Teoría de Colas o Teoría de Líneas de Espera Cursada 2015 Ing. Sandra González Císaro
|
|
- José Ramón Montes Salinas
- hace 6 años
- Vistas:
Transcripción
1 Investigación Operativa I Facultad Ciencias Exactas. UNICEN Teoría de Colas o Teoría de Líneas de Espera Cursada 2015 Ing. Sandra González Císaro Cursada 2015
2 Teoría de Colas: Donde?...
3 Teoría de colas Desarrollaremos modelos matemáticos para líneas de espera o colas cuando ueremos responder: Qué fracción de tiempo cada cajero está desocupado. Cuál es el largo esperado de la cola. Cuál es el tiempo promedio de espera en cola. Cuál es la distribución de probabilidad del tiempo de espera? Cuantos servidores debo tener para garantizar una espera menor de 3 ms? Si el gerente de un banco uiere garantizar ue los clientes esperarán más de 5 minutos, cuántos cajeros debe tener?
4 Teoría de colas Existen varios modelos según las características. Algunos son calculables analíticamente y otros no, sólo pueden analizarse a través de la simulación de cada caso. Unacolaesunalíneadeespera La teoría de colas es un conjunto de modelos matemáticos ue describen sistemas de líneas de espera particulares El objetivo es encontrar el estado estable del sistema y determinar una capacidad de servicio apropiada a un costo razonable.
5 Modelo básico Un sistema de colas puede dividirse en dos componentes principales: La cola El servicio Los clientes o llegadas vienen en forma individual para recibir el servicio: Personas Automóviles Máuinas ue reuieren reparación Productos ensamblados Los clientes al llegar se unen a la cola, si no hay nadie pasan directamente a ser atendidos.
6 Algunas definiciones Arribos: Proceso estocástico ue modeliza la llegada de clientes al sistema. Se supone ue no hay arribos simultáneos y ue la tasa de arribos no depende del largodelacola. Servicio: Proceso ue modeliza el tiempo de servicio a los clientes. También se asume independiente del largo de la cola. Los servidores pueden estar en paralelo o en serie (cajeros de banco / línea de montaje). Disciplina: Puede ser FCFS, LCFS,
7 Disciplina de la cola Los clientes en la cola son atendidos según distintas disciplinas: FCFS: first come first served, banco con un solo LCFS:lastcomefirstserved SIRO: service in random order Priority levels: varias categorías con distintas prioridadesydentrodecadaunaesfcfs.
8 Modelo más simple Cola Arribos Cola Disciplina de la cola Servidor Salida
9 Una cola un servidor Cola Arribos Cola FCFS Servidor Salida
10 Una cola, múltiples servidores Sistema Servidor Salida Arribos Cola Servidor Salida Servidor Salida
11 Varias colas, múltiples servidores Sistema de colas Cola Servidor Salida Arribos Cola Servidor Salida Cola Servidor Salida
12 Una cola, servidores en serie Arribos Sistema de colas Cola Servidor Cola Servidor Salida
13 Modelos de arribos Se llama tiempo interarribo al tiempo ue transcurre entre dos llegadas sucesivas. Se llama tasa media de arribos al número esperado de arribos por unidad de tiempo. Senotaengeneralpor. Deahíeltiempointerarriboesperadoes. Supongamos ue la tasa de arribos es de 10 clientes por hora, entonces el tiempo interarribo medio es 6 minutos. Pero cómo se distribuyen estas variables?
14 Distribución de arribos Sea () el largo de la cola al tiempo t, las propiedades uesondeseables paraladistribucióndeson: N(0)0 Incrementos independientes, el número de arribos contado en distintos intervalos disjuntos es independiente. Incrementos estacionarios: el número de arribos en un intervalo de tiempo sólo depende de la longitud del intervalo No hay arribos simultáneos.
15 Proceso de Poisson Las propiedades anteriores definen unívocamente una distribución de probabilidad para el proceso () conocida como distribución de Poisson. La distribución de probabilidad del tiempo interarribos resulta exponencial. Las ocurrencias de los arribos están distribuidos uniformemente en el tiempo.
16 Distribución de Poisson! P 0,2 0,18 0,16 0,14 0,12 0,1 Acc. 1,2 1 0,8 0,6 Se puede probar ue ,08 0,06 0,04 0, ,4 0,2 0
17 Distribución exponencial Distribución exponencial de parámetro 0,25 P Acc. 1 0,2 0,9 0,8 0,7 1 0,15 0,6 0,5 0,1 0,4 0,3 0,05 0,2 0,
18 Modelo de servicio Puede haber uno o más servidores La tasa de servicio se llama y es el valor medio de clientes atendidos por unidad de tiempo. Por lo tanto el tiempo esperado de servicio de cada clientees. Si se atienden en promedio 20 clientes por hora, el tiempo esperado es 3 minutos. El tiempo de servicio varía de cliente a cliente según cierta distribución (de media 1 ) ue puede ser: constante, exponencial o de Erlang.
