METODOS PROBABILISTICOS

TAREA 4

APORTE INDIVIDUAL

PRESENTADO POR:

LUIS ENRIQUE MARTINEZ BALLESTAS

7921048

TUTOR :

ANNERYS SANCHEZ

GRUPO 15

UNIVERSIDAD NACIONAL
ABIERTA Y A DISTANCIA
UNAD
 Análisis del modelo de ajuste para distribución de tiempo de llegada vs modelo de ajust

Resultados de la prueba de bonda tiempo de llegada

* Probar la hipótesis que los tiempos entre llegadas representan una distribución exponencial con un nivel de confianza del 95% mediante

Hipotesis Nula 19.1194037278183

No se cumple, se rechaza la hipotesis nula, por lo tanto se acepta la hipotesis alterna y es que los datos no se aju
dada
e= 2.718281828 λ=

Resultados de la prueba de bonda tiempo de servicio

* Probar la hipótesis que los tiempos entre servicio representan una distribución exponencial con un nivel de
Distribución X2.

𝑥_(5, 0.05)^2
para 𝑥_(7−1−1, 0.05)^2

N-K-1 4
1-α 0.05

X2N-K-1, 1-α 9.4877

e= 2.718281828

Hipotesis Nula 8.03951626729333

 se cumple, se acepta la hipotesis nula, ya que los datos se ajustan a una frecuencia expon

Interpretacion de resultados: Con un nivel de confianza del 95%, podemos determinar mediante los tiempos de la línea
exponencialmente distribuidos, mientras que los tiempor de servicios se ajustan a la

Recomendaciones: se deben realizar mejoras a nivel de tiempo de llegada en la p

tiempo de llegada vs modelo de ajuste para la distribución de tiempo de servicio:

la prueba de bonda tiempo de llegada

onencial con un nivel de confianza del 95% mediante la Prueba de Bondad de Ajuste Distribución X2.

N-K-1 3
1-α 0.05

X2N-K-1, 1-α 7.8147

< 7.8147
a la hipotesis alterna y es que los datos no se ajustan a una frecuencia exponencial teorica
dada
0.126849894291755

la prueba de bonda tiempo de servicio

distribución exponencial con un nivel de confianza del 95% mediante la Prueba de Bondad de Ajuste

N=6

λ= 0.126849894291755

< 9.4877
que los datos se ajustan a una frecuencia exponencial teorica dada

os determinar mediante los tiempos de la línea de ensamble que para los tiempos de llegada los datos no son
ras que los tiempor de servicios se ajustan a la frecuencia exponencial dada

zar mejoras a nivel de tiempo de llegada en la produccion de los motores

2. Análisis del modelo de pronóstico suavización exponencial simple vs modelo de pronóstico su
doble:

Pronóstico de suavizacion simple

RELACION DE LA DEMANDA REAL

Periodo DEMANDA REAL (Unidades) TENDENCIA (Unidades)

1 66972 51424
2 55212 TENDENCIA (unidades)
3 67742 4058
4 63114 COEFICIENTES
5 66789 α = 2/n+1
6 50432 β = 2α
7 68925 PERIODOS
8 66679 n = 12
9 68026
10 63130
11 59780
12 55458

Pronostico de suavizacion exponencial Doble

RELACION DE LA DEMANDA REAL

Periodo DEMANDA REAL (Unidades) TENDENCIA (Unidades)

1 66972 4058
2 55212 3310
3 67742 3113
4 63114 2580
5 66789 2181
6 50432 966
7 68925 767
8 66679 456
9 68026 236
10 63130 -194
11 59780 -707
12 55458 -1312
13
Analisis de resultados: el pronostico exponencial simple con respecto a la demanda real que se muestra en la gr
pronostico de suavizacion exponencial doble el pronostico ajustado, aunque la tendencia baje en cada perioda
crecimiento en los primeros 12 periodos

Análisis de la toma de decisiones en cuanto a la proyección de la de

Que los parámetros del análisis se encuentra en los límites tolerables

Recomendaciones
Se propone revisar el aporte para efectos de evaluación que constituye disponer de un indicador de desempeño
simple vs modelo de pronóstico suavización exponencial
:

