Tarea 3 – Solución de modelos probabilísticos de optimización

PARTICIPANTES:
JOHAN ROBER GALVAN
JOHAN ALBERTO SALAZAR

Tutor:
FABIO OSSA
Grupo:
104561_72

Universidad Nacional Abierta y a Distancia (unad)

ECBTI escuela de ciencias básicas, tecnología e Ingeniería
Programa de ingeniería industrial
Métodos Probabilísticos
2021
ilísticos de optimización
AN
AZAR

Distancia (unad)
nología e Ingeniería
dustrial
cos
 CONTENIDO
Ejercicio 1. Modelos de revisión y evaluación de proyectos
• Modelo de revisión y evaluación de proyectos con estimación de tiempos.
• Modelo de revisión y 4evaluación de proyectos con estimación extra de tiempos.

Ejercicio 2. Modelos de líneas de espera

• Modelos de líneas de espera con un solo servidor.
• Modelos de líneas de espera con varios servidores.

Ejercicio 3. Modelos de programación estocástica

• Modelo de programación estocástica con restricciones aleatorias con todos los parámetros normalm
• Modelo de programación estocástica con restricciones aleatorias con solo un parámetro normalmen

• Bibliografía
 E1 - modelo 1
s.
tiempos.

E2 - modelo 1
E2 - modelo 2

E3 - modelo 1
dos los parámetros normalmente distribuidos.
lo un parámetro normalmente distribuido.
Ejercicio 1. Modelos de revisión y evaluación de proyectos
1. Modelo de revisión y evaluación de proyectos con estimación de tiempos
R

Se presenta la siguiente situación problema: Una compañía produce

motores eléctricos y ha propuesto un proyecto de ampliación en su
línea de ensamble, las actividades y sus tiempos estimados, se
presentan en la Relación del proyecto de ampliación, encomienda al
departamento de producción realizar una revisión y evaluación de
proyectos para optimizar la duración del proyecto y les encarga la
solución de los siguientes aspectos:

. Plantear el modelo de revisión y evaluación de proyectos con

estimación de tiempos con base en la Relación del proyecto de
ampliación, para lograr esto, debe:
• Determinar media y varianza de los tiempos estimados mediante la
distribución Beta.
• Determinar la media y varianza esperadas normalmente distribuidas.
• Determinar el parámetro K para cada evento asociado a la
distribución normal.
• Determinar las probabilidades asociadas de cada evento.

Ejercicio 1. Modelos de revisión y evaluación de proyectos

2. Modelo de revisión y evaluación de proyectos con estimación extra de tiempo.
R

Se presenta la siguiente situación problema: Una compañía produce

motores eléctricos y ha propuesto un proyecto de ampliación en su
línea de ensamble, las actividades y sus tiempos estimados, se
presentan en la Relación del proyecto de ampliación, encomienda al
departamento de producción realizar una revisión y evaluación de
proyectos para optimizar la duración del proyecto y les encarga la
solución de los siguientes aspectos:
Se presenta la siguiente situación problema: Una compañía produce
motores eléctricos y ha propuesto un proyecto de ampliación en su
línea de ensamble, las actividades y sus tiempos estimados, se
presentan en la Relación del proyecto de ampliación, encomienda al
departamento de producción realizar una revisión y evaluación de
proyectos para optimizar la duración del proyecto y les encarga la
solución de los siguientes aspectos:

. Plantear el modelo de revisión y evaluación de proyectos con

estimación de tiempos con base en la Relación del proyecto de
ampliación, para lograr esto, debe:
• Determinar media y varianza de los tiempos estimados mediante la
distribución Beta.
• Determinar la media y varianza esperadas normalmente distribuidas.
• Determinar el parámetro K para cada evento asociado a la
distribución normal.
• Determinar las probabilidades asociadas de cada evento.
 RELACION DEL PROYECTO DE AMPLIACION

TIEMPOS ESTIMADOS

ACTIVIDAD TIEMPO TIEMPO MAS TIEMPO EXTRA ACTIVIDAD

TIEMPO
PESIMISTA PROBABLE m indice
OPTIMISTA a
b multiplicador

0, 1 1 2 3 0, 1
0, 2 2 8 2 0, 2
1, 3 1 3 2 1, 3
2, 3 1 11 1.5 2, 3
2, 4 0.5 7.5 1 2, 4
1.08
3, 5 1 7 2.5 3, 5
3, 6 1 3 2 3, 6
4, 5 6 8 7 4, 5
4, 6 3 11 4 4, 6
5, 6 4 8 6 5, 6

