Invop2a PDF

INVESTIGACIN DE
OPERACIONES II
Ing. Luis Zuloaga Rotta
UNI-FIIS<Investigacin Operaciones II> 2
1
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.
2
Input Output
Sistema
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.
3
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.
4
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.
Objetivos
Restricciones
Cmo mejorar Procesos
el sistema ? Recursos
Locaciones
Costos
Sistema bajo
estudio
Analista o
modelador
Paradigmas
5
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.
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
6
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.
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.
7
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.
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.
8
FORMULACIN EL PROCESO DE SIMULACIN
DEL
PROBLEMA
A B
DEFINICIN
DEL SISTEMA
EL MODELO
No
ES VLIDO ?
ES TIL LA S
No
SIMULACIN ?
PLANEACIN
S ESTRATGICA
FORMULACIN
DEL MODELO FIN
PLANEACIN
TCTICA
PREPARACIN
DE DATOS
DOCUMENTO
EXPERIMENTACIN PROPUESTAS
TRASLACIN
DEL MODELO
INTERPRETACIN
S IMPLANTACIN
ES TIL ?
A B
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.
9
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.
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.
10
DIAGRAMA DE
FLUJO
LAYOUT DE Ruta trabajo

PROCESOS
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.
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.
12
Cmo modelar el Sistema ?
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.
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.
IDEF: Que es ?
Una tcnica para modelar :
funciones :
actividades
acciones
procesos
operaciones
relaciones funcionales y datos (informacion y
objetos) de un sistema o empresa.
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
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, ...
15
IDEF
La actividad (o funcin) es
representada por una caja.
Restriccin
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 descomposicin e s Top Down !!
IDEF es una descomposici n

Top Down
A-0
Diagrama de Contexto 1
2 Mas General
3
4
A0
Diagrama de Nivel Cero

Este diagrama es el
2.1
2.2
padre de ...
2.3 este diagrama.
A2
Diagrama de Primer Nivel
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
Output Control feedback
Output Input feedback
Bifurcaciones y Uniones POLITICAS &

PROCEDIMIENTOS
POLITICAS & DE PERSONAL
Las salidas (outputs) de una PROCEDIMIENTOS
actividad pueden ser usadas

POLITICAS &
por ms que una actividad. PROCEDIMIENTOS
DE VENTAS
En IDEF las flechas en

general, pueden bifurcarse o
unirse, renombrndose en Material Material
residual rechazado
caso sea necesario para
Material
especificar mayor detalle defectuoso
(dado que es un subconjunto

de la flecha principal).
17
Sistema Bancario
OPERACIN
BANCARIA
REGLAMENTO
BANCO CLIENTE
CANSADO
ARRIBO ESPERAR
CLIENTE ESPERA X
SERVICIO CLIENTE PASA
A VENTANILLA
CLIENTE CON
ATENCIN OPERACIN
CLIENTE REALIZADA
CLIENTE CON
PERSONAL OPERACIN
BANCO PENDIENTE
Que sigue ... ?

x1
Una vez identificados y comprendidos x3
x2
los procesos u actividades, se define
x4 x5
la situacin problema. xn
A continuacin se identifican las x6
variables del vector de estado (var. xi

[a1,a2]
frec
8
aleatorias), para luego observar y <a2,a3]
<a3,a4]
12
16
registrar su comportamiento <a4,a5]
...
6
(muestra).
Se organiza la data recogida y se H0:
plotea, procediendo a plantear una
hipotesis nula H0.
x
18
Nmeros Random ( #r )
Son nmeros reales (r) distribudos
uniformemente en el intervalo [0,1].
r
0 r0 1
r = 1/2
Var(r) = 1/12
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
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
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.
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.
Distribucin de probabilidad
FRECUENCIA PROBABILIDAD
70 7/12
30 1/4
20 1/3
A B C A B C
FALLAS FALLAS
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.
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.
22
Mtodo de la
Transformacin Inversa
Muchas de las F(x)
Funciones de 1
Distribucin de r0
probabilidad
acumuladas son 0 x0 X
univalentes de all F(x) = p(X x) ~ UNIF(0,1)
que tienen tambin #r ~ UNIF(0,1)

entonces #r = F(x)
inversa. por lo tanto x = F-1(#r)
Uniforme Contina (UC)

