INVESTIGACIN DE

OPERACIONES
Anlisis de sensibilidad, Modelo de Colas y
Modelos de PERT/CPM

UNIVERSIDAD PRIVADA ANTENOR ORREGO

FACULTAD DE INGENIERA
INGENIERA DE COMPUTACIN Y SISTEMAS

DOCENTE
MELENDEZ REVILLA KARLA VANESSA

INTEGRANTES
CABRERA CUESTAS, ALEXIS ANDERSON
CRUZALEGUI VALDIVIA, ALEX FRANKLYN
CUSTODIO TORRES, JOUVERTH DENIS
FIGUEROA MENDOCILLA, ANTHONY ENRIQUE
PORTILLA MENDOZA, EDUARD ALFREDO

Trujillo-Per
2016

Contenido
1.

INTRODUCCIN........................................................................................................ 2

2.

ANLISIS DE SENSIBILIDAD...................................................................................... 2

3.

2.1.

DEFINICIN........................................................................................................ 2

2.2.

IMPORTANCIA..................................................................................................... 3

2.3.

INSTRUMENTOS PARA EL CLCULO DEL ANLISIS DE SENSIBILIDAD.................4

2.4.

CAMBIOS EN LOS PARMETROS DEL MODELO...................................................4

2.5.

CAMBIOS EN LOS NIVELES DE RECURSOS ESCASOS Bi.....................................4

2.6.

ANLISIS DE LA GRFICA ANTERIOR..................................................................5

2.7.

GRAFICO DE SENSIBILIDAD................................................................................ 5

2.8.

EJEMPLO DE ANALISIS DE SENSIBILIDAD............................................................6

MODELO DE COLAS:................................................................................................. 9
3.1.

DEFINICIN:....................................................................................................... 9

3.2.

OBJETIVOS DE LA TEORA DE COLAS.................................................................9

3.3.

ELEMENTOS EXISTENTES EN UN MODELO DE COLAS........................................9

3.4.

SISTEMA DE COLAS MODELO BASICO:.............................................................12

3.5.

COSTOS DE UN SISTEMA DE COLAS................................................................14

3.6.

SISTEMAS DE COLAS: LAS LLEGADAS..............................................................15

3.7.

LAS LLEGADAS - DISTRIBUCIN DE POISSON..................................................15

3.8.

CONCEPTOS GENERALES.................................................................................16

3.9.

APLICACIONES................................................................................................. 19

3.10.

CONCLUSIN................................................................................................ 21

4.

MODELOS DE PERT/CPM......................................................................................... 21

5.

BIBLIOGRAFA.......................................................................................................... 0

1. INTRODUCCIN
En el presente documento entraremos a tratar los puntos ms
importantes acerca de anlisis de sensibilidad, modelo de colas y
modelos de PERT/CPM, donde mostraremos no solo de forma
terica sino tambin con ejemplos dichos modelos para dar una
comprensin ms completa de estos, adems usando referencias
bibliogrficas y linkogrficas, les daremos conceptos con los cuales
se pueda dar mayor facilidad a la comprensin de la persona que lea
este trabajo de investigacin.

2. ANLISIS DE SENSIBILIDAD
2.1. DEFINICIN:
El anlisis de sensibilidad busca investigar los efectos producidos por los
cambios del entorno sobre el sistema. El propsito general es identificar los
parmetros relativamente sensibles (es decir, aquellos que no pueden
2

cambiarse mucho sin cambiar la solucin ptima), con el fin de

estimarlos con mayor precisin y seleccionar entonces una solucin que siga
siendo buena sobre los intervalos de valores probables de los parmetros
sensibles.
Desde el punto de vista de la programacin lineal, el anlisis de sensibilidad,

