Simulacin por computador de cadenas de Markov en tiempo discreto y continuo
Tabla contenidos CAPTULO1: INTRODUCCIN____________________ pgina 2 CAPTULO 2: PROBLEMAS_____________ ________ pgina 35 Diseo de las vigas del puente gra Diseo de la caja reductora CAPTULO 3: PROBLEMAS_____________ ________ pgina 610 CAPTULO 4: DESARROLLO ANALTICO________ pgina 1119 CAPTULO 5: SIMULACIN COMPUTACIONAL_ _ pgina 2026 CAPTULO 6: ANLISIS RESULTADOS _ ________ pgina 275 Captulo Introduccin 1 En este trabajo el grupo de alumnos se dispondr a vertir todos los conocimientos que han adquirido en el ramo de modelos estocsticos durante el actual semestre, de manera tal de resolver los problemas dispuestos por el profesor para que el alumnado demuestre lo aprendido. Los alumnos, especificamente harn uso de los contenidos primordiales de las interrogaciones 2 y 3 , ms concretamente, de la teora y prctica aprendida en torno a los temas de modelamiento de cadenas de markov tanto en tiempo discreto como en tiempo continuo, siendo ambas teoras los pilares fundamentales del curso de modelacin estocstica. Adems los alumnos debern de exponer en el trabajo conociminetos de simulacin, la cual es materia de final de semestrey que se expuso a medida en que se desarrlollaba el informe, en conjunto con un avanzado entendimiento de herramientas computacionales tales como C o pascal. Para este trabajo en especfico, los alumnos decidieron utilizar el lenguaje C, debido a una mayor profundidad de contenidos sabidos de este lenguaje que de cualquier otro capaz de utilizarse para esta tarea. La disposicin de los cuatro integrantes de este grupo hacia el proyecto ha sido buena, ya que se ve con agrado el poder profundizar conocimientos en semanas previas a lo que ser el examen y as poder rendir de la mejor manera en lo que es la parte final de este curso. Sin ms que acotar, se le invita al lector seguir con atencin y agrado las siguientes pginas en las que quedaron expuestas el esfuerzo y conocimientos de los alumnos. 1 Captulo Problemas 2 Cadena de Markov en tiempo discreto. Empresa ELECTRONICA S.A. El problema consiste en que esta empresa productora de medidores electrnicos necesita realizar un inventario de manejo de insumos. La produccin diaria est sujeta a la demanda diaria de medidores las cuales se consideran por medio de llegada de rdenes de compra que arriban de acuerdo a un proceso de Poisson con tasa 2 [rdenes/hora] en la que se piden uno (probabilidad 0.8) o dos (probabilidad 0.2) medidores. Ordenes pueden ser recibidas desde las 9: 00 AM a las 4: 00 PM y los medidores son despachados en el mismo da antes de las 6 : 00 PM. A las 8:00 PM se revisa la cantidad de transductores que hay en bodega y comienza la poltica de reposicin que es la siguiente: Si hay ms de 20 no se pide reposicin. Si es mayor que 10 pero menor o igual que 20 se piden 20 transductores. Si es menor o igual que 10 se piden 50 transductores. Lo que nos interesa en este caso es poder saber en cada da cuanto marcar el inventario para esto partimos desde un X0 = 35 transductores. Cadena de Markov en tiempo continuo Empresa Manufacturera de tarjetas de crdito La idea es considerar que esta es la nica empresa que puede arreglar mquinas de tarjetas de crdito en el mundo por lo que cualquier mquina que falle debe ser enviada hacia ac. Se toma como base que en el mundo existen solamente 10 mquinas creadoreas de tarjetas de crdito y este nmero se mantendr por los prximos 2 aos. El tiempo de duracion de una mquina, es decir, hasta que falle distribuye en forma exponencial con media de 5 das (= 0.2). En la empresa hay un slo mecnico capacitado para arreglar el cual comenzar a arreglar cuando se encuentren 3 mquinas en espera y continuar hasta que no queden mquinas por arreglar. El tiempo que demora en arreglar una mquina distribuye en forma exponencial con media de 20 horas ( =1.2). En el caso en que la cantidad de mquinas por arreglar supere las 5 mquinas la empresa contrata otro tcnico, el cual trabajara hasta que se llegue nuevamente a 5 mquinas, el segundo tcnico trabaja de la misma manera que el primero. Metodologa de trabajo Tiempo discreto Se buscar una relacin de recurrencia para la variable de estado, probabilidades de de transicin en una etapa, clases de estado, clasificacin de estados y periodicidad. 2 Por medio del algn programa computacional estimar un tiempo esperado hasta que la empresa no logre satisfacer la demanda requerida. Por medio del algn programa computacional estimar la probabilidad de que en el largo plazo hayan 10 o menos transductores en bodega. Por medio del algn programa computacional estimar la proporcin de das en el largo plazo de que hayan mas de 40 transductores en bodega. Tiempo continuo Poder calcular mediante la ayuda de un computador en un horizonte de largo plazo el nmero medio de mquinas en el taller de reparaciones en instante cualquiera de tiempo, Su tiempo medio de permanencia en el taller de una mquina cualquiera, la fraccin del tiempo en que el tcnico no est reparando y en el que est reparando. Por ayuda de un computador calcular las soluciones de las ecuaciones de equilibrio. Por simulacin estocstica las medidas que se piden en el primer punto y comparacin de resultados. El desarrollo de cada una de las simulaciones y estimaciones que se piden en ambos problemas se realiz mediante el programa computacional Visual C++. En el cual se provoca un juego de iteraciones para lograr el largo plazo requerido en los problemas. Captulo Marco Terico 3 Cadena de Markov en tiempo discreto Empresa ELECTRONICA