INVOP2A

INVESTIGACIN DE
OPERACIONES II
Ing. Luis Zuloaga Rotta
UNI-FIIS<Investigacin 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.
Input
Sistema
Output
Requerimientos
(inputs)
Resultados
(Outputs)
Transformaciones
(procesos
recursos)
Enfoques para el anlisis de

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.
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.
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
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.
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
12
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.
13
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.
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.
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.
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
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.
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.
19
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.
20
10
DIAGRAMA DE
FLUJO
LAYOUT DE
PROCESOS
21
Ruta trabajo
22
11
Como comprender los

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.
23
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.
24
12
Cmo modelar el Sistema ?
25
Cmo se modelan los procesos ?

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.
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
relaciones funcionales y datos (informacion y

objetos) de un sistema o empresa.
28
14
IDEF 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

29
ICOM
Inputs
Items consumidos o transformados por procesos

Ejemplo : materiales, informacin, capital, energa, ...
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, ...
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.
El Orden de las cajas no implica necesariamente una secuencia !!

La descomposicin e s Top Down !!
31
IDEF es una descomposici n

Top Down
A-0
Diagrama de Contexto
Mas General
2
3
4
A0
Diagrama de Nivel Cero

Este diagrama es el
padre de ...
este diagrama.
2.1
2.2
2.3
A2
Diagrama de Primer Nivel

2.3. 1
Mas Detal lado
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
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).
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
35
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 H0.
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
Algoritmos para generar #r

Algoritmos congruenciales :
Mixto
: #ri+1 = ( a + b #ri)Mod(m)
Multiplicativo : #ri+1 = ( b #ri)Mod(m)
EJEMPLO: Generar 2 nmeros aleatorios de mdulo 8
con constantes a= 7 y b= 5 y una semilla r0 = 4.
ri+1= (5ri + 7) MODULO(8)

r1= 27 MODULO (8) = 3
r2= 22 MODULO (8) = 6
38
19
Restricciones para los

parmetros de algoritmo
a, b, m y r0 deben ser mayores que cero (0).

r0 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 = 10d y d 4 (d # de bits de una palabra del computador)

Periodo mximo m/20
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.
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.
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
F(x) = p(X x) ~ UNIF(0,1)

tambin
#r ~ UNIF(0,1)
entonces
#r = F(x)
por lo tanto x = F-1(#r)
45
Uniforme Contina (UC)

F(x)
F(x) = (x0 -a)/(b-a)

1
b-a
1
#r
x
a
x0
x0
Dado que F tiene inversa, entonces #r = F(x),

luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a)
46
23
Exponencial Negativa (Exp)
Media (x) = 1/
Var (x) = 1/2
F(x)
1
Funcin continua con

dominio [0,+ .
f(x)
f(X) = e-x ; x0
#r
x0
F(x) = o f(x)dx
0
x0
x0
Dado que F tiene inversa, entonces #r = F(x), luego

#r = 1 - e-x por lo tanto x = - (1/)ln(1-#r)
47
Lineal (Lin)
f(x)
F(x) = (x0 -a)2

(b-a)2
F(x)
1
2
b-a
#r
x
a
f(x) = 2(x-a)
(b-a)2
x0 b
dado que F tiene inversa, entonces

entonces x = a + (b-a) #r
#r = F(x)
48
24
Normal (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
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
Ej: Trompo f(x) = (1/3)x (2/3)1-x

X=
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:
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 = Sbi / bi ~ Bern(p)

tenemos que x ~ Bin (n,p)
f(x)
0.40
Bin (4,0.5)
0.20
0.10
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)
Si ti ~ Exp(1/l) entonces t = - (1/l)ln(1-#r)

Luego x = max {i : Sti T < Sti } ~ Poiss(l)
i
i+1
52
26
Uniforme Discreta (UD)

