INVOP2A

1
INVESTIGACIN DE INVESTIGACIN DE
OPERACIONES II OPERACIONES II
Ing. Luis Zuloaga Rotta Ing. Luis Zuloaga Rotta
UNI-FIIS<Investigacin Operaciones II> 2
2
SISTEMA SISTEMA
Conjunto de entidades u objetos
relacionados entre si (conforman una
estructura) con una misma finalidad,
alcanzar sus objetivos.
La retroalimentacin (feedback) es una
caracterstica de los sistemas para dar
soporte a las actividades que les
permiten alcanzar los objetivos.
3
Sistema Sistema
Input Input
Output Output
Requerimientos Requerimientos
Resultados Resultados
Transformaciones Transformaciones
(procesos recursos)
(inputs)
(Outputs)
Enfoques para el anlisis de Enfoques para el anlisis de
Sistemas Sistemas
Enfoque de la caja negra.
Estudiamos el comportamiento en funcin de los
inputs y outputs.
Enfoque de la transicin de estado.
Definimos un vector de estado para el sistema y
estudiamos el comportamiento en funcin de
cambios en las variables de estado del vector.
Enfoque de las partes componentes.
Estudiamos al sistema en funcin de sus partes
componentes y de la estructura del todo.
4
Anlisis CATDWE Anlisis CATDWE
C : cliente
A : actor
D : dueo
T : transformacin
W : weltanshaung
E : entorno
Modelo Modelo
Es toda representacin de un sistema
real o abstracto, con la finalidad de
comprender sus caractersticas y/o
funcionalidad.
Un mdelo puede ser simblico, icnico
u anlogo.
Ej: un mapa, un sistema de ecuaciones, un
diagrama de flujo, un avin a escala, una
formula, diagrama de procesos, etc.
5
Funcin de los Modelos Funcin de los Modelos
Una ayuda para el pensamiento
Una ayuda para la comunicacin
Para entrenamiento e instruccin
Una herramienta de prediccin
Una ayuda para la experimentacin.
Cmo mejorar
el sistema ?
Objetivos
Restricciones
Procesos
Recursos
Locaciones
Costos
Sistema bajo
estudio
Analista o
modelador
Paradigmas
6
Simulacin Simulacin
Es el estudio de un sistema a travs de
un modelo ayudado de un computador,
con la finalidad de comprender su
comportamiento en un conjunto de
escenarios y plantear propuestas
alternativas de mejora.
El curso se limitar al estudio de
modelos de simulacin para sistemas
discretos.
Simulacin Simulacin
... es el proceso de disear un modelo
de un sistema real y realizar
experimentos con l para entender el
comportamiento del sistema o evaluar
varias estrategias para la operacin del
sistema
Robert Shannon
7
Para qu usar la Simulacin ? Para qu usar la Simulacin ?
Para experimentar con escenarios what-if.
Para comprender el impacto de la
introduccin de nuevas tecnologas.
Para visualizar una representacin dinmica
del sistema.
Para probar/analizar un diseo previo a la
implementacin.
Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
Para qu usar la Simulacin ? Para qu usar la Simulacin ?
Permite una experimentacin controlada.
Para un anlisis sin disturbios (efecto
Hawthorne) ni interrupciones en el sistema.
Por su facilidad de uso y comprensin.
Visualizacin realistica y convincente.
Para forzar la atencin a detalles del
diseo.
Porque es muy caro experimentar
directamente sobre el sistema.
8
Ventajas de la Simulacin Ventajas de la Simulacin
Una vez construido, el modelo puede ser modificado de manera
rpida con el fin de analizar diferentes polticas o escenarios.
Generalmente es ms barato mejorar el sistema va simulacin,
que hacerlo directamente en el sistema real.
Es mucho ms sencillo comprender y visualizar los mtodos de
simulacin que los mtodos puramente analticos.
Los mtodos analticos se desarrollan casi siempre, para
sistemas relativamente sencillos o simplificaciones, mientras
que con los modelos de simulacin es posible analizar sistemas
de mayor complejidad o con mayor detalle.
En algunos de los casos, la simulacin es el nico medio para
lograr una solucin.
Desventajas de la Simulacin Desventajas de la Simulacin
Los modelos de simulacin en una computadora son
costosos y requieren mucho tiempo para desarrollarse y
validarse.
Se requiere gran cantidad de corridas computacionales
para encontrar "soluciones ptimas"; esto repercute en
altos costos.
Es difcil de comprobar que resultados de modelos de
simulacin son adecuados. Por lo tanto es difcil que sean
aceptados.
Los modelos de simulacin no dan soluciones ptimas.
La solucin de un modelo de simulacin puede dar al
analista un falso sentido de seguridad.
9
FORMULACIN
DEL
PROBLEMA
DEFINICIN
DEL SISTEMA
ES TIL LA
SIMULACIN ?
FORMULACIN
DEL MODELO
PREPARACIN
DE DATOS
TRASLACIN
DEL MODELO
No
FIN
S
A B
S
EL MODELO
ES VLIDO ?
PLANEACIN
ESTRATGICA
PLANEACIN
TCTICA
EXPERIMENTACIN
INTERPRETACIN
ES TIL ?
IMPLANTACIN
DOCUMENTO
PROPUESTAS
No
S
A B
EL PROCESO DE SIMULACIN EL PROCESO DE SIMULACIN
Validacin del Modelo Validacin del Modelo
Es el proceso de llevar a un nivel aceptable
la confianza del usuario referente a que
acepte cualquier inferencia acerca de un
sistema que se derive de la simulacin.
No existe la prueba de validacin. En lugar
de esto, el experimentador debe realizar
pruebas a lo largo del proceso de desarrollo
del modelo, a fin de crear confianza.
10
Experimentacin y anlisis de Experimentacin y anlisis de
sensibilidad sensibilidad
La experimentacin con el modelo
(corrida) nos permite obtener la
informacin deseada.
El anlisis de sensibilidad consiste en la
variacin sistemtica de los valores de
los parmetros sobre algn intervalo de
inters y en la observacin del efecto
en la respuesta del modelo.
Mtodos para validar el modelo Mtodos para validar el modelo
Debemos cerciorarnos de que el modelo tenga
validez de forma general.
Es posible que el modelo d respuestas absurdas
s i se lleva los parmetros a valores extremos ?
