Unidad 9
5. La forma como se atiende a los _____________en la fila se llama disciplina
de la fila.
9.2. Modelado de los procesos
de llegada y de servicio
Para poder determinar el comportamiento de una fila, es indispensable
conocer la forma como llegan los clientes al sistema y el tiempo que se
tardan en la estación de servicio. En la sección anterior mencionamos que
estos procesos en general son aleatorios, por lo tanto necesitamos la teoría
de probabilidades que estudiamos en el libro de Estadística y Probabilidad
de esta misma serie. En particular vamos a ocupar dos funciones de
distribución de probabilidades, una discreta y otra continua, las cuales están
estrechamente relacionadas:
Empecemos con el proceso de llegada de los clientes al sistema, el cual
vamos a considerar aleatorio. En consecuencia, necesitamos def inir variables
aleatorias para poder medirlo. Las
llegada pueden ser las siguientes:
a) Sea t el tiempo que transcurre entre la llegada de un cliente y otro.
En este caso ésta es una variable aleatoria continua.
b) Sea n el número de clientes que llegan en la unidad de tiempo. En
este caso ésta es una variable aleatoria discreta.
Ejemplo 2
En una central telefónica las llamadas llegan de manera aleatoria.
Podemos medir el tiempo que transcurre entre una llamada y otra o bien
podemos medir el número de llamadas que se reciben, por ejemplo, en
una hora.
Para poder analizar el comportamiento de un sistema de líneas de espera
es más práctico utilizar la segunda variable, es decir, medir el número de
350
Investigación de operaciones
clientes que llegan en la unidad de tiempo. Entonces el experimento que
tenemos es el siguiente:
Deseamos medir el número de “éxitos” (llegadas de clientes) en un
intervalo de tiempo, además los resultados que se obtienen en intervalos
de tiempos disjuntos son totalmente independientes, la probabilidad de
que ocurran n llegadas en un intervalo de tiempo depende de la longitud
del mismo. Todo esto se ajusta a la def inición de un experimento de
Poisson*, por lo tanto la llegada de clientes la vamos a modelar utilizando:
El M odelo de Poisson
Sea n la variable aleatoria discreta que mide el número
de clientes que llegan a un sistema de líneas de espera, entonces la
probabilidad de que n = k está dada por:
( t )k e t
P(n k) k 0, 1, 2,...
k!
Donde es el promedio de éxitos en la unidad de tiempo.
Teorema. La esperanza matemática y la varianza de esta función de
distribución está dada por:
E(n) t
V (n) t
Ejemplo 3
La llegada de trabajos a una impresora compartida es una variable
aleatoria discreta con distribución de Poisson con un promedio de 5
trabajos por hora. Determinar la probabilidad de que:
a) Lleguen 8 trabajos en la próxima hora.
b) Lleguen 3 trabajos en la próxima hora.
c) Lleguen 2 trabajos o menos en la próxima hora.
d) Lleguen 3 trabajos o más en la próxima hora.
e) Llegue un trabajo en los próximos 10 min.
* UNITEC, Estadística y pr obabilidad, p. 237.
351
Unidad 9
trabajos
En el problema nos dicen que el valor de la constante 5 ;
hora
utilizamos la distribución de Poisson con k = 8 y t = 1 hora:
a) P(n 8) (5 * 1)8 e 5*1 390625* 6.738x10 3 2632.03125
0.0653%
8! 40320 40320
( 5* 1 )3 e 5* 1 125* 6.738x10 3 0.84225
b) P(n 3 ) 0.1404 14.04%
3! 6 6
c) P( n 2 ) = P(n = 0) + P(n = 1) + P(n = 2), calculamos cada una de estas
probabilidades y obtenemos los siguientes resultados:
P(n = 0) = 0.00673
P(n = 1) = 0.0337
P(n = 2) = 0.0842
P( n 2 ) = 0.00673 + 0.0337 + 0.0842 = 0.12463 = 12.46%
d) P(n 3) = 1 – P( n 3 ) = 1 – P(n = 0) – P(n = 1) – P(n = 2)
= 1 – 0.00673 – 0.0337 – 0.0842 = 1–0.125463 = 0.87537 = 87.54%
e) Ahora la unidad de tiempo cambia, por lo tanto debemos convertir los
10 min. a fracción de hora:
1hora 1
10 min( ) hora
60minutos 6
1
1 1 5* 6
(5 )e
6 0.8333 * 0.4346
P( n 1) 0.3621 36.21%
1! 1
Para el proceso de atención en las estaciones de servicio, podemos
nuevamente def inir dos variables aleatorias, las cuales son:
a) t que tarda el
cliente en la estación de servicio.
b) n
atendidos en la unidad de tiempo.
352
Investigación de operaciones
La variable que es más útil para el análisis de los sistemas de líneas
de espera es la primera, por lo tanto vamos a utilizar esta variable para
llevar a cabo el desarrollo del modelo. Necesitamos determinar la f unción
de distribución de probabilidades para esta variable, considerando la
siguiente propiedad:
Que el tiempo que duró el servicio anterior no afecte en nada al tiempo del
próximo servicio.