F(x) = (x0 -a)/(b-a) F(x)
1
1
b-a
#r
x
a x0 0 a b
b x0
Dado que F tiene inversa, entonces #r = F(x),

luego #r = (x-a)/(b-a) por lo tanto x = a + #r(b-a)
23
Exponencial Negativa (Exp)
Funcin continua con Media (x) = 1/
dominio [0,+ . Var (x) = 1/2
f(x) F(x)
f(X) = e-x ; x0 1
#r
x0
F(x) = o f(x)dx
x x
0 x0 0 x0
Dado que F tiene inversa, entonces #r = F(x), luego

#r = 1 - e-x por lo tanto x = - (1/)ln(1-#r)
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 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]2
2p s
x

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]

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

0(R) si #r 1/3
X= 1(A) si #r < 1/3
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)
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 ....
X=4 X=2 X=1 X=5 X=0 x ~ Poiss(l)

T T T T T
1 1 1 1 1 1 1 1 1 1 1 t ~ Exp(1/l)
t1 t2 t3 t4 t5 t6 t7 t 8 t 9 t 10 t 11
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
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
Mtodo de Rechazo
Se tiene una Variable Aleatoria X
con funcin de densidad f(x)
definida en a = x = b, adems, f(x)
M= max f(x), a = x = b M
Sea g(x)= [f(x) / M]
luego 0 = g(x) = 1
El mtodo consiste en:
g(x)
a. Se generan r1 y r2, dos 1
nmeros aleatorios
b. Se define x= a + (b-a)r1 a b
c. Si r2 = g(x) entonces x es
observacin. 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 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.
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).
28
Prueba de Ji-Cuadrado
Es recomendable para muestras cuyo tamao
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 tamao de la muestra
p(xi) probabilidad terica para x i
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
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 PA(x) FA(x)
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 : Dc << Dt (,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
utilizando la prueba de 100
Kolmogorov/Smirnov.
Usar un = 5%.
H0 : Los datos se pueden 0.1 UNIF
aproximar a travs de una
distribucin Uniforme.
1 2 3 4 5 6 7 8 9 10
Tabla de Clculos Ejemplo 1

Int Frec FrecRel FrecAbs ProbTeor ProbAcum D k/s
1 8 0.08 0.08 0.1 0.1 0.02
2 17 0.17 0.25 0.1 0.2 0.05
3 5 0.05 0.3 0.1 0.3 0.0
4 5 0.05 0.35 0.1 0.4 0.05
5 12 0.12 0.47 0.1 0.5 0.03
6 18 0.18 0.65 0.1 0.6 0.05
7 5 0.05 0.7 0.1 0.7 0
8 14 0.14 0.84 0.1 0.8 0.04
9 13 0.13 0.97 0.1 0.9 0.07 Max D k/s
10 3 0.03 1 0.1 1 0.0
100
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
distribucin 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 hiptesis 8
12 t < 14 5
adecuada y haga el ajuste
14 t < 16 3
correspondiente a una 16 t < 18 2
funcin de distribucin de 18 t < 20 1
probabilidad terica
conocida. Use un = 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 travs de una Distribucin
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
(1/) = (Sti.f o)/ Sfo = 714/150 = 4.76 entonces = 0.21
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
Respuesta Ejemplo 2 ...

Determinamos #gl = 8 1 1 = 6
De Tablas determinamos :
ct2 (95%,6) = 12.6
Como :
cc2 << ct2 aceptamos H0:
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)
Ejemplo 3
Construir una funcin generadora de valores
aleatorios para la siguiente funcin de
distribucin de probabilidades (fdp):
f
x
0 a 2
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 si x e [0,1] Una vez definida f
f= determinamos la
-x + 2 si x e <1,2] funcin de distribucin
acumulada F
x2 /2 si x e [0,1]
F=
1 (1/2)(2- x)2 si x e <1,2]
Graficamos la funcin acumulada F