19 La distribución de Erlang Erlang fue el padre de la teoría de colas, publicó el primer paper sobre ellas en 1909: "The Theory of Probabilities and Telephone Conversations" Esta distribución posee un parámetro de forma k ue determina su desviación estándar:
20 Distribución de Erlang Si 1, la dist. de Erlanges exponencial Si 1< es una distribución unimodalcuya forma varía con. Cuando se acerca a una distribución normal Euivale a la suma de variables exponenciales La expresión de la fdppara &~Er es 1! El valor medio es & Su varianza es Var &,
21 Evolución del largo de la cola Cuando el modelo es estable <- Se observa primero un estado transitorio Luego el sistema se va estabilizando Sobre el estado estable (límite cuando ) podemos obtener fórmulas ue ayudan al análisis N
22 Índices de funcionamiento Para diseñar el modelo se tiene en cuenta: Definimos: El largo de la cola El tiempo esperado en la cola El tiempo total entre la entrada y la salida del sistema.. / el largo promedio de la cola.. la cantidad promedio de clientes en cola+servicio 0 / el tiempo promedio de espera en la cola. 0 el tiempo promedio entre entrada y salida. tasa de arribo de clientes (c/h). tasa de servicio (c/h). - cantidad de servidores. 1 -
23 Fórmulas de Little John D. C. Little probó en 1960 ue.0. / 0 / 00 / / + 3 Independientemente de las distribuciones!!!
24 Ejemplos Suponga una estación de servicio a la cual llegan en promedio 45 clientes por hora. Se tiene capacidad para atender en promedio a 60 clientes por hora. Se sabe ue los clientes esperan en promedio 3 minutos en la cola. es 45 c/h o 45/60 0,75 clientes por minuto es 60 c/h o 60/60 1 cliente por minuto 0 / 3 min min..0,75 43 clientes. / 0,75 32,25 clientes
25 Notación de Kendall Para clasificar las distintas posibilidades Kendall propone una notación ( luego extendida por otros) : Donde las letras representan A: Proceso de arribo B: Distribución del tiempo de servicio C: Nro. de servidores K: Nro. de lugares A/B/C/K/N/D N: Cantidad total de clientes Los procesos en A y B pueden ser: M: (Markoviano) Proceso de Poisson D: Determinístico o constante Ek: Erlang de parámetro k G: distribución general D: Disciplina. Los clientes en la cola son atendidos según distintas disciplinas.
26 Modelos con un servidor M/M/1: Un servidor con interarribosexponenciales y tiempos de servicio exponenciales M/G/1: Un servidor con interarribosexponenciales y una distribución general de tiempos de servicio M/D/1: Un servidor con interarribosexponenciales y una distribución determinística de tiempos de servicio M/E k /1: Un servidor con interarribosexponenciales y una distribución Erlang de tiempos de servicio Cola Arribos Cola FCFS Servidor Salida
27 Cola M/M/1 1 0, ) ( ) ( ) ( ) (1 ) ( 1 ) ( ) (1 ) (1 1 2 < > > > + t e t P W e t P W n L P P W W L L t t n n n
28 Modelo M/M/1: ejemplo Un lava-autos puede lavar un auto cada 5 minutos y la tasa media de llegadas es de 9 autos por hora. Obtenga todos los índices de acuerdo con el modelo M/M/1. Además calcule: la probabilidad de tener 0 clientes en el sistema, la probabilidad de tener una cola de más de 3 clientes la probabilidad de esperar más de 30 min. en la cola y en el sistema Informática de Gestión
29 Modelo M/M/1: ejemplo / 60) ( / 60) ( ) ( 0.25 ) (1 15min 0.25 ) ( 20min ) ( , 9, ) (1 ) ( > > > + t t e P W e P W L P P hrs W hrs W clientes L clientes L
30 Modelo M/G/1 L L W L + 2 σ (1 ) W 1 + W P 0 1 P w < 1
31 Modelo M/G/1: ejemplo Un lava-autos puede atender un auto cada 5 min. y la tasa media de llegadas es de 9 autos/hora, σ2min. Obtenga los índices de acuerdo con el modelo M/G/1. Además calcule: la probabilidad de tener 0 clientes en el sistema la probabilidad de ue un cliente tenga ue esperar por el servicio
32 Modelo M/G/1: ejemplo min min ) 2( σ w P P hrs L W hrs W W clientes L clientes L L
33 W W L W < 1 Modelo M/D/1 L W 2 L 2(1 ) 1 +
34 Modelo M/D/1: ejemplo Un lava-autos puede atender un auto cada 5 min. La tasa media de llegadas es de 9 autos/hora. Obtenga las medidas de desempeño de acuerdo con el modelo L W 1.875clientes M/D/1 L W W clientes 2(1 ) W L hrs 0.125hrs 12.5min 7.5min
35 Modelo M/E k /1 W L W L 2 ( k + 1) 2k(1 ) W 1 + L W < 1
36 Modelo M/E k /1: ejemplo Un lava-autos puede atender un auto cada 5 min. Supongamos σ 3.5 min (aprox.). La tasa media de llegadas es de 9 autos/hora. Obtenga las medidas de desempeño de acuerdo con el modelo L W clientes M/E k /1 L 2 ( k + 1) 2 k (1 ) clientes W W hrs min W L hrs min