En el libro de Estadística y Probabilidad se estudió el modelo
exponencial, el cual se def inió de la siguiente manera:
El modelo exponencial
Dada t una variable aleatoria continua del experimento
realizado, se dice que tiene distribución exponencial con parámetro
en el intervalo [ 0, ) donde su función de densidad de probabilidad
es:
t
1
e
f (t ) t 0
0 t 0
Como t es una variable aleatoria continua, no tiene ningún caso
preguntarnos por la probabilidad de que t sea igual a algún valor en
particular, ya que esta probabilidad es igual a cero, en lugar de ello nos
interesa determinar la probabilidad de que la variable t esté dentro de un
intervalo [0, a]. Para determinar esta probabilidad tenemos que resolver
la siguiente integral:
t a
a 1
P(0 t a) e dt 1 e
0
353
Unidad 9
Teorema. En un sistema de líneas de espera la variable representa
el tiempo promedio que dura el servicio. La esperanza y varianza de
esta función de distribución exponencial está dada por:
E(t) =
V(t) = 2
Ejemplo 4
Un conmutador tarda en promedio 10 seg. desde que acepta la llamada
hasta que la transfiere a la extensión deseada. El conmutador sólo
puede atender una llamada a la vez. ¿Cuál es la probabilidad de que el
conmutador se tarde menos de 15 segundos en transferir la siguiente
llamada?
Nos indican que el valor de =10 seg., y que a = 15 seg.
t 15
15 1
P(t 15) e 10
dt 1 e 10
1 0.2231 0.7769 77.69%
0 10
El parámetro determina el tiempo promedio que tardan las estaciones
de servicio en atender a un cliente. Este parámetro está íntimamente
ligado al parámetro , valor promedio de la función de distribución de
probabilidades de Poisson. Matemáticamente esta relación se escribe
como:
Esto quiere decir que el parámetro mide el tiempo que transcurre entre
el tiempo de un éxito y otro, mientras que mide el número de éxitos en
la unidad de tiempo, por lo tanto las dos variables que definimos para
ambos procesos son equivalentes, ya que podemos medir el número de
354
Investigación de operaciones
clientes que llegan en la unidad de tiempo (distribución de Poisson) o
podemos medir el tiempo que transcurre entre la llegada de un cliente
y otro (distribución exponencial), y lo mismo sucede para el proceso de
servicio, podemos medi r el número de clientes atendidos en la unidad de
tiempo (distribución de Poisson) o podemos medir el tiempo que se tarda
la estación de servicio en atender un cliente (distribución exponencial).
Ejemplo 5
El tiempo promedio entre la llegada de una operación y otra a un
microprocesador es de 9 milisegundos. Calcular la probabilidad de que
lleguen 50 operaciones en un segundo.
En este caso conocemos el valor del parámetro que es igual a 9
milisegundos; sin embargo, nos preguntan por la probabilidad de que
lleguen 50 operaciones en un intervalo de tiempo de un segundo, por lo
tanto debemos utilizar la función de distribución de Poisson, para lo cual
determinamos el valor del parámetro :
1
111.11
9 10 3
queremos calcular:
(111.11* 1)50 e 111.11*1
P( n 50) 3.549 10 11
50!
Para determinar cuál es la probabilidad de que la siguiente operación
llegue en los próximos 100 milisegundos, utilizamos la distribución
exponencial:
t 100
100 1 9
P(t 100) e dt 1 e 9
1 1.496x10 5 0.999985 99.9985%
0 9
Por lo tanto, para poder construir el modelo de líneas de espera, vamos
a utilizar estas dos distribuciones de probabilidad.
355
Unidad 9
Ejercicio 2
1. En el modelo Poisson la variable que mide el número de clientes que
llegan por unidad de tiempo, es una variable:
a) Determinística
b) Continua
c) Aleatoria discreta
d) Aleatoria continua
2. La función de distribución de probabilidades para el proceso de
llegada es:
( t )k e t
a)
k!
( t) k e t
b)
k!
( t )k e t
c)
k!
( t )k e t
d)
k!
3. En el modelo exponencial la fdp del tiempo de servicio está dada por:
t
1
a) e t 0
b) e t 0
t
c) e t 0
t
1
d) e t 0
356
Investigación de operaciones
4. En el modelo exponencial, el tiempo de servicio es una variable:
a) Discreta.
b) Aleatoria continua.
c) Determinística continua.
d) Determinística.
5. Si el tiempo de servicio en una gasolinera es de 0.05 hrs. por cliente,
¿cuántos clientes se atienden en una hora?
a) 15 clientes.
b) 18 clientes.
c) 22 clientes.
d) 20 clientes
9.3. Tiempos de llegada Poisson
con servicio exponencial
En esta sección desarrollamos los modelos matemáticos para los sistemas
de líneas de espera formados por una sola fila y una única estación
de servicio. Presentamos sin demostración cómo este modelo se puede
adaptar al caso en el que existe una sola f ila y varias estaciones
de servicio e indicamos de manera general el comportamiento de
sistemas con varias f ilas (multifila) y con varias estaciones de servicio
(multiservicio).
El primer modelo de líneas de espera que vamos a estudiar es el que
está formado por una estación de servicio y una única f ila. Empezamos
analizando la parte estable del sistema, es decir, el comportamiento del
sistema a largo plazo, una vez que ya pasó el periodo de estabilización o
transitorio, el cual es más difícil de estudiar.
357