Upload
citlalii-garciia
View
9
Download
0
Embed Size (px)
Citation preview
1INVESTIGACIN DE INVESTIGACIN DE OPERACIONES IIOPERACIONES II
Ing. Luis Zuloaga RottaIng. Luis Zuloaga Rotta
UNI-FIIS 2
2UNI-FIIS 3
UNI-FIIS 4
SISTEMASISTEMA
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.
3UNI-FIIS 5
SistemaSistemaInputInputOutputOutput
RequerimientosRequerimientos
ResultadosResultados
TransformacionesTransformaciones(procesos recursos)
(inputs)
(Outputs)
UNI-FIIS 6
Enfoques para el anlisis de Enfoques para el anlisis de SistemasSistemas
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.
4UNI-FIIS 7
Anlisis CATDWEAnlisis CATDWE
C : cliente A : actor D : dueo T : transformacin W : weltanshaung E : entorno
UNI-FIIS 8
ModeloModelo 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.
5UNI-FIIS 9
Funcin de los ModelosFuncin 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.
UNI-FIIS 10
Cmo mejorarel sistema ?
ObjetivosRestriccionesProcesosRecursosLocacionesCostos
Sistema bajoestudio
Analista omodelador
Paradigmas
6UNI-FIIS 11
SimulacinSimulacin 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 12
SimulacinSimulacin
... 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
7UNI-FIIS 13
Para qu usar la Simulacin ?Para qu usar la Simulacin ?
Para experimentar con escenarios what-if. Para comprender el impacto de la
introduccin de nuevas tecnologas. Para visualizar una representacin dinmica
del sistema. Para probar/analizar un diseo previo a la
implementacin. Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
UNI-FIIS 14
Para qu usar la Simulacin ?Para qu usar la Simulacin ?
Permite una experimentacin controlada. Para un anlisis sin disturbios (efecto
Hawthorne) ni interrupciones en el sistema. Por su facilidad de uso y comprensin. Visualizacin realistica y convincente. Para forzar la atencin a detalles del
diseo. Porque es muy caro experimentar
directamente sobre el sistema.
8UNI-FIIS 15
Ventajas de la SimulacinVentajas 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 16
Desventajas de la SimulacinDesventajas 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.
9UNI-FIIS 17
FORMULACINDEL
PROBLEMA
DEFINICINDEL SISTEMA
ES TIL LASIMULACIN ?
FORMULACINDEL MODELO
PREPARACINDE DATOS
TRASLACINDEL MODELO
No
FIN
S
A B
S
EL MODELOES VLIDO ?
PLANEACINESTRATGICA
PLANEACINTCTICA
EXPERIMENTACIN
INTERPRETACINES TIL ?
IMPLANTACIN
DOCUMENTOPROPUESTAS
No
S
A B
EL PROCESO DE SIMULACINEL PROCESO DE SIMULACIN
UNI-FIIS 18
Validacin del ModeloValidacin del Modelo
Es el proceso de llevar a un nivel aceptable la confianza del usuario referente a que acepte cualquier inferencia acerca de un sistema que se derive de la simulacin.
No existe la prueba de validacin. En lugar de esto, el experimentador debe realizar pruebas a lo largo del proceso de desarrollo del modelo, a fin de crear confianza.
10
UNI-FIIS 19
Experimentacin y anlisis de Experimentacin y anlisis de sensibilidadsensibilidad
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 20
Mtodos para validar el modeloMtodos para validar el modelo Debemos cerciorarnos de que el modelo tenga
validez de forma general. Es posible que el modelo d respuestas absurdas
s i se lleva los parmetros a valores extremos ? El segundo y tercer mtodo se basan en la
prueba de suposiciones y en la prueba de transformaciones de entrada-salida. Estas conllevan el uso de pruebas estadsticas de medias y varianzas, regresin, anlisis de factores, autocorrelacin, pruebas no paramtricas, etc.
11
UNI-FIIS 21
DIAGRAMA DE FLUJO
UNI-FIIS 22
LAYOUTPROCESOSLAYOUT DEPROCESOS
Ruta trabajoRuta trabajo
12
UNI-FIIS 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 descomposicin funcional del negocio.
UNI-FIIS 24
Funciones y Procesos de NegocioFunciones y Procesos de Negocio
Una funcin es un grupo de actividades de alto nivel que juntas apoyan un aspecto del negocio.
Los procesos de negocio tambin son agrupamientos de actividades, pero ocurren a un nivel inferior.
