1
INVESTIGACIÓN DE INVESTIGACIÓN DE OPERACIONES IIOPERACIONES II
Ing. Luis Zuloaga RottaIng. Luis Zuloaga Rotta
UNI-FIIS<Investigación Operaciones II> 2
2
UNI-FIIS<Investigación Operaciones II> 3
UNI-FIIS<Investigación Operaciones II> 4
SISTEMASISTEMA
• Conjunto de entidades u objetos relacionados entre si (conforman una estructura) con una misma finalidad, alcanzar sus objetivos.
• La retroalimentación (feedback) es una característica de los sistemas para dar soporte a las actividades que les permiten alcanzar los objetivos.
3
UNI-FIIS<Investigación Operaciones II> 5
SistemaSistemaInputInput OutputOutput
RequerimientosRequerimientos
ResultadosResultados
TransformacionesTransformaciones(procesos recursos)
(inputs)
(Outputs)
UNI-FIIS<Investigación Operaciones II> 6
Enfoques para el análisis de Enfoques para el análisis de SistemasSistemas
• Enfoque de la “caja negra”.– Estudiamos el comportamiento en función de los
inputs y outputs.• Enfoque de la transición de estado.
– Definimos un vector de estado para el sistema y estudiamos el comportamiento en función de cambios en las variables de estado del vector.
• Enfoque de las partes componentes.– Estudiamos al sistema en función de sus partes
componentes y de la estructura del todo.
4
UNI-FIIS<Investigación Operaciones II> 7
Análisis CATDWEAnálisis CATDWE
• C : cliente• A : actor• D : dueño• T : transformación• W : weltanshaung• E : entorno
UNI-FIIS<Investigación Operaciones II> 8
ModeloModelo• Es toda representación de un sistema
real o abstracto, con la finalidad de comprender sus características y/o funcionalidad.
• Un módelo puede ser simbólico, icónico u análogo.– Ej: un mapa, un sistema de ecuaciones, un
diagrama de flujo, un avión a escala, una formula, diagrama de procesos, etc.
5
UNI-FIIS<Investigación Operaciones II> 9
Función de los ModelosFunción de los Modelos
• Una ayuda para el pensamiento• Una ayuda para la comunicación• Para entrenamiento e instrucción• Una herramienta de predicción• Una ayuda para la experimentación.
UNI-FIIS<Investigación Operaciones II> 10
Cómo mejorarel sistema ?
ObjetivosRestriccionesProcesosRecursosLocacionesCostos
Sistema bajoestudio
Analista omodelador
Paradigmas
6
UNI-FIIS<Investigación Operaciones II> 11
SimulaciónSimulación• Es el estudio de un sistema a través 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 limitará al estudio de modelos de simulación para sistemas discretos.
UNI-FIIS<Investigación Operaciones II> 12
SimulaciónSimulación
• “ ... es el proceso de diseñar un modelo de un sistema real y realizar experimentos con él para entender el comportamiento del sistema o evaluar varias estrategias para la operación del sistema ”
Robert Shannon
7
UNI-FIIS<Investigación Operaciones II> 13
Para qué usar la Simulación ?Para qué usar la Simulación ?
• Para experimentar con escenarios “what-if”.• Para comprender el impacto de la
introducción de nuevas tecnologías. • Para visualizar una representación dinámica
del sistema. • Para probar/analizar un diseño previo a la
implementación.• Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
UNI-FIIS<Investigación Operaciones II> 14
Para qué usar la Simulación ?Para qué usar la Simulación ?
• Permite una experimentación controlada. • Para un análisis sin disturbios (efecto
Hawthorne) ni interrupciones en el sistema. • Por su facilidad de uso y comprensión. • Visualización realistica y convincente. • Para forzar la atención a detalles del
diseño.• Porque es muy caro experimentar
directamente sobre el sistema.
8
UNI-FIIS<Investigación Operaciones II> 15
Ventajas de la SimulaciónVentajas de la Simulación• Una vez construido, el modelo puede ser modificado de manera
rápida con el fin de analizar diferentes políticas o escenarios.• Generalmente es más barato mejorar el sistema vía simulación,
que hacerlo directamente en el sistema real.• Es mucho más sencillo comprender y visualizar los métodos de
simulación que los métodos puramente analíticos.• Los métodos analíticos se desarrollan casi siempre, para
sistemas relativamente sencillos o simplificaciones, mientras que con los modelos de simulación es posible analizar sistemas de mayor complejidad o con mayor detalle.
• En algunos de los casos, la simulación es el único medio para lograr una solución.
UNI-FIIS<Investigación Operaciones II> 16
Desventajas de la SimulaciónDesventajas de la Simulación
• Los modelos de simulación en una computadora son costosos y requieren mucho tiempo para desarrollarse y validarse.
• Se requiere gran cantidad de corridas computacionales para encontrar "soluciones óptimas"; esto repercute en altos costos.
• Es difícil de comprobar que resultados de modelos de simulación son adecuados. Por lo tanto es difícil que sean aceptados.
• Los modelos de simulación no dan soluciones óptimas.• La solución de un modelo de simulación puede dar al
analista un falso sentido de seguridad.
9
UNI-FIIS<Investigación Operaciones II> 17
FORMULACIÓNDEL
PROBLEMA
DEFINICIÓNDEL SISTEMA
ES ÚTIL LASIMULACIÓN ?
FORMULACIÓNDEL MODELO
PREPARACIÓNDE DATOS
TRASLACIÓNDEL MODELO
No
FIN
Sí
A B
Sí
EL MODELOES VÁLIDO ?
PLANEACIÓNESTRATÉGICA
PLANEACIÓNTÁCTICA
EXPERIMENTACIÓN
INTERPRETACIÓNES ÚTIL ?
IMPLANTACIÓN
DOCUMENTOPROPUESTAS
No
Sí
A B
EL PROCESO DE SIMULACIÓNEL PROCESO DE SIMULACIÓN
UNI-FIIS<Investigación Operaciones II> 18
Validación del ModeloValidación 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 simulación.
• No existe la “prueba de validación”. En lugar de esto, el experimentador debe realizar pruebas a lo largo del proceso de desarrollo del modelo, a fin de crear confianza.
10
UNI-FIIS<Investigación Operaciones II> 19
Experimentación y análisis de Experimentación y análisis de sensibilidadsensibilidad
• La experimentación con el modelo (corrida) nos permite obtener la información deseada.
