Introduccion. TEMA 6: MODELOS DE FILAS DE ESPERA (Waiting Line Models) (Capítulo 12 del libro) Modelos de Decisiones
|
|
- Cristián Iglesias Vega
- hace 7 años
- Vistas:
Transcripción
1 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 Poisso y Tiempos de Servicio Expoecial 3. Modelo Multiple-Chael co tasa de llegadas tipo Poisso y Tiempos de Servicio Expoecial 4. Relacioes Geerales 5. Aálisis Ecoómico 6. Otros modelos. ESTRUCTURA DE UN SISTEMA DE FILAS DE ESPERA (F.E.). ESTRUCTURA DE UN SISTEMA DE F.E. CUERPO DE CONOCIMIENTOS RELACIONADO CON MODELOS CUANTITATIVOS DE LA OPERACIÓN DE SISTEMAS DE ESPERA (COLAS O FILAS). COLA (QUEUE) Sistema al que llega clietes para recibir u servicio. Si los servidores está ocupados, los clietes que llega tiee que esperar e la cola. Al cocluir u servicio, se seleccioa al siguiete cliete por ateder, de acuerdo co la disciplia de la cola. PARA ILUSTRAR LOS CONCEPTOS RELACIONADOS CON LOS PROBLEMAS DE FILAS DE ESPERA, SE PRESENTA EL SIG. EJEMPLO SOBRE UN RESTAURANTE QUE VENDE HAMBURGUESAS (FAST-FOOD)
2 . ESTRUCTURA DE UN SISTEMA DE F.E. SINGLE-CHANNEL WAITING LINE EN LA OPERACIÓN ACTUAL DEL RESTAURANTE DE FAST FOOD, SE RECIBE LA ORDEN, SE CALCULA EL COSTO, SE COBRA Y SE ENTREGAN LOS ALIMENTOS.. ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE LLEGADAS. Defiir el proceso de llegadas para u modelo de filas de espera sigifica determiar la distribució de probabilidad para el úmero de llegadas e u determiado lapso de tiempo. LLEGADAS DE CLIENTES SISTEMA LÍNEA DE ESPERA (FILA O COLA) SERVIDOR EL CLIENTE SALE, UNA VEZ CONCLUÍDO EL SERVICIO Las llegadas suele ser idepedietes y aleatorias, por lo que o es posible predecir co exactitud cuado ocurrirá ua llegada.. ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE LLEGADAS. LOS ESTUDIOSOS DEL TEMA HAN DESCUBIERTO QUE UNA DISTRIBUCIÓN DE PROBABILIDAD DE POISSON SUELE PROPORCIONAR UNA BUENA DESCRIPCIÓN DEL PROBLEMA. LA PROBABILIDAD DE QUE LLEGUEN x CLIENTES AL SISTEMA EN UN PERIODO DE TIEMPO (, t) ES: f(x) P(x) ( ) x e x! x: NÚMERO DE LLEGADAS EN EL INTERVALO DE TIEMPO. : NÚMERO PROMEDIO DE LLEGADAS POR UNIDAD DE TIEMPO (INTENSIDAD DEL PROCESO DE LLEGADAS) e: ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE LLEGADAS. Supoga que el restaurate de fast-food ha aalizado datos de llegada de sus clietes y cocluido que la tasa media de llegadas es de 45 clietes por hora. Para u periodo de -miuto, la tasa media de llegadas sería 45 clietes/6 mi.75 clietes / mi. La posibilidad de que X clietes llegue e miuto sería: f(x) P(x) ( ) x e x! x e x!
3 . ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE LLEGADAS. Para u periodo de -miuto, la tasa media de llegadas sería 45 clietes/6 mi.75 clietes / mi.. ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE LLEGADAS. Filas_de_espera.xls F(x) Los siguietes cálculos idica la posibilidad de que llegue, y 2 clietes detro de u lapso de miuto:.75 (.75) e P().75 e!.75 (.75) e P()! e P(2) 2! (Número de llegadas e el itervalo de tiempo, X). ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE TIEMPOS DE SERVICIO. Se refiere al tiempo que pasa el cliete e el servicio, mietras es atedido. SI EL TIEMPO DE DURACIÓN DEL SERVICIO OFRECIDO POR UN SERVIDOR SIGUE UNA DISTRIBUCIÓN EXPONENCIAL, ENTONCES, LA PROBABILIDAD DE QUE EL TIEMPO DE SERVICIO SEA MENOR QUE t ES: F(t) P[ T t] - e -t. ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE TIEMPOS DE SERVICIO. SUPONGA QUE EL PROCESO DE TOMAR LA ORDEN-COBRAR- ENTREGAR LO REALIZA EL CAJERO A UNA TASA PROMEDIO DE 6 CLIENTES POR HORA. DETERMINE LA PROBABILIDAD DE ATENDER A UN CLIENTE EN: (A) MENOS DE.5 MINUTOS, (B) MINUTO, (C ) 2 MINUTOS O MENOS. P[ service time.5] - e -.5 P[service time.] - e - : NÚMERO PROMEDIO DE CLIENTES ATENDIDOS POR UNIDAD DE TIEMPO P[service time 2.] - e -2