TIEMPO DE
TIEMPO DE
TERMINACION
INICIO MAS
EVENTO RUTA MAS TARDIO EVENTO
TARDIO
TIPj
TTTi
1 (0, 1) 2 4 1
2 (0, 2) 3 3 2
3 (0, 2, 3) 6 6 3
4 (0, 2, 3, 4) 6 6 4
5 (0, 2, 3, 4, 5) 13 13 5

6 (0, 2, 3, 4, 5, 6) 19 19 6

de tiempo.
RELACION DEL PROYECTO DE AMPLIACION

TIEMPOS ESTIMADOS

ACTIVIDAD TIEMPO TIEMPO MAS TIEMPO EXTRA ACTIVIDAD

TIEMPO
PESIMISTA PROBABLE m indice
OPTIMISTA a
b multiplicador
 0, 1 1 2 3 0, 1
0, 2 2 8 2 0, 2
1, 3 1 3 2 1, 3
2, 3 1 11 1.5 2, 3
2, 4 0.5 7.5 1 2, 4
1.08
3, 5 1 7 2.5 3, 5
3, 6 1 3 2 3, 6
4, 5 6 8 7 4, 5
4, 6 3 11 4 4, 6
5, 6 4 8 6 5, 6

TIEMPO DE
TIEMPO DE TERMINACION
INICIO MAS MAS TARDIO
EVENTO RUTA EVENTO
TARDIO
TIPj
TTTi
1 (0, 1) 2 4 1
2 (0, 2) 3 3 2
3 (0, 2, 3) 6 6 3
4 (0, 2, 3, 4) 6 6 4
5 (0, 2, 3, 4, 5) 13 13 5
6 (0, 2, 3, 4, 5, 6) 19 19 6
 TIEMPOS ESTIMADOS

TIEMPO TIEMPO TIEMPO MAS MEDIA VARIANZA

OPTIMISTA PESIMISTA PROBABLE
a b m

1 2 3 2.5 0.028
2 8 2 3 1.000
1 3 2 2 0.111
1 11 1.5 3 2.778
0.5 7.5 1 2 1.361
1 7 2.5 3 1.000
1 3 2 2 0.111
6 8 7 7 0.111
3 11 4 5 1.778
4 8 6 6 0.444

TIEMPO DE MEDIA VARIANZA PARAMETRO PROBABILIDAD

TIEMPO DE NORMALM NORMALMEN
TERMINACION
INICIO MAS ENTE TE 𝑷{𝒛}
RUTA
TARDIO
MAS TARDIO 𝑲
DISTRIBUID DISTRIBUIDA
TIPj A
TTTi
(0, 1) 2 4 2.5 0.03 9 100.00%
(0, 2) 3 3 3 1.00 0 50.00%
0, 2, 3) 6 6 5 1.11 1 82.86%
(0, 2, 3, 4) 6 6 8 3.89 -1 15.52%
(0, 2, 3, 4, 5) 13 13 10 5.25 1 90.48%

(0, 2, 3, 4, 5, 6) 19 19 13 6.25 2 99.18%

Factor 1.08

TIEMPOS ESTIMADOS

TIEMPO TIEMPO TIEMPO MAS MEDIA VARIANZA

OPTIMISTA PESIMISTA PROBABLE m
a b
 1.1 2.2 3.2 3 0.03
2.2 8.6 2.2 3 1.17
1.1 3.2 2.2 2 0.13
1.1 11.9 1.6 3 3.24
0.5 8.1 1.1 2 1.59
1.1 7.6 2.7 3 1.17
1.1 3.2 2.2 2 0.13
6.5 8.6 7.6 8 0.13
3.2 11.9 4.3 5 2.07
4.3 8.6 6.5 6 0.52

TIEMPO DE TIEMPO DE MEDIA

VARIANZA
INICIO MAS TERMINACION NORMALME
RUTA NORMALMENT PARAMETRO PROBABILIDAD
TARDIO MAS TARDIO NTE
E DISTRIBUIDA
TIPj TTTi DISTRIBUIDA

(0, 1) 2 4 2.70 0.03 7 100.00%

(0, 2) 3 3 3.24 1.17 0 41.21%
0, 2, 3) 6 6 5.40 1.30 1 70.09%
(0, 2, 3, 4) 6 6 8.64 4.54 -1 10.76%
(0, 2, 3, 4, 5) 13 13 10.80 6.12 1 81.30%
(0, 2, 3, 4, 5, 6) 19 19 14.04 7.29 2 96.69%
3 .Interpretación de resultados de la solución de los modelos de
pronósticos probabilísticos para la toma de decisiones.

