CAPITU:LO 17

Sistemas de colas

Parte de nuestra vida diaria es la de esperar algiin servicio. Esperamos para entrar a un restaurante, "hacemos cola" en la caja de algun alrnacen y "nos formamos" para recibir un servicio en la oficina de correos. Y el fenomeno de Ia espera no es una experiencia que se limite s610 a los humanos: los trabajos esperan a ser procesados en una maquina, los aviones vuelan en ClrCU- 10 basta que ia torre de controlIes cia perrniso de aterrizar y los automoviles se detienen ante la luz roja de los semaforos, Desafortunadamente no se puede eliminar la espera sin incurrir en gastos desmesurados. De hecho, todo 10 que cabe esperar es reducir el impacto desfavorable a niveles tolerables.

17.1 lPOR QUE ESTUDIAR SISTEMAS DE COLAS?

El estudio de las lfneas de espera trata de cuantificar el fenomeno de esperar formando colas, mediante medidas representarivas de eficiencia, como la longitud promedio de la cola, el tiempo promedio de espera en ella, y la utilizacion promedio de las instalaciones. El ejemplo que sigue demuestra como se usan esas medidas para disenar una instalaci6n de servicio.

Ejempl.o H.1-1

McBurger es un restaurante de com ida rapida, can tres mostradores de servicio, El gerente ha encargado que se haga un estudio para investigar las quejas por 10 len to del servicio .. El estudio indica la siguiente relacion entre la cantidad de mostradores de servicio y el tiempo de espera de los clientes:

Cantidad de cajeros

2

3

4

5

6

7

Tiempo de espera promedio (min)

16.2

10.3

6.9

4.8

2.9

1.9

1.3

AI examinar esos datos se ve que hay un tiempo promedio de espera de 7 minutos para el caso actual de 3 mostradores, EI gerente desea reducirlo a unos 3 minutos, resultado que solo se puede alcanzar con cinco (0 mas) mostradores.

579

580 Capltulo 17

Sistemas de colas

E

8

Coste> de clientes que esperan, por unidad de tiempo

FIGURA 17.1

Modelo de decisi6n para linea de espera basado en cos to

Nivel de servicio

Se pueden analizar los resultados del analisis de colas en el contexto de un modele de optimizaci6n de costos, en el que la suma de los costos de ofrecer el servicio y de esperar se reduzcan al mfnimo. La figura 17.1 representa un modelo caracterfstico de costa (en $ por unidaddetiempo), en el que el costa del servicio aumenta al incrementar el nivel del servicio. Al mismo tiempo, el costa de esperar disminuye al incrementar el nivel del servicio. EI obstaculo principal para irnplementar los modelos de costo es que se puede dificultar la obtencion de un estimado fiable del costo unitario de espera, en especial cuando el comportamiento humane influye sabre el funcionamiento del caso. Este puntose describira mas en la seccion 17.9 .:

1. Suponga que a1 analizar mas el restaurante McBurger se obtienen los resultados adicionales siguientes:

CONJUNTO DE PROBLEMAS 17.1A

Cantidad de cajeros

2

3

4

5

6

7

lnactivldad (%)

o

8

12

18

29

36

42

a) &Cuil es Ia eflciencia de la operacion, expresada como porcentaje del tiempo en el que los empleados estan ocupados, cuando la cantidad de cajeros es de cinco?

b) El gerente desea mantener 01 tiempo promedio de espera en unos 3 minutos y, a1 rnismo tiempo, mantener la eficiencia de la instalacion aproximadamente en 90%. t',Se pueden alcanzar estas metas? Explique por que.

2. Acme Metal Jobshop va a comprar un taladro vertical de usos multiples. Hay dos modelos disponibles, A y B, can costas de operacion de $18 y $25por hora, respectivamente, El modelo A es mas lento que el modelo B. EI analisis de colas de maquinas parecidas indica que cuando se usa A, 1a cantldad promedio de trabajos en espera es de 4, 30% mayor que el tamano de la cola en B. Un trabajo demorado representa una utilidad perdida, que Acme estima ser de $ t 0 por trabajo en espera Y pOI hora. &Cuil modelo debe comprar Acme?

17.2 Elementos de un modelo de cola 581

17.2 ELEMENTOS DE UN MODELO DE COLA

Los actores principales en una linea de espera 0 cola son eI cliente y el servidor. Los clientes se generan en una fuente. AI IIegar a la instalacion pueden recibir servicio de inmediato, 0 esperar en una cola 0 linea de espera, si la instalacion esta ocupada, Cuando en una instalaci6n se termina un servicio, en forma automatic a se "atrae" a un cliente que espera, si 10 hay, de la cola. Si Ja colaesta vacfa, la instalacion se vuelve inactiva hasta que llega un cliente nuevo.

Desde el punto de vista del analisis de las colas, el proceso de llegada se representa con el tiempo entre Uegadas, de los clientes sucesivos, y el servicio se describe con el tiempo de servicio por cada cliente, Por 10 general, los tiernpos entre Uegadas y de servicio pueden ser probabilisticos, como en el funcionarniento de una oficina de correos, 0 deterministicos, como en la Uegada de solicitantes a IlL" entrevistas de trabajo.

EI tamaiio de la cola desempefia un papel en el analisis de las colas, y puede ser finito, como en el area de reserva entre dos maquinas consecutivas, 0 puede ser infinito, como en las instalaciones de pedidos por correo.

La disciplina de la cola, que representa el orden en el que se seleccionan los clientes de una cola,es un factor importante en el analisis de los modelos de colas. La disciplina mas connin es la de primero en llegar, primero en servirse (PLPS; tambien PCFS, del Ingles first come, first served). Entre otras disciplinas estan ultimo en llegar, primero en servirse (ULPS; tambien LCFS de last come, first served), y de dar servicio en orden aleatorio (SEOA; tambien SIRO, de service in random order). Tambien, los clientes se pueden seleccionar en la cola con base en cierto orden de prioridad. Por ejemplo, los trabajos urgentes en un taller se procesan antes que los trabajos nonnales.