4 . ESTRUCTURA DE UN SISTEMA DE F.E. DISTRIBUCIÓN DE TIEMPOS DE SERVICIO. P (T<t) MEDIDAS DE DESEMPEÑO EXPRESAN LA MANERA EN LA QUE FUNCIONA UN SISTEMA O LÍNEA DE ESPERA. LAS MÁS COMUNES SE RELACIONAN CON: (tiempo de referecua, t) UTILIZACIÓN DE SERVIDORES. LONGITUD (LENGTH). TIEMPO DE ESPERA (WAITING TIME). PROBABILIDAD. MEDIDAS DE DESEMPEÑO: UTILIZACIÓN MEDIDAS DE DESEMPEÑO: LONGITUDES ρ Lq : NÚMERO PROMEDIO DE CLIENTES EN LA COLA. FRACCIÓN DE TIEMPO EN QUE LOS SERVIDORES ESTÁN OCUPADOS Average Time i System Variability Icreases L : NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA. T p L Lq + PROMEDIO DE CLIENTES QUE ESTÁN SIENDO ATENDIDOS Utilizatio (ρ) % ρ
5 MEDIDAS DE DESEMPEÑO: TIEMPOS DE ESPERA (WAITING TIMES) MEDIDAS DE DESEMPEÑO: PROBABILIDADES Wq : TIEMPO PROMEDIO QUE UN CLIENTE ESPERA EN LA COLA. : PROBABILIDAD DE QUE NO HAYA CLIENTES EN EL SISTEMA. W : TIEMPO PROMEDIO QUE UN CLIENTE PASA EN EL SISTEMA. P W : PROBABILIDAD DE QUE UN CLIENTE QUE LLEGA TENGA QUE ESPERAR PARA QUE SEA ATENDIDO. W Wq + TIEMPO PROMEDIO DE ATENCIÓN EN EL SERVIDOR P : PROBABILIDAD DE QUE HAYA CLIENTES EN EL SISTEMA. RELACIONES ENTRE MEDIDAS DE DESEMPEÑO ECUACIONES DE FLUJO DE LITTLE L W Lq Wq RELACIÓN: TIEMPO EN SISTEMA--TIEMPO DE SERVICIO W Wq+ /
6 NOMENCLATURA GENERAL PARA MODELOS DE FILAS DE ESPERA A / B / k Dode: A idica la distribució de probabilidad de las llegadas B idica la distribució de probabilidad para el tiempo de servicio K idica el úmero de servidores ASI PUES, LA SIG. NOTACIÓN SE EMPLEARÁ: M idica distribució de llegadas Poisso o tasa de servicio expoecial D idica que las llegadas o el tiempo de servicio so determiísticas o costates. G idica que las llegadas y el tiempo de servicio tiee ua distribució ormal co media y variaza coocidas. 2. MODELO SINGLE-CHANNEL MODELO M/M/ LLEGADAS DE CLIENTES SISTEMA DE ESPERA CON: LLEGADAS POISSONIANAS. TIEMPO DE SERVICIO EXPONENCIAL. UN SOLO SERVIDOR. DISCIPLINA FIFO. SISTEMA LÍNEA DE ESPERA (FILA O COLA) SERVIDOR EL CLIENTE SALE, UNA VEZ CONCLUÍDO EL SERVICIO MEDIDAS DE DESEMPEÑO, MODELO M/M/ MEDIDAS DE DESEMPEÑO, MODELO M/M/ UTILIZACIÓN DEL SERVIDOR: ρ SE REQUIERE QUE ρ < PROBABILIDAD DE QUE NO HAYA CLIENTES EN EL SISTEMA Lq 2 ( ) NÚMERO PROMEDIO DE CLIENTES EN LA COLA: 2 ρ ρ ρ L Lq + NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA: ρ ρ PROBABILIDAD DE QUE UN CLIENTE ESPERE PARA QUE LO ATIENDAN: Pw ρ
7 MEDIDAS DE DESEMPEÑO, MODELO M/M/ MEDIDAS DE DESEMPEÑO, MODELO M/M/ Wq TIEMPO PROMEDIO QUE UN CLIENTE PASA EN LA COLA: Lq ρ ( ρ) TIEMPO PROMEDIO QUE UN CLIENTE PASA EN EL SISTEMA: PROBABILIDAD DE QUE HAYA CLIENTES EN EL SISTEMA: P P ( ρ) ρ W Wq + ( ρ) EJEMPLO: MODELO M/M/ EJEMPLO: MODELO M/M/ EN SU OPERACIÓN ACTUAL, UN RESTAURANTE DE HAMBURGUESAS CUENTA CON UNA ÚNICA CAJA DE PAGO. EL CAJERO TOMA EL PEDIDO, DETERMINA EL COSTO TOTAL, RECIBE EL DINERO DEL CLIENTE Y SURTE EL PEDIDO. UNA VEZ CUBIERTO EL PEDIDO DE UN CLIENTE, EL EMPLEADO TOMA EL PEDIDO DEL SIGUIENTE CLIENTE EN LA COLA. SI LLEGA UN CLIENTE CUANDO EL CAJERO SE ENCUENTRA AÚN TOMANDO UN PEDIDO, EL CLIENTE QUE LLEGA SE FORMA EN LA FILA. LAS LLEGADAS SON POISSONIANAS (PROMEDIO DE LLEGADAS: 45 CLIENTES/HORA. EL TIEMPO DE SERVICIO ES EXPONENCIAL (SERVICIO PROMEDIO: 6 CLIENTES/HORA). NÚMERO DE SERVIDORES: k SERVIDOR PROCESO DE LLEGADAS: POISSONIANO : NÚMERO PROMEDIO DE CLIENTES QUE LLEGAN POR UNIDAD DE TIEMPO 45 CLIENTES/HORA.75 CLIENTES/MINUTO TIEMPO DE SERVICIO: EXPONENCIAL : NÚMERO PROMEDIO DE CLIENTES ATENDIDOS POR UNIDAD DE TIEMPO 6 CLIENTES/HORA CLIENTE/MINUTO
8 ρ EJEMPLO: MODELO M/M/ UTILIZACIÓN DEL SERVIDOR: PROBABILIDAD DE QUE NO HAYA CLIENTES EN EL SISTEMA PROBABILIDAD DE QUE UN CLIENTE ESPERE PARA QUE LO ATIENDAN: Pw ρ.75 ρ SE REQUIERE QUE ρ < 2 Lq L ( ) Lq + EJEMPLO: MODELO M/M/ NÚMERO PROMEDIO DE CLIENTES EN LA COLA: 2 ρ ρ NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA: ρ ρ 2.25 CLIENTES 3 CLIENTES EJEMPLO: MODELO M/M/ EJEMPLO: MODELO M/M/ Wq TIEMPO PROMEDIO QUE UN CLIENTE PASA EN LA COLA: Lq ρ ( ρ) 3 MINUTOS PROBABILIDAD DE QUE HAYA CLIENTES EN EL SISTEMA: P P ( ρ) ρ W TIEMPO PROMEDIO QUE UN CLIENTE PASA EN EL SISTEMA: Wq + ρ ( ) 4 MINUTOS P o más.2373
