Unidad 2: Teora de lneas de espera

Las lneas de espera son parte de la vida diaria. Todos esperamos en colas para
comprar un boleto para el cine, hacer un depsito en el banco, pagar en el
supermercado, enviar un paquete por correo, obtener comida en la cafetera, subir
a un juego en la feria, etc. Nos hemos acostumbrado a una considerable cantidad
de esperas, pero todava nos molesta cuando estas son demasiado largas.
La teora de colas es el estudio de la espera en las distintas modalidades. Utiliza
los modelos de colas para representar los tipos de sistemas de lneas de espera.
Las formulas de cada modelo indican cual debe ser el desempeo del sistema
correspondiente y sealan la cantidad promedio de espera que ocurrir en
diversas circunstancias.
Por lo tanto, estos modelos de lneas de espera son muy tiles para determinar
cmo operar un sistema de colas de la manera ms eficaz. Los modelos permiten
encontrar un balance adecuado entre el costo de servicio y la cantidad de espera.









2.1, 2.2 Estructura bsica de los modelos de lneas de espera.
El proceso bsico para la mayora de los modelos de lneas de espera es el
siguiente:
Los clientes que requieren un servicio se generan en el tiempo en una fuente de
entrada. Luego, entran al sistema y se unen a una cola. En determinado momento
se selecciona un miembro de la cola para proporcionarle el servicio mediante
alguna regla conocida como disciplina de la cola. Se lleva a cabo el servicio que el
cliente requiere mediante un mecanismo de servicio, y despus el cliente sale del
sistema de colas.
De los elementos que intervienen en el proceso anterior, se pueden obtener las
siguientes definiciones:
Fuente de entrada (poblacin potencial)
Una caracterstica de la fuente de entrada es su tamao. El tamao es el nmero
total de clientes que pueden requerir servicio en determinado momento, es decir,
el nmero total de clientes potenciales. Esta poblacin a partir de la cual surgen
las unidades que llegan se conoce como poblacin de entrada. Puede suponerse
que el tamao es infinito o finito (de modo que tambin se dice que la fuente de
entrada es ilimitada o limitada).
Cola
La cola es donde los clientes esperan antes de recibir el servicio. Una cola se
caracteriza por el nmero mximo permisible de clientes que puede admitir. Las
colas pueden ser finitas o infinitas, segn si dicho numero es finito o infinito.
Disciplina de la cola
La disciplina de la cola se refiere al orden en el que sus miembros se seleccionan
para recibir el servicio. En los modelos de colas se supone como normal a la
disciplina de primero en entrar, primero en salir, a menos que se establezca de
otra manera.
Mecanismo de servicio
El mecanismo de servicio consiste en una o ms estaciones de servicio, cada una
de ellas con uno o ms canales de servicio paralelos, llamados servidores. Si
existe ms de una estacin de servicio, el cliente puede recibirlo de una secuencia
de ellas (canales de servicio en serie). En una estacin dada, el cliente entra en
uno de estos canales y el servidor le presta el servicio completo. Los modelos de
colas deben especificar el arreglo de las estaciones y el nmero de servidores
(canales paralelos) en cada una de ellas. Los modelos ms elementales suponen
una estacin, ya sea con un servidor o con un nmero finito de servidores. El
tiempo que transcurre desde el inicio del servicio para un cliente hasta su
terminacin en una estacin se llama tiempo de servicio (o duracin del servicio).

Las siguientes imgenes muestran el proceso de un sistema de lneas de espera.

Fig. 1
Proceso bsico de colas.

Fig. 2
Sistema de colas elemental (cada cliente se indica con una C y cada servidor con una S).