El segundo y tercer mtodo se basan en la
prueba de suposiciones y en la prueba de
transformaciones de entrada-salida. Estas
conllevan el uso de pruebas estadsticas de
medias y varianzas, regresin, anlisis de
factores, autocorrelacin, pruebas no
paramtricas, etc.
11
DIAGRAMA DE
FLUJO
LAYOUT
PROCESOS
LAYOUT DE
PROCESOS
Ruta trabajo Ruta trabajo
12
Como comprender los Como comprender los
procesos de negocio procesos de negocio
Para comprender, estudiar y mejorar los
proceso de negocio, primero tenemos
que identificarlos, definirlos y descubrir
tanto su estructura como sus relaciones.
Los procesos de negocio no son
analizados como cajas negras.
Para lograr esto, realizamos una
descomposicin funcional del negocio.
Funciones y Procesos de Negocio Funciones y Procesos de Negocio
Una funcin es un grupo de actividades de
alto nivel que juntas apoyan un aspecto del
negocio.
Los procesos de negocio tambin son
agrupamientos de actividades, pero ocurren
a un nivel inferior.
La ejecucin de un proceso tiene sentido
para el negocio; es una actividad que se
inicia por un evento.
13
Cmo modelar el Sistema ? Cmo modelar el Sistema ?
Se usan grficos (generalmente cajas y flechas)
para proveer los datos acerca de la estructura del
sistema, razn por la que la mayor parte de la
gente piensa en modelos de procesos como
representaciones pictricas.
Con el modelamiento de procesos se puede mirar
el sistema de inters con profundidad, de modo
que delicados matices de su organizacin puedan
ser analizados, comprendidos y tal vez lo mas
importante, comunicados a otros.
Cmo se modelan los procesos ? Cmo se modelan los procesos ?
14
Modelamiento Modelamiento de Procesos de Procesos
IDEF IDEF
Modelamiento de actividades IDEFo Procesos
de Negocio, es una tcnica para analizar el
sistema total como un conjunto de actividades o
funciones interrelacionadas.
Las actividades (verbos) del sistema son
analizadas independientemente del o de los
objetos que los llevan a cabo.
IDEF: IDEF: Que Que es es ? ?
Una tcnica para modelar :
funciones :
actividades
acciones
procesos
operaciones
relaciones funcionales y datos (informacion y
objetos) de un sistema o empresa.
15
IDEF IDEF es es
Lenguaje de modelamiento grfico (sintaxis y
semantica) + metodologa para desarrollar
modelos de procesos (utiliza tcnica ICOM).
Describe :
que hace un sistema
que controles tiene
sobre que trabaja
como ejecuta sus funciones
que produce
En resumen IDEF = grfico + texto + glosario
ICOM ICOM
Inputs Inputs
Items consumidos o transformados por procesos
Ejemplo : materiales, informacin, capital, energa, ...
Controles Controles
Restricciones o gobierno del proceso
Ejemplos : lineamientos, reglas de negocio, polticas, ...
Outputs Outputs
Resultados del proceso, esto es una entrada transformada
Ejemplos : materiales, informacin, ...
Mecanismos Mecanismos
Recursos utilizados para producir la salida (usada por los procesos)
Ejemplos : personal, sistemas, equipos, ...
16
La actividad (o funcin) es
representada por una caja.
Inputs son representados por la
flechas fluyendo hacia el lado
izquierdo de la caja.
Outputs son representados por
flechas fluyendo desde el lado
derecho de la caja.
Flechas que fluyen hacia la parte
superior de la caja representan
restriccioneso controles.
Flechas fluyendo hacia el lado
inferior de la caja son los
mecanismos.
IDEF
Actividad
a ejecutar
Output
Mecanismo
(Recurso)
Input
Restriccin
El Orden de las cajas no implica necesariamente una secuencia !!
La descomposicin es Top Down !!
IDEF IDEF es es una una descomposici descomposici n n
Top Down Top Down
Mas General
Mas Detal lado
A2
2.1
2.2
2.3
A-0
Este diagrama es el
padre de ...
este diagrama.
A0
4
1
2
3
A23
2.3. 1
2.3.2
2.3. 3
Diagrama de Contexto Diagrama de Contexto
Diagrama de Nivel Cero Diagrama de Nivel Cero
Diagrama de Primer Nivel Diagrama de Primer Nivel
17
Combinaciones de flechas Combinaciones de flechas
de de interface interface
Output Input
Output Control
Output Mecanismo
Output Control feedback
Output Input feedback
Bifurcaciones y Uniones Bifurcaciones y Uniones
Las salidas (outputs) de una
actividad pueden ser usadas
por ms que una actividad.
En IDEF las flechas en
general, pueden bifurcarse o
unirse, renombrndose en
caso sea necesario para
especificar mayor detalle
(dado que es un subconjunto
de la flecha principal).
POLITICAS &
PROCEDIMIENTOS
POLITICAS &
PROCEDIMIENTOS
DE PERSONAL
POLITICAS &
PROCEDIMIENTOS
DE VENTAS
Material
residual
Material
defectuoso
Material
rechazado
18
Sistema Bancario
OPERACIN OPERACIN
BANCARIA BANCARIA
ESPERA X ESPERA X
SERVICIO SERVICIO
ATENCIN ATENCIN
CLIENTE CLIENTE
ARRIBO
CLIENTE
PERSONAL
BANCO
CLIENTE CON
OPERACIN
REALIZADA
REGLAMENTO
BANCO
CLIENTE
CANSADO
ESPERAR
CLIENTE CON
OPERACIN
PENDIENTE
CLIENTE PASA
A VENTANILLA
Que sigue ... ? Que sigue ... ?
Una vez identificados y comprendidos
los procesos u actividades, se define
la situacin problema.
A continuacin se identifican las
variables del vector de estado (var.
aleatorias), para luego observar y
registrar su comportamiento
(muestra).
Se organiza la data recogida y se
plotea, procediendo a plantear una
hipotesis nula H
0
.
x1
x2
x3
x4
x5
x6
xn
xi frec
[a1,a2] 8
<a2,a3] 12
<a3,a4] 16
<a4,a5] 6
...
x
H
0
:
19
Nmeros Random ( #r )
Son nmeros reales (r) distribudos
uniformemente en el intervalo [0,1].
r = 1/2
Var(r) = 1/12
0
1
r0
r
Algoritmos para generar Algoritmos para generar #r #r
Algoritmos congruenciales :
Mixto : #r
i+1
= ( a + b #r
i
)Mod(m)
Multiplicativo : #r
i+1
= ( b #r
i
)Mod(m)
EJEMPLO: Generar 2 nmeros aleatorios de mdulo 8
con constantes a= 7 y b= 5 y una semilla r
0
= 4.
r
i+1
= (5r
i