9 ALTERNATIVAS PARA EL MEJORAMIENTO DEL SERVICIO. AUMENTAR LA TASA PROMEDIO DE SERVICIO, (HACIENDO CAMBIO EN EL DISEÑO DEL SISTEMA O EN LA TECNOLOGÍA EMPLEADA). 2. AÑADIR SERVIDORES EN PARALELO, K (PARA PODER ATENDER MÁS CLIENTES A LA VEZ). Tema 3: Aálisis de Sesibilidad NOMENCLATURA GENERAL PARA MODELOS DE FILAS DE ESPERA A / B / k Dode: A idica la distribució de probabilidad de las llegadas B idica la distribució de probabilidad para el tiempo de servicio K idica el úmero de servidores 3. MODELO MULTIPLE-CHANNEL MODELO M/M/k SISTEMA DE ESPERA CON: LLEGADAS POISSONIANAS. TIEMPO DE SERVICIO EXPONENCIAL. K SERVIDORES (IDÉNTICOS). DISCIPLINA FIFO (First-I-First-Out). ASI PUES, LA SIG. NOTACIÓN SE EMPLEARÁ: M idica distribució de llegadas Poisso o tasa de servicio expoecial D idica que las llegadas o el tiempo de servicio so determiísticas o costates. G idica que las llegadas y el tiempo de servicio tiee ua distribució ormal co media y variaza coocidas. LLEGADA DE CLIENTES SISTEMA LÍNEA DE ESPERA (FILA O COLA) SERVIDOR SERVIDOR K EL CLIENTE SALE, UNA VEZ CONCLUÍDO EL SERVICIO
10 MEDIDAS DE DESEMPEÑO, MODELO M/M/k UTILIZACIÓN DE CADA SERVIDOR: NÚMERO PROMEDIO DE SERVIDORES OCUPADOS: ρ SE REQUIERE QUE ρ < B k PROBABILIDAD DE QUE NO HAYA CLIENTES EN EL SISTEMA k k B B k +! k! k UNA MONSERGA DE CALCULAR!!! Tambié se puede usar la tabla del libro PROBABILIDAD DE QUE UN CLIENTE ESPERE PARA QUE LO ATIENDAN: Lq L MEDIDAS DE DESEMPEÑO, MODELO M/M/k NÚMERO PROMEDIO DE CLIENTES EN LA COLA: k B ( k )! ( k ) Lq + P 2 NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA: Lq + B Pw k k B P k! k Wq W P MEDIDAS DE DESEMPEÑO, MODELO M/M/k TIEMPO PROMEDIO QUE UN CLIENTE PASA EN LA COLA: Lq TIEMPO PROMEDIO QUE UN CLIENTE PASA EN EL SISTEMA: Wq + PROBABILIDAD DE QUE HAYA CLIENTES EN EL SISTEMA: B P! B P ( k k!k ) para k para > k EJEMPLO: MODELO M/M/k LA GERENCIA DEL RESTAURANTE DEL EJEMPLO ANTERIOR DESEA MEJORAR EL SERVICIO. ESTÁ CONSIDERANDO LA ALTERNATIVA DE PONER UN CAJERO ADICIONAL (IDÉNTICO AL ACTUAL). LAS LLEGADAS SON POISSONIANAS (PROMEDIO DE LLEGADAS: 45 CLIENTES/HORA. EL TIEMPO DE SERVICIO ES EXPONENCIAL (SERVICIO PROMEDIO: 6 CLIENTES/HORA).
11 EJEMPLO: MODELO M/M/k NÚMERO DE SERVIDORES: k 2 SERVIDORES PROCESO DE LLEGADAS: POISSONIANO EJEMPLO: MODELO M/M/k UTILIZACIÓN DE CADA SERVIDOR: NÚMERO PROMEDIO DE SERVIDORES OCUPADOS: ρ.375 SE REQUIERE QUE ρ < B.75 k PROBABILIDAD DE QUE NO HAYA CLIENTES EN EL SISTEMA : NÚMERO PROMEDIO DE CLIENTES QUE LLEGAN POR UNIDAD DE TIEMPO 45 CLIENTES/HORA.75 CLIENTES/MINUTO k k B B k +! k! k.4545 UNA MONSERGA DE CALCULAR!!! USAR TABLA TIEMPO DE SERVICIO: EXPONENCIAL : NÚMERO PROMEDIO DE CLIENTES ATENDIDOS POR UNIDAD DE TIEMPO 6 CLIENTES/HORA CLIENTE/MINUTO Pw PROBABILIDAD DE QUE UN CLIENTE ESPERE PARA QUE LO ATIENDAN: k k B P k! k EJEMPLO: MODELO M/M/k EJEMPLO: MODELO M/M/k NÚMERO PROMEDIO DE CLIENTES EN LA COLA: TIEMPO PROMEDIO QUE UN CLIENTE PASA EN LA COLA: Lq k B ( k )! ( k ) P Wq Lq.636 miutos NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA: TIEMPO PROMEDIO QUE UN CLIENTE PASA EN EL SISTEMA: L Lq + Lq + B W Wq miutos
12 EJEMPLO: MODELO M/M/k COMPARACIÓN ENTRE ALTERNATIVAS DE DISEÑO P PROBABILIDAD DE QUE HAYA CLIENTES EN EL SISTEMA: B P! B P ( k k!k ) para k para > k B P! B P ( 2 2!2 ) para 2 para > 2 LAS DECISIONES RELACIONADAS CON EL DISEÑO DE LÍNEAS DE ESPERA PUEDEN HACERSE CON BASE EN:. EVALUACIÓN SUBJETIVA: A PARTIR SÓLO DE LAS MEDIDAS DE DESEMPEÑO DEL SISTEMA. 2. ANÁLISIS ECONÓMICO: INCORPORANDO COSTOS DEL SISTEMA. P o más.885 ANÁLISIS ECONÓMICO DE LÍNEAS DE ESPERA INCORPORA LOS COSTOS ASOCIADOS A LAS ALTERNATIVAS DE DISEÑO. SE PUEDE DEFINIR AL COSTO TOTAL (POR PERIODO), CT, COMO: ANÁLISIS ECONÓMICO DE LÍNEAS DE ESPERA POR LA NATURALEZA DE LAS FUNCIONES DE COSTOS: CT Cw L + Cs k SE SUELEN REPRESENTAR CON EL SIGUIENTE COMPORTAMIENTO: CT Cw L + Cs k COSTOS: $ COSTO TOTAL DONDE: Cw : COSTO (POR PERIODO) DE ESPERA POR CLIENTE QUE ESPERA. L: NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA. Cs : COSTO (POR PERIODO) DE CADA SERVIDOR. k : NÚMERO DE SERVIDORES. COSTO DE LA ESPERA NÚMERO ÓPTIMO DE SERVIDORES COSTO DEL SERVICIO NÚMERO DE SERVIDORES, k
