U4 - Planificación de Capacidades - 104

Evaluación de Sistemas Informáticos
Unidad Temática
4. Planificación de capacidades
1. Capacidad adecuada
2. Niveles de gestión y planificación
3. Métodos de predicción
4. Planificación de escenarios muy
variables
5. Capacidad bajo demanda
material preparado por María Carolina Vásquez

Capacidad adecuada
definición planificación
Demanda de capacidades
• actual “El estudio sobre la
• futura capacidad que tiene
una organización para
afrontar un aumento o
cambio en la demanda
Capacidad de los bienes o
• personas servicios que provee a
• procesos sus clientes.”
• tecnología
Permite predecir y planificar los tipos y cantidades de recursos

claves de TI que se necesitan para satisfacer la demanda
Evaluación de Sistemas Prof. María Carolina

Informáticos Vásquez
Capacidad adecuada
Factores claves de éxito
Entender el Negocio.
Conocer las estrategias

del Negocio.
Medir la Capacidad de la
Organización.
Construir un plan para

gestionarla

Capacidad adecuada
Se deben estudiar todos los
Proceso
componentes del negocio:
tecnología, recursos
humanos, procesos y flujos
de información. Desarrollar
una
Estimar la estrategia
diferencia para alinear
entre la la
demanda y la capacidad y
Analizar la la demanda
capacidad
capacidad
actual
Pronosticar
la demanda Un plan de capacidad TI, permite a la
organización mantener el rendimiento
óptimo de los recursos

Capacidad adecuada
Metodología
Dotar de instrumentación al sistema.
Monitorear la utilización del sistema.
Caracterizar la carga.
Predecir el rendimiento bajo diferentes

alternativas.
Seleccionar la alternativa de menor

costo y/o mayor rendimiento

Niveles de gestión y planificación
Metodología
El Plan de Capacidad predice los

dispositivos que podrían convertirse
en el un cuello de botella,
adelantando posible soluciones
antes de que se produzca la
saturación.

Niveles de gestión y planificación
¿ qué se debe tomar en consideración ?
Se debe estimar la capacidad adecuada
haciendo énfasis en los costos
• Costos de compra e instalación de HW y

SW.
• Costos de personal y de formación inicial.
• Costos de operación y de mantenimiento
de HW y SW.
• Costos ambientales (electricidad, aire
acondicionado, etc.).
Arquitectura simple y clara con facilidad de administración.

Métodos de predicción
pronosticar la demanda del sistema
Para dimensionar un sistema es necesario conocer el
tamaño de la carga de trabajo a la cual será sometido, para
ello se utilizan métodos de predicción.
Se estiman los valores futuros

Cuantitativos con base en la historia a través
de técnicas estadísticas
Métodos de
predicción
Proceso subjetivo basados en
Cualitativos el análisis e intuición de
expertos y por analogías
Algunos métodos de predicción:

• Medias móviles
• Suavizado exponencial
• Mínimos Cuadrados

medias móviles
Esta es una técnica de predicción en la que el valor para el
siguiente período, es la media de observaciones previas.
El valor del siguiente período se calcula como
y t  y t  1  ....  y t  n  1
f t 1 
n
El error cuadrático medio viene dado n
1
por la suma de las diferencias entre el
 ( yt  ft )
2
dato real y el pronosticado n t 1
El “n” recomendable es aquel que conlleve al menor error cuadrático

ejemplo medias móviles
En la tabla a continuación se muestra el procedimiento de
pronóstico de demanda con Media Móvil Simple con n=3.
Período Demanda Pronóstico
• Por ejemplo, el pronóstico de Enero 200
Abril se obtiene promediando Febrero 230
los valores reales de Enero, Marzo 260
Febrero y Marzo: Abril 180 230
F(Abril)=(200+230+260)/3=230. Mayo 270 223
Junio 240 237
• El pronóstico de Mayo se Julio 250 230
obtiene promediando los Agosto 300 253
valores reales de Febrero, Septiembre 320 263
Marzo y Abril: Octubre 350 290
F(Mayo)=(230+260+180)/3=223. Noviembre 240 323
Diciembre 210 303

Se recomienda graficar los valores reales versus los
pronosticados para verificar de forma gráfica la precisión de
los valores estimados
400
Se puede observar que
350
en 6 de los 9 pronósticos
300
realizados se genera
250
una subestimación de la
200
demanda real lo cual nos
150
da indicios que este
100
método de pronóstico no
es lo más adecuado en
50
este caso.
0
0 2 4 6 8 10 12 14
Demanda Pronóstico n=3

