2012

PROYECTO FINAL ANLISIS

Andrea Ditta Narvez. Nrc: 4355 Laura Rincn. Nrc: 5115 Ronald Suerte. Nrc: 4354
En el siguiente trabajo se resuelven dos problemas, uno sobre los sistemas de gestin de inventarios y el otro referente a las cadenas de Markov.

Profesora: Johanna Amaya Universidad del Norte 24/05/2012

Estado del arte: Cadenas de Markov y Sistemas de Gestion de inventarios.

Actualmente, la toma de decisiones es un tema que se ha vuelto de inters para todas las organizaciones. No es un secreto que detrs de una decisin, hay envuelta una gran cantidad de dinero. Aos atrs, tambin lo era, sin embargo, dada la competencia actual existente en el mercado y las recesiones econmicas que afectan a todos, las empresas, grandes y pequeas, se han visto en la tarea de tomar sus decisiones con mucha ms calma y anlisis con tal de reducir sus costos al mximo, y que puedan subsistir en el mercado donde se operan. Ante estas situaciones, las empresas por lo general tienden a disminuir sus costos de produccin de alguna manera, o cambiando su materia prima. Sin embargo, existen costos que tambin se pueden reducir: los costos de inventario. En vista de esto, han surgido investigaciones que han sacado nuevas teoras que minimizan los costos y que son atractivas para todos en general. Por ejemplo, Cheng Tiexin, Yue Jingbo y Guo Tao replantean la importancia que le conceden a este tema de inventarios y almacenamiento de los abastecimientos. Se sabe que todo es parte de una cadena de suministros, as que hacen nfasis en tres reas donde antes no se le daba la suficiente relevancia: En los casos donde se cuenta con varios proveedores, mltiples productos que vuelven ms compleja la cadena de suministro. Modelos de inventario que incluyen el fabricante, distribuidores y minoristas. Modelos de inventario multi-producto de acuerdo a una demanda estocstica.

Al ser discutidos, se llega a la conclusin que al tratarlos de una manera integrada se puede llegar a reducir costos. Este no es el nico avance en el tema de inventarios. ltimamente se trata el tema de logstica inversa. La logstica inversa es la responsable de la gestin del flujo de materiales y de su informacin asociada desde el cliente final hasta cualquiera de los eslabones de una cadena productiva con el propsito de adecuar los productos en el lugar indicado y crear valor econmico, econmico, legal o de imagen. Incluye actividades como: devoluciones, arreglos, reventas, re manufacturas, reciclaje, eco diseo y reutilizacin (Luis Mercado Hoyos). Un ejemplo de esta logstica inversa es lo que hacen ahora las empresas de aparatos tecnolgicos, que cuando alguno de sus productos pierde su vida til, realizan una logstica para traerlos de nuevo a su fbrica. Tambin est el ejemplo clsico de embotelladoras que recogen las botellas a los clientes para reutilizarlas.