13 FILAS DE ESPERA: OTROS MODELOS Tema 3: Aálisis de Sesibilidad MODELO M/G/ APLICABLE A SISTEMAS CON: LLEGADAS POISSONIANAS (M/). TIEMPO DE SERVICIO CON DISTRIBUCIÓN NORMAL (/G/). UN SERVIDOR (/). DISCIPLINA FIFO. MODELO M/G/: MEDIDAS DE DESEMPEÑO ρ - - ρ σ + ( / ) Lq 2( / ) L Lq + Lq + ρ σ + ρ 2( ρ) ρ < Wq L q W Wq + P W ρ
14 EJEMPLO EJEMPLO UN RESTAURANTE DE HAMBURGUESAS CUENTA CON UNA ÚNICA CAJA DE PAGO. EL CAJERO TOMA EL PEDIDO, DETERMINA EL COSTO TOTAL, RECIBE EL DINERO DEL CLIENTE Y SURTE EL PEDIDO. UNA VEZ CUBIERTO EL PEDIDO DE UN CLIENTE, EL EMPLEADO TOMA EL PEDIDO DEL SIGUIENTE CLIENTE EN LA COLA. SI LLEGA UN CLIENTE CUANDO EL CAJERO SE ENCUENTRA AÚN TOMANDO UN PEDIDO, EL CLIENTE QUE LLEGA SE FORMA EN LA FILA. LAS LLEGADAS SON POISSONIANAS (PROMEDIO DE LLEGADAS: 45 CLIENTES/HORA). ρ.75/ ρ L Lq + Lq + ρ ρ < LA DURACIÓN DEL TIEMPO DE SERVICIO SIGUE UNA DISTRIBUCIÓN NORMAL (SERVICIO PROMEDIO: 6 CLIENTES/HORA), CON DESVIACIÓN ESTÁNDAR DE 2 MINUTOS σ + ( / ) Lq 2( / ) σ + ρ 2( ρ) [(.75) 2 (2) 2 + (.75/) 2 ]/[2(.25)] EJEMPLO MODELO M/D/ APLICABLE A SISTEMAS CON: L Wq q 5.625/ MINUTOS LLEGADAS POISSONIANAS (M/). W Wq MINUTOS TIEMPO DE SERVICIO DETERMINISTA (/D/). UN SERVIDOR (/). DISCIPLINA FIFO. P W ρ.75
15 MODELO M/D/: MEDIDAS DE DESEMPEÑO ρ - - ρ 2 ( / ) Lq 2( / ) L Lq + Lq + ρ Wq L q W Wq + P W ρ 2 ρ 2( ρ) ρ < EJEMPLO UN RESTAURANTE DE HAMBURGUESAS CUENTA CON UNA ÚNICA CAJA DE PAGO. EL CAJERO TOMA EL PEDIDO, DETERMINA EL COSTO TOTAL, RECIBE EL DINERO DEL CLIENTE Y SURTE EL PEDIDO. UNA VEZ CUBIERTO EL PEDIDO DE UN CLIENTE, EL EMPLEADO TOMA EL PEDIDO DEL SIGUIENTE CLIENTE EN LA COLA. SI LLEGA UN CLIENTE CUANDO EL CAJERO SE ENCUENTRA AÚN TOMANDO UN PEDIDO, EL CLIENTE QUE LLEGA SE FORMA EN LA FILA. LAS LLEGADAS SON POISSONIANAS (PROMEDIO DE LLEGADAS: 45 CLIENTES/HORA). LA DURACIÓN DEL TIEMPO DE SERVICIO ES DETERMINISTA (CAPACIDAD DEL SERVICIO: 6 CLIENTES/HORA). EJEMPLO EJEMPLO ρ.75/ ρ L Lq + Lq + ρ.75/ ( / ) ρ Lq (.75) 2( / ) 2( ρ) 2 /[2(.25)].25 ρ < L Wq q W Wq MINUTOS P W ρ.25/.75.5 MINUTOS.75
16 MODELO M/G/k CON CLIENTES QUE ABANDONAN EL SISTEMA POR BLOQUEO APLICABLE A SISTEMAS CON: LLEGADAS POISSONIANAS (M/). TIEMPO DE SERVICIO CON CUALQUIER DISTRIBUCIÓN (/G/). K SERVIDORES (/k). DISCIPLINA FIFO. SI AL LLEGAR UN CLIENTE ENCUENTRA TODOS LOS SERVIDORES OCUPADOS, ABANDONA EL SISTEMA. MODELO M/G/k CON CLIENTES QUE ABANDONAN EL SISTEMA: MEDIDAS DE DESEMPEÑO PROBABILIDAD DE QUE HAYA j SERVIDORES OCUPADOS j ( / ) / j! k i ( / ) P j i! i PROBABILIDAD DE QUE TODOS LOS SERVIDORES ESTÉN OCUPADOS k ( / ) / k! P K k i ( / ) i! i NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA L ( - P K ) EJEMPLO EJEMPLO EL SERVICIO TELEFÓNICO DE ATENCIÓN A CLIENTES DE UNA EMPRESA CUENTA CON TRES LÍNEAS. LAS LLAMADAS LLEGAN DE MANERA POISSONIANA, CON UNA TASA DE 2 LLAMADAS/HORA. 2 LLAMADAS/HORA. 6 LLAMADAS/HORA. K 3 SERVIDORES. / 2/6 2 EN PROMEDIO, CADA UNO DE LOS ASESORES PUEDE ATENDER 6 CLIENTES/HORA. K i i ( / ) i! 2 /! + 2 /! /2! /3! 9/
17 EJEMPLO EJEMPLO PROBABILIDAD DE QUE HAYA j SERVIDORES OCUPADOS P j j ( / ) / j! k i ( / ) i 2 6 i! / 2 (2 /!)/(9/3) 3/ K 3 PROBABILIDAD DE QUE TODOS LOS SERVIDORES ESTÉN OCUPADOS 2 ( ) 3 / / 3! P 3 k i 4/ ( / ) i! i 6 / 2 K 3 P P 2 (2 /!)/(9/3) 6/ (2 2 /2!)/(9/3) 6/ NÚMERO PROMEDIO DE CLIENTES EN EL SISTEMA L ( - P K ) (2)( - 4/9) 3/ P 3 (2 3 /3!)/(9/3) 4/ MODELO M/M/ CON POBLACIÓN FINITA DE CLIENTES (MACHINE REPAIR PROBLEM) SISTEMA M/M/ CON UNA POBLACIÓN DE N CLIENTES ATENDIDOS. LLEGADAS POISSONIANAS (M/). TIEMPO DE SERVICIO EXPONENCIAL (/M/). UN SERVIDOR (/). N TAMAÑO DE LA POBLACIÓN DISCIPLINA FIFO. MODELO M/M//N: MEDIDAS DE DESEMPEÑO + Lq N L Lq + ( - ) Wq W Wq + P N ( N )! N! L q ( N L) N! ( ) P ( N )! ρ <
