Trabajo Ope2

Universidad de La Serena
Facultad de Ingeniera
Departamento de ingeniera Civil Industrial

APLICACIN DE CADENAS DE
MARVOV EN LNEAS DE
ESPERA

Nombres: Mauro Faras Corts
Carlos Gonzlez Vergara
Jos Melndez Artigas
Sebastin Valenzuela Portilla

Curso: Teora II
Asignatura: Investigacin de
Operaciones II
Docente: Paulina Gonzlez Martnez
Fecha: 04 de Julio del 2014


NDICE

NDICE .................................................................................................. Error! Bookmark not defined.
INTRODUCCIN ..................................................................................... Error! Bookmark not defined.
DESARROLLO ......................................................................................... Error! Bookmark not defined.
Aplicacin de cadenas de markov a sistemas de antencin ............. Error! Bookmark not defined.
Un ejemplo numrico.7
CADENAS DE MARKOV CON ESTADOS FUZZY ....................................... Error! Bookmark not defined.
Probabilidad de eventos fuzzy .......................................................... Error! Bookmark not defined.
Un ejemplo numrico ........................................................................ Error! Bookmark not defined.
CONCLUSIONES ..................................................................................... Error! Bookmark not defined.
REFERENCIAS ......................................................................................... Error! Bookmark not defined.
ANEXO ................................................................................................... Error! Bookmark not defined.


INTRODUCCIN

La bsqueda de la optimizacin es una constante necesidad de las empresas, por ejemplo en la
minera es algo trascendental porque se busca reducir costos en procesos de produccin y con esto
tener una mayor competitividad en comparacin a otras empresas del rubro es por esto que para
un ingeniero en minas es esencial conocer a profundidad cmo funcionan los procesos de decisin
Markoviano.El desarrollo de este informe presenta como objetivo analizar la relacin entre la teora
de colas y proceso de decisin markoviano, como este puede optimizar y generar mayor beneficio o
menor costo , as con esto tener un mayor conocimiento como funciona y poder aplicarlo a distintas
situaciones de la minera en especial.
Un proceso de decisin Markoviano se puede utilizar para detallar un sistema dinmico el cual
evoluciona en el tiempo de acuerdo a los efectos simultneos de las leyes probabilsticas de
movimiento y la secuencia de decisiones tomadas. El sistema se observa en los instantes de
tiempo t = 0,1,2,.. , y es clasificado en uno de los M estados del sistema. Luego de cada
observacin se toma una de las K posibles decisiones. Ello implica que cuando el sistema se
encuentra en un estado particular y se toma una decisin, el sistema se mueve a un nuevo estado
con una probabilidad de transicin conocida y se genera un costo o un beneficio, y esto para
cualquier combinacin de estados y decisiones. Una poltica es un conjunto de decisiones
tomadas para cada uno de los estados del sistema. En general hay K polticas. El
problema es encontrar la mejor poltica de manera que el coste promedio por unidad de
tiempo sea mnimo, o que el beneficio sea mximo . Los procesos de decisin Markovianos
representan una til herramienta para modelar y encontrar la poltica ptima en una amplia
clase de sistemas. Estos son aplicables en reas tales como teora de colas, inventarios,
mantenimiento, programacin dinmica probabilstica.
La composicin de este informe se genera a travs de datos obtenidos desde internet de distintos
papers los cuales analizamos y estudiamos detalladamente para tener una comprensin de la
relacin de los procesos antes mencionados , de acuerdo con esto analizamos dos modelos de
Cadenas de markov aplicados a lneas de espera para seleccionar el mayor beneficio o el menor
costo dependiendo del caso al cual nos estemos refiriendo , desarrollamos dos diseos de sistemas
de colas de capacidad limitada los cuales nos muestran cmo actan los procesos de decisin
markoviano y con esto poder tomar las mejores decisiones en nuestro trabajo siempre pensando en
optimizar el beneficio o reducir el costo como objetivo principal.