+ 7)MODULO(8)
r
1
= 27 MODULO (8) = 3
r
2
= 22 MODULO (8) = 6
20
Restricciones para los Restricciones para los
parmetros de algoritmo parmetros de algoritmo
a, b, m y r
0
deben ser mayores que cero (0).
r
0
no debe ser mltiplo de 2 ni de 5.
a debe ser impar.
a y m deben ser primos entre si.
b = 200t z tal que :
z = 3,11,13,19,21,27,29,37,53,59,61,67,69,77,83,o 91.
t = 1,2,3,4,5, ...
m = 10
d
y d 4 (d # de bits de una palabra del computador)
Periodo mximo m/20
Parmetros y Variables Parmetros y Variables
En un experimento se tiene informacin o
datos de dos tipos :
PARMETROS: permanecen sin cambio
durante todo el tiempo que dura el
experimento.
VARIABLES: cambian durante el
experimento.
21
Variable Aleatoria Variable Aleatoria
PROCESO ESTOCASTICO: experimento
donde no es posible conocer de antemano
los resultados obtenidos para cada valor de
una variable. Se cumplen las propidades de
la teora de probabilidad para las variables
asociadas.
VARIABLE ALEATORIA: variable en un
proceso estocstico.
Distribucin de probabilidad
FALLAS
20
30
70
FRECUENCIA
C B A
FALLAS
1/3
1/4
7/12
PROBABILIDAD
C B A
22
Tipos de Distribucin Tipos de Distribucin
Probabilidad Probabilidad
CONTINUAS: los valores de las VA estn en
algn rango de los nmeros reales y cubren
entre todos ellos todo el rango.
DISCRETAS: los valores de las VA pertenecen
a algn rango de los enteros o reales. Entre
dos valores de la VA hay por lo general una
infinidad de valores que no se asocian a la
variable aleatoria.
Funciones Generadoras de Funciones Generadoras de
Valores Aleatorios Valores Aleatorios
Para reproducir el comportamiento de
los sistemas a travs de los modelos,
es necesario reproducir el
comportamiento de los objetos del
sistema, a travs de la reproduccin de
las actividades en las que intervienen,
especialmente las relacionadas con
variables aleatorias.
Recogemos una muestra de datos para
cada variable identificada, realizamos el
ajuste correspondiente a alguna funcin
de probabilidad conocida o no.
23
Mtodo de la Mtodo de la
Transformacin Inversa Transformacin Inversa
Muchas de las
Funciones de
Distribucin de
probabilidad
acumuladas son
univalentes de all
que tienen
inversa.
F(x) = p(X x) ~ UNIF(0,1)
tambin #r ~ UNIF(0,1)
entonces #r = F(x)
por lo tanto x = F
-1
(#r)
r0
x0
1
F(x)
0
X
Uniforme Contina (UC)
a
b
x0
x
1
b-a
F(x) = (x0-a)/(b-a)
a b
F(x)
1
0
#r
x0
Dado que F tiene inversa, entonces #r = F(x),
luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a)
24
Exponencial Negativa ( Exponencial Negativa (Exp Exp) )
Funcin continua con
dominio [0,+ .
f(X) = e
-x
; x0
F(x) =
o
x
0
f(x)dx
x
f(x)
0
x
0
0
F(x)
1
x
#r
x
0
Media (x) = 1/
Var (x) = 1/
2
Dado que F tiene inversa, entonces #r = F(x), luego
#r = 1 - e
-x
por lo tanto x = - (1/)ln(1-#r)
Lineal ( Lineal (Lin Lin) )
a b
2
b-a
f(x) F(x)
1
0
x
x
#r
x
0
F(x) = (x
0
-a)
2
(b-a)
2
a
b
f(x) = 2(x-a) dado que F tiene inversa, entonces #r = F(x)
(b-a)
2
entonces x = a + (b-a) #r
25
Normal ( Normal (Norm Norm) )
Teorema del Lmite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables
aleatorias independientes, tambin con media y varianza conocidas,
para un n suficientemente grande, se puede aproximar a travs de
una distribucin normal.
f(x)
=
1 e
-(1/2)[(x- )/ s]
2
2p s
x
Si t = s
1
+s
2
+s
3
+s
4
+s
5
+s
6
+......+s
n
/ med (s
i
) y var(s
i
) son conocidas,
entonces para un n suficientemente grande t ~ Normal (med,var).
Si t = # r
1
+# r
2
+# r
3
+# r
4
+# r
5
+...+# r
n
= S # r
i
/ # r
i
~ RANDOM
normalizando t y x tenemos : t (n/2)
=
x
n/12 s
Tomando n = 12 encontramos que : X= + s [(S #r
i
) - 6]
12
Bernoulli Bernoulli ( (Bern Bern) )
Es una distribucin discreta en la que los resultados
del experimento aleatorio slo arrojan dos valores
posibles 0 o 1(fracaso o xito).
X =
0 si #r p
1 si #r < p
f(x) = p
x
(1-p)
1-x
/ p = xito
Ej: Trompo f(x) = (1/3)
x
(2/3)
1-x
0(R) si #r 1/3
1(A) si #r < 1/3
X =
26
Binomial Binomial ( (Bin Bin) )
Una distribucin Binomial involucra varios procesos de
Bernoulli, digamos n procesos y, se desea el nmero de
xitos x que se tendr en todos los procesos tomados en
conjunto. La Binomial mide la probabilidad de que x=i
xitos en n pruebas:
p(x=i) =(
n
i
)p
i
(1-p)
n-i
/ med(x)=np y var(x)=np(1-p)
Entonces si x= b1+b2+b3+..bn = Sbi / bi ~ Bern(p)
tenemos que x ~ Bin (n,p)
n
0 1 2 3 4
x
0.40
0.20
0.10
f(x)
Bin (4,0.5)
Poisson Poisson ( (Pois Pois) )
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
x
f(x)
=
l
x
e
- l
/ med(x) = l
x!
f(x)
e
-?
T T T T T
X=4 X=2 X=1 X=5 X=0
t
1
t
2
t
3
t
4
t
5
t
6
t
7
t
8
t
9
t
10
t
11
1 1 1 1 1 1 1 1 1 1 1
x ~ Poiss(l)
t ~ Exp(1/l)
Si t
i
~ Exp(1/l) entonces t = - (1/l)ln(1-#r)
Luego x = max {i : St
i
T < St
i
} ~ Poiss(l)
i i+1
0 0
27
Uniforme Discreta (UD) Uniforme Discreta (UD)
X =
a1 si 0 #r 1/n
a2 si 1/n < #r 2/n
a3 si 2/n < #r 3/n
...
an si n-1/n < #r 1
a1 a2 a3 a4 a5 a6 a7 ... an
1/n
x
f(x)
a1 a2 a3 a4 a5 a6 a7 ... an
1/n
x
F(x)
2/n
3/n
4/n
5/n
1
#r
Mtodo de Rechazo Mtodo de Rechazo
Se tiene una Variable Aleatoria X
con funcin de densidad f(x)
definida en a = x = b, adems,
M= max f(x), a = x = b
Sea g(x)= [f(x) / M]
luego 0 = g(x) = 1
El mtodo consiste en:
a. Se generan r1 y r2, dos
nmeros aleatorios
b. Se define x= a + (b-a)r1
c. Si r2 = g(x) entonces x es
observacin. En otro caso,
volver al paso a.
a
b
M
f(x)
x
1
g(x)
28
Ejemplos
Ejemplo1: Sea f(x)= 2 x , 0 = x = 1
Entonces M = 2 y g(x)= 2x/2 = x
a. Generar r1 y r2
b. x = a + (b a) r1 = 0 + (1 - 0) r1 = r1
c. Si r2 = r1 entonces x es observacin, de lo contrario volver a
generar r1 y r2.
Ejemplo2: Sea f(x)= 2x/9 para 0 = x = 3, entonces
M=2/3 y g(x)= (2x/9)/(2/3)= x/3
