbente 1 en la diagonal)


(𝑛𝑛)
Recuerde la fórmula vista en el capítulo 4: lim 𝑃𝑃𝑖𝑖𝑖𝑖 = 0 para toda i o sea que la
𝑛𝑛→∞
probabilidad de encontrar el proceso en un estado transitorio después de un número grande
de pasos es cero, o sea que el juego termina en uno de los dos estados absorbentes (0 o 4).
Note que este concepto matemático es intuitivamente evidente. Ese juego tarde que
temprano se acaba (en 0 o en 4, pero se acaba, aunque puede durar algunos periodos en los
estados 1, 2 o 3, el jugador A o se quiebra o llega a los $4 y en cualquiera de los dos casos
se retira del juego).

Pregunta: ¿cuál es la probabilidad de que el jugador A termine en cero o en 4 si se juega


con una moneda no cargada?

Por supuesto que la respuesta depende de con cuanta plaza inicia el juego.

Nueva pregunta: ¿si el jugador A empieza el juego con $2 cuál es la probabilidad de que
termine con $0 o con $4 si se juega con una moneda no cargada (p=0.5)?

Para responder esta pregunta planteemos el sistema de ecuaciones lineales.

68
Luis Fernando Moreno Velásquez
fik = ∑𝑀𝑀
𝑗𝑗=0 𝑃𝑃𝑖𝑖𝑖𝑖 𝑓𝑓𝑗𝑗𝑗𝑗 para i= 0,1,..., M (número de estados).

Para responder la última pregunta, encontremos f04, o sea la probabilidad de que si empieza
en el estado 2 termine el juego en el estado 4 (note que el estado 0 es transitorio y el 4 es
absorbente)

f24 = p20f04 + p21f14 + p22f24 + p23f34 + p24f44 (note que aparecen además de f24 también f04,
f14, f34, f44)

por lo que deben plantearse también las ecuaciones para f14, f34, (f04 = 0 y f44 = 1) con lo
que se tiene el sistema de ecuaciones

f14 = p10f04 + p11f14 + p12f24 + p13f34 + p14f44

f24 = p20f04 + p21f14 + p22f24 + p23f34 + p24f44

f34 = p30f04 + p31f14 + p32f24 + p33f34 + p34f44

Reemplazando por los valores de las pij obtenidos de la matriz P, donde si p = 0.5, (1-p)
también es 0.5, se tiene:

f14 = 0.5f24

f24 = 0.5f14 + 0.5f34

f34 = 0.5f24 + 0.5

que al resolver nos da como solución:

f14 = 0.25

f24 = 0.5

f34 = 0.75

Es decir, si el jugador A empieza con dos pesos a jugar lanzando una moneda no cargada,
tiene un 50% de probabilidades de que el juego termine para él con $4; si el jugador A
empieza con un peso a jugar lanzando una moneda no cargada, tiene un 25% de
probabilidades de que el juego termine para él con $4; si el jugador A empieza con tres
pesos a jugar lanzando una moneda no cargada, tiene un 75% de probabilidades de que el
juego termine para el con $4. En todos los casos estos resultados son independientes del
número de juegos, ya que no se sabe cuántas lanzadas de la moneda puede durar el juego.

De la misma forma pueden plantearse y resolverse las ecuaciones para obtener f10, f20, f30.

69
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Aunque como sólo hay dos estados absorbentes y el juego tiene que terminar en uno de los
dos, intuitivamente se puede concluir que estas probabilidades son el complemento de las
anteriores, es decir:

f10 = 0.75

f20 = 0.5

f30 = 0.25

Así como se resolvió el problema para una moneda normal p = 0.5, se puede plantear el
problema general para cualquier valor de p (moneda cargada), lo que nos daría la siguiente
solución:
1−𝜌𝜌𝑖𝑖
1 - fi0 = para p ≠ 0.5
1−𝜌𝜌𝑀𝑀

𝑖𝑖
1 - fi0 = para p = 0.5
𝑀𝑀

Donde ρ = (1-p)/p

Supongamos que p = 2/3 (sabemos que M=4 e i=2)

La probabilidad de que A se quiebre está dada por

1−𝜌𝜌2
f20 = 1 - = 1/5
1−𝜌𝜌4

Es decir, si empieza el juego con $2 pero la moneda lo favorece (p = 2/3) la probabilidad


de que termine quebrado se reduce a 1/5

La probabilidad de que A gane, es decir que B se quiebre está dada por el complemento:

f24 = 1 - f20 = 4/5

Ejemplo:

Considere una tienda de departamentos que clasifica el saldo de la cuenta de un cliente al


final de cada mes en uno de los siguientes 4 estados:

Pagada Estado 0

1 a 30 días de retraso Estado 1

31 a 60 días de retraso Estado 2

Mala deuda Estado 3


70
Luis Fernando Moreno Velásquez
En general los créditos no se extienden y se espera que los clientes paguen dentro de los 30
días de retraso.

En ocasiones los clientes pagan solo parte de la deuda. Si ocurre dentro de los 30 días, la
cuenta permanece en el estado 1. Si ocurre estando la cuenta en el estado 2, se pasa al estado
1 si hace un abono significativo, y se deja en el estado 2 si hace un abono pequeño.

Los clientes que tienen más de 60 días se clasifican en la categoría mala deuda, luego las
cuentas se mandan a una agencia de cobro.

Después de analizar los datos del año pasado la tienda ha desarrollado la siguiente matriz
de Markov:

0 1 2 3

0 1 0 0 0

P = 1 0.7 0.2 0.1 0

2 0.5 0.1 0.2 0.2

3 0 0 0 1

Aunque cada cliente llega al estado 0 o al estado 3, la tienda se interesa en determinar la


probabilidad de que un cliente llegue a ser una mala deuda, dado que pertenece al estado 1
y al estado 2.

Determinemos las clases con el gráfico visto en el capítulo 3.

0 2

Figura 5.2

Si se determinan las clases y su clasificación en transitorias o recurrentes vista en el capítulo


3, se ve que este proceso tiene 3 clases:

(0) Recurrente (recuerde que también es absorbente: 1 en la diagonal)

71
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(1, 2) Transitoria

(3) Recurrente (recuerde que también es absorbente: 1 en la diagonal)

Debemos obtener f13 y f23 mediante la solución del sistema de ecuaciones que anteriormente
describimos

f13 = p10 f03 + p11 f13 + p12 f23 + p13 f33

f23 = p20 f03 + p21 f13 + p22 f23 + p23 f33

Como f03 = 0 y f33 = 1, obtenemos

f13 = 0 + p11 f13 + p12 f23 + p13

f23 = 0 + p21 f13 + p22 f23 + p23

Reemplazando por los valores de las pij, obtenidos de la matriz P, se tiene:

f13 = 0.2 f13 + 0.1 f23

f23 = 0.1 f13 + 0.2 f23 + 0.2

Al resolver estas dos ecuaciones para f13 y f23se tiene:

f13 = 0.032

f23 = 0.254

Aproximadamente el 3% de las cuentas que tienen de 1 a 30 días de retraso acaban por ser
una mala cuenta mientras que el 25% de las cuentas con un retraso de 31 a 60 días llegan a
la misma categoría.

Como no hay sino dos estados absorbente no es necesario resolver el sistema de ecuaciones
para saber cuántas cuentas terminan siendo pagadas.

Aproximadamente el 97% de las cuentas que tienen de 1 a 30 días de retraso acaban siendo
pagadas mientras que solamente el 75% de las cuentas que ya tienen un retraso de 31 a 60
días también terminan siendo pagadas.

Ejemplo:

Un fabricante de videograbadoras está tan seguro de la calidad de su producto, que ofrece


garantía de reposición total si un aparato falla dentro de los dos primeros años. Basándose
en datos compilados, la compañía ha notado que solo 1% de sus grabadoras fallan durante
el primer año, mientras que 5% de ellas sobreviven el primer año pero fallan durante el
segundo. La garantía no cubre grabadoras ya reemplazadas.

72
Luis Fernando Moreno Velásquez
a) Formule la evolución del estado de una grabadora como una cadena de Markov cuyos
estados incluyen dos estados absorbentes que representan la necesidad de cubrir la
garantía o el hecho de que una grabadora sobreviva el periodo de garantía. Construya la
matriz de transición de un paso.

b) Encuentre la probabilidad de que el fabricante tenga que cubrir una garantía.

Representemos el eje del tiempo:

tiempo

RC año 1 1A año 2 2A año 3 3A

CG CG

Figura 5.3

Observe que a pesar de que el periodo es un año, el punto del tiempo RC es el momento de
compra de cada grabadora particular y no es un punto fijo en el tiempo.

Los estados son:

RC: recién comprada (el día que se compra)

1A: cumple un año de comprada

2A: cumple dos años de comprada o más

CG: cambiada por garantía

Observe que los estados CG y 2A son absorbentes, porque si se cambia una vez por garantía
no se vuelve a cambiar; y cuando cumple dos años, a partir de ese momento ya no se cambia
por garantía; y por supuesto cumple 3, 4 o más años, pero es irrelevante para el problema
tener dos años o más. En el estado CG (cambiada por garantía) se puede entrar al final del
primero o segundo año.

De acuerdo con los datos del problema, la matriz de Markov de un paso donde el periodo
es un año es:

73
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
RC 1A 2A CG

RC 0 0.99 0 0.01

P = 1A 0 0 0.95 0.05

2A 0 0 1 0

CG 0 0 0 1

Planteemos las ecuaciones de estados absorbentes:

fik = ∑𝑀𝑀
𝑗𝑗=0 𝑃𝑃𝑖𝑖𝑖𝑖 𝑓𝑓𝑗𝑗𝑗𝑗 para i= 0,1,..., M (número de estados) para los dos estados absorbentes:

fRCCG = pRCRC*fRCCG + pRCCG*fCGCG + pRC1A*f1ACG+pRC2A*f2ACG (1)

f1ACG = p1ARC*fRCCG + p1ACG*fCGCG + p1A1A*f1ACG+p1A2A*f2ACG (2)

que al reemplazar los valores de pij de la matriz en las ecuaciones (1) y (2) nos da:

fRCCG = 0.01 + 0.99 f1ACG (3)

f1ACG = 0.05 + 0 = 0.05 (4)

Al reemplazar la (4) en la (3) obtenemos:

fRCCG = 0.01 + 0.99*0.05 = 0.0595

Es decir, la empresa tiene que cambiar por garantía el 5.95% de las grabadoras que vende.

74
Luis Fernando Moreno Velásquez
Capítulo 6.
Cadenas de Markov de tiempo continuo

Se ha venido suponiendo que el parámetro t del tiempo es discreto (es decir t = 0,1,...). Tal
suposición es adecuada para muchos problemas, pero existen ciertos casos (como en
algunos modelos de líneas de espera) en los que se requiere un parámetro de tiempo
continuo, debido a que el proceso se está observando de manera continua a través del
tiempo.

Estados posibles del sistema: 0,1,.., M (los estados eran y continúan siendo discretos)

Tiempo t’: Parámetro continuo. El tiempo (periodo) era un parámetro discreto y ahora se
considerará continuo.

Sean:

T’ = r Tiempo pasado

T’ = s Tiempo presente

T’ = s+t t unidades al futuro a partir de s

El sistema se observa en los tiempos r y s, y sus respectivos estados son:

X(s) = i En el punto s del tiempo (presente) el proceso está en el estado i

X(r) = x(r) En el punto r del tiempo (pasado) el proceso se encontraba en el estado x(r)

Note que se usa la notación X (mayúscula) para referirse a la variable aleatoria, en tanto la
notación x (minúscula) se refiere a un valor particular de la variable aleatoria.

¿Cuál es la distribución de probabilidad de los estados del proceso en el tiempo t’ = s+t?


(futuro)

Es decir: P {X(s+t) = j | X(s) = i y X(r) = x(r)} para j=0,1,..., M

Note que el planteamiento del proceso markoviano es similar al discreto: se quieren


encontrar las probabilidades de los estados en el tiempo futuro, conocidos los estados en el
pasado y en el presente. Un proceso estocástico de tiempo continuo tiene la propiedad
markoviana si:

P {X(s+t) = j | X(s) = i y X(r) = x(r)} = P {X(s+t) = j |X(s) = i}

para j=0,1,..., M para toda r ≥ 0, s > r y t>0

75
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
La probabilidad de transición es igual que en eventos discretos y el ser markoviano también
es igual, porque note que lo que hace la definición es ignorar el pasado:

P {X(s+t) = j | X(s) = i} Note sin embargo que en lugar de la notación con subíndices se
usa la relación funcional, lo cual es normal en las variables continuas.

Si las probabilidades de transición son independientes de s, de manera que:

P {X(s+t) = j | X(s) = i} = P {X(t) = j | X(0) = i} para toda s > 0 se dice que las probabilidades
de transición son estacionarias.

Note que la definición de ser estacionario también es similar a la de los procesos discretos
y lo que dice es que las probabilidades de transición no dependen de la ubicación en el
tiempo.

Estas probabilidades se denotan por pij(t) = P {X(t) = j | X(0) = i} y como son funciones de
probabilidad de transición de tiempo continuo también se utiliza la relación funcional del
tiempo en lugar del superíndice que se utilizaba en las discretas.

Se supone que lim 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) = 1 si i = j


𝑡𝑡→0

y lim 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) = 0 si i ≠ j


𝑡𝑡→0

Note que si i = j, esta suposición es equivalente a la continuidad de 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) en el punto 0,


ya que

lim 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) = 1


𝑡𝑡→0

Algunas variables aleatorias importantes


A partir de este punto se verán algunas diferencias de los procesos continuos respecto a los
discretos.

Sea la variable aleatoria Ti: el tiempo que pasa cada vez que el proceso está en un estado i
antes de ir a otro estado diferente. Esta variable representa la capacidad de permanencia
(aguante) del proceso en cualquier estado i antes de hacer un salto (transición a otro estado).
Recuerde que el proceso cambia de estado en cualquier punto continuo del tiempo.

Si el proceso está en el estado i en el tiempo s, entonces para t>0 se observa que Ti > t si y
sólo si X(t’) = i para t’ en s ≤ t’ ≤ s+t, es decir: el proceso permanece en el estado i más t
de unidades de tiempo, es equivalente a decir que el proceso permanece en el estado i para
todo tiempo t’ entre

s y s+t.

76
Luis Fernando Moreno Velásquez
Por tanto, la propiedad markoviana con probabilidades de transición estacionarias

P {X(s+t) = j | X(s) = i} = P {X(t) = j | X(0) = i} implica que:

P {Ti > t+s | Ti > s} = P { Ti > t} (esta última propiedad es la expresión de la estacionariedad
de la variable Ti.

Esta propiedad de la variable aleatoria Ti se conoce como la falta de memoria, y lo que


quiere decir es que si el proceso está en un estado i, entonces la capacidad de permanecer
en ese estado i durante un tiempo adicional es independiente de cuánto tiempo llevaba en
el estado i.

Se expresa diciendo que la distribución del tiempo que falta para que el proceso haga una
transición fuera de un estado dado es la misma, independientemente de cuánto tiempo haya
pasado en ese estado.

Existe solo una distribución continua (variable aleatoria continua) con esta propiedad y es
la exponencial.

Recuerde que las variables aleatorias continuas se definen por medio de la función de
densidad.

Para la exponencial la función de densidad está dada por: f(t)=qe-qt con media 1/q, es decir
el parámetro que aparece en la función de densidad es el inverso de la media.

La función acumulada que es la integral de la función de densidad está dada por:


𝑡𝑡 𝑡𝑡
P {Ti <=t} = ∫0 f(x)dx = ∫0 q𝑒𝑒 −𝑞𝑞𝑞𝑞 dx = 1 - e-qt para t ≥ 0

Note que las probabilidades en las variables aleatorias continuas se obtienen con la
acumulada.

Sea pij la probabilidad de pasar de un estado i a otro distinto (sin considerar el tiempo).

Note la diferencia entre 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) y pij, que son dos probabilidades diferentes.

𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) representa la probabilidad de que si el proceso está en el estado i, dentro de t


unidades de tiempo esté en el estado j, sin importar por qué estados pasó en el intermedio,
en tanto que:

pij representa la probabilidad de que si el proceso está en el estado i, el próximo salto


(transición) sea al estado j, sin importar en que punto del tiempo se de esa transición

Entonces:

pii = 0 para todo i (porque i no es distinto de i)

77
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
∑𝑀𝑀
𝑗𝑗=0 𝑝𝑝𝑖𝑖𝑖𝑖 = 1 (teorema de la probabilidad total)

Recuerde que:

pij (t): P {X(t) = j|X(0) = i}

pij: P {Pasar a j | Se está en i}

Definamos:

qi : Tasa de transición hacia fuera del estado i por unidad de tiempo que pasa en i.

qij: Tasa de transición del estado i al j por unidad de tiempo que pasa en i.

(Estas tasas de transición están dadas en veces por unidad de tiempo: veces/tiempo) y existe
una relación entre las qi y las qij con las pij (t) tal como se demuestra a continuación:
lim(1−𝑝𝑝𝑖𝑖𝑖𝑖 (t)) lim−( 𝑝𝑝𝑖𝑖𝑖𝑖 (t)−1) lim( 𝑝𝑝𝑖𝑖𝑖𝑖 (t)−1)
𝑡𝑡→0 𝑡𝑡→0
qi = lim 𝑝𝑝𝑖𝑖(𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜≠𝑖𝑖) (𝑡𝑡) = = = - 𝑡𝑡→0
𝑡𝑡→0 𝑡𝑡 𝑡𝑡 𝑡𝑡

lim−( 𝑝𝑝𝑖𝑖𝑖𝑖 (0+t)−𝑝𝑝𝑖𝑖𝑖𝑖 (0) 𝑑𝑑𝑝𝑝𝑖𝑖𝑖𝑖 (0)


= − 𝑡𝑡→0 =−
𝑡𝑡 𝑑𝑑𝑑𝑑

𝑑𝑑𝑝𝑝𝑖𝑖𝑖𝑖 (0)
Es decir: qi = −
𝑑𝑑𝑑𝑑

lim 𝑝𝑝𝑖𝑖𝑖𝑖 (t) lim 𝑝𝑝𝑖𝑖𝑖𝑖 (0+t)−0 lim 𝑝𝑝𝑖𝑖𝑖𝑖 (0+t)−𝑝𝑝𝑖𝑖𝑖𝑖 (0) 𝑑𝑑𝑝𝑝𝑖𝑖𝑖𝑖 (0)
qij = 𝑡𝑡→0
= 𝑡𝑡→0
= 𝑡𝑡→0
= para toda j≠i
𝑡𝑡 𝑡𝑡 𝑡𝑡 𝑑𝑑𝑑𝑑

𝑑𝑑𝑝𝑝𝑖𝑖𝑖𝑖 (0)
Es decir: qij =
𝑑𝑑𝑑𝑑

Se han demostrado las relaciones entre las qi y las qij las con las pij (t).

Teorema 1

qij = qi pij ∀ j ≠ i (Tasa a la cual se sale de i para j) = (Tasa global a la cual se sale de
i)*(Probabilidad de que la salida sea de i para j)

Teorema 2

qi = ∑𝑗𝑗≠𝑖𝑖 𝑞𝑞𝑖𝑖𝑖𝑖 (Tasa a la cual se sale de i) = (Sumatoria de tasas a las cuales se sale de i para
todos los demás estados) .

Así como se definieron las variables Ti de un subíndice definamos ahora unas variables
similares pero con dos subíndicesTij.

78
Luis Fernando Moreno Velásquez
Sea Tij una variable aleatoria que representa el tiempo que el proceso permanece en el
estado i antes de pasar al estado j (si no ocurre una transición a otro estado).

Análogamente las variables Tij tienen una distribución exponencial con parámetro qij, es
decir con media 1/qij.

Probabilidades de estado estable (Chapman-Kolmogorov) para procesos continuos.

Existen las ecuaciones de Chapman-Kolmogorov para los procesos continuos similares a


las de los procesos discretos:

pij(t) = ∑𝑀𝑀
𝑘𝑘=1 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑠𝑠) ∗ 𝑝𝑝𝑘𝑘𝑘𝑘 (𝑡𝑡 − 𝑠𝑠) (Es el teorema de la probabilidad total para procesos
continuos)

Una cadena de Markov de tiempo continuo es irreducible si todos los estados forman una
sola clase.

Para los procesos continuos también existen las probabilidades de estado estable o
estacionarias: lim 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) = πj
𝑡𝑡→∞

Las πj satisfacen πj = ∑𝑀𝑀


𝑖𝑖=0 π𝑖𝑖 𝑝𝑝𝑖𝑖𝑖𝑖 (𝑡𝑡) para j = 1,2,..M y t ≥ 0.

Pero estas ecuaciones de Chapman-Kolmogorov para procesos continuos no se utilizan y


en su lugar se utilizarán las denominadas ecuaciones de balance, como se verá a
continuación.

Ecuaciones de balance

Tasa de salidas de un estado = Tasa de entradas a ese estado. Estas ecuaciones están basadas
en el principio de que cuando se está en un estado no se puede entrar y cuando se está por
fuera de un estado no se puede salir, por lo que las tasas a las que se entra y se sale de un
estado deben ser iguales: el balance de estas tasas se denomina ecuaciones de balance:

Tasa de salidas del estado j = πj qj (la tasa a la que se sale del estado j cuando se está en j
es qj, pero como no siempre se está en j, se debe multiplicar por el porcentaje de tiempo o
probabilidad de estar en el estado j.

Tasa de entradas al estado j = ∑𝑀𝑀 𝑖𝑖≠𝑗𝑗 π𝑖𝑖 𝑞𝑞𝑖𝑖𝑖𝑖 (la tasa a la cual se entra al estado j es la suma de
las tasas a las cuales se entra al j desde todos los otros estados i, y análogamente a como se
hizo con la de salidas, se debe multiplicar por el porcentaje de tiempo o probabilidad de
estar en el estado i.

79
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
En resumen se plantea una ecuación de balance para cada estado j así:

πj qj = ∑𝑀𝑀
𝑖𝑖≠𝑗𝑗 π𝑖𝑖 𝑞𝑞𝑖𝑖𝑖𝑖 .

Este sistema de ecuaciones nos permite encontrar las πj tal como se ve en el siguiente
ejemplo:

Un taller cuenta con 2 máquinas idénticas que operan continuamente excepto cuando se
descomponen: la máquina 1 y la máquina 2.

El tiempo requerido para reparar una máquina tiene distribución exponencial con media de
1/2 día.

Cuando se termina la reparación, el tiempo que transcurre hasta la siguiente descompostura


se distribuye exponencial con media de 1 día.

Nota: las dos distribuciones exponenciales son independientes.

Definamos la variable aleatoria:

X(t’): Número de máquinas descompuestas en el tiempo t’ (los valores posibles de X(t’)


son 0,1, 2) que es un proceso markoviano de tiempo continuo porque el número de
máquinas malas aumenta en una cuando se daña una máquina y disminuye en una cuando
el mecánico (hay solo un mecánico para repararlas, que no atiende sino una, o sea que si
hay dos malas una de ellas debe esperar a que terminen de reparar la otra).

Cuando corremos el parámetro t’ de manera continua desde el tiempo cero, podemos hallar
la evolución en el tiempo del número de máquinas descompuestas.

Proceso estocástico de tiempo continuo = {X(t’); t’≥ 0}.

Podemos usar las probabilidades de estado estable para hallar la distribución de


probabilidad de estado estable para el número de máquinas descompuestas.

Debemos hallar para i, j = 0, 1, 2

qi: Tasa de transición hacia fuera del estado i por unidad de tiempo que pasa en i.

qij: Tasa de transición del estado i al j por unidad de tiempo que pasa en i.

El estado (número de máquinas descompuestas): aumenta en 1 cuando ocurre una


descompostura y disminuye en 1 cuando se termina una reparación.

Las descomposturas y las reparaciones ocurren una a la vez y no hay simultaneidad de


eventos, o sea que no se pueden dañar dos máquinas a la vez. Aunque este hecho puede

80
Luis Fernando Moreno Velásquez
parecer contraintuitivo, se verá más adelante cuando se estudie en detalle la distribución
exponencial en uno de los capítulos de teoría de colas.

Siempre que en un problema de Markov continuo se dé el periodo (tiempo) debemos


obtener la frecuencia, que es su inverso, porque las ecuaciones de balance se plantean en
función de las frecuencias o sea las qi (de un subíndice para las tasas de salida) y las qij (de
dos subíndices para las tasas de entrada). Los periodos siempre se dan en unidades de
tiempo y las frecuencias en su inverso que es veces/tiempo, donde el parámetro vez es
adimensional.

El tiempo esperado de reparación es 1/2 día o lo que es lo mismo, la tasa (frecuencia) a la


que se terminan las reparaciones (cuando hay máquinas descompuestas) es 2 máquinas por
día (la reparación de una máquina se hace a una tasa de 2 veces/día).

El tiempo esperado hasta que se descompone una máquina es 1 día, o lo que es lo mismo,
la tasa (frecuencia) a la que se descompone cada máquina (cuando está operando) es 1 vez
por día.

Para resolver los problemas continuos una ayuda muy útil en el planteamiento de las
ecuaciones de balance es un gráfico donde los estados se representan por círculos (o
elipses), y los eventos que producen cambios de estado por flechas que unen los dos
estados, el inicial y el final, y a las cuales se les asigna su frecuencia.

q01 = 2 q12 = 2

0 1 2

q10 = 2 q21 = 2

Note que los tres círculos representan los estados:

0 hay cero (0) máquinas malas


1 hay una (1) máquina mala
2 hay dos (2) máquinas malas

Se opta por representar el número de máquinas malas (y no las buenas, aunque también se
podría) porque el proceso se realiza para el taller donde se reparan las máquinas y en el
taller se encuentran las máquinas malas.

Describamos ahora los eventos (flechas)

La costumbre es representar los eventos que producen aumento del estado en la parte
superior del gráfico y los que producen disminución del estado en la parte inferior del
gráfico.

81
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
La flecha (evento) q01 que va de 0 a 1 es una descompostura porque lo que hace pasar de
haber 0 máquinas malas a haber una máquina mala es que una de las dos máquinas buenas
se daña. Como una máquina se descompone en promedio a una tasa de 1 vez/día, el
conjunto de las dos máquinas que están buena (estado 0 malas) se descompone a una tasa
de 2 veces/día. Esta propiedad, que parece evidente, también se verá y se demostrará más
en detalle cuando se estudie la exponencial. En resumen: q01 = 2. No se les ponen unidades
y se asume que siempre son veces por día.

La flecha (evento) q12 que va de 1 a 2 es una descompostura porque lo que hace pasar de
haber 1 máquina mala a haber dos máquinas malas, es que la única máquina buena que hay
se daña. Como cada máquina se descompone en promedio a una tasa de 1 vez/día, entonces
q12 = 1.

La flecha (evento) que va de 1 a 0 es una reparación de la única máquina que se encuentra


en el taller, que se hace a una tasa de 2 veces/día. Por lo tanto: q10 = 2.

La flecha (evento que va de 2 a 1) es una reparación de una de las dos máquinas que están
en el taller. Como el mecánico repara máquinas a una tasa de 2/día, entonces q21 = 2.

Note que aquí no se multiplica por dos como se hizo con las descomposturas, porque se
supone que no hay sino un mecánico y que cuando tiene dos máquinas en el taller, solo
repara una de las dos, en tanto que la otra se pone a esperar en fila.

Con este gráfico y sus explicaciones planteemos las ecuaciones de balance (una para cada
estado):

Recuerde que las ecuaciones de balance son:

Tasa de salidas de un estado = Tasa de entradas a ese estado πj qj = ∑𝑀𝑀


𝑖𝑖≠𝑗𝑗 π𝑖𝑖 𝑞𝑞𝑖𝑖𝑖𝑖 .

2π0 = 2π1 (para el estado 0)

3π1 = 2π0 + 2π2 (para el estado 1)

2π2 = π1 (para el estado 2)

Recuerde que una de las ecuaciones es redundante y se puede eliminar (eliminemos la del
estado 1 que es la más complicada) y conservemos las de los estados 0 y 2 y agreguemos
la ecuación: π0 + π1 + π2 =1 (suma de probabilidades)

En resumen nos queda el sistema lineal de 3 ecuaciones en 3 variables (π0, π1, π2):

2π0 = 2π1

2π2 = π1

82
Luis Fernando Moreno Velásquez
π0 + π1 + π2 = 1

Que al resolverlo nos da.

π0 = 2/5

π1 = 2/5

π2 = 1/5

Eso se interpreta como que en promedio ambas máquinas estarán descompuestas


simultáneamente (estado 2) el 20% del tiempo, una máquina estará descompuesta (estado
1) el 40%, y las dos máquinas estarán buenas (estado 0) el 40% del tiempo.

83
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problemas de procesos de Markov
Problema 1. Una compañía revisa el estado de sus productos importantes sobre una base
anual y decide si tiene éxito (estado 0) o no (estado 1). Después la compañía debe decidir
si da publicidad o no al producto a fin de promover las ventas más a fondo. Las matrices
que se presentan a continuación dan las probabilidades de transición con y sin publicidad
durante un año cualquiera.

Matriz con publicidad Matriz sin publicidad

0 1 0 1
0 0.9 0.1 0 0.7 0.3
1 0.6 0.4 1 0.2 0.8

La utilidad anual que obtiene la empresa, sin incluir los costos de publicidad, es de $2000
si el producto tiene éxito y de $1000 si el producto no tiene éxito.

El valor anual de la publicidad es de $750 cada año. En el presente año el producto no tuvo
éxito.

Se planea una estrategia para los dos años siguientes, donde se consideran dos alternativas:
(1) hacer publicidad en cada uno de los dos años, (2) no hacer publicidad en ninguno de los
dos años.

¿Cuál es su recomendación para la compañía?

Alternativa 1. Hacer publicidad en los dos años


  0,9 0,1
Primer año: Q X1 = Q X 0 × P = [0 1]  = [0,6 0,4]
0,6 0,4
Utilidad esperada = 0,6*2000 + 0,4*1000 – 750 = 850
  0,9 0,1 
Segundo año: Q X 2 = Q X1 × P = [0,6 0,4]∗   = [0,78 0,22]
0,6 0,4
Utilidad esperada = 0,78*2000 + 0,22*1000 – 750 = 1030
Utilidad esperada total = 1880
Alternativa 2. No hacer publicidad en ningún año
  0,7 0,3
Primer año: Q X1 = Q X 0 × P = [0 1]∗   = [0,2 0,8]
0,2 0,8

85
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Utilidad esperada = 0,2*2000 + 0,8*1000 = 1200
  0,7 0,3
Segundo año: Q X 2 = Q X1 × P = [0,2 0,8]∗   = [0,3 0,7]
0,2 0,8
Utilidad esperada = 0,3*2000 + 0,7*1000 = 1300
Utilidad esperada total = 2500
Recomendación: no hacer publicidad.

Problema 2. Un problema importante de tránsito en el área de Cincinnati implica que el


tránsito intenta cruzar el río Ohio desde Cincinnati hasta Kentucky utilizando la carretera
interestatal I-75. La probabilidad de que la carretera esté libre en un periodo, sabiendo que
estaba libre en el periodo anterior es de 0,65 y si el tráfico estaba lento entonces la
probabilidad se reduce a 0,30, pero si estaba inmóvil la probabilidad de encontrar la
carretera libre es 0.1. Ahora bien, la probabilidad de que el tráfico este lento en un periodo,
sabiendo que estaba libre en el periodo anterior es de 0,20 y si el tráfico estaba lento
entonces la probabilidad es 0,50, pero si este estaba inmóvil la probabilidad de encontrarlo
lento es 0.6. El periodo considerado es de 30 minutos.

a. Suponga que usted es un conductor que sintoniza el sistema de tránsito por radio
y recibe un informe de que hay un 50% de posibilidad de que actualmente este
libre y un 40% de que actualmente este lento, ¿cuál es la probabilidad de que
dentro de 2 horas el tráfico esté lento?

b. ¿Cuál es la probabilidad de que, en el largo plazo, el tránsito no esté en estado


lento?

Estados

0 Carretera libre

1 Tráfico lento

2 Tráfico Inmóvil

0.65 0.2 0.15 0.4975 0.32 0.1825


P = 0.30 0.5 0.2  P 2 =  0.365 0.43 0.205 
 0.1 0.6 0.3   0.275 0.5 0.225 

P = {X 2 = 1} = Q x 0 (0 )P01(2 ) + Q x 0 (1)P11(2 ) + Q x 0 (2 )P21(2 )


P = {X 2 = 1} = 0.5 × 0.32 + 0.4 × 0.43 + 0.1 × 0.5 = 0.382

Probabilidad de que dentro de dos horas el tráfico esté lento es 0.382

86
Luis Fernando Moreno Velásquez
c. Ecuaciones

π 0 = 0.65π 0 + 0.30π 1 + 0.1π 2


π 1 = 0.2π 0 + 0.5π 1 + 0.6π 2
π 2 = 0.15π 0 + 0.2π 1 + 0.3π 2
π 0 + π1 + π 2 = 1

0.15π 0 + 0.2π 1
π2 =
0.7
 0.2π 0 + 0.6π 2 
0.15π 0 + 0.2 
π2 =  0.5  = 0.15π 0 + 0.08π 0 + 0.24π 2
0.7 0.7
0.15π 0 + 0.08π 0 0.23π 0
π2 = =
0.46 0.46
 0.2π 0 + 0.6π 2  0.23π 0
π0 +  + =1
 0.5  0.46
  0.23π 0 
 0.2π 0 + 0.6 
π 0 +   0.46   + 0.23π 0 = 1
0.5  0.46
 
 
0.23π 0
π0 +π0 + =1
0.46
π 0 = 0.4
π 1 = 0.4
π 2 = 0.2

Probabilidad (tráfico no esté lento) = 1- 0.4 = 0.6

Problema 3. En una escuela financiada por el Estado que ofrece grados intermedios en
un curso de dos años, se desea saber cuántos estudiantes se graduarán cada año, cuántos
continuarán en la escuela y cuántos renunciarán a ella.

Como es una escuela de duración de dos años, los estudiantes que terminan su primer año
pueden continuar en la escuela o abandonarla. De los estudiantes de la escuela que
terminan el primer año, el 70% aprueba el curso, el 10% debe repetirlo y el resto se retira
de la escuela. De los estudiantes que terminan el segundo año escolar, el 60% se gradúa, el
20% repite y el resto abandona la escuela.

87
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
¿Qué proporción de estudiantes de primero y segundo año se graduará, y qué proporción
abandonará la escuela?

Estados

0 Hacer el primer año

1 Hacer el segundo año

2 Graduado

3 Retiro

0.1 0.7 0 0.2


 0 0.2 0.6 0.2
P= 
0 0 1 0
 
0 0 0 1 

Hay que encontrar las probabilidades de los dos estados absorbentes

f 02 = P00 f 02 + P01 f12 + P02 f 22 + P03 f 32


f12 = P10 f 02 + P11 f12 + P12 f 22 + P13 f 32

0.7
f 02 = 0.1 f 02 + 0.7 f12 = f12
0.9
0.6 3
f12 = 0.2 f12 + 0.6 = =
0.8 4
0.7 3 21 7
f 02 = × = =
0.9 4 36 13

El 58.3% de los estudiantes de primer año se gradúa y el 75% de los estudiantes de segundo
año se gradúa.

Problema 4. En un taller hay una máquina que opera continuamente excepto cuando se
descompone. El taller tiene tres mecánicos, uno que repara cuando el daño no es grave y
los otros dos trabajan juntos reparando los daños graves. Antes de pasar a los mecánicos se
define en una inspección qué tipo de daño es, esta definición se hace en un tiempo esperado
de 1 día ; por los datos históricos se sabe que el 60% de las veces el daño es grave. La
3
máquina se descompone según un proceso de Poisson de tasa 2 por día. Cada uno de los
tres mecánicos repara con una media de 1 día
3

88
Luis Fernando Moreno Velásquez
Si el problema es muy grave existe una posibilidad del 85% de que la máquina sea enviada
por los dos mecánicos a funcionar normalmente, o del 15% de que la envíen a un proceso
de revisión, allí luego de un riguroso análisis la envían a donde el mecánico que está solo
para que la repare, en el 55% de los casos, o deciden el resto de las veces que puede enviarse
a funcionar normalmente. La revisión se hace según proceso de Poisson de tasa 3 por día.

¿A la larga que porcentaje del tiempo estuvo la máquina siendo reparada por los dos
mecánicos y cuánto con el que trabaja solo?

2
3

1.2
2 1
0
1.8
5.1 3
1.35
0.9
4

1.65
Estados

0 La máquina está funcionando

1 La máquina se encuentra en inspección

2 La máquina se encuentra en daños no graves (1 mecánico)

3 La máquina se encuentra en daños graves (2 mecánicos)

4 La máquina se encuentra en revisión

Ecuaciones de estado estable

2π 0 = 3π 2 + 5.1π 3 + 1.35π 4
3π 1 = 2π 0
3π 2 = 1.2π 1 + 1.65π 4 π 0 + π1 + π 2 + π 3 + π 4 = 1
6π 3 = 1.8π 1
3π 4 = 0.9π 3

89
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
 2  
1.2 π 0  + 1.65π 4 
3  1.8  2 
+ π0 +  
2
π0 +  π0  +π4 =1
3  3  6 3 
 
 
 2   0.9  1.8  2    
1.2 π 0  + 1.65   π 0 
2  3   3  6  3     1.8  2   0.9  1.8  2   
π0 + π0 +

+ π +  π  = 1
 6  3 0   3  6  3 0   
3

3
  
 
2
π0 + π 0 + 0.2997π 0 + 0.2π 0 + 0.06π 0 = 1
3
π0 = 0.4492
π 1 = 0.2995
π 2 = 0.1346
π 3 = 0.0898
π 4 = 0.0269

% de tiempo que la máquina está siendo reparada por los dos mecánicos = π3 = 0.0898

% de tiempo que la máquina está siendo reparada por el que trabaja solo = π2 = 0.1346

Problema 5. La empresa La Fiesta Alegre S.A. es la encargada de realizar un festival los


domingos en una ciudad local; para incrementar sus ventas esta empresa suele regalar
boletos para su atracción principal, incurriendo en un costo adicional de $1000 dólares por
domingo. Si un domingo está lleno y realiza la promoción, el siguiente domingo se llenará
con una probabilidad de 6/8; pero si ese domingo no hace promoción el próximo domingo
se llenará con la mitad de la probabilidad anterior. Si un domingo no se llena y se dan los
boletos la probabilidad de que el siguiente domingo se llene es de 4/8, pero si ese domingo
no lo hace la probabilidad de que el próximo domingo de llene es de 1/8.

Cuando se llena el festival, “La Fiesta Alegre S.A” tiene unos ingresos netos (sin contar
costos de promoción) de $4500 dólares, de lo contrario su promedio de ganancias se reduce
a $2000.

a) A usted como analista profesional, el gerente de La Fiesta Alegre S.A. le pide que
formule esto como un proceso de Markov, identifique los estados y para cada una de las
posibles políticas asocie los costos esperados y elija cuál es mejor bajo el criterio de
maximizar ganancias suponiendo que esta política se instaure por mucho tiempo.
b) Una vez se establezca la mejor política, el gerente de “La Fiesta Alegre S.A.”,
entusiasmado y ansioso con el proyecto, le pide calcular la probabilidad de que el tercer
domingo no estén llenos por primera vez partiendo del supuesto de que el primer
domingo estén llenos.

90
Luis Fernando Moreno Velásquez
Este es un problema de políticas.

a)
Con promoción
𝐿𝐿 𝑁𝑁𝑁𝑁
𝐿𝐿 6/8 2/8
𝑁𝑁𝑁𝑁 4/8 4/8

Ecuaciones
6 4
𝜋𝜋0 = ∗ 𝜋𝜋0 + ∗ 𝜋𝜋1
8 8
2 4
𝜋𝜋1 = ∗ 𝜋𝜋0 + ∗ 𝜋𝜋1
8 8
1 = 𝜋𝜋0 + 𝜋𝜋1
2 1
𝜋𝜋0 = ; 𝜋𝜋1 =
3 3
Costos:
(4500-1000)*π0 + (2000-1000)* π1 = 2666,6670

Sin promoción
𝐿𝐿 𝑁𝑁𝑁𝑁
𝐿𝐿 3/8 5/8
𝑁𝑁𝑁𝑁 1/8 7/8

Ecuaciones
3 1
𝜋𝜋0 = ∗ 𝜋𝜋0 + ∗ 𝜋𝜋1
8 8
5 7
𝜋𝜋1 = ∗ 𝜋𝜋0 + ∗ 𝜋𝜋1
8 8
1 = 𝜋𝜋0 + 𝜋𝜋1
𝜋𝜋0 = 0.1667; 𝜋𝜋1 = 0.833333
Costos:
(4500)*π0 + 2000* π1 = 2416,6670

Gana política con promoción

b)
𝐹𝐹𝐿𝐿.𝑁𝑁𝑁𝑁 (3) = 𝑃𝑃𝐿𝐿,𝑁𝑁𝑁𝑁 3 − 𝐹𝐹𝐿𝐿,𝑁𝑁𝑁𝑁 (1) 𝑃𝑃𝑁𝑁𝑁𝑁,𝑁𝑁𝑁𝑁 2 − 𝐹𝐹𝐿𝐿,𝑁𝑁𝑁𝑁 (2) 𝑃𝑃𝑁𝑁𝑁𝑁,𝑁𝑁𝑁𝑁 1
𝐹𝐹𝐿𝐿.𝑁𝑁𝑁𝑁 (2) = 𝑃𝑃𝐿𝐿,𝑁𝑁𝑁𝑁 2 − 𝐹𝐹𝐿𝐿,𝑁𝑁𝑁𝑁 (1) 𝑃𝑃𝑁𝑁𝑁𝑁,𝑁𝑁𝑁𝑁 1
𝐿𝐿 𝑁𝑁𝑁𝑁 𝐿𝐿 𝑁𝑁𝑁𝑁
𝑃𝑃1 = 𝐿𝐿 6/8 2/8 𝑃𝑃2 = 𝐿𝐿 0.6875 0.3125 𝑃𝑃3
𝑁𝑁𝑁𝑁 4/8 4/8 𝑁𝑁𝑁𝑁 0.625 0.375
𝐿𝐿 𝑁𝑁𝑁𝑁
= 𝐿𝐿 0.671875 0.328125
𝑁𝑁𝑁𝑁 0.65625 0.34375

91
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝐹𝐹𝐿𝐿.𝑁𝑁𝑁𝑁 (2) = 0.3125 − 0.25 ∗ 0.5 = 0.1875

𝐹𝐹𝐿𝐿.𝑁𝑁𝑁𝑁 (3) = 0.328125 − 0.25 ∗ 0.375 − 0.1875 ∗ 0.5 = 0.140625

Problema 6. Usted es llamado como Analista por la fábrica Manitas Rápidas y le


comentan que desean evaluar la máquina de ensamblado más importante de la fábrica. Si
esta máquina está operando al inicio del día tiene una probabilidad de daño de 0.1 en algún
momento del día; si esto ocurre se llama al técnico quien tomará un vuelo y llegará al día
siguiente para empezar la reparación, la cual termina al concluir el día; finalmente al iniciar
el siguiente día el técnico debe inspeccionar la máquina antes de entregarla al jefe de
producción, tardando en la inspección un día adicional.

a) El gerente de “Manitas Rápidas” le pide que formule la evolución del proceso de la


máquina como un proceso de Markov, identificando los estados posibles al final de cada
día de trabajo; y le pide que halle los tiempos esperados de primera pasada de un estado
a otro, para todos los estados posibles; ya que esos tiempos los utilizan para cálculos de
producción.
b) El Jefe de Producción de “Manitas Rápidas” le pregunta ¿si la máquina ya tuviese 20
días sin descomponerse desde la última reparación, cuál será el número esperado de días
completos que la máquina permanecerá en operación antes de que se dañe?
Adicionalmente le pide encontrar el rango de valores de la probabilidad de que falle la
máquina cuando estaba operativa, para que éste promedio de tiempo sea mayor a 12.

a)
𝐵𝐵 𝑅𝑅 𝐼𝐼
𝐵𝐵 0.9 0.1 00
𝑅𝑅 0.0 0.0 1
𝐼𝐼 1 0.0 00
Sea B=0 (la máquina termina el día operativo); R=1 (la máquina termina el día dañada; I=2
(la máquina estuvo en inspección todo el día y termina en ese estado el día) entonces

𝜇𝜇00 = 1 + 𝑃𝑃01 𝜇𝜇10 + 𝑃𝑃02 𝜇𝜇20


𝜇𝜇10 = 1 + 𝑃𝑃11 𝜇𝜇10 + 𝑃𝑃12 𝜇𝜇20
𝜇𝜇20 = 1 + 𝑃𝑃21 𝜇𝜇10 + 𝑃𝑃22 𝜇𝜇20

𝜇𝜇01 = 1 + 𝑃𝑃00 𝜇𝜇01 + 𝑃𝑃02 𝜇𝜇21


𝜇𝜇11 = 1 + 𝑃𝑃10 𝜇𝜇01 + 𝑃𝑃12 𝜇𝜇21
𝜇𝜇21 = 1 + 𝑃𝑃20 𝜇𝜇01 + 𝑃𝑃22 𝜇𝜇21

𝜇𝜇02 = 1 + 𝑃𝑃00 𝜇𝜇02 + 𝑃𝑃01 𝜇𝜇12


𝜇𝜇12 = 1 + 𝑃𝑃10 𝜇𝜇02 + 𝑃𝑃11 𝜇𝜇12
𝜇𝜇22 = 1 + 𝑃𝑃20 𝜇𝜇02 + 𝑃𝑃21 𝜇𝜇12

92
Luis Fernando Moreno Velásquez
Estas ecuaciones son tres sistemas de tres ecuaciones en tres variables que se pueden
resolver de forma independiente (las primeras 3 con el segundo subíndice 0, las segundas
tres con el segundo subíndice 1 y las terceras tres con el segundo subíndice 2)

Al resolverlas se obtiene:
𝜇𝜇00 = 1,2
𝜇𝜇10 = 2
𝜇𝜇20 = 1

𝜇𝜇01 = 10
𝜇𝜇11 = 12
𝜇𝜇21 = 11

𝜇𝜇02 = 11
𝜇𝜇12 = 1
𝜇𝜇22 = 12

b) El hecho de llevar 20 días no tiene influencia por la pérdida de la memoria del


proceso.
𝜇𝜇01 = 10
Pero como se pregunta por días completos que estén operando, son 9 puesto que cuando
llega al estado 1 la máquina falla en algún momento del día, entonces son 9 días completos.
Al décimo día falla por primera vez.

Para la otra pregunta:


𝜇𝜇01 = 1 + 𝑃𝑃00 𝜇𝜇01 Debemos buscar las probabilidades 𝑃𝑃01 para que 𝜇𝜇01 > 12 entonces
1 1
𝜇𝜇01 = > 12, 𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑: > 12
(1 − 𝑃𝑃00 ) 𝑃𝑃01

𝑃𝑃01 < 1/12


Por tanto para toda probabilidad de fallo por debajo de 1/12 el tiempo promedio de fallo
por primera vez es mayor que 12.

Problema 7. El Atlético Nacional y el Deportivo Independiente Medellín van a jugar la


final de la Liga Postobón de este semestre. Se han reunido sendos especialistas de cada uno
de los equipos para analizar las posibilidades de victoria de cada uno, llegando a las
siguientes conclusiones: cuando la pelota se juega en la zona C (Central) al principio de un
periodo, los centrocampistas del Atlético Nacional (NAL), consiguen llevar la pelota, al
final del periodo, a la zona defensiva del Deportivo Independiente Medellín (DIM) el 75%
de los casos, en tanto que los del DIM la llevan a la zona defensiva del Nacional el 25%
de las veces. Si al principio de un periodo el balón se encuentra en la zona defensiva del
contrario, los delanteros del NAL consiguen hacer gol al final de ese periodo el 20% de los
casos, en tanto los delanteros del DIM, que son más habilidosos, consiguen hacer el gol el
40% de las ocasiones; si no se hace gol el balón se devuelve siempre a la zona C al final
del periodo.

93
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Cuando algún equipo marca un gol, la pelota se devuelve siempre a la zona C lo que toma
un periodo completo mientras el balón se ubica nuevamente en el centro. Los periodos
duran en promedio 120 segundos.

a) Construya la matriz de Markov para este problema y establezca las ecuaciones de estado
estable con su debida solución. Adicionalmente responda qué equipo tiene más
probabilidades de ganar.

b) Si el tiempo reglamentario termina empatado se inicia un tiempo adicional que termina


dejando como ganador al equipo que marque el primer gol. Cuál es la probabilidad de
que el NAL gane el partido.

a. Estados: sea Xt= lugar en el que se encontrará el balón al final del periodo t.

Xt=C. El balón se encuentra en la zona central (0)

Xt=D. El balón se encuentra en la zona defensiva del DIM. (1)

Xt=N. El balón se encuentra en la zona defensiva del NAL. (2)

Xt=GD. El balón se encuentra en gol del DIM. (3)

Xt=GN. El balón se encuentra en gol del NAL. (4)

Matriz de Markov

C D N GD GN
0-C 0 0,75 0,25 0 0
1-D 0,8 0 0 0 0,2
2-N 0,6 0 0 0,4 0
3-GD 1 0 0 0 0
4-GN 1 0 0 0 0

Ecuaciones de Estado Estable: Π=ΠP

π0= 0.80 π1+0.60 π2+ π3+ π4 (eliminada)

π1= 0.75Π0

π2= 0.255Π0

π3= 0.40Π2

π4= 0.20π1= 0.20 (0.75π0)=0.15π0

Solucionando el sistema de ecuaciones se tiene que:

π0= 0.4444; π1=0.33333; π2=0.1111; π3=0.0444; π4= 0.06666.

94
Luis Fernando Moreno Velásquez
El Nacional tiene más probabilidades de ganar, ya que tiene mayor probabilidad de
hacer gol.

b) Nueva matriz de Markov con dos estados absorbentes de los goles de ambos equipos.

C D N GD GN
0-C 0 0,75 0,25 0 0
1-D 0,8 0 0 0 0,2
2-N 0,6 0 0 0,4 0
3-GD 0 0 0 1 0
4-GN 0 0 0 0 1

Hallar f04 (tiempos de primera pasada)

f04= P00 f04 + P01 f14 + P02 f24 + P03 f34 + P04 f44

f14= P10 f04 + P11 f14 + P12 f24 + P13 f34 + P14 f44

f24= P20 f04 + P21 f14 + P22 f24 + P23 f34 + P24 f44

f04= 0.75 f14 + 0.25 f24 (1)

f14= 0.8 f04 + 0.20 (2)

f24= 0.60 f04 (3)

(3) en (1)

f04=0.75f14+.15f04 → 0.85f04=0.75f14 (4)

(4) en (2)

0.85/0.75f04 = 0.8f04+0.2

F04=0.6

F03= 1- f04 = 0.4

f14= 0.8 f04 + 0.20

f24= 0.60 f04

f04 (Probabilidad de que Nacional gane el partido) = 0.6

Problema 8. Una hormiga recorre un camino de forma triangular (vértices A, B, C) en


busca de comida. Se tiene conocimiento de que en el punto B se encuentra una donna, lo
cual constituye comida suficiente para varios días. La hormiga se demora en ir de un punto
a otro un periodo de 10 minutos, pero puede quedarse durante un periodo en el mismo lugar

95
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
donde se encuentra, ya sea buscando la comida (en A o C) o comiéndose la donna (en B),
en caso de haberla encontrado.

La hormiga utiliza la siguiente estrategia: Cuando llega al punto A, puede quedarse allí
hasta el final del siguiente periodo con una probabilidad de 0.4 o pasar a B con la mitad de
probabilidad de pasar a C. Si llega al punto C, no se queda allí y le es indiferente dirigirse
con igual probabilidad a cualquier otro lugar al final del siguiente periodo. Si llega al punto
B, lugar donde se encuentra la donna, necesariamente se queda ahí comiendo durante un
periodo y al siguiente pasa necesariamente a cualquiera de los puntos A o C con igual
probabilidad.

a) Defina los estados y plantee la matriz de Markov.

b) Si la hormiga puede iniciar en un periodo con igual probabilidad en cualquiera de los


tres puntos (A, B, C), por supuesto antes de comerse la donna, encuentre la probabilidad
de que la hormiga se encuentre al final de ese periodo en el punto C. Adicionalmente
encuentre el evento más probable al final de ese periodo.

A: estados: sea Xt= lugar en el que se encontrará la hormiga al final del periodo t.

A: la hormiga se encuentra en A.

B: la hormiga se encuentra en B porque llegó durante el periodo.

RC: la hormiga se encuentra en B porque estuvo todo el periodo comiéndose la donna.

C: la hormiga se encuentra en C.

Matriz de Markov: P

A B C RC
A 0,4 0,2 0,4 0
B 0 0 0 1
C 0,5 0,5 0 0
RC 0,5 0 0,5 0

b) Qx0 = (1/3, 1/3, 1/3, 0) Qx1= Qx0*P

A B C RC
Qx1= 0,3 0,23333333 0,13333333 0,33333333

Probabilidad de que al cabo de un periodo (10 minutos) se encuentre en C= 13.33%

Evento más probable= RC= 33.33%

96
Luis Fernando Moreno Velásquez
Problema 9. Una persona enciende todos los días su radio para oír el reporte
meteorológico. El oyente escucha que la probabilidad (no condicional) de que llueva hoy
es 0.9. Al día siguiente enciende nuevamente su radio y escucha que la probabilidad (no
condicional) de que llueva ese día es 0.68. Si la probabilidad de que llueva mañana dado
que llovió hoy es del 70%.

¿Cuál es la probabilidad de que llueva pasado mañana dado que llovió hoy?

Phoy llueva (no condicional)= 0,9

Pmañana llueva (no condicional)= 0,68

Si P(llueva mañana/llovió hoy)= 0,7

Qx1=Qx0*P (Fórmula de probabilidad no condicional)


0.7 0.3
(0.68, 0.32) = (0.9, 0.1) * � � (De esta operación se despeja p en cualquiera de
𝑞𝑞 1 − 𝑞𝑞
las ecuciones. Tomemos la primera de ellas)

0.68 = 0.63 + 0.1*q → q= 0,05/0.1= 0.5

0.7 0.3
Por tanto la matriz de Markov del proceso es: � �
0.5 0.5

La probabilidad de que no llueva pasado mañana dado que llovió hoy se obtiene con el
cuadrado de la matriz (a los dos días por Chapman-Kolmogorov)

0.7 0.3 0.7 0.3 0.64 0.36


� �*� �=� �
0.5 0.5 0.5 0.5 0.60 0.40

La probabilidad de que llueva pasado mañana dado que llovió hoy es del 64%. El
elemento (1,1) de la matriz.

Problema 10. Un fabricante de videograbadoras está tan seguro de su calidad que ofrece
garantía de reposición total si el aparato falla dentro de los primeros 3 años. Basándose en
datos compilados, la compañía ha notado que solo el 1% de sus grabadoras fallan durante
el primer año, mientras que el 5% de ellas sobreviven el primer año pero fallan durante el
segundo y 10% de las que no se han dañado durante el segundo año, se dañan durante el
tercero. La garantía no cubre grabadoras ya reemplazadas.

a) Formular la matriz de transición de Markov.


b) ¿Qué porcentaje del total de grabadoras vendidas tiene que cambiar el almacén
por garantía?

Estados al final de un año (note que el año se cumple para cada grabadora en puntos
diferentes del tiempo, dependiendo del momento en que se compró).

97
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
RC=0: recién comprada

CG=1: cambiada por garantía

1A=2: sobrevivió el primer año

2A=3: sobrevivió el segundo año

3A=4: sobrevivió el tercer año

RC CG 1A 2A 3A

RC 0 0.01 0.99 0 0

CG 0 1 0 0 0

1A 0 0.05 0 0.95 0

2A 0 0.1 0 0 0.9

3A 0 0 0 0 1

a) Se utilizan las ecuaciones de estados absorbentes, ya que todas las grabadoras


terminan necesariamente en uno de los dos estados absorbentes: o se cambian por
garantía o cumplen los tres años.
F01 = P00F01 + P01F11 + P02F21 + P03F31 + P04F41 (1)
F21 = P20F01 + P21F11 + P22F21 + P23F31 + P24F41 (2)
F31 = P30F01 + P31F11 + P32F21 + P33F31 + P34F41 (3)
F01 = 0.01 + 0.99F21 (4)
F21 = 0.05 + 0.95F31 (5)
F31 = 0.10 (6)
(6) en (5) F21 = 0.05 + 0.95*0.10 = 0.145
(5) en (4) F01 = 0.01 + 0.99*0.145 = 0.15355

Se cambia el 15.355% del total de las grabadoras vendidas.

Problema 11. Una empresa de medias cuenta con 3 máquinas (A, B y C). La máquina A
trabaja sola pero la B y la C lo hacen acopladas. La máquina A permanece buena por un
tiempo esperado de 2 días antes de dañarse y el acople B-C por 2.5 días (cuando una de las
máquinas del acople se daña, la otra lo hace también y debe ser reparada). El mecánico
encargado de repararlas, lo hace de forma rápida y en promedio se demora 0.5 días con

98
Luis Fernando Moreno Velásquez
cada una de las tres máquinas. Si el mecánico se encuentra reparando la máquina A y el
acople falla entonces el mecánico dejará de reparar la A y pasará a arreglar el acople B-C.

a) ¿Cuánto tiempo permanecerán las 3 máquinas buenas?


b) Sabiendo que la máquina A trabaja 5 horas/día con una tasa de producción de 200
medias/hora y el acople lo hace 8 horas/día con una producción de 350 medias/hora
¿cuál será la tasa de producción por día de la empresa?

Este es un problema de Markov de tiempo continuo y por tanto se resuelve por ecuaciones
de balance y no por medio de una matriz de Markov.

Estados:
0: las tres máquinas malas
1: la máquina A buena y el acople malo
2: el acople bueno y la máquina A mala
3: las tres máquinas buenas

Recuerde que las ecuaciones de balance se plantean en términos de frecuencias, por eso
cuando se dan tiempos hay que tomar los inversos (veces/tiempo) como se muestra a
continuación:

1/2.5
1/2 1 1

0 3

1/2.5 2
2 1/2
1

a) Tasa de salidas = tasa de entradas (Para todos los estados)

Estado 0: π0 = 0.5 π 1 + 0.4 π 2 (1)

Estado 1: 1.5 π 1 = 0.4 π 3 → 3.75 π 1 = π 3 (2)

Estado 2: 2.4 π 2 = π 0 + 0.5 π 3 (3)

Estado 3: 0.9 π 3 = π 1 + 2 π 2 (4)

π 0 + π 1 + π 2 + π 3 =1 (5)

99
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(2) en (4)
2.375 π 1 = 2 π 2
1.1875 π 1 = π 2 (6)

(6) en (1)
π0 = 0.5 π 1 + 0.475 π 1
π0 = 0.975 π 1 (7)

(6), (7) y (2) en (5)


0.975 π 1 + Π1 + 1.1875 π 1 + 3.75 π 1 =1
π1 = 0.1447
π0 = 0.1411
π2 = 0.1783
π3 = 0.5426 (tiempo que permanecen las tres máquinas buenas: 54.26%)

5ℎ 200𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 8ℎ 350𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
b) 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃ó𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = ∗ ∗ (π3 + π1 ) + ∗ ∗
𝑑𝑑𝑑𝑑𝑑𝑑 ℎ 𝑑𝑑𝑑𝑑𝑑𝑑 ℎ
(π3 + π2 )

𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃ó𝑛𝑛𝑛𝑛 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑎𝑎 = 2705,82 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚/ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Problema 12. El centro de cirugía estética RIP S.A., fundado por la modelo Jéssica
Cediel, es una empresa especializada en implantes mamarios. La modelo lo contrata a usted
como especialista para hacer un estudio del inventario de los implantes. Solo hay capacidad
para almacenar tres implantes ya que el tamaño de los implantes y sus características deben
ser protegidos en un ambiente controlado. La política de inventarios del centro funciona de
la siguiente manera: cuando se tienen cero implantes disponibles al final de la jornada de
la tarde se piden tres implantes. Además, si el centro empieza con inventario al principio
de la mañana y durante esta se queda sin implantes, se pide solo uno al final de la mañana.
Todos los pedidos siempre llegan a las 12 del mediodía. El centro trabaja de 6 a.m. a 8 p.m.

En la jornada de la mañana (6 a.m.-11 a.m.) las demandas siempre son 0, 1 o 2, de la


siguiente manera: P (D=0)=0,1, P (D=1)=0,4. P (D=2)=0,5.

En la jornada de la tarde (1:00 p.m.-8:00 p.m.) las demandas pueden ser 0, 1, 2 o 3


implantes, de la siguiente manera: P (D=0)=0,1, P (D=1)=0,2. P (D=2)=0,4, P (D=3)=0,3.

Los implantes pedidos que llegan a las 12 del mediodía cuestan 2 millones de pesos cada
uno. Sin embargo, si el centro presenta la necesidad de un implante durante la mañana o la
tarde y no lo hay, se tiene la posibilidad de pedir un implante que llega de manera
instantánea y se usa para suplir el exceso de demanda, pero estos implantes tienen un costo
de 3 millones de pesos cada uno.

100
Luis Fernando Moreno Velásquez
a) Plantee el problema como un proceso de Markov con sus diferentes estados y la
respectiva matriz de un paso; plantee las ecuaciones de balance, pero no las resuelva.

b) Calcule el costo total promedio diario de implantes (normales y urgentes) para el centro
de cirugía; plantee las ecuaciones, pero no las resuelva.

a) Xt: cantidad de implantes en inventario al principio de un día. [0, 1, 2, 3]


Note que el periodo es el día y no medio día (la mañana o la tarde, ya que el
comportamiento durante los dos medios días: mañana y tarde son diferentes)

Metodología: (por ejemplo si partimos del estado 3)

Estado inicial Demanda Unidades disponibles Demanda Estado final


mañana a las 12 m tarde

3 0 (prob = 0.1) 3 0 (prob = 0.1) 3

1 (prob = 0.2) 2

2 (Prob = 0.4) 1

3 (Prob = 0.3) 0

1 (prob = 0.4) 2 0 (prob = 0.1) 2

1 (prob = 0.2) 1

2 (Prob = 0.4) 0

3 (Prob = 0.3) 0 (se pide


uno caro)

2 (prob = 0.5) 1 0 (prob = 0.1) 1

1(prob = 0.2) 0

2 (Prob = 0.4) 0 (se pide


uno caro)

3 (Prob = 0.3) 0 (se piden


dos caros)

101
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Metodología: (por ejemplo si partimos del estado 1)

Estado inicial Demanda Unidades disponibles Demanda Estado


mañana a las 12 m tarde final

1 0 (prob= 0.1) 1 0 (prob = 0.1) 1

1 (prob = 0.2) 0

2 (Prob = 0.4) 0 (1
caro)

3 (Prob = 0.3) 0 (2
caros)

1 (Prob = 0.4) 1 (se pide) 0 (prob = 0.1) 1

1 (prob = 0.2) 0

2 (Prob = 0.4) 0 (1
caro)

3 (Prob = 0.3) 0 (2
caros)

2 (prob = 0.5) 1 (se pide) 0 (prob = 0.1) 1

Se pide uno 1 (prob = 0.2) 0


caro
2 (Prob = 0.4) 0 (1
caro)

3 (Prob = 0.3) 0 (2
caros)

102
Luis Fernando Moreno Velásquez
Para los otros estados, utilizando una metodología similar se llega a la siguiente matriz de
Markov:

0 1 2 3

0 0.3 0.4 0.2 0.1

1 0.9 0.1 0 0

2 0.88 0.11 0.01 0

3 0.76 0.17 0.06 0.01

Resolviendo este sistema de ecuaciones se obtiene:

π0 = 0.557

π1 = 0.319

π2 = 0.068

π3 = 0.056

a) Costos totales = Costos por pedido normal + Costos por pedidos urgentes.
Costos por pedido normal: (π 2 (0.5) + π 1 (0.5) + π 1 (0.4)) x 2’000.000 + (π 0 x 2’000.000)
x3

Note que en las fórmulas a continuación en algunos casos aparecen tres probabilidades
multiplicadas, porque deben darse tres eventos: el inventario inicial (π) y las dos demandas
de la mañana y de la tarde.

Costos por pedidos urgentes:[[[ π3 [(0.4 x 0.3) + (0.5 x 0.4) + (0.5 x 0.3 x 2)] + π 2 [(0.1 x
0.3) + (0.4 x 0.4) + (0.5 x 0.4)] + 2 x π 2 [(0.4 x 0.3) + (0.5 x 0.3)] + π 1 [(0.5) + (0.1 x 0.4)
+ (0.4 x 0.4) + (0.5 x 0.4)] + 2 x π 1 [(0.1 x 0.3) + (0.4 x 0.3) + (0.5 x 0.3)] + π 0[(0.4) + 2 x
(0.5)] ]]] x 3’000.000

Problema 13. Suponga que cada caja de cereal El Conde Chócula contiene una de cinco
tarjetas distintas coleccionables de Harry Potter y Voldemort. De cada tarjeta diferente se
fabricó el mismo número de ejemplares en una cantidad muy grande.

a) Sea el proceso de Markov definido por el número de tarjetas diferentes que tiene un
coleccionista cada que se compra una caja. Plantee la matriz de Markov del proceso.

b) Diga en promedio, ¿cuántas cajas deberá comprar un coleccionista hasta obtener la


colección completa de las cinco tarjetas diferentes?

103
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Estados: número de tarjetas coleccionables diferentes de Harry Potter y Voldemort que
posee el coleccionista después de realizar una compra.

Note que como el número de tarjetas es muy grande y de todas se produjo la misma
cantidad, la probabilidad de encontrar cualquier tarjeta se puede considerar constante e
igual a 1/5 = 0.2

0: 0 tarjetas diferentes

1: 1 tarjeta diferente

2: 2 tarjetas diferentes

3: 3 tarjetas diferentes

4: 4 tarjetas diferentes

5: 5 tarjetas diferentes

0 1 2 3 4 5
0 1
1 0.2 0.8
2 0.4 0.6
3 0.6 0.4
4 0.8 0.2
5 1

El número de cajas que debe comprar va a hacer igual al número esperado de semanas que
se demore en coleccionar las cinco tarjetas, esto es equivalente a 𝜇𝜇05 . Es decir el tiempo
esperado para pasar de tener cero tarjetas a cinco tarjetas por primera vez. Por tanto se
plantean las ecuaciones de tiempos de primera pasada.

µij = 1 + ∑(𝑘𝑘≠𝑗𝑗)∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑖𝑖𝑖𝑖 µkj


µ05 = 1+p00µ05 +p01µ15 + p02µ25 + p03µ35 + p04µ45
µ15 = 1+p10µ05 +p11µ15 + p12µ25 + p13µ35 + p14µ45
µ25 = 1+p20µ05 +p21µ15 + p22µ25 + p23µ35 + p24µ45
µ35 = 1+p30µ05 +p31µ15 + p32µ25 + p33µ35 + p34µ45
µ45 = 1+p40µ05 +p41µ15 + p42µ25 + p43µ35 + p44µ45
Reemplazando los valores de los pij por los valores de la matriz se tiene:

104
Luis Fernando Moreno Velásquez
µ05 = 1+1µ15
µ15 = 1+0.2µ15 + 0.8µ25
µ25 = 1+ 0.4µ25 + 0.6µ35
µ35 = 1+ 0.6µ35 + 0.4µ45
µ45 = 1+0.8µ45
cuya solución es:
µ05 = 11.42
µ15 = 10.42
µ25 = 9.17
µ35 = 7.50
µ45 = 5.00
Un coleccionista debe comprar en promedio 11.42 cajas de cereal para ajustar su colección
de las cinco tarjetas diferentes.

Problema 14. Considere una población con solo dos individuos que en cada generación
(padres) produce dos nuevos individuos (hijos) y que después mueren inmediatamente (los
padres). El tamaño de la población es, por tanto, constante e igual a dos siempre. Cada
individuo porta dos genes que determinan el color de los ojos. Estos genes pueden ser los
dos recesivos, los dos dominantes o uno recesivo y uno dominante.

Cada uno de los dos padres transmite a sus descendientes un solo gen, así que cada
descendiente tendrá uno de los genes de cada uno de los padres. Además, cada padre
transmite siempre el mismo gen a sus dos descendientes, o sea que siempre los que son
descendientes tienen el conjunto de sus dos genes iguales entre sí, aunque pueden ser uno
recesivo y uno dominante en ambos descendientes. Además, es igualmente probable que
se transmita cualquiera de los dos genes que porta cada uno de los padres a sus
descendientes.

a) Defina el problema como una cadena de Markov, estableciendo claramente los estados
(el orden de los genes es irrelevante) y la matriz de transición de un solo paso.
b) Si cada uno de los dos abuelos posee los dos genes diferentes (ambos abuelos uno
recesivo y uno dominante) ¿cuál es la probabilidad de que cada nieto posea los dos
genes iguales, los dos recesivos o los dos dominantes?
c) Si cada uno de los individuos de una generación posee los dos genes diferentes (ambos
individuos un gen recesivo y uno dominante) ¿cuál es la probabilidad de que todos los
descendientes a partir de algún momento posean siempre los dos genes recesivos?
Sea Xt: la cadena genética de cada uno de los individuos en el tiempo t, representada de la
siguiente forma: (A, B). Donde A es el conjunto de genes que porta uno de los individuos

105
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
y B el conjunto de genes que porta el otro individuo, y que X es el gen dominante y Y el
recesivo:

Dado que no importa el orden de los genes, los estados estarían determinados por:

(XX, XX), (XX, XY), (XX, YY), (YY, YX), (XY, XY), (YY, YY)

Los estados (XX, XX) y (YY, YY) son estados absorbentes ya que cada uno de los padres
transmite el mismo gen a los dos descendientes con la misma probabilidad y en este caso
los dos padres tienen la misma cadena genética con genes iguales. Por lo cual si la población
entra en esta condición, todas las siguientes generaciones tendrían la misma cadena
genética.

El 2do trans X
XX, XX
El 1ro trans X

XX, XY

El 2do trans Y XY, XY


a)

XY, XY
El 2do trans Y
El 1ro trans X

XX, YY

El 2do trans Y XY, XY

YX, YX
El 2do trans X
El 1ro trans Y

YY, YX

El 2do trans Y YY, YY

106
Luis Fernando Moreno Velásquez
XX, XX
El 2do trans X

El 1ro trans X
El 2do trans Y XY, XY
XY, XY
YX, YX
El 2do trans X

El 1ro trans Y

El 2do trans Y YY, YY

La matriz de transición de un solo paso que representa el proceso se presenta a


continuación. Note que el XY y el YX se consideran el mismo individuo y por lo tanto las
probabilidades se pueden sumar.