18 EJEMPLO EJEMPLO UNA EMPRESA TIENE SEIS EQUIPOS IDÉNTICOS DE MANUFACTURA. EL TIEMPO ENTRE FALLAS DE CADA UNO DE LOS EQUIPOS DE PRODUCCIÓN SIGUE UNA DISTRIBUCIÓN EXPONENCIAL, CON UN TIEMPO PROMEDIO ENTRE FALLAS DE 2 HORAS. PARA LA ATENCIÓN DE LAS FALLAS EN EL EQUIPO DE MANUFACTURA SE CUENTA CON UNA ÚNICA CUADRILLA DE MANTENIMIENTO. EL TIEMPO DE DURACIÓN DEL SERVICIO DE REPARACIÓN DE EQUIPO SIGUE UNA DISTRIBUCIÓN EXPONENCIAL, CON UNA MEDIA DE 2 HORAS/FALLA. N ( N )! N!.5.5 /. N 6 (6!/6!)(.) + (6!/5!)(.) + (6!/4!)(.) 2 + (6!/3!)(.) 3 + (6!/2!)(.) 4 + (6!/!)(.) 5 + (6!/!)(.) N (/2.6392).4845 N! ( N )! EJEMPLO EJEMPLO Lq N ( ) 6 - [(.5+.5)/.5]( ) MÁQUINAS.5 /. N L Wq q ( )/[( )(.5)] ( N L) HORAS.5 /. N L Lq + ( - ) ( ) W Wq / HORAS MÁQUINAS
19 EJEMPLO N! P P [6!/(6-)!](.) ( N )! (.48455).5.5 /. N N P Tema 3: Aálisis de Sesibilidad
Teoría de líneas de espera
Teoría de líneas de espera Recuerde la última vez que tuvo que esperar en la caja de un supermercado, en una ventanilla de su banco local, o a que lo atendieran en un restaurante de comida rápida. En éstas
Más detallesINVESTIGACIÓN DE OPERACIONES II. JULIO CÉSAR LONDOÑO ORTEGA
INVESTIGACIÓN DE OPERACIONES II JULIO CÉSAR LONDOÑO ORTEGA Email: julio.londono@correounivalle.edu.co jclondonor@gmail.com MODELOS DE FILAS DE ESPERA Introducción a la Teoría de Colas Ejemplos de la teoría
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 detallesUNIVERSIDAD 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 detallesTeoría de colas. Las colas (líneas de espera) son parte de la vida diaria
Teoría de colas Las colas (líneas de espera) son parte de la vida diaria Supermercado - Servicios de reparaciones - Telecom. Banco - Comedor universitario - Producción El tiempo que la población pierde
Más detallesModelos de cola.
Modelos de cola http://humberto-r-alvarez-a.webs.com Las colas Las colas son frecuentes en la vida cotidiana: En un banco En un restaurante de comidas rápidas Al matricular en la universidad Los autos
Más detalles13.Teoría de colas y fenómenos de espera
3.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
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 detallesTeoría de colas. Andrés Ramos Universidad Pontificia Comillas http://www.iit.comillas.edu/aramos/ Andres.Ramos@comillas.edu TEORÍA DE COLAS 1
Teoría de colas Adrés Ramos Uiversidad Potificia Comillas http://www.iit.comillas.edu/aramos/ Adres.Ramos@comillas.edu TEORÍA DE COLAS 1 Ua cola se produce cuado la demada de u servicio por parte de los
Más detallesIntervalos de Confianza basados en una muestra. Instituto de Cálculo
Itervalos de Cofiaza basados e ua muestra. Istituto de Cálculo Dra. Diaa Kelmasky Hay dos razoes por las cuales el itervalo (6.63,.37) tiee mayor logitud que el obteido ateriormete (7.69, 0.3). la variaza
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 detalleslo que hace a las colas un área interesante y desafiante. En la figura se muestra un sistema típico de colas. 4. MODELOS DE LINEAS DE ESPERA
4. MODELOS DE LINEAS DE ESPERA Objetivo: El estudiante evaluará los criterios de decisión en las líneas de espera, examinando el proceso de llegada para poblaciones sencillas o múltiples de unidades finita,
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 detallesEjercicios de intervalos de confianza en las PAAU
Ejercicios de itervalos de cofiaza e las PAAU 2008 1 1.-El úmero de días de permaecia de los efermos e u hospital sigue ua ley Normal de media µ días y desviació típica 3 días. a)determiar u itervalo de
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 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 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 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 detallesCAPÍTULO 6 DISTRIBUCIONES MUESTRALES
CAPÍTULO 6 DISTRIBUCIONES MUESTRALES Uo de los objetivos de la estadística es coocer acerca del comportamieto de parámetros poblacioales tales como: la media ( μ ), la variaza ( ) o la proporció ( p ).