Como se aprecia los resultados muestran que la probabilidad más alta

fue de 100%, con un parámetro de 9, siendo la ruta (0,1) la más viable.
3 .Interpretación de resultados de la solución de los modelos de
pronósticos probabilísticos para la toma de decisiones.

Como se aprecia los resultados muestran que la probabilidad más alta

fue de 100%, con un parámetro de 7, siendo la ruta (0,1) la más viable.
Ejercicio 2. Modelos de líneas de espera.
1. Modelos de línea de espera con un solo servidor.

Se presenta la siguiente situación problema: Una compañía produce motores

eléctricos y ha propuesto un proyecto de ampliación en su línea de ensamble, las
actividades y sus tiempos estimados, se presentan en la Relación del proyecto de
ampliación, encomienda al departamento de producción realizar una revisión y
evaluación de proyectos para optimizar la duración del proyecto y les encarga la
solución de los siguientes aspectos:

a. Plantear un modelo de línea de espera con un solo servidor y número de clientes

permitido en el sistema infinito (M/M/1): (DG/∞/∞) a partir de la Relación de la
espera.
b. Plantear un modelo de línea de espera con un solo servidor y número de clientes
permitido en el sistema finito (M/M/1): (DG/N/∞) a partir de la Relación de la espera.
Para lograr esto debe:
• Determinar la tasa de llegada (λ) de acuerdo a los tiempos entre llegadas, según
una Distribución de Exponencial o de Poisson.
• Determinar la tasa de servicio (μ) de acuerdo a los tiempos de servicio, según una
Distribución Exponencial o de Poisson.
• Formular y plantear los modelos de Líneas de Espera bajo condiciones de estado
(M/M/1): (DG/∞/∞) y (M/M/1): (DG/N/∞).
• Proponer gráficamente el diseño de la instalación de servicio de cada modelo de
línea de espera.
• Determinar las medidas de desempeño de estado de cada modelo.
• Determinar las siguientes probabilidades de estado para cada modelo:
La probabilidad de inactividad en la instalación de servicio o la probabilidad de
estar desocupado el servidor o la probabilidad de que no haya clientes en la fila.
La probabilidad de que un cliente tenga que esperar.
La probabilidad de que el cliente 5 sea atendido.
La probabilidad de que por lo menos 10 clientes sean atendidos.
La cantidad de clientes que pueden ser atendidos por lo menos el 90% de las
veces.
• Comprobar los resultados utilizando el software de optimización WinQSB.
 Para M/M/1:DG/ꝏ/ꝏ si N = ꝏ

TASA DE
TASA DE Tiempo entre
LLEGADA SERVICIO Tiempo entre Condicion de
μ llegadas servicio estado (ρ)
λ

12.5 15.7 0.20833333 0.26166667 0.79617834

Medidas de desempeño de estado estable

Cantidad
Tiempo estimado de
esperada de Cantidad esperada de Tiempo estimado de
espera en el sistema
clientes en el clientes en la fila (Lq) espera en la fila (Wq)
(Ws)
sistema (Ls)

3.90625 3.11007165605096 0.3125 0.248805732484077

Probabilidades de estado

Probabilidad de La probabilidad de que La probabilidad de que La probabilidad de que

inactividad del un cliente tenga que el cliente 5 sea por lo menos 10 clientes
servicio (ρ0) esperar atendido. sean atendidos

20.38% 79.62% 6.52% 71.47%

Gráficamente el diseño seria:

Analisis
Por los datos obtenidos al observar la baja probabilidad de inactividad del sistema se puede
afirmar que es bastante concurrido durante sus horas de operación, lo que se ve reflejado en la
gran probabilidad de que un cliente tenga que esperar, aun así se observa que la mayoría de
requerimientos pueden ser atendidos satisfactoriamente lo que indica que el sistema es
eficiente con algunos puntos que pueden ser mejorados.