Terminologa y notacin
A menos que se establezca otra cosa, se utilizara la siguiente terminologa
estndar:
Estado del sistema = nmero de clientes en el sistema.
Longitud de la cola = nmero de clientes que esperan servicio.
= estado del sistema menos nmero de clientes a quienes se les da el
servicio.
N (t) = nmero de clientes en el sistema de colas en el tiempo t (t 0).
P
n
(t) = probabilidad de que exactamente n clientes estn en el sistema en
el tiempo t, dado el nmero en el tiempo 0.
s = nmero de servidores (canales de servicio en paralelo) en el sistema
de colas.

n
= tasa media de llegadas (nmero esperado de llegadas por unidad de
tiempo) de nuevos clientes cuando hay n clientes en el sistema.

n
= tasa media de servicio en todo el sistema (nmero esperado de
clientes que completan su servicio por unidad de tiempo) cuando hay n
clientes en el sistema. Nota:
n
representa la tasa combinada a la que
todos los servidores ocupados (aquellos que estn sirviendo a un cliente)
logran terminar sus servicios.
, , = ver el siguiente prrafo.
Cuando
n
es constante para toda n, esta constante se denota por . Cuando la
tasa media de servicio por servidor ocupado es constante para toda n 1, esta
constante se denota por . (En este caso,
n
= s cuando n s, es decir, cuando
los s servidores estn ocupados.) En estas circunstancias, 1/ y 1/ es el tiempo
esperado entre llegadas y el tiempo esperado de servicio, respectivamente.
Asimismo, = /(s) es el factor de utilizacin de la instalacin de servicio, es
decir, la fraccin esperada de tiempo que los servidores individuales estn
ocupados, puesto que /(s) representa la fraccin de la capacidad de servicio
del sistema (s) que utilizan en promedio los clientes que llegan ().
Tambin se requiere cierta notacin para describir los resultados de estado
estable. Una vez que ha pasado suficiente tiempo, el estado del sistema se
vuelve, en esencia, independiente del estado inicial y del tiempo transcurrido
(excepto en circunstancias no usuales). En este contexto, se puede decir que el
sistema ha alcanzado su condicin de estado estable, en la que la distribucin de
probabilidad del estado del sistema se conserva (la distribucin estacionaria o de
estado estable) a travs del tiempo. La teora de colas tiende a dedicar su anlisis
a la condicin de estado estable. La notacin siguiente supone que el sistema se
encuentra en la condicin de estado estable:
P
n
= probabilidad de que haya exactamente n clientes en el sistema.
L = numero esperado de clientes en el sistema

L
q
= longitud esperada de la cola (excluye los clientes que estn en
servicio)


= tiempo de espera en el sistema (incluye tiempo de servicio) para cada
cliente.
W = E ( ).
= tiempo de espera en la cola (excluye tiempo de servicio) para cada
cliente.
W
q
= E ( ).













2.3 Patrones de llegada y de servicio

1. Patrn de llegada
En situaciones de cola habituales, la llegada depende de una cierta variable
aleatoria, en este caso es necesario conocer la distribucin probabilstica entre
dos llegadas de cliente sucesivas. Adems habra que tener en cuenta si los
clientes llegan independiente o simultneamente. En este segundo caso (es decir,
si llegan lotes) habra que definir la distribucin probabilstica de stos. Tambin
es posible que los clientes sean impacientes. Es decir, que lleguen a la cola y si
es demasiado larga se vayan, o que tras esperar mucho rato en la cola decidan
abandonar. Por ltimo es posible que el patrn de llegada vare con el tiempo. Si
se mantiene constante le llamamos estacionario, si por ejemplo vara con las
horas del da es no-estacionario.

2. Patrn de servicio
Se puede tener un tiempo de servicio variable, en cuyo caso hay que asociarle,
para definirlo, una funcin de probabilidad. Tambin se puede atender en lotes o
de modo individual. El tiempo de servicio tambin puede variar con el nmero de
clientes en la cola. Al igual que en el patrn de llegadas el patrn de servicio
puede ser no-estacionario, variando con el tiempo transcurrido.






