Академический Документы
Профессиональный Документы
Культура Документы
OPERACIONES II
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.
UNI-FIIS<Investigacin Operaciones II>
Input
Sistema
Output
Requerimientos
(inputs)
Resultados
(Outputs)
Transformaciones
(procesos
recursos)
UNI-FIIS<Investigacin Operaciones II>
Anlisis CATDWE
C : cliente
A : actor
D : dueo
T : transformacin
W : weltanshaung
E : entorno
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.
UNI-FIIS<Investigacin Operaciones II>
Cmo mejorar
el sistema ?
Objetivos
Restricciones
Procesos
Recursos
Locaciones
Costos
Sistema bajo
estudio
Analista o
modelador
Paradigmas
UNI-FIIS<Investigacin Operaciones II>
10
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.
UNI-FIIS<Investigacin Operaciones II>
11
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
UNI-FIIS<Investigacin Operaciones II>
12
13
14
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.
UNI-FIIS<Investigacin Operaciones II>
15
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.
UNI-FIIS<Investigacin Operaciones II>
16
EL PROCESO DE SIMULACIN
FORMULACIN
DEL
PROBLEMA
DEFINICIN
DEL SISTEMA
No
ES TIL LA
SIMULACIN ?
No
PLANEACIN
ESTRATGICA
FORMULACIN
DEL MODELO
EL MODELO
ES VLIDO ?
FIN
PLANEACIN
TCTICA
PREPARACIN
DE DATOS
DOCUMENTO
PROPUESTAS
EXPERIMENTACIN
TRASLACIN
DEL MODELO
INTERPRETACIN
ES TIL ?
IMPLANTACIN
17
18
Experimentacin y anlisis de
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.
UNI-FIIS<Investigacin Operaciones II>
19
20
10
DIAGRAMA DE
FLUJO
LAYOUT DE
PROCESOS
21
Ruta trabajo
22
11
23
24
12
25
26
13
Modelamiento de Procesos
IDEF
Modelamiento de actividades IDEF o 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.
27
IDEF: Que es ?
Una tcnica para modelar :
funciones :
actividades
acciones
procesos
operaciones
28
14
IDEF es
Lenguaje de modelamiento grfico (sintaxis y
semantica) + metodologa para desarrollar
modelos de procesos (utiliza tcnica ICOM).
Describe :
29
ICOM
Inputs
Controles
Restricciones o gobierno del proceso
Ejemplos : lineamientos, reglas de negocio, polticas, ...
Outputs
Resultados del proceso, esto es una entrada transformada
Ejemplos : materiales, informacin, ...
Mecanismos
Recursos utilizados para producir la salida (usada por los procesos)
Ejemplos : personal, sistemas, equipos, ...
UNI-FIIS<Investigacin Operaciones II>
30
15
IDEF
Restriccin
Actividad
a ejecutar
Input
Output
Mecanismo
(Recurso)
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
restricciones o controles.
Flechas fluyendo hacia el lado
inferior de la caja son los
mecanismos.
31
Diagrama de Contexto
Mas General
2
3
4
A0
2.1
2.2
2.3
A2
2.3.2
2.3. 3
A23
32
16
Combinaciones de flechas
de interface
Output Input
Output Control
Output Mecanismo
Output Control feedback
Output Input feedback
UNI-FIIS<Investigacin Operaciones II>
33
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).
