Professional Documents
Culture Documents
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
I. Introduccin a la Investigacin de
Operaciones
I.1. Introduccin.
El principal objetivo de esta rea de conocimientos
consiste en formular y resolver diversos problemas
orientados a la toma de decisiones.
La naturaleza de los problemas abordados puede
ser determinstica, como en los Modelos de
Programacin Matemtica, donde la teora de
probabilidades no es necesaria, o bien de
problemas donde la presencia de incertidumbre
tiene un rol preponderante, como en los Modelos
Probabilsticos.
I. Introduccin a la Investigacin de
Operaciones
Hoy en da, la toma de decisiones abarca una gran
cantidad de problemas reales cada ms complejos
y especializados, que necesariamente requieren
del uso de metodologas para la formulacin
matemtica de estos problemas y, conjuntamente,
de mtodos y herramientas de resolucin, como los
que provee la Investigacin de Operaciones.
I. Introduccin a la Investigacin de
Operaciones
I.2 Elementos de un modelo de optimizacin.
optimizacin
Supongamos que se dispone de determinadas
piezas para la elaboracin de dos productos finales.
Se dispone de 8 piezas pequeas y 6 piezas
grandes, que son utilizadas para elaborar sillas
(usando 2 piezas pequeas y 1 pieza grande) y
mesas (usando 2 piezas de cada tipo).
Interesa decidir cuntas sillas y mesas fabricar de
modo de obtener la mxima utilidad, dado un
beneficio neto de U$ 15 por cada silla y de U$20
por cada mesa fabricada.
I. Introduccin a la Investigacin de
Operaciones
Posibles soluciones factibles a considerar, esto es
soluciones que respetan las restricciones del
nmero de piezas disponibles, son por ejemplo,
fabricar:
I. Introduccin a la Investigacin de
Operaciones
Un modelo matemtico para hallar la mejor
solucin factible a este problema tiene tres
componentes bsicas:
i) Las variables de decisin, que consiste en
definir cules son las decisiones que se debe
tomar. En el ejemplo,
x: nmero de sillas elaboradas.
y: nmero de mesas elaboradas.
I. Introduccin a la Investigacin de
Operaciones
ii) La funcin objetivo del problema, que permita
tener un criterio para decidir entre todas las
soluciones factibles. En el ejemplo, maximizar la
utilidad dada por:
z = f(x,y) = 15x + 20y
I. Introduccin a la Investigacin de
Operaciones
iii) Restricciones del problema, que consiste en
definir un conjunto de ecuaciones e inecuaciones
que restringen los valores de las variables de
decisin a aquellos considerados como factibles.
En el ejemplo, respetar la disponibilidad de piezas
para la fabricacin de sillas y mesas:
Piezas pequeas:
Piezas grandes :
Tambin se
negatividad:
2x + 2y 8
x + 2y 6
impone
restricciones
x,y 0
de
no
I. Introduccin a la Investigacin de
Operaciones
En resumen:
Max
sa:
15x + 20y
2x + 2y 8
x + 2y 6
x,y 0
I. Introduccin a la Investigacin de
Operaciones
BIBLIOGRFIA EN INVESTIGACIN DE OPERACIONES
1. Introduccin a la Investigacin de Operaciones, F.S.
Hillier y G.J. Lieberman, McGraw Hill, Sexta Edicin, 1997.
2. Investigacin de Operaciones, una introduccin, H.A.
Taha, Prentice Hall, Mxico, Sexta Edicin, 1998.
3. Introduction to Management Science, F. Hillier, M. Hillier
and G.J. Lieberman. Irwin McGraw-Hill, 1999.
4. Model Operations Research: A practical Introduction.
M.W. Carter and C.C.Price. CRC Press, 2000.
5. Practical Management Science: Spreadsheet Modeling
and Applications, Winston, W.L., Albright S.C. y Broadie M.,
International Thomson Publishing Company, 1997.
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
21
25
15
Planta 2
28
13
19
C.D.1
X11
Planta 1
X12
X21
X22
C.D.2
Planta 2
X13
X23
C.D.3
Orgenes
Destinos
= 200
= 200
= 250
P2
250
3,2
4,9
0,8
13
Tianina
1,12
1,3
0,19
15
Vitamina C
32
93
45
Costo
0,2
0,25
mnimos
de
los
9 x3 45
x1 0 ; x 2 0 ; x 3 0
nutrientes
130
80
125
2.5
195
Supuestos adicionales:
1) Existe un inventario inicial de 15 unidades.
