12.Teoría de colas y fenómenos de espera
|
|
- Juan Manuel Marín Cruz
- hace 6 años
- Vistas:
Transcripción
1 .Teoría de colas y fenómenos de espera Notación y terminología Modelado del proceso de llegada Modelado del proceso de servicio Notación de Kendall-Lee Procesos de nacimiento y muerte Modelo M/M/. Análisis de modelos Notación y terminología. Para describir una cola hay que especificar: Proceso de entrada o llegada: clientes El proceso de llegada no se ve afectado por nº de clientes presentes, se rige por una distribución de probabilidad que gobierna el tiempo entre llegadas sucesivas Modelos de origen finito: las llegadas se toman de una población pequeña La rapidez de llegada disminuye cuando la instalación está concurrida: el cliente puede declinar. Proceso de salida o servicio: distribución del tiempo de servicio independiente del nº de clientes presentes Servidores en paralelos Servidores en serie
2 Notación y terminología. Disciplina de la cola: método que se usa para determinar el orden en el que se sirve a los clientes Primero en entrar, primero en ser servido (cola) Último en entrar, primero en ser servido (pila) Servicio en orden aleatorio Disciplinas de prioridad en espera Método utilizado por los clientes para unirse a la cola Modelado del proceso de llegada Hipótesis: puede suceder una llegada como mucho en cada instante de tiempo t i tiempo en el que llega el i-ésimo cliente T i t i+ -t i tiempo i-ésimo entre llegadas, variable aleatoria Independientes: T no tiene efecto sobre T 3,... Continuas: las llegadas pueden suceder en cualquier instante de tiempo Descritas por la variable aleatoria A: la distribución de llegadas es independiente del tiempo
3 Distribución de llegadas a(t) función de densidad de A: P c ( A c) a( t) dt, P( A > c) a( t) dt, c Tiempo promedio entre llegadas: rapidez de llegadas ta()dt t Habitualmente A es la distribución exponencial c Distribución exponencial A distribución exponencial con parámetro ( ) t a t e E( A) var( A) Propiedad de amnesia: si A tiene distribución exponencial entonces para todo valor no negativo de t y h P ( A > t + h A t) P( A > h) No importa cuanto tiempo haya pasado desde la última llegada para conocer la distribución de probabilidad de la siguiente llegada.
4 Distribución de Poisson Los tiempos entre llegadas son exponenciales con parámetro si y sólo si el número de llegadas que suceden en un intervalo t sigue una distribución de Poisson con parámetro t n e P( N n) n! E( N) var( N) Distribución de Poisson Si se verifica: las llegadas definidas en intervalos de tiempos que no se solapan son independientes, para t pequeño y cualquier valor de t la probabilidad de que se tenga una llegada entre los tiempos t y t+ t es t +o( t), entonces N sigue una distribución de Poisson con parámetro t y los tiempos entre llegadas son exponenciales con parámetro.