F(x)
1
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
53
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.
f(x)
M
g(x)
b
x
54
27
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.
55
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 (H0).
H0 : No existe diferencia significativa entre los datos
observados y los que se obtendran a partir de una
distribucin ............ (distribucin de probabilidad terica).
56
28
Prueba de Ji-Cuadrado
Es recomendable para muestras cuyo tamao
es mayor que 100.
Calcular :
cc =Si=1 (foi fei)2

2
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
Prueba de Kolmogorov - 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 :
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
61
Tabla de Clculos Ejemplo 1

Int
1
2
3
4
5
6
7
8
9
10
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:
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
H0: Los datos del tiempo entre

Arribos se pueden aproximar a
travs de una Distribucin
Exponencial Negativa.
0.33
0.22
0.15
f(t) = 0.21e- 0.21t
0.10
0.07
0.05
0.03
t
0 2
8 10 12 14 16 18 20
(1/) = (Sti.f o)/ Sfo = 714/150 = 4.76 entonces = 0.21

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
(fo - Ei) /Ei
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
P(0 ti < 2) = 0 0.21e- 0.21tdt = - e- 0.21t
...
20
|020 =0.0164
P( ti 21) = 1 - 0 0.21e- 0.21tdt = 1 (e- 0.21t )

65
Respuesta Ejemplo 2 ...

Determinamos #gl = 8 1 1 = 6
De Tablas determinamos :
ct2 (95%,6) = 12.6
Como :
cc2 << ct2
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=
Una vez definida f

determinamos la
funcin de distribucin
acumulada F
si x e [0,1]
1 (1/2)(2- x)2 si x e <1,2]

69
Graficamos la funcin acumulada F

F
1/2
#r
x=
2#r
2-
Como F es montona entonces

tiene inversa, F(x) = #r :
i. x2/2 = #r v
ii. 1 (1/2)(2-x)2= #r
Despejando x en funcin de #r:
x i. x = 2#r
2
ii. x = 2 - 2(1- #r)
Luego 0 x 1
0
2#r 1
0 #r 1/2
si #r e [0,1/2]
2(1- #r ) si #r e <1/2,1]
70
35
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=
0 si #r > 2/5
1 si #r < 2/5
~ Bern (p=2/5)
x=
e i ~ Bin (n=4, p=2/5)
71
Mecanismos de control de Tiempo

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.
72
36
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.
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.
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.
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
75
Pseudocdigo del programa para

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)
76
38
Cola
Poblacin
Tiempo
entre
Arribos (t)
Politica de
servicio
Servicio
Arribos
Tiempo de
Servicio
SISTEMA DE COLAS
77
Premisas para el estudio de un

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
.
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
RELOJ < SUMTA
GENERAR TS
COMPARAR RELOJ = SUMTA

RELOJ::SUMTA
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
TA4 =TA4 TE3

TA3 =TA3 TE1
TA2 =TA2 TE1
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
82
41
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 :
83
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.
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
Definir Plan Trabajo
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 :
Tasa arribo l y tasa de servicio

Factor de ocupacin del Stma. r = (l/)
Probabilidad que Stma.vacio P0 = 1 (l/)
Porcentaje de Tiempo Ocioso del Servicio 100P0
86
43
Estructuras de los Sistemas de Cola
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
Determinacin de la Probabilidad de que en

el Stma
Stma.. existan n usuarios
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 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
Pn(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
Pn-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
Pn + 1(t)[1- lDt][Dt] ...........(4)
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 ....
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
P0 (t)[lDt]
Existe 1 usuario al final del tiempo t, no llega nadie y se va 1 en Dt
P1 (t)[1- lDt][Dt]
Agrupando trminos, eliminando los factores (Dt)2 y aplicando la
propiedad del olvido tenemos que :
lP0 + P1 = 0 entonces P1 = (l/) P0 ...... (d)
De () y (d) :
para n=1 P2 = (l/) 2 P0
para n=2 P3 = (l/) 3 P0
Para n=3 P4 = (l/) 4 P0
generalizando Pn = (l/) n P0
90
45
Probabilidades relevantes
Probabilidad de que en el stma. existan ms de N usuarios:

P(n>N) = PN+1 +PN+2 +PN+3 +PN+4 .......
= (l/)N+1P 0 + (l/)N+2P 0 + (l/)N+3P0 + ........
= P0 [(l/)N+1+ (l/)N+2+ (l/)N+3+ ........ ]
= P0 [ (l/)N+1/ [1- (l/)] ] luego P(n>N) =(l/)N+1
Probabilidad de que existan n usuarios en cola :

Pn Cola = P n+1 Stma entonces
Pn cola = (l/)N+1P0
Probabilidad de que la cola este vaca :

P~ Cola = P0 + P1
entonces P~ Cola = 1 - (l/)2
91
Sistema: 1 Cola/1 Servidor/Poblacin No

Finita
Nmero esperado de usuarios en el sistema (NEUS):
NEUS = S i.P i = 0P0 +1P1+ 2P2+ 3P3+ 4P4+ 5P5+ ....
s.q. l < m
NEUS =
Nmero esperado de usuarios en la cola (NEUC):

NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ ....
NEUC =
2
( )
s.q. l < m
92
46
Tiempo esperado de paso de un usuario en cola (TEPUC):

TEPUC = (1/ )NEUS
TEPUC =
( )
Tiempo esperado de paso de un usuario en el sistema (TEPUS):

TEPUS = TEPUC + Tpo.Servicio = l/(-l) + 1/
TEPUS =
93
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 )
CT
CTAS
Costo Total de Servicio :

CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario)
(cl/ut)
(ut)
($/cl)
CTS = (TpoTurno)(CostoServxUnidTpo)
C0
(ut)
($/ut)
CTS
CTP
Costo Total de Atencin del Sistema

CTAS = CTP + CTS
0
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.
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)
Ptto. el 37% de los autos van a una distancia no recomendable.

96
48
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.
97
24 cli 2
=
hora 5
Tiempo medio entre llegadas:
Tiempo medio de servicio:
1
1
= 2 min =
Factor de utilizacin u ocupacin:
p=
2 2 4
=
= = 0,8
5
5
Nmero medio de clientes en la sala:

4
p = 5
=4
1 p 1 4
5
Tiempo medio de espera en el sistema:
1
1
=
= 10
1 2
2 5
Factor de ocio = 1 Factor de utilizacin = 0,2
98
49
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.
1
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:
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.
100
50
10 personas 1 persona 1
=
=
hora
6 min
6
Tiempo medio entre llegadas:
Tiempo medio de servicio:
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 )
Probabilidad de 0 clientes en el sistema :
P0 = p 0 (1 p ) =
Probabilidad de 1 cliente en el sistema:
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
Longitud media de la cola:

2 2
p2 = ( 3 ) = 4
1 p 1 2
3
3
Tiempo medio de espera en cola:

2
p
3
=
=8
(1 p ) (1 2 ) 1
3 4
Probabilidad de que un cliente permanezca

menos de 12 minutos en la tienda:
P(t espera < 12) = 1 P(tespera 12)
1 1
12 ( ) 2 12 ( 4 6 ) 2 1
= e
= e
P(tespera 12) = pe
3
3
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
p(n>n0 ) = 64/100 = (l/)

/)n0+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.
c.
(4)3e-4/3! + (4)4e-4/4!
(4)e- 4t dt = 1 - [1- e-8] = e-8
p(2<x<5) = p(x=3) + p(x=4) =

p(t>2) =
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 /
tpo. surtir inventario
105
= 1/l ~ Exp
tpo. agotar inventario = 1/ ~ Exp