• El análisis de sensibilidad consiste en la variación sistemática de los valores de los parámetros sobre algún intervalo de interés y en la observación del efecto en la respuesta del modelo.
UNI-FIIS<Investigación Operaciones II> 20
Métodos para validar el modeloMétodos para validar el modelo• Debemos cerciorarnos de que el modelo tenga
validez de forma general.• Es posible que el modelo dé respuestas absurdas
s i se lleva los parámetros a valores extremos ?• El segundo y tercer método se basan en la
prueba de suposiciones y en la prueba de transformaciones de entrada-salida. Estas conllevan el uso de pruebas estadísticas de medias y varianzas, regresión, análisis de factores, autocorrelación, pruebas no paramétricas, etc.
11
UNI-FIIS<Investigación Operaciones II> 21
DIAGRAMA DE FLUJO
UNI-FIIS<Investigación Operaciones II> 22
LAYOUTPROCESOSLAYOUT DEPROCESOS
Ruta trabajoRuta trabajo
12
UNI-FIIS<Investigación Operaciones II> 23
Como comprender los Como comprender los procesos de negocioprocesos 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 descomposición funcional del negocio.
UNI-FIIS<Investigación Operaciones II> 24
Funciones y Procesos de NegocioFunciones y Procesos de Negocio
• Una función es un grupo de actividades de alto nivel que juntas apoyan un aspecto del negocio.
• Los procesos de negocio también son agrupamientos de actividades, pero ocurren a un nivel inferior.
• La ejecución de un proceso tiene sentido para el negocio; es una actividad que se inicia por un evento.
13
UNI-FIIS<Investigación Operaciones II> 25
Cómo modelar el Sistema ?Cómo modelar el Sistema ?
UNI-FIIS<Investigación Operaciones II> 26
• Se usan gráficos (generalmente cajas y flechas) para proveer los datos acerca de la estructura del sistema, razón por la que la mayor parte de la gente piensa en modelos de procesos como representaciones pictóricas.
• Con el modelamiento de procesos se puede mirar el sistema de interés con profundidad, de modo que delicados matices de su organización puedan ser analizados, comprendidos y tal vez lo mas importante, comunicados a otros.
Cómo se modelan los procesos ?Cómo se modelan los procesos ?
14
UNI-FIIS<Investigación Operaciones II> 27
ModelamientoModelamiento de Procesos de Procesos IDEFØIDEFØ
• Modelamiento de actividades IDEFØ o Procesos de Negocio, es una técnica 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.
UNI-FIIS<Investigación Operaciones II> 28
IDEFØ: IDEFØ: QueQue eses ??• Una técnica para modelar :
– funciones :• actividades• acciones• procesos• operaciones
– relaciones funcionales y datos (informacion y objetos) de un sistema o empresa.
15
UNI-FIIS<Investigación Operaciones II> 29
IDEFØ IDEFØ eses ……• Lenguaje de modelamiento gráfico (sintaxis y
semantica) + metodología para desarrollarmodelos de procesos (utiliza técnica ICOM).
• Describe :– que hace un sistema– que controles tiene– sobre que trabaja– como ejecuta sus funciones– que produce
• En resumen IDEFØ = gráfico + texto + glosario
UNI-FIIS<Investigación Operaciones II> 30
ICOMICOM•• InputsInputs
– Items consumidos o transformados por procesos– Ejemplo : materiales, información, capital, energía, ...
•• ControlesControles– Restricciones o gobierno del proceso– Ejemplos : lineamientos, reglas de negocio, políticas, ...
•• OutputsOutputs– Resultados del proceso, esto es una entrada transformada– Ejemplos : materiales, información, ...
•• MecanismosMecanismos– Recursos utilizados para producir la salida (usada por los procesos)– Ejemplos : personal, sistemas, equipos, ...
16
UNI-FIIS<Investigación Operaciones II> 31
• La actividad (o función) esrepresentada por una caja.
• Inputs son representados por la flechas fluyendo hacia el ladoizquierdo de la caja.
• Outputs son representados porflechas fluyendo desde el ladoderecho de la caja.
• Flechas que fluyen hacia la partesuperior de la caja representanrestriccioneso controles.
• Flechas fluyendo hacia el ladoinferior de la caja son losmecanismos.
IDEFØ
Actividada ejecutar Output
Mecanismo(Recurso)
Input
Restricción
• El Orden de las cajas no implica necesariamente una secuencia !! • La descomposición es Top Down !!
UNI-FIIS<Investigación Operaciones II> 32
IDEFIDEFØØ eses unauna descomposicidescomposicióónnTop DownTop Down
Mas General
Mas Detal lado
A2
2.1
2.22.3
A-0
Este diagrama es el“padre” de ...este diagrama.
A04
1 2
3
A23
2.3.1
2.3.2
2.3.3
Diagrama de ContextoDiagrama de Contexto
Diagrama de Nivel CeroDiagrama de Nivel Cero
Diagrama de Primer NivelDiagrama de Primer Nivel
17
UNI-FIIS<Investigación Operaciones II> 33
Combinaciones de flechas Combinaciones de flechas de de interfaceinterface
• Output – Input
• Output – Control
• Output – Mecanismo
• Output – Control feedback
• Output – Input feedback
UNI-FIIS<Investigación Operaciones II> 34
Bifurcaciones y UnionesBifurcaciones y Uniones• Las salidas (outputs) de una
actividad pueden ser usadas por más que una actividad.
• En IDEFØ las flechas en general, pueden bifurcarse o unirse, renombrándose 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
UNI-FIIS<Investigación Operaciones II> 35
Sistema BancarioOPERACIÓNOPERACIÓNBANCARIABANCARIA
ESPERA XESPERA XSERVICIOSERVICIO
ATENCIÓNATENCIÓNCLIENTECLIENTE
ARRIBO CLIENTE
PERSONALBANCO
CLIENTE CONOPERACIÓNREALIZADA
REGLAMENTO BANCO CLIENTE
CANSADO ESPERAR
CLIENTE CON OPERACIÓN PENDIENTE
CLIENTE PASA A VENTANILLA
UNI-FIIS<Investigación Operaciones II> 36
Que sigue ... ?Que sigue ... ?• Una vez identificados y comprendidos
los procesos u actividades, se define la situación problema.