5 Modelado del proceso de servicio Hipótesis: los tiempos de servicio de distintos clientes son variables aleatorias independientes y el tiempo de servicio de cada cliente está regido por una variable aleatoria S con función de densidad s(t) Tiempo promedio de servicio a cliente: ts( t) dt µ Rapidez de servicio: µ Los tiempos de servicio suelen modelarse con una distribución de Erlang con parámetro de forma k y parámetro de rapidez kµ. Notación de Kendall-Lee Cada sistema de colas se representa con 6 características: //3/4/5/6. Naturaleza del proceso de llegada: Mtiempo entre llegadas independientes y distribuidos idénticamente (iid), las v.a. siguen una distribución exponencial D tiempo entre llegadas iid y deterministas GI tiempo entre llegadas iid y distribución general. Naturaleza de los tiempos de servicio: Como en. 3. Número de servidores en paralelo
6 Notación de Kendall-Lee 4. Disciplina de la cola PLPS primero en llegar, primero en ser atendido ULPS último en llegar, primero en ser atendido SEOA servicio en orden aleatorio DG disciplina general en la cola 5. Número máximo permitido de clientes en el sistema incluyendo los que esperan y los que están siendo atendidos 6. Tamaño de la población de la que se toman los clientes Procesos de nacimiento y muerte. Estado del sistema en t número de clientes presentes en cualquier sistema de cola en tiempo t. Para t, el estado del sistemanº inicial de clientes P i (t)probabilidad de que haya clientes en el sistema de cola en t supuesto que en el tiempo había i personas π estado estable o probabilidad de equilibrio del estado lim P i ( t) t Comportamiento transitorio del sistema de cola comportamiento de P i (t) antes de alcanzar el estado estable. Proceso de nacimiento y muerte: proceso estocástico continuo en el tiempo para el que el estado del sistema en cualquier tiempo es un entero no negativo
7 Procesos de nacimiento y muerte. Leyes del movimiento. La probabilidad de que suceda un nacimiento (el estado del sistema pase de a +) entre el tiempo t y t+ t es t+ o( t). es la tasa de natalidad en el estado. La probabilidad de que suceda una muerte (el estado del sistema pase de a -) entre el tiempo t y t+ t es µ t+ o( t). µ es la tasa de mortalidad en el estado. Se debe cumplir µ 3. Los nacimientos y muertes son independientes entre sí. La mayor parte de los sistemas de cola con tiempos exponenciales entre llegadas y de servicio pueden modelarse como procesos de nacimiento y muerte. Modelo M/M/. Análisis de modelos. Tiempos entre llegadas: exponenciales con parámetro Probabilidad de nacimiento (llegada) entre t y t+ t t Tasa de natalidad: Tiempos de servicio: exponenciales con parámetro µ Probabilidad de muerte (fin de servicio) entre t y t+ t Tasa de mortalidad: µ t t e dt e t t + o µ t µ t µ e e µ t + o ( t) ( t)
8 Modelo M/M/. Análisis de modelos. Probabilidades de estado estable π π π π, π, Kπ µ µ µ Intensidad de tráfico ρ µ Si ρ< π π ( + ρ+ ρ + K) ( + ρ+ ρ + K) π π ρ, π ρ ( ρ) ρ Si ρ : no existe distribución de estado estable Modelo M/M/. Análisis de modelos. ρ< Número promedio de clientes presentes en el sistema de colas ρ L π ρ µ Número esperado de clientes en la cola L q ( ) ρ ρ µ ( µ ) Número esperado de clientes en ventanilla π Ls L Lq ρ
9 Modelo M/M/. Análisis de modelos. ρ< Fórmula de Little para colas: para cualquier sistema de colas en el que exista una distribución de estado estable se cumple donde L W L L q s W W W tiempo promedio que pasa un cliente en el sistema W q tiempo promedio que pasa un cliente en la cola W s tiempo promedio que pasa un cliente en el servicio q s
UNIVERSIDAD SIMON BOLIVAR LINEAS DE ESPERA USB PS4161 GESTION DE LA PRODUCCION I LINEAS DE ESPERA
UNIVERSIDAD SIMON BOLIVAR LINEAS DE ESPERA 1 Contenido Características de un sistema de líneas de espera Características de las llegadas Características de la línea de espera Características del dispositivo
Más detallesESTRUCTURA DE LINEAS DE ESPERA
ESTRUCTURA DE LINEAS DE ESPERA La teoría de las colas es el estudio de líneas de espera. Cuatro características de un sistema de la formación de colas o líneas de espera son: la manera en que los clientes
Más detallesTEMA N 3.- TEORÍA DE COLAS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI TEMA N 3.- TEORÍA DE COLAS Asignatura: Investigación Operativa I Docente: Ing. Jesús Alonso Campos 3.1 Introducción
Más detallesTeoría de colas I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Teoría de colas I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Teoría de colas Ejemplo: un centro de atención telefónica (call center) Tasa de llegada y
Más detallesIngeniería de Sistemas. Teoría de colas y juegos
Ingeniería de Sistemas Teoría de colas y juegos DEFINICIÓN Estudio analítico del comportamiento de líneas de espera. DEFINICIÓN OBJETIVOS DE LA TEORÍA DE COLAS Identificar el nivel óptimo de capacidad
Más detallesTeoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas).
