Modelos en Administración – Unidad II Modelos en Administración

Teoría de colas
Guía de Conceptos
Unidad II

1
Modelos en Administración – Unidad II

MODELOS DE ADMINISTRACION – UNIDAD II

La simulación es un medio mediante el cual tanto nuevos procesos como

procesos ya existentes pueden proyectarse, evaluarse y contemplarse sin
correr el riesgo asociado a experiencias llevadas a cabo en un sistema real. Es
decir, permite a las organizaciones estudiar sus procesos desde una
perspectiva sistemática procurando una mejor comprensión de la causa y
efecto entre ellos además de permitir una mejor predicción de ciertas
situaciones. La teoría de la simulación permite valorar, replantear y medir, por
ejemplo, la satisfacción del cliente ante un nuevo proceso, la utilización de
recursos en el nuevo proceso o incluso el tiempo para minimizarle. Todas estas
posibilidades hacen de la simulación un instrumento ideal para un esfuerzo de
replanteamiento de la empresa.

La simulación es un proceso que consiste en desarrollar un modelo (estructura

lógica), poniendo especial énfasis en la descripción del sistema y a partir de un
conjunto de datos de entrada y factores operativos, que definen las
interrelaciones entre los datos de entrada (variable de proceso) y otros
componentes, describe el comportamiento del sistema que se quiere simular.

→ El ingreso es un conjunto de datos de entrada obtenidos

experimentalmente. Ejemplo: Arribo de clientes, cantidad de servicios,
entre otros.

2
Modelos en Administración – Unidad II

→ Una estructura lógica que permite correlacionar las variables de entrada

y los factores operativos. Ejemplo: Distribución de probabilidad de
espaciamientode arribos y servicios.

→ La salida tiene la forma de DESCRIPCIÓN DEL COMPORTAMIENTO

DELSISTEMA. Ejemplo: Comportamiento de la línea de espera.

Comparemos los métodos de simulación y los analíticos en el proceso de

solución de modelos:

El origen de los métodos modernos de simulación proviene de lo que se conoce

como MUESTREO MONTE CARLO (J. Von Newmann, durante la

Segunda Guerra Mundial). Se utilizó para la planificación financiera, valuación

de seguros, modelos de inventarios, entre otros.

Los modelos de simulación se utilizan para analizar decisiones bajo riesgo, es

decir un modelo en el cual uno o más de los factores no se conoce con
certeza, ese factor que no se conoce con certeza se considera como una
variable aleatoria. Específicamente, la Simulación Monte Carlo es el estudio
del comportamiento de una variable aleatoria que se describe mediante una
distribución de probabilidad.

Esta técnica consiste entonces en la generación de observaciones aleatorias

a partir de una determinada distribución de probabilidad y, a continuación,
utilizar el promedio de estas observaciones para estimar la media.

3
Modelos en Administración – Unidad II

El primer paso para entender este método, es definir el concepto de variable

aleatoria. Se denomina variable aleatoria, a una variable X que puede
tomar un conjunto de valores {x0, x1, x2, ... xn-1}, con probabilidades
{p0, p1, p2, ... pn-1}. Por ejemplo, en la experiencia de lanzar monedas, los
posibles resultados son {cara, cruz}, y sus probabilidades son {1/2, 1/2}. En
la experiencia de lanzar dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y
sus probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.

El problema crucial de la aplicación de los métodos de Montecarlo es hallar

los valores de una variable aleatoria (discreta o continua) con una
distribución de probabilidad dada por la función p(x) a partir de los valores de
una variable aleatoria uniformemente distribuida en el intervalo [0, 1),
proporcionada por un dispositivo electrónico o una rutina incorporada a un
programa informático. Para simular un proceso físico, o hallar la solución de
un problema matemático es necesario usar gran cantidad de números
aleatorios. En la práctica, resulta más conveniente emplear los denominados
números pseudoaleatorios, se trata de números que se obtienen a partir de
un número denominado semilla, y la aplicación reiterada de una fórmula,
obteniéndose una secuencia {x0, x1, x2, ... xn} de números que imitan los
valores de una variable uniformemente distribuida en el intervalo [0, 1).

Generación de números pseudoaleatorio por medio del método

congruente multiplicativo

Los números aleatorios distribuidos uniformemente en (0, 1) [(o “números

aleatorios (0, 1)”] desempeñan un papel clave en muestreos de
distribuciones. Los números aleatorios (0, 1) verdaderos sólo se pueden
generar con dispositivos electrónicos. Los cuales se activan con leyes del
azar, y en consecuencia es imposible reproducir a voluntad la misma
sucesión de números aleatorios. Esta situación, impide corregir, verificar y
validar el modelo de simulación, ya que, para ello, se requiere la duplicación
de la misma sucesión de números aleatorios. Una de las formas para salvar
este inconveniente, es por medio de operaciones aritméticas. Uno de los
métodos de obtención de estos números, denominados pseudoaleatorios (por
ser generados con anticipación), es el denominado “Método Congruente
Multiplicativo”. Para ello, se emplea la siguiente fórmula:

(Taha, 2004, p.656)

Para ello, se requiere contar con los siguientes valores: b, c, m y el número U0,
llamado semilla o generatriz.

Ejercicio de aplicación: Generación de números pseudoaleatorios

Con los siguientes valores: U0 = 14, b = 34, c = 3 y m = 11, genere 4 números

pseudo aleatorios.
4
Modelos en Administración – Unidad II

𝑼𝟏 = (𝟑𝟒 × 𝟏𝟒 + 𝟑)𝒎𝒐𝒅 (𝟏𝟏) = 𝟔

𝟔
𝑹𝟏 = = 𝟎, 𝟓𝟒𝟓
𝟏𝟏
𝑼𝟐 = (𝟑𝟒 × 𝟔 + 𝟑)𝒎𝒐𝒅 (𝟏𝟏) = 𝟗
𝟗
𝑹𝟐 = = 𝟎, 𝟖𝟏𝟖
𝟏𝟏
𝑼𝟑 = (𝟑𝟒 × 𝟗 + 𝟑)𝒎𝒐𝒅 (𝟏𝟏) = 𝟏
𝟏
𝑹𝟑 = = 𝟎, 𝟎𝟗𝟏
𝟏𝟏
𝑼𝟒 = (𝟑𝟒 × 𝟏 + 𝟑)𝒎𝒐𝒅 (𝟏𝟏) = 𝟒
𝟒
𝑹𝟒 = = 𝟎, 𝟑𝟔𝟒
𝟏𝟏
𝑼𝟒 = (𝟑𝟒 × 𝟒 + 𝟑)𝒎𝒐𝒅 (𝟏𝟏) = 𝟕
𝟒
𝑹𝟓 = = 𝟎, 𝟔𝟑𝟔
𝟏𝟏
Al analizar, la mecánica para la generación de esto números pseudoaleatorios,
queda claro, la conveniencia de realizar estas operaciones en una planilla de
cálculo, para evitar lo tedioso de la tarea
Cuadro 1: Generación de números pseudoaleatorios por EXCEL