a. Generar r1 y r2
b. x= a + (b - a)r1 = 0 + (3 - 0)r1 = 3r1
c. Si r2 = g(x) = x/3, as r2 = 3 r1/3 = r1, o sea si r2 = r1, entonces x
es observacin, de lo contrario volver a generar r1 y r2.
Pruebas de Bondad de Ajuste Pruebas de Bondad de Ajuste
Estas pruebas nos permiten determinar si
la muestra de los datos recogida, respecto
a una variable aleatoria de inters para el
estudio, se puede aproximar a partir de
una funcin de distribucin de probabilidad
terica (H
0
).
H
0 :
No existe diferencia significativa entre los datos
observados y los que se obtendran a partir de una
distribucin ............ (distribucin de probabilidad terica).
29
Prueba de Prueba de Ji Ji- -Cuadrado Cuadrado
Es recomendable para muestras cuyo tamao
es mayor que 100.
Calcular :
c
c
2
=S (fo fo
i
fe fe
i
)
2
fe fe
i
Donde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(x
i
)5
n tamao de la muestra
p(x
i
) probabilidad terica para x
i
k
i=1
Ji Ji- -Cuadrado ... Cuadrado ...
Luego obtener de tablas el estadstico
de Ji-Cuadrado para : c
t
2
(1-a, #gl)
Donde : (1 a ) es el nivel de significancia, y
#gl : es el nmero de grados de libertad
tal que #gl = K - #parm.estimados 1
Comparamos, y aceptamos H
0
si :
c
c
2
<<c
t
2
(1-
a
, #gl)
Ji-Cuadrado calculado es menor que el
terico
30
Prueba de Prueba de Kolmogorov Kolmogorov - - Smirnov Smirnov
Es recomendable para muestras cuyo
tamao esta comprendido entre 10 y 100.
Se determinan las frecuencias relativa y
acumulada de los valores observados, y la
probabilidad terica y acumulada para la
distribucin terica.
El estadstico K/S calculado se determina a
partir de la mxima de las diferencias
absolutas entre la frecuencia y probabilidad
acumuladas.
El estadstico K/S terico se obtiene de
tablas dado un (nivel significancia) y n
(tamao muestra).
Se acepta H0 si se cumple que : D
c
<< D
t (,n)
PA(x) FA(x)
Tabla de Tabla de Kolmogorov Kolmogorov/ /Smirnov Smirnov
para una(1) muestra para una(1) muestra
31
Ejemplo 1 Ejemplo 1
Suponga que se han
generado 100 #s
aleatorios y deseamos
comprobar su
uniformidad sobre 10
intervalos equidistantes
utilizando la prueba de
Kolmogorov/Smirnov.
Usar un = 5%.
H
0
: Los datos se pueden
aproximar a travs de una
distribucin Uniforme.
Int Frec FrecRel
1 8 0.08
2 17 0.17
3 5 0.05
4 5 0.05
5 12 0.12
6 18 0.18
7 5 0.05
8 14 0.14
9 13 0.13
10 3 0.03
100
1 2 3 4 5 6 7 8 9 10
0.1 UNIF
Int Frec FrecRel FrecAbs ProbTeor ProbAcum D k/s
1 8 0.08 0.08 0.1 0.1 0.02
2 17 0.17 0.25 0.1 0.2 0.05
3 5 0.05 0.3 0.1 0.3 0.0
4 5 0.05 0.35 0.1 0.4 0.05
5 12 0.12 0.47 0.1 0.5 0.03
6 18 0.18 0.65 0.1 0.6 0.05
7 5 0.05 0.7 0.1 0.7 0
8 14 0.14 0.84 0.1 0.8 0.04
9 13 0.13 0.97 0.1 0.9 0.07 Max D k/s
10 3 0.03 1 0.1 1 0.0
100
Tabla de Clculos Ejemplo 1
D
c
= 0.07
D
t
(5%,100) = 1.36/ 100 = 0.136
Como D
c
<< D
t
(5%,100) aceptamos H
0
:
32
Ejemplo 2 Ejemplo 2
La siguiente tabla muestra la
distribucin de frecuencias
para la variable aleatoria
tiempo entre dos arribos
consecutivos a un
SuperMercado.
Formule la hiptesis
adecuada y haga el ajuste
correspondiente a una
funcin de distribucin de
probabilidad terica
conocida. Use un = 5%.
Frec Tiempo
1 18 t < 20
2 16 t < 18
3 14 t < 16
5 12 t < 14
8 10 t <12
11 8 t < 10
15 6 t < 8
22 4 t < 6
33 2 t < 4
50 0 t < 2
Ploteo Ploteo Ejemplo 2 Ejemplo 2
t frec frecRelat
1 50 0.33
3 33 0.22
5 22 0.15
7 15 0.10
9 11 0.07
11 8 0.05
13 5 0.03
15 3 0.02
17 2 0.01
19 1 0.01
+21 0 0.00
150
0 2 4 6 8 10 12 14 16 18 20
0.33
0.22
0.15
0.10
0.07
0.05
0.03
t
H
0
: Los datos del tiempo entre
Arribos se pueden aproximar a
travs de una Distribucin
Exponencial Negativa.
f(t) = 0.21e
- 0.21t
(1/) = (St
i
.f
o
)/ Sf
o
= 714/150 = 4.76 entonces = 0.21
33
t ProbTeor (fo - Ei)
2
/Ei
1 50 0.3440 51.60 0.050
3 33 0.2252 33.78 0.018
5 22 0.1481 22.22 0.002
7 15 0.0973 14.60 0.011
9 11 0.0618 9.27 0.323
11 8 0.0419 6.29 0.468
13 5 0.0275 4.13
15 3 8 0.0181 2.72 6.84 0.197
17 2 0.0119 1.79
19 1 0.0078 1.17
+21 0 3 0.0164 2.46 5.42 1.077
150 1.0000 150.00 2.146
Ei=npi Frec
P(0 ti < 2) =
0
2
0.21e
- 0.21t
dt = - e
- 0.21t
|
0
2
=0.3440
P(2 ti < 4) =
2
4
0.21e
- 0.21t
dt = - e
- 0.21t
|
2
4
=0.2252
...
P( ti 21) = 1 -
0
20
0.21e
- 0.21t
dt = 1 (e
- 0.21t
)|
0
20
=0.0164
Respuesta Ejemplo 2 ... Respuesta Ejemplo 2 ...
Determinamos #gl = 8 1 1 = 6
De Tablas determinamos :
c c
t
2
(95%,6) = 12.6
Como :
c c
c
2
<< c c
t
2
aceptamos H
0
:
34
Recomendaciones Recomendaciones
Dada una muestra de tamao n para una
variable aleatoria, se puede utilizar la
Frmula de Sturges para aproximar el
nmero de intervalos en los que se les
puede agrupar :
K = 1 + 3.3 log n
Dado que se tienen que aproximar los parmetros
de la distribucin de probabilidad terica, se pueden
utilizar las siguientes relaciones :
Med(x) = (S x
i
.Fo
i
) / n y
Var(x) = [S x
i
2
.Fo
i
n.Med
2
(x)] / (n 1)
Ejemplo 3
Construir una funcin generadora de valores
aleatorios para la siguiente funcin de
distribucin de probabilidades (fdp):
f
2 0 a
a
x
35
Clculo de a:
Por condicin de una fdp, el rea bajo la curva de f en su
dominio debe ser 1.
Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1
(1/2)[a
2
+ 2a - a
2
] = 1
a = 1
Determinacin de la reglade correspondenciade f:
f =
F =
x si x e [0,1]
-x + 2 si x e <1,2]
x
2
/2 si x e [0,1]
1 (1/2)(2- x)
2
si x e <1,2]
Una vez definida f
determinamos la
funcin de distribucin
acumulada F
Graficamos la funcin acumulada F
1 2
1/ 2
1
F
x
#r
x
Como F es montona entonces
tiene inversa, F(x) = #r :
i. x
2
/2 = #r v
ii. 1 (1/2)(2-x)
2
= #r
Despejando x en funcin de #r:
i. x = 2#r
ii. x = 2 - 2(1- #r)
Luego 0 x 1 0 2#r 1
0 #r 1/2
2#r si #r e [0,1/2]
2 - 2(1- #r ) si #r e <1/2,1]
x =
36
