Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GRUPO: 104561_22
TUTOR
RICHARD LEON TORO
𝜆=1/𝑡∗60𝑚𝑖𝑛/ℎ
λ 0.1428571428571 8.57142857142857
µ=1/𝑡∗60𝑚𝑖𝑛/ℎ
µ 0.1923076923077 11.5384615384615
Formular y plantear el modelo de Líneas de Espera bajo condiciones
de estado estable (M/M/1): (DG/∞/∞).
(M/M/1) : (DG/∞/∞)
Condición Numero de Disciplina en la
Tasa de llegada Tasa de servicio
de estado servidores cola
𝝆 𝝀 𝝁 1 DG
cola
servidor
Condición de estado
𝑝=𝜆/𝜇
P 74%
L 3
𝐿𝑞=𝑝^2/(1−𝑝)
Lq 2
𝑊𝑠=1/(𝜇(1−𝑝))
Ws 0.337037037037
𝑊𝑞=𝑝/(𝜇(1−𝑝))
Wq 0.2503703703704
𝑃𝑜=(1−𝑝)
Po 26%
pn n p(t)
p1 1 19%
p2 2 14%
33%
P(Ls>40%) 86%
∑24_1^𝑛▒𝑃𝑛=0.7
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛=0.7
pn n
p1 1 19%
p2 2 14%
p3 3 11%
p4 4 8%
p5 5 6%
p6 6 4%
p7 7 3%
p8 8 2%
p9 9 2%
p10 10 1.32%
70%
P=70% 1.316%
𝑃_1=(1−𝑝)∗𝑝^1
pn n
p1 1 19%
𝑃_0=(1−𝑝)∗𝑝^0
P(Ls=0) 0 26%
∑24_1^𝑛▒𝑃𝑛<0.5
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.5
pn n
p1 1 0.19102040816327
p2 2 0.14190087463557
p3 3 0.10541207830071
44%
p<50% 11%
g. La probabilidad de que por lo menos sean atendidos 10 clientes en una hora, es:
𝑃_(𝑛≥10)=1−∑24_0^𝑛▒𝑃𝑛
𝑃_(𝑛≥10)=1−∑^𝑛▒ 〖 (1−𝑝) 〗 𝑝
^𝑛
𝑃_(𝑛≥10)=1−(𝑃_0+𝑃_1+𝑃_2+𝑃_3+…+𝑃_10)
pn n
p0 0 0.25714285714286
p1 1 0.19102040816327
p2 2 0.14190087463557
p3 3 0.10541207830071
p4 4 0.0783061153091
p5 5 0.05817025708676
p6 6 0.04321219097873
p7 7 0.03210048472706
p8 8 0.02384607436867
p9 9 0.01771422667387
p10 10 0.01315913981488
0.96198470720147
Pn≥10 4%
Límite del Tamaño de
sistema la fuente
∞ ∞
es:
P_(n≥10)=1
Modelos de línea de espera con un solo servidor
Determinar la tasa de llegada (λ) de acuerdo a los tiempos entre
llegadas, según una Distribución de Exponencial o de Poisson.