(XX, XX) (XX, XY) (XX, YY) (XY, XY) (YY, YX) (YY, YY)

(XX, XX) 1 0 0 - 0 0

(XX, XY) 0.5 0 0 0.5 0 0

(XX, YY) 0 0 0 1 0 0

(XY, XY) 0.25 0 0 0.5 0 0.25

(YY, YX) 0 0 0 0.5 0 0.5

(YY, YY) 0 0 0 0 0 1

b)

Se pregunta por una probabilidad no condicional en donde se sabe que hay probabilidad
igual a 1 de que en el tiempo t los individuos se encuentren en el estado (XY, XY) y dentro
de dos pasos (dos generaciones) llegar a que los dos nietos tengan los mismo genes e
iguales, es decir, llegar a los estados (XX, XX) o (YY, YY):

107
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
La matriz elevada al cuadrado es:

(XX, XX) (XX, XY) (XX, YY) (XY, XY) (YY, YX) (YY, YY)
(XX, XX) 1.000 0.000 0.000 0.000 0.000 0.000
(XX, XY) 0.625 0.000 0.000 0.250 0.000 0.125
(XX, YY) 0.250 0.000 0.000 0.500 0.000 0.250
(XY, XY) 0.375 0.000 0.000 0.250 0.000 0.375
(YY, YX) 0.125 0.000 0.000 0.250 0.000 0.625
(YY, YY) 0.000 0.000 0.000 0.000 0.000 1.000

Por tanto para responder la pregunta se deben sumar las dos probabilidades que están entre
paréntesis en la matriz y el resultado sería igual a 0.75

c)

Se trata de una probabilidad de absorción desde el estado (XY, XY) al estado (YY, YY) si
enumeramos los estados de 1 a 6 en el orden que están en la matriz, entonces:

F46 = P41F16 + P42F26 + P43F36 + P44F46 + P45F56 + P46F66


Donde:
F16 = 0, P42 = 0, P43 = 0, P45 = 0, F66 = 1
Por tanto:
F46 = 0.5* F46 + 0.25
F46 = 0.5

Problema 15. Un estudiante tiene apilados sobre su mesa tres libros de consulta (X, Y,
Z), que utiliza el 20%, el 48% y el 32% de las veces respectivamente. Cuando necesita un
libro, lo toma sin alterar el orden de los otros dos y al acabar de utilizarlo lo deposita
encima, a la espera de la próxima consulta.
a) Plantear el problema como un proceso de Markov.
b) Hallar la proporción promedio de tiempo en el largo plazo que los libros de cada tipo se
encuentran en la parte de encima.
c) Determinar el número promedio de consultas necesario para que si están en el orden
X, Y, Z se produzca por primera vez el orden inverso (el inverso es Z,Y,X).

108
Luis Fernando Moreno Velásquez
a)

Estado i Probabilidad Estado j


X,Y,Z 20 X,Y,Z
48 Y,X,Z
32 Z,X,Y
X,Z,Y 20 X,Z,Y
48 Y,X,Z
32 Z,X,Y
Y,X,Z 20 X,Y,Z
48 Y,X,Z
32 Z,Y,X
Y,Z,X 20 X,Y,Z
48 Y,Z,X
32 Z,Y,X
Z,X,Y 20 X,Z,Y
48 Y,Z,X
32 Z,X,Y
Z,Y,X 20 X,Z,Y
48 Y,Z,X
32 Z,Y,X

Matriz de transición
1 2 3 4 5 6
X,Y,Z X,Z,Y Y,X,Z Y,Z,X Z,X,Y Z,Y,X
1 X,Y,Z 0.2 0 0.48 0 0.32 0
2 X,Z,Y 0 0.2 0.48 0 0.32 0
3 Y,X,Z 0.2 0 0.48 0 0 0.32
4 Y,Z,X 0.2 0 0 0.48 0 0.32
5 Z,X,Y 0 0.2 0 0.48 0.32 0
6 Z,Y,X 0 0.2 0 0.48 0 0.32

b) Planteando π= πP para obtener la condición de estado estacionario se tiene:


𝜋𝜋1 = 𝜋𝜋1 ∗ 0.2 + 𝜋𝜋3 ∗ 0.2 + 𝜋𝜋4 ∗ 0.2

𝜋𝜋2 = 𝜋𝜋2 ∗ 0.2 + 𝜋𝜋5 ∗ 0.2 + 𝜋𝜋6 ∗ 0.2

𝜋𝜋3 = 𝜋𝜋1 ∗ 0.48 + 𝜋𝜋2 ∗ 0.48 + 𝜋𝜋3 ∗ 0.48

𝜋𝜋4 = 𝜋𝜋4 ∗ 0.48 + 𝜋𝜋5 ∗ 0.48 + 𝜋𝜋6 ∗ 0.48

109
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝜋𝜋5 = 𝜋𝜋1 ∗ 0.32 + 𝜋𝜋2 ∗ 0.32 + 𝜋𝜋5 ∗ 0.32

𝜋𝜋6 = 𝜋𝜋3 ∗ 0.32 + 𝜋𝜋4 ∗ 0.32 + 𝜋𝜋6 ∗ 0.32

1 = 𝜋𝜋1 + 𝜋𝜋2 + 𝜋𝜋3 + 𝜋𝜋4 + 𝜋𝜋5 + 𝜋𝜋6

Resolviendo este sistema de ecuaciones se obtiene:

𝜋𝜋1 = 0.12 (X, Y, Z)


𝜋𝜋2 = 0.08 (X, Z, Y)
𝜋𝜋3 = 0.18 (Y, X, Z)
𝜋𝜋4 = 0.30 ((Y, Z, X)
𝜋𝜋5 = 0.09 (Z, X, Y)
𝜋𝜋6 = 0.23 (Z, Y, X)
X (encima) = 𝜋𝜋1 + 𝜋𝜋2 = 0.12 + 0.08 = 0.20
Y (encima) = 𝜋𝜋3 + 𝜋𝜋4 = 0.18 + 0.30 = 0.48
Z (encima) = 𝜋𝜋5 + 𝜋𝜋6 = 0.09 + 0.23 = 0.42

c) Con las ecuaciones de tiempo promedio de primera pasada se tiene:

µij = 1 + ∑(𝑘𝑘≠𝑗𝑗)∈𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑖𝑖𝑖𝑖 µkj


𝜇𝜇14 = 1 + 𝑝𝑝11 𝜇𝜇14 + 𝑝𝑝12 𝜇𝜇24 + 𝑝𝑝13 𝜇𝜇34 + 𝑝𝑝15 𝜇𝜇54 + 𝑝𝑝16 𝜇𝜇64

Como P12=0 y P16=0, entonces

𝜇𝜇14 = 1 + 𝑝𝑝11 𝜇𝜇14 + 𝑝𝑝13 𝜇𝜇34 + 𝑝𝑝15 𝜇𝜇54

Plantear 𝜇𝜇34 𝑦𝑦 𝜇𝜇54

𝜇𝜇34 = 1 + 𝑝𝑝31 𝜇𝜇14 + 𝑝𝑝32 𝜇𝜇24 + 𝑝𝑝33 𝜇𝜇34 + 𝑝𝑝35 𝜇𝜇54 + 𝑝𝑝36 𝜇𝜇64

Como P32=0 y P35=0, entonces

𝜇𝜇34 = 1 + 𝑝𝑝31 𝜇𝜇14 + 𝑝𝑝33 𝜇𝜇34 + 𝑝𝑝36 𝜇𝜇64

𝜇𝜇54 = 1 + 𝑝𝑝51 𝜇𝜇14 + 𝑝𝑝52 𝜇𝜇24 + 𝑝𝑝53 𝜇𝜇34 + 𝑝𝑝55 𝜇𝜇54 + 𝑝𝑝56 𝜇𝜇64

Como P51=0, P53=0 y P56=0, entonces

𝜇𝜇54 = 1 + 𝑝𝑝52 𝜇𝜇24 + 𝑝𝑝55 𝜇𝜇54

110
Luis Fernando Moreno Velásquez
Plantear

𝜇𝜇24 = 1 + 𝑝𝑝21 𝜇𝜇14 + 𝑝𝑝22 𝜇𝜇24 + 𝑝𝑝23 𝜇𝜇34 + 𝑝𝑝25 𝜇𝜇54 + 𝑝𝑝26 𝜇𝜇64

Como P21=0 y P26=0

𝜇𝜇24 = 1 + 𝑝𝑝22 𝜇𝜇24 + 𝑝𝑝23 𝜇𝜇34 + 𝑝𝑝25 𝜇𝜇54

Plantear

𝜇𝜇64 = 1 + 𝑝𝑝61 𝜇𝜇14 + 𝑝𝑝62 𝜇𝜇24 + 𝑝𝑝63 𝜇𝜇34 + 𝑝𝑝65 𝜇𝜇54 + 𝑝𝑝66 𝜇𝜇64

Como P61=0 y P63=0 y P65=0

𝜇𝜇64 = 1 + 𝑝𝑝62 𝜇𝜇24 + 𝑝𝑝66 𝜇𝜇64

Se tienen entonces cinco ecuaciones, para resolver 𝜇𝜇14

𝜇𝜇14 = 1 + 𝑝𝑝11 𝜇𝜇14 + 𝑝𝑝13 𝜇𝜇34 + 𝑝𝑝15 𝜇𝜇54

𝜇𝜇34 = 1 + 𝑝𝑝31 𝜇𝜇14 + 𝑝𝑝33 𝜇𝜇34 + 𝑝𝑝36 𝜇𝜇64

𝜇𝜇54 = 1 + 𝑝𝑝52 𝜇𝜇24 + 𝑝𝑝55 𝜇𝜇54

𝜇𝜇24 = 1 + 𝑝𝑝22 𝜇𝜇24 + 𝑝𝑝23 𝜇𝜇34 + 𝑝𝑝25 𝜇𝜇54

𝜇𝜇64 = 1 + 𝑝𝑝62 𝜇𝜇24 + 𝑝𝑝66 𝜇𝜇64

Reemplazando los 𝑝𝑝𝑖𝑖𝑖𝑖 de la matriz se tiene:

𝜇𝜇14 = 1 + 0.2 ∗ 𝜇𝜇14 + 0.48 ∗ 𝜇𝜇34 + 0.32 ∗ 𝜇𝜇54

𝜇𝜇34 = 1 + 0.2 ∗ 𝜇𝜇14 + 0.48 ∗ 𝜇𝜇34 + 0.32 ∗ 𝜇𝜇64

𝜇𝜇54 = 1 + 0.2 ∗ 𝜇𝜇24 + 0.32 ∗ 𝜇𝜇54

𝜇𝜇24 = 1 + 0.2 ∗ 𝜇𝜇24 + 0.48 ∗ 𝜇𝜇34 + 0.32 ∗ 𝜇𝜇54

𝜇𝜇64 = 1 + 0.2 ∗ 𝜇𝜇24 + 0.32 ∗ 𝜇𝜇64

Y al resolver este sistema este sistema se obtiene:

𝜇𝜇14 = 6.51; es decir para pasar del orden XYZ al orden ZYX se requiere en promedio sacar
6.51 libros y depositarlos encima.

111
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problema 16. Se tiene un ratón encerrado en una casa dividida en cuatro espacios con
diversas entradas: salón, cocina, habitación y hall de entrada, y las siguientes puertas de
comunicación entre los espacios: El salón comunica con la habitación, la cocina y el hall
de entrada. La habitación comunica con el salón y la cocina. La cocina comunica con el
salón, la habitación y el hall de entrada. El hall de entrada comunica con el salón y la cocina
y el exterior. El ratón tiene, cuando está en cualquier espacio, una probabilidad igual de
pasar a los espacios adyacentes (con los que se comunica).

Si el ratón sale al exterior no puede volver a entrar a la casa.

a) Construya la matriz de transición.

b) Suponiendo que actualmente el ratón se encuentra en el salón, calcule la probabilidad


de que si pone queso envenenado en la cocina el dueño mate al ratón y la probabilidad
de que escape hacia la calle.

Estados: lugar donde se encuentra el ratón

1: salón (s)
2 habitación de alcoba (a)
3 cocina (c)
4 hall de entrada (h)
5 exterior (e)

a)
1 2 3 4 5
1 0 1/3 1/3 1/3 0
2 1/2 0 1/2 0 0
3 1/3 1/3 0 1/3 0
4 1/3 0 1/3 0 1/3
5 0 0 0 0 1

Note que la diferencia con el numeral anterior es que el estado 3 (c) se vuelve absorbente,
ya que el si el ratón muere, se queda en ese estado.

112
Luis Fernando Moreno Velásquez
1 2 3 4 5
1 0 1/3 1/3 1/3 0
2 1/2 0 1/2 0 0
3 0 0 1 0 0
4 1/3 0 1/3 0 1/3
5 0 0 0 0 1

fsc= pssfsc + psafac + pscfcc + pshfhc + psefec


fsc= (1/3)fac + (1/3) +(1/3)fhc (1)

fac= pasfsc + paafac + pacfcc + pahfhc + paefec


fac= (1/2) fsc (1/2) (2)

fhc= phsfsc + phafac + phcfcc + phhfhc + phefec


fhc=(1/3)fsc + (1/3) (3)

Resolviendo (1), (2) y (3) se obtiene:


fsc= 0.846
fac= 0.923
fhc= 0.615

fsc = 0.8462 (lo matan)


fse = 0.1538 (escapa)

Problema 17. El gran Circo de México cuenta para la presentación de su espectáculo con
dos leones, pero siempre utilizan uno en el espectáculo y el otro es tomado como plan de
contingencia. El espectáculo de los leones consiste en rugir fuertemente, por tanto si alguno
de ellos tiene problemas en las cuerdas vocales al final de un día, se debe reemplazar por
el otro al día siguiente. Las funciones se presentan cada día.

Un león aliviado tiene una probabilidad de 0.4 de tener problemas con su rugido al final de
un día; cuando esto ocurre inicia un tratamiento de recuperación al inicio del día siguiente
y el otro león lo reemplaza siempre y cuando sus cuerdas bucales se encuentren bien y
pueda rugir perfectamente. Además se tiene en cuenta que el veterinario sólo puede atender
un león a la vez y que el tiempo requerido para que el león se alivie es de 2 días completos
de tratamiento. Basados en datos proporcionados, se tiene que el 70% de las veces los
leones se alivian con el tratamiento suministrado por el veterinario, en tanto que los que no
se alivian deben iniciar nuevamente el proceso de tratamiento de dos días.

a) Defina cada uno de los estados y construya la matriz de transición de un paso. Plantee
la matriz y el sistema de ecuaciones.

113
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
b) Si al veterinario que atiende a los leones se le pagan $8000 por cada león que ha sido
atendido y queda con una buena condición en sus cuerdas bucales que le permita rugir,
y se le multa (descuenta) con $2000 por cada león cuyo tratamiento haya sido
ineficiente, encuentre el salario promedio diario que se le paga al veterinario. (Plantee
la solución aunque no la resuelva numéricamente).
a) Prob. Malos rugidos: 0.4 Prob. Buenos rugidos: 0.6
Prob. Mal tratamiento: 0.3 Prob. Buen tratamiento: 0.7

Estados: número de leones aliviados, días de tratamiento del que está


siendo tratado.

0= (2,0)= 2 leones aliviados, 0 días de tratamiento.


1= (1,0)= 1 león aliviado, 0 días de tratamiento.
2= (0,1)= 0 leones aliviados, 1 día de tratamiento de alguno.
3= (1,1)= 1 león aliviado, 1 día de tratamiento.
4= (0,0)= 0 leones aliviados, 0 días de tratamiento.

La matriz de Markov de un paso es:

Estados (2,0) (1,0) (0,1) (1,1) (0,0)

(2,0) 0.6 0.4 0 0 0

(1,0) 0 0 0.4 0.6 0

(0,1) 0 0.7 0 0 0.3

(1,1) (0.6*0.7)=0.42 (0.6*0.3)+ 0 0 0.4*0.3= 0.12


(0.4*0.7) = 0.46

(0,0) 0 0 1 0 0

Las ecuaciones de estado estable 𝜋𝜋


�⃗ = 𝜋𝜋𝜋𝜋 son:

𝜋𝜋0 = 0.6𝜋𝜋0 + 0.42𝜋𝜋3


𝜋𝜋1 = 0.4𝜋𝜋0 + 0.7𝜋𝜋2 + 0.46𝜋𝜋3
𝜋𝜋2 = 0.4𝜋𝜋1 + 1𝜋𝜋4
𝜋𝜋3 = 0.8𝜋𝜋1
𝜋𝜋4 = 0.3𝜋𝜋2 + 0.12𝜋𝜋3
𝜋𝜋0 + 𝜋𝜋1 + 𝜋𝜋2 + 𝜋𝜋3 + 𝜋𝜋4 = 1 (**)

114
Luis Fernando Moreno Velásquez
Solucionando el sistema de ecuaciones en el que se debe tener en cuenta
que una de ellas es redundante, se obtiene:

0.4𝜋𝜋0 = 0.42𝜋𝜋3
𝜋𝜋0 = 1.05𝜋𝜋3
𝜋𝜋1 = 1.25𝜋𝜋3
𝜋𝜋2 = 0.4(1.25𝜋𝜋3) + 1𝜋𝜋4 = 0.5𝜋𝜋3 + 𝜋𝜋4
𝜋𝜋4 = 0.3(0.5𝜋𝜋3 + 𝜋𝜋4) + 0.12𝜋𝜋3 = 0.15𝜋𝜋3 + 0.3𝜋𝜋4 + 0.12𝜋𝜋3
0.3𝜋𝜋4 = 0.27𝜋𝜋3
𝜋𝜋4 = 0.9𝜋𝜋3
𝜋𝜋2 = 0.5𝜋𝜋3 + 0.9𝜋𝜋3 = 1.14 𝜋𝜋3

Reemplazando cada uno de los valores se tiene que:

1.05𝜋𝜋3 + 1.25𝜋𝜋3 + 1.14𝜋𝜋3 + 𝜋𝜋3 + 0.9𝜋𝜋3 = 1


5.34𝜋𝜋3 = 1; 𝜋𝜋3 = 0.1872
𝜋𝜋0 = 1.05𝜋𝜋3 = 1.05 ∗ 0.1872 = 0.1965
𝜋𝜋1 = 1.25𝜋𝜋3 = 1.25 ∗ 0.1872 = 0.234
𝜋𝜋2 = 1.14 𝜋𝜋3 = 1.14 ∗ 0.1872 = 0.2134
𝜋𝜋4 = 0.9𝜋𝜋3 = 0.9 ∗ 0.1872 = 0.1684

Es decir: 𝜋𝜋0 = 0.1965 𝜋𝜋1 = 0.234 𝜋𝜋2 = 0.2134 𝜋𝜋3 = 0.1872


𝜋𝜋4 = 0.1684

Si se le pagan $8000 por cada león cuyo tratamiento fue bueno y se le multa
con $2000 por león cuyo tratamiento haya sido malo.
Entonces, el salario promedio que se la paga al veterinario es:
𝑆𝑆𝑆𝑆𝑆𝑆 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 8000�(𝜋𝜋2 + 𝜋𝜋3) ∗ 0.70� − 2000�(𝜋𝜋2 + 𝜋𝜋3) ∗ 0.3�

𝑆𝑆𝑆𝑆𝑆𝑆 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 8000�(0.2134 + 0.1872) ∗ 0.7� − 2000�(0.2134 +


0.1872) ∗ 0.3� = 2240 − 240 = $2000/día

Problema 18. Un agricultor siembra una hortaliza que toma tres meses en dar sus frutos.
Durante cada uno de los meses la hortaliza tiene una probabilidad de morir de 0.1. El
agricultor revisa el estado de las plantas al final de cada mes. En caso de que encuentre una
planta muerta al final de un mes, el agricultor planta una nueva hortaliza, ya que siempre
cuenta con semillas en inventario. El tiempo que le toma al agricultor sembrar una planta
se considera despreciable, por lo tanto puede asumirse que el proceso es instantáneo.
Cuando se recoge la cosecha al cabo de tres meses, se debe esperar un mes para que el
terreno se recupere por medio de abonos, al cabo del cual se siembra una nueva planta.

115
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
a) Plantee el problema como un sistema de Markov discreto, definiendo claramente los
estados y la matriz de transición de un paso.

b) Si cada hortaliza que da sus frutos produce una utilidad de $15, ¿cuál es la utilidad
promedio mensual del agricultor en el largo plazo?

c) El agricultor no puede hacer nada por cambiar el rendimiento en los dos primeros meses;
sin embargo desea saber si es conveniente aplicar un tratamiento a todas las plantas que
estén vivas al final de su segundo mes, lo que garantiza que generan sus frutos al final
del tercer mes y no mueren. Si el costo del tratamiento de cada planta es de $2 ¿qué le
recomendaría usted?

𝑋𝑋𝑡𝑡 = { 𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝐹𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑒𝑒𝑠𝑠 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 (0, 1, 2, 3)}

0 1 2 3
0 0.1 0.9 0 0

1 0.1 0 0.9 0

2 0.1 0 0 0.9

3 1 0 0 0

b) Resolviendo la condición de estado estacionario tenemos: 𝜋𝜋


�⃗ = 𝜋𝜋𝜋𝜋

𝜋𝜋0 = 0,1 𝜋𝜋0 + 0,1𝜋𝜋1 + 0,1𝜋𝜋2 + 𝜋𝜋3

𝜋𝜋1 = 0,9 𝜋𝜋0

𝜋𝜋2 = 0,9𝜋𝜋1

𝜋𝜋3 = 0,9𝜋𝜋2

∑ 𝜋𝜋 = 1, cuya solución es:

𝜋𝜋0 = 0,291

𝜋𝜋1 = 0,262

𝜋𝜋2 = 0,236

116
Luis Fernando Moreno Velásquez
𝜋𝜋3 = 0,212

𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 15 ∗ 𝜋𝜋3 = 15 ∗ 0,212 = $3,18/(hortaliza-mes)

c) Con la nueva política

𝑋𝑋𝑡𝑡 = { 𝑀𝑀𝑀𝑀𝑀𝑀 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 (0,1,2,3)}

la matriz de Markov es:

0 1 2 3

0 0.1 0.9 0 0

1 0.1 0 0.9 0

2 0 0 0 1

3 1 0 0 0

b) 𝜋𝜋0 = 0,1 𝜋𝜋0 + 0,1𝜋𝜋1 + 𝜋𝜋3

𝜋𝜋1 = 0,9 𝜋𝜋0

𝜋𝜋2 = 0,9𝜋𝜋1

𝜋𝜋3 = 𝜋𝜋2

∑ 𝜋𝜋 = 1, cuya solución es:

𝜋𝜋0 = 0.284

𝜋𝜋1 = 0.256

𝜋𝜋2 = 0.230

𝜋𝜋3 = 0.230

𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈𝑈 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 = 15 ∗ 𝜋𝜋3 − 2 ∗ 𝜋𝜋2 = 15 ∗ 0,23 − 2 ∗ 0.23


= $2.99/(ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 − 𝑚𝑚𝑚𝑚𝑚𝑚)

117
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Es recomendable no aplicar el tratamiento ya que se obtiene menor utilidad promedio.

Problema 19. Un vendedor ambulante sale a vender un artículo del cual lleva dos
unidades. El vendedor trabaja máximo dos horas consecutivas en un día, tratando de vender
los artículos. La demanda del artículo en cada hora es de 0, 1 o 2 unidades con
probabilidades 0.6, 0.3 y 0.1 respectivamente, es decir:

Prob(Dem =0)=0.6, Prob(Dem =1)=0.3 y Prob(Dem =2)=0.1.

Al final de las dos horas el vendedor regresa a su casa con los artículos que le quedan, pero
si al final de la primera hora ha vendido los dos artículos también se regresa para su casa.

Tenga en cuenta que el vendedor no cubre la demanda insatisfecha, es decir, si la demanda


llegara a ser superior a las unidades con las que cuenta en el inventario el vendedor perdería
esa oportunidad de vender.

a) Plantee la matriz de Markov para este problema.

b) Determine la probabilidad de que el vendedor regrese a su casa con las manos vacías
(es decir con cero artículos).

a)

𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸: 𝑋𝑋𝑡𝑡 = {𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡, 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼}, donde el primer subíndice c


significa que al final de la hora regressa a casa

000 000
0.6 1, 2 0.6 (c, 2)

000
0, 2 0.3 000
1, 1 000
1,2 0.3 000
(c, 1)

0.1 000
(c, 0) 0.1 000
(c, 0)

118
Luis Fernando Moreno Velásquez
000
0.6 (c, 1)

100 000
1, 1 0.3 (c, 0)
0

0.1 000
(c, 0)

Los estados (c, 0), (c, 1) y (c, 2) se consideran absorbentes ya que la matriz se plantea
para un solo día.

(0,2) (1,2) (1,1) (c,0) (c,1) (c,2)

0: (0,2) 0 0.6 0.3 0.1 0 0

1: (1,2) 0 0 0 0.1 0.3 0.6

2: (1,1) 0 0 0 0.4 0.6 0

3: (c,0) 0 0 0 1 0 0

4: (c,1) 0 0 0 0 1 0

5: (c,2) 0 0 0 0 0 1

𝑏𝑏) 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎ó𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝 𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 3: 𝐹𝐹03 = 0.6𝐹𝐹13 + 0.3𝐹𝐹23 + 0.1
𝐹𝐹13 = 0.1
𝐹𝐹23 = 0.4
𝐹𝐹03 = 0.28 ; 𝐹𝐹13 = 0.1 ; 𝐹𝐹23 = 0.4.
La probabilidad de que el vendedor regrese a su casa con las manos vacías es el
28%.

Problema 20. Jim y Joe comienzan un juego con cuatro fichas, tres para Jim y una para
Joe. Se lanzan dos monedas, una de ellas normal y otra cargada con probabilidad 0.7 de
caer sello. Si el resultado de ambos lanzamientos es cara, Jim le da a Joe una ficha, en
cualquier otro caso Jim obtiene una ficha de Joe. El juego puede terminar cuando Jim o Joe
tengan todas las fichas, ya que si se da esta situación (uno de los dos tiene todas las fichas)
se saca instantáneamente con igual probabilidad una bola de una urna que tiene 10 bolas

119
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
numeradas del 1 al 10 y si sale una bola ≤3, el juego se reinicia nuevamente con tres fichas
para Jim, pero si sale una bola ≥4 definitivamente se da por terminado el juego. Note que
la sacada de la bola no forma parte del proceso de tirada de las dos monedas

a) Defina los estados y represente el juego como una cadena de Markov.

b) Determine la probabilidad de que Jim gane el juego por primera vez al cabo de dos
lanzamientos de las monedas después de iniciado el juego.

c) Determine la probabilidad de que el juego termine a favor de Joe después de iniciado


el juego.

𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸: 𝑋𝑋𝑡𝑡 = 𝑁𝑁ú𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑑𝑑𝑑𝑑 𝑓𝑓𝑓𝑓𝑓𝑓ℎ𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑 𝐽𝐽𝐽𝐽𝐽𝐽


a) Probabilidad (cara en las dos monedas) = 0.3*0.5 = 0.15

2
0.85
1 0
0.15 0.7

0.3
3

0.7

0.85 0.3
3 3
0.15

120
Luis Fernando Moreno Velásquez
0 0

4 4

3
0.85
2
0.15
1

0 1 2 3 4
0 1 0 0 0 0
1 0.105 0 0.85 0.045 0
2 0 0.15 0 0.85 0
3 0 0 0.15 0.255 0.595
4 0 0 0 0 1

(2) (2) (2)


b) 𝑓𝑓34 = 𝑃𝑃34 − 𝑓𝑓34 ∗ 𝑃𝑃44 donde 𝑃𝑃34 = 0.255*0.595 (Chapman-Kolmogorov)

(2)
𝑓𝑓34 = 0.746125 − 0.595 ∗ 1 = 0.151725
Si Jim empieza el juego con tres fichas, la probabilidad de que gane el juego dos
lanzamientos después es del 15.1725%.

c) Probabilidad de ser absorbido por el estado 0 (es decir 0 monedas para Jim: a
favor de Joe)

𝐹𝐹30 = 𝑃𝑃30 ∗ 𝐹𝐹00 + 𝑃𝑃31 ∗ 𝐹𝐹10 + 𝑃𝑃32 ∗ 𝐹𝐹20 + 𝑃𝑃33 ∗ 𝐹𝐹30 + 𝑃𝑃34 ∗ 𝐹𝐹40

𝐹𝐹20 = 𝑃𝑃20 ∗ 𝐹𝐹00 + 𝑃𝑃21 ∗ 𝐹𝐹10 + 𝑃𝑃22 ∗ 𝐹𝐹20 + 𝑃𝑃23 ∗ 𝐹𝐹30 + 𝑃𝑃24 ∗ 𝐹𝐹40

𝐹𝐹10 = 𝑃𝑃10 ∗ 𝐹𝐹00 + 𝑃𝑃11 ∗ 𝐹𝐹10 + 𝑃𝑃12 ∗ 𝐹𝐹20 + 𝑃𝑃13 ∗ 𝐹𝐹30 + 𝑃𝑃14 ∗ 𝐹𝐹40

121
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝐹𝐹30 = 0.15 ∗ 𝐹𝐹20 + 0.255 ∗ 𝐹𝐹30

𝐹𝐹20 = 0,15 ∗ 𝐹𝐹10 + 0,85 ∗ 𝐹𝐹30

𝐹𝐹10 = 0.105 + 0.85 ∗ 𝐹𝐹20 + 0.045 ∗ 𝐹𝐹30

Al resolver este sistema de ecuaciones de estados absorbentes da:

𝐹𝐹30 = 0.00331

𝐹𝐹20 = 0.01645

𝐹𝐹10 = 0.09087

Después de iniciado el juego la probabilidad de que termine a favor de Joe es de 0.33%.

Problema 21. Una empresa de manufactura cuenta con dos máquinas distintas A y B,
cada una de las cuales produce un componente diferente al final de cada hora. Cada
componente puede ser identificado como defectuoso o no defectuoso de manera instantánea
al ser producido. La probabilidad de que la máquina A genere un componente defectuoso
es de 0.3, mientras que la máquina B generará un componente defectuoso el 40% de las
veces.

Los componentes defectuosos son descartados, mientras que los no defectuosos son
almacenados en dos bolsas diferentes (una para cada máquina). Cuando hay componentes
en cada bolsa, se ensambla uno de la bolsa de la máquina A con uno de la bolsa de la
máquina B, y este proceso se da de manera instantánea inmediatamente haya componentes
en cada bolsa. Adicionalmente cada bolsa puede contener como máximo dos componentes
y cuando una bolsa está llena la máquina correspondiente se apaga y se vuelve a prender
cuando la bolsa tenga espacio para al menos un componente.

a) Defina claramente los estados y formule el problema por medio de una matriz de
Markov de un solo paso.

b) Suponga que cada componente que se descarta tiene un costo de US$ 5000 para
le empresa y un apagado de la máquina tiene un costo de US$ 20000. Cada vez
que se ensamblan dos componentes, el ensamble se vende por US$ 30000.
Calcule la utilidad a largo plazo de la empresa.

Sea Xt: (Número de componentes en la bolsa de la máquina A, Número de componentes


en la bolsa de la máquina B) al final de una hora t. (D significa defectuoso, ND significa
no defectuoso)

Prob(AD) = 0.3 Prob(AND) = 0.7 Prob(BD) = 0.4 Prob(BND) = 0.6

122
Luis Fernando Moreno Velásquez
BD (1.0 BD (0.0
AD AD
(0.0 (0.1
(1.0 BND (0.0 BND
B (2.0 BD (1.0
AND AND

BND (0.0
BN (1.0

BD (2.0
BD (0.1
(2.0
AD
BND (0.2 BND (1.0
(0.1
BD (0.0
AN AD (0.2
BND (0.1 (0.2

AN (0.1

De los gráficos anteriores se obtiene la siguiente matriz de Markov:

Xt (2.0) (1.0) (0.0) (0.1) (0.2)

0:(2.0) 0.4 0.6

1:(1.0) 0.28 0.54 0.18

2:(0.0) 0.28 0.54 0.18

3:(0.1) 0.28 0.54 0.18

4:(0.2) 0.7 0.3

Resolviendo las ecuaciones de estado estacionario se tiene π=πP:

π0 = 0.4π0 + 0.28 π 1

π1 = 0.6 π0 + 0.54 π1 + 0.28 π2

123
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
π3 = 0.18π2 + 0.54π3 + 0.7 π4

π4 = 0.18π3 + 0.3π4

π1 + π2 + π3 + π4 + π0 = 1

Nota: se eliminó la ecuación correspondiente a π2, que al resolverlo se tiene:

π0 0.17750342
π1 0.38036447
π2 0.24452002
π3 0.15719144
π4 0.04042066

Costos apagada = 20.000*(π0 + π4)

Costos descartadas = 5000 ((π0*(1*0,4) + π1*((2*(0,6*0,4) + 1*(0,28 + 0,18)) +


π2*((2*(0,6*0,4) + 1*(0,28 + 0,18)) + π3*((2*(0,6*0,4) + 1*(0,28 + 0,18)) + π4*(1*0,3))

Ingresos ensambles = 30000 (π1*(0,18 + 0,42) + π0*(0,6) + π2*(0,42) + π3*(0,28 + 0,42)


+ π4*(0,7)

Utilidad = Ingresos ensambles - costos apagada - costos descartadas.

Problema 22. Un zoológico en México adquiere una elefanta joven con el fin de conservar
esa especie en el país. Un zoológico en Guatemala cuenta con un macho de la misma
especie pero sólo lo pueden llevar una vez al año a México para intentar que la hembra
quede preñada. De este encuentro anual, la elefanta tiene una probabilidad del 70% de
quedar preñada. El periodo de gestación dura dos años adicionales al año en que se detecta
su preñez y en cada uno de estos hay una probabilidad del 20% de que la elefanta pierda su
cría y entre en un periodo de recuperación por aborto que dura un año adicional al año en
que se produce el aborto, hasta que pueda quedar nuevamente preñada. Si hay un
nacimiento exitoso, nace un elefantito durante el año, haciendo que esta quede en un estado
de maternidad durante un año, adicional al año del parto, hasta ser apta para quedar preñada
nuevamente.

a) Plantee el problema como un sistema de Markov discreto, definiendo claramente los


estados y la matriz de transición de un paso. Nota: los estados se detectan al final de
cada año.

b) El gobierno le ofrece al zoológico la suma de US$3 millones por cada elefante vivo que
nazca; el costo de mantener la elefanta durante cada año de gestación es de US$400 mil
y en caso de que esta tenga un aborto, la atención veterinaria durante el reposo cuesta
US$100 mil al año. El año de maternidad en el que cuidan de la madre y la cría

124
Luis Fernando Moreno Velásquez
representa un costo de $200 mil. ¿Cuál es la utilidad promedio anual del zoológico en
el largo plazo?

c) ¿Cuál es la probabilidad de que cuando la elefanta esté apta para quedar preñada tenga
un aborto en exactamente tres años?

d) Si al final de un año la elefanta estaba apta para ser preñada, ¿cuál es la probabilidad de
que en tres años vuelva a estar en este estado?

a) Xt=Estado de la elefanta al final del mes:

N=Normal
E=Embarazada
E,1= Embarazada por un año
NE= Nacimiento exitoso
A= Aborto

E
0.7

0.3
N

E, 1
0.7

0.3
A

125
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
NE
0.7

E, 1

0.3
A

A N NE N
1

N E E, 1 NE A

N 0.3 0.7 0 0 0

E 0 0 0.8 0 0.2

E, 1 0 0 0 0.8 0.2

NE 1 0 0 0 0

A 1 0 0 0 0

b) π = πP

𝜋𝜋1 = 𝜋𝜋1 ∗ 0.3 + 𝜋𝜋4 + 𝜋𝜋5

𝜋𝜋2 = 𝜋𝜋1 ∗ 0.7

𝜋𝜋3 = 𝜋𝜋2 ∗ 0.8

𝜋𝜋4 = 𝜋𝜋3 ∗ 0.8

𝜋𝜋5 = 𝜋𝜋2 ∗ 0.2 + 𝜋𝜋3 ∗ 0.2

1 = 𝜋𝜋1 + 𝜋𝜋2 + 𝜋𝜋3 + 𝜋𝜋4 + 𝜋𝜋5 + 𝜋𝜋6

126
Luis Fernando Moreno Velásquez
Se cancela una de las ecuaciones y al resolver el sistema de ecuaciones se tiene:

𝜋𝜋1 = 0.3448

𝜋𝜋2 = 0.2414

𝜋𝜋3 = 0.1931

𝜋𝜋4 = 0.1545

𝜋𝜋5 = 0.0869

Utilidad promedio anual = ingresos por elefanticos – costos gestación – costos aborto –
costos maternidad = 3.000.000*𝜋𝜋4 – 400.000*(𝜋𝜋3 + 𝜋𝜋4 ) – 100.000𝜋𝜋5 – 200.000𝜋𝜋4 =
284.870

c) Probabilidad de primera pasada de N – A en 3 pasos

fNA(3) = pNA(3) – fNA(1) * pAA(2) – fNA(2) * pAA(1)

Para esta fórmula se necesitan P2 y P3:

P2 =

N E E,1 NE A
N 0.09 0.21 0.56 0.0 0.14
E 0.2 0.0 0 0.64 0.16
E,1 1 0 0 0 0
NE 0.3 0.7 0 0 0
A 0.3 0.7 0 0 0

P3 =

N E E,1 NE A
N 0.167 0.063 0.168 0.448 0.154
E 0.86 0.14 0 0 0
E,1 0.3 0.7 0 0 0
NE 0.09 0.21 0.56 0 0.14
A 0.09 0.21 0.56 0 0.14

fNA(3) = 0.154 – 0 – 0 = 0.154

127
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
d) Probabilidad de pasar de Normal a Normal en tres meses (no necesariamente es
primera pasada)

PNN(3) =0.167

Problema 23. Los Juegos Olímpicos Río 2016 son una gran oportunidad para el mercadeo
de diferentes marcas. Doña Beatriz decide aplicar una propuesta planteada por algunos
estudiantes para dar a conocer su marca: Nacho Burger. Esta consiste en incluir en las
hamburguesas una de las tres figuras coleccionables de las medallistas colombianos:
Caterine Ibargüen, Yuberjen Martínez y Mariana Pajón. El objetivo es completar las tres
figuras. En la compra de cada hamburguesa los estudiantes reciben una figura; en caso de
acumular dos figuras repetidas, doña Beatriz cambia instantáneamente estas por una figura
diferente a las que el estudiante ya ha coleccionado.

a) Defina claramente los estados y modele la situación como una cadena de Markov.

b) Si un estudiante inicia sin ninguna figura coleccionable, ¿cuál es la probabilidad de que


cuando complete las tres figuras no tenga ninguna repetida? ¿cuál es la probabilidad de
que cuando complete las tres figuras tenga alguna repetida?

c) Realice el gráfico de clases, identificando si son transitorias o recurrentes.

d) ¿Cuál es la probabilidad de que, empezando sin ninguna figura, se tengan las tres figuras
diferentes exactamente al cabo de comprar tres hamburguesas?

a) Xt= (Número de fichas diferentes, Número de fichas repetidas)


Matriz de transición de un paso

128
Luis Fernando Moreno Velásquez
De los gráficos anteriores se obtiene la matriz de Markov:

(0.0) (1.0) (2.0) (1.1) (2.1) (3.0) (3.1)


(0.0) 0 1 0 0 0 0 0
(1.0) 0 0 2/3 1/3 0 0 0
(2.0) 0 0 0 0 2/3 1/3 0
(1.1) 0 0 1/3 0 2/3 0 0
(2.1) 0 0 0 0 0 2/3 1/3
(3.0) 0 0 0 0 0 1 0
(3.1) 0 0 0 0 0 0 1

129
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
b) Probabilidad de absorción en (3.0) y (3.1)

Se necesita F(0.0)(3.0). Como la fórmula de la probabilidad de absorción implica las


probabilidades de pasar en un paso desde (0.0) a los demás estados, solo se consideran las
probabilidades diferentes a cero. Como (0.0) solo se comunica con (1.0) se reduce a =

F(0.0)(3.0)=P(0.0)(1.0)*F(1.0)(3.0)

F(0.0)(3.0)=1* F(1.0)(3.0)

F(0.0)(3.0)= F(1.0)(3.0)

Ahora se encuentra el Valor de F(1.0)(3.0)

F(1.0)(3.0)= P(1.0)(2.0)*F(2.0)(3.0) + P(1.0)(1.1)*F(1.1)(3.0)

F(1.0)(3.0)= 2/3*F(2.0)(3.0) + 1/3*F(1.1)(3.0) (2)

Ahora se deben encontrar F(2.0)(3.0) y F(1.1)(3.0)

F(2.0)(3.0)= P(2.0)(2.1)*F(2.1)(3.0) + P(2.0)(3.0)*F(3.0)(3.0)

F(2.0)(3.0)= 2/3*F(2.1)(3.0) + 1/3*1

F(2.0)(3.0)= 2/3*F(2.1)(3.0) + 1/3 (1)

F(1.1)(3.0)= P(1.1)(2.1)*F(2.1)(3.0) + P(1.1)(2.0)*F(2.0)(3.0)

F(1.1)(3.0)=2/3*F(2.1)(3.0) +1/3*F(2.0)(3.0) (3)

Ahora se debe encontrar F(2.1)(3.0)

F(2.1)(3.0) )= P(2.1)(3.1)*F(3.1)(3.0)+ P(2.1)(3.0)*F(3.0)(3.0)

F(2.1)(3.0) )=1/3*0+ 2/3*1

F(2.1)(3.0) )=2/3=0.6667

Reemplazando en 1

F(2.0)(3.0)= 2/3*2/3 + 1/3

F(2.0)(3.0)= 7/9=0.7777

130
Luis Fernando Moreno Velásquez
Reemplazando en 3

F(1.1)(3.0)=2/3*2/3+1/3*7/9

F(1.1)(3.0)=19/27=0.7037

Reemplazando en 2

F(1.0)(3.0)= 2/3*7/9+ 1/3*19/27

F(1.0)(3.0)= 61/81=0.7531= F(0.0)(3.0)

La probabilidad de que termine con las tres fichas y ninguna repetida es de 0.7531 y que
termine con las tres fichas y una repetida es de 1–0.7531=0.2469.

c) Diagrama de clases: transitorias o recurrentes

Recuerde que una clase es recurrente si no se puede salir de ella y es transitoria si


se puede salir de ella y no hay forma de regresar.

(0, 0) Transitoria
(1, 0) Transitoria
(2, 0) Transitoria
(3, 0) Recurrente
(1, 1) Transitoria
(2, 1) Transitoria
(3, 1) Recurrente

131
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
d) f1.6(3)=P1.6(3)-f1.6P66(2)-f1.6(2)*P66

P1.6=f1.6=0

P(2) =

(0.0) (1.0) (2.0) (1.1) (2.1) (3.0) (3.1)


(0.0) 0 0 2/3 1/3 0 0 0
(1.0) 0 0 1/9 0 2/3 2/9 0
(2.0) 0 0 0 0 0 7/9 2/9
(1.1) 0 0 0 0 2/9 5/9 2/9
(2.1) 0 0 0 0 0 2/3 1/3
(3.0) 0 0 0 0 0 1 0
(3.1) 0 0 0 0 0 0 1

P(3)=

(0.0) (1.0) (2.0) (1.1) (2.1) (3.0) (3.1)


(0.0) 0 0 1/9 0 2/3 2/9 0
(1.0) 0 0 1 0 2/27 19/27 2/9
(2.0) 0 0 0 0 0 7/9 2/9
(1.1) 0 0 0 0 0 19/27 8/27
(2.1) 0 0 0 0 0 2/3 1/3
(3.0) 0 0 0 0 0 1 0
(3.1) 0 0 0 0 0 0 1

P1.6(3)= 2/9

P6.6(2)=1

P6.6=1

f1.6(3)=2/9 – 0*1–f1.6(2)*1

Ir por primera vez de 1 a 6 en dos pasos es imposible

f1.6(2)= P1.6(2)- f1.6*P66

f1.6(2)= 0-0*1=0

132
Luis Fernando Moreno Velásquez
Queda entonces

f1.6(3)= P1.6(3)p1.3(3)=2/9

Igualmente se pudo haber encontrado intuitivamente

f1.6(3)=1*1/3*2/3=2/9

Problema 24. Marie Ann es una complicada mujer que toma una bebida sin falta al final
de cada hora (tomar la bebida se considera instantáneo) y según lo que haya tomado
experimenta una sensación de frío o calor durante toda la hora siguiente; ella toma
granizado. jugo o un expresso al final de cada hora, según si sintió calor o frío durante esa
hora. Si siente calor durante una hora, ella toma al final de esa hora granizado el 70% de
las veces y nunca toma expresso. Si siente frío durante una hora tiene el doble de
probabilidad de tomar expresso que jugo y el triple de probabilidad de tomar jugo que
granizado al final de esa hora. Marie Ann siente calor durante una hora con un 20% de
probabilidad si tomó granizado y 80% si tomó expreso al final de la hora anterior. Cuando
toma jugo hay igual probabilidad de que sienta frío o calor durante la siguiente hora. Ella,
dentro de su complique, decide hacer las siguientes tres excepciones a lo descrito
anteriormente: 1. Si luego de tomarse un expresso le da frío durante la siguiente hora,
siempre se tomará de nuevo un expresso al final de esa hora; 2. Si cuando toma jugo siente
calor durante la siguiente hora, se tomará un granizado al final de esa hora; 3. Si cuando
toma granizado siente calor durante la siguiente hora, se tomará un jugo al final de esa hora.

a) Defina claramente los estados y plantee la matriz de transición de un paso.

b) Marie Ann reside en un lujoso hotel, donde el dueño conoce su complicada situación y
decide pagarle $10 cada vez que al tomarse un granizado sienta calor a la hora siguiente,
pero ella debe pagarle $25 si al tomarse un expresso siente frío a la hora siguiente. ¿Cuál
es la utilidad o pérdida en el largo plazo para el dueño del hotel?

c) Determine cuál es la probabilidad de que dentro de dos horas Marie Ann tenga frío y
esté tomando Expresso. si hay un 40% de probabilidad de que termine la hora actual
con calor tomando jugo y un 60% de que termine la hora actual con frío tomando
granizado.

a) Note que CE no existe.

1 CJ 0.2 (ex. 3)
0.2 C
CG
0.8 F 0.1 FG 0.08
0.3 FJ 0.24
0.6 FE 0.48

133
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
1 CG 0.5 (ex. 2)
0.5 C
CJ
0.5 F 0.1 FG 0.05
0.3 FJ 0.15
0.6 FE 0.3

1 CJ 0.2 (ex. 3)
0.2 C
FG
0.8 F 0.1 FG 0.08
0.3 FJ 0.24
0.6 FE 0.48

1 CG 0.5 (ex. 2)
0.5 C
FJ
0.5 F 0.1 FG 0.05
0.3 FJ 0.15
0.6 FE 0.3

0.7 CG 0.56
0.8 C 0.3 CJ 0.24
FE
0.2 F

1 FE 0.2 (ex. 1)

Con los árboles anteriores se construye la matriz de Markov:

CG CJ FG FJ FE
CG 0 0.2 0.08 0.24 0.48
CJ 0.5 0 0.05 0.15 0.3
FG 0 0.2 0.08 0.24 0.48
FJ 0.5 0 0.05 0.15 0.3
FE 0.56 0.24 0 0 0.2

134
Luis Fernando Moreno Velásquez
b)

Paga Le pagan
10 25

Utilidad = [25*PiFE*0.2]-[(PiCG+PiFG)*0.2*10]

c) Fórmula de la probabilidad no condicional: Q(X2) = Q(X0)*P2

Q(X0) = 0 0.4 0.6 0 0

0.4888 0.1312 0.0284 0.0852 0.2664


0.243 0.182 0.0515 0.1545 0.369
P2 = 0.4888 0.1312 0.0284 0.0852 0.2664
0.243 0.182 0.0515 0.1545 0.369
0.232 0.16 0.0568 0.1704 0.3808

Q(X2) = 0.39048 0.15152 0.03764 0.11292 0.30744

La probabilidad de que Marie Ann dentro de dos horas tenga frío y esté tomando expresso
es 30.74%

Problema 25. El casino Zamba lanzó un nuevo juego para entretener a sus clientes. El
juego consiste en lanzar un dado de seis caras que sólo contiene números pares. Es decir,
el dado sólo contiene los números 2, 4 y 6. Cada número tiene la misma probabilidad de
salir.
En cada lanzamiento el empleado del casino anota el número obtenido y lo va sumando, ya
que si el jugador acumula exactamente 10 puntos el jugador gana $100. Si al sumar el
lanzamiento de una ronda el acumulado supera los 10 puntos se lanza inmediatamente una
moneda no cargada, si el resultado de la moneda es sello el juego se reinicia. Si el resultado
es cara, el jugador pierde y debe pagar al casino $50. Cuando un jugador gana, el casino lo
considera ganador y no puede jugar de nuevo, igualmente cuando pierde definitivamente
lo considera perdedor y no puede jugar de nuevo.
a) Represente el juego como una cadena de Markov, defina claramente los estados
y la matriz de transición de un paso.
b) Realice el diagrama de clases, identificando claramente si son transitorias o
recurrentes.

135
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
c) ¿Cuál es la probabilidad de que el jugador pierda el juego?
d) ¿Cuál es la probabilidad de que en exactamente tres lanzamientos el jugador
resulte ganador?

a) Xt= Puntos acumulados al final del lanzamiento t

136
Luis Fernando Moreno Velásquez
Matriz de transición de un paso obtenida con los árboles anteriores:

0 2 4 6 8 G P
0 0 1/3 1/3 1/3 0 0 0
2 0 0 1/3 1/3 1/3 0 0
4 0 0 0 1/3 1/3 1/3 0
6 1/6 0 0 0 1/3 1/3 1/6
8 1/3 0 0 0 0 1/3 1/3
G 0 0 0 0 0 1 0
P 0 0 0 0 0 0 1

b)

4 G

0
6

2
(G) y (P) son clases recurrentes absorbentes
(0, 2, 4, 6, 8) es una clase transitoria

c) Probabilidad de absorción del estado inicial a perder el juego.

F0P=1/3F2P+1/3F4P+1/3F6P (1)
F2P=1/3F4P+1/3F6P+1/3F8P (2)
F4P=1/3F6P+1/3F8P (3)
F6P=1/6F0P+1/3F8P+1/6 (4)
F8P=1/3F0P+1/3 (5)

Reemplazando (5) en (4)

F6P=5/18F0P+5/18 (6)

137
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Reemplazando (5) y (6) en (3)

F4P=11/54F0P+11/54 (7)

Reemplazando (5), (6) y (7) en (2)

F2P=22/81F0P+22/81 (8)
Reemplazando (6), (7) y (8) en (1)

F0P=22/243F0P+22/243+11/162F0P+11/162+5/54 F0P+5/54

F0P=61/243 F0P+61/243

F0P=0.25103/0.74897

F0P=0.3351
La probabilidad de que el jugador pierda el juego es 33.51%

d) Probabilidad de primera pasada

Se requiere calcular P2 y P3

P(2)=

0 2 4 6 8 G P
0 1/18 0 1/9 2/9 1/3 2/9 1/18
2 1/6 0 0 1/9 2/9 1/3 1/6
4 5/54 1/54 1/54 1/54 1/27 2/3 4/27
6 1/6 0 0 1/18 1/9 5/9 1/6
8 1/9 1/18 1/18 1/18 0 4/9 5/18
G 0 0 0 0 0 1 0
P 0 0 0 0 0 0 1

P(3)=

138
Luis Fernando Moreno Velásquez
0 2 4 6 8 G P
0 4/27 1/54 1/54 1/18 1/9 4/9 11/54
2 5/54 1/18 1/18 1/18 1/27 4/9 7/27
4 1/27 1/18 1/18 1/18 0 16/27 11/54
6 1/108 1/27 1/18 2/27 1/18 13/27 31/108
8 1/54 0 1/27 2/27 1/9 11/27 19/54
G 0 0 0 0 0 1 0
P 0 0 0 0 0 0 1

f0G(3)=P0G(3)-f0G(1)*PGG(2)-f0G(2)*PGG(1)
f0G(3)=4/9-0-f0G(2)*1

f0G(2)=P0G(2)-f0G(1)*PGG(1)
f0G(2)=2/9-0

f0G(3)=4/9-2/9
f0G(3)=2/9

La probabilidad de ser ganador en exactamente tres lanzamientos es 2/9. Intuitivamente


sería:

Sacar:
2-2-6=>Pbb=1/27
2-6-2=>Pbb=1/27
6-2-2=>Pbb=1/27
2-4-4=>Pbb=1/27
4-2-4=>Pbb=1/27
4-4-2=>Pbb=1/27

1/27*6=2/9

139
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Teoría de colas
Capítulo 7.
Introducción a la teoría de colas

La teoría de colas incluye el estudio matemático de las colas o líneas de espera y provee un
gran número de modelos matemáticos para describirlas. Generalmente el administrador se
encuentra en un dilema entre estas dos opciones:

1. Asumir los costos derivados de prestar un buen servicio.

2. Asumir los costos derivados de tener largas colas.

Se debe lograr un balance económico entre el costo del servicio y el costo asociado a la
espera por ese servicio.

La teoría de colas en sí no resuelve este problema, sólo proporciona información para la


toma de decisiones, aunque finalmente sí se verá una teoría de optimización para lograr el
balance de los dos tipos de costos y otros adicionales que puedan surgir.

Estructura básica de los modelos de colas

Mecanismo
Fuente de Clientes Clientes
Cola de
entrada
atención atendidos

Figura 7.1 Sistema de colas

Fuente de entrada
Los clientes que entran al sistema se generan a través del tiempo en una fuente de entrada.

Tamaño de la población: es el número total de clientes que pueden requerir servicio en


determinado momento. Es decir, el número total de clientes potenciales distintos (puede
suponerse que el tamaño es infinito o finito).

143
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Forma de las llegadas: Patrón estadístico mediante el cual se generan los clientes a través
del tiempo.

La suposición normal es que los clientes se generan de acuerdo con un la distribución


Poisson (este supuesto se justifica más adelante).

Este supuesto (Poisson) equivale a decir que el tiempo entre dos llegadas consecutivas tiene
una distribución de probabilidad exponencial (esta equivalencia se demuestra más
adelante).

Cualquier otra suposición, por ejemplo que un cliente desista de entrar a la cola por estar
demasiado larga, debe especificarse y manejarse en el modelo.

Cola
Una cola se caracteriza por el número máximo de clientes que se pueden admitir.

Tamaño de la cola: una cola puede ser finita o infinita. El estándar es infinita.

Disciplina de atención en la cola: se refiere al orden en el que se seleccionan sus miembros


para recibir el servicio (FIFO, Aleatoria, por prioridad). El estándar es FIFO (o PEPS: primero
en entrar, primero en ser servido).

Mecanismo de servicio
El mecanismo de servicio consiste en una o más instalaciones de servicio.

Canal: Hace referencia al número de servidores que hay en el sistema. Los canales de
servicio pueden ser de dos tipos:

Canales de servicio en serie: un cliente pasa de un servicio a otro después de terminar el


anterior, aunque no todos los clientes tienen que utilizar todos los canales.

Canales de servicio en paralelo: todos los canales prestan el servicio al mismo tiempo,
aunque cada uno de los canales puede tener características diferentes o atender clientes de
tipo diferente.

Tiempo de servicio: es el tiempo que transcurre desde el inicio del servicio para un cliente
hasta su terminación.

Un modelo de sistema de colas debe especificar la distribución de probabilidad de los


tiempos de servicio para cada servidor.

La distribución más usada para los tiempos de servicio es la exponencial, aunque es común
encontrar la distribución degenerada o determinística (tiempos de servicio constantes), la
distribución Erlang (Gamma) u otras diferentes.

144
Luis Fernando Moreno Velásquez
Notación de Kendall: existe una notación de Kendall abreviada y una extendida. La
abreviada utiliza tres parámetros para caracterizar los modelos de colas. Estos parámetros
son en su orden:

Distribución del Distribución del Número de


tiempo entre llegadas tiempo de servicio servidores

Figura 7.2

y se separan por dos diagonales tal como se muestra.

La notación extendida utiliza otros parámetros adicionales a los tres anteriores para definir
características adicionales de los sistemas de colas, tales como el tamaño de la población,
el tamaño de la cola, etc.

En este capítulo sólo utilizaremos la notación abreviada.

Los dos primeros parámetros en la notación de Kendall abreviada son distribuciones de


probabilidad y para ellos utilizaremos la siguiente notación:

M: Distribución exponencial (o markoviana)

D : Distribución degenerada (tiempos constantes)

Ek: Distribución Erlang con parámetro k

G : Distribución general (todas las demás diferentes a las 3 anteriores)

El tercer parámetro es un número que representa la cantidad de canales (servidores) con los
que cuenta el sistema de atención y colas. Considérense los siguientes ejemplos:

M / M / s: modelo donde tanto los tiempos entre llegada como los tiempos de servicio son
exponenciales y se tienen s servidores.

M / G / 1: modelo donde los tiempos entre llegada son exponenciales, los tiempos de
servicio siguen una distribución general y existe un solo servidor.

La notación de Kendall se utiliza entonces para estandarizar y definir de forma sencilla y


rápida las características de los modelos de colas.

145
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Terminología
A menos que se establezca otra cosa, se utilizará la siguiente terminología estándar:

Estado del sistema: número de clientes en el sistema. Recuerde que los procesos de líneas
de espera son procesos markovianos continuos, donde los estados se consideran el número
de clientes que hay en un momento dado en el sistema (el sistema incluye tanto los clientes
que están siendo atendidos como los que están esperando en la cola: la suma de los dos).

Longitud de la cola: número de clientes que pueden esperar el servicio. Este parámetro
hace referencia a la capacidad (número máximo de clientes) del sistema y no a los clientes
que hay realmente en el sistema.

N (t): número de clientes en el sistema de colas en el tiempo t (t ≥ 0). O sea el estado del
sistema. Este valor es un número entero ≥ 0.

Pn (t): probabilidad de que exactamente n clientes estén en el sistema en el tiempo t, dado


el número en el tiempo cero. Este valor define la variable probabilidad aleatoria de que
haya un “número de clientes en el sistema”, que aunque está determinado por los que llegan
y los que se atienden, representa una variable aleatoria diferente. Esta variable es muy
importante, ya que es la que determina el nivel de congestión del sistema y representa las
unidades que se encuentran en el sistema.

s: número de servidores en el sistema de colas. Recuerde que como se definió anteriormente


este valor es la capacidad máxima de atención del sistema y no los que están en un momento
dado. Los que se encuentran en un momento dado son n, tal como se definió en el parámetro
anterior.

λn: tasa media de llegadas (número esperado de llegadas por unidad de tiempo) de nuevos
clientes cuando hay n clientes en el sistema. Esta tasa se expresa en veces/tiempo que llega
un cliente y sus unidades son por tanto (tiempo)-1. Note que este parámetro tiene un
subíndice n (número de clientes en el sistema) ya que la cantidad de clientes que entran a
un sistema depende de los que hay en ese momento, pues hay clientes a los que no les gusta
la congestión y prefieren no entrar cuando en el sistema hay muchos clientes.

µn: tasa media de servicio para todo el sistema (número esperado de clientes que completan
su servicio por unidad de tiempo) cuando hay n clientes en el sistema. Para este parámetro
son válidas las mimas observaciones que para el parámetro λn anterior, acerca de las
unidades y del subíndice n.

Nota: µn representa la tasa combinada, a la que todos los servidores ocupados logran
terminar sus servicios.

λ: se utiliza sin subíndice cuando λn es constante para toda n.

µ: se utiliza sin subíndice cuando µn es constante para toda n.

146
Luis Fernando Moreno Velásquez
El caso de λn constante es muy frecuente en servicios de venta de artículos de primera
necesidad, mercado por ejemplo, donde los clientes entran de todas formas, ya que pocos
de ellos se niegan a entregar cuando está congestionado.

El caso de µn constante, aunque en la vida real es más difícil, se da con bastante


aproximación en las cajas rápidas (para clientes con pocas transacciones o artículos) donde
como todos los clientes se demoran un tiempo muy parecido, la cantidad de clientes que
atienden los servidores puede considerarse aproximadamente constante.

Para definir un sistema de colas en lugar de λ (veces/tiempo que llega un cliente) se utiliza
su inverso 1/λ que representa el tiempo que transcurre entre la llegada de dos clientes
consecutivos.

Igualmente en lugar de µ (veces por tiempo que sale un cliente) se utiliza su inverso 1/λ,
pero teniendo en cuenta que en este caso no representa el tiempo que transcurre entre la
salida de dos clientes consecutivos, dado que en ocasiones los servidores están ociosos, y
por lo tanto 1/µ representa entonces el tiempo promedio de duración de un cliente mientras
es atendido.

Ejemplo:

Sea λ = 3 clientes / hora, o lo que es lo mismo los clientes llegan a una tasa de promedio
de 3 veces/hora. Este valor de λ es equivalente a decir que 1/λ es 1 hora/3 = 20 minutos, o
sea que en promedio llega un cliente cada 20 minutos.

ρ = (λ /sµ) es el factor de utilización para la instalación de servicio (fracción esperada de


tiempo que los servidores individuales están ocupados). También puede interpretarse como
el número promedio de clientes que están siendo atendidos. Tenga en cuenta que en esta
expresión λ representa el número promedio total de clientes que llegan a la instalación, al
igual que sµ representa el número promedio total de clientes que atiende la instalación, o
sea el conjunto de servidores, en tanto que µ representa la capacidad de atención de un
servidor. Aunque es intuitivo que si un servidor está en capacidad de atender µ
(clientes/tiempo) el conjunto de s servidores trabajando al tiempo está en capacidad de
atender sµ (clientes/tiempo), esta propiedad se puede demostrar matemáticamente, tal
como se hará a continuación para el caso de s = 1 servidor por medio de un ejemplo.

Nota: para los sistemas de colas que analizaremos haremos la suposición de que el sistema
se encuentra en la condición de estado estable, que es una condición que adquieren los
sistemas exponenciales después de transcurrido algún tiempo. Al inicio de los procesos
markovianos de tiempo continuo hay un periodo de inestabilidad cuyo manejo es mucho
más complicado matemáticamente, pero que no se considera en este texto.

Demostración por medio de un ejemplo para un servidor que se puede generalizar


fácilmente para el caso general de n servidores.

147
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Supongamos que a una instalación (un sistema) llegan en promedio λ =12 (clientes/hora).
Recuerde que por facilidad decimos 12 (clientes/hora), pero que en realidad el fenómeno
consiste en la llegada de clientes a una tasa promedio de 12 veces/hora. Recuerde que esto
es equivalente a decir que el tiempo promedio entre la llegada de dos clientes consecutivos
es 1 hora/12 = 5 minutos.

Supongamos adicionalmente que la tasa promedio de atención de ese servidor es µ = 15


(clientes/hora), o lo que es lo mismo la duración promedio de un cliente mientras lo
atienden es 1/µ = 1hora/ 15 = 4 minutos.

Recuerde también que ambos fenómenos: llegadas y atenciones son aleatorios y que los
valores de λ y µ son sus promedios. Por tanto estamos analizando el fenómeno a nivel
promedio. Estamos tratando de encontrar ρ la fracción promedio de tiempo que trabaja el
servidor.

De acuerdo con el ejemplo planteado, el servidor en promedio trabaja 4 de cada 5 minutos,


es decir el 80%.

Generalizando, entonces se puede decir que en promedio llega un cliente cada 1/λ unidades
de tiempo y que dura en el servidor 1/µ unidades de tiempo, entonces el servidor trabaja en
promedio 1/µ unidades de tiempo de 1/λ unidades de tiempo, es decir trabaja (1/µ)/(1/λ) =
λ/µ; por tanto la fracción de tiempo que trabaja el servidor es ρ = λ/µ. Cuando hay más de
un servidor trabajando en paralelo, se puede generalizar a ρ = λ/(sµ), si se parte del supuesto
de que todos los servidores trabajan a tasas iguales.

------ 1 cliente ------ ----- 0 clientes ---

t
…1/µ…
…1λ…

Figura 7.3

El servidor está trabajando 4 de cada 5 minutos, es decir está trabajando el 80% del tiempo,
o sea en el caso general:

(1/µ)/(1/λ) = λ/µ

el factor que representa la fracción de tiempo que trabajan los servidores, tiene una segunda
interpretación que es igualmente importante y es el número promedio de clientes que se
mantienen siendo atendidos.

En el gráfico de arriba puede verse que cuando hay un servidor siempre hay 0 o 1 cliente y
el promedio es: 1*(1/µ)/(1/λ)+0*(1-(1/µ))/(1/λ) = λ/µ = ρ.

148
Luis Fernando Moreno Velásquez
Igualmente puede generalizarse para el caso en que hay varios servidores.

La forma de medir la congestión en un sistema de colas es mediante la definición de la


variable aleatoria: número de clientes que se mantienen en el sistema. Aunque más adelante
se verá como se define esta variable, sin embargo se utilizan unos indicadores más sencillos
para medir la congestión y son los cuatro promedios que se definen a continuación:

La siguiente notación supone la condición de estado estable.

Sea Pn la probabilidad de que haya exactamente n clientes en el sistema en cualquier punto


del tiempo. Entonces de definen los siguientes cuatro promedios:

L: número promedio (o esperado) de clientes en el sistema.

Lq: número promedio de clientes en la cola o longitud esperada de la cola (excluye los
clientes que están en servicio).

w: tiempo de espera en el sistema para cada cliente. Este valor w no es un promedio sino
el tiempo real que pasa un cliente en el sistema, es decir desde que llega a hacer la fila hasta
que terminan de atenderlo y es una variable aleatoria.

W: E (w) tiempo promedio que pasa un cliente en el sistema. Este valor sí es un promedio.
De hecho es el valor promedio de la variable aleatoria w.

wq: tiempo de espera en la cola para cada cliente. Este valor es similar a w, que no es
promedio sino una variable aleatoria que representa el tiempo real que pasa un cliente
mientras hace la fila, o sea sin incluir su tiempo de atención.

Wq: E (wq) tiempo promedio que pasa un cliente en la cola. Este valor sí es un promedio.
De hecho es el valor promedio de la variable aleatoria wq y por supuesto tampoco incluye
el tiempo de atención.

Los cuatro promedios, bajo ciertas hipótesis muy generales, están ligados por medio de las
relaciones que se demuestran a continuación, de tal manera que si se conoce uno de los
cuatro promedios es muy sencillo calcular los otros tres.

Relaciones entre L, W, Lq y Wq

Suponga que λn es una constante λ para toda n, entonces:

L=λW Lq = λWq (estas relaciones se denominan la Ley de Little)

Suponga adicionalmente que el tiempo medio de servicio es una constante 1/µ para toda n
≥1

W = Wq + 1/µ L = Lq + ρ

149
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Estas relaciones son fundamentales pues permiten determinar las cuatro cantidades
fundamentales L, W, Lq, Wq, en cuanto se encuentra analíticamente el valor de una de
ellas.

Demostración L = λ W:

Figura 7.4

W (Tiempo en el sistema) =

Número promedio de clientes en el sistema*tiempo promedio para subir una posición =


L*(1/λ) = L/λ = W, ya que cada que se produce una llegada promedio al sistema se sube
una posición promedio en la fila.

Despejando L se tiene: L = λW.

La demostración de que Lq = λWq es muy similar con la diferencia de que se toman los
clientes de la cola, sin contar el que está en el sistema; entonces L se reemplaza por Lq y W
se reemplaza por Wq en el gráfico con lo que queda la fórmula: Lq = λ Wq.

Demostración W = Wq + 1/µ :

Esta expresión se sigue de las definiciones, pues recuerde que el sistema es la cola más los
clientes que están siendo atendidos. Entonces:

Tiempo promedio en el sistema = W.

Tiempo promedio en la cola + Tiempo promedio siendo atendido = Wq + 1/µ .

Finalmente si multiplicamos esta última ecuación por λ obtenemos:

λW = λWq + λ/µ , es decir: L = Lq + ρ.

150
Luis Fernando Moreno Velásquez
Capítulo 8.
El papel de la distribución exponencial y la
distribución Poisson

Las características operativas de los sistemas de colas están determinadas en gran parte por
dos propiedades estadísticas:

Distribución de los Distribución de los


tiempos entre llegadas tiempos de servicio

Figura 8.1

Esto lo que quiere decir es que la teoría de colas es un fenómeno aleatorio producido por
la conjunción de otros dos fenómenos aleatorios que están actuando simultáneamente:
clientes que llegan a demandar un servicio (de forma aleatoria) y tiempo que se demoran
para que los atiendan (también aleatorio).

Para formular un modelo de teoría de colas como una representación del sistema real, es
necesario especificar la forma supuesta de cada una de estas distribuciones.

Para que una distribución (variable aleatoria) represente el mundo real es deseable que
tenga estas dos propiedades:

1) Suficientemente realista: que las predicciones sean razonables (próximas a la


realidad)

2) Suficientemente sencilla: matemáticamente manejable

La primera propiedad es necesaria, pues cualquier conjunto de ecuaciones que se utilicen


para representar un fenómeno del mundo debe realmente (al menos aproximadamente)
representarlo.

La segunda propiedad no es necesaria, pero es deseable que las ecuaciones que representan
un fenómeno del mundo real sean sencillas.

151
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
La distribución exponencial cumple estas dos propiedades, tal como se verá a continuación,
aunque queda por demostrar más adelante por qué se utiliza la distribución exponencial.

A continuación nos enfocaremos en la distribución exponencial y las propiedades que tiene,


las cuales serán de mucha utilidad en la teoría de colas.

Suponga que una variable aleatoria T representa ya sea los tiempos entre llegadas o los
tiempos de servicio.

De la variable aleatoria T se dice que se distribuye exponencial con parámetro α si cumple:

αe ⁻αt para t ≥ 0
fT(t) =
0 para t < 0

Note que la exponencial solo se define para valores ≥ 0, lo cual es muy razonable para
fenómenos que ocurren en el tiempo.

La función fT(t) se denomina función de densidad y no representa probabilidades, ya que


las probabilidades se obtienen integrando la función de densidad.

