You are on page 1of 17

INSTITUTO TECNOLOGICO DE TUXTLA GUTIERREZ

INVESTIGACION DE OPERACIONES

TEMAS:
PROCESO DE NACIMIENTO Y MUERTE
MODELO DE POISSON
UNA COLA UN SERVIDOR

ALUMNOS:
THANYA GUADALUPE AVENDAO HERNANDEZ
SERGIO GEOVANI CACERES NUEZ
DULCE ALEJANDRA TACIAS DE LA TORRE
ELVER HERNANDEZ LOPEZ
ABRAHAM PEREZ GOMEZ

EQUIPO NUMERO 5

TUXTLA GUTIERREZ CHIAPAS A 26 DE MAYO DEL 2014

PROCESO DE NACIMIENTO Y MUERTE

El desarrollo de los modelos de nacimiento y muerte se basa en las siguientes


hiptesis de partida.
1.Si el nmero de clientes en el sistema es igual a n, la distribucin de
probabilidad del tiempo que falta ver el prximo nacimiento, sigue una ley
exponencial de parmetro n.
2.Si el nmero de clientes en el sistema es igual a n, la distribucin de
probabilidad del tiempo que falta para la prxima muerte sigue una ley exponencial
de parmetro n.
3.Las variables aleatorias de (1) y (2) son independientes. Dependiendo de qu
variable resulte ser ms pequea, las transiciones son:
n -> n+1
n -> n-1

(un nacimiento)

(una muerte)

A partir de stas hiptesis, podremos calcular las probabilidades Pn de que el


sistema se encuentre en cada uno de los diferentes estados posibles n. A partir de
las Pn, ser posible determinar expresiones, ms o menos complejas de L y Lq,
as como de la tasa media de llegadas. Una vez obtenidos estos datos, podremos
obtener W y Wq a partir de las frmulas de Little.

Proceso de nacimiento o muerte


Este informe tiene como finalidad presentar una teora operacional sobre la Teora
de Colas, la cual incluye el estudio matemtico de las colas o lneas de espera,
siendo la de mayor aplicacin potencial y sin embargo es la ms difcil de aplicar.
Los fenmenos de espera para recibir servicio son cosas de la vida diaria; por
ejemplo, esperar en una cola para pagar el telfono o en el supermercado. No
obstante, la espera no solo se limita a personas sino a procedimientos o
ensamblados de mquinas, por lo tanto en esta unidad se describen modelos
matemticos aplicables a cualquier situacin donde se forme una cola.
No pretendo incluir en un solo tema todo lo que necesita saber el estudiante, sino
ofrecer un marco de los conocimientos bsicos presentados en forma clara y
precisa.
La formacin de lneas de espera es, por supuesto, un fenmeno comn que ocurre
siempre que la demanda actual de un servicio excede a la capacidad actual de
proporcionarlo. Con frecuencia, en la industria y en otros sitios, deben tomarse
decisiones respecto a la cantidad de capacidad que debe proporcionarse. Sin
embargo, muchas veces es imposible predecir con exactitud cundo llegarn las
unidades que buscan el servicio y/o cunto tiempo ser necesario para dar ese
servicio; es por esto que esas decisiones suelen ser difciles. Proporcionar
demasiado servicio implica costos excesivos. Por otro lado, carecer de la capacidad
de servicio suficiente causa colas excesivamente largas en ciertos momentos. Las
lneas de espera largas tambin son costosas en cierto sentido, ya sea por un costo
social, por un costo causado por la prdida de clientes, por el costo de empleados
ociosos o por algn otro costo importante. Entonces, la meta final es lograr un
balance econmico entre el costo de servicio y el costo asociado con la espera por
ese servicio. La teora de colas en s no resuelve directamente este problema, pero
contribuye con informacin vital que se requiere para tomar las decisiones
concernientes prediciendo algunas caractersticas sobre la lnea de espera como el
tiempo
de
espera
promedio.
La teora de colas proporciona un gran nmero de modelos matemticos para
describir una situacin de lnea de espera. Con frecuencia se dispone de resultados
matemticos que predicen algunas de las caractersticas de estos modelos.