𝜆=1/𝑡∗60𝑚𝑖𝑛/ℎ
λ 0.19230769231 11.538461538
µ=1/𝑡∗60𝑚𝑖𝑛/ℎ
µ 0.14285714286 8.5714285714
(M/M/1) : (DG/N/∞)
DG
P λ µ 1 Disciplina 50 ∞
General
SISTEMA TOTAL
p 1.34615384615
numero promedio de unidades en la cola
Ls 47.1111244077
N 50
P50 50 0.4659765515
λef 6.161809021
𝐿𝑞=𝐿𝑠−𝜆_𝑒𝑓/𝜇
Lq 47.8300021268
Wq 7.7623311537
Ws 7.87899782037
pn n
Po 0 0.000016%
1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.4)
pn n
p0 0 0%
p1 1 0%
p2 2 0%
p3 3 0%
p4 4 0%
p5 5 0%
p6 6 0%
p7 7 0%
p8 8 0%
p9 9 0%
p10 10 0%
p11 11 0%
p12 12 0%
p13 13 0%
p14 14 0%
p15 15 0%
p16 16 0%
p17 17 0%
p18 18 0%
p19 19 0%
p20 20 0%
p21 21 0%
p22 22 0%
p23 23 0%
p24 24 0%
p25 25 0%
p26 26 0%
p27 27 0%
p28 28 0%
p29 29 0%
p30 30 0%
p31 31 0%
p32 32 0%
p33 33 0%
p34 34 0%
p35 35 1%
p36 36 1%
p37 37 1%
p38 38 1%
p39 39 2%
p40 40 2%
p41 41 3%
p42 42 4%
p43 43 6%
p44 44 8%
p45 45 11%
p46 46 14%
p47 47 19%
p48 48 26%
p49 49 35%
p50 50 47%
p1+p2+pn 30%
P(Ls>40%) 92.16938%
∑24_1^𝑛▒ 〖𝑃 _𝑛=0.7 〗
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛=0.7
p1+p2+pn 74%
P(Ls=70%) 19%
P(L=0) 0 0.00002%
∑24_1^𝑛▒ 〖𝑃 _𝑛<0.5 〗
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.5
p1+p2+pn 41%
p<50% 11%
g. La probabilidad de que por lo menos sean atendidos 10 clientes en una hora, es:
una hora
𝑃_(𝑛≥10)=1∑24_1^𝑛▒𝑃_𝑛
𝑃_(𝑛≥10)=1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛)
Pn≥10 100%
|
Modelos de línea de espera con un solo servidor
Determinar la tasa de llegada (λ) de acuerdo a los tiempos entre
llegadas, según una Distribución de Exponencial o de Poisson.
𝜆=1/𝑡∗60𝑚𝑖𝑛/ℎ
λ 0.1428571429 8.571428571429
µ=1/𝑡∗60𝑚𝑖𝑛/ℎ
µ 0.1923076923 11.53846153846
Formular y plantear el modelo de Líneas de Espera bajo condiciones
de estado (M/M/C): (DG/∞/∞).
(M/M/c) : (DG/∞/∞)
DG
λ/µc λ µ 10 Disciplina ∞
General
c 10
𝑃/𝜇𝑐
P 7%
Probabilidad de inactividad
n
0 1
1 0.7428571429
2 0.2759183673
3 0.0683226433
4 0.0126884909
5 0.0018851472
6 0.0002333992
7 2.476889E-05
8 2.299969E-06
9 1.898387E-07
∑ 2.1019324496
Po 48%
𝐿𝑞=𝑃^(𝑐+1)/((𝑐−1)(𝑐−𝑃)^2 ) 𝑃𝑜
Lq 5.058864E-21
𝐿𝑠=𝐿𝑞+𝑃
Ls 0.0743
𝑊𝑞=𝐿𝑞/𝜆
Wq 5.902008E-22
𝑊𝑠=𝑊𝑞+1/𝜇
Ws 0.0866666667
Po 48%
∑24_1^𝑛▒ 〖𝑃 _𝑛>0.40 〗
1−(∑24_1^𝑛▒ 〖𝑃 ^𝑛/𝑛!
𝑃𝑜 〗 <0.40)𝑝𝑎𝑟𝑎 𝑛 ≥10
1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.4)
pn n
p1 1 0.035341627797
p2 2 0.001312689032
p3 3 3.25046808E-05
p4 4 6.03658358E-07
p5 5 8.96863846E-09
p6 6 1.11040286E-10
0.036687434248
p>40% 100%
∑24_1^𝑛▒ 〖𝑃 _𝑛=0.70 〗
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛=0.7
pn n
p0 0 0.475752681877
p1 1 0.035341627797
p2 2 0.001312689032
p3 3 3.25046808E-05
p4 4 6.03658358E-07
p5 5 8.96863846E-09
p6 6 1.11040286E-10
p7 7 1.17838671E-12
p8 8 1.09421623E-14
p9 9 9.03162599E-17
p10 10 6.70920788E-19
p11 11 4.983983E-21
p12 12 3.70238737E-23
p13 13 2.7503449E-25
p14 14 2.04311336E-27
p15 15 1.51774135E-29
p16 16 1.127465E-31
p17 17 8.37545431E-34
p18 18 6.22176606E-36
p19 19 4.62188336E-38
p20 20 3.43339907E-40
0.036687434249
la sumatoria de las probabilidades nunca van alcanzar el 70% o si lo alcanza la probabilidad es mu baja cercana a
P=70% 0%
Pn=1 4%
po 48%
∑24_1^𝑛▒ 〖𝑃 _𝑛<0.50 〗
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.5
p1+p2+pn 4%
p<50% 0%
𝑃_(𝑛≥10)=1−∑24_1^𝑛▒𝑃_𝑛
𝑃_(𝑛≥10)=1−∑24_1^𝑛▒𝑃_𝑛
𝑃_(𝑛≥10)=1−(∑_1^(𝑛=10)▒ 〖𝑃 ^𝑛/𝑛! 𝑃𝑜 〗 )
𝑃_(𝑛≥10)=1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛)
Pn≥10 96%
Tamaño de
la fuente
ervicio del
babilidad es mu baja cercana a 0
Modelos de línea de espera con un solo servidor
Determinar la tasa de llegada (λ) de acuerdo a los tiempos entre
llegadas, según una Distribución de Exponencial o de Poisson.