Ejemplo 4
Loas alumnos de la FIIS estn distribuidos entre 60% para la
especialidad de Industriales y 40% para la especialidad de Sistemas.
Se desea simular la cantidad de alumnos de la especialidad de
Sistemas que figuran dentro del arribo de un grupo de cuatro alumnos.
Estamos al frente de un comportamiento Binomial , el cual simulamos
a travs de comportamientos Bernoulli.
e = ~ Bern (p=2/5)
0 si #r > 2/5
1 si #r < 2/5
x = ~ Bin (n=4, p=2/5)
4
1
i
e
s I I I
Mecanismos de control de Tiempo Mecanismos de control de Tiempo
de la Simulacin de la Simulacin
Dado que la ejecucin de eventos en
una PC es secuencial, estos
mecanismos permiten controlar la
cadena de eventos presente y futura
durante la ejecucin de la simulacin.
En los sistemas discretos los eventos
que influyen sobre el sistema ocurren
en puntos especficos en el tiempo, no
en forma continua, de all que mas
importante ser el mecanismo de
control de tiempo variable, cuyo tiempo
se incrementa en funcin de los
momentos en los que se da la
ocurrencia del evento.
37
Ejemplo Ejemplo
Se est diseando una mquina
para inyectar lquido a envases de
diferentes capacidades, y tiene
una lnea de produccin.
Eventualmente se derramar
lquido de los envases, esto se da
por la capacidad variable de los
envases y/o por el error de la
cantidad inyectada del lquido.
Se desea incluir un recipiente
(contenedor) en la mquina para
recibir el lquido derramado, y que
ste no se disperse en el piso. Si
se tienen producciones de hasta
10,000 envases, calcule el
tamao del contenedor para la
mquina inyectora.
Ejemplo ... Ejemplo ...
Se conocen las siguientes caractersticas del proceso y de la
mquina:
La cantidad de l quido que se inyecta no siempre es exacta, se
comporta como una V. A. normal con media igual a la cantidad ideal a
inyectar en el envase y desviacin estndar igual al 1% de esa cantidad
ideal.
Los envases tampoco tienen una capacidad nica sino que varan por
defectos de forma y de fabricacin. La capacidad de los recipientes es
de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviacin
estndar del 5% de su capacidad total . La posibilidad mxima del
defecto es de un 10% de la especificada como capacidad media.
Construya un programa en C++, Pascal o en cualquier otro
lenguaje para determinar el tamao del recipiente que se
requiere.
Se pueden manejar envases con capacidades de inyecccin
desde 200 ml hasta 1.5 litros. Haga su clculo tomando en
cuenta que llenar envases de 330 ml.
38
Diagrama de Diagrama de
Bloques Bloques
DETERMINAR
REBASAMIENTO
SIMULAR LLENADO
LINEA 1
SIMULAR LA CAPACIDAD
DE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD
A INYECTAR
ENVIO DE BOTELLAS
ACUMULAR CANTIDAD
REBASADA
FIN
Pseudoc Pseudoc digo digo del programa para del programa para
el Ejemplo el Ejemplo
Se generan los valores aleatorios que se necesitan.
Se genera la capacidad de la botella que llega a la lnea.
Con una variable aleatoria normal con med =1.05 (330 ml) y
desv.est.= 5% de 1.05(330 ml.)
Se generan las cantidades inyectadas en la lnea .
Con una variable normal con med=330 ml y desv.est.= 1%(330 ml.)
Se corrigen los valores que se aportan por las limitaciones fsicas.
Para la inyeccin hasta un total de 2 litros inyectados(por falla)
Para la capacidad hasta un 10% del especificado como valor medio
(1.05*330 ml.)
Se calculan las cantidades rebasadas en cada caso.
Inyectado - envasado (en el cado que inyectado > envasado)
39
Tiempo
entre
Arribos (t)
Cola
Servicio
Poblacin
SISTEMA DE COLAS SISTEMA DE COLAS
Arribos
Tiempo de
Servicio
Politica de
servicio
Premisas para el estudio de un Premisas para el estudio de un
Sistema de Colas Sistema de Colas
Un sistema de colas puede ser analizado en funcin de sus
tasas de arribo y de servicio, variables cuyo comportamiento
puede ser aleatorio.
Para nuestro estudio consideraremos que los arribos se
ajustan a una distribucin de Poisson con tasa media l o
tiempo entre arribos Exponenencial con tasa media 1/l.
Los tiempos de servicio son Exponenciales con tasa media
.
40
CONDICIONES
INICIALES
LC = LC+ 1
GENERAR TA
SUMTA= SUMTA+ TA
SERVICIO
DISPONIBLE ?
COLA =0 ? COLA =0 ?
TOT = TOT+ 1 LC = LC - 1
TET = TET + LC
GENERAR TS
SE OCUPA
SERVICIO
SI
NO
NO SI
NO
SI
A
C
B
Para t=0
arriba el 1er Cliente
Tiempo de
Arribo
Tiempo de
Servicio
Longitud de
la Cola
Tiempo Espera
Total
Mecanismo de Control de Mecanismo de Control de
Incremento Fijo Incremento Fijo
RELOJ = RELOJ +1
VERIFICAR
TS
TS =TS - 1 TS = TS - 1
COMPARAR
RELOJ::SUMTA
TS > 1 TS = 1
SE
DESOCUPA
SERVICIO
TS = 0
A
B C
RELOJ < SUMTA
RELOJ = SUMTA
TS1
TS2
TS3
TS4
TO1
TE3
TE4
TE5
c1
c2
c3
c4
c5
0
TA2 TA3
TA4
TA5 TA6
TS5
TE6
SUMTA2
SUMTA3
SUMTA4
c6
SUMTA1
41
Mecanismo de Control de Mecanismo de Control de
Incremento Variable Incremento Variable
CONDICIONES
INICIALES
GENERAR TA
TA = TA - TE
GENERAR TS
TS = TA ?
TS < TA ?
TE = 0
TO = 0
TE = 0
TO = TA - TS
TOT = TOT + TO
TO = 0
TE = TS - TA
TET = TET + TE
SI NO
SI NO
Tiempo
de Arribo
Tiempo de
Servicio
Tiempo de
Espera
Tiempo
Ocioso
Tiempo
Ocioso Total
Tiempo de
Espera Total
Para t=0
arriba el 1er Cliente
TS1
TS2
TS3
TS4
TO2=TA2-TS1
TE2=0
TE3
TE4
TE5
c1
c2
c3
c4
c5
0
TA2 TA3
TA4
TA5 TA6
TS5
TE6
TA2 =TA2 TE1
TA3 =TA3 TE1
TA5=TA5 TE4
c6
TE3=TS2-TA3
T03=0
TA4 =TA4 TE3
TE4=TS3-TA4
T04=0
TE5=TS4-TA5
T05=0
42
Ejemplo : Modelo Simulacin Ejemplo : Modelo Simulacin
Una Compaa de carga recepciona sus camiones
que llegan en forma aleatoria en una terminal para
descarga. Despus de analizar los datos histricos
se ha concludo que el nmero de llegadas diarias de
camiones se comporta de acuerdo a una distribucin
de Poisson con tasa media de 3 camiones por da. El