F
1 Como F es montona entonces
tiene inversa, F(x) = #r :
i. x2/2 = #r v
1/2
ii. 1 (1/2)(2-x)2= #r
#r Despejando x en funcin de #r:
x i. x = 2#r
1 2 ii. x = 2 - 2(1- #r)
x
Luego 0 x 1 0 2#r 1
0 #r 1/2
2#r si #r e [0,1/2]
x=
2- 2(1- #r ) si #r e <1/2,1]
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.
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)
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.
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.
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.
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
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)
38
Poblacin Cola
Tiempo
entre
Politica de
Arribos (t)
servicio
Servicio
Arribos
Tiempo de
Servicio
SISTEMA DE COLAS
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
.
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
SI COLA =0 ? NO COLA =0 ? TS =TS - 1 TS = TS - 1

NO
TOT = TOT + 1 LC = LC - 1 TS = 0
SE
TET = TET + LC DESOCUPA
SI SERVICIO
Tiempo Espera
SE OCUPA Total
SERVICIO
Tiempo de GENERAR TS RELOJ < SUMTA COMPARAR RELOJ = SUMTA

Servicio RELOJ::SUMTA
A B C
SUMTA4
SUMTA3
SUMTA2
SUMTA1
TA2 TA3 TA4 TA5 TA6

0
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
TA3 =TA3 TE1

TA2 =TA2 TE1
TA2 TA3 TA4 TA5 TA6
0
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 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 :
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. Nro
Frec
La poltica de la Cia. es descargar en el da Camiones
0 5
todos los camiones que arribaron el da 1 15
anterior sin importar los costos de tiempo extra 2 22
implcitos. El contrato del sindicato demanda 3
4
22
17
una bonificacin del 50% por horas extras 5 11
fuera de la jornada de trabajo de 8 Hr diarias. 6 5
7 3
Con base a una simulacin de 10 das determine 100
cuantas cuadrillas se requieren para reducir al
mnimo los costos totales de descarga. Tipo Veloc.Descarga
Frec
Carga Lb/hr x Cuadrilla
Si aplicaramos la poltica de que los camiones deben
A 40 8000
descargarse el mismo da de su llegada en lugar del B 35 7000
da siguiente, y que la tasa media de llegadas sube a C 25 5000
4 Cam /Da Cuntas cuadrillas se requerirn para
reducir al mnimo los costos totales de descarga.
42
Asignar Nro
Cuadrillas (NCD) Modelo Simulacin
Generar Nro TotCD
Camiones (NCM)
Arriban x Da
C6
Generar Tipo C1
Carga x Camin C5
C2
Generar Peso C3
Carga x Camin NCD
Definir Plan Trabajo 1 2 3 4 5 6
Calcular Costo
Imprimir x Da 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/ )
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
43
Estructuras de los Sistemas de Cola
1cola/1servidor/Pobl.NoFinita l
s1
1cola/1servidor/Pobl.Finita(k) k l s1
1cola/MltiplesServ. (s)Paralelo/Pobl.NoFinita s1
l s2
s
1cola/MltiplesServ. (s)Paralelo/Pobl.Finita(k) s1
k l s2
s
1cola/MltiplesServ. (s)Serie/Pobl.NoFinita
l 1 2 s
s1 s2 s
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)
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 .................... ()
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
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
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+ ....
NEUS =
s.q. l < m

Nmero esperado de usuarios en la cola (NEUC):
NEUC = 0P0 +1P2+ 2P3+ 3P4+ 4P5+ 5P6+ ....
NEUC =
2 s.q. l < m
( )
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/
1
TEPUS =