𝜆=1/𝑡∗60𝑚𝑖𝑛/ℎ
λ 0.1428571429 8.5714285714
µ=1/𝑡∗60𝑚𝑖𝑛/ℎ
µ 0.1923076923 11.538461538
C 10
N 500
Formular y plantear el modelo de Líneas de Espera bajo condiciones
de estado estable o no (M/M/C) : (DG/N/∞).
(M/M/c) : (DG/N/∞)
Condición Tasa de Tasa de Numero de Disciplina Límite del Tamaño de
de estado llegada servicio servidores en la cola sistema la fuente
DG
P/c λ µ 10 Disciplina 500 ∞
General
Proponer gráficamente el diseño de la instalación de servicio del
modelo de línea de espera
Determinar las medidas de desempeño de estado
Condición de estado
p 0.0742857143
Probabilidad de inactividad
n
0 1
1 0.0742857143
2 0.0027591837
3 6.8322643E-05
4 1.2688491E-06
5 1.8851472E-08
6 2.3339918E-10
7 2.4768893E-12
8 2.2999686E-14
9 1.8983868E-16
∑ 1.0771145085
Po 93%
Lq 9.7987722E-20
𝑐 ̅=∑_(𝑛=0)^𝑐▒ 〖 (𝑐−𝑛)𝑃_𝑛 〗
𝑃_𝑛=𝑃^𝑛/!𝑛 𝑃𝑜
n Cn
0 9.2840639697
1 0.6207059911
2 0.0204931502
3 0.0004440183
4 7.0680457E-06
5 8.7509137E-08
6 8.6675717E-10
7 6.8986795E-12
8 4.2706111E-14
9 1.7624744E-16
10 0
∑ 9.9257142857
𝐿𝑠=𝐿𝑞(𝑐−𝑐 ̅)
Ls 0.0742857143
P0 93%
∑24_1^𝑛▒ 〖𝑃 _𝑛>0.40 〗
1−(∑24_1^𝑛▒ 〖𝑃 ^𝑛/𝑛!
𝑃𝑜 〗 <0.40)𝑝𝑎𝑟𝑎 𝑛 ≤10
1−(∑24_1^𝑛▒ 〖𝑝 ^𝑛/(𝑐^(𝑛−𝑐) 𝑐!) 𝑃𝑜<0.4 〗 )𝑝𝑎𝑟𝑎 ≥10
1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.4)
pn n
p0 0 0.928406397
p1 1 0.0689673323
p2 2 0.0025616438
p3 3 6.343118E-05
p4 4 1.178008E-06
p5 5 1.750183E-08
p6 6 2.166893E-10
p7 7 2.29956E-12
p8 8 2.135306E-14
p9 9 1.762474E-16
p10 10 1.309267E-18
p11 11 9.725981E-21
p12 12 7.225015E-23
p13 13 5.367154E-25
p14 14 3.987029E-27
p15 15 2.961793E-29
p16 16 2.200189E-31
p17 17 1.634426E-33
p18 18 1.214145E-35
p19 19 9.019363E-38
p20 20 6.700098E-40
0.071593603
p>40% 100%
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛=0.7
la sumatoria de las probabilidades nunca van alcanzar el 70% o si lo alcanza la probabilidad es mu baja cercana a
P=70% 0%
p1 7%
Po 93%
𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛<0.5
p<50% 0%
𝑃_(𝑛≥10)=1−∑24_1^𝑛▒𝑃_𝑛
𝑃_(𝑛≥10)=1−(∑_1^(𝑛=10)▒ 〖𝑃 ^𝑛/𝑛! 𝑃𝑜 〗 )
𝑃_(𝑛≥10)=1−(∑_1^(𝑛=10)▒ 〖𝑃 ^𝑛/𝑛! 𝑃𝑜 〗 )
𝑃_(𝑛≥10)=1−(𝑃_1+𝑃_2+𝑃_3+…+𝑃_𝑛)
Pn≥10 93%
ilidad es mu baja cercana a 0
RELACION DEL COMPORTAMIENTO DE LA DEMANDA
COMPONENTES DEL
UNIDADES
DISPOSITIVO ELECTRONICO
Mecánico 1
Electronico 2
Electrico 1
UNIDADES DEL
DISPOSITIVO ELECTRONICO DISPOSITIVO
23561
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
EL COMPORTAMIENTO DE LA DEMANDA
VARIANZA DE LA DEMANDA
DEMANDA DIARIA
DIARIA NORMALMENTE