Software de optimización WinQSB

 RELACION DE LA ESPERA

TASA DE TAMAÑO
TASA DE SERVIDORES
MODELO LLEGADA DEL SISTEMA
SERVICIO μ
λ
M/M/1:DG/ꝏ/ꝏ ꝏ
12.5 15.7 1
M/M/1:DG/ꝏ/ꝏ 50

M/M/C:DG/ꝏ/ꝏ ꝏ
25.3 18.5 3
M/M/C:DG/N/ꝏ 100

Para M/M/1:DG/ꝏ/ꝏ si N

TASA DE
LLEGADA TASA DE Tiempo entre
SERVICIO μ llegadas
λ

12.5 15.7 0.2083333

Medidas de desempeño de estado estable

Cantidad esperada de
iempo estimado de Cantidad esperada de
clientes en el sistema
spera en la fila (Wq) clientes en la fila (Lq)
(Ls)

248805732484077 15.6248244758671 14.8286470434065

Probabilidades de estado

probabilidad de que La prbabilidad que el Probabilidad de La probabilidad de que

lo menos 10 clientes 90% de los clientes inactividad del servicio un cliente tenga que
sean atendidos puedan ser atendidos (ρ0) esperar

71.47% 75.50% 20.38% 79.62%

Gráficamente el diseño seria:

 Analisis
el sistema se puede
El valor más alarmante encontrado en los obtenidos e
e se ve reflejado en la
usuarios sean atendidos, lo que muestra lo poco efic
a que la mayoría de
insuficiencia de los mismo en esta tarea, de cualquier
que el sistema es
mejorar estos niv
s.

Software de optimización WinQSB

ara M/M/1:DG/ꝏ/ꝏ si N = 50

Condicion
Tiempo entre Tasa efectiva
de estado PN
servicio de llegada (λef)
(ρ)

0.2616667 0.7961783 1.1448E-06 12.49998569

de estado estable

Tiempo estimado de
antidad esperada de Tiempo estimado de
espera en el sistema
lientes en la fila (Lq) espera en la fila (Wq)
(Ws)

14.8286470434065 1.24998738909177 1.18629312157584

de estado

a probabilidad de que La probabilidad de que La probabilidad de que La prbabilidad que el

un cliente tenga que el cliente 5 sea por lo menos 10 clientes 90% de los clientes
esperar atendido. sean atendidos puedan ser atendidos

79.62% 3.26% 35.73% 37.75%

seria:
ncontrado en los obtenidos en la baja probabilidad de que el 90% de los
s, lo que muestra lo poco eficiente que son los recursos utilizados, o la
o en esta tarea, de cualquier forma el sistema debe ser intervenido para
mejorar estos niveles.

ón WinQSB
Ejercicio 2. Modelos de líneas de espera.
2. Modelos de línea de espera con varios servidores.

Se presenta la siguiente situación problema: Una compañía produce motores

eléctricos y ha propuesto un proyecto de ampliación en su línea de ensamble, las
actividades y sus tiempos estimados, se presentan en la Relación del proyecto de
ampliación, encomienda al departamento de producción realizar una revisión y
evaluación de proyectos para optimizar la duración del proyecto y les encarga la
solución de los siguientes aspectos:

a. Plantear un modelo de línea de espera para varios servidores y número de

clientes permitido en el sistema infinito (M/M/C): (DG/∞/∞), a partir de la Relación
de la espera.
b. Plantear un modelo de línea de espera con varios servidores y número de
clientes permitido en el sistema finito (M/M/C): (DG/N/∞) a partir de la Relación de
la espera.
Para lograr esto debe:
• Determinar la tasa de llegada (λ) de acuerdo a los tiempos entre llegadas, según
una Distribución de Exponencial o de Poisson.
• Determinar la tasa de servicio (μ) de acuerdo a los tiempos de servicio, según una
Distribución Exponencial o de Poisson.
• Formular y plantear los modelos de líneas de espera bajo condiciones de estado
(M/M/C): (DG/∞/∞) y (M/M/C): (DG/N/∞).
• Proponer gráficamente el diseño de la instalación de servicio de cada modelo de
línea de espera.
• Determinar las medidas de desempeño de estado de cada modelo.
• Determinar las siguientes probabilidades de estado para cada modelo:
La probabilidad de inactividad en la instalación de servicio o la probabilidad de
estar desocupado el servidor o la probabilidad de que no haya clientes en la fila.
La probabilidad de que un cliente tenga que esperar.
La probabilidad de que el cliente 5 sea atendido.
La probabilidad de que por lo menos 10 clientes sean atendidos.
La cantidad de clientes que pueden ser atendidos por lo menos el 90% de las
veces.
• Comprobar los resultados utilizando el software de optimización WinQSB.
 Para M/M/C:DG/ꝏ/ꝏ si N = ꝏ