DESARROLLO

Para poder desarrollar nuestro estudio hemos indagado en bibliografa acerca de estos procesos de
investigacin de operaciones que podran ser aplicados por las distintas empresas con el fin de
mejorar sus utilidades entre otras cosas, en nuestro caso el rubro de la minera la informacin
acerca de inventarios o determinadas actividades se encuentran restringidas a derecho privados lo
que hace ms difcil su obtencin pero no cabe duda de que estos ejemplos si pueden ser aplicados
a la industria minera, vale recordar el trabajo de lneas de espera aplicadas entre pala y camiones
que realiz nuestro grupo este semestre.

APLICACIN DE CADENAS DE MARKOV A SISTEMAS DE ATENCIN

Definicin del problema
Dado un sistema de atencin o prestacin de un servicio cualquiera a clientes de cualquier
naturaleza, se quiere estudiar las caractersticas del proceso de atencin y de eventual espera en
cola de los clientes (problema de anlisis) o determinar la configuracin de los canales de atencin
para satisfacer un objetivo definido (problema de diseo o sntesis). Las principales caractersticas
de estos procesos son las siguientes:
Arribos de unidades a intervalos de tiempo regular o irregular a un sistema integrado por
un centro de atencin o servicio (canales) y un centro de espera (cola)
El centro de servicio puede estar constituido por una o varias estaciones o canales y cada
unidad debe pasar por una (o eventualmente varias) estacin con el fin de recibir un
servicio de duracin aleatoria.
La duracin del servicio y el rgimen de arribos definen que las unidades puedan tener que
esperar que una estacin se encuentre disponible, formando colas o lneas de espera.

Como ejemplo de estos procesos pueden mencionarse los siguientes:


La estructura de estos sistemas con sus elementos bsicos puede representarsede la siguiente
manera:

Segn que la naturaleza del estudio sea de anlisis o de diseo, los interrogantes que surgen en el
problema pueden estar dados por:

Adems el objetivo del problema puede ser:
*Z=Costo mnimo
= Costo operativo de 1 canal ($/hora.canal) * M (n de canales) + costo por demora de los
clientes ($/hora.cliente) * L (n medio de clientes en el sistema) Mnimo

Adems el objetivo del problema puede ser:
*Z=Costo mximo
= Beneficio por atencin de clientes ($/cliente) * (velocidad de ingreso de clientes:
clientes/hora) costo operativo de cada canal ($/hora.canal) * M (n de canales) Mximo

Para el clculo del nmero medio de clientes en el sistema es preciso definir una variable aleatoria
de estado i=n que represente al nmero de clientes en el sistema. En funcin de la misma ser:

()

Para lo cual es necesario calcular las probabilidades del estado p, lo cual puede efectuarse
mediante el mtodo de cadenas de Markov.


A continuacin se efecta la modelizacin del proceso mediante una cadena de Markov particular
llamada de nacimiento y muerte para luego aplicar dicho modelo en distintos casos de sistemas de
atencin.

Modelo de dos canales en paralelo de distinta velocidad y cola finita de una sola
posicin

La estructura general del sistema es la siguiente:

Y el grfico de tasas de transicin, la matriz A y el vector p son:


Resolviendo el sistema de ecuaciones se obtienen las cinco probabilidades.

UN EJEMPLO NUMRICO

En una empresa bancaria denominada Banco R presenta el siguiente problema de Teora de
Colas y Cadenas de Markov , Llegan 4 clientes cada hora a esta empresa , y esta dispone de dos
cajas solamente, una caja A la cual atender a 3 clientes por hora y una caja B la cual atender a 2
clientes por hora.