Distribucin de Poisson

Esta distribucin debe su nombre al matemtico francs SimnPoisson (17811840), quien estableci su modelo.
Existen fenmenos o experimentos en los que los eventos ocurren en
intervalos continuos de tiempo o espacio (reas y volmenes), donde slo importa
la ocurrencia del fenmeno, ya que la no ocurrencia no tiene sentido. Por ejemplo,
si en cierta regin ocurren en promedio 2 terremotos por ao, la variable aleatoria
ser el nmero de terremotos por ao y es claro que no tiene sentido hablar del
nmero de no terremotos por ao. Lo mismo sucede para otros fenmenos, como
el nmero de errores en una pgina, derrumbes anuales en una regin montaosa,
accidentes de trfico diarios en cierto crucero, personas atendidas en un banco en
un perodo de 10 minutos, partculas de polvo en cierto volumen de aire, nacimientos
de nios en un periodo de tiempo, rayos que caen en una tormenta, llamadas que
llegan a un conmutados telefnico en un minuto, insectos por planta en un cultivo,
etc. Tambin es de importancia mencionar que cada ocurrencia puede considerarse
como un evento en un intervalo de tiempo determinado.

Si consideramos que:

1.

2.
3.
4.
5.

La esperanza de ocurrencia de un evento en un intervalo es la misma que la


esperanza de ocurrencia del evento en otro intervalo cualesquiera, sin importar
donde empiece el intervalo
Que las ocurrencias de los eventos son independientes, sin importar donde
ocurran
Que la probabilidad de que ocurra un evento en un intervalo de tiempo
depende de la longitud del intervalo
Que las condiciones del experimento no varan, y
Que nos interesa analizar el nmero promedio de ocurrencias en el intervalo

entonces se puede afirmar, que la variable aleatoria mencionada en los fenmenos


descritos es una variable de Poisson.
Caractersticas de la Distribucin de Poisson
Un modelo de probabilidad de Poisson tiene las siguientes caractersticas:

1. El espacio muestral se genera por un nmero muy grande (puede considerarse


infinito) de repeticiones de un experimento cuyo modelo de probabilidad es el
de Bernoulli, con probabilidad de xito muy pequea. Por esta razn, a la
distribucin de Poissonsuele llamrsele de eventos raros. Las repeticiones del
experimento de Bernoulli se realizan en cada uno de los puntos de un intervalo de
tiempo o espacio.
2.

El nmero de xitos en el intervalo li es ajeno al nmero de xitos en el


intervalo lk, por lo que li lk = f

3.

La probabilidad de que se tengan dos o ms xitos en el mismo punto del


intervalo es cero.

4. El nmero promedio de xitos en un intervalo es una constante l, que no cambia


de intervalo a intervalo.
Para aclarar el significado de estos 4 postulados, se presenta el siguiente ejemplo.
Ejemplo 5. 16. Anteriormente se mencion el nmero de accidentes diarios en un
cruce de calles como un caso de fenmeno en el que los eventos ocurren en
intervalos continuos de tiempo, donde slo importa la ocurrencia del fenmeno, y
de acuerdo a sus caractersticas puede decirse que la variable aleatoria del nmero
de accidentes diarios puede representarse por un modelo de Poisson. En seguida
analizamos lo razonable de los 4 postulados anteriores en esta situacin:
1.
Si consideramos un lapso, tan pequeo como se quiera, pero que para
propsitos prcticos puede ser un segundo y tomamos como xito que ocurra un
accidente en ese lapso, tenemos que en el intervalo de tiempo de un da hay 86,400
segundos, o sean 86,400 repeticiones de un experimento de Bernoulli. Es obvio que
la probabilidad de xito en cada repeticin es muy pequea.
2.

3.

Aqu, cada intervalo li puede ser un da, por lo que es lgico suponer que el
nmero de accidentes en un da es independiente del nmero de accidentes en
otro da cualquiera, lo cual no ocurre, por ejemplo, con el nmero de personas
que adoptan una moda en un da determinado, ya que una moda tiene una
etapa creciente, un apogeo y una etapa decreciente. En estas ltimas
condiciones, se dice que existe contagio y el modelo de probabilidad no puede
suponer independencia entre los intervalos. En el caso del modelo
de Poisson se dice que no existe contagio.