Más detallesModelos de Inventarios
Modelos de Inventarios 1. Qué significa PERT? Program Evaluation Review Technique Técnica de Revisión de Evaluación de Programa 2. Qué significa las siglas C.E.P Cantidad Económica de Pedidos 3. Para qué
Más detallesInvestigación Operativa II. Ing. Nicolás Salvador Flores
Docente : Practica # 1 Teoría de Colas o Sistema de Espera 1. Durante un intervalo de tiempo muy breve h, cuando mucho puede ocurrir una llegada la probabilidad de que ocurra una llegada es directamente
Más detallesINSTRUCCIONES GENERALES Y VALORACIÓN. Ejercicio 1. (Puntuación máxima: 3 puntos) Calcular los valores de a para los cuales la inversa de la matriz
INSTRUCCIONES GENERALES Y VALORACIÓN INSTRUCCIONES: El eame preseta dos opcioes: A y B. El alumo deberá elegir ua de ellas y cotestar razoadamete a los cuatro ejercicios de que costa dicha opció. Para
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 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 detallesTécnicas Cuantitativas II Muestra y Estadísticos Muestrales. TC II Muestra y Estadísticos Muestrales 1 / 20
Técicas Cuatitativas II 2012-2013 Muestra y Estadísticos Muestrales TC II Muestra y Estadísticos Muestrales 1 / 20 Ídice Ídice Cocepto de muestra y Alguos ejemplos de variaza de la media Cocepto de muestra
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 detallesPROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales)
PROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales) Prof.: MSc. Julio Rito Vargas A. I. Suponga que en una estación con un solo servidor
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 detallesPráctica 7 CONTRASTES DE HIPÓTESIS
Práctica 7. Cotrastes de hipótesis Práctica 7 CONTRATE DE IPÓTEI Objetivos Utilizar los cotrastes de hipótesis para decidir si u parámetro de la distribució de uos datos objeto de estudio cumple o o ua
Más detallesTema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD. X- μ. f(x) = e para - < x < Z 2. . e para - < z <
Tema 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD La distribució ormal: La distribució ormal, campaa de Gauss o, curva ormal, tambié defiida por De Moivre. Características y propiedades: La siguiete fórmula
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 detallesPROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales)
PROBLEMAS RESUELTOS DE TEORÍA DE COLAS. (M/M/: Un servidor con llegadas de Poisson y tiempos de servicio Exponenciales) Prof.: MSc. Julio Rito Vargas A.. Suponga que en una estación con un solo servidor
Más detallesI.T. INDUSTRIAL METODOS ESTADÍSTICOS. FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a. Media x = n n i x 2 Varianza poblacional σ 2 i
I.T. INDUSTRIAL METODOS ESTADÍSTICOS FORMULARIO I. ESTADISTICA DESCRIPTIVA Xv.a k modalidades x 1,x,..., x k ; datos i x i Media x = i x Variaza poblacioal σ i = x i (x i x) Variaza muestral S = 1 (x i
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 detallesConmutación de circuitos Tráfico
Conmutación de circuitos Tráfico Area de Ingeniería Telemática http://www.tlm.unavarra.es Arquitectura de Redes, Sistemas y Servicios Grado en Ingeniería en Tecnologías de Telecomunicación, 2º Temario
Más detallesImportancia de las medidas de tendencia central.
UNIDAD 5: UTILICEMOS MEDIDAS DE TENDENCIA CENTRAL. Importacia de las medidas de tedecia cetral. Cuado recopilamos ua serie de datos podemos resumirlos utilizado ua tabla de clases y frecuecias. La iformació
Más detalles12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS)
12 I N F E R E N C I A E S T A D Í S T I C A II (CONTRASTE DE HIPÓTESIS) 1 Supogamos que ua variable aleatoria X sigue ua ley N(µ; =,9). A partir de ua muestra de tamaño = 1, se obtiee ua media muestral
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 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 detallesAnálisis de Decisiones II
Tema 14 Distribución de llegadas Poisson, distribución de servicio Exponencial, varios servidores, servicio PEPS, población y cola infinita Objetivo de aprendizaje del tema Al finalizar el tema serás capaz
Más detallesDistribuciones de Probabilidad
Distribuciones de Probabilidad Variables Aleatorias Ahora se introducirá el concepto de variable aleatoria y luego se introducirán las distribuciones de probabilidad discretas más comunes en la práctica
Más detallesMEDIDAS DE TENDENCIA CENTRAL. _ xi
EDIDAS DE TENDENCIA CENTRAL. EDIA ARITÉTICA. Es la medida más coocida y tambié es llamada promedio se obtiee sumado todos los valores de la muestra o població, dividida etre el total de elemetos que cotiee
Más detallesInstituto Politécnico Nacional Escuela Superior de Cómputo. Teoría a de Colas. M. En C. Eduardo Bustos Farías
Instituto Politécnico Nacional Escuela Superior de Cómputo Teoría a de Colas M. En C. Eduardo Bustos Farías as Objetivos del Capítulo La distribución Poisson y exponencial. Cumplimiento de las medidas
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 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 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 detalles1.- INTRODUCCIÓN TEORIA DE COLAS
1.- INTRODUCCIÓN TEORIA DE COLAS 1.1.- Introducción a la teoría de colas Tal y como se ha comentado anteriormente, los sistemas de colas son modelos de sistemas que proporcionan un servicio. Como modelo,
Más detallesEl supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo.