Teoría de Colas TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). IO 07/08 - Teoría de Colas 1 Teoría de Colas: ejemplos
Más detallesTEORIA DE COLAS, FENOMENOS DE ESPERA
Universidad del Bío-Bío Facultad de Ingeniería Depto. Ingeniería Industrial Investigación de Operaciones II: TEORIA DE COLAS, FENOMENOS DE ESPERA Integrantes: Pedro Chávez Cristian Guajardo Victor Pino
Más detallesMODELO DE LINEAS DE ESPERA
MODELO DE LINEAS DE ESPERA La teoría de colas es el estudio matemático del comportamiento de líneas de espera. Esta se presenta, cuando los clientes llegan a un lugar demandando un servicio a un servidor,
Más detallesS = N λ = 5 5 = 1 hora.
Teoría de Colas / Investigación Operativa 1 PROBLEMAS DE INVESTIGACIÓN OPERATIVA. Hoja 5 1. Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson de tasa 5 usuarios cada
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detalles2 Teoría de colas o líneas de espera
2 Teoría de colas o líneas de espera El tráfico en redes se puede modelar con la ayuda de la teoría de colas, es por ello ue es importante estudiarlas y comprenderlas. Existen varias definiciones sobre
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTeoría de Colas. Investigación Operativa II. Javier Alarcón Rafael Cáceres Jenny Martínez Pamela Quijada Grupo N 9
Teoría de Colas Investigación Operativa II Javier Alarcón Rafael Cáceres Jenny Martínez Pamela Quijada Grupo N 9 Profesor: Milton Ramírez 31 de Enero del 2012 ELEMENTOS BÁSICOS DE UN MODELO DE LÍNEA DE
Más detallesDistribuciones de probabilidad
Distribuciones de probabilidad Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesModelos de colas exponenciales
Tema 6 Modelos de colas exponenciales 6.1. La distribución exponencial y los procesos de Poisson 6.1.1. Distribución exponencial El análisis de los distintos modelos de colas está determinado en gran parte
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesIntroduccion. TEMA 6: MODELOS DE FILAS DE ESPERA (Waiting Line Models) (Capítulo 12 del libro) Modelos de Decisiones
Modelos de Decisioes TEMA 6: MODELOS DE FILAS DE ESPERA (Waitig Lie Models) (Capítulo 2 del libro) Itroduccio.. Estructura de u Sistema de Filas de Espera 2. Modelo Sigle-Chael co tasa de llegadas tipo
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesTeoría de Colas o Fenómenos de Espera
Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesNotas de Clase de: Investigación de Operaciones
Notas de Clase de: Investigación de Operaciones Víctor Leiva Departamento de Estadística Universidad de Valparaíso, Chile victor.leiva@uv.cl www.deuv.cl/leiva Índice general 1. Programa de la Asignatura
Más detallesTRÁFICO DE TELEFONÍA MÓVIL: CARACTERIZACIÓN E IMPLICACIONES DEL TIEMPO DE OCUPACIÓN DEL CANAL
ESCOLA TÈCNICA SUPERIOR D ENGINYERIA DE TELECOMUNICACIÓ DE BARCELONA TRÁFICO DE TELEFONÍA MÓVIL: CARACTERIZACIÓN E IMPLICACIONES DEL TIEMPO DE OCUPACIÓN DEL CANAL Autor: Francisco Barceló Arroyo Director:
Más detallesTema 5: Teoría de colas. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga
Tema 5: Teoría de colas Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Sumario Conceptos básicos Cola M M Cola M M c Cola M M k Redes de colas Redes de
Más detallesA continuación se muestra el programa resumido de la asignatura, el cual se describirá con detalle posteriormente.