EI comportamiento de los clientes en espera juega un papeI en el analisis de las Iineas de espera. Los clientes "humanos" se pueden saltar de una cola a otra, tratando de reducir la espera. Tambien pueden rehusar totalmente a la cola por haber esperado demasiado.

El disefio de la instalaci6n de servieio puede comprender servidores en paralelo (por ejemplo, el funcionamiento de 1:3. ofieina de correos). Tambien, los servidores pueden ordenarse en serie (por ejemplo, cuando los trabajos se procesan en maquinas sucesivas) 0 bien pueden formar una red (por ejemplo, los enrutadores ell una red de computadoras).

La fuente donde se generan los clientes puede ser finita 0 infinita. Una fuente finita limita a los clientes que llegan al servieio (por ejemplo, las maquinas que piden el servicio de mantenimiento). Tambien, una fuente infinita es abundante por siempre (por ejemplo, las llarnadas que llegan a una central telef6nica).

Las variaciones de los elementos de un caso de colas dan lugar a diversos modelos de colas. El resto deeste capitulo describe ejemplos de esos modelos .

. CONJUNTO DE PROBLEMAS 17.2A

1. Identifique aJ cliente y al servidor en cada uno de los casos siguientes:

a) Aviones que llegan a un aeropuerto.

b) Base de taxis donde esros esperan a que lleguen pasajeros.

c) Verificaci6n de las herramientas en un almacen de un taller de maquinado.

d) Cartas procesadas en una oficina de correos.

e) Inscripci6n a las clases en una universidad.

582 Capitulo 17

Sistemas de colas

f) J uicios en la corte.

g) Funcionamiento de las cajas de un supermercado.

h) Funcionamiento de un estacionamiento.

2. Para cada uno de los casos del problema 1, identifique 10 siguiente: a) naturaleza de la fuente (finita 0 infinita), b) naturaleza de los clientes que llegan (individualmente 0 en grupo), c) c1ase de tiempo entre llegadas (probabllfsticas 0 determinfsticas), d) definicion y clase de tiempo de servicio, e) capacidad de la cola (finita a infinita) y f) disciplina de Ia cola.

3. Estudie el sistema siguiente e identifique las situaciones correspondientes de espera. Para cada situacion, defina los clientes, el 0 los servidores, la disciplina de la cola, el tiempo de servicio, la longitud maxima de la cola y la fuente de los clientes,

Las 6rdenes de trabajo se reciben en un taller para su procesamiento. AI recibirlas, el supervisor decide si el trabajo es normal 0 urgente, Algunas 6rdenes requieren usaf una 0 varias rnaquinas identicas, Las demas 6rdenes se procesan en una linea de producci6n en dos etapas, y hay dos de elias disponibles. En cada uno de los dos grupos, se asigna una instalacion para manejar los trabajos urgentes,

Los trabajos que Began a una instalacion se procesan en el orden de llegada. Los trabajos terminados se embarcan aillegar, en una zona de embarque con capacidad limitada.

Las herramientas afiladas para las distintas maquinas son suministradas en un almacen central de herramientas, Cuando una maquina se descompone se manda a un reparador, de un grupo de servicio, para arreglarla. Las maquinas que trabajan en pedidos urgentes siempre reciben prioridad tanto en la adquisici6n de herramientas nuevas del almacen, como en recibir reparaciones,

4. i,Cierto 0 falso?

a) Un cliente impaciente que espera puede optar por desistir (irse),

b) Si se preve un largo tiempo de espera, un clieate que llega puede optar por rehusar.

c) El cambio de una linea de espera a otra se hace para reducir el tiempo de espera.

5. En cada uno de los casas del problema 1, comente sobre la posibilidad de que los clientes opten por cambiar de cola, rehusar a desistir,

11.3 PAPEL DE LA DISTRIBUCI6N EXPONENCIAl

En la mayor parte de los casos de colas, la llegada de los clientes se haec en una forma totalmente aleatoria. Aleatoriedad quiere decir que la ocurrencia de un evento (por ejempio, la llegada de un cliente 0 la terminad6n de un servicio) no esta influido por el tiempo que haya transcurrido desde la ocurrencia del evento anterior.

Los tiempos aleatorios entre llegadas se describen en forma cuantitativa, en los modelos de colas, can la distribuci6n exponencial, que se define como sigue:

f(t) = ">t.e-'At, t > 0

La seccion 12.4.3 muestra que para la distribucion exponencial

E{t} = t

P{t ::5 T} = J\e-)"Idt

o

=1 - e-).."['

El heeho de que la distribucion exponencial sea totalmente aleatoria se ilustra can el ejempIa siguiente: si ahora son las 8:20 A.M. y la ultima llegada fue a las 8:02 A.M., la probabili-

17.3 Papel de la distribuclon exponencial 583

dad de que la siguiente Ilegada sea a las 8:29 es una funcion solo de las 8:20 a las 8:29, y es total mente independiente del tiempo que haya transcurrido desde la ocurrencia del ultimo evento (de las 8:02 a las 8:20). A este resultado se le llama amnesia 0 falta de memoria de la exponencial.