El supermercado XYZ desea conocer el comportamiento del mismo en una sola hora de un día típico de trabajo. El supermercado cuenta con 3 departamentos: Abarrotes, Embutidos y. Solamente el Departamento
Más detalles5.1. Tipos de convergencia
Estadística Tema 5 Covergecia de Variables Aleatorias 51 Tipos de covergecia 52 Ley de los grades úmeros 53 Teorema cetral del límite 54 Método delta Objetivos 1 Motivació estudio secuecias de VAs 2 Covergecia
Más detallesTeoría de colas. Modelado y Análisis de Redes de Telecomunicaciones. IIE - Facultad de Ingeniería
Teoría de colas Modelado y Análisis de Redes de Telecomunicaciones IIE - Facultad de Ingeniería Contenido 1 Proceso de Poisson 2 Teoría de colas 3 El proceso M/M/1 4 Los procesos M/M/* 5 El proceso M/G/1
Más detalles8. INTERVALOS DE CONFIANZA
8. INTERVALOS DE CONFIANZA Al estimar el valor de u parámetro de la distribució teórica, o se provee iformació sobre la icertidumbre e el resultado. Esa icertidumbre es producida por la dispersió de la
Más detallesEJERCICIOS RESUELTOS. t +
BXX5744_07 /6/09 4: Págia 49 EJERCICIOS RESUELTOS Calcula la tasa de variació media de la fució f() = + e los itervalos [, 0] y [0, ], aalizado el resultado obteido y la relació co la fució. La fució f()
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 detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2004
Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos
Más detallesSistemas de colas. Objetivo teórico: Determinar la distribución del número de clientes en el sistema
Sitema de cola Ua cola e produce cuado la demada de u ervicio por parte de lo cliete excede la capacidad del ervicio. Se eceita coocer (predecir) el ritmo de etrada de lo cliete y el tiempo de ervicio
Más detallesINVESTIGACION DE OPERACIONES
INVESTIGACION DE OPERACIONES (MAT-30924) Ingeniería de Sistemas Prof. Jessica Millán Definición de IO Orígenes. Enfoques. Limitaciones. Programación Lineal. Definición. Condiciones. Modelos Matemáticos
Más detallesCLAVES DE CORRECCIÓN GUÍA DE EJERCITACIÓN FACTORES Y PRODUCTOS PREGUNTA ALTERNATIVA Nivel
x Estimado alumo: Aquí ecotrarás las claves de correcció, las habilidades y los procedimietos de resolució asociados a cada preguta, o obstate, para reforzar tu apredizaje es fudametal que asistas a la
Más detallesLíneas de Espera: Teoría de Colas. Curso Métodos Cuantitativos Prof. Lic. Gabriel Leandro
ínea de Epera: Teoría de Cola Curo Método Cuantitativo Prof. ic. Gabriel eandro a cola a cola on frecuente en nuetra vida cotidiana: En un banco En un retaurante de comida rápida Al matricular en la univeridad
Más detalles1 Valores individuales del conjunto
5/03/00 METROLOGÍA ESTADÍSTICA ANÁLISIS DE DATOS Cuado se obtiee uo o más grupos de datos, producto de repeticioes i e ua medida, la mejor forma de represetarlas, es mediate las Medidas de tedecia cetral
Más detallesOPCIÓN A EJERCICIO 1_A
IES Fco Ayala de Graada Sobrates de 2001 (Modelo 4) Euciado Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A 0-1 2 1 ( putos) Resuelva la siguiete ecuació matricial: A X - 2 B C, siedo A 1 0 1, B -2, C. 1
Más detallesPara estimar su media poblacional (µ) se toma una muestra de 20 cigarrillos, las medias de la. σ 20
Modelo 04. Problema 5A.- (Calificació máxima: putos) El coteido e alquitrá de ua determiada marca de cigarrillos se puede aproximar por ua variable aleatoria co distribució ormal de media µ descoocida
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 4 Nombre: Distribuciones de probabilidad para variables Contextualización En la sesión anterior se definió el concepto de variable aleatoria
Más detallesCRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS
CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS Divisió de Plaificació, Estudios e Iversió MIDEPLAN Curso: Preparació y Evaluació de Proyectos EVALUACIÓN DE PROYECTOS: Coceptos Básicos Temario Matemáticas
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 detallesGestión y Optimización de Inventarios de Repuestos
Entrenamiento y Capacitación Gestión y Optimización de Inventarios de Repuestos Programa de Formación Continua www.aktiv.com.co PRESENTACIÓN En toda empresa industrial, la decisión de incluir inventarios
Más detallesProblemas de Estimación de Una y Dos Muestras. UCR ECCI CI-1352 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Problemas de Estimació de Ua y Dos Muestras UCR ECCI CI-35 Probabilidad y Esradística Prof. M.Sc. Kryscia Daviaa Ramírez Beavides Iferecia Estadística La teoría de la iferecia estadística cosiste e aquellos
Más detallesMEDIDAS DE DISPERSIÓN.
MEDIDA DE DIPERIÓN. Las medidas de tedecia cetral solamete da ua medida de la localizació del cetro de los datos. Co mucha frecuecia, es igualmete importate describir la forma e que las observacioes está
Más detallesDistribución Muestral.
Distribución Muestral jujo386@hotmail.com Uno de los objetivos de la Estadística es tratar de inferir el valor real de los parámetros de la población Por ejemplo Cómo podríamos asegurar que una empresa
Más detallesTemas 5 y /16.37
Temas 5 y 6 6.263/16.37 Introducción a la teoría de colas MIT, LIDS Dispositiva 1 Redes conmutadas por paquetes Los mensajes se dividen en paquetes que se enrutan hacia su destino PS PS PS PS Red de paquetes
Más detallesEnsayo o prueba: es la realización concreta de un experimento aleatorio.