UNI-FIIS<Investigacin Operaciones II>
POLITICAS &
PROCEDIMIENTOS
POLITICAS &
PROCEDIMIENTOS
DE PERSONAL
POLITICAS &
PROCEDIMIENTOS
DE VENTAS
Material
residual
Material
rechazado
Material
defectuoso
34
17
Sistema Bancario
OPERACIN
BANCARIA
REGLAMENTO
BANCO
ARRIBO
CLIENTE
CLIENTE
CANSADO
ESPERAR
ESPERA X
SERVICIO CLIENTE PASA
A VENTANILLA
CLIENTE CON
OPERACIN
REALIZADA
ATENCIN
CLIENTE
PERSONAL
BANCO
CLIENTE CON
OPERACIN
PENDIENTE
UNI-FIIS<Investigacin Operaciones II>
35
x1
x3
x2
x4
x6
x5
xn
xi
[a1,a2]
<a2,a3]
<a3,a4]
<a4,a5]
...
frec
8
12
16
6
H0:
x
36
18
Nmeros Random ( #r )
Son nmeros reales (r) distribudos
uniformemente en el intervalo [0,1].
r
0
r0
r = 1/2
Var(r) = 1/12
37
38
19
39
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.
40
20
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.
UNI-FIIS<Investigacin Operaciones II>
41
Distribucin de probabilidad
FRECUENCIA
PROBABILIDAD
70
7/12
30
1/4
20
1/3
A B C
FALLAS
FALLAS
42
21
Tipos de Distribucin
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.
43
Funciones Generadoras de
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.
UNI-FIIS<Investigacin Operaciones II>
44
22
Mtodo de la
Transformacin Inversa
Muchas de las
Funciones de
Distribucin de
probabilidad
acumuladas son
univalentes de all
que tienen
inversa.
F(x)
1
r0
0
x0
45
1
#r
x
a
x0
x0
46
23
Media (x) = 1/
Var (x) = 1/2
F(x)
1
f(x)
f(X) = e-x ; x0
#r
x0
F(x) = o f(x)dx
0
x0
x0
47
Lineal (Lin)
f(x)
F(x)
1
2
b-a
#r
x
a
f(x) = 2(x-a)
(b-a)2
x0 b
#r = F(x)
48
24
Normal (Norm)
f (x) = 1
2p s
-(1/2)[(x- )/ s]2
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+# r2+# r 3+# r4+# r5+...+# r n = S # ri / # ri ~ RANDOM
normalizando t y x tenemos : t (n/2) = x
n/12
s
12
Tomando n = 12 encontramos que :
X=
+ s [(S #ri ) - 6]
49
Bernoulli ( Bern)
Es una distribucin discreta en la que los resultados
del experimento aleatorio slo arrojan dos valores
posibles 0 o 1(fracaso o xito).
0 si #r p
f(x) = px (1-p)1-x
/ p = xito
X=
1 si #r < p
0(R) si #r 1/3
1(A) si #r < 1/3
50
25
Binomial ( 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:
y var(x)=np(1-p)
x
0
f(x)
4
51
Poisson ( Pois)
f(x) = lx e- l
x!
e-?
/ med(x) = l
x
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
X=4
T
1
t1
X=2
T
1 1 1 1
t2 t3 t4 t5
X=1
X=5
T
1
t6
1
t7
x ~ Poiss(l)
X=0
1 1 1
t 8 t 9 t 10
1
t 11
t ~ Exp(1/l)
i+1
52
26
f(x)
5/n
#r
1/n
4/n
3/n
2/n
x
a1 a2 a3 a4 a5 a6 a7 ... an
X=
a1
a2
a3
...
an
si
si
si
1/n
a1 a2 a3 a4 a5 a6 a7 ... an
0 #r 1/n
1/n < #r 2/n
2/n < #r 3/n
si n-1/n < #r 1
UNI-FIIS<Investigacin Operaciones II>
53
Mtodo de Rechazo
f(x)
M
g(x)
b
x
54
27
Ejemplos
55
56
28
Prueba de Ji-Cuadrado
Es recomendable para muestras cuyo tamao
es mayor que 100.
Calcular :
fei
Donde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(x i)5
n tamao de la muestra
p(xi) probabilidad terica para x i
57
Ji-Cuadrado ...