Coeficiente de Suavizacion
0.1538

Pronostico

1 No existe
2 66972.00
3 65163.31
4 65559.91
5 65183.73
6 65430.62
7 63123.83
8 64016.05
9 64425.61
10 64979.35
11 64694.92
12 63939.01
13 62634.63

exponencial Doble

MANDA REAL

PRIMERA
SUAVIZACION PRONOSTICO
PRONOSTICO AJUSTADO
66972 No existe
68597 71030
71266 71907
72646 74379
73928 75226
72160 76109
72480 73126
72237 73247
71975 72693
70814 72211
68953 70620
66279 68246
64967
 o a la demanda real que se muestra en la grafica, estara en un rango constante de entre 61000 a 6800 y en el
do, aunque la tendencia baje en cada periodad el pronostico futuro se mantendra en un rango constante de
crecimiento en los primeros 12 periodos

decisiones en cuanto a la proyección de la demanda del producto

Recomendaciones
uye disponer de un indicador de desempeño adicional  MAPE
 3. Análisis del modelo de inventario EOQ probabilizado vs modelo de inventario E

POLITICA DE INVENTARIO PROBABILIZADO

Periodo t Cantidad optima de pedido

1 7018
2 7061
3 7181
4 7222
5 7264
6 La política de inventario 7121 unidades siempre que el
óptimo (de reserva) nivel del inventario se
7 requiere pedir 7127 reduzca a
8 7100
9 7076
10 6998
11 6879
12 6712

POLITICA DE INVENTARIO PROBABILIZADO CON FALTANTES

Cantidad optima con periodo
Periodo
faltante
1 331
2 333
3 339
4 341
5 343
6 La política de inventario 336 unidades siempre que el
optima exige pedir nivel del inventario se
7 aproximadamente 336 reduzca a
8 335
9 334
10 330
11 324
12 317

Analisis de resultados: para los 12 periodos la politoca de inventario probabilizado, las cantidades de pedido varian entre
inventario una cantidad de 12799 unidades, cuando se trata del inventario con faltantes optima exige pedir 25
 c. Análisis de la toma de decisiones en cuanto al movimiento y mantenim
Con los resultados obtenidos se debe manejar los inventarios según le Modelo de inventario EOQ probabilístico con faltantes

d. Recomendaciones
Dado que el analisis del Modelo de inventario EOQ probabilístico con faltantes da resultados más exacto lo ideal es tener en c
 s modelo de inventario EOQ probabilístico con faltantes:

Nivel del
inventario
B + µl

12799

N FALTANTES
parametro R
2533.95
2533.96
2534.01
2534.03
2534.05
2533.99
UNIDADES
2533.99
2533.98
2533.97
2533.94
2533.88
2533.81

ades de pedido varian entre 6700 y 7200 unidades, dentro del cual deben tener siempre en el
tantes optima exige pedir 2533 unidades como minimo en produccion por periodo
 al movimiento y mantenimiento del producto
probabilístico con faltantes

ndaciones
exacto lo ideal es tener en cuenta este análisis
4. Análisis del modelo de revisión y evaluación de proyectos con estimación de tiempos vs m
proyectos con estimación extra de tiempos

TIEMPOS ESTIMADOS

ACTIVIDAD TIEMPO OPTIMISTA TIEMPO PESIMISTA TIEMPO MAS MEDIA

a b PROBABLE m

0, 1 1.31 2.62 3.94 3.28

0, 2 2.62 10.50 2.62 3.94
1, 3 1.31 3.94 2.62 2.62
2, 3 1.31 14.43 1.97 3.94
2, 4 0.66 9.84 1.31 2.62
3, 5 1.31 9.19 3.28 3.94
3, 6 1.31 3.94 2.62 2.62
4, 5 7.87 10.50 9.19 9.19
4, 6 3.94 14.43 5.25 6.56
5, 6 5.25 10.50 7.87 7.87

Determinar la media y varianza esperadas normalmente distribuidas.

Media Normalmente
EVENTO RUTA
1 (0, 1)
2 (0, 2)
3 (0, 2, 3)
4 (0, 2, 3, 4)
5 (0, 2, 3, 4, 5)
6 (0, 2, 3, 4, 5, 6)
Varianza
Normalmente
distribuida
Distribuida
3.28036546612422 0.047825767072624
3.93643855934907 1.72172761461446
7.87287711869813 6.50430432187686
10.4971694915975 8.84776690843543
19.6821927967453 10.5694945230499
27.5550699154435 13.6303436156978

Determinar el parámetro K para cada evento asociado a la distribución normal.