TASA DE Condicion
TASA DE LLEGADA SERVICIO Factor de
λ Servidores de estado
μ uso
(ρ)

25.3 18.5 3 1.367568 0.455856

Medidas de desempeño de estado estable

Cantidad
Probabilidad Cantidad esperada Tiempo estimado de Tiempo estimado
esperada de
de inactividad de clientes en el espera en el sistema de espera en la
clientes en la fila
Po sistema (Ls) (Ws) fila (Wq)
(Lq)

17.69% 0.1160981650367 1.48366573260424 0.058642914332184 0.0045888602781

Probabilidades de estado

La probabilidad de La prbabilidad que

La probabilidad de que La probabilidad de
que por lo menos 10 el 90% de los
un cliente tenga que que el cliente 5 sea
clientes sean clientes puedan ser
esperar atendido.
atendidos atendidos

82.31% 0.71% 72.26% 72.28%

Gráficamente el diseño seria:

Analisis

Los valores muestran una clara eficiencia del sistema en la atención de los
requerimientos presentados, sin embargo, este nuero está lejos de ser el más óptimos
por lo que se podría mejorar tomando en el sitio.
 RELACION DE LA ESPERA

TAMAÑO
TASA DE
TASA DE SERVIDORES DEL
MODELO LLEGADA SERVICIO μ SISTEMA
λ
M/M/1:DG/ꝏ/ꝏ ꝏ
12.5 15.7 1
M/M/1:DG/ꝏ/ꝏ 50

M/M/C:DG/ꝏ/ꝏ ꝏ
25.3 18.5 3
M/M/C:DG/N/ꝏ 100

Para M/M/C:DG/ꝏ/ꝏ si N = 100

Condicion
TASA DE LLEGADA TASA DE Facto de
λ SERVICIO μ Servidores de estado
uso
(ρ)

25.3 18.5 3 0.4558559 0.151952

Medidas de desempeño de estado estable

Tiempo estimado Probabilidad Cantidad esperada

Cantidad esperada de
de espera en la de inactividad de clientes en el
clientes en la fila (Lq)
fila (Wq) Po sistema (Ls)

0.0045888602781 61.90% 0.625478400258069 0.002064716303844

Probabilidades de estado

La probabilidad de
La probabilidad de
La probabilidad de que un que por lo menos 10
que el cliente 5 sea
cliente tenga que esperar clientes sean
atendido.
atendidos

38.10% 0.81% 97.70%

Gráficamente el diseño seria:

Analisis

los valores son mixtos muestran que la mayoría de los requerimientos s

llegar a ser los óptimos que serían sobre el 90% de los mismo, por lo qu
sea intervenido para mejorar los procesos aquí presen
si N = 100

PN

0.5441441 11.533153

Tiempo estimado de
Tiempo estimado de
espera en el sistema
espera en la fila (Wq)
(Ws)

0.054233078495716 0.000179024441662

La probabilidad de
La prbabilidad que el
que por lo menos 10
90% de los clientes
clientes sean
puedan ser atendidos
atendidos

97.70% 97.70%
de los requerimientos son atendidos, pero sin
de los mismo, por lo que se recomienda que
procesos aquí presentes.
Ejercicio 3. Modelos de programación estocástica.
1. Modelo con restricciones aleatorias con todos los parámetros
normalmente distribuidos.