37 Modelos de un servidor M/M/1 M/G/1 M/D/1 M/E k /1.. /+1. / +1. / +1. / +1. / 1 D D E D +1 D D D /+ 1 0 / / / /. /. /. /. /
38 Modelo con varios servidores M/M/s: s servidores con llegadas de Poisson y tiempos de servicio exponenciales M/D/s: s servidores con tiempos entre llegadas exponenciales y una distribución degenerada de tiempos de servicio M/E k /s: s servidores con tiempos entre llegadas exponenciales y una distribución Erlang de tiempos de servicio Informática de Gestión
39 Modelo M/M/s F H JF HI! + HI K H! I. / IKL2 H K H! I, F M - IK H K H! I F 0 / M - exp Informática de Gestión
40 Costos
41 Teoría de colas El tiempo de espera disminuye con la cantidad de servidores El costo operativo aumenta con la cantidad de servidores. Se debe encontrar un euilibrio entre ambos.
42 Para Recordar!!! El objetivo de la teoría de colas es encontrar el estado estable del sistema y determinar una capacidad de servicio apropiada. Si<la cola es infinita. Little probó ue independientemente de las distribuciones:.0. / 0 / 00 / / + 3 A mayor cantidad de servidores mayor es el costo operativo del servicio pero menor el tiempo de espera. Hay ue buscar una solución ue minimice eltiempodeesperayelcostooperativo.
43 Referencias Taha H. (2010) Investigación de Operaciones. Prentice Hall HillierF. (2014). IntroductiontoOperationsresearch. McGraw-Hill Science Winston W. (2003) Operations Research: Applications and Algorithms. Cengage Learning Material del curso Procesos estocásticos y teoría de colas del Prof. Dr. Pablo Lotito. DMCI, UNICEN, Informática de Gestión
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 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 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. 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 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 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 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 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 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 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 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 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 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 detallesPosible solución al examen de Investigación Operativa de Sistemas de junio de 2002
Posible solución al examen de Investigación Operativa de Sistemas de junio de 00 Problema (,5 puntos): Resuelve el siguiente problema utilizando el método Simplex o variante: Una compañía fabrica impresoras
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesINVENTARIOS Introducción Cantidad Economica de Pedido (EOQ)
INVENTARIOS Introducción Cantidad Economica de Pedido (EOQ) Curso: Investigación de Operaciones Ing. Javier Villatoro MODELO DE INVENTARIOS Componentes Componentes de los modelos de inventarios El problema
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 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 detallesTécnicas de modelado. Problemas adicionales
Técnicas de modelado Clase nro. 10 CURSO 2010 Problemas adicionales Los ejemplos discutidos hasta ahora contienen simplificaciones que son difíciles de encontrar en sistemas de cierta complejidad. Vimos
Más detallesControl 1 IN44A, Viernes 6 de Septiembre de 2002
DEPARTAMENTO DE INGENIERIA INDUSTRIAL Curso: IN44A - Investigación Operativa Facultad de Cs. Físicas y Matemáticas Sem.: Primavera 00 UNIVERSIDAD DE CHILE Prof: A. Barrientos, A. Sauré, N. Yanković. P.
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
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 detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
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 detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
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 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 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 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 detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 2 Probabilidad condicional e independencia Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Distinguir los eventos condicionales de los eventos independientes.