CT inventario
= Costo escasez + Costo almacenamiento
= P0 * Ce + Inventario*Ca
= (1- l/)(Ce) + (NEUS)(Ca)
= (1-r)Ce + [l /(- l )]Ca
= (1- r)Ce + [r /(1- r)]Ca
= [(1- r)2Ce + r Ca]/(1- r)
dCTi = [2(1- r)(Ce)(-1)+Ca](1- r) - (-1)[(1- r)2Ce+ r Ca]
dr
(1- r)2
dCTi = [-2(1- r)2(Ce)+Ca(1- r) +(1- r)2Ce+ r Ca

dr
(1- r)2
dCTi = Ca - (1- r)2Ce = Ca - Ce
dr
(1- r)2
(1- r)2
para determinar el r ptimo hacemos
dCTi = 0 entonces Ca - Ce = 0 luego (1- r)2 = Ce/Ca

dr
(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.
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.
108
54
Preguntas sobre el
sistemas de colas
109
55

INVOP2A

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

INVOP2A

Загружено:

Авторское право:

Доступные форматы

INVESTIGACIN DE

Ing. Luis Zuloaga Rotta

UNI-FIIS<Investigacin Operaciones II>

UNI-FIIS<Investigacin Operaciones II>

Enfoques para el anlisis de

Enfoque de la transicin de estado.

Enfoque de las partes componentes.

UNI-FIIS<Investigacin Operaciones II>

Funcin de los Modelos

Una ayuda para el pensamiento

UNI-FIIS<Investigacin Operaciones II>

Para qu usar la Simulacin ?

Para qu usar la Simulacin ?

UNI-FIIS<Investigacin Operaciones II>

Validacin del Modelo

Mtodos para validar el modelo

UNI-FIIS<Investigacin Operaciones II>

UNI-FIIS<Investigacin Operaciones II>

Como comprender los

Funciones y Procesos de Negocio

Cmo modelar el Sistema ?

UNI-FIIS<Investigacin Operaciones II>

Cmo se modelan los procesos ?

UNI-FIIS<Investigacin Operaciones II>

relaciones funcionales y datos (informacion y

UNI-FIIS<Investigacin Operaciones II>

que hace un sistema

En resumen IDEF = grfico + texto + glosario

Items consumidos o transformados por procesos

El Orden de las cajas no implica necesariamente una secuencia !!

IDEF es una descomposici n

Diagrama de Nivel Cero

Diagrama de Primer Nivel

Mas Detal lado

UNI-FIIS<Investigacin Operaciones II>

Que sigue ... ?

UNI-FIIS<Investigacin Operaciones II>

UNI-FIIS<Investigacin Operaciones II>

Algoritmos para generar #r

ri+1= (5ri + 7) MODULO(8)

Restricciones para los

a, b, m y r0 deben ser mayores que cero (0).

m = 10d y d 4 (d # de bits de una palabra del computador)

UNI-FIIS<Investigacin Operaciones II>

UNI-FIIS<Investigacin Operaciones II>

UNI-FIIS<Investigacin Operaciones II>

F(x) = p(X x) ~ UNIF(0,1)

UNI-FIIS<Investigacin Operaciones II>

Uniforme Contina (UC)

F(x) = (x0 -a)/(b-a)

Dado que F tiene inversa, entonces #r = F(x),

UNI-FIIS<Investigacin Operaciones II>

Exponencial Negativa (Exp)

Funcin continua con

Dado que F tiene inversa, entonces #r = F(x), luego

F(x) = (x0 -a)2

dado que F tiene inversa, entonces

UNI-FIIS<Investigacin Operaciones II>

Teorema del Lmite Central : Toda variable aleatoria con media y

UNI-FIIS<Investigacin Operaciones II>

Ej: Trompo f(x) = (1/3)x (2/3)1-x

UNI-FIIS<Investigacin Operaciones II>

p(x=i ) =(n i)pi(1-p)n-i / med(x)=np

Entonces si x= b1+b2+b3+..bn = Sbi / bi ~ Bern(p)