Comparación error cuadrático medio para distintos “n”
3 2 4
Pronóstico Diferencia Pronóstico Diferencia Pronóstico Diferencia
Período Demanda
n=3 Cuadrática n=2 Cuadrática n=4 Cuadrática
200
Enero
230
La estimación
Febrero
Marzo 260 215 2025 con menor error
Abril 180 230 2500 245 4225 cuadrático
Mayo 270 223 2178 220 2500 218 2756 medio es para
Junio 240 237 11 225 225 235 25 n=2; sin embargo
Julio 250 230 400 255 25 238 156
Agosto 300 253 2178 245 3025 235 4225
para realizar un
Septiembre 320 263 3211 275 2025 265 3025 pronóstico de 12
Octubre 350 290 3600 310 1600 278 5256 meses con este
Noviembre 240 323 6944 335 9025 305 4225 método se
Diciembre 210 303 8711 295 7225 303 8556
requerían de 14
29733 31900 28225
meses de historia
Error Error Error
Cuadrático 57,48 Cuadrático 56,48 Cuadrático 59,40
Medio Medio Medio

Graficando los valores reales versus los pronosticados apreciamos
que para los distintos “n” por lo menos 6 puntos quedan fuera
Comparación Promedios Móviles para los distintos

“n”
400
300
200
100
0
0 2 4 6 8 10 12 14
Demanda Pronóstico n=3 Pronóstico n=2 Pronóstico n=4

suavizado exponencial
Esta es una técnica de predicción en la que se da una
ponderación a las observaciones más recientes
La ponderación se asigna mediante la constante alfa (α) que

varía entre 0 y 1
ft  f t 1   ( y t 1  f t 1 )
pronóstico = pronóstico del error del pronóstico
período anterior del período anterior
Aproximación de  ( y t 1  y t  2 )
f t  (1   ) f t  1 
Tustin 2

ejemplo suavizado exponencial
En la tabla a continuación se muestra el cálculo del
pronóstico de demanda con Suavizado exponencial.
α
Por ejemplo: Período Demanda 0,2 0,3 0,5
Enero 200
Febrero 230 200 200 200
• el pronóstico de Marzo se
Marzo 260 206,00 200,00 200,00
obtiene como: Abril 180 216,80 201,20 200,00
200+0,2*(230-200)=206 Mayo 270 209,44 204,32 200,24
Junio 240 221,55 205,34 201,06
• el pronóstico de Mayo se Julio 250 225,24 208,59 201,91
obtiene como: Agosto 300 230,19 211,92 203,25
206+0,2*(260-206)=216,80 Septiembre 320 244,15 215,57 204,98
Octubre 350 259,32 221,29 207,10
Noviembre 240 277,46 228,90 209,94
Diciembre 210 269,97 238,61 213,73

Graficando los valores reales versus los pronosticados apreciamos
que para los distintos “α” por lo menos 5 puntos quedan fuera
Comparación suavizado exponencial

400
300
200
100
0
0 2 4 6 8 10 12 14
Demanda Pronóstico α=0,2 Pronóstico α=0,5 Pronóstico α=0,8

Comparación error cuadrático medio para distintos “α”
0,2 0,5 0,8
Error Error Error
Período Demanda Pronóstico Pronóstico Pronóstico Cuadrático Cuadrático Cuadrático
α=0,2 α=0,5 α=0,8 α=0,2 α=0,5 α=0,8
Enero 200
Febrero 230 200 200 200 900,00 900,00 900,00
Marzo 260 206,00 215,00 224,00 2.916,00 2.025,00 1.296,00
Abril 180 216,80 237,50 252,80 1.354,24 3.306,25 5.299,84
La estimación
Mayo 270 209,44 208,75 194,56 3.667,51 3.751,56 5.691,19 con menor error
Junio 240 221,55 239,38 254,91 340,33 0,39 222,37 cuadrático
Julio 250 225,24 239,69 242,98 612,98 106,35 49,25 medio es para
Agosto 300 230,19 244,84 248,60 4.872,98 3.042,21 2.642,32
Septiembre 320 244,15 272,42 289,72 5.752,52 2.263,68 916,92
α=0,5
Octubre 350 259,32 296,21 313,94 8.222,19 2.893,26 1.300,05
Noviembre 240 277,46 323,11 342,79 1.403,17 6.906,52 10.565,53
Diciembre 210 269,97 281,55 260,56 3.596,06 5.119,79 2.556,09
33.637,99 30.315,02 31.439,55
Error
Cuadrático 55,30 52,50 53,46
Medio

