METODOS PROBALISTICOS

FASE 3. EVALUACION

PRESENTADO POR:
ANRES FELIPE CALDERON

GRUPO
104561_106

TUTOR:
FABIO OSSA ORTEGA

UNIVERSIDAD NACIONAL ABIERTA Y ADISTANCIA UNAD

INGENIERIA INDUSTRIAL
NEIVA,MAYO 2023
INTRODUCCION
 Tiempo de producción
Tiempo de producción por lote, horas disponible a la semana,
horas

Producto
Planta 1 2
1 4 0 12
2 0 6 20
3 6 8 36
Ganancia por lote $ 3.000 $ 5.600

Tiempo de producción
Tiempo de producción por lote, horas
disponible a la
Producto semana, horas
Planta 1 2
1 4 0 12
2 0 6 20
3 6 4 36
Ganancia por lote $ 3.000 $ 2.500

Probabilidad de que se tenga Probabilidad de que se tenga

el escenario 1 el escenario 2

0.45 0.55
 solución 2

Actividades Precedecesor Duracion

inmediato estimada en
A minutos 50
TABLA 3 B A 30
Duración
Actividades Predecesor inmediato Duración estimada en Actividades
Predecesor estimada en Estimación Estimación
Media Varianza
C B 70
minutos inmediato minutos (m) optimista (a) pesimista (b) D C 40
A 50 A 50 30 60 48,33333333 25 F D 80
B A 30 B A 30 20 35 29,17 6,25 G E,F 60
C B 70 C B 70 45 75 66,66666667 25
D C 40 D C 40 25 40 37,5 6,25
E D 60 E D 60 45 65 58,33 11,11111111
F D 80 F D 80 40 90 75,00 69,44444444
G E,F 60 G E,F 60 30 60 55 25

TABLA 4

Actividades Estimación optimista Estimación pesimista RUTA (A-B-C-D-E-G)

Estimación
Actividades Media Varianza
A 30 60 pesimista
B 20 35 A 60 48,33333333 25
C 45 75 B 35 29,17 6,25 Probabilidad Verificación
D 25 40 C 75 66,66666667 25 Z= 270,2929799 0,691462 0,6926967078
E 45 65 D 40 37,5 6,25 Porcentaje 69,1% 69,3%
F 40 90 E 65 58,33 11,11111111
G 30 60 G 90 55,00 25
Sumatoria 365 295,00 98,61111111 Resultado para esta ruta tenemos el 69,2 % probabilidade que dure en recorrer entre 300 minutos o menos
 EJERCIOC 3

DATOS VALOR
Costo de fabricación por lote K 1800 x
Costo de retención por hora por lote8H
Costo por faltante por hora por lote18
P
Media de la demanda µ 70 Cantidad optima de pedido Media de la demanda en un dia
Desviación estándar de la demanda30 σ Q= 869,4826 870 Dt 1680
Tiempo de producción en horas t 12
C Respuesta
Cada vez= que se realiza un nuevo pedido, se debe fabricar 870 lotes del producto
Nivel de servicio L = 0.7

Media de la demanda durante el tiempo de producción

Desviación estandar durante el tiempo de producción
𝜇L = 840 σL 103,92 104

Podemos observar que, para 0.90, el valor de B/𝜎L estará entre 0.52 y 0.53. También podemos usar el comando de Excel

Resutado tabla Comprobación con Excel

entre 0.52 y 0.53 0,5244

Así, B/𝜎L =0,5244 y por tanto, el tamaño de reserva que garantiza que la producción no tenga faltantes el 70% del tiempo está dado por:

B/𝜎L =0.5244Comprobación con ExcelAproximación

B= 0.5244 * 104
B = 54.5376 54,53765338 55

Así, el tamaño de reserva para un inventario seguro el 70% del tiempo debe ser de 55 lotes.

El punto de reorden R, está dado por: R = B + 𝜇L

Así, el punto de reorden está dado por:R = 55 + 840

R = 895

Con esto, concluimos que nuestra política de inventario óptima es la siguiente:

Para garantizar que no tengamos faltantes el 70% del tiempo, cada vez que nuestro inventario
llegue a 895 lotes, debemos hacer un nuevo pedido de 870 lotes.

Conprobación en eñ sofware R
 EJECICIO4. Modelos de línea de espera - Modelo limite del sistema finito

Plantee un modelo de línea de espera, suponiendo que Alpina puede despachar hasta 20 pedidos al día. Determinar las medidas de desempeño y calcule la probabilidad de que todos los camiones estén desocupados. Verifique los resultados usando el software R.