S.A. El desarrollo de problemas de tiempo discreto requieren de ciertas condiciones para considerarse como cadenas de markov, y un proceso estocstico (Xn, n=0,1,2,....) se denomina una cadena de markov en tiempo discreto si cumple con las propiedades markovianas y de estacionareidad, las cuales se explicarn en las prximas lineas. Se sabe que para conocer la distribucin de Xn+1 se necesita conocer Xn. Razonando, se ve que Xn depende a su vez de Xn1. Adems, Xn1 depende de Xn2, etc. Luego, se concluye que Xn+1 depende no solo de Xn, sino que indirectamente depende tambin de Xn1, Xn2,...,X1,X0. El proceso estocstico (Xn, n=0,1,2,......) est conformado por una familia de variables aleatorias independientes entre s. Sin embargo, la dependencia entre estas variables aleatorias es tal que, si yo conozco el valor de Xn, los valores de X0, X1, X2, ....Xn1i son irrelevantes para estudiar el valor de Xn+1. Se observa que esto no quiere decir que Xn+1 sea independiente de X0, X1,..,Xn1, sino que lo que ocurre es que estas variables influyen en Xn+1 solo a travs de Xn. Ms exactamente, si se denomina el periodo n+1 como el futuro, el periodo n como el presente, y los periodos 0,1,2,....,n1 como el pasado, se dir entonces que el pasado influye sobre el futuro pero slo a travs del presente. Esta propiedad es la denominada markoviana, que por definicin formal puede quedar expresada como: Sea Xn una v.a. que toma valores enteros: Entonces se dice que el proceso (Xn, n=0,1,2,...)cumple con la propiedad markoviana si: 3 Por otra parte el proceso (Xn, n=0,1,2,...) cumple con la propiedad de estacionareidad si la propiedad Pr( Xn+1=j/Xn=i) depende slo de i y de j, pero no de n. En este caso, definimos como Pi,j a esta probabilidad, y se denomina probabilidad de transicin en una etapa. La propiedad de estacionareidad establece que los mecanismos probabilsticos que definen la evolucin del proceso no cambian con el tiempo. Las probabilidades Pi,j pueden agruparse en una matriz P, denominada matriz de probabilidades de transicin en una etapa, que tendr tantas filas y columnas como estados tenga el proceso. En las cadenas de markov en tiempo discreto se pueden estudiar los procesos en el largo plazo, dentro de lo que se puede analizar es si estos tienen distribucin lmite o no, lo cual se expresa a travs de frmula como . En la medida que esto ocurra, podemos concluir que, pasado mucho tiempo, la distribucin de probabiliadades del proceso no cambia de una etapa a otra. En el largo plazo los estados del proceso se pueden clasificar de diversas maneras, de forma tal que estas clasificaciones formalizan las existencia de las distribuciones lmites. Un estado se denominar transiente si F(i,i)<1, o sea , si un estado parte en i, la probabilidad de que regrese al mismo estado es menor que uno. Tambin los estados se denominarn recurrentes si F(i,i)=1, y si su valor esperado de tiempo es menor a infinito (E(T(i,i)< ) se denominar recurrente positivo, en caso contrario, se denominar recurrente nulo. En el caso de un estado recurrente nulo, existe la seguridad de que, si el proceso parte en el estado i, volver a ese estado alguna vez, sin embargo, el tiempo promedio de retorno ser infinito. Existe un mbito importante en el estudio de los estados en el largo tiempo, y eso es su comunicacin, debido a que los determina a estos segn clases. Por convencin se dice que un estado siempre se comunica consigo mismo, ya que: (esto es, se comunica atravs de un camino de largo 0) Las clases de estados que se comunican son disjuntas entre s y cubren todo el conjunto de estados, esdecir, generan una particin del conjunto. Si una cadena de markov contiene una sola clase de estados (todos los estados se comunican entre s), se dir que es irreducible. La existencia de una distribucin lmite depende esencialmente del comportamiento en el largo plazo (n grande) de las probabilidades Pi,j(n). Para analizar estas probabilidades necesitamos el concepto de estado peridico: Un estado es peridico si, partiendo de este estado, slo es posible volver a l en un nmero de etapas que sea mltiplo de un cierto nmero entero mayor que uno. En otras palabras, el estado j es peridico si existe un nmero entero K , tal que Pi.j(n)>0 slo para valores de n en el conjunto (K, 2K, 3K, 4K,). Cabe mencionar que un periodo se puede definir de la siguiente forma: El perodo d del estado j corresponde al mximo comn divisor de los n para los que Pi,j (n)>0. Si d>1, diremos que el estado es peridico con periodo d. SI d=1 se dir que el estado es aperidico. Adems se puede decir que el estado es aperidico si no es posible volver a l (en este caso, el estado es aperidico por la imposibilidad de chequear la condicin de periodicidad). Cadena de Markov en tiempo continuo Empresa Manufacturera Esta parte tiene similitudes con las cadenas de markov en tiempo dicreto en que requieren caractersticas 4 similares para su validez, pero difieren en que para markov continuo interesa extender el modelo a cadenas para el caso de un sistema en todo instante de tiempo, por ejemplo, sea (X(t), t ) un proceso estocstico, en que X(t) representa el estado (discreto) de un sistema; es decir, esta variable aleatoria solo puede tomar valores enteros(eventualmente negativos), se dir que el proceso es de estado discreto y tiempo continuo. Luego para extender la propiedad markoviana del modelo discreto al continuo se dir que el proceso (X(t), t ) cumple con la propiedad markoviana si: Es decir, si se considera el instante t como el instante presente, y t+s como un instante futuro cualquiera, y