Se presenta la siguiente situación problema: Una compañía produce

motores eléctricos y desea optimizar la producción de una referencia
específica de acuerdo al comportamiento de la demanda de sus
componentes que se presenta en la Relación del comportamiento de la
demanda, encomienda al departamento de producción aplicar modelos
de programación estocástica para optimizar la producción y les encarga
encontrar la solución de los siguientes aspectos:

Plantear un modelo de programación estocástica con restricciones

aleatorias con todos los parámetros normalmente distribuidos a
partir de la Relación del comportamiento de la demanda, para
lograr esto debe:
• Determinar la demanda diaria normalmente distribuida y sus
varianzas para cada uno de los componentes del motor eléctrico.
• Determinar la demanda periódica normalmente distribuida del motor
eléctrico.
• Determinar la varianza de la demanda periódica normalmente
distribuida del motor eléctrico.
• Plantear el modelo de programación estocástica con restricciones
aleatorias con todos los parámetros normalmente distribuidos,
mediante:
La función objetivo.
Las restricciones.
El problema determinista.

Ejercicio 3. Modelos de programación estocástica.

 2. Modelo con restricciones aleatorias con solo un parámetro
normalmente distribuido.

Se presenta la siguiente situación problema: Una compañía produce

motores eléctricos y desea optimizar la producción de una referencia
específica de acuerdo al comportamiento de la demanda de sus
componentes que se presenta en la Relación del comportamiento de la
demanda, encomienda al departamento de producción aplicar modelos
de programación estocástica para optimizar la producción y les encarga
encontrar la solución de los siguientes aspectos:

Plantear un modelo de programación estocástica con restricciones

aleatorias con solo un parámetro normalmente distribuido a partir
de la Relación del comportamiento de la demanda, para lograr esto
debe:
• Determinar la demanda diaria normalmente distribuida y sus
varianzas para cada uno de los componentes del motor eléctrico.
• Determinar la demanda periódica normalmente distribuida del motor
eléctrico.
• Determinar la varianza de la demanda periódica normalmente
distribuida del motor eléctrico.
• Plantear el modelo de programación estocástica con restricciones
aleatorias con solo un parámetro normalmente distribuido, mediante:
La función objetivo.
Las restricciones.
El problema determinista.
 RELACION DEL COMPORTAMIENTO DE LA DEMANDA

DEMANDA PERIODICA Parametro b2

Demanda Componentes Nivel de
Periodo
periodica del motor Unidades significancia 2
eléctrico α2
1 61507 8868385
2 62048 5936688
3 62590 3591330 Rotor 3
4 63131 1832311 Inductor 3 0.10
5 63672 659632 Escobillas 6
6 64214 73292
7 64755 73292
8 65297 659632
9 65838 1832311
10 66380 3591330
11 66921 5936688
12 67463 8868385
773815 41923277

Componentes Demanda Varianza de la Nivel de

diaria demanda diaria Unidades del
del motor UNIDADES normalmente normalmente motor significancia 1
eléctrico distribuida distribuida α1

Rotor 5
Inductor 5 8597 4083 61874 0.05
Escobillas 20
 RELACION DEL COMPORTAMIENTO DE LA DEMANDA

DEMANDA PERIODICA Parametro b2

Demanda Componentes Nivel de
Periodo
periodica del motor Unidades significancia 2
eléctrico α2
1 61507 8868385
2 62048 5936688
3 62590 3591330 Rotor 3
4 63131 1832311 Inductor 3 0.10
5 63672 659632 Escobillas 6
6 64214 73292
7 64755 73292
8 65297 659632
9 65838 1832311
10 66380 3591330
11 66921 5936688
12 67463 8868385
773815 41923277

Componentes Demanda Varianza de la Nivel de

diaria demanda diaria Unidades del
del motor UNIDADES normalmente normalmente motor significancia 1
eléctrico distribuida distribuida α1

Rotor 5
Inductor 5 8597 4083 61874 0.05
Escobillas 20
 Varianza de
Media demanda
periodica
64485 la Demanda 3493606
periodica:

Componentes del Demanda diaria Varianza de la

UNIDADES normalmente demanda diaria
motor eléctrico distribuida normalmente
distribuida

Rotor 5 42985 20415

Inductor 5 42985 20415
Escobillas 20 171940 81660
Significancia
Media de la Varianza de la Demanda para 0.05
Demanda periodica periodica normalmente Unidades k=
normalmente distribuida: del motor
distribuida
eléctrico UD para 0.10
8597 35101551 k=