mínimos cuadrados
Este método ajusta los datos a una recta. Esta recta
tendrá la forma y= ax + b, en donde “a” es la pendiente y
“b” es la porción fija.
n  xy   x
a 
y
b 
 y  a x
n x  ( x )
2 2
n
a (n)
c  Crecimiento para el período
 y “n”

mínimos cuadrados
Los errores se distribuyen así:
SCT  SCE  SCR egresión

SCR egresión
 SCT  SCE
 2 
n n
  ( yi  y )   yi   ny
2 2
SCE   y  b  y  a  xy
SCT 2
i 1  i 1 

mínimos cuadrados
Coeficiente de Regresión
SCR SCT  SCE Varianza de los Errores

 
2
R
SCT SCT SCE
Se   MCE
2
n 2
Desviación
SCE
Se 
n 2

ejemplo mínimos cuadrados
En la tabla a continuación se muestra el cálculo del
pronóstico de demanda por mínimos cuadrados.
Demanda
Período x x^2 xy Pronóstico
(y)
200 1 200 222,82
a=(12*(20.640)-78*3050)/(12*650-78^2)
Enero 1
Febrero 2 230 4 460 228,52 a=5,7
Marzo 3 260 9 780 234,22
180 16 720 239,92
b=(3050-5,69*78)/12
Abril 4
Mayo 5 270 25 1350 245,62 b=217
Junio 6 240 36 1440 251,32
Julio 7 250 49 1750 257,02
Agosto 8 300 64 2400 262,72
Septiembre 9 320 81 2880 268,41
y = 5,6993x + 217,12
Octubre 10 350 100 3500 274,11 R² = 1
Noviembre 11 240 121 2640 279,81
Diciembre 12 210 144 2520 285,51
78 3050 650 20640

ejemplo mínimos cuadrados
400
Mínimos Cuadrados
350
300
250
200
150
100
50
0
0 2 4 6 8 10 12 14
Demanda (y) Pronóstico y = 5,6993x + 217,12

Planificación de escenarios muy
variables
propuesta metodológica
Pronosticada la demanda del sistema se
establece el “modelo operacional” del sistema
utilizando las redes de colas de espera para
modelarlo, para ello:
• Eligen las variables que deseamos modelar
• Se establecen las relaciones operacionales
entre las variables y con el sistema.
• Se define el grafo de la red de colas de espera
necesarias para el modelado.
• Se realizan los cálculos con nuestro modelo.

variables aspectos claves a
estudiar
Cuellos de
botella
Utilización de
los Productividad
componentes
Tiempo de ¿Qué
Trabajos en el
respuesta del interesa sistema
sistema conocer?

variables
limitaciones del análisis operacional
Las leyes operacionales suponen comportamientos
determinísticos para las variables del sistema a partir
de las condiciones iniciales y de las relaciones entre
sus componentes, sin embargo no es así, por ello:
Una muy buena aproximación es

considerar que las distribuciones del
tiempo entre llegadas y el tiempo de
servicio son exponenciales
(memoryless property)

variables
analizar la capacidad actual
• Hipótesis
1
• El tiempo que transcurre para que llegue un
nuevo trabajo a una estación es independiente
2 del instante en que llegó el anterior
• Cuando un trabajo está siendo atendido en una

estación, el tiempo que le resta es
3 independiente del tiempo que lleva en servicio.

Analizar la capacidad actual
Tiempo de respuesta en una estación
Espera a que se
procesen los Ni
trabajos que le Luego, cumple su
preceden propio tiempo de
servicio
Cuando llega
un trabajo a
la estación
Tiempo de respuesta
No es una relación
Ri  ( N i
 1) S i operacional

Ri  ( N i
 1) S i
No es una relación
operacional
R i  ( N i  1) S i  ( X i R i  1) S i 
Si Si
Ri  
1  X iSi 1U i

Datos para calcular el tiempo de respuesta en una
estación
Redes Redes Para cada

abiertas cerradas estación
Tasa de llegadas Número de Razón de visita

trabajos en el de cada
al sistema () sistema (N) estación (Vi)
Tiempo de Tiempo de
reflexión de los servicio de cada
usuarios (Z) estación (Si)

Redes abiertas
suponemos conocidos: ,Vi y Si
Utilización de cada
U  X S  V S
i i i i i
estación
S Tiempo de respuesta de
R  i
cada estación
1U
i
Tiempo de respuesta del sistema
 V S
k k 
R   V R    i i


1  U
i i

i 1 i 1
i

Redes cerradas
suponemos conocidos: N, Z y Vi ,Si
Tiempo de respuesta de cada estación
R  ( N  1) S
i i i
Tiempo de respuesta y productividad del sistema
K n
R  V R , X
Z  R (n)
i i
i 1
En donde n son los trabajos en la estación