peso de la carga de cada camin es un factor
importante en lo referente al tiempo de descarga. Se
ha comprobado con los registros pasados que los
pesos de la carga estan distribudos normalmente
con media 30 mil lbs. Y una desviacin estndar de 5
mil lbs. Para la descarga se cuenta con cuadrillas
cuya capacidad de descarga en lbs por hora es
variable y funcin del tipo de carga.
La frecuencia de cada tipo de carga y la velocidad de
descarga de las cuadrillas se muestran en la tabla
siguiente :
Modelo Simulacin .... Modelo Simulacin ....
Una cuadrilla consta de 3 personas: 1operador
de elevador de carga a quien se le paga 4$/Hr
y dos obreros a quienes se les paga 2.50 $/Hr.
La poltica de la Cia. es descargar en el da
todos los camiones que arribaron el da
anterior sin importar los costos de tiempo extra
implcitos. El contrato del sindicato demanda
una bonificacin del 50% por horas extras
fuera de la jornada de trabajo de 8 Hr diarias.
Con base a una simulacin de 10 das determine
cuantas cuadrillas se requieren para reducir al
mnimo los costos totales de descarga.
Si aplicaramos la poltica de que los camiones deben
descargarse el mismo da de su llegada en lugar del
da siguiente, y que la tasa media de llegadas sube a
4 Cam/Da Cuntas cuadrillas se requerirn para
reducir al mnimo los costos totales de descarga.
0 5
1 15
2 22
3 22
4 17
5 11
6 5
7 3
100
Nro
Camiones
Frec
A 40 8000
B 35 7000
C 25 5000
Veloc.Descarga
Lb/hr x Cuadrilla
Tipo
Carga
Frec
43
Modelo Simulacin Modelo Simulacin
Generar Nro
Camiones (NCM)
Arriban x Da
Generar Tipo
Carga x Camin
Generar Peso
Carga x Camin
Calcular Costo
Descarga (CD)
Asignar Nro
Cuadrillas (NCD)
NDias=NDias + 1
Ndias=10 ?
NO
TotCD=TotCD+CD
Imprimir x Da
Valores Generados
y Costo Descarga
Imprimir Ndias,
Nro Cuadrillas
y Costo Total
Descarga
SI
Definir Plan Trabajo
TotCD TotCD
NCD NCD
1 2 3 4 5 6 1 2 3 4 5 6
C1 C1
C2 C2
C3 C3
C5 C5
C6 C6
Indicadores Iniciales Indicadores Iniciales
Nro arribos ~ Poisson (l) o
Tpo entre arribos ~ Exponencial (1/l)
Tiempo servicio ~ Exponencial (1/ )
Por lo tanto :
Tasa arribo l y tasa de servicio
Factor de ocupacin del Stma. r = (l/)
Probabilidad que Stma.vacio P
0
= 1 (l/)
Porcentaje de Tiempo Ocioso del Servicio 100P
0
44
Estructuras de los Sistemas de Cola Estructuras de los Sistemas de Cola
1cola/1servidor/Pobl.NoFinita
1cola/1servidor/Pobl.Finita(k)
1cola/MltiplesServ. (s)Paralelo/Pobl.NoFinita
1cola/MltiplesServ. (s)Paralelo/Pobl.Finita(k)
1cola/MltiplesServ. (s)Serie/Pobl.NoFinita
kk
s1
kk
s2
s1
s2
s1 s2
s
s
s
l
l
l
l
l
s
s1
s1
Determinacin de la Probabilidad de que en Determinacin de la Probabilidad de que en
el el Stma Stma. existan . existan nn usuarios usuarios
Sea P
n
la probabilidad de que existan n usuarios en el sistema al
final del tiempo t, uno de ellos siendo atendido y los otros esperando
en cola.
La probabilidad de que llegue 1usuario en el tiempo Dt es igual a
lDt
La probabilidad de que 1usuario termine de ser atendido en Dt es
igual a Dt
Para determinar la probabilidad de que existan n usuarios en el
tiempo t+ Dt, consideramos lo siguiente:
Que existan n usuarios al final del tiempo t. que no llegue ni se vaya
nadie en Dt P
n
(t)[1- lDt][1- Dt] ........ (1)
Que existan n usuarios al final del tiempo t, que llegue y se vaya 1 en Dt
P
n
(t)[lDt][Dt] ..................(2)
Que existan n-1 usuarios al final del tiempo t, que llegue 1 y no se vaya
nadie en Dt P
n-1
(t)[lDt][1- Dt] ...........(3)
Que existan n+1 usuarios al final del tiempo t, que no llegue nadie y se
vaya 1 en Dt P
n+1
(t)[1- lDt][Dt] ...........(4)
45
Continuacin .... Continuacin ....
Luego sumando (1)+(2)+(3)+(4) tenemos:
P
n
(t+Dt) = P
n
(t)[1- lDt][1- Dt] + P
n
(t)[lDt][Dt] + P
n-1
(t)[lDt][1- Dt]
+ P
n+1
(t)[1- lDt][Dt]
Agrupando trminos y eliminando los factores (Dt)
2
, tenemos :
P
n
(t+Dt) - P
n
(t) = lP
n-1
(t) (l+) P
n
(t) + P
n+1
(t)
Dt
Pero como el tiempo transcurrido desde la ocurrencia del ltimo evento no tiene
efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad
del olvido de la func. exponencial):
P
n
(t+Dt) - P
n
(t) = 0 entonces lP
n-1
(l+) P
n
+ P
n+1
= 0
Finalmente, agrupando trminos obtenemos :
P
n+1
= (- l/)P
n-1
+ [ (l+)/ ]P
n
.................... ()
Continuacin .... Continuacin ....
Similarmente para determinar la probabilidad de que exista un us uario
en el sistema :
No existen usuarios al final del tiempo t y no llega nadie en Dt
P
0
(t)[lDt]
Existe 1 usuario al final del tiempo t, no llega nadie y se va 1 en Dt
P
1
(t)[1- lDt][Dt]
Agrupando trminos, eliminando los factores (Dt)
2
y aplicando la
propiedad del olvido tenemos que :
lP
0
+ P
1
= 0 entonces P
1
= (l/) P
0
...... (d)
De () y (d) :
para n=1 P
2
= (l/)
2
P
0
para n=2 P
3
= (l/)
3
P
0
Para n=3 P
4
= (l/)
4
P
0
generalizando P
n
= (l/)
n
P
0
46
Probabilidades relevantes Probabilidades relevantes
Probabilidad de que en el stma. existan ms de N usuarios:
P(n>N) = P
N+1
+P
N+2
+P
N+3
+P
N+4
.......
= (l/)
N+1
P
0
+(l/)
N+2
P
0
+ (l/)
N+3
P
0
+ ........
= P
0
[(l/)
N+1
+(l/)
N+2
+ (l/)
N+3
+ ........ ]
= P
0
[ (l/)
N+1
/ [1- (l/)] ] luego P(n>N) =(l/)
N+1
Probabilidad de que existan n usuarios en cola :
P
n Cola
= P
n+1Stma
entonces P
n cola
= (l/)
N+1
P
0
Probabilidad de que la cola este vaca :
P
~ Cola
= P
0
+ P
1
entonces P
~ Cola
= 1 - (l/)
2
Sistema: 1 Cola/1 Servidor/Poblacin No Sistema: 1 Cola/1 Servidor/Poblacin No
Finita Finita
Nmero esperado de usuarios en el sistema (NEUS):
NEUS = S i.P
i
= 0P
0
+1P
1
+2P
2
+3P
3
+ 4P
4
+5P
5
+ ....
s.q.
Nmero esperado de usuarios en la cola (NEUC):
NEUC = 0P
0
+1P
2
+2P
3
+3P
4
+ 4P
5
+5P
6
+ ....
s.q.
NEUS