Dada la distribucion exponencialj\t} que representa el tiempo t entre eventos sucesivos, si S es el intervale desde la ocurrencia del ultimo evento, la propiedad de amnesia implica que

P{t > T + S j t > S}= P{t > 11

Para demostrar este resultado se observa que la exponencial con media t, P{t > Y} = 1 - P{t < Y} = e-~ y

Asi,

P{t > T + S, t > S} P{t > T + S}

P{t> T + Sjt > S} = - P{t> S} = P{t> S}

e-)..(T+S)

= P{t> 1}

Ejemplo 17.3-1

Una maquina en servicio tiene una unidad de reserva para sustituirla de inmediato cuando falie. El "tiempo ala falla" (tiempo entre fallas) de la maquina (0 de su unidad de reserva) es exponencial, y sucede cada 40 minutos, en promedio. EI operador de la rnaquina dice que esta "tiene la costumbre" de descomponerse cada noche a eso de las 8:30 P.M. Analizar 10 que dice

el operador. .

La tasa promedio de fall as de la maquina es A = ~ ;;: 1.5 fall as por hora. Asi, la distribucion exponencial del tiempo a la falla es

f(t) = 1.5e-1.5t, t > 0

En cuanto a 10 que dice el operador, ya se sabe que no puede ser correcto, porque se opone al hecho de que el tiempo entre fallas es exponencial y, en consecuencia, es totalmente aleatorio. La probabilidad de que una falla suceda a las 8:30 P.M. no se puede usar para respaldar ni refutar esa afirmacion, porque el valor de esa probabilidad depende de la hora del dfa (en relacion con las 8:30 P.M.) con la que se calcule, POT ejemplo, si ahora son las 8:20 P.M., la probabilidad de que 10 que dice el operador sea cierto esta noche es

p{ t < ~} = 1 - e-1.5$J = 0.22

que es baja. Si en este momento son las 7:00 P.M., la probabilidad de que suceda una falla a las 8:30 P.M. aumenta hasta aproximadamente 0.9 (jcompruebelol). Estos dos valores extremos indican que no se puede analizar la afirmacion del operador con base en estimaciones de probabilidad, y que se debe confiar en las caracterfsticas de 1a distribuci6n exponencial (aleatoriedad total) para refutar 1a afirmaci6n.

584 Capitulo 17

Sistemas de colas

CONJUNTO DE PROBLEMAS 17.3A

1. a) Explique 10 que entiende de la relacion entre la frecuencia de llegadas ~ y el tiempo promedio entrellegadas. ~Curues son las unidades que describen cada variable?

b) En cada uno de los casos siguientes, determine 1a frecuencia promedio de llegadas por hora, ~, y eJ tiempo promedio entre llegadas, en horas.

i) Una llegada cada 10 minutes,

ii) Dos llegadas cada 6 rninutos.

iii) La cantidad de Jlegadas en un periodo de 30 rninutos es 10. IV) EI intervale promedio entre las llegadas sucesivas es 0.5 hora.

e) En cada uno de los casos siguientes, determine Ia frecuencia promedio de servicio par hora, fi. y el tiempo promedio de servicio en horas.

i) Se termina un servicio cada 12 minutos.

ii) Hay dos salidas cada 15 minutes.

iii) La cantidad de clientes atendidos en un periodo de 30 minutos es de 5. iv) EI tiempo promedio de servicio es de 0.3 hora.

2. En el ejemplo 17.3-1. determine 10 siguiente:

a) La cantidad promedio de fallas en 1 semana, suponiendo que el servicio se ofrece 24 horns

por dfa y 7 dias por semana.

b) La probabilidad de que haya al menos una falla en un periodo de 2 horas. e) La probabilidad de que la proxima falla no suceda en menos de 3 horas.

d) Si no ha sucedido falla en 3 horas despues de la ultima falla, l,cual es Ia probabilidad de que el tiempo entre fallas sea de 4 horas cuando mucho?

3. El tiempo entre llegadas en una dependencia de la State Revenue Office es exponencial, con valor medio de 0.05 hora, La oficina abre a las 8:00 A.M.

a) Escriba la distribucion exponencial que describa el tiempo entre Ilegadas,

b) Determine la probabiJidad de que no lleguen c1ientes a la oficina basta las 8:15 A.M.

e) Son las 8:35 A.M. El ultimo c1iente entre a las 8:26.l,Curu es Ia probabilidad de que el siguiente cliente llegue antes de las 8:38 A.M.? L Y de que no l1egue hasta las 8:40 A.M.?

d) l,Cua.l es la cantidad promedio de clientes que lIegan entre las 8: 10 y las 8:45 A.M.?

4. Suponga que el tiempo entre descomposturas de una maquina es exponencial, con promedio de 6 horas. Si la maquina ha trabajado sin fallar durante las ultimas 3 horas, i,curu es la probabilidad de que continua sin fallar durante la proxima hora? l,De que se descomponga durante la siguiente 0.5 hora?

S. El tiempo entre lIegadas a una sala de juego en la sociedad de alumnos es exponencial, con una media de 10 minutos.

a) l,Curu es la frecuencia de llegadas por hora?

b) l,Curu es la probabilidad de que no lleguen alumnos a esa sala durante los 15 minutos siguientes?

e) i,CuaJ es la probabilidad de que al menos un alumno visite la sala de juegos durante los proximos 20 rninutos?

6. El gerente de un nuevo restaurante de comida rapida desea cuantificar el proceso de Uegadas de clientes, estimando la fracci6n del intervalos de tiempo entre llegadas que sea a) menor que 2 minutos, b) entre 2 y 3 minutos y c) mas de 3 minutos. Las 11egadas en restaurantes parecidos tienen una frecuencia de 35 clientes por hora, EI tiempo entre llegadas tiene distribucion exponencial.

17.4 Modelos con nacimientos y muertes puras 585

7. Ann y Jim. dos empleados en un restaurante de comida rapida, juegan 10 siguiente, mientras esperan la llegada de clientes: Jim Ie paga 2 ¢ a Ann si el proximo cliente no llega en menos de 1 minuto; en caso contrario, Ann le paga 2 ¢ a Jim. Calcule la recompensa promedio de Jim en un periodo de 8 horas. El tiempo entre llegadas es expouencial, con una media de 1.5 minutos.