La ejecucin de un proceso tiene sentido para el negocio; es una actividad que se inicia por un evento.
13
UNI-FIIS 25
Cmo modelar el Sistema ?Cmo modelar el Sistema ?
UNI-FIIS 26
Se usan grficos (generalmente cajas y flechas) para proveer los datos acerca de la estructura del sistema, razn por la que la mayor parte de la gente piensa en modelos de procesos como representaciones pictricas.
Con el modelamiento de procesos se puede mirar el sistema de inters con profundidad, de modo que delicados matices de su organizacin puedan ser analizados, comprendidos y tal vez lo mas importante, comunicados a otros.
Cmo se modelan los procesos ?Cmo se modelan los procesos ?
14
UNI-FIIS 27
ModelamientoModelamiento de Procesos de Procesos IDEFIDEF
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.
UNI-FIIS 28
IDEF: IDEF: QueQue eses ?? Una tcnica para modelar :
funciones : actividades acciones procesos operaciones
relaciones funcionales y datos (informacion y objetos) de un sistema o empresa.
15
UNI-FIIS 29
IDEF IDEF eses Lenguaje de modelamiento grfico (sintaxis y
semantica) + metodologa para desarrollarmodelos 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
UNI-FIIS 30
ICOMICOM InputsInputs
Items consumidos o transformados por procesos Ejemplo : materiales, informacin, capital, energa, ...
ControlesControles Restricciones o gobierno del proceso Ejemplos : lineamientos, reglas de negocio, polticas, ...
OutputsOutputs Resultados del proceso, esto es una entrada transformada Ejemplos : materiales, informacin, ...
MecanismosMecanismos Recursos utilizados para producir la salida (usada por los procesos) Ejemplos : personal, sistemas, equipos, ...
16
UNI-FIIS 31
La actividad (o funcin) 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.
IDEF
Actividada ejecutar Output
Mecanismo(Recurso)
Input
Restriccin
El Orden de las cajas no implica necesariamente una secuencia !! La descomposicin es Top Down !!
UNI-FIIS 32
IDEFIDEF eses unauna descomposicidescomposicinnTop DownTop Down
Mas General
Mas Detal lado
A2
2.1
2.22.3
A-0
Este diagrama es elpadre 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 33
Combinaciones de flechas Combinaciones de flechas de de interfaceinterface
Output Input
Output Control
Output Mecanismo
Output Control feedback
Output Input feedback
UNI-FIIS 34
Bifurcaciones y UnionesBifurcaciones y Uniones Las salidas (outputs) de una
actividad pueden ser usadas por ms que una actividad.
En IDEF las flechas en general, pueden bifurcarse o unirse, renombrndose en caso sea necesario para especificar mayor detalle (dado que es un subconjunto de la flecha principal).
POLITICAS &PROCEDIMIENTOS
POLITICAS &PROCEDIMIENTOS
DE PERSONAL
POLITICAS &PROCEDIMIENTOS
DE VENTAS
Material residual
Material defectuoso
Material rechazado
18
UNI-FIIS 35
Sistema BancarioOPERACINOPERACINBANCARIABANCARIA
ESPERA XESPERA XSERVICIOSERVICIO
ATENCINATENCINCLIENTECLIENTE
ARRIBO CLIENTE
PERSONALBANCO
CLIENTE CONOPERACINREALIZADA
REGLAMENTO BANCO CLIENTE
CANSADO ESPERAR
CLIENTE CON OPERACIN PENDIENTE
CLIENTE PASA A VENTANILLA
UNI-FIIS 36
Que sigue ... ?Que sigue ... ? Una vez identificados y comprendidos
los procesos u actividades, se define la situacin problema.
A continuacin se identifican las variables del vector de estado (var. aleatorias), para luego observar y registrar su comportamiento (muestra).
Se organiza la data recogida y se plotea, procediendo a plantear una hipotesis nula H0.
x1
x2 x3
x4 x5
x6xn
xi frec[a1,a2] 8
19
UNI-FIIS 37
Nmeros Random ( #r ) Son nmeros reales (r) distribudos
uniformemente en el intervalo [0,1].
r = 1/2Var(r) = 1/12
0 1r0r
UNI-FIIS 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 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) = 3r2= 22 MODULO (8) = 6
20
UNI-FIIS 39
Restricciones para los Restricciones para los parmetros de algoritmoparmetros 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
UNI-FIIS 40
Parmetros y VariablesParmetros y Variables
En un experimento se tiene informacin o datos de dos tipos :
PARMETROS: permanecen sin cambio durante todo el tiempo que dura el experimento.