Si integramos la anterior función de densidad entre 0 y t obtenemos la denominada función


acumulada de una variable aleatoria F(t), que para el caso de la exponencial nos da: P {T ≤
t} = 1 - e -αt.

Otra función muy utilizada para describir variables aleatorias es el complemento de la


acumulada = 1 – F(t) = e -αt.

Note que ya tenemos tres formas de definir la exponencial (y cualquier variable aleatoria):
la función de densidad fT(t), la función acumulada F(t) y el complemento de la función
acumulada 1 – F(t).

A la función de densidad se le pone el subíndice t porque en teoría de colas se utiliza en el


tiempo, pero en general la función de densidad es f(t).

Si calculamos el primer momento generador de la función de densidad (ver cualquier libro


elemental de estadística) entre 0 e ∞ obtenemos el promedio o esperanza matemática de la
variable aleatoria que para la exponencial nos da: E{T} = 1/α

Igualmente si calculamos el segundo momento generador de la función de densidad entre


0 e ∞ obtenemos la varianza que para el caso de la exponencial nos da: Var {T} = 1/α2

¿Cuáles son las implicaciones para el modelo de colas al suponer que T tiene distribución
exponencial?

152
Luis Fernando Moreno Velásquez
Veremos a continuación seis propiedades que tiene la distribución exponencial, que se
utilizarán en la teoría de colas.

Propiedades de la exponencial
Propiedad 1

fT(t) es una función estrictamente decreciente de t (t ≥ 0).

fT(t)

t (tiempo)
E(t) = 1/α

Figura 8.2

Es relativamente probable que T tome un valor pequeño cercano a cero, ya que por ser
decreciente las áreas (integrales) son mayores en los valores cercanos a cero. Esto hace que
si un fenómeno es exponencial en el tiempo los tiempos cortos sean muy abundantes (muy
probables).

Ejemplo:

P[0≤T≤ 1/(2α)] = 0.393: el 39.3% de los valores son ≤ que la mitad de la media.

P[1/(2α)≤T≤ 3/(2α)] = 0.383: el 38.3% de los valores están entre la mitad de la media y
1.5 veces la media. Note que este intervalo es igual a la media (1.5*la media – 0.5*la media
= la media), es decir es del doble del anterior, y sin embargo la probabilidad de caer en él
es aproximadamente la misma.

P[0≤T≤ 1/(α)]= 1 – e-1 = 1 – 0.368 = 0.632: esta última probabilidad nos dice que si el
tiempo de atención promedio en un servidor es 5 minutos, el 63.2% de los clientes se
demoran 5 minutos o menos en ser atendidos. Recuerde que la exponencial es la
distribución de los valores pequeños (en este caso tiempos).

153
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
¿Es esta una propiedad razonable para T en un modelo de colas?

Para tiempos de servicio en esencia idénticos donde el servidor realiza siempre la misma
secuencia de operaciones No. Este es el caso de una caja rápida en un almacén o un banco,
donde las personas de demoran en ser atendidas tiempos muy parecidos. Las cajas rápidas
no tienen entonces un comportamiento exponencial.

Para tareas específicas que tiene que realizar el servidor donde los tiempos de servicio
difieren de un cliente a otro Sí, aunque más adelante esto se justificará. Las cajas que no
son rápidas es probable que tengan un comportamiento exponencial. Así como hay clientes
que se demoran muy poco, también existen algunos que se demoran mucho; para un
almacén, los clientes que compran mercados muy grandes, o para un banco, los clientes
(mensajeros) que realizan muchas transacciones.

Para los tiempos entre llegadas, la propiedad 1 descarta las situaciones en las que los
clientes que llegan al sistema tienden a posponer su entrada si ven que otro cliente entra
antes que ellos, ya que esta situación hace que el tiempo del próximo cliente se alargue, y
es muy probable. En la práctica este es el caso de venta de artículos de lujo (no esenciales),
donde los clientes son muy exigentes y si ven filas largas no entran.

En resumen para las llegadas la probabilidad de que los tiempos entre llegadas sean
pequeños es muy alta.

Propiedad 2
Falta de memoria (o pérdida de la memoria).

P {T > t + Δt | T > Δt} = P {T > t} Para cualesquiera valores estrictamente positivos de t y


Δt

Para entender esta propiedad hagámoslo con un ejemplo.

Supóngase que t = 10 minutos y Δt = 3 minutos; reemplazando estos valores en la fórmula


esto quiere decir que

P {T > 13 minutos |T > 3 minutos} = P {T > 10 minutos}

(recuerde que el símbolo | significa dado que: probabilidad condicional).

Esta ecuación, por ejemplo para el caso de las atenciones, significa que la probabilidad de
que un cliente que lleva tres minutos en la caja se demore 10 minutos adicionales es igual
a la probabilidad de que un cliente que acaba de llegar se demore 10 minutos en la caja.
Aunque intuitivamente podría pensarse que la respuesta es No, si el fenómeno es
exponencial la respuesta es Sí. Si existe algún fenómeno donde la respuesta es Sí, que por
supuesto los hay, simplemente quiere decir que ese fenómeno no puede ser exponencial.

154
Luis Fernando Moreno Velásquez
Demostración de la propiedad de pérdida de la memoria
P {T > t + Δt | T > Δt} = P {T > t , T > t + Δt}/P {T > Δt}. Esta ecuación es simplemente
la fórmula de la probabilidad condicional, que se demostrará más adelante en el último
capítulo pero que se puede encontrar en cualquier libro de estadística elemental: P(A|B) =
P(A,B)/P(B), donde la coma (,) significa intersección, o sea que se den ambos eventos A y
B.

P {T > t , T > t + Δt}/P {T > Δt} = P {T > t + Δt}/P {T > Δt}, dado que el evento T> t es
redundante puesto que si T > t + Δt, necesariamente T > t (Recuerde que tanto t como Δt
son positivos).

Pero P {T > t + Δt}/P {T > Δt} = e -α ( t + Δt ) /e -α Δt, aplicando tanto al numerador como al
denominador la fórmula del complemento de la acumulada vista antes.

Pero e -α ( t + Δt ) /e -α Δt = e -αt , que es la probabilidad P { T > t }.

Con esto queda demostrada la propiedad 2 de pérdida de la memoria de la exponencial, que


aunque puede parecer intuitivamente contraevidente, de todos modos debe aceptarse si se
comprueba que el fenómeno es exponencial.

Esta propiedad significa que:

Para el tiempo entre llegadas: el tiempo que transcurre hasta la llegada siguiente es
totalmente independiente de cuando ocurrió la última llegada.

Para el tiempo de servicio: si ha pasado un tiempo de servicio considerable, la única


implicación puede ser que este cliente en particular requiera un servicio más extenso que
los demás.

Propiedad 3
El mínimo de varias variables aleatorias exponenciales independientes tiene una
distribución exponencial.

Sean T1, T2,...,Tn n variables aleatorias exponenciales independientes con parámetros α1,
α2,..., αn respectivamente.

Sea U = Mín. {T1, T2,..., Tn }

Si Ti representa el tiempo que pasa hasta que ocurre un tipo de evento, entonces U
representa el tiempo que pasa hasta que ocurre el primero de los n diferentes tipos de
eventos (ya que es el mínimo).

P {U > t} = P {T1 > t, T2 > t, ...., Tn > t} donde la coma (,) significa intersección o sea que
se den todos los eventos.

155
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
= P {T1 > t}*P {T2 > t}....... P*{Tn > t}, esta propiedad se sigue del hecho de que los eventos
son independientes, como se plantea en la hipótesis, por lo que las probabilidades se
multiplican.

= e-α1t*e-α2t ….*e-αnt , usando la fórmula del complemento de la acumulada para cada una
de las variables exponenciales; pero este valor es igual a:

e(-α1t - α2t…. - e-αnt) = e-(α1 + α1 + ….+αn)t = e-(∑αit) , lo que quiere decir, aplicando nuevamente la
fórmula del complemento de la acumulada que U tiene una distribución exponencial con
parámetro α = ∑ni=1 αi.

¿Qué significa esta propiedad?

Para el tiempo entre llegadas, si llegan n tipos de clientes, cada tipo con parámetro αi:
entonces el conjunto de todos los clientes, sin importar de qué tipo es, también es
exponencial con parámetro α = ∑ni=1 αi

1 2 n

Figura 8.3

Para el tiempo de servicio:

1 2 n

Figura 8.4

Si hay ene servidores (cajeros) y cada uno de ellos atiende a una tasa µi, el conjunto de
todos los cajeros, o sea el sistema de cajeros atiende en forma exponencial a una tasa µ =
∑𝑛𝑛𝑖𝑖=1 µi; en el caso particular de que todos los cajeros atiendan a la misma tasa, cajeros
similares, el tiempo de servicio del sistema de colas (el conjunto de cajeros) tiene
distribución exponencial con parámetro α = nµ, o sea, atienden a una tasa mayor, en forma
lineal con el número de cajeros.

156
Luis Fernando Moreno Velásquez
Propiedad 4
Relación de la exponencial con la distribución Poisson.

Si el tiempo entre dos ocurrencias consecutivas de un tipo de evento específico es


exponencial, entonces el número de veces que ocurre este evento en un periodo dado sigue
una distribución Poisson y viceversa, es decir es una relación de tipo si y solo si.

En otras palabras, la exponencial y Poisson son dos formas alternativas de estudiar un


fenómeno aleatorio. En una forma (la exponencial) se estudia el tiempo entre la ocurrencia
de dos eventos consecutivos, en tanto en la otra forma (Poisson) se estudia la frecuencia de
los eventos, o sea el número de eventos que ocurren por unidad de tiempo (veces/tiempo).

Aunque la distribución Poisson se verá en el capítulo siguiente, está definida así: P{X(t) =
n } = (αt)n e −αt/n! para n = 0, 1, 2, ...

Y tiene un parámetro α, que es el número promedio de eventos que ocurren por unidad de
tiempo (veces/tiempo).

P{X(t) = n} representa la probabilidad de que ocurran exactamente n eventos en un


intervalo de tiempo t, si el número promedio de evento por unidad de tiempo es α. Note
que la distribución Poisson posee tres parámetros (α, n, t) y aunque es continua en función
de α y de t, se considera una variable aleatoria discreta, ya que el parámetro n es discreto,
dado que el número de eventos en un intervalo de tiempo es un entero ≥ 0.

Sea X(t) el número de ocurrencias en el tiempo t (t≥0), donde el tiempo cero es el instante
en el que comienza la cuenta.

P{X(t) = 0} =e -αt (reemplazando n = 0 en la expresión de Poisson) que representa la


probabilidad de que no ocurra ningún evento (n = 0 eventos) en un intervalo de tiempo t.

Para la exponencial P {T > t} = e -αt representa la probabilidad de que el primer evento se


demore más de t unidades de tiempo para suceder.

Pero note que los eventos (no ocurrir ningún evento en t unidades de tiempo) y (que el
primer evento se demore más de t) son equivalentes y como ambos tienen la misma
probabilidad e -αt, el uno como Poisson y el otro como exponencial, entonces si el número
de eventos por unidad de tiempo es Poisson, el tiempo entre eventos consecutivos es
exponencial.

El parámetro α que aparece en ambas distribuciones es el mismo (veces/tiempo) pero la


media de Poisson es α que está expresada en veces/ tiempo, en tanto que la media de la
exponencial, como se vio antes, es 1/α que está expresada en tiempo.

En resumen se tiene:

Para las llegadas:

157
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
El tiempo entre 2 llegadas El número de llegadas en un
consecutivas tiene distribución tiempo t tiene distribución
exponencial con media 1/λ Poisson con media λ

Para las atenciones:

El tiempo de servicio de un El número de clientes atendidos


cliente tiene distribución en un tiempo t tiene distribución
exponencial con media 1/µ Poisson con media µ

Note que la relación es de tipo si y solo si tanto para las llegadas como para las atenciones.

Propiedad 5

Para todos los valores positivos de t, P {T ≤ t + Δt | T > t} ≈ αΔt para Δt pequeño.

Si ha pasado un tiempo t sin que ocurra un evento (T > t), la probabilidad de que ocurra un
evento dentro del siguiente intervalo de tiempo de longitud Δt fija P {T ≤ t + Δt} puede
aproximarse por αΔt.

La única razón por la que la probabilidad de que ocurra un evento difiere de este valor es
la posibilidad de que ocurra más de un evento, lo cual tienen una probabilidad muy pequeña
cuando Δt tiende a cero.

Demostración

P {T ≤ t + Δt | T > t} = P {T ≤ Δt} = 1 - e -α Δt (por la pérdida de la memoria)


(𝑛𝑛) (𝑛𝑛)
Pero ex = ∑∞
𝑛𝑛=0 𝑥𝑥 /𝑛𝑛! = 1 + x + ∑∞
𝑛𝑛=2 𝑥𝑥 /𝑛𝑛!

(𝑛𝑛)
Entonces: 1 – e -α Δt = 1 – (1 - α Δt + ∑∞
𝑛𝑛=2 𝑥𝑥 /𝑛𝑛!) ≈ αΔt para Δt pequeño, ya que
los términos dentro de la sumatoria son de orden superior y se pueden despreciar. Esta
propiedad hace que la probabilidad de dos o más eventos (simultaneidad) en un intervalo
pequeño sea despreciable, es decir, se puede asumir que no hay simultaneidad de eventos
ya que su probabilidad tiende a cero.

158
Luis Fernando Moreno Velásquez
Propiedad 6

No afecta agregar o desagregar.

1 2 n
… n tipos de
clientes

Figura 8.5

Se tiene n tipos de clientes independientes cada uno con parámetro λi.

la propiedad dice que el proceso de entrada agregado (sin considerar el tipo de cliente)
también es Poisson con parámetro λ = λ1+ λ2+...+ λn.

Esta propiedad se sigue de las propiedades 3 y 4 ya vistas.

Si se tiene un proceso de entrada agregado Poisson de varios tipos de clientes diferentes de


tipo i con parámetro λ , la propiedad dice que el proceso de entrada para los clientes tipo i
también es Poisson con parámetros λi = pi λ y ∑𝑛𝑛𝑖𝑖=1 𝑝𝑝𝑖𝑖 , donde pi es la probabilidad de que
el evento sea tipo i.

La distribución Poisson
Se puede demostrar que para eventos que suceden en el tiempo (aunque se podría
generalizar también para otro tipo de eventos), si se cumplen las siguientes cuatro
suposiciones (las dos primeras son cualitativas, en tanto la tercera y la cuarta son
cuantitativas):

1) El número de eventos que suceden en intervalos de tiempo disjuntos son


independientes (esta propiedad es la misma que se vio en la exponencial como la
pérdida de la memoria).

2) La probabilidad de que ocurran eventos en el tiempo, aunque depende de la longitud


del intervalo del tiempo, es independiente de cuando se da el intervalo en el tiempo
(esta propiedad ya se había visto como la propiedad de la estacionariedad).

3) La probabilidad de que ocurra un evento (exactamente uno) en un intervalo Δt ~ (es


aproximadamente igual a λΔt cuando Δt tiende a cero. Esta propiedad dice que la
probabilidad de un evento es lineal con la longitud del intervalo, es decir que en un

159
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
intervalo el doble de largo que otro, la probabilidad es el doble (siempre y cuando
Δt sea pequeño).

4) La probabilidad de dos o más eventos en un intervalo Δt tiende a cero si Δt tiende a


cero. Esta propiedad quiere decir que no hay simultaneidad de eventos en intervalos
de tiempo pequeños; es decir, en un intervalo pequeño siempre ocurren cero o un
evento.

Entonces la probabilidad de que ocurran n eventos en un intervalo t (tan grande como se


quiera) está dada por:

𝑒𝑒 −𝜆𝜆𝜆𝜆 (𝜆𝜆𝑡𝑡)𝑛𝑛
Probabilidad (n eventos en un intervalo t) =
𝑛𝑛!

Esta es la variable aleatoria Poisson con media λ. Note que la constante de linealidad de la
tercera suposición resulta ser la media de la variable aleatoria Poisson. Note que Poisson
es función de tres variables: n, λ, t.

λ y t se consideran continuos, en tanto n es discreto (el número de eventos). En teoría de


colas, los eventos usualmente van a ser llegadas de clientes o salidas de un servidor.

Veamos por medio de algunos ejemplos la aplicación de esta fórmula para entenderla
mejor.

Si un evento es poissoniano (sigue la variable aleatoria Poisson) con media 6 veces/hora (o


6/hora),

¿cuál es la probabilidad de que se den 3 eventos en una hora?

𝑒𝑒 −𝜆𝜆𝜆𝜆 (𝜆𝜆𝑡𝑡)𝑛𝑛
Recuerde que la fórmula de Poisson es: Prob (n eventos en t) =
𝑛𝑛!

Apliquemos la fórmula con (n=3, t = 1 hora, λ = 6/hora). Observe que λt es un número


adimensional; en este caso λt = 6*1 = 6

𝑒𝑒 −6 (6∗1)3
Prob (3 eventos en una hora) = = 0.0892
3!

¿Cuál es la probabilidad de que se den 3 eventos en dos horas?

Apliquemos la fórmula con (n=3, t = 2 horas, λ = 6/hora); en este caso λt = 6*2 = 12.

𝑒𝑒 −12 (12)3
Prob (3 eventos en dos horas) = = 0.00177
3!

160
Luis Fernando Moreno Velásquez
¿Cuál es la probabilidad de que se den 6 eventos en una hora?

Apliquemos la fórmula con (n=6, t = 1 hora, λ = 6/hora); en este caso λt = 6*1 = 6.

𝑒𝑒 −6 (6)6
Prob (6 eventos en una hora) = = 0.16 (este evento es más probable que los dos
6!
anteriores y corresponde a la media)

¿Cuál es la probabilidad de que se de 1 eventos en 2/1000 hora?

Apliquemos la fórmula con (n=1, t = 0.002 hora, λ = 6/hora); en este caso λt = 6*0.002
=0.012.

𝑒𝑒 −0.012 (0.012)1
Prob (1 evento en 0.002 horas) = = 0.011856 (note que esta probabilidad es
1!
aproximadamente λt= 0.012, ya que t es muy pequeño).

¿Cuál es la probabilidad de que se de 1 evento en 1/1000 hora?

Apliquemos la fórmula con (n=1, t = 0.001 hora, λ = 6/hora); en este caso λt = 6*0.001
=0.006.

𝑒𝑒 −0.006 (0.006)1
Prob (1 evento en 0.001 horas) = = 0.00596 (note que esta probabilidad es
1!
aproximadamente λt = 0.006, ya que t es muy pequeño).

En los dos últimos casos la probabilidad tiende a λt, puesto que t tiende a cero, y se
aproxima más en 1/1000 de hora que en 2/1000 de hora, ya que 1/1000 es mucho menor
que 2/1000.

¿Cuál es la probabilidad de que se de 1 evento en 2 horas?

Apliquemos la fórmula con (n=1, t = 2 horas, λ = 6/hora); en este caso λt = 6*2 =12.

𝑒𝑒 −12 (12
Prob (1 evento en 2 horas) = = 0.0000737 (Note que esta probabilidad no es λt =
1!
12, ya que t es muy grande).

Se espera que haya quedado clara la aplicación de la variable aleatoria Poisson, que será
muy utilizada en la teoría de colas, al igual que la exponencial.

161
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 9.
Proceso de nacimiento y muerte

La mayor parte de los modelos elementales de colas suponen que las entradas (llegadas de
clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo con un proceso
de nacimiento y muerte.

Nacimiento: Llegada de Muerte: Salida del


un nuevo cliente al cliente servido del
sistema de colas sistema de colas

Figura 9.1

Recordemos que N(t) es el número de clientes que hay en el sistema en el tiempo t. El


proceso de nacimiento y muerte describe en términos probabilísticos cómo cambia N(t) al
aumentar t.

Suposición 1

Dado N(t) = n, la distribución de probabilidad actual del tiempo que falta para el
próximo nacimiento (llegada) es exponencial con parámetro λn (n = 0, 1, 2...).

Suposición 2

Dado N(t) = n, la distribución de probabilidad actual del tiempo que falta para la
próxima muerte (terminación del servicio) es exponencial con parámetro µn (n = 1,
2...).

Suposición 3

Las variables aleatorias de los tiempos que faltan para la próxima llegada y para la
terminación del servicio son mutuamente independientes.

163
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Consecuencias de estas tres suposiciones

Transición en el estado del proceso: n → n+1 o n → n–1, es decir los procesos de


nacimiento y muerte sólo producen cambios del estado n al n+1 o al n-1 ya que existen dos
fenómenos, ambos exponenciales, y como no hay simultaneidad y los estados son los
números enteros ≥0, entonces no se pueden producir saltos (cambios de estado) de dos o
más hacia arriba (dos nacimientos simultáneos) o hacia abajo (dos muertes simultáneas).

Recuerde lo visto en el capítulo 6 sobre procesos continuos de Markov donde se definió la


manera de representar los procesos continuos y se dijo:

“Para resolver los problemas continuos una ayuda muy útil en el planteamiento de
las ecuaciones de balance es un gráfico donde los estados se representan por círculos
(o elipses) y los eventos que producen cambios de estado por flechas que unen los
dos estados, el inicial y el final, y a las cuales se les asigna su frecuencia.”

Esta forma de representación nos lleva a que los procesos de nacimiento y muerte se pueden
graficar como una cadena de estados (desde el 0 hasta el último que puede ser un número
finito o infinito) y donde no hay flechas que salten dos o más estados.

El proceso de nacimiento y muerte es entonces un tipo especial de cadenas de Markov de


tiempo continuo que se representa así:

λ0 λ1 λ2 λn-1 λn λn+1

0 1 2 … n-1 n n+1

µ1 µ2 µn µn+1

Figura 9.2

Donde:

λn: Tasa media de llegadas (nacimientos) cuando el sistema está en el estado n.

(Del n al n+1)

µn: Tasa media de salidas (muertes) cuando el sistema está en el estado n.

(Del n al n-1)

Los λn y los µn se expresan como frecuencias, es decir (veces/tiempo) que se produce el


cambio de estado.

164
Luis Fernando Moreno Velásquez
Supongamos que en el tiempo cero se inicia el conteo del número de veces que el sistema
entra en cualquier estado n y el número de veces que sale del mismo.

En(t): número de veces que el sistema entra al estado n hasta el tiempo t.

Ln(t): número de veces que el sistema sale del estado n hasta el tiempo t.

|En(t) – Ln(t)| <=1, como los dos tipos de eventos deben alternarse, la diferencia será a lo
sumo 1, ya que si está en un estado no se puede entrar y si se está fuera de un estado no se
puede salir.

Dividiendo esta desigualdad por t se tiene:

|En(t)/t - Ln(t)/t| <=1/t y haciendo tender t a ∞ se tiene:

Lim |En(t)/t - Ln(t)/t| ≤ 0

t→∞

Como la desigualdad anterior es un valor absoluto, por el teorema del sánduche se tiene
que:

Lim En(t)/t = Lim Ln(t)/t

t→∞ t→∞

Es decir:

Tasa media a la que el proceso entra al estado n = Tasa media a la que el proceso sale del
estado n

Para cualquier estado n (n=0, 1,...) del sistema, la tasa media de entrada es igual a la tasa
media de salida, ambas expresadas en (veces/tiempo)

Esta propiedad, que es válida para cualquier estado, nos permite plantear y resolver las
ecuaciones de balance.

Ecuaciones de balance
Se deben construir las ecuaciones que expresan el principio de la tasa media de entrada
igual a la tasa media de salida para todos los estados.

Después de construir las ecuaciones de balance para todos los estados en término de las
probabilidades Pn desconocidas, se puede resolver este sistema de ecuaciones (más una
ecuación que establezca que la suma de las Pn debe ser 1).

165
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ecuación de balance para el estado 0 (ver la figura 9.2).

µ1 P1 = λ0 P0

Tasa media global de Tasa media global de


entradas al estado 0 salidas del estado 0

Las Pn son las probabilidades de estado estable de encontrarse en el estado n (o, en forma
equivalente, el porcentaje de tiempo que el sistema se encuentra en el estado n)

Así:

P0 representa la proporción de tiempo que el proceso se encuentra en el estado cero.

P1 representa la proporción de tiempo que el proceso se encuentra en el estado uno.

Nota: µ0 = 0 siempre, ya que si el sistema está en el estado 0 no puede haber muertes.

Ecuación de balance para el estado 1 (ver la Figura 9.2).

λ0 P0 + µ2 P2 = (λ1 + µ1) P1

Tasa media global de Tasa media global de


entradas al estado 1 salidas del estado 1

Se continúa con esta metodología y se deben construir las ecuaciones de balance para todos
los demás estados. Recordemos que la sumatoria de las Pn debe ser igual a 1

Estado 0 µ1 P1 = λ0 P0

Estado 1 λ0 P0 + µ2 P2 = (λ1 + µ1) P1

Estado 2 λ1 P1 + µ3 P3 = (λ2 + µ2) P2

..……………………………………….

Estado n–1 λn−2 Pn−2 + µn Pn = (λn−1 + µn−1) Pn−1

Estado n λn −1 Pn−1 + µn+1 Pn+1 = (λn + µn) Pn

………………………………………….

De la ecuación del estado n se despeja Pn+1

166
Luis Fernando Moreno Velásquez
Estado

0 P1 = (λ0 /µ1)P0

1 P2 = (λ1 /µ2 )P1 + (1/µ2 ) (µ1P1 – λ0 P0)

2 P3 = (λ2 /µ3 )P2 + (1 /µ3 ) (µ2 P2 – λ1 P1)

……………………………………………

n–1 Pn= (λn−1 /µn)Pn−1 +(1/µn ) (µn−1 Pn−1 − λn−2Pn−2)

n Pn+1= (λn /µn+1 )Pn +(1µn+1) (µn Pn – λn−1Pn−1)

De esta forma tenemos un sistema de ecuaciones (que pueden ser infinitas) donde las
variables son las Pn y los coeficientes los λn y los µn.
Note que en la ecuación del estado 1 aparece el término (µ1 P1 - λ0 P0, que de acuerdo con
la ecuación del estado 0 es 0 y por lo tanto se puede desechar.
De la misma forma, si se continúa se observa que la ecuación del estado n, permite desechar
el término entre paréntesis de la ecuación n+1 y se obtiene:

Estado

0 P1 = ( λ0 /µ1)P0

1 P2 = ( λ1 /µ2)P1

2 P3 = ( λ2 /µ3)P2

…………………

n–1 Pn= (λn−1 /µn)Pn−1

n Pn+1= (λn /µn+1)Pn

Reemplazando en cada ecuación el valor de Pn de la ecuación anterior se tiene:

Estado

0 P1 = (λ0 /µ1)P0

1 P2 = (λ1λ0 /µ2 µ1)P0

2 P3 = (λ2λ1λ0 /µ3µ2µ1)P0

………………………………………

167
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
n–1 Pn = (λn−1λn−2 ....λ0 /µ nµn−1 ..... µ1) P0

n Pn+1 = (λn λn−1 ....λ0 /µ n+1µn ..... µ1) P0

Observe que en el sistema anterior de ecuaciones todas las variables Pn están en función de
P0. Por tanto si encontramos P0 se ha resuelto el sistema de ecuaciones.

Para simplificar la notación sea

Cn = λn - 1 λn - 2 .... λ0/µ n µn-1 ..... µ Para n = 1, 2,...

Cn = 1 Para n = 0

Para encontrar P0 se platea la ecuación:

∑∞ ∞
𝑛𝑛=0 𝑃𝑃𝑛𝑛 = 1 implica P0∑∞ ∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛 = 1 y de esta forma

Po = {∑∞ ∞ -1
𝑛𝑛=0 𝐶𝐶𝑛𝑛 }

Este valor se reemplaza en los demás Pn y se tiene resuelto el sistema de ecuaciones para
todas las Pn.

Se puede demostrar que en el sistema de ecuaciones siempre hay una ecuación redundante
y por tanto una de las ecuaciones se puede descartar.

Note que esta variable aleatoria n con probabilidades Pn representa la variable aleatoria “los
clientes que se encuentran en el sistema”, es decir los que están siendo atendidos + los que
hacen fila y es diferente a las variables aleatorias los que llegan y lo que se atienden. Esta
variable aleatoria es de suma importancia en teoría de colas, porque la congestión es creada
por los clientes que se encuentran en el sistema. Entonces esta variable es la que se utiliza
para medir la congestión de un sistema.

Pero dado que una variable aleatoria representa mucha información (todos los valores que
como se dijo pueden llegar a ser infinitos con sus probabilidades, entonces se utilizan los
cuatro promedios que ya se describieron y estos cuatro números representan una forma más
sencilla de determinar el nivel de congestión en un sistema de colas.

Recordemos:

L: número esperado de clientes en el sistema.

L = ∑∞𝑛𝑛=0 𝑛𝑛𝑛𝑛𝑛𝑛 (esta expresión es el promedio de cualquier variable aleatoria: suma de


todos los valores que toma la variable aleatoria multiplicados por la probabilidad de que
tome esos valores.

Recordemos:

Lq: Longitud esperada de la cola.

168
Luis Fernando Moreno Velásquez
Lq = ∑ ∞
𝑛𝑛=𝑠𝑠 (𝑛𝑛 − 𝑠𝑠)𝑃𝑃𝑛𝑛 .

Donde n es el número de clientes que se encuentran en el sistema y s es el número de


servidores que atienden. Note que esta fórmula, a pesar de que da el promedio de clientes
que se mantienen estrictamente haciendo fila, está expresada en términos de los Pn que son
las probabilidades de los clientes en el sistema. Esto se hace porque el sistema de
ecuaciones de balance resuelto anteriormente da las probabilidadades de los clientes en el
sistema y no en la cola.

De las relaciones demostradas anteriormente se obtiene:

W =L/λpromedio y Wq = Lq/λpromedio.

Con estas dos últimas fórmulas se obtienen los promedios W y Wq, que son más
representativos de la congestión que los promedios L y Lq, ya que estos están expresados
en unidades (clientes), en tanto que los W y Wq están expresados en unidades de tiempo.

Note que cuando se dedujeron las expresiones de W y Wq se partía del supuesto de que λ
era constante. Estas nuevas expresiones son válidas, aun en el caso de que λ no sea
constante, y en ese caso se reemplaza por su valor promedio: (λpromedio).

λn: Tasa media de llegadas cuando el sistema se

encuentra en el estado n (n = 0, 1, 2, …)
Como:
Pn: Proporción de tiempo que el sistema está en
este estado

entonces: λpromedio = ∑∞
𝑛𝑛=0 λ𝑛𝑛𝑃𝑃𝑛𝑛 ,

Aspectos a considerar:

Varias de las expresiones tienen un número infinito de términos. Para muchos casos
especiales estas sumas tienen solución analítica o pueden aproximarse por métodos
numéricos.

Estos resultados de estado estable se desarrollaron bajo la suposición de que los parámetros
λn y µn tienen valores tales que el proceso, de hecho puede alcanzar la condición de estado
estable.

Esta última suposición se cumple si:

λn = 0 para algún n mayor que el estado inicial

ρ = λ/(sµ) < 1

No se cumple si:

169
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛 = ∞ (la serie de los Cn diverge).

Ejemplo:

La estación de gasolina de una pequeña población tiene capacidad para dos automóviles
únicamente.

Cuando la estación está desocupada llegan tres automóviles por hora, pero cuando en la
estación hay un automóvil la tasa de llegadas disminuye a dos automóviles por hora.

La tasa a la cual el servidor atiende a los automóviles que llegan es de cuatro por hora.

Se deben encontrar las probabilidades de estado estable (la variable aleatoria, los que están
en el sistema) y hallar los cuatro promedios: L, Lq, W, Wq

3 2
00
0 1 2
00
4 4

Figura 9.3

Por simplicidad se omiten en el gráfico las unidades de los eventos (flechas) ya que todas
son veces/tiempo.

Estado 0: µ1 P1 = λ0 P0 4 P1 = 3 P0 (1)
Estado 1: λ0 P0 + µ2 P2 = (λ1 + µ1) P1 (se descarta esta ecuación) (2)
Estado 2: µ2 P2 = λ1P1 4P2 = 2 P1 (3)
P0+P1 +P2 =1 (4)

Resolviendo las ecuaciones (1), (3) y (4) se obtiene:

4P1 = 3P0
4P2 = 2P1
P0+P1 +P2 =1
P0 = 0.47
P1 = 0.353
P2 = 0.177

170
Luis Fernando Moreno Velásquez
Esta solución significa que la estación de gasolina se mantiene el 47% del tiempo vacía
(con 0 automóviles), el 35.3% del tiempo con un automóvil y el 17.7% del tiempo con dos
automóviles. O, o en forma equivalente: la probabilidad de que haya 0 automóviles es 0.47,
la probabilidad de que haya un automóvil es 0.353 y la probabilidad de que haya 2
automóviles es 0.177.

Procedamos ahora a encontrar los 4 promedios:

L = ∑2𝑛𝑛=0 𝑛𝑛𝑛𝑛𝑛𝑛 = 0*0.47 + 1*0.353 + 2*0.177 = 0.707, es decir en la estación de gasolina


see mantienen en promedio 0.707 automóviles.

Lq = ∑2𝑛𝑛=1 (𝑛𝑛 − 𝑠𝑠)𝑃𝑃𝑛𝑛 = 0*0.353 + 1*0.177, es decir en la estación de gasolina se mantienen


0.177 automóviles haciendo fila.

λpromedio = ∑2𝑛𝑛=0 λ𝑛𝑛𝑃𝑃𝑛𝑛 = λ0P0 + λ1P1 + λ2P2 = 3*0.47 + 2*0.353 + 0*0.177 = 2.116. Es
decir, a la estación de gasolina entran en promedio 2.116 automóviles/hora.

W = L/λpromedio = 0.707/2.116 = 0.334 horas. Es decir, un automóvil se demora en


promedio en el sistema (tiempo de fila + tiempo de atención) 0.334 horas = 20 minutos.

Wq = Lq/λpromedio = 0.177/2.116 = 0.083 horas = 5 minutos.

171
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 10.
Modelos de colas basados en el proceso de
nacimiento y muerte

La gran mayoría de los modelos que se usan en teoría de colas están basados en el proceso
de nacimiento y muerte. Estos modelos tienen una entrada Poisson y tiempo de servicio
exponenciales.

Recuerde la relación entre Poisson y la exponencial: las frecuencias (veces/tiempo) de un


evento que ocurre en el tiempo son poissonianas, si y solo si el tiempo que transcurre entre
dos eventos consecutivos es exponencial.

Por tanto para las entradas se puede decir que el número de veces que entra un cliente por
unidad de tiempo es poissoniano y que el tiempo entre la entrada de dos clientes
consecutivos es exponencial, y para las atenciones se puede decir que el número de clientes
que está en capacidad de atender un servidor por unidad de tiempo es poissoniano y que el
tiempo de duración del servicio es exponencial.

Sin embargo se acostumbra definir las entradas desde el punto de vista frecuencia (Poisson)
y las atenciones desde el punto de vista tiempo de duración del servicio (exponencial).

Los modelos difieren solo en las suposiciones sobre cómo cambian las λn y las µn según el
estado n.

Veremos a continuación varios modelos diferentes para los cuales se definen los λn y los
µn y se resuelven las ecuaciones de balance para esos casos particulares.

Modelo M/M/S
Este modelo nos indica que:

Todos los tiempos entre llegadas independientes e idénticamente distribuidos de acuerdo


con una distribución exponencial.

Todos los tiempos de servicio independientes e idénticamente distribuidos de acuerdo con


una distribución exponencial.

El número de servidores es s (s cualquier entero positivo).

Este es un caso especial del proceso de nacimiento y muerte dado que:

La tasa media de llegadas al sistema de colas es una constante λ y es independiente del


estado del sistema.

173
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
La tasa media de servicio por servidor ocupado es una constante µ y es independiente del
estado del sistema.

Es decir:

λn = λ (n=0, 1, 2,…) λ es constante e independiente de n y además

µn = µ (n=1, 2, 3, …) µ es constante e independiente de n.

Como se había mencionado anteriormente este caso se da para los supermercados y en


general para empresas que venden artículos de primera necesidad, donde los clientes entran
al sistema, de todos modos, así el sistema (almacén o tienda) esté congestionado.

a) Caso un servidor (s =1)

Estudiaremos primero el caso más sencillo de un servidor (tienda pequeña)

Los parámetros λn = λ para n = 0, 1, 2, ....


del modelo son: µn = µ para n = 1, 2, ....

λ λ λ λ λ

0 1 2 … n-2 n-1 n n+1

µ µ µ µ µ

Figura 10.1

Cuando ρ = λ/µ ≥1: tasa media de servicio menor que la tasa media de llegadas, se forma
una cola infinita (el servidor no es capaz de atender a los clientes que llegan).

Cuando ρ = λ/µ <1: tasa media de servicio mayor que la tasa media de llegadas, el sistema
de colas alcanzará la condición de estado estable y podemos aplicar directamente los
resultados de estado estable hallados anteriormente.

Los resultados de estado estable generales hallados implicaban:

Cn = (λ0λ1….λn-2λn-1)/(µ1µ2…µn-1µn) Para n = 1,2,...

Cn = 1 Para n = 0

P0 = 1/ ∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛

174
Luis Fernando Moreno Velásquez
Para s = 1, los factores Cn para el proceso de nacimiento y muerte se reducen a

Cn = (λ/ µ)n ya que todos los λ y todos los µ son iguales para n = 0, 1, 2,...

Pn = ρn P0 para n = 0, 1, 2,...
1 1
Po = ∑ ∞ 𝑛𝑛
𝑛𝑛=0 𝜌𝜌 = { }-1 ya que la serie ∑∞ 𝑛𝑛
𝑛𝑛=0 𝑥𝑥 converge a para |x| < 1
1−𝜌𝜌 1−𝑥𝑥

Po = 1 - ρ Pn = (1 - ρ) ρn para n = 0, 1, 2,...

Ya tenemos la variable n “los que están en el sistema” y sus probabilidades Pn

Calculemos a continuación los cuatro promedios L, Lq, W y Wq:


𝜌𝜌 𝜆𝜆
L = ∑∞ ∞ 𝑛𝑛
𝑛𝑛=0 𝑛𝑛𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=0(1 − 𝜌𝜌)𝜌𝜌 = que al reemplazar 𝜌𝜌 𝑝𝑝𝑝𝑝𝑝𝑝 nos da:
1−𝜌𝜌 𝜇𝜇

𝜆𝜆
L=
𝜇𝜇−𝜆𝜆

Lq =∑∞ ∞ ∞ ∞
𝑛𝑛=𝑠𝑠(𝑛𝑛 − 𝑠𝑠)𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=𝑠𝑠(𝑛𝑛 − 1)𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=𝑠𝑠 𝑛𝑛𝑃𝑃𝑛𝑛 - ∑𝑛𝑛=𝑠𝑠(1)𝑃𝑃𝑛𝑛 = L – (1-P0) =

𝜆𝜆 𝜆𝜆 𝜆𝜆2
Lq = L – 𝜌𝜌 = - =
𝜇𝜇−𝜆𝜆 𝜇𝜇 𝜇𝜇(𝜇𝜇−𝜆𝜆)

Las relaciones entre L, Lq, W y Wq vienen dadas por:


𝐿𝐿 1
L = λ W, es decir: W = =
𝜆𝜆 𝜇𝜇−𝜆𝜆

Lq 𝜆𝜆
Lq = λ Wq, es decir: W = =
𝜆𝜆 𝜇𝜇(𝜇𝜇−𝜆𝜆)

A continuación se plantean (sin demostración) dos variables aleatorias muy importantes en


teoría de colas w (tiempo de espera en el sistema) y wq (tiempo de espera en la cola).

w: Tiempo de espera en el sistema

P {W > t} = e - µ (1-ρ)t para t ≥ 0.

Note que w tiene distribución exponencial con parámetro µ (1–ρ)

wq: Tiempo de espera en la cola

P {W q > t} = ρe - µ (1-ρ)t para t ≥ 0

P {W q = 0} = P0 = 1-ρ para t ≥ 0

175
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Note que wq no tiene distribución exponencial

Recuerde que el promedio de la variable aleatoria w es W y el promedio de la variable


aleatoria wq es Wq.

b) Caso múltiples servidores (s > 1):

Cuando el sistema tiene múltiples servidores no es tan sencillo expresar µn (µn es la tasa
media de servicio para el sistema de colas completo).

Según el número de µn= nµ para n ≤ s


personas en el sistema µn = sµ para n > s

Se aplica la propiedad 3 de la exponencial.

Note que para para n ≤ s (número de clientes ≤ que número de servidores) todos los clientes
están siendo atendidos por un servidor y no hay nadie en cola, por lo tanto µn= nµ.

Note que para para n > s (número de clientes > que número de servidores) todos los
servidores están atendiendo y aún queda n-s clientes en fila. Por lo tanto µn= nµ, ya que los
clientes en fila no son candidatos a salir. Esto quiere decir que la capacidad de atención de
todos los servidores es sµ.

Los parámetros del modelo son:

λn = λ para n = 0, 1, 2, ....

µn = nµ para n = 1, 2, ..,s

sµ para n =s, s+1, ...

λ λ λ λ λ

0 1 2 …… s-2 s-1 s s+1

µ 2µ (s-1)µ sµ (s+1)µ

Figura 10.2

176
Luis Fernando Moreno Velásquez
𝜆𝜆
Cuando ρ = ≥ 1 la tasa media de servicio 𝑠𝑠𝑠𝑠 es menor que la tasa media de llegadas λ,
𝑠𝑠𝑠𝑠
y se forma una cola infinita ya que el conjunto de servidores no es capacidad de atender la
cantidad de clientes que llegan.
𝜆𝜆
Cuando ρ = < 1 la tasa media de servicio mayor que la tasa media de llegadas y el
𝑠𝑠𝑠𝑠
sistema de colas alcanzará la condición de estado estable y podemos aplicar directamente
los resultados de estado estable hallados anteriormente.

Recuerde que los resultados de estado estable generales hallados implicaban:

Cn = λn - 1 λn - 2 ....λ/µ n µn-1 .....µ1 Para n = 1,2,...

Cn = 1 Para n = 0

P0 = 1/ ∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛

Para s > 1, los factores Cn para el proceso de nacimiento y muerte se reducen a:


λ
Cn = { }n/n! para n = 0, 1, 2, …, s
µ

λ λ
Cn = { }s/s! { }n-s para n = n =s, s+1, ...
µ 𝑠𝑠µ

P0 = 1/ ∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛

1
P0 = 𝜆𝜆
𝜆𝜆 ( )𝑠𝑠 1
𝜇𝜇
∑𝑠𝑠−1 𝑛𝑛
𝑛𝑛=0( ) /𝑛𝑛!+ ∗
𝜇𝜇 𝑠𝑠! 1−( 𝜆𝜆 )
𝑠𝑠𝑠𝑠

Reemplazando los valores de Cn en la sumatoria del denominador (note que hay que partir
la sumatoria en dos partes: hasta s y de s en adelante):

Obtenemos:
λ
Pn = ({ }n/n!) * P0 para n = 0, 1, 2, .., s
µ

λ λ
({ }s/s! { }n-s )* P0 para n =s, s+1, ...
µ 𝑠𝑠µ

Note que son los mismos dos casos que para Cn, pero multiplicados por P0.

177
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Lq = ∑ ∞
𝑛𝑛=𝑠𝑠(𝑛𝑛 − 𝑠𝑠)𝑃𝑃𝑛𝑛 que al desarrollar la sumatoria con los valores de Pn obtenidos arriba
se llega a la expresión:
λ
Lq = [P0{ }sρ]/[s!(1-ρ)2]
µ

Lq
Wq =
𝜆𝜆

W = Wq + 1/µ

L = λW = λ (Wq + 1/µ) (o en forma equivalente: L = Lq + λ/µ)

Note que la expresión de P0 es bastante compleja y que es función de (λ/sµ, s); por tanto si
se fija el valor de una de las variables (en este caso s que es discreta) se puede graficar P0
como función de λ/sµ para diferentes valores de s como aparece a continuación:

Figura 10.3 (tomada de Hillier)

Este gráfico nos permite leer en forma bastante aproximada el valor de P0 y a partir de este
calcular los cuatro promedios.

178
Luis Fernando Moreno Velásquez
De forma similar se puede graficar también L, tal como aparece a continuación:

Figura 10.4 (Tomada de Hillier)

Análogamente a como se hizo para el caso de un servidor se plantean (sin demostración)


las mismas dos variables aleatorias w (tiempo de espera en el sistema) y wq (tiempo de
espera en la cola)
𝜆𝜆 𝜆𝜆
𝑃𝑃0 ( )𝑠𝑠 1−𝑒𝑒
−𝜇𝜇𝜇𝜇(𝑠𝑠−1−− )
𝜇𝜇
-µt 𝜇𝜇
P {w > t} = e [1+ * ]
𝑠𝑠!(1−𝜌𝜌) 𝑠𝑠−1−𝜆𝜆/𝜇𝜇

P {w q > t} = (1- P {W q =0})𝑒𝑒 −𝑠𝑠𝑠𝑠(1−𝜌𝜌)𝑡𝑡


𝑠𝑠−1
P {W q = 0} = ∑𝑛𝑛=0 𝑃𝑃𝑛𝑛

Recuerde que al igual que en el caso de un servidor el promedio de la variable aleatoria w


es W y el promedio de la variable aleatoria wq es Wq

Ejemplo: Hospital General

La sala de emergencia del Hospital General proporciona cuidados médicos rápidos a los
casos de emergencia que llegan en ambulancia o vehículos particulares.

En cualquier momento se cuenta con un doctor de guardia, pero debido al creciente número
de urgencias se estudiará la posibilidad de contratar otro doctor.

179
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
El ingeniero administrador ha recolectado datos y ha podido estimar que las llegadas de
pacientes siguen una distribución Poisson con media de un cliente cada media hora.

La distribución del tiempo de atención es exponencial con media de servicio de veinte


minutos para atender un paciente.

Se deben mirar los indicadores del modelo para los casos en que haya uno y dos médicos.

Recuerde que ese problema se denomina un problema de políticas, porque se deben resolver
dos problemas independientes (políticas) y comparar los resultados y escoger la mejor
solución.

λ = 1 clientes cada 1/2 hora = 2 clientes por hora (Poisson con esa media).

1/µ = 20 minutos = 1hora/ 3, entonces µ = 3/hora (el evento llegada de un paciente se da


según Poisson con una media de 3 veces/hora.

Debemos verificar que ρ < 1

Caso un servidor (1 médico) (s =1):

ρ = λ/µ = 2/3 < 1 Tasa media de servicio mayor que la tasa media de llegadas, lo que quiere
decir que el sistema adquiere la condición de estado estable.

Po = 1 – ρ

Po = 1 – 2/3 = 1/3, es decir el sistema (el consultorio) se mantiene vacío (con 0 pacientes)
el 33.33% del tiempo.

Pn = (1 – ρ) ρn para n = 0, 1, 2, ...

Por ejemplo:

P1 = (1 – ρ) ρ = (1/3)*(2/3) = 2/9. El sistema (el consultorio) se mantiene con un paciente


(el que está siendo atendido y no hay nadie en cola) el 22.22% del tiempo.

Pn = (1 – ρ) ρn = (1/3)*(2/3)n y con esta expresión podemos calcular la probabilidad de que


haya en el sistema (consultorio) cualquier número de clientes. Tenemos la variable aleatoria
“los que están en el sistema” y sus probabilidades.
𝜆𝜆 2
L= = = 2 (en el consultorio se mantienen en promedio 2 pacientes).
𝜇𝜇−𝜆𝜆 3−2

𝜆𝜆2 22
Lq = = = 4/3 (en el consultorio se mantienen en promedio 1.33 pacientes en
𝜇𝜇(𝜇𝜇−𝜆𝜆) 3(3−2)
fila.

180
Luis Fernando Moreno Velásquez
1 1
W= = = 1 hora (el tiempo promedio que se gasta un paciente haciendo fila y
𝜇𝜇−𝜆𝜆 3−2
siendo atendido es 1 hora).
𝜆𝜆 2
Wq = = = 2/3 hora (el tiempo promedio que se gasta un paciente haciendo
𝜇𝜇(𝜇𝜇−𝜆𝜆) 3(3−2)
fila, sin incluir el tiempo de atención es (2/3) hora = 40 minutos.

P {W > t} = e - µ (1-ρ)t que con λ = 2/hora y µ= 3/hora nos da:

P {W > t} = e-3(1 - 2/3 )t


= e-t.

Así por ejemplo la probabilidad de que un paciente se demore en el consultorio (fila +


atención) más de 2 horas es: e-2 = 0.135, o lo que es lo mismo al 13.5% de los pacientes les
toca esperar más de 2 horas en total.

P {W q > t} = ρe - µ (1-ρ)t que con λ = 2/hora y µ= 3/hora nos da:

P {W q > t} = (2/3) e-t.

Así por ejemplo la probabilidad de que un paciente se demore estrictamente en la fila más
de 2 horas es (2/3) e-2 = 0.09, o lo que es lo mismo el 9% de los pacientes deben esperar
más de 2 horas en fila.

P {wq = 0} = P0 = 1-ρ P {w q = 0} = 1 – 2/3 = 1/3. Al 33% de los pacientes no les toca


hacer fila (w q = 0).

b) Caso múltiples servidores (s = 2):

ρ =λ/(sμ) = 1/3 < 1 Tasa media de servicio mayor que la tasa media de llegadas, lo que
quiere decir que el sistema adquiere la condición de estado estable.
1 1
P0= 𝜆𝜆 = 2 0 2 1
= 1/2
( )𝑠𝑠 � � � �
2 2
∑𝑠𝑠−1
𝜆𝜆 𝑛𝑛 𝜇𝜇 1 3 + 3 + (3 ) ∗ 1
𝑛𝑛=1(𝜇𝜇) /𝑛𝑛!+ 𝑠𝑠! ∗ 𝜆𝜆 0! 1! 2! 1−(1)
1−( ) 3
𝑠𝑠𝑠𝑠

λ
Pn = ({ }n/n!) * P0 para n = 0, 1, 2, .., s
µ

λ
({ }n/s!𝑠𝑠 𝑛𝑛−𝑠𝑠 * P0 para n = n =s, s+1, ...
µ

Así por ejemplo:


2
P1 = ({ }1/1!) * (1/2) = 1/3
3

181
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Para n ≥ 2
2
Pn = ({ }n/2!* 2𝑛𝑛−2 * (½) = (1/3)n
3

𝑃𝑃0 1/2 2
Lq = *(𝜆𝜆/𝜇𝜇)𝑠𝑠 *ρ = *( )2 *(1/3) = 1/12
𝑠𝑠!(1−𝜌𝜌)2 2!(1−1/3)2 3

L = Lq + λ/μ = 1/12 + 2/3 = 3/4

Wq = Lq/λ = (1/12)/2 = 1/24 hora = 2.5 minutos

W = Wq + 1/μ = 2.5 + 1/3 = 3/8 hora = 22.5 minutos

𝜆𝜆 𝜆𝜆
𝑃𝑃0 ( )𝑠𝑠 1−𝑒𝑒
−𝜇𝜇𝜇𝜇(𝑠𝑠−1−− )
𝜇𝜇
-µt 𝜇𝜇
P {w > t} = e [1+ * ]=
𝑠𝑠!(1−𝜌𝜌) 𝑠𝑠−1−𝜆𝜆/𝜇𝜇

2 2
0.5( )2 1−𝑒𝑒
−3𝑡𝑡(2−1−− )
3
P {w > t} = e - µ t[1+ 3
* ]
2!(1−1/3) 2−1−2/3

1
P {w > t} = ∗ e - 3t (3 - e -t)
2

𝑠𝑠−1
P {W q = 0} = ∑𝑛𝑛=0 𝑃𝑃𝑛𝑛 = P0 + P1 = ½ + 1/3 = 5/6. Es decir al 83.33% de los pacientes no
les toca hacer fila.

P {W q > t} = (1- P {W q =0})e- sµ (1-ρ)t =

(1–5/6)e–2*3 (1-1/3)t = (1/6)𝑒𝑒 −4𝑡𝑡

A continuación se presenta un cuadro comparativo de las dos políticas (un médico y dos
médicos) y algunos de sus parámetros. Al comparar las dos políticas se puede observar, por
medio de cualquiera de los parámetros que con dos médicos la atención mejora
notablemente.

s=1 s=2

ρ 2/3 1/3

Po 1/3 1/2

P1 2/9 1/3

Pn 1/3 *(2/3)𝑛𝑛 (1/3)𝑛𝑛

L 2 3/4

182
Luis Fernando Moreno Velásquez
Lq 4/3 1/12

W 1 hora (3/8) hora

Wq (2/3) hora (1/24) hora

P{W > t} e-t e - 3t (3 – e-t)

P{Wq > t} 2/3e-t 1/6 e-t

P{Wq = 0} 1/3 5/6

Los indicadores de eficiencia para el modelo con dos médicos mejoran notablemente con
respecto al modelo de un solo médico.

Sin embargo esta información no basta para determinar si se debe contratar un nuevo
médico o no, ya que se debe hacer un análisis de costos, como se verá más adelante.

Ejemplo:

Una base de mantenimiento de una aerolínea tiene instalaciones para la reparación de un


solo motor a la vez. Para volver a poner los aviones en operación lo más pronto posible, la
política ha sido alternar la reparación general de los cuatro motores de cada avión. En otras
palabras, sólo se repara un motor cada vez que un avión llega a la base. Con esta política,
los aviones llegan de acuerdo a un proceso Poisson con tasa media de uno al día. El tiempo
requerido para reparar un motor (una vez iniciado el servicio) tiene una distribución
exponencial con media de medio día.

Se ha hecho la propuesta de cambiar esta política a la de reparar los cuatro motores de cada
avión consecutivamente cada vez que llegue un avión a la base. Aunque esto cuadruplicaría
el tiempo esperado de servicio, cada avión iría a la base sólo la cuarta parte de las veces.

La administración debe decidir si continuar como está o adoptar la propuesta. El objetivo


es minimizar el tiempo promedio de vuelo que la flota completa pierde por día debido a las
reparaciones generales de los motores.

a) Compare las dos alternativas respecto al tiempo promedio de vuelo perdido por avión
cada vez que llega a la base de mantenimiento.

b) Compare las dos alternativas respecto al número promedio de aviones que pierden
tiempo de vuelo por estar en la base.

c) Cuál de estas comparaciones es la adecuada para que la administración tome la


decisión

De acuerdo con la política actual los aviones llegan con un λ = 1vez/día a que le les reparen
uno de los cuatro motores, los cuales se rotan, es decir, el avión va a la base y le reparan el
motor 1, la próxima vez el motor 2, la próxima el 3, la próxima el 4 y la próxima

183
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
nuevamente el 1 y así sucesivamente. La reparación de un motor, de acuerdo con las
mediciones obtenidas, es exponencial con µ = 1/0.5 días) = 2 veces/día.

La política actual es entonces un modelo M/M/1 con λ= 1, µ= 2 (ambas en veces/día).

Reemplazando los valores numéricos en las fórmulas del modelo M/M/1 se obtienen los
cuatro promedios:
𝜆𝜆 1
L= = = 1 (en promedio se mantiene un avión en la base)
𝜇𝜇−𝜆𝜆 2−1

𝜆𝜆2 12
Lq = = = 0.5 (en promedio se mantienen 0.5 aviones en fila)
𝜇𝜇(𝜇𝜇−𝜆𝜆) 2(2−1)

1 1
W= = = 1 (en promedio un avión desde que llega a hacer fila hasta que lo terminan
𝜇𝜇−𝜆𝜆 2−1
de reparar se demora 1 día)
𝜆𝜆 1
Wq = = = 0.5 días (en promedio un avión se demora 0.5 días haciendo fila)
µ(𝜇𝜇−𝜆𝜆) 2(2−1)

La política propuesta es un modelo con llegadas Poisson y atenciones Erlang, porque si la


distribución del tiempo de reparación de un motor es exponencial, la de un grupo de cuatro
motores (un avión) es Erlang con K = 4.

Con la política propuesta λ se reduce a la cuarta parte, ya que como se reparan los cuatro
motores a la vez, los aviones van la cuarta parte de las veces λ = 0.25, en tanto que µ se
incrementa cuatro veces, ya que reparar cuatro motores se demora en promedio cuatro
veces más que reparar un motor (propiedad 3 de la exponencial) µ = 2/4 = 0.5. Recuerde
que λ y µ en las fórmulas de Erlang hacen referencia a las tasas de llegada y atención del
grupo (4 motores).

En resumen, para la política propuesta λ= 0.25 veces/día, µ=0.5 veces/día, K = 4 (los grupos
o conjuntos son de cuatro elementos: un avión posee cuatro motores) y al aplicar las
fórmulas de Erlang se obtiene:
𝟏𝟏+𝒌𝒌 𝝀𝝀𝟐𝟐 = 𝟏𝟏+𝟒𝟒 𝟎𝟎.𝟐𝟐𝟐𝟐𝟐𝟐
Lq = = 0.3125 (en promedio se mantienen 0.3125 aviones en
𝟐𝟐𝟐𝟐 µ(µ−𝝀𝝀) 𝟖𝟖 𝟎𝟎.𝟓𝟓(𝟎𝟎.𝟓𝟓−𝟎𝟎.𝟐𝟐𝟐𝟐)
fila)
𝑳𝑳𝑳𝑳 = 𝟎𝟎.𝟑𝟑𝟑𝟑𝟑𝟑𝟑𝟑
Wq = = 1.25 días (en promedio un avión se demora 1.25 días haciendo fila)
𝝀𝝀 𝟎𝟎.𝟐𝟐𝟐𝟐

𝟏𝟏 𝟏𝟏
W = Wq + = 1.25 + = 3.25 días (en promedio un avión desde que llega a hacer fila
µ 𝟎𝟎.𝟓𝟓
hasta que lo terminan de reparar se demora 3.25 días)

L = λW = 0.25*3.25 = 0.8125 (en promedio se mantienen 0.8125 aviones en la base)

184
Luis Fernando Moreno Velásquez
a) Respecto al tiempo promedio perdido por un avión cada que va a la base para
mantenimiento se tiene:

Con la política actual W = 1 día

Con la política propuesta W =3.25 días.

Aparentemente es mejor la política actual (menos tiempo perdido por los aviones cada que
van a la base).

b) Respecto al número promedio de aviones que pierden tiempo de vuelo por estar en
la base se tiene:

Con la política actual L = 1 avión

Con la política propuesta L =0.8125 aviones

De acuerdo con este criterio es mejor la política propuesta (se mantienen menos aviones
perdiendo tiempo de reparación).

c) ¿A qué se debe esta contradicción entre las dos formas de hacer la comparación?

En realidad la válida es la segunda, la del número promedio de aviones en reparación, ya


que para obtener los costos promedio de oportunidad es suficiente multiplicar el número
promedio de aviones por la utilidad por unidad de tiempo que deja un avión por estar no
operativo. O sea en definitiva es mejor la política propuesta.

Pero ¿por qué por el tiempo es mejor con la política actual? La respuesta está en el hecho
de que el W (tiempo cada que se va a la base) no es comparable porque así con la política
actual el avión gasta menos tiempo cada que va a la base, la frecuencia con la que va a la
base el avión es mucho mayor: de hecho van cuatro veces más que con la política propuesta:

Ejemplo:

El aeropuerto internacional de una ciudad tiene dos pistas, una solo para despegues y otra
solo para aterrizajes. Los aviones llegan al espacio aéreo de la ciudad para pedir
instrucciones de aterrizaje según un proceso Poisson con tasa media de diez por hora. El
tiempo requerido para un aterrizaje después de la aprobación tiene distribución exponencial
con media de tres minutos y este proceso debe estar terminado antes de aprobar otro
aterrizaje. Los aviones en espera de pista vuelan en círculos.

La administración de aviación tiene varios criterios respecto al nivel seguro de congestión


de aviones en espera para aterrizar.

Este un modelo M/M/1 (las pistas son los servidores y hay una, los aviones son los clientes)

λ = 10/hora µ= 20/hora s=1 ρ= λ/µ = (10/hora)/(20/hora) = 0.5 P0 = 1- ρ = 1 -0.5 =


0.5

185
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
1) Número promedio de aviones en espera ≤ 1

𝜆𝜆2 102
Lq = = = 0.5 ≤ 1 (se cumple)
𝜇𝜇(𝜇𝜇−𝜆𝜆) 20(20−10)

2) Por lo menos 95% del tiempo el número real de aviones en espera debe ser ≤ 4
Se requiere que la probabilidad de aviones en espera ≤ 4 (es decir la probabilidad de
aviones en el sistema ≤ 5, ya que hay 1 servidor) sea ≥ 95%.
Prob (5 o menos aviones) = Prob(0) + Prob(1) + Prob(2) + Prob(3) + Prob (4) + Prob(5)
≥ 0.95
Recuerde que Prob(n) = P0ρn = 0.5*0.5n = 0.5n+1.
Prob (5 o menos aviones) = = 0.51 +0.52 +0.53 +0.54 +0.55 + 0.56 = 0.5 + 0.25 + 0.125
+ 0.0625 + 0.03125 + 0.015625 = 0.984375 ≥0.95 (se cumple).
3) Para por lo menos 99% de los aviones el tiempo de espera debe ser ≤ 30 minutos. Esto
es equivalente a decir que la probabilidad de que el tiempo de espera sea ≤ 30 minutos
debe ser ≥ 99%.

Recuerde la expresión de probabilidad del tiempo de espera (en la cola) para el modelo
M/M/1 (ver capítulo 10) Prob {Wq > t} = ρe - µ (1-ρ)t para t ≥ 0.

De aquí se obtiene: Prob {Wq ≤ t} = 1 - ρe - µ (1-ρ)t = 1 – 0.5*e-20*(1 – 0.5)*0.5 = 1 – 0.00337 =


0.9963 = 99.63% ≥99% (se cumple).

Observe que en la expresión de Prob {W q ≤ t} se usó un valor de 0.5 (horas) en lugar de


30 minutos porque µ está expresado en veces/hora. En conclusión los tres criterios se
cumplen.

Para el modelo M/M/2

λ = 25/hora µ= 20/hora s=2 λ/µ = (25/hora)/(20/hora) = 1.25 ρ= λ/(sµ) =


(25/hora)/(2*20/hora) = 0.625.
1 1 1
P0 = 𝜆𝜆 = (0.5)2 1
= 1.5625 1 = 0.23
𝜆𝜆 𝑛𝑛 ( )𝑠𝑠 1 ∑1𝑛𝑛=0(0.5)𝑛𝑛 /𝑛𝑛!+ ∗ 1+1.25+ ∗
𝜇𝜇 2 1−0.625
∑𝑠𝑠−1
𝑛𝑛=0(𝜇𝜇) /𝑛𝑛!+ 𝑠𝑠! ∗ 𝜆𝜆
2! 1−0.625
1−( )
𝑠𝑠𝑠𝑠

λ
1) Lq = [P0{ }sρ]/[s!(1-ρ)2] = Lq = [0.23*{1.25}2*0.625]/[2!(1-0.625)2] = 0.8 ≤ 1 (se
µ
cumple)

2) Por lo menos 95% del tiempo el número real de aviones en espera debe ser ≤ 4
186
Luis Fernando Moreno Velásquez
Se requiere que la probabilidad de aviones en espera ≤ 4, (es decir la probabilidad de
aviones en el sistema ≤ 6, ya que hay 2 servidor) sea ≥ 95%.

Prob (6 o menos aviones) = Prob(0) + Prob(1) + Prob(2) + Prob(3) + Prob (4) + Prob(5) +
Prob(6) ≥ 0.95.
λ
({ }n/n!) * P0 para n = 0, 1, 2, .., s
µ
Recuerde que: Pn =
λ λ
({ }s/s!{ }n-s )* P0 para n =s, s+1, ...
µ 𝑠𝑠µ

(ver capítulo 10 para modelo s >1)

Reemplazando, en la fórmula de Pn obtenemos:

P0 = 0.23 (ya encontrada)

P1 = 1.25*0.23 = 0.288

P2 = (1.252/2)*0.23 = 0.18

P3 = (1.253/2*2)*0.23 = 0.112

P4 = (1.254/2*22)*0.23 = 0.07

P5 = (1.255/2*23)*0.23 = 0.04

P6 = (1.256/2*24)*0.23 = 0.027

Entonces:

Prob(0) + Prob(1) + Prob(2) + Prob(3) + Prob (4) + Prob(5) + Prob(6) =

0.23 + 0.288 + 0.18 + 0.112 + 0.07 + 0.04 + 0.027 = 0.947 ≤ 0.95 (no se
cumple)

3) Para por lo menos 99% de los aviones el tiempo de espera debe ser ≤30 minutos.
Esto es equivalente a decir que la probabilidad de que el tiempo de espera sea ≤ 30 minutos
debe ser ≥ 99%.

Recuerde la expresión de probabilidad del tiempo de espera (en la cola) para el modelo
M/M/2 (ver capítulo 10) Prob {Wq > t} = ρe - µ (1-ρ)t para t ≥ 0.

Recuerde las fórmulas del modelo M/M/S con s > 1 del capítulo10:

187
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
P {Wq = 0} = ∑𝑠𝑠−1
𝑛𝑛=0 𝑃𝑃𝑛𝑛 = P0 + P1 = 0.23 + 0.288 = 0.518

P {w q > t} = (1- P {W q =0})𝑒𝑒 −𝑠𝑠𝑠𝑠(1−𝜌𝜌)𝑡𝑡 = (1 – 0.518)*e-2*20(1 – 0.625)*0.5 = 0.000265

Observe que en la expresión de Prob {W q > t} se usó un valor de 0.5 (horas) en lugar de
30 minutos porque µ está expresado en veces/hora.

P {wq ≤ t} = 1 - P {w q > t} = 1 – 0.000265 = 0.999735 = 99.9735% > 99% (se cumple)

En conclusión los criterios 1 y 3 se cumplen, pero el 2 no se cumple.

188
Luis Fernando Moreno Velásquez
Capítulo 11.
Algunas variaciones al modelo M/M/S

En el modelo M/M/S tanto el espacio para la cola como la población son infinitas. A
continuación veremos dos variaciones, consideradas separadamente: primero se supondrá
finito el espacio para la cola y en segundo lugar se considerará finita la población.

Variación de cola finita al modelo M/M/S


El modelo M/M/S que trabajamos con anterioridad opera bajo el supuesto de una cola
infinita. Sin embargo hay diferentes ocasiones en la cuales este supuesto no aplica.

Si el tamaño de la cola es finito, a cualquier cliente que llegue cuando la cola esté llena se
le niega el acceso al sistema.

Modelo M/M/S/K
Este modelo es similar al M/M/S con la única excepción de que en este caso se trabajará
con un tamaño de la cola finita. A pesar de que se denomina modelo de cola finita, el
parámetro K que aparece en las fórmulas representa el tamaño del sistema y no de la cola.

La interpretación física para este modelo es que se cuenta con un espacio limitado de espera
que admite un máximo de K clientes “en el sistema” o que los clientes desisten de entrar al
sistema cuando lo ven demasiado lleno.

a) Caso un servidor (s = 1)

Desde el punto de vista del proceso de nacimiento y muerte, la tasa de entradas al sistema
será:

λ para n = 0, 1, 2, ..., K–1


λn =
0 para n ≥ K

λ λ λ λ 0


0 1 2 … K–2 K–1 K K+1

µ µ µ µ 0

Figura 11.1

189
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
λn = λ para n = 0, 1, 2, ..., K–1

Los parámetros 0 para n ≥ K


del modelo son:

µn = µ para n = 1, 2, .., K

Este modelo no exige que

ρ = λ/µ < 1, ya que tiene garantizada la condición de estado estable, pues cuando
se llega al estado K, necesariamente debe pasar a K – 1, es decir el modelo no se puede ir
hasta ∞.

Para s = 1, los factores Cn para el proceso de nacimiento y muerte se reducen a


𝜆𝜆
Cn = ( )𝑛𝑛 = ρn para n = 0, 1, 2, …, K
𝜇𝜇

0 para n > K

1 1 1−ρ
Po = 𝜆𝜆 = 𝜆𝜆 =
∑𝐾𝐾
𝑛𝑛=0( )
𝑛𝑛 1−( )𝐾𝐾+1 1−(ρ)𝐾𝐾+1
𝜇𝜇 𝜇𝜇
𝜆𝜆
1−
𝜇𝜇

1−ρ
Pn = *ρn para n = 0, 1, 2, ..., K
1−(ρ)𝐾𝐾+1

1−ρ 𝑑𝑑(ρ)𝑛𝑛
L = ∑𝐾𝐾
𝑛𝑛=0 𝑛𝑛𝑃𝑃𝑛𝑛 = *ρ*∑𝐾𝐾
𝑛𝑛=0 =
1−(ρ)𝐾𝐾+1 𝑑𝑑ρ

1−ρ 𝑑𝑑
L= *ρ* [∑𝐾𝐾 𝑛𝑛
𝑛𝑛=0(ρ) ] =
1−(ρ)𝐾𝐾+1 𝑑𝑑ρ

ρ (𝐾𝐾+1)∗(ρ)𝐾𝐾+1
L= , donde las derivadas son un truco matemático para obtener el
1−ρ 1−(ρ)𝐾𝐾+1
resultado final.

Lq = L − ( 1−P0 )

W = L/𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆

Wq = Lq/𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆, donde

190
Luis Fernando Moreno Velásquez
𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆𝜆 = ∑𝐾𝐾 𝐾𝐾−1
𝑛𝑛=0 λn𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=0 λ𝑃𝑃𝑛𝑛 = λ(1−PK)

b) Caso múltiples servidores (s > 1)

Como este modelo no permite más de K clientes en el sistema, K es el número máximo de


servidores que pueden tenerse, ya que si se pusiera un número de servidores mayor que el
número máximo de clientes habría servidores que estarían permanentemente haciendo
nada. Por tanto supóngase que s ≤ K.

λ λ λ λ λ λ

0 1 2 … s-2 s-1 s …. K-1 K

µ 2µ (s-1)µ sµ sµ sµ

Figura 11.2

Note que la parte superior (la de los λ) en este diagrama es igual a la del caso un servidor,
ya que los clientes que llegan son los mismos en los dos casos y solo difieren en la parte
inferior (la de los µ), ya que en este caso hay varios servidores en lugar de uno.

λn = λ para n = 0, 1, 2, ..., K−1

Los parámetros 0 para n ≥ K


del modelo son:

µn = nµ para n = 1, 2, ..., K
sµ para n =s, s+1, ..., K

Este modelo, al igual que el de un servidor no exige que

ρ = λ/(sµ) < 1, ya que tiene garantizada la condición de estado estable, pues cuando
se llega al estado K, necesariamente debe pasar a K – 1, es decir el modelo no se
puede ir hasta ∞.