Esto valores determinados, serán utilizados en el proceso de simulación

Montecarlo.

Ejercicio de aplicación: Simulación Montecarlo

Por medio de la simulación se desea estimar las toneladas de basura que se

recogen en un día específico en una ciudad. Para ello se cuenta con los datos
de cantidad de basura depositada con sus respectivas probabilidades de
ocurrencia:

5
Modelos en Administración – Unidad II

Cuadro 2: Cantidad de basura depositada y su probabilidad de ocurrencia

En base a los datos aportados por la tabla anterior, se construye la siguiente

tabla de probabilidades acumuladas.

Cuadro 3: Cantidad de basura depositada y su probabilidad acumulada

Como los datos de probabilidades acumuladas se encuentran entre 0 y 1, se

pueden asociar números (pseudo) aleatorios (los cuales también varían entre
0 y 1), a cada intervalo de probabilidades acumuladas. Para este ejemplo
supondremos que los números de casos de estudios son 10.000, por este
motivo los intervalos varían entre 0,0000 y 0,9999. En la siguiente tabla se
observa los valores de probabilidades acumuladas asociados a
determinados intervalos de números aleatorios.

Cuadro 4: Intervalos de números pseudoaleatorios asociados a valores de

probabilidad acumulada, para cantidad de basura

Si se realizará un experimento con n = 8 (repeticiones), para los cuales son

sorteados los siguientes números pseudoaleatorios, obtenidos por medio del
método congruente multiplicativo (del ejercicio de aplicación anterior). Se
obtiene los siguientes resultados:

Cuadro 5: Asignación de números pseudoaleatorios obtenidos, según valores

de probabilidad acumulada, a la cantidad de basura depositada
6
Modelos en Administración – Unidad II

N° pseudoaleatorio Probabilidad Tonelada de

acumulada basura
0.54545455 0,57 30
0.81818182 0,89 50
0.09090909 0,10 10
0.36363636 0,57 30
0.63636364 0,77 40
0.90909091 0,96 60
0.18181818 0,32 20
0.45454545 0,57 30
Promedio 33,75

Algunas consideraciones finales

Es claro que el método de Monte Carlo no provee el valor exacto deseado,

sino una aproximación, con un cierto error. La justificación inicial del uso de
Monte Carlo proviene de dos teoremas centrales de la probabilidad y la
estadística, la Ley Débil de los Grandes Números y el Teorema del Límite
Central (o Teorema Central del Límite). Ambos resultados proveen la
motivación para aplicar Monte Carlo, ya que indican que, con un número
suficientemente alto de experimentos, es posible estimar el parámetro
deseado incurriendo en pequeño error con alta probabilidad. Sin embargo, es
preciso ser cauteloso en la aplicación práctica del método, ya que las
implementaciones reales no verifican las hipótesis de estos dos teoremas.

La simulación de distribuciones por generadores de proceso es un

procedimiento para generar números aleatorios de observaciones muestrales
que correspondan a una distribución probabilista conocida, como, por ejemplo,
la distribución uniforme y exponencial negativa; distribuciones objeto de estudio
de esta materia.

El procedimiento para generar las observaciones muestrales de una

distribución específica de probabilidad se denomina generado de proceso.

El método de simulación de Monte Carlo se utiliza para simular cuando

estamos en presencia de variables discretas, aunque se puede aplicar a
variables continúas, esto se logra "discretisando" la variable, por ejemplo, el
tiempo es una variable continúa pero se puede "discretisar" para su estudio. De
esta manera podemos decir que los tiempos de servicios se producen en
promedio cada 5, 10 y 15 minutos.

Aunque esto se pueda realizar, no es lo más correcto ya que la variable tiempo,

al ser continúa, los tiempos de servicios pueden producirse en un intervalo que
va entre los 5 y 15 minutos, es decir para este último caso nos podemos hacer
la pregunta, si en el servicio una unidad puede estar más de 7,5 minutos, en
cambio si utilizamos variables discretas como las antes mencionadas (5, 10 y

7
Modelos en Administración – Unidad II

15 minutos) para el estudio a través de la simulación de Monte Carlo, esta

pregunta no tendría respuesta por no estar contemplada la variable tiempo de
7,5 minutos.

Resumiendo, usted se estará preguntando ¿cuál es la diferencia de simular por

el Método de Monte Carlo o por los generadores de proceso?

La respuesta es la siguiente:

Monte Carlo emplea para variables discretas, en el caso de ser una variable
continúa, como el tiempo, se debe “discretisar”.

El método de Monte Carlo no tiene en cuenta la estadística a la cual obedece la

variable continua. Esto implica que debemos generar densidades de
distribución y probabilidades acumuladas de ocurrencia de que la variable
continua se produzca en un intervalo, que debe ser obtenido por integración y
no como una sumatoria.

A los efectos de simular un proceso gobernado por variables continuas, se

debe analizar la construcción de los generadores de procesos de variables
aleatorias continuas a partir del método de la Transformación Inversa.

Su origen se enmarca en los estudios realizados por A. K. Erlang (Dinamarca,

1905) estudiando el problema de dimensionamiento de líneas y centrales de
conmutación telefónica para el servicio de llamadas.