TIEMPO DE
Varianza
TERMINACION MAS Media Normalmente
EVENTO RUTA Normalmente
TARDIO distribuida
Distribuida
TTTi
1 (0, 1) 4 3.28036546612422 0.047825767072624
2 (0, 2) 3 3.93643855934907 1.72172761461446
3 (0, 2, 3) 6 7.87287711869813 6.50430432187686
4 (0, 2, 3, 4) 6 10.4971694915975 8.84776690843543
5 (0, 2, 3, 4, 5) 13 19.6821927967453 10.5694945230499
 6 (0, 2, 3, 4, 5, 6) 19 27.5550699154435 13.6303436156978

Analisis de Resultados

Dada la informacion de las probabilidades obtenidas se puede determinar que la mejor ruta opara el inicio del proyecto de am
99% y se determina que el evento menos favorable para iniciar el proyecto es el evento 6 con una p

c. Análisis de la optimización de recursos en cuanto al proyecto de ampliación a la línea de ensa

Dado que este algoritmo está diseñado para planificar el resultados de proyectos , da como resultado una línea guía para tene

d. Recomendaciones.
Dado que el algoritmo se despliega por medio de intervalos probabilísticos, considerando tiempos optimistas, probables y
Modelo de revisión y evaluación de proyectos con estimación de tiempos
ación de tiempos vs modelo de revisión y evaluación de
ra de tiempos

Varianza

0.047825767072624
1.72172761461446
0.191303068290496
4.7825767072624
2.34346258655857
1.72172761461446
0.191303068290496
0.191303068290496
3.06084909264793
0.765212273161983

as.

normal.

Parametro K Probabilidad

3.29064493563593 99.90%
-0.713669383045508 23.89%
-0.734359736710991 23.27%
-1.51189774541944 6.55%
-2.05537889529098 2.02%
 -2.31723543423543 1.04%

a el inicio del proyecto de amplicion es el evento #1 con una probabilidad de

ecto es el evento 6 con una probabilidad del 1.04%

ampliación a la línea de ensamble del producto

ado una línea guía para tener el mejor resultado

.
mpos optimistas, probables y pesimistas se sugiere mantener el diseño del
con estimación de tiempos
 5. Análisis de los modelos de líneas de espera con un solo servidor vs modelos de líneas de esp
servidores:

Un servidor - Limite infinito Un

Cantidad de clientes esperado 𝑳_𝑺=𝝆/(𝟏−𝝆) Cantidad de clientes esperado
𝑳_𝑺= 4.21978748

Cantidad esperada de clientes en la fila 𝑳_𝒒=𝑳_𝒔−𝝆 𝑳_𝒒= 3.41136616 Cantidad esperada de clientes e

Tiempo esperado en el sistema 𝑾_𝒔=𝑳_𝒔/ 𝑾_𝒔= 0.3338091 Tiempo espera en la fila

𝝀

Tiempo de espera en la fila 𝑾_𝒒=𝑳_𝒒/ 𝑾_𝒒= 0.26985839 Tiempo de esperado en el sistem

𝝀

Probabilidad de estado 𝑷_𝒏=(𝟏−𝝆)∗𝝆^𝒏 Probabilidad de inactividad en la

Instalación del servicio

Probabilidad de inactividad en la 𝑷_𝟎=(𝟏−𝝆) 𝑷_𝟎= 0.19157868

Instalación del servicio Probabilidad de que un cliente
tenga que esperar

Probabilidad de que un cliente 〖𝟏−𝑷〗 _𝟎=𝟏−(𝟏−𝝆) = 0.80842132

tenga que esperar probabilidad de que el cliente 5
sea atendido

probabilidad de que el cliente 5 𝑷_𝟓=(𝟏−𝝆)∗𝝆^𝟓 0.06615093

sea atendido probabilidad de que al menos 10
clientes sean atendidos
𝑷_(𝒏≥𝟏𝟎)=∑_𝟎^(𝒏=𝟏𝟎)▒ 〖 (𝟏−𝝆)∗𝝆^𝒏= 〗
probabilidad de que al menos 10 0.90361369
clientes sean atendidos Cantidad de clientes que puedan
ser atendidos el 90% de las vece
∑_𝟎^𝒏▒ 〖 (𝟏−𝝆)∗𝝆^𝒏≥𝟎.𝟗𝟎= 〗
Cantidad de clientes que puedan 0.93700721
ser atendidos el 90% de las veces 12 Clientes