si se conoce toda la trayectoria del proceso en el continuo , entonces la distribucin de probabilidades de X(t+s), depende slo de la ltima informacin disponible (esto es, de X(t)). Se dir que el proceso cumple con la propiedad de estacionareidad si la probabilidad Pr(X(t+s)=j/X(t)=I) depende slo de i,j y s, pero no de t. Se observa que esta probabilidad de transicin en s unidades de tiempo es equivalente a la probabilidad de transicin en m etapas de Pi,j(m) del modelo discreto. Luego se pude definir una exacta definicin sobre cadenas de markov en tiempo continuo: El proceso estocstico (X(t), t ) es una cadena de markov en tiempo continuo si cumple con la propiedad markoviana y la propiedad de estacionareidad definidas anteriormente. Teora de Simulacin En el desarrollo del modelo computacional en lenguaje C se consideraron ciertos aspectos de simulacin para conseguir el objetivo de modelacin. Lo anterior hace referencia a la generacin de instancias de una variable aleatoria, que se puede explicar de manera generalizada mediante el siguiente desarrollo: Si se quieren generar instancias de una variable aleatoria X con una distribucin de probabilidades F. Se sabe que: Sea R una v.a. con distribucin de probabilidades uniforme en . Entonces: en que 0 y por lo tanto, dado que 0 , para todo x, se puede escribir: Con lo que se establece la siguiente igualdad: 5 F(x)= Ahora bien, F() es siempre una funcin montona no decreciente y, por lo tanto, el evento es quivalente al evento Equivalencia de los dos eventos implica: De lo anterior se observa que F1 (R ) es una funcin de una v.a., y por lo tanto tambin es aleatoria., luego de las ecuaciones anteriores se puede obtener como implicancia la siguiente ecuacin: y por lo tanto, las variables aleatorias X y F1( R ) tienen la misma distribucin de probabilidades. El mtodo para generar instancias de X (denominado de la transformada invesa), opera de la siguiente forma: Generar una instancia de R1 de R, en que R~U(0,1) Sea X1=F1(R1); entonces X1 es una instancia de X. Se nota que F1( R ) es una variable aleatoria distinta de X, pero que comparte su distribucin de probabilidades. Por lo tanto, generar una instancia de F1( R ) es equivalnte a generar una instancia de X. Para generar una secuencia X1, X2,,Xn de instancias de X, se debe generar una secuencia R1,R2,,Rn. Para que las instancias (Xi) sean independientes entre s, se debe asegurar de que las instancias (Ri) tambin lo sean. Luego se demuestra que la generacin de instancias de una v.a. con cualquier distribucin se reduce al problema de generar instancias de una v.a.~U(0,1). Captulo Desarrollo Analtico 4 Cadena de Markov en tiempo discreto Empresa ELECTRONICA S.A. Para el caso del tiempo discreto la cantidad a pedir de transductores depende directamente de las rdenes recibidas durante las horas de atencin y cuantos pedidos hay en cada orden. El tiempo de atencin, la hora del inventario, el momento en que se considera el estado siguiente estn mayormente explicados en la siguiente lnea del tiempo. A continuacin se definirn las variables aleatorias a utilizar. Nn : Nmero de rdenes recibidas durante el da desde las 9:00 hrs. Hasta las 16:00 hrs. Xn : Nmero de transductores contabilizados a las 8:30 hrs. Yn : Nmero de transductores a reposicin luego del inventario obtenido a las 20:00 hrs. 6 Se obtendr la relacin de recurrencia dependiendo de intervalos en que se encuentre la variable Xn ya que la relacin con Xn+1 no var en forma lineal, sino en forma escalonada. Matriz de Probabilidades Para poder calcular la matriz de probabilidades en forma general, se necesita analizar una serie de casos relevantes para el desarrollo, es decir, existen una serie de estados en que la probabilidad de transicin hacia otros estados no es constante. Los casos relevantes de la matriz de probabilidades fueron tomadas con respecto a la cantidad total de pedidos recibidos durante el da y la respectiva cantidad con que se inicio este. En una forma recursiva se pudo obtener frmulas para la transicin desde un estado a otro: Para ir de un estado al mismo se necesita que no hayan pedidos durante el da o que si los pedidos fueron 20 y quedo al final del da con un nmero de medidores mayor que 10 y menor o igual que 20, se le sumaran 20 medidores que son los que se piden a reponer y se llegara nuevamente al estado inicial del da anterior, esto se da solamente en los estados X(31) al estado X(40) porque para los estados anteriores al restar 20 quedo con menos de 10 llegando as al estado X(50) y para los mayores al restar 20 quedo con la misma cantidad, este es el caso de ir de i a j con i=j.
Para ir de un estado de menor cantidad a una de mayor cantidad de medidores, la nica manera es que al nmero inicial que se tiene se le resten los nmeros de pedidos quedando al final del da con un nmero de medidores mayor que 10 y menor o igual que 20, se le sumaran 20 medidores que son los que se piden a reponer, pero esto se dara con estados Xn+1 mayores o iguales de X(31) y menores que X(40), en otro caso no se puede llegar
Para ir de un estado de mayor cantidad a menor cantidad de medidores simplemente es necesario que hayan la cantidad de pedidos correspondientes a la resta entre el estado mayor y el menor, por ejemplo del estado X(25) al X(23) basta con hacer 2 pedidos, y existe un caso especial en que se necesite llegar a un estado que se encuentre entre X(31) a X(40) para estos casos basta con pedir lo anterior mas 20 y se vuelve a este estado por ejemplo desde el estado X(45) al estado X(35) puedo llegar pidiendo 10 a 30.