Tema 4. Probabilidad Resumen del tema 4.1. Introducción a la Probabilidad Experimento: cualquier proceso que permite asociar a cada individuo de una población un símbolo (numérico o no) entre los símbolos
Más detallesIntervalos de confianza para la media
Itervalos de cofiaza para la media Ejercicio º 1.- Las vetas diarias, e euros, e u determiado comercio sigue ua distribució N(950, 200). Calcula la probabilidad de que las vetas diarias e ese comercio:
Más detallesIntervalo de confianza para µ
Itervalo de cofiaza para p y ˆp1 ˆp ˆp1 ˆp ˆp z 1 α/ ; ˆp + z 1 α/, 7.6 ˆp + z 1 α/ ± z 1 α/ 1 + z 1 α/ ˆp1 ˆp + z 1 α/ 4 7.7 siedo ˆp = x/ y z 1 α/ el cuatil 1 α/ de la distribució ormal estádar. El itervalo
Más detallesPROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio
26 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 6 Aula + Laboratorio 1. Los siguietes valores so medicioes del peso (e miles de toeladas) de grades taques de petróleo. 229, 232, 239, 232, 259, 361, 220, 260,
Más detallesDar una introducción sobre la asignatura IO Familiarizar al estudiante con las características y aplicación del modelo de matriz de decisiones
I Unidad: Introducción a al Investigación de Operaciones. Contenidos: 1. Breve reseña histórica de la l. De O. 2. Concepto de la l. De O. 3. Objeto de Estudio de la l. De O. 4. Introducción a la teoría
Más detallesSOLUCIÓN EXAMEN I PARTE II
Nombre: Apellido: C.I.: Fecha: Firma: MÉTODOS ESTADÍSTICOS I EXAMEN I Prof. Gudberto Leó PARTE I: (Cada respuesta correcta tiee u valor de 1 puto) E los siguietes gráficos se represeta distitas distribucioes
Más detallesTEOREMA DEL LÍMITE CENTRAL
Material de clase n 2 Domingo 13 Junio TEOREMA DEL LÍMITE CENTRAL A medida que n se vuelve más grande, la distribución de las medias muestrales se aproxima a una distribución normal con una media x = µ
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesFORMULARIO TEORIA DE FILAS
FORMULARIO TEORIA DE FILAS Proceso geeral de acimieto y muerte. Tasas de etrada: λ 0,λ 1,..., λ 1 clietes or uidad de tiemo. Tasas de salida: µ 1,µ 2,..., µ clietes or uidad de tiemo. =1, 2,... Razó etrada/salida:
Más detallesGrupo 23 Semestre Segundo examen parcial
Probabilidad Grupo 23 Semestre 2015-2 Segundo examen parcial La tabla siguiente presenta 20 postulados, algunos de los cuales son verdaderos y otros son falsos. Analiza detenidamente cada postulado y elige
Más detallesINTERVALOS DE CONFIANZA
Gestió Aeroáutica: Estadística Teórica Facultad Ciecias Ecoómicas y Empresariales Departameto de Ecoomía Aplicada Profesor: Satiago de la Fuete Ferádez NTERVALOS DE CONFANZA Gestió Aeroáutica: Estadística
Más detallesPROCESO DE POISSON Rosario Romera Febrero 2009
1 PROCESO DE POISSON Rosario Romera Febrero 2009 1. Proceso de Coteo U proceso estocástico fn t g t0 es u proceso de coteo si N t represeta el total de sucesos ocurridos asta el tiempo t. Sea u espacio
Más detallesCombinatoria y definiciones básicas de probabilidad
Combiatoria y defiicioes básicas de probabilidad Defiicioes de probabilidad Probabilidad como ituició Probabilidad como la razó de resultados favorables Probabilidad como medida de la frecuecia de ocurrecia
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. 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 detallesTrabajo Especial Estadística
Estadística Resolució de u Problema Alumas: Arrosio, Florecia García Fracaro, Sofía Victorel, Mariaela FECHA DE ENTREGA: 12 de Mayo de 2012 Resume Este trabajo es ua ivestigació descriptiva, es decir,
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesLAS SUCESIONES Y SU TENDENCIA AL INFINITO
LAS SUCESIONES Y SU TENDENCIA AL INFINITO Sugerecias al Profesor: Resaltar que las sucesioes geométricas ifiitas so objetos matemáticos que permite modelar alguos procesos ifiitos, y que a la vez su costrucció
Más detallesINSTITUTO TECNOLÓGICO DE NUEVO LEÓN. Práctica #4 Líneas de espera
Práctica #4 Líneas de espera Objetivo: Optimizar la operación de los servicios y la manufactura utilizando modelos de líneas de espera. Introducción: El sistema de líneas de espera, es el más conocido
Más detallesEstadística para Química - 1er. cuat. 2007 - Marta García Ben
Ej. 1 Podriamos cosiderar S={0,1,} (los resultados o sería igualmete probables). Pero tambie podemos defiir S={CC,CS,SC,SS} describiedo todos los resultados de tirar dos moedas y luego asociar CC, CS 1,
Más detalles5 Variables aleatorias contínuas
5 Variables aleatorias contínuas Una variable aleatoria continua puede tomar cualquier valor en un intervalo de números reales.. Función de densidad. La función de densidad de una variable aleatoria continua
Más detallesJorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http://www.docentes.unal.edu.co/jeortizt/
Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http://www.docentes.unal.edu.co/jeortizt/ 1 2 3 4 Módulos Lógicos Create 1 Assign 1 Crear entidades Cambiar valores de los atributos o de variables en el
Más detallesDefinición de Capacidad. Planeación Estratégica de la Capacidad. Capacidad. Horizonte de Planeación. Mediciones de Capacidad
Definición de 2 Planeación Estratégica de la El más alto nivel de producción que una compañía puede sostener razonablemente, con horarios realistas para su personal y con el equipo que posee. Administración
Más detallesSISTEMA CON UN SERVIDOR
TALLER 6 : Problemas de Líneas de Espera. 1.SISTEMA CON UN SERVIDOR. Una compañía estatal tiene un numero de estaciones para el pesado de camiones a lo largo de una gran autopista, para verificar que el
Más detallesDISTRIBUCIÓN DE LA MEDIA MUESTRAL. (a) Las muestras de tamaño n obtenidas en una población de media y desviación típica,
1 MAJ04 DISTRIBUCIÓN DE LA MEDIA MUESTRAL 1. E u servicio de ateció al cliete, el tiempo de espera hasta recibir ateció es ua variable ormal de media 10 miutos y desviació típica 2 miutos. Se toma muestras
Más detallesANÁLISIS DE LÍNEAS DE ESPERA A TRAVÉS DE TEORÍA DE COLAS Y SIMULACIÓN
Scientia et Technica Año XVII, No 46, Diciembre 010. Universidad Tecnológica de Pereira. 56 ANÁLISIS DE LÍNEAS DE ESPERA A TRAVÉS DE TEORÍA DE COLAS Y SIMULACIÓN ANALYSIS OF WAITING LINES TRHOUGH QUEUE
Más detallesINTERÉS SIMPLE COMO FUNCIÓN LINEAL.
INTERÉS SIMPLE COMO FUNCIÓN LINEAL. EJERCICIOS PROPUESTOS. 1.- Grafica las fucioes Moto e Iterés: a) C = + 0, co C e miles de pesos ; : meses y R. Para graficar estar fucioes, debemos dar valores a, por
Más detallesIES IGNACIO ALDECOA 1 AMPLIACIÓN DE MATEMÁTICAS 4º ESO CURSO 10/11
IES IGNACIO ALDECOA AMPLIACIÓN DE MATEMÁTICAS º ESO CURSO 0/ TEMA : SUCESIONES DE NÚMEROS REALES Se llama sucesió a u cojuto de úmeros dispuestos uo a cotiuació de otro. Podemos cosiderar ua sucesió como
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 detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 009 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES TEMA 6: TEORÍA DE MUESTRAS Juio, Ejercicio 3, Parte II, Opció A Juio, Ejercicio 3, Parte II, Opció B Reserva
Más detalles