Para s > 1, los factores Cn para el proceso de nacimiento y muerte se reducen a


λ
( )𝑛𝑛
µ
para n = 0, 1, 2, ..., s
𝑛𝑛!

λ
( )𝑠𝑠 λ
µ
Cn = * [ ]n-s para n =s, s+1, …, K
𝑠𝑠! 𝑠𝑠µ

0 para n > K

191
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
P0 = (∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛 )
-1

1
P0 = 𝜆𝜆 𝜆𝜆
( )𝑛𝑛 ( )𝑠𝑠
µ µ
∑𝑠𝑠𝑛𝑛=0 + ∗∑𝐾𝐾
𝑛𝑛=𝑠𝑠+1(𝜆𝜆/𝑠𝑠µ)
𝑛𝑛−𝑠𝑠
𝑛𝑛! 𝑠𝑠!

Los valores de Pn son los mismos valores de Cn multiplicados por P0.

λ
( )𝑛𝑛
µ
*P0 para n = 0, 1, 2, ..., s
𝑛𝑛!

λ
( )𝑠𝑠 λ
µ
Pn = *[ ]n-s *P0 para n = s, s+1, ... K
𝑠𝑠! 𝑠𝑠µ

0 para n > K

𝑃𝑃0 ∗(𝜆𝜆/µ)𝑠𝑠
Lq = ρ{1−ρK−s − (K − s)ρ K−s (1−ρ)}
𝑠𝑠!(1−ρ)2

L = ∑𝑠𝑠−1 𝑠𝑠−1
𝑛𝑛=0 𝑛𝑛𝑃𝑃𝑛𝑛 + Lq + s*[1 − ∑𝑛𝑛=0 𝑃𝑃𝑛𝑛 ]

W y Wq se obtienen a partir de estas cantidades, como se mostró para el caso de un servidor.

Variación fuente de entrada (población) finita al modelo M/M/S


Ahora supongamos que el tamaño de la población es finito con tamaño N. Cuando el
número de clientes en el sistema de colas es n (n = 0, 1, 2, ..., N), existen sólo (N₋n) clientes
potenciales en la fuente de entrada.

Este problema se aplica a la reparación de máquinas, en el que se asigna a uno o más


técnicos de mantenimiento la responsabilidad de mantener en operación cierto número de
N máquinas dando servicio a las que se descomponen. El número de máquinas que posee
una empresa se considera siempre un número finito y aunque puede haber otros casos de
población finita, el caso más estudiado en la práctica es el de las máquinas que se
consideran la población que se descompone y se van al taller a que las reparen.

Observemos que todos los miembros de la población potencial se encuentran


alternativamente dentro y fuera del sistema de colas.

Las máquinas que están descompuestas siendo reparadas o esperando serlo se consideran
clientes en el sistema (el taller donde se reparan se considera el sistema). Las máquinas que
están funcionando se consideran fuera del sistema.

192
Luis Fernando Moreno Velásquez
El tiempo que pasa desde que una máquina deja el sistema hasta que regresa tiene una
distribución exponencial con parámetro λ. Note que a diferencia de los modelos anteriores
en este (de población finita) el valor λ hace referencia a la tasa a la cual una máquina va al
taller y no el conjunto de todas las máquinas. El fundamento matemático de este supuesto
es que si se tiene una población finita y se resta uno da un número diferente, en tanto que
si la población es infinita, al restar uno sigue siendo infinita.

Cuando n miembros están en el sistema (taller), entonces N–n miembros están fuera del
sistema (están operando) y la distribución de probabilidad del tiempo que falta para la
próxima llegada al sistema es la distribución del mínimo de los tiempos restantes afuera
para esos N–n miembros. Recuerde que esta es la propiedad 3 de la exponencial: si una
máquina se daña a una tasa λ, el conjunto de n máquinas trabajando simultáneamente se
daña a una tasa nλ.

Entonces cuando hay n máquinas en el taller (descompuestas), hay N–n máquinas operando
(en la planta) y si cada una de las que está operando se daña a una tasa λ, el conjunto de las
(N–n) se descompone a una tasa (N₋n)λ.

Por tanto, el parámetro λn = (N₋n) λ es tasa a la cual van al sistema (taller) las máquinas
que están operando cuando el sistema se encuentra en el estado n (n en el taller).

a) Caso un servidor (s = 1)

Desde el punto de vista del proceso de nacimiento y muerte, la tasa de entradas al sistema
será:

λn = (N₋n)λ para n = 0, 1, 2, ..., N

0 para n > N

Nλ (N-1)λ (N-n+2)λ (N-n+1) λ λ

0 1 2 ... s₋2 s-1 s … K-1 K

µ µ µ µ µ

Figura 11.3

193
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Los parámetros λn = (N -n)λ para n = 0, 1, 2, ..., N

del modelo son: 0 para n > N

µn = µ para n = 1, 2, ..., N

Este modelo, al igual que en el caso de la cola finita tampoco exige que

ρ = λ/µ < 1 ya que también tiene garantizada la estabilidad por razones similares a
las del caso de la cola finita.

Para s = 1, los factores Cn para el proceso de nacimiento y muerte se reducen a:


λ
𝑁𝑁! ( )𝑛𝑛
µ
Cn = (𝑁𝑁−𝑛𝑛)!
para n ≤ N

0 para n > N

1
P0 = 𝜆𝜆
𝑁𝑁!( )𝑛𝑛
µ
∑𝑁𝑁
𝑛𝑛=0 (𝑁𝑁−𝑛𝑛)!

λ
𝑁𝑁! ( )𝑛𝑛
µ
Pn = (𝑁𝑁−𝑛𝑛)!
*P0 si n = 1, 2, ..., N

Lq = N – [(λ+µ)/λ](1–P0)

L = N – µ/λ(1–P0)

W = L/λpromedio

Wq = Lq/λpromedio, donde

λpromedio = ∑𝑁𝑁 𝑁𝑁
𝑛𝑛=0 λ𝑛𝑛𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=0 (𝑁𝑁 − 𝑛𝑛)λ𝑃𝑃𝑛𝑛 = λ(N-L).

b) Caso múltiples servidores (s > 1)

Desde el punto de vista del proceso de nacimiento y muerte, la tasa de entradas al sistema
será:

λn = (N₋n)λ para n = 0, 1, 2, ..., N

0 para n ≥ N

194
Luis Fernando Moreno Velásquez
Nλ (N-1)λ (N-n+2)λ (N-n+1) λ λ

0 1 2 ... s-2 s-1 s … K-1 K

µ 2µ (s-1)µ sµ sµ

Figura 11.4

Note que la parte superior (la de los λ) en este diagrama es igual a la del caso un servidor,
ya que los clientes que llegan son los mismos en los dos casos y solo difieren en la parte
inferior (la de los µ), ya que en este caso hay varios servidores en lugar de uno.

λn = (N₋n)λ para n = 0, 1, 2, ...

Los parámetros 0 para n > N

del modelo son: µn = nµ para n = 1, 2,..., s

sµ para n = s+1, s+2, …, N

Este modelo al igual que el de un servidor no exige que

ρ = λ/sµ < 1, ya que tiene la estabilidad garantizada.

Para s > 1, los factores Cn para el proceso de nacimiento y muerte se reducen a


λ
𝑁𝑁! ( )𝑛𝑛
µ
(𝑁𝑁−𝑛𝑛)!𝑛𝑛!
para n = 0, 1, 2, ..., s

λ
𝑁𝑁! ( )𝑛𝑛
µ
Cn = (𝑁𝑁−𝑛𝑛)!𝑠𝑠!𝑠𝑠 𝑛𝑛−𝑠𝑠
para n = s, s+1, ..., N

0 para n > N
1
P0 = 𝜆𝜆 𝜆𝜆
𝑁𝑁!( )𝑛𝑛 𝑁𝑁!( )𝑛𝑛
µ µ
∑𝑠𝑠−1 𝑁𝑁
𝑛𝑛=0(𝑁𝑁−𝑛𝑛)!𝑛𝑛!+ ∑𝑛𝑛=𝑠𝑠(𝑁𝑁−𝑛𝑛)!𝑠𝑠!𝑠𝑠𝑛𝑛−𝑠𝑠

195
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
λ
𝑁𝑁! ( )𝑛𝑛
µ
(𝑁𝑁−𝑛𝑛)!𝑛𝑛!
P0 para n = 0, 1, 2, .., s

λ
𝑁𝑁! ( )𝑛𝑛
µ
(𝑁𝑁−𝑛𝑛)!𝑠𝑠!𝑠𝑠 𝑛𝑛−𝑠𝑠
P0 para n = s, s+1,.. N

0 para n > N

Lq = ∑∞
𝑛𝑛=𝑠𝑠(𝑛𝑛 − 𝑠𝑠 ) ∗ 𝑃𝑃𝑛𝑛

𝑠𝑠−1 𝑠𝑠−1
L = ∑𝑛𝑛=0 𝑛𝑛 ∗ 𝑃𝑃𝑛𝑛 + Lq + s[1-∑𝑛𝑛=0 𝑃𝑃𝑛𝑛 ]

W y Wq no pueden obtenerse con las mismas ecuaciones que en el caso de un servidor.

Ejemplo:

Considere un modelo de autoservicio en el que el cliente también es el servidor. Observe


que esto corresponde a tener un número infinito de servidores disponibles. Los clientes
llegan según un proceso Poisson con parámetro λ, y los tiempos de servicio tienen
distribución exponencial con parámetro µ.

a) Encuentre Lq y Wq

b) Construya el diagrama de tasas para este sistema


c) Encuentre P0
d) Utilice las ecuaciones de balance para encontrar una expresión para Pn en términos de
P0 .
e) Encuentre L y W.

a) Lq = Wq = 0, ya que los clientes no tienen que esperar porque ellos mismos se


atienden.

b)

λ λ λ λ λ

0 1 2 … n-2 n-1 n n+1 …

µ 2µ (n-1)µ nµ (n+1)µ

Figura 11.5

196
Luis Fernando Moreno Velásquez
Observe que la parte de las llegadas es idéntica a la del modelo M/M/S, en tanto que la de
atenciones es diferente, ya que la tasa de atención es proporcional al número de clientes, y
cada cliente se atiende a sí mismo, por lo que si hay n clientes la tasa de atención es nµ
(propiedad 3 de la exponencial).

Aplicando la fórmula de Cn se obtiene:

Cn (para n = 1,2,...) = λn - 1 λn - 2 ....λ0/µ n µn-1 .....µ = λn/(nµ*(n₋1)µ*…µ

= λn /[µn*n!] = [(λ/µ)n]/n!
– λ/µ
c) Recuerde que P0 = 1/ ∑∞
𝑛𝑛=0 𝐶𝐶𝑛𝑛 = P0 = 1/ [(λ/µ) /0! + (λ/µ) /1! + (λ/µ) /2! + ….] = e
0 1 2

(Recuerde la serie infinita de ex)

Por tanto P0 = e– λ/µ.

d) Pn = P0*ρn = e– λ/µ *[(λ/µ)n]/n!

e) L = Lq + λ/µ = 0 + λ/µ = λ/µ.

W = Wq + 1/µ = 0 + 1/µ = 1/µ

En resumen: L = λ/µ W = 1/µ

Así por ejemplo si a un supermercado llegan en promedio según Poisson 120 personas/hora
a llenar el carro del supermercado (que es un autoservicio antes de ir a la caja) y cada
persona se demora en promedio 15 minutos llenando el carro, según una exponencial (es
decir µ = 4/hora) entonces L = λ/µ = ((120/hora)/(4/hora) = 30.

Lo que quiere decir que ese supermercado mantendría en promedio 30 personas en el


proceso de llenar el carro con los artículos.

Ejemplo:

Una oficina de boletos de una aerolínea tiene dos agentes que contestan las llamadas para
reservaciones. Una llamada se puede poner en espera hasta que uno de los agentes se
desocupa para tomarla. Si las tres líneas (de ambos agentes y de espera) están ocupadas, el
cliente potencial obtiene tono de ocupado y se supone que llama a otra oficina de boletos y
la venta se pierde. Las llamadas y los intentos de llamada ocurren aleatoriamente, según un
proceso Poisson, a una tasa media de 15 por hora. La duración de una conversación
telefónica tiene distribución exponencial con media de 4 minutos.

a) Construya el diagrama de tasas de este sistema.


b) Encuentre la probabilidad de estado estable de que:
i) Un cliente pueda hablar de inmediato con un agente.
ii) El cliente quede en espera.

197
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
iii) El cliente obtenga tono de ocupado.

λ = 15/hora

µ = (1/4min)*(60min/hora) = 15/hora

s=2

K=3

15 15 15

0 1 2 3
15 30 30

Figura 11.6

Solución planteando ecuaciones de balance

(Estado 0): 15P0 = 15 P1

(Estado 1): 30P1 = 15P0 + 30P2

(Estado 3): 15P2 = 30P3

(Se elimina como redundante la ecuación del estado 2.

P0 + P1 + P2 + P3 = 1

Al resolver este sistema de 4 ecuaciones en 4 variables obtenemos:

P0 = 4/11 = 0.3636

P1 = 4/11 = 0.3636

P2 = 2/11 = 0.1818

P3 = 1/11 = 0.0909

bi) Probabilidad de un cliente pueda hablar de inmediato = P0 + P1 = 0.7272 = 72.72%

bii) Probabilidad de que a un cliente le toque esperar = P2 = 18.18%

biii) Probabilidad de que un cliente obtenga tono de ocupado = P3 = 9.09%.

198
Luis Fernando Moreno Velásquez
Ejemplo:

Janet planea abrir un pequeño lavadero de autos y debe decidir cuánto espacio asignar a los
autos que esperan. Janet estimó que los clientes llegan de manera aleatoria (proceso
Poisson) con tasa media de uno cada cuatro minutos, a menos que el área de espera esté
llena, en cuyo caso los clientes que llegan llevarán su auto a otra parte. El tiempo total
atribuible al lavado de un carro tiene distribución exponencial con media de tres minutos.
Compare la fracción de clientes potenciales que se pierden por falta de espacio de espera
si se proporcionan.

a) 0
b) 2
c) 4, además del lugar del lavado.
d) Si cada auto que se lava deja una utilidad neta de $10 y un vecino ofrece arrendar
hasta 4 parqueaderos a $15/hora cada parqueadero, ¿se debe aceptar la oferta?

Es un modelo M/M/S/K.

El porcentaje de clientes que se pierden es PK, ya que un cliente se pierde cuando está lleno
el lavadero de autos, o sea cuando hay K clientes.

La fórmula de Pn está dada por:


1−ρ
Pn = *ρn para n = 0, 1, 2,.., K, donde ρ = λ/µ
1−(ρ)𝐾𝐾+1

1−ρ
Por tanto PK = *ρK
1−(ρ)𝐾𝐾+1

λ =1/4 min
µ = 1/3 min
ρ = λ/µ = (1/4 min)/(1/3 min) = 0.75

a) con 0 espacios de espera K =1


1−0.75
PK = *0.751 = 0.429. Se pierde el 42.9% de los clientes
1−(0.75)2

b) con 2 espacios de espera K = 3


1−0.75
PK = *0.753 = 0.154. Se pierde el 15.4% de los clientes
1−(0.75)4

199
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
c) con 4 espacios de espera K = 5
1−0.75
PK = *0.755 = 0.072. Se pierde el 7.2% de los clientes
1−(0.75)6

d) Para el caso K =1 (0 espacios de espera)


15 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 10$
Costo total = 0.429* * (costo de oportunidad) = $64.35/hora
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎

Para el caso K = 3 (2 espacios de espera)


15 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 10$
Costo total = 0.154* * (costo de oportunidad)
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎

+ 2*($15/hora) (costo arriendo 2 parqueaderos) = $23.1/hora + $30/hora = $53.10/hora

Para el caso K = 5 (4 espacios de espera)


15 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑠𝑠 10$
Costo total = 0.072* * (costo de oportunidad)
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎

+ 4*(15$/hora) (costo arriendo 4 parqueaderos) = $10.8/hora + $60/hora =


$70.80/hora.

Por tanto la solución es tomar en arriendo sólo 2 de los 4 parqueaderos, ya que tiene el
menor costo total de las tres alternativas ($53.10/hora).

Ejemplo:

Un taller tiene tres máquinas idénticas sujetas a fallas de cierto tipo. Se cuenta con un
sistema de mantenimiento para realizar las operaciones (recargar) requeridas por una
máquina que falla. El tiempo necesario para cada operación tiene distribución exponencial
con media de treinta minutos. Con probabilidad de 1/3 esta operación debe realizarse una
segunda vez (con la misma distribución de tiempo) para dejar la máquina en un estado
operativo satisfactorio. El sistema de mantenimiento trabaja sólo en una máquina que falla
a la vez, realiza todas las operaciones (una o dos) requeridas por esa máquina, sobre la base
de primero en entrar, primero en salir. Después de reparada, el tiempo hasta que la máquina
vuelve a fallar tiene distribución exponencial con media de tres horas.

Defina los estados, construya el diagrama de tasas y plantee, sin resolver, las ecuaciones
de balance.

Como el resultado de la reparación es distinto según que s esté reparando por primera o por
segunda vez, es necesario saber esto en los estados.

Por ello los estados se definen como un vector de dos componentes así:

200
Luis Fernando Moreno Velásquez
Número de máquinas malas, vez que está siendo reparada la que está siendo reparada.

Los estados son entonces:

(0, 0): hay cero máquinas malas.

(1, 1): hay una máquina mala siendo reparada por primera vez

(2, 1): hay dos máquinas malas, de las cuales la que está siendo reparada lo está siendo
por primera vez. La otra está en fila.

(3, 1): hay tres máquinas malas, de las cuales la que está siendo reparada lo está siendo
por primera vez. Las otras dos están en fila.

(1, 2): hay una máquina mala que está siendo reparada por segunda vez.

(2, 2): hay dos máquinas malas, de las cuales la que está siendo reparada lo está siendo
por segunda vez. La otra está en fila.

(3, 2): hay tres máquinas malas, de las cuales la que está siendo reparada lo está siendo
por segunda vez. Las otras dos están en fila.

Figura 11.7

Ecuaciones de balance:

(0, 0): (4/3)P1,1 + 2P1, 2 = P0,0

(1, 1): P0,0 + (4/3)P2,1 + 2P2,2 = (4/3 + 2/3 + 2/3)P1,1

201
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(2, 1): (2/3)P1,1 + (4/3)P3,1 + 2P3,2 = (4/3 + 2/3 + 1/3)P2,1

(3, 1): (1/3)P2,1 = (4/3 + 2/3)P3,1

(1, 2): (2/3)P1,1 = (2 + 2/3)P1,2

(2, 2): (2/3)P1,2 + (2/3)P2,1 = (2 + 1/3)P2,2

(3, 2): (1/3)P2,2 + (2/3)P3,1= 2P3,2

202
Luis Fernando Moreno Velásquez
Capítulo 12.
Modelos de colas con distribuciones no
exponenciales

Los modelos de colas que hemos venido trabajando están basados en el proceso de
nacimiento y muerte.

Es necesario que tanto los tiempos entre llegadas como los de servicio tengan distribuciones
exponenciales para que el modelo de colas sea una cadena de Markov de tiempo continuo.

Hay muchas situaciones donde estas distribuciones no proporcionan un ajuste razonable.


Recuerde que la forma de determinar la variable aleatoria que mejor se ajusta a un modelo
de la vida real (colas u otro modelo) es por medio de una prueba de chi cuadrado

que es la variable que se utiliza para medir las desviaciones entre una
variable aleatoria teórica y los datos tomados de una muestra.

Ejemplos de casos que no se ajustan a una exponencial podrían ser:

Llegadas programadas o reguladas, como en el caso de entradas producidas por salidas de


una máquina. Note que el tiempo entre llegadas es constante, o aproximadamente
constante, lo que atenta contra el supuesto de la exponencial que dice que los eventos más
probables son los más pequeños.

Para el caso de las atenciones, requerimientos de servicio de los clientes muy parecidos,
como en el caso de una caja rápida en un almacén o en un banco, donde todos los clientes
se demoran un tiempo aproximadamente constante.

En estos casos los modelos de colas deben utilizar otro tipo de distribuciones, cuyo análisis
matemático es mucho más complejo.

A pesar de la complejidad, se han logrado resolver algunos casos particulares como se


menciona a continuación. Basta que alguno de los dos fenómenos aleatorios (llegadas o
atenciones) sea no exponencial para que no se puedan plantear ecuaciones de balance.

Modelo M/G/1

M/G/1: de acuerdo con la notación de Kendall, este modelo quiere decir que el tiempo entre
llegadas es exponencial con tasa media λ, el tiempo de servicio es general, o sea cualquier
variable aleatoria y existe un solo servidor.

203
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Este modelo es algo restringido, puesto que las llegadas siguen siendo exponenciales, pero
funciona para un solo servidor, es decir almacenes muy pequeños. Sin embargo, a pesar de
lo restringido la variable aleatoria Atenciones sí es lo más general posible: cualquier
variable aleatoria.

Los tiempos de servicio son independientes y solo es necesario conocer (o estimar) la media
1/µ y la varianza σ2 de esta distribución.

Para las llegadas, como el supuesto es que son exponenciales (M), solo se necesita la media
entre llegadas 1/λ (no se necesita definir la variable o la desviación estándar, ya que para
la exponencial la desviación estándar es igual a la media).

Al igual que para el caso M/M/S, cuando ρ = λ/µ < 1 o sea tasa media de servicio mayor
que la tasa media de llegadas, el sistema de colas alcanzará la condición de estado estable.

Las expresiones de P0 y Lq fueron obtenidas por los matemáticos Pollaczek-Khintchine y


por ello la fórmula de Lq se denomina la fórmula de Pollaczek-Khintchine. La forma en
que se obtuvo esta fórmula está fuera del alcance de este curso, pero recuerde que, como
se mencionó anteriormente, no se puede deducir planteando ecuaciones de balance.

Las expresiones de P0 y Lq son:

Po = 1 – ρ, que es la misma expresión que para el caso M/M/1.

Lq = (λ2σ2 + ρ2)/[2(1–ρ)] y esta expresión es independiente de la distribución, o sea es


válida para cualquier variable aleatoria de los tiempos de atención, por supuesto con
parámetros media 1/µ y varianza σ2 (o en forma equivalente desviación estándar σ). El
tiempo medio entre llegadas de la fórmula es 1/λ (o en forma equivalente el promedio de
clientes que llegan por unidad de tiempo es λ).

Recuerde que con las ecuaciones vistas en el capítulo 7 se pueden obtener los otros tres
promedios:

Wq = Lq/λ (tiempo promedio en la cola)

L = Lq + λ/µ (número promedio de unidades en el sistema)

W = Wq + 1/ µ (tiempo promedio en el sistema)

Si se toma en cuenta la complejidad que representa el análisis de un modelo que permite


cualquier distribución de tiempos de servicio, es notable que se haya podido obtener una
fórmula tan sencilla para Lq.

Comentario

Note que en la fórmula de Pollaczek-Khintchine Lq es una expresión creciente de σ2 (y por


supuesto de σ2). Y como en las fórmulas de Wq, L y W también se observa que:

204
Luis Fernando Moreno Velásquez
Wq es una función creciente de Lq, entonces Wq es una función creciente de σ (función
creciente de función creciente es creciente).

L es una función creciente de Lq, entonces Wq es una función creciente de σ (función


creciente de función creciente es creciente).

W es una función creciente de Wq, entonces W es una función creciente de σ (función


creciente de función creciente es creciente).

Estas observaciones nos llevan a concluir que:

L aumenta

Si σ2 aumenta Wq aumenta

W aumenta

los cuatro promedios L, Lq, W, Wq aumentan (ya se había visto también para Lq), o sea
los cuatro promedios se deterioran (es deseable que los cuatro promedios tomen valores
pequeños).

Esta observación nos muestra que los promedios varían no solamente como era de esperarse
intuitivamente con λ (a mayor cantidad de clientes que llegan por unidad de tiempo,
“mayores” promedios de clientes en la cola y el sistema y “mayores” tiempos promedio en
la cola y el sistema y con µ (a mayor cantidad de clientes que atienda el servidor por unidad
de tiempo “menores” promedios de clientes en la cola y el sistema y “menores” tiempos
promedios en la cola y el sistema, sino que varían también en forma creciente con σ2.

Aparece entonces un tercer factor determinante de la congestión en los sistemas de líneas


de espera y es σ2 (ó σ).

Recuerde que σ representa la desviación promedio de las desviaciones respecto al


promedio, por lo que si los valores del tiempo de atención son muy dispersos (aunque llegue
el mismo número de clientes por unidad de tiempo y aunque el servidor atienda en
promedio el mismo número de clientes por unidad de tiempo), la congestión también
aumenta (los cuatro promedios aumentan).

En resumen: no solo la velocidad del servidor, sino también su consistencia, tienen mucha
trascendencia en el desempeño de la instalación del servicio, es decir tiempos de servicio
más concentrados alrededor de la media producen mejores comportamientos en el sistema
de cola (menos longitudes y tiempos en el sistema y cola).

Realicemos un chequeo de la fórmula de Pollaczek-Khintchine para la cual se dedujo la


expresión de Lq para un servidor en el capítulo 10.

Cuando la distribución de los tiempos de servicio es exponencial σ2 = 1/µ2, reemplazando


este valor en la fórmula de Pollaczek-Khintchine se obtiene:

205
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Lq = (λ2σ2 + ρ2)/[2(1–ρ)] = (λ2(1/µ)2 + (λ/µ)2)/[2(1–λ/µ)] = [2(λ/µ)2 ](2(µ–λ/µ) = λ2/[µ(µ–
λ)] que es la misma expresión de Lq del capítulo 10.

Modelo M/D/S
M/D/S significa tiempos entre llegada exponenciales, tiempos de servicio constantes y s
servidores.

Cuando el tiempo de servicio consiste básicamente en la misma tarea rutinaria que el


servidor realiza para todos los clientes, tiende a haber poca variación en el tiempo de
servicio requerido.

Cuando solo se tiene un servidor, el modelo M/D/S se vuelve M/D/1 y es un caso especial
del modelo M/G/1 en donde σ2 = 0, con lo que la fórmula de Pollaczek-Khintchine se
reduce a:

Lq = (λ2σ2 + ρ2)/[2(1–ρ)] = Lq = (λ2(0)2 + ρ2)/[2(1₋ρ)] = ρ2/[2(1₋ρ)

Notemos que cuando σ2 = 0 en tanto que si σ2 = 1/µ2 (exponencial)

Lq = ρ2/[2(1₋ρ)

Lq = (λ/µ) 2/[2(µ₋λ/ µ)] Lq = λ2/[(µ₋λ)]

Lq = λ2/[2(µ₋λ)]

es decir, Lq se reduce a la mitad.

Al disminuir σ2 se pueden mejorar mucho las medidas de desempeño de un sistema de


colas. Claro que el caso σ2= 0 es un caso extremo, ya que la varianza no se puede disminuir
más.

Modelo M/Ek/S
M / Ek / S quiere decir: Tiempo entre llegadas exponencial, tiempos de servicio Erlang con
parámetro k y s servidores.

Veamos qué es la función Erlang con parámetro k y por qué es importante.

La función de densidad de probabilidad para la distribución Erlang con parámetro k es:

(µ𝑘𝑘)𝑘𝑘
f (t) = * tk-1 e-kµt note que aparece el parámetro k que da el nombre a la función de
(𝑘𝑘−1)!
densidad.

206
Luis Fernando Moreno Velásquez
En esta función se tiene:

µ ≥ 0 (similar a la exponencial)

k ∈ Ζ+ (entero>0)

t ≥ 0 (es el tiempo)

Para esta función se tiene:


1 1
Media = Desviación estándar =
µ √𝐾𝐾∗µ

K: parámetro de forma que especifica el grado de variabilidad de los tiempos de servicio


con relación a la media.

Note que la media no depende de k, en tanto que la desviación estándar sí.

Dado que K es un entero ≥ 0, varía entre 1 e ∞ y por tanto la desviación estándar σ toma
valores en el rango 0 < σ <1/µ

Muchas de las distribuciones de tiempos de servicio reales se encuentran en este intervalo,


aunque podrían tener un σ mayor. Allí se encuentra la distribución Erlang.

Esta propiedad hace que si de los valores de tiempo de atención de una muestra se obtiene
una desviación estándar muy distinta de la media, se puede escoger un valor de k y adaptar
la muestra a un Erlang, lo cual no se puede hacer con la exponencial, porque como ya se
vio en la exponencial la media es igual a la desviación estándar. Esta adaptación es válida
siempre y cuando la desviación estándar sea menor que la media.

Además de lo anterior, la distribución Erlang es importante en teoría de colas por dos


razones:

1. Suponga que T1, T2,..., Tk son k variables aleatorias exponenciales independientes con
una distribución de probabilidad idéntica, cuya media es 1/(kµ), entonces la variable
aleatoria T1 + T2 +....+ Tk tiene distribución Erlang con parámetros µ y k, es decir:

La suma de k tareas o atención de k clientes (exponenciales idénticas) sigue una


distribución Erlang con parámetro k.

2. Los parámetros permiten únicamente valores no negativos. Así, por lo general se puede
obtener una aproximación razonable de la distribución empírica de los tiempos de
servicio si se usa una distribución Erlang (esta es la propiedad arriba mencionada, donde
se hablaba de escoger un valor de k).

De hecho la distribución exponencial y la degenerada son casos especiales de la


distribución Erlang con k = 1 (la exponencial) y k = ∞ (la degenerada).

207
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Para demostrar es suficiente reemplazar k por 1 en Erlang y se ve que se vuelve la
exponencial. Para la degenerada, es suficiente reemplazar k por ∞ en la desviación estándar
y se ve que se vuelve 0.

Dada una distribución Erlang con parámetro de forma k y σ2 = 1/kµ2, se tiene, aplicando
la fórmula de Pollaczek-Khintchine:
𝜆𝜆2
+ρ2 1+𝑘𝑘 𝜆𝜆2
𝑘𝑘µ2
Lq = =
2(1−ρ) 2𝑘𝑘 µ(µ−𝜆𝜆)

𝐿𝐿𝐿𝐿 1+𝑘𝑘 𝜆𝜆
Wq = =
𝜆𝜆 2𝑘𝑘 𝜆𝜆(µ−𝜆𝜆)

1
W = Wq +
µ

L = λW

Así se obtienen los cuatro promedios para la distribución Erlang.

Llamada perdida de Erlang


En muchas ocasiones las personas llaman a un conmutador y este se encuentra ocupado.

Erlang (el mismo matemático danés de la distribución Erlang) encontró la probabilidad de


que cuando se llama a un conmutador (call center) que tiene varios servidores en serie para
atender las llamadas, la probabilidad de que el conmutador suene ocupado, y por tanto se
pierda la llamada viene dada por la fórmula:

ρ𝑛𝑛 /𝑛𝑛!
P (llamada perdida) = ∑𝑛𝑛 𝑗𝑗
𝑗𝑗=0 ρ /𝑗𝑗!

𝜆𝜆
con ρ = , donde
µ

λ es la tasa media total de llamadas que llegan

µ es la tasa media de llamadas que atiende “cada operador”

n es el número de operadores.

Ejemplo:

Se tiene un conmutador con tres operadores. Llegan en promedio diez llamadas por hora.
La duración promedio de una llamada es de tres minutos.

208
Luis Fernando Moreno Velásquez
1 2 3

Conmutador

Figura 12.1

¿Cuál es la probabilidad de que una llamada se pierda (suene ocupado)?

Recuerde que λ y µ son tasas (veces/tiempo).

El λ está dado directamente como tasa, pero para la atención se da el tiempo 1/µ, por tanto
µ = 1 vez/3minutos, o en forma equivalente 20 veces/hora (llegan 20 llamadas cada hora
en promedio).

Con λ = 10/hora y µ = 20/hora obtenemos

ρ =10/20 = 0.5

y reemplazando en la fórmula:

ρ𝑛𝑛 /𝑛𝑛! 0.53


P (llamada perdida) = ∑𝑛𝑛 𝑗𝑗 = 0.52 0.53
= 0.0126
𝑗𝑗=0 ρ /𝑗𝑗! 1+0.5+ +
2! 3!

Es decir, el 1.26% de las llamadas reciben tono de ocupado.

Si se quisiera saber cuántos operadores se deben poner para que el máximo número de
llamadas perdidas sea 0.5%, este problema equivaldría a encontrar n en la fórmula, lo cual
es bastante complicado, dado que n aparece como potencia y como subíndice en la
sumatoria, por lo que este problema se debe resolver por tanteo. Es decir dar valores a n y
empezar a incrementarlo hasta que la fórmula de una valor ≤0.005.

Ejemplo:

Antonio es un zapatero. Los pares de zapatos que llegan para reparación siguen un proceso
Poisson con tasa media de un par por hora. El tiempo de reparación por zapato individual
tiene distribución exponencial con media de quince minutos.

209
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
a) Considere la formulación de este sistema de colas si se toma cada zapato (y no el par)
como un cliente. Construya el diagrama de tasas y desarrolle las ecuaciones de balance,
sin resolverlas.
b) Ahora considere la formulación de este sistema de colas cuando los pares de zapatos se
consideran los clientes. Identifique el modelo específico que se ajusta a esta
formulación.
c) Calcule el número esperado de pares en el taller.
d) Calcule el tiempo esperado desde que el cliente deja un par hasta que está reparado y
listo para entregarlo.
a) Los zapatos individuales son clientes. En el diagrama las unidades son
veces/hora.

λ=1 λ=1 λ=1

0 1 2 3 ...
µ=4 µ=4 µ=4

Figura 12.2

Observe que λ=1vez/hora llegan 2 zapatos


Como el tiempo de reparación de 1 zapato es 15 minutos, entonces µ=1vez/(15 min)
= 4 veces/hora (frecuencia de reparación de un zapato)
Como los clientes son los zapatos y llegan por pares del estado n se pasa al n+2 cuando
llega un par (2 zapatos)
Con este gráfico se pueden plantear las ecuaciones de balance:
(Estado 0): µP1 = λP0
(Estado 0): µP2 = (λ+µ)P1
(Estado 2): λP0 + µP3 = (λ + µ)P2
………

(Estado n): λPn-2 + µPn+1 = (λ+ µ)Pn

210
Luis Fernando Moreno Velásquez
……….

b) Los pares son clientes. En el diagrama las unidades son veces/hora, tanto para
llegada como atención de pares de zapatos.

λ=1 λ=1
λ=1
0 1 2 3 ...
µ=2 µ=2 µ=2

Figura 12.3

Observe que λ=1vez/hora (llega un par de zapatos) y pasa del estado n al n+1.

µ = 2 veces/hora (se repara un par). La tasa se reduce a la mitad, ya que está expresada
en pares, en lugar de zapatos individuales.

Aunque este diagrama representa la situación real de los clientes (pares de zapatos), a
partir de este diagrama no se pueden plantear ecuaciones de balance, ya que las
hipótesis para plantear ecuaciones de balance requieren que tanto las llegadas como las
atenciones sean exponenciales y en este caso las atenciones no son exponenciales,
porque si un zapato individual sigue una distribución exponencial, el conjunto de 2
unidades (par) es Erlang.

Entonces este modelo es de entradas Poisson con λ = 1y de atenciones Erlang con µ =


2 y K = 2, ya que los grupos o conjuntos son de 2 elementos (K = 2). A pesar de esto,
se pueden aplicar las fórmulas de Pollaczek-Khintchine para obtener L y W.

c) Lq = (λ2σ2 + ρ2)/[2(1₋ρ)] (Recuerde que en esta fórmula tanto λ como µ están


expresados en conjuntos (pares en este caso). Por lo tanto λ= 1, µ= 2, K = 2, ρ =
λ/µ = 1/2= 0.5.
𝟏𝟏 𝟏𝟏
Lq = [1*(1/8) + (0.5)2]/[2*(1-0.5)] = 1/8 + 0.5 = 0.375, ya que σ = = = 1/8
√𝑲𝑲∗µ √𝟐𝟐∗𝟐𝟐

En fila se mantienen en la zapatería 0.375 pares de zapatos.

L = Lq + ρ = 0.375 + 0.5 = 0.875

211
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
En el sistema (en la zapatería) se mantienen en promedio 0.875 pares de zapatos.

d) W = L/λ = 0.875/(1/hora) = 0.875 horas.

El tiempo total de un par de zapatos desde que lo entrega el cliente hasta que se termina la
reparación es 0.875 horas = 52.5 minutos.

212
Luis Fernando Moreno Velásquez
Capítulo 13.
Aplicación de la teoría de colas

Aunque la teoría de colas proporciona información importante no es una herramienta que


por sí sola permita llevar a cabo la toma de decisiones óptima.

Para ello se necesita desarrollar una teoría económica (de costos) que nos permita tomar
decisiones óptimas.

Las situaciones del tipo de sistema de colas que requieren la toma de decisiones surgen en
muy diversas áreas, por lo que no es posible presentar un procedimiento general aplicable
a todas las situaciones.

Una situación que en la práctica se presenta con bastante frecuencia es:

¿Cuál es el número de servidores que se debe tener en cada instalación?

Esta es la pregunta de mayor interés para los ejecutivos y que hasta ahora no hemos visto
cómo se resuelve. Trataremos de desarrollar una teoría (en realidad son dos teorías) para
responder esta pregunta.

Las decisiones respecto a la capacidad de servicio que se ha de proporcionar se basan


principalmente en dos tipos de costos:

1. Costos derivados de prestar un buen servicio.

2. Costos derivados de tener largas colas.

Para estudiar los costos totales, consideremos el siguiente gráfico donde aparece en el eje
vertical el costo de atender una unidad (puede ser una persona, un animal, una máquina,
etc.) como función del nivel de servicio, este es un índice entre cero (nivel de servicio muy
malo) y cien (nivel de servicio excelente).

Aunque no entraremos a determinar la forma de la ecuación, sí es claro que es una función


creciente: prestar niveles de servicio altos es costoso.

213
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo de servicio por llegada

0 Nivel de servicio

Figura 13.1

Consideremos ahora el gráfico de tiempo promedio (o esperado) de una unidad como


función del mismo índice de nivel de servicio del gráfico anterior.

Nuevamente, aunque no entraremos a determinar la forma de la ecuación, es claro que es


una función decreciente: prestar niveles de servicio altos significa gastar poco tiempo de
atención.
Tiempo de espera
d

0 Nivel de servicio
Figura 13.2

214
Luis Fernando Moreno Velásquez
El objetivo de cualquier empresa que presta servicios es disminuir tanto los costos de
servicio como los tiempos de espera.

Para reducir los costos de servicio se debe tener un bajo nivel de servicio, ya que este
gráfico es creciente.

Para reducir los tiempos de espera se debe tener un alto nivel de servicio, ya que este gráfico
es decreciente.

Ante esta situación contradictoria se debe encontrar un balance entre el retraso promedio
al solicitar un servicio y el costo de proporcionarlo, en otras palabras se debe encontrar el
óptimo de la suma de los dos costos: de prestar el servicio y de espera.

Para comparar los costos de servicio y los tiempos de espera, es necesario adoptar una
medida común de su impacto. Esa medida es el dinero (costo). Debemos estimar el costo
de espera.

Clasifiquemos los clientes en dos grupos:

Clientes externos a la organización.

Clientes internos de la organización.

Recuerde que se hizo mención de dos teorías.

Para los clientes externos el costo más importante es el costo de espera relacionado con la
pérdida de ganancias por negocio perdido o costos sociales. Es un costo difícil de estimar,
ya que los clientes son externos. El caso de clientes externos es el de un almacén de
departamentos, donde los clientes no pertenecen a la empresa y no se dispone de mucha
información sobre ellos.

Para los clientes internos el costo más importante es el costo de espera relacionado con la
pérdida de ganancias debida a la productividad perdida. Es un caso más fácil de evaluar. El
caso típico de clientes internos es el de máquinas que van al taller de reparación a esperar
que las arreglen. La empresa conoce mucha información sobre las máquinas: velocidad de
producción, utilidad de los artículos producidos, etc.

Una vez expresados el costo de espera y el costo del servicio, se debe minimizar la suma
de estas dos cantidades.

E (CS): costo esperado del servicio

E (CW): costo esperado de la espera

E (CT): costo esperado total

Minimizar E (CT) = E (CS) + E (CW)

215
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo total
E (CT) = E(CS) + E(CW) Costo
servicio
E(CS)
Costo esperado

Costo
espera
E(CW)

0 Solución Nivel de servicio

Figura 13.3

¿Cómo varía en realidad el costo en el que se incurre respecto al comportamiento real del
sistema de colas?

La forma de esta función depende del contexto del problema pero se puede modelar de dos
maneras principalmente, como se dijo antes. Las dos formas son totalmente diferentes,
según que los clientes sean internos o externos, según se verá a continuación:

1. Forma g(N)
Para clientes internos. En este caso la función es discreta.

El costo a considerar es el costo de espera relacionado con la pérdida de ganancias debida


a la productividad perdida. (Recuerde que este es el caso de las máquinas que esperan ser
reparadas y mientras esperan hacen que se incurra en un costo de oportunidad: producción
perdida.

La propiedad que determina la tasa actual a la que se incurre en costos de espera es N: el


número de clientes en el sistema. Por eso este caso es discreto, puesto que el número de
máquinas en el sistema (taller) es un número entero.

g (N) se construye estimando g(n) para N=n, para n = 1,2,... y g(0)=0.

216
Luis Fernando Moreno Velásquez
Costo
esperado por g (N)
unidad de
tiempo

N
0 1 …n …
2 3
Número de clientes en el servicio

Figura 13.4

Note que aunque se ajustó una curva continua para facilitar la expresión, el gráfico en
realidad son los puntos, ya que el número de clientes en el sistema es un número entero.

Después de calcular las probabilidades Pn para un sistema de colas (resolviendo el sistema


de ecuaciones de balance donde n es el número de unidades en el sistema) se puede calcular.

E(CW) = E {g(N)}

Como N es una variable aleatoria discreta, en este cálculo se emplea la expresión para el
valor esperado de una función de una variable aleatoria discreta.

E(CW) = ∑∞ 𝑛𝑛=0 𝑔𝑔(𝑛𝑛) ∗ 𝑃𝑃𝑛𝑛 (la función g(n) se obtiene del gráfico y los Pn se obtienen de
la solución del sistema de ecuaciones de balance).

Cuando g(N) es una función lineal (es decir, la tasa de costo de espera es proporcional a
N).

g (N) = Cw N (una recta que pasa por el origen).

Donde Cw es el costo espera por unidad de tiempo para cada cliente (expresado en
$/unidad-tiempo), es decir el costo de tener en espera una unidad (persona, máquina, etc.)
durante una unidad de tiempo.

E(CW) = ∑∞ ∞ ∞
𝑛𝑛=0 𝑔𝑔(𝑛𝑛) ∗ 𝑃𝑃𝑛𝑛 = ∑𝑛𝑛=0 Cw n ∗ 𝑃𝑃𝑛𝑛 = Cw ∑𝑛𝑛=0 n ∗ 𝑃𝑃𝑛𝑛

217
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
E(CW) = Cw ∗ L , ya que como se había visto antes: L = ∑∞
𝑛𝑛=0 n ∗ 𝑃𝑃𝑛𝑛

Note que en el caso lineal es muy fácil obtener la expresión del costo promedio de espera:
Cw ∗ L.

2. Forma h (W)

Para clientes externos. En este caso la función es continua.

El costo a considerar es el costo de espera relacionado con la pérdida de ganancias por


negocio perdido o costos sociales.

La propiedad que determina la tasa actual a la que se incurre en costos de espera es w:


el tiempo de espera en el sistema de colas para los clientes individuales. Además de ser
continua, las unidades también son diferentes al caso de clientes internos, pues en el de
clientes internos las unidades estaban expresadas en $/cliente, en tanto que en el de los
clientes externos las unidades están expresadas en $/tiempo, es decir cuánto cuesta
tener en el sistema (almacén) una unidad (persona) en espera. Este valor, como se
mencionó anteriormente, es más difícil de calcular, ya que los clientes no pertenecen a
la empresa y representa el costo de tener una unidad (persona) en el sistema en espera
(mientras hace fila y mientras la atienden).

h(W)
Costo esperado por cliente

W
0 Tiempo de espera en el servicio

Figura 13.5

Una manera de construir h(W) es estimar h(w) para distintos valores de w y después ajustar
un polinomio.

218
Luis Fernando Moreno Velásquez
h(w): El costo de espera en el que se incurre cuando un cliente espera un tiempo W = w

E[h(w)] = ∫0 ℎ(𝑤𝑤)𝑓𝑓𝑤𝑤 (𝑤𝑤)𝑑𝑑𝑑𝑑

Esta es la expresión del promedio de una función continua h(w), en este caso el costo, que
tiene función de densidad 𝑓𝑓𝑤𝑤 (𝑤𝑤). Esta expresión puede ser difícil de integrar ya que
contiene el producto de dos funciones:

Esta desigualdad nos muestra que el costo de los clientes externos (costo por cliente) es
diferente del costo de los clientes internos (costo por tiempo) como se había mencionado
anteriormente.

E {h (W)} E {C (W)}
costo esperado de espera ≠ costo esperado de espera
por cliente por unidad de tiempo
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
Sin embargo se puede pasar de la expresión de a , simplemente multiplicando
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑡𝑡𝑡𝑡 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
por , ya que:
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙


* = pero = 𝜆𝜆, siempre y cuando 𝜆𝜆 sea constante, ya que si no
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
es constante sino que es función del tiempo 𝜆𝜆(𝑤𝑤), habría que introducirla en la integral, lo
que haría aún más compleja su evaluación, ya que sería el producto de tres funciones.

Para el caso de 𝜆𝜆 constante se tiene entonces:



E(CW) = λE[h(w)] = λ∫0 ℎ(𝑤𝑤)𝑓𝑓𝑤𝑤 (𝑤𝑤)𝑑𝑑𝑑𝑑

Si λ es función de w, λ = λ(w) se tiene entonces:



E(CW) = ∫0 𝜆𝜆(𝑤𝑤)ℎ(𝑤𝑤)𝑓𝑓𝑤𝑤 (𝑤𝑤)𝑑𝑑𝑑𝑑, que es una expresión difícil de integrar, ya que contiene
el producto de tres funciones dentro de la integral.

Note que el caso 𝜆𝜆(𝑤𝑤) (o sea λ no es constante) es bastante frecuente ya que la cantidad de
personas que entran a demandar un servicio depende del tiempo de espera.

219
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ejemplo: Simulation Inc.

Una fábrica cuenta con diez máquinas para el ensamblaje de dispositivos para
computadoras. Sin embargo la empresa solo cuenta con ocho operadores, así que hay dos
máquinas de reserva para eventuales descomposturas.

Siempre que no haya más de dos máquinas esperando reparación habrá ocho máquinas
funcionando, pero este número se reduce en uno por cada máquina que espera ser reparada
por encima de dos.

El tiempo que transcurre hasta que una máquina en operación se descompone tiene una
distribución exponencial con media de veinte días.

El tiempo que se necesita para reparar una máquina tiene una distribución exponencial con
media de dos días.

Actualmente la compañía cuenta con un mecánico para la reparación de estas máquinas


pero está considerando la contratación de otro más.

Cada mecánico le cuesta a la compañía $280 por día.

La pérdida de ganancias estimadas por tener menos de ocho máquinas en operación es $400
por día por cada máquina descompuesta.

¿Debe la compañía contratar un mecánico más?

Comentario

Note que este es un problema de políticas, porque se deben evaluar los costos de dos
problemas independientes: tener un mecánico o tener dos mecánicos y escoger la solución
de menor costo.

Otro aspecto de este problema es el hecho de trabajar con máquinas de repuesto, situación
que puede ser frecuente si las máquinas no son costosas, con el fin de no parar el operador
y la producción de una máquina cuando esta se descompone.

Solución

Este problema es similar al del Hospital General, con la salvedad de que este tiene una
fuente de entrada finita.
N = 10 máquinas (población finita)
λ=(1/20) cliente/día (o en forma equivalente 1cliente/20 días
Es equivalente decir que se descompone (1/20) de máquina cada día o 1 máquina cada 20
días.

220
Luis Fernando Moreno Velásquez
µ = 1/2 cliente por día (es válido el mismo comentario que para el valor de λ, note que el
problema da tiempo (1/µ), por lo hay que obtener µ como el inverso de 1/µ.
Caso s= 1 (trabajar con un mecánico para reparar las máquinas).

8λ para n = 0, 1, 2

Los parámetros λn = (10-n)λ para n = 3, 4, ..., 10

del modelo son: 0 para n > 10

µn = µ para n = 1, 2, ..., 10

y de estos parámetros obtenemos el gráfico a continuación:

Figura 13.6

Caso s = 2 (trabajar con dos mecánicos para reparar las máquinas).

8λ para n = 0, 1, 2

Los parámetros λn = (10₋n) para n = 3, 4, ..., 10

del modelo son: 0 para n > 10

µn = µ para n = 1, 2, ..., 10

sµ para n = 3, 4, ...

y de estos parámetros obtenemos el gráfico a continuación:

221
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Figura 13.7

Ecuaciones de balance para s =1


Estado 0 (1/2)P1 = (8/20)P0
Estado 1 (8/20)P0 + (1/2)P2 = (8/20 + 1/2)P1
Estado 2 (8/20)P1 + (1/2)P3 = (8/20 + 1/2)P2
Estado 3 (8/20)P2 + (1/2)P4 = (7/20 + 1/2)P3
Estado 4 (7/20)P3 + (1/2)P5 = (3/10 + 1/2)P4
Estado 5 (3/10)P4 + (1/2)P6 = (1/4 + 1/2)P5
Estado 6 (1/4)P5 + (1/2)P7 = (1/5 + 1/2)P6
Estado 7 (1/5)P6 + (1/2)P8 = (3/20 + 1/2)P7
Estado 8 (3/20)P7 + (1/2)P9 = (1/10 + 1/2)P8
Estado 9 (1/10)P8 + (1/2)P10 = (1/20 + 1/2)P9
Estado 10 (1/20)P9 = (1/2)P10

Suma de probabilidades ∑∞10


𝑛𝑛=0 𝑃𝑃𝑛𝑛 = 1

Ecuaciones de balance para s =2

Estado 0 (1/2)P1 = (8/20)P0


Estado 1 (8/20)P0 + 1P2 = (8/20 + 1/2)P1
Estado 2 (8/20)P1 + 1P3 = (8/20 + 1)P2
Estado 3 (8/20)P2 + 1P4 = (7/20 + 1)P3
Estado 4 (7/20)P3 + 1P5 = (3/10 + 1)P4
Estado 5 (3/10)P4 + 1P6 = (1/4 + 1)P5

222
Luis Fernando Moreno Velásquez
Estado 6 (1/4)P5 + 1P7 = (1/5 + 1)P6
Estado 7 (1/5)P6 + 1P8 = (3/20 + 1)P7
Estado 8 (3/20)P7 + 1P9 = (1/10 + 1)P8
Estado 9 (1/10)P8 + 1P10 = (1/20 + 1)P9
Estado 10 (1/20)P9 = 1P10

Suma de probabilidades ∑∞10


𝑛𝑛=0 𝑃𝑃𝑛𝑛 = 1

Las probabilidades Pn (soluciones) son:

N=n s =1 Pn s =2 Pn
0 0.271 0.433
1 0.217 0.346
2 0.173 0.139
3 0.139 0.055
4 0.097 0.019
5 0.058 0.006
6 0.029 0.001
7 0.012 3*10−4
8 0.03 4*10−5
9 7*10−4 4*10−6
10 7*10−5 2*10−7

Para saber si la empresa debe contratar un mecánico adicional debemos observar

Esperanza Costo total:

E(CT)=Costo esperado del servicio+Costo esperado de la espera

E(CT) = E(CS) + E(CW).

E (CW) la podemos obtener formulando una función g(n), ya que en este caso las máquinas
se consideran clientes internos.

Recordemos que la pérdida de ganancias estimadas por tener menos de ocho máquinas en
operación es $400 por día por cada máquina descompuesta.

223
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
g (n) = 0 para n = 0, 1, 2

400(n-2) para n = 3, 4, ..., 10

E(CW) = ∑∞10
𝑛𝑛=0 𝑔𝑔(𝑛𝑛)𝑃𝑃𝑛𝑛 .

------------ s = 1 ------------ ---------- s = 2 ----------

n g(n) Pn g(n)*Pn Pn g(n)*Pn


0 0 0.271 0 0.433 0
1 0 0.217 0 0.346 0
2 0 0.173 0 0.139 0
3 400 0.139 56 0.055 24
4 800 0.097 78 0.019 16
5 1200 0.058 70 0.006 8
6 1600 0.029 46 0.001 0
7 2000 0.012 24 3*10−4 0
8 2400 0.03 7 4*10−5 0
9 2800 7*10−4 0 4*10−6 0
10 3200 7*10−5 0 2*10−7 0

Recordemos que cada mecánico le cuesta a la compañía $280 por día.

Siempre que s sea conocida,

E (CS) = sCs, donde Cs es el costo marginal de un servidor (mecánico) por unidad de


tiempo

E (CS) = s * $280 por día.

224
Luis Fernando Moreno Velásquez
Tabla comparativa de los resultados

s sCs E(CW) E (CT)

1 280 281 $561/día

2 560 48 $608/día

≥3 ≥840 ≥0 ≥$840/día

La solución es por tanto continuar con un mecánico, que tiene un costo menor que dos
mecánicos y aunque solo se pedía comparar 1 y 2 mecánicos, la tabla nos muestra que
cualquier número de mecánicos ≥3 también tiene un costo mayor.

Ejemplo:

La Universidad Nacional desarrolla planes para rentar una supercomputadora que usen
investigadores, profesores y alumnos para la investigación científica. Los modelos que
están bajo consideración son uno de la MBI Corporation y otro de la CRAB Company. La
computadora MBI cuesta más pero es un poco más rápida que la CRAB. En particular, si se
corriera continuamente una secuencia de programas característicos de estudiantes durante
un día de 24 horas, el número de programas procesados tendría una distribución Poisson
con medias respectivas de 30 y 25 para las computadoras MBI y CRAB. Se estima que entrará
un promedio de 20 programas por día y que el tiempo de una entrega a la siguiente tendrá
una distribución exponencial con media de 0.05 días. El costo de renta por día sería $US
5000 para la MBI y $US 3750 para la CRAB.

Debido a que los estudiantes de la Universidad Nacional experimentarán distintos tiempos


de devolución de sus programas con las dos computadoras, la elección entre ellas requiere
una evaluación de las consecuencias de hacer que los estudiantes esperen para correr sus
programas. Para esto se pidió a varios de los mejores científicos del personal académico
que evaluaran estas consecuencias.

Los científicos estuvieron de acuerdo en que la consecuencia más importante es el retraso


en realizar la investigación. Se puede lograr muy poco trabajo efectivo mientras se esperan
los resultados de una corrida. Los científicos estimaron que el valor de reducir este retraso
es de $500 por día.

Los científicos determinaron también que una segunda consecuencia importante de la


espera era la pérdida de continuidad en la investigación. Aun cuando un retraso corto causa
pocos problemas en este aspecto, un retraso más largo causa un tiempo perdido
significativo al retomar la investigación. Los científicos estimaron que este tiempo perdido
es en esencia proporcional al cuadrado del tiempo de retraso. Esta componente se estimó
en 400W2.

225
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Por tanto el efecto de las dos consecuencias está dado entonces por la expresión:

h(W) = 500W + 400W2.

El sistema de colas de interés aquí tiene a la computadora como su único servidor y los
programas que hay que correr como sus clientes. Además este modelo se ajusta al modelo
M/M/1con un día como unidad de tiempo, λ = 20 y µ = 30 y 25 clientes por día para las
respectivas computadoras MBI y CRAB.

Con estos datos planteemos el problema:

Recuerde que este es el caso de clientes externos (caso continuo) con h(W) = 500W +
400W2.

Los datos son:

Para la computadora MBI Para la computadora CRAB


λ = 20/día λ = 20/día
µ = 30/día µ = 25/día
Costo arriendo = $5000/día Costo arriendo = $3750/día
la fórmula de E[h(W)] está dada por:

E[h(W)] = ∫0 ℎ(𝑤𝑤)𝑓𝑓𝑤𝑤 (𝑤𝑤)𝑑𝑑𝑑𝑑 (ver capítulo 13)

Donde h(w) = 500W + 400W2 y 𝑓𝑓𝑤𝑤 (𝑤𝑤) se obtiene de la siguiente manera:

Recuerde que la función de densidad de una variable aleatoria continua 𝑓𝑓𝑤𝑤 (𝑤𝑤) se obtiene
𝑑𝑑(𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑊𝑊<𝑤𝑤))
como la derivada de la acumulativa = y
𝑑𝑑𝑑𝑑

𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑊𝑊 > 𝑤𝑤) = e - µ (1-ρ)w (ver capítulo 10), de donde se deduce que

𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑊𝑊 < 𝑤𝑤) = 1 − e - µ (1-ρ)w

Al derivar esta expresión obtenemos: 𝑓𝑓𝑤𝑤 (𝑤𝑤) =µ(1 – ρ)e-µ(1 – ρ)w.

Al reemplazar las expresiones de h(w) y 𝑓𝑓𝑤𝑤 (𝑤𝑤) en E[h(W)] obtenemos:


∞ ∞
E[h(W)] = ∫0 ℎ(𝑤𝑤)𝑓𝑓𝑤𝑤 (𝑤𝑤)𝑑𝑑𝑑𝑑 = ∫0 (500w + 400w2) µ(1 – ρ)e-µ(1 – ρ)wdw

Al realizar esta integral para MBI (con µ = 30) y CRAB (con µ = 25) se obtienen los valores:

E[h(W)] = 58$/programa (para MBI)

226
Luis Fernando Moreno Velásquez
E[h(W)] = 132$/programa (para CRAB)

que al convertirlos a $/día nos da:

E[h(W)] = 58$/programa*[20 programas/día] = 1160$/día (para MBI)

E[h(W)] = 132$/programa*[20 programas/día] = 2640$/día (para CRAB)

El costo total es:

E(Costo total) = E(costo de la espera) + E(costo del arriendo), con lo que se obtiene:

E(Costo total) = 1160$/día + $5000/día = $6160/día (para MBI)

E(Costo total) = 2640$/día + $37500/día = $6390/día (para CRAB)

De acuerdo con estos resultados la alternativa es arrendar la computadora MBI.

227
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problemas de teoría de colas

Problema 1. Chile vive un proceso de modernización y ha implementado el uso de peajes


electrónicos. Actualmente todos los carros tienen un sensor instalado para su detección a
la hora de pasar por el peaje y poder registrar el cobro. Estos tienen la ventaja de no crear
cola y efectuar un cobro más eficiente, el cual llega en la factura de servicios públicos. En
la vía Santiago-La Serena, en inmediaciones de La Rancagua se cuenta actualmente con un
peaje con tres casetas: uno electrónico que cobra $US5 y otros dos tradicionales que cobran
$US3 cada uno. Las autoridades verificarán que el sistema sea fiable: dos casetas seguirán
siendo las principales y el electrónico solo se utilizará cuando haya autos en las otras dos,
los cuales se demoran en su atención a cada uno de los carros un minuto en promedio con
una distribución de tiempos exponencial. Ninguno de los 90 carros por hora que llegan a
los peajes (con distribución Poisson) puede quedarse esperando a que se desocupe alguno
de los dos peajes viejos si están ocupados y debe colaborar con la prueba del peaje
electrónico.

a) ¿Qué porcentaje de carros pagaran el peaje electrónico?


b) ¿Cuánto dinero recibirán los tres peajes en un día? Recuerde que un peaje nunca
deja de funcionar (24 h).
c) El gobierno dispuso que para que la prueba del peaje electrónico se haga
correctamente en La Rancagua, por él deben pasar mínimo el 50% de los autos
que llegan cada hora al lugar. Para esto, planea quitar un peaje tradicional ¿Es
esta medida la adecuada para cumplir con lo que quiere el gobierno?

Peajes
90 90

0 1 2

60 120

Note que a pesar de que se dice que hay tres casetas solo se consideran dos, ya que la tercera
cumple el papel de limitar el número de servidores, pues todos los carros que llegan cuando
las dos casetas tradicionales están ocupadas van a la tercera y pasan instantáneamente, por
lo que no se hace fila. Esto sería como decir que a los carros que llegan cuando las dos
casetas tradicionales están ocupadas se les niega el acceso.

229
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
λ= 90/hora

µ = 60/hora

El sistema de ecuaciones de balance es:

Estado 0: 90P0 = 60P1 (1)

Estado 2: 120P2 = 90P1 (2)

Se omite la ecuación del estado 1 como redundante (es la más complicada, ya que involucra
los 3 estados; por eso es recomendable deshacerse de la ecuación más complicada.

P0 + P1 + P2 =1 (3)

De la (1) se tiene: P1 = 1.5P0

De la (2) se tiene: P2 = 0.75P1 = 0.75*1.5P0 = 1.125P0

Reemplazando en la ecuación (3) se tiene:

P0 + 1.5P0 + 1.125P0 =1 = 3.625P0 → P0 = 0.2759

P1 = 1.5*0.2759 = 0.4138

P2 = 1.125*0.2759 = 0.3103

En resumen:

P0 = 0.2759

P1 = 0.4138

P2 = 0,3103, es decir, el sistema de las 2 casetas se mantiene el 27.59% del tiempo con 0
carros, el 41.38% del tiempo con 1 carro y el 31.03% del tiempo con 2 carros.

a) La probabilidad de que un carro pague el peaje electrónico es P2 =31.03%


b) Carros atendidos por los peajes tradicionales: 90(𝑃𝑃0 + 𝑃𝑃1 ) = 62.07 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐/
ℎora

Carros atendidos por peaje electrónico: 90(𝑃𝑃2 ) = 27.93 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐/ℎora

24 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 62.07 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑈𝑈$ 3 25.93 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑈𝑈$ 5


𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = ∗� ∗ + ∗ �
𝑑𝑑𝑑𝑑𝑑𝑑 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑟𝑟𝑟𝑟𝑜𝑜
= 𝑈𝑈$7817.88/𝑑𝑑í𝑎𝑎

230
Luis Fernando Moreno Velásquez
c)

90

0 1

60

90 P0 = 60 P1
P0 + P1 =
1
P1 = 0.6
P0 = 0.4

La medida sería suficiente pues el 60% del tiempo el peaje tradicional estará ocupado, por
lo que ese porcentaje de carros ira al electrónico.

Problema 2. Suponga que en un banco luego de que empiece el servicio a las 8 a.m. entra
el primer cliente, los tiempos entre llegadas son exponenciales con media de treinta minutos
y los tiempos de atención también son exponenciales con media de quince minutos. Nota:
todas las preguntas son independientes.

a) Si son las 8:00 a.m. y acaba de entrar el primer cliente ¿cuál es la probabilidad de
que el segundo cliente llegue entre las 8:20 y las 8:40 a.m.?

b) ¿Cuál es la probabilidad de que el número de llegadas entre las 8:50 y las 10:00
a.m. sea de dos o más?

c) Si hay dos clientes siendo atendidos en dos cajas, ¿cuál es la probabilidad de que
ninguno de los dos clientes termine su servicio antes de diez minutos?

d) Si la probabilidad de que lleguen cero clientes en los siguientes t minutos es 0.5


¿cuál es el valor de t?

e) Si la probabilidad de que la siguiente llegada sea mayor que una hora es el doble
de que la probabilidad de la siguiente llegada sea mayor que dos horas, ¿cuál es en
minutos el tiempo promedio entre llegadas?

f) Si le dicen que entre las 9:00 y 10:00 a.m. llegaron tres clientes, ¿cuál es la
probabilidad de que entre las 8:00 a.m. y las 12 m hayan llegado cuatro clientes?

231
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
e − λ t (λ t ) n
P(n _ eventos _ en _ t ) = (Poisson) e −α t (exponencial)
P(T > t ) =
n!

λ= (1/30)*60= 2 clientes/hora
μ = 4 clientes/hora (por cajero)
a) (Con Poisson) λt= 2veces/hora*(1/3)hora = (2/3)/hora
Para que el segundo cliente llegue entre 8:00 y 8:20 deben darse dos eventos
independientes: que entre 8:00 y 8:20 no llegue nadie (lleguen cero clientes) y que
entre las 8:00 y las 8:20 llegue uno o más clientes.
Prob(0 llegadas entre 8:00 y 8:20)*Prob (1 o más llegadas entre 8:20 y 8:40)
Prob(0 llegadas entre 8:00 y 8:20)= e-λt(λt)n/n! = e-2/3(2/3)0/0! = 0.5134
Prob(1 o más llegadas entre 8:20 y 8:40)= 1−Prob(0 llegadas en 20 min)
1- Prob(0 llegadas en 20 min) = 1−0.5134 = 0.4866 = 0.5134*0.4866= 0.2498

b) (Con la exponencial)
Prob(en una hora 10 minutos = (7/6) hora lleguen dos o más clientes) =
Prob(número de clientes en (7/6)hora>=2)=1
Prob(número de clientes en (7/6)hora <2)= 1
Prob(número de clientes en (7/6)hora=0)
Prob(número de clientes en (7/6)hora=1
=1 − e-(2*1.166)*(2*1.166)0/0! − e-
(2*1.166) 1
*(2*1.166) /1!=1−0.09697−0.22627=0.67676

c) (Con la exponencial) μ (de los dos cajeros) = 8 clientes/hora; μt =


(8/hora)*(1/6)hora = 4/3 = 1.333

Prob(T>10min) = Prob (T>(1/6)hora) = e-μt = e-1.3333 = 0.2636

d) (Con Poisson) Prob(0 clientes em t min) = e-λt(lt)n/n! = e-λt(lt)0/0! = e-λt = e-2t =


0.5

−2t= ln (0.5) t=−ln(0.5)/2 = − (−0.69315 )/2 = 0.3466 horas = 20.8 min

e) (Con la exponencial) Prob(T>1hora)=2*Prob(T>2horas)

e-2α=2e-4 α e2α = 2 α=ln2/2 = 0.6931/2 = 0.3465

232
Luis Fernando Moreno Velásquez
f) (Con Poisson) Hay dos formas de ajustar los cuatro clientes: llegan cero clientes
entre 8:00 y 9:00 o llega uno entre 8:00 y 9:00 y cero entre 10:00 y 12:00.

Como los eventos son mutuamente excluyentes, las probabilidades se suman:

Prob(0 en 1 hora)*Prob(1 en 2 horas)+Prob(1 en 1 hora)*Prob(0 en 2 horas) =

e-2*1 (2*1) 0 /0!* e-2*2 (2*2) 1 /1!+ e-2*1 (2*1) 1 /1!* e-2*2 (2*2) 0 /0!

=0.1353*0.0733+0.0677*0.0183=0.0099+.0012=0.0111

Problema 3. En una pequeña ciudad operan dos empresas de taxis. Una de ellas tiene dos
taxis, mientras que la otra solo tiene uno, ambas se reparten el mercado en condiciones de
igualdad. Esto resulta evidente por el hecho de que la demanda de taxis de cada una de las
empresas, sigue una distribución de Poisson de tasa media diez por hora en ambos casos.
La duración media de una carrera de taxi es de doce minutos, y sigue una distribución de
probabilidad exponencial.

Uno de los hombres de negocios de la ciudad ha comprado recientemente las dos empresas,
y su primera preocupación es fusionar los dos servicios en uno solo, con el objetivo de
perder menos clientes.

Ambas empresas tenían la política de que si solicitaban un servicio y no había taxis


disponibles no ofrecían el servicio, la nueva empresa más grande sigue con esta política.

¿Cuántos clientes se perdían cuando estaban separadas las empresas?

¿Cuántos clientes se están perdiendo después de la fusión? ¿El empresario tomó la decisión
correcta?

Para la empresa que tiene un único taxi

1/µ = 12 minutos; µ 1/2min = 5/hora

10

0 1
5

233
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
1
P0 =
10 P0 = 5 P1 3
P0 + 2 P0 = 1 2
P1 =
3

El cliente se pierde cuando no hay taxis, o sea cuando se está en el estado 1.

10 2 6.667
Pérdidas = λ*P1 = × =
Hora 3 Hora

Para la empresa que tiene dos taxis

10
10
0 1 2
5 10

10 P0 = 5 P1 5 P0 = 1
10 P2 = 10 P1 P0 = 0.20 P2 = 0.40
P0 + 2 P1 + 2 P2 = 1 P1 = 0.40

El cliente se pierde cuando no hay taxis, o sea cuando se está en el estado 2.

10 4
Pérdidas = λ*P2 = = × 0.40 =
Hora Hora

Con las empresas independientes se pierden en total 10.67 clientes por hora.

Para las empresas fusionadas

20 20 20
0 1 2 3
5
10 15

234
Luis Fernando Moreno Velásquez
20 P0 = 5 P1
25 P1 = 20 P0 + 10 P2
20 P2 = 15 P3
P0 + P1 + P2 + P3 = 1
 25(4 P0 ) − 20 P0  20  25(4 P0 ) − 20 P0 
P0 + 4 P0 +  +   =1
 10  15  10 
160
P0 + 4 P0 + 8 P0 + P0 = 1
15
P0 = 0.042
P1 = 0.169
P2 = 0.338
P3 = 0.451

El cliente se pierde cuando no hay taxis, o sea cuando se está en el estado 3.

20 9.02
Perdidas = × 0.451 =
Hora Hora

Con las empresas fusionadas se pierden en total 9.02 clientes por hora por lo tanto es más
conveniente fusionar las empresas: 9.02 /hora < 10.67/hora.

Problema 4. Tres usuarios de una línea telefónica están conectados al mismo terminal.
Cada usuario genera llamadas de una duración media de tres minutos, según una
exponencial. Cada usuario llama en promedio cada media hora según una exponencial. Si
un usuario quiere llamar no podrá hacerlo a menos que alguna línea esté desocupada.

¿Cuál es el porcentaje de llamadas que no se pueden realizar si solo hay una línea conectada
al terminal?

¿Cuál es el porcentaje de llamadas que no se pueden realizar si hay dos líneas conectadas
al terminal?
¿Cuál es el porcentaje de llamadas que no se pueden realizar si hay tres líneas conectadas
al terminal?