Existe un caso especial que es el caso del estado X(50) para llegar al estado X(50) basta con tener un nmero de pedidos igual al nmero de medidores menos 10, que tengo al inicio del da o mayor que este, por ejemplo si tengo 25 medidores es necesario que tenga un nmero de pedidos mayor o igual que 15, y para el caso de llegar del estado 50 al 50 necesito que no hayan pedidos o que hayan 40 o ms pedidos durante el da. Todo esto se da a causa de que si al final del da tengo 10 o menos nmeros de medidores entonces para comenzar el da siguiente se reponen hasta 50 medidores.
Generalizando en frmulas para cada caso se tiene: Para ir del estado Xn a Xn+1 P ( Xn=i / Xn+1=j ) para 31 0 para otro caso 7 para para otro caso para para otro caso caso especial:
Estas son las ecuaciones para lograr sacar cualquier valor de la matriz de probabilidades, pero como se ve a primera vista no hay valores numricos sino ms bien estn dadas como probabilidades dependientes de N(t) que se ha definido como el nmero de pedidos recibidos durante el da. La matriz de probabilidades corresponde a una matriz de 30 30 por lo que hacer el grafo sera muy tedioso e innecesario, puesto que con la simple matriz se podr observar que todos los estados estn comunicados entre s ya que aunque existen algunas probabilidades iguales a cero de alguna manera indirecta, es decir pasando por otro estado anteriormente se pude llegar desde cualquier estado a cualquier estado y como desde un estado cualquiera puedo llegar al mismo estado con una probabilidad distinta de cero el sistema es aperidico, por consiguiente se existe un solo estado presente recurrente positivo aperidico e irreducible. Tomando lo anteriormente descrito como cierto se puede concluir que al estar todos los estados comunicados entre s no importa el estado inicial en que se encuentre, siempre se podr llegar a cualquiera por lo que se puede considerar que existe una distribucin estacionaria. Como es un estado recurrente positivo irreducible la y adems el por lo que: Por lo que existe una distribucin lmite dado a largo tiempo distinto de cero. El valor N(t) est subdividido en dos partes, cuando la orden de pedido es de 1 slo medidor en que el grupo lo ha definido como en N1(t) y en el caso de que la orden de pedido se requira 2 medidores se ha definido de 8 igual manera como N2(t). Y estas probabilidades se han dividido a su vez en dos situaciones distintas. El caso en que el valor n de la expresin P{N(t)=n} sea par. Para este caso: El caso en que el valor n de la expresin P{N(t)=n} sea impar. Para este caso: El proceso de llegada de rdenes transformada a un nmero total de pedidos N(t) como se dijo anteriormente fue dividido en dos casos N1(t) y N2(t) para los cuales se les han dado una nueva tasa de llegada que se le podra considerar una ponderacin de las probabilidades de que llegue cad una. La tasa de llegada de un pedido corresponde a la tasa de llegada de N1(t) que es igual a Mientras que la tasa de llegada de dos pedidos corresponde a la tasa de llegada de N2(t) que es igual a Estas dos tasas de llegada de pedidos tambin corresponden a una distribucin Poisson de sus respectivas tasas, el tiempo que se considera para obtener las probabilidades es de 7 hrs que corresponde al tiempo que se extiende la atencin de pblico desde las 9:00 horas hasta las 14:00 horas, en consecuencia las probabilidades correspondientes a Para que pueda ser explicado de mejor manera el problema que se plantea se har un breve esquema de lo que sucede al llegar una orden a la empresa, se asume que cada vez que llega un posible comprador este siempre hace una orden de uno o dos pedidos en forma aleatoria, nunca llega y se va sin pedir nada. En el problema se pidi el clculo del tiempo esperado hasta que no se logra satisfacer la demanda diaria por 9 primera vez. Este requerimiento se entendi como: En que n es el estado en que se encuentra, es decir, si se encuentra en el estado X(25) en que hay 25 transductores, la probabilidad de que no haya podido satisfacer la demanda, es que la demanda haya sido mayor que 25. Mientras que la esperanza del tiempo puede ser calculado como . En conclusin lo requerido se obtuvo como. Para el tercer tem de la pregunta de tiempo discreto se necesita la probabilidad de que en cualquier da en el largo plazo existan 10 o menos transductores la cual fue asumida como la probabilidad de que en el estado Xn+1 se encuentre en el estado 50, por lo tanto: = y esta corresponde a su vez a por lo que calculado manualmente, dara una serie de sumatorias que son casi imposibles de resolverlas a mano por lo que se ocupa el programa computacional bajo iteraciones para calcular este problema , pero siempre bajo esta teora. Cadena de Markov en tiempo continuo. Empresa Manufacturera de tarjetas de crdito En el grafo se muestra claramente cuales son las tasa de salida y de entrada a cada estado. Cada estado contiene un intervalo (i , j) en el que se representa: i : Nmero de mquinas en reparaciones o en espera a reparar (mquinas en el sistema) j : Cantidad de tcnicos reparando. Tasa de falla de una mquina cualquiera y necesite reparacin. En este problema se da la media igual a 5 das, por lo que la tasa es igual a . Tasa de reparacin de un tcnico en accin. En este problema se da la media igual a 20 horas ( =0.833 das), por lo que la tasa es igual a =1.2 Los estados X (1,0); X (2,0) no tienen tasa de muerte puesto que aun el tcnico no se ha puesto a trabajar en las reparaciones, l est esperando que hayan tres mquinas en espera de reparacin. Grafo de probabilidades de salida y entrada de cada estado Ecuaciones de Equilibrio Las ecuaciones de equilibrio se reemplazan de la tabla anterior y se ocupa la ecuacin general explicada en el mrco terico para su constitucin. 