Luego obtener de tablas el estadstico
de Ji-Cuadrado para : ct2(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 H0 si :
cc2 <<ct2(1-a, #gl) Ji-Cuadrado calculado es menor que el
terico
58
29
PA(x) FA(x)
Dc << Dt (,n)
59
Tabla de Kolmogorov/Smirnov
para una(1) muestra
60
30
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%.
H0 : Los datos se pueden
aproximar a travs de una
distribucin Uniforme.
Int
1
2
3
4
5
6
7
8
9
10
Frec FrecRel
0.08
8
0.17
17
0.05
5
0.05
5
0.12
12
18
0.18
5
0.05
14
0.14
13
0.13
3
0.03
100
0.1
UNIF
1 2 3 4 5 6 7 8 9 10
UNI-FIIS<Investigacin Operaciones II>
61
Frec FrecRel
8
0.08
17
0.17
5
0.05
5
0.05
12
0.12
18
0.18
5
0.05
14
0.14
13
0.13
3
0.03
100
FrecAbs
0.08
0.25
0.3
0.35
0.47
0.65
0.7
0.84
0.97
1
ProbTeor ProbAcum
0.1
0.1
0.1
0.2
0.1
0.3
0.1
0.4
0.1
0.5
0.1
0.6
0.1
0.7
0.1
0.8
0.1
0.9
0.1
1
D k/s
0.02
0.05
0.0
0.05
0.03
0.05
0
0.04
0.07
0.0
Max D k/s
Dc = 0.07
Dt (5%,100) = 1.36/ 100 = 0.136
Como Dc << Dt (5%,100) aceptamos H0:
UNI-FIIS<Investigacin Operaciones II>
62
31
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%.
Tiempo
Frec
0 t < 2
50
2 t < 4
33
4 t < 6
22
6 t < 8
15
8 t < 10
11
10 t <12
12 t < 14
14 t < 16
16 t < 18
18 t < 20
63
Ploteo Ejemplo 2
t
1
3
5
7
9
11
13
15
17
19
+21
frec
50
33
22
15
11
8
5
3
2
1
0
150
frecRelat
0.33
0.22
0.15
0.10
0.07
0.05
0.03
0.02
0.01
0.01
0.00
0.33
0.22
0.15
0.10
0.07
0.05
0.03
t
0 2
8 10 12 14 16 18 20
64
32
t
1
3
5
7
9
11
13
15
17
19
+21
Frec
50
33
22
15
11
8
5
3
8
2
1
0
3
150
ProbTeor
0.3440
0.2252
0.1481
0.0973
0.0618
0.0419
0.0275
0.0181
0.0119
0.0078
0.0164
1.0000
51.60
33.78
22.22
14.60
9.27
6.29
4.13
2.72
1.79
1.17
2.46
150.00
4
P(2 ti < 4) = 2 0.21e- 0.21tdt =
2
Ei=npi
0.050
0.018
0.002
0.011
0.323
0.468
6.84
5.42
0.197
1.077
2.146
|02 =0.3440
4
- e- 0.21t |2 =0.2252
...
20
|020 =0.0164
65
Como :
aceptamos H0:
66
33
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 xi.Foi) / n y
Var(x) = [S xi2.Foi n.Med2(x)] / (n 1)
67
Ejemplo 3
Construir una funcin generadora de valores
aleatorios para la siguiente funcin de
distribucin de probabilidades (fdp):
f
a
x
0
68
34
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)[a2 + 2a - a2] = 1
a=1
Determinacin de la regla de correspondencia de f:
x
f=
si x e [0,1]
-x + 2 si x e <1,2]
x2 /2
F=
si x e [0,1]
69
1/2
#r
x=
2#r
2-
2(1- #r ) si #r e <1/2,1]
70
35
Ejemplo 4
e=
0 si #r > 2/5
1 si #r < 2/5
~ Bern (p=2/5)
x=
71
72
36
Ejemplo
73
Ejemplo ...