2) No se acepta demanda pendiente o faltante (es
decir, se debe satisfacer toda la demanda del
periodo).
Periodo 1
x2 + I1 I2 = 80
Periodo 2
x3 + I2 I3 = 125
Periodo 3
x4 + I3 I4 = 195
Periodo 4
I0=15
:12%
:16%
Crdito personal
:10%
x1 + x2 +x3 + x4 250
RVP
Barriles diarios
gas 1
107
3814
gas 2
93
2666
gas 3
87
4016
gas 4
108
21
1300
RV
26,45
Avgas B
25,91
Al menos 91
A lo ms 6
p t x t gt y t
t 1
Restricciones:
c t z t w t dt
t
z t xk
k 1
zt
xk
k t 19
t 20
t 20
w t yk
k 1
wt
yk
k t 14
t 15
t 15
wt
0,30
ct zt w t
x t , yt , z t , w t 0
t 1...T
z = 3x1 + 5x2
sa:
x1 4
2x2 12
3x1 + 2x2 18
x1,x2 0
x2
Curvas de Nivel
9
x*
6
Solucin Optima
x*
4
2
x1
15 x 20 y
2x 2 y 8
x 2y 8
x, y 0
z = z(2,2) = 70
z = c1x1+c2x2
c1
1
1
c2
2
c1
1
1
20
2
10 c1 20
15
1
c2
2
15 c 2 30
z(0,4) z(4,0) 80 60
1
5
*
b1 b1
84
z(6,0) z(0,3) 90 60
2
5
*
b2 b2
12 6
mn
cTx
Ax = b
x0
Max
sa
9u + 2v + 5z
4u + 3v + 6z 50
u + 2v + 3z 8
2u 4v + z = 5
u,v 0
z IR
x factible
i=1,2,3,4,5,6.
u = x1
v = x2
z = x3 - x4
s1 = x5 (HOLGURA)
s2 = x6 (EXCESO)
xB
A=
x1
x
2
xn
cB
c
nm
xD
xD :variables no bsicas.
n-m
cB :costos bsicos.
cD :costos no bsicos.
cD
xB :variables bsicas.
m
nm
cBT B 1b B
cBT B
D x B cDT x D
b cDT cDT B
valor actual
de la
funcin obj.
D xB xD
vector de
costos
reducidos.
y1 p
y
2p
B 1b
B 1A j
y se debe calcular:
xm 0
ym p
yi 0
yk 0
Min
/ yip 0 x k deja la base
ykp
yip
40x + 60y
2x + y 70
x + y 40
x + 3y 90
x,y 0
-40x4 60x5
x1
+ 2x4 + x5 = 70
x2
+ x4 + x5 = 40
x3 + x4 + 3x5 = 90
xi 0,
i = 1, 2, 3, 4, 5
x2
x3 x4
x5
70
40
90
-40 -60
70
40
90
-40 -60
-1/3 5/3
40
-1/3 2/3
10
1/3 1/3
30
20
1800
-20
-5/2
15
-1/3 -1/2
15
1/3
25
20
10
2100
x1
15
x B x 4 15
x 5
25
x2
0
xD
0
x3
z* = - 40 x 15 - 60 x 25 = - 2100
En la formulacin inicial, tenemos como solucin
ptima x*=15, y *=25, con valor ptimo 2.100.
Max
sa:
2x1 + x2
10x1 + 10x2 9
10x1 + 5x2 1
x1,x2 0
Min
sa:
x5
10x1 + 10x2 +x3
=9
10x1 + 5x2
- x 4 + x5 = 1
x1,x2, x3, x4, x5 0
donde:
x1
x2
x3 x4
x5
10
10
10
-1
x3
9
xB
1
x5
x1
xD x 2
x 4
0
0
0
10
10
-1
-10
-5
-1
x2
x3 x4
x5
10
10
10
-1
-10
-5
-1
x2
x3
x4
x5
-1
x1
1 / 10
xB
x
8
x2
xD x 4
x 5
0
0
0
x1
x2
x3
x4
-2
-1
-1/10 1/10
0
-1/10 1/10
-1/5
1/5
x1
x2
x3
x4
1/10
9/10
1/5
9/5
8
x
x2
0
xD
0
x3
2x1+2x2 70
x1 + x2 40
x1 + 3x2 90
x1, x2 0
Min
70 1 + 40 2 + 90 3
sa:
2 1 + 2 + 3 40
2 1 + 2 + 3 3 60
1, 2, 3 0
c jx j
j1
sa :
aijx j bi
j1
xj 0
i 1,2,..., n
j 1,2,..., m
bi i
i 1
sa :
aij i c j
i 1
i 0
j 1,2,..., n
i 1,2,..., m
Max
sa:
cTx
Ax b
x0
D)
Min
bT
sa:
AT c
0
-bT
AT c
0
Es decir, el dual del dual es el problema primal
j1
i 1
c x c j x j bi i b T
T
j1
i 1
v(P) c x * c j x j * bi i * b T v(D)
Adems:
i)Si P) es no-acotado entonces D) es infactible.