10 Adems hay que agregar que la suma de las probabilidades tiene que ser uno. Con las ecuaciones anterirores y sabiendo que la suma de las probabilidades es uno. Se resuelven mediante calculadora y los datos se pasan a excel: En que las tasas medias fueron calculadas multiplicando las probabilidades de estar en cada estado por su tasa respectiva y luego sumando todas las tasas medias obtenidas, incurriendo as en una tasa media total de y luego obteniendo el valor promedio de mquinas calculado multiplicando las probabilidades de encontrarse en el estado por el nmero de mquinas en el estado y luego sumando todos estos valores promedios se obtiene un valor promedio total de mquinas Nm=3.739045 Ya obtenidos estos dos datos podemos ocupar la ecuacin de Little que est enunciada a continuacin: L = Nmero promedio de mquinas en el sistema. = Tasa media de entrada de mquinas al sistema. W = Tiempo de permanencia de una mquina cualquiera en el sistema. Obteniendo as: Que representa el tiempo esperado de permanencia de una mquina en el taller. Captulo Simulacin Computacional 5 Cadena de Markov en tiempo continuo Empresa Manufacturera de tarjetas de crdito Anlisis y supuestos del algoritmo para las fracciones de tiempo Para simular las variables de desempeo pedidas se realiz un programa en lenguaje C++. La simulacin de los tiempos exponenciales se realiz con el mtodo explicado en el marco terico. Con lo 11 cual resulta que la funcin necesaria para obtener tiempos entre eventos exponenciales con cierta tasa esta dada por: Es decir queda determinado en C++ mediante una funcin implementada que ocupa la funcin uniforme que viene incorporada en las libreras por defecto. El algoritmo utilizado para buscar las probabilidades de estado se explicar a continuacin: Se realiza una modelacin en el tiempo, que puede ser de 1 ao, 2 aos, etc. Esta modelacin en el tiempo comienza cuando el sistema est en el estado (0,0). Es decir todas las mquinas estn funcionando. Este estado de inicio no tiene influencia en los resultados mayormente ya que se est trabajando a largo plazo y existe una distribucin lmite y estacionaria. Claro que puede traer pequeas diferencias porcentuales con respecto a los resultados correctos.
Se invent en el programa una variable llamada estado la cual determina en todo momento en que estado se encuentra el sistema.
Dentro de la iteracin se pregunta: El sistema est en el estado (i,j)? Si est en (0,0); (1,0); (2,0) se calcula un tiempo de nacimiento con sus respectiva tasa y se pasa al estado contiguo con probabilidad 1.
Si el sistema se encuentra en otro estado (i,j) distinto a los anteriores se calcula un tiempo de nacimiento y un tiempo de muerte (ambos con su tasa, que depende del estado).
Si el tiempo de muerte es menor que el tiempo de nacimiento se pasa al estado contiguo menor (ej: (3,1) (2,1))
Si el tiempo de nacimiento es menor que el tiempo de muerte se pasa al estado contiguo mayor (ej: (3,1) (4,1))
Las transiciones estn determinadas en las tablas expuestas en el capitulo 2. (no se incluyen en la explicacin del algoritmo)
Se guarda en un vector la cantidad de tiempo en que se permanece en cada estado. Este vector se actualiza cada vez que se vuelve a entrar al estado. Con lo cual se contabiliza todo el tiempo de permanencia en el estado en el transcurso de l tiempo de iteracin a largo plazo.
Al final de la iteracin en el tiempo se calculan las probabilidades como: la suma de todos los tiempos de permanencia en cada estado por separado y se dividen por el tiempo total de iteracin.
Es decir se calcula como: Con esto se encuentran las probabilidades en el largo plazo (dependiendo del tiempo de modelacin que se estime necesario) Fraccin de tiempo en inventario La fraccin de tiempo que el tcnico permanente pasa dedicado a los inventarios es la suma de: Que se calcula con las probabilidades obtenidas por el computador y se suman manualmente, o directamente mediante el computador al realizar la suma de los primeros 3 valores del vector tiempo para cada estado. Dividiendo esta suma por el tiempo total de modelacin de la siguiente manera (notacin del vector en el algoritmo = suma [ ]) 12 Fraccin de tiempo del empleado reparando La fraccin de tiempo que el tcnico permanente pasa dedicado a reparar se calcula sumando los restantes vectores de tiempo para cada estado: tambin se calcula como: Anlisis y supuestos del algoritmo para promedio de mquinas El algoritmo realizado para encontrar el nmero de mquinas promedio en el taller en un instante cualquiera es el siguiente. Se realiza un estudio en un tiempo aleatorio a largo plazo (cualquier instante), es decir se toma un tiempo aleatorio entre 1 y 2 aos.
Luego de este estudio se verifica el estado final del sistema. Se guarda en un vector el valor que indica la cantidad de mquinas encontradas en el sistema al finalizar el estudio aleatorio.