Se conocen las siguientes caractersticas del proceso y de la
mquina:
La cantidad de lquido 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 m xima del
defecto es de un 10% de la especificada como capacidad media.
74
37
ENVIO DE BOTELLAS
SIMULAR LLENADO
LINEA 1
Diagrama de
Bloques
SIMULAR LA CAPACIDAD
DE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD
A INYECTAR
DETERMINAR
REBASAMIENTO
ACUMULAR CANTIDAD
REBASADA
FIN
UNI-FIIS<Investigacin Operaciones II>
75
Con una variable aleatoria normal con med =1.05 (330 ml) y
desv.est.= 5% de 1.05(330 ml.)
76
38
Cola
Poblacin
Tiempo
entre
Arribos (t)
Politica de
servicio
Servicio
Arribos
Tiempo de
Servicio
SISTEMA DE COLAS
UNI-FIIS<Investigacin Operaciones II>
77
78
39
Para t=0
arriba el 1er Cliente
CONDICIONES
INICIALES
Mecanismo de Control de
Incremento Fijo
C
Longitud de
la Cola
LC = LC+ 1
A
Tiempo de
Arribo
GENERAR TA
RELOJ = RELOJ + 1
SUMTA = SUMTA + TA
COLA =0 ?
SI
VERIFICAR
TS
TS > 1
SERVICIO
DISPONIBLE ?
SI
NO
COLA =0 ?
NO
TS = 1
TS =TS - 1
TS = TS - 1
NO
TOT = TOT + 1
TS = 0
LC = LC - 1
SE
DESOCUPA
SERVICIO
TET = TET + LC
Tiempo Espera
Total
SE OCUPA
SERVICIO
Tiempo de
Servicio
SI
GENERAR TS
79
SUMTA4
SUMTA3
SUMTA2
SUMTA1
TA2
TA4
TA3
TA5
TA6
0
c1
TS1
TS2
c2
TO1
c3
TS3
TE3
TS4
c4
TE4
TS5
c5
TE5
c6
TE6
80
40
CONDICIONES
INICIALES
Para t=0
arriba el 1er Cliente
GENERAR TA
Tiempo
de Arribo
Mecanismo de Control de
Incremento Variable
TA = TA - TE
Tiempo de
Servicio
GENERAR TS
SI
TS = TA ?
NO
SI
TE = 0
Tiempo de
Espera
TS < TA ?
NO
TE = 0
TO = 0
TO = TA - TS
TE = TS - TA
TO = 0
Tiempo
Ocioso
TOT = TOT + TO
Tiempo
Ocioso Total
TET = TET + TE
Tiempo de
Espera Total
81
TA5=TA5 TE4
TA2
TA4
TA3
TA5
TA6
0
c1
c2
c3
TS1
TS2
TO2=TA2-TS1
TE2=0
TE3
TS3
TE3=TS2-TA3
T03=0
c4
TE4 TS4
TE4=TS3-TA4
T04=0
TE5
c5
TS5
TE5=TS4-TA5
T05=0
c6
TE6
UNI-FIIS<Investigacin Operaciones II>
82
41
83
Nro
Camiones
0
1
2
3
4
5
6
7
Frec
5
15
22
22
17
11
5
3
100
Tipo
Veloc.Descarga
Frec
Carga
Lb/hr x Cuadrilla
A
40
8000
B
35
7000
C
25
5000
84
42
Asignar Nro
Cuadrillas (NCD)
Modelo Simulacin
TotCD
Generar Nro
Camiones (NCM)
Arriban x Da
C6
Generar Tipo
Carga x Camin
C1
C5
C2
C3
Generar Peso
Carga x Camin
NCD
Imprimir x Da
Valores Generados
y Costo Descarga
Calcular Costo
Descarga (CD)
TotCD=TotCD+CD
Imprimir Ndias,
Nro Cuadrillas
y Costo Total
Descarga
NDias=NDias + 1
SI
NO
Ndias=10 ?