Este sistema de logstica inversa hace que los modelos de inventarios sean ms complejos, pues adems de costear aquellos productos que acaban de salir del proceso, deben tener lugar para almacenar los que llegan de afuera (cliente). Dado que no saben con certeza la cantidad que va a regresar a la empresa, se debe crear un modelo ptimo que minimice los costos. Esta situacin fue tratada por J. F. Dong, L. H. WANG y J. X. WANG, autores del paper RESEARCH ON REVERSE LOGISTICS-ORIENTED MULTISOURCES INVENTORY CONTROL MODEL. En este paper trabajan los modelos de inventario que incluyen logstica inversa. Esto lo hace modificando y haciendo una extensin del clsico modelo EOQ. Tras probar el modelo hallado con distintos ejemplos reales, se dan cuenta que s es vlido, es ms, tiene repercusiones en el lead time, y lo ms importante, se puede aplicar a cualquier faceta de la logstica inversa. Por ejemplo, en el caso de devoluciones del cliente de los productos por defectos. Entonces, con todos estos fortalecimientos en los modelos actuales de inventario sale a la luz los aportes que tambin se han hecho a los casos en donde se tienen distintas rdenes de pedido. Como se ha venido tratando, el factor crtico en estas decisiones son los costos. Pues bien, ZHOU You-jun, CAO Liang, PAN Yi-qian reconocen lo mismo y por eso tratan el tema de cerca, reconociendo que es muy usual el deseo de todas las empresas de maximizar los beneficios econmicos en el rea de inventario y logstica y reducir los costos en l. Por medio de un mtodo usando multiplicadores de LaGrange, son capaces de obtener el punto ptimo que deben tener los sitemas de inventarios para minimizar sus costos. Al final, reconocen que el modelo es ptimo al ponerlo a prueba con ejemplos. En la misma lnea de estos sistemas de inventario, abastecimiento y logstica con diferentes pedidos, el profesor de tiempo completo de la Universidad del Norte Ing. Rodrigo Barbosa propuso un modelo basado en multiplicadores de LaGrange, el cual establece la cantidad ptima a pedir de acuerdo a una demanda establecida. Esta investigacin lleva el nombre: Modelo matemtico para la gestin de inventarios utilizando el mtodo de multiplicadores de LaGrange minimizando el costo total anual de gestin. El trabajo del profesor Barbosa propone un modelo analtico de puntos de pedido para solucionar el problema de planeacin y control de inventarios, en lo que se refiere a determinar qu artculos pedir a un proveedor y cada cunto hacerlo, que permita minimizar as el costo de mantener inventario en exceso de una organizacin (Grupo de Prensa). Por lo visto, son muchos los aportes que actualmente hay en este tema de inventarios que tanta cabida se ha ganado en la toma de decisiones de los empresarios. De su fortalecimiento depende el que se busquen modelos cada vez mejores. En lo que tiene que ver con cadenas de Markov, tambin son muchos los aportes que actualmente hay. Por ejemplo, en lo que tiene que ver con los pronsticos y series de tiempo, las cadenas de Markov y sus modelos se han utilizado. Aunque parezcan dos temas totalmente aislados, Tie Liu hace una relacin interesante entre estos dos temas. Tan slo en su abstract deja condensado lo que propone: Markov chains are usually used in modeling many practical problems. They are also effective in modeling time series. In this paper, we apply the Markov chains model to analyze and predict the time series. Some series can be expressed by a first-order discrete-time Markov chain and others must be expressed by a higher-order Markov chain model. Numerical examples are given. The results show that the performance and effectiveness of the Markov chain
2

model to predict the time series is very well (Application of Markov Chains to Analyze and Predict the Time Series). El autor deja totalmente claro la gran utilidad que tienen las cadenas de Markov en esta rama de los pronsticos y series de tiempo, las cuales son demasiado tiles en la industria para pronosticar y analizar comportamientos de muchos indicadores afines al rea industrial. Sin embargo, este autor no es el nico que indaga el tema de cadenas de Markov con series de tiempo. YUN-TA0 QIAN, SEN JIA y WEN-WU SI tambin lo hacen en su paper MARKOV MODEL BASED TIME SERIES SIMILARITY MEASURING. Sus pruebas de escritorio muestran que estos hbridos de enfoques markovianos con series de tiempo trabajan muy bien, incluso cuando hay muchos datos distractores en el ambiente que se estudia que podran hacer concluir que la serie es inmodelable. Adems, concluyen que son modelos verstiles para muchas aplicaciones por su definicin tan amplia. Como se sabe, las cadenas de Markov han tenido mltiples aplicaciones. Una indagacin sobre el tema tambin permite concluir que muchos autores se han encargado de desarrollar este tema en el rea de la informtica, donde lo toman como una herramienta til para la programacin, e incluso, por medio de Hidden Markov Chains, cadenas y modelos de ellas permiten sacar conclusiones fuertes aun cuando no se conocen todos los datos para construir un modelo clsico de Markov. Todos los adelantos que se han esbozado anteriormente sobre los dos temas en cuestin permiten concluir que los acadmicos y cientficos han hecho muchos aportes a estos temas, que hacen de las industrias, programas y sistemas actuales sean capaces de mejorar los procesos de quienes los usan. Como se ha tratado desde el principio, un objetivo actual en todas las organizaciones es la minimizacin de costos, y lo explicado en este breve escrito muestran que los aportes que se han hecho van en esa direccin.