Se realizan iteraciones para repetir este proceso una razonable cantidad de veces para as obtener un resultado aproximado de la variable de desempeo.
El promedio de mquinas se calcula de la siguiente manera: Anlisis y supuestos para el algoritmo que resuelve el tiempo medio de espera de una mquina en el sistema Este algoritmo es bastante ms complejo y se hacen algunas suposiciones. Se supone que las mquinas entran a una cola y la primera en llegar es la primera en salir (hay un orden de reparacin) Adems se conoce que la funcin exponencial se caracteriza por su propiedad de prdida de memoria. El siguiente algoritmo se basa en esta propiedad especfica. Como slo se necesita el estado actual para obtener informacin sobre el pasado se realizan los siguientes pasos. 13 Se obtiene un estudio en forma aleatoria en un tiempo entre 1 y 2 aos. Se toma como estado inicial el (0,0).
Al finalizar el estudio se toma el valor del estado final y se prosigue con el algoritmo. Con el estado actual se realiza la suposicin de que la ltima mquina acaba de llegar (prdida de memoria) Se calcula el tiempo que transcurre hasta que se logra salir del sistema. Esto se realiza sumando tiempos de llegada y tiempos de salida. Cada vez que ocurre un evento de salida (reparacin) se incrementa un contador. Cuando el contador llegue a un valor igual a la cantidad de mquinas del estado final del estudio anterior (12aos) se finaliza la iteracin y se obtiene el tiempo transcurrido hasta que la ltima mquina (con respecto al estado final del estudio) deja el sistema.
Este proceso se realiza un gran nmero de veces Existen casos especiales en las iteraciones. Si luego del estudio el sistema se encuentra en el estado cero (ninguna mquina en reparacin) el programa no cuenta estos datos. Ya que falla la suposicin de que acaba de llegar una mquina.
Si luego del estudio se encuentra el estado actual = (1,1) no se puede suponer que la mquina acaba de llegar. Ya que el estado (1,1) proviene slo de (2,1) y no de (0,0). Es decir no puede llegar una mquina y quedar en el estado (1,1). Por lo tanto hay que agregarle a este caso un tiempo de espera de reparacin, ms tiempos de llegada de mquinas al sistema.
Finalmente se guardan en un vector todos los tiempos obtenidos. Este vector tendr el largo de la cantidad de iteraciones que se seleccion hacer.
El resultado se obtiene de la siguiente forma: Con esto queda demostrado el algoritmo a usar en el segundo problema (Markov continuo) El cual se pasar a lenguaje computacional en C++. En el anexo se adjunta el programa en lenguaje C++, con sus respectivos comentarios indicando los pasos del algoritmo utilizado para cada variable de desempeo. Cadena de Markov en tiempo discreto Empresa ELECTRONICA S.A. Anlisis y supuestos de algoritmo para media de das hasta que no se satisface la demanda diaria por primera vez. Para calcular la cantidad de das promedio hasta que no se satisface por primera vez la demanda se realiza el siguiente algoritmo. Se realizan un nmero razonable de iteraciones generales. Cada iteracin contiene los siguientes pasos. Se comienza con X0 = 35 medidores a la venta.
Se calcula la cantidad de pedidos de medidores durante un da cualquiera. Esto considerando las probabilidades de realizar 2 pedidos o 1 pedido. Y tomando el tiempo entre llegadas de rdenes como una variable aleatoria exponencial a tasa 2 [ordenes/hora]. El tiempo en que pueden llegar rdenes es de 7 horas.
Al final de cada da (luego de las 7 horas de recibir rdenes) se calcula la cantidad de medidores que quedan y se toman las decisiones apropiadas para el da siguiente. (reposicin). Adems se incrementa el contador de das transcurridos.
Cuando el sistema encuentre que la cantidad de pedidos en un da fue mayor que la cantidad de cajas en venta. Es decir Xn ordenes < 0 (Xn = cantidad de medidores en el da n). El sistema detiene el contador de das y acaba con la primera iteracin, guardando en un vector el nmero de das hasta que no se pudo
14 satisfacer la demanda. Este proceso se realiza la cantidad de veces determinada en el nmero de iteraciones que se escogi realizar para resolver el problema.
Finalmente se utiliza el vector de das encontrado (el largo del vector ser igual al nmero de iteraciones escogidas). De la siguiente forma se encuentra la variable pedida: Anlisis y supuestos de algoritmo para la probabilidad de que la existencia de transductores sea menor o igual a 10 Para encontrar esta probabilidad se implement el siguiente algoritmo: Se escoge una cantidad de iteraciones generales. Cada una de estas iteraciones contiene los pasos que se describen a continuacin:
Se realiza un estudio escogiendo como cantidad inicial de trasductores igual a 35 en bodega. Este nmero no tendr mayores implicancias ya que el estudio durar entre 1 y 2 aos (escogido aleatoriamente para cumplir la condicin en un instante cualquiera a largo plazo). Por lo cual se puede considerar como un estudio a largo plazo que no depender de la condicin inicial (adems es una cadena irreductible con distribucin estacionaria). Claro est que los resultados no sern perfectos.
Se calcula la cantidad de pedidos de medidores durante un da cualquiera. Esto considerando las probabilidades de realizar 2 pedidos o 1 pedido. Y tomando el tiempo entre llegadas de rdenes como una variable aleatoria exponencial a tasa 2 [ordenes/hora]. El tiempo en que pueden llegar rdenes es de 7 horas.
Al final de cada da (luego de las 7 horas de recibir rdenes) se calcula la cantidad de medidores que quedan y se toman las decisiones apropiadas para el da siguiente. (reposicin). Adems se incrementa el contador de das transcurridos.