ii)Si D) es no-acotado entonces P) es infactible.
1 2 3 4 5
1
-5
-6
3
3
xB 4 4
5
5
1
0
xD
0
2
1 2 3 4 5
3/2
-1
5/2
-1/2
7/2
-2
2
3 / 2
xB 4 1
5
7 / 2
1
0
xD
0
3
1 2 3 4 5
0
-1/2
-1
-5/2
11
1
1
x B 2 1
5
1
3
0
xD
0
4
v(D) = 11
v(P) = 11
sa:
x1 + 2x2 + 3x3 - x4
5
- x5 6
2x1 + 2x2 + x3
x1, x2, x3, x4, x5 0
x1
x2
x3
x4
x5
-1
-2
-3
-5
-2
-2
-1
-6
x(-1)
x(-1)
x2
x3
x4
x5
-1
-5/2
-1/2
-2
1/2
-1/2
7/2
3/2
-9
x2
x3 x4
x5
5/2 -1
-2
-1
-11
x x2
x 3
1
2
v(P) 11
Min c x
sa : Ax b
x0
T 1
c j cBB A j
o equivalentemente
j
rj c j cBB 1A j 0
c j c j j
Por lo tanto se conserva la misma solucin ssi:
j rj
c j c j rj
T 1
c j cBB A j
c i c i i
cB cB i 1 cB iei
0
rj
rj
Max
/ yij 0 i Min
/ yij 0
yij
yij
2,33
1,67
0,00
0,27
-0,07
1333,33
0,00 -0,03
0,03
1,00
-0,01
0,03
66,67
0,00
3,33
0,00
2,93
0,27
18666,67
6,67
realizaremos un anlisis de
y se cumple
xB 0
1
40
1 / 15
4 / 15
B
1
/
150
2
/
75
Intervalo recurso 1:
1 / 15 6000 b1
4 / 15
0
1 / 150 2 / 75 x
4000
20000 4 b1
0
15
15
b1 5000
10000 b1
0
150
150
b1 10000
Intervalo recurso 2:
6000
1 / 15
4 / 15
1 / 150 2 / 75 x 4000 b 0
2
2500 b2 20000
1500 b2 24000
10 C1* 12
Variable x4:
Mx {((20/3)/(-1/30))} D4 Min {((10/3)/(1/30))}
-200 D4 100
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
10
12
30
Ao 2
15
15
Ao 3
18
16
12
V.P.N.
35
18
24
16
Funcin objetivo:
Max 35x1 + 18x2 + 24x3 + 16x4
con i 1,2,3,4
+ 16x3
i = 1,2,3,4
= 30
+ s2 = 15 + s1
12 + s2
30
15 + 16x4
Ao3: 18x1
12 + 18x2
xi {0,1}
+ 16x3
i = 1,2,3,4
+ 16x3
i = 1,2,3,4
+ s2 = 15 + s1 + 16x4
12 + s2 + 18x2
que
posee
las
It :
Min
st
t 1
y t p t x t h t It
Restricciones
xt + It-1 - It = dt
t = 1, 2, ..., T
I0 = inventario inicial
xt Mt yt
t = 1, 2, ..., T
Mt = cte. grande
j 1,2,..., n
Min
cj xj
j1
aij x j 1
j1
Se
agrega
la
siguiente
restriccin,
si
adicionalmente, hay algn lmite en el nmero de
servidores que se pueden instalar (digamos k) :
m
xj k
j1
1, si se abre la planta j
yj
0, sin o
xij = el nmero de unidades elaboradas en la
planta j para satisfacer el cliente i, con j = 1,...,n y
i = 1,....,m.