8. Suponga que en el problema 7 las reglas de juego son que Jim le paga 2 ¢ a Ann si el cIiente siguiente llega despues de 1.5 minutes, y Ann le paga a Jim una cantidad igual si la siguiente llegada es en menos de 1 minuto, Para las llegadas en el intervale de I a 1.5 minutos, eljuego se e~pata. Determine Ia recompense esperada por Jim en un periodo de 8 horas.

9. En el problema 7, suponga que Ann Ie paga 2 ¢ a Jim si la siguiente llegada es en menos de I minuto, y 3 ¢ si el tiempo entre Ilegadas es entre I y 1.5 minutos. Ann recibe 5 ¢ de Jim si el tiempo entre llegadas es entre 1.5 y 2 minutos, Y 6 ¢ si es mayor que 2 rninutos. Determine la recompensa esperada por Ann en un periodo de 8 horas,

10. Si un cliente l1ega a McBurger Fast-Food Restaurant en menos de 4 minutos despues del cliente inmediato anterior, recibira un descuento del 10%. Si el tiempo entre llegadas es entre 4 y 5 rninutos, el descuento es del 6%. Si el tiempo entre Ilegadas es mayor que 5 minutos, el cliente tiene 2% de descuento. El tiempo entre llegadas es exponencial, con un media de 6 rninutos.

a) Determine Ia probabilidad de que un cliente que llega reciba el maximo descuento.

b) Determine el descuento prornedio a cadacliente que llega.

11. Se sabe que el tiempo entre fallas de un refrigerador Kencore es exponencial, con una media de 9000 horas (mas 0 menos I afio de funcionamiento), y la empresa otorga una garantfa de 1 aiio con el refrigerador.j.Cuales son las probabilidades de que la garanna cubra una reparacion por descompostura?

12. La U de A administra dos lineas de autobuses en el campus: roja y verde. La linea raja da servicio al campus norte, y la verde al sur, y hay una estaci6n de trasbordo que enlaza a las dos llneas, Los autobuses verdes lJegan al azar (tiempo exponencial entre llegadas) a la estaci6n de trans ferencia cada 10 minutes. Los rojos tambien llegan al azar, cada 7 minutos en promedio.

a) l,Cuat es la distribuci6n de probabilidades de tiempo de espera para que un alumno que llega en la linea roja se suba a la linea verde?

b) l. Cual es la distribucion de probabilidades del tiempo de espera para un alumno que Ilega en la linea verde se suba a la lfnea raja?

13. pemuestre que la media y la desviacion estiindar de la distribucion exponencial son iguales.

17.4 MODELOS CON NACIMIENTOS Y MUERTES PURAS

(RELACI6N ENTRE LAS DISTRIBUCIONES EXPONENCIAL Y DE POISSON)

En esta seccion se describen dos situaciones en las colas: la primera es un modele de nacimiento(s) pnro(s), en el que s6lo se perrniten llegadas, y el segundo es el modelo de muerte(s) purats), en el que s610 se perrniten salidas. Un ejemplo del modelo de nacimiento puro es la emision de los certificados de nacimiento para los recien nacidos. EI modelo de muerte pura se puede visualizar con el retiro aleatorio de un articulo en una tienda.

La distribuci6n exponencial se usa para describir el tiempo entre Ilegadas en el modele de nacimiento puro, y el tiempo entre salidas can el modelo de muerte pura. Un producto secundario del desarrollo de los dos modelos es la demostraci6n de la estrecha relaci6n entre las distribuciones exponencial y de Poisson, en el sentido que una distribuci6n define en forma automatic a a la otra.

586 Capitulo 17

Sistemas de colas

17.4.1 Modelo de nacimientos puros Se define

PoCt) = Probabilidad de que no haya llegadas durante un espacio de tiernpo t

Como el tiempo entre llegadas es exponencial, y la frecuencia de llegadas es }t. clientes por unidad de tiempo, entonees

poet) = P{tiempo entre llegadas ;::: t}

= 1 - P{tiempo entre llegadas ::5 t} = 1 - (1 - e-'1

= e-Al

Para un intervalo suficientementepe<!ueno h > 0,

(Xhf

Po(h) = e-Io.h = 1 - Xh + 21 - ... = 1 - 'Ah + 0(h2)

La distribuci6n exponencial se basa en la hipotesis que durante un tiempo suficientemente pequeno h > 0, puede presentarse cuando mucho una llegada. Ast, cuando h ~ 0,

Pi(h) = 1 - PoCh) ;:::,; 'Ah

Este resultado indica que la probabilidad de una llegada durante h es directamente proporcional a h, y que la freeuencia de Uegadas A. es la con stante de proporcionalidad.

Para deducir la distribuci6n de la cantidad de llegadas durante un periodo t, cuando el tiempo entre Uegadas es exponencial con promedio f, se define a

pnCt) = ProbabiJidad de n Uegadas durante t

Para una h > 0 suficientemente pequena,

p,,(t + h) ;:::,; p,,(t)(l - Xh) + p,,-l(t)Xh, n > 0 poet + h) ;::;;j Po(t)(l - Ah), n = 0

En la primera ecuacion se realizan n llegadas durante t + h, si hay n llegadas durante t y no hay Uegadas durante h, 0 n - 1 Uegadas durante t y una llegada durante h. No se perrnite ninguna otra combinaci6n porque, segtin la distribucion exponencial, cuando mucho puede haber una llegada durante un periodo h muy pequeiio. La ley de producto de probabilidades se puede aplicar allado derecho de la ecuacion, porque las llegadas son independientes, Para la segunda ecuacion, solo puede haber cera llegadas durante t + h si no hay l1egadas durante t y durante h.