VARIABLES: cambian durante el experimento.
21
UNI-FIIS 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 teora de probabilidad para las variables asociadas.
VARIABLE ALEATORIA: variable en un proceso estocstico.
UNI-FIIS 42
Distribucin de probabilidad
FALLAS
20
30
70
FRECUENCIA
CBA
FALLAS
1/3
1/4
7/12
PROBABILIDAD
CBA
22
UNI-FIIS 43
Tipos de Distribucin Tipos de Distribucin ProbabilidadProbabilidad
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.
UNI-FIIS 44
Funciones Generadoras de Funciones Generadoras de Valores AleatoriosValores Aleatorios
Para reproducir el comportamiento de los sistemas a travs de los modelos, es necesario reproducir el comportamiento de los objetos del sistema, a travs de la reproduccin de las actividades en las que intervienen, especialmente las relacionadas con variables aleatorias.
Recogemos una muestra de datos para cada variable identificada, realizamos el ajuste correspondiente a alguna funcin de probabilidad conocida o no.
23
UNI-FIIS 45
Mtodo de la Mtodo de la Transformacin InversaTransformacin Inversa
Muchas de las Funciones de Distribucin de probabilidad acumuladas son univalentes de all que tienen inversa.
F(x) = p(X x) ~ UNIF(0,1)
tambin #r ~ UNIF(0,1)entonces #r = F(x)por lo tanto x = F-1(#r)
r0
x0
1
F(x)
0 X
UNI-FIIS 46
Uniforme Contina (UC)
a bx0x
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 47
Exponencial Negativa (Exponencial Negativa (ExpExp)) Funcin continua con
dominio [0,+ .
f(X) = e-x ; x0
F(x) = ox0 f(x)dx
x
f(x)
0 x0 0
F(x)1
x
#r
x0
Media (x) = 1/Var (x) = 1/2
Dado que F tiene inversa, entonces #r = F(x), luego #r = 1 - e-x por lo tanto x = - (1/)ln(1-#r)
UNI-FIIS 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 49
Normal (Normal (NormNorm)) Teorema del Lmite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables aleatorias independientes, tambin con media y varianza conocidas, para un n suficientemente grande, se puede aproximar a travs de una distribucin normal.
f(x) = 1 e -(1/2)[(x- )/ s]22p s
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
n/12 sTomando n = 12 encontramos que : X = + s [(S #ri) - 6]
12
UNI-FIIS 50
BernoulliBernoulli ((BernBern)) Es una distribucin discreta en la que los resultados
del experimento aleatorio slo arrojan dos valores posibles 0 o 1(fracaso o xito).
X =
0 si #r p
1 si #r < pf(x) = px(1-p)1-x / p = xito
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 51
BinomialBinomial ((BinBin)) 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)
n
0 1 2 3 4
x
0.40
0.20
0.10
f(x)Bin (4,0.5)
UNI-FIIS 52
PoissonPoisson ((PoisPois))
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
x
f(x) = lx e- l / med(x) = lx!
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(l)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
0 0
27
UNI-FIIS 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 54
Mtodo de RechazoMtodo 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 aleatoriosb. Se define x= a + (b-a)r1c. Si r2 = g(x) entonces x es
observacin. En otro caso, volver al paso a.
a b
Mf(x)
x
1 g(x)
28
UNI-FIIS 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 observacin, 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, as r2 = 3 r1/3 = r1, o sea si r2 = r1, entonces x es observacin, de lo contrario volver a generar r1 y r2.
UNI-FIIS 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 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).
29
UNI-FIIS 57
Prueba de Prueba de JiJi--CuadradoCuadrado Es recomendable para muestras cuyo tamao
es mayor que 100. Calcular :
cc2 =S (fofoi fefei)2fefei
Donde : k # intervalos de clasefo frecuencia observada
fe frecuencia esperada, tal que fe = np(x i)5n tamao de la muestrap(xi) probabilidad terica para xi
k
i=1
UNI-FIIS 58
JiJi--Cuadrado ...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 libertadtal que #gl = K - #parm.estimados 1
Comparamos, y aceptamos H0 si :cc2
30
UNI-FIIS 59
Prueba de Prueba de KolmogorovKolmogorov -- SmirnovSmirnov 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 a (nivel significancia) y n(tamao muestra).
Se acepta H0 si se cumple que : Dc
31
UNI-FIIS 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 a = 5%.