• A continuación 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 H0.
x1
x2 x3
x4 x5
x6xn
xi frec[a1,a2] 8<a2,a3] 12<a3,a4] 16<a4,a5] 6
...
x
H0:
19
UNI-FIIS<Investigación Operaciones II> 37
Números Random ( #r )• Son números reales (r) distribuídos
uniformemente en el intervalo [0,1].
r = 1/2Var(r) = 1/12
0 1r0
r
UNI-FIIS<Investigación Operaciones II> 38
Algoritmos para generar Algoritmos para generar #r#r• Algoritmos congruenciales :
– Mixto : #ri+1 = ( a + b #ri)Mod(m)– Multiplicativo : #ri+1 = ( b #ri)Mod(m)
EJEMPLO: Generar 2 números aleatorios de módulo 8 con constantes a= 7 y b= 5 y una semilla r0 = 4.
ri+1= (5ri + 7)MODULO(8)
r1= 27 MODULO (8) = 3r2= 22 MODULO (8) = 6
20
UNI-FIIS<Investigación Operaciones II> 39
Restricciones para los Restricciones para los parámetros de algoritmoparámetros de algoritmo
• a, b, m y r0 deben ser mayores que cero (0).• r0 no debe ser múltiplo 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 = 10d y d ≥4 (d # de bits de una palabra del computador)
• Periodo máximo m/20
UNI-FIIS<Investigación Operaciones II> 40
Parámetros y VariablesParámetros y Variables
• En un experimento se tiene información o datos de dos tipos :
• PARÁMETROS: permanecen sin cambio durante todo el tiempo que dura el experimento.
• VARIABLES: cambian durante el experimento.
21
UNI-FIIS<Investigación Operaciones II> 41
Variable AleatoriaVariable 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 teoría de probabilidad para las variables asociadas.
• VARIABLE ALEATORIA: variable en un proceso estocástico.
UNI-FIIS<Investigación Operaciones II> 42
Distribución de probabilidad
FALLAS
20
30
70
FRECUENCIA
CBA
FALLAS
1/3
1/4
7/12
PROBABILIDAD
CBA
22
UNI-FIIS<Investigación Operaciones II> 43
Tipos de Distribución Tipos de Distribución ProbabilidadProbabilidad
• CONTINUAS: los valores de las VA están en algún rango de los números reales y cubren entre todos ellos todo el rango.
• DISCRETAS: los valores de las VA pertenecen a algún 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.
UNI-FIIS<Investigación Operaciones II> 44
Funciones Generadoras de Funciones Generadoras de Valores AleatoriosValores Aleatorios
• Para reproducir el comportamiento de los sistemas a través de los modelos, es necesario reproducir el comportamiento de los objetos del sistema, a través de la reproducción 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 función de probabilidad conocida o no.
23
UNI-FIIS<Investigación Operaciones II> 45
Método de la Método de la Transformación InversaTransformación Inversa
• Muchas de las Funciones de Distribución de probabilidad acumuladas son univalentes de allí que tienen inversa.
F(x) = p(X ≤ x) ~ UNIF(0,1)
también #r ~ UNIF(0,1)entonces #r = F(x)por lo tanto x = F-1(#r)
r0
x0
1
F(x)
0 X
UNI-FIIS<Investigación Operaciones II> 46
Uniforme Continúa (UC)
a bx0
x
1b-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
UNI-FIIS<Investigación Operaciones II> 47
Exponencial Negativa (Exponencial Negativa (ExpExp))• Función continua con
dominio [0,+∞ .
f(X) = µe-µx ; x≥0
F(x) = ∫ox0 f(x)dx
x
f(x)µ
0 x0 0
F(x)1
x
#r
x0
Media (x) = 1/µVar (x) = 1/µ2
Dado que F tiene inversa, entonces #r = F(x), luego #r = 1 - µe-µx por lo tanto x = - (1/µ)ln(1-#r)
UNI-FIIS<Investigación Operaciones II> 48
Lineal (Lineal (LinLin))
a b
2 b-a
f(x) F(x)1
0x
x
#r
x0
F(x) = (x0-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
UNI-FIIS<Investigación Operaciones II> 49
Normal (Normal (NormNorm))• Teorema del Límite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables aleatorias independientes, también con media y varianza conocidas, para un n suficientemente grande, se puede aproximar a través de una distribución normal.
µ
f(x) = 1 e -(1/2)[(x- µ)/ σ]2
2π σ
x
• Si t = s1+s2+s3+s4+s5+s6+......+sn / med (s i) y var(s i) son conocidas, entonces para un n “suficientemente grande” t ~ Normal (med,var).
• Si t = # r1+# r2+# r3+# r4+# r5+...+# rn = S # ri / # ri ~ RANDOMnormalizando t y x tenemos : t – (n/2) = x – µ
n/12 σTomando n = 12 encontramos que : X = µ + σ [(Σ #ri) - 6]
12
UNI-FIIS<Investigación Operaciones II> 50
BernoulliBernoulli ((BernBern))• Es una distribución discreta en la que los resultados
del experimento aleatorio sólo arrojan dos valores posibles 0 o 1(fracaso o éxito).
X =
0 si #r ≥ p
1 si #r < pf(x) = px(1-p)1-x / p = éxito
Ej: Trompo f(x) = (1/3)x(2/3)1-x
0(R) si #r ≥ 1/31(A) si #r < 1/3X =
26
UNI-FIIS<Investigación Operaciones II> 51
BinomialBinomial ((BinBin))• Una distribución Binomial involucra varios procesos de
Bernoulli, digamos n procesos y, se desea el número de éxitos x que se tendrá en todos los procesos tomados en conjunto. La Binomial mide la probabilidad de que x=i éxitos en n pruebas:
p(x=i) =(n i)pi(1-p)n-i / med(x)=np y var(x)=np(1-p)
Entonces si x= b1+b2+b3+..bn = Σbi / 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)
UNI-FIIS<Investigación Operaciones II> 52
PoissonPoisson ((PoisPois))
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
x
f(x) = λx e- λ / med(x) = λx!
f(x)
e-?