Las líneas de espera, filas de espera o colas, son realidades cotidianas:

Personas esperando para realizar sus operaciones en una ventanilla del banco,
Estudiantes esperando por realizar copias en la fotocopiadora o pagar la cuota

8
Modelos en Administración – Unidad II

de la universidad, vehículos esperando la inspección vehicular o pagar en el

peaje o continuar su camino ante un semáforo en rojo, máquinas dañadas
esperando ser reparadas.

Los análisis de colas ayudan a comprender el comportamiento de estos

sistemas de servicio (la atención de las cajeras de un banco, actividades de
reparación y mantenimiento de equipos y maquinarias, el control de las
operaciones en planta manufactureras, etc.).

Desde la perspectiva de la Investigación de Operaciones, los pacientes que

esperan ser atendidos por el médico, odontólogo o las cortadoras dañadas
esperando ser reparadas, tienen mucho en común. Ambos –personas y
máquinas- demandan de recursos humanos y recursos materiales como
equipos para que se los cure o se los haga funcionar nuevamente.

Una cola es una línea de espera y la teoría de colas es una colección de

modelos matemáticos que describen sistemas de línea 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 línea 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 algún tipo y salen después 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.

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”, el cual tiene una cierta capacidad de atención. Si el
servidor no está disponible inmediatamente y el cliente decide esperar,
entonces se forma la línea de espera.

A lo largo del tiempo se producen llegadas de clientes a la cola de un sistema

desde una determinada fuente demandando un servicio. Los servidores del
sistema seleccionan miembros de la cola según una regla predefinida
denominada disciplina de la cola. Cuando un cliente seleccionado termina de
recibir su servicio (tras un tiempo de servicio) abandona el sistema, pudiendo o
no unirse de nuevo a la fuente de llegadas.

9
Modelos en Administración – Unidad II

Fuente: Imagen proveída por el docente

Recibe el nombre de fuente el dispositivo del que emanan las unidades que
piden un servicio. Si el número de unidades potenciales es finito, se dice que la
fuente es finita; en caso contrario se dice que es infinita.

Cuando la fuente es finita se suele asumir que la probabilidad de que se

produzca una llegada en un intervalo de tiempo es proporcional al tamaño de la
fuente en ese instante. En general, nos restringiremos al estudio de sistemas
de colas con fuentes infinitas.

Tiempo entre llegadas

Existen dos clases básicas de tiempo entre llegadas:

Determinístico, en el cual clientes sucesivos llegan en un mismo intervalo de

tiempo, fijo y conocido. Un ejemplo clásico es el de una línea de ensamble, en
donde los artículos llegan a una estación en intervalos invariables de tiempo.
Probabilístico, en el cual el tiempo entre llegadas sucesivas es incierto y
variable. Los tiempos entre llegadas probabilísticos se describen mediante una
distribución de probabilidad.

Mecanismos de servicio

Se llama capacidad del servicio al número de clientes que pueden ser servidos
simultáneamente. Si la capacidad es uno, se dice que hay un solo servidor (o
que el sistema es monocanal) y si hay más de un servidor, multicanal. El
tiempo que el servidor necesita para atender la demanda de un cliente (tiempo
de servicio) puede ser constante o aleatorio.

Disciplina de la cola

En sistemas monocanal, el servidor suele seleccionar al cliente de acuerdo con

uno de los siguientes criterios (prioridades):

→ El que llegó antes.

→ El que llegó el último.

10
Modelos en Administración – Unidad II

→ El que menos tiempo de servicio requiere.

→ El que más requiere.

Supuestos

El modelo simple de teoría de colas que se ha definido, se basa en las

siguientes suposiciones:

a) Un solo prestador del servicio y una sola fase.

b) Distribución de llegadas de poisson donde l = tasa de promedio de llegadas.

c) Tiempo de servicio exponencial en donde m = tasa de promedio del servicio.

d) Disciplina de colas de servicio primero a quien llega primero; todas las

llegadas esperan en línea hasta que se les da servicio y existe la posibilidad
de una longitud infinita en la cola.

Características operativas.- Medidas de desempeño para una línea de espera

que incluyen la probabilidad de que no haya unidades en el sistema, la
cantidad promedio en la línea, el tiempo de espera promedio, etc. Operación
de estado estable.- Operación normal de la línea de espera después de que
ha pasado por un periodo inicial o transitorio. Las características operativas de
las líneas de espera se calculan para condiciones de estado estable.

Tasa media de llegada.- Cantidad promedio de clientes o unidades que llegan

en un periodo dado.

Tasa media de servicio.- Cantidad promedio de clientes o unidades que

puede atender una instalación de servicio en un periodo dado. Línea de
espera de canales múltiples.- Línea de espera con dos o más
instalaciones de servicio paralelas.

Bloqueado.- Cuando las unidades que llegan no pueden entrar a la línea de

espera debido a que el sistema está lleno. Las unidades bloqueadas pueden
ocurrir cuando no se permiten las líneas de espera o cuando las líneas de
espera tienen una capacidad finita.

Población infinita.- Población de clientes o unidades que pueden buscar

servicio, no tiene un límite superior especificado.

11
Modelos en Administración – Unidad II

Población finita.- Población de clientes o unidades que pueden buscar

servicio, tiene un valor fijo y finito.

Usualmente siempre es común utilizar la siguiente terminología estándar:

Todas estas características operativas de estado estable se obtienen mediante

fórmulas que dependen del tipo de modelo de línea de espera que se esté
manejando. Para calcular estas, se necesitan los siguientes datos:

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de
acuerdo al proceso de nacimiento y muerte. Este importante proceso de teoría
de probabilidad tiene aplicaciones en varias áreas. Sin embrago en el contexto
de la teoría de colas, el termino nacimiento se refiere a llegada de un nuevo
cliente al sistema de colas y el termino muerte se refiere a la salida del cliente
servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el
número de clientes que hay en el sistema de colas en el tiempo t. El proceso
de nacimiento y muerte describe en términos probabilísticos como cambia N (t)
al aumentar t. En general, dice que los nacimientos y muertes individuales
ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen
del estado actual del sistema. De manera más precisa, las suposiciones del
proceso de nacimiento y muerte son las siguientes:
12
Modelos en Administración – Unidad II

SUPOSICIÓN 1. Dado N (t) = n, la distribución de probabilidad actual del

tiempo que falta para el próximo nacimiento (llegada) es exponencial con
parámetro (n=0,1,2,….).