MARCO TEORICO.
CADENAS DE MARKOV.
Las cadenas de Markov tienen la propiedad particular de que las probabilidades que describen la forma en la que el proceso evolucionar en el futuro dependen slo del estado actual en que se encuentra el proceso y, por lo tanto son independientes de los eventos ocurridos en el pasado. Como se ha establecido, existen distintos estados en cadena, y el paso de uno al otro, depende de lo que sucedi inmediatamente antes. Teniendo claro el concepto genrico de las cadenas de Markov, hay que aclarar que el tratamiento acadmico que se realizan a las cadenas es por medio de matrices, pues permiten visualizar el comportamiento entre estados de una manera ms fcil. Y de una manera ms grfica, se utilizan los diagramas de transicin, tal como se muestra a continuacin:
i Pij j

Este diagrama ilustra el paso de un estado i al j. Pij muestra la probabilidad de pasar de i a j. Este sistema se realiza con todos los sistemas existentes y relacionndolas de la manera como lo exija la situacin que se est modelando. La otra manera de expresar las cadenas de Markov en trminos de probabilidades es por medio de matrices, de la siguiente manera:

Matriz de transicin. Como se observa, a veces existe la probabilidad de permanecer en el mismo estado. Esta probabilidad est ubicada en la diagonal principal de la matriz, la cual es llamada tambin diagonal de fidelidad. Dentro de los estados posibles sobresalen dos tipos: los estados transitorios (no absorbentes) y los absorbentes. Estados transitorios (no absorbentes): son aquellos estados de una cadena a los que se puede llegar y de la misma manera se puede salir de l con una probabilidad P. Estados absorbentes: Son aquellos estados que, una vez adquiridos, no se puede llegar a otro estado anterior o cualquiera de la cadena. Para entender este estado de una mejor manera, un ejemplo clsico de estado absorbente es lo que en la industria se llama etapa de

producto terminado. Una vez un producto llega a esta etapa, no puede devolverse ni llegar a otro estado absorbente. Adicionalmente, hay conceptos ligados al tema de cadenas de Markov que se necesitan definir. Por ejemplo, las probabilidades en estado estable. La probabilidad de estado estable es la probabilidad de que el sistema est en un determinado estado despus de un gran nmero de etapas. Entonces, si una cadena cuenta con todos los conceptos anteriormente explicados, se puede trabajar con el siguiente modelo de matrices: | | Cada una de ellas son sub-matrices. La sub-matriz I es una matriz de identidad, la cual muestra la probabilidad de permanecer en un estado absorbente una vez se alcance. La matriz 0 indica la probabilidad de transicin de estados absorbentes a no absorbentes. Esta probabilidad es cero. La sub-matriz R muestra la probabilidad de transicin de los estados no absorbentes a los estados absorbentes. La sub-matriz Q muestra las probabilidades de transicin entre cada uno de los estados no absorbentes. Con estas matrices, se puede empezar a realizar clculos que brinden informacin pertinente sobre la situacin que se est modelando. Por ejemplo, se puede sacar la matriz fundamental, la cual viene dada por: La matriz NR, es el producto de la matriz fundamental y la matriz R, esta da las probabilidades de que en el tiempo cada estado no absorbente alcance a cada estado absorbente. Multiplicar cualquier vector de probabilidad inicial del estado no absorbente por NR da el vector de probabilidades para el proceso de llegar al final a cada uno de los estados absorbentes.

SISTEMAS DE GESTIN DE INVENTARIOS.

El inventario es el conjunto de bienes propiedad de una empresa que han sido adquiridos con el nimo de volverlos a vender, en el mismo estado en que fueron comprados, o para ser transformados, en otro tipo de bienes y vendidos como tales (ANDERSON,D.,SWEENEY D. y WILLIAMS T). Para manejar todas estas unidades que una empresa maneja, por lo general maneja el sistema EOQ (Cantidad Econmica de Pedido). Este sistema EOQ minimiza el valor del inventario, la incidencia de faltantes, y los costos de pedido y almacenamiento. Para que este modelo sea vlido debe suponerse una demanda constante. Siendo as los costos que caracterizan este sistema EOQ son: Costo de compra: Es el costo de comprar y producir los artculos individuales del inventario.