N (n)  X ( n ) V R ( n )
i i i
tomando valores de 1 a N

Cuellos de botella en el sistema
Dispositivo con la Para mejorar la respuesta
mayor demanda de del sistema hay que actuar
servicio (o utilización
más alta)
sobre este dispositivo
Elemento limitador
del rendimiento del
sistema
D b  máx { D i }  máx {V i S i }  V b S b
i  1 , 2 ,..., K i  1 , 2 ,..., K
U b
 máx {U i }  máx { X i S i }  X b S b  XV b S b  XD b
i  1 , 2 ,..., K i  1 , 2 ,..., K

Límites optimistas
Redes abiertas
Tasa de llegadas máxima 
El máximo valor de la tasa de llegadas
es el que que satura el dispositivo
cuello de botella
Valor optimista de la productividad
U b
 X S  XD
b b b
 D b
1 1
Si U cb
 1  D cb
1   X opt

D cb D c _ botella

Límites optimistas
Redes abiertas
Valor optimista del tiempo de respuesta
Cuando =1/Dcb el número de trabajos en el

sistema crece indefinidamente
El valor mínimo del tiempo de respuesta será el

que experimente un trabajo a solas en el sistema
R opt   Di  D
i 1

Límites optimistas
Redes cerradas
Los trabajos siempre encuentran los dispositivos

sin ocupar k
R opt   Di  D
i 1

Se obtiene a partir del valor optimista del tiempo
de respuesta
 N  N
R opt    Z  X 
 X  opt
D  Z
 opt 

Límites optimistas
Redes cerradas
Sistema con el dispositivo cuello de botella saturado
1
Si U cb
1 X S cb cb
 XV S cb cb
1 X opt

D cb

Se puede obtener a partir del valor optimista de X
 N 
R opt    Z  R  ND  Z
 X  opt b
 opt 

Ejemplo Modelo operacional
CPU y I/O
Se desea conocer si la capacidad del CPU con 4 procesadores y 4
discos cuya utilización actual es del 40% son suficientes para
atender la demanda pronosticada:
Pronóstico
Período
Transacciones/seg
Enero 222,82
Febrero 228,52
Marzo 234,22
Abril 239,92
Solución:
Mayo 245,62
Junio 251,32 Para calcular la
Julio 257,02
Agosto 262,72 capacidad del sistema
Septiembre 268,41 utilizaremos las redes de
Octubre
Noviembre
274,11
279,81
colas de espera y el
Diciembre 285,51 análisis operacional.

Cálculo de Capacidades
CPU y I/O
Solución: Discos I/O
CPU
En el gráfico A) se modela el subsistema de CPU, cada

petición puede ser atendida arbitrariamente por cualquier
servidor o cpu y se van encolando cuando todas las cpu
están ocupadas. En el gráfico B) se modela el subsistema
de I/O donde tenemos una cola por server o unidad de
disco. En este caso cada petición debe ser atendida por
una unidad de disco determinada

CPU y I/O
Solución:
Aplicando las fórmulas, despejamos el tiempo de servicio,
para obtener luego el tiempo de respuesta
λ= Tasa de llegada pronosticado

(transacciones /segundo)
U= 0,40 (40% de utilización
M= 4 (hay 4 procesadores)
U = S* λ / M, despejando para
obtener S, Con las tasas de
llegada pronosticadas
S= U * M / λ = 0.40 * 4 / λ se calcula el tiempo
de respuesta y se
R(cpu) = S / (1-U^4) grafica

CPU y I/O
Solución:
Se definen las variables operacionales a ser utilizadas y
las relaciones operacionales según las leyes:
λ= tasa de arribo R=S+W

S= Tiempo de Servicio
W= Tiempo de Espera U=S*λ/M
Q= Cola de espera
U= porcentaje de carga (porcentaje Q=λ*W
de utilización del recurso)
M= nro de servers (cantidad de CPU's R(cpu) = S / (1-U^M)
o cantidad de IO unidades de disco)
R(io) = S / (1-U)

CPU y I/O
Solución:
El objetivo es conseguir graficar el tiempo de respuesta vs tasa
de arribo. El gráfico debería ser tipo exponencial con una
curvatura o punto de quiebre que muestre a que tasa de arribo
(eje X) se produce dicho quiebre.