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

CTAS = CTP + CTS
0
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.
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.
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.
24 cli 2
Tiempo medio entre llegadas: = =
hora 5
1 1
Tiempo medio de servicio: = 2 min =
2
2 2 4
Factor de utilizacin u ocupacin: p= = = = 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
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 2
4 10 ( 2 5 )
P(t espera > 10) = p e 10 ( ) =
e = 0,29
5
Tiempo medio de espera en cola:
4
p 5
= =8
(1 p) (1 4 ) 1
5 2
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.
50
Tiempo medio entre llegadas: 10 personas 1 persona 1
= = =
hora 6 min 6
1 1
Tiempo medio de servicio: = 4 min =
4
1
Factor de utilizacin: 2
p = = 6 =
1 3
4
Existir cola cuando en el sistema haya
ms 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 ms de 1 cliente en el P (N > 1) = 1 ( + ) =
sistema: 3 9 9
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
P(tespera 12) = pe = e = e
3 3
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
/)n0+1 , entonces
p(n>n0 ) = 64/100 = (l/)
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. p(2<x<5) = p(x=3) + p(x=4) = (4)3e-4/3! + (4)4e-4/4!
c. p(t>2) = 1-
0
2
(4)e- 4t dt = 1 - [1- e-8] = e-8
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 = 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 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 - Ca

dr (1-r)2 Ce
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.
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.
54
Preguntas sobre el
sistemas de colas
55

Invop2a PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Invop2a PDF

Cargado por

Copyright:

Formatos disponibles

INVESTIGACIN DE

Ing. Luis Zuloaga Rotta

UNI-FIIS<Investigacin Operaciones II> 2

UNI-FIIS<Investigacin Operaciones II> 4

UNI-FIIS<Investigacin Operaciones II> 5

Enfoques para el anlisis de

UNI-FIIS<Investigacin Operaciones II> 6

UNI-FIIS<Investigacin Operaciones II> 7

UNI-FIIS<Investigacin Operaciones II> 8

UNI-FIIS<Investigacin Operaciones II> 9

UNI-FIIS<Investigacin Operaciones II> 12

UNI-FIIS<Investigacin Operaciones II> 13

Para qu usar la Simulacin ?

UNI-FIIS<Investigacin Operaciones II> 15

UNI-FIIS<Investigacin Operaciones II> 16

Validacin del Modelo

UNI-FIIS<Investigacin Operaciones II> 18

UNI-FIIS<Investigacin Operaciones II> 19

Mtodos para validar el modelo

UNI-FIIS<Investigacin Operaciones II> 20

UNI-FIIS<Investigacin Operaciones II> 21

LAYOUT DE Ruta trabajo

UNI-FIIS<Investigacin Operaciones II> 22

UNI-FIIS<Investigacin Operaciones II> 23

Funciones y Procesos de Negocio

UNI-FIIS<Investigacin Operaciones II> 24

UNI-FIIS<Investigacin Operaciones II> 25

Cmo se modelan los procesos ?

UNI-FIIS<Investigacin Operaciones II> 26

UNI-FIIS<Investigacin Operaciones II> 27

UNI-FIIS<Investigacin Operaciones II> 28

UNI-FIIS<Investigacin Operaciones II> 29

UNI-FIIS<Investigacin Operaciones II> 30

IDEF es una descomposici n

Diagrama de Nivel Cero

Diagrama de Primer Nivel

UNI-FIIS<Investigacin Operaciones II> 32

Output Control feedback

Output Input feedback

UNI-FIIS<Investigacin Operaciones II> 33

Bifurcaciones y Uniones POLITICAS &

actividad pueden ser usadas

En IDEF las flechas en

(dado que es un subconjunto

UNI-FIIS<Investigacin Operaciones II> 34

UNI-FIIS<Investigacin Operaciones II> 35

Que sigue ... ?

variables del vector de estado (var. xi

UNI-FIIS<Investigacin Operaciones II> 37

Algoritmos para generar #r

EJEMPLO: Generar 2 nmeros aleatorios de mdulo 8

UNI-FIIS<Investigacin Operaciones II> 38

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

UNI-FIIS<Investigacin Operaciones II> 39

UNI-FIIS<Investigacin Operaciones II> 40

UNI-FIIS<Investigacin Operaciones II> 41

UNI-FIIS<Investigacin Operaciones II> 42

UNI-FIIS<Investigacin Operaciones II> 43

UNI-FIIS<Investigacin Operaciones II> 44

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

que tienen tambin #r ~ UNIF(0,1)

UNI-FIIS<Investigacin Operaciones II> 45

Uniforme Contina (UC)