H0 : Los datos se pueden aproximar a travs de una distribucin Uniforme.
Int Frec FrecRel1 8 0.082 17 0.173 5 0.054 5 0.055 12 0.126 18 0.187 5 0.058 14 0.149 13 0.13
10 3 0.03100
1 2 3 4 5 6 7 8 9 10
0.1 UNIF
UNI-FIIS 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/s10 3 0.03 1 0.1 1 0.0
100
Tabla de Clculos Ejemplo 1
Dc = 0.07Dt (5%,100) = 1.36/ 100 = 0.136Como Dc
32
UNI-FIIS 63
Ejemplo 2Ejemplo 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 a = 5%.
FrecTiempo
118 t < 20
216 t < 18
314 t < 16
512 t < 14
810 t
33
UNI-FIIS 65
t ProbTeor (fo - Ei)2/Ei
1 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 0.46813 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 )|020
=0.0164
UNI-FIIS 66
Respuesta Ejemplo 2 ...Respuesta Ejemplo 2 ... Determinamos #gl = 8 1 1 = 6 De Tablas determinamos :
cct2 (95%,6) = 12.6 Como :
ccc2
34
UNI-FIIS 67
RecomendacionesRecomendaciones 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)
UNI-FIIS 68
Ejemplo 3 Construir una funcin generadora de valores
aleatorios para la siguiente funcin de distribucin de probabilidades (fdp):
f
20 a
a
x
35
UNI-FIIS 69
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:
f =
F =
x si x e [0,1]
-x + 2 si x e
36
UNI-FIIS 71
Ejemplo 4 Loas alumnos de la FIIS estn distribuidos entre 60% para la
especialidad de Industriales y 40% para la especialidad de Sistemas. Se desea simular la cantidad de alumnos de la especialidad de Sistemas que figuran dentro del arribo de un grupo de cuatro alumnos.
Estamos al frente de un comportamiento Binomial, el cual simulamos a travs de comportamientos Bernoulli.
e = ~ Bern (p=2/5)0 si #r > 2/51 si #r < 2/5
x = ~ Bin (n=4, p=2/5)4
1ie
s I I I
UNI-FIIS 72
Mecanismos de control de Tiempo Mecanismos de control de Tiempo de la Simulacinde la Simulacin
Dado que la ejecucin de eventos en una PC es secuencial, estos mecanismos permiten controlar la cadena de eventos presente y futura durante la ejecucin de la simulacin.
En los sistemas discretos los eventos que influyen sobre el sistema ocurren en puntos especficos en el tiempo, no en forma continua, de all que mas importante ser el mecanismo de control de tiempo variable, cuyo tiempo se incrementa en funcin de los momentos en los que se da la ocurrencia del evento.
37
UNI-FIIS 73
EjemploEjemplo Se est diseando una mquina
para inyectar lquido a envases de diferentes capacidades, y tiene una lnea de produccin. Eventualmente se derramarlquido 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.
UNI-FIIS 74
Ejemplo ...Ejemplo ... Se conocen las siguientes caractersticas del proceso y de la
mquina: La cantidad de l quido que se inyecta no siempre es exacta, se
comporta como una V. A. normal con media igual a la cantidad ideal a inyectar en el envase y desviacin estndar igual al 1% de esa cantidad ideal.
Los envases tampoco tienen una capacidad nica sino que varan por defectos de forma y de fabricacin. La capacidad de los recipientes es de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviacin estndar del 5% de su capacidad total . La posibilidad 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 inyecccindesde 200 ml hasta 1.5 litros. Haga su clculo tomando en cuenta que llenar envases de 330 ml.
38
UNI-FIIS 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 76
PseudocPseudocdigodigo 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 lnea.
Con una variable aleatoria normal con med =1.05 (330 ml) y desv.est.= 5% de 1.05(330 ml.)
Se generan las cantidades inyectadas en la lnea . Con una variable normal con med=330 ml y desv.est.= 1%(330 ml.)
Se corrigen los valores que se aportan por las limitaciones fsicas. Para la inyeccin hasta un total de 2 litros inyectados(por falla) Para la capacidad hasta un 10% del especificado como valor medio
(1.05*330 ml.) Se calculan las cantidades rebasadas en cada caso.
Inyectado - envasado (en el cado que inyectado > envasado)
39
UNI-FIIS 77
Tiempoentre
Arribos (t)
Cola
Servicio
Poblacin
SISTEMA DE COLASSISTEMA DE COLAS
Arribos
Tiempo deServicio
Politica deservicio
UNI-FIIS 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 funcin de sus tasas de arribo y de servicio, variables cuyo comportamiento puede ser aleatorio.