235
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Con una línea

6
0 1

20

3
P0 + P0 = 1
6 P0 = 20 P1 10 3
P1 =
P0 + P1 = 1 10 13
P0 =
13

6 4 5.5385
Total _ llamadas = × P0 + × P1 =
Hora Hora Hora

4 0.9231
No _ realizadas = × P1 =
Hora Hora

0.9231
% No _ realizadas = = 0.1667 = 16.67%
5.5385

Con dos líneas

6 4
0 1 2

20 40

6 P0 = 20 P1 30
P1 =
3 1 3 133
4 P1 = 40 P2 P0 + P0 + × P0 = 1
10 10 10 3
P0 + P1 + P2 = 1 P2 =
133

236
Luis Fernando Moreno Velásquez
 100 + 30 + 3 
P0   =1
 100 
100
P0 =
133

6 4 2 5.4586
Total _ llamadas = × P0 + × P1 + × P2 =
Hora Hora Hora Hora

2 0.0451
No _ realizadas = × P2 =
Hora Hora

0.0451
% No _ realizadas = = 0.0083 = 0.83%
5.4586

Con tres líneas

No se pierden llamadas porque hay tres líneas y tres usuarios.

Problema 5. El taller automotriz La Carretera Veloz especializado en el ajuste y


mantenimiento de componentes vehiculares, ha establecido que se puede catalogar a sus
clientes en dos grupos: los autos pequeños y vehículos grandes. Adicionalmente se sabe
que la tasa de llegada de los autos pequeños obedece una distribución Poisson con media
0.2 horas por auto si está vacío el local, de lo contrario tienen una probabilidad de n/2 de
desistir, y los vehículos grandes llegan según una distribución Poisson con media tres autos
por hora. Las instalaciones del taller automotriz La Carretera Veloz son limitadas puesto
que solo tiene una zona de reparación con espacio para dos vehículos pequeños, pero si
llega uno grande ocupa los dos espacios. Además no hay lugar para hacer cola, por lo que
los autos que llegan y no encuentran espacio se marchan a otro taller. El mecánico del taller
puede reparar hasta 18 componentes por hora de forma exponencial; finalmente se puede
considerar que el número promedio de componentes para los autos pequeños es de 20 y
para los vehículos grandes el promedio de componentes es de 32.
a) El gerente del taller automotriz La Carretera Veloz lo contrata como analista y le pide
que modele este problema usando el análisis de colas, definiendo los estados, el
diagrama de tasas y encontrando las ecuaciones de balance.
b) El gerente está interesado en saber el número promedio de vehículos que permanecen
en el taller automotriz.
c) Se le informa a usted que los ingresos por reparación en autos pequeños es de $50 por
auto, y los ingresos por reparación en vehículos grandes es de $100 por auto, el gerente
le pregunta cuáles serían los ingresos promedio por día, si se trabaja 12 horas al día.

237
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
λp=5 autos por hora sin cola
λp=2.5 autos por hora con cola
λg=3 autos por hora
µp=0.9 autos por hora (=18/20)
µg=0.5625 autos por hora (=18/32)

De acuerdo con el enunciado los estados son:


1G hay un auto grande
1P hay un auto pequeño
2P hay dos autos pequeños

a)

3
1g
G
0 0.5625

0.9
0.9
2p
1p
5 P P
2.5

Πo 0.0366019
π1g 0.19521012
π1p 0.20334388
π2p 0.5648441

La solución que se plantea a continuación es aproximada, porque si bien las tasas de


atención son
µp=0.9 autos por hora y µg=0.5625 autos por hora, la distribución no es estrictamente
exponencial, sino Erlang.
Planteando las ecuaciones de balance se tiene:
(Estado 1G): 0.5625π1g = 3πo
(Estado 0): 8πo = 0.5625π1g + 0.9π1p
(Estado 2p) 0.9 π2p = 2.5 π1p
π1g + π0 + π1p + π2p = 1
(Se descarta la ecuación del estado 1p que se considera una de las difíciles)
Resolviendo ese sistema de cuatro ecuaciones en cuatro variables se tiene:

238
Luis Fernando Moreno Velásquez
πo = 0.0366019
π1g = 0.19521012
π1p = 0.20334388
π2p = 0.5648441

b) 𝐿𝐿 = ∑ 𝑛𝑛 ∗ 𝑃𝑃𝑛𝑛 = (0 ∗ π0) + (1 ∗ π1𝑔𝑔) + (1 ∗ π1𝑝𝑝) + (2 ∗ π2𝑝𝑝) = 1.5282

c) Aunque el ingreso (o costo) se puede calcular por medio de los λ o de los µ, en


este caso se resuelve por medio de los λ:
Grandes
3𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 100$ $ 12ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
�(λ ∗ 𝑃𝑃𝑛𝑛 ) ∗ 100 = ∗ π0 ∗ = 10.9805694 ∗
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑
$
= 131.7668328
𝑑𝑑í𝑎𝑎
Pequeños
5𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 50$
�(λ ∗ 𝑃𝑃𝑛𝑛 ) ∗ 50 = � ∗ π0 + 2.5π1 �∗
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
34.568459$ 12ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 414.8215$
= ∗ =
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑í𝑎𝑎

Ingresos totales Ingreso grandes + ingreso pequeños = 546.59$/día

Problema 6. El hospital Camino al Cielo tiene una unidad especializada de diagnóstico


clínico que se encarga de determinar qué enfermedad sufre un paciente. En esta unidad los
médicos analizan un caso a la vez. La política de esta empresa se caracteriza en la rápida
atención al usuario, para lo cual lo contratan a usted como profesional en el área de
producción. Se sabe que la tasa de llegada de pacientes sigue una distribución Poisson con
media de un paciente cada media hora. Se le informa que se ha estimado el costo de que un
paciente permanezca en el hospital es $90 por hora, costo en que incurre mientras está
esperando y mientras lo están diagnosticando. Cada médico del grupo de diagnóstico gana
$15 la hora tanto si está atendiendo pacientes como si no. La tasa de diagnóstico de cada
médico sigue una distribución exponencial con media (2/3) hora por paciente. La tasa de
atención conjunta de los médicos se pude calcular con: 𝑛𝑛 ∗ µ ∗ 0.8𝑛𝑛−1 ∀ 𝑛𝑛 > 1
(considerando que la eficiencia de los médicos trabajando juntos disminuye un poco por
conflictos funcionales).
a) El gerente del hospital “Camino al cielo” le pregunta cuantos médicos deben contratar
la unidad de diagnóstico clínico para minimizar sus costos?
b) Como otra política, El “Camino al cielo” tiene la oportunidad de contratar un súper
médico, para lo cual le preguntan a usted: cuál debe ser su tasa de atención para que
la probabilidad de que el tiempo promedio de un paciente en el hospital sea menor a
0.3 horas sea 0.6?

239
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
a)
1
λ=2 clientes por hora = (1/0.5) µ=1.5 clientes por hora = ( 2 )
3

𝐶𝐶𝐶𝐶 = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑚𝑚é𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 + 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝


2 𝜆𝜆
= 15 ∗ 𝑛𝑛 + 90 ∗ , 𝑦𝑦𝑦𝑦 𝑞𝑞𝑞𝑞𝑞𝑞 𝐿𝐿 =
(𝑛𝑛 ∗ µ ∗ 0.8𝑛𝑛−1 ) − 2 µ − 𝜆𝜆
λ
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 <1 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑠𝑠 > 2 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 2, ya que resolver este problema
𝑠𝑠µ
analíticamente es imposible, porque habría que sacar la derivada e igualarla a cero.

n=2 CT= 480


n=3 CT= 249.5455
n=4 CT= 227.9104 (óptimo)
n=5 CT= 242.9104

Se deben contratar 4 médicos

b) como:

P(w>0.3)=0.6

−µ�1−λ�𝑡𝑡 −µ�1−λ�𝑡𝑡
𝑃𝑃(𝑤𝑤 > 𝑡𝑡) = 𝑒𝑒 µ 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑃𝑃(𝑤𝑤 < 𝑡𝑡) = 1 − 𝑒𝑒 µ (ver la fórmula
en el capítulo 10 tiempo de espera en el sistema caso un servidor)
−µ�1−2µ�0.3 −µ�1−4�0.5
𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟: 0.6 = 1 − 𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑒𝑒 µ = 0.4 𝑐𝑐𝑐𝑐𝑐𝑐 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑟𝑟𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖:
2
𝑙𝑙𝑙𝑙0.4 = −µ �1 − µ� 0.3
𝑙𝑙𝑙𝑙0.4 − 2 ∗ 0.3
= −µ0.3 + 2 ∗ 0.3 = 𝑙𝑙𝑙𝑙0.4 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 µ =
−0.3
= 5.05430244 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑝𝑝𝑝𝑝𝑝𝑝 ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Problema 7. El Rinconcito del Lleras es un ring reconocido ya que ahí pelea el gran
boxeador El Bote. Este lugar es especial ya que todos desean vencer a la estrella pero para
ingresar deben de pagar $2000. El Bote nunca pierde. Según estudios realizados
anteriormente los luchadores llegan a este lugar según una distribución Poisson con media
de diez luchadores/hora. Sin embargo no todos los luchadores resisten lo mismo; con base
en la experiencia se sabe que de los luchadores que llegan el 70% es débil y resiste sólo el
primer round, mientras el 30% restante es fuerte y resiste hasta un segundo round. Los
tiempos de duración del primero y segundo round se distribuyen de manera exponencial
con medias de 0.2 horas y 0.4 horas respectivamente. Dado que el lugar es tan pequeño no
hay espacio para que otros luchadores esperen, por lo cual cuando hay un luchador en pelea
a los otros que llegan les toca irse a otro lugar. Además los luchadores fuertes corren el
riesgo de morir en cualquier momento de la pelea, ya que El Bote los golpea más fuerte,

240
Luis Fernando Moreno Velásquez
según una distribución exponencial con una tasa de 0.8 luchadores/hora y El Bote debe
pagar una multa de $1500 por cada muerte.

a) El manager Caur le pide a usted que modele esta situación como un proceso de Markov
continuo definiendo claramente los estados, el diagrama de tasas y la solución de las
ecuaciones de balance. Además debe calcular la utilidad promedio diaria sabiendo que
El Bote pelea seis horas al día.
b) El manager Caur desea explotar más el talento de su estrella por lo cual logra redistribuir
el espacio del lugar, obteniendo un espacio adicional para que un luchador espere.
Cuando hay dos luchadores en el lugar el resto deberá irse a otro lugar. Él le informa
esta decisión a El Bote, quien acepta pero solo si el luchador que espera es débil.
Se le pide volver a modelar, teniendo en cuenta la información adicional, esta situación
como un proceso de Markov continuo definiendo los estados, el diagrama de tasas y
plantear las ecuaciones de balance sin resolverlas.
a) Estados:
0: hay cero luchadores en el sistema.
1: hay un luchador débil en el sistema y está en el primer round.
2: hay un luchador fuerte en el sistema y está en el primer round.
3: hay un luchador fuerte en el sistema y está en el segundo round.

µ1 = tasa de terminación del primer round = 5/hora(=1/0.2)


µ2 = tasa de terminación del segundo round = 2.5/hora(=1/0.4)
µm = tasa de muertes = 0.8/hora

Diagrama de tasas:

Ecuaciones de balance:
(0): 0.8P2+3.3P3+5P1=10P0 X redundante
(1): 7P0=5P1 P1= (7/5)P0 (A)
(2): 3P0=5.8P2 P2 = (3/5.8)P0 (B)
(3): 5P2=3.3P3P3 = (5/3.3)P2(5/3.3)(3/5.8)P0 = (15/19.14)P0 (C)
P0+P1+P2+P3=1 (D)

241
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Luego, A, B, C en D:
P0=0.2703; P1=0.37842; P2=0.13981; P3=0.211834

Así, la utilidad promedio seria:


[2000(λP0) – 1500(µMP2 + µMP3)]*6 = $29904.1632/día
Note que el cálculo de la utilidad se hizo utilizando una combinación entre los λ para
los ingresos y los µ para los egresos, pero esto se justifica porque todo el que entra
termina de alguna de las tres maneras (muerte, primer round o segundo round) y obtener
la expresión de los ingresos con base en los µ es más complicado, aunque lleva por
supuesto al mismo resultado numérico final.

b) Estados:
0: hay cero luchadores en el sistema.
1: hay un luchador débil en el sistema y está en el primer round.
2: hay un luchador fuerte en el sistema y está en el primer round.
3: hay un luchador fuerte en el sistema y está en el segundo round.

Se adicionan los siguientes estados:


4: hay dos luchadores débiles, uno en el primer round y otro en espera.
5: hay un luchador fuerte en el primer round y uno débil esperando.
6: hay un luchador fuerte en el segundo round y uno débil esperando.

Diagrama de tasas:

Ecuaciones de balance:
(0): 10P0=0.8P2+5P12+2.5P3
(1): 7P0+3.3P6+0.8P5+5P4=12P1
(2): 3P0=12.8P2
(3): 5P2=10.3P3

242
Luis Fernando Moreno Velásquez
(4): 7P1=5P4
(5): 7P2=5.8P5
(6): 7P3+5P5= 3.3 P6
P0+P1+P2+P3+P4+P5+P6=1

Problema 8. Lau Bejukina es una entidad financiera que inicia su atención todos los días
a las 9:00 a.m. y en este momento ingresa el primer cliente. Los tiempos entre llegadas son
exponenciales con media de veinte minutos y los de atención son exponenciales con media
de diez minutos.

a) Si hay tres clientes en el sistema siendo atendidos en tres cajas, ¿cuál es la probabilidad
de que por lo menos uno no termine su servicio antes de cinco minutos?
b) ¿Cuál es la probabilidad de que entre las 10:00 am. y las 11:18 am. lleguen tres o más
clientes?
c) Determine un intervalo de tiempo tal que la probabilidad de que lleguen tres clientes en
una hora sea igual a la probabilidad de que no se atienda ningún cliente en ese intervalo
de tiempo.
Para las dos preguntas siguientes la media del tiempo entre llegadas no es veinte
minutos.
d) Si esta entidad cuenta con un cajero automático con un tiempo de servicio constante e
igual a 10 minutos, ya que solo permite hacer una transacción, mientras que el de
llegadas sigue una distribución Poisson con media λ clientes/hora. ¿Cuál debe ser el
valor máximo de λ para que el tiempo en la cola, en el cajero automático, no sea mayor
a veinte minutos?
e) ¿Cuál debe ser la media del tiempo entre llegadas para que la probabilidad de que el
siguiente cliente se demore más de un hora en llegar sea igual a la probabilidad de que
se demore menos de una hora en llegar?
λ= 1/20=0.05 client/min; µ=1/10=0.1client/min

a) P: La probabilidad de que por lo menos uno no termine su servicio = 1 –


(probabilidad de que todos tres terminen su servicio).
P= 1 – (P(T<5 min))3 = 1 – (1 - P(T<5 min))3 = 1 – (1 - e-0.05*5)3 = 0.989177

b) Entre las 10:00 y las 11:18 transcurre un tiempo de 78 minutos


P78(n>=3)= 1 – P78(n<3) = 1 - P78(n=2) - P78(n=1) - P78(n=0)
= 1 – (e-0.05*78(0.05*78)2/2! )- (e-0.05*78(0.05*78)1/1! )-(e-0.05*78(0.05*78)0/0!)
= 0.746874899

c) LlegadaP60(n=3)= salidaPt(n=0)
(e-0.05*60(0.05*60)3/3!)=(e-0.1*t(0.1*t)0/0! ) (por logaritmos) t = 25.95 minutos.

243
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
d) De Lq =(λ2σ2+ρ2)/(2(1- ρ)) donde ρ = λ/μ. Como σ2=0 tenemos (ver fórmula en
el capítulo 12:
Lq =(ρ2)/(2(1- ρ)) = (( λ/μ)2)/(2(1- λ/μ)) donde μ=0.1 cliente/min
Así Lq=((λ/0.1)2)/(2(1- λ/0.1))
LuegoWq<=20’, y si Wq= Lq/λ, entonces:
((λ/0.1)2)/(2λ(1- λ/0.1)) <=20’ despejando λλ<= 0.08 cliente/min
Así λmax= 0.08 cliente/min = 48 clientes/hora

e) P(T<60) = P(T>60)

P(T<60)=1-P(T>60)  1-P(T>60) = P(T>60) = 1/2e-λ*60=1/2 λ=0.011552453


cliente/min

Problema 9. El centro Checho-Caur está especializado en el ajuste de motores de cruceros


de lujo y lanchas rápidas personalizadas. Después de arduas investigaciones, se supo que
la tasa de llegada de los cruceros de lujo sigue una distribución exponencial con una
duración media de 0.8 horas por crucero. Las lanchas rápidas personalizadas llegan según
una distribución Poisson con media de dos lanchas por hora; las lanchas son propiedad de
personas muy famosas, que no están acostumbradas a esperar a que las atiendan, por lo que
no hacen cola y prefieren ir a otro lugar si tienen que esperar. Las instalaciones del centro
Checho-Caur son limitadas puesto que solo tiene un puesto de reparación y un lugar
adicional para hacer cola (es un centro muy avanzado y sumamente exclusivo). Los
cruceros que llegan cuando los dos puestos están ocupados se van a otro lugar. El equipo
de ingenieros del centro puede reparar los cruceros de lujo según una distribución
exponencial, de modo que para reparar cinco cruceros requiere diez horas en promedio,
mientras que para reparar una lancha personalizada requiere una hora en promedio, también
exponencial.
a) El gerente del centro Checho-Caur lo contrata a usted como especialista en teoría de
colas, y le pide que modele este problema. Debe definir claramente los estados, el
diagrama de tasas y plantear las ecuaciones de balance.
b) Se le informa a usted que los ingresos por reparación son de $500 por crucero y de $350
por lancha rápida. El gerente le pregunta cuáles serían los ingresos promedio por día, si
se trabajan doce horas diarias. Plantear sin resolver.
λL (llegada lanchas) = 2/hora
λC (llegada cruceros) = 1.25/hora (=1/0.8)
µL (atención lanchas) = 1/hora
µC (atención cruceros)= 0.5/hora (=5/10)

a) Estados:
0: hay cero barcos en el sistema.
L: hay una lancha personalizada en el sistema.

244
Luis Fernando Moreno Velásquez
C: hay un crucero de lujo en el sistema.
CC: hay un crucero en cola y un crucero siendo atendido.
LC: hay un crucero en cola y una lancha siendo atendida.

Diagrama de tasas
1.25
1.25 C CC
0.5 0.5
0
2 1
L LC
1
1.25

Ecuaciones de balance

(0): PL+0.5PC=1.25P0+2P0
(C): 1.25P0+PLC +0.5PCC=1.25PC+0.5PC
(L): 2P0 =1.25PL+PL
(CC): 1.25PC=0.5PCC
(LC): 1.25PL=PLC
(Recurrente): P0+PC+PL+ PCC+PLC =1

b) La utilidad promedio sería


[500(λC*P0)+350(λL*P0)+500(λC*PC)+500(λC*PL) )]*12

Problema 10. El doctor Alzate es un endocrinólogo muy famoso que trata problemas de
infertilidad, el cual atiende consultas con una duración exponencial, cuyo promedio es de
15 minutos. De acuerdo con estudios realizados, llega en promedio una persona cada 50
minutos, según un proceso de Poisson. En vista de que los problemas de infertilidad son de
pareja se ha optado por la política de que sus clientes sigan viniendo con su pareja, para
atenderlos a los dos, aunque a cada uno lo evalúa por separado. Se supone que la duración
de la cita de cada uno de los miembros de la pareja también es exponencial con la misma
media de 15 minutos para cada uno. El doctor Alzate lo contrata a usted como el mejor
especialista que conoce, para que determine el incremento porcentual del tiempo total de
la pareja desde que llega hasta que termina de ser atendida, respecto al que se tenía cuando
iba solo uno de los miembros de la pareja.
Para una persona sola (sin la pareja): (Sistema M/M/1)
λ =1.2/hora (=60/50)
µ= 4/hora = (1/15)*60)
Lq= λ2/(µ*(µ-λ))= 1.22/(4(4-1.2))= 1.44/11.2=0.1286

Para la pareja: (Sistema M/D/1 Erlang con λ=1.2/hora, µ= 2/hora, K=2)


245
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Recuerde que un conjunto de dos unidades exponenciales es Erlang con K = 2.
Note también que el µ se cambia a 2/hora, porque en la fórmula de Erlang el λ y el
µ son los del conjunto.
1 1
σ= = ) = 1/(1.4142*2) =0.3536 ρ=λ/µ = 1.2/2 =0.6
√𝐾𝐾∗µ √2∗2

Lq = (λ2*σ2 + ρ2)/(2(1-ρ)) = (1,44*0.1250+0.36)/(2*0.4)=0.375parejas = 0.75 personas

Incremento = 0.75 – 0.1286 = 0.6214 personas

Incremento porcentual = 0.6214/0.1286 = 4.8320 (483.20%)

Problema 11. En un hangar se reparan motores de avionetas (de un solo motor) las cuales
llegan de forma exponencial, en promedio una cada ocho horas. El hangar tiene solo el
espacio para la avioneta cuyo motor está siendo reparado, por lo que las avionetas
adicionales que llegan tienen que ir a otro lugar ya que no hay espacio para hacer fila, pero
se mantiene siempre un motor de repuesto para acelerar el proceso de reparación. El hangar
tiene dos empleados: uno que trabaja exclusivamente reparando el motor de repuesto
cuando está malo, que lo hace de manera exponencial con una duración promedio de cuatro
horas y el otro que trabaja exclusivamente reparando los motores en la avioneta, bien sea
que el de repuesto esté bueno o malo. Este último trabaja de la siguiente manera: si el motor
de repuesto está bueno simplemente se cambia el malo de la avioneta por el bueno de
repuesto, proceso que es exponencial con una duración media de dos horas y se retira el
malo de la avioneta que pasa a ser el nuevo motor de repuesto cuando se termina el cambio.
Pero si el motor de repuesto está malo cuando llega la avioneta, entonces se debe reparar
el de la avioneta en su sitio, proceso más complejo que es exponencial y cuya duración
media es de seis horas; por supuesto, mientras se repara el de la avioneta, el otro empleado
continúa reparando el de repuesto.

a) Plantee el problema como un proceso de Markov de tiempo continuo, defina bien los
estados y resuelva las ecuaciones de balance.

b) ¿Qué porcentaje del tiempo trabaja cada uno de los dos empleados?

a) Solución: estados (número de avionetas en el hangar, estado del motor de


repuesto)

Cuatro estados:

(0, M) (0, B) (1, M)(1, B)


λ: tasa de llegada de avionetas =(1/8)/hora
µR: tasa a la cual repara motores de repuesto el empleado que lo hace (1/4)/hora

246
Luis Fernando Moreno Velásquez
µB: tasa a la cual cambia motores el empleado que lo hace cuando el repuesto está bueno
(1/2)/hora
µM: tasa a la cual repara motores en la avioneta el empleado que lo hace cuando el repuesto
está malo (1/6)/hora

0, M λ 1, M
µM

µR µB µR

0, B λ 1, B

Ecuaciones de balance: (ver el gráfico)

(0, M): 3/8*P0M = 1/6*P1M + 1/2*P1B (1)


(0, B): 1/8*P0B = 1/4*P0M (2) P0B = 2*P0M
(1, M): 5/12*P1M = 1/8*P0M (3) P1M = (3/10)*P0M
(1, B): 1/2*P1B = 1/8*P0B + 1/4*P1M (4) P1B = (2/4)*P1M + (1/4)*P0B = (3/20)*P0M
+ (1/2)*P0M = (13/20)*P0M
P0M + P0B + P1M + P1B = 1
P0M (1 + 2+ 3/10 + 13/20) = 1 P0M =20/79= 0.2532
P0M = 0.2532
P0B = 2*P0M = 0.5063
P1M = (3/10)*P0M = 0.0759
P1B = (13/20)*P0M = 0.1646

b) Porcentaje de tiempo del que repara el repuesto: P0M + P1M (estos son los
dos estados durante los cuales trabaja) = 0.2532 + 0.0759 = 0.3291

Porcentaje de tiempo del que repara el motor de la avioneta: P1B + P1M (estos son los dos
estados durante los cuales trabaja) = 0.1646 + 0.0759 = 0.2419

Problema 12. Se encuentra usted en el séptimo día de la segunda guerra mundial


apoyando a su honorable ejército de los Estados Unidos de Norteamérica cuando se le
asigna la administración del taller de tanques de guerra El Taller del Tío Sam, en dicho

247
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
taller se cuenta con tres máquinas para la fabricación de armas de guerra. Su uso constante
hace que estas fallen según una distribución Poisson con media de una vez cada dos días
cada máquina. Cuando una de estas máquinas falla, es enviada a un taller de reparaciones
que tiene la empresa.
En dicho taller solo trabaja un técnico encargado de la reparación de las máquinas y del
manejo del inventario de repuestos necesarios para arreglarlas. La manera como el técnico
tiene programado su trabajo es la siguiente: mientras haya menos de dos máquinas
esperando para ser reparadas, él se dedica a labores asociadas con el inventario de
repuestos. Cuando hay exactamente dos máquinas en espera, él empieza a repararlas de
forma individual hasta que no quede ninguna esperando; una vez que ha terminado de
reparar todas las máquinas que estaban malas vuelve a ocuparse de sus labores relacionadas
con los repuestos hasta que nuevamente se acumulen exactamente dos máquinas
descompuestas. El tiempo que le toma al técnico reparar una máquina es exponencial con
una media de 0.5 días. Una vez reparada, la máquina vuelve a funcionar inmediatamente.
Note que cuando hay dos o tres máquinas malas el técnico siempre está reparándolas y no
atiende el inventario.
a) Formule el modelo como un problema de Markov de tiempo continuo, definiendo
claramente los estados y el diagrama de tasas. Plantee las ecuaciones de balance (no las
resuelva).
b) Si cada máquina produce 100 armas por hora cuando está funcionando, ¿cuántas armas
se producen en una jornada de ocho horas?
c) ¿Cuál es el tiempo promedio de espera en la fila de una máquina cuándo se daña?

a) Estados: (número de máquinas en el taller, trabajo del mecánico)


Número de Máquinas en el taller = {0, 1, 2, 3};
Trabajo del mecánico = {0, 1} 0 = labores de inventario, 1 = reparando
máquinas
Tasa de llegada máquinas: λ = 0,5 máquinas/día
Tasa de reparación: μ = 2 máquinas/día

3λ 2λ λ

0 (1, 0) (2, 1) (3, 1)

µ 2λ µ µ

(1, 1)

248
Luis Fernando Moreno Velásquez
Ecuaciones de balance:
(0): 3*0.5*P00 = 2*P11;
(1, 0): 3*0.5*P0 = 2*0.5*P10;
(2, 1): 2*0.5*P10 + 2*0.5*P11 + 2*P31 = 0.5*P21 + 2*P21;
(1, 1): 2*P21 = 2*P11 + 2*0.5*P11;
(3, 1): 0.5*P21 = 2*P31;
P0 + P10 + P11 + P21 + P31 = 1;

Resolviendo el sistema de ecuaciones se tiene:


P0 0.2147651
P11 0.1610738
P10 0.3221477
P31 0.0604027
P21 0.2416107

b) Las máquinas producen cada una 100 armas por hora cuando están
funcionando, por tanto se debe mirar en los estados en los que se encuentran
buenas las máquinas, cuantas máquinas hay buenas, la producción de 8 horas
y la probabilidad del estado.

Máquinas Producción Producción


Estado Probabilidad Producción media
buenas (hora) (8 h)
0 3 300 2400 0.2147651 515.43624
10 2 200 1600 0.3221477 515.43632
11 2 200 1600 0.1610738 257.71808
21 1 100 800 0.2416107 193.28856
31 0 0 0 0.0604027 0
Total 1481.8792

Producción=(300armas/hora*P0 + 200armas/hora *(P10 + P11)


+100armas/hora*P21)*8horas/día = 1481.8792 armas/hora = armas por día.

c) Para hallar el tiempo promedio que permanece una máquina en fila, calculamos
primero el número promedio de máquinas que se encuentran en fila esperando
reparación.

249
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Estado Máquinas en Fila Probabilidad Máquinas promedio en fila
0 0 0.2147651 0
10 1 0.3221477 0.3221477
11 0 0.1610738 0
21 1 0.2416107 0.2416107
31 2 0.0604027 0.12080536
Lq 0.68456376

En promedio habrá 0.68456376 máquinas que esperan ser atendidas en el taller, para hallar
el tiempo promedio que pasan esperando se debe hallar λ promedio:

Estado λ Probabilidad λ*Pn


0 1.5 0.2147651 0.3221477
10 1 0.3221477 0.3221477
11 1 0.1610738 0.1610738
21 0,5 0.2416107 0.12080535
31 0 0.0604027 0
λ Promedio 0,9261745

d) Wq = Lq / λ promedio
Wq = 0.68456376/0.9261745
Wq = 0,739130434 horas promedio en espera de reparación por máquina

Problema 13. La Windor-Glass Company es una empresa que se dedica a la fabricación


de puertas y ventanas; para ello cuenta con cuatro máquinas, entre ellas tres máquinas
indestructibles (no se dañan nunca) y una que puede dañarse según una distribución
exponencial con media de 0.5 semanas. El taller de la empresa cuenta con dos mecánicos,
el señor L. Ferdinand Brown y Patrick Pérez Sosa, pero solo uno de ellos trabaja al tiempo.
Cuando llega al taller la máquina que puede dañarse, el 70% de las veces la repara el señor
Brown y el 30% la repara Pérez Sosa. El señor Brown es el mecánico estrella de la
compañía y por experiencia se sabe que es capaz de reparar según una distribución Poisson
2.5 máquinas por semana en promedio, mientras que Pérez Sosa es un poco más relajado y
arregla según una distribución Poisson de dos máquinas por semana en promedio. Pero esto
no es todo, existe una probabilidad del 20% de que Brown deje mal reparada la máquina y
sea necesario comenzar una segunda reparación en la cual siempre termina la reparación
con éxito, ya que tiene mayor conocimiento del daño, mientras Pérez tiene una probabilidad
del 40% de tener que repararla por segunda vez, siempre finalizando con éxito esta segunda
reparación. El que realiza la segunda reparación es siempre el mismo mecánico que realizó
la primera y lo hace a la misma tasa.

250
Luis Fernando Moreno Velásquez
a) El gerente Fulano Hillier, le pide formular el modelo como un problema de líneas de
espera, definiendo los estados y el diagrama de tasas. Plantee y resuelva las ecuaciones
de balance.
b) Se quiere saber el número promedio de máquinas por semana reparadas por Pérez Sosa
que salen del taller a la empresa a trabajar, y la fracción promedio de tiempo que trabaja
Pérez Sosa.
a) Estados: (Mecánico trabajando en la máquina, Vez de reparación)
Mecánico trabajando = {B, P, N}; B: Brown P: Pérez Sosa N:
Ninguno
Vez de reparación = {1,2}; 1: primera vez 2: segunda vez
Tasa de llegada máquinas: λ = 2 máquinas/semana (=1/0.5)
Tasa de reparación Brown: μB = 2.5 máquinas/semana
Tasa de reparación Pérez Sosa: μP = 2 máquinas/semana

0.7λ 0.3λ

(B,1) N (P,1)

0.2µB 0.8µB 0.6µP 0.4µP

µB µP
(B, 2) (P, 2)

Ecuaciones de Balance:

PN: 2*PN = 0.8*2.5*PB1 + 2.5*PB2 + 0.6*2*PP1 + 2*PP2;


PB1: 0.7*2*PN = 2.5*PB1;
PB2: 0.2*2.5*PB1 = 2.5*PB2;
PP1: 0.3*2*PN = 2*PP1;
PP2: 0.4*2*PP1 = 2*PP2;
PN + PB1 + PB2 + PP1 + PP2 = 1;

Resolviendo el sistema de Ecuaciones se tiene:

PN 0.4780115
PB1 0.2676864
PB2 0.0535373
251
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
PP1 0.1434034
PP2 0.0573614

b) Número promedio de máquinas reparadas por Pérez Sosa por semana:


0.6* μP*PP1 + μP*PP2 = 0.6*2*0.1434 + 2*0.05736 = 0.2868 máquinas por
semana
El porcentaje promedio de tiempo que trabaja Pérez- Sosa es:
PP1 + PP2 = 0.1434 + 0.057 = 0,2004; Pérez Sosa trabaja aproximadamente el
20% del tiempo.
Problema 14. El Espumoso es un nuevo centro automatizado que cuenta con una máquina
para el baño de mascotas y se encuentra ubicado en un exclusivo sector de la ciudad.
Mediante un estudio de mercado, el gerente de El Espumoso se dio cuenta de que a los
dueños de las mascotas les daba mucha pereza bañarlas por su propia cuenta y estarían
dispuestos a pagar por el servicio. Además, el estudio de mercado le permitió conocer que
en la zona habitaban exactamente 16 familias con mascota y que en promedio según una
distribución exponencial, cada familia llevaría su mascota para el servicio de baño una vez
cada dos días.
La máquina de baño de mascotas cuenta con espacio para atender solo una mascota y en el
local hay espacio solo para una mascota adicional, con el fin de evitar que peleen, la cual
puede esperar. Las mascotas que llegan cuando no hay espacio para esperar se pierden para
El Espumoso. La máquina es capaz de realizar el servicio de baño según una distribución
Poisson con una media de cinco mascotas por día; sin embargo, para mejorar el servicio el
gerente decidió que cuando haya mascotas en fila, la velocidad de la máquina se debe
duplicar, atendiendo diez mascotas por día.

a) Represente mediante un diagrama de tasas el problema. Defina claramente los estados


y encuentre las probabilidades de estado estable.
b) Se sabe que por cada mascota que se baña el centro recibe $5000. También se sabe que
el costo de la energía eléctrica se duplica cuando la máquina trabaja al doble de
velocidad. El costo diario de la energía que consume la máquina, cuando está
funcionando en velocidad regular, es de $6000. En términos de costos, qué
recomendaría usted de acuerdo con sus conocimientos de teoría de colas, trabajar con
la política que definió el gerente o trabajar siempre a velocidad regular.
a) Este es un problema de políticas, ya que se consideran dos casos
independientes:
Política 1: sin duplicar la velocidad de la máquina.
Política 2: duplicando la velocidad de la máquina cuando hay mascotas en fila.

252
Luis Fernando Moreno Velásquez
Note que este es el caso de población finita (solo hay 16 mascotas), que es el caso más
utilizado para los problemas de reparación de máquinas, donde el λ siempre hace referencia
a la llegada de cada individuo y no del total de la población.
Por tanto los datos del problema son:

λ = 0.5veces/día (cada mascota)

µ = 5 veces/día

En ambas políticas el costo de energía solo se da cuando la máquina trabaja, o sea cuando
hay mascotas (1 o 2).

Estados: número de mascotas en el sistema

Política 1:

16λ 15λ

0 1 2
µ µ

Ecuaciones de balance:

(Estado 0) 8P0 = 5P1

(Estado 2) 7.5P1 = 5P2

P0 + P1 + P2 =1

Al resolver el sistema nos da:

P0 = 0.20
P1 = 0.32
P2 = 0.48
$ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 $
Ingresos: 5.000 [𝜇𝜇 ∗ 𝑃𝑃2 + 𝜇𝜇 ∗ 𝑃𝑃1 ] − 6.000 (𝑃𝑃2 + 𝑃𝑃1 )
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎

𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 $ $ $
= 5000[5 ∗ 0.48 + 5 ∗ 0.32] −6.000 *0.8 = 20.000 - 4800 =
𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎
$
15200
𝑑𝑑í𝑎𝑎

253
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Política 2:
16λ 15λ

0 1 2
µ 2µ
Ecuaciones de balance:

(Estado 0) 8P0 = 5P1

(Estado 2) 7.5P1 = 10P2

P0 + P1 + P2 =1

Al resolver el sistema nos da:

P0 = 0.263

P1 = 0.421

P2 = 0.316
$ 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 $
a) Ingresos: 5.000 [𝜇𝜇 ∗ 𝑃𝑃2 + 𝜇𝜇 ∗ 𝑃𝑃1 ] − 6.000 *P1
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎
$
−12.000 *P2
𝑑𝑑í𝑎𝑎

𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 $ $
= 5000[5 ∗ 0.316 + 5 ∗ 0.421] −6.000 *0.421 −12.000 *0.316
𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎
$ $ $ $
= 18425 − 2526 − 3792 = 12.107
𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎

En conclusión es mejor trabajar siempre a velocidad regular que duplicar la velocidad


(política sugerida por el gerente) ya que los ingresos netos (utilidades) son mayores.

Problema 15. Una empresa cuenta con dos máquinas idénticas. Se cuenta con un sistema
de mantenimiento para realizar las operaciones requeridas de reparación cuando una
máquina falla. El tiempo necesario para cada operación tiene distribución exponencial con
una media de 30 minutos. Con probabilidad de 1/3 esta operación debe realizarse una
segunda vez (con la misma distribución del tiempo) para dejar la máquina en un estado
operativo satisfactorio. El sistema de mantenimiento tiene dos mecánicos, cada uno de los
cuales puede atender cualquiera de las dos máquinas y realiza todas las operaciones (una o
dos según el caso) requeridas por esa máquina sobre la base de primero en entrar, primero
en salir. Después de reparadas el tiempo hasta que cada máquina vuelve a fallar tiene
distribución exponencial con media de tres horas.

254
Luis Fernando Moreno Velásquez
a) Construya el diagrama de tasas con los estados posibles y plantee y resuelva las
ecuaciones de balance. Utilice la propiedad 6 respecto a desagregar la distribución
exponencial.
b) Si cada máquina produce 1000 artículos por hora cuántos artículos produce la empresa?
c) Si cada mecánico gana $100/hora pero sólo cuando está trabajando, cuál es el salario
promedio de cada mecánico?
a) Estados: vector de tres componentes

Número de máquinas malas, vez que se repara una máquina, vez se repara la otra máquina
(recuerde que hay dos mecánicos que pueden estar reparando cada uno una máquina).

2/3 1/3

0, 0, 0 1, 1, 0 2, 1, 1

4/3 8/3
4/3
2 2/3
1/3
1, 2, 0 2, 1, 2

4/3

4 2/3

2, 2, 2

Planteamiento de las ecuaciones de balance:

(0, 0, 0): (4/3)*P110 + 2*P120 = (2/3)*P110

(1, 1, 0): (2/3)*P1 + (8/3)*P2 = (5/3)*P1

(2, 1, 1): (1/3)*P2 = 4*P3

(1, 2, 0): 4*P222 + (4/3)*P212 = P4

255
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(2, 2, 2): 4*P222 = (2/3)*P212

P000 + P110 + P211 + P120 + P212 + P222 = 1

La solución de este sistema es:

P000 = 0.670

P110 = 0.223

P211 = 0.019

P120 = 0.074

P212 = 0.012

P222 = 0.002

b) Producción de la empresa= 1000*(número promedio de máquinas buenas)

Número promedio de máquinas malas = 𝑳𝑳 = ∑ 𝒏𝒏 ∗ 𝑷𝑷𝒏𝒏 = 1*(P110+P120) +


2*(P211+P212+P222) =

= 1*(0.223 + 0.074) + 2*(0.019 + 0.012 + 0.002) = 0.363

Número promedio de máquinas buenas = 2 – número promedio de máquinas malas = 2 –


0.363 = 1.637

Luego: Producción de la empresa = 1000 artículos/hora*1.637 = 1637 artículos/hora

c) Salario promedio de cada mecánico = 100$/hora*(porcentaje de tiempo que


trabaja cada mecánico) =

100$/hora*(1-P000) = 100$/hora*(1-0.670) = 33$/hora

Problema 16. Un lavadero de carros tiene espacio para atender un vehículo y para otros
dos que esperan. Los carros que llegan cuando el lavadero está lleno continúan hacia otro
lavadero cercano y se pierden como clientes.

Los carros llegan según una distribución de Poisson a una tasa promedio de tres por hora.
El proceso de lavado es exponencial y dura en promedio 30 minutos, pero cuando se forma
fila el dueño agrega un ayudante que agiliza el lavado, de modo que el tiempo promedio es
de 25 minutos.

a) Si el costo de una lavada es de $5000, ¿cuáles son los ingresos diarios del lavadero, si
se supone que está abierto doce horas al día?

256
Luis Fernando Moreno Velásquez
b) Si en lugar del ayudante se construye otra unidad de lavado de la misma capacidad en
uno de los sitios de espera, ¿cuáles serían los ingresos diarios del lavadero?

Estados: número de carros en el sistema.

a)

λ = 3/hora

µ (sin fila)= 2/hora = (60/30)

µ (con fila)= 2.4/hora = (60/25)

3 3 3
0
0 1 2 3
00 00 00
2 2.4 2.4

Ecuaciones de balance

(Estado 0): 2P1 = 3P0


(Estado 1) 2.4P2 + 3P0 = 5P1
(Estado 2) 3P1 + 2.4 P3 = 5.4P2 (se descarta como redundante)
(Estado 3) 3P2 = 2.4P3

P0 + P1 + P2 + P3 = 1

P1 = 1.5P0
P2 = (5P1 - 3P0 )/2.4 = 1.875P0
P3 = (3/2.4)P2 = 2.34375P0
P0(1 + 1.5 + 1.875 + 2.34375) = 1 implica P0 = 0.148838
Solución:

P0 = 0.149
P1 = 0.224
P2 = 0.279
P3 = 0.349

λ promedio = 3 carros/hora*0.149 + 3 carros/hora*0.229 + 3 carros /hora*0.279 =


3 carross/hora*0.657= 1.971 carros/hora

257
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ingresos promedio = 1.971 carros/hora*5000 $/carro*12 horas/día = 118260 $/día

b)

λ = 3 carros/hora
µ = 2 carros/hora

Note que el máximo número de vehículos sigue siendo tres porque se remplazó un espacio
para hacer fila por un espacio de atención

3 3 3
0 00
0 1 2 3
0 00
2 4 4

λ= 3 carros/hora
µ = 2 carros/hora

Ecuaciones de balance

(Estado 0 2P1 = 3P0


(Estado 1 4P2 + 3P0 = 5P1
(Estado 2 3P1 + 4 P3 = 7P2 (se descarta como redundante)
(Estado 3 3P2 = 4P3

P0 + P1 + P2 + P3 = 1

P1 = 1.5P0

P2 = (5P1 - 3P0 )/4 = 1.125P0

P3 = (3/4)P2 = 0.84375P0

P0(1 + 1.5 + 1.125 + 0.84375) = 1 implica P0 = 0.22378

Solución:

P0 = 0.224

P1 = 0.336

258
Luis Fernando Moreno Velásquez
P2 = 0.253

P3 = 0.189

λpromedio = 3 carros/hora*0.224+ 3 carros/hora *0.336 + 3 carros/hora *0.253 =

3 carros/hora*0.813 carros/hora = 2.439 carros/hora

Ingresos promedio = 2.439carros/hora*5000 $/carros*12 horas/día = 146340 $/día

Problema 17. En un servicio donde hay una máquina de fotografías para documentos se
puede asumir que el tiempo de toma de la foto es constante con una duración de cuatro
minutos. ¿Cuál sería la máxima cantidad de clientes por hora permitida si se desea que el
tiempo total de permanencia de un cliente durante el proceso de la foto (incluyendo el de
hacer la fila) no exceda los 30 minutos?

Este problema es un caso de distribución no exponencial (capítulo 12), por lo que se puede
aplicar la fórmula de Lq de Pollaczek-Khintchine (con σ = 0) por ser constante el tiempo
de atención

Lq = (λ/µ)2/(2*(1-λ/µ) = λ2/(2*µ*(µ-λ))

Wq = Lq /λ = λ/(2µ(µ-λ))

W = Wq + 1/µ = λ/(2µ(µ-λ)) + 1/µ ;

Wq= W – 1/µ = λ/(2µ(µ-λ)), es decir

W – 1/µ = λ/(2µ(µ-λ)

Multiplicando por 2µ(µ-λ) a ambos lados se tiene:

2µ(µ-λ)W - 2(µ-λ) =λ, es decir:

2µ2W - 2µλW -2µ+2λ = λ, es decir:

2µ2W - 2µ = λ(1 + 2µW)

Despejando λ obtenemos:

λ = (2µ2W - 2µ)/(1 + 2µW)

Remplazando µ = 15, W= 0.5 obtenemos:

λ = (2*225*0.5 – 2*15)/(1+2*15*0.5 = 195/16 = 12.19 horas

Por tanto para que W sea menor que 30 minutos deben llegar menos de 12.19 clientes/hora

259
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problema 18. El Centro comercial Fix-Printer, es un centro lleno de locales de reparación
y cambio de cartuchos para impresoras. Don César tiene un local allí y atiende a personas
que llegan porque se les agotó la tinta de sus cartuchos. Los clientes llegan según un
proceso exponencial de media 1 hora. Don César mantiene un cartucho de repuesto por si
el cliente decide dejar el suyo en el almacén y cambiar el de su impresora por el de
repuesto, siempre y cuando el de repuesto esté lleno. Se tiene que de los clientes que llegan,
el 70% quiere cambiar el cartucho por el del almacén, siempre y cuando don César lo tenga
lleno, de otra manera se tiene que llenar el cartucho del cliente, proceso que es exponencial
con media 30 minutos. Cuando los clientes deciden cambiar el cartucho y don César tiene
el de repuesto lleno, entonces se cambia con una media exponencial de cinco minutos. Por
otro lado, el 30% de los clientes que llegan no aceptan cambio de cartucho sino que exige
la recarga del que ellos llevan al almacén. Debido a que en el centro comercial hay tantos
almacenes similares, las personas nunca esperan en el almacén cuando alguien está siendo
atendido, sino que inmediatamente se van para otro almacén. Cuando don César queda con
el cartucho de repuesto vacío, procede a recargarlo siempre y cuando no llegue un nuevo
cliente, ya que si llega un cliente, él detiene su proceso de recarga y pasa a atender al
cliente que llega. La recarga del cartucho de repuesto que mantiene don César es un
proceso exponencial con media de 20 minutos.
a) Defina los estados y plantee el problema como un proceso de Markov de tiempo
continuo. Plantee y resuelva las ecuaciones de balance.
b) Exprese qué porcentaje del tiempo está don Cesar recargando cartuchos (tanto de él
como de los clientes).
c) Si cada cartucho que recarga don César a un cliente le deja una utilidad de $100 y cada
cartucho que cambia a un cliente una utilidad de $200, ¿cuál es la utilidad total que
obtiene don César?
a)

X_t:[Cliente que llega (cambio (C) o recarga (RE)), estado cartucho repuesto (lleno (LL)
o vacío (VA))]

λ: tasa de llegada de clientes = 1/hora


µCC: tasa de cambio de cartuchos cuando hay repuesto = 12/hora (=60/5)
µRE: tasa de recarga de cartuchos del cliente =2/hora (=60/30)
µRRP: tasa de recarga de cartuchos de repuesto cuando no hay clientes = 3/hora (=60/20)

260
Luis Fernando Moreno Velásquez
(µCC)
(C, LL) (0, VA)

0.7λ µRRP µRE


0.7λ

(0, LL)
(C, VA)
µRE

0.3λ µRE
0.3λ
(RE, LL)
(RE, VA)

Ecuaciones de balance:

(0, LL):  3𝑃𝑃0,𝑉𝑉𝑉𝑉 + 2𝑃𝑃𝑅𝑅𝑅𝑅,𝐿𝐿𝐿𝐿 = 0,7𝑃𝑃0,𝐿𝐿𝐿𝐿 + 0,3𝑃𝑃0,𝐿𝐿𝐿𝐿


(C, LL):  0,7𝑃𝑃0,𝐿𝐿𝐿𝐿 = 12𝑃𝑃𝐶𝐶,𝐿𝐿𝐿𝐿
(RE, LL):  0,3𝑃𝑃0,𝐿𝐿𝐿𝐿 = 2𝑃𝑃𝑅𝑅𝑅𝑅,𝐿𝐿𝐿𝐿
(0, VA):  𝟐𝟐𝑃𝑃𝑅𝑅𝑅𝑅 ,𝑉𝑉𝑉𝑉 + 2𝑃𝑃𝐶𝐶 ,𝑉𝑉𝑉𝑉 + 12𝑃𝑃𝐶𝐶,𝐿𝐿𝐿𝐿 = 0,7𝑃𝑃0,𝑉𝑉𝑉𝑉 + 0,3𝑃𝑃0,𝑉𝑉𝑉𝑉
(RE, VA):  0,3𝑃𝑃0,𝑉𝑉𝑉𝑉 = 2𝑃𝑃𝑅𝑅𝑅𝑅,𝑉𝑉𝑉𝑉
(C, VA):  0,7𝑃𝑃0,𝑉𝑉𝑉𝑉 =2𝑃𝑃𝐶𝐶,𝑉𝑉𝑉𝑉
P0, LL + PC, LL + PRE, LL + P0, VA + PRE, VA + PC, VA = 1

Al resolver este sistema de ecuaciones se obtiene:

P0, LL = 0.642
PC, LL = 0.037
PRE, LL = 0.096
P0, VA = 0.150
PRE, VA =0.023
PC, VA = 0.052
b) Porcentaje del tiempo de don César recargando cartuchos es cuando recarga los
de los clientes y los de repuesto:

𝑃𝑃𝑅𝑅𝑅𝑅, 𝐿𝐿𝐿𝐿 + 𝑃𝑃𝑅𝑅𝑅𝑅 , 𝑉𝑉𝑉𝑉 + 𝑃𝑃0, 𝑉𝑉𝑉𝑉 + 𝑃𝑃𝐶𝐶, 𝑉𝑉𝑉𝑉 = 0.096 + 0.023 + 0.150 + 0.052 = 32.1%

261
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
c) Utilidad obtenida
100$ �2 ∗ 𝑃𝑃𝑅𝑅𝑅𝑅,𝐿𝐿𝐿𝐿 + 2 ∗ 𝑃𝑃𝑅𝑅𝑅𝑅 ,𝑉𝑉𝑉𝑉 + 2 ∗ 𝑃𝑃𝐶𝐶 ,𝑉𝑉𝑉𝑉 �𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
∗ +
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜
200$/𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ∗ [12 ∗ 𝑃𝑃𝐶𝐶, 𝐿𝐿𝐿𝐿 ]cambios/hora =
100[2*0.096+2*0.023+2*0.052]$/hora +
0.037$
200 ∗ 12 ∗ = 123$/hora
ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Problema 19. Acacio, un profesor de Lengua Materna, ha recibido un ultimátum de su


director por quejas de los estudiantes sobre la dificultad para ser atendidos en los horarios
de asesoría. Acacio tiene un grupo de veinte alumnos y en promedio cada estudiante acude
donde Acacio, durante sus horas de asesoría, una vez cada cuatro horas según un proceso
Poisson. Se sabe que existe una probabilidad n/2 (para 0≤n≤2) de que los estudiantes
decidan no hacer fila e irse, donde n es el número de estudiantes que hay en fila donde
Acacio. Acacio sólo atiende un estudiante a la vez y en promedio una asesoría toma diez
minutos según una distribución exponencial (trabajar con 4 decimales).
a) Acacio lo contrata a usted como especialista en teoría de colas para que plantee el
problema y encuentre las probabilidades de estado estacionario resolviendo las
ecuaciones de balance.
b) Se sabe que si en promedio Acacio atendiera diez estudiantes por día, estos no irían a
quejarse y el profesor conservaría su puesto. ¿Cuántas horas diarias debe dedicar a la
asesoría para que esto suceda?
c) Calcule el tiempo promedio, que los estudiantes deben hacer fila.

a)

λ = 0.25/hora (=1/4)

µ = 6/hora (=60/10)

20λ 19λ 0.5*18λ

0 1 2 3
0
00 µ µ 00 µ 00

Estados:

Xt = {Número de estudiantes en el sistema}

𝜇𝜇𝑃𝑃1 = 20𝜆𝜆𝑃𝑃0

20𝜆𝜆𝑃𝑃0 + 𝜇𝜇𝑃𝑃2 = (19𝜆𝜆 + 𝜇𝜇)𝑃𝑃1

262
Luis Fernando Moreno Velásquez
19𝜆𝜆𝑃𝑃1 + 𝜇𝜇𝑃𝑃3 = (9𝜆𝜆 + 𝜇𝜇)𝑃𝑃2

9𝜆𝜆𝑃𝑃2 = µ𝑃𝑃3

𝑃𝑃0 + 𝑃𝑃1 + 𝑃𝑃2 + 𝑃𝑃3 = 1

Se elimina una ecuación y al despejar se obtiene la solución:

𝑃𝑃0 = 0,3649

𝑃𝑃1 = 0,3040

𝑃𝑃2 = 0,2407

𝑃𝑃3 = 0,0902

b) µ estudiantes/hora*(𝑃𝑃1 + 𝑃𝑃2 + 𝑃𝑃3 )*x horas/día >= 10 estudiantes/día

𝜇𝜇 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒/ℎ𝑜𝑜𝑜𝑜𝑜𝑜 ∗ ( 𝑃𝑃3 + 𝑃𝑃2 + 𝑃𝑃1 ) ∗ 𝑥𝑥 ≥ 10 estudiantes/día

𝑥𝑥 ≥ 10/(6*0.635)

𝑥𝑥 ≥ 2.62 horas/día

Acacio debe dedicar más de 2.62 horas/día para que no se quejen

c) 𝐿𝐿𝑞𝑞 = ∑(𝑛𝑛 − 𝑠𝑠)𝑃𝑃𝑛𝑛 = 1 ∗ 𝑃𝑃2 + 2 ∗ 𝑃𝑃3 = 0,4211

𝜆𝜆̅ = 20𝜆𝜆 ∗ 𝑃𝑃0 + 19𝜆𝜆 ∗ 𝑃𝑃1 + 9𝜆𝜆 ∗ 𝑃𝑃2 + 0 ∗ 𝑃𝑃3 = 3.81 estudiantes/hora
𝐿𝐿𝑞𝑞 0.4211
𝑊𝑊𝑞𝑞 = � =
𝜆𝜆 3.81

𝑊𝑊𝑞𝑞 = 0,1105 horas = 6.6 minutos (Tiempo promedio en fila de los estudiantes)

Problema 20. Una empresa de reparación de electrónica sirve a la mayoría de los


minoristas de electrodomésticos de la región. Recibe aparatos para arreglar según una
distribución de Poisson de media 10 a la hora. Todos los aparatos, nada más llegan, son
inspeccionados por un especialista que determina en forma inmediata a qué sección debe
ir dependiendo del tipo de reparación: si es básica o si la debe ver el especialista. El 60%
de los electrodomésticos requieren reparación básica, en tanto que los demás requieren del
especialista. Existen solo dos servidores, que atienden de forma exclusiva sus respectivos
electrodomésticos: uno que realiza las reparaciones básicas y uno las que requieren
especialista. Como el espacio de reparación es muy pequeño, solo se puede atender un
electrodoméstico por cada servidor. Los demás se pierden para la empresa ya que no hay
espacio para que los electrodomésticos hagan fila. La atención del servidor de reparaciones

263
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
básicas es exponencial a una tasa promedio de una reparación cada 7.5 minutos, en tanto
que el especialista atiende también en forma exponencial a un promedio de un aparato cada
12 minutos.

a) Realice el diagrama de estados, plantee y resuelva las ecuaciones de balance.


b) Si el salario de los servidores es de $10.000 por hora más una prima de $500 por cada
aparato reparado, para el de reparaciones básicas, y de $700 por aparato reparado para
el especialista, ¿cuánto gana cada uno de ellos en un día de ocho horas?
c) Si la utilidad que deja cada electrodoméstico de reparaciones básicas es de $50.000 y la
de cada electrodoméstico del especialista es de $70.000, ¿cuánto está dejando de
percibir la empresa en un día de ocho horas por no tener espacio para hacer fila?
λ= 10/hora (tasa de llegada de electrodomésticos)
µB=8/hora (tasa de reparación del servidor que atiende reparación básica)
µE=5/hora (tasa de reparación del servidor que atiende electrodomésticos de especialista)
a) Estados:

Xt={máquina en reparación básica, máquina en reparación especialista}

(1,0)

0.6λ 0.4λ

µB µE

(0,0) (1,1)

µE µB

0.4λ 0.6λ
(0,1)

Ecuaciones de balance:

(0,0) µ𝐸𝐸 𝑃𝑃01 + µ𝐵𝐵 𝑃𝑃10 = 𝜆𝜆𝑃𝑃00

(1,0) 0,6𝜆𝜆𝑃𝑃00 + µ𝐸𝐸 𝑃𝑃11 = (0,4𝜆𝜆+µ𝐵𝐵 )𝑃𝑃10

(1,1) 0,4𝜆𝜆𝑃𝑃10 + 0,6𝜆𝜆𝑃𝑃01 = (µ𝐸𝐸 +µ𝐵𝐵 )𝑃𝑃11

264
Luis Fernando Moreno Velásquez
(0,1) 0,4𝜆𝜆𝑃𝑃00 + µ𝐵𝐵 𝑃𝑃11 = (0,6𝜆𝜆 + µ𝐸𝐸 )𝑃𝑃01

𝑃𝑃00 + 𝑃𝑃01 + 𝑃𝑃10 + 𝑃𝑃11 = 1

que al resolverla con los valores de λ, µB, µE nos da la siguiente solución:

𝑃𝑃00 = 0,31746 𝑃𝑃01 = 0,253968 𝑃𝑃10 = 0,238095 𝑃𝑃11 = 0,190476

b) Salario reparaciones básicas = 80000$/día + (𝑃𝑃10 + 𝑃𝑃11 ) * µB*500$/cliente =


80000$/día +
(0.2380+0.1904)*8cliente/hora*500$/cliente*8hora/día=(80000+13708.80)$/día
= 93708.80$/día
Salario especialista = 80000$/día + (𝑃𝑃01 + 𝑃𝑃11 ) * µE*700$/cliente = 80000$/día +
(0.2540+0.1905)*5clientes/hora*700$/cliente*8horas/día=(80000+12446)$/día
=92446$/día
500$ 8ℎ𝑜𝑜𝑜𝑜𝑜𝑜 (0,6𝜆𝜆𝑃𝑃10 +0,6𝜆𝜆𝑃𝑃11 )𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
c) Pérdida de oportunidad = ∗ ∗ +
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑𝑑𝑑 ℎ𝑜𝑜𝑜𝑜𝑜𝑜

700$ 8ℎ𝑜𝑜𝑜𝑜𝑜𝑜 (0,6𝜆𝜆𝑃𝑃01 +0,6𝜆𝜆𝑃𝑃11 )𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐


∗ ∗ = (10285.70 + 14933.32)$/día = 25219$/día
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑𝑑𝑑 ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Problema 21. La compañía aérea Siberia tiene una central de teléfonos con tres líneas (un
operador para cada línea). La empresa tiene un pico de llamadas durante algunas horas, en
las que algunos clientes no pueden ponerse en contacto con la empresa debido al intenso
tráfico de llamadas (se sabe que si todas las líneas están siendo utilizadas al cliente no se le
puede responder y se pierde definitivamente). Durante las horas pico las llamadas siguen
una distribución de Poisson con una media de veinte llamadas por hora y cada telefonista
emplea seis minutos por cada llamada (según una distribución exponencial). El beneficio
medio de un viaje es de 100 euros. Si cada empleado le cuesta a la compañía 150 euros/hora,
¿cuál es el número óptimo de empleados durante las horas pico? Se asume que el coste de
añadir una línea es despreciable.
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
𝜆𝜆 = 20 , 𝜇𝜇 = 10
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 𝐻𝐻𝐻𝐻𝐻𝐻𝑎𝑎
𝝀𝝀
Para que el sistema adquiera la condición de estado estacionario se requiere que ρ= < s
𝝁𝝁

𝜆𝜆
=2
𝜇𝜇

Es decir, se requiere un número mínimo de 3 operadores.

Este problema se resuelve con la fórmula de la llamada perdida vista en el capítulo 12.

265
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
P (llamada perdida) = 𝛒𝛒𝒏𝒏 /𝒏𝒏! , donde n es el número de operadores
∑𝒏𝒏 𝒋𝒋
𝒋𝒋=𝟎𝟎 𝛒𝛒 /𝒋𝒋!

Como n es imposible de despejar ya que aparece como factorial y como índice superior de
la sumatoria, entonces se debe resolver por tanteo, empezando con n=3

Costo = salario de los operadores + costo de las llamadas perdidas.

n=3
(2)3
𝑃𝑃 (𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) = 3!
2 (2)2 (2)3
1+ + +
1 2 3!
4
𝑃𝑃(𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) =
19
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 4 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo= 3 ∗ 150 + ∗ 20 ∗ 100
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 19 ℎ𝑜𝑜𝑜𝑜𝑎𝑎 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿

𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo=871,0526
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

n=4
(2)4
𝑃𝑃(𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) = 4!
2 (2)2 (2)3 (2)4
1+ + + +
1 2 3! 4!
2
𝑃𝑃(𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) =
21
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 2 𝐿𝐿𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo= 4 ∗ 150 + ∗ 20 ∗ 100
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 21 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿

𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo=790,4762
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

n=5
(2)5
𝑃𝑃(𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) = 5!
2 (2)2 (2)3 (2)4 (2)5
1+ + + + +
1 2 3! 4! 5!
4
𝑃𝑃(𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) =
109
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 4 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo= 5 ∗ 150 + ∗ 20 ∗ 100
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻 109 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿

266
Luis Fernando Moreno Velásquez
𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸
Costo=823,3945
𝐻𝐻𝐻𝐻𝐻𝐻𝐻𝐻

Note que para n≥6, el solo costo de los operadores ya es

≥900 euros/hora

Por lo que se puede asegurar que el óptimo se obtiene con n = 4 operadores

Problema 22. La Joyería GraffDiamonds tiene un área especializada en la restauración


de aretes de oro y diamantes. El tiempo de restauración de cada arete tiene una distribución
exponencial con media de 6 horas. Los clientes llevan el par de aretes para ser restaurados,
el tiempo de llegada sigue un proceso Poisson con media de 1 par de aretes cada día.

a) Formule el sistema de colas considerando que se toma cada arete para reparación como
un cliente, construya el diagrama de tasas y desarrolle las ecuaciones de balance. Nota:
las ecuaciones de balance deben plantearse sin resolver.

b) Considerando que se toma cada par de aretes como un cliente, formule nuevamente el
sistema indicando claramente qué modelo se ajusta a esta situación.

c) Calcule el número esperado de pares de aretes haciendo fila para ser restaurados (Lq).

d) Calcule el tiempo esperado desde que el cliente deja un par de aretes para que sea
restaurado hasta que estén listos y restaurados para ser entregados a los clientes
nuevamente.

a) (Cada arete es un cliente)

λ = 2 aretes/día (=24/6) (Se supone un día = 24 horas)


µ = 4 aretes/día

Note que en este planteamiento, como los clientes son los aretes, la llegada hace que se
pase del estado n al n+2, lo que hace que no sea un proceso de nacimiento y muerte, pero
sí se pueden plantear las ecuaciones de balance como aparecen a continuación

267
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ecuaciones de balance:

(0): 4𝑃𝑃1 = 1𝑃𝑃0


(1): 4𝑃𝑃2 = (4 + 1)𝑃𝑃1
(2): 4𝑃𝑃3 + 1𝑃𝑃0 = (4 + 1)𝑃𝑃2
(3): 4𝑃𝑃4 + 1𝑃𝑃1 = (4 + 1)𝑃𝑃3


(𝑛𝑛 − 1): 4𝑃𝑃𝑛𝑛 + 1𝑃𝑃𝑛𝑛−3 = (4 + 1)𝑃𝑃𝑛𝑛−1
(𝑛𝑛): 4𝑃𝑃𝑛𝑛+1 + 1𝑃𝑃𝑛𝑛−2 = 4𝑃𝑃𝑛𝑛

a) (Cada par de aretes es un cliente)


λ = 1 par de aretes/día (se supone un día = 24 horas)
µ = 2 pares de aretes/día
Note que λ y µ son la mitad del numeral a) porque un par de aretes = 2 aretes

Las llegadas son markovianas, pero las atenciones siguen una distribución Erlang, por lo
que, a pesar de que el diagrama es correcto, no se pueden plantear ecuaciones de balance,
ya que la reparación de un arete es exponencial, pero la de dos aretes, uno tras otro, no es
exponencial sino que es Erlang.

b) Por lo tanto para calcular Lq se debe usar la fórmula de Erlang vista en el


capítulo 12 con 𝑘𝑘 = 2

Recuerde que en la fórmula λ y µ se expresan en conjuntos de unidades (pares)

1 + 𝑘𝑘 𝜆𝜆2 1+2 12 3 1
𝐿𝐿𝐿𝐿 = = ∗ = ∗ = 0.375
2𝑘𝑘 𝜇𝜇 (𝜇𝜇 − 𝜆𝜆) 2 ∗ 2 2(2 − 1) 4 2

En promedio se mantienen 0.375 pares de aretes haciendo fila.

268
Luis Fernando Moreno Velásquez
c) La misma observación sobre λ y µ hecha en el numeral c) es válida.

𝜆𝜆 1
𝐿𝐿 𝐿𝐿𝑞𝑞 + 0,375 +
𝜇𝜇 2 = 0.875𝑑𝑑í𝑎𝑎𝑎𝑎
𝐿𝐿 = 𝜆𝜆𝜆𝜆 → 𝑊𝑊 = → 𝑊𝑊 = → 𝑊𝑊 =
𝜆𝜆 𝜆𝜆 1

24ℎ
0.875𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 ∗ = 21 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
1 𝑑𝑑𝑑𝑑𝑑𝑑

En promedio un arete se demora en la joyería 21 horas (tiempo de espera + tiempo de


reparación).

Problema 23. María planea abrir una peluquería en un centro comercial famoso de Nueva
York, donde atenderá a sus clientes. La peluquería cuenta con una sola silla de atención,
donde María presta sus dos servicios: corte de cabello y cepillado. María tiene un horario
laboral de ocho horas diarias, trabajando los treinta días de cada mes. El centro comercial
le ofrece a María alquilarle un sillón externo para que un cliente pueda esperar un turno de
atención, pues nadie espera si no tiene donde sentarse al lado de la peluquería. Ella debe
decidir si es conveniente alquilar el sillón. Por cada sillón externo el centro comercial le
cobra a María una renta mensual de $100, adicional a los $400 del arriendo, y máximo
puede alquilarle un sillón. María obtiene una ganancia neta de $6 por corte de cabello y de
$4 por cepillado. La llegada de los clientes sigue una distribución Poisson de media 10
clientes por hora; aquellos que llegan y no encuentran espacio para hacer fila se verán
obligados a irse. El 60% de los clientes llegan a la peluquería para cortarse el cabello,
mientras que el otro 40% va a cepillárselo.
El tiempo necesario para atender los clientes, sea un cepillado o un corte es de quince
minutos.

a) Realice el diagrama de tasas para las posibles situaciones, planteando y


resolviendo las ecuaciones de balance.
b) Calcule la utilidad final de las posibles situaciones, mostrando claramente los
costos y los ingresos. Indique cuál es la alternativa más rentable.

Opción 1: Sin alquilar sillón


Estado: Xt ={Servicio que solicita el cliente}
Co: Corte
Ce: Cepillado
0: No hay ningún cliente en el sistema

269
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝜆𝜆 = 10
ℎ𝑜𝑜𝑜𝑜𝑜𝑜
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝜇𝜇 = 4
ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Ecuaciones de balance

6𝑃𝑃0 + 4𝑃𝑃0 = 4𝑃𝑃𝐶𝐶𝐶𝐶 + 4𝑃𝑃𝐶𝐶𝐶𝐶

4𝑃𝑃𝐶𝐶𝐶𝐶 = 6𝑃𝑃0

4𝑃𝑃𝐶𝐶𝐶𝐶 = 4𝑃𝑃0

P0 + PCE +PCO = 1

Se elimina una ecuación y despejando se obtiene la siguiente solución:

𝑃𝑃0 = 0,2857

𝑃𝑃𝐶𝐶𝐶𝐶 = 0,4286

𝑃𝑃𝐶𝐶𝐶𝐶 = 0,2857

ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑í𝑎𝑎𝑎𝑎 $6 4 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 $4 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐


Ingresos: 8 ∗ 30 ∗ (� ∗ ∗ 𝑃𝑃𝐶𝐶𝐶𝐶 � + ( ∗4 ∗ 𝑃𝑃𝐶𝐶𝐶𝐶) )= $3656.82/mes
𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Gastos: $400/ mes (Arriendo)

Utilidad = Ingresos – Gastos =$3256.82/mes

Opción 2: Alquilar un sillón por $100 mensuales.

Estado: Xt ={Servicio que solicita, # clientes en el sistema }

270
Luis Fernando Moreno Velásquez
Co: Corte

Ce: Cepillado

0: No hay ningún cliente en el sistema

1: Un cliente en el sistema (siendo atendido)

2: Hay 2 clientes en el sistema (un cliente siendo atendido y otro haciendo

fila en el sillón externo)

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝜆𝜆 = 10
ℎ𝑜𝑜𝑜𝑜𝑜𝑜
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝜇𝜇 = 4
ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Ecuaciones de balance

6𝑃𝑃0,0 + 4𝑃𝑃0,0 = 4𝑃𝑃𝐶𝐶𝐶𝐶,1 + 4𝑃𝑃𝐶𝐶𝐶𝐶,1

12 12
4𝑃𝑃𝐶𝐶𝐶𝐶,1 + 10𝑃𝑃𝐶𝐶𝐶𝐶,1 = 6𝑃𝑃0,0 + 𝑃𝑃𝐶𝐶𝐶𝐶,2 + 𝑃𝑃𝐶𝐶𝐶𝐶,2
5 5
8 8
4𝑃𝑃𝐶𝐶𝐶𝐶,1 + 10𝑃𝑃𝐶𝐶𝐶𝐶,1 = 4𝑃𝑃0,0 + 𝑃𝑃𝐶𝐶𝐶𝐶,2 + 𝑃𝑃𝐶𝐶𝐶𝐶,2
5 5
12 8
𝑃𝑃𝐶𝐶0,2 + 𝑃𝑃𝐶𝐶0,2 = 10𝑃𝑃𝐶𝐶𝐶𝐶,1
5 5
12 8
𝑃𝑃𝐶𝐶𝐶𝐶,2 + 𝑃𝑃𝐶𝐶𝐶𝐶,2 = 10𝑃𝑃𝐶𝐶𝐶𝐶,1
5 5
271
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑃𝑃0,0 + 𝑃𝑃𝐶𝐶0,1 +𝑃𝑃𝐶𝐶0,2 + 𝑃𝑃𝐶𝐶𝐶𝐶,1 + 𝑃𝑃𝐶𝐶𝐶𝐶,2 = 1

Se elimina una ecuación y al resolver se obtiene la solución:

𝑃𝑃0,0 = 0,1026

𝑃𝑃𝐶𝐶𝐶𝐶,1 = 0,1538

𝑃𝑃𝐶𝐶𝐶𝐶,1 = 0,1026

𝑃𝑃𝐶𝐶𝐶𝐶,2 = 0,3846

𝑃𝑃𝐶𝐶𝐶𝐶,2 = 0,2564

ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑í𝑎𝑎𝑎𝑎 $6 4 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 $6 4 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 $4


Ingresos: 8 ∗ 30 ∗ (� ∗ ∗ 𝑃𝑃𝐶𝐶𝑂𝑂,1 � + � ∗ ∗ 𝑃𝑃𝐶𝐶𝐶𝐶,2 � + ( ∗
𝑑𝑑𝑑𝑑𝑑𝑑 𝑚𝑚𝑚𝑚𝑚𝑚 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 $4 4 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
4 ∗ 𝑃𝑃𝐶𝐶𝐶𝐶,1) + ( ∗ ∗ 𝑃𝑃𝐶𝐶𝐶𝐶,2) )= $4479.74/mes
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ℎ𝑜𝑜𝑜𝑜𝑜𝑜

Gastos: $500/ mes (Arriendo y sillón)

Utilidad: $3979.74/mes

b) La mejor alternativa es alquilar el sillón, puesto que la utilidad es mayor.