Puesto que una repeticin del experimento de Bernoulli ocurre cada segundo,
es razonable suponer que no pueden ocurrir dos accidentes en el mismo
segundo.

4.

Mientras las condiciones de vialidad no cambien en el crucero de calles, es


aceptable el supuesto de que el nmero promedio de accidentes por da, al que
representaremos por l, permanece constante.

Funcin de Probabilidad
La deduccin de la funcin de probabilidad de una variable aleatoria cuyo modelo
de probabilidad es de Poisson queda fuera del alcance de este curso, por lo que
enseguida se presenta una definicin de esta funcin.
Una variable aleatoria X tiene una distribucin de Poisson, si su funcin de
probabilidades est dada por:

donde e es la base de los logaritmos naturales y l el promedio de la distribucin, la


cual debe ser mayor que cero.
Ntese que una vez especificado el promedio l puede calcularse cualquier
probabilidad, pero para cada valor de l se tiene una funcin de probabilidades
distinta.
Ejemplo 5. 17. Un entomlogo examina una planta de algodn y cuenta el nmero
de huevecillos de un insecto por planta. De estudios anteriores se sabe que bajo las
condiciones del experimento el nmero de huevecillos por planta puede
representarse por una distribucin dePoisson con l = 0.9. Si se selecciona una
planta al azar, calcular la probabilidad de que se encuentren cuando mucho
3 huevecillos.
Solucin.
Las probabilidades de que el entomlogo encuentre 0, 1, 2, 3,huevecillos por planta
son:

Con los clculos anteriores podemos ver que:

Funcin de Distribucin Acumulada


Si X es una variable aleatoria que tiene distribucin de Possoncon
parmetro l, entonces:
La funcin de distribucin acumulada correspondiente es:

En muchos casos el clculo de probabilidades de variables aleatorias que se


apegan a una distribucin de Poisson es largo y tedioso. En donde sea posible, al
igual que en la distribucin Binomial, se puede hacer uso de las tablas que vienen
en el apndice, las cuales se basan en la funcin de distribucin acumulada y tan
slo hay que aplicar las propiedades ya vistas para esta funcin para simplificar los
clculos.

Para efectos de representacin y un mayor control de los datos que


intervienen en la tabla, haremos que
Ejemplo 5. 18. Resolver el problema 5.17. utilizando las tablas que representan la
funcin de distribucin acumulada.
Solucin.
Para determinar la probabilidad, localizamos la fila correspondiente a x= 3 y luego
buscamos la interseccin con la columna l = 0.9 y leemos que:

P(X 3) = F(0.9, 3) = 0.9865

Ejemplo 5. 19. Sea X una variable aleatoria que tiene distribucin dePoisson con
promedio 2 (l=2). Calcular:
a)

P(x = 4)

b) P(x 4)

c) P(x<4)

Solucin.
a)

Utilizando las propiedades de la funcin de distribucin acumulada podemos


establecer que:
P(x = 4) = P(3< x 4) = F(4, 2) - F(3, 2) = 0.9473 - 0.8571 = 0.0902.

b)
c)

P(x 4) = 1 P(x 3) = 1 - F(3, 2) = 1 - 0.8571 = 0.1429


P(x<4) = P(x 3) = F(3, 2) = 0.8571

Media y Variancia

La distribucin de Poisson tiene la caracterstica de que la esperanza y


la varinancia son iguales, esto es:

UNSERVIDOR UNA COLA


Todos nosotros hemos pasado mucho tiempo esperando en una cola, ejemplos de
ellos son los bancos, restaurantes, hospitales, pizzeras, etc.
Las lneas de espera trata de cuantificar el fenmeno de espera formando colas
mediante medidas representativas de eficiencia, como la longitud promedio de la
cola, el tiempo promedio de espera en ella y la utilizacin promedio de las
instalaciones.
La teora de lneas de espera o tambin llamada teora de colas es un conjunto de
modelos matemticos que describen sistemas de lneas de espera particulares.
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang en 1909
para analizar la congestin de trfico telefnico con el objetivo de cumplir la
demanda incierta de servicios en el sistema telefnico de Copenhague.
El objetivo es encontrar el estado estable del sistema y determinar una capacidad
de servicio apropiada.
SISTEMAS DE COLAS: UN SERVIDOR UNA COLA.
Un sistema de colas puede dividirse en dos componentes principales:

La cola

La instalacin del servicio

El proceso entre llegadas.