Costo de pedido: Es el costo de ordenar pedidos. No se carga de acuerdo a la cantidad de unidades pedidas, si no que est ligada al pedido, es decir, el costo de pedido es indiferente al nmero de unidades pedidas. Costo de almacenamiento: Este costo de mantener en inventarios est relacionado con la permanencia de los artculos dentro de la empresa por un periodo. Costo de inexistencia: Este costo refleja las penalizaciones que se sufren cuando no se tiene en existencia la cantidad que pidi un cliente. Ms que un costo, es lo que se deja de ganar por no tener en existencia, y en ocasiones, se tiene en cuenta una penalizacin por inexistencia. Nota: Este costo no se incluye en EOQ dado que como la demanda es constante, siempre se satisfar. Entonces el costo total viene dado de la siguiente manera: Costo total = costo de compra + costo de ordenar + costo de mantener inventario Adems, una manera de saber la cantidad ptima de pedido dadas las condiciones es la siguiente: Donde Cp. es costo de pedido, D es la demanda anual del producto y Cm es el Costo unitario anual de mantener inventario, en valor monetario. Sin embargo, suponer que una demanda es constante es muy ideal. Por eso, en caso de no tener demandas constantes, es decir aleatorias, se pueden tener en cuenta los siguientes sistemas flexibles que son menos ideales que el EOQ y que pueden ser utilizados en las empresas actualmente. Sistema Q. Es un sistema de revisin continua. Para la revisin se deben fijar dos cantidades: una cantidad ptima de almacenamiento y una cantidad mnima de existencia (punto de reorden). Se empieza con una cantidad en inventario, y a medida que esa cantidad va disminuyendo debido a la demanda aleatoria, se va monitoreando la cantidad en existencia. Apenas se llega al punto de reorden R, se pide la cantidad Q necesaria para volver a la cantidad ptima (cantidad fija). Debe quedar claro que las rdenes realizadas no se hacen siempre en el mismo intervalo de tiempo, solamente apenas sea necesario, es decir, apenas se llegue a R. Un factor que influye en el punto de reorden es el lead time, es decir, el tiempo que demora en llegar el nuevo pedido a la planta. Por eso, mientras llega el pedido, la cantidad R debe ser suficiente para poder trabajar con ellas mientras llega el nuevo pedido de cantidad Q. Sistema P. A diferencia del sistema Q, en el sistema P las rdenes s se realizan cada cierto tiempo que ya est establecido. Y la cantidad Q de pedido deja de ser constante. Bajo una revisin continua, se va monitoreando la cantidad en inventarios, y justo cuando llega el momento de realizar el pedido (ya se dijo que este momento est preestablecido), se pide la cantidad Q necesaria para llegar a la cantidad ptima y volver a abastecer el inventario. Este sistema P se usa en casos particulares. Por ejemplo, si los proveedores tienen una ruta establecida de abastecimiento, el cliente debe realizar su sistema P de acuerdo a la frecuencia fija con que llega el proveedor, y realizar con la suficiente antelacin el pedido de Q, que es variable. Los dos sistemas son vlidos y muy aceptados en las industrias. La inclinacin por uno u otro sistema depende de la naturaleza del negocio o del sistema de produccin.
6

PROBLEMA 1
Primero se hallan la media y la desviacin de las referencias lideres. Referencia 1:

Referencia 2:

De esta manera calculamos la cantidad ptima de pedido para cada tipo de referencia:

Donde:

Referencia lder 1. La demanda es de semanas se gastar ptima de pedido es: Referencia lder 2. La demanda es de semanas se gastar ptima de pedido es: unidades semanales y en un periodo de gestin de 52 , por tanto la cantidad

unidades semanales y en un periodo de gestin de 52 , por tanto la cantidad

 Referencia de baja rotacin 1. La demanda es de 25 unidades semanales y en un periodo de gestin de 52 semanas se gastar , por tanto la cantidad ptima de pedido es: Referencia de baja rotacin 2. Como los de esta referencia su demanda es de 780 unidades/ anual, gastar , por tanto la cantidad ptima de pedido es:

De esta manera se ha determinado el tamao ptimo de pedido de cada referencia.

Cunto Inventario de seguridad del conjunto de referencias conocidas como lderes y de baja rotacin debe mantener la compaa para alcanzar el nivel de 95% en cada una de ellas? Considere un perodo anual compuesto por 52 semanas.
Referencias Lderes

Este tipo de referencia maneja su inventario bajo el enfoque de un sistema Q, ya que se hace una revisin continua del inventario, por tal razn los clculos para poder hallar Exigencias de seguridad de acuerdo a este. Referencia 1

Ahora se convierte el patrn estadstico de unidad de referencia de la desviacin al patrn estadstico de la unidad de referencia de la desviacin en el Lead Time.