Al finalizar la simulacin en el tiempo (1 a 2 aos) se calcula la cantidad de transductores que quedan (del ltimo da de simulacin: instante cualquiera). Y se verifica si esta cantidad es mayor o menor que 10. Si es menor o igual a 10 se incrementa un contador. Si es mayor el programa contina con la siguiente iteracin general sin hacer nada.
Al finalizar la cantidad de iteraciones generales seleccionada, el contador estar incrementado en la cantidad de veces que el programa encontr que el nmero de transductores era menor o igual a 10. Por lo tanto para obtener la probabilidad requerida se resuelve el siguiente clculo:
Anlisis y supuestos de algoritmo para la probabilidad de que la existencia de transductores sea mayor a 40 despus de la reposicin Para encontrar esta probabilidad se implement el siguiente algoritmo: Se escoge una cantidad de iteraciones generales. Cada una de estas iteraciones contiene los pasos que se describen a continuacin:
Se realiza un estudio escogiendo como cantidad inicial de trasductores igual a 35 en bodega. Este nmero no tendr mayores implicancias ya que el estudio durar entre 1 y 2 aos (escogido aleatoriamente para
15 cumplir la condicin en un instante cualquiera a largo plazo). Por lo cual se puede considerar como un estudio a largo plazo que no depender de la condicin inicial (adems es una cadena irreductible con distribucin estacionaria). Claro est que los resultados no sern perfectos. Se calcula la cantidad de pedidos de medidores durante un da cualquiera. Esto considerando las probabilidades de realizar 2 pedidos o 1 pedido. Y tomando el tiempo entre llegadas de rdenes como una variable aleatoria exponencial a tasa 2 [ordenes/hora]. El tiempo en que pueden llegar rdenes es de 7 horas.
Al final de cada da (luego de las 7 horas de recibir rdenes) se calcula la cantidad de medidores que quedan y se toman las decisiones apropiadas para el da siguiente. (reposicin) Adems se incrementa el contador de das transcurridos.
Al finalizar la simulacin en el tiempo (1 a 2 aos) se calcula la cantidad de transductores que quedan luego de la reposicin (del ltimo da de simulacin: instante cualquiera). Y se verifica si esta cantidad es mayor o menor que 40. Si es mayor que 40 se incrementa un contador. Si es menor el programa contina con la siguiente iteracin general sin hacer nada.
Al finalizar la cantidad de iteraciones generales seleccionada, el contador estar incrementado en la cantidad de veces que el programa encontr que el nmero de transductores era mayor que 40. Por lo tanto para obtener la probabilidad requerida se resuelve el siguiente clculo:
Intuitivamente se puede pensar que la probabilidad de encontrar ms de 40 transductores al inicio de un da es un poco mayor que encontrar 10 o menos transductores al final del da. Ya que esta segunda probabilidad est incluida en la primera. (Ya que al haber 10 o menos transductores se reponen hasta llegar a 50 transductores, que es mayor que 40) Con esto queda demostrado el algoritmo a usar en el primer problema (Markov discreto) El cual se pasar a lenguaje computacional en C++. En el anexo se adjunta el programa en lenguaje C++, con sus respectivos comentarios indicando los pasos del algoritmo utilizado para cada variable de desempeo. Captulo Anlisis de resultados 6 Cadena de Markov en tiempo discreto Empresa ELECTRONICA S.A. Resultados tiempo esperado En este problema obtener los resultados en forma analtica es un proceso muy largo y complejo. Por lo tanto slo se obtuvo resultados por medio del computador. Los resultados del tiempo esperado, utilizando el algoritmo implementado para ello que utiliza iteraciones, son: Porcentajes de Error con respecto a 42 das 16 Se puede apreciar en la tabla que los valores rondan los 42 das aproximadamente. La tabla fue confeccionada utilizando distintas cantidades de iteraciones y por supuesto mientras ms iteraciones se realicen ms exacto es el resultado. Por lo tanto escogeremos como resultado ideal a 42 das (resultado de 50.000 iteraciones) A continuacin se muestran grficos que muestran de mejor manera los resultados. Un grfico que muestra como se forma la recta de valores entre los das y las iteraciones y un grfico que muestra el porcentaje de error tomando como resultado correcto los 42 das. En los grficos se puede observar claramente que luego de las 500 iteraciones se puede llegar a un resultado razonable de la investigacin. Esto hay que tomarlo muy en cuenta a la hora de simular un proceso, ya que mientras ms iteraciones se realicen en la vida real (estudios reales) el costo se incrementa. Segn estos resultados con 500 iteraciones basta para encontrar una solucin acorde al problema. En cambio si slo se realizaran 10 o 100 iteraciones se llegara a un resultado bastante alejado y sobreestimado de alrededor de 46 das (10% error). El cual podra traer consecuencias a la hora de implementar la solucin para la empresa. La empresa encuentra que por primera vez la demanda no se satisface luego de 42 das. Por lo cual para evitar estas prdidas podra implementar un sistema de resguardo, dejando una cierta cantidad de transductores de reserva cada cierto intervalo de tiempo (menor a 42 das) para evitar las prdidas de venta por falta de insumos. Resultados probabilidad de que existan menos de 11 transductores al final del da Los resultados de la probabilidad de que existan menos de 11 transductores, utilizando el algoritmo implementado para ello que utiliza iteraciones, son: Porcentajes de Error con respecto a 50000 iteraciones Se puede apreciar en la