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
ABRAHAM

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
SimnPoisson (1781-1840), quien estableci su modelo.

matemtico

francs

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.

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.

3.

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

1
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
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)
Ls

0 0.25

P ( Ls 3) 0.75 31 0.32

P (Ws 30 / 60) e 12(10.75) 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%