Ya transformada la desviacin, se procede a calcular las existencias de seguridad que viene dada por la siguiente frmula: | |
8

Se sabe de antemano que el nivel de satisfaccin con el que se trabaja es del 95%, queriendo decir esto que 5% (alfa) ser el riesgo de quedarme sin inventario durante el periodo de gestin, por lo tanto las existencias de seguridad sern: | Referencia 2 |

Ahora se convierte el patrn estadstico de unidad de referencia al patrn estadstico de la unidad de referencia del Lead Time.

Ya transformada la desviacin, se procede a calcular las existencias de seguridad que viene dada por la siguiente frmula: | |

Se sabe de antemano que el nivel de satisfaccin con el que se trabaja es del 95%, queriendo decir esto que 5% (alfa) ser el riesgo de quedarme sin inventario durante el periodo de gestin, por lo tanto las existencias de seguridad sern: | |

Referencias de Baja rotacin

A diferencia de las Referencias lderes, las de baja rotacin el manejo de este inventario son bajo el enfoque de un sistema P, por tal razn los clculos para poder hallar las existencias de seguridad del resto de artculos es con base en este sistema. Bajo este enfoque son necesarios 2 tiempos, el tiempo que tarda el proveedor para entregar el pedido o Lead time y segundo cada cuanto se realiza el pedido o tambin intervalo de pedido (IP). Como el ejercicio no suministra la informacin de manera explcita del IP, debe calcular para despus convertir el parmetro base de referencia al parmetro de base del Lead time y as finalmente hallar las existencias de seguridad. Referencia de baja rotacin 1: 24 artculos con y ) entre la

Para hallar el IP, se debe hacer el cociente de las cantidades optimas a pedir ( demanda semanal.

Ahora, se halla la desviacin durante el periodo de gestin: Ahora se halla las existencias de seguridad para estas unidades: | | y

Referencia de baja rotacin 2: 24 artculos con

Al igual que la referencia anterior, se calcula el IP.

)(

Ahora se halla la desviacin durante el periodo de gestin: Ahora se halla las existencias de seguridad para estas unidades: | |

Cunto es el total de inventario promedio mantenido por la compaa? Considere los conjuntos de referencias.
El inventario promedio inmovilizado por semana ser el promedio entre lo que tiene al comienzo del ciclo ms la existencia de seguridad esto con el fin de garantizar un nivel de servicio de 95% por tanto el inventario promedio es:

Referencia de lder 1 Referencia de lder 2

10

 Referencia de de baja rotacin 1

Referencia de baja rotacin 2

Para un total de 2311 unidades semanales en promedio mantenidas en inventario.

Cul es el costo total de gestin de la implementacin de estas polticas?

Ahora el costo de gestin ser solo lo que se incurre al manejar el inventario:

Donde:

Referencia lder 1 Referencia lder 2 Ref. de baja rotacin 1 Ref. de baja rotacin 2

El costo total de gestin de todas las polticas ser la suma de cada una de las referencias la cual es de $ 2108.757.

11

PROBLEMA 2
Grafique el proceso de produccin relacionando las probabilidades asociadas a cada etapa.
Se establecieron los siguientes estados. E1 E2 E3 E4 E5 E6 E7 Etapa 1 Etapa 2 Etapa 3 Empaque Producto no recuperable Producto terminado de segunda calidad Producto terminado de primera calidad

Grafo de Probabilidades de Markov

5% E2

6% 3% E6

93% E1 5%

90% 89% E3 E4

7% E5

97% 5%

E7

12

Donde: A continuacin se presente la matriz de transicin para cada una de las etapas del proceso. MATRIZ DE TRANSICION E2 E3 E4 E5 E6 E7 ESTADOS E1 0 0,93 0 0 0,07 0 0 E1 0,05 0 0,9 0 0,05 0 0 E2 0 0,06 0 0,89 0,05 0 0 E3 0 0 0 0 0 0,03 0,97 E4 0 0 0 0 1 0 0 E5 0 0 0 0 0 1 0 E6 0 0 0 0 0 0 1 E7

Calcule el nmero de unidades que se deben programar en la etapa uno para obtener Q = 180.000 unidades conformes de primera calidad y la cantidad de unidades que circulan en cada etapa del proceso.
Para determinar el nmero de unidades a programar para obtener 180000 conformes, es necesario calcular la matriz NR de probabilidades de paso de un estado no absorbente a uno absorbente. Pero antes de hallar dicha matiz, es necesario calcular la matriz N. La matriz tambin conocida como la matriz fundamental, la cual nos dir el nmero de veces que en promedio una unidad visita una etapa. E1 1,052 0,056 0,003 0,000 N E2 1,034 1,112 0,067 0,000 E3 0,931 1,001 1,060 0,000 E5 0,828 0,890 0,943 1,000