Fecha de impresión: 03/07/2007 13:29:00 2007/2008 Tipo: UNI Curso: 2 Semestre: B CREDITOS Totales TA TS AT AP PA 4,5 1 1 0 0 1 PI 0 PL 1,5 PC 0 OBJETIVOS El objetivo global de la asignatura Teletráfico,
Más detallesAplicación de colas de Poisson en procesos de toma de decisiones en la gestión de servicios médicos
DOCUMENTOS DE INVESTIGACIÓN Facultad de Administración No. 138, ISSN: 0124-8219 Mayo de 2012 Aplicación de colas de Poisson en procesos de toma de decisiones en la gestión de servicios médicos Diego Fernando
Más detalles2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K
CONTENIDOS 1. Introducción a las colas poissonianas. 2. Modelo de colas poissoniano con un servidor M/M/1 3. Modelo con un servidor y capacidad finita M/M/1/K 4. Modelo con varios servidores M/M/c. Fórmula
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesnp {N q = n N q > 0} = (1 ρ) n=1 = (1 ρ) nρ n 1 = 1 (3.34) P {T q t T q > 0} = P {T q t T q > 0} P {T q
52 CAPÍTULO 3. SISTEMAS DE ESPERA Luego: P {N q = n N q > 0} = P n+1 2 = (1 ) n 1, n = 1, 2, (3.33) Nótesequelaprobabilidadqueexistan N probabilidadgeométricaconparámetro n 1,locualesigualaladistribuciónprobabilidad
Más detallesGeneración de eventos en Procesos de Poisson
Generación de eventos en Procesos de Poisson Georgina Flesia FaMAF 26 de abril, 2012 Proceso de Poisson homogéneo N(t), t 0, es un proceso de Poisson homogéneo de razón λ, λ > 0, si: N(0) = 0 proceso comienza
Más detallesSIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION
UNIVERSIDAD DIEGO PORTALES FACULTAD CIENCIAS DE LA INGENIERIA INGENIERIA CIVIL INDUSTRIAL SIMULACIÓN DE PROCESOS INDUSTRIALES SOFTWARE ARENA INTRODUCCION Profesor Responsable. Macarena Donoso Ayudante.
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesTEORIA DE COLAS SIMULACIÓN DE SISTEMAS
SIMULACIÓN DE SISTEMAS UNIVERSIDAD ALAS PERUANAS FILIAL- ICA Ing. Las LINEAS DE ESPERA, FILAS DE ESPERA o COLAS, son realidades cotidianas: Personas esperando para una caja en un banco, Estudiantes esperando
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesDistribuciones de probabilidad más usuales
Tema 5 Distribuciones de probabilidad más usuales En este tema se estudiarán algunas de las distribuciones discretas y continuas más comunes, que se pueden aplicar a una gran diversidad de problemas y
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesF (x, y) = no es la función de distribución acumulada de ningún vector aleatorio. b) Mostrar que. { (1 e x )(1 e y ) si x 0, y 0
Probabilidades y Estadística (M) Práctica 5 1 o cuatrimestre 2014 Vectores aleatorios 1. a) Demostrar que la función F (x, y) = 1 e x y si x 0, y 0 0 en caso contrario no es la función de distribución
Más detallesDistribución Normal. Universidad Diego Portales Facultad de Economía y Empresa. Estadística I Profesor: Carlos R. Pitta
Distribución Normal La distribución normal (O Gaussiana) se define como sigue: En donde y >0 son constantes arbitrarias. Esta función es en realidad uno de las más importantes distribuciones de probabilidad
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detallesDEPARTAMENTO DE CIENCIAS BASICAS AREA DE MATEMATICAS INVESTIGACION DE OPERACIONES
DEPARTAMENTO DE CIENCIAS BASICAS AREA DE MATEMATICAS INVESTIGACION DE OPERACIONES AUTOR: TEMA: OSCAR A. ROMERO CARDENAS INGENIERO INDUSTRIAL ESPECIALISTA EN INFORMATICA Y MULTIMEDIA ESPECIALISTA EN ESTADISTICA
Más detallesTEORIA DE COLAS. Enero 30. Modelos líneas de espera