llamado tambin anlisis paramtrico, es un mtodo que permite investigar los

efectos producidos por los cambios en los valores de los diferentes parmetros
sobre la solucin ptima. Es necesario no perder de vista que los cambios en la
solucin del primal repercuten automticamente en la solucin de su modelo
dual. Por lo tanto, puede elegirse qu modelo (primal o dual) se va a utilizar para
investigar los efectos, gracias a las relaciones primal-dual estudiadas en el
captulo anterior.1El objetivo del anlisis de sensibilidad es identificarlos
parmetros sensibles, (por ejemplo, los parmetros cuyos valores no pueden
cambiar sin que cambie la solucin ptima). Para ciertos datos que no estn
clasificados como sensibles, tambin puede resultar de gran utilidad determinar
el intervalo de valores del parmetro para el que la solucin ptima no cambie.

3. IMPORTANCIA
Dado que los parmetros que se muestran en el modelo utilizan valores
estimados basados en una prediccin de las condiciones futuras, los datos
obtenidos para desarrollar estas estimaciones son bastante imperfectos; por
esto pueden tomar otros valores posibles. De ah la importancia de este anlisis.
El anlisis de sensibilidad es una herramienta efectiva, por dos
razones fundamentales:
Primera: los modelos de programacin lineal son con frecuencia grandes y
costosos; por lo tanto, no es recomendable utilizarlos para un solo caso.
Segunda: los elementos que se dan como datos para un problema de
programacin lineal, la mayora de las veces son estimaciones; por lo tanto,
es necesario investigar o tener en cuenta ms de un conjunto de casos
posibles.
La labor del equipo de investigacin de operaciones an no concluye o se ha
realizado, sino, cuando ya se ha aplicado con xito el mtodo simplex o la
programacin lineal a fin de identificar una solucin ptima para el modelo
matemtico. Esto quiere decir que, los valores usados en el modelo
normalmente slo son estimacin eso pronsticos basadas en una serie de
3

predicciones futuras. Los datos obtenidos para desarrollar estas estimaciones a

menudo son un tanto imprecisos o inconsistentes. Sin embargo, pueden
representar sobre estimaciones deliberadas o espordicas para proteger el
inters de quienes los estiman. Por tal motivo estas circunstancias que se
presentan deja
algunos cabos sueltos, por eso importante llevar a cabo un
anlisis de sensibilidad para investigar el efecto sobre la solucin ptima
proporcionada
por la programacin lineal, para verificar si los parmetros
sufren una variacin y toman otros valores posibles.

4. INSTRUMENTOS PARA EL CLCULO DEL ANLISIS DE SENSIBILIDAD

Para resolver un problema de investigacin de operaciones en donde se pida la
obtencin del anlisis de sensibilidad se recomienda dos formas diferentes para
su solucin las cuales consisten en: Si se dispone de una calculadora
programable o computadora en el cual se pueda instalar algn software que
calcule datos de programacin lineal en este caso recomendable el WinQsb
facilitara mejor la labor del gestionador de toma de decisiones y la ventaja de
utilizar los instrumentos de tecnologa es que permite realizar modificaciones en
valores de forma inmediata y realizar tantos clculos se deseen para su
posteriormente llegar a su anlisis siempre y cuando el problema no sea
extenso o complejo.

5. CAMBIOS EN LOS PARMETROS DEL MODELO

El anlisis de sensibilidad se lleva a cabo en:
Cambios en los niveles de recursos escasos.
Cambios en los coeficientes de la funcin objetivo (coeficientes de variables
bsicas y coeficientes de variable no bsicas).
Cambios en los coeficientes tecnolgicos (variaciones en las aij para
variables bsicas y no bsicas).
Supresin y adicin de restricciones. Adicin de nuevas variables.}