El proceso entre de entrada se denomina por lo regular, proceso de llegadas. Las
llegadas se llaman clientes. En todos los modelos que se estudian se supone que
no ms de una llegada ocurre en un instante dado. En el caso de un restaurante es
una suposicin irreal. Si hay ms de una llegada en un instante dado se dice que
se permiten las llegas en masa.
Las llegadas pueden ser:

Personas

Automviles

Maquinas que requieren reparacin, etc.

Se supone por lo comn que el nmero de clientes presentes en el sistema no afecta


el proceso de llegadas. Hay dos situaciones comunes en las cuales el proceso de
llegadas podra depender de la cantidad de clientes presentes. La primera se
presenta cuando se extrae de una pequea poblacin su ponga que hay solo cuatro
barcos en un astillero, si los cuatro barcos estn en reparacin entonces ningn
barco puede estropearse en un futuro cercano, por otro lado si los cuatro barcos
estn navegando existe una probabilidad muy alta de una descompostura en un
futuro cercano. Los modelos en los cuales las llegadas se toman de una pequea
poblacin reciben el nombre de modelos de origen finito. Otra situacin en la cual el
proceso de llegadas depende de la cantidad de clientes presentes ocurre cuando la
razn a la cual llegan los clientes a cierta instalacin disminuye cuando esta est
llena.
El nmero esperado de llegadas por unidad de tiempo se llama tasa media de
llegadas (). El tiempo esperado entre llegadas es 1/.
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.
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.
La cola
El nmero de clientes en la cola es el nmero de clientes que esperan el servicio, el
nmero de clientes en el sistema es el nmero de clientes que esperan en la cola
ms el nmero de clientes que actualmente reciben el servicio.
La capacidad de la cola es el nmero mximo de clientes que pueden estar en la
cola, ggeneralmente se supone que la cola es infinita, aunque tambin la cola puede
ser finita.
Para describir por completo un sistema de lneas de espera, se debe describir
tambin la disciplina de las lneas de espera y el modo en el cual los clientes forman

las lneas de espera. La disciplina de las lneas de espera explica el mtodo usado
para determinar el orden con el cual se atienden a los clientes. La disciplina ms
comn es primero en llegar primero en ser atendido (PEPS) o sus siglas en ingls
(FCFS), en el cual se atienden en el orden en que llegan.
En la disciplina del (LCFS) el ltimo en llegar y el primero en ser servido o UEPS,
un ejemplo claro de esta disciplina es en el elevador.
El SIRO, el servicio en orden aleatorio, cuando una persona que llama a una
aerolnea se le hace esperar, la suerte determina con frecuencia quien ser la
siguiente persona en ser atendida por un operador.
Se considera por ultimo las disciplinas de prioridad en las colas. Una disciplina de
prioridad clasifica cada llegada en una categora, cada categora recibe luego un
nivel de prioridad y dentro de cada nivel de prioridad los clientes entran en el servicio
de acuerdo al FCFC. Las disciplinas de prioridad se usan a menudo en salas de
urgencia con el objeto de determinar el orden en el cual los pacientes reciben
atencin.
Servicio
El servicio puede ser brindado por un servidor o por servidores mltiples, el tiempo
de servicio vara de cliente a cliente, el tiempo esperado de servicio depende de la
tasa media de servicio ().El tiempo esperado de servicio equivale a 1/.
Para representar todo lo mencionado aqu se encuentran unos modelos bsicos de
los sistemas de colas.

EJEMPLO:

MODELO DE UN SERVIDOR UNA COLA.