SUPOSICIÓN 2. Dado N (t) = n, la distribución de probabilidad actual del

tiempo que falta para la próxima muerte (terminación de servicio) es
exponencial con parámetro (n=1,2,….).

SUPOSICIÓN 3. La variable aleatoria de la suposición 1 (el tiempo que falta

hasta el próximo nacimiento) y la variable aleatoria de la suposición 2 (el
tiempo que falta hasta la siguiente muerte) son mutuamente independientes.
Excepto por algunos casos especiales, el análisis del proceso de nacimiento y
muerte es complicado cuando el sistema se encuentra en condición transitoria.
Se han obtenido algunos resultados sobre esta distribución de probabilidad de
N (t) pero son muy complicados para tener un buen uso práctico.

Por otro lado, es bastante directo derivar esta distribución después de que el
sistema ha alcanzado la condición de estado estable (en caso de que pueda
alcanzarla).

Distribución de llegadas

Definir el proceso de llegada para una línea de espera implica determinar la

distribución de probabilidad para la cantidad de llegadas en un periodo dado.
Para muchas situaciones de línea de espera, cada llegada ocurre aleatoria e
independientemente de otras llegadas y no podemos predecir cuándo ocurrirá.
En tales casos, los analistas cuantitativos has encontrado que la distribución de
probabilidad de Poisson proporciona una buena descripción del patrón de
llegadas.

La función de probabilidad de Poisson proporciona la probabilidad de x llegadas

en un periodo específico. La función de probabilidad es como sigue:

Para describir un sistema de colas se emplea la notación de Kendall, que

consiste en un grupo de letras y números de la forma:

donde cada uno de los dígitos tiene el siguiente significado:

13
Modelos en Administración – Unidad II

Las fórmulas que pueden usarse para determinar las características operativas
de estado estable para una línea de espera de un solo canal se citarán más
adelante. Las fórmulas son aplicables si las llegadas siguen una distribución de
probabilidad de Poisson y los tiempos de servicio siguen una distribución de
probabilidad exponencial. Mostramos como pueden usarse las fórmulas para
determinar las características de operación de un sistema de un servidor, cola
infinita y fuente infinita, y por tanto, proporcionarle a la administración,
información útil para la toma de decisiones.

La metodología matemática usada para derivar las fórmulas para las

características operativas de las líneas de espera es bastante compleja. Sin
embargo, el propósito no es proporcionar el desarrollo teórico de estos modelos,
sino mostrar como las fórmulas que se han elaborado puede dar información
acerca de las características operativas de la línea de espera.

Características operativas

Las fórmulas siguientes pueden usarse para calcular las características

operativas de estado estable para una línea de espera de un solo canal con
llegadas de Poisson y tiempos de servicio exponenciales, donde:

14
Modelos en Administración – Unidad II

Lq= Número de clientes promedio en una línea de espera.

L o Ls= Número de clientes promedio en el sistema (Clientes en cola y clientes

que están siendo atendidos).

W = Tiempo promedio que un cliente pasa en la línea de espera.

W o W = Tiempo total promedio que un cliente pasa en el sistema.

Pn= Probabilidad de que haya n clientes en el sistema.

Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio.

15
Modelos en Administración – Unidad II

Caso resuelto:

Frente a una ventanilla del Banco Estatal se presentan 560 personas diarias
(jornada de 8 horas); el cajero puede dar servicio a 100 personas como promedio
por hora. Con la hipótesis de llegadas Poissonianas y servicios exponenciales.
Se le pide:

a. el número promedio de personas en el sistema,

b. la cantidad promedio de clientes en la cola,

c. el tiempo promedio que permanece una persona en el sistema,

d. el tiempo promedio de un cliente en la fila,

e. el tiempo promedio que tarda un servicio,

f. el factor promedio de utilización del sistema,

g. la probabilidad que haya 3 clientes en el sistema,

h. la probabilidad que existan 4 personas en la fila y en el sitio.

Datos:

C = S = 1 servidor λ = 560/8 = 70 clientes/hora (llegan a

solicitar servicio) μ = 100 clientes/hora (capacidad de
servicio) ρ = λ/μ = 0,7 o 70%

m = ∞ (número de potenciales clientes)

Condición a cumplir: ρ ˂ 1 (cumple). Se puede optimizar

a) el número promedio de personas en el sistema, Ls =

1,633 + (70/100) = 2,33 clientes en promedio b) la
cantidad promedio de clientes en la cola, Lq =
702/100(100-70) = 1, 633 clientes en promedio

c) el tiempo promedio que permanece una persona en el sistema,

Ts= 0,0233 + (1/100) = 0,033 horas

d) el tiempo promedio de un cliente en la fila,

Tq = 1,633/70 = 0,0233 horas

e) el tiempo promedio que tarda un servicio, 1/μ = 1/100 = 0,01 horas o 0,6
minutos o 36 segundos f) el factor promedio de utilización del sistema, ρ =
(λ/C.μ) = 70/(1*100) = 0,7 o 70%

16
Modelos en Administración – Unidad II

g) la probabilidad que haya 3 clientes en el sistema, Pn

= P3 = (70/100)3 * P0,

donde P0 = 1- (70/100) = 0,3 Pn = P3 = (70/100)3 * 0,3 = 0,1029 0 10,29% h)

la probabilidad que existan 4 personas en la fila y en el sitio

P5= (70/100)5 * 0,3 =0,0504 0 5,04% (ya que estarán 4 personas en la fila + 1
recibiendo servicio).

P4= (70/100)4 * 0,3 =0,0720 0 7,20% (ya que estarán 3 personas en la fila + 1
recibiendo servicio).

Resolución por POM FOR WINDOWS

Entrar en el programa en el Módulo Waiting lines y abrir un nuevo archivo:

Donde:
→ Number of Servers: número de servidores.
→ Service Rate (per server per hour): tasa de servicio (por cada servidor/promedio).
→ Customer arrival (per hour): tasa de llegada de clientes por hora.