ETAPAS E1 E2 E3 E5

Ahora se halla la matriz NR, que nos indicar la probabilidad de que una unidad termine en uno de los estados absorbentes, ya sea como producto terminado de primera calidad, producto terminado de segunda calidad o no recuperable. NR E4 E6 E7 ETAPAS 0,1718 0,0248 0,8033 E1
13

E2 E3 E5

0,1095 0,0267 0,8638 0,0566 0,0283 0,9151 0,0000 0,0300 0,9700

Como podemos observar, la probabilidad que una unidad haya empezado en la etapa E1 y resulte como producto de primera calidad (E7) es 0,8033. Ahora para hallar cuantas unidades se deben programar en la estacin 1 para obtener 180000 unidades conformes de primera calidad, viene dada por la siguiente expresin:

Para determinar la cantidad de unidades que circulan por cada etapa del proceso, se hace uso de la primera fila de la matriz N o de vistas por estados. Esta nos indicara el nmero de veces que en promedio una unidad partiendo desde la etapa 1 pasa por las distintas etapas del proceso. N E2 E3 E4 ESTADOS E1 1,052 1,034 0,931 0,828 E1 La cantidad de unidades que circula en cada etapa es:

Calcule el costo promedio equivalente por unidad conforme de primera calidad cuando se programan Q= 200.000 unidades en la etapa 1 (E1).
Para hallar este costo promedio equivalente, se hace uso de la matriz N. como en el anterior determinamos el nmero promedio de visitas por unidad para cada estado del proceso, solo hara falta el nmero de visitas cuando se incurre en reprocesos (de E2 a E1 y de E3 a E2) que tambin se obtiene de la matriz de visitas. Ahora, el nmero promedio de visitas de unidades reprocesadas ser la suma de 0,056+0,067=0,123. El costo de cada etapa ser el costo de producir una unidad por el nmero de vistas en promedio de cada unidad a esa etapa:
14

Costo unitario E1 200 E2 150 E3 130 E4 60 Reproceso 6

Nmero visitas 1,052 1,034 0,931 0,828 0,123 TOTAL unitario

de Costo real 210,4 155,1 121,03 49,68 0,738 $ 536,948

Dado que para la fabricacin de unidades conformes de calidad no todas resultan serlo, se incurre en conformes de segunda calidad. Estas nos permiten recuperar parte de su costo de fabricacin por medio de su venta. Con todo esto el costo promedio equivalente seria:

El costo promedio equivalente para este proceso productivo es de 664,10 um.

Dado que se programan 300.000 unidades al inicio del proceso, determine el nmero esperado de unidades no recuperadas y el costo esperado de las mismas (Total y unitario).

Para determinar el nmero de unidades no recuperables por etapa, se hace uso de bayes y luego multiplicarlas por el costo asociada a la etapa que paso antes de llegar a desecho.

Entonces, el costo unitario seria

15

REFERENCIAS
Mercado, l. logstica inversa. universidad de crdoba. recuperado el 21 de mayo de 2012 de:

http://www.unicordoba.edu.co/revistas/vieja_industrialaldia/documentos/ed.1/logist ica_inversa.pdf Grupo de prensa de la universidad del norte. docente uninorteo presentar investigacin en encuentro internacional. 20 de octubre de 2011. recuperado el 22 de mayo de: http://uninorte.edu.co/noticias_uninorte/secciones.asp?id=1672 J. F. Dong, L. H. Wang, J. X. Wang. Research on reverse logistics-oriented multisources inventory control model. Cheng Tiexin, Yue Jingbo, Guo Tao. inventory modeling in supply chain management: a review. Zhou You-Jun, Cao Liang, pan Yi-Qian. the optimal inventory model with many orders and permissible shortage. Shun-zheng yu. hidden semi-markov models. Tie liu. application of markov chains to analyze and predict the time series. Yun-ta0 qian, sen jia, wen-wu si. markov model based time series similarity measuring Render, b., stair, r., & hanna, m. (2006). mtodos cuantitativos para los negocios. pearson educacin. Schroeder, r. (1994). administracin de operaciones. toma de decisiones en la funcin de operaciones. mc graw hill. Anderson,d.,sweeney d. y williams t. quantitative methods for business, ed. thomson, n.y., 1998

16