Estados del Sistema:
I Sistema Vaco
II Cliente en B
III Cliente en A
IV Un cliente A y uno en B
V Un cliente en A uno en B y uno en la cola
VI Un cliente en A uno en B y dos en la cola

Matriz de tasas de transicin


Nmero Promedio de clientes en el sistema
L=0P
I
+ 1(P
II
+ P
III
) + 2P
IV
+3P
V
+4P
VI

Nmero Promedio de clientes en la cola
L
C
=0(P
I
+ P
II
+ P
III
+ 2P
IV)
+1P
V
+2P
VI

Nmero Promedio de clientes en cada canal de atencin
H
A
=P
III
+ P
IV
+ P
V
+ P
VI

H
B
=P
II
+ P
IV
+ P
V
+ P
VI

Nmero Promedio de clientes que ingresan al sistema por hora
Q
ING
= (P
I
+ P
II
+ P
III
+ P
IV
+ P
V
)= (1- P
VI
)

Nmero Promedio de clientes que salen del sistema por hora: Q
SAL A
+ Q
SAL B

Donde Q
SAL A
=
A
(P
III
+ P
IV
+ P
V
+ P
VI
) y Q
SAL B
=
B
(P
II
+ P
IV
+ P
V
+ P
VI
)

Tiempo promedio que un cliente permanece en el sistema
W=

Tiempo promedio que un cliente permanece en la cola
W
c
=

Tiempo promedio que un cliente permanece en cada canal de atencin
W
canal A
=

: W
canal B
=

Probabilidad de que un cliente sea atendido de inmediato
P
I
+ P
II
+ P
III

Probabilidad de que un cliente no pueda ingresar por falta de espacio
P
VI

Porcentaje del tiempo que el sistema est vaco 100*P
I

100*P
I

Porcentaje del tiempo que el sistema est totalmente ocupado
100*P
IV

Porcentaje de tiempo que hay personas en cola
100*(P
V
+ P
IV)

Porcentaje del tiempo que cada canal de atencin est en actividad
A) 100*(P
II
+ P
IV
+ P
V
+ P
VI
)
B) 100*(P
III
+ P
IV
+ P
V
+ P
VI
)

Porcentaje del tiempo que cada canal de atencin no est ocupado
A) 100*[1-(P
II
+ P
IV
+ P
V
+ P
VI
)]
B) 100*[1-(P
III
+ P
IV
+ P
V
+ P
VI
)]


Definicin de estados
1. Sistema vaco
2. Un cliente en B
3. Un cliente en A
4. Un cliente en A y uno en B
5. Un cliente en A, uno en B y uno en la cola
6. Un cliente en A, uno en B y dos en la cola



Por otra parte, ac se presenta un sistema de colas con capacidad limitada M /M /1/ N
(Winston [5]) a travs de la determinacin de la mejor poltica a seguir en las decisiones
sobre propaganda, las cuales son tomadas teniendo en cuenta al nmero de clientes en
cola en el instante de la toma de decisiones. As, si por ejemplo la longitud de cola es larga la
decisin podr ser efectuar o no propaganda para aumentar la tasa de llegadas, tal decisin
depender de los costes que conlleve la realizacin de publicidad.

Para llevar a cabo el proceso de optimizacin y encontrar la mejor poltica a seguir en cada estado
de la Cadena de Markov que determina el sistema de colas vamos a utilizar la solucin por
programacin lineal del proceso de decisin markoviano (Taha [4]). Esta solucin conlleva la
formulacin de un programa lineal. Para un sistema con M estados y K alternativas de
decisin, la formulacin del programa lineal asociado debe incluir M +1 restricciones y MK
variables, el cual tender a ser muy extenso para valores de M y K grandes. Por ejemplo, si
el sistema cuenta con una capacidad limitada a 15 unidades, el nmero de estados es
M = N +1 = 16 , y suponiendo que existan dos alternativas de decisin, efectuar propaganda o
no, entonces K = 2 , luego el sistema de programacin lineal que permite resolver para cada
estado de la Cadena de Markov la decisin ms adecuada consta de 32 variables y 17
restricciones. Para reducir este nivel de clculo hemos desarrollado las Cadenas de Markov
con estados fuzzy, de manera que en el problema en estudio se pueden considerar, por ejemplo,
los estados fuzzy longitud corta de cola, longitud media de cola y longitud larga de cola
y para resolver la optimizacin del sistema de colas a cada estado fuzzy se le asocia una
alternativa de decisin (efectuar publicidad o no) de forma que el sistema de programacin
lineal, dado que el modelo cuenta ahora con 3 estados (M = 3 ) y las alternativas de decisin
son tambin 2 ( K = 2 ) consta de 6 variables y 4 restricciones, una cantidad de variables y
restricciones sensiblemente inferior a las obtenidas sin la aplicacin de estados fuzzy sobre la
Cadena de Markov.