2.4 Criterios bajo la distribucin de Poisson y Exponencial para la seleccin
del modelo
Distribucin de Poisson
Esta distribucin es una de las ms importantes distribuciones de variable
discreta. Sus principales aplicaciones hacen referencia a la modelizacin de
situaciones en las que nos interesa determinar el nmero de hechos de cierto tipo
que se pueden producir en un intervalo de tiempo o de espacio, bajo presupuestos
de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideracin lmite de procesos en los que la probabilidad de obtener un
xito es muy pequea.
Proceso experimental
Esta distribucin se puede hacer derivar de un proceso experimental de
observacin en el que tengamos las siguientes caractersticas.
Se observa la realizacin de hechos de cierto tipo durante un cierto periodo
de tiempo o a lo largo de un espacio de observacin.
Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no
de una manera no determinstica.
La probabilidad de que se produzcan un nmero x de xitos en un intervalo
de amplitud t no depende del origen del intervalo (Aunque, s de su
amplitud).
La probabilidad de que ocurra un hecho en un intervalo infinitsimo es
prcticamente proporcional a la amplitud del intervalo.
La probabilidad de que se produzcan 2 o ms hechos en un intervalo
infinitsimo es un infinitsimo de orden superior a dos.
En consecuencia, en un intervalo infinitsimo podrn producirse O 1 hecho pero
nunca ms de uno.
Si en estas circunstancias aleatorizamos de forma que la variable aleatoria x
signifique o designe el "nmero de hechos que se producen en un intervalo de
tiempo o de espacio", la variable x se distribuye con una distribucin de
parmetro . As:
El parmetro de la distribucin es, en principio, el factor de proporcionalidad para
la probabilidad de un hecho en un intervalo infinitsimo. Se le suele designar como
parmetro de intensidad.
Es evidente que se trata de un modelo discreto y que el campo de variacin de la
variable ser el conjunto de los nmero naturales, incluido el cero:


Distribucin Exponencial
La distribucin exponencial tiene una gran utilidad prctica ya que podemos
considerarla como un modelo adecuado para la distribucin de probabilidad del
tiempo de espera entre dos hechos que sigan un proceso de Poisson. De hecho la
distribucin exponencial puede derivarse de un proceso experimental de Poisson
con las mismas caractersticas, pero tomando como variable aleatoria, en este
caso, el tiempo que tarda en producirse un hecho.
Obviamente, entonces, la variable aleatoria ser continua. Por otro lado existe una
relacin entre el parmetro de la distribucin exponencial, que ms tarde
aparecer, y el parmetro de intensidad del proceso , esta relacin es =
Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en los
siguientes casos:
Distribucin del tiempo de espera entre sucesos de un proceso de Poisson.
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condicin que la probabilidad de producirse un fallo en un
instante no depende del tiempo transcurrido. Aplicaciones en fiabilidad y
teora de la supervivencia.
Ejemplos:
1.- Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
a)
x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
= 6 cheques sin fondo por da
= 2.718



b)
x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos

Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma,
debe hablar de lo mismo que x.







2.- En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos.
a)
x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata


b)
x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata



=1-(0.367918+0.367918) = 0.26416
c)
x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
= 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata
= 0.0498026 + 0.149408 = 0.1992106
Conclusiones
Las lneas de espera forman parte importante de nuestra vida diaria y es de gran
utilidad conocer los modelos que se manejan para ellas, ya que nos proporcionan
informacin importante de un sistema que se tenga implementado y as poder
mejorar su rendimiento y evitar prdidas por una mal manejo de l.




















Fuentes de informacin:
Hillier, F.S y Liebermang, G.J. (2002) Introduccin a la Investigacin de
Operaciones.9 Edicin. Ed., McGraw Hill.

Garrido, N., Moscoso, M., Salinas, M., Teora de colas. Recuperado de
http://www.ueubiobio.cl/adecca/entregas/archivos3/c7264_m66289_id70134/eleme
ntos_basicos_de_un_modelo_de_lineas_de_espera_1(1).pdf el 1 de Abril del
2014.
Universidad de Valencia. Distribucin de Poisson. Recuperado de
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm el 7 de
Abril del 2014.
Universidad de Valencia. Distribucin exponencial. Recuperado de
http://www.uv.es/ceaces/base/modelos%20de%20probabilidad/exponencial.htm el
7 de Abril del 2014.