=
2
( )
NEUC

=
l < m
l < m
47
Tiempo esperado de paso de un usuario en cola (TEPUC):
TEPUC = (1/ )NEUS
Tiempo esperado de paso de un usuario en el sistema (TEPUS):
TEPUS = TEPUC + Tpo.Servicio = l/(-l) + 1/
( )
TEPUC

=
1
TEPUS

=

Costo de Paralizacin y de Servicio Costo de Paralizacin y de Servicio
Costo Total de Paralizacin :
CTP = (TasaArribo)(TpoTurno)(TpoEsperPasoUsuarioStma)(CostoParalizxUnidTpo)
CTP = ( ? ) . ( Tpo ) . ( TEPUS ) . ( CPu )
(cl/ut) ( ut ) ( ut/cl ) ( $/ut )
Costo Total de Servicio :
CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario)
(cl/ut) (ut) ($/cl)
CTS = (TpoTurno)(CostoServxUnidTpo)
(ut) ($/ut)
Costo Total de Atencin del Sistema
CTAS = CTP + CTS
CTAS
CTS
CTP
CT CT
0
CC
00
48
Problema de Colas
Fotografas tomadas desde 1 helicptero mostraron
que en promedio haba 80 autos circulando en el carril
de alta velocidad sobre un tramo de 1 milla de una va
rpida urbana. En meses recientes haban ocurrido
cierto nmero de accidentes en ese tramo y que han
sido atribuidos al manejo a corta distancia del auto
delantero. Si para plena seguridad la distancia entre
los autos recomendable debera ser de cuando menos
30 pies, en ese tramo y sobre ese carril, que % de los
autos corre a una distancia demasiado corta del
delantero. Considere que la cantidad de autos sobre
el tramo de la va en cuestin se ajusta a una
distribucin de Poisson.
dd11
dd22
l= 80 autos/milla
1 milla = 5280 pies
dd
i i
30 pies
n ~Poisson (l)
d ~Expon (1/l)
P(d < 30) =
0
30
(80/5280)e
- (80/5280)d
dd
= 1 - e
- 30/66
= 0.37
Ptto. el 37% de los autos van a una distancia no recomendable.
49
Problema 2
El departamento para caballeros de un gran almacn tiene un sastre
para ajustar los trajes adquiridos por los clientes. Parece que el
nmero de clientes que solicitan ajustes sigue una distribucin de
Poisson con una tasa media de llegadas de 24 cli/hora. Los ajustes se
realizan del tipo primero en llegar primero en ser atendido. Los clientes
siempre desean esperar, ya que las modificaciones son gratis.
Aparentemente el tiempo que se tarda en realizar un ajuste se
distribuye exponencialmente con media 2 minutos entre clientes.
Calcular:
Nmero promedio de clientes en la sala de ajustes.
Cuanto tiempo tiene que esperar un cliente en la sala de ajustes.
Porcentaje de tiempo que permanece ocioso el sastre.
Cual es la probabilidad de que un cliente espere los servicios del
sastre ms de 10 minutos.
Cuanto tiempo deben esperar los clientes por los servicios del sastre.
Tiempo medio entre llegadas:
Tiempo medio de servicio:
Factor de utilizacin u ocupacin:
Nmero medio de clientes en la sala:
Tiempo medio de espera en el sistema:
Factor de ocio = 1 Factor de utilizacin = 0,2
2
1
2
1
= =
min
8 , 0
5
4
5
2 2
= =
= =
p
4
4
5
4
1
5
1
=
=
p
p
10
5
2
2
1
1 1
=
=