Results + Probability Summary

17
Modelos en Administración – Unidad II

Para los modelos de línea de espera introducidos hasta ahora, la población de

unidades o clientes que llegan para servicio se han considerado ilimitadas. En
términos técnicos, cuando no se pone límite respecto a cuantas unidades
pueden buscar servicio, se dice que el modelo tiene una población infinita. Bajo
esta suposición, la tasa media de llegada λ permanece constante sin importar
cuantas unidades hay en el sistema de línea de espera. Esta suposición de una
población infinita se hace en la mayoría de los modelos de línea de espera. En
otros casos, se asume que la cantidad máxima de unidades o clientes que
pueden buscar servicio es finita. En esta situación, la tasa media de llegada
para el sistema cambia, dependiendo de la cantidad de unidades en la línea de
espera y se dice que el modelo de línea de espera tiene una población finita.

Las fórmulas para las características operativas de los modelos de línea de

espera anteriores deben modificarse para explicar el efecto de la población
finita.

El modelo de población finita que se expone en esta sección se basa en las

siguientes suposiciones.

1. Las llegadas para cada unidad siguen una distribución de probabilidad de

Poisson, con una tasa media de llegada λ.

2. Los tiempos de servicio siguen una distribución de probabilidad exponencial,

con una tasa media de servicio μ.

3. La población de unidades que pueden buscar servicio es finita.

Con un solo canal, el modelo de línea de espera se conoce como modelo

M/M/1 con una población finita.

La tasa de llegada media para el modelo M/M/1 con una población finita se
define en función de cuan a menudo llega o busca servicio cada unidad.

Esta situación difiere de la de modelos de línea de espera anteriores en los que

λ denotaba la tasa media de llegada para el sistema. Con una población finita, la
tasa media de llegada para el sistema varia, dependiendo de la cantidad de
unidades en el sistema. En lugar de ajustar para la tasa de llegada del sistema
18
Modelos en Administración – Unidad II

cambiante, en el modelo de población finita λ indica la tasa media de llegada

para cada unidad.

Características operativas para, el modelo M/M/1/K con una población

finita de demandantes.

Las siguientes fórmulas se usan para determinar las características operativas

de estado estable para el modelo M/M/1 con una población finita, donde:

1. Probabilidad de que no haya unidades en el sistema:

2. Cantidad de unidades promedio en la línea de espera:

3. Cantidad promedio de unidades en el sistema:

4. Tiempo promedio que pasa una unidad en la línea de espera:

5. Tiempo promedio que pasa una unidad en el sistema:

6. Probabilidad de que una unidad que llega tenga que esperar por el servicio:

7. Probabilidad de n unidades en el sistema:

Caso resuelto:

La universidad dispone de 20 equipos de aire acondicionado, que son

mantenidos y reparados por un único técnico. Diariamente recibe un
19
Modelos en Administración – Unidad II

promedio de 5 solicitudes de reparación. Al técnico le lleva 15 minutos en

promedio terminar cada solicitud (trabaja 10 horas/día). Determine: a.

Parámetros del problema (C, λ, μ, ρ, m, Ls, Lq, Ts, Tq)

b. Probabilidad que el técnico esté ocioso

c. Probabilidad de encontrar 4 solicitudes sin ser atendidas

d. Probabilidad de encontrar 3 solicitudes en el taller

e. Probabilidad de encontrar menos de 7 solicitudes en el taller Datos:

C = 1 (un solo servidor) λ

= 5 solicitudes/día

μ = 1 solicitud/15 min = 40 solicitudes/día

m = N = 20 ρ = 5/40 (cumple ρ ˂ 1)

SOLUCIÓN:

20
Modelos en Administración – Unidad II

1. Probabilidad que el técnico esté ocioso

P0 = 0,0002 o 0,02%

2. Probabilidad de encontrar 4 solicitudes sin ser atendidas

P5 = 0,009 o 0,9% (4 esperando + 1 siendo atendida)

3. Probabilidad de encontrar 3 solicitudes en el taller

P3 = 0,0021 o 0,21%

4. Probabilidad de encontrar menos de 7 solicitudes en el taller

P0 + P1 + P2 + P3 + P4 + P5 + P6 = 0,0341 o 3,41%

Una línea de espera con canales múltiples consiste en dos o más canales de
servicio que se supone son idénticos desde el punto de vista de su capacidad.

En el sistema de canales múltiples, las unidades que llegan esperan en una

21
Modelos en Administración – Unidad II

sola línea y luego pasan al primer canal disponible para ser servidas. La
operación de un solo canal de Burger Dome puede expandirse a un sistema de
dos canales al abrir un segundo canal de servicio. La siguiente figura muestra
un diagrama de la línea de espera de dos canales de Burger Queen. En esta
sección presentamos fórmulas que pueden usarse para determinar las
características operativas de estado estable para una línea de espera de varios
canales. Estas fórmulas son aplicables si existen las siguientes condiciones. 1.
Las llegadas siguen una distribución de probabilidad de Poisson.

2. Tiempo de servicio para cada canal sigue una distribución de probabilidad

exponencial.

3. La tasa media de servicio μ es la misma para cada canal.

4. Las llegadas esperan en una sola línea de espera y luego pasan al primer
canal disponible para el servicio.

Características Operativas

Pueden usarse las siguientes fórmulas para calcular las características

operativas de estado estable para líneas de espera con canales múltiples,
donde:

Lq= Número de clientes promedio en una línea de espera

L o Ls= Número de clientes promedio en el sistema (Clientes en cola y clientes

que están siendo atendidos).

Wq= Tiempo promedio que un cliente pasa en la línea de espera.

22
Modelos en Administración – Unidad II

W o Ws= Tiempo total promedio que un cliente pasa en el sistema.

Pn= Probabilidad de que haya n clientes en el sistema.

Pw= Probabilidad de que un cliente que llega tenga que esperar por el servicio

Obs.: reemplazar la K de las fórmulas por C

Debido a que μ es la tasa media de servicio para cada canal, Cμ es la tasa
media de servicio para el sistema de canales múltiples. Como sucedió con el
modelo de línea de espera de un solo canal, las fórmulas para las
características operativas de las líneas de espera con múltiples canales solo
pueden aplicarse en situaciones donde la tasa media de servicio para el
sistema es mayor que la tasa media de llegadas; en otras palabras, las
fórmulas son aplicables solo si Cμ es mayor que λ.