Min
c
y
v
j j j
n
j 1
j1
x
ij
i 1
m
t ijx ij
j 1 i 1
Costo de
Costo de
Costo de
Instalacin
Produccin
Transporte
xij di
i 1
x ij M j y j
j 1
Max
cTx
s.a.
Ax=b
x0
cTx
Ax=b
x 0, xj entero
x2
- 2x1 + 2x2 1
2x1 + x2 7
x1 0, x2 0
enteros
2x1 + x2 7
- 2x1 + 2x2 1
.
.
. .
.
. .
. .
3.5
x1
x1* = 2
x2* = 1
Esta
alternativa
de
enumeracin
queda
naturalmente restringida a problemas muy
pequeos.
f(1,9/10)=5,5
x2 = 9/10
Redondeando o truncando los valores
x1 = 1 infactible
x1 = 1
x2 = 1
x2 = 0
f(1,0)=1
x2 = 1;
v(PLE) = 5
21x1 + 11x2
7x2 + 4x2 13
x1 0
x2 0
x1, x2 enteros
problema
de
x2 = 3
3/2
x2 = 2
21x1+11x2=39
1
x2 = 1
13/7 sol. relajada
21x1+11x2
x1 = 1
x1
x1 = 2
7x1+4x2=13
x11
P1
P11
x1 = 0
x2 = 13/4
z = 35.75
x23
x1 = 0
x2 = 3 P1211
z = 33
P2
P12
x1 = 5/7
x2 = 2
z = 37
x11
P121
P122
x24
infactible
x22
x21
x1 = 1
x2 = 1
z = 32
x1 = 13/7
x2 = 0
z = 39
x12
infactible
P1212
infactible
P2) Max
s.a.
-< z 39
21x1 + 11x2
7x1 + 4x2 13
x1 1
x1 0
x2 0
21 x1 + 11x2
7x1 + 4x2 13
x1 1
x2 1
x1 0
x2 0
De donde 32 z 39
Solucin ptima
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
RETORNO (M$)
Producto 1
10.000 x1 0.50
Producto 2
7.500 x2 0.75
Producto 3
9.000 x3 0.60
Producto 4
15.000 x4 0.30
x2
xm
h (x) = a0 + a1 x
h (x) = a0 + a1 x + a2 x2
h (x) = a0 + a1 x a2
h (x) = a0 e a1x
h (x) = a0 + a1 x + a2 e a3 x
h (x) = a0 + a1 ln(x)
F(a) =
i e(x i , a)
i 1
2 =
(
y
h
(
x
))
i i
i
i 1
x2
xm
a0 i
i1 m
i 1
m
yi x i
a1
i 1
x i2
40
Puerto C
30
Puerto A
30
80
( x 0 ) 2 ( y 0 )2
(x 30)2 ( y 40)2
(x 80)2 ( y 30)2
x*=30,8052225
y*= 37,8900128
Puerto C
Refinera
Puerto A
Max
sa :
n n
i1
i1 j1
rixi K ijxix j
n
xi 1
i1
xi 0
1 1,2,..., n
Avg Return
(monthly, pet)
Std
Desviation
Pet of
optimal
Portfolio
Coca Cola Co
2,885
6,574
48,6
Exxon Corp
1,647
4,939
13,7
Texaco Inc
1,869
6,381
16,6
Bond
0,407
21
2,03
Std Desviation
4,02
27,2
21.0%
Coca Cola
48.6%
Exxon Corp
Texaco Inc
16.7%
13.7%
Bond
f(x) = (x - 1) (x - 2) (x - 3) (x - 4) (x - 5)
1x5
f(x)
x+
x
5
|x|
f(y)
f(x)
Es convexo
y
x
No es convexo
Min
f(x)
s.a
hr(x) dr
r=1,2,...,l
s.a.