TEORIA DE COLAS Enero 30 2012 Elementos básicos de un modelo de línea de espera, y buscar una aplicación real de cualquiera de los modelos de líneas de espera existentes. Modelos líneas de espera -Integrantes:
Más detallesEcología de Sistemas:
Ecología de Sistemas: Aplicación de procedimientos de análisis de sistemas a la Ecología Bases para su desarrollo: Alta potencia de cálculo Simplificación formal de los ecosistemas complejos El carácter
Más detallesV Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-NORTE INVESTIGACIÓN DE OPERACIONES II INGENIERIA INDUSTRIAL E INGENIERIA DE SISTEMAS V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas Maestro
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesADMINISTRACIÓN DE EMPRESAS
DIRECCIÓN DE EDUCACIÓN ABIERTA Y A DISTANCIA Y VIRTUALIDAD ADMINISTRACIÓN DE EMPRESAS INVESTIGACION DE OPERACIONES MÓDULO EN CORPORACIÓN UNIVERSITARIA DEL CARIBE-CECAR DIVISIÓN DE EDUCACIÓN ABIERTA Y A
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesTeoría a de Colas o Filas de Espera. M. En C. Eduardo Bustos Farías
Teoría a de Colas o Filas de Espera M. En C. Eduardo Bustos Farías as Introducción Una línea de espera es la resultante de un sistema cuando la demanda por un bien o servicio supera la capacidad que puede
Más detalles1. OBJETO Y MOTIVACIÓN de los SISTEMAS de ESPERA. Ejemplos.
Sesión 3.a TEORIA DE COLAS INTRODUCCIÓN y PROPIEDADES BÁSICAS 1. OBJETO Y MOTIVACIÓN de los SISTEMAS de ESPERA. Ejemplos. 2. ESTRUCTURA DE LOS S.E. Características de los componentes. Proceso de llegadas
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesTeoría de Líneas de Espera
Teoría de Colas Teoría de Líneas de Espera COLAS: Líneas de espera que utiliza modelos matemáticos que describen sistemas de líneas particulares o Sistemas de Colas. Modelos presentan las siguientes características:
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesVariables aleatorias. Examen Junio La función de distribución de una variable continua X es de la forma:
TEMA 6: Variables aleatorias Examen Junio 003.- La función de distribución de una variable continua X es de la forma: 3 F ( t) = P( X t) = a + bt ct t, Se sabe que la densidad verifica f(-)=f()=0. [ ]
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesPROBLEMA 1 PROBLEMA 2
PROBLEMA 1 Dos compañías de taxis atienden a una comunidad. Cada empresa posee dos taxis y se sabe que ambas compañías comparten el mercado al 50%. Las llamadas que llegan a cada una de las respectivas
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UCM Función de distribución y función de densidad Ejercicio. Sea X una variable aleatoria con función de distribución dada
Más detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesPROGRAMACIÓN NO LINEAL INTRODUCCIÓN
PROGRAMACIÓN NO LINEAL Conceptos generales INTRODUCCIÓN Una suposición importante de programación lineal es que todas sus funciones Función objetivo y funciones de restricción son lineales. Aunque, en
Más detallesVariables aleatorias
Variables aleatorias DEFINICIÓN En temas anteriores, se han estudiado las variables estadísticas, que representaban el conjunto de resultados observados al realizar un experimento aleatorio, presentando
Más detallesMatemáticas 2.º Bachillerato. Intervalos de confianza. Contraste de hipótesis
Matemáticas 2.º Bachillerato Intervalos de confianza. Contraste de hipótesis Depto. Matemáticas IES Elaios Tema: Estadística Inferencial 1. MUESTREO ALEATORIO Presentación elaborada por el profesor José
Más detalles-80- El siguiente análisis definirá un modelo para determinar el nivel de servicio de estas operaciones (14).