Al rearreglar los terminos y tender a los lfmites cuando h ~ 0, se obtiene

I / p,,(t + h) - p,,(t)

p,,(t) = hmh-70 h = -XPII(t) + AP,,-t(t), n > 0

, ' Po(t + h) - poet)

poet) = limh-70 . h = - 'APo(t),

n=O

en donde p;,(t) es la primera derivada de p,,(t) can respecto a t.

17.4 Modelos con nacimientos y muertes puras 587

La solucion de estas ecuaciones en diferencias y diferenciales es (Aft e-A'

Pn(t) = " n = 0, 1, 2, ...

n.

Es una distribucion de Poisson, con media E{n I t} = '1\( llegadas durante t.

Este resultado indica que S1 el tiempo entre llegadas es exponencial con media ~ la cantidad de Ilegadas durante un periodo t especffico tiene distribucion de Poisson con media At. Tambien es cierto 10 contrario.

Las fuertes relaciones entre las distribuciones exponencial y de Poisson, para una frecuencia de A llegadas pOI unidad de tiempo se puede resumir como sigue:

Exponencial

De Poisson

Variable aleatoria

Tiempo t entre llegadas .sucesivas

t ~ 0

Funci6n de densidad

f(t) = Ae-l.I, t ~ 0

t unidades de tiempo Pit ,,; A} = 1 - e-~A

Cantidad n de llegadas durante un periodo especificado T

n = 0, 1,2, ...

(lI.T)ne-~T

Pn(T) = n! ' n = 0, 1, 2,

AT llegadas durante T

Intervale

Valor de 1a media

Probabilidad acumulada

P.",!l..T) = pJT) + Pl(T) + '" + pJT}

P {no haya Uegadas durante el periodo A}

Pit > A} = e-M

Ejemplo 17.4-1

Los niiios nacen en un estado poco poblado, con una frecuencia de un nacimiento cada 12 minutos. El tiempo entre nacimientos sigue una distribuci6n exponencial. Determinar 10 S1- guiente:

a) La cantidad prornedio de nacimientos por afio,

b) La probabilidad de que no haya nacirnientos en cualquier dfa.

c) La probabilidad de emitir 50 certificados de nacimiento en 3 horas, cuando se emitieton 40 certificados durante las primeras 2 horas del periodo de 3 hotas,

La tasa diaria de nacimientos se calcula como sigue:

'> 24 X 60 12·0 ... /d'

/'I. = 12 == nacmuentos J.a

Los nacimientos anuales en el estado son

'At = 120 X 365 = 43,800 nacimientos/dia

La probabilidad de que no haya nacirnientos en algun dfa se calcula con la distribuci6n de Poisson:

(120 X 1)0 e-120Xl

Po(l} == 01 = 0

588 Capitula 17

Sistemas de colas

Para calcular Ia probabilidad de emitir 50 certificados en 3 horas, cuando se han emitido ya 40 certificados en las 2 primeras horas, equi vale a tener 10 (= 50 - 40) nacimientos en 1 (= 3 - 2) bora. Como 'A = ~ = 5 nacimientos par hora, entonces

(5 X l?O e-5X1

PlO(l) = 10! = 0.01813

Los calculos de la distribucion de Poisson, y en realidad de todas las f6rmulas de colas son tediosos, y requieren manejo especial para asegurar una exactitud de c6mputo razonable. Se aconseja entonces usar TORA para hacer esos calculos, Tambien se puede usar la plantilla Excel ch 17PoissonQueues.xls para hacer esos calculos, Los datos son los mismos que en TORA. Sin embargo, encontrara el lector que TORA es mas comedo cuando se comparan varios escenarios.

Los datos del modele de nacimiento puro para este ejemplo se capturan en TORA (archivo ch 17ToraQueuesEx 17 -4-1) como sigue:

Lambda

Mu

c

Limite del sistema

Limite de la fuente

5

o

o

Infinito

Infinite

Observe que el elemento de Lambda es 'At = 5 X 1 = 5 nacimientos par dfa. La figura 17.2 muestra el resultado cuando se usan TORA y Excel.

CONJUNTO DE PROBLEMAS 17.4A

1. En el ejemplo 17 A-I suponga que el empleado que pasa la informacion de los certificados de nacimiento a la computadora suele esperar hasta que se bayan acumulado 5 certificados, Calcule la probabilidad de que el empleado capture un nuevo lote en cada hora.

2. Un coleccionista de arte viaja una vez al mes, en promedio, para asistir a subastas. En cada viaje se garantiza una compra. EI tiempo entre los viajes tiene distribuci6n exponencial, Determine 10 siguiente:

a) La probabilidad de que el coleccionista no compre obras de arte en un periodo de 3 meses,

b) La probabilidad de que el coleccionista no compre mas de 8 obras de arte por afio.

c) La probabilidad de que el tiernpo entre viajes sucesivos sea mayor que l mes.

3. En un banco, la frecuencia de llegadas es de 2 clientes por minuto. Determine 10 siguiente:

a) La cantidad promedio de llegadas durante 5 minutos.

b) La probabilidad de que no haya llegadas durante el proximo 0.5 minute.

c) La probabilidad de que haya al men os una Ilegada durante eJ siguiente 0.5 minuto,

d) La probabilidad de que el tiempo entre dos .I legadas sucesivas sea de 3 minutes, cuando menos,

4. El tiempo entre Ilegadas al L&J Restaurant es exponencial, can una media de 5 minutes. El restaurante abre a las 11 :00 A.M. Determine 10 siguiente:

a) Laprobabilidad de tener 10 llegadas al restaurante hasta las 11: 12 A.M., si hubo 8 llegadas hasta las 11 :05 A.M.

b) La probabilidad de que llegue un cliente entre las 11:28 y las 11:33 A.M., si el ultimo cliente

\\e~6 a \as \l :2~ ~.M.