CADENAS DE MARKOV CON ESTADOS FUZZY

Probabilidad de eventos fuzzy

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

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


PROBABILIDADES DE LAS CADENAS DE MARKOV CON ESTADOS FUZZY

Sobre los estados del sistema definimos una particin fuzzy (Dubois y Prade [1]), es decir,
un conjunto de estados fuzzy {
1
,
2
, ,
n
}, de manera que cada subconjunto fuzzy
i
,
i {1,2,..., n } representa un estado o evento fuzzy de la cadena de Markov inicial.

Definicin 1: Se define la probabilidad de estado inicial fuzzy, P(
i
)=P(X
O
=
i
) a travs la
probabilidad crisp de un evento fuzzy calculada mediante la integral de Lebesgue-Stieltjes
(Zadeh [7]): ver anexo

SOLUCIN DEL PROBLEMA DE DECISIN MARKOVIANO
En esta seccin describimos brevemente la solucin por programacin lineal del proceso de
decisin markoviano (Taha [4]). Para ello definimos las siguientes notaciones:
p
ij
(k): probabilidad de transicin del sistema del estado i al estado j cuando se toma la
decisin k.
C i
k
: coste esperado en el que se incurre durante la prxima transicin si el sistema
est en el estado i y se toma la decisin k.
y i
k
: probabilidad condicional de elegir la alternativa k dado que el sistema est en el
estado i.
C : coste esperado por transicin siguiendo una poltica R.

Una poltica R es un vector de decisiones d
i
(R) cuando el sistema est en el estado i. As, R queda
caracterizado por el vector d(R) = (d
1
(R),, d
m
(R)). Alternativamente, R tambin puede
ser caracterizado asignando valores Di
k
= 0 1 en la matriz, en la cual cada columna debe
contener un nico 1 y todos los dems elementos iguales a 0:

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

Con todo, el problema de decisin markoviano queda formulado mediante el siguiente
programa lineal:

Con la solucin de este programa lineal se obtienen los valores de yi
k
, y con (21) son
obtenidos los resultados de las decisiones a tomar dependiendo el estado i, Di
k
.

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

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

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

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


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

Supondremos que las probabilidades de estado inicial p
i
son todas iguales, luego p
i
=1/11. Con
este dato se obtiene que las probabilidades de estado inicial fuzzy son:
P (
1
)=3.2/11 P (
2
)=4.6/11 P (
3
)=3.2/11
Y la matriz S:

Las matrices de probabilidad transicin correspondientes a los estados fuzzy
1,

2
y
3
para la
decisin k,
= [P
k
(
j
/
i
)] se obtiene usando (18):
k
= SP
k
Q:


Con todo, el programa lineal a plantear para encontrar la solucin al problema de si efectuar o no
publicidad teniendo en cuenta la longitud de cola en el sistema, consta de 4 restricciones y 6
variables, y es:

Minimizar C=10y
11
+ 3y
12
+7y
21
+5y
22
+4y
31
+7y
32
sujeto a
y
11
+ y
12
+y
21
+y
22
+y
31
+y
32
=1
y
11
+ y
12
(0.8335y
11
+0.07978y
12
+0.0941y
21
+0.0755y
22
)=0
y
21
+ y
22
(0.1665y
11
+0.2022y
12
+0.8103y
21
+0.8071y
22
+0.1687y
31
+0.1375y
32
)=0
y
31
+ y
32
(0.0956y
21
+0.1174y
22
+0.8313y
31
+0.8625y
32
)=0
y
ik