6. CAMBIOS EN LOS NIVELES DE RECURSOS ESCASOS Bi

La sensibilidad de la solucin ptima de un problema de programacin lineal se
mide a travs de una cota superior y una inferior para el nivel de los recursos
que se modifican. En otras palabras, se busca un rango de factibilidad para el
cual la solucin sigue siendo ptima y solamente se vea afectada la columna de
los Bi, donde aparecen los valores de las variables bsicas y el valor de la
funcin objetivo. En forma grfica, la variacin en el nivel de recursos sirve para
desplazar una lnea, que representa la restriccin, de manera que se reduzca o
aumente la regin factible. Un ejemplo puede apreciarse en la siguiente grfica:

7. ANLISIS DE LA GRFICA ANTERIOR

Suponga que BC representa el nivel de recurso Bi, y que B es el punto extremo
que representa la solucin ptima y, adems, ABCD son los puntos extremos
que demarcan la regin factible o conjunto convexo. Ahora se supone que el
nivel de recursos tiene un incremento ABi, el cual hace que la lnea que lo
representa sea B C . La solucin ptima se encuentra en B y los puntos que
siguen siendo una combinacin X, Y con valores diferentes, que conllevan a un
nuevo valor ptimo de la funcin objetivo.
Si se representa una nueva
suposicin, pero ya no de incremento de bi sino de una disminucin, o sea, -Abi,
Cul sera la nueva solucin? Si se observa la grfica, la combinacin ptima X,
Y anterior ya no es ptima porque los puntos ptimos factibles son o A o C . Por
lo anterior, hay necesidad de hallar el rango de factibilidad para poder estudiar
las variaciones en la columna de cantidades, de forma que la solucin inicial siga
siendo ptima. Hay dos formas de proceder para establecer el rango de
factibilidad: Primera. A partir de la solucin ptima y tomando los valores de las
variables bsicas sumarle algebraicamente el coeficiente aij multiplicado por el
incremento, positivo o negativo, segn sea aumento o disminucin del nivel
del recurso en estudio; luego, a estas expresiones resultantes deben ser >
0, y finalmente
se
establece
el
rango de factibilidad. El
rango
de
factibilidad puede utilizarse para determinar el rango de disponibilidad
del recurso analizado y proceder a hallar el efecto sobre la solucin ptima. La
solucin ptima nueva se estima con las frmulas 1 y 2
El anlisis de Sensibilidad tambin permite analizar, entre otras cosas: Cambios
en los bi (lo que implica cambios en las pendientes de las restricciones. Cambios
en los coeficientes de una variable no bsica. Cambios en los coeficientes de
una variable bsica. Cambios en los ci (lo que implica cambios en la pendiente
de la funcin objetivo).

8. GRAFICO DE SENSIBILIDAD
5

Para determinar si la base actual todava es ptima despus de cambiar un

coeficiente de la funcin objetivo, obsrvese que al modificar el coeficiente de la
funcin objetivo de una variable cambia la pendiente de la recta de
isoutilidades. La base actual contina siendo ptima siempre que la solucin
ptima actual sea el ltimo punto en la regin factible que tenga contacto con
las rectas de isoutilidades a medida que uno se desplaza en la direccin en que
se incrementa z (para un problema de maximizacin). Si la base actual es
ptima, los valores de las variables de decisin se conservan sin cambio, pero s
podra cambiar el valor ptimo de z. Para determinar si la base actual sigue
siendo ptima despus de cambiar el segundo miembro de una restriccin,
empiece por encontrar las restricciones (posiblemente restricciones de signo)
que son activas para la solucin ptima actual. Como cambiamos el segundo
miembro de la restriccin, la base actual sigue siendo ptima siempre que
el punto donde las restricciones son actividades se conserve factible.
Incluso si la base actual contina siendo ptima, podran cambiar los valores de
las variables de decisin y el valor ptimo de z.