Caso resuelto:
Una clínica canina tiene 3 veterinarios para vacunar perros. El número de
perros que llegan a la clínica sigue una distribución de Poisson con una tasa
media de 12 por hora. El tiempo medio empleado en vacunar a cada perro es
de 6 minutos (por veterinario). Determinar: a) Tasa de utilización

b) Tiempo medio de espera.

c) Tiempo medio de permanencia de los perros en la clínica.

d) Número medio de perros en la clínica.

e) Porcentaje de tiempo con la sala de vacunación vacía.

f) Probabilidad de que al menos un veterinario esté ocioso

g) Probabilidad de encontrar más de 4 perros en la clínica Datos:

C = 3 (tres servidores) λ

= 12 perros/hora

μ = 3 x 10 = 30 perros/hora ρ = 12/30 (cumple ρ ˂ 1) m

=∞

23
Modelos en Administración – Unidad II

Este tipo de modelo es el M/M/c : DG/∞/∞, donde el límite del sistema es finito
igual a N; eso quiere decir que el tamaño máximo de la cola es N–c. Las tasas
de llegada y de servicio son λ y μ.

24
Modelos en Administración – Unidad II

Las características operativas para este sistema se calculan como sigue: P0=
Probabilidad de que no haya clientes en el sistema

Lq = Número de clientes promedio en una línea de espera

L o Ls = Número de clientes promedio en el sistema (Clientes en cola y clientes

que están siendo atendidos).

Wq = Tiempo promedio que un cliente pasa en la línea de espera.

W o Ws = Tiempo total promedio que un cliente pasa en el sistema.

Pn = Probabilidad de que haya n clientes en el sistema.

Cálculo de λef
No siempre la tasa de llegada (que llamaremos λnominal) ingresa al sistema a
aguardar y recibir el servicio solicitado; cuando el sistema se encuentra completo
(problemas con lugares de espera definido), parte del mismo ingresa al sitio y
otra se retira sin ingresar al mismo –denominaremos a esto λpérdida. Podemos
decir entonces que:

25
Modelos en Administración – Unidad II

λnominal = λefectiva + λpérdida λefectiva

= λnominal - λpérdida,

siendo: λpérdida = λnominal x Pn (donde n representa al sistema totalmente

ocupado)

Por lo que: λefectiva = (1- Pn ) λnominal

Caso resuelto

Una empresa eléctrica dispone de 3 cuadrillas para atender el reclamo de 15

edificios. La central telefónica recibe 8 reclamos/día; cada cuadrilla tiene la
capacidad de atender 15 reclamos/día. El sistema sigue un comportamiento
exponencial.

Se le pide que determine:

a) Tiempo medio de espera para recibir servicio.

b) Tiempo medio de permanencia de fuera de servicio

c) Número medio de reclamos esperando ser atendidos

d) Probabilidad de que al menos una cuadrilla esté ociosa

e) Probabilidad de encontrar menos de 8 edificios sin servicio

f) Lambda efectiva λef

DATOS:

→ C = 3 (tres cuadrillas o servidores)

→ λ = 8 reclamos/día

→ μ = 3 x 15 = 45 reclamos/día

→ ρ = 8/45 (cumple ρ ˂ 1)

26
Modelos en Administración – Unidad II

→ m = k = 15 edificios

Cálculo de landa efectiva: λef = (1 –

Pn)* λnominal λef = (1 – P15)* 8 λef = (1
– 0,0036)*8 λef = (1 – 0,0036)*8

27
Modelos en Administración – Unidad II

λef = 7,9712 reclamos/día ingresan a ser resueltos λpérdida

= 0,0288 reclamos/día no ingresan a ser resueltos

Muchas veces debemos definir la cantidad óptima de servidores en función a

costos. Un ejemplo sencillo es analizando sobre costos de mano de obra
(contratar 1, 2,… n cajeros), disminución de los ingresos no obtenidos por
máquinas paradas, etc.

Supongamos la siguiente situación: se debe decidir si contratamos uno, dos o

más técnicos para mantener en funcionamiento una cantidad de tragamonedas
(en el caso de un casino), de máquinas expendedoras de combustible (estación
de servicios), expendedoras de café/snacks, etc.

El costo a analizar sería, en cualquiera de los casos que se citó en el párrafo

anterior: Ct = Cantidad de Operarios contratados x costo de la mano de
obra/hora + Número de máquinas fuera de servicio/hora x ingresos no
obtenidos por fuera de servicio/hora

Ct = N° Mano de obra x Costo$/hora + ¿?? X Costo$ fuera servicio/hora Ahora:

cuáles son las máquinas (¿??) que están fuera que no generan ingresos?. Las
que esperan ser reparadas? O el total de máquinas que están esperando ser
reparadas más las que están siendo reparadas?

El costo total Ct analizado es un costo marginal, formado por dos curvas que se
combinan. A medida que contratamos más mano de obra, el costo total de ésta
(Cm) se incrementa; pero a medida que se tienen más técnicos/servidores para
reparación/ atención, menos tiempo en promedio están las máquinas/clientes
fuera de servicio/en el sitio, por lo que los costos de éstas (Cmp) disminuyen. El
punto óptimo (Costo total menor) es el punto (*) del gráfico.

28
Modelos en Administración – Unidad II

Problemas propuestos

Ejercicio 01: Frente a una ventanilla del Banco de Fomento se presentan 640
personas diarias (jornada de 8 horas); el cajero puede dar servicio a 90

personas como promedio por hora. Con la hipótesis de llegadas Poissonianas y

servicios exponenciales, encontrar:

1. El factor promedio de utilización del sistema,

2. el tiempo ocioso promedio en el sistema,

3. la probabilidad que haya 3 clientes en el sistema,

4. el número promedio de personas en el sistema,

5. la cantidad promedio de clientes en la cola,

6. el tiempo promedio que permanece una persona en el sistema,

7. el tiempo promedio de un cliente en la fila,

8. el tiempo promedio que tarda un servicio,

9. la probabilidad que existan 4 personas en la fila y en el sitio.