Problema 24. En un jardín infantil que cuenta con diez niños, existe un juego llamado
rueda de la suerte, porque su duración es aleatoria (exponencial) con una media de quince
minutos. La rueda de la suerte cuenta con dos máquinas donde los niños pueden jugar de a
dos, pero solo se puede acceder a cada una de las dos máquinas si están los dos niños que
requiere la máquina, por lo que si llega un niño y no hay nadie en fila debe esperar hasta
que llegue otro para acceder al juego; cuando un niño está en la fila para jugar en la
máquina, decide abandonar el juego con una media de un niño cada media hora, ya que
puede aburrirse de esperar. Los niños cuando ven que las dos máquinas están funcionando
nunca participan del juego. Adicionalmente, cuando un niño toma la decisión de ir al juego
y nota que si entra debe hacer fila, existe una probabilidad de desistir y no entrar al juego
de acuerdo con el número de compañeros que se encuentren por fuera del juego, ya que
cuando no participan del juego en las máquinas los niños juegan a las escondidas todos
juntos y es más atractivo jugar a las escondidas con los demás niños que tener que hacer
fila en la rueda de la suerte. Así, la probabilidad de que cada niño desista antes de entrar a
hacer fila es de n/10, donde n el número de sus compañeros que se encuentran jugando a
las escondidas por fuera de las máquinas de la rueda de la suerte. Cada niño va a la rueda
de la suerte según una distribución Poisson con un promedio de una vez cada veinte
minutos.

a) Realice el diagrama de estados; plantee y resuelva las ecuaciones de balance.

272
Luis Fernando Moreno Velásquez
b) ¿Cuál es el tiempo promedio total que gasta un niño en el juego de la rueda de la suerte,
incluyendo el tiempo en la fila?
c) ¿Cuál es el número promedio de niños que se encuentran jugando a las escondidas?
d) Si a cada niño que hace fila se le regala un bombón cuyo costo es de $200, pero se le
entrega al entrar en la máquina (o sea que no se le da a los que abandonan la fila), ¿cuál
es el costo para el jardín en una jornada de ocho horas?
e) Si cada vez que una de las máquinas dura más de veinte minutos hay que darles a ambos
niños al bajarse de la máquina una pastilla para el mareo, ¿cuántas pastillas en promedio
debe entregar el jardín en una jornada de ocho horas?
a) Sea Xt= Número de niños en el juego la rueda de la fortuna

𝜆𝜆 = 3 𝑛𝑛𝑛𝑛ñ𝑜𝑜𝑜𝑜/ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝜇𝜇 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 4 𝑛𝑛𝑛𝑛ñ𝑜𝑜𝑜𝑜/ℎ𝑜𝑜𝑜𝑜𝑜𝑜 𝜇𝜇 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛𝑛 =


2 𝑛𝑛𝑛𝑛ñ𝑜𝑜𝑜𝑜/ℎ𝑜𝑜𝑜𝑜𝑜𝑜

En el estado 0 hay 9 compañeros fuera del juego, la probabilidad de desistir es de


9/10, así solo entra el 10%
En el estado 2 hay 7 compañeros fuera del juego, la probabilidad de desistir es de
7/10, así solo entra el 30%

3*10*(1-0,9)=3 3*9=27 3*8*(1-0.7)=7.2 3*7=21

0 1 2 3 4

2 2

4 4 2*4=8
Ecuaciones de balance

3𝑃𝑃0 = 2𝑃𝑃1 + 4𝑃𝑃2


2𝑃𝑃1 + 27𝑃𝑃1 = 3𝑃𝑃0 + 4𝑃𝑃3
7,2𝑃𝑃2 + 4𝑃𝑃2 = 27𝑃𝑃1 + 2𝑃𝑃3 + 8𝑃𝑃4
21𝑃𝑃3 + 4𝑃𝑃3 + 2𝑃𝑃3 = 7,2𝑃𝑃2
8𝑃𝑃4 = 21𝑃𝑃3

𝑃𝑃0 + 𝑃𝑃1 + 𝑃𝑃2 + 𝑃𝑃3 + 𝑃𝑃4 = 1

Resolviendo este sistema de ecuaciones, después de eliminar una obtenemos:

P0 = 0.4037

273
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
P1 = 0.0519
P2 = 0.2768
P3 = 0.0738
P4 = 0.1938

b) Tiempo promedio en el sistema=W

𝐿𝐿
𝑊𝑊 = �
𝜆𝜆
𝜆𝜆̅ = ∑ 𝑃𝑃𝑃𝑃 ∗ 𝜆𝜆𝜆𝜆 = P0*λ*10*0.1 + P1*λ*9 + P2*λ*8*0.3 + P3*λ*7
= 1.2111 + 1.4013+ 1.9930 + 1.5498 = 6.1552 niños/hora

𝐿𝐿 = ∑ 𝑛𝑛 ∗ 𝑃𝑃𝑃𝑃 = P1 + 2P2 + 3P3 + 4P4 = 0.0519+0.5536+0.2214+0.7752 =


2.7682 𝑛𝑛𝑛𝑛ñ𝑜𝑜𝑜𝑜
W = 2.7682/6.1552 horas = 0.4497 horas = 27 minutos

c) Número promedio de niños jugando a las escondidas=10-L (Total de niños-


número promedio de niños jugando en la rueda de la fortuna)

10-L=10-L = 10 niños - 2.7682 niños = 7.23 niños

d) Costo para el jardín en una jornada de ocho horas

veces veces
��P0 ∗ 3 ∗ 10 niños ∗ 0,1� + �P2 ∗ 3 ∗ 8 niños ∗ 0,3�
hora hora
𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 $
− �𝑃𝑃1 ∗ 2 � − (𝑃𝑃3 ∗ 2 )� ∗ 200 ∗ 8 horas
ℎ𝑜𝑜𝑜𝑜𝑜𝑜 ℎ𝑜𝑜𝑜𝑜𝑜𝑜 niño
= [0.4037*3*10*0.1 + 0.2768*3*8*0.3 - 0.0519*2 - 0.0738*2]
niños/hora*200$/niño*8 horas = (1.2111+1.9930 – 0.1038 – 0.1476)$ = 2.9243$

e)

𝑒𝑒 −𝛼𝛼𝛼𝛼 = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑢𝑢𝑢𝑢 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 ≥ 𝑡𝑡 (para la exponencial)

t=20 minutos =(1/3) hora; α se asocia a 𝜇𝜇 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 = 4 𝑛𝑛𝑛𝑛ñ𝑜𝑜𝑠𝑠/ℎ𝑜𝑜𝑜𝑜𝑜𝑜


αt= (1/3)*4 = 4/3
𝑒𝑒 −𝛼𝛼𝛼𝛼 = 𝑒𝑒 −4/3 = 0.2636
𝑒𝑒 −4/3 ∗ (𝑃𝑃2 + 𝑃𝑃3 + 2𝑃𝑃4) ∗ 𝜇𝜇 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 ∗ 2 ∗ 8

274
Luis Fernando Moreno Velásquez
= 0.2636*(0.2768+0.0738+2*0.1938)*4 veces/hora*2 pastillas/vez*8 horas =

0.7382*4 veces/hora*2 pastillas/vez*8horas = 12.45 pastillas (en una jornada de 8 horas)

Problema 25. Un taller tiene tres máquinas sujetas a fallas de cierto tipo. Se cuenta con
un equipo para realizar las operaciones de mantenimiento requeridas por las máquinas que
fallan. El tiempo necesario por el equipo para cada operación de mantenimiento sigue una
distribución exponencial con media de 30 minutos, pero cuando hay más de una máquina
mala se le agrega un ayudante al equipo, lo que hace que este tiempo promedio se reduzca
a 20 minutos. El equipo de mantenimiento trabaja sólo en una máquina que falla a la vez,
pero cuando hay más de una máquina mala, se le da prioridad a la 1 sobre la 2 y la 3 y a la
2 sobre la 3 para el mantenimiento. Es decir que cuando llega al taller una máquina con
prioridad más alta que otra en la que se está trabajando, se abandona el trabajo de la actual,
que pasa a esperar y se inicia inmediatamente el mantenimiento de la que tiene prioridad.
Cuando esto ocurre, la máquina que fue dejada en espera debe volver a ser arreglada desde
cero. Una vez que una máquina ha quedado reparada, el tiempo que transcurre hasta que
vuelve a fallar tiene una distribución exponencial con la siguiente media: la máquina 1 falla
en promedio cada hora, la 2 cada 30 minutos y la 3 cada 20 minutos. La máquina 1 produce
3 artículos por hora, la 2 produce 2 artículos por hora y la 3 produce 5 artículos por hora.

a) Plantee el sistema como una cadena de Markov de tiempo continuo. Defina claramente
los estados y realice el diagrama de estados con todas sus tasas de manera ordenada.
b) Plantee y resuelva las ecuaciones de balance.
c) Si cada artículo producido deja una utilidad de $100, ¿cuál es la utilidad promedio de la
empresa?
d) En un día de ocho horas, ¿cuántas horas trabaja el ayudante?
e) Hacer el montaje de una máquina que llega con prioridad, si hay otra máquina en
reparación, tiene un costo de $6 para montar la máquina 1, $7 para montar la máquina
2 y $8 para montar la máquina 3, independiente de la máquina que estuviera antes en
reparación. También hay un costo por desmontar una máquina en el momento que llega
otra con prioridad, independiente de qué máquina llegue. El costo de montar más el
costo de desmontar es igual a $12 para cada máquina. ¿Cuál es el costo promedio
asociado a hacer estos cambios de montaje?
f) Qué fracción de tiempo pasa en el taller cada una de las máquinas?
a) µ1= tasa equipo solo; µ2= tasa con ayudante; λi=descompostura máquina
i (1, 2 y 3)
Xt=[máquina siendo arreglada (1, 2 o 3) , máquinas en cola (2,3 o 2y3)]

µ1= 2veces/hora; µ2=3veces/hora; λ1=1 vez/hora; λ2= 2veces/hora; λ3 = 3veces/hora


Producción de las máquinas: p1= 3 artículos/hora; p2=2artículos/hora;
p3=5artrpiculos/hora

275
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
λ3

µ1
2,0
µ2

λ2 λ1 λ3
1,2

λ1 λ2 µ2

0,0 1,0
1, 2y3 2, 3
µ1 λ3
λ1

λ2
µ1 1,3

µ2
λ3 λ1
3,0
λ2

b)
P00*(λ1+ λ2+ λ3)=µ1*(P10+P20+P30)
P10*(µ1+λ2+λ3)=λ1P00
P20*(µ1+ λ3+ λ1)=P12* µ2+P00* λ2
P30*(µ1+λ1+λ2)=λ3*P00+µ2*P13+µ2*P23
P12*(λ3+µ2)=λ1*P20
P13*(λ2+µ2)=λ3*P10+λ1*P30
P23*(λ1+µ2)=µ2*P12y3+λ3*P20+λ2*P30
P12y3*µ2=P12*λ3+P13*λ2+P20*λ3
P00+P10+P20+P30+P12+P13+P23+P12y3=1

Que al resolver, eliminando una ecuación redundante da:


P00=0.1302
P10=0.0511
P20=0.0473
P30=0.2921
P12=0.0079
P13=0.0891
P23=0.2676
P12y3=0.1146

c)
Utilidad=100[$/art]*[(3*(P00+P20+P30+P23))+(2*(P00+P10+P30+P13))
+(5*(P00+P10+P20+P12)]art/hora =

276
Luis Fernando Moreno Velásquez
=100*[3*(0.1302+0.0473+0.2921+0.2676)+2*(0.1302+0.0511+0.2921+0.0891)
+5*(0.1302+0.0511+0.0473+0.0079]$/hora
=100*[2.2116+1.125+1.1825]$/hora = 451.91 $/hora

d) Horas que trabaja el ayudante en un día = 8*(P12 + P13 + P23 + P1,2y3) horas =
8*(0.0079+0.0891+0.2676+0.1146) = 3.83 horas

e) Costo montaje M1=$6 M2=$7 M3=$8


Costo desmontaje M1=12-6=$6 M2=12-7=$5 M3=12-8=$4

Costo total montajes y desmontajes =


Costo montaje de la 1 cuando llega la 1 y están la 2 o la 3 + costo montaje de la 2
cuando llega la 2 y está solamente la 3 + costo desmontaje de la 2 cuando llega la
1 y está la 2 + costo desmontaje de la 3 cuando llega la 1 o la 2 y está solamente la
3

= ((6* λ1*(P20+P30+P23))+(7*λ2*(P30)) + ((5*λ1*(P20+P23))+(4*P30*( λ1+


λ2)))$

=(6*1*(0.0473+0.2921+0.2676)+7*2*0.2921+5*1*(0.0473+0.2676)+
4*0.2921*(1+2)$

= 3.642$ + 4.0894& + 1.5745$ + 3.5052$ = 12.81$

f) Fracción de tiempo en el taller la máquina 1 = P10+P12+P13+P12y3


=0.0511+0.0079+0.0891+0.1146 = 26.27% del tiempo en el taller

Fracción de tiempo en el taller la máquina 2 = P20+P12+P23+P12y3


=0.0473+0.0079+0.2676+0.1146 = 43.74% del tiempo en el taller

Fracción de tiempo en el taller la máquina 3 = P30+P13+P23+P12y3 =


0.2921+0.0891+0.2676+0.1146 = 76.34% del tiempo en el taller.

277
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Teoría de inventarios
Capítulo 14.
Introducción a la teoría de inventarios

Las organizaciones están constantemente viendo cómo cambia el nivel de sus inventarios
en el tiempo.

El tener un nivel bajo de inventarios implica riesgos para no satisfacer la demanda de los
clientes. Por otro lado, el tener un exceso en los inventarios genera altos costos tanto de
almacenamiento como de inversión en capital de trabajo.

Note que el párrafo anterior nos muestra que al igual que en los temas anteriores, el
problema de inventarios es un problema de optimización, ya que tener inventarios muy
altos genera unos costos y tenerlos muy bajos también, por lo que debe buscarse ese nivel
intermedio que se logra mediante los procesos de optimización

¿Cómo saber cuánto tener en inventario, y cada cuánto reabastecerlo?

Es difícil saberlo, pero se pueden obtener grandes beneficios usando la teoría de


administración científica de los inventarios.

Pasos generales
1. Formular un modelo matemático que describa el comportamiento del sistema de
inventarios.

2. Derivar una política óptima de inventarios respecto a ese modelo.

3. Registrar constantemente el nivel de los inventarios para señalar cuándo y cuánto


conviene reabastecer.

Los dos primeros pasos son comunes a los procesos de optimización. El tercero se ha
facilitado con el avance de la tecnología (Código UPC, etc.)

Componentes (terminología) de los modelos de inventarios


1. Inventario: cualquier recurso almacenado en un lugar en cualquier momento del tiempo.
Observe que no se trata solamente de mercancía, sino que puede ser dinero, intangibles,
animales y hasta seres humanos (agencias temporales).
2. Demanda: tasa de consumo (artículos/tiempo). Puede ser determinística o estocástica.
3. Tiempo de adelanto: (Lead Time) tiempo que transcurre entre el momento de la
requisición y la llegada de mercancía. Puede ser determinístico o estocástico.

281
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
4. Política de pedidos: es la manera como se realizan los pedidos, y se clasifican
principalmente de dos formas:
De punto de pedido: se pide siempre la misma cantidad cuando el inventario llega a un
nivel (punto de pedido). Se les llama inventarios perpetuos.

De revisión periódica: se pide lo que hace falta para llegar al nivel deseado de
inventarios. Los pedidos se hacen a intervalos fijos de tiempo. La cantidad a pedir es
variable.

5. Agotamientos o faltantes: se dan cuando la demanda excede los inventarios. Pueden ser
accidentales o planeados. Los accidentales se dan cuando la demanda, que puede ser
aleatoria es muy alta (aunque es un problema desde el punto de vista inventarios, la
contraparte es que es un síntoma de buenas ventas).

6. Costo de ordenar o fabricar: costo de cualquier actividad, desde el momento de la


requisición hasta el momento de la recepción de la mercancía o de pago en el caso de
ordenarla. En el caso de la fabricación, son todas las actividades relacionadas con la
producción de dicha mercancía.

c(z): costo de ordenar o producir z unidades

c(z) = 0 si z = 0

K + cz si z > 0

Costo fijo o de Costo unitario


preparación de producción

Este es el caso de la separación de los costos en fijos y variables, que aunque es un


problema lineal requiere el uso de variables enteras, ya que la expresión c(z) presenta
una discontinuidad en el punto cero.

Existen otras suposiciones que se pueden hacer respecto al costo de ordenar o fabricar,
pero limitaremos nuestro análisis a estas condiciones.

7. Costo de mantenimiento del inventario: son los costos asociados al mantenimiento del
inventario hasta que se vende o se usa. Este costo comprende las siguientes
componentes:
Costo de capital invertido
Seguros
Bodegaje
Impuestos
Deterioro
Obsolescencia

282
Luis Fernando Moreno Velásquez
8. Costo de penalización por faltantes: Surge cuando la cantidad que se requiere es mayor
que el inventario disponible.
Existen dos casos principales para el manejo de los faltantes:
Con pedidos retroactivos: la demanda excesiva no se pierde, sino que queda pendiente
hasta que se pueda satisfacer con el siguiente reabastecimiento. El costo se refiere
básicamente a la pérdida de Goodwill y a los costos administrativos extras que se
requieren.
Sin pedidos retroactivos (o modelo de ventas perdidas): la demanda no se satisface en
un futuro. El costo se refiere básicamente a la pérdida de Goodwill y a la utilidad de los
artículos que se dejaron de vender.

9. Valor de recuperación: es el valor de desecho del artículo para la empresa. Se supondrá


en adelante que cualquier costo de recuperación se incorpora al costo de mantenimiento.
Antes de entrar a deducir las fórmulas matemáticas se verán un par de ejemplos que nos
ayudan a entender en que consiste el problema de inventarios y que nos muestran, que
efectivamente existe un punto intermedio donde se produce el costo mínimo.
Ejemplo:
Compumarket es una compañía que vende, entre otros artículos, pantallas de
computador, y es el artículo al cual le haremos el análisis de inventarios.
Los supuestos (bastante ideales) bajo los cuales opera la empresa, que es comerciante
(intermediario) y no manufacturera del artículo, son los siguientes:
El proveedor entrega de inmediato (es decir, el tiempo de adelanto es cero).
El costo fijo (independiente de la cantidad) de hacer un pedido es de $20.
El costo de adquisición de las pantallas (costo variable) es de $500 por cada una de ellas.
El costo de mantenimiento por año es el 20% del precio de adquisición. Observe que
$
las unidades del costo de mantenimiento son: , es decir, cuánto cuesta
𝑎𝑎𝑎𝑎𝑎𝑎í𝑢𝑢𝑢𝑢𝑢𝑢−𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
($) tener guardada una unidad del artículo durante una unidad de tiempo, antes de
entregársela al cliente.
Note que con el fin de no tener un dato para cada artículo, este costo se suele dar como
%
un del precio de adquisición del artículo. A manera de ejemplo, en lugar de decir
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
100$
que el costo de almacenamiento es , como se sabe que el costo de
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑎𝑎ñ𝑜𝑜
500$ 20%
adquisición es se dice que el costo de almacenamiento es *costo de
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎ñ𝑜𝑜
20% 500$ 100$
adquisición = * = , lo que quiere decir que tener almacenada
𝑎𝑎ñ𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑎𝑎ñ𝑜𝑜
una pantalla durante un año, mientras se retira del lugar de almacenaje (bodega o
20%
estante), genera para la empresa un costo de $100. Aunque el factor no es el mismo
𝑎𝑎ñ𝑜𝑜

283
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
para todos los artículos, sí lo es para un grupo muy grande de artículos (por ejemplo
todos los de tecnología y electrónicos), lo que hace que en lugar de tener el costo de
almacenamiento para cada artículo, solo tenga que almacenar un dato para cada
categoría de artículo.
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
La demanda es de 1 pantalla por día (1 ).
𝑑𝑑í𝑎𝑎

Si el costo de mantener en inventario una unidad (artículo) durante una unidad de tiempo
se supone constante (y lo denominaremos h), se tiene:
Costo promedio ($/tiempo) entre ti y tf =
(ti tiempo inicial y tf tiempo final)

tf tf
∫ti ℎ(𝑡𝑡)𝐼𝐼(𝑡𝑡)𝑑𝑑𝑑𝑑 /tf – ti) = h∫ti 𝐼𝐼(𝑡𝑡)𝑑𝑑𝑑𝑑 /(tf – ti), pero note que

tf
∫ti 𝐼𝐼(𝑡𝑡)𝑑𝑑𝑑𝑑 es la expresión del inventario promedio por lo que la integral se convierte en:

Costo promedio ($/tiempo) = h*I promedio


Esta es la expresión que se utilizará para calcular el costo promedio de almacenamiento
en $/tiempo cuando h es constante. Esta expresión es más fácil de calcular que la integral
del producto de dos funciones cunado h no es constante.

El costo de conservación o mantenimiento por año es el 20% del precio de adquisición.

20% 500$ 100$


Costo de mantenimiento = * =
𝑎𝑎ñ𝑜𝑜 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑎𝑎ñ𝑜𝑜

100$ 𝑎𝑎ñ𝑂𝑂 0.274$


Costo de mantenimiento = * =
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑎𝑎ñ𝑜𝑜 365 𝑑𝑑í𝑎𝑎𝑎𝑎 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑑𝑑í𝑎𝑎

El costo de mantenimiento promedio de los inventarios en $ por día se halla


simplemente multiplicando el costo de mantenimiento de cada pantalla en un día, por el
inventario promedio que mantiene el almacén.
El inventario promedio depende del número de pantallas que se piden inicialmente.
Suponga, a manera de ejemplo, que se piden cinco pantallas cada que se hace un pedido,
o sea que el inventario empieza inicialmente en cinco pantallas.
El gráfico de cómo evoluciona el inventario como función del tiempo es el siguiente:

284
Luis Fernando Moreno Velásquez
I (pantallas)

1 2 3 4 5 t días

Figura 14.1

El inventario promedio (se obtiene la integral como suma de áreas de rectángulos) =

(½ día*5 pantallas + 1día * 4 pantallas +...+ 1día*1 pantalla + ½ día* 0 pantallas)/(5 días
– 0 días) = 2.5 pantallas.
0.274$ 0.685$
Costo de mantenimiento promedio ($/día) = h*Ipromedio = *2.5 pantallas =
𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝−𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎

Similarmente se puede proceder a hallar el costo de mantenimiento promedio para


diferentes niveles de pedido inicial.
También cabe recordar que el costo de hacer un pedido es de $20. Si se hace un pedido de
5 unidades quiere decir que a los 5 días se deberá volver a ordenar, debido a que la demanda
es 1 pantalla/día.
4$ 20$
En este caso el costo del pedido sería (es decir días)
𝑑𝑑í𝑎𝑎 5 𝑑𝑑í𝑎𝑎𝑎𝑎

El costo de administración de inventarios en el caso de hacer un pedido inicial de 5 pantallas


sería la suma del costo de mantenimiento + el costo de hacer pedidos =
0.685$ 4$ 4.685$
Costo administración = + =
𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎 𝑑𝑑í𝑎𝑎

Este procedimiento se realiza para diferentes niveles de pedido inicial, similar a como se
hizo con un pedido de 5 unidades y se mira cuál arroja el costo de administración más
pequeño.

285
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Los resultados aparecen en la tabla a continuación:

Cantidad t entre Inventario Costo Costo Costo


a pedir pedidos Promedio conservación hacer pertinente
(pantallas) (días) (pantallas) ($/día) un pedido Admón
($/día) ($/día)

2 2 1 0.274 10 10.274
4 4 2 0.548 5 5.548
5 5 2.5 0.685 4 4.685
6 6 3 0.822 3.33 4.155
8 8 4 1.096 2.5 3.596
10 10 5 1.370 2 3.37
. . . . . .
. . . . . .

. . . . . .
. . . . . .
20 20 10 2.74 1 3.74

Tabla 14.1

En esta tabla se ve que el costo de administración, la última columna, empieza a descender


y a partir de un punto vuelve a aumentar, lo que sugiere que debe haber un punto de mínima.
Efectivamente lo hay y es lo que se demostrará en el siguiente capítulo.

Ejemplo:

Manufactura de bocinas para televisores.

Una compañía que fabrica televisores produce sus propias bocinas para usarlas en la
fabricación de los aparatos. Hay una demanda de 8000 televisores por mes y se necesita 1
bocina por televisor.

Los supuestos para este ejemplo son los siguientes:

Las bocinas se producen en lotes.


Las bocinas se colocan en inventario hasta que se necesitan para ensamblarlas.

286
Luis Fernando Moreno Velásquez
La compañía está interesada en determinar cuándo y cuántas bocinas producir.
1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.
2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es de $10 y es independiente del tamaño del lote fabricado.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
Observe que aquí se da directamente el costo de mantenimiento h, y no hay que calcularlo
como un porcentaje por unidad de tiempo del costo de adquisición.

El costo de mantenimiento por cada bocina es de $0.3 mensuales es, decir:


0.3$
h= , o sea, tener almacenada una bocina durante un mes hace que la empresa
𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏−𝑚𝑚𝑚𝑚𝑚𝑚
incurra en un costo de =.3$.

El costo de mantenimiento promedio en $/tiempo de los inventarios se halla simplemente


multiplicando el costo de mantenimiento de cada bocina en un mes, por el inventario
promedio que mantiene la fábrica.

Similar al caso anterior, el inventario promedio depende del lote de bocinas que se fabrican.
Suponga, a manera de ejemplo, que se fabrica un lote de 40000 bocinas.

Como la demanda es de 8000 bocinas/mes, entonces este lote durará cinco meses.

El gráfico de cómo evoluciona el inventario como función del tiempo es el siguiente:

I (Bocinas)

40000

32000

24000

16000

8000

1 2 3 4 5 t (mes)
Figura 14.2

287
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Note que a pesar de que las bocinas son un artículo discreto (se debe producir un número
entero de bocinas), el gráfico se presenta en forma continua como una aproximación, por
facilidad.
𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
El inventario promedio (se obtiene la integral como el área del triángulo) = =
2(𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡)

40000 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗5 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚


= 20.000 bocinas.
𝑑𝑑í𝑎𝑎(5𝑚𝑚𝑒𝑒𝑠𝑠𝑠𝑠𝑠𝑠)

0.3$ $6000
Costo de mantenimiento promedio ($/mes) = *20000 bocinas =
𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏−𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚

Similarmente se puede proceder a hallar el costo de mantenimiento promedio para


diferentes niveles de lote producción de bocinas, como se hizo en el ejemplo 1.

También cabe recordar que el costo de preparación de un lote de producción de bocinas es


de $12000. Si se hace un lote de 40000 unidades quiere decir que a los cinco meses deberá
volver a fabricarse un lote, debido a que la demanda es 8000 bocinas/mes.

Observe que aquí el costo fijo se denomina costo de preparación de la maquinaria, porque
el artículo es producido en la empresa y no pedido a un proveedor, pero el concepto es muy
similar, ya que es un costo fijo.

En este caso el costo de preparación sería $2400/mes (es decir $12000/5meses ).

El costo de administración de inventarios en el caso de fabricar un lote de 40000 bocinas


sería:
$6000 $2400 $8400
Costo administración = + = .
𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚

Este procedimiento se realiza para diferentes lotes de producción, como se hizo en el


ejemplo 1, y se mira cuál de todos arroja el costo de administración más pequeño.

288
Luis Fernando Moreno Velásquez
Los resultados aparecen en la siguiente tabla para diferentes niveles de inventario:

Cantidad t entre Inventario Costo Costo de Costo


a pedidos promedio conservación preparación pertinente
producir (meses) (bocinas) ($/día) ($/día) Admón.
($/día)
8000 1 4000 1200 12000 13200

16000 2 8000 2400 6000 8400

24000 3 12000 3600 4000 7600

32000 4 16000 4800 3000 7800

40000 5 20000 6000 2400 8400

48000 6 24000 7200 2000 9200

64000 7 32000 9600 1500 11100

. . . . . .

. . . . . .

80000 10 40000 12000 1200 13200

Tabla 14.2

289
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 15.
Modelo clásico de la cantidad económica a
ordenar

EOQ (Economic Order Quantity)


Modelo de la cantidad económica a ordenar (EOQ), o en español CEP (Cantidad Económica
de Pedido).

El modelo considera los siguientes supuestos, algunos de los cuales pueden ser muy ideales,
pero a medida que avancemos en el tema trataremos de acercarnos a modelos más próximos
a la realidad:

1. La demanda se conoce con certidumbre y los artículos salen a una tasa constante
denotada por a.
Este supuesto en realidad contiene dos afirmaciones: que la demanda es determinística
y además es constante.
2. El tiempo de adelanto es cero.
Esto quiere decir que si la empresa hace un pedido llega inmediatamente.
3. Se utiliza la política de punto de pedido.
Recuerde que había dos políticas de hacer pedidos: la de punto de pedido y la revisión
periódica. En este caso utilizaremos la de punto de pedido, que consiste en determinar
cuándo y cuánto hay que pedir cada que se realiza un pedido.
4. El inventario se reabastece cuando llega a cero. No hay inventario de seguridad ni
agotamientos.
El pedido debe programarse para que se entregue cuando se acaba el inventario. No hay
inventario de seguridad, por ser un modelo determinístico y los agotamientos se verán
en un modelo más adelante.
5. El reabastecimiento es instantáneo.
Este supuesto quiere decir que es un modelo comercial. El artículo se pide a un
proveedor y llega todo de una, contrario al modelo de producción, que se verá también
más adelante, donde se requiere un tiempo para producir.

6. La cantidad a pedir es constante.

291
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Si las condiciones que determinan la cantidad a pedir no varía, entonces la cantidad a
pedir tampoco varía. Esta cantidad a pedir es la que da origen al nombre del modelo:
EOQ (Economic Order Quantity o cantidad económica de pedido)

7. Los costos no varían en el tiempo.

No se tiene en cuenta la inflación, o visto de otra forma se trabaja en pesos constantes.

Los únicos costos que se considerarán son:

K: el costo de preparación para producir u ordenar un lote. Es el valor fijo en $ de lo que


cuesta hacer el pedido.

c: El costo de producir o comprar cada unidad. Es el costo variable que cobra el proveedor
por cada unidad del artículo, se da en $/artículo.

h: El costo de mantenimiento de una unidad de inventario por unidad de tiempo. Es el costo


en $ de mantener una unidad del artículo almacenada durante una unidad de tiempo.
Recuerde, como se vio en los dos ejemplos del capítulo anterior, que sus unidades son
$
.
𝑎𝑎𝑎𝑎𝑎𝑎í𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐−𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡

El objetivo consiste en determinar con qué frecuencia y en qué cantidad reabastecer el


inventario, de manera que se minimice la suma de estos costos por unidad de tiempo.

Para deducir la fórmula de la cantidad a pedir que denominaremos por Q (o EOQ o CEP) se
utiliza un gráfico de cómo evoluciona el inventario en el tiempo: Inventario = f(t).

Nivel de inventario a = Q/t t = Q/a


Q

Tamaño
del lote

Tiempo
0
2Q/a
Tiempo de ciclo

Figura 15.1

292
Luis Fernando Moreno Velásquez
Note que, aunque en el gráfico aparecen dos ciclos, para deducir la fórmula es suficiente
examinar un ciclo, ya que todos son iguales: cada que se termina el artículo en el inventario
llega un nuevo pedido = Q.

Debemos hallar el costo total por unidad de tiempo ($/tiempo).

Primero hallaremos los costos únicamente para un ciclo, por lo que los costos estarán en
($).

Costo por ciclo de producción u ordenar = K + cQ

[$] + [$/ artículo] * [artículo] = [$] En la expresión anterior se suman dos costos: el de
hacer el pedido (K) y el costo de los artículos (Q artículos a c $ cada artículo).

Calculemos ahora el costo de almacenamiento:

Recuerde que como h se supone constante, el costo de mantenimiento es:

Costo promedio ($/tiempo) = h*I promedio


𝑄𝑄
á𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 � 𝑎𝑎 �∗𝑄𝑄 𝑄𝑄
El inventario promedio es: = = 𝑄𝑄 =
𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡 2(𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡) 2( −0) 2
𝑎𝑎

El costo en $ durante un ciclo es:

(costo promedio en $/tiempo)*(tiempo durante el cual se incurre en el costo)=


á𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛
= * (tf – ti) = á𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛.
𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡

Esta fórmula es muy sencilla y simplemente dice:

Costo en $ de almacenar artículos durante un periodo de tiempo (que normalmente es un


ciclo)

= área del triángulo bajo la curva de inventario como función del tiempo.

Si el área no es un triángulo, es muy fácil generalizar esta fórmula y se llega a que:

Costo en $ de almacenar artículos durante un periodo de tiempo

= área bajo la curva de inventario como función del tiempo.

Recuerde que el área es una forma sencilla y gráfica de hacer la integral de la curva de
inventario como función del tiempo.
ℎ𝑄𝑄
Luego el costo promedio ($/tiempo) =
2

293
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Para hallar el costo en $ durante un ciclo debemos multiplicar por el tiempo que demora un
ciclo, es decir Q/a.
ℎ𝑄𝑄 𝑄𝑄
Costo mantenimiento de inventario por ciclo = * = hQ2/2a
2 𝑎𝑎

[$/artículo-tiempo] * [artículo] * [tiempo] = [$]

Entonces el costo total por ciclo es la suma de los costos.

Costo total por ciclo = K + c Q + hQ2/2a (en $)

Para hallar el costo total por unidad de tiempo basta dividir por el tiempo durante el cual
se incurrió en ese costo: Q/a.
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
Costo total por unidad de tiempo = [K + c Q + hQ2/2a]/(Q/a) = +ac +
𝑄𝑄 2

Esta expresión es la función de la cantidad económica de pedido, es decir nos muestra el


costo como función de Q.

Para hallar el costo mínimo basta con aplicar los conceptos básicos del cálculo: debemos
derivar esta función con respecto a Q e igualarla a cero.

Veamos gráficamente los tres términos de la función.

Costo total ℎ𝑄𝑄


2

𝑎𝑎𝑘𝑘
𝑄𝑄

0 Q
Figura 15.2

Que al sumar los tres términos nos da:

294
Luis Fernando Moreno Velásquez
Costo total por unidad de tiempo
= aK/Q + a c + hQ/2

Costo total

Costo mínimo
Q
0 Q óptima

Figura 15.3

La derivada de la función costo total es:


𝑑𝑑𝑑𝑑𝑑𝑑
= -aK/Q2 + h/2.
𝑑𝑑𝑑𝑑

Igualando a cero y despejando obtenemos la cantidad económica a ordenar o producir:

2aK
Q* =
h

Note que curiosamente en la expresión del costo mínimo no aparece el costo de adquisición
del artículo, que es el más significativo. O sea, la decisión de la cantidad del artículo a
pedirle al proveedor se toma con base en los costos más irrelevantes: costo de hacer el
pedido y costo de mantener el artículo guardado.

De manera similar obtenemos el tiempo óptimo:

Sabemos que a = Q*/t* t* = Q*/a

2K
t* =
ah

295
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Igualmente podemos obtener la frecuencia óptima (número de pedidos por unidad de
tiempo) como el inverso de t*

ah
Frecuencia * =
2K

Si no se consideran los costos por producir o comprar cada unidad, obtenemos el costo de
administración de los inventarios:

2𝑎𝑎𝑎𝑎
Q* = �

El costo mínimo se obtiene reemplazando Q* en la fórmula del costo de administración:

𝑎𝑎𝑎𝑎 ℎ𝑄𝑄 𝑎𝑎𝑎𝑎ℎ 𝑎𝑎𝑎𝑎ℎ


Costo de administración = + = = � +� = √2𝑎𝑎𝑎𝑎ℎ
𝑄𝑄 2 2 2

Costo admon * = 2aKh (esta es la expresión del costo de administración óptimo).

Observe que:

ak hQ *
=
Q* 2

Es decir, en el óptimo los costos de hacer pedidos son iguales a los de mantenimiento. Esta
afirmación no es cierta para todos los modelos de inventarios; sin embargo, esta propiedad
se utiliza en modelos más complejos para obtener expresiones aproximadas del costo
óptimo.

Ejemplo:

Recordemos el caso de la manufactura de bocinas para televisores.

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.


2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es de $10 y es independiente del tamaño del lote fabricado.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.

2aK 2 * 8000 * 12000


Q* = =
h 0.3

296
Luis Fernando Moreno Velásquez
Q * = 25298

2K 2 * 12000
t* = =
ah 8000 * 0.3

t * = 3.2 meses

Esta respuesta nos indica que la solución óptima es hacer una preparación de la línea de
producción cada 3.2 meses y producir 25298 bocinas a la vez.
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
El costo total por unidad de tiempo es: + ac + , que al reemplazar en esta fórmula con
𝑄𝑄 2
los valores de de a, K, h, c, Q* nos da:

Costo total por unidad de tiempo = $ 87589/mes.

Observe que en esta expresión están sumados los tres conceptos de costos:
𝑎𝑎𝑎𝑎
Costo de hacer pedidos = , costo de los artículos (valor de la mercancía) = ac y costo de
𝑄𝑄
ℎ𝑄𝑄
guardar los artículos =
2

Cuando en esta expresión suprimimos el costo de la mercancía y dejamos solamente los


costos de hacer pedidos (o preparación de la maquinaria cuando es producción) y el de
guardar mercancía, la denominaremos costo de administración de los inventarios por
contraposición a costo “total” de administración de inventarios.

En resumen:

Costo total de administración de inventarios por unidad de tiempo = $87589/mes.

Costo de administración de inventarios por unidad de tiempo = $7589/mes.

Análisis de sensibilidad
Es importante llevar a cabo un análisis de sensibilidad, para investigar el efecto que tendría
sobre la solución óptima el hecho de que los parámetros tomaran otros valores posibles.

En general el análisis de sensibilidad se utiliza para determinar qué tanto cambia una
variable dependiente (función) cuando se producen cambios en otra variable independiente.
Es el mismo concepto de análisis de sensibilidad de los modelos lineales, solo que en ese
caso el análisis es mucho más sencillo. Tenga en cuenta que el modelo de inventarios es no
lineal, aunque aparentemente sencillo.

Sea el caso de una función Z de X: Z=Z(X).

297
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Si graficamos la función pueden darse dos casos extremos que se detallan a continuación y
por supuesto infinitos casos intermedios.

a) La función Z es muy sensible a cambios de X


b) La función Z es poco sensible a cambios de X

Caso a) Curva muy sensible a cambios

∆Z

X
∆X

Figura 15.4

¿Por qué en este caso a) se dice que Z es muy sensible a cambios de X?

Porque de acuerdo con el gráfico, un pequeño incremento (o decremento) de X produce un


cambio muy grande en Z.

298
Luis Fernando Moreno Velásquez
Caso b) Curva poco sensible a cambios

∆Z
X
∆X
Figura 15.5

¿Por qué en este caso b) se dice que Z es poco sensible a cambios de X?

Porque de acuerdo con el gráfico, un gran incremento (o decremento) de X produce un


cambio muy pequeño en Z.

Sensibilidad de Q ante variaciones de a, K, h


Sean a’, K’, h’ los valores observados de los valores reales a, K, h.

2a′K ′ 2aK
Q ′* = Q* =
h′ h

Similar al análisis de sensibilidad del caso lineal, aquí variamos solo una de las variables
independientes a la vez.

Variemos primero la demanda a.

𝑄𝑄 ′ ∗ 𝑄𝑄 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
Sea µ = , es decir
𝑄𝑄∗ 𝑄𝑄 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟

a′
Note que µ = , ya que los otros términos se cancelan.
a

299
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
A manera de ejemplo suponga que a’=6000 y a=8000

𝑎𝑎′ 6000
= = 0.75 Hay una variación del 25% respecto a la demanda real.
𝑎𝑎 8000

a′ 6000
µ= = = 0.87 Hay una variación del 13% entre las cantidades económicas
a 8000
de pedido (Q).

Una variación del 25% entre las demandas produce una variación del 13% entre las
cantidades económicas de pedido. En este modelo es Q es poco sensible a cambios en a.
Una variación del 25% en a, apenas induce una variación del 13% en Q.

Variemos ahora el costo de mantenimiento h.

1�
𝑄𝑄′
Sea 𝜇𝜇 = � �𝑄𝑄 ∗ = � ℎ′ = �ℎ�
1� ℎ′

Suponga que h’=0.2 y h=0.3

ℎ′ 0.2
= = 0.67 Hay una variación del 33% en el costo de mantenimiento respecto al costo
ℎ 0.3
real.

𝜇𝜇 = �ℎ� = �0.3�0.2 = 1.22


ℎ′

Hay una variación del 22% entre las cantidades económicas de pedido (Q).

Una variación del 33% entre los costos de mantenimiento, produce una variación del 22%
entre las cantidades económicas de pedido. Este modelo es poco sensible a cambios en h.

Note que en este caso la variación de h hacia abajo, produjo una variación de Q hacia arriba,
por la relación inversa entre las dos, pero de todos modos se observa que es poco sensible.

El análisis para variaciones de K es muy similar al de a.

Conclusión: Q es poco sensible a variaciones de K, h, a.

300
Luis Fernando Moreno Velásquez
Sensibilidad del costo de administración a cambios en Q
Este caso es más interesante porque se trata del costo, lo que afecta las utilidades de las
empresas.
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄′
Costo admón’ = + (= costo admón. óptimo modificado).
𝑄𝑄′ 2

𝑎𝑎𝑎𝑎 ℎ𝑄𝑄∗
Costo admón* = + (= costo admón. óptimo real).
𝑄𝑄∗ 2

𝑄𝑄′
Sea nuevamente µ = Q’ = µQ* (note que este caso es diferente, porque
𝑄𝑄∗
aquí Q es la variable independiente de la cual depende el costo, en tanto en el análisis
anterior Q era la variable dependiente de a, K, h.
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄′
Costo admón’ = +
𝑄𝑄′ 2

Dado que Q’ = µQ*


𝑎𝑎𝑎𝑎 ℎµ𝑄𝑄∗
Costo admón’ = +
µ𝑄𝑄∗ 2

2aK
Q* =
Remplazando h se llega a:

μ+ 1 
 μ
Costo admón′ =   2aKh
 2 
 
µ+1/µ
Costo admón’ = *costo admón*
2

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎′ µ+1/µ


= =θ
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎∗ 2

301
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo administración

Existe un costo
igual para dos
valores de Q
Cto. diferentes de Q*
min.

Q
Q’ Q* Q”

Figura 15.6

Ejemplo:

En el caso de la manufactura de bocinas para televisores tenemos que el óptimo es

Q* = 25298

Para observar la variación en el costo utilizaremos dos casos:

Caso 1 Q’ = 22000 (un caso donde Q disminuye).

Caso 2 Q’ = 27000 (un caso donde Q aumenta).

Caso 1
𝑄𝑄′ 22000
µ= = = 0.87
𝑄𝑄∗ 25298

µ+1/µ 2.01
θ= = = 1.005
2 2

Caso 2
𝑄𝑄′′ 27000
µ= = = 1.07
𝑄𝑄∗ 25298

µ+1/µ 2.0045
θ= = = 1.002
2 2

302
Luis Fernando Moreno Velásquez
En general:

1. El costo de administración es muy poco sensible a variaciones de la cantidad económica


a ordenar (Q).

2. El costo es más sensible a variaciones de Q por debajo de Q* que por encima.

303
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 16.
Modelo EOQ con faltantes (agotamientos)

Es normal que ocurran pequeños faltantes cuando por ahorrar dinero en el tiempo de
preparación se pida un lote que no alcance para cubrir todo el ciclo.

Sin embargo, también existirá un costo asociado a los faltantes, que llevará a que estos no
sean excesivos.

Los costos que se considerarán cuando hay faltantes son:

K: el costo de preparación para producir u ordenar un lote.

c: el costo de producir o comprar cada unidad.

h: el costo de mantenimiento de una unidad de inventario por unidad de tiempo.

p: el costo del faltante por una unidad de demanda insatisfecha por unidad de tiempo.

Adicionalmente se considera la demanda = a.

Note que los costos de este modelo son los mismos del anterior (EOQ), más un costo
adicional que denominamos p y que es precisamente el costo de los faltantes.

Aunque existen varias formas de manejar el inventario negativo (p), aquí se optará por un
manejo similar al que se le da al inventario positivo (h), es decir el valor de p se expresa en
$
, que se interpreta como los costos administrativos generados para la
𝑎𝑎𝑎𝑎𝑎𝑎í𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐−𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
empresa por mantener la promesa de entrega en el futuro de un artículo durante una unidad
de tiempo. Algunos costos que consideraría el valor de p, además de la administración
podría ser el costo de transporte del artículo si al cliente, cuando no encuentra el artículo,
se le promete además que se le entregará en sus instalaciones.

El caso que consideramos aquí es el de agotamientos planeados (diferente al de accidentales


que se da cuando la demanda es aleatoria).

Pero, ¿por qué planear trabajar con agotamientos, lo que genera malestar en el cliente?

La razón es que normalmente el manejo de agotamientos es menos costoso que el manejo


de inventarios, por lo que se generan ahorros, parte de los cuales se puede transmitir al
cliente y venderle más barato el artículo.

Para deducir la fórmula se utiliza nuevamente el gráfico de inventario como función del
tiempo. Note que los faltantes son considerados como un inventario negativo, que se

305
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
interpreta como artículos (mercancía) vendidos pendientes por entregar y que se denominan
pedidos retroactivos.

S: Nivel de inventario justo después de


Nivel de recibir un lote de Q unidades
inventario
Q-S: Faltante en inventario justo antes de
recibir un lote de Q unidades

S
Q

Tiempo t
0
Q-S S/a Q/a 2Q/a

Tiempo de ciclo

Figura 16.1

Note que la cantidad a pedir, cuando llega se divide en dos partes: S que se lleva a la bodega
y se guarda y (Q–S), los pedidos retroactivos que no van a la bodega sino que se le
despachan al cliente, porque esos artículos ya estaban vendidos.

Debemos hallar el costo total por unidad de tiempo ($/tiempo).

Similar a como se hizo en el caso del EOQ, primero hallaremos los costos únicamente para
un ciclo, por lo que los costos estarán en ($).

Costo por ciclo de producción u ordenar = K + cQ (los mismos del EOQ).

[$] + [$/ artículo] * [artículo] = [$].

En el gráfico anterior puede observarse que hay periodos de tiempo durante los cuales se
trabaja con inventario positivo (inventario físico) y periodos de tiempo durante los cuales
se trabaja con inventario negativo (promesas de entregas futuras).

306
Luis Fernando Moreno Velásquez
Calculemos ahora los costos de mantenimiento de los dos tipos de inventario (positivo
asociado con h y negativo asociado con p).

Como suponemos que el h y el p son constantes en el tiempo, entonces los costos de


mantener inventario positivo son h*Ipromedio+ y los de mantener inventario negativo son
p*Ipromedio−.
Á𝑟𝑟𝑟𝑟𝑟𝑟
Recuerde que el promedio de cualquier función es: , es decir el área bajo la curva
𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡
dividida por los límites durante los cuales se hace la integral.

Á𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎/2


El inventario promedio positivo es = =
𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡 𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡

𝑆𝑆
�𝑎𝑎�∗𝑆𝑆
𝑆𝑆 = S/2 (similar al del EOQ, el promedio es la mitad de la altura del triángulo)
2( )−0
𝑎𝑎

Como ya sabemos que el inventario positivo promedio es (S/2),

entonces:

Costo mantenimiento de inventario = hS/2.

[$/artículo-tiempo] * [artículo] = [$/tiempo].

Para hallar el costo en un ciclo debemos multiplicar por el tiempo que demora en agotarse
el inventario, es decir S/a
ℎ𝑆𝑆 𝑆𝑆
Costo mantenimiento de inventario por ciclo = * = hS2/(2a).
2 𝑎𝑎

[$/artículo-tiempo] * [artículo] * [tiempo] = [$].

Á𝑟𝑟𝑟𝑟𝑟𝑟 𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡á𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎/2


El inventario promedio negativo es = =
𝑡𝑡𝑡𝑡−𝑡𝑡𝑡𝑡 𝑡𝑡𝑡𝑡−𝑡𝑡𝑖𝑖

𝑄𝑄−𝑆𝑆
� 𝑎𝑎 �∗(𝑄𝑄−𝑆𝑆)
𝑄𝑄− 𝑆𝑆 = (Q−S)/2 (Nuevamente similar al del EOQ, el promedio es la mitad de la altura
2( )−0
𝑎𝑎
del triángulo).

Como ya sabemos que el inventario negativo promedio es (Q − S)/2),

entonces:

Costo mantenimiento de inventario = p(Q − S)/2.

[$/artículo-tiempo] * [artículo] = [$/tiempo].

307
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Para hallar el costo en un ciclo debemos multiplicar por el tiempo que demora en agotarse
el inventario, es decir (Q − S)/a.
𝑝𝑝(𝑄𝑄− 𝑆𝑆) (𝑄𝑄− 𝑆𝑆)
Costo mantenimiento de inventario por ciclo = * = p(Q – S)2/(2a)
2 𝑎𝑎

[$/artículo-tiempo] * [artículo] * [tiempo] = [$].

Entonces el costo total por ciclo es:

Costo total por ciclo = K + cQ + hS2/2a + p(Q – S)2/2a [$].

Para hallar el costo total por unidad de tiempo basta dividir por el tiempo Q/a.

Costo total por unidad de tiempo = [K +cQ + hS2/(2a) + p(Q − S)2/(2a)]/(Q/a).

= aK/Q + ac + hS2/(2Q) + p(Q – s)2/(2Q), que es una función de la cantidad económica de


pedido (en $/tiempo).

Este modelo tiene dos variables de decisión (S y Q) y los valores óptimos (S* y Q*) se
encuentran estableciendo las derivadas parciales:

∂ Costo total ∂ Costo total


∂S ∂Q

e igualándolas a cero

∂ Costo total hS p(Q − S)


= − =0
∂S Q Q

∂ Costo total aK hS2 p(Q − S) p(Q − S)2


=− 2 − + − =0
∂Q Q 2Q 2 Q 2Q 2

Resolviendo estas ecuaciones obtenemos:

2aK p
S* =
h p+h

2aK p+h
Q* =
h p

2K p+h
t* =
ah p

308
Luis Fernando Moreno Velásquez
2aK h
Q* − S * =
p p+h

donde Q* representa la cantidad óptima a pedir, que cuando llega se divide en dos partes:

S* es el máximo valor del inventario positivo, y determina el espacio que se requiere en la


bodega para almacenar el artículo. Note que este valor es menor que el que resultaría si no
se usaran agotamientos

(Q* − S*) es el valor máximo del inventario negativo, la máxima cantidad vendida sin
haber sido entregada (máxima promesa de entrega futura o faltante máximo)

t* representa el tiempo entre dos pedidos consecutivos.

Cuando el valor de uno de los costos p o h se hace mucho más grande que el otro, tanto Q*
como S* se comportan de manera intuitiva.

Reemplazando los valores de Q* y S* en la fórmula del costo obtenemos la expresión del


costo óptimo:

p
Costo admón* = 2aKh *
p+h

Observe que si se puede trabajar con faltantes, el costo óptimo siempre es menor que
p
cuando se trabaja sin faltantes, ya que el factor siempre es ≤ 1
p+h

Cuando p → ∞ Q* se vuelve

2aK
Q* =
h
𝑝𝑝
ya que tiende a 1.
𝑝𝑝+ℎ

La cantidad económica a ordenar tiende a la del modelo clásico, es decir no se incurre en


agotamientos debido a los altos costos de estos.

Similarmente ocurre cuando los costos de conservación son muy altos

Cuando h → ∞ S* se vuelve 0.

309
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
No es económico tener niveles de inventario positivos, con lo que cada nuevo lote de Q* no
debe ser mayor que lo necesario para cumplir con los faltantes actuales (Es una situación
de venta permanente de promesas de entrega futuras).

Ejemplo:

Manufactura de bocinas para televisores.

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.


2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es de $10 y es independiente del tamaño del lote fabricado.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.
5. Cada bocina que falta cuando se necesita cuesta $1.10 por mes.

Como ya hemos deducido las fórmulas para calcular las cantidades Q*, S* y t* simplemente
reemplacemos, teniendo en cuenta que todas las unidades, donde aparecen, sean las
mismas, ya que si no fuera así habría que convertirlas.

2aK p 2 * 8000 * 12000 1.1


S* = =
h p+h 0.3 1.1 + 0.3

S* = 22424 bocinas.

2aK p+h 2 * 8000 * 12000 1.1 + 0.3


Q* = =
h p 0.3 1.1

Q* = 28540 bocinas

Note que el valor a producir Q es mayor que en el caso de trabajar sin agotamientos; sin
embargo, el espacio que hay que reservar en la bodega para guardar el artículo S, es mucho
menor.

2K p+h 2 * 12000 1.1 + 0.3


t* = =
ah p 8000 * 0.3 1.1

t* = 3.6 meses

Así, la línea de producción debe prepararse cada 3.6 meses para producir 28540 bocinas.
El faltante máximo que se permite es de 6116 bocinas (Q*−S*). Note que Q* y t* no difieren
mucho de los valores para el caso donde no se permiten faltantes.

310
Luis Fernando Moreno Velásquez
Note que en este caso el máximo inventario positivo (22424 bocinas), es mucho mayor que
el máximo inventario negativo (6116 bocinas), lo cual se explica porque el mantenimiento
de inventario positivo h = 0.3 es mucho menor que el mantenimiento de inventario negativo
p =1.1.

Ejemplo: Compumarket

El proveedor entrega de inmediato.


El costo de hacer un pedido es de $20.
El costo de adquisición de las pantallas es de $500 por cada una de ellas.
El costo de mantenimiento por año es el 20% del precio de adquisición.
La demanda es de una pantalla por día.
Cada pantalla que falta cuesta $40 por año.

Note que son los mismos datos del problema del EOQ, al cual se le agrega únicamente el
valor de los faltantes p = 40$/bocina-año.

Utilizando las fórmulas (nuevamente es suficiente reemplazar los números sin hacer
análisis dimensional, porque todas las unidades son homogéneas donde aparece) se tiene:

2aK p 2 * 365 * 20 40
S* = =
h p+h 100 40 + 100

S* = 6.46 pantallas (se debe aproximar a 6, ya que debe ser un número entero).

2aK p+h 2 * 365 * 20 40 + 100


Q* = =
h p 100 40

Q* = 22.6 pantallas (Se debe aproximar a 23, ya que debe ser un número entero)

2K p+h 2 * 20 40 + 100
t* = =
ah p 365 * 100 40

t* = 0.0628 años = 22.6 días.

Así, los pedidos de pantallas deben hacerse cada 22.6 días y en lotes de 22.6 pantallas. El
faltante máximo que se permite es de 16.14 pantallas (Q*−S*). Note que debido al alto costo
de mantenimiento (h es mucho mayor que p) en relación con el costo de agotamientos el
almacén trabaja casi todo el tiempo con inventario negativo.

311
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
El tiempo que el almacén trabaja con inventario negativo es:

Q * − S * 22.6 − 6.46
tagotamientos = =
a 365

tagotamientos = 0.04 años = 16.14 días

Este dato es muy importante porque representa el máximo tiempo de entrega (para el cliente
más de malas) que le toca esperar a un cliente que cuando llega a comprar el artículo no se
encuentra en la bodega.

Ejemplo:

Suponga que con el fin de evitar un exceso de inventario retroactivo (negativo) se quiere
que el tiempo en que se trabaja con inventario negativo sea igual al tiempo que se trabaja
con inventario real (positivo).

¿Cuál es la cantidad a pedir?

Recuerde la expresión del costo total:

Costo total por unidad de tiempo = [K +cQ + hS2/(2a) + p(Q – S)2/(2a)]/(Q/a)

si hacemos S/a = (Q – S)/a obtenemos S = Q – S, es decir S =Q/2.

Reemplazando este valor en la fórmula del costo total por unidad de tiempo obtenemos:

Costo total por unidad de tiempo = [K +cQ + h(Q/2)2/(2a) + p(Q – Q/2)2/(2a)]/(Q/a) =

aK/Q + ac + hQ/8 + pQ/8 = aK/Q + ac + (h + p)Q/8

Si derivamos esta expresión respecto a Q y la igualamos a cero obtenemos:

−aK/Q2 + (h + p)/8 = 0, donde al despejar Q se obtiene:

8aK
Q* =
p+h

Ejemplo:

Un distribuidor de bicicletas revisa la política de inventario de un modelo popular de


bicicleta que vende a una tasa de 250 por mes. El costo administrativo de colocar una orden
al fabricante es de $200000 y el precio de compra es de $70000 por bicicleta. El costo de
capital comprometido anual es de 20% del valor básico, basado en el precio de compra de
estas bicicletas. El costo adicional de guardar las bicicletas (incluye costo de espacio de
almacén, seguros, impuestos, etc. es de $6000 por bicicleta año.

312
Luis Fernando Moreno Velásquez
a) Use EOQ básico para determinar la cantidad óptima a ordenar y el costo de
administración del inventario por año.

b) Los clientes del distribuidor n objetan retrasos cortos para que lleguen sus bicicletas.
Así que la administración está de acuerdo en una nueva política que acepta pequeños
faltantes ocasionales para reducir el costo variable total. La administración estima que
el costo anual por faltantes será $30000 por bicicleta año. Use el modelo de EOQ con
faltantes planeados para determinar la nueva política óptima.

c) Como el modelo con agotamientos produce menores costos de administración que


cuando se trabaja sin agotamientos, el dueño de la empresa desea entregar un bono, pero
solamente a los clientes que en el momento de la compra no encuentran la bicicleta.

¿Cuál es el máximo bono que se les puede ofrecer con el fin de que siga siendo mejor la
política de agotamientos con el bono que la política sin agotamientos?

El costo de total de almacenar h es: h = (20%/año)*($70000/bicicleta) + $6000/bicicleta-


año) =
h = $20000/bicicleta-año
Para omitir las unidades se expresa todo en bicicletas, años, $, se obtiene:
a (demanda) = 250 bicicletas/mes*(12 meses/año) = 3000 bicicletas/año
K = $200000
h = $20000/bicicleta-año.

a) Al reemplazar estos valores en la fórmula obtenemos:

2aK 2 * 3000 * 200000


Q* = = = 245 bicicletas
h 20000

Costo admón* = 2aKh = = 2 * 3000 * 200000 * 20000 = 4898980 $/año

b)

2aK p+h 2 * 3000 * 200000 30000 + 20000


Q* = = = 316 bicicletas
h p 20000 30000
2aK p 2 * 3000 * 200000 30000
S* = = 190 bicicletas
h p+h 20000 30000 + 20000

p
Costo admón* = 2aKh * =
p+h

313
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
30000
Costo admón* = 2 * 3000 * 200000 * 20000 = 3794700
30000 + 20000
$/año

En el gráfico de inventario como función del tiempo se observa que el porcentaje del tiempo
durante el cual los clientes no encuentran la bicicleta (cuando el inventario es negativo) es:

porcentaje de tiempo con inventario negativo

= (Q/a – S/a)/(Q/a) = (Q – S)/Q = (316 – 190)/316 = 39.87%.

Como la demanda siempre es constante esto quiere decir que al 39.87% de las bicicletas se
les debe entregar el bono o sea a (3000 bicicletas/año)*0.3987 = 1196 bicicletas/año.

A 1196 bicicletas/año se les debe entregar un bono de x$/bicicleta

El costo de las bicicletas con bono es entonces:


1196 (bicicletas/año)*(x$/bicicleta) = 1196x $/año.

El valor de x que hace que el costo en el cual los costos con agotamiento y bonos y sin
agotamientos son iguales se obtiene así:

3794700 + 1196x = 4898980

Al despejar x se obtiene:

x = (4898980 – 3794700)/1196 = 923 $/bicicleta

Por tanto, el máximo bono (regalo) que se les puede ofrecer a los clientes que cuando llegan
a comprar la bicicleta no la encuentran es 923$/bicicleta. Con valores mayores del bono,
empezaría a ser mejor la política de trabajar sin agotamientos.

314
Luis Fernando Moreno Velásquez
Capítulo 17.
Modelo EOQ con descuentos

Hasta ahora habíamos supuesto que el costo de adquisición o fabricación de una unidad era
constante y no dependía del tamaño del lote. De hecho, las soluciones óptimas encontradas
son independientes de esa cantidad.

Sin embargo, es normal que se otorguen descuentos por cantidad, o que entre más grande
sea el lote producido el costo de producción unitario disminuya.

Recordemos que el costo total por unidad de tiempo está dado por
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
Costo total por unidad de tiempo ($/tiempo) = + ac +
𝑄𝑄 2

Supongamos por ahora una sola escala de descuentos, y que el descuento se da a partir de
QD: cantidad de pedido a partir de la cual se otorgan descuentos.

csD: precio sin descuento para (Q < QD)

ccD: precio con descuento para (Q ≥ QD)


𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
Costo total (sD) = + acsd +
𝑄𝑄 2

𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
Costo total (cD) = + accd +
𝑄𝑄 2

a, K, h son los mismos del modelo EOQ.

Para hallar la cantidad económica a ordenar debemos analizar 2 casos

Caso 1: Si Q* < QD (se analizan los dos casos)

Tenga en cuenta que Q* es interno a la empresa, mientras que QD es definido por el


proveedor del artículo.
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
1.1 Costo total (sD) = + acsd +
𝑄𝑄 2
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
1.2 Costo total (cD) = + accd +
𝑄𝑄 2

Caso 2: Si Q* > QD el óptimo es QD.

315
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Caso 1 Q* < QD:

Costo total
Costo total
(SD)

Costo
total

Q
0 Q* QD

Figura 17.1

En el caso 1 encontramos dos únicos puntos candidatos a ser la cantidad económica a


ordenar.

El primero es el Q* del modelo sin descuentos (punto de derivada = 0), y el segundo es la


cantidad a partir de la cual se otorgan los descuentos (punto de discontinuidad).
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄∗
1.1 Costo total(sD) = + acsd +
𝑄𝑄∗ 2
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄𝑄𝑄
1.2 Costo total(cD) = + acsd +
𝑄𝑄𝑄𝑄 2

Se deben evaluar las dos funciones, y la que nos arroje el costo mínimo nos indica cuál es
la cantidad económica a ordenar.

Caso 2 Q* > QD

316
Luis Fernando Moreno Velásquez
Costo Costo total
total (SD)
En este caso es
obvio que el
óptimo sigue
siendo Q* pues
cuando se da el
descuento QD la
Costo total curva aún viene
(CD) descendiendo.

Q
0 QD Q *

Figura 17.2

Ejemplo: Compumarket

El proveedor entrega de inmediato.

El costo de hacer un pedido es de $20.


El costo de adquisición de las pantallas es de $500 por cada una de ellas.
El costo de mantenimiento por año es el 20% del precio de adquisición.
La demanda es de 1 pantalla por día.
Se otorga un descuento de $10 en cada pantalla cuando el pedido excede las 20 pantallas.
Note que es el mismo ejemplo del EOQ, al cual se le ha asignado un descuento si se piden
10 o más pantallas.
Primero que todo debemos hallar Q* del modelo sin descuentos. Basta recordar las fórmulas
deducidas y reemplazar los valores.

2aK 2 * 365 * 20
Q* = =
h 100

Q* = 12.08 pantallas (Recuerde que debería ser un número entero).

Estamos en el caso 1, donde Q* < QD (12.08 < 20) y por lo tanto debemos chequear los dos
puntos candidatos a ser la cantidad económica a ordenar.

317
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄∗
1. Costo total (sD) = + acsd +
𝑄𝑄∗ 2

𝑎𝑎𝑎𝑎 ℎ𝑄𝑄𝑄𝑄
2. Costo total (cD) = + acsd +
𝑄𝑄𝑄𝑄 2

Reemplazando los valores numéricos en las fórmulas obtenemos:


365∗20 100∗12.08
1. Costo total (sD) = + 365*500 +
12.08 2
365∗20 100∗20
2. Costo total (cD) = + 365*490 +
20 2

1.Costo total (sD) = 183708.5 [$/año].

2.Costo total (cD) = 180215 [$/tiempo].

Vemos en este caso que el costo total es menor cuando la cantidad económica a ordenar es
20 pantallas, es decir el número de pantallas a partir del cual se otorgan los descuentos.

Por esto Compumarket debe hacer uso de los descuentos y comprar lotes de 20 pantallas
para minimizar los costos totales de administración de inventario.
𝑄𝑄∗ 20
t* = = = 20 días
𝑎𝑎 1

Deben pedirse 20 pantallas cada 20 días.

Ejemplo: Manufactura de bocinas para televisores

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.


2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es: c1=$11 si se producen menos de 10000 bocinas. c2=$10 si se producen entre 10000
y 80000 bocinas y c3=$9.5 si se producen más de 80000 bocinas.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.

Note que hay tres escalas de descuentos:

Q < 10000 (c= 11$/bocina) (escala 1)

10000≤Q≤80000 (c=10.5$/bocina) (escala 2)

Q≥80000 (c=9.5$/bocina) (escala 3)

318
Luis Fernando Moreno Velásquez
En este ejemplo tenemos tres costos diferentes para las bocinas. Por lo tanto, tenemos tres
funciones de costo total diferentes.

Hallemos primero Q* del modelo sin descuentos.

2aK 2 * 8000 * 12000


Q* = =
h 0.3

Q* = 25298 bocinas

La forma de obtener el óptimo consiste en tomar las escalas de descuento en orden


ascendente y comparar de a dos, conservando siempre la que gana hasta ese punto, que se
denomina la incumbente.

El primer ahorro lo tenemos si producimos mínimo 10000 bocinas, pues pasan de costarnos
c1=$11 por bocina a c2=$10 por bocina.

Costo total
c1=$11

c2=$10

Es claro que el
óptimo sigue
siendo 25298.

0 QD= 10000 Q* = 25298 Q

Figura 17.3

El segundo ahorro lo tenemos si producimos 80000 bocinas o más, ya que pasan de


costarnos c2=$10 por bocina a c3=$9.5 por bocina.

Comparamos ahora la incumbente 25298 con la siguiente escala hasta menos de 80000.

319
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo total

c2=$10

c3=$9.5

0 Q

Q* = 25298 QD = 80000

Figura 17.4

𝑎𝑎𝑎𝑎 ℎ𝑄𝑄∗
1. Costo total (2) = + ac2 +
𝑄𝑄∗ 2
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄𝑄𝑄2
2. Costo total (3) = + ac3 +
𝑄𝑄𝑄𝑄2 2

Reemplazando
8000∗12000 0.3∗25298
1. Costo total (2) = + 8000*10 +
25298 2

8000∗12000 0.3∗80000
2. Costo total (3) = + 8000*9.5 +
80000 2

1. Costo total (2) = 87589 [$/mes]

2. Costo total (3) = 89200 [$/mes]

Vemos en este caso que el costo total es menor cuando el lote de producción es 25298
bocinas que cuando se producen 80000. Esto nos indica que no justifica aumentar el lote
de producción para obtener el ahorro.

320
Luis Fernando Moreno Velásquez
Si la cantidad descontada hubiera llevado a un costo unitario de $9 cuando se produjeran
más de 80000 bocinas, entonces se justificaría aumentar el lote de producción:
8000∗12000 0.3∗25298
1. Costo total (2) = + 8000*10 +
25298 2

8000∗12000 0.3∗80000
2. Costo total (3) = + 8000*9 +
80000 2

1. Costo total (2) = 87589 [$/mes]

2. Costo total (3) = 85200 [$/mes]

En el caso que c3=$9 si se producen más de 80000 bocinas se justificaría fabricar lotes de
este tamaño, pues obtendríamos el costo mínimo.

Este modelo es muy sensible a variaciones de c, lo cual se explica por el hecho de que el
costo de los artículos ac, es mucho mayor que las otras dos componentes del costo: pedir o
producir y guardar.

En el modelo de descuentos visto hasta ahora se ha supuesto que el costo de almacenar h


es constante, lo cual es una aproximación ya que, si el h es un porcentaje por unidad de
tiempo del costo de adquisición, el h varía para diferentes costos de adquisición
(descuentos).

Por eso un análisis más exacto debe tener esto en cuenta, tal como se muestra en el ejemplo
a continuación:

MBI fabrica computadores personales. Todas sus computadoras usan un puerto de USB. La
fábrica de MBI opera 52 semanas al año y requiere ensamblar 100 puertos de USB en las
computadoras por semana. La tasa de costo de mantener de MBI es 20% del costo de
adquisición por año. Sin importar el tamaño de la orden, el costo administrativo de colocar
una orden se estima en $50.