Modelo 2: limite del sistema finito Probabilidad del que el sistema este lleno

N° Pedidos al20
dia
13,5(λ)
Tasa de llegadas
2,8 (µ)
Tasa de servicio Probabilidad P0
Servidores (camiones)
5 0 1 2 3 4 Sumatoria
Tasa de llegada efectiva
12,86896326 1 0 0 0 0 1 4,674346%
0,04674346221

Condición de4,821428571
estado P0 Porcentaje
Factor de uso0,9642857143 268,1922518 0,371482%
269,19225180,003714817174

Cantidad esperada de dintribuidores en el sistema 11,30258257Ls probabilidad de que los camiones estén desocupados P0 4,67% P0 0 0,003714817174
Cantidad esperada de dintribuidores en la fila 6,706524263Lq Probabilidad de que un distribuidor tenga que esperar
P = (X ≥ 5) 99,63% P1 1 0
Tiempo de espera en elsistema 0,8782822938
Ws Probabilidad de que haya 6 distribuidores en elPsistema
= (X = 6) #DIV/0! P2 2 0
Tiempo de espera en la fila 0,5211394366
Wq Probabilidad de que haya 8 distribuidores en elPsistema
= (X ≤ 8) #DIV/0! P3 3 0
P4 4 0

Conprobación con software R

P5 5 #DIV/0!
P6 6 #DIV/0!
P7 7 #DIV/0!
P8 8 #DIV/0!
P9 9 #DIV/0!
P10 10 #DIV/0!
P11 11 #DIV/0!
P12 12 #DIV/0!
 EJERCICIO 5 Modelo de pronóstico usando suavización exponencial simple
Proyecte la demanda futura usando un modelo de pronóstico de
suavización exponencial simple con constante de suavización 0.2, luego
verifique los resultados usando el software R.
Dia Demanda Alpha (α) 0,2 Pronostico usando suavización exponencial simple
1 65
2 78
3 95
4 64 Dia Demanda (D) Pronosticos (F)
5 71 1 65 65
6 85 2 78 65,00000
7 93 3 95 65,00000
4 64 65,00000
5 71 65,00000
6 85 65,00000
7 93 65,00000

Comprobación en el software R
 Modelo de pronóstico usando suavización exponencial simple con tendencia

Pronostico usando suavización exponencial simple

Dia Demanda Alpha (α) 0,18
1 65 Beta (β) 0,4
2 78 Tendencia 34
3 95 Dia Demanda (D) Suavización (A) Tendencia (T) Pronosticos (F)
4 64 1 65 65
5 71 2 78 78 34
6 85 3 95 78,0000 34,0000 112,0000
7 93 4 64 -993,00000 -86156,00000 -87149,0000
5 71 5581696,00000 442083754,00000 447665450,0000
6 85 -28650584185,00000
-2269221387776,00000
-2297871971961,0000
7 93 147063806211029,00000
11647941676885400,00000
11795005483096500,0000

Comprobación en el software R

Simple Simple con Tendencia

1 65
2 78 #REF!
3 95 #REF! 112,0000
4 64 #REF! -87149,0000
5 71 #REF! 447665450,0000
6 85 #REF! -2297871971961,0000
7 93 #REF! 11795005483096500,0000
CONCLUSIONES

El método de suavización exponencial simple trabaja a través de una constante de

suavización alfa (α) que tiene un valor comprendido entre 0 y 1, aunque en la aplicación
real su valor suele variar entre 0,2
BIBLIOGRAFIA

rogramación estocástica https://bit.ly/GF1E1

https://bit.
edes PERT
ly/GuiaFase1Ej2

Inventario probabilístico https://bit.ly/GF1E3

https://bit.
 Líneas de espera
ly/GDFase2Ej1

 Pronóstico https://bit.ly/GDFase2

modelo de linea de espera

Barbosa Correa, R., & Llinás Solano, H. (2016). Procesos estocásticos con aplicaciones. Universidad del Norte. https://bibliotecavirtual.unad.edu.co/login?url=https://search.ebscohost.com/login.aspx?direct=true&db=nlebk&AN=1800058&lang=es&site=eds-live&scope=site&ebv=EB&ppid=pp_73

Gerald J. Lieberman, & Hillier, F. S. (2015). Investigación de operaciones (10a. ed.). McGraw-Hill Interamericana. https://www-ebooks7-24-com.bibliotecavirtual.unad.edu.co/?il=2269&pg=695

Modelos de pronosticos probalisticos

Gerald J. Lieberman, & Hillier, F. S. (2015). Investigación de operaciones (10a. ed.). McGraw-Hill Interamericana. https://www-ebooks7-24-com.bibliotecavirtual.unad.edu.co/?il=2269&pg=1122