Métodos cuantitativos resolviendo ejercicios

Tema: Aplicaciones de las distribuciones de probabilidad - Distribución de Poisson “cola de espera”

Presentación (se da el caldo, pero no se pela la Papa)

Todos hemos de aguardar el turno en una fila de espera y esos momentos desesperan, en el caso de la
cola en un banco merece un análisis detallado por lo interesante del ejercicio y apropiado para nuestra
formación; tanto el proceso como su estudio conlleva planificación, planos en la distribución de espacios,
administración de inventarios y programación.

En la escuela clásica de probabilidades de ocurrencias con cierta frecuencia, rige la regla de oro en
probabilidades de alta o baja es; FCFS (first-come, first.served) “a quien llega primero, se atiende primero”,
debemos acudir a los arboles de decisión y los modelos de líneas de espera para la planificación del
promedio por atención a usuarios o clientes (atención al público, el análisis se centra en los tiempos de
llegada de lo asiduo por turno de espera varían en el tiempo entre uno u otro, con esa escasa información
procedemos a utilizar distribuciones de probabilidad y obtener las estimaciones de tiempo promedio de
personas en un tiempo determinado y con esos resultados tomar decisiones para elegir la capacidad
adecuada en términos de costos; eso se traduce en el equilibrio entre servicio por parte del banco y el (los)
clientes, frente al costo de la capacidad agregada.

Hablamos de incertidumbre cuando acudimos a las probabilidades, con tres supuestos básicos.

a. Evento que ocurrió en el pasado.

b. Que ocurre ahora en el presente.
c. Evento que probablemente ocurrirá en el futuro.

Pero definamos que es una línea de espera; se le denomina a una hilera conformada por uno o varios clientes
que simplemente esperan o aguardan para recibir un servicio cuando llegue su turno, en el caso son personas.

¿Porque se forma una línea de espera? Se causan por un desequilibrio temporal entre la demanda del servicio
y la capacidad del sistema para prestar o brindar el servicio y suministrarlo.

La tasa de demanda varía, puesto que las personas llegan a intervalos imprevisibles dependiendo de la
necesidad del servicio de atención, por lo que esta espera sea proporcional a la pronta atención, en las líneas
de espera se aplica esta teoría; porque relaciona la llegada de personas y la característica de procesamiento
del sistema de salida. Por eso requiere de una detallada descripción de los elementos básicos de cada
situación específica poseen características diferentes, con elementos comunes.

1. La estructura del problema

2. La población o insumo de personas que genere más clientes potenciales.
3. La línea de espera o fila, la conforman personas, para acceder al servicio.
4. La instalación de servicio o el sistema requieren de atención por otra persona o una máquina.

Siempre existe una regla de prioridad para “seleccionar” al siguiente que será atendido de inmediato.

De inmediato se cree que existe una posibilidad del 0,06251 dato muy cercano a 1, lo cual significa
que existe la posibilidad de tener más de tres clientes en horas hábiles y la pregunta se refiere a que en un
minuto dado en cierto momento del servicio, sea probable que:

a) No aparezcan clientes.
b) Se hallen tres o más clientes.
c) Que solo estén presentes dos clientes.
1
La distribución de probabilidad.

En casos de filas, por su carácter aleatorio en orden de llegada de las personas se registran para cada servicio;
a ello le denominan distribución de probabilidades. La variabilidad en los intervalos de llegada de las
personas se describe por medio de la curva de distribución de Poisson o de los sucesos raros nos permite
modelizar situaciones, la cual nos especifica la probabilidad de personas que en n orden lleguen en T
periodos de tiempo:

,
Para n = 0, 1, 2, . . . .

Donde :  (n ) = probabilidad de n llegadas en T periodos de tiempo.

 = número promedio de llegadas-ocurrencias de personas por intervalo

e = 2, 718281828459… elevado a la potencia de  negativa (constante, log natural)

 = media de distribución Poisson y varianza.

K! = número de veces por intervalo determinado

! = número de ocurrencias, personas que acuden a la ventanilla de atención.

µ = es la desviación estándar de una población o muestra, o la media aritmética.

Población = infinita

Línea de espera = infinita

Tasa de llegadas =  = numero de personas /hora (60 minutos)

La media de distribución de Poisson es una distribución discreta, que determina la probabilidad con un dato
y esa variable del tiempo; luego las probabilidades corresponden a un número específico de llegadas por
unidad de tiempo en situaciones de fila; hechos que ocurren de forma Impredecible, ocasional u aleatoria,
donde; si n es grande la probabilidad de éxitos p es pequeña, veamos para el tiempo definido; la suma de
dos o más variables independientes bajo el modelo Poisson se obtiene por la suma de los parámetros  de las
Poisson que vamos a sumar.