5
2 24 cli
= =
hora
50
El 80 % del tiempo, el sastre est ocupado, y el
20% est ocioso.
probabilidad de que un cliente espere los servicios
del sastre ms de 10 minutos.
Tiempo medio de espera en cola:
29 , 0
5
4
) 10 (
)
5
2
2
1
( 10
) ( 10
= = = >

e e p t P
espera

8
2
1
)
5
4
1 (
5
4
) 1 (
=
=
p
p
Problema 3
Una carnicera es atendida por el propietario de la misma.
Aparentemente el patrn de llegada de los clientes durante
los sbados se comporta siguiendo una distribucin de
Poisson con una tasa promedio de llegadas de 10 personas
por hora. A los clientes se les atiende siguiendo una poltica
FIFO, y debido al prestigio de la tienda, los clientes siempre
estn dispuestos a esperar su turno. Se estima que el tiempo
que se invierte en atender a un cliente se distribuye
exponencialmente con un tiempo de servicio medio de 4
minutos entre clientes. Obtener:
Probabilidad de que se cree una cola de espera.
Longitud media de la cola.
Tiempo esperado de permanencia en cola por cliente.
Probabilidad de que un cliente permanezca menos de 12 minutos en
la tienda.
51
Tiempo medio entre llegadas:
Tiempo medio de servicio:
Factor de utilizacin:
Existir cola cuando en el sistema haya
ms de 1 cliente.
Probabilidad de 0 clientes en el sistema:
Probabilidad de 1 cliente en el sistema:
Probabilidad de ms de 1 cliente en el
sistema:
6
1
6
1 10
= = =
min
persona
hora
personas
4
1
4
1
= =
min
) ( 1 ) 1 (
1 0
P P N P + = >
3
1
) 1 (
0
0
= = p p P
9
2
3
1
3
2
) 1 (
1
1
= = = p p P
9
4
)
9
2
3
1
( 1 ) 1 ( = + = > N P
3
2
4
1
6
1
= = =
p
Longitud media de la cola:
Tiempo medio de espera en cola:
Probabilidad de que un cliente permanezca
menos de 12 minutos en la tienda:
) 12 ( 1 ) 12 ( = <
espera espera
t P t P
3
4
3
2
1
)
3
2
(
1
2
2
=
=
p
p
8
4
1
)
3
2
1 (
3
2
) 1 (
=
=
p
p
1
)
6
1
4
1
( 12
) ( 12
3
2
3
2
) 12 (

= = =
e e pe t P
espera

52
Problema 04
El empleado de una ventanilla observa que de cada
100 veces que cuenta los clientes frente a el, en 64 de
las veces hay dos o mas clientes. El tiempo promedio
que cada cliente permanece desde que se ubica en la
cola hasta que es atendido es de aproximada-mente 30
minutos. Calcular la probabilidad de que :
lleguen dos (2) clientes en media hora.
lleguen entre dos(2) y cinco(5) clientes en media hora.
transcurra mas de una (1) hora entre el arribo de un cliente y el
siguiente.
Ventanilla
l
p(n>n
0
) = 64/100 = (l/) /)
nn
0
+1 +1
, entonces
p(n> 1) = 64/100 = (l/)
2
, entonces
l/ = 8/10 = 4/5 . (1)
Luego TEPUS = 1/ (- l) = hora/cliente, entonces
1/ (-l) = 1 media hora/cliente, entonces
-l = 1 .... (2)
Resolviendo (1) y (2) : - (8/10) = 1 , entonces
= 5 cl/hor y l = 4 cl/hor
Finalmente :
a. p(x=2) = (4)
2
e
-4
/2! = 8e
-4
b. p(2<x<5) = p(x=3) + p(x=4) = (4)
3
e
-4
/3! + (4)
4
e
-4
/4!
c. p(t>2) = 1 -
0
2
(4)e
- 4t
dt = 1 - [1- e
-8
] = e
-8
53
Problema 5
El inventario de un almacn se agota y se vuelve
a surtir segn una distribucin de Poisson. Los
tiempos medios entre vaciados y resurtidos son
iguales a 1/ y 1/l respectivamente. Suponga
que por cada unidad de tiempo que el inventario
esta vaco se incurre en un costo de escasez
(Ce), y en un costo de almacenamiento (Ca) por
cada unidad de tiempo que en el almacn se
mantiene un determinado inventario. Si Ce > Ca,
determine:
Una expresin para el costo total esperado por unidad
de tiempo
El valor ptimo de r = l /
tpo. surtir inventario = 1/l ~ Exp
tpo. agotar inventario = 1/ ~ Exp
CT inventario = Costo escasez + Costo almacenamiento
= P
0
* Ce + Inventario*Ca
= (1- l/)(Ce) + (NEUS)(Ca)
= (1-r)Ce + [l /(- l )]Ca
= (1- r)Ce + [r /(1- r)]Ca
= [(1- r)
2
Ce + r Ca]/(1- r)
dCTi
=
[2(1- r)(Ce)(-1)+Ca](1- r) - (-1)[(1- r)
2
Ce+ r Ca]
dr (1- r)
2
dCTi
=
[-2(1- r)
2
(Ce)+Ca(1- r) +(1- r)
2
Ce+ r Ca
dr (1- r)
2
dCTi
=
Ca - (1- r)
2
Ce
=
Ca - Ce para determinar el r ptimo hacemos
dr (1- r)
2
(1- r)
2
dCTi
=
0 entonces Ca - Ce
=
0 luego (1- r)
2
=Ce/Ca r = 1 - Ca
dr (1-r)
2
Ce
54
Problema 6
En un consultorio mdico los pacientes
toman asiento en la sala de espera hasta que
les corresponda su turno de atencin. En
promedio llegan 4 pacientes por hora segn
una distribucin de Poisson, y entre cada
atencin transcurre un tiempo promedio de
12 minutos, segn una distribucin
Exponencial. Cuantas sillas como mnimo
sern necesarias en la sala de espera para
que se tenga un 90% de probabilidad o ms
de que todos los pacientes esperen
sentados.
Problema 7
A un cajero automtico llegan 3 tipos diferentes de
clientes. Clientes de retiro, de deposito y de consulta.
Los de retiro se ha determinado llegan 12 cli/hora
promedio y son atendidos a razn de 2 min/cli
promedio; los clientes de deposito arriban en un
tiempo promedio de 5 cli/hora y demoran 3 min/cli en
realizar su operacin como tiempo promedio. Los
clientes de consulta llegan en promedio 8 cli/hora y la
realizan en un promedio de 1 min/cli . Si todas las
llegadas se ajustan a una distribucin de Poisson y
todos los tiempos entre servicios a una distribucin
exponencial, hallar la probabilidad de que no existan
usuarios en cola.
55
Preguntas sobre el
sistemas de colas

INVOP2A

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

INVOP2A

Uploaded by

Copyright:

Available Formats

1

UNI-FIIS<Investigacin Operaciones II> 94

You might also like