9. EJEMPLO DE ANALISIS DE SENSIBILIDAD

Un productor tabaquero posee 85 hectreas (ha) de terreno para plantar dos
variedades de tabacos Virginia y Procesado. La variedad Virginia tiene un
ingreso de 9.600 USD/ha y necesita 3 horas/ha de uso de maquinaria y 80
horas/ha de mano de obra. Adems, el Estado limita su explotacin a 30 ha
como mximo. La variedad Procesado tiene un ingreso de 7.500 USD/ha y utiliza
2 horas/ha de uso de maquinaria y 60 horas/ha de mano de obra. La cooperativa
local le ha asignado un mximo de 190 horas de uso de maquinaria y solo se
dispone de 5.420 horas de mano de obra a 12 USD/hora.
Formule y resuelva grficamente un modelo de Programacin Lineal que permita
determinar cunto se debe plantar de cada variedad de tabaco de manera de
maximizar la utilidad total.
En primer lugar, definimos el modelo de optimizacin para este problema. Esto
consiste en identificar las variables de decisin, funcin objetivo y restricciones.
Detalle de este procedimiento aplicado a problemas de 2 variables puede ser
consultado en el artculo Programacin Lineal (Mtodo Grfico).
Variables de Decisin:

X1 = Nmero de Ha a plantar de la variedad Virginia

X2 = Nmero de Ha a plantar de la variedad Procesado

Funcin Objetivo:
Maximizar (9.600 960) X1 + (7.500 720) X2 = 8.640 X1 + 6.780 X2
Restricciones:
1. X1 30
2. X1 + X2 85
3. 3X1 + 2X2 190
6

4. 80X1 + 60X2 5.420

5. X1, X2 0
Una representacin grfica del problema para el productor de tabaco se puede
realizar a travs de:

Sabemos segn el Teorema Fundamental de la Programacin Lineal que

en caso de existir solucin ptima sta se encontrar en un vrtice o en un
tramo en la frontera del dominio de soluciones factibles (en el ejemplo rea
achurada en color verde). Adicionalmente podemos apreciar que no es tan
evidente que el vrtice C reporte una mayor utilidad en la funcin objetivo que
el vrtice D, por lo cual, inspeccionaremos ambos puntos.
En el caso del vrtice C ste se encuentra en la interseccin de las restricciones
2 y 4. La coordenada respectiva se obtiene al resolver el siguiente sistema de
ecuaciones:
X1 + X2 = 85
80X1 + 60X2 = 5.420
De donde X1=16 y X2=69, lo cual reporta un valor en la funcin objetivo de
V(P)=8.640*(16) +6.780(69) =606.060.
Anlogamente en el caso del vrtice D las restricciones activas son 3 y 4:
3X1 + 2X2 = 190
80X1 + 60X2 = 5.420

Luego de resolver el sistema lineal anterior se obtiene X1=28 y X2=53, lo cual

reporta un valor en la funcin objetivo de V(P)=8.640*(28) +6.780(53)
=601.260.
En consecuencia, la solucin ptima del problema es X1=16 y X2=69, con valor
ptimo V(P)=8.640*(16) +6.780(69) =606.060.
Una vez resuelto el escenario original a continuacin se presentan algunos
anlisis adicionales que representan por separado modificaciones en los
coeficientes de la funcin objetivo y restricciones del problema.
INTERVALO VARIACIN COEFICIENTE FUNCIN OBJETIVO
Determine cunto podra variar la utilidad por hectrea del tabaco Virginia,
manteniendo constante la utilidad por hectrea del tabaco procesado, de forma
que la actual solucin ptima no cambie. Para este caso determine el intervalo
de variacin de la utilidad total.
Sea en trminos generales la funcin objetivo Z=C1X1+C2X2, donde inicialmente
en el ejemplo C1=8.640 y C2=6.780. La pendiente de las curvas de nivel de la
funcin objetivo es -C1/C2. De este modo se conserva la actual solucin ptima
(vrtice C) en la medida que:

En este caso la utilidad por hectrea del tabaco Virginia puede variar
entre 6.780 USD y 9.040 USD, de tal forma que el actual nivel de produccin
(solucin ptima) sera el mismo. Lo anterior permite concluir que el intervalo de
variacin para la utilidad total ser
.
PRECIO SOMBRA (MTODO GRFICO)
Si se pudiese contratar ms mano de obra disponible en el mercado, Cuntas
horas de mano de obra en total estara dispuesto a utilizar? Cul sera
el aporte adicional de esas horas extras que utilizara en trminos
monetarios? Responda lo anterior utilizando el concepto de Precio Sombra.
Para calcular grficamente el precio sombra necesitamos identificar la mxima y
mnima variacin para el lado derecho de la restriccin de mano de obra que
permita garantizar que se conserva la actual base ptima (restricciones activas
originales). En este sentido en el caso de aumentar el lado derecho de dicha
restriccin la solucin ptima podr ser encontrada manteniendo las
restricciones
activas
(e
incorporando
una
adicional)
hasta
la
coordenada (20,65) que es donde se interceptan la segunda y tercera
restriccin. En el caso de disminuir la disponibilidad de horas en mano de obra
se mantiene la base ptima hasta el vrtice B cuya coordenada es (0,85). De
esta forma se obtiene el precio sombra de la siguiente forma:

En consecuencia, el lado derecho de la restriccin 4 (disponibilidad de mano de

obra) puede variar entre [5.100, 5.500] y se conservan las actuales
restricciones activas. Adicionalmente dado que en el ptimo actual se utilizan
5.420 horas de mano de obra se deben contratar 80 horas adicionales (de modo
de alcanzar las 5.500 horas). Luego, la variacin de 80 horas adicionales
implicara un aumento en la utilidad total de 80*USD93=7.440USD.

10.
11.

MODELO DE COLAS:

DEFINICIN:
La teora de colas es el estudio matemtico del comportamiento de lneas de
espera. Esta se presenta, cuando los "clientes" llegan a un "lugar" demandando
un servicio a un "servidor", el cual tiene una cierta capacidad de atencin. Si el
servidor no est disponible inmediatamente y el cliente decide esperar, entonces
se forma la lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lnea de espera particulares o sistemas
de colas. Los modelos sirven para encontrar un buen compromiso entre costes
del sistema y los tiempos promedio de la lnea de espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes
llegan buscando un servicio de algn tipo y salen despus de que dicho servicio
haya sido atendido. Podemos modelar los sistemas de este tipo tanto como colas
sencillas o como un sistema de colas interconectadas formando una red de colas.
En la siguiente figura podemos ver un ejemplo de modelo de colas sencillo. Este
modelo puede usarse para representar una situacin tpica en la cual los clientes
llegan, esperan si los servidores estn ocupados, son servidos por un servidor
disponible y se marchan cuando se obtiene el servicio requerido.
El problema es determinar qu capacidad o tasa de servicio proporciona el
balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo,
es decir, no se sabe con exactitud en que momento llegarn los clientes.
Tambin el tiempo de servicio no tiene un horario fijo.
Los problemas de "colas" se presentan permanentemente en la vida diaria: un
estudio en EEUU concluy que, por trmino medio, un ciudadano medio pasa
cinco aos de su vida esperando en distintas colas, y de ellos casi seis meses
parado en los semforos.

12.

OBJETIVOS DE LA TEORA DE COLAS

Los objetivos de la teora de colas consisten en:

Identificar el nivel ptimo de capacidad del sistema que minimiza el coste
global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado ("ptimo") entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la
cola: la "paciencia" de los clientes depende del tipo de servicio especfico
considerado y eso puede hacer que un cliente "abandone" el sistema.

13.