T T T T TX=4 X=2 X=1 X=5 X=0
t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
1 1 1 1 1 1 1 1 1 1 1
x ~ Poiss(λ)
t ~ Exp(1/λ)
Si ti ~ Exp(1/λ) entonces t = - (1/λ)ln(1-#r)
Luego x = max {i : Σti ≤ T < Σti } ~ Poiss(λ)i i+1
0 0
27
UNI-FIIS<Investigación Operaciones II> 53
Uniforme Discreta (UD)Uniforme Discreta (UD)
X =
a1 si 0 ≤ #r ≤ 1/na2 si 1/n < #r ≤ 2/na3 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
UNI-FIIS<Investigación Operaciones II> 54
Método de RechazoMétodo de Rechazo• Se tiene una Variable Aleatoria X
con función de densidad f(x) definida en a = x = b, además,M= max f(x), a = x = b
• Sea g(x)= [f(x) / M]luego 0 = g(x) = 1
• El método consiste en:a. Se generan r1 y r2, dos
números aleatoriosb. Se define x= a + (b-a)r1c. Si r2 = g(x) entonces x es
observación. En otro caso, volver al paso a.
a b
Mf(x)
x
1 g(x)
28
UNI-FIIS<Investigación Operaciones II> 55
Ejemplos• Ejemplo1: Sea f(x)= 2 x , 0 = x = 1
Entonces M = 2 y g(x)= 2x/2 = xa. Generar r1 y r2b. x = a + (b – a) r1 = 0 + (1 - 0) r1 = r1c. Si r2 = r1 entonces x es observación, de lo contrario volver a generar r1 y r2.
• Ejemplo2: Sea f(x)= 2x/9 para 0 = x = 3, entoncesM=2/3 y g(x)= (2x/9)/(2/3)= x/3a. Generar r1 y r2b. x= a + (b - a)r1 = 0 + (3 - 0)r1 = 3r1c. Si r2 = g(x) = x/3, así r2 = 3 r1/3 = r1, o sea si r2 = r1, entonces x es observación, de lo contrario volver a generar r1 y r2.
UNI-FIIS<Investigación Operaciones II> 56
Pruebas de Bondad de AjustePruebas de Bondad de Ajuste• Estas pruebas nos permiten determinar si
la muestra de los datos recogida, respecto a una variable aleatoria de interés para el estudio, se puede aproximar a partir de una función de distribución de probabilidad teórica (H0).H0 : “No existe diferencia significativa entre los datos observados y los que se obtendrían a partir de una distribución ............ (distribución de probabilidad teórica)”.
29
UNI-FIIS<Investigación Operaciones II> 57
Prueba de Prueba de JiJi--CuadradoCuadrado• Es recomendable para muestras cuyo tamaño
es mayor que 100.• Calcular :
χc2=Σ (fofoi – fefei)
2
fefeiDonde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(x i)≥5n tamaño de la muestrap(xi) probabilidad teórica para xi
k
i=1
UNI-FIIS<Investigación Operaciones II> 58
JiJi--Cuadrado ...Cuadrado ...• Luego obtener de tablas el estadístico
de Ji-Cuadrado para : χt2
(1-α, #gl)
Donde : (1 – α ) es el nivel de significancia, y#gl : es el número de grados de libertadtal que #gl = K - #parám.estimados – 1
• Comparamos, y aceptamos H0 si :χc
2 <<χt2
(1-α, #gl) Ji-Cuadrado calculado es menor que el
teórico
30
UNI-FIIS<Investigación Operaciones II> 59
Prueba de Prueba de KolmogorovKolmogorov -- SmirnovSmirnov• Es recomendable para muestras cuyo
tamaño esta comprendido entre 10 y 100.• Se determinan las frecuencias relativa y
acumulada de los valores observados, y la probabilidad teórica y acumulada para la distribución teórica.
• El estadístico K/S calculado se determina a partir de la máxima de las diferencias absolutas entre la frecuencia y probabilidad acumuladas.
• El estadístico K/S teórico se obtiene de tablas dado un α (nivel significancia) y n(tamaño muestra).
• Se acepta H0 si se cumple que : Dc << Dt (α,n)
PA(x) – FA(x)
UNI-FIIS<Investigación Operaciones II> 60
Tabla de Tabla de KolmogorovKolmogorov//SmirnovSmirnovpara una(1) muestrapara una(1) muestra
31
UNI-FIIS<Investigación Operaciones II> 61
Ejemplo 1Ejemplo 1• Suponga que se han
generado 100 #saleatorios y deseamos comprobar su uniformidad sobre 10 intervalos equidistantes utilizando la prueba de Kolmogorov/Smirnov. Usar un α = 5%.
• H0 : Los datos se pueden aproximar a través de una distribución Uniforme.
Int Frec FrecRel1 8 0.08
2 17 0.17
3 5 0.05
4 5 0.05
5 12 0.126 18 0.187 5 0.058 14 0.149 13 0.13
10 3 0.03
100
1 2 3 4 5 6 7 8 9 10
0.1 UNIF
UNI-FIIS<Investigación Operaciones II> 62
Int Frec FrecRel FrecAbs ProbTeor ProbAcum D k/s1 8 0.08 0.08 0.1 0.1 0.022 17 0.17 0.25 0.1 0.2 0.053 5 0.05 0.3 0.1 0.3 0.04 5 0.05 0.35 0.1 0.4 0.055 12 0.12 0.47 0.1 0.5 0.036 18 0.18 0.65 0.1 0.6 0.057 5 0.05 0.7 0.1 0.7 08 14 0.14 0.84 0.1 0.8 0.049 13 0.13 0.97 0.1 0.9 0.07 Max D k/s
10 3 0.03 1 0.1 1 0.0100
Tabla de Cálculos Ejemplo 1
Dc = 0.07Dt (5%,100) = 1.36/ 100 = 0.136Como Dc << Dt (5%,100) aceptamos H0:
32
UNI-FIIS<Investigación Operaciones II> 63
Ejemplo 2Ejemplo 2• La siguiente tabla muestra la
distribución de frecuencias para la variable aleatoria tiempo entre dos arribos consecutivos a un SuperMercado.
• Formule la hipótesis adecuada y haga el ajuste correspondiente a una función de distribución de probabilidad teórica conocida. Use un α = 5%.