NORMALMENTE DISTRIBUIDA
DISTRIBUIDA POR
POR COMPONENTE
COMPONENTE
VARIANZA DE LA DEMANDA
DEMANDA PERIODICA PERIODICA NORMALMENTE
NORMALMENTE DISTRIBUIDA DISTRIBUIDA
0.05 0.10
DEMANDA PERIODICA
(Unidades)
2. Teniendo en cuenta el Modelo de Programación Estocástica con restricciones aleatorias con todos los parámet
sujeto a:
∑_(𝑗=1)^𝑛▒𝑎_𝑖𝑗 𝑥_𝑗≤𝑏_𝑖
2.Tomar la demanda diaria normalmente distribuida y su varianza del dispositivo, determinada en el modelo de i
Varianza de la Demanda
Demanda diaria 𝐃𝐝
Dispositivo diaria 𝛔𝟐
560.196780808637 448.561382591262
DEMANDA PERIODICA
Periodo (Unidades) (Dt-DP)²
19 18016 1464333.72261987
20 17906 1210212.47595687
21 17502.84 485723.525079744
22 17464.33 433528.729227322
23 17482.30 457508.836728828
24 16784.90 441.240826145148
25 16852.38 2160.27144971519
26 16656.76 22242.8746390141
27 16562.79 59105.1474878314
28 16423.86 145954.979376757
29 16426.82 143700.694456596
30 16650.11 24272.746262908
31 16656.73 22253.7002021014
32 16918.97 12783.1413564787
33 16502.23 92215.8976350524
34 16128.95 458272.621828687
35 16057.27 560457.040720483
36 15513.03 1671526.75212404
7266694.39797844
𝐷𝑝=(∑2_18^36▒𝐷𝑡)/18
σ²Dp 403705.244332136
𝑫𝒑=𝑬{𝒂}
𝝈𝑫𝒑=√𝒗𝒂𝒓 {𝒂}
Modelo de Programación Estocástica con restricciones aleatorias con todos los parámetros normalmente distribu
𝑀𝑎𝑥 𝑍=𝑋_1+2𝑋_2+𝑋_3
〖𝐸 {𝑎11}𝑋 〗 _1+𝐸{𝑎12} 𝑋_2+ 〖𝐸 {𝑎13}𝑋 〗 _3+1.645𝑌≤𝑈𝐷
𝑋_1+2𝑋_2+𝑋_3≤𝐸𝑎+1.285√(𝑣𝑎𝑟 𝑎)
𝑋_1,𝑋_2,𝑋_3,𝑦≥0
obtenemos
X1 X2
funcion objetivo 1 2
restrincion 1 560.196780808637 1120.39356161727
restrincion 2 448.561382591262 897.122765182524
restrincion 3 1 2
X1 X2
funcion objetivo 1 2
restrincion 1 560.196780808637 1120.39356161727
restrincion 2 448.561382591262 897.122765182524
restrincion 3 1 2
X1 X2
11.1016503010206 10.5907691346182
tricciones aleatorias con todos los parámetros normalmente distribuidos:
Desviación típica de la
Demanda diaria 𝛔σ
21.179267753897
Varianza de la Demanda
diaria normalmente
distribuida por
componente σ²=var{aij}
448.561382591262
897.122765182524
448.561382591262
componente mecánico
componente eléctrico
componente electrónico
todos los parámetros normalmente distribuidos
X3 Y
1 = Z
560.196780808637 1.64485363 ≤ 23561
448.561382591262 -1 = 0
1 ≤ 17620.1731
X3 Y
1 40.784225 = Z
560.196780808637 1.64485363 23561 ≤ 23561
448.561382591262 -1 0.00111713 = 0
1 40.784225 ≤ 17620.1731
X3 Y Z
8.50103644963137 433.964715 40.784225