x1 + x 2 5
x1 - x2 5/2
x1 0, x2 0
s.a
x1 + x2 5
x1 - x2 5/2
x1 0, x2 0
con x IRn
6x1
f (x )
2
3
x
3
x
2
2
0
6
D f (x )
0
6
x
2
2
0
6
D f (x )
0
6
x
2
2
f(x)
d
x+
-f(x)
Z=20
Z=10
x1
IR
x
2
xk
f(xk)
f(xk)
(0.00,3.00)
52.00
(44.00,24.00)
0.062
(2.70,1.51)
0.34
(0.73, 1.28)
0.24
(2.52,1.20)
0.09
(0.80,-0.48)
0.11
(2.43,1.25)
0.04
(0.18, 0.28)
0.31
(2.37,1.16)
0.02
(0.30,-0.20)
0.12
(2.33,1.18)
(0.08, 0.12)
0.36
Mtodo de Newton
Aqu el vector dk se calcula como la solucin del
siguiente sistema de ecuaciones:
D2f(x)dk = - f(x)
f(xk)
f(xk)
(0.00,3.00)
52.00 (-44.00,24.00)
(0.67,0.33)
3.13
(-9.39,-0.04)
(1.11,0.56)
0.63
(-2.84,-0.04)
(1.41,0.70)
0.12
(-0.80,-0.04)
(-0.22,-0.04)
(1.61,0.80)
0.02
(-0.07, 0.00)
(1.74,0.87)
0.05
(1.83,0.91) 0.0009
(-0.0003,-0.04)
Min
s.a.
f(x)
g1(x) = b1
g2(x) = b2
g m(x) = bn
mn
i = 1, 2, ..., m
la
L(x, ) f ( x ) i (gi (x ) bi )
i1
funcin
x L(x ^ , ^ ) f (x ^ ) ^i gi (x ^ ) 0
i 1
xL(x , ) f ( x ) ^igi (x ^ ) 0
y que
D2 f (x ^ )
i 1
^i D2 gi (x ^ )
i1 definida entonces x^ es un
es una matriz positiva
mnimo local de P).
Min
x12 x 22
sa :
x1 x 2 4
x1
2
IR
x
2
usando
las
f (x ) x12 x 22
;m 1
h1(x ) x1 x 2 4
f (x ) (2x1, 2x 2 )T
0 0
h1(x )
0
0
2 0
D f (x)
0
2
0 0
D h( x )
0
0
2 0
0 0
2 0
0 2 1 0 0 0 2
es positiva definida.
m
*
*
*
f
(
x
)
h
(
x
Notar que en x* se tiene:
i i )
i1
4 T 4 1 1 T
r = 1, 2, ..., l
; i = 1, 2, ..., m
hr(x^) dr
; r = 1, 2, ..., l
f (x ) i gi (x )
i 1
r (hr (x ^ ) dr ) 0
h
(
x
r r )0
r 1
; r 1, 2, ..., l
s.a.
x1 + 2x2 2
x1 , x2 0
2= 0, 1= 0, 3= 0
s.a.
Ax = b
x0
Min
f(xk)x
s.a.
Ax = b
x0
Iteracin k
x k-1
f(x k-1)
xLPk
xk
(0, 0)
(-5, -8)
(0, 3)
(0, 2)
2/3
(0, 2)
(-5, 0)
(2, 0)
(5/6,
7/6)
5/12
PROGRAMACIN NO
Contenidos
I. Introduccin a la Investigacin de Operaciones
II. Modelos de Programacin Matemtica
Programacin Lineal
Programacin Entera
Programacin No- lineal
III. Modelos Probabilsticos
Procesos Estocsticos y Cadenas de Markov
Sistemas de Espera
tT
puede representar
4
Nmero
de
3
compradores
en el
2
sistema
1
0
20
40
60
80
100
Nmero
de
llamadas
Nt
5
4
3
2
1
0
Tiempo
h h t h
=
k t t
n k
1
IE(Y n) IE(Y / T t )
dt
11 9
9
11
1
IE(Nt ) dt
2
9
1 11
3t dt
29
30
Nt
5
4
3
2
1
0
T1
T2 T3
S1 S2 S3
S4
T4
T5
S5
Tiempo
f(t) = e-t
IP(T1 s t )
IP(T1 s t / T1 s)
IP(T1 s)
e ( s t )
s
e
IP(T1 t )
t
e
IP(T 2 T 1 ) IP(T 2 T 1 t ) 1e dt
1
IP(T 2 t ) 1e t dt
1
IP(1 e t ) 1e t dt
2
1 1 e ( ) t dt
1
1 1 /( 1 2 )
2 /( 1 2 )
Exp ()
T2 =
S1 + S2 Gamma (2,)
.
.
.