FrecTiempo
118 ≤ t < 20
216 ≤ t < 18
314 ≤ t < 16
512 ≤ t < 14
810 ≤ t <12
118 ≤ t < 10
156 ≤ t < 8
224 ≤ t < 6
332 ≤ t < 4
500 ≤ t < 2
UNI-FIIS<Investigación Operaciones II> 64
PloteoPloteo Ejemplo 2Ejemplo 2
t frec frecRelat1 50 0.333 33 0.225 22 0.157 15 0.109 11 0.07
11 8 0.0513 5 0.0315 3 0.0217 2 0.0119 1 0.01
+21 0 0.00150
0 2 4 6 8 10 12 14 16 18 20
0.33
0.22
0.15
0.100.070.050.03
t
H0: Los datos del tiempo entre Arribos se pueden aproximar através de una Distribución Exponencial Negativa.
f(t) = 0.21e- 0.21t
(1/µ) = (Σti.fo)/ Σfo = 714/150 = 4.76 entonces µ = 0.21
33
UNI-FIIS<Investigación Operaciones II> 65
t ProbTeor (fo - Ei)2/Ei1 50 0.3440 51.60 0.0503 33 0.2252 33.78 0.0185 22 0.1481 22.22 0.0027 15 0.0973 14.60 0.0119 11 0.0618 9.27 0.323
11 8 0.0419 6.29 0.468
13 5 0.0275 4.1315 3 8 0.0181 2.72 6.84 0.19717 2 0.0119 1.7919 1 0.0078 1.17
+21 0 3 0.0164 2.46 5.42 1.077150 1.0000 150.00 2.146
Ei=npiFrec
P(0 ≤ ti < 2) = ∫020.21e- 0.21tdt = - e- 0.21t |0
2=0.3440
P(2 ≤ ti < 4) = ∫240.21e- 0.21tdt = - e- 0.21t |2
4=0.2252
...
P( ti ≥ 21) = 1 - ∫020
0.21e- 0.21tdt = 1 – (e- 0.21t )|0
20=0.0164
UNI-FIIS<Investigación Operaciones II> 66
Respuesta Ejemplo 2 ...Respuesta Ejemplo 2 ...• Determinamos #gl = 8 – 1 – 1 = 6• De Tablas determinamos :
χχt2 (95%,6) = 12.6
• Como :
χχc2 << χχt
2 aceptamos H0:
34
UNI-FIIS<Investigación Operaciones II> 67
RecomendacionesRecomendaciones• Dada una muestra de tamaño n para una
variable aleatoria, se puede utilizar la Fórmula de Sturges para aproximar el número de intervalos en los que se les puede agrupar :
• K = 1 + 3.3 log n• Dado que se tienen que aproximar los parámetros
de la distribución de probabilidad teórica, se pueden utilizar las siguientes relaciones :
• Med(x) = (Σ xi.Foi) / n y • Var(x) = [Σ xi
2.Foi – n.Med2(x)] / (n – 1)
UNI-FIIS<Investigación Operaciones II> 68
Ejemplo 3• Construir una función generadora de valores
aleatorios para la siguiente función de distribución de probabilidades (fdp):
f
20 a
a
x
35
UNI-FIIS<Investigación Operaciones II> 69
Cálculo de “a”: Por condición de una fdp, el área bajo la curva de f en su dominio debe ser 1.Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1
(1/2)[a2 + 2a - a2] = 1 a = 1
Determinación de la regla de correspondencia de f:
f =
F =
x si x e [0,1]
-x + 2 si x e <1,2]
x2/2 si x e [0,1]
1 – (1/2)(2-x)2 si x e <1,2]
Una vez definida f determinamos la función de distribución acumulada F
UNI-FIIS<Investigación Operaciones II> 70
• Graficamos la función acumulada F
1 2
1/2
1F
x
#r
x
Como F es monótona entonces tiene inversa, F(x) = #r :i. x2/2 = #r vii. 1 – (1/2)(2-x)2= #rDespejando x en función de #r:i. x = 2#r ii. x = 2 - 2(1- #r)Luego 0 x 1 0 2#r 1
0 #r 1/22#r si #r e [0,1/2]
2 - 2(1- #r ) si #r e <1/2,1]x =
36
UNI-FIIS<Investigación Operaciones II> 71
Ejemplo 4• Loas alumnos de la FIIS están 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 través de comportamientos Bernoulli.
e = ~ Bern (p=2/5)0 si #r > 2/51 si #r < 2/5
x = ~ Bin (n=4, p=2/5)4
1ie∑
s I I I
UNI-FIIS<Investigación Operaciones II> 72
Mecanismos de control de Tiempo Mecanismos de control de Tiempo de la Simulaciónde la Simulación
• Dado que la ejecución de eventos en una PC es secuencial, estos mecanismos permiten controlar la cadena de eventos presente y futura durante la ejecución de la simulación.
• En los sistemas discretos los eventos que influyen sobre el sistema ocurren en puntos específicos en el tiempo, no en forma continua, de allí que mas importante será el mecanismo de control de tiempo variable, cuyo tiempo se incrementa en función de los momentos en los que se da la ocurrencia del evento.
37
UNI-FIIS<Investigación Operaciones II> 73
EjemploEjemplo• Se está diseñando una máquina
para inyectar líquido a envases de diferentes capacidades, y tiene una línea de producción. Eventualmente se derramarálíquido de los envases, esto se da por la capacidad variable de los envases y/o por el error de la cantidad inyectada del líquido.
• Se desea incluir un recipiente (contenedor) en la máquina para recibir el líquido derramado, y que éste no se disperse en el piso. Si se tienen producciones de hasta 10,000 envases, calcule el tamaño del contenedor para la máquina inyectora.
UNI-FIIS<Investigación Operaciones II> 74
Ejemplo ...Ejemplo ...• Se conocen las siguientes características del proceso y de la
máquina:– La cantidad de l íquido 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 desviación estándar igual al 1% de esa cantidad ideal.
– Los envases tampoco tienen una capacidad única sino que varían por defectos de forma y de fabricación. La capacidad de los recipientes es de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviación estándar del 5% de su capacidad total . La posibilidad m áxima 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 tamaño del recipiente que se requiere.
• Se pueden manejar envases con capacidades de inyecccióndesde 200 ml hasta 1.5 litros. Haga su cálculo tomando en cuenta que llenará envases de 330 ml.
38
UNI-FIIS<Investigación Operaciones II> 75
Diagrama de Diagrama de BloquesBloques
DETERMINARREBASAMIENTO
SIMULAR LLENADOLINEA 1
SIMULAR LA CAPACIDADDE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD A INYECTAR
ENVIO DE BOTELLAS
ACUMULAR CANTIDADREBASADA
FIN
UNI-FIIS<Investigación Operaciones II> 76
PseudocPseudocóódigodigo del programa para del programa para el Ejemploel Ejemplo
• Se generan los valores aleatorios que se necesitan.• Se genera la capacidad de la botella que llega a la línea.