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

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


Conclusiones

Los sistemas de colas son muy comunes en la sociedad, por ejemplo personas esperando para
realizar transacciones un banco, estudiantes esperando en las fotocopiadoras, vehculos esperando
para pagar una estacin de peajes, mquinas daadas esperando mantencin, etc.
La adecuacin de estos sistemas puede tener un efecto importante sobre la calidad de vida y la
productividad.
Para estudiar estos sistemas, la teora de colas formula modelos matemticos que representan su
operacin y despus usa estos modelos para obtener medidas de desempeo. Este anlisis
proporciona informacin vital para disear de manera efectiva sistemas de colas que logren un
balance apropiado entre el costo de proporcionar el servicio y el costo asociado con la espera por
ese servicio.
Por otro lado las cadenas de Markov, se pueden considerar como una de las grandes aportaciones
de las matemticas. No necesariamente tienes que ser un experto en la materia para poder
entender en qu consisten y el uso que le puedes dar en las diferentes situaciones de la vida diaria.

Se ha demostrado que las cadenas de Markov tienen un gran valor en la economa, ya que
mientras nos predice lo que podra ocurrir en un segundo periodo de tiempo, los mercados lo
utilizan para mejorar sus propios intereses.

El concepto de probabilidad de eventos fuzzy asociados a los procesos de decisin
Markovianos permite dar solucin a situaciones en las cuales los estados no puedan ser
medidos con precisin, debido a que los estados son perfectamente medibles y observables pero
el nmero de estados es tan amplio que las decisiones no pueden ser asociadas con los
estados exactos el sistema.

Si el sistema a evaluar cuenta con un amplio nmero de estados la solucin tendr por tanto un
gran nmero de variables y restricciones. Mediante el uso de las Cadenas de Markov con
estados fuzzy, el sistema a resolver es reducido considerablemente lo que conlleva una
disminucin de la complejidad computacional as como de la toma de decisiones ya que sta
queda limitada a slo tres estados (longitud corta, media o larga de cola).

Si bien en este trabajo hemos visto la aplicacin de las Cadenas de Markov con o sin estados fuzzy
en la Teora de Colas, stas pueden ser utilizadas tanto en problemas de inventarios
(neumticos,E.P.P) como en mantenimiento de sistemas, mayor eficiencia para el Carguo y
transporte, entre otros.

La sinergia de estas dos materias suena complejo, pero no lo es como parece, y sus aplicaciones
pueden solucionar grandes problemas ya sea de empresas o personas particulares.


Referencias

[1] D. Dubois, H. Prade. Fuzzy Sets and Systems: Theory and Applications. Academic Press,
Boston, 1980.

[2] D. Dubois, H. Prade, R.R. Yager. Merging fuzzy information. En: J. Bezdek, D. Dubois,
H. Prade (Eds.), Fuzzy Sets in Approximate Reasoning and Information Systems. Kluwer,
Boston 1999, pg. 335-401.

[3] D. de la Fuente, M.J. Pardo. Calculation of the degree of customer satisfaction for the
optimization and design of a flow line system with finite capacity and fuzzy data. XIV Congress of
International Association for Fuzzy Set Management and Economy, SIGEF07. Poiana Braov,
Romania, pg. 540-558, 2007.

[4] H.A. Taha. Operations Research: An Introduction (seventh ed.). Prentice-Hall, New Jersey,
2003.

[5] W.L. Winston. Operations Research: Applications and Algorithms (fourth ed.). Duxbury Press,
Boston, 2003.

[6] R.R. Yager. Level sets for membership evaluation of fuzzy subsets. En R.R. Yager (Ed.), Fuzzy
Sets and Possibility Theory: Recent Developments. Pergamon Press, Oxford, 1982, pg. 90-97.

[7] L.A. Zadeh. Probability measures of fuzzy events. Journal of Mathematical Analysis and
Applications 23, pg. 421-427, 1968.

[8] H.J. Zimmermann. Fuzzy Set Theory and its applications (fourth ed.). Kluwer, Boston, 2001.


Anexo


Trabajo Ope2

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Trabajo Ope2

Caricato da

Copyright:

Formati disponibili

Universidad de La Serena

Potrebbero piacerti anche