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 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 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 detallesAnálisis de Decisiones II. Conceptos básicos de Teoría de Colas. Objetivo de aprendizaje del tema
Tema 11 Conceptos básicos de Teoría de Colas Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar en qué consiste la Teoría de Colas. D.R. Universidad TecMilenio 1 Introducción
Más detallesRELACIÓN DE PROBLEMAS. Distribuciones de probabilidad
RELACIÓN DE PROBLEMAS Distribuciones de probabilidad 1. Se lanzan al aire dos monedas tres veces consecutivas. Sea X la v.a. que representa el número de veces que se obtiene cara en ambas monedas en los
Más detallesESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016
ESTADÍSTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES Práctico 2 Curso 2016 Ejercicio 1 Una empresa de selección de personal llama a 12 postulantes para una entrevista de empleo. Se sabe por experiencia
Más detallesb) dado que es en valor absoluto será el área entre -1,071 y 1,071 luego el resultado será F(1,071)-(1-F(1,071)=0,85-(1-0,85)=0,7
EJERCICIOS T12-MODELOS MULTIVARIANTES ESPECÍFICOS 1. Un determinado estadístico J se distribuye según un modelo jhi-dos de parámetro (grados de libertad) 14. Deseamos saber la probabilidad con la que dicho
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 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 detallesMétodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
Más detallesMatemáticas financieras
Matemáticas financieras MATEMÁTICAS FINANCIERAS 1 Sesión No. 2 Nombre: Fundamentos matemáticos Contextualización Para concluir con la unidad introductoria a las matemáticas financieras, en la que estamos
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 detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
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 detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
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 Decisiones II. Tema 17 Generación de números al azar. Objetivo de aprendizaje del tema
Tema 17 Generación de números al azar Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Obtener números aleatorios a partir de un proceso de generación. Validar las características
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 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 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 detallesForo de Estudios sobre Guerrero CIENCIAS EXACTAS E INGENIERÍA Mayo 2013 Abril 2014 Vol.1 No
137 Análisis de las operaciones de una tortillería, utilizando un modelo de líneas de espera JUÁREZ-HERRERA, Francisco* Instituto Tecnológico de Iguala. Carretera Nacional Iguala-Taxco esquina Periférico
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 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 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 detallesLa distribución de Probabilidad normal, dada por la ecuación:
La distribución de Probabilidad normal, dada por la ecuación: Donde: x = X -, la distancia entre X y en el eje de las X. = la media de la población o universo ( de las X ) fx= La altura de la ordenada
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 detallesEJEMPLOS DE TEORÍA DE COLAS Resolución con Win-QSB
EJEMPLOS DE TEORÍA DE COLAS Resolución con Win-QSB PROBLEMA 1. El Banco Nacional de Occidente piensa abrir una ventanilla de servicio en automóvil para servicio a los clientes. La gerencia estima que los
Más detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesLINEAS DE ESPERA CAPITULO 2 LECTURA 6.2. SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México 2.
LECTURA 6.2 SIMULACIÓN Y ANÁLISIS DE MODELOS ESTOCÁSTICOS Azarang M., Garcia E. Mc. Graw Hill. México CAPITULO 2 LINEAS DE ESPERA 2.1 INTRODUCCIÓN Una línea de espera es el efecto resultante en un sistema
Más detallesIng. Eduardo Cruz Romero w w w. tics-tlapa. c o m
Ing. Eduardo Cruz Romero eduar14_cr@hotmail.com w w w. tics-tlapa. c o m La estadística es tan vieja como la historia registrada. En la antigüedad los egipcios hacían censos de las personas y de los bienes
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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
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 detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
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 detallesPlanteamiento del problema del servidor de video
Universidad Politécnica de Cartagena Escuela Técnica Superior de IngenieI ería de Telecomunicación PRÁCTICAS DE REDES DE ORDENADORES Propuesta del Trabajo de Prácticas 2011 Evaluación de políticas de admisión
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 detallesUNIVERSIDAD DE MANAGUA Al más alto nivel
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Guía práctica #3 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Obtener muestras a partir de números aleatorios. Usando muestras
Más detallesPROBABILIDAD Y ESTADISTICA
PLAN DE ESTUDIOS 2008 LICENCIADO EN INFORMÁTICA FACULTAD DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA ASIGNATURA: PROBABILIDAD Y ESTADISTICA ÁREA DEL MATEMÁTICAS CLAVE: I2PE1 CONOCIMIENTO: ETAPA FORMATIVA:
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 detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
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 detallesIN34A - Optimización
IN34A - Optimización Modelos de Programación Lineal Leonardo López H. lelopez@ing.uchile.cl Primavera 2008 1 / 24 Contenidos Programación Lineal Continua Problema de Transporte Problema de Localización
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 detallesIntroducción. Flujo Eléctrico.
Introducción La descripción cualitativa del campo eléctrico mediante las líneas de fuerza, está relacionada con una ecuación matemática llamada Ley de Gauss, que relaciona el campo eléctrico sobre una
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
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 detalles