2. Teniendo en cuenta el Modelo de Programación Estocástica con restricciones aleatorias con todos los parámet
sujeto a:
∑_(𝑗=1)^𝑛▒𝑎_𝑖𝑗 𝑥_𝑗≤𝑏_𝑖
2.Tomar la demanda diaria normalmente distribuida y su varianza del dispositivo, determinada en el modelo de i
Desviación
Varianza de la típica de la
Demanda diaria 𝐃𝐝
Dispositivo Demanda diaria 𝛔𝟐 Demanda
diaria 𝛔σ
560.196780808637 448.561382591262 21.1792678
DEMANDA PERIODICA
Periodo (Dt-DP)²
(Unidades)
19 18016 1464333.72261987
20 17906 1210212.47595687
21 17502.84 485723.525079744
22 17464.33 433528.729227322
23 17482.30 457508.836728828
24 16784.90 441.240826145148
25 16852.38 2160.27144971519
26 16656.76 22242.8746390141
27 16562.79 59105.1474878314
28 16423.86 145954.979376757
29 16426.82 143700.694456596
30 16650.11 24272.746262908
31 16656.73 22253.7002021014
32 16918.97 12783.1413564787
33 16502.23 92215.8976350524
34 16128.95 458272.621828687
35 16057.27 560457.040720483
36 15513.03 1671526.75212404
7266694.39797844
𝐷𝑝=(∑2_18^36▒𝐷𝑡)/18
σ²Dp 403705.244332136
𝑫𝒑=𝑬{𝒂}
𝝈𝑫𝒑=√𝒗𝒂𝒓 {𝒂}
23561 1.64485362695147
Modelo de Programación Estocástica con restricciones aleatorias con todos los parámetros normalmente distribu
𝑀𝑎𝑥 𝑍=𝑋_1+2𝑋_2+𝑋_3
〖𝐸 {𝑎11}𝑋 〗 _1+𝐸{𝑎12} 𝑋_2+ 〖𝐸 {𝑎13}𝑋 〗 _3+1.645𝑌≤𝑈𝐷
𝑋_1+2𝑋_2+𝑋_3≤𝐸𝑎+1.645√(𝑣𝑎𝑟 𝑎)
𝑋_1,𝑋_2,𝑋_3,𝑦≥0
obtenemos
X1 X2 X3 Y
funcion objetivo 1 2 1
restrincion 1 560.196780808637 1120.39356161727 560.196781 1.64485363
restrincion 2 448.561382591262 897.122765182523 448.561383 -1
restrincion 3 1 2 1
X1 X2 X3 Y
funcion objetivo 1 2 1
restrincion 1 560.196780808637 1120.39356161727 560.196781 1.64485363
restrincion 2 448.561382591262 897.122765182523 448.561383 -1
restrincion 3 1 2 1
X1 X2 X3 Y
9.78586668700398 9.89410022415306 11.214017 432.650402
as con todos los parámetros normalmente distribuidos:
o lineales
40.7880841 = Z
23561 ≤ 23561
3.94706E-07 = 0
40.7880841 ≤ 17851.0073
Z
40.7880841
Referencias bibliograficas
REFERENCIAS
Monks, J. (1988). Administración de operaciones (pp. 168-170), Hillier, F. y Lieberman, G. (2010).
Introducción a la investigación de operaciones (pp. 807-812) y Rojas, A. y Ospina, A. Modelos de
pronósticos probabilísticos [OVI], en los recursos educativos requeridos de la Unidad 1 – Modelos
probabilísticos de decisión (entorno de Conocimiento) para identificar y revisar los modelos de
pronósticos probabilísticos.
Referencias bibliograficas
Referencias bibliograficas
Referencias bibliograficas