3 Servidores - Limite Infinito 3 Ser

Cantidad de clientes esperado Cantidad de clientes esperado
1.52385234

Cantidad esperada de clientes en la fila 0.16139734 Cantidad esperada de clientes e

Tiempo esperado en el sistema 0.05905268 Tiempo esperado en el sistema

Tiempo de espera en la fila 0.00625451 Tiempo de espera en la fila

Probabilidad de estado Probabilidad de estado

Probabilidad de inactividad en la 0.25120262 Probabilidad de inactividad en la

Instalación del servicio Instalación del servicio

Probabilidad de que un cliente 0.74879738 Probabilidad de que un cliente

tenga que esperar tenga que esperar

probabilidad de que el cliente 5 probabilidad de que el cliente 5

sea atendido 0.00982774 sea atendido

probabilidad de que al menos 10 1.01819448 probabilidad de que al menos 10

clientes sean atendidos clientes sean atendidos

Cantidad de clientes que puedan 0.93249277 Cantidad de clientes que puedan

ser atendidos el 90% de las veces 4 Clientes ser atendidos el 90% de las vece

b. Interpretación de los resultados de las medidas de desempeño y probabilidad de ina

cuando en los modelos de linea de espera hay un solo servidor el tiempo de atencion es cosiderable, mientras que para os m
esto hace que el tiempo de espera deminuya considerablementelos tiempos de produccion y la probabilidad que el c

c. Análisis de la optimización de recursos en cuanto a la espera en la línea de ensamble de

Lo ideal es tener varias líneas de servicios, varios servidores, se optimizan tiempos y cantidad de
Lo ideal es tener varias líneas de servicios, varios servidores, se optimizan tiempos y cantidad de

d. Recomendaciones

Tener varias líneas de espera con varios servidores

 odelos de líneas de espera con varios

Un servidor - limite 50
antidad de clientes esperado
4.21862979

antidad esperada de clientes en la fila 3.41047132

empo espera en la fila 0.26987536

empo de esperado en el sistema 0.33382606

robabilidad de inactividad en la 0.19158241

nstalación del servicio

robabilidad de que un cliente 0.80841759

enga que esperar

robabilidad de que el cliente 5 0.06615222

ea atendido

robabilidad de que al menos 10 0.90363129

ientes sean atendidos

antidad de clientes que puedan 0.93702546

er atendidos el 90% de las veces 12 Clientes

3 Servidores - Limite 100

antidad de clientes esperado
1.44331909

antidad esperada de clientes en la fila 0.11458317

empo esperado en el sistema 0.05723852

empo de espera en la fila 0.00444035

robabilidad de estado

robabilidad de inactividad en la 0.17833995

nstalación del servicio

robabilidad de que un cliente 0.82166005

enga que esperar

robabilidad de que el cliente 5

ea atendido 0.0714347

robabilidad de que al menos 10 0.97215178

ientes sean atendidos

antidad de clientes que puedan 0.93249277

er atendidos el 90% de las veces 4 Clientes

sempeño y probabilidad de inactividad

erable, mientras que para os modelos con mas de un servidor,

ccion y la probabilidad que el cliente tenga que esperar

pera en la línea de ensamble del producto

timizan tiempos y cantidad de clientes atendidos
timizan tiempos y cantidad de clientes atendidos

es

varios servidores
6. Análisis del modelo con restricciones aleatorias con todos los parámetros normalmente dist
restricciones aleatorias con solo un parámetro normalmente distribuido