Ejercicio 02: La ventanilla de un banco realiza las transacciones en un tiempo

medio de 2 minutos. Los clientes llegan a la ventanilla con una tasa de 20
clientes por hora. Si se supone que las llegadas son de Poisson y los servicios
exponenciales, se pide:

a) Porcentaje de tiempo en que el cajero está ocioso.

b) Tiempo medio de estancia de los clientes en la cola.

c) Fracción de clientes que deben esperar (Lq/Ls).

Ejercicio 03: El Departamento de Atención al Cliente de un Banco ha decidido

instalar un cajero automatizado de atención a automovilistas para las personas
que deseen hacer un solo depósito; el fabricante le ha informado al Banco que
en estos casos el tiempo de servicio promedio de 7,5 minutos. Para determinar
las características de operación de este nuevo sistema se han evaluado las
llegadas de los automóviles y se ha encontrado que se comportan en forma de
distribución Poisson a una llegada de 5 automóviles/hora. a) Encontrar los
parámetros del sistema

Ejercicio 04: Una tienda de alimentación es atendida por una persona. La

llegada de clientes los sábados es un proceso de Poisson con una tasa de 10
personas por hora y los clientes son atendidos según una política FIFO con
un tiempo medio de servicio de 4 minutos. Se pide: a) Probabilidad de que
haya cola.

b) Longitud media de la cola.

29
Modelos en Administración – Unidad II

c) Tiempo medio de espera en cola.

Ejercicio 05: Una sucursal bancaria tiene dos cajas igualmente eficientes,
capaces de atender un promedio de 60 operaciones por hora con tiempos
reales de servicio que se observan exponenciales. Los clientes llegan con una
tasa de 100 por hora. Determinar:

a) Probabilidad de que haya más de 3 usuarios simultáneamente en el banco.

b) Probabilidad de que alguno de los cajeros esté ocioso.

Ejercicio 06: A un taller llegan los pedidos de reparaciones en forma de

distribución Poisson a un promedio de 4 clientes / hora. El operario que los
inspecciona para diagnosticar las reparaciones a hacer efectúa dicha actividad
en una forma normal; en promedio tal inspección le toma 6 minutos. Realizando
la evaluación de tiempos y movimientos se encontró que el tiempo de servicio
normalmente distribuido tiene una desviacion2 = ,125.

a) Calcular las características de operación del sistema

Ejercicio 07: Al Taller El Recambio para cambio de aceite, los autos llegan a
un promedio de 18 carros por hora en forma Poisson. La población es infinita

pero el espacio físico en el sistema alcanza solamente para 3 vehículos; puede

servir a un promedio de 6 carros por hora de acuerdo a una distribución
exponencial.

a) Calcular las características de operación del sistema

Ejercicio 08: Una oficina estatal de transportes tiene 3 equipos de

investigación de seguridad vial cuyo trabajo consiste en analizar las
condiciones de las carreteras cuando se produce un accidente mortal. Los
equipos son igualmente eficientes y cada uno destina un promedio de 2 días a
investigar y realizar el informe correspondiente en cada caso, con un tiempo
real aparentemente exponencial. El número de accidentes mortales en
carretera sigue una distribución de Poisson con tasa media de 300 accidentes
por año. Determínese:

a) Número medio de accidentes cuya investigación no ha comenzado.

b) Tiempo medio desde que se produce un accidente hasta que se empieza a

investigar.

c) Tiempo medio desde que se produce un accidente hasta que finaliza la

investigación.

d) Número medio de accidentes cuya investigación aún no ha terminado.

Ejercicio 09: Una clínica canina tiene 5 veterinarios para vacunar perros. El
número de perros que llegan a la clínica sigue una distribución de Poisson
con una tasa media de 20 por hora. El tiempo medio empleado en vacunar a
cada perro es de 2 minutos. Determinar:

a) Porcentaje de tiempo con la sala de vacunación vacía.

30
Modelos en Administración – Unidad II

b) Tiempo medio de espera.

c) Tiempo medio de permanencia de los perros en la clínica.

d) Número medio de perros en la clínica.

Ejercicio 10: En un taller caben seis máquinas que son reparadas por dos
mecánicos. Las máquinas llegan al taller como promedio una vez cada tres
horas y el tiempo medio de reparación es de 45 minutos. ¿Cuál es el
número medio de máquinas estropeadas en el taller?

Ejercicio 11: El banco de Sumatra quiere implementar el sistema de atención

al cliente tipo Automac; por lo que en forma experimental ha introducido un
cajero para esta tarea. De promedio se sabe que llegan 10 clientes por hora, el
tiempo de atención al cliente es de 5 minutos c/u de promedio. El espacio
posterior al que está recibiendo servicio alcanza para 4 vehículos más. Calcule:

→ ¿Cuál es la probabilidad que vehículo que llegue pueda ocupar uno de los
lugares citados?

→ ¿Cuál es la probabilidad de que un auto que llega espere fuera del espacio
designado de tres autos?

→ Un cliente que llega, ¿cuánto tiempo supone que esperará antes de iniciar el
servicio?

Ejercicio 12: Un alumno de la universidad hace trabajos para complementar su

ingreso. Las solicitudes de trabajo llegan cada 5 días en promedio, pero el
tiempo entre solicitudes es exponencial. El tiempo para terminar un trabajo
también es exponencial con media 4 días. Responda: → ¿Cuál es la
probabilidad que el alumno quede sin trabajo? → Si el alumno obtiene de 50$ x
trabajo: ¿cuál es su ingreso mensual promedio?

→ Si al final del semestre, el alumno decide subcontratar los trabajos

pendientes a 40$ cada uno; ¿cuánto, en promedio, deberá pagar?