𝑏_2 =
X_2 16210

Funcion Objetivo
Max Z= 5𝑋_1+5𝑋_1 +
20𝑋_2
Restricciones
Restricciónes determinista
42985𝑋_1+42985𝑋_2 + 171940𝑋_3+1,645√(20415 〖𝑋 1 〗 ^2 " + " 20415 〖𝑋 2 〗 ^2 "
81660 〖𝑋 3 〗 ^2 ) ≤ 2,93
20415 〖𝑋 1 〗 ^2 + 20415 〖𝑋 2 〗 ^2 + 81660 〖𝑋 3 〗 ^2 - 20415
〖𝑋 1 〗 ^2 " - " 20415 〖𝑋 2 〗 ^2 " - " 81660 〖𝑋 3 〗 ^2 = 0
3 〖𝑋 1 〗 ^2 + 3 〖𝑋 2 〗 ^2 +
6 〖𝑋 3 〗 ^2 ≤ 16210
𝑋_1,𝑋_2,𝑋_3≥0 No negatividad
 Varianza de
Media demanda
periodica
64485 la Demanda 3493606
periodica:

Media de la Varianza de la Demanda Unidades del Significancia

Demanda periodica periodica normalmente motor
normalmente para 0.05
distribuida: eléctrico UD
distribuida k=
8597 35101551

Componentes del Demanda diaria Varianza de la

UNIDADES normalmente demanda diaria
normalmente
motor eléctrico distribuida distribuida

Rotor 5 42985 20415

Inductor 5 42985 20415
Escobillas 20 171940 81660

Funcion Objetivo
Max Z= 5𝑋_1+5𝑋_1 +
20𝑋_2
Restricciones
Restricciónes determinista
42985𝑋_1+42985𝑋_2 + 171940𝑋_3+1,645√(20415 〖𝑋 1 〗 ^2 " + " 20415 〖𝑋 2 〗 ^2 "
81660 〖𝑋 3 〗 ^2 ) ≤ 1,645
20415 〖𝑋 1 〗 ^2 + 20415 〖𝑋 2 〗 ^2 + 81660 〖𝑋 3 〗 ^2 - 20415
〖𝑋 1 〗 ^2 " - " 20415 〖𝑋 2 〗 ^2 " - " 81660 〖𝑋 3 〗 ^2 = 0
3 〖𝑋 1 〗 ^2 + 3 〖𝑋 2 〗 ^2 +
6 〖𝑋 3 〗 ^2 ≤ 16210
𝑋_1,𝑋_2,𝑋_3≥0 No negatividad
 Significancia
1.645

1.285

Analisis
Nos encontramos ante un problema de programación con un nivel complejo,
busca la mejor utilización de los componentes existentes con el fin de satisfac
demandas establecidas con la mayor eficiencia posible, las incógnitas x
representan cuantas unidades se deben producir por cada pieza necesaria p
satisfacer la demanda.

𝑋 1 〗 ^2 " + " 20415 〖𝑋 2 〗 ^2 " + "

〖𝑋 3 〗 ^2 - 20415
𝑋 3 〗 ^2 = 0
 Significancia
1.645

Analisis
Básicamente se siguen los mismos pasos que el problema anterior, sin embargo al
tener menos valores de los parámetros normalmente distribuido este se verá
afectado en su solución, claro está que en este tipo de problemas las soluciones no
deben ser tomadas como totalmente realistas, aun así esta tendrá que tomarse con
mayor cuidado.

𝑋 1 〗 ^2 " + " 20415 〖𝑋 2 〗 ^2 " + "

〖𝑋 3 〗 ^2 - 20415
𝑋 3 〗 ^2 = 0
 ción con un nivel complejo, este
stentes con el fin de satisfacer las
cia posible, las incógnitas x
r por cada pieza necesaria para
da.
terior, sin embargo al
buido este se verá
mas las soluciones no
ndrá que tomarse con
BIBLIOGRAFÍA

Taha, H. (2017). Investigación de operaciones (pp.253-255). México, México: Editorial

Pearson Educación.

Rojas, A. y Negrete, R. (2020). Solución del modelo de líneas de espera con un solo
servidor en WinQSB [OVI].
éxico, México: Editorial

de espera con un solo