Ti = S1 + S2 + ... + Si
Gamma (n,)
t
)
IP(Ti t ) 1 e t
k!
k 0
n 1
p11
p 21
p12
p 22
p1M
p 2M
P (pij )i1...M
j1...M
p
(M1)1 p (M1)2
pM1
p M2
p (M1)M
pMM
IP(X 0 1)
IP(X 2)
0
f0
IP(X M)
pij IP(X n1 i)
i
p
n
12
22
M2
fn
IP(X n M)
p1M p 2M pMM
De manera recursiva se tiene entonces:
fn = PT fn-1 = (PT)n f0
IP(X n1 1)
IP(X
2
)
n 1
IP(X n1 M)
P (k ) (pij(k ) )
Estas satisfacen las ecuaciones de Chapman y
Kolmogorov que implican: P(k) = Pk
IP(x 0 1)
0
f
1
IP(x 0 2)
pi, j IP( X n1 j / X n i)
0
; i, j {1,2}
p11 IP(D 0) 1/ 4
p12 IP(D 1) 3 / 4
p 21 IP(D 1) 1/ 2
p 22 IP(D 0) IP(D 2) 1/ 2
1/ 4 3 / 4
P
1
/
2
1
/
2
i
pi,i1 (1 P1 ) ; 1 i N 1
N
i
(N i)
pi,i P1
P2
N
N
(N i)
pi,i1
(1 P2 )
N
pij 0 ; j i 1, i, i 1
p 0,0 P2
p 0,1 (1 P2 )
pN,N1 1 P1
pN,N P1
p 0, j 0 j 0,1
pNj 0 j N 1, N
pij(n) IP(X n j / X 0 i) 0
pii(n) IP(X n i / X 0 i) 0
slo para valores de n pertenecientes al conjunto
{d, 2d, 3d, ....}. Si d=1 decimos que el estado es
aperidico.
Fk (i, j)
m j
k1
F(i, i)
Fk (i, i)
k 1
IE
(
T
(
i
,
i
))
F(i, i) 1 y
F(i, i) 1 y
0
1/ 2 1/ 2
p 0 1/ 3 2 / 3
1/ 3 1/ 3 1/ 3
0
1 1/ 2
p 1/ 2 1/ 6 1/ 3
1/ 5 3 / 5 1/ 5
0
1/ 2
p
0
1
1 0
0 1/ 2
0 0
0 0
0
0
1
0
Es una cadena
irreducible, de
estados recurrentes
positivos y todos
sus estados son
peridicos de
periodo d=2.
1 2 M T
j 0
0
1/ 2 1/ 2
p 0 1/ 3 2 / 3
1/ 3 1/ 3 1/ 3
1
1/3
1/3
P
1 2 3 1
2/3
3
1/3
1/3
(1)
(2)
(3)
(4)
corresponde
las
1
1
1 3
2
3
1
1
1
2 1 2 3
2
3
3
2
1
3 2 3
3
3
1 2 3 1
siguientes
de
de
2
(1) 1 3
3
(2) 2 3
2
as
3 3 3 1
3
1
3
Solucin 1
2 3
4
8
0.8
0.1
0.1
0.03
0.95
0.02
0.2
0.05
0.75
IP(X 0 1) 0.45
f 0 IP(X 0 2) 0.25
IP(X 0 3) 0.30
0.1
0.1
0 .8
P 0.03 0.95 0.02
IP(X 1 3) 0.2750
Y dos meses despus:
IP(X 2 1) 0.4059
f 2 P T f 1 IP(X 2 2) 0.3391
IP(X 2 3) 0.2550
3= 0.1443
IP(X t s j / X u X(u), 0 u t, X t i)
IP(X t s j / X t i)
Propiedad Estacionaria
4
3
Xt
2
1
pij (t ) IP(X t j / X 0 i)
Estas probabilidades satisfacen:
d
pij (t ) pik (t )vkpkj v jpij ( t )
dt
k j
Si existe una distribucin estacionaria:
j lim pij (t )
t
k vkpkj v j j ; j 1,2,...
j 1
k j
O equivalentemente el sistema:
v j j
k vkpkj ; j 1,2,...
k j
j 1
j
j>0
pj,j+1=( N- j ) / (j + (N j ) )
Esto es, las probabilidades que se termine de
descargar un tren antes de que vuelva uno con
carga y viceversa.
estos parmetros
vj= c + (N j)
pj,j-1= c / (c + (N j ) )
pj,j+1=( N - j ) / (c + (N j ) )
(jN)
=
= N 0
1
+ 2 2
+ c N
(n c) n
n c
n 1
n c 1
n n c n
n 0