Solución: Cálculo de Capacidades
Pronóstico
Tiempo de Tiempo de Tiempo de
CPU y I/O
Período Transacciones / Uilización
Servicio (S) Respuesta (R ) Espera (W)
segundo (λ)
1 223 40% 0,007181 0,007369 0,000189
4 229 41,02% 0,007181 0,007390 0,000209
Tiempo de Respuesta (R )
8 234 42,05% 0,007181 0,007412 0,000232 0,060000
12 240 43,07% 0,007181 0,007437 0,000256 0,050000
16 246 44,09% 0,007181 0,007463 0,000282
0,040000
20 251 45,12% 0,007181 0,007491 0,000310
24 257 46,14% 0,007181 0,007522 0,000341 0,030000
28 263 47,16% 0,007181 0,007554 0,000374 0,020000
32 268 48,18% 0,007181 0,007590 0,000409
0,010000
36 274 49,21% 0,007181 0,007628 0,000447
40 280 50,23% 0,007181 0,007669 0,000488 0,000000
100 200 300 400 500 600
44 286 51,25% 0,007181 0,007713 0,000532
48 491 88,09% 0,007181 0,018044 0,010864 Tiempo de Respuesta (R )
52 513 92,18% 0,007181 0,025828 0,018647
56 536 96,27% 0,007181 0,050923 0,043743
La máxima cantidad de solicitudes por segundo que puede recibir el

sistema (λ) se produce cuando U = 100%, despejando de U = S * λ / M
obtenemos que
El sistema soportará como máximo hasta 557 transacciones por segundo

Capacidad bajo demanda
Técnica
La capacidad bajo demanda automatiza la asignación de la
capacidad necesaria a una carga del sistema para cumplir
un nivel de servicio (SLA) determinado.
1. Ahorrar personal necesario que realizaba manualmente

estas tareas antes.
2. Diferir la inversión en la substitución de máquinas o
contratación de nuevos servicios utilizando un gestor de
recursos compartidos.
3. Facturar la utilización de HW y SW bajo demanda.
4. Acelerar la implantación de la externalización de la
informática en las empresas (outsourcing).

Sistemas rígidos de asignación de recursos
Aplicación 2
Aplicación 1 Aplicación 3
30% 75% 75% 40%
30% 75% 75% 40%
Necesidad de
30% recursos 40%
Recursos
infrautilizados

Sistemas flexibles de asignación de recursos
Aplicación 2
Aplicación 1 Aplicación 3
45% 60% 60% 60%
45% 60% 60% 60%
30% 60% 40%
30% 40%


U4 - Planificación de Capacidades - 104

Cargado por

Información del documento

Descripción original:

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

U4 - Planificación de Capacidades - 104

Cargado por

Copyright:

Formatos disponibles

Evaluación de Sistemas Informáticos

material preparado por María Carolina Vásquez

Permite predecir y planificar los tipos y cantidades de recursos

Evaluación de Sistemas Prof. María Carolina

Conocer las estrategias

Construir un plan para

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Dotar de instrumentación al sistema.

Monitorear la utilización del sistema.

Predecir el rendimiento bajo diferentes

Seleccionar la alternativa de menor

Evaluación de Sistemas Prof. María Carolina

El Plan de Capacidad predice los

Evaluación de Sistemas Prof. María Carolina

• Costos de compra e instalación de HW y

Arquitectura simple y clara con facilidad de administración.

Evaluación de Sistemas Prof. María Carolina

Se estiman los valores futuros

Algunos métodos de predicción:

Evaluación de Sistemas Prof. María Carolina

El valor del siguiente período se calcula como

dato real y el pronosticado n t 1

El “n” recomendable es aquel que conlleve al menor error cuadrático

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Demanda Pronóstico n=3

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Comparación Promedios Móviles para los distintos

Evaluación de Sistemas Prof. María Carolina

La ponderación se asigna mediante la constante alfa (α) que

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Comparación suavizado exponencial

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

SCT  SCE  SCR egresión

Evaluación de Sistemas Prof. María Carolina

SCR SCT  SCE Varianza de los Errores

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Demanda (y) Pronóstico y = 5,6993x + 217,12

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Una muy buena aproximación es

Evaluación de Sistemas Prof. María Carolina

• Cuando un trabajo está siendo atendido en una

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Evaluación de Sistemas Prof. María Carolina

Redes Redes Para cada

Tasa de llegadas Número de Razón de visita

Evaluación de Sistemas Prof. María Carolina

Tiempo de respuesta del sistema

Evaluación de Sistemas Prof. María Carolina

Tiempo de respuesta de cada estación

Tiempo de respuesta y productividad del sistema

En donde n son los trabajos en la estación

Evaluación de Sistemas Prof. María Carolina