Solución de caso:

El promedio de personas que llega a la ventanilla de un banco por minutos durante las horas hábiles de
atención es de una.

Hallar la probabilidad de que en un minuto dado:

a) No aparezcan clientes.

b) Hay tres o más clientes.

c) Solo hay dos clientes.

2
Según la distribución del modelo teórico de Poisson, indica: X → P (1) persona/minuto (60 seg) es la
variable aleatoria indicada.

donde n =1 es el promedio de llegadas por minuto, así tenemos que:

el valor esperado será la Media de la distribución de probabilidad, calculada con:
m
E (x) =  x pi (xi)
i =1

Se diseña un esquema gráfico bajo el modelo -árbol de decisión acorde al valor esperado, por tabla de
distribución de probabilidades en términos numéricos para análisis del riesgo. Vale recordar que los eventos
no los controlamos, sean en representados en nodos de decisión  y nodos de incertidumbre , y las ramas
representan las diferentes alternativas; para nuestro caso sea que llegue un cliente o que no llegue nadie en
un T tiempo determinado con valores discretos.

a) La probabilidad a obtener se formula mediante: función f (0)

Donde  ( = o) = e-1 * 10  0.367462

O!
y su probabilidad con respecto a la primera pregunta; en que en ese evento no aparezca ningún cliente es de
36,74%

b) Para esta pregunta, la probabilidad se toma según la condicional, que hay tres o más clientes:
Donde,  1- sí 1-f(0) -f (1) -f(2)

Si  X  3  = 1 - P ( x  3 ) = 1 - (P x - 0+ P x= 1 + P x=2)

Al calcular el valor de varios (P). Poisson, mediante sumatoria obtenemos la distribución de probabilidades
acumuladas, que nos relacionan el resultado por ocurrencia generada.

las probabilidades son P [X ≤ x], de lo contrario, P [X> x], donde  1-  (0 , 1, 2, 3 )… n→ 

el resultado obtenido es de 0,080134o  8,03 % de probabilidad cuando aparecen 3 y más clientes en la
ventanilla.

c) Para esta pregunta, la probabilidad se toma según la condicional propuesta, que asistan solo dos
clientes:
sí, p (x  1) = P1 + P2 + P3.. . . n→  ; donde sí el Factorial es 0! = 1
Función: f (0) + f (1) + f (2) + f (3)
Calculamos la probabilidad mediante:
P(X ≤ 3) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3)

Finalmente al calcular la probabilidad su valor sigue la proporción de una una distribución normal N(μ,σ)
N(μ,σ), entonces:

3
 • f(x)f(x)
• P(X≤k)P(X≤k) que genera n valores aleatorios N(μ,σ)N(μ,σ)

Entonces:

Sea la variable aleatoria discreta X, el número de personas atendidas por minuto cuando asisten solo dos
clientes, arroja un resultado de 0.981015

Aquí la probabilidad que aparezcan tres o menos clientes es de 98, 10% cuyo dato es alto casi al 100%.

Cuando se presentan este tipo de modelos probalísticos nos permite obtener resultados más claros y
solo hasta su desarrollo como en el caso analizado; la llegada de estas tres personas al banco pertenecen a
eventos distintos e independientes, por ello la probabilidad en un numero K de eventos la obtenemos con el
modelo de Poisson mediante la funciones explicadas en a, b y c, denominadas distribución de probabilidades.

 La técnica utilizada nos provee razones claras para análisis de todas las decisiones.
 Nos permitió analizar las posibles consecuencias en la toma de decisión final.
 Definir cuales eventos y cuales sucesos pueden ser probables por método de Poisson.
 Nos ayuda a mejorar con claridad la toma decisiones sobre la información existente.
 Obviamente nos ayuda a mejorar las herramientas básicas para análisis cuantitativo con el uso de
factoriales, temas exponenciales, manejo de calculadora y herramientas Excel.
CONSULTAS

Amaya, J. (2010). Toma de decisiones gerenciales: métodos cuantitativos para la administración (2a. Ed.). Bogotá, CO: Ecoe
Ediciones. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=1&docID=10467109&tm=1499097415960

Ullmann, J. (1979). Métodos cuantitativos en administración: teoría y 512 problemas resueltos. México, D.F., MX: McGraw-Hill
Interamericana. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=1&docID=10514989&tm=1499097345155

OVI - Unidad 1 – Arboles de decisión- Métodos cuantitativos

Leandro, G. (2015). Arboles de decisión [Formato video]. Recuperado de https://www.youtube.com/watch?v=MRULBcvqYus

Gallagher, C. y Watson, H. (1982). Métodos cuantitativos para la toma de decisiones en administración. México,
D.F., MX: McGraw-Hill Interamericana (pp. 140-152)Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=1&docID=10479349&tm=1499097194760