^. - - -^a»'-" l- ^.'.^'^'.'.-;.T'".. ' -^~'* :^'^.'J3aB,!.'-".'-Wii.T"-P7 -H!- aj,_i^whh-1. i'^r-'^r--" -80- IX. PLANIFICACIÓN DE OPERACIONES TERMINALES EN LA CADENA DE TRANSPORTE FORESTAL. Según se ha
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesA. Sustancia pura, isotermal de una atmósfera a presión constante. 1. dg = V dp - S dt (1) 2. dg = V dp (2) 3. (3) 4. (4)
POTENCIAL QUÍMICO Y CAMBIO DE FASES I. Potencial químico: gas ideal y su estado patrón. A. Sustancia pura, isotermal de una atmósfera a presión constante. 1. dg = V dp - S dt (1) 2. dg = V dp (2) 3. (3)
Más detallesCENTRIFUGACIÓN. Fundamentos. Teoría de la centrifugación
CENTRIFUGACIÓN Fundamentos. Teoría de la centrifugación Fuerzas intervinientes Tipos de centrífugas Tubular De discos Filtración centrífuga 1 SEDIMENTACIÓN Se basa en la diferencia de densidades entre
Más detallesDEPARTAMENTO DE INGENIERÍA INDUSTRIAL MANUAL DE INVESTIGACION DE OPERACIONES II. Autores: Barbara Rodriguez Morera Dr. C. Fernando Marrero Delgado
DEPARTAMENTO DE INGENIERÍA INDUSTRIAL MANUAL DE INVESTIGACION DE OPERACIONES II Autores: Barbara Rodriguez Morera Dr. C. Fernando Marrero Delgado Santa Clara, 0 A: Mis padres por el apoyo que me han brindado
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesDIRECCIÓN DE OPERACIONES Y TOMA DE DECISIONES INGENIERÍA INDUSTRIAL CICLO DE PROFESIONALIZACIÓN
TEORIA DE COLAS: Líneas de Espera Claro Ana Milena, Cardona Luz Dary, Ruiz Lina María, Gómez Juan Fernando, Estudiantes Ingeniería Industrial Universidad Católica de Oriente. Mayo 21 de 2011. Resumen:
Más detallesRelación de Problemas. Tema 6
Relación de Problemas. Tema 6 1. En una urna hay 5 bolas blancas y 2 negras y se sacan tres bolas sin reemplazamiento. a) Calcular la distribución conjunta del número de bolas blancas y negras de entre
Más detallesde Erlang-B Jhon Jairo Padilla A., PhD.
Sistemas de Pérdidas das y la Fórmula de Erlang-B Jhon Jairo Padilla A., PhD. Introducción Ahora se considerará la teoría de teletráfico clásica desarrollada por Erlang (Dinamarca), Engset (Noruega) y
Más detallesT1. Distribuciones de probabilidad discretas
Estadística T1. Distribuciones de probabilidad discretas Departamento de Ciencias del Mar y Biología Aplicada Inferencia estadística: Parte de la estadística que estudia grandes colectivos a partir de
Más detallesCarrera: INB Participantes. Representante de las academias de ingeniería industrial de. Academias Ingeniería Industrial.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Investigación de Operaciones II Ingeniería Industrial INB-0412 4-0-8 2.- HISTORIA
Más detallesSISTEMAS DE COLAS EXPONENCIALES
UNIVERSIDAD POLITÉCNICA DE MADRID FACULTAD DE INFORMÁTICA SISTEMAS DE COLAS EXPONENCIALES M a ISABEL RODRÍGUEZ GALIANO Madrid, Junio de 2002 Índice Introducción 2 Sistema de Colas M/M/ 3 3 Sistema de Colas
Más detallesDEPARTAMENTO DE MATEMÁTICAS. IES GALLICUM
UNIDAD I: NÚMEROS (6 Horas) 1.- Repasar el cálculo con números racionales y potencias de exponente entero. 2.- Resolver problemas de la vida cotidiana en los que intervengan los números racionales. 1.-
Más detallesIntroducción a la teoría de ciclos ĺımite
Introducción a la teoría de ciclos ĺımite Salomón Rebollo Perdomo srebollo@inst-mat.utalca.cl Instituto de Matemática y Física 05-09 de enero, 2015. Talca, CL Contenido 1 Introducción Qué es un ciclo ĺımite?