– 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 línea .– Con una variable normal con med=330 ml y desv.est.= 1%(330 ml.)
• Se corrigen los valores que se aportan por las limitaciones físicas.– Para la inyección 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
UNI-FIIS<Investigación Operaciones II> 77
Tiempoentre
Arribos (t)
Cola
Servicio
Población
SISTEMA DE COLASSISTEMA DE COLAS
Arribos
Tiempo deServicio
Politica deservicio
UNI-FIIS<Investigación Operaciones II> 78
Premisas para el estudio de un Premisas para el estudio de un Sistema de ColasSistema de Colas
• Un sistema de colas puede ser analizado en función 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 distribución de Poisson con tasa media λ o tiempo entre arribos Exponenencial con tasa media 1/λ.
• Los tiempos de servicio son Exponenciales con tasa media µ.
40
UNI-FIIS<Investigación Operaciones II> 79
CONDICIONESINICIALES
LC = LC+ 1
GENERAR TA
SUMTA = SUMTA + TA
SERVICIODISPONIBLE ?
COLA =0 ? COLA =0 ?
TOT = TOT + 1 LC = LC - 1TET = TET + LC
GENERAR TS
SE OCUPASERVICIO
SI NO
NOSI
NO
SI
A
C
B
Para t=0arriba el 1er Cliente
Tiempo deArribo
Tiempo deServicio
Longitud dela Cola
Tiempo EsperaTotal
Mecanismo de Control de Mecanismo de Control de Incremento FijoIncremento Fijo
RELOJ = RELOJ +1
VERIFICARTS
TS =TS - 1 TS = TS - 1
COMPARARRELOJ::SUMTA
TS > 1 TS = 1
SEDESOCUPASERVICIO
TS = 0
A
B C
RELOJ < SUMTA RELOJ = SUMTA
UNI-FIIS<Investigación Operaciones II> 80
TS1
TS2
TS3
TS4
TO1
TE3
TE4
TE5
c1
c2
c3
c4
c5
0
TA2 TA3 TA4 TA5 TA6
TS5
TE6
SUMTA2SUMTA3
SUMTA4
c6
SUMTA1
41
UNI-FIIS<Investigación Operaciones II> 81
Mecanismo de Control de Mecanismo de Control de Incremento VariableIncremento Variable
CONDICIONESINICIALES
GENERAR TA
TA = TA - TE
GENERAR TS
TS = TA ?
TS < TA ?TE = 0
TO = 0TE = 0
TO = TA - TS
TOT = TOT + TO
TO = 0
TE = TS - TA
TET = TET + TE
SI NO
SI NO
Tiempode Arribo
Tiempo deServicio
Tiempo deEspera
TiempoOcioso
TiempoOcioso Total
Tiempo deEspera Total
Para t=0arriba el 1er Cliente
UNI-FIIS<Investigación Operaciones II> 82
TS1
TS2
TS3
TS4
TO2=TA2-TS1TE2=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-TA3T03=0
TA4 =TA4 – TE3
TE4=TS3-TA4T04=0
TE5=TS4-TA5T05=0
42
UNI-FIIS<Investigación Operaciones II> 83
Ejemplo : Modelo SimulaciónEjemplo : Modelo Simulación• Una Compañía de carga recepciona sus camiones
que llegan en forma aleatoria en una terminal para descarga. Después de analizar los datos históricos se ha concluído que el número de llegadas diarias de camiones se comporta de acuerdo a una distribución de Poisson con tasa media de 3 camiones por día. El peso de la carga de cada camión 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 distribuídos normalmente con media 30 mil lbs. Y una desviación estándar de 5 mil lbs. Para la descarga se cuenta con cuadrillas cuya capacidad de descarga en lbs por hora es variable y función 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 :
UNI-FIIS<Investigación Operaciones II> 84
Modelo Simulación ....Modelo Simulación ....• Una cuadrilla consta de 3 personas: 1operador
de elevador de carga a quien se le paga 4$/Hry dos obreros a quienes se les paga 2.50 $/Hr. La política de la Cia. es descargar en el día todos los camiones que arribaron el día anterior sin importar los costos de tiempo extra implícitos. El contrato del sindicato demanda una bonificación del 50% por horas extras fuera de la jornada de trabajo de 8 Hr diarias.
– Con base a una simulación de 10 días determine cuantas cuadrillas se requieren para reducir al mínimo los costos totales de descarga.
– Si aplicaramos la política de que los camiones deben descargarse el mismo día de su llegada en lugar del día siguiente, y que la tasa media de llegadas sube a 4 Cam/Día Cuántas cuadrillas se requerirán para reducir al mínimo los costos totales de descarga.