Para nuestro estudio consideraremos que los arribos se ajustan a una distribucin de Poisson con tasa media l o tiempo entre arribos Exponenencial con tasa media 1/l.
Los tiempos de servicio son Exponenciales con tasa media .
40
UNI-FIIS 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 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 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 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 83
Ejemplo : Modelo SimulacinEjemplo : 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 :
UNI-FIIS 84
Modelo Simulacin ....Modelo Simulacin .... 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 poltica de la Cia. es descargar en el da todos los camiones que arribaron el da anterior sin importar los costos de tiempo extra implcitos. El contrato del sindicato demanda una bonificacin del 50% por horas extras fuera de la jornada de trabajo de 8 Hr diarias.
Con base a una simulacin de 10 das determine cuantas cuadrillas se requieren para reducir al mnimo los costos totales de descarga.
Si aplicaramos la poltica de que los camiones deben descargarse el mismo da de su llegada en lugar del da siguiente, y que la tasa media de llegadas sube a 4 Cam/Da Cuntas cuadrillas se requerirn para reducir al mnimo los costos totales de descarga.
0 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 85
Modelo SimulacinModelo SimulacinGenerar Nro
Camiones (NCM)Arriban x Da
Generar TipoCarga x Camin
Generar PesoCarga x Camin
Calcular Costo Descarga (CD)
Asignar NroCuadrillas (NCD)
NDias=NDias + 1
Ndias=10 ?NO
TotCD=TotCD+CD
Imprimir x DaValores 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 86
Indicadores InicialesIndicadores 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
44
UNI-FIIS 87
Estructuras de los Sistemas de ColaEstructuras de los Sistemas de Cola 1cola/1servidor/Pobl.NoFinita
1cola/1servidor/Pobl.Finita(k)
1cola/MltiplesServ. (s)Paralelo/Pobl.NoFinita
1cola/MltiplesServ. (s)Paralelo/Pobl.Finita(k)
1cola/MltiplesServ. (s)Serie/Pobl.NoFinita
kk
s1
kk
s2
s1
s2
s1 s2
s
s
s
l
l
l
l
l
1 2 s
s1
s1
UNI-FIIS 88
Determinacin de la Probabilidad de que en Determinacin 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 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
Pn(t)[lD t][D t] ..................(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- lD t][Dt] ...........(4)
45
UNI-FIIS 89
Continuacin ....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 .................... ()
UNI-FIIS 90
Continuacin ....Continuacin .... Similarmente para determinar la probabilidad de que exista un us uario
en el sistema : No existen usuarios al final del tiempo t y no llega nadie en Dt
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
46
UNI-FIIS 91
Probabilidades relevantesProbabilidades 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+1P0 + (l/)N+2P0 + (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 = Pn+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
UNI-FIIS 92
Sistema: 1 Cola/1 Servidor/Poblacin No Sistema: 1 Cola/1 Servidor/Poblacin No FinitaFinita
Nmero esperado de usuarios en el sistema (NEUS):NEUS = S i.Pi = 0P0 +1P1+ 2P2+ 3P3+ 4P4+ 5P5+ ....
s.q.
Nmero esperado de usuarios en la cola (NEUC):
NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ ....
s.q.
NEUSl
m l=
-
2
( )N E U C
lm m l
=-
l < m
l < m
47
UNI-FIIS 93
Tiempo esperado de paso de un usuario en cola (TEPUC):TEPUC = (1/ )NEUS
Tiempo esperado de paso de un usuario en el sistema (TEPUS):TEPUS = TEPUC + Tpo.Servicio = l/(-l) + 1/
( )TEPUC
lm m l
=-
1TEPUS
m l=
-
UNI-FIIS 94
Costo de Paralizacin y de ServicioCosto de Paralizacin y de Servicio Costo Total de Paralizacin :CTP = (TasaArribo)(TpoTurno)(TpoEsperPasoUsuarioStma)(CostoParalizxUnidTpo)
CTP = ( ? ) . ( Tpo ) . ( TEPUS ) . ( CPu )(cl/ut) ( ut ) ( ut/cl ) ( $/ut )
Costo Total de Servicio :CTS = (TasaServicio) (TpoTurno)(CostoServicioxUsuario)
(cl/ut) (ut) ($/cl)CTS = (TpoTurno)(CostoServxUnidTpo)
(ut) ($/ut)
Costo Total de Atencin del SistemaCTAS = CTP + CTS
CTAS
CTS
CTP
CTCT
0
CC00
48
UNI-FIIS 95
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 96
dd11
dd22
l = 80 autos/milla1 milla = 5280 piesddi i 30 pies
n ~ Poisson (l)d ~ Expon (1/l)P(d < 30) = 0
30(80/5280)e- (80/5280)d dd
= 1 - e- 30/66 = 0.37Ptto. el 37% de los autos van a una distancia no recomendable.
49
UNI-FIIS 97
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.
UNI-FIIS 98
Tiempo medio entre llegadas:
Tiempo medio de servicio:
Factor de utilizacin u ocupacin:
Nmero medio de clientes en la sala:
Tiempo medio de espera en el sistema:
Factor de ocio = 1 Factor de utilizacin = 0,2
21
21
== mm
min
8,054
522 ====
ml
p
44
541
51
=-
=- pp
10
52
21
11 =-
=-lm
5224 cli==
horal
50
UNI-FIIS 99
El 80 % del tiempo, el sastre est ocupado, y el 20% est ocioso.
probabilidad de que un cliente espere los servicios del sastre ms de 10 minutos.
Tiempo medio de espera en cola:
29,054
)10()
5
2
2
1(10
)(10 ===>--
-- eeptP esperalm
8
21)
541(54
)1(=
-=
- mpp
UNI-FIIS 100
Problema 3Una carnicera es atendida por el propietario de la misma. Aparentemente el patrn de llegada de los clientes durante los sbados se comporta siguiendo una distribucin de Poisson con una tasa promedio de llegadas de 10 personas por hora. A los clientes se les atiende siguiendo una poltica FIFO, y debido al prestigio de la tienda, los clientes siempre estn dispuestos a esperar su turno. Se estima que el tiempo que se invierte en atender a un cliente se distribuye exponencialmente con un tiempo de servicio medio de 4 minutos entre clientes. Obtener:
Probabilidad de que se cree una cola de espera. Longitud media de la cola. Tiempo esperado de permanencia en cola por cliente. Probabilidad de que un cliente permanezca menos de 12 minutos en
la tienda.
51
UNI-FIIS 101
Tiempo medio entre llegadas:
Tiempo medio de servicio:
Factor de utilizacin:
Existir cola cuando en el sistema haya ms de 1 cliente.
Probabilidad de 0 clientes en el sistema:
Probabilidad de 1 cliente en el sistema:
Probabilidad de ms de 1 cliente en el sistema:
61
6110
===min
personahorapersonas
l
41
41
== mm
min
)(1)1( 10 PPNP +-=>
31)1(00 =-= ppP
92
31
32
)1(11 ==-= ppP
94)
92
31(1)1( =+-=>NP
3
2
4161
===ml
p
UNI-FIIS 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(=
-=
- mpp
1)61
41
(12 )(12
32
32
)12( ----- === eepetP espera
lm
52
UNI-FIIS 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
l
UNI-FIIS 104
p(n>n0) = 64/100 = (l/)/)nn0+1 +1 , entoncesp(n> 1) = 64/100 = (l/)2 , entonces
l/ = 8/10 = 4/5 . (1)
Luego TEPUS = 1/ (- l) = hora/cliente, entonces1/ (-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)2e-4/2! = 8e-4
b. p(2
53
UNI-FIIS 105
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 106
tpo. surtir inventario = 1/l ~ Exptpo. agotar inventario = 1/ ~ ExpCT 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 Cadr (1- r)2
dCTi = Ca - (1- r)2Ce = Ca - Ce para determinar el r ptimo hacemos dr (1- r)2 (1- r)2
dCTi = 0 entonces Ca - Ce = 0 luego (1- r)2 = Ce/Ca r = 1 - Cadr (1-r)2 Ce
54
UNI-FIIS 107
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 108
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/clipromedio; los clientes de deposito arriban en un tiempo promedio de 5 cli/hora y demoran 3 min/cli en realizar su operacin como tiempo promedio. Los clientes de consulta llegan en promedio 8 cli/hora y la realizan en un promedio de 1 min/cli . Si todas las llegadas se ajustan a una distribucin de Poisson y todos los tiempos entre servicios a una distribucin exponencial, hallar la probabilidad de que no existan usuarios en cola.
55
UNI-FIIS 109
Preguntas sobre elsistemas de colas