ELEMENTOS EXISTENTES EN UN MODELO DE COLAS

Fuente de entrada o poblacin potencial: Es un conjunto de individuos (no
necesariamente seres vivos) que pueden llegar a solicitar el servicio en cuestin.
Podemos considerarla finita o infinita. Aunque el caso de infinitud no es realista,
s permite (por extrao que parezca) resolver de forma ms sencilla muchas
situaciones en las que, en realidad, la poblacin es finita pero muy grande.
Cliente: Es todo individuo de la poblacin potencial que solicita servicio.
Suponiendo que los tiempos de llegada de clientes consecutivos son
0<t1<t2<..., ser importante conocer el patrn de probabilidad segn el cual la
fuente de entrada genera clientes. Lo ms habitual es tomar como referencia los
tiempos entre las llegadas de dos clientes consecutivos: consecutivos: clientes
consecutivos: T{k} = tk - tk-1, fijando su distribucin de probabilidad.
Capacidad de la cola: Es el mximo nmero de clientes que pueden estar
haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse
finita o infinita. Lo ms sencillo, a efectos de simplicidad en los clculos, es
suponerla infinita.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados para
ser servidos. Las disciplinas ms habituales son:

La disciplina FIFO (first in first out), tambin llamada FCFS (first come
first served): segn la cual se atiende primero al cliente que antes haya
llegado.
La disciplina LIFO (last in first out), tambin conocida como LCFS (last
come first served) o pila: que consiste en atender primero al cliente que
ha llegado el ltimo.
La RSS (random selection of service), o SIRO (service in random
order), que selecciona a los clientes de forma aleatoria.

Mecanismo de servicio: Es el procedimiento por el cual se da servicio a los

clientes que lo solicitan. Para determinar totalmente el mecanismo de servicio
debemos conocer el nmero de servidores de dicho mecanismo (si dicho nmero
fuese aleatorio, la distribucin de probabilidad del mismo) y la distribucin de
probabilidad del tiempo que le lleva a cada servidor dar un servicio.

10

La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es

decir los clientes que ya han solicitado el servicio pero que an no han pasado al
mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo de
servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio de
qu cliente de la cola elegir para pasar al mecanismo de servicio. Estos
elementos pueden verse ms claramente en la siguiente figura:
Un modelo de sistema de colas debe especificar la distribucin de probabilidad
de los tiempos de servicio para cada servidor.
La distribucin ms usada para los tiempos de servicio es la exponencial, aunque
es comn encontrar la distribucin degenerada o determinstica (tiempos de
servicio constantes) o la distribucin Erlang (Gamma).

11

14.

SISTEMA DE COLAS MODELO BASICO:

Un sistema de colas puede dividirse en dos componentes principales:
La cola
La instalacin del servicio
Los clientes o llegadas vienen en forma individual para recibir el servicio.
Los clientes o llegadas pueden ser:
Personas
Automviles
Mquinas que requieren reparacin
Documentos
Entre muchos otros tipos de artculos
Si cuando el cliente llega no hay nadie en la cola, pasa de una vez a
recibir el servicio.
Si no, se une a la cola
Es importante sealar que la cola no incluye a quien est recibiendo el
Servicio.
Las llegadas van a la instalacin del servicio de acuerdo con la disciplina
de la cola.
Generalmente sta es primero en llegar, primero en ser servido.
Pero puede haber otras reglas o colas con prioridades.

12

13

15.

COSTOS DE UN SISTEMA DE COLAS

a. Costo de espera: Es el costo para el cliente al esperar
Representa el costo de oportunidad del tiempo perdido
Un sistema con un bajo costo de espera es una fuente importante de
competitividad.
b. Costo de servicio: Es el costo de operacin del servicio brindado
Es ms fcil de estimar
El objetivo de un sistema de colas es encontrar el sistema del costo total
mnimo

16.

SISTEMAS DE COLAS: LAS LLEGADAS

El tiempo que transcurre entre dos llegadas sucesivas en el sistema de colas

se llama tiempo entre llegadas.
El tiempo entre llegadas tiende a ser muy variable.
El nmero esperado de llegadas por unidad de tiempo se llama tasa media
de llegadas ().
Adems, es necesario estimar la distribucin de probabilidad de los tiempos
entre llegadas
Generalmente se supone una distribucin exponencial.
Esto depende del comportamiento de las llegadas.
Las llegadas Distribucin exponencial

14

 Donde t representa una cantidad expresada en de tiempo unidades de

tiempo (horas, minutos, etc.)