0 51 152 223 224 175 116 57 3
100
Nro Camiones
Frec
A 40 8000B 35 7000C 25 5000
Veloc.Descarga Lb/hr x Cuadrilla
Tipo Carga Frec
43
UNI-FIIS<Investigación Operaciones II> 85
Modelo SimulaciónModelo SimulaciónGenerar Nro
Camiones (NCM)Arriban x Día
Generar TipoCarga x Camión
Generar PesoCarga x Camión
Calcular Costo Descarga (CD)
Asignar NroCuadrillas (NCD)
NDias=NDias + 1
Ndias=10 ?NO
TotCD=TotCD+CD
Imprimir x DíaValores Generadosy Costo Descarga
Imprimir Ndias,Nro Cuadrillasy Costo Total Descarga
SI
Definir Plan Trabajo
TotCDTotCD
NCDNCD
1 2 3 4 5 61 2 3 4 5 6
C1C1
C2C2C3C3
C5C5
C6C6
UNI-FIIS<Investigación Operaciones II> 86
Indicadores InicialesIndicadores Iniciales• Nro arribos ~ Poisson (λ) o
Tpo entre arribos ~ Exponencial (1/λ)
• Tiempo servicio ~ Exponencial (1/ µ)• Por lo tanto :
– Tasa arribo λ y tasa de servicio µ– Factor de ocupación del Stma. ρ = (λ/µ)– Probabilidad que Stma.vacio P0 = 1– (λ/µ)
– Porcentaje de Tiempo Ocioso del Servicio 100P0
44
UNI-FIIS<Investigación Operaciones II> 87
Estructuras de los Sistemas de ColaEstructuras de los Sistemas de Cola• 1cola/1servidor/Pobl.NoFinita
• 1cola/1servidor/Pobl.Finita(k)
• 1cola/MúltiplesServ. (s)Paralelo/Pobl.NoFinita
• 1cola/MúltiplesServ. (s)Paralelo/Pobl.Finita(k)
• 1cola/MúltiplesServ. (s)Serie/Pobl.NoFinita
kk
s1
kk
s2
s1
s2
s1 s2
s
s
s
µλ
λ
λ
λ
λ
µ
µ
µµ
µ
µµ
µ1 µ2 µs
s1
s1
UNI-FIIS<Investigación Operaciones II> 88
Determinación de la Probabilidad de que en Determinación de la Probabilidad de que en el el StmaStma. existan . existan nn usuariosusuarios
• Sea Pn 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 ∆t es igual a λ∆t
• La probabilidad de que 1usuario termine de ser atendido en ∆t es igual a µ∆t
• Para determinar la probabilidad de que existan n usuarios en el tiempo t+ ∆t, consideramos lo siguiente:– Que existan n usuarios al final del tiempo t. que no llegue ni se vaya
nadie en ∆t Pn(t)[1- λ∆t][1- µ∆t] ........ (1)– Que existan n usuarios al final del tiempo t, que llegue y se vaya 1 en ∆t
Pn(t)[λ∆ t][µ∆ t] ..................(2)– Que existan n-1 usuarios al final del tiempo t, que llegue 1 y no se vaya
nadie en ∆t Pn-1(t)[λ∆t][1- µ∆t] ...........(3)– Que existan n+1 usuarios al final del tiempo t, que no llegue nadie y se
vaya 1 en ∆t Pn+1(t)[1- λ∆ t][µ∆t] ...........(4)
45
UNI-FIIS<Investigación Operaciones II> 89
Continuación ....Continuación ....• Luego sumando (1)+(2)+(3)+(4) tenemos:
Pn (t+∆t) = Pn(t)[1- λ∆t][1- µ∆t] + Pn(t)[λ∆t][µ∆t] + Pn-1(t)[λ∆t][1- µ∆t] + Pn+1(t)[1- λ∆t][µ∆t]
• Agrupando términos y eliminando los factores (∆t)2, tenemos :Pn (t+∆t) - Pn (t) = λPn -1(t) – (λ+µ) Pn(t) + µPn+1(t)
∆t
• Pero como el tiempo transcurrido desde la ocurrencia del último evento no tiene efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad “del olvido” de la func. exponencial):Pn (t+∆t) - Pn (t) = 0 entonces λPn-1 – (λ+µ) Pn + µPn+1 = 0
• Finalmente, agrupando términos obtenemos :Pn+1 = (- λ/µ)Pn -1 + [ (λ+µ)/µ ]Pn .................... (ß)
UNI-FIIS<Investigación Operaciones II> 90
Continuación ....Continuación ....• 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 ∆t
P0 (t)[λ∆t]– Existe 1 usuario al final del tiempo t, no llega nadie y se va 1 en ∆t
P1 (t)[1- λ∆t][µ∆t]• Agrupando términos, eliminando los factores (∆t)2 y aplicando la
propiedad “del olvido” tenemos que :– λP0 + µP1 = 0 entonces P1 = (λ/µ)P0 ...... (d)
• De (ß) y (d) :– para n=1 P2 = (λ/µ)2 P0
– para n=2 P3 = (λ/µ)3 P0
– Para n=3 P4 = (λ/µ)4 P0
– generalizando Pn = (λ/µ)n P0
46
UNI-FIIS<Investigación Operaciones II> 91
Probabilidades relevantesProbabilidades relevantes• Probabilidad de que en el stma. existan más de N usuarios:
P(n>N) = PN+1+PN+2+PN+3+PN+4 ....... = (λ/µ)N+1P0 + (λ/µ)N+2P0 + (λ /µ)N+3P0 + ........= P0 [(λ/µ)N+1+ (λ /µ)N+2+ (λ/µ)N+3+ ........ ]= P0 [ (λ /µ)N+1/ [1- (λ /µ)] ] luego P(n>N) =(λ/µ)N+1
• Probabilidad de que existan n usuarios en cola :Pn Cola = Pn+1 Stma entonces Pn cola = (λ/µ)N+1P0
• Probabilidad de que la cola este vacía :P~ Cola = P0 + P1 entonces P~ Cola = 1 - (λ/µ)2
UNI-FIIS<Investigación Operaciones II> 92
Sistema: 1 Cola/1 Servidor/Población No Sistema: 1 Cola/1 Servidor/Población No FinitaFinita
• Número esperado de usuarios en el sistema (NEUS):
NEUS = S i.Pi = 0P0 +1P1+ 2P2+ 3P3+ 4P4+ 5P5+ ....s.q.
• Número esperado de usuarios en la cola (NEUC):
NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ ....
s.q.
NEUSλ
µ λ=
−
2
( )N E U C
λµ µ λ
=−
λ < µ
λ < µ
47
UNI-FIIS<Investigación Operaciones II> 93
• Tiempo esperado de paso de un usuario en cola (TEPUC):TEPUC = (1/ µ)NEUS
• Tiempo esperado de paso de un usuario en el sistema (TEPUS):TEPUS = TEPUC + Tpo.Servicio = λ/µ(µ-λ) + 1/ µ
( )TEPUC
λµ µ λ
=−
1TEPUS
µ λ=
−
UNI-FIIS<Investigación Operaciones II> 94
Costo de Paralización y de ServicioCosto de Paralización y de Servicio• Costo Total de Paralización :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 Atención del SistemaCTAS = CTP + CTS
CTAS
CTS
CTP
µµ
CTCT
µµ0
CC00
48
UNI-FIIS<Investigación Operaciones II> 95
Problema de Colas• Fotografías tomadas desde 1 helicóptero mostraron
que en promedio había 80 autos circulando en el carril de alta velocidad sobre un tramo de 1 milla de una vía rápida urbana. En meses recientes habían ocurrido cierto número 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 debería 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 vía en cuestión se ajusta a una distribución de Poisson.
UNI-FIIS<Investigación Operaciones II> 96
dd11
dd22
λ = 80 autos/milla
1 milla = 5280 piesddi i ≥ 30 pies
n ~ Poisson (λ)
d ~ Expon (1/λ)P(d < 30) = ∫030
(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
UNI-FIIS<Investigación Operaciones II> 97
Problema 2• El departamento para caballeros de un gran almacén tiene un sastre
para ajustar los trajes adquiridos por los clientes. Parece que el número de clientes que solicitan ajustes sigue una distribución 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:
• Número 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 más de 10 minutos.• Cuanto tiempo deben esperar los clientes por los servicios del sastre.