Ejercicio 13: La empresa opera un taller que contiene 22 máquinas. Se sabe

que cada máquina se avería cada dos horas, en promedio. Se requiere un
promedio de 12 minutos para terminar una reparación. Tanto el tiempo entre
averías como el tiempo de reparación siguen una distribución exponencial. Esta
empresa está interesada en determinar el número de mecánicos necesarios
para mantener continuamente funcionando el taller.-

Ejercicio 14: A una impresora le llegan trabajos para imprimir con una tasa de
8 al minuto, siguiendo las llegadas un proceso de Poisson. El tiempo de
impresión es exponencial de media 5 segundos. Esta impresora almacena los
trabajos que le llegan en un buffer con capacidad para 3 mensajes. Suponer
que la memoria de la impresora es suficiente como para almacenar en ella todo
el trabajo que está siendo impreso.

Calcular:

a) Probabilidad de que un mensaje llegue directamente a la impresora sin tener

31
Modelos en Administración – Unidad II

que esperar cola.

b) Probabilidad de que en este sistema de impresión haya menos de tres

trabajos esperando a ser impresos.

c) Número medio de trabajos en el sistema de impresión.

d) Tiempo medio de espera en el buffer de un trabajo hasta que pasa a la

impresora.

e) Probabilidad de que se pierda un mensaje que llega al sistema para ser

impreso.

Ejercicio 15: Una máquina está formada por tres componentes que funcionan
independientemente. Cada componente necesita un reajuste para su correcto
funcionamiento una vez cada cuatro días, en media. Este reajuste se lleva a
cabo por un técnico que tarda, en media, medio día en poner a punto cada
componente. Se supone que tanto los tiempos entre llegadas al sistema de
reparación como los tiempos de servicio son exponenciales. Obtener:

a) λ y μ.

b) ¿Qué porcentaje de tiempo está el técnico sin trabajar?.

c) Calcular el número medio de componentes que hay en este sistema de

reparación.

d) Obtener el número medio de llegadas al sistema de reparación por día (tasa

global de llegadas).

e) Calcular el tiempo medio de estancia de cada componente en la cola de

reparación.

Ejercicio 16: En un sistema de consultas on-line que atiende una determinada

región geográfica, llegan en promedio 15 consultas por hora, siguiendo este
número de llegadas un proceso de Poisson. El tiempo que tarda el ordenador
en responder a una consulta, fluctúa de manera aleatoria siguiendo una
distribución exponencial de media 3 minutos.

a) ¿Qué porcentaje de tiempo estará el ordenador sin utilizar?

b) ¿Cuánto deberán esperar, en promedio, las consultas antes de ser

atendidas?

c) ¿Cuál será, en promedio, el número de consultas que estarán en la cola

esperando a ser atendidas?

32
Modelos en Administración – Unidad II

Ejercicio 17: Se desea contratar a un operario permanente para reparar

máquinas de contabilidad de una casa que se dedica a proveer servicios de
copias. Se estima que una máquina de escribir descompuesta, perjudica a la
casa a razón de $12 la hora de paro. Actualmente se depende de un servicio
de reparaciones que tarda en ser avisado, llegar y repara, 2 horas (en
promedio) por máquina. El costo es de $200 por mes. La casa posee 20
máquinas, presentándose fallas a razón de 1/3 máquinas por hora. Al decidirse
un cambio de sistemas de reparaciones se puede optar entre el operario A
capaz de arreglar 4 máquinas por hora y que pide un sueldo de $400 por mes,
y el operario B, que puede arreglar 6 máquinas por hora con un sueldo de $800
por mes. Analizar si conviene el cambio del sistema y en caso afirmativo elegir
el operario.

→ Tomar el mes de trabajo de 2000 horas.

→ Tratar el problema como cola infinita.

Ejercicio 18: Un sistema con un único canal posee un servicio cuya velocidad
se desea calcular, sabiendo que el número de clientes que pueden encontrarse
simultáneamente en el sistema es de 3, respondiendo los arribos a una ley de
Poisson, de media 15 clientes por hora. El costo de prestar el servicio es de $
300 por cliente y se le cobra $1000 por cliente. Calcular ganancias.

Ejercicio 19: Se desea proyectar el tamaño de la playa de estacionamiento de

una estación de servicio, dónde deben guardar los vehículos para recibir un
servicio de lavado. El arribo de clientes es de: 5 por hora y el lavado dura 10
minutos. Se busca que el número de clientes en el sistema sea de 5 en
promedio. La estación de servicio trabaja 18 horas diarias. Se desea calcular la
velocidad de lavado necesaria para: a) Perder 20 clientes por día.

b) Perder 50 clientes por día.

c) Perder 100 clientes por día.

Ejercicio 20: La oficina de Administración de Red de la Facultad cuenta con un

administrador para atender las consultas de los usuarios de la red. Los
usuarios que realizan consultas siguen una distribución Poisson con media 24
usuarios/hora. El tiempo que toma procesar una consulta de un usuario se
distribuye exponencialmente con media de 2 minutos.

a) ¿Cuál es el número promedio de usuarios esperando ser atendido?

b) ¿Cuánto tiempo en promedio deberá esperar un usuario en línea?

c) ¿Qué porcentaje de tiempo permanece ocioso el administrador?

d) ¿Cuál es la probabilidad de que un usuario espere más de 10 minutos?

Ejercicio 21: CAFÉ EXPRESS, proporciona máquinas a monedas para café
a los hospitales del país; como las personas golpean las máquinas (por
impacientes), éstas deben ser reparadas en forma frecuente. Las máquinas
se descomponen a un promedio de 3 por hora (distribución Poisson). El
tiempo muerto de las máquinas le cuesta a la empresa 25$/hora por

33
Modelos en Administración – Unidad II

máquina y el salario de cada trabajador es de 4$/ hora. Un trabajador puede

dar servicio a las máquinas a un promedio de 5 máquinas/ hora, dos
trabajadores pueden a 7 máquinas/hora y 3 trabajadores a 8 máquinas/hora
(distribución exponencial). Teniendo en cuenta el costo: ¿cuál es el tamaño
óptimo del equipo de mantenimiento para dar servicio a las máquinas?

Dónde ampliar conceptos y casos prácticos:

Investigación de Operaciones Editorial Pearson/Prentice Hall– Hamdy Taha –

Capítulo 17.

Investigación de Operaciones Editorial Pearson/Prentice Hall-Eppen/Gould –

Capítulo 12.

34