85
Indicadores Iniciales
Nro arribos ~ Poisson (l) o
Tpo entre arribos ~ Exponencial (1/l)
Tiempo servicio ~ Exponencial (1/ )
Por lo tanto :
86
43
1cola/1servidor/Pobl.NoFinita
1cola/1servidor/Pobl.Finita(k)
1cola/MltiplesServ. (s)Paralelo/Pobl.NoFinita
s1
s1
s1
s2
s
1cola/MltiplesServ. (s)Paralelo/Pobl.Finita(k)
s1
k l
s2
s
1cola/MltiplesServ. (s)Serie/Pobl.NoFinita
s1
s2
87
88
44
Continuacin ....
Luego sumando (1)+(2)+(3)+(4) tenemos:
Pn (t+Dt) = Pn(t)[1- lDt][1- Dt] + Pn(t)[lDt][Dt] + Pn-1(t)[lDt][1- Dt]
+ Pn+1 (t)[1- lDt][Dt]
Agrupando trminos y eliminando los factores (Dt)2, tenemos :
Pn (t+Dt) - Pn (t) = lPn -1(t) (l+) Pn(t) + Pn+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):
Pn (t+Dt) - Pn (t) = 0 entonces lPn-1 (l+) Pn + Pn+1 = 0
Finalmente, agrupando trminos obtenemos :
Pn + 1 = (- l/)Pn -1 + [ (l+)/ ]Pn .................... ()
89
Continuacin ....
90
45
Probabilidades relevantes
91
s.q. l < m
NEUS =
2
( )
s.q. l < m
92
46
TEPUC =
( )
TEPUS =
93
CT
CTAS
CTS
CTP
0
UNI-FIIS<Investigacin Operaciones II>
94
47
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.
UNI-FIIS<Investigacin Operaciones II>
95
d2
d1
l = 80 autos/milla
1 milla = 5280 pies
di 30 pies
30
- (80/5280)d
P(d < 30) = 0 (80/5280)e
= 1 - e- 30/66
= 0.37
n ~ Poisson (l)
dd
d ~ Expon (1/l)
96
48
Problema 2
97
24 cli 2
=
hora 5
1
1
= 2 min =
p=
2 2 4
=
= = 0,8
5
5
1
1
=
= 10
1 2
2 5
Factor de ocio = 1 Factor de utilizacin = 0,2
98
49
4 10 ( 2 5 )
= 0,29
e
5
Tiempo medio de espera en cola:
P(t espera > 10) = p e 10 ( ) =
4
p
5
=
=8
(1 p) (1 4 ) 1
5 2
99
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:
100
50
10 personas 1 persona 1
=
=
hora
6 min
6
1
1
= 4 min =
4
1
2
= 6 =
p =
1
3
4
Factor de utilizacin:
Existir cola cuando en el sistema haya
ms de 1 cliente.
P ( N > 1) = 1 ( P0 + P1 )
P0 = p 0 (1 p ) =
P1 = p 1 (1 p ) =
Probabilidad de ms de 1 cliente en el
sistema:
1 2
4
P (N > 1) = 1 ( + ) =
3 9
9
1
3
21 2
=
33 9
101
12 ( ) 2 12 ( 4 6 ) 2 1
= e
= e
P(tespera 12) = pe
3
3
UNI-FIIS<Investigacin Operaciones II>
102
51
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
103
(4)3e-4/3! + (4)4e-4/4!
(4)e- 4t dt = 1 - [1- e-8] = e-8
1-
104
52
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 /
UNI-FIIS<Investigacin Operaciones II>
105
= 1/l ~ Exp
(1- r)2
r = 1 - Ca
Ce
106
53
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.
UNI-FIIS<Investigacin Operaciones II>
107
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.
UNI-FIIS<Investigacin Operaciones II>
108
54
Preguntas sobre el
sistemas de colas
109
55