Se ofrecen unos descuentos por cantidad para órdenes grandes de acuerdo con la siguiente
tabla:

Categoría de descuento Cantidad comprada Precio unitario

1 1 a 99 $100

2 100 a 499 $95

3 500 o más $90

321
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
a) Determine la cantidad óptima a ordenar según el EOQ con descuentos por cantidad.
¿Cuál es el costo total anual resultante?

b) Con esta cantidad a ordenar. ¿Cuántas órdenes deben colocarse por año? ¿Cuál es el
tiempo entre órdenes?

a = (100 puertos/semana)*(52 semanas/año) = 5200 puertos/año


K = 50
h = (0.2 $/año)*CA (donde CA es el costo de adquisición)

Recuerde que la expresión del costo total en $/año es: aK/Q + ac+ hQ/2 para diferentes
valores de Q, y el Q donde la derivada es cero es:

2aK 2 * 5200 * 50 520000


QDer 0 = = =
h h h

Con estos valores se construye la siguiente tabla donde aparece el Q que produce la
520000
derivada cero y el Q* correspondiente a esa escala, que se explica después de
h
la tabla:

Para evaluar el costo total = aCA + aK/Q + hQ/2, se calculan cada uno de los tres términos
en forma independiente y al final se suman los tres en la columna Costo total.

Las unidades de la tabla son:

Cantidad: bicicletas
CA (Costo de adquisición): puertos USB

h: $/(puerto USB-año)

Qder0: puertos USB

Q*: puertos USB

aCA: $/año

ak/(Q*): $/año

hQ*/2: $/año

322
Luis Fernando Moreno Velásquez
Costo total: $/año

Escala Cantidad CA h QDer0 Q* aCA aK/(Q*) hQ*/2 Costo total

1 0-99 100 20 161.25 99 520000 2626 990 523616

2 100-499 95 19 165.43 165 494000 1572 1572 497144

3 ≥ 500 90 18 169.97 500 468000 520 4500 473026

Tabla 17.1

Para la escala 1 el Qder0 = 161.25, pero como esta escala no es válida sino entre 0 y 99,
entonces el Q* es 99, porque la curva hasta 99 es descendente.

Para la escala 2 el Qder0 = 165.42 (está dentro del rango 100 a 499), por lo que esa es la
cantidad óptima a pedir (se aproxima a 165).

Para la escala 3 el Qder0 = 169.97, pero como esta escala no es válida sino para Q ≥ 500,
entonces el Q* es 500, porque a partir de 500 la curva es creciente.

De acuerdo con esta tabla la cantidad óptima a pedir es de 500 puertos USB, ya que produce
el menor costo total.

a) El número de órdenes por año es a/Q* = 5200/500 = 10.4 órdenes/año


El tiempo entre órdenes es Q*/a = 500/5200 = 0.961 años, es decir debe hacerse
un pedido cada 0.9615 años, o sea cada 11.54 meses

Observaciones sobre los modelos del lote económico

1. Si se supone que el costo de un artículo es constante a través del tiempo, este costo
unitario no aparece en la solución óptima para el tamaño del lote. Este resultado ocurre
porque no importa que política se use, se requiere el mismo número de unidades y así
este costo por unidad de tiempo es fijo.

2. Se supuso antes que el tamaño del lote Q es constante de un ciclo a otro. El tamaño del
lote óptimo Q* de hecho minimiza el costo total por unidad de tiempo para cualquier
ciclo, por lo que el análisis muestra que debe usarse este tamaño de lote constante de un
ciclo a otro, aun cuando no se requiera un tamaño constante, a menos que varíen los
parámetros (demanda, costo fijo y costos variables).

323
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
3. El punto de inventario óptimo en el que debe reabastecerse nunca puede ser mayor que
cero en estos modelos. Si se espera hasta que el inventario baje a cero (o a menos de
cero si se permiten faltantes) reduce tanto los costos de mantenimiento como la
frecuencia con la que se incurre en el costo fijo K. Sin embargo, si no se cumplen por
completo las suposiciones de una tasa de demanda constante y conocida y de entrega
inmediata (es decir, si la demanda es estocástica) puede ser prudente planear un
inventario de seguridad, que queda cuando está programado reabastecer el inventario.

4. Los modelos suponen reabastecimiento inmediato (tiempo de adelanto cero). No


obstante, puede tomar en cuenta un tiempo de entrega si este se conoce. Sencillamente
se coloca el pedido con suficiente anticipación para que llegue cuando se necesite. A
continuación se verá cómo se maneja el tiempo d adelanto.

Tiempo de adelanto

Recordemos que el tiempo de adelanto es el tiempo que transcurre entre el momento de la


requisición y la llegada de mercancía. Puede ser determinístico o estocástico.

Se verá solamente el caso determinístico.

Nivel de inventario
tc: Tiempo de ciclo
tL: Tiempo de adelanto
Q R*: Punto de pedido

Tamaño
del lote

Tiempo
0 Q/

Tiempo de ciclo

Figura 17.5

324
Luis Fernando Moreno Velásquez
El tiempo de adelanto puede ser mayor que el tiempo de ciclo, o bien menor que éste.

Consideremos este último caso, es decir tL < tc es (el caso tL ≥ tc es un poco más complejo,
pero se maneja de forma parecida.

Nivel de

R* a = R*/tL

Tiempo t
0 R*= a/tL
tL

tC

Figura 17.6

Del gráfico se deduce que el punto de pedido es un nivel de inventario que sea suficiente
para el tiempo de pedido. En otras palabras, se adelanta el pedido un tiempo tal que cuando
llegue el pedido el inventario esté en cero.

325
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 18.
Modelo del lote de producción y el sistema de
clasificación ABC

Modelo del lote de producción


Hasta ahora habíamos supuesto que el pedido llegaba instantáneamente o que la producción
se reabastecía de inmediato.

Sin embargo, en la práctica una empresa manufacturera va produciendo paulatinamente y


a través del tiempo va vendiendo los artículos que le son demandados.

A continuación se explicará un modelo con el supuesto de que la producción se da


paulatinamente a una tasa b, que es mayor que la demanda a, porque si fuera menor o igual
habría demanda insatisfecha y no se necesitaría mantener inventario.

Los costos que se considerarán son:

K: El costo de preparación para producir u ordenar un lote.


c: El costo de producir o comprar cada unidad.
h: El costo de mantenimiento de una unidad de inventario por unidad de tiempo.
Recordemos además:
b: Tasa de producción de los artículos
a: Tasa de demanda de los artículos.
b>a

327
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Nivel de inventario

Q
Pendiente (b-
t1: tiempo de producción
t2: tiempo en que no se produce
M: nivel máximo de inventario
Q

Tiempo
t1 t2
0 Q/b Q/a t
Figura 18.1

Debemos hallar el costo total por unidad de tiempo ($/tiempo).

Note que el ciclo de producción se divide en dos partes:

t1: tiempo de producción


t2: tiempo en que no se produce

Tanto durante t1 como durante t2 se está vendiendo (satisfaciendo la demanda).

Durante t1 el inventario aumenta, porque se produce a una tasa mayor que la demanda y
durante t2 el inventario disminuye, porque sólo se está entregando el artículo.

El inventario alcanza su máximo valor al final de t1, cuando se deja de producir el artículo,
y tiene un valor M. Note que el nivel máximo de inventario M es menor que Q, la cantidad
producida, porque durante t1 se vende una parte del nivel Q producido.

Note que el punto del tiempo en el que se termina la producción (t1) es Q/b, en tanto el
punto del tiempo durante el cual termina el tiempo del ciclo y t2 es Q/b (tc = t1 + t2).

Con bases en estos supuestos primero hallaremos los costos únicamente para un ciclo, por
lo que los costos estarán en ($).

Costo por ciclo de producción = K + c Q.

[$] + [$/ artículo] * [artículo] = [$].

El Inventario promedio es:

328
Luis Fernando Moreno Velásquez
tf
∫ti
I (t )dt
t f − ti

O sea, el área bajo la curva (de inventario) dividida por los límites de la integral.

Observe que (Q – M) son los artículos vendidos durante la producción (t1) = demanda*t1 =
aQ aQ
a* , o Sea Q – M = a* ; despejando M obtenemos:
b b

𝑎𝑎𝑎𝑎 𝑎𝑎
M = Q – a* = Q(1 – ) (igual que en los casos anteriores: la mitad de la altura del
𝑏𝑏 𝑏𝑏
triángulo.

Inventario promedio = base*altura/2(Q/a – 0) =

 a Q
Q1 −  *
 b a
2 Q a
= 1 − 
Q 2  b
−0
a
Q a
Como el inventario promedio es (1 − ),
2 b

El costo mantenimiento de inventario = h*Ipromedio =


Q a
h* (1 − ) [$/artículo-tiempo] * [artículo] = [$/tiempo]
2 b

Para hallar el costo en un ciclo debemos multiplicar por la duración del ciclo Q/a
a
Costo mantenimiento de inventario por ciclo = (h*Q2/2a) [1 − ]
b

[$/artículo-tiempo] * [artículo] * [tiempo] = [$]

Entonces el costo total por ciclo es:


a
Costo total por ciclo = K + cQ + (h*Q2/2a) [1 − ]
b

Para hallar el costo total por unidad de tiempo basta dividir por Q/a

329
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo total por unidad de tiempo =

Q2  a 
K + cQ + h * 1 - 
2a  b 
Q
a
a
= aK/Q + ac + (hQ/2)*[1 − ] (en $/tiempo)
b

Que es función de la cantidad económica de pedido

Derivando esta función con respecto a Q y luego igualando a cero obtenemos las fórmulas
para la Q* y t*.

2aK
Q* =
 a
h 1 − 
 b

La longitud óptima del ciclo es:

= t* = Q*/a =

2K
t* =
 a
ah1 − 
 b

El costo óptimo reemplazando el valor de Q* en la expresión del costo es:

𝑎𝑎
Costo óptimo del lote de producción= �2𝑎𝑎𝐾𝐾ℎ(1 − )
𝑏𝑏

Ejemplo:

Manufactura de bocinas para televisores.

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $12000.


2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es $10.
3. El costo de mantenimiento de una bocina en almacén es de $0.3 por mes.
4. La demanda es de 8000 bocinas mensuales.

330
Luis Fernando Moreno Velásquez
5. La tasa de producción es de 14000 bocinas mensuales

Observe que estos datos son el mismo ejemplo de las bocinas, visto anteriormente, a los
cuales se les agregó el valor b = 14000 bocinas/mes, que es > la demanda =
8000/bocinas/mes.

Recuerde que, si las unidades son consistentes, es suficiente reemplazar los valores
numéricos. Reemplazando los valores en las fórmulas obtenemos:

2aK
Q* =
 a
h 1 − 
 b

2 * 8000 * 12000
Q* =
 8000 
0.31 − 
 14000 

Q* = 38644 bocinas

2K
t* =
 a
ah1 − 
 b

2 * 12000
t* =
 8000 
8000 * 0.31 − 
 14000 

t* = 4.83 meses

Manufactura de bocinas para televisores debe producir 38644 bocinas cada 4.83 meses para
minimizar los costos de manejo de los inventarios.

El tiempo que demora la producción está dado por:

tp* = Q*/b = 38644/14000 = 2.76 meses.

El tiempo durante el cual no se produce es:

Tiempo total del ciclo – tiempo de producción = 4.83 meses – 2.76 meses = 2.07 meses.

El inventario máximo está dado por:

331
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Q*  a
M = Q* − a * = Q * 1 − 
b  b

Que al reemplazar los valores numéricos obtenemos:

M = 38644*[1 – 8000/149000] 16552 bocinas

Es importante para determinar el espacio de almacenamiento (bodega) del artículo.

El sistema de clasificación ABC


El sistema de clasificación ABC no es un nuevo modelo de inventarios sino una forma de
clasificar los artículos de una empresa, de acuerdo con su importancia, bastante sencilla,
pero muy utilizada en las empresas.

Es una necesidad en casi todas las compañías saber la composición de sus inventarios. Es
por ello que existen formas de clasificarlos según su importancia.

El sistema de clasificación ABC nos ayuda a clasificar los inventarios en tres categorías:

A: muy importantes.
B: medianamente importantes.
C: poco o nada importantes.

Al aplicar el sistema de clasificación ABC es importante recordar lo expuesto por el


economista italiano Pareto, referente a que el 20% más importante de la causa es el
responsable del 80% del efecto.

El sistema ABC es una extensión de la ley de Pareto, porque divide los artículos, no en dos
categorías sino en tres.

Aplicándolo a los inventarios se vería:

Tipo de % participación % participación % participación % costos


artículo acumulada costos acumulado

A 10% 10% 70% 70%

B 10% 20% 20% 90%

C 80% 100% 10% 100%

Tabla 18.1

332
Luis Fernando Moreno Velásquez
Después de ordenados los artículos con su respectivo costo (en orden de importancia, que
enseguida veremos cómo se determina), se clasifican como artículos tipo A, desde el
primero hasta el primero que exceda el 70% de los costos; tipo B, desde el primero posterior
al último A hasta el primero que exceda el 90% de los costos; tipo C, los demás.

Note que la tabla nos dice que el primer 10% más importante de los artículos (tipo A)
representa el 70% de los costos; el segundo 10% más importante de los artículos representa
el 20% de los costos y un acumulado hasta los tipo B del 90% de los costos y el último
80% de los artículos (la mayoría, pero los menos importantes, solo representan el 10% de
los costos y por supuesto el 100% de los artículos representan el 100% de los costos).

Estos valores se han obtenido la de experiencia de numerosas empresas.

Existen numerosas formas de definir cuándo un artículo es más importante que otro, pero
la más aceptada y utilizada es el valor en pesos promedio que se mantiene del artículo en
inventario. Recuerde que al definir el inventario en pesos, todos los artículos están
representados en la misma unidad (dinero), lo que no permite comparar artículos muy
disímiles.

Para mejor entender estos conceptos, supongamos a manera de ejemplo una empresa que
maneja 4 tipos de artículos (usualmente son cientos de miles de artículos): neveras,
vestidos, vasos y lápices.

En la siguiente tabla se definen y se ordenan los artículos según el costo promedio en pesos
de cada uno de ellos.

Artículo Inventario Costo unitario Inventario % Costo % Artículos


promedio promedio ($) promedio ($) acumulado acumulados
(unidades)

Neveras 3 300000 900000 75% 25% − A

Vestidos 20 10000 200000 92% 50% − B

Vasos 18 5000 90000 99% 75% − C

Lápices 100 100 10000 100% 100% − C

Total 1200000

Tabla 18.2

333
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
De acuerdo con esta tabla el primero que en costo acumulado exceda el 70% (las neveras)
es el último A. Desde el siguiente hasta el primero que exceda el 90% (los vestidos) es el
último B. Los demás (vasos y lápices) son los artículos tipo C.

Esta clasificación pretende concentrarse solo en lo importante. Por ello la estrategia


recomendada de acuerdo con estas tres categorías es:

Estrategia:
Tipo A: utilizar EOQ.
Tipo B: utilizar EOQ con menos frecuencia.
Tipo C: no utilizar EOQ.

El gráfico siguiente donde aparece en el eje horizontal el porcentaje acumulado de artículos


(hasta el último que es el 100% de los artículos) y en el eje vertical el porcentaje acumulado
de costos (hasta el último que es el 100%), nos muestra la dispersión de los artículos.

Si el área entre la diagonal punteada y la línea curva superior es muy grande, quiere decir
que la empresa maneja artículos muy heterogéneos, en tanto que si esa área es pequeña
quiere decir que los artículos son más homogéneos.

% Costo

% Artículos
Figura 18.2

334
Luis Fernando Moreno Velásquez
Capítulo 19.
Revisión periódica - Un modelo general para
la planeación de la producción

Revisión periódica
Todos los modelos de la cantidad económica a ordenar estaban basados en el supuesto de
que la tasa de demanda era constante en el tiempo.

Cuando esta suposición se elimina, la fórmula del lote económico ya no asegura una
solución de costo mínimo.

Por eso se utiliza una estrategia diferente, denominada de horizonte finito. Es decir, se
planea la producción para un número finito de periodos. Todos los modelos vistos hasta
ahora suponen que los pedidos u órdenes de producción se hacen por un tiempo indefinido
(infinito), diferente a la que utilizaremos para el modelo de planeación de producción,
donde la planeación se hace para un horizonte finito (n periodos).

Considere que se debe planear la producción para los n siguientes periodos, dado que se
conocen las demandas para cada periodo i

ri: demanda en el periodo i para i=1, 2, ..., n

Las demandas ri se deben satisfacer a tiempo.

Note que las demandas pueden variar de un periodo a otro, por lo que tienen un subíndice
que indica precisamente el periodo. Para la demanda utilizaremos la letra r en lugar de la a
como se había hecho hasta ahora.

Los costos que se considerarán son:


K: el costo de preparación para producir u ordenar un lote.
c: el costo de producir o comprar cada unidad.
h: el costo de mantenimiento de una unidad de inventario por unidad de tiempo. Antes de
deducir las fórmulas del modelo, consideremos un ejemplo:

Ejemplo: Manufactura de bocinas para televisores

Introduciremos algunas modificaciones en el ejemplo que hemos venido trabajando.

335
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Un estudio de mercado indicó que la demanda no era constante, sino que variaba con la
temporada:
Octubre a diciembre 30000 bocinas (periodo o trimestre 1)
Enero a marzo 20000 bocinas (periodo o trimestre 2)
Abril a junio 30000 bocinas (periodo o trimestre 3)
Julio a septiembre 20000 bocinas (periodo o trimestre 4)

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $20000.


2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)
es $1.
3. El costo de mantenimiento de una bocina en almacén es de $0.2 por mes.
Como las demandas son todas múltiplos de 10000 se simplificará denotándolas:

r1=3 r2=2 r3=3 r4=2

El problema es determinar cuántas bocinas producir (si se producen) para el inicio de cada
periodo con el fin de minimizar el costo total.

Miremos dos casos extremos:

Producir bocinas cada periodo puede ser poco atractivo, pues se incurre en un costo fijo K
de $20000 cada periodo.

Similarmente ocurre si se produce todo de una vez, ya que el costo por mantener inventario
puede elevarse significativamente.

Quizá el mejor enfoque sea una estrategia intermedia en la que se produzcan bocinas más
de una vez, pero menos de cuatro.

Por ejemplo, una solución factible (aunque no óptima) puede ser la ilustrada a continuación:

336
Luis Fernando Moreno Velásquez
Bocinas
en miles Plan de producción
1. 30000 bocinas inicio periodo 1
6
2. 60000 bocinas inicio periodo 2
5 3. 10000 bocinas inicio periodo 4

1 2 3 4 Periodos

Figura 19.1

Habíamos dicho que esta solución, aunque era factible, no era la óptima

¿Cómo hallar entonces la solución óptima? Utilizaremos el algoritmo de la planeación de


la producción

Planeación de la producción - Un algoritmo


La clave para el desarrollo de un algoritmo eficiente para encontrar una política óptima de
inventarios para el modelo anterior consiste en la siguiente observación sobre la naturaleza
de la política óptima:

Una política óptima produce sólo cuando el nivel de inventario es cero, como se demuestra
a continuación:

337
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Bocinas en miles Llamemos a esta
6 política Política A

5
Esta política viola la
caracterización anterior de
4 una política óptima

1 2 3 4 Periodo

Figura 19.2

Observe que produce al inicio del periodo 4 cuando el inventario no está en 0.

Bocinas en miles

6 Sin embargo se puede ajustar esta política a una


similar llamada Política B
5
Esta política cumple la
4 caracterización de una política óptima
3

1 2 3 4 Periodos

Figura 19.3

338
Luis Fernando Moreno Velásquez
Note que es muy parecida a la política A, con la diferencia de que en el punto donde se
produce con el inventario diferente de cero se devuelve por medio de una paralela.

En lugar de producir (3, 6, 0, 1) al inicio de los periodos (1, 2, 3, 4), se producen (3, 5, 0,
2) al inicio de los mismos periodos.

Ahora juntemos las dos políticas en un solo gráfico:

Bocinas Los costos de


preparación y de
en miles producción para A y B
6 son iguales
6
5
A
4
3
2
1
Período
1 2 3 4

Figura 19.4

Sin embargo, el costo de mantenimiento de inventario siempre es menor o igual para la


política B, por lo que la suma de todos los costos es menor para la B.

En conclusión, si una política produce cuando el inventario es diferente de cero, siempre


es posible encontrar una de menor costo. A este tipo de políticas como la A se les denomina
políticas dominadas.

Con esta conclusión, para buscar el óptimo solo se considerarán políticas que producen
cuando el inventario es cero.

339
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Esta caracterización de las políticas óptimas se puede usar para identificar las políticas que
no son óptimas. Además, las únicas opciones para producir al principio del periodo i son:
ri, o ri + ri+1, … o ri+ ri+1+...+ rn. Es decir, producir para un número entero de periodos.

Otra forma de facilitar la búsqueda del óptimo es utilizar la política de producir solo al
principio de los periodos (no producir en algún punto intermedio), lo cual se justifica
porque, si se fuera a producir en un periodo intermedio, sería suficiente dividir el intervalo
en periodos más pequeños, para que el intervalo fuera el inicio.

Con base en estos dos principios: 1) solo se produce al principio de los intervalos y 2) solo
se produce cuando el inventario está en 0. Se plantea un algoritmo eficiente relacionado
con el enfoque de programación dinámica. Recuerde que la programación dinámica se
fundamenta en estos principios:

1) El problema debe poder partirse en etapas.


2) Las etapas se relacionan entre sí por medio de la relación recursiva.
3) Se resuelve una serie de problemas hipotéticos (uno para cada etapa).

Definamos:

Ci: costo total de una política óptima para los periodos i, i+1, ..., n cuando comienza el
periodo i con inventario 0.
Usando el enfoque de Programación Dinámica hacia atrás periodo por periodo, estos
valores de Ci se pueden encontrar calculando primero Cn luego Cn-1 y así sucesivamente
hasta obtener C1.
Ci se puede encontrar a partir de la relación recursiva:

Ci = mínimo{Cj+1 + K + c(r i+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}


j=i, i+1…n

Denota el periodo Costo total de Costo total de


cuando el producción en el mantenimiento en
inventario llega a tiempo que el tiempo que
un nivel de cero transcurre del transcurre del
por primera vez periodo i al periodo i al
después de periodo j periodo j
producir en el
Periodo i

El algoritmo halla Cn, Cn-1, ..., C1 uno a uno (versión de programación dinámica hacia atrás).

340
Luis Fernando Moreno Velásquez
Para i=1, el valor que minimiza indica entonces que la producción en el periodo 1 debe
cubrir la demanda hasta el periodo j, y la segunda producción será en el periodo j+1.

Para i=j+1, el nuevo valor de j identifica el tiempo que la segunda producción cubre la
demanda, y así sucesivamente.

Cuando j=n el término Cn+1 es igual a cero.

Ejemplo: Manufactura de bocinas para televisores.

1. Cada vez que se produce un lote, se incurre en un costo de preparación de $20000.

2. El costo unitario de producción de una sola bocina (excluyendo el costo de preparación)


es $1.

3. El costo de mantenimiento de una bocina en almacén es de $0.2 por mes.

Como las demandas son todas múltiplos de 10000 se simplificará denotándolas:

r1=3 r2=2 r3=3 r4=2 (unidades de 10000 bocinas)

Relación recursiva general:

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j= i, i+1, ..., n

Para i=4 (Problema hipotético: si hubiera que producir al principio del periodo 4, porque el
inventario está en cero, ¿cuál es la forma óptima de hacerlo para satisfacer la demanda hasta
el 4?

C4= C5 + 2 + 1(r4) (j varía desde 4 hasta 4)

Recuerde que cuando j=n el término Cn+1 es igual a cero.

C4 = 0 + 2 + 1(2) = 4

C4 = 4 (j toma un valor único).

Para encontrar C3 se deben analizar dos casos:

• El inventario llega a cero al final del tercer periodo (j = 3; se produce al principio del
3 solo lo del 3).

• El inventario llega a cero al final del cuarto periodo (j = 4; se produce al principio


del 3 lo del 3 y el 4).
341
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Bocinas en Bocinas en
5 miles 5 miles

4 4

3 3

2 2

1 1

3 4 Periodos 3 4 Periodos
Figura 19.5

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j= i, i+1, ..., n.

Para i=3 (problema hipotético: si hubiera que producir al principio del periodo 3, porque el
inventario está en cero, ¿cuál es la forma óptima de hacerlo para satisfacer la demanda hasta
el 4?

Denotaremos Cij: Costo de producir desde el principio del i hasta el final del j.

C3(3 ) = C4 + 2 + 1(r3) (Costo de producir desde el principio del 3 hasta el final del 3, o sea
producir solo lo del 3.

C3(4) = C5 + 2 + 1(r3 + r4) + 0.2 (r4) (Costo de producir desde el principio del 3 hasta el final
del 4, o sea producir lo del 3 y el 4.

C3(3) = 4 + 2 + 1(3) = 9

C3 = mín

C3(4) = 0 + 2 + 1(3 + 2) + 0.2 (2) = 7.4

C3 =7.4

342
Luis Fernando Moreno Velásquez
Esto quiere decir que si (hipotéticamente) hubiera que producir al principio del periodo tres
debiera producirse lo del 3 y el 4 y no producir en el 4.

Para i=2 (problema hipotético: si hubiera que producir al principio del periodo 2, porque el
inventario está en cero, ¿cuál es la forma óptima de hacerlo para satisfacer la demanda hasta
el 4?

Para encontrar C2 se deben analizar 3 casos:

• El inventario llega a cero al final del segundo periodo (j=2)

• El inventario llega a cero al final del tercer periodo (j=3)

• El inventario llega a cero al final del cuarto periodo (j=4)

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j= i, i+1, ..., n

C2(2) = C3 + 2 + 1(r2)

C2(3) = C4 + 2 + 1(r2 + r3) + 0.2 (r3)

C2(4) = C5 + 2 + 1(r2 + r3 + r4) + 0.2 (r3 + 2r4 )

C2(2) = 7.4 + 2 + 1(2) = 11.4

C2 =mín C2(3) = 4 + 2 + 1(2 + 3) + 0.2 (3) = 11.6

C2(4) = 0 + 2 + 1(2 + 3 + 2) + 0.2 (3 + 2*2) = 10.4

C2 =10.4

Esto quiere decir que si (hipotéticamente) hubiera que producir al principio del periodo dos
debiera producirse lo del 2, 3 y 4 y no producir en el 3 ni en el 4.

Para i=1

Para encontrar C1 se deben analizar cuatro casos:

• El inventario llega a cero al final del primer periodo (j=1)

343
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
• El inventario llega a cero al final del segundo periodo (j=2)

• El inventario llega a cero al final del tercer periodo (j=3)

• El inventario llega a cero al final del cuarto periodo (j=4)

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j= i, i+1, ..., n

C1(1) = C2 + 2 + 1(r1)

C1(2) = C3 + 2 + 1(r1 + r2) + 0.2 (r2)

C1(3) = C4 + 2 + 1(r1 + r2 + r3) + 0.2 (r2 + 2r3)

C1(4) = C5 + 2 + 1(r1 + r2 + r3 + r4) + 0.2 (r2 + 2r3 + 3r4 )

C1(1) = 10.4 + 2 + 1(3) = 15.4

C1(2) = 7.4 + 2 + 1(3 + 2) + 0.2 (2) = 14.8

C1 = mín. C1(3) = 4 + 2 + 1(3 + 2 + 3) + 0.2 (2 + 2*3) = 15.6

C1(4) = 0 + 2 + 1(3 + 2 + 3 + 2) + 0.2 (2 + 2*3 + 3*2) = 14.8

C1 =14.8

Observemos que C1(2) y C1(4) empatan como mínimos, lo que significa que las políticas
empatan como políticas óptimas (El problema tiene dos soluciones que producen el
óptimo).

La política C1(4) dice que se produzca suficiente en el periodo 1 para cubrir la demanda de
los cuatro periodos.

La política C1(2) cubre sólo la demanda hasta el periodo 2. Luego se usa el resultado de C3,
es decir, se produce lo suficiente en el periodo 3 para los siguientes dos periodos.

Los programas de producción óptimos son entonces:

1. Producir 100000 bocinas en el periodo 1.

Costo total = $148000

344
Luis Fernando Moreno Velásquez
2. Producir 50000 bocinas en el periodo 1 y 50000 bocinas en el periodo 3

Costo total = $148000

Observe que el costo unitario c es irrelevante en el problema, porque para todos los periodos
todas las políticas producen el mismo número de unidades al mismo costo. El costo c solo
es relevante cuando varía de periodo en periodo por descuentos, por volumen o por escalas
de producción diferentes.

345
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Capítulo 20.
Modelo estocástico de inventarios

Los modelos estocásticos son, en general, más complejos que los determinísticos vistos
hasta ahora. Sin embargo, veremos uno de los más sencillos para comprender el manejo de
la estocasticidad en la demanda (recuerde que hay otros parámetros que también pueden
ser estocásticos como el tiempo de adelanto).

Modelo de un periodo sin costo fijo

Hasta el momento hemos venido suponiendo que la demanda es conocida y cierta. Pero la
mayoría de los casos nos muestran demandas inciertas y desconocidas. Suponiendo que la
demanda para un periodo es una variable aleatoria, es posible conocer su distribución de
probabilidad.

El manejo de los fenómenos aleatorios (estocásticos) se hace por medio de la asignación


de variables aleatorias que expliquen el fenómeno. La determinación de la variable
aleatoria que explica el fenómeno aleatorio requiere un trabajo de campo que está fuera del
alcance de este curso.

Ejemplo: Distribuidor de bicicletas

Un distribuidor mayorista de bicicletas compra bicicletas al fabricante para surtir las


diferentes tiendas en el Oeste de Estados Unidos.

Existe incertidumbre sobre cuál será la demanda de bicicletas por parte de las tiendas en
cualquier mes, por lo que el distribuidor se enfrenta a la pregunta:

¿Cuántas bicicletas debe ordenar al fabricante en un mes determinado si no se conoce la


demanda?

Usaremos la notación salidas (costos) positivos e ingresos negativos.

El distribuidor ha analizado sus costos y ha determinado que los siguientes factores son
importantes:

347
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
1. Costo de ordenar

Costo de colocar un pedido + Costo de las bicicletas.

$0 $ 20
Nota. El distribuidor no podrá reordenar bicicletas para el periodo siguiente; o sea, se
considera un pedido para un solo periodo, ya que es un modelo de bicicleta que se va a
descontinuar. Por ser un solo pedido no hay que considerar el costo de colocar pedidos (K),
ya que es una constante.

2. Costo de mantenimiento

Costo de tener un inventario. Se ha estimado en $1 por bicicleta-periodo. Sin embargo, las


bicicletas tienen un valor de salvamento de $10 / bicicleta y se asegura que a ese precio se
venden todas, por lo que el costo neto es: (1−10) = −9$/bicicleta.

Aunque parece extraño que las bicicletas que se quedan hasta el final del periodo y se
venden a valor de salvamento dan una utilidad de 9$/bicicleta, hay que tener en cuenta que
este valor apenas permite recuperar parcialmente el costo de adquisición de las bicicletas.

3. Costo por faltantes

Costo por no tener una bicicleta disponible cuando se necesita.

Se considera despreciable en el siguiente ejemplo, (aunque existe un costo de oportunidad


que es la utilidad dejada de percibir):

Según la terminología que hemos venido empleando, se tiene:

K: 0 Costo de preparación

c: $20/bicicleta Costo de adquisición

h: −$9/bicicleta-mes Costo de mantenimiento

p: $45/bicicleta Precio de venta

Vamos a adoptar inicialmente el criterio de maximización del ingreso neto para la


formulación del modelo.

Ingreso neto (utilidad) = rendimiento total - costo en que se incurre.

Definamos

348
Luis Fernando Moreno Velásquez
y: cantidad comprada por el distribuidor al fabricante, que es la cantidad que debemos
determinar (la cantidad a pedir). Es lo que en los modelos determinísticos denominábamos
Q.

D: cantidad demandada por las tiendas al distribuidor

Ingreso neto = p * cantidad vendida por el distribuidor − c * cantidad comprada por el


distribuidor

−h * cantidad no vendida y liquidada al valor de recuperación.

Observe que se parte de la hipótesis de que todas las bicicletas se venden: unas a p
($45/bicicleta) y las demás al valor de recuperación ($10/bicicleta).

Cantidad vendida por el distribuidor = min {D, y}.

Cantidad no vendida por el distribuidor a pecio normal sino al valor de recuperación max{0,
y - D}

Ingreso neto = p min{D, y} − cy − h max{0, y − D}.

Pero se puede demostrar fácilmente que:

min{D, y} = D − max{0, D − y}.

Demostración:

Si y≥D: min {D, y} = D, y el max{0, D − y} = 0, por lo que se tiene D = D − 0, que es


cierto.

Si y<D: min {D, y} = y, y el max{0, D − y} = D−y, por lo que se tiene y = D − (D−y) que
también es cierto

Por lo que reemplazando este mínimo en la fórmula de arriba obtenemos:

Ingreso neto = (pD – p max {0, D − y}) − cy – h max {0, y − D}

Debemos Max Z =

pD – p max{0, D − y} − c y − h max{0, y − D}, pero pD es independiente de la política de


inventario (el valor de y seleccionado), por lo que se puede prescindir de su valor en el
proceso de optimización, algo similar a lo que se hace con las constantes en los procesos
de optimización, que se pueden ignorar, porque no influyen en la determinación de los
valores que producen el óptimo.

349
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Entonces debemos:

Max Z = − p max{0, D − y} − cy − h max{0, y − D}.

Recuerde que

Maximizar es equivalente a Minimizar

ingreso neto − (ingreso neto),

o sea, cambiarle el signo a la función objetivo.

Entonces el problema se convierte en:

Min Z = p max{0, D − y} + cy + h max{0, y − D}

Los tres términos de esta expresión tienen el siguiente nombre:

pmax{0, D - y}: se denomina Costo por faltantes, ya que este término no toma valor sino
cuando D≥y: Demanda ≥ cantidad pedida, o sea cuando hay faltantes).

Cy: (se denomina Costo de adquisición, ya que es el precio al que se compran las
bicicletas).

hmax{0, y - D}: se denomina costo de almacenamiento, ya que este término no toma valor
sino cuando y ≥ D: Cantidad pedida ≥ Demanda, o sea cuando sobran bicicletas, que hay
que guardarlas para venderlas al final del periodo a valor de salvamento.

Reemplazando los valores numéricos la función objetivo se vuelve:

Min Z=45max {0, D − y} + 20y − 9max {0, y − D}.

El costo total es una variable aleatoria, ya que la demanda D es una variable aleatoria y
cualquier función de una variable aleatoria es otra variable aleatoria.

C(D, y) = cy + pmax {0, D − y} + hmax {0, y − D}.

Es posible obtener una política óptima de inventario conociendo la distribución de


probabilidad de la demanda y minimizando el valor esperado del costo total. Aunque
existen varias formas de optimizar (en este caso minimizar) variables aleatorias, una muy
aceptada y bastante utilizada, consiste en minimizar el valor esperado (promedio) de la
variable aleatoria: costo total.

Como la demanda puede ser continua o discreta, analicemos los dos casos:

350
Luis Fernando Moreno Velásquez
Caso 1. Costo total esperado si la demanda tiene una distribución discreta PD(d)

C(y) = E {C (D, y)}.

C(y) = ∑∞
d=0[c y + p max {0, d − y} + hmax {0, y − d}] ∗ PD(d) ].

y−1
C (y) = c y + ∑∞
d=y[p(d − y)PD(d)] + ∑d=0[h(y − d)PD(d)].

Donde
El primer término se saca de la sumatoria ya que no depende de la demanda.
El segundo se hace variar desde y hasta ∞ ya que solo toma valores para d ≥ y.
El tercer término se hace variar (la demanda) de 0 a y−1, ya que solo toma valores para
y > d, o lo que es lo mismo para d < y.

Cuando la demanda es discreta la solución analítica de estas expresiones resulta bastante


compleja y por ello se supondrá una demanda continua.

Caso 2. Costo total esperado si la demanda tiene una distribución discreta PD(d).

ϕD ( ξ ) = Función de densidad de probabilidad de D.

Φ (a) = Función de distribución acumulada de D.

Recuerde que

a
Φ ( a ) = ∫ ϕ (ξ )dξ
0 D

Por lo que el costo total esperado si la demanda tiene una distribución continua PD(d)


C ( y ) = ∫ C (ξ , y )ϕ D (ξ )dξ
0

Esta es la expresión estadística de una función de una variable aleatoria (el costo, que es
función de la demanda) que tiene función de densidad dada por la función de densidad de
la demanda. Reemplazando el costo se tiene:


C( y) = ∫ [( cy + pmáx{0, ξ − y} + hmáx{0, y − ξ }]ϕ D (ξ )dξ
0

Y haciendo con los tres términos de la integral lo mismo que se hizo para el caso discreto
se llega a:

351
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
∞ y
C ( y ) = cy + ∫ p( ξ − y )ϕ D (ξ )dξ + ∫ h( y − ξ )ϕ D (ξ )dξ
y 0

C ( y ) = cy + L( y )

Es decir, cy + más una función L(y) que comprende los otros dos términos: costo esperado
por faltantes y almacenamiento.

El valor de y que minimiza C(y) se obtiene haciendo:


𝑑𝑑𝑑𝑑(𝑦𝑦)
= 0, lo que después de un largo proceso nos da que el valor de y que hace que esa
𝑑𝑑𝑑𝑑
derivada sea cero es un valor y0 tal que
𝑝𝑝−𝑐𝑐
Φ (y0) =
𝑝𝑝+ℎ

Para el caso discreto con función acumulada FD se tiene que y0 es el entero más pequeño,
tal que
𝑝𝑝−𝑐𝑐
FD (y0) ≥
𝑝𝑝+ℎ

y de esta forma se resuelven los dos casos: el discreto y el continuo.


𝑝𝑝−𝑐𝑐
El valor se denomina el factor crítico y se puede generalizar de la siguiente manera:
𝑝𝑝+ℎ

𝑝𝑝−𝑐𝑐 (𝑝𝑝−𝑐𝑐)
= (𝑝𝑝−𝑐𝑐)+(𝑐𝑐+ℎ) donde:
𝑝𝑝+ℎ

p – c es el costo de oportunidad en que se incurre si pido una bicicleta menos (me equivoco
en una bicicleta hacia abajo, o sea la demanda es una bicicleta más de lo que pedí, este
valor lo denominamos C− en tanto que c + h representa el costo en que se incurre si pido
una bicicleta más (me equivoco en una bicicleta hacia arriba), recuerde el caso numérico
donde c + h = $20 + (−$9) = $11, que es en realidad lo que pierdo si me queda sobrando
una bicicleta: $10 que pierdo al comprarla por $20 y venderla por $10 + $1 que pierdo por
haberla tenido guardada. Este valor lo denominamos C+

Por lo tanto el factor crítico se vuelve C−/(C− + C+).

Continuando con el ejemplo que hemos venido trabajando, supongamos que la demanda
tiene una distribución exponencial con media de 10000.

Note que, aunque la demanda de bicicletas es estrictamente discreta, la aproximamos por


una función continua, ya que es más sencilla de manejar, como se había dicho antes.

Recuerde que la función de densidad para una exponencial con media 10000 es:

352
Luis Fernando Moreno Velásquez
1
e-ξ/10000 si ξ > 0
10000

ϕD (ξ) =

0 de otra manera

Recuerde que c = 20, p = 45, h = − 9

a 1 −ξ / 10000
Φ (a ) = ∫ e dξ
0 10000

Por lo que

45 − 20
Φ ( a ) = 1 − e −a / 10000 = = 0.6944
45 − 9

Despejando se obtiene que:

1 – e-y0/10000 = 0.6944

Sacando logaritmo natural se llega a:

ln e-y0/10000 = ln 0.30556
−𝑦𝑦0
= −1.1856
10000

Es decir: y0 = 11856 bicicletas.

Observe que la solución consiste en pedir 11856 bicicletas, que es mucho mayor que la
media (10000 bicicletas), ya que el costo de una bicicleta que falta es mucho mayor que el
de una bicicleta que sobra.

C- = p – c = $45 − $20 = $25 (costo de oportunidad si me queda faltando una bicicleta)

C+ = c + h = $20 + (−94) = $11.

Por esa razón, el óptimo prefiere equivocarse hacia arriba que hacia abajo.

353
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Ejemplo:

La administración de una aerolínea ha decidido basar su política de sobreventa en el modelo


estocástico de un periodo con productos perecederos, ya que maximiza la ganancia
esperada. Esta política debe aplicarse a un vuelo nuevo de Bogotá a Medellín. El avión
tiene 125 asientos y una tarifa de $250.000 Como es común que algunos no se presenten,
la línea debe aceptar más de 125 reservaciones. En los casos en que llegan más de 125
personas a tomar el vuelo, la línea encuentra voluntarios que puedan tomar un vuelo más
tarde a cambio de un vale de $150.000 para cualquier vuelo futuro con la línea.

Por experiencia con vuelos similares, se estima que la frecuencia relativa del número de los
que no se presentan es la siguiente:

Número de no Frecuencia relativa


presentados

0 5%

1 10%

2 15%

3 15%

4 15%

5 15%

6 10%

7 10%

8 5%

Tabla 20.1

a) Al interpretar este problema como un problema de inventario, ¿cuáles son las unidades
de un producto perecedero que se coloca en inventario?
b) Identifique el costo unitario de ordenar de menos y el costo unitario de ordenar de más.
c) Use el modelo con estos costos para determinar cuántas reservaciones de sobreventa
aceptar

354
Luis Fernando Moreno Velásquez
a) Aunque aparentemente no hay manejo de inventarios en la venta de tiquetes,
piénsese que la sobreventa, los tiquetes vendidos en exceso, son un artículo que
se pone en inventario, se guardan para utilizarlos si se necesitan (cuando no se
presenta un pasajero), y que si no se necesita hay que descartarlo a un costo alto
(el bono), con lo que el modelo se puede asimilar al manejo de un producto
perecedero.
b) El costo unitario de una unidad de menos (si me falta un tiquete sobrevendido) es
el valor del tiquete porque la silla vuela vacía, es decir C− = $250.000
El costo unitario de una unidad de más (si me sobra un tiquete sobrevendido) es
el valor del bono, porque a ese pasajero hay que darle el bono para que no tome
ese avión, sino un vuelo más tarde, es decir C+ = $150.000
c) El factor crítico es: C−/(C− + c+) = 250.000/(250.000 + 150.000) = 0.625 = 62.5%

Calculamos la función acumulativa de la sobreventa:

Número de no presentados Probabilidad Probabilidad acumulada

0 0.05 0.05

1 0.10 0.15

2 0.15 0.30

3 0.15 0.45

4 0.15 0.60

5 0.15 0.75

6 0.10 0.85

7 0.10 0.95

8 0.05 1.00

Tabla 20.2

Como el menor valor de la acumulativa (que es mayor o igual al factor crítico es 0.75 que
corresponde al valor 5 en la acumulativa), se deben sobrevender 5 tiquetes, o sea vender
130 tiquetes para el vuelo de capacidad 125.

355
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problemas de Teoría de Inventarios

Problema 1. Una empresa local de contaduría en Guatemala pide cajas de 10 disquetes a


un almacén en la ciudad. El precio por caja que cobra el almacén depende del número de
cajas que se le compren (ver tabla). La empresa de contadores utiliza 10,000 disquetes por
año. El costo de hacer un pedido es 100 dólares. El único costo de almacenamiento es el
costo de oportunidad de capital, que se supone 20% por año. P1=50 dólares, P2=40 dólares,
P3=48.50 dólares

Número de cajas pedidas (q) Precio por caja (dólares)

0<=q<100 50.00

100<=q<300 49.00

q>=300 48.50

Cada vez que se hace un pedido de disquetes ¿Cuántas cajas se deben pedir? ¿Cuántos
pedidos se hacen al año? ¿Cuál es el costo anual total para cumplir con la demanda de
disquetes por parte de la empresa?
Los datos del problema son:
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 1 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
a = 10000 * = 1000
𝑎𝑎ñ𝑜𝑜 10 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑎𝑎ñ𝑜𝑜

K = 100 US$

h = (0.2/año)*costo adquisición en ($/caja)

Observe que como todas las unidades son homogéneas (por eso se convirtió la demanda a
cajas/año) el análisis en las fórmulas se puede hace sólo con los valores numéricos:

Encontremos el Q*

2𝑎𝑎𝑎𝑎 2∗1000∗100
Q* =� =� = 142.86 (cajas de disquetes)
ℎ 0.2∗49

357
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
El óptimo tiene que estar en 142.86 o en 100 (primera escala de descuento) o en 300
(segunda escala de descuento).

Como 142.86 no es entero, se den considerar los dos enteros más próximos 142 y 143.

Por lo tanto se deben considerar cuatro casos: 100, 142, 143 y 300

Analicemos los cuatro casos:


𝑎𝑎𝑎𝑎 ℎ𝑄𝑄 1000∗100 0.2∗49∗100
Costo (Q = 100) = + + ac = + + 1000*49
𝑄𝑄 2 100 2

= 1000 + 49 + 49000 = 50049 $/año


𝑎𝑎𝑎𝑎 ℎ𝑄𝑄 1000∗100 0.2∗49∗142
Costo (Q = 142) = + + ac = + + 1000*49
𝑄𝑄 2 142 2

= 704.23 + 695.80 + 49000 = 50400.03 $/año


𝑎𝑎𝑎𝑎 ℎ𝑄𝑄 1000∗100 0.2∗49∗143
Costo (Q = 143) = + + ac = + + 1000*49
𝑄𝑄 2 143 2

= 699.30 + 700.70 + 49000 = 50400 $/año


𝑎𝑎𝑎𝑎 ℎ𝑄𝑄 1000∗100 0.2∗49∗300
Costo (Q = 300) = + + ac = + + 1000*48.5
𝑄𝑄 2 300 2

= 333.33 + 1470 + 48500 = 50303.33 $/año


𝑄𝑄 300 12 𝑚𝑚𝑒𝑒𝑠𝑠𝑒𝑒𝑒𝑒
El tiempo de ciclo es = = 0.3 años* = 3.6 meses
𝑎𝑎 1000 1 𝑎𝑎ñ𝑜𝑜

En conclusión se deben pedir hacer pedidos de 300 cajas cada 3.6 meses (Observe que aquí
no funciona la fórmula del t* porque no se está pidiendo el Q*. Por ello se debe utilizar t*
𝑄𝑄
=
𝑎𝑎
𝑎𝑎 1000
El número de pedidos por año es: = = 3.33 pedidos/año
𝑄𝑄 3

El costo para la empresa de administración de los inventarios es:

50303.33 pesos anuales.


Problema 2. En un pueblo que está en la periferia de la ciudad, hay un centro de
emergencias con recursos limitados. Uno de los medicamentos que más se necesitan son
los sueros hemofílicos para contrarrestar las picaduras de culebras; el suero se pide a un
proveedor de la ciudad. Usted, como responsable del centro, acaba de recibir precios de un
proveedor, que ofrece un descuento por cantidad. La información se muestra a continuación
con los datos del problema.

Una demanda anual a = 18000 sueros al año

358
Luis Fernando Moreno Velásquez
Un costo de mantenimiento h = $0.7 por suero mes.

Un costo de pedidos fijos K = $150 por pedido.

Un costo de compra c basado en el número de sueros pedidos de la siguiente manera: los


sueros vienen en paquetes de 150 unidades, si se piden paquetes enteros el proveedor hará
un descuento del 15% de su costo por unidad, de lo contrario cada suero saldrá en $20.

¿Cuál debe ser la cantidad óptima a pedir y la frecuencia con la que se deben hacer los
pedidos?

2aK
Q* =
h
K = 150
18000 sueros 1 año
a= * = 1500 sueros/mes
año 12 meses
0.7$
h=
suero − mes
2(1750)(150)
Q* = = 866.03sueros
0.7

Para pedir un número entero de paquetes y ganarse el descuento del 15% se debe pedir un
número de paquetes igual al entero anterior y posterior.
1 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
Como Q* = 866.03 sueros* = 5.77 paquetes.
150 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

Entonces se deben analizar las opciones 5 paquetes y 6 paquetes o sea pedir 750 sueros o
900 sueros

Los datos del problema son:


𝑠𝑠𝑠𝑠𝑠𝑠𝑟𝑟𝑟𝑟𝑟𝑟 1 𝑎𝑎ñ𝑜𝑜 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
a = 18000 * = 1500
𝑎𝑎ñ𝑜𝑜 12 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚

K = 150$
$
h = 0.7
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠−𝑚𝑚𝑚𝑚𝑚𝑚

$
costo sin descuento = 20
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

$
costo con descuento del 15% en paquetes = 17
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

359
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Como todas las unidades son homogéneas se puede hacer el análisis sólo con los valores
numéricos:

aK hQ
CQ = + ac +
Q 2
1500(150) 750(0.7)
C750 = + 1500(17) +
750 2
C750 = 26062.5$ / mes
1500(150) 866.03(0.7)
C866.03 = + 1500( 20) +
866.03 2
C866.03 = 30562.91$ / mes
1500(150) 900(0.7)
C900 = + 1500(17) +
900 2
C900 = 26065$ / mes

De este análisis se concluye que es más favorable realizar los pedidos de 750 unidades, es
decir, 5 paquetes.

a 1750
F* = = = 2.33 veces/mes
Qelegido 750

Los pedidos se deben realizar 2.33 veces/mes.

Problema 3. La demanda de un artículo es de 800 unidades mensuales, el costo fijo de


hacer un pedido es de $1200 y el costo de mantenimiento de un artículo es 3.60 $
mensuales.
En que rango puede moverse el valor de la cantidad a pedir para que los costos
administrativos no excedan de $780 anuales?

Este es un problema de sensibilidad (capítulo 15 sensibilidad del costo a cambios en Q)

360
Luis Fernando Moreno Velásquez
2aK
Q* =
h
K = 1200$
800 unidades
a=
mes
3.60$
h=
unidad − mes
2(800)(1200)
Q* = = 2529.82unidades
0.3

C = costo real

C’ = costo modificado

𝐶𝐶 ′ ∗
= Relación de desviación del costo: variable dependiente
𝐶𝐶∗

𝑄𝑄 ′ ∗
µ= = Relación de desviación de la cantidad a pedir: variable independiente
𝑄𝑄∗

Como las unidades son homogéneas se puede hacer el análisis solo con los valores
numéricos

aK Qh
C= +
Q 2
800(1200) 2529.82(0.3)
C= +
2529.82 2
C = 758.95

361
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
C ' = 780
 1
 µ + 
C'  µ
=
C 2
2.055µ = µ 2 + 1
0 = µ 2 − 2.055µ + 1
2.055 ± ( −2.0552 ) − 4(1)(1)
µ=
2
µ1 = 1.139
µ 2 = 0.916

Q' = µ1Q *
Q' = 1.139(2529.92) = 2881.57
Q" = µ 2 Q *
Q" = 0.916(2529.92) = 2317.41

O sea que mientras la cantidad a pedir se mantenga en el rango 2317.41≤Q≤2881.57 el


𝐶𝐶 ′ ∗
costo no se incrementa más de 2.77% ( = 1.0277)
𝐶𝐶∗

Problema 4. Chucho es el dueño de una distribuidora de gaseosas en Marinilla y quiere


determinar cómo abastecerse todos los días por la mañana para satisfacer la demanda.
Chucho vende gaseosa en botellas de un litro cada una si la demanda en la mañana es de
20 a 24 litros de gaseosa; de allí en adelante Chucho no sigue vendiendo la gaseosa por
botellas sino que decide venderlas por mililitros, ya que no cuenta con más botellas para el
llenado de gaseosa, el proveedor de Chucho le vende la gaseosa a un costo de $1000 el litro
y éste la vende a $1500; la gaseosa que no pueda vender en el transcurso de 8 a 12 de la
mañana le es reembolsada a $600 el litro; además, de que incurre en un costo de
refrigeración de $30 por litro. El vendedor sabe que el 6% de las veces le compran 20 litros,
11% 21 litros, 10% 22 litros, 8% 23 litros, 5% 24 litros, de allí en adelante dado que
comienza a vender por mililitros esta demanda se asume que se distribuye en forma
continua de manera uniforme.

Si se sabe que lo máximo que le pueden comprar en volumen de gaseosa son 35 litros y lo
mínimo 20 litros por día, determinar cómo debe reabastecerse Chucho por las mañanas para
satisfacer la demanda.

Responda nuevamente como debe reabastecerse si el precio de venta es de $1150 el litro


en lugar de $1500.

362
Luis Fernando Moreno Velásquez
Este es un problema de demanda estocástica, donde la demanda se compone de dos partes:
la primera parte es una variable uniforme discreta y la segunda parte una variable uniforme
continua.

Demanda en la mañana: 20 a 24 litros (uniforme discreta)

Precio de compra (c) $1000/litro

Precio de venta (p) $1500/litro

Costo de refrigeración $30 por litro

Reembolso $600/litro

Probabilidad 0.06 0.11 0.10 0.08 0.05

Litros 20 21 22 23 24

c = 1000 p = 1500 h = 30 – 600 = -570 (Recuerde que el valor de salvamento


(reembolso) es negativo, porque los egresos son positivos y los ingresos negativos y que
representa el costo en que se incurre por un artículo que no se logra vender a precio normal
y hay que venderlo a valor de salvamento y que se compone de dos partes: costo de haberlo
tenido guardado + costo del valor de salvamento)

p − c 1500 − 1000 500


factor crítico = = = = 0.5376
p + h 1500 − 570 930

Prob acumulada para 20 ≤ x ≤ 24 = 0.4 = (0.06+0.11+0.10+0.08+0.05)

Como la parte discreta acumula 40% (0.4) de la probabilidad, la parte continua de acumular
el 60% (0.6) restante.

Recuerde que la función de densidad de una continua uniforme es Kx; determinemos K


35
Prob acumulada para 24 ≤ x ≤ 35 = 0.6 = ∫24 𝐾𝐾𝐾𝐾𝐾𝐾 = K(35 – 24) = 0.6; despejando K obtenemos K = 0.6/1 =
0.05454

Como el factor crítico es 0.5376, debemos encontrar un valor de la acumulada (x) que sea
igual a 0.5376

Prob (20≤X≤x) = 0.5376 (Note que X es la variable aleatoria, en tanto que x es un valor
particular de la variable aleatoria.

363
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Prob (20≤X≤x) = Prob (20≤X≤24) + Prob (24≤X≤x) = 0.4 + 0.05454(x – 24) = 0.5376;
despejando x obtenemos:
0.5376−0.4
X= + 24 = 26.52. Por lo que Chucho, si el precio de venta es $1500/litro debe
0.05454
pedir todos los días 26.52 litros de gaseosa para minimizar los costos (o en forma
equivalente maximizar la utilidad)

Si el precio de venta es $1150/litro, en forma similar se tiene:

p − c 1150 − 1000 150


factor crítico = = = = 0.2586
p + h 1150 − 570 580

En este caso la acumulada está en la parte discreta (ya que 0.2586<0.4), por lo que se debe
pedir una cantidad de litros tal que sea el valor mínimo que sea mayor a 0.2586, que se
obtiene pidiendo 22 litros, ya que Prob (20≤X≤22) = 0.06 + 0.11 + 0.10 = 0.27 (que es
valor mínimo de la acumulada que es ≥ 0.2586

Por lo que Chucho, si el precio de venta es $1150/litro debe pedir todos los días 22 litros
de gaseosa para minimizar los costos (o en forma equivalente maximizar la utilidad).

Problema 5. DELL, empresa que produce computadoras, desea planear la producción de


los próximos 3 meses, para los cuales las respectivas demandas son 100, 120 y 80. El costo
de preparación es de $200 en el primer mes, $400 en el segundo y $300 en el tercero. El
costo unitario de producción es de $1500 si se producen menos de 110 computadoras,
$1200 si se producen entre 110 y menos de 250, y $1000 si se producen 250 o más. Además,
se incurren en unos costos unitarios mensuales de almacenamiento de $100 durante el mes
1, y de $200 durante los meses 2 y 3.

Determine el programa de producción óptimo que satisface los requerimientos mensuales


y su costo total.
Este problema de planeación de la producción se resuelve por programación dinámica.
Mes K h Demanda

1 200 100 100

2 400 200 120

3 300 200 80

364
Luis Fernando Moreno Velásquez
Recuerde que la relación de recurrencia (que se aplica en todos los periodos) es:

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j=i, i+1…n

y que Ci(j) representa el costo de producir al principio del periodo i para satisfacer las
demandas desde el i hasta el j, lo que llevaría a producir nuevamente en el periodo j+1

C3(3)=C4+300+1500(80) => 0+300+120000 = 120300*

C2(2) =C3+400+1200(120) => 120300+400+144000 = 264700

C2(3)=C4+400+1200(200)+200(80) => 0+400+240000+16000 = 256400*

C1(1)=C2+200+1500(100) => 256400+200+150000 = 406600

C1(2)=C3+200+1200(220)+100(120) => 120300+200+264000+12000 = 396500

C1(3)=C4+200+1000(300)+100(200)+200(80) =>0+200+300000+20000+16000 = 336200*

La solución es producir 300 computadoras en el mes 1 y no volver a producir. El costo total


es $336200

Problema 6. La demanda de algunos bienes responde a un fenómeno económico llamado


efecto snob. Este hace referencia a aquellos productos cuya demanda disminuye a medida
que aumentan las ventas del bien. Este es el caso de las obras de arte, los carros de lujo,
artículos coleccionables, entre otros. Suponga que uno de tales productos tiene una
demanda a, pero cuando el nivel de inventario llega a la mitad de lo pedido, la demanda se
disminuye a la mitad.

a. Cuál es la expresión de la cantidad económica de pedido?

b. Cada cuánto se deben realizar pedidos?

a. Recuerde que el costo total en $ durante un ciclo tiene tres componentes:

Costo de pedir = K ($)


$
Costo de la mercancía (los artículos) = cQ ( )*artículos = $
𝑎𝑎𝑎𝑎𝑎𝑎í𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
$
Costo de guardar = h*área (si h es constante) = *atículos*tiempo = $
𝑎𝑎𝑎𝑎𝑎𝑎í𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐−𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡

Observe que las unidades de los tres términos son $

Costo total es $ durante el ciclo = K + cQ + h*área.


365
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Para evaluar el área (la integral) grafiquemos como varía el inventario como función
del tiempo:

Inv

Q/2 - - - - - - - -

2 3 .

. Tiempo

Q/2a 3Q/2a

Área = área triángulo 1 + área rectángulo 2 + área triángulo 3

=(Q/2a)*(Q/2)/2 + (Q/2a)*(Q/2) + (Q/a)*(Q/2)/2 = Q2/(8a) + Q2/(4a) + Q2/4a =


5Q2/(8a)

Costo total es $ durante el ciclo = K + cQ + h*5Q2/(8a)

Costo en $/tiempo = (Costo total es $ durante el ciclo)/(tiempo del ciclo)

[K + cQ + h*5Q2/(8a)]/(3Q/2a) = 2aK/(3Q) + 2ac/3 + 5hQ/12

Derivando esta expresión respecto a Q e igualando a cero obtenemos:


𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑
= (-2aK)/(3Q2) + 5h/12 = 0 y despejando Q obtenemos:
𝑑𝑑𝑑𝑑

24𝑎𝑎𝑎𝑎
Q* =� (Esta es la expresión de la cantidad óptima a pedir
15ℎ

24𝑎𝑎𝑎𝑎 24𝐾𝐾
El tiempo de ciclo óptimo es t* = Q*/a = � /a = �
15ℎ 15𝑎𝑎ℎ

Problema 7. Un local del hueco vende en promedio 16.500 DVD’s mensuales. La


empresa cuenta con 2 proveedores principales y deberá escoger sólo uno. Uno le ofrece
torres de 25 DVD’s, cada una a $15.000. El otro le ofrece torres de 50 DVD’s, cada una a
$29.000. El almacenamiento de un DVD para el dueño del local consiste solamente en el
costo de capital que se estima en el 2% por día del valor de adquisición y hacer un pedido

366
Luis Fernando Moreno Velásquez
le cuesta $5.000. Si el dueño pide 700 o más DVD’s, cualquiera de los 2 proveedores le da
un 5% de descuento. Nota: Un mes tiene 30 días.

a. Cuántas torres de DVD debe pedir el dueño, a qué proveedor y cuánto le cuesta?

b. Cada cuánto debe hacer pedidos el local?

Para hacer más fácil la solución volvamos homogéneas todas las unidades (todo
expresado en días, DVDs, $)
16500 𝐷𝐷𝐷𝐷𝐷𝐷 𝑚𝑚𝑚𝑚𝑚𝑚 550 𝐷𝐷𝐷𝐷𝐷𝐷
a= * = (demanda)
𝑚𝑚𝑚𝑚𝑚𝑚 30 𝑑𝑑í𝑎𝑎𝑎𝑎 𝑑𝑑í𝑎𝑎

K = 5000$ (costo fijo)


15000 $ 600 $
c1 = = (costo unitario del proveedor 1)
25 𝐷𝐷𝐷𝐷𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷
29000 $ 580 $
c2 = = (costo unitario del proveedor 2)
50 𝐷𝐷𝐷𝐷𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷
0.02 600$ 12 $
h1 = * = (costo de mantenimiento del proveedor 1)
𝑑𝑑í𝑎𝑎 𝐷𝐷𝐷𝐷𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷−𝑑𝑑í𝑎𝑎
0.02 580$ 11.6 $
h2 = * = (costo de mantenimiento del proveedor 2)
𝑑𝑑í𝑎𝑎 𝐷𝐷𝐷𝐷𝐷𝐷 𝐷𝐷𝐷𝐷𝐷𝐷−𝑑𝑑í𝑎𝑎

2𝑎𝑎𝑎𝑎 2∗550∗5000
Q1* = � =� = 677 DVD
ℎ1 12

2𝑎𝑎𝑎𝑎 2∗550∗5000
Q2* = � =� = 688.6 DVD
ℎ2 11.6

Recuerde que para el proveedor 1 el óptimo está en 675 o 700 (los múltiplo de 25 por
encima y por debajo del óptimo para comprar en paquetes de 25) y para el proveedor 2
el óptimo está en 650 o 700 (los múltiplos de 50 por encima y por debajo, para comprar
en paquetes de 50)
Sin embargo comprar 700 es más económico para el proveedor 2 que para el 1, ya que
unitariamente vende más barato.
Entonces hay que analizar solamente tres opciones: 675 al proveedor 1, 650 al
proveedor 2 y 700 al proveedor 2. Analicémoslas:
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
Costo ($/tiempo) = + ac +
𝑄𝑄 2

550∗5000𝐾𝐾 12∗675
C1(675) = + 550*600 + = 4070.07 + 330000 + 4050 = 338120.07
675 2
$/día

367
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
550∗5000𝐾𝐾 11.6∗650
C2(650) = + 550*580 + = 4230.77 + 319000 + 3770 = 327000.77
650 2
$/día
550∗5000𝐾𝐾 11.6∗700
C2(700) = + 550*580*0.95 + = 3928.57 + 303050 + 4060 =
700 2
311038.57 $/día

tc* = Q*/a = 700/550 = 1.27

De las tres alternativas la de menor costo es pedir 700 DVDs al proveedor 2 cada 1.27
días con un costo de 311038.57 $/día

Problema 8. Una fundidora está planeando la compra de un molde metálico especial para
hacer unas piezas de carro, y esta decisión dependerá de los costos por unidad de tiempo
en los que se incurra con cada una. El molde 1 tiene espacio para 20 piezas, su preparación
por ciclo cuesta $20.000 y el costo unitario de cada pieza es de $1.200 por su parte, el
molde 2 tiene espacio para 50 piezas, su costo de preparación por ciclo es $22.500 y el
costo unitario de cada pieza es $1.190. El costo de mantener en inventario una pieza por
semana es de $100.

Se sabe que la demanda de las piezas es de 500 piezas por semana y la fundidora tiene una
capacidad de producción de 1500 piezas por semana independientemente del molde que
compre. Cada vez que se utilice el molde se debe llenar por completo, es decir, se harán
tantas piezas como espacios tenga el molde.

Qué molde debe comprar la fundidora, cuál es el costo por semana y cuál es la cantidad
óptima de piezas que debe producir?

a = 500 piezas/semana (demanda)

b= 1500 piezas/semana (producción)

h=$100/vaso-semana

Este modelo es del lote económico de producción

2ak
Q* =
a
h(1 − )
b
𝑎𝑎
𝑎𝑎𝑎𝑎 ℎ𝑄𝑄(1− )
𝑏𝑏
Costo ($/semana) = + ac +
𝑄𝑄 2

Molde 1 (múltiplos de 20)

C1= $1200/vaso

368
Luis Fernando Moreno Velásquez
K1=$20000

Como todas las unidades son homogéneas, es suficiente reemplazar los valores numéricos
en las fórmulas:
2∗500∗20000
Q1* = � 100(1− 500 )
1500

Q1* = 547.72 moldes

Se deben evaluar los múltiplos de 20 anterior y posterior 540 y 560, así:


500
100∗540(1− )
500∗20000 1500
+ 500*1200 + = 636518 $/semana
540 2
Costo 1 (540) =
500
100∗560(1− )
500∗20000 1500
+ 500*1200 + = 636523 $/semana
560 2
Costo 1 (560) =

Molde 2 (múltiplos de 50)

C2= $1190/vaso

K2=$22500
2∗500∗22500
Q2* = � 100(1− 500 )
1500

Q2* = 580.94 piezas

Se deben evaluar los múltiplos de 50 anterior y posterior 550 y 600, así:


500
100∗550(1− )
500∗22500 1500
+ 500*1190 + = 633788 $/semana
550 2
Costo 2 (550) =
500
100∗600(1− )
500∗22500 1500
+ 500*1190 + = 633750 $/semana
600 2
Costo 2 (600) =

De las cuatro alternativas la menor es la de producir 600 en el molde 2 cada vez que echa
a andar la maquinaria de producción, lo que tiene un costo de 633750 $/semana.

Problema 9. Se encuentra usted frente a una importante consultoría que le hace una
empresa productora y expendedora de vinos denominada “El Ebrio Inconsciente” quien le
ha informado que según estudios estadísticos rigorosos la demanda de bebidas se comporta
de la siguiente manera:

369
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑄𝑄
⎧ 𝑎𝑎 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 ≥
2
⎪ 𝑄𝑄 𝑄𝑄
𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷 (𝑎𝑎) = 2𝑎𝑎 𝑠𝑠𝑠𝑠
4
≤ 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 <
2
⎨ 𝑄𝑄
⎪ 𝑎𝑎 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 <
⎩ 4

La demanda se da en botellas por unidad de tiempo


Adicionalmente le dice que el costo de elaboración de una bebida es c y que el costo de
iniciar la maquinaria y los tanques de fermentación se ha estimado en K pesos. Cada botella
de licor se guarda en una cava de vino y se ha cuantificado el costo de permanecer en dicha
cava por botella en h $ por unidad de tiempo. El Gerente de “El Ebrio Inconsciente” le pide
a usted que encuentre una expresión para calcular la cantidad óptima a pedir (Q*) según la
política empresarial.

Inv.
Q

Q/2 ---------------------

4 .

Q/4 ------- 1---------------- .

2 5
Tiempo
---------Q/2a--------Q/8a -Q/4a-
---------------7Q/8a---------------

Observe las medidas (en tiempo de los tres intervalos en el gráfico):

Para el primer intervalo: (Q/2)/a = Q/(2a)


Para el segundo intervalo: (Q/4)/(2a) = Q/(8a)
Para el tercer intervalo: (Q/4)/a = Q/(4a)
Tiempo del ciclo = tc = Q/(2a) + Q//8a) + Q/(4a) = 7Q/(8a) = 0.875Q/a

Costo total ($) = K + cQ + h*área

370
Luis Fernando Moreno Velásquez
Calculemos el área:
área = área rectángulo 1 + área rectángulo 2 + área triángulo 3 +área triángulo 4 + área
triángulo 5

𝑄𝑄 𝑄𝑄 𝑄𝑄 𝑄𝑄 𝑄𝑄 𝑄𝑄 1 𝑄𝑄 𝑄𝑄 1 𝑄𝑄 𝑄𝑄 1
á𝑟𝑟𝑟𝑟𝑟𝑟 = � ∗ � + � ∗ � + � ∗ ∗ �+ � ∗ ∗ �+ � ∗ ∗ �
2 2𝑎𝑎 4 8𝑎𝑎 2 2𝑎𝑎 2 4 8𝑎𝑎 2 4 4𝑎𝑎 2
𝑄𝑄 2 𝑄𝑄 2 𝑄𝑄 2 𝑄𝑄 2 𝑄𝑄 2 29𝑄𝑄 2
á𝑟𝑟𝑟𝑟𝑟𝑟 = � � + � �+� �+ � �+ � �= = 0.453125Q2
4𝑎𝑎 32𝑎𝑎 8𝑎𝑎 64𝑎𝑎 32𝑎𝑎 64𝑎𝑎

Entonces Costo total($) = K + CQ + h*29Q2/64a

Costo total ($/tiempo) = Costo total/[7Q/8a] = [K+cQ+h*29Q2/64a]/(7Q/8a)

$ 8𝑎𝑎𝑎𝑎 8𝑎𝑎𝑎𝑎 29𝑄𝑄 𝑑𝑑


𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡( )= + +ℎ� � = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 =
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 7𝑄𝑄 7 56 𝑑𝑑𝑑𝑑
8𝑎𝑎𝑎𝑎 29
− +ℎ∗ e igualando la derivada a cero teneomos:
7𝑄𝑄 2 56

8𝑎𝑎𝑎𝑎 29 56 ∗ 8𝑎𝑎𝑎𝑎 448𝑎𝑎𝑎𝑎 64𝑎𝑎𝑎𝑎


0=− 2
+ℎ∗ 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑄𝑄 ∗= � =� =�
7𝑄𝑄 56 29 ∗ 7 ∗ ℎ 203ℎ 29ℎ
64𝑎𝑎𝑎𝑎
La cantidad a pedir es entonces Q* =�
29ℎ

Problema 10. En un pueblo hay un chamán llamado “Akiles Va” que vende yagé por litro
puesto que los clientes llevan sus recipientes para verter el brebaje. La demanda de este
producto durante cualquier día es estocástica, y difícil de estimar; sin embargo mediante
brujería el chamán ha calculado que la demanda se distribuye mediante una exponencial
𝜃𝜃𝑒𝑒 −𝜃𝜃𝜃𝜃 𝑐𝑐𝑐𝑐𝑐𝑐 𝑙𝑙 = 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑦𝑦 𝜃𝜃 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝á𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 = 0.007/𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙.

Al iniciar un día él puede elaborar el yagé a un costo de 1000 pesos por litro y los vende a
1500, pero para aumentar sus ventas “Akiles Va” ofrece un bono de 500 pesos por cada
litro si un cliente no encuentra yagé en su establecimiento; si al final del día no ha podido
vender todo el yagé tiene que botarlo puesto que no se puede guardar por más tiempo;
finalmente el mantener el yagé un día tiene un costo de 5 pesos por litro. Cuántos litros de
yagé debe preparar el chamán cada día?

