13.1 OVERVIEWThe Markov processes m

13.1 OVERVIEW
The Markov processes module of The Management Scientist will analyze prob¬lems with up to 10 states. Input to the program is the matrix of transition prob¬abilities for the states. The solution provides the steady-state probabilities for the states.
In some applications it may not be possible to make a transition out of one or more states once the state has been reached. Such states are referred to as absorbing states. The Markov processes module will solve problems for which the total number of absorbing and nonabsorbing states is 10 or less. In applications with absorbing states, the solution provides the probability that units currently in each of the nonabsorbing states will eventually end up in each of the absorbing states.
13.2 AN EXAMPLE PROBLEM
Two grocery stores in a small town compete for customers. Each customer makes one shopping trip per week to one of the two stores. A survey of store loyalty among the customers shows that for customers who shop at Murphy’s Foodliner one week, 90% will shop at Murphy’s the next week and 10% will switch to Ashley’s Supermarket. For customers who shop at Ashley’s Super¬market one week, 20% will switch to Murphy’s the next week and 80% will shop again at Ashley’s. These transition probabilities are summarized as follows:
Current Weekly Next Weekly Shopping Period
Shopping Period Murphy’s Foodliner Ashley’s Supermarket
Murphy’s Foodliner 0.9 0.1
Ashley’s Supermarket 0.2 0.8
What are the steady-state probabilities for the two grocery stores? If there are 1,000 customers that make weekly shopping trips to one of the two stores, how many customers can be expected to shop at each of the stores?
13.3 CREATING AND SOLVING A PROBLEM
To determine the steady-state probabilities for the two grocery stores in our example problem, we begin by selecting the Markov processes module and choosing New from the File menu. When the Markov Processes dialog box appears, enter 2 for the Number of States and choose OK; the Transition Matrix data input screen will then appear. Figure 13.1 shows the Transition Matrix after entering the transition probabilities for the grocery store example problem. After selecting Solve from the Solution menu, we obtain the output shown in Figure 13.2.


Figure 13.1 Transition Matrix Data Input Screen


As you can see, Murphy’s Foodliner (state 1) has the higher steady-state probability. Thus, we conclude that in the long run, Murphy’s Foodliner will have a 66.7% share of the market and Ashley’s Supermarket will have the remaining 33.3% share of the market. With 1,000 weekly customers, 667 should shop at Murphy’s and 333 should shop at Ashley’s.


Figure 13.2 Output for the Grocery Store Market Share Problem
13.4 AN EXAMPLE PROBLEM
WITH ABSORBING STATES
Heidman’s Department Stores has two aging categories for its accounts receiv¬able: (1) accounts that are classified as 0 to 30 days old and (2) accounts that are classified as 31 to 90 days old. If any portion of an account balance exceeds 90 days, that portion is written off as a bad debt. The total account balance for each customer is placed in the age category corresponding to the oldest unpaid amount; hence, this method of aging accounts receivable is called the total balance method.
Let us assume that Heidman’s shows a total of $3,000 in its accounts receivable and the firm’s management would like an estimate of how much of the $3,000 will eventually be collected and how much will result in bad debts.
To see how we can view the accounts receivable operation as a Markov process, consider what happens to one dollar currently in accounts receivable. As the firm continues to operate into the future, we can consider each week as a trial

Results (Indonesian) 1:

13.1 IKHTISARModul proses Markov The manajemen ilmuwan akan menganalisis prob¬lems dengan Serikat hingga 10. Input ke program adalah matriks prob¬abilities transisi untuk Serikat. Solusi ini memberikan probabilitas mapan untuk Serikat. Dalam beberapa aplikasi mungkin tidak mungkin untuk membuat transisi dari satu atau lebih negara ketika negara telah tercapai. Keadaan seperti itu disebut sebagai negara menyerap. Modul proses Markov akan memecahkan masalah yang jumlah negara menyerap dan nonabsorbing 10 atau kurang. Dalam aplikasi dengan menyerap Serikat, solusi ini memberikan kemungkinan bahwa unit saat ini di tiap negara nonabsorbing akhirnya akan berakhir di tiap negara menyerap.13.2 CONTOH MASALAHDua Toko di sebuah kota kecil bersaing untuk pelanggan. Setiap pelanggan membuat perjalanan belanja satu per minggu untuk salah satu dari dua toko. Sebuah survei toko loyalitas antara pelanggan menunjukkan bahwa untuk pelanggan yang berbelanja di Murphy Foodliner satu minggu, 90% akan berbelanja di Murphy minggu berikutnya dan 10% akan beralih ke Ashley Supermarket. Untuk pelanggan yang berbelanja di Ashley Super¬market satu minggu, 20% akan beralih ke Murphy minggu berikutnya dan 80% akan berbelanja lagi di Ashley. Probabilitas transisi ini diringkas sebagai berikut:Saat ini unduhan mingguan berikutnya belanja periodeBelanja Supermarket periode Murphy Foodliner AshleyFoodliner Murphy 0,9 0.1Ashley Supermarket 0.2 0,8Apa yang probabilitas mapan untuk dua toko kelontong? Jika ada 1.000 pelanggan yang melakukan perjalanan belanja mingguan ke salah satu dari dua toko, berapa banyak pelanggan yang dapat diharapkan untuk berbelanja di setiap toko?13.3 MENCIPTAKAN DAN MEMECAHKAN MASALAHUntuk menentukan probabilitas mapan untuk dua toko dalam masalah contoh kita, kita mulai dengan memilih Markov proses modul dan memilih baru dari File menu. Ketika muncul kotak dialog proses Markov, masukkan 2 untuk beberapa negara bagian dan pilih OK; layar input data Matrix transisi akan muncul. 13.1 angka menunjukkan matriks transisi setelah memasukkan probabilitas transisi untuk masalah contoh toko kelontong. Setelah memilih memecahkan dari menu solusi, kita memperoleh hasil yang ditampilkan dalam gambar 13.2.13.1 gambar transisi matriks layar Input Data Seperti yang Anda lihat, Murphy Foodliner (negara 1) memiliki probabilitas mapan yang lebih tinggi. Dengan demikian, kami menyimpulkan bahwa dalam jangka panjang, Murphy Foodliner harus 66,7% pangsa pasar dan Ashley Supermarket akan memiliki sisa 33,3% pangsa pasar. Dengan 1.000 pelanggan mingguan, 667 harus berbelanja di Murphy dan 333 harus berbelanja di Ashley.Gambar 13,2 Output untuk masalahnya pangsa pasar swalayan13.4 CONTOH MASALAH DENGAN MENYERAP SERIKATHeidman's Department Store memiliki dua kategori penuaan untuk yang receiv¬able account: (1) account yang diklasifikasikan sebagai 0 untuk 30 hari tua dan (2) account yang diklasifikasikan sebagai 31 sampai 90 hari tua. Jika salah satu bagian dari saldo rekening melebihi 90 hari, bahwa sebagian ditulis sebagai utang yang buruk. Saldo total untuk setiap pelanggan diletakkan dalam kategori umur sesuai dengan jumlah tidak dibayar tertua; oleh karena itu, metode penuaan piutang disebut metode keseimbangan total. Mari kita asumsikan bahwa Heidman yang menunjukkan total $3.000 dalam account piutang dan manajemen perusahaan ingin memperkirakan berapa banyak $ 3.000 akhirnya akan dikumpulkan dan berapa banyak akan mengakibatkan kredit macet. Untuk melihat bagaimana kita dapat melihat account piutang operasi sebagai proses Markov, mempertimbangkan apa yang terjadi dengan satu dolar saat ini dalam piutang. Sebagai perusahaan terus beroperasi ke masa depan, kita dapat mempertimbangkan setiap minggu sidang

Results (Indonesian) 2:

13.1 TINJAUAN
The Markov proses modul Manajemen Scientist akan menganalisis prob¬lems sampai dengan 10 negara. Masukan untuk program ini adalah matriks prob¬abilities transisi untuk negara. Solusi ini menyediakan probabilitas steady state untuk negara.
Dalam beberapa aplikasi mungkin tidak mungkin untuk membuat transisi dari satu atau lebih negara setelah negara telah tercapai. Negara tersebut disebut negara sebagai menyerap. The Markov memproses modul akan memecahkan masalah yang jumlah total menyerap dan nonabsorbing negara adalah 10 atau kurang. Dalam aplikasi dengan menyerap negara, solusi menyediakan probabilitas bahwa unit saat ini di masing-masing negara nonabsorbing akhirnya akan berakhir di masing-masing negara menyerap.
13,2 CONTOH MASALAH
Dua toko di sebuah kota kecil bersaing untuk pelanggan. Setiap pelanggan membuat satu perjalanan belanja per minggu untuk salah satu dari dua toko. Sebuah survei dari toko loyalitas antara pelanggan menunjukkan bahwa untuk pelanggan yang berbelanja di Murphy Foodliner satu minggu, 90% akan berbelanja di Murphy minggu depan dan 10% akan beralih ke Ashley Supermarket. Untuk pelanggan yang berbelanja di Ashley Super¬market satu minggu, 20% akan beralih ke Murphy minggu depan dan 80% akan berbelanja lagi di Ashley. Probabilitas transisi ini adalah sebagai berikut:
Current Mingguan Berikutnya Weekly Periode Belanja
Belanja Masa Murphy Foodliner Ashley Supermarket
Murphy Foodliner 0,9 0,1
Ashley Supermarket 0,2 0,8
Apa probabilitas steady state untuk dua toko? Jika ada 1.000 pelanggan yang melakukan perjalanan belanja mingguan ke salah satu dari dua toko, berapa banyak pelanggan dapat diharapkan untuk berbelanja di setiap toko?
13.3 PEMBUATAN DAN PEMECAHAN MASALAH
Untuk menentukan probabilitas steady state untuk dua toko di contoh masalah kita, kita mulai dengan memilih Markov proses modul dan memilih New dari menu file. Ketika Markov Proses kotak dialog muncul, masukkan 2 untuk Jumlah Serikat dan memilih OK; layar input data Transition Matrix akan muncul. Gambar 13.1 menunjukkan Matrix Transisi setelah memasuki probabilitas transisi untuk contoh masalah toko kelontong. Setelah memilih Memecahkan dari menu Solusi, kita memperoleh output yang ditunjukkan pada Gambar 13.2.


Gambar 13.1 Transition Matrix Input Data Layar


Seperti yang Anda lihat, Murphy Foodliner (state 1) memiliki probabilitas steady-state yang lebih tinggi. Dengan demikian, kami menyimpulkan bahwa dalam jangka panjang, Murphy Foodliner akan memiliki pangsa 66,7% dari pasar dan Ashley Supermarket akan memiliki 33,3% pangsa sisa pasar. Dengan 1.000 pelanggan mingguan, 667 harus berbelanja di Murphy dan 333 harus berbelanja di Ashley.


Gambar 13.2 Output untuk Grocery Store Market Share Masalah
13,4 AN MASALAH CONTOH
DENGAN MENYERAP SERIKAT
Heidman Departemen Store memiliki dua kategori penuaan piutang yang receiv¬able: (1 ) akun yang diklasifikasikan sebagai berusia 0 sampai 30 hari dan (2) akun yang diklasifikasikan sebagai berusia 31 sampai 90 hari. Jika ada bagian dari saldo rekening melebihi 90 hari, porsi yang dihapuskan sebagai utang buruk. Saldo rekening total untuk setiap pelanggan ditempatkan dalam kategori usia yang sesuai dengan jumlah yang belum dibayar tertua; maka, metode ini akun penuaan piutang disebut metode total saldo.
Mari kita berasumsi bahwa Heidman berisi total $ 3.000 dalam rekening piutang dan manajemen perusahaan ingin perkiraan berapa banyak $ 3.000 pada akhirnya akan dikumpulkan dan berapa banyak akan menghasilkan kredit macet.
untuk melihat bagaimana kita dapat melihat akun operasi piutang sebagai proses Markov, pertimbangkan apa yang terjadi pada satu dolar saat piutang. Sebagai perusahaan terus beroperasi ke masa depan, kita dapat mempertimbangkan setiap minggu sebagai percobaan