Más detallesAPLICACIÓN DE LA TEORÍA DE COLAS A LA ATENCIÓN AL PÚBLICO DE UNA CORREDURÍA DE SEGUROS
APLICACIÓN DE LA TEORÍA DE COLAS A LA ATENCIÓN AL PÚBLICO DE UNA CORREDURÍA DE SEGUROS Pedro Salvador González Vera Curso 2012/13 Director/es: Roberto Javier Cañavate Bernal Juan Francisco Sánchez García
Más detallesIntroducción a Ecuaciones Diferenciales
Introducción a Ecuaciones Diferenciales Temas Ecuaciones diferenciales que se resuelven directamente aplicando integración. Problemas con condiciones iniciales y soluciones particulares. Problemas aplicados.
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesPLANEACIÓN DE OPERACIONES ADMINISTRACIÓN DE OPERACIONES
PLANEACIÓN DE OPERACIONES ADMINISTRACIÓN DE OPERACIONES Objetivo de la planeación de operaciones Equilibrar la totalidad de la demanda con la totalidad de los recursos de los inventarios y la capacidad.
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesPROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES. Prof. Johnny Montenegro 1 M.
PROBABILIDADES VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES Prof. Johnny Montenegro 1 M. PROBABILIDADES 2 Una variable es aleatoria si toma los valores de los resultados de un experimento aleatorio. Esta
Más detallesVariables aleatorias unidimensionales
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Variable aleatoria 1 Variable aleatoria 2 3 4 Variable aleatoria Definición Las variables aleatorias son funciones cuyos valores dependen
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesDECISIONES GERENCIALES II Bibliografía Básica
DECISIONES GERENCIALES II Bibliografía Básica Métodos Cuantitativos para los Negocios. Barry Render y Otros (libro texto) Métodos Cuantitativos para Administración. Frederick Hiller y otros. Investigación
Más detallesOptimización del número de operadores de un Call Center
Universidad de la República Facultad de Ciencias Económicas y Administración Pasantía para obtener el grado de Licenciado en Estadística Optimización del número de operadores de un Call Center por Matías
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesEl modelo cinético molecular para un gas ideal
El modelo cinético ecular para un gas ideal En 166, Robert Boyle encontró que el volumen de un gas a temperatura constante es proporcional al inverso de la presión ley de Boyle 1 (1) P En 1787, Jacques
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detallesANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2007 DIURNO INGENIERÍA DE SISTEMAS SEMESTRE ASIGNATURA 7mo PROCESOS ESTOCASTICOS CÓDIGO HORAS MAT-31414
Más detallesProblemas de Geometría Analítica del Espacio
1) Dados los vectores u(4, 4, 8), v( 2,, 5), w(3, 5, 8) y a(22,, 11). Hallar los valores de x, y, z que verifican la combinación lineal a = x u + y v + z w. 2) Dados los vectores a( 5, 19, n) y b( h, 3,
Más detallesControl 3. Lunes 23 de Junio 2008
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Industrial IN44A: Investigación Operativa Profesores: R. Caldentey, R. Epstein, P. Rey Prof. Aux.: J. Gacitúa,
Más detallesCDEE. Cuestiones 3er Ejercicio. 0 si x 1. k(x + 1) + x2 1. k(x + 1) x si x > 1
CUESTIÓN 1: El tiempo de retraso, medido en minutos, del AVE Madrid-Sevilla sigue una variable aleatoria continua con función de distribución: 0 si x 1 F (x) = k(x + 1) + x2 1 2 si 1 < x 0 k(x + 1) x2
Más detalles