5. La biblioteca Springdale Public Library recibe Iibros de acuerdo con una. distribucion de Poisson con una media de 25 libros diarios. Cada anaquel de la biblioteca contiene 100 libros. Calcule 10 siguiente:

17.4 Modelos can nacimientos y muertes puras 589

Title: Example 17.4-1, Figure 17.2 Scenario1: Pure Birth Model

Lambda Lambda eff

5.00000

Mu =

. Rho/c

0.00000

Ls Ws

5.00000

Lq
Wq
n Probability pn Cumulative Pn
9 0.03627 0.96817
10 0.01813 0.98630
11 0.00824 0.99455
12 0.00343 0.99798
13 0.00132 0.99930
14 0.00047 0.99977
15 0.00016 0 .. 99993
16 0.00005 0.99998
17 0.00001 0.99999 n Probability pn Cumulative Pn
0 0.00674 0 .. 00674
1 0.03369 0.04043
2 0.08422 0.12465
3 0.14037 0.26503
4 0.17547 0.44049
5 0.17547 0.61596
6 0.14622 0.76218
7 0.10444 0.86663
8 0.06528 0.93191 FIGURA 17.2

Probabilidades de Poisson deTORAy Excel del ejemplo 17.4-1

a) La cantidad promedio de anaqueles que se llenaran de libros cada mes (de 30 dias).

b) La probabilidad de que se necesiten mas de 10 secciones para libros cada mes, si una seccion contiene 5 anaqueles.

6. La U de A administra dos lfneas de autobuses en su campus: la roja y la verde. La roja da servicio al1ado norte y Ia verde al lado sur, y hay una estacion de transbordo que une a las dos, Los autobuses verdes llegan al azar (de acuerdo con una distribuci6n de Poisson) a la estacion de trans bordo cada 10 minutos. Los rojos llegan al azar cada 7 mlnutos,

590 Capitulo 17

Sistemas de colas

a) "Cmil es la probabilidad de que dos autobuses lleguen a la estaci6n durante Ull intervale de 5 minutes?

b) Un alumno, euyo dormitorio es veeino a la estacion, tiene una clase dentro de 10 minutos.

Cualesquiera de los autobuses 10 llevara al edificio de su salon. El viaje en autobiis dura 5 minutes, y despues tiene que caminar unos 3 minutos para llegar a su salon. loCuM es la probabilidad de que llegue a tiempo a su salon?

7. Demuestre que la media y la varianza de la distribuci6n de Poisson durante un intervalo I son iguales a A.t. siendo A. la frecueneia de llegadas.

8. Deduzca la distribucion de Poisson a partir de las ecuaciones en diferencias y diferenciales del modele de nacimiento puro. Sugerencia: la solucion de la ecuacion diferencial general

y' + a(t)y :: bet)

es

y = e=fa(tJdt{fb(t)efa(tldt + constante}

17.4.2 Modelo de muertes puras

En elmodelo de muerte(s) pura(s), el sistema comienza con N clientes cuando el tiempoes 0, y no se permiten mas llegadas. Las salidas se hacen con la frecuencia de j.L clientes por unidad de tiempo. Para deducir las ecuaciones en diferencias y diferenciales para Ia probabilidad Pn(t) de n clientes remanentes a las t unidades de tiempo, se seguiran los argumentos que se usaron en el modelo de nacimientos puros (Seccion 17.4.1). Entonces,

N

Po(t) = 1 - ~Pn(t)

n=l

PN(t + h) = PN(t)(l - j.Lh)

Pn(t + h) = pit)(l - fLh) + Pn+l(t)j.Lh, ° < n < N Po(t + h) = Po(t)(l) + plt)lJ.h

Cuando h ~ 0, se obtiene

piv(t) = -j.LPN(t)

p~(t) == -j.LPn(t) + IJ.Pn+l(t), 0 < n < N poet) = j.Lplt)

La solucion de esas ecuaciones es la distribucion truncada de Poisson: (J.Ltf-n e-f).I

Pn(t) = (N _ n)! ' n = 1, 2, ... , N

Ejempto 17.4-2

La seccion de floreria en un supermercado tiene 18 docenas de rosas a1 iniciar cada semana En promedio, el florista vende 3 docenas por dfa (una docena cada vez), pero la demanda sigue en realidad una distribucion de Poisson. Siempre que la existencia llega a 5 docenas (0 menos), se coloca un pedido nuevo de 18 docenas, para entregar al principio de la semana si-

17.4 Modelos con nacimientos y muertes puras 591

guiente. Par la naturaleza de la mercancfa, todas las rosas que quedan al final de la semana se desechan, Determinar 10 siguiente:

a) La probabilidad de colocar un pedido en cualquier dfa de la semana.

b) La cantidad promedio de docenas de rosas que se desechan al final de la sernana.

Como las compras se hacen can una frecuencia de I-l = 3 docenas diarias, la probabilidad de colocar un pedido al final deldfa t es

Pn::55(t) = Po(t) + Pl(t) + ... + Ps(t)

5 (3ty8~" e~3/ .

= po(t) + ~ (18~ )" t = 1, 2, ... , 7

n=l n.