17.

La distribucin exponencial supone una mayor probabilidad para tiempos

entre llegadas pequeos.
En general, se considera que las llegadas son aleatorias.
La ltima llegada no influye en la probabilidad de llegada de la siguiente.

LAS LLEGADAS - DISTRIBUCIN DE POISSON

Es una distribucin discreta empleada con mucha frecuencia para describir el
patrn de las llegadas a un sistema de colas:
Para tasas medias de llegadas pequeas es asimtrica y se hace ms
simtrica y se aproxima a la binomial para tasas de llegadas altas
Su forma algebraica es:

Donde:
-

P(k): probabilidad de k llegadas por unidad de tiempo

: tasa media de llegadas
e = 2,7182818

15

18.

CONCEPTOS GENERALES
ETIQUETAS PARA DISTINTOS MODELOS
Notacin de Kendall: A/B/c

A: Distribucin de tiempos entre llegadas

B: Distribucin de tiempos de servicio
o M: distribucin exponencial
o D: distribucin degenerada
o Ek: distribucin Erlang
c: Nmero de servidores

ESTADO DEL SISTEMA DE COLAS

En principio el sistema est en un estado inicial

Se supone que el sistema de colas llega a una condicin de estado estable
(nivel normal de operacin)
Existen otras condiciones anormales (horas pico, etc.)
Lo que interesa es el estado estable

DESEMPEO DEL SISTEMA DE COLAS

Para evaluar el desempeo se busca conocer dos factores principales:

1. El nmero de clientes que esperan en la cola
2. El tiempo que los clientes esperan en la cola y en el sistema

MEDIDAS DEL DESEMPEO DEL SISTEMA DE COLAS

1.
2.
3.
4.

Nmero esperado de clientes en la cola Lq.

Nmero esperado de clientes en el sistema Ls.
Tiempo esperado de espera en la cola Wq.
Tiempo esperado de espera en el sistema Ws.

FRMULAS GENERALES

16

PROBABILIDADES COMO MEDIDAS DEL DESEMPEO

Beneficios:
o Permiten evaluar escenarios
o Permite establecer metas
Notacin:
o Pn: probabilidad de tener n clientes en el sistema.
o P (Ws t): probabilidad de que un cliente no espere en el sistema ms
de t horas.

FACTOR DE UTILIZACIN DEL SISTEMA

Dada la tasa media de llegadas y la tasa media de servicio , se define el

factor de utilizacin del sistema .
Generalmente se requiere que < 1
Su frmula, con un servidor y con s servidores, respectivamente, es:

MODELOS DE UNA COLA Y UN SERVIDOR

M/M/1: Un servidor con llegadas de Poisson y tiempos de servicio
exponenciales
M/G/1: Un servidor con tiempos entre llegadas exponenciales y una
distribucin general de tiempos de servicio.
M/D/1: Un servidor con tiempos entre llegadas exponenciales y una
distribucin degenerada de tiempos de servicio.
M/Ek/1: Un servidor con tiempos entre llegadas exponenciales y una
distribucin Erlang de tiempos de servicio.

17

MODELOS DE VARIOS SERVIDORES

M/M/s: s servidores con llegadas de Poisson y tiempos de servicio
exponenciales.
M/M/s, una lnea de espera:

18

19.

APLICACIONES

EJEMPLO 1:
Suponga que la tasa promedio de arribos de clientes a una pizzera es de 45
clientes por hora. Para un minuto el nmero promedio de llegadas ser:
= 45/60 = 0.75 llegadas por minuto.
Se debe utilizar Poisson para determinar la probabilidad de x llegadas en un
lapso de tiempo.