Cómo cambiaría el anterior resultado si se considera la demanda de yagé continua y


uniforme definida desde 10 hasta 100 litros?
𝐶𝐶 − = costo por un litro faltante = costo de oportunidad + bono = (1500 -1000) + 500 =
1000$/litro
𝐶𝐶 + = costo por un litro sobrante = costo de elaboración + costo de almacenamiento = 1000
+ 5 = 1005$/litro

371
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝐶𝐶 − 1000
− +
= = 0.498753117
𝐶𝐶 + 𝐶𝐶 1000 + 1005

Caso exponencial:
𝑥𝑥
∫0 𝜃𝜃 ∗ 𝑒𝑒 𝜃𝜃𝜃𝜃 ∗ 𝑑𝑑𝑑𝑑 = �1 − 𝑒𝑒 −𝜃𝜃𝜃𝜃 �. 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑙𝑙𝑙𝑙 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑎𝑎𝑙𝑙 𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑥𝑥 𝑠𝑠𝑠𝑠 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡:

[1- e-θx] - [1- e-θ0] = e-θ0 - e-θx = 1 - e-θx

�1 − 𝑒𝑒 −𝜃𝜃𝜃𝜃 � = 0.498753117 ==> 0.501246882 = 𝑒𝑒 −𝜃𝜃𝜃𝜃 ==> 𝑥𝑥


ln (0.501246882)
= = 98.66 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙
−𝜃𝜃

Si la distribución de la demanda es exponencial con parámetro θ= 0.007, el chamán debe


elaborar todos los días 98.66 litros de yagé para maximizar su utilidad promedio.

Caso continua:
100
1
� 𝑘𝑘 ∗ 𝑑𝑑𝑑𝑑 = 1 ==> 𝑘𝑘 ∗ (100 − 10) = 1 ==> 𝑘𝑘 =
90
10
𝑥𝑥
1 1
� ∗ 𝑑𝑑𝑑𝑑 = 0.498753117 ==> ∗ (𝑥𝑥 − 10) = 0.498753117 ==> 𝑋𝑋
90 90
10
= (0.498753117 ∗ 90) + 10 = 54.89 𝑙𝑙𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖

Si la distribución de la demanda es uniforme entre 10 y 100 litros, el chamán debe elaborar


todos los días 54.89 litros de yagé para maximizar su utilidad promedio.

Problema 11. Un almacén se dedica a la comercialización de todo tipo de artículos


electrónicos de última tecnología. Este almacén desea evaluar el sistema de administración
de inventario utilizado, que es un modelo con faltantes, para el último celular con la más
alta tecnología japonesa, teniendo en cuenta que la demanda mensual de este producto se
ha estimado de 50 unidades. Adicionalmente por el proceso de importación del producto,
el proveedor se demora en entregarlo 3 días después de haber lanzado el pedido. El almacén
tiene establecida como cantidad de pedido a su proveedor 40 unidades y una capacidad
establecida máxima dentro de su sistema para tener hasta 10 unidades faltantes, al cabo de
las cuales debe llegar el siguiente pedido. La demanda de este producto sufre un cambio
notorio cuando se llega a la mitad del faltante máximo, ya que los clientes asumen este
procedimiento como un mal servicio e ineficiencia en la entrega de los productos, haciendo
que la demanda se reduzca a la mitad a partir de ese nivel. Considere que un mes laboral
tiene 30 días.

372
Luis Fernando Moreno Velásquez
a) Realice un gráfico que ilustre el sistema de inventario utilizado por el almacén
y determine el tiempo de ciclo de este sistema (tiempo entre pedidos).

b) Encuentre el punto de pedido del artículo (para que los productos lleguen en el
tiempo en que se llega al máximo de la capacidad de productos faltantes).
Adicionalmente se requiere conocer el costo de mantener los artículos
almacenados en la bodega (en $/mes), sin tener en cuenta el costo de hacer
pedidos ni el de los artículos, ni el de pedidos retroactivos (inventario negativo)
si h es $10/artículo-mes.

Gráficamente se tiene:

Q = 40 unidades

S = 30 unidades

a = 50 unidades/mes

El tiempo de ciclo TC= T1+T2+T3

Como las unidades son homogéneas consideramos solo los valores numéricos:
𝑆𝑆 30
𝑇𝑇1: 𝑆𝑆 − 𝑎𝑎𝑎𝑎1 = 0 ==> 𝑇𝑇1 = = = 0.6 𝑚𝑚𝑚𝑚𝑚𝑚
𝑎𝑎 50

(𝑄𝑄 − 𝑆𝑆) (𝑄𝑄 − 𝑆𝑆) 𝑄𝑄 − 𝑆𝑆 10


𝑇𝑇2: (𝑄𝑄 − 𝑆𝑆) − 𝑎𝑎𝑎𝑎2 = ==> = 𝑎𝑎𝑎𝑎2 ==> 𝑇𝑇2 = =
2 2 2𝑎𝑎 2 ∗ 50
= 0.1 𝑚𝑚𝑚𝑚𝑚𝑚

373
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
(𝑄𝑄 − 𝑆𝑆) 𝑎𝑎 (𝑄𝑄 − 𝑆𝑆) 𝑎𝑎 𝑄𝑄 − 𝑆𝑆 10
𝑇𝑇3 = − 𝑇𝑇3 = 0 ==> = 𝑇𝑇3 ==> = = 0.2 𝑚𝑚𝑚𝑚𝑚𝑚
2 2 2 2 𝑎𝑎 50
30 𝑑𝑑í𝑎𝑎𝑎𝑎
TC= T1+T2+T3= 0.6+0.1+0.2= 0.9 meses* = 27 días.
𝑚𝑚𝑚𝑚𝑚𝑚

b) Punto de pedido si el tiempo de adelanto es de 3 días, entonces

Como el TC= 27 días


y el Ta= 3 días, el
pedido deberá
lanzarse al día 24 del
TC.
1 𝑚𝑚𝑚𝑚𝑚𝑚
Ta = 3 días* (tiempo de adelanto) = 0.1 meses
30 𝑑𝑑í𝑎𝑎𝑎𝑎

Hallando el punto de pedido


𝑋𝑋
T3-Ta= 𝑎𝑎 ; X= (T3-Ta)*(a/2)= (0.2-0.1)*25= 0.1*25= 2.5 unidades (ver el significado de
2
x en el gráfico)
(𝑄𝑄−𝑆𝑆)
R= + 𝑋𝑋 = 5 + 2.5 = 7.5, como R está en la parte de inventario negativo, entonces
2
debo realizar el pedido cuando lleve una promesa de venta de 7.5 unidades.

Costo en $ = h*área = 10$/art-mes*(30art*0.6mes/2) = 90$

Costo en $/mes = 90$/0.9mes = 100$/mes

Problema 12. Una empresa desea planear la producción de un artículo para los siguientes
cuatro trimestres, cuyas demandas son respectivamente 4, 12, 6 y 8 unidades. El costo de
almacenamiento por unidad durante cada uno de los dos primeros trimestres es de $2 y de
$3 durante los dos últimos trimestres. La empresa puede producir el artículo en dos
máquinas diferentes que pueden ser usadas en cualquier trimestre. El costo de producción
es de $10 por artículo si se producen en la máquina 1 y de $8 por artículo si se producen

374
Luis Fernando Moreno Velásquez
en la máquina 2 ya que ésta es de tecnología más avanzada pero su costo de preparación es
de $7 en tanto que el de la máquina 1 es de $4. La política de la empresa es utilizar la
máquina 1 si se producen 8 artículos o menos y utilizar la 2 si se producen 9 o más. Utilice
programación dinámica para determinar cuántas unidades deben producirse en cada uno de
los cuatro trimestres si se sabe que al inicio del primer trimestre se cuenta con un inventario
de 4 unidades y que la capacidad máxima de producción de cada una de las dos máquinas
es de 18 unidades. Nota: durante un mismo periodo sólo se puede utilizar una máquina.
1. Los datos del problema son los siguientes:

Trimestre Demanda (r) Costo Inventario (h)


1 4 2
2 12 2
3 6 3
4 8 3

Además se tiene un Inventario Inicial= 4 Unidades para el trimestre 1


Capacidad de producción= 18 unidades/máquina. Solo una trabaja por periodo.
Maq. 1= c=10 y K=4. Para Q≤8.
Maq.2= c=8 y K= 7. Para Q>=9.

Planeación de la producción:
Recuerde que la relación de recurrencia (que se aplica en todos los periodos) es:

Ci=mínimo{Cj+1+K+c(ri+ ri+1 +...+ rj)+ h[ri+1+2ri+2+...+(j-i)rj]}

j=i, i+1…n

y que Ci(j) representa el costo de producir al principio del periodo i para satisfacer las
demandas desde el i hasta el j, lo que llevaría a producir nuevamente en el periodo j+1.

Trimestre 4.
C44= C5 + K + CQ + hInv. = 0+4+8(10)+0= 4+80= $84 * (se utiliza la máquina 1)

Trimestre 3.
C3((3)= 84+4+6(10)+0= 84+4+60+0= $148 (se utiliza la máquina 1)
C3(4)= 0+7+14(8)+8(3)= 0+7+112+24= $143 * (se utiliza la máquina 2)

Trimestre 2.
C2(2)= 143+7+12(8)+0= 143+7+96= $246 * (se utiliza la máquina 2)
C2(3)= 84+7+18(8)+6(2) = 84+7+144+12= $247 (se utiliza la máquina 2)
C2(4)= Solución No Factible, ya que no se pueden producir 26 unidades.

Trimestre 1.
C1(1)= 246+0+0+0= 246+0= $246 *
C1(2)= 143+7+12(8)+ 12(2)= 143+7+96+24= $270
C1(3)= 84+7+18(8)+12(2)+6(2+2)= 84+7+144+24+24= $283

375
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
C1(4)= Solución No Factible, ya que no se pueden producir 26 unidades.

Costos y Planeación Óptima:

Según la planeación de la producción, se debe producir:


0 en el trimestre 1, 12 en el trimestre 2 y 14 en el trimestre 3 con un costo total de 246

Problema 13. Una empresa dedicada a la fabricación de insumos para uso industrial tiene
asociado un sistema de lote de producción. La tasa de producción de un artículo utilizado
por la empresa es de 60 und./día y su demanda es de 20 und./día durante todo el tiempo de
producción del artículo y continúa así hasta que el nivel de inventario del artículo se ha
reducido a la mitad del inventario máximo, cuando se aumenta entonces a 30 und./día;
puesto que estos insumos son muy apetecidos por las empresas y éstas lo demandan a esa
tasa mayor, ya que el artículo no se está produciendo y el inventario se juzga muy bajo. La
empresa calculó el lote de producción para este artículo en 1800 unidades. Los costos de
mantenimiento del artículo se han estimado en 8$/und-día. Los costos de preparación de la
maquinaria se han establecido en $2000 y el costo de producción del artículo es de 8$/und.

a) Realice un diagrama que ilustre de manera correcta el enunciado anterior.


Encuentre el tiempo de ciclo del artículo (tiempo entre dos corridas de producción
consecutivas).

b) De acuerdo con lo enunciado en el planteamiento del problema, encuentre los


costos totales de administración de inventarios en que incurre la empresa en $/mes.

Gráficamente, se tiene:

Inv.
Q
.
.
M ----------------
. a=20 unidades/día
b-a = 40 unid/día .
. 2
M/2 --1--- .--------------- .
. . a= 30 unidades/día
. 3 .
. . 4
Tiempo
------T1----- ------T2-------- ---T3---

376
Luis Fernando Moreno Velásquez
T1: tiempo de producción

T2: Tiempo sin producción con solo demanda de 20 unidades/día

T3: Tiempo sin producción con solo demanda de 30 unidades/día

b = 60 unidades/día

K = 2000$

c = 8$/unidad

h = 8$/unidad-día

Q = 1800 unidades

𝑎𝑎 20
𝑀𝑀 (𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥) = 𝑄𝑄 �1 − � = 1800 ∗ �1 − � = 1200 𝑢𝑢𝑢𝑢𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖.
𝑏𝑏 60

T1= Q/b= 1800/60= 30 días.


T2 = M/2a = 1200/40= 30 días.
T3 = M/60 = 1200/60= 20 días.
T3 = tiempo de ciclo= T1 + T2 + T3 = 30 días + 30 días + 20 días = 80 días
a) Tiempo de ciclo = T3 = 80 días

b) Costo total (en $ durante el ciclo) = K + cQ + h*área

Calculemos el área (bajo la curva de inventarios)


área = área triángulo 1 + área triángulo 2 + área rectángulo 3 + área triángulo 4
área =30*1200/2+30*600/2+30*600+20*600/2 =
18000+9000+18000+6000=51000 art-día

Costo total(en $)= 2000 + 8*1800+ 8*51000 = 2000 + 14400 + 408000 = 424400
$

Costo total en $/mes = (costo total en $)/(tiempo del ciclo) =


424000 $ 30 𝑑𝑑í𝑎𝑎𝑎𝑎
* = 159000 $/mes
80 𝑑𝑑í𝑎𝑎𝑎𝑎 𝑚𝑚𝑚𝑚𝑚𝑚

Problema 14. Usted se encuentra en Marsella, al sur de Francia y cuna de la


cultura celta, los pobladores están celebrando la festividad Samhain más conocida
en la actualidad como Halloween; La empresa “Trick-or-treat” aprovecha esta
época para vender disfraces personalizados, con este fin la empresa no tiene

377
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
inventario físico puesto que confecciona los disfraces solo cuando haya vendido
una cantidad fija Q, una vez llega el pedido se abastecerá las ventas desde las
ultimas hasta las primeras. Dicha empresa cuenta con dos asesores de ventas: Jack
y O’Lantern. Jack no es tan hábil para vender y comprometerse a hacer los
disfraces, por esta razón el director de la “Trick-or-treat” le ha ordenado que venda
solo hasta Q/8 disfraces; luego será sustituido por O’Lantern, ya que es más difícil
vender mayor cantidad de disfraces a promesa, él vende el resto de disfraces hasta
Q. El costo de vender un artículo sin tenerlo físicamente se considerara igual al
costo por unidad de los asesores, siendo $20/disfraz*mes para Jack y
$30/disfraz*mes para O’Lantern. La demanda de disfraces en esta época se estima
constante con un valor de 10 disfraces diarios. Cada disfraz le cuesta a la empresa
$100. Adicionalmente los telares en donde se confecciona los disfraces se deben
encender y calibrar cada vez que se inicie la producción, este costo improductivo
se asume como $1000.

a. La empresa le solicita a usted que calcule la cantidad óptima de pedido, de tal


manera que minimice los costos totales de administración de inventarios.
Tómese un mes como 30 días.
b. En una epifanía acerca de su futuro el gerente de la empresa le pregunta que
rango de valores puede tomar la cantidad óptima de pedido para que no
sobrepase una variación positiva total de los costos de inventario en un 5%.

a.
a= 300art/mes p1=20$/art-mes p2=30$/art-mes c=10$/art
K=1000$

--T1- ----------------T2--------------
Tiempo
1 2
Q/8 ------------------------------------- . .
.
.
a 3 . .
.
.
.
Q --------------------------------------------

Inventario

378
Luis Fernando Moreno Velásquez
𝑄𝑄
T1 = Tiempo durante el cual vende Jack =
8𝑎𝑎
7𝑄𝑄
T2 = Tiempo durante el cual vende O´Lantern =
8𝑎𝑎

Note que en este problema se trabaja siempre con inventario negativo (venta de promesas)

Costo total ($)= K + c*Q + p1*área1 + p2*(área2 + área 3)


𝑄𝑄 2 7𝑄𝑄 2 49𝑄𝑄 2
Costo total ($)= K + c*Q + p1* + p2*( + )
128𝑎𝑎 64𝑎𝑎 128𝑎𝑎
𝑄𝑄 2 63𝑄𝑄 2
Costo total ($)= K + c*Q + p1* + p2*
128𝑎𝑎 128𝑎𝑎

𝑎𝑎𝑎𝑎 𝑝𝑝1∗𝑄𝑄 𝑝𝑝2∗63𝑄𝑄


Costo total ($/tiempo) = Costo total ($)/(Q/a) = + a*c + +
𝑄𝑄 128𝑎𝑎 128𝑎𝑎

𝑑𝑑 𝑎𝑎𝑎𝑎 𝑝𝑝1 63𝑝𝑝2


𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 = (𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡) = − + + e igualando a cero obtenemos:
𝑑𝑑𝑑𝑑 𝑄𝑄 2 128𝑎𝑎 128𝑎𝑎

128∗𝑎𝑎𝑎𝑎 128∗300∗1000
𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑎𝑎 0 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑄𝑄 ∗= � = � = 142 disfraces
(𝑝𝑝1+63𝑝𝑝2) (20+63∗30)
La empresa debe producir los disfraces cuando tenga pedidos acumulados por 142 disfraces

b.
𝑄𝑄′ 𝑄𝑄∗
+
𝑄𝑄∗ 𝑄𝑄′ 2
≤ 1,15 𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸𝐸 𝑄𝑄′ − 2.3𝑄𝑄′ 𝑄𝑄 ∗ +𝑄𝑄 ∗2 = 0
2
2
𝑄𝑄′ − 3266𝑄𝑄′ + 20164 = 0

𝑄𝑄′ 1 = 642 𝑄𝑄′ 2 = 264.4

𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = 264.4 ≤ 𝑄𝑄′ < 642

Mientras la empresa produzca los disfraces cuando tenga pedidos acumulados por
cualquier cantidad entre 264.4 disfraces y 642 disfraces sus costos totales de
administración de inventarios no se incrementan más de un 5%.

Problema 15. MOTOCORP S.A es una empresa que se dedica a la comercialización de


equipos de sonido para automóviles. La empresa ha estimado que el comportamiento de la
demanda mensual tiene una distribución exponencial con media de 200 unidades. Además
se considera despreciable el costo de realizar un pedido, el costo de adquirir cada equipo
es de $50 y el precio de venta es de $80. Estos dispositivos de sonido tienen una vida útil
muy corta (1 mes) ya que cada mes, sale un nuevo producto modificado al mercado,
haciendo que los equipos de sonido que se hayan guardado este tiempo queden obsoletos.

379
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Motocorp ha decidido negociar con la empresa proveedora y han llegado al acuerdo que
los equipos que no se vendan durante el mes, los devuelva y la empresa le reconoce el 50%
del valor de su compra, para que las pérdidas sean compartidas. El costo de mantener una
unidad en inventario durante un mes es de 35$ y cuando la demanda excede la oferta, la
empresa pide uno de emergencia a su proveedor a un costo de $70.

a) Determine el número óptimo de equipos de sonido que la empresa deberá pedir


al comienzo del mes, para minimizar los costos totales promedios. Redondee
el valor al número entero más cercano.

b) La empresa está muy preocupada porque el número de unidades que tienen que
comprar de emergencia le está reduciendo considerablemente las utilidades.
Por lo tanto, se han propuesto como política que solo en un 10% de las veces,
se realicen estos pedidos. Encuentre la nueva cantidad a ordenar para cumplir
este indicador.

a) K= 0; c=50$/und.; val. Salvam.=0.50*c=25$/und;


h=35$/und-mes; p=80$/und; costo unidad de emergencia=70$/und
𝐶𝐶 − : 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑠𝑠𝑠𝑠 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢
𝐶𝐶 + : 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑠𝑠𝑖𝑖 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢

c- ($/art) = costo por comprar unidad de emergencia a $70/und en lugar de comprarlo a


$50/und = $20/und (Note que no hay costo de oportunidad porque la venta no se pierde)
c+ ($/art) = costo por vender el artículo a valor de salvamento + costo de almacenamiento
=
(50$/und – 25$/und) + 35$/und = 60$/und
𝐶𝐶 − 20
Factor crítico = = = 0.25
𝐶𝐶 − + 𝐶𝐶 + 20+60

1
La demanda se distribuye exponencial con media 𝜆𝜆 = = 5 ∗ 10−3
200
𝑎𝑎

� 𝜆𝜆 ∗ 𝑒𝑒 −𝜆𝜆𝜆𝜆 ∗ 𝑑𝑑𝑑𝑑 = 0.25 ; �1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆 � 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 0 𝑦𝑦 𝑎𝑎 = 0.25 𝑐𝑐𝑐𝑐𝑐𝑐 𝜆𝜆 = 0.005 ==


0
=>
−𝜆𝜆𝜆𝜆
�1 − 𝑒𝑒 � − �1 − 𝑒𝑒 −𝜆𝜆0 � = �1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆 � − (1 − 1) = �1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆 �

ln (0.75) ln (0.75)
�1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆 � = 0.25 ==> 0.75 = 𝑒𝑒 −𝜆𝜆𝜆𝜆 ==> 𝑎𝑎 = =
−𝜆𝜆 −0.005
= 58 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑖𝑖𝑑𝑑𝑑𝑑

b) En caso de solo pedir la unidad de emergencia el 10% de las veces se tiene:

380
Luis Fernando Moreno Velásquez
c- ($/art cuando se pide la unidad de emergencia) =
$20/und (ya calculado en el numeral a) con probabilidad 0.10

c- ($/art cuando no se pide la unidad de emergencia) = (80$/und – 50$/und) = 30$/und (aquí


se considera el costo de oportunidad porque se pierde la venta) con probabilidad 0.90

c- promedio = $20/und*0.10 + 30$/und*0.90 = 29$/und

𝐶𝐶 − 29
Factor crítico = = = 0.326
𝐶𝐶 − + 𝐶𝐶 + 29+60

ln (0.674) ln (0.674)
�1 − 𝑒𝑒 −𝜆𝜆𝜆𝜆 � = 0.326 ==> 0.674 = 𝑒𝑒 −𝜆𝜆𝜆𝜆 ==> 𝑎𝑎 = =
−𝜆𝜆 −0.005
= 79 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠

Problema 16. una empresa se dedica a la comercialización de alarmas para automóviles.


Estos productos son muy automatizados, de lujo y deben ser importados. La empresa está
interesada en determinar el tamaño de la cantidad económica a pedir de este producto y lo
ha contratado a usted para ello. Le informa que según estudios realizados, se ha establecido
que la demanda es constante y está dada por a (art/tiempo); el costo de hacer un pedido es
K ($), el costo de almacenamiento es h ($/art-tiempo). Cuando el inventario llega a cero la
empresa realiza un proceso de adecuación de la bodega que tiene una duración proporcional
al tiempo que duró el artículo en la bodega. Durante ese periodo de adecuación el artículo
no se vende, ni se puede recibir tampoco.

Determine la cantidad óptima a pedir que minimice los costos totales de administración de
inventarios.

Sea n: la proporción de tiempo (porcentaje de tiempo) que dura la adecuación de la bodega

𝑄𝑄 𝑛𝑛𝑛𝑛 𝑄𝑄
---------- ----------- -------- -------- ---------- -----------
𝑎𝑎 𝑎𝑎 𝑎𝑎

𝑄𝑄 𝑛𝑛𝑛𝑛 𝑄𝑄
Tiempo de ciclo= + = ∗ (1 + 𝑛𝑛)
𝑎𝑎 𝑎𝑎 𝑎𝑎

381
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Costo total ($) = K + cQ + h*área = K + cQ + hQ2/2a

Costo total ($/tiempo) = Costo total ($)/(tiempo de ciclo) =


𝑄𝑄 𝑎𝑎𝑎𝑎 𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
(K + cQ + hQ2/2a)/[ ∗ (1 + 𝑛𝑛)] = + +
𝑎𝑎 𝑄𝑄(1+𝑛𝑛) 1+𝑛𝑛 2(1+𝑛𝑛)

Derivando e igualando a cero se tiene:


𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡
= -(aK)/[Q2(1+n)] + h/[2*(1+n)] = 0
𝑑𝑑𝑑𝑑
Despejando Q se obtiene la expresión de la cantidad óptima a pedir:

2𝑎𝑎𝑎𝑎
Q*= �
ℎ(1+𝑛𝑛)

Problema 17. La administración de Quality Airlines ha decidido basar su política de


sobreventa en el modelo estocástico de un periodo con productos perecederos, ya que
maximiza la ganancia esperada. Esta política debe aplicarse a un vuelo nuevo entre
Medellín y Bogotá. El avión tiene 125 asientos y una tarifa de $250.000. Al momento del
embarque y como estrategia para llenar el avión la aerolínea ofrece tiquetes a viajeros que
van al aeropuerto y a último momento los quieran comprar a un precio de $100.000 y de
los tiquetes ofrecidos de esta forma la mitad en promedio encuentran respuesta positiva por
parte de los pasajeros que van al aeropuerto con la esperanza de encontrarlos. Como es
común que algunos no se presenten, la línea debe aceptar algunas más de las 125
reservaciones. En los casos en que llegan más de 125 personas a tomar el vuelo, la línea
encuentra voluntarios que puedan tomar un vuelo más tarde a cambio de un vale de
$150.000 para cualquier vuelo futuro con la línea. Por experiencia con vuelos similares, se
estima que la frecuencia relativa del número de los que no se presentan es la siguiente:

Número de no presentados Frecuencia relativa (en %)


0 5
1 10
2 15
3 15
4 15
5 15
6 10
7 10
8 5

a) Determine cuántas reservaciones de sobreventa se deben aceptar.

b) Entre que valores podría variar el valor del vale ofrecido para que la cantidad de
tiquetes sobrevendidos sea 8?

382
Luis Fernando Moreno Velásquez
Sobreventa. (en %) Acumulativa (en %)
0 5 5
1 10 15
2 15 30
3 15 45
4 15 60
5 15 75
6 10 85
7 10 95
8 5 100

𝐶𝐶 − : 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑒𝑒 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑠𝑠𝑠𝑠 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢


𝐶𝐶 + : 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒 𝑞𝑞𝑞𝑞𝑞𝑞 𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑢𝑢𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢

c- ($/silla) = costo d oportunidad – ingresos promedio recuperados

ingresos promedio recuperados = 100000*0.5 =50000 $/silla

c- ($/art) = 250000 $/silla – 50000 $/silla = 200000 $/silla (Observe que lo recuperado son
ingresos y por eso llevan signo menos

c+ ($/art) = valor del bono = 150000

𝐶𝐶 − 200
Factor crítico = = = 0.5714 = 57.14%
𝐶𝐶 − + 𝐶𝐶 + 200+150

El menor valor en la acumulativa que es ≥ 57.14 es 60 que corresponde a una sobreventa


de 4.

Luego para ese vuelo se deben sobrevender 4 tiquetes, o sea vender 129 tiquetes para
minimizar los costos.

b)
0.95 < 200/(200+c+) <= 1

190+ 0.95c+ < 200 <= 200 + c+

c+ < (200-190)/0.95 c+< 10.52

200 + c+ >= 200 c+>= 0.0 es decir 0 <= c+ < 10.52

Es decir si se ofrece un bono entre 0$ y 10.52$ la solución de costo mínimo es


sobrevender 8 tiquetes, o sea vender 133 tiquetes.

383
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Problema 18. Una empresa manufacturera desea determinar el tamaño óptimo del lote de
producción (lote de mínimo costo) de un artículo. El artículo se produce a una tasa b;
mientras dura el ciclo productivo la demanda es a (por supuesto a<b), pero cuando se
suspende la producción del artículo la demanda se duplica ya que los clientes al darse
cuenta de que no se está produciendo el artículo se lanzan a comprarlo antes de que se
acabe. Determine el Q óptimo.

M b-a 2a

------Q/b------ -----------x-------------

M= Q(1-a/b)

2a= M/x = Q(1-a/b)/x x= Q(1-a/b)/2a


1 1
Base del triángulo: Q/b + x = Q/b + Q(1-a/b)/2a = Q(1/b+1/2a+1-1/2b) = 𝑄𝑄( + )/2
𝑏𝑏 𝑎𝑎

Costo total ($) = K +cQ + h*área


1 1
𝑄𝑄� + �
[ 𝑏𝑏 𝑎𝑎 ]∗𝑄𝑄(1−𝑎𝑎)
𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 2 𝑏𝑏
área = =
2 2

1 1
Costo total ($/tiempo) = Costo total ($)/[𝑄𝑄( + )/2]
𝑏𝑏 𝑎𝑎

1 1 𝑎𝑎
𝑄𝑄( + )/2∗𝑄𝑄(1− ) 1 1
𝑏𝑏 𝑎𝑎 𝑏𝑏
Costo total ($/tiempo) ={K + cQ + h* }/[𝑄𝑄( + )/2]
2 𝑏𝑏 𝑎𝑎

2𝐾𝐾 2𝑐𝑐
= 1 1 + 1 1 +[hQ/2]*(1-a/b)
𝑄𝑄( + ) ( + )
𝑏𝑏 𝑎𝑎 𝑏𝑏 𝑎𝑎

Derivando esta expresión respecto a Q e igualando a cero tenemos:


−2𝐾𝐾 ℎ
1 1 *Q-2 + (1 − 𝑎𝑎/𝑏𝑏) = 0
�𝑎𝑎+𝑏𝑏� 2

Despejando Q obtenemos:

384
Luis Fernando Moreno Velásquez
4𝐾𝐾
Q* =
�ℎ�𝑏𝑏1+𝑎𝑎1�∗(1−𝑎𝑎𝑏𝑏)

Problema 19. Se acerca el mundial y el local “HADIDAS” de un centro comercial sabe


que las ventas de camisetas se incrementarán por el evento. Por esto realizó un estudio de
demanda dónde encontró que a partir de la fecha la demanda sería de 1000 camisetas por
semana. Aunque la demanda aumenta por el periodo los costos no cambian, por lo que la
empresa los conoce a la perfección. El costo fijo de pedir camisetas a la fábrica es de K,
mientras el costo de mantener inventarios depende de la cantidad Q de artículos en
inventario. Si se piden Q camisetas y la empresa tiene 2Q/3 camisetas o más en inventario
el costo de mantener cualquier unidad en el almacén es h1, cuando es mayor o igual a Q/3
y menor que 2Q/3 es h2 y finalmente cuando el inventario está por debajo de Q/3 el costo
de mantener unidades en el inventario es h3.

Por política del almacén no se trabaja con agotamientos.

Deduzca una expresión para calcular que cantidad de camisetas debe pedir el almacén para
minimizar sus costos totales de administración de inventarios

-----h1----- ------h2------- -----h3------

El gráfico anterior de inventario como función de tiempo muestra durante que periodos de
tiempo el costo es h1, h2 y h3.

𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 (𝑒𝑒𝑒𝑒 $ 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐) = 𝐾𝐾 + 𝑐𝑐𝑐𝑐 + ∑(ℎ ∗ 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴)

Recuerde que el área de un triángulo es base*altura/2 y la de un rectángulo es base*altura

385
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑄𝑄 𝑄𝑄 𝑄𝑄 𝑄𝑄
∗ 2𝑄𝑄 𝑄𝑄 ∗ 𝑄𝑄 𝑄𝑄
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶($) = 𝐾𝐾 + 𝑐𝑐𝑐𝑐 + ℎ1 ∗ � 3 3𝑎𝑎 + ∗ � + ℎ2 ∗ � 3 3𝑎𝑎 + ∗ � + ℎ3
2 3 3𝑎𝑎 2 3 3𝑎𝑎
𝑄𝑄 𝑄𝑄

∗ � 3 3𝑎𝑎 �
2

𝑄𝑄2
𝐶𝐶 ($) = 𝐾𝐾 + 𝑐𝑐𝑐𝑐 + (5ℎ1 + 3ℎ2 + ℎ3)
18𝑎𝑎
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶($) 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶($)
Costo ($/tiempo) = = 𝑄𝑄
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 ( )
𝑎𝑎

𝑎𝑎𝑎𝑎 𝑄𝑄
Costo ($/tiempo) = = + 𝑎𝑎𝑎𝑎 + (5ℎ1 + 3ℎ2 + ℎ3)
𝑄𝑄 18

Derivando con respecto a Q e igualando a cero obtenemos


𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎 (5ℎ1+3ℎ2+ℎ3)
= − + =0
𝑑𝑑𝑑𝑑 𝑄𝑄 2 18

Despejando Q obtenemos:

18𝑎𝑎𝑎𝑎
𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄𝑄 = �
5ℎ1 + 3ℎ2 + ℎ3

Problema 20. “La Reseca” es un distribuidor de pacas de gaseosas. Su gerente de


inventario revisa la política de inventario de una marca popular que se vende a una tasa de
300 pacas por mes. El costo administrativo de colocar una orden al fabricante es de $200 y
el precio de compra es $70 por paca de gaseosa. El costo de mantenimiento es de $20 por
paca de gaseosa-año y el costo de administrar los agotamientos es de $10 por paca de
gaseosa-año.

a) Use EOQ básico para para determinar la cantidad óptima a ordenar y su costo asociado
anual.

b) Como al usar el modelo con agotamientos con pedidos retroactivos se obtienen costos
menores de administración de inventarios, el gerente desea compartir ese menor costo con
los clientes, con el fin de no perderlos cuando no encuentran la paca, para lo cual ofrece un
bono de $x por paca de gaseosa, pero solo se ofrece a los clientes que en el momento de la
compra no encuentran la paca de gaseosa para llevarla inmediatamente. Le pregunta a usted
como especialista en inventarios cuál es el máximo valor del bono que hace que sea mejor
trabajar con esa política de bonos y agotamientos que trabajar con el EOQ básico.

K = 200$

386
Luis Fernando Moreno Velásquez
h = 20$/paca-año

c = 70$/paca
300 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 12 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚 3600 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝
a = 300 * =
𝑚𝑚𝑚𝑚𝑚𝑚 𝑎𝑎ñ0 𝑎𝑎ñ𝑜𝑜

Como todas las unidades son homogéneas se puede trabajar solo con los valores numéricos
en las fórmulas

2 𝑎𝑎 𝐾𝐾 2∗3600∗200
1) EOQ básico = � = � = 268,32 pacas
ℎ 20

𝐶𝐶sin 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎. = √2𝑎𝑎𝑎𝑎ℎ = √2 ∗ 3600 ∗ 200 ∗ 20 = 5367 $/𝑎𝑎ñ𝑜𝑜

𝑝𝑝 10
2) 𝐶𝐶𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 = √2𝑎𝑎𝑎𝑎ℎ ∗ � = 5367 ∗ � = 4382 $/año (antes del bono)
𝑝𝑝+ℎ 10+20

𝐶𝐶𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑é𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏) = 4382/año + x*(ventas con agotamientos)

Pero las ventas con agotamiento son:

Ventas con agotamientos = demanda*(porcentaje del tiempo con agotamientos)

Calculemos el porcentaje del tiempo con agotamientos:

--------------

Q S/a Q/a

Q–S .

-----------------------------------------------------------------

----tiempo con agot----

387
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
porcentaje del tiempo con agotamientos = (Q/a – S/a)/[Q/a] = (Q – S)/Q

Recuerde de las fórmulas del capítulo 16 que:

2aK h
Q* − S * =
p p+h

2aK p+h
Q* =
h p

𝑄𝑄−𝑆𝑆 ℎ
Por lo que = =
𝑄𝑄 𝑝𝑝+ℎ

Entonces:

𝐶𝐶𝑐𝑐𝑐𝑐𝑛𝑛 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑é𝑠𝑠 𝑑𝑑𝑑𝑑𝑑𝑑 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏) = 4382 + x*(ventas con agotamientos)

10
= 4382 + x*3600* = 4382 + 1200*x
10+20

Para que la política con agotamientos sea mejor se requiere que:

4382 + 1200*x < 5367, por lo que


5367−4382
x< = 0.82$/paca
1200

El máximo bono que se puede ofrecer a los clientes que cuando llegan a comprar no
encuentran la paca es 0.82$/paca

Problema 21. La librería de la Universidad Nacional ofrece un programa de reproducción


de apuntes de clase para profesores participantes. El profesor Pepe Cifuentes le da clases a
un grupo de IO 2 que tiene entre 200 y 250 estudiantes (200≤número de estudiantes≤ 250),
distribuidos de manera uniforme. La reproducción de una copia cuesta $10 y se vende a
$25. Los estudiantes compran sus libros al inicio de semestre. Las copias de los apuntes del
profesor Cifuentes que no se venden tienen la posibilidad de reciclarse, con lo cual, el
profesor obtendría $2.5 por cada copia reciclada, pero el 60% de las veces se trituran y se
desechan, lo que ocasiona un costo de $1.00 por copia para pagar la triturada; el 40% de
las veces las copias se reciclan. Una vez que la librería se queda sin copias, no se imprimen
más. Si la librería desea maximizar sus ingresos, cuántas copias debe imprimir si no sabe
cuántos estudiantes tendrá el grupo?

388
Luis Fernando Moreno Velásquez
Recuerde que el factor crítico está dado por:
(𝐶𝐶−)
𝐹𝐹𝐹𝐹 =
(𝐶𝐶−) + (𝐶𝐶+)

(C+) (promedio por copia) =

10$ (costo de la copia) +1.0*0.6 (costo de la triturada) -2.5*0.4 (ingresos por reciclado) =
9.6$/copia

(C-) = 15$ (costo de oportunidad) = $25 - $10

15
𝐹𝐹𝐹𝐹 = = 0,60976
15 + 9.6
1
𝑃𝑃 (𝐷𝐷 = 𝑑𝑑 ) =
51
𝑎𝑎
1 1
� = � � ∗ (𝑎𝑎 + 1 − 200) ≥ 0.60976 ⇒ (𝑎𝑎 − 199) ≥ 51 ∗ 0.60976
51 51
𝑖𝑖=200

⇒ (a-199)>= 31.098 ⇒ a>=199+31.098 ⇒ a>=230.098

La librería debería imprimir 231 copias para maximizar sus ingresos

Problema 22. MX Textil es una empresa comercializadora de telas. Esta compra por
rollos de tela a mayoristas para exportar a México. En la siguiente tabla se muestran las
demandas para los siguientes 4 meses, los costos de almacenamiento del inventario de cada
rollo por mes y los costos fijos de hacer un pedido:

Demanda Costo de pedir


Mes (Rollos) Costo de almacenamiento (h) (K)
1 13 4 40
2 9 2 50
3 17 6 45
4 10 6 55

La empresa dispone de un inventario inicial de 3 rollos de tela y quiere dejar al final


del mes 4 un inventario de 4 rollos. Los costos unitarios varían por economías de escala
de la siguiente forma:

$6 si Q<= 12, $4 si 12<Q<=30, $2 si Q > 30.

389
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Donde Q es la cantidad de pedido que se haga en el mes.

Sin embargo, se debe tener en cuenta que los costos de almacenamiento aumentan en
un 50% cuando se almacenan más de 15 rollos ya que debe usarse más personal en el
almacén.

Se le pide que programe la producción para estos periodos, muestre el procedimiento


y especifique cuánto y cuándo se debe pedir para minimizar los costos totales.

Cuál sería la peor alternativa y cuál sería su costo?

C44=0+55+(14*4)+(4*6)=135*

C33=C44+45+(17*4)=135 + 45 + 68 = 248

C34=0+45+(31*2)+(14*6)+(4*6)=45 + 62 + 84+ 24 = 215*

C22=C34+50+(9*6)= 215 + 50 + 54 = 319*

C23=C44+50+(26*4)+(17*3)= 135 + 50 + 104 + 51 = 340

C24=0+50+(40*2)+(31*3)+(14*6)+(4*6)= 50 + 80 + 93 + 84 + 24 = 331

C11=C22+40+(10*6)= 319 + 40 + 60 = 419

C12=C34+40+(19*4)+(9*4)= 215 + 40+ 76 + 36 = 367*

C13=C44+40+(36*2)+(26*6)+(3*17)= 135 + 40 + 72 + 156 + 51 = 454

C14=0+40+(50*2)+(40*6)+(31*3)+(14*6)+(4*6)= 40 + 100 + 240 + 93 + 84 + 24 =


581

Se debe producir 19 rollos en el primer mes para abastecer este mes y el 2do. Luego se
deben producir 31 rollos en el 3er mes para este y para el 4to, dejando un inventario
final de 4 rollos, con un costo de 367.

La peor alternativa sería producir los todos los 50 rollos en el primer mes para abastecer
los 4 meses.

Problema 23. “Juan El solitario” es un empresario muy emprendedor que ha decidido


que va a producir un artículo para venderlo. Como Juan no tiene quien le ayude y tanto la
producción como la venta del artículo requieren dedicación exclusiva, sólo puede realizar
una de las dos actividades a la vez, es decir, mientras produce no puede vender y mientras
vende no puede producir. Si la demanda del artículo en todo momento mientras lo esté
vendiendo es “a” (artículos/tiempo), el costo de mantenimiento del artículo es “h”

390
Luis Fernando Moreno Velásquez
($/articulo-tiempo), el costo de preparación de la maquinaria es “K” ($) y la velocidad de
producción de la máquina que produce el artículo es “2a”:

a) Determine la cantidad del artículo que se debe producir con el fin de minimizar los
costos de administración de inventarios.
b) Determine cada cuánto se debe producir el artículo
c) Determine el tiempo durante la cual se produce el artículo una vez que se inicia su
producción.
d) Determine el tiempo durante el cual se vende el artículo, una vez que se inicia su
venta.
e) Si cada artículo produce un ingreso (precio de venta) unitario “p” ($/artículo),
determine los ingresos totales de Juan en $/tiempo.

2a a

Q/2a 3Q/2a

𝑄𝑄 𝑄𝑄
tiempo de producción = =
𝑏𝑏 2𝑎𝑎

3𝑄𝑄 𝑄𝑄 𝑄𝑄
tiempo de venta = - =
2𝑎𝑎 2𝑎𝑎 𝑎𝑎

𝑄𝑄 𝑄𝑄 3𝑄𝑄
tiempo total de ciclo = tiempo de producción + tiempo de venta = + =
2𝑎𝑎 𝑎𝑎 2𝑎𝑎

$ 𝐾𝐾 + 𝑐𝑐𝑐𝑐 + ℎ ∗ á𝑟𝑟𝑟𝑟𝑟𝑟
𝐶𝐶 � �=
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐

𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏∗𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 3𝑄𝑄 3𝑄𝑄 2


área = =( ∗ 𝑄𝑄)/2 =
2 2𝑎𝑎 4𝑎𝑎

3𝑄𝑄2
$ 𝐾𝐾 + 𝑐𝑐𝑐𝑐 + ℎ
𝐶𝐶 � �= 4𝑎𝑎 = 2𝑎𝑎𝑎𝑎 + 2 𝑎𝑎𝑎𝑎 + 𝑄𝑄 ℎ
𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 3𝑄𝑄 3𝑄𝑄 3 2
2𝑎𝑎

391
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
𝑑𝑑𝑑𝑑 2𝑎𝑎𝑎𝑎 ℎ
= − 2+ =0
𝑑𝑑𝑑𝑑 3𝑄𝑄 2

4𝑎𝑎𝑎𝑎
a) 𝑄𝑄 = �
3ℎ

4𝑎𝑎𝑎𝑎
La cantidad que minimiza el costo de administración de inventarios es 𝑄𝑄 = �
3ℎ

3𝑄𝑄 4𝑎𝑎𝑎𝑎 9 3𝐾𝐾


b) 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 = = � = �
2𝑎𝑎 3ℎ 4𝑎𝑎2 𝑎𝑎ℎ

3𝑘𝑘
l artículo se produce cada t= � [tiempo]
𝑎𝑎ℎ

𝑄𝑄 4𝑎𝑎𝑎𝑎 𝐾𝐾
c) 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝ó𝑛𝑛 = = � = �
2𝑎𝑎 3ℎ∗4𝑎𝑎2 3𝑎𝑎ℎ

𝑘𝑘
El tiempo de producción es: � [tiempo]
3𝑎𝑎ℎ

𝑄𝑄 4𝑎𝑎𝑎𝑎 4𝑘𝑘
d) 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 𝑑𝑑𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 = = � = �
𝑎𝑎 3ℎ𝑎𝑎2 3𝑎𝑎ℎ

4𝑘𝑘
El tiempo de venta es: � [tiempo]
3𝑎𝑎ℎ

𝑝𝑝𝑝𝑝 2𝑎𝑎𝑎𝑎
e) 3𝑄𝑄 =
3
2𝑎𝑎

2𝑎𝑎𝑎𝑎
los ingresos promedio de Juan son ($/tiempo)
3

Problema 24. Una empresa ha decidido que su política óptima de inventarios para los
siguientes 3 meses es producir para cada mes lo equivalente a la demanda de ese mes, de
la siguiente forma: 25 en el primer mes, 30 en el segundo y 40 en el tercer mes. Se sabe
que el costo fijo de producir es de $70, el costo unitario por artículo es $15 y que los
artículos que produce la empresa se deben consumir en el mismo mes o al mes siguiente de
producidos, es decir la empresa nunca puede guardar un artículo por dos meses o más, ya
que son perecederos.

¿Cuál debe ser el mínimo costo de almacenamiento por artículo por mes (hi) para que la
empresa haya acertado al escoger dicha política? (tenga en cuenta que los costos de
almacenamiento pueden ser diferentes en cada uno de los meses).

392
Luis Fernando Moreno Velásquez
i=3

C33 = 70 + 40*15 = 670

i=2

C22 = 70 +30*15 +C33 = 1190

C23 = 70 + (30 + 40)*15 + 40*h2 = 1120 + 40*h2

Se debe cumplir que C22 < C23

1190 < 1120 + 40*h2


1.75 < h2

i=1

C11 = 70 + 25*15 + (1190) = 1635

C12 = 70 + (30 +25)*15 + 30*h1 + (670) = 1565 + 30*h1

C13 = No es posible ya que solo se puede almacenar por máximo un periodo

Se debe cumplir que C11 < C12

1635 < 1565 + 30*h1

2.33 < h1

Los costos de mantenimiento mínimos deben ser:

h1 > 2.33

h2 >1.75

Problema 25. La panadería Mi buñuelo, ha decidido vender sus productos en otros


canales de distribución. Inicialmente, planea vender palitos de queso en los almacenes
Éxito. La panadería, que ya cuenta con los palitos de queso, ha seleccionado un proveedor
que produce cajas individuales para empacar el producto. Un analista interno contratado
por la panadería determina que la demanda anual será de 10.000 cajas, el costo fijo de hacer
el pedido es de $1200 y el costo de almacenar cada caja es de $50 por año. El proveedor
oferta las cajas para los palitos de queso en paquetes de cajas, por diferente cantidad, para
que la panadería aproveche la economía de escala, así:

393
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Tamaño del paquete (# de cajas individuales) Costo del paquete ($)

150 30.000

300 54.000

500 85.000

a) Con el objetivo de minimizar los costos totales de administración de


inventarios, ¿Qué cantidad de cajas se deben pedir al proveedor y en qué tipo
de paquetes? Con qué frecuencia deben hacerse los pedidos?
b) El proveedor le ofrece dos alternativas de descuento a la panadería. La primera
es un descuento del 10% si esta compra un número mayor o igual a 700 cajas
individuales, en paquetes de los mismos tamaños. La segunda le permite a la
panadería comprar las cajas individualmente y no por paquete, a un costo de
$150 por caja, si se compran 1200 cajas o más. Determine cuál es la alternativa
más conveniente para la panadería que minimiza el costo total de
administración de inventarios; identifique claramente el número de paquetes a
comprar y el tipo de paquete, o la cantidad individual a comprar.

Como las unidades son homogéneas es suficiente el análisis numérico en las fórmulas

2𝑎𝑎𝑎𝑎 2∗10000∗1200
Primero, se calcula el Q óptimo = � =� =
ℎ 50

a= 10000 cajas/año

K= 1200 $

h= 50 $/ caja-año

Q Óptimo= 692,82 Cajas

El costo se calcula con la fórmula

$ 𝑎𝑎𝑎𝑎 ℎ𝑄𝑄
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 � � = + 𝑎𝑎𝑎𝑎 +
𝑡𝑡 𝑄𝑄 2

$ 10.000 ∗ 1.200 50 ∗ 𝑄𝑄
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 � � = + 10.000 ∗ 𝑐𝑐 +
𝑡𝑡 𝑄𝑄 2

394
Luis Fernando Moreno Velásquez
El valor de C dependerá del paquete en que se compren los artículos, y el valor de Q
dependerá del número de paquetes que se pidan y de las unidades por paquete (Q=
#paquetes* unidades por paquete)
𝑄𝑄
a) Cálculo de número de paquetes óptimo =
𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡ñ𝑜𝑜 𝑑𝑑𝑑𝑑𝑑𝑑 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

Paquetes Paquetes Paquetes


150 300 500
de de de
# # #
4,62 2,31 1,39
Paquetes Paquetes Paquetes

c= 200 c= 180 c= 170

# # Costo # # Costo # # Costo


Paquetes Unid. Total Paquetes Unid. Total Paquetes Unid. Total
4,00 600 2.035.000 2,00 600 1.835.000 1,00 500 1.736.500
5,00 750 2.034.750 3,00 900 1.835.833 2,00 1000 1.737.000

Note que se tomó el entero inferior y superior al # de paquetes con Q expresado en cajas (#
Paquetes*tamaño del paquete) y el respectivo c y se reemplazó en la fórmula:
$ 10.000 ∗ 1.200 50 ∗ 𝑄𝑄
𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇 � � = + 10.000 ∗ 𝑐𝑐 +
𝑡𝑡 𝑄𝑄 2

Por tanto: Lo óptimo es comprar 1 paquete de 500 unidades, ya que tiene el


menor costo.

Frecuencia de pedido= a/Q= 10.000/500 = 20 pedidos/ año

b) Cálculo de paquetes óptimos con un descuento del 10% sobre c, por compras
mayores o iguales a 700 unidades y con un c=150 si se compran más de 1200
artículos individualmente.

Paquetes Paquetes Paquetes


150 300 500
de de de
# #
# Paquetes 4,62 2,31 1,39
Paquetes Paquetes
C con dcto C con C con
= 180 dcto= 162 dcto = 153

395
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
# # Costo # # Costo # #
Costo Total
Paquetes Unds Total Paquetes Unds Total Paquetes Unds
5,00 750 1.834.750 3,00 900 1.655.833 2,00 1000 1.567.000

Note que se tomó el primer entero mayor o igual a 700 cajas

Si se compra individualmente las 1200 unidades, a un c=$150, se obtiene un costo total de:

Costo total

1.540.000

En este último caso se reemplaza en la fórmula con Q =1200 cajas, c=150$/caja

Al comparar las opciones, teniendo en cuenta los dos descuentos ofrecidos se observa que
la solución que minimiza los costos totales de administración de inventarios es comprar
1200 unidades individualmente con un costo total de 1540000 $/año.

396
Luis Fernando Moreno Velásquez
Teoría de decisiones
Capítulo 21.
Análisis de decisiones

Conceptos generales y teorema de Bayes


Todos los días las personas nos vemos enfrentadas a innumerables situaciones en las cuales
debemos tomar determinadas decisiones y seguir cursos de acción.

Aunque todos los algoritmos de investigación de operaciones son decisiones: el valor de


una variable, por ejemplo, es una decisión, el sentido que se da aquí a la palaba decisión es
muy particular y es lo que veremos el capítulo y en todo el módulo de decisiones.

Los procesos de toma de decisiones se pueden clasificar principalmente en dos categorías:

1) Decisiones bajo certidumbre


2) Decisiones bajo incertidumbre

Antes de explicar en qué se diferencian los dos procesos de toma de decisiones es


importante aclarar qué es una decisión y qué pasos se siguen cuando esta se toma:

Decisión. El proceso de elegir la solución para un problema suponiendo que existen varias
alternativas, aunque en un caso extremo, podría haber sólo una alternativa y el problema
sería trivial.

Pasos:

1. Definición del problema.

2. Recolección de datos sobre el problema.

3. Planteamiento de un modelo.

4. Obtención de soluciones utilizando el modelo.

5. Selección de la mejor de las soluciones

Note que estos pasos son muy similares a los pasos que utiliza el método científico.

A continuación aparecen las características de las dos categorías de decisiones:

399
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Los parámetros son
Toma de decisiones bajo certidumbre constantes conocidas
y ciertas

Los parámetros varían con


Toma de decisiones bajo incertidumbre el tiempo y obedecen a
procesos estocásticos

Los procesos de toma de decisiones bajo incertidumbre serán los que analizaremos en esta
parte del módulo, y nos enfocaremos principalmente en el corto plazo, en el cual tendremos
que preocuparnos de tomar quizá solo una decisión.

En los procesos de toma de decisiones bajo incertidumbre es posible disminuir la


mencionada incertidumbre con el uso de algunas pruebas y esto se verá más adelante.

Las decisiones bajo incertidumbre se subdividen a su vez en dos categorías:

1. Toma de decisiones con datos previos

2. Toma de decisiones sin datos previos.

A continuación aparecen las características de estas dos categorías:

Toma de decisiones con datos previos. Se deben cumplir las siguientes características:

1) Se dispone de datos previos y


2) Las circunstancias no varían constantemente y
3) La decisión se toma en forma repetida.

Toma de decisiones sin datos previos. Es suficiente que se dé una de las siguientes
características:

1) No se dispone de datos previos o


2) Las circunstancias varían constantemente o
3) La decisión no se toma en forma repetida.

Acabamos de mencionar que es posible disminuir la incertidumbre mediante el uso de


algunas pruebas (o experimentos o experimentación)

De acuerdo con esto las decisiones también se dividen en dos categorías:

1) Toma de decisiones sin experimentación (o sin pruebas)


2) Toma de decisiones con experimentación (o con pruebas).

400
Luis Fernando Moreno Velásquez
Pero la experimentación (realizar las pruebas) tiene un costo y debemos decidir si se debe
utilizar la experimentación con el fin de reducir la incertidumbre o tomar la decisión sin
usar ninguna de estas pruebas (con el fin de ahorrarse dicho costo).

Los modelos de toma de decisiones utilizan algunos conceptos de la estadística. Por ello es
necesario que recordemos algunos de estos conceptos, y en especial el Teorema de Bayes.

Los modelos de toma de decisiones utilizan algunos conceptos de la estadística. Por ello es
necesario que recordemos algunos de estos conceptos, y en especial el Teorema de Bayes,
que se utiliza precisamente para decidir si se justifica invertir en el costo de las pruebas,
para disminuir la incertidumbre.

Antes de entender el teorema de Bayes veamos la fórmula de la probabilidad condicional:

Sea E un experimento que se repite n veces y cada vez que se repite el experimento
observamos dos eventos.

Sean:

nA: el número de veces que se da el evento A.


nB: # de veces que se da el evento B.
n(A ∩ B): # de veces que se da el evento A ∩ B (o sea el número de veces que se dan
ambos eventos)

Denominemos:

nA/n la frecuencia relativa de A


nB/n la frecuencia relativa de B
n(A ∩ B)/nA la frecuencia relativa o condicional de B dado que se dio A

Observe que en la última definición el evento A aparece tanto en el numerador como en el


denominador.

Cuando n → ∞, nA ∩ B/nA → P(B|A) (probabilidad condicional de B dado A)

Si dividimos por n el numerador y el denominador tenemos:

(n(A ∩ B)/n)/(nA/n) = P(A ∩ B)/P/(A).

401
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Entonces:

P (B|A) = P (A∩B)/P(A)

Esta es la conocida fórmula (o teorema) de la probabilidad condicional. Note que en la


demostración no se hizo referencia a la relación entre los eventos A y B. Por tanto, esa
fórmula es válida para cualquier A y cualquier B.

Ejemplo:

Sea E un experimento consistente en tirar un dado de seis caras no cargado.

Definamos los eventos:

A. Que aparezca un número par.


B. Que aparezca el número dos.

¿Cuál es la P(B|A)?

Apliquemos la fórmula:

P (A∩B) = P(B) = 1/6, ya que B es subconjunto de A

P(A)= 1/2, ya que hay tres números pares de 6

Entonces P (B|A) = P (A∩B)/P(A) = (1/6)/(1/2) = 1/3.

Definición de partición
Los eventos B1, B2, ..., Bk, se dice que son una partición del espacio muestral S si se cumplen
los tres siguientes enunciados:

Bi ∩ Bj = ∅ (para i ≠ j) (en palabras se dice que los Bi son mutuamente excluyentes).

∪ Bi = S (en palabras se dice que los Bi son exhaustivos).

P (Bi) > 0

En resumen, de un conjunto de eventos que cumplen esos tres enunciados se dice que son
mutuamente excluyentes y exhaustivos, o lo que es lo mismo: cada que se realiza el
experimento se da un evento y solo uno.

Gráficamente se puede ver el espacio muestral S como la partición de B1, B2, …, Bk.

402
Luis Fernando Moreno Velásquez
B6
B1 B8

B4
B2

B5
B7
B3

Figura 21.1

sea A= A ∩ (B1 ∪ B2 ∪.... Bk) (A es la elipse)

A= (A ∩ B1 ) ∪ (A ∩ B2 ) ∪....... ∪ (A ∩ Bk ) (Por las leyes de conjuntos)

B6
B1 B8

B4
B2

B5
B7
B3 A

Figura 21.2

Propiedad
Los eventos (A ∩ Bi) son mutuamente excluyentes por parejas (por ser subconjuntos de los
Bi, que también son mutuamente excluyentes por ser partición).

403
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Entonces:

P(A)= P(A ∩ B1) +P(A ∩ B2) +....... + P(A ∩ Bk ) La probabilidad de la unión de conjuntos
mutuamente excluyentes es la suma de las probabilidades.

Si reemplazamos cada uno de los términos del lado derecho por la fórmula de la
probabilidad condicional obtenemos:

P(A)= P(A | B1 )P(B1)+P(A | B2 ) P(B2)+....+P(A|Bk) P(Bk) Teorema de la probabilidad


total.

Hemos demostrado el teorema de la probabilidad total.

Demostremos ahora el teorema de Bayes:

P(Bi|A) = P(A∩ Bi)/P(A) (fórmula de probabilidad condicional) (1)

Pero: P(A∩ Bi) = P(A|Bi )P(Bi) (también por la fórmula de la probabilidad condicional) y

P (A) = Σ P(A|Bi) P (Bi ) (usando el teorema de la probabilidad total).

Reemplazando ambas expresiones en la ecuación (1) obtenemos:

P(Bi|A) = P(A|Bi )P(Bi)/[Σ P(A|Bi)P (Bi)]

Esta última expresión es el Teorema de Bayes. Note que este teorema se obtiene aplicando
dos veces la fórmula de la probabilidad condicional y el teorema de la probabilidad total.

Veamos un ejemplo de la utilización de ambos teoremas:

Ejemplo:

En una planta de producción se tienen tres máquinas que producen un mismo artículo.

Las máquinas 2 y 3 producen a la misma velocidad, mientras que la máquina 1 tiene una
velocidad de producción igual a la de la 2 y 3 juntas.

Además, las máquinas producen un determinado número de artículos defectuosos. Los


porcentajes de artículos defectuosos por máquina son:

% de artículos defectuosos de la máquina M1 = 2%

% de artículos defectuosos de la máquina M2 = 2%

% de artículos defectuosos de la máquina M3 = 4%

Se recoge la producción de las tres máquinas durante un día y se escoge un artículo al azar.

¿Cuál es la probabilidad de que sea defectuoso? O, dicho de otro modo, ¿cuál es el


porcentaje de artículos defectuosos que produce la empresa?
404
Luis Fernando Moreno Velásquez
Definamos los siguientes eventos:

B1: artículo producido en la máquina 1.


B2: artículo producido en la máquina 2.
B3: artículo producido en la máquina 3.
A: artículo defectuoso.

Note que los eventos B1, B2, B3 son una partición: son mutuamente excluyentes y
exhaustivos.

P (B1) = 1/2 P (B2) = 1/4 P (B3) = 1/4 (por las velocidades de las máquinas)

P (A|B1) = 0.02 (porcentaje de defectuosos de la máquina 1).

P (A|B2) = 0.02 (porcentaje de defectuosos de la máquina 2).

P (A|B3) = 0.04 (porcentaje de defectuosos de la máquina 1).

Por tanto, si aplicamos el teorema de la probabilidad total obtenemos:

P(A) = P(A|B1)P(B1) + P(A|B 2) P(B2) + … P(A|Bk )P(Bk)

P(A) = 0.02*(1/2) + 0.02*(1/4) + 0.04*(1/4)

P(A) = 0.025, es decir:

La probabilidad de que un artículo sea defectuoso es 0.025.

Ahora respondamos la pregunta:

¿Si tomo un artículo al azar y resulta defectuoso, qué probabilidad tiene de venir de la
máquina 1?

Esta pregunta es: P(B1|A), que de acuerdo con el teorema de Bayes nos da:

P(Bi|A) = P(A|Bi )P(Bi)/[Σ P(A|Bi)P (Bi)]

P(Bi|A) = 0.02*(1/2)/[ 0.02*(1/2) + 0.02*(1/4) + 0.04*(1/4)] = 0.4.

Es decir:

La probabilidad de que un artículo defectuoso venga de la máquina 1 es 0.4, o la máquina


1 produce el 40% de los artículos defectuosos de la planta.

Veamos ahora la terminología que utilizaremos en la teoría de decisiones:

405
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Terminología
Acción (a): alternativa elegida por el tomador de decisiones del conjunto que contiene todas
las alternativas factibles bajo consideración para las distintas formas de proceder del
problema en cuestión.

Estado de la naturaleza (θ): cada una de las situaciones posibles en que se encontrará el
tomador de decisiones y está determinado por efectos aleatorios.

Pago {p(a,θ)}: medida cuantitativa del valor de las consecuencias del resultado para el
tomador de decisiones.

Por ejemplo, muchas veces el pago se representa por la ganancia monetaria neta (utilidad),
aunque también se pueden usar otras medidas.

p(a,θ) es el pago resultante al tomar la acción a cuando el estado de la naturaleza es θ.

En general, se usa una tabla de pagos para dar p(a,θ) para cada combinación de a y θ, donde
las filas de la matriz son las alternativas (a) y las columnas los estados de la naturaleza (θ).

θ θ1 θ2 θn

a1 p(a1 ,θ1) p(a1,θ2) … p(a1,θn)

a2 p(a2,θ1) p(a2,θ2) … p(a2,θn)

am p(am,θ1) p(am,θ2) … p(am,θn)

Tabla 21.1

406
Luis Fernando Moreno Velásquez
Ejemplo 1:

La Goferbroke Company es dueña de unos terrenos donde puede haber petróleo. Según un
geólogo la probabilidad de que exista petróleo en estos terrenos es 1/4.

La compañía puede o bien perforar o vender los terrenos a otra compañía petrolera por
$90000 independientemente de que haya o no petróleo. Si la compañía decide perforar y
existe petróleo ganará $700000. Pero si no hay petróleo perderá $100000.

Con estos datos construimos la tabla de pagos:

θ Hay petróleo No hay petróleo:


a seco
Perforar $700000 −$100000

Vender $90000 $90000

Probabilidad 0.25 0.75

Tabla 21.2

Dada esta tabla de pagos, el tomador de decisiones eligirá una acción. Más adelante se
verán los criterios para la toma de decisiones sin experimentación.

Ejemplo 2:

Los principales clientes de la Pizzería Comini son los estudiantes que viven en las
residencias de la Universidad Nacional.

Existe la probabilidad que estos estudiantes se muden a unos apartamentos que va a


arrendar la universidad o es factible que se trasladen a los nuevos apartamentos que se están
construyendo.

Ante la posibilidad de la mudanza, la pizzería ha considerado la opción de trasladarse a


otro lugar, actualmente está ubicada cerca al puente de carabineros.

Las opciones de traslado que tienen los dueños de la pizzería son ubicarse en la carrera 65
o bien trasladarse a la avenida Colombia.

Trasladarse a la carrera 65 sería la opción más adecuada, dado que los estudiantes se
mudarán a los apartamentos que la universidad piensa arrendar. Por otro lado, trasladarse
a la calle Colombia sería lo mejor, si los estudiantes se mudaran a los apartamentos en
construcción.

407
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Estudiantes
θ No mudanza Arrendar Construir
apartamentos apartamentos
Pizzería Comini

a
No trasladarse 100 50 20

Carrera 65 40 150 25

Calle
−20 20 200
Colombia

Tabla 21.3

En la tabla anterior las alternativas (filas de la tabla) son los lugares donde se puede ubicar
la pizzería, en tanto que los estados de la naturaleza (columnas de la tabla) son los lugares
donde se pueden ubicar los clientes de la pizzería (los estudiantes).

Los valores que aparecen en la tabla son valores presentes teniendo en cuenta las utilidades
de la pizzería durante un horizonte de tiempo (aparecen en millones de pesos).

La forma de resolver ambos ejemplos se verá en el siguiente capítulo.

408
Luis Fernando Moreno Velásquez
Capítulo 22.
Toma de decisiones sin experimentación

Recordemos una de las clasificaciones de los procesos de toma de decisiones vista en el


capítulo anterior:

Toma de decisiones con datos previos. Se deben cumplir las siguientes tres características:

1) No se dispone de datos previos y


2) las circunstancias varían constantemente y
3) la decisión no se toma en forma repetida

Toma de decisiones sin datos previos. Es suficiente que se dé una de las siguientes tres
características:

1) No se dispone de datos previos o


2) las circunstancias varían constantemente o
3) la decisión no se toma en forma repetida.

Resumen del análisis de toma de decisiones.

1) El tomador de decisiones necesita elegir una de las acciones posibles.

2) La naturaleza eligirá entonces uno de los estados de la naturaleza posibles.

3) Cada combinación de una acción a y un estado de la naturaleza θ da como


resultado un pago p(a,θ).

4) La tabla de pagos debe usarse para encontrar una acción óptima para el tomador
de decisiones según un criterio adecuado.

Es importante resaltar que, de acuerdo con estos pasos, la decisión se debe tomar antes de
conocer los estados de la naturaleza, porque si se supiera qué estado de la naturaleza se va
a dar, la decisión sería otra y mucho más sencilla.

Cabe mencionar que los estados de la naturaleza son eventos aleatorios (por eso tienen
asignadas probabilidades) que pueden afectar los pagos (ingresos, costos, etc. de la tabla
de pagos).

En la toma de decisiones sin experimentación existen varios criterios para elegir la acción
óptima.

Veremos cinco criterios, ya que un proceso de toma de decisiones tiene elementos


subjetivos. Cada uno de los cinco criterios se adapta al comportamiento (personalidad) del

409
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
tomador de decisiones (persona, empresa, institución, etc.). Supondremos que los criterios
son de maximización, o sea que la tabla de pagos es de utilidades y no de costos, o de
cualquier otro criterio que se deba maximizar.

1) Criterio del pago máximo (pesimista).

2) Criterio del optimista.

3) Criterio de la máxima posibilidad.

4) Criterio de minimización del arrepentimiento.

5) Criterio de maximización del pago promedio (Regla de decisión de Bayes).

Cada uno de los cinco criterios se lo aplicaremos a los dos ejemplos vistos en el capítulo
anterior: (el de la Petrolera Goferbroke y el de la Pizzería Comini).

Criterio del Pago máximo (pesimista o maximin)


Algoritmo

1. Para cada acción (fila) se escoge el pago mínimo sobre todos los estados de la naturaleza
y se lleva a una lista (columna).

2. De esta lista se escoge el máximo valor. La acción asociada con este valor es la acción a
elegir.

Este razonamiento es bastante válido cuando se está compitiendo contra un oponente


racional y malévolo. Sin embargo, este criterio es demasiado conservador pues supone que
la naturaleza es un oponente que le quiere infligir al tomador de decisiones todo el daño
que sea posible, lo cual no es tan cierto: la naturaleza causa males, pero no se propone
causarlos.

Ejemplo: Goferbroke Company

θ Hay petróleo No hay petróleo:


a seco
Perforar $700000 −$10000

Vender $90000 $90000

Probabilidad 0.25 0.75

Tabla 22.1

410
Luis Fernando Moreno Velásquez
Pagos mínimos Este es el menor pago
a: −100000 posible que la petrolera
podría obtener, dado
que la naturaleza obrara
a: 90000 malévolamente.

Tabla 22.2

Elegimos el pago mínimo sobre los estados de la naturaleza de las acciones acciones
posibles (paso 1 del algoritmo) y luego el máximo de estos (paso 2 del algoritmo).

Como en el paso 2 el máximo entre −100000 y 90000 es 90000, este es el valor


seleccionado, el cual está asociado con la alternativa 2 (vender), por lo que esa es la
alternativa seleccionada. Un pesimista vende el terreno.

Cabe mencionar que el valor ganador en este criterio (90000 en este ejemplo significa que
el tomador de decisiones tiene garantizado ese valor pase lo que pase (sea cual sea el estado
de la naturaleza).

Ejemplo: Pizzería Comini

Estudiantes
θ No Arrendar Construir
Pizzería Comini

mudanza apartamentos apartamentos


a
No trasladarse 100 50 20

Carrera 65 40 150 25

Calle Colombia −20 20 200

Probabilidad ⅓ ⅓ ⅓

Tabla 22.3

411
Guía para la solución de problemas de cadenas de Markov, colas, inventarios y análisis de decisiones
Elegimos el pago mínimo de las 3 acciones posibles y luego el máximo de estos.

Pagos mínimos Este es el menor


a1: 20 pago posible que
la petrolera
a2: 25 podría obtener,
dado que la
a3: −20 naturaleza obrara
malévolamente.

Tabla 22.4

Como en el paso 2 el máximo entre 20, 25 y −20 es 25, este es el valor seleccionado, el cual
está asociado con la alternativa 2 (irse para la carrera 65), por lo que esa es la alternativa
seleccionada. Un pesimista se va con la pizzería para la carrera 65 (Recuerde que la
decisión se toma antes de saber en qué lugar van a quedar los estudiantes).

La pizzería eligirá entonces trasladase a la carrera 65, pues de esta manera obtendrá el
mejor pago, dado que ocurra lo peor (pase lo que pase con los estados de la naturaleza) el
tomador de decisiones, el dueño de la pizzería tiene garantizado que su pizzería tiene un
valor mínimo de 25.

Criterio del optimista


Algoritmo

1. Para cada acción (fila) se escoge el mayor valor y se lleva a una lista (columna).

2. De esta lista se escoge el mayor valor. La acción asociada con este valor es la acción a
elegir.

Este criterio es completamente opuesto al anterior, pues acá supone que la naturaleza obrará
completamente a favor del tomador de decisiones y que la suerte estará siempre de su lado.
En este criterio el tomador de decisiones lo arriesga todo sin mirar lo malo que pueda
ocurrir.

412
Luis Fernando Moreno Velásquez
Ejemplo: Goferbroke Company

θ Hay petróleo No hay petróleo:


a seco

Perforar $700000 −$10000

Vender $90000 $90000

Probabilidad 0.25 0.75

Tabla 22.5

Sobre todos los estados de la nat