AI usar la opcion de escenario multiple de TORA, los datos correspondientes al modelo de muertes puras que corresponden at = 1,2,- ... , y 7 se capturan como sigue (archivo ch17ToraQueuesEx 17 -4- 2.txt):

Escenario Lambda Mu c Limite del sistema Limite de la fuente
1 0 3 18 18
2 0 6 18 18
3 0 9 18 18
4 0 12 18 18
5 0 15 18 18
6 0 18 18 18
7 0 21 18 18 Los resultados que se buscan se resumen como sigue en TORA:

I (dfas)

2

3

4

5

6

7

ILl 3 6 9 12 15 18 21

Pn,-s(l) 0.0000 0.0088 0.1242 0.4240 0.7324 0.9083 0.9755

La cantidad promedio de docenas de rosas desechadas al final de la semana (t = 7), se calcula (con TORA) como sigue:

E{nlt = 7}

18

~nPn (7) = 0.664 docena

n=O

CONJUNTO DE PROBLEMAS 17.4B

1. En el ejemplo 17.4-2,

a) Use TORA para comprobar los valores de Pn::5S(t), para t = 1,2, ... , Y 7.

b) Use TORA para calcular pn(7), n = 1,2, ... ,18, y a continuaci6n cornpruebe, manualmente que esas probabilidades son E{nlt = 7} = 0.664 docena.

2. Para el ejemplo 17.4-2, en cada uno de los siguientes casos, escriba primero la respuesta en forma algebraic a y a continuacion use TORA para hacer los calculos numericos,

592 Capitulo 17

Sistemas de colas

a) La probabilidad de que el inventario se agote despues de 3 dfas.

b) La eantidad promedio de doeenas de rosas que quedan despues del segundo dia.

e) La probabilidad de que al menosse compre una docena de rosas hasta que termina el euarto dta, si se compr6 la ultima docena al terminar el tercer dfa,

d) La probabilidad de que el tiempo restante para la siguiente compra sea cuando mucho medio dia, si la ultima compra se hizo el dfa anterior.

e) La probabilidad de que no haya compras durante el primer dia.

3. La banda de la escuela Springdale dara un concierto de jazz, de beneficencia, en su auditorio de 400 butacas. Las empresas locales compran IDS boletos en bloques de 10 y los donan a organizaciones juveniles. Los boletos se ponen ala venta 861.0 durante 4 horas en el dfa anterior al concierto. HI proceso de de compra de boletos tiene distribuci6n de Poisson, con un media de 10 Ilamadas por hora. Todos los bloques de boleros sobrantes al cerrar la oficina se venden con un descuento como "boletos de ultimo memento" 1 hora antes de comenzar el concierto, Calcule:

a) La probabilidad de que se puedan comprar boletos de ultimo memento.

b) La cantidad promedio de boletos de iiltimo momento disponibles.

4. Cada manana, el refrigerador de un taller pequefio es abastecido con dDS cajas (24latas por caja) de gaseosas, para consume de los 10 empleados .. EstDS empleados pueden saciar su sed a cual-

. quier hora, durante el dfa de trabajo de 8 horas (de 8:00 A.M. a 4:00 P.M.), y se sabe que cada empleado consume aproxlmadamente 4 latas diarias, pero el proceso es totalmente aleatorio

. (distribucion de Poisson), [Cuill es la probabilidad de que un empleado no encuentre latus a mediodfa (el inicio de la hora del alrnuerzo)? l Y para euando cierra el taller?

5. Un alumno de primer afio recibe de su familia un deposito bancario de $100 cada mes, para sus gastos imprevistos, Los cheques para retirar, de $20 cada uno, pueden emitirse al azar durante el rnes, a intervalos de acuerdo CDn una distribuci6n exponencial CDn una media de 1 semana, CalcuIe la probabilidad de que se le agote el dinero, antes que termine la cuarta semana.

6. Se retira la existencia de un almacen de 40 artfculos, siguiendo una distribuci6n de Poisson con una frecuencia de 5 articulos diarios. Calcule 1.0 siguiente:

a) La probabilidad de que se retiren 10 articulos durante los primeros 2 dfas,

b) La probabilidad de que no haya retiros al terminar 4 dfas,

c) La cantidad promedio de artfculos retirados durante un periodo de 4 mas.

7. Un taller acaba de almacenar 10 piezas de repuesto para reparar una maquina, Cada 7 dias se haee un abastecimiento del inventario, de 10 piezas, EI tiempo entre descomposturas es exponencial, con media de 1 dia. Determine la probabilidad de que la maquina dure descompuesta 2 dias, por falta de partes de repuesto,

8. La demanda de un articulo sigue una distribucion de Poisson, CDn una media de 3 pordfa, La existencia maxima es 25 piezas, y se abastece cada lunes, inmediatamente despues de recibir un pedido. EI tamafio del pedido depende de la cantidad de unidades que quedan el sabado, al finalizar la seman a (el negocio cierra IDS domingos), Determine 1.0 siguiente:

a) El tamafio promedio del pedido semanal.

b) La probabilidad de que haya escasez cuando el negocio abra el viemes por la manana.

c) La probabilidad de que el tamafio del pedido semanal sea mayor que 10 unidades.

9. Demuestre que la distribucion del tiempo entre salidas, que corresponde a la distribucion de Poisson truncada en el modele de muertes puras es una distribuci6n exponencial CDn una media de; unidades de tiempo,

10. Deduzca Ja distribucion de Poisson truncada partiendo de las ecuaciones en diferencias y diferenciales del modelo de muertespuras, usando inducci6n. (Nota: yea la sugerencia del problema 8, conjunto de problemas 17.4a).

17.5 Modelo generalizado de cola de Poisson 593

17.5 MODELO GENERALIZADO DE COLA DE POISSON

En esta secci6n se formula un modelo general de cola donde se combinan llegadas y salidas, basandose en las hipotesis de Poisson: los tiempos entre llegadas y de servicio tienen una distribucion exponenciaI. EI modele es la base para deducir modelos de Poisson especializados, que se venin en la seccion 17.6.

El desarrollo del modelo generalizado se basa en el comportamiento a largo plazo, 0 de estado estable, de la cola, que se alcanza despues de que el sistema ha estado funcionando durante un tiempo suficientemente largo. Esta clase de analisis contrasta con el cornportamiento transitorio (de calentamiento) que prevalece durante el inicio del funcionamiento del sistema. Una razon para no describir el comportamiento transitorio en este capitulo es su complejidad analitica. Otra es que el estudio de la mayor parte de los casos de lfneas de espera sucede bajo condiciones de estado estable.