Función objetivo 𝑴𝒂𝒙 𝒁= 〖𝟓𝒙〗

Función objetivo 𝑴𝒂𝒙 𝒁= 〖𝟓𝒙〗 _𝟏+ 〖𝟓𝒙〗 _𝟐+ 〖𝟐𝟎𝒙〗 _𝟑
Primera Restriccion Primera Rest
𝟏𝟏𝟗𝟗𝟕𝒙_𝟏+𝟏𝟏𝟗𝟗𝟕𝒙_𝟐+𝟒𝟕𝟗𝟖𝟕𝒙_𝟑+𝟏,𝟔𝟒𝟓𝒚≤𝟔𝟐𝟗𝟒𝟔 𝟏𝟏𝟗𝟗𝟕𝒙_𝟏+𝟏𝟏𝟗𝟗𝟕𝒙_𝟐+𝟒𝟕𝟗
4𝟕𝟓𝟒𝟒𝒙_𝟏^𝟐+𝟒𝟕𝟓𝟒𝟒𝒙_𝟐^𝟐+𝟏𝟗𝟎𝟏𝟕𝟖𝒙_𝟑^𝟐−𝒚^𝟐=𝟎
4𝟕𝟓𝟒𝟒𝒙_𝟏^𝟐+𝟒𝟕𝟓𝟒𝟒𝒙_𝟐^𝟐+
Segunda restriccion deterministica
Segunda restriccion
〖𝟐𝒙〗 _𝟏+ 〖𝟓𝒙〗 _𝟐+ 〖𝟐𝟎𝒙〗 _𝟑≤𝟔𝟐𝟗𝟒𝟔+𝟑𝟕𝟓𝟗.𝟏𝟒
〖𝟐𝒙〗 _𝟏+ 〖𝟓𝒙〗 _𝟐+ 〖𝟐𝟎𝒙〗
𝒙_𝟏,𝒙_𝟐,𝒙_𝟑,𝒚≥𝟎
𝒙_𝟏,𝒙_𝟐,𝒙_𝟑

Interpretación del modelo determinista de producción.

La solución que entrega la resolución de un modelo determinista que considera reemplazar los parámetros alea
por su valor esperado, puede ser infactible para un escenario en particular

c. Análisis de la optimización de recursos en cuanto a la producción del producto.

el objetivo del modelo está proyectado para hallar la maximización para la fabricación de los productos en este c
motores eléctricos , ajustando las restricciones que corresponden a varianza y medias normales , las cuale
distribuimos para cada uno de los componentes del mismo , lo que lleva a que estas sean mayores o iguales a
unidades limitantes

d. Recomendaciones.

La solución derivada de esta forma puede no ser particularidad de la realidad, al no pensar la dispersión de los v
que toman los parámetros en torno al valor esperado, lo cual entre otras cosas puede anular su ejecución al im
finalmente escenarios muy diferentes del promedio
 etros normalmente distribuidos vs modelo con
normalmente distribuido

ón objetivo 𝑴𝒂𝒙 𝒁= 〖𝟓𝒙〗 _𝟏+ 〖𝟓𝒙〗 _𝟐+ 〖𝟐𝟎𝒙〗 _𝟑

Primera Restriccion
𝟏𝟏𝟗𝟗𝟕𝒙_𝟏+𝟏𝟏𝟗𝟗𝟕𝒙_𝟐+𝟒𝟕𝟗𝟖𝟕𝒙_𝟑+𝟏,𝟔𝟒𝟓𝒚≤𝟔𝟐𝟗𝟒𝟔

4𝟕𝟓𝟒𝟒𝒙_𝟏^𝟐+𝟒𝟕𝟓𝟒𝟒𝒙_𝟐^𝟐+𝟏𝟗𝟎𝟏𝟕𝟖𝒙_𝟑^𝟐−𝒚^𝟐=𝟎

Segunda restriccion deterministica

〖𝟐𝒙〗 _𝟏+ 〖𝟓𝒙〗 _𝟐+ 〖𝟐𝟎𝒙〗 _𝟑≤𝟔𝟐𝟗𝟒𝟔+𝟒𝟖𝟏𝟐.𝟐𝟗

𝒙_𝟏,𝒙_𝟐,𝒙_𝟑,𝒚≥𝟎

cción.

eemplazar los parámetros aleatorios

io en particular

cción del producto.

ción de los productos en este caso los

a y medias normales , las cuales
estas sean mayores o iguales a las

no pensar la dispersión de los valores

puede anular su ejecución al implicar
edio
Paz, R. C., & Gómez, D. G. (2012). Modelos de lineas de espera. Obtenido de Administración
de las operaciones: http://nulan.mdp.edu.ar/1622/1/17_modelos_lineas_espera.pdf

Hillier, F. y Lieberman, G. (2010). Introducción a la investigación de operaciones (pp. 725-

737). México, México: Editorial McGraw-Hill Interamericana. Recuperado de
http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.com/login.aspx?
direct=true&db=edselb&AN=edselb.3214887&lang=es&site=eds-live

García, A. (2006). Programación estocástica por metas: teoría y aplicaciones económicas (pp.

84-87). Madrid, España: Editorial Universidad Complutense de Madrid. Recuperado
de https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?
ppg=103&docID=3168854&tm=1541109698692