Con esta frmula podemos determinar la probabilidad de que lleguen x clientes

en un minuto.
A modo de ejemplo consideremos la posibilidad de que lleguen dos clientes en
un minuto, cul es la probabilidad de que este hecho ocurra?

Por lo tanto, la probabilidad de que lleguen dos clientes en un minuto es del

13,29%.
Suponga que, del estudio hecho en la pizzera, el proceso de recepcin y
atencin de las rdenes, es efectuado por el nico empleado que atiende y
tambin prepara las pizzas (un servidor); este procesa en promedio 60 rdenes
de clientes por hora.
19

Entonces en un minuto, la tasa promedio de servicio es: =60/60 =1, esto es

atiende un cliente por minuto. Conociendo este dato, surge la necesidad de
conocer la probabilidad de atender a un cliente en menos tiempo que el
esperado (menor que 1 minuto).

Por lo tanto, existe una probabilidad del 63,21% de atender a un

cliente en un minuto o menos

EJEMPLO 2: MODELO M/M/1

Una lava carros puede atender un auto cada 5 min.
La tasa media de llegadas es de 9 autos/hora. Suponga = 3.5 min (aprox.)
Obtenga las medidas de desempeo de acuerdo con el modelo M/E/1 k.

EJEMPLO 3: MODELOS DE LNEAS DE ESPERA DE 1 SOLO CANAL CON

LLEGADAS POISSON Y TIEMPOS DE SERVICIO EXPONENCIAL (M/M/1):
En el problema de la Pizzera, la tasa promedio de llegadas es de = 0.75
clientes por minuto y la tasa de servicio es = 1 clientes por minuto. (> )
Nmero promedio de unidades en la fila de espera (tamao de la fila).

20

Tiempo de espera promedio que una unidad pasa en la lnea de espera.

De aqu podemos concluir que el 75% de los clientes esperan.

20.

CONCLUSIN
Como hemos visto anteriormente, existen variadas formas de dar solucin a
cada una de las problemticas que presentan las ya conocidas colas. A
travs de la construccin de modelos de teora, y mtodos matemticos
analticos, podemos encontrar diversas frmulas que solucionen una
determinada incgnita. De sta manera, por ejemplo, podramos conseguir
solucionar de una forma muy acertada dos de los contratiempos ms comunes;
Cada cunto tiempo llega un cliente y, cunto tiempo aproximado
demoraremos en servir a ste. Podramos tambin optimizar costos en la
empresa que presta el servicio (costo de operacin del servicio brindado),
como tambin reducir el tiempo de espera en una cola (costo de espera). Sin
duda resolver stos contratiempos otorgaran beneficios a corto y largo plazo,
ya sea obteniendo preferencia por sobre la competencia, impecable gestin de
empresas y por supuesto; la entrega un servicio insuperable.

21.

MODELOS DE PERT/CPM
22.

BIBLIOGRAFA

HAMDY TAHA INVESTIGACIN DE OPERACIONES. 2004. MODELOS

DE INVESTIGACIN DE OPERACIONES.
HILLER FREDERICK INTRODUCCIN A LA INVESTIGACIN DE
OPERACIONES
2001. MODELOS DE INVESTIGACIN DE
OPERACIONES.
WINSTON
WAYNE
INVESTIGACIN
DE
OPERACIONES.APLICACIONES Y ALGORITMOS. 2005. MODELOS DE
INVESTIGACIN DE OPERACIONES.
21

LINKOGRAFA
http://classroom-io.blogspot.pe/2013/07/analisis-de-sensibilidad.html
http://docplayer.es/628212-1-1-introduccion-investigacion-de-operaciones-i-2ingenieria-industrial-5to-sem.html
https://www.inf.utfsm.cl/~esaez/fio/s2_2003/apuntes/sensibilidad-2003-2.pdf
https://es.scribd.com/doc/19246760/Modelos-de-Lineas-de-Espera-RocioBalbin-Lazo
http://www.auladeeconomia.com/