En el modelo generaIizado supone que las frecuencias tanto de llegada como de salida dependen del estado, y eso quiere decir que dependen de la cantidad de clientes en la instalaci6n de servicio. Por ejemplo, en Ia caseta de cobra de una autopista, los empleados tienden a acelerar el cobro durante las horas pico. Otro ejemplo se da en un taller, con determinada cantidad de maquinas, cuando disminuye la frecuencia de descomposturas, cuando aumenta la cantidad de maquinas descompuestas (porque solo las maquinas que trabajan son capaces de generar descomposturas nuevas).

Se definira 10 siguiente:

fi = Cantidad de clientes en el sistema (en la cola y en el servicio)

I An = Frecuencia de llegada cuando hay n clientes en el sistema fLn= Frecuencia de salida cuando hay n clientes en el sistema

: PI! = Probabilidad de estado estable de que haya n c1ientes en eI sistema

El mode~ne a;" ~o~~ funcion ~e A~ ~ PIt' Despues s-;; usan esas probabilidades para determinar las medidas de funcionamiento del sistema, como Ia longitud promedio de la cola, el tiempo promedio de espera y la utilizacion promedio de la instalacion.

Las probabilidades PI! se caleulan usando el diagrama de frecuencia de transicldn (0 "rapidez" 0 "tasa" de transicion) de la figura 17.3. E1 sistema de cola esta en el estado n cuando la cantidad de clientes en el es n. Como se explico en la seccion 17.3, la probabilidad de que suceda mas de un even to durante un intervalo pequefio h, tiende a cero cuando h ---+ o. Eso quiere decir que para n > 0, el estado n solo puede cambiar ados estados posibles: n - 1 cuando hay una salida con frecuencia !-Ln' Y n + 1 cuando hay una llegada con la frecuencia An- El estado 0 solo puede cambiar al estado 1 cuando hay una llegada con la frecuencia Ao. Observe que fLo no esta definida, porque no pueden haber salidas si el sistema esta vacfo,

Ao A] )..,,-1 AI! FIGURA 17.3
Diagrama de transicion en
colas de Poisson
1-1-1 1-1-2 I-I-n 1-1-,,+1 594 Capitulo 17

Sistemas de colas

Bajo condiciones de estado estable, para n > 0, las tasas esperadas de t1ujo de entrada y salida del estado n deben ser iguales. Can base en el hecho que el estado n solo puede carnbiar a los estados n - 1 y n + 1, se obtiene

( Tasa esperada de ) = x +

flujo hacia el estado n n-IPn-l f-Ln+lPn+l

De igual manera,

(Tasa esperada de flUjO) - (X. + )

que sale del estado n - n f-Ln Pn

Al igualar las dos frecuencias se obtiene la siguiente ecuaclon de balance: x.n-1Pn-l + f-Ln+IPn+1 = (11." + f-Ln)P", n = 1, 2, ...

En la figura 17.3 se ve que la ecuacion de balance asociada can n = 0 es x.oPo = f-LIPI

Las ecuaciones de balance se resuelven recursivamente en funcion de Po como sigue: para n = 0,

Despues, para n = 1,

Se sustituye PI

x.oPo + f.L2pz = (X.I + f-Ll)Pl

= (~)Po Y se simplifica, para obtener (jcompruebelot)

P2 = (~~~)po

Se puede demostrar por inducci6n que, en general

_ (x.,,-lx.,,-Z"'x.o) _

P« - Po, n - 1, 2, ...

f-L"i-Ln-l ... iJ.I

1 a 3 4a6 Masde6

2 3

EI valor de Po se determina con 1a ecuaci6n L':o PIl = 1

Ejemplo 17.5·1

B&K Groceries opera can tres cajas. El gerente usa el siguiente prograrna para deterrninar la cantidad de cajeras en operaci6n, en funcion de la cantidad de clientes en la tienda:

Ctd, de clientes en La tienda

Ctd. de cajeros funcionando

17.5 Modelo generalizado de cola de Poisson 595

Los clientes Ilegan a las cajas siguiendo una distribucion de Poisson, con una frecuencia media de 10 por hora. El tiempo promedio de atenci6n a un cliente es exponencial, con 12 rninutos de promedio. Calcular la probabilidad p de estado estable de que haya n clientes en las cajas.

De la informacion del problema se tiene que

Bntonces,

x." = A = 10 clientes par hora,

{ tM = 5 clientes por hora,

I-l" = 2 X 5 = 10 clientes P, or hora, 3 X 5 = 15 clientes pOT hora,

n = 0, 1, ... n = 1,2,3 n = 4, 5, 6 n = 7, 8, ...

Pl= (lJ!)po = 2po P2 = (lJ!)2po = 4po P3 = (lJ!)3pO = 8pa-

P 4 = (lJ!)3(~)po = SPa Ps = (lJ!)3(~fPo = Spa P6 = (~)3(~?PO =, Spa

- (10)3(10)3(10)"~6 - 8(f)n~6 - 7 8

p" - 5 10 15 Po - 1.3 Pu, n - , , ...

El valor de Po se determina con la ecuacion

Po + Po{2 + 4 + 8 + 8 + 8 + 8 + 8@) + 8@f + 8@Y + ... } = 1 o bien, 10 que es igual,

Po{31 + 8(1 + @ + @?+ ... )} = 1

Se aplica la f6rmula de la suma de una serie geometries:

00 1

Lxi = --, Ixl < 1

;=0 1 - x

para obtener

E . 1

n consecuencia, Po = 55'

Conocida pry ya se puede detenninar cualesquiera de las probabilidades del problema. