Beruflich Dokumente
Kultur Dokumente
OPERACIONES II
1
UNI-FIIS<Investigación Operaciones II> 3
SISTEMA
• Conjunto de entidades u objetos
relacionados entre si (conforman una
estructura) con una misma finalidad,
alcanzar sus objetivos.
• La retroalimentación (feedback) es una
característica de los sistemas para dar
soporte a las actividades que les
permiten alcanzar los objetivos.
2
Input Output
Sistema
Requerimientos
(inputs)
Resultados
(Outputs)
Transformaciones
(procesos recursos)
3
Análisis CATDWE
• C : cliente
• A : actor
• D : dueño
• T : transformación
• W : weltanshaung
• E : entorno
Modelo
• Es toda representación de un sistema
real o abstracto, con la finalidad de
comprender sus características y/o
funcionalidad.
• Un módelo puede ser simbólico, icónico
u análogo.
– Ej: un mapa, un sistema de ecuaciones, un
diagrama de flujo, un avión a escala, una
formula, diagrama de procesos, etc.
4
Función de los Modelos
• Una ayuda para el pensamiento
• Una ayuda para la comunicación
• Para entrenamiento e instrucción
• Una herramienta de predicción
• Una ayuda para la experimentación.
Objetivos
Restricciones
Cómo mejorar Procesos
el sistema ? Recursos
Locaciones
Costos
Sistema bajo
estudio
Analista o
modelador
Paradigmas
UNI-FIIS<Investigación Operaciones II> 10
5
Simulación
• Es el estudio de un sistema a través de
un modelo ayudado de un computador,
con la finalidad de comprender su
comportamiento en un conjunto de
escenarios y plantear propuestas
alternativas de mejora.
• El curso se limitará al estudio de
modelos de simulación para sistemas
discretos.
UNI-FIIS<Investigación Operaciones II> 11
Simulación
• “ ... es el proceso de diseñar un modelo
de un sistema real y realizar
experimentos con él para entender el
comportamiento del sistema o evaluar
varias estrategias para la operación del
sistema ”
Robert Shannon
6
Para qué usar la Simulación ?
• Para experimentar con escenarios “what-if”.
• Para comprender el impacto de la
introducción de nuevas tecnologías.
• Para visualizar una representación dinámica
del sistema.
• Para probar/analizar un diseño previo a la
implementación.
• Para analizar la performance del sistema a
los cambios que se presenten en el tiempo.
7
Ventajas de la Simulación
• Una vez construido, el modelo puede ser modificado de manera
rápida con el fin de analizar diferentes políticas o escenarios.
• Generalmente es más barato mejorar el sistema vía simulación,
que hacerlo directamente en el sistema real.
• Es mucho más sencillo comprender y visualizar los métodos de
simulación que los métodos puramente analíticos.
• Los métodos analíticos se desarrollan casi siempre, para
sistemas relativamente sencillos o simplificaciones, mientras
que con los modelos de simulación es posible analizar sistemas
de mayor complejidad o con mayor detalle.
• En algunos de los casos, la simulación es el único medio para
lograr una solución.
Desventajas de la Simulación
• Los modelos de simulación en una computadora son
costosos y requieren mucho tiempo para desarrollarse y
validarse.
• Se requiere gran cantidad de corridas computacionales
para encontrar "soluciones óptimas"; esto repercute en
altos costos.
• Es difícil de comprobar que resultados de modelos de
simulación son adecuados. Por lo tanto es difícil que sean
aceptados.
• Los modelos de simulación no dan soluciones óptimas.
• La solución de un modelo de simulación puede dar al
analista un falso sentido de seguridad.
8
FORMULACIÓN EL PROCESO DE SIMULACIÓN
DEL
PROBLEMA
A B
DEFINICIÓN
DEL SISTEMA
EL MODELO
No
ES VÁLIDO ?
ES ÚTIL LA Sí
No
SIMULACIÓN ?
PLANEACIÓN
Sí ESTRATÉGICA
FORMULACIÓN
DEL MODELO FIN
PLANEACIÓN
TÁCTICA
PREPARACIÓN
DE DATOS
DOCUMENTO
EXPERIMENTACIÓN PROPUESTAS
TRASLACIÓN
DEL MODELO
INTERPRETACIÓN
Sí IMPLANTACIÓN
ES ÚTIL ?
A B
UNI-FIIS<Investigación Operaciones II> 17
9
Experimentación y análisis de
sensibilidad
• La experimentación con el modelo
(corrida) nos permite obtener la
información deseada.
• El análisis de sensibilidad consiste en la
variación sistemática de los valores de
los parámetros sobre algún intervalo de
interés y en la observación del efecto
en la respuesta del modelo.
10
DIAGRAMA DE
FLUJO
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
descomposición funcional del negocio.
12
Cómo modelar el Sistema ?
13
Modelamiento de Procesos
IDEFØ
• Modelamiento de actividades IDEFØ o Procesos
de Negocio, es una técnica para analizar el
sistema total como un conjunto de actividades o
funciones interrelacionadas.
• Las actividades (verbos) del sistema son
analizadas independientemente del o de los
objetos que los llevan a cabo.
IDEFØ: Que es ?
• Una técnica para modelar :
– funciones :
• actividades
• acciones
• procesos
• operaciones
– relaciones funcionales y datos (informacion y
objetos) de un sistema o empresa.
14
IDEFØ es …
• Lenguaje de modelamiento gráfico (sintaxis y
semantica) + metodología para desarrollar
modelos de procesos (utiliza técnica ICOM).
• Describe :
– que hace un sistema
– que controles tiene
– sobre que trabaja
– como ejecuta sus funciones
– que produce
• En resumen IDEFØ = gráfico + texto + glosario
ICOM
• Inputs
– Items consumidos o transformados por procesos
– Ejemplo : materiales, información, capital, energía, ...
• Controles
– Restricciones o gobierno del proceso
– Ejemplos : lineamientos, reglas de negocio, políticas, ...
• Outputs
– Resultados del proceso, esto es una entrada transformada
– Ejemplos : materiales, información, ...
• Mecanismos
– Recursos utilizados para producir la salida (usada por los procesos)
– Ejemplos : personal, sistemas, equipos, ...
15
IDEFØ
• La actividad (o función) es
representada por una caja.
Restricción
• Inputs son representados por la
flechas fluyendo hacia el lado
izquierdo de la caja.
Actividad • Outputs son representados por
Input Output
a ejecutar flechas fluyendo desde el lado
derecho de la caja.
• Flechas que fluyen hacia la parte
Mecanismo superior de la caja representan
(Recurso) 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 descomposición e s Top Down !!
UNI-FIIS<Investigación Operaciones II> 31
Diagrama de Contexto 1
2 Mas General
3
4
A0
2.3. 1
Mas Detal lado
2.3.2
2.3. 3
A23
16
Combinaciones de flechas
de interface
• Output – Input
• Output – Control
• Output – Mecanismo
17
Sistema Bancario
OPERACIÓN
BANCARIA
REGLAMENTO
BANCO CLIENTE
CANSADO
ARRIBO ESPERAR
CLIENTE ESPERA X
SERVICIO CLIENTE PASA
A VENTANILLA
CLIENTE CON
ATENCIÓN OPERACIÓN
CLIENTE REALIZADA
CLIENTE CON
PERSONAL OPERACIÓN
BANCO PENDIENTE
(muestra).
• Se organiza la data recogida y se H0:
plotea, procediendo a plantear una
hipotesis nula H0.
x
UNI-FIIS<Investigación Operaciones II> 36
18
Números Random ( #r )
• Son números reales (r) distribuídos
uniformemente en el intervalo [0,1].
r
0 r0 1
r = 1/2
Var(r) = 1/12
19
Restricciones para los
parámetros de algoritmo
• a, b, m y r0 deben ser mayores que cero (0).
• r0 no debe ser múltiplo de 2 ni de 5.
• a debe ser impar.
• a y m deben ser primos entre si.
• b = 200t ± z tal que :
• z = 3,11,13,19,21,27,29,37,53,59,61,67,69,77,83,o 91.
• t = 1,2,3,4,5, ...
Parámetros y Variables
• En un experimento se tiene información o
datos de dos tipos :
• PARÁMETROS: permanecen sin cambio
durante todo el tiempo que dura el
experimento.
• VARIABLES: cambian durante el
experimento.
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 teoría de probabilidad para las variables
asociadas.
• VARIABLE ALEATORIA: variable en un
proceso estocástico.
Distribución de probabilidad
FRECUENCIA PROBABILIDAD
70 7/12
30 1/4
20 1/3
A B C A B C
FALLAS FALLAS
21
Tipos de Distribución
Probabilidad
• CONTINUAS: los valores de las VA están en
algún rango de los números reales y cubren
entre todos ellos todo el rango.
• DISCRETAS: los valores de las VA pertenecen
a algún rango de los enteros o reales. Entre
dos valores de la VA hay por lo general una
infinidad de valores que no se asocian a la
variable aleatoria.
Funciones Generadoras de
Valores Aleatorios
• Para reproducir el comportamiento de
los sistemas a través de los modelos,
es necesario reproducir el
comportamiento de los objetos del
sistema, a través de la reproducción de
las actividades en las que intervienen,
especialmente las relacionadas con
variables aleatorias.
• Recogemos una muestra de datos para
cada variable identificada, realizamos el
ajuste correspondiente a alguna función
de probabilidad conocida o no.
22
Método de la
Transformación Inversa
• Muchas de las F(x)
Funciones de 1
Distribución de r0
probabilidad
acumuladas son 0 x0 X
23
Exponencial Negativa (Exp)
• Función continua con Media (x) = 1/µ
dominio [0,+∞ . Var (x) = 1/µ2
f(x) F(x)
µ f(X) = µe-µx ; x≥0 1
#r
x0
F(x) = ∫o f(x)dx
x x
0 x0 0 x0
Lineal (Lin)
F(x) = (x0 -a)2
f(x) (b-a)2 F(x)
1
2
b-a #r
x
0 a b
a x0 b x
f(x) = 2(x-a) dado que F tiene inversa, entonces #r = F(x)
(b-a)2 entonces x = a + (b-a) #r
24
Normal (Norm)
• Teorema del Límite Central : Toda variable aleatoria con media y
varianza conocidas, que se expresa como la suma de n variables
aleatorias independientes, también con media y varianza conocidas,
para un n suficientemente grande, se puede aproximar a través de
una distribución normal.
2p s
x
µ
• 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 – µ
n/12 s 12
Bernoulli ( Bern)
• Es una distribución discreta en la que los resultados
del experimento aleatorio sólo arrojan dos valores
posibles 0 o 1(fracaso o éxito).
0 si #r ≥ p
f(x) = px (1-p)1-x / p = éxito X=
1 si #r < p
25
Binomial ( Bin)
• Una distribución Binomial involucra varios procesos de
Bernoulli, digamos n procesos y, se desea el número de
éxitos x que se tendrá en todos los procesos tomados en
conjunto. La Binomial mide la probabilidad de que x=i
éxitos en n pruebas:
p(x=i ) =(n i)pi(1-p)n-i / med(x)=np y var(x)=np(1-p)
n
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 1 2 3 4
f(x)
Poisson ( Pois)
f(x) = lx e- l / med(x) = l
x!
e-?
x
0 1 2 3 4 5 6 7 8 9 10 11 12 ....
0 0
26
Uniforme Discreta (UD)
F(x)
1
f(x)
5/n
#r 4/n
1/n
3/n
2/n
x 1/n x
a1 a2 a3 a4 a5 a6 a7 ... an a1 a2 a3 a4 a5 a6 a7 ... an
a1 si 0 ≤ #r ≤ 1/n
a2 si 1/n < #r ≤ 2/n
X= a3 si 2/n < #r ≤ 3/n
...
an si n-1/n < #r ≤1
Método de Rechazo
• Se tiene una Variable Aleatoria X
con función de densidad f(x)
definida en a = x = b, además, f(x)
M= max f(x), a = x = b M
• Sea g(x)= [f(x) / M]
luego 0 = g(x) = 1
• El método consiste en:
g(x)
a. Se generan r1 y r2, dos 1
números aleatorios
b. Se define x= a + (b-a)r1 a b
c. Si r2 = g(x) entonces x es
observación. En otro caso,
volver al paso a. x
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 observación, de lo contrario volver a
generar r1 y r2.
28
Prueba de Ji-Cuadrado
• Es recomendable para muestras cuyo tamaño
es mayor que 100.
• Calcular :
cc =Si=1 (foi – fei)2
2 k
fei
Donde : k # intervalos de clase
fo frecuencia observada
fe frecuencia esperada, tal que fe = np(x i)≥5
n tamaño de la muestra
p(xi) probabilidad teórica para x i
Ji-Cuadrado ...
• Luego obtener de tablas el estadístico
de Ji-Cuadrado para : ct2(1-a, #gl)
Donde : (1 – a ) es el nivel de significancia, y
#gl : es el número de grados de libertad
tal que #gl = K - #parám.estimados – 1
• Comparamos, y aceptamos H0 si :
cc2 <<ct2(1-a, #gl) Ji-Cuadrado calculado es menor que el
teórico
29
Prueba de Kolmogorov - Smirnov
• Es recomendable para muestras cuyo
tamaño esta comprendido entre 10 y 100.
• Se determinan las frecuencias relativa y
acumulada de los valores observados, y la
probabilidad teórica y acumulada para la
distribución teórica.
• El estadístico K/S calculado se determina a
partir de la máxima de las diferencias PA(x) – FA(x)
absolutas entre la frecuencia y probabilidad
acumuladas.
• El estadístico K/S teórico se obtiene de
tablas dado un α (nivel significancia) y n
(tamaño muestra).
• Se acepta H0 si se cumple que : Dc << Dt (α,n)
Tabla de Kolmogorov/Smirnov
para una(1) muestra
30
Ejemplo 1 Int Frec FrecRel
1 8 0.08
• Suponga que se han 2 17 0.17
3 5 0.05
generado 100 #s 4 5 0.05
aleatorios y deseamos 5 12 0.12
6 18 0.18
comprobar su 7 5 0.05
uniformidad sobre 10 8
9
14
13
0.14
0.13
intervalos equidistantes 10 3 0.03
Kolmogorov/Smirnov.
Usar un α = 5%.
• H0 : Los datos se pueden 0.1 UNIF
aproximar a través de una
distribución Uniforme.
1 2 3 4 5 6 7 8 9 10
Dc = 0.07
Dt (5%,100) = 1.36/ 100 = 0.136
Como Dc << Dt (5%,100) aceptamos H0:
31
Ejemplo 2
• La siguiente tabla muestra la
Tiempo Frec
distribución de frecuencias
0 ≤t < 2
para la variable aleatoria 50
2 ≤t < 4 33
tiempo entre dos arribos
4 ≤t < 6 22
consecutivos a un 6 ≤t < 8 15
SuperMercado. 8 ≤ t < 10 11
10 ≤ t <12
• Formule la hipótesis 8
12 ≤ t < 14 5
adecuada y haga el ajuste
14 ≤ t < 16 3
correspondiente a una 16 ≤ t < 18 2
función de distribución de 18 ≤ t < 20 1
probabilidad teórica
conocida. Use un α = 5%.
Ploteo Ejemplo 2
H0: Los datos del tiempo entre
t frec frecRelat 0.33
1 50 0.33
Arribos se pueden aproximar a
3 33 0.22 través de una Distribución
5 22 0.15 0.22 Exponencial Negativa.
7 15 0.10
9 11 0.07 0.15
11 8 0.05 f(t) = 0.21e- 0.21t
13 5 0.03 0.10
15 3 0.02 0.07
17 2 0.01 0.05
19 1 0.01 0.03
+21 0 0.00 t
150
0 2 4 6 8 10 12 14 16 18 20
32
2
t Frec ProbTeor Ei=npi (fo - Ei) /Ei
1 50 0.3440 51.60 0.050
3 33 0.2252 33.78 0.018
5 22 0.1481 22.22 0.002
7 15 0.0973 14.60 0.011
9 11 0.0618 9.27 0.323
11 8 0.0419 6.29 0.468
13 5 0.0275 4.13
15 3 8 0.0181 2.72 6.84 0.197
17 2 0.0119 1.79
19 1 0.0078 1.17
+21 0 3 0.0164 2.46 5.42 1.077
150 1.0000 150.00 2.146
∫
2
P(0 ≤ ti < 2) = 0 0.21e- 0.21tdt = - e- 0.21t |02 =0.3440
P(2 ≤ ti < 4) = ∫2 0.21e- 0.21tdt =
4 4
- e- 0.21t |2 =0.2252
...
∫
20
P( ti ≥ 21) = 1 - 0 0.21e- 0.21tdt = 1 – (e- 0.21t ) |020 =0.0164
UNI-FIIS<Investigación Operaciones II> 65
33
Recomendaciones
• Dada una muestra de tamaño n para una
variable aleatoria, se puede utilizar la
Fórmula de Sturges para aproximar el
número de intervalos en los que se les
puede agrupar :
• K = 1 + 3.3 log n
• Dado que se tienen que aproximar los parámetros
de la distribución de probabilidad teórica, se pueden
utilizar las siguientes relaciones :
• Med(x) = (S xi.Foi) / n y
• Var(x) = [S xi2.Foi – n.Med2(x)] / (n – 1)
Ejemplo 3
• Construir una función generadora de valores
aleatorios para la siguiente función de
distribución de probabilidades (fdp):
f
x
0 a 2
34
Cálculo de “a”:
Por condición de una fdp, el área bajo la curva de f en su
dominio debe ser 1.
Entonces (1/2)(a)(a) + (1/2)(a)(2-a) = 1
(1/2)[a2 + 2a - a2] = 1
a=1
Determinación de la regla de correspondencia de f:
x si x e [0,1] Una vez definida f
f= determinamos la
-x + 2 si x e <1,2] función de distribución
acumulada F
x2 /2 si x e [0,1]
F=
1 – (1/2)(2- x)2 si x e <1,2]
35
Ejemplo 4
• Loas alumnos de la FIIS están distribuidos entre 60% para la
especialidad de Industriales y 40% para la especialidad de Sistemas.
Se desea simular la cantidad de alumnos de la especialidad de
Sistemas que figuran dentro del arribo de un grupo de cuatro alumnos.
• Estamos al frente de un comportamiento Binomial, el cual simulamos
a través de comportamientos Bernoulli.
0 si #r > 2/5 s I I I
e= ~ Bern (p=2/5)
1 si #r < 2/5
4
x= ∑ 1
e i ~ Bin (n=4, p=2/5)
36
Ejemplo
• Se está diseñando una máquina
para inyectar líquido a envases de
diferentes capacidades, y tiene
una línea de producción.
Eventualmente se derramará
líquido de los envases, esto se da
por la capacidad variable de los
envases y/o por el error de la
cantidad inyectada del líquido.
• Se desea incluir un recipiente
(contenedor) en la máquina para
recibir el líquido derramado, y que
éste no se disperse en el piso. Si
se tienen producciones de hasta
10,000 envases, calcule el
tamaño del contenedor para la
máquina inyectora.
UNI-FIIS<Investigación Operaciones II> 73
Ejemplo ...
• Se conocen las siguientes características del proceso y de la
máquina:
– La cantidad de líquido que se inyecta no siempre es exacta, se
comporta como una V. A. normal con media igual a la cantidad ideal a
inyectar en el envase y desviación estándar igual al 1% de esa cantidad
ideal.
– Los envases tampoco tienen una capacidad única sino que varían por
defectos de forma y de fabricación. La capacidad de los recipientes es
de 1.05 (de la cantidad ideal a inyectarle) y tienen una desviación
estándar del 5% de su capacidad total . La posibilidad m áxima del
defecto es de un 10% de la especificada como capacidad media.
• Construya un programa en C++, Pascal o en cualquier otro
lenguaje para determinar el tamaño del recipiente que se
requiere.
• Se pueden manejar envases con capacidades de inyeccción
desde 200 ml hasta 1.5 litros. Haga su cálculo tomando en
cuenta que llenará envases de 330 ml.
UNI-FIIS<Investigación Operaciones II> 74
37
ENVIO DE BOTELLAS
Diagrama de
SIMULAR LLENADO
LINEA 1
Bloques
SIMULAR LA CAPACIDAD
DE LA BOTELLA A LLENAR
SIMULAR LA CANTIDAD
A INYECTAR
DETERMINAR
REBASAMIENTO
ACUMULAR CANTIDAD
REBASADA
FIN
38
Población Cola
Tiempo
entre
Politica de
Arribos (t)
servicio
Servicio
Arribos
Tiempo de
Servicio
SISTEMA DE COLAS
39
Para t=0
CONDICIONES
INICIALES arriba el 1er Cliente
Mecanismo de Control de
C Incremento Fijo
Longitud de
LC = LC+ 1 la Cola
A
Tiempo de
GENERAR TA Arribo
RELOJ = RELOJ + 1
SUMTA = SUMTA + TA
B
VERIFICAR
SERVICIO TS > 1 TS TS = 1
SI DISPONIBLE ? NO
TOT = TOT + 1 LC = LC - 1 TS = 0
SE
TET = TET + LC DESOCUPA
SI SERVICIO
Tiempo Espera
SE OCUPA Total
SERVICIO
A B C
SUMTA4
SUMTA3
SUMTA2
SUMTA1
c1 TS1
TS2
c2
TO1
TS3
c3
TE3
c4 TS4
TE4
TS5
c5
TE5
c6
TE6
40
CONDICIONES Para t=0
INICIALES arriba el 1er Cliente Mecanismo de Control de
Incremento Variable
Tiempo
GENERAR TA
de Arribo
TA = TA - TE
Tiempo de
GENERAR TS Servicio
SI TS = TA ? NO
TE = 0 SI NO
TS < TA ?
Tiempo de
Espera
TE = 0 TO = 0
TO = 0
Tiempo
Ocioso
TO = TA - TS TE = TS - TA
Tiempo Tiempo de
TOT = TOT + TO TET = TET + TE
Ocioso Total Espera Total
TA5=TA5 –TE4
TA4 =TA4 – TE3
c1 TS1
TS2
c2
TO2=TA2-TS1
TE2=0 TS3
c3 TE3
TE3=TS2-TA3
T03=0
c4 TE4 TS4
TE4=TS3-TA4
T04=0
TE5 TS5
c5
TE5=TS4-TA5
T05=0
c6
TE6
41
Ejemplo : Modelo Simulación
• Una Compañía de carga recepciona sus camiones
que llegan en forma aleatoria en una terminal para
descarga. Después de analizar los datos históricos
se ha concluído que el número de llegadas diarias de
camiones se comporta de acuerdo a una distribución
de Poisson con tasa media de 3 camiones por día. El
peso de la carga de cada camión es un factor
importante en lo referente al tiempo de descarga. Se
ha comprobado con los registros pasados que los
pesos de la carga estan distribuídos normalmente
con media 30 mil lbs. Y una desviación estándar de 5
mil lbs. Para la descarga se cuenta con cuadrillas
cuya capacidad de descarga en lbs por hora es
variable y función del tipo de carga.
• La frecuencia de cada tipo de carga y la velocidad de
descarga de las cuadrillas se muestran en la tabla
siguiente :
42
Asignar Nro
Cuadrillas (NCD) Modelo Simulación
Generar Nro TotCD
Camiones (NCM)
Arriban x Día
C6
Generar Tipo C1
Carga x Camión C5
C2
Generar Peso C3
Carga x Camión NCD
Calcular Costo
Imprimir x Día Descarga (CD) Imprimir Ndias,
Valores Generados Nro Cuadrillas
y Costo Descarga y Costo Total
TotCD=TotCD+CD
Descarga
NDias=NDias + 1
NO SI
Ndias=10 ?
Indicadores Iniciales
• Nro arribos ~ Poisson (l) o
Tpo entre arribos ~ Exponencial (1/l)
• Tiempo servicio ~ Exponencial (1/ µ)
• Por lo tanto :
– Tasa arribo l y tasa de servicio µ
– Factor de ocupación del Stma. r = (l/µ)
– Probabilidad que Stma.vacio P0 = 1– (l/µ)
– Porcentaje de Tiempo Ocioso del Servicio 100P0
43
Estructuras de los Sistemas de Cola
• 1cola/1servidor/Pobl.NoFinita l
s1 µ
• 1cola/1servidor/Pobl.Finita(k) k l s1 µ
• 1cola/MúltiplesServ. (s)Paralelo/Pobl.NoFinita s1 µ
l s2 µ
s µ
• 1cola/MúltiplesServ. (s)Paralelo/Pobl.Finita(k) s1 µ
k l s2 µ
s µ
• 1cola/MúltiplesServ. (s)Serie/Pobl.NoFinita
l µ1 µ2 µs
s1 s2 s
44
Continuación ....
• Luego sumando (1)+(2)+(3)+(4) tenemos:
Pn (t+Dt) = Pn(t)[1- lDt][1- µDt] + Pn(t)[lDt][µDt] + Pn-1(t)[lDt][1- µDt]
+ Pn+1 (t)[1- lDt][µDt]
• Agrupando términos y eliminando los factores (Dt)2, tenemos :
Pn (t+Dt) - Pn (t) = lPn -1(t) – (l+µ) Pn(t) + µPn+1 (t)
Dt
• Pero como el tiempo transcurrido desde la ocurrencia del último evento no tiene
efecto en el tiempo restante hasta que ocurre el evento siguiente (propiedad
“del olvido” de la func. exponencial):
Pn (t+Dt) - Pn (t) = 0 entonces lPn-1 – (l+µ) Pn + µPn+1 = 0
• Finalmente, agrupando términos obtenemos :
Pn + 1 = (- l/µ)Pn -1 + [ (l+µ)/µ ]Pn .................... (ß)
Continuación ....
• Similarmente para determinar la probabilidad de que exista un us uario
en el sistema :
– No existen usuarios al final del tiempo t y no llega nadie en 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][µDt]
• Agrupando términos, eliminando los factores (Dt)2 y aplicando la
propiedad “del olvido” tenemos que :
– lP0 + µP1 = 0 entonces P1 = (l/µ) P0 ...... (d)
• De (ß) y (d) :
– para n=1 P2 = (l/µ) 2 P0
– para n=2 P3 = (l/µ) 3 P0
– Para n=3 P4 = (l/µ) 4 P0
– generalizando Pn = (l/µ) n P0
45
Probabilidades relevantes
• Probabilidad de que en el stma. existan más de N usuarios:
P(n>N) = PN+1 +PN+2 +PN+3 +PN+4 .......
= (l/µ)N+1P 0 + (l/µ)N+2P 0 + (l/µ)N+3P0 + ........
= P0 [(l/µ)N+1+ (l/µ)N+2+ (l/µ)N+3+ ........ ]
= P0 [ (l/µ)N+1/ [1- (l/µ)] ] luego P(n>N) =(l/µ)N+1
• Probabilidad de que existan n usuarios en cola :
Pn Cola = P n+1 Stma entonces Pn cola = (l/µ)N+1P0
• Probabilidad de que la cola este vacía :
P~ Cola = P0 + P1 entonces P~ Cola = 1 - (l/µ)2
NEUC =
λ2 s.q. l < m
µ (µ − λ )
46
• Tiempo esperado de paso de un usuario en cola (TEPUC):
TEPUC = (1/ µ)NEUS
λ
TEPUC =
µ (µ − λ )
1
TEPUS =
µ−λ
47
Problema de Colas
• Fotografías tomadas desde 1 helicóptero mostraron
que en promedio había 80 autos circulando en el carril
de alta velocidad sobre un tramo de 1 milla de una vía
rápida urbana. En meses recientes habían ocurrido
cierto número de accidentes en ese tramo y que han
sido atribuidos al manejo a corta distancia del auto
delantero. Si para plena seguridad la distancia entre
los autos recomendable debería ser de cuando menos
30 pies, en ese tramo y sobre ese carril, que % de los
autos corre a una distancia demasiado corta del
delantero. Considere que la cantidad de autos sobre
el tramo de la vía en cuestión se ajusta a una
distribución de Poisson.
d2
d1
l = 80 autos/milla
1 milla = 5280 pies
di ≥ 30 pies
n ~ Poisson (l)
∫ d ~ Expon (1/l)
30
- (80/5280)d
P(d < 30) = 0 (80/5280)e dd
= 1 - e- 30/66 = 0.37
Ptto. el 37% de los autos van a una distancia no recomendable.
UNI-FIIS<Investigación Operaciones II> 96
48
Problema 2
• El departamento para caballeros de un gran almacén tiene un sastre
para ajustar los trajes adquiridos por los clientes. Parece que el
número de clientes que solicitan ajustes sigue una distribución de
Poisson con una tasa media de llegadas de 24 cli/hora. Los ajustes se
realizan del tipo primero en llegar primero en ser atendido. Los clientes
siempre desean esperar, ya que las modificaciones son gratis.
Aparentemente el tiempo que se tarda en realizar un ajuste se
distribuye exponencialmente con media 2 minutos entre clientes.
Calcular:
24 cli 2
• Tiempo medio entre llegadas: λ= =
hora 5
1 1
• Tiempo medio de servicio: = 2 min ⇒ µ =
µ 2
λ 2 ⋅2 4
• Factor de utilización u ocupación: p= = = = 0,8
µ 5 5
– Número 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
µ −λ 1 − 2
2 5
– Factor de ocio = 1 – Factor de utilización = 0,2
49
– El 80 % del tiempo, el sastre está ocupado, y el
20% está ocioso.
Problema 3
Una carnicería es atendida por el propietario de la misma.
Aparentemente el patrón de llegada de los clientes durante
los sábados se comporta siguiendo una distribución de
Poisson con una tasa promedio de llegadas de 10 personas
por hora. A los clientes se les atiende siguiendo una política
FIFO, y debido al prestigio de la tienda, los clientes siempre
están dispuestos a esperar su turno. Se estima que el tiempo
que se invierte en atender a un cliente se distribuye
exponencialmente con un tiempo de servicio medio de 4
minutos entre clientes. Obtener:
50
• Tiempo medio entre llegadas: 10 personas 1 persona 1
λ= = =
hora 6 min 6
1 1
• Tiempo medio de servicio: = 4 min ⇒ µ =
µ 4
1
• Factor de utilización: λ 2
p = = 6 =
µ 1 3
4
– Existirá cola cuando en el sistema haya
más de 1 cliente. P ( N > 1) = 1 − ( P0 + P1 )
1
– Probabilidad de 0 clientes en el sistema : P0 = p 0 (1 − p ) =
3
21 2
– Probabilidad de 1 cliente en el sistema: P1 = p 1 (1 − p ) = =
33 9
1 2 4
– Probabilidad de más de 1 cliente en el P (N > 1) = 1 − ( + ) =
sistema: 3 9 9
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
/µ)n0+1 , entonces
p(n>n0 ) = 64/100 = (l/µ)
p(n> 1) = 64/100 = (l/µ)2 , entonces
l/µ = 8/10 = 4/5 ….… (1)
52
Problema 5
• El inventario de un almacén se agota y se vuelve
a surtir según una distribución de Poisson. Los
tiempos medios entre vaciados y resurtidos son
iguales a 1/µ y 1/l respectivamente. Suponga
que por cada unidad de tiempo que el inventario
esta vacío se incurre en un costo de escasez
(Ce), y en un costo de almacenamiento (Ca) por
cada unidad de tiempo que en el almacén se
mantiene un determinado inventario. Si Ce > Ca,
determine:
– Una expresión para el costo total esperado por unidad
de tiempo
– El valor óptimo de r = l /µ
UNI-FIIS<Investigación Operaciones II> 105
53
Problema 6
• En un consultorio médico los pacientes
toman asiento en la sala de espera hasta que
les corresponda su turno de atención. En
promedio llegan 4 pacientes por hora según
una distribución de Poisson, y entre cada
atención transcurre un tiempo promedio de
12 minutos, según una distribución
Exponencial. Cuantas sillas como mínimo
serán necesarias en la sala de espera para
que se tenga un 90% de probabilidad o más
de que todos los pacientes esperen
sentados.
Problema 7
• A un cajero automático llegan 3 tipos diferentes de
clientes. Clientes de retiro, de deposito y de consulta.
Los de retiro se ha determinado llegan 12 cli/hora
promedio y son atendidos a razón de 2 min/cli
promedio; los clientes de deposito arriban en un
tiempo promedio de 5 cli/hora y demoran 3 min/cli en
realizar su operación como tiempo promedio. Los
clientes de consulta llegan en promedio 8 cli/hora y la
realizan en un promedio de 1 min/cli . Si todas las
llegadas se ajustan a una distribución de Poisson y
todos los tiempos entre servicios a una distribución
exponencial, hallar la probabilidad de que no existan
usuarios en cola.
UNI-FIIS<Investigación Operaciones II> 108
54
Preguntas sobre el
sistemas de colas …
55