SISTEMA DE COSTO MNIMO


En general, un modelo de costos en lneas de espera busca equilibrar: Los costos
de espera contra los costos de incrementar el nivel de servicio. Conforme crece el
nivel de servicio, los costos de este tambin crecen y disminuye el tiempo de espera
de los clientes. El nivel de servicio "ptimo" se presenta cuando la suma de los dos
costos es un mnimo.
Se supone que para tasas bajas de servicio, se experimenta largas colas y costos
de espera muy altos. Conforme aumenta el servicio disminuyen los costos de
espera, pero aumenta el costo de servicio y el costo total disminuye, sin embargo,

finalmente se llega a un punto de disminucin en el rendimiento. Entonces el


propsito es encontrar el balance adecuado para que el costo total sea el mnimo.
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.
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
La razn por la que se debe disminuir el tiempo de espera es porque las colas llegan
hasta ser muy largos y esos denominan estados 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.
La seleccin de un modelo adecuado de lneas de espera, slo puede darnos
"medidas de desempeo" que describen el comportamiento del sistema analizado.
En la investigacin de operaciones, nos interesar desarrollar "modelos de decisin"
que minimicen los costos totales asociados con la operacin de lneas de espera.
Para evaluar el desempeo de los sistemas de colas se busca conocer dos factores
principales:
El nmero de clientes que esperan en la cola
El tiempo que los clientes esperan en la cola y en el sistema.
Las probabilidades en las medidas del desempeo en el sistema de colas trae
ciertos beneficios su clculo algunos de ellos son:

Permiten evaluar escenarios

Permite establecer metas

Notacin:

Pn : probabilidad de tener n clientes en el sistema

P(Ws t) : probabilidad de que un cliente no espere en el sistema ms


de t horas

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 es

MEDIDAS DEL DESEMPEO DEL SISTEMA DE COLAS.


RELACIONADOS CON EL TIEMPO:
W o Ws = Tiempo promedio en el sistema
Wq

= Tiempo promedio de espera (en cola)

RELACIONADOS CON EL NUMERO DE CLIENTES:


L o Ls = Nmero promedio de clientes en el sistema
Lq

= Nmero promedio de clientes en la cola

Pw

= Probabilidad de que un cliente que llega tenga que esperar (ningn cajero

vaco)
Pn

= Probabilidad de que existan n clientes en el sistema


n = 0, 1, 2, 3.......

Po

= Probabilidad de que no hayan clientes en el sistema

Pd

= Probabilidad de negacin de servicio, o probabilidad de que un cliente que


llega no pueda entrar al sistema debido que la cola est llena

MODELOS DE UN SERVIDOR, UNA COLA.

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.

FORMULA DEL MODELO M/M/1

Ls
Ws

2
Lq
( )

Wq
( )

Pn (1 ) n
P(Ws t ) e (1 ) t

P ( Ls n) n 1
P (Wq t ) e (1 ) t

t 0, 1
e = 2,7182818

EJEMPLO:

Un la vacar puede atender un auto cada 5 minutos y la tasa media de llegadas


es de 9 autos por hora

Obtenga las medidas de desempeo de acuerdo con el modelo M/M/1

Adems la probabilidad de tener 0 clientes en el sistema, la probabilidad de


tener una cola de ms de 3 clientes y la probabilidad de esperar ms de 30
min. en la cola y en el sistema

e = 2,7182818

9, 12,

9
0.75
12

9
92
Ls
3 clientes
Lq
2.25 clientes
12 9
12(12 9)
1
Ws
0.33 (60) 20 min
12 9
9
Wq
0.25 (60) 15 min
12(12 9)
P0 (1 0.75)

0 0.25

P ( Ls 3) 0.75 31 0.32

P (Ws 30 / 60) e 12(1 0.75) 0.5 0.22


P (Wq 30 / 60) 0.75(e) 12(1 0.75) 0.5 0.17

CONCLUSIN DEL EJERCICIO.

En promedio hay un poco ms de 3 clientes en el sistema.

En promedio hay un poco ms de 2 clientes en al sistema.

El proceso completo lleva un promedio de 20 minutos.

El cliente espera 15 minutos antes de ser servido.

La caja est ocupada el 75% del tiempo.

El 32% del tiempo habr cuatro personas o ms en el sistema.

La probabilidad de que los clientes esperen ms de 30 minutos en el sistemas


es del 22%

La probabilidad de que los clientes esperen ms de 30 minutos en la cola es


del 17%

You might also like