tabla que los valores rondan la probabilidad de 0.23 aproximadamente. La tabla fue confeccionada utilizando distintas cantidades de iteraciones y por supuesto mientras ms iteraciones se realicen ms exacto es el resultado. Por lo tanto escogeremos como resultado ideal a 0.23156 (resultado de 50.000 iteraciones) Que puede pensarse como infinito. A continuacin se muestran grficos que muestran de mejor manera los resultados. Un grfico que muestra como se forma un recta aproximada por el nmero de iteraciones. Tambin se muestra un grfico que describe el porcentaje de error con respecto a las 50000 iteraciones. En los grficos se puede apreciar que se llega a un resultado razonablemente exacto luego de las 1000 iteraciones. Ya que con menos iteraciones (10, 100 o 500) los porcentajes de error son considerablemente altos, en un orden desde 10% hasta 30%. Luego de las 1000 iteraciones el rango de la probabilidad se mantiene ms o menos estables con algunos saltos en las 5000 y las 10000 iteraciones, regularizndose en las 25000 y 50000 iteraciones. El orden de la 17 probabilidad esta ms o menos en 0.23. Esto es un indicativo para la empresa, que le lleva a concluir que un quinto de las reposiciones ser del tipo de llegar hasta 50 transductores para el siguiente da. Ya que al tener menos de 11 transductores la empresa repone hasta llegar a 50 para comenzar las ventas al siguiente da. Con esto la empresa sabe cuales sern aproximadamente sus costos de reposicin en parte del sistema. Resultados probabilidad de que existan ms de 40 transductores al primcipio del da Los resultados de la probabilidad de que existan ms de 40 transductores, utilizando el algoritmo implementado para ello que utiliza iteraciones, estn dados por las siguientes tablas: Porcentajes de Error con respecto a 50000 iteraciones Se puede apreciar en la tabla que los valores rondan la probabilidad de 0.24 aproximadamente. La tabla fue confeccionada utilizando distintas cantidades de iteraciones y por supuesto mientras ms iteraciones se realicen ms exacto es el resultado. Por lo tanto escogeremos como resultado ideal a 0.23706 (resultado de 50.000 iteraciones) Que puede pensarse como infinito. A continuacin se muestran grficos que muestran de mejor manera los resultados. Un grfico que muestra como se forma una recta aproximada por el nmero de iteraciones. Tambin se muestra un grfico que describe el porcentaje de error con respecto a las 50000 iteraciones. En los grficos se puede apreciar que se llega a un resultado razonablemente exacto luego de las 1000 iteraciones. Ya que con menos iteraciones (10, 100 o 500) los porcentajes de error son considerablemente altos, en un orden desde 10% hasta 30%. Esta sobreestimacin se debe a que se eligi un punto de partida fijo y que con el pasar de las iteraciones se hace despreciable su influencia. Luego de las 1000 iteraciones el rango de la probabilidad se mantiene ms o menos estables con algn salto en las 10000 iteraciones. El orden de la probabilidad esta ms o menos en 0.24. Se puede concluir que la suposicin hecha en el capitulo 5 es apoyada por estos resultados. Ya que se aprecia que en todo momento la probabilidad de >40 siempre es mayor o en algunos casos igual a la probabilidad < 11, por lo cual se comprueba que los resultados obtenidos por medio de la simulacin computacional esta de acuerdo al anlisis analtico. La diferencia de probabilidades es pequea (aprox. 0.005) Esta diferencia representa los casos en que habrn ms de 40 transductores en la maana y los pedidos fueron tan pocos que al final de ese da quedaron nuevamente ms de 40. Queda claro que la probabilidad de que existan menos de 10 pedidos es pequea (adems al principio del da se deba cumplir que existieran ms de 40, lo cual demuestra porque la diferencia de probabilidades es tan pequea) Esta diferencia de probabilidades se muestra en la siguiente tabla de datos: Aqu se aprecia lo dicho con anterioridad, y adems se reafirma que los datos comienzan a ser bastante correctos luego de las 1000 iteraciones, ya que aqu comienza a apreciarse una diferencia de probabilidades del orden de 0.005. 18 Esta probabilidad se puede expresar analticamente como: Con esto se finaliza el anlisis de los resultados obtenidos de la simulacin estocstica de las variables aleatorias involucradas en el problema. Cadena de Markov en tiempo continuo Empresa Manufacturera de tarjetas de crdito Por medio del algoritmo implementado para la solucin de las fracciones de tiempo o probabilidades se encontraron los siguientes resultados de las probabilidades de cada estado. Las probabilidades calculadas va desarrollo analtico fueron calculadas en el captulo 4 y est expresadas en una tabla. En este capitulo slo se mostrarn las diferencias porcentuales de las probabilidades y del las fracciones de tiempo. En esta tabla se tabulan todas las probabilidades para cada estado en estudios sucesivos de ao, 1 ao, 2 aos, etc En esta tabla se muestran los porcentajes de error con respecto a la tabla desarrollada en forma analtica en el capitulo 4 de este informe. Se aprecia claramente que mientras ms aos se simule la situacin ms cerca de los resultados correctos se est. Pero resulta ilgico realizar una simulacin que dure 10000 aos. Esto slo se realiz para comprobar la efectividad del algoritmo implementado. Ahora se compararan las dos fracciones de tiempo pedidas (su frmula para el clculo est explicitada en el captulo 5) Variable Desempeo/Ao Calculados Analticamente Fraccin tiempo inventario 0,087768 Fraccin tiempo reparando 0,912225 19