UNI-FIIS<Investigación Operaciones II> 98
• Tiempo medio entre llegadas:
• Tiempo medio de servicio:
• Factor de utilización u ocupación:
– Número medio de clientes en la sala:
– Tiempo medio de espera en el sistema:
– Factor de ocio = 1 – Factor de utilización = 0,2
21
21
=⇒= µµ
min
8,054
522 ==⋅==
µλ
p
44
541
51
=−
=− pp
10
52
21
11 =−
=−λµ
5224 cli==
horaλ
50
UNI-FIIS<Investigación Operaciones II> 99
– El 80 % del tiempo, el sastre está ocupado, y el 20% está ocioso.
– probabilidad de que un cliente espere los servicios del sastre más de 10 minutos.
– Tiempo medio de espera en cola:
29,054
)10()
5
2
2
1(10
)(10 ==⋅=>−−
−− eeptP esperaλµ
8
21)
541(54
)1(=
−=
− µpp
UNI-FIIS<Investigación Operaciones II> 100
Problema 3Una carnicería es atendida por el propietario de la misma. Aparentemente el patrón de llegada de los clientes durante los sábados se comporta siguiendo una distribución de Poisson con una tasa promedio de llegadas de 10 personas por hora. A los clientes se les atiende siguiendo una política FIFO, y debido al prestigio de la tienda, los clientes siempre están 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
UNI-FIIS<Investigación Operaciones II> 101
• Tiempo medio entre llegadas:
• Tiempo medio de servicio:
• Factor de utilización:
– Existirá cola cuando en el sistema haya más de 1 cliente.
– Probabilidad de 0 clientes en el sistema:
– Probabilidad de 1 cliente en el sistema:
– Probabilidad de más de 1 cliente en el sistema:
61
6110
===min
personahorapersonas
λ
41
41
=⇒= µµ
min
)(1)1( 10 PPNP +−=>
31)1(0
0 =−= ppP
92
31
32
)1(11 ==−= ppP
94)
92
31(1)1( =+−=>NP
3
2
4161
===µλ
p
UNI-FIIS<Investigación Operaciones II> 102
• 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( ≥−=< esperaespera tPtP
34
321
)32(
1
22
=−
=− pp
8
41)
321(32
)1(=
−=
− µpp
1)61
41
(12 )(12
32
32
)12( −−−−− ===≥ eepetP esperaλµ
52
UNI-FIIS<Investigación Operaciones II> 103
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
λ
UNI-FIIS<Investigación Operaciones II> 104
p(n>n0) = 64/100 = (λ/µ)/µ)nn0+1 +1 , entoncesp(n> 1) = 64/100 = (λ/µ)2 , entonces
λ/µ = 8/10 = 4/5 ….… (1)
Luego TEPUS = 1/ (µ- λ) = ½½ hora/cliente, entonces1/ (µ-λ) = 1 media hora/cliente, entonces
µ-λ = 1 …….... (2)
Resolviendo (1) y (2) : µ- (8/10) µ = 1 , entoncesµ = 5 cl/hor y λ = 4 cl/hor
Finalmente :a. p(x=2) = (4)2e-4/2! = 8e-4
b. p(2<x<5) = p(x=3) + p(x=4) = (4)3e-4/3! + (4)4e-4/4! c. p(t>2) = 1 - ∫0
2(4)e- 4t dt = 1 - [1- e-8] = e-8
53
UNI-FIIS<Investigación Operaciones II> 105
Problema 5• El inventario de un almacén se agota y se vuelve
a surtir según una distribución de Poisson. Los tiempos medios entre vaciados y resurtidos son iguales a 1/µ y 1/λ respectivamente. Suponga que por cada unidad de tiempo que el inventario esta vacío se incurre en un costo de escasez (Ce), y en un costo de almacenamiento (Ca) por cada unidad de tiempo que en el almacén se mantiene un determinado inventario. Si Ce > Ca, determine:– Una expresión para el costo total esperado por unidad
de tiempo– El valor óptimo de ρ = λ /µ
UNI-FIIS<Investigación Operaciones II> 106
tpo. surtir inventario = 1/λ ~ Exp
tpo. agotar inventario = 1/µ ~ ExpCT inventario = Costo escasez + Costo almacenamiento
= P0 * Ce + Inventario*Ca= (1- λ/µ)(Ce) + (NEUS)(Ca)= (1-ρ)Ce + [λ /(µ- λ )]Ca= (1- ρ)Ce + [ρ /(1- ρ)]Ca= [(1- ρ)2Ce + ρ Ca]/(1- ρ)
dCTi = [2(1- ρ)(Ce)(-1)+Ca](1- ρ) - (-1)[(1- ρ)2Ce+ ρ Ca]
dρ (1- ρ)2
dCTi = [-2(1- ρ)2(Ce)+Ca(1- ρ) +(1- ρ)2Ce+ ρ Cadρ (1- ρ)2
dCTi = Ca - (1- ρ)2Ce = Ca - Ce para determinar el ρ óptimo hacemos dρ (1- ρ)2 (1- ρ)2
dCTi = 0 entonces Ca - Ce = 0 luego (1- ρ)2 = Ce/Ca ρ = 1 - Cadρ (1-ρ)2 Ce
54
UNI-FIIS<Investigación Operaciones II> 107
Problema 6• En un consultorio médico los pacientes
toman asiento en la sala de espera hasta que les corresponda su turno de atención. En promedio llegan 4 pacientes por hora según una distribución de Poisson, y entre cada atención transcurre un tiempo promedio de 12 minutos, según una distribución Exponencial. Cuantas sillas como mínimo serán necesarias en la sala de espera para que se tenga un 90% de probabilidad o más de que todos los pacientes esperen sentados.
UNI-FIIS<Investigación Operaciones II> 108
Problema 7• A un cajero automático 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 razón de 2 min/clipromedio; los clientes de deposito arriban en un tiempo promedio de 5 cli/hora y demoran 3 min/cli en realizar su operación 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 distribución de Poisson y todos los tiempos entre servicios a una distribución exponencial, hallar la probabilidad de que no existan usuarios en cola.
55
UNI-FIIS<Investigación Operaciones II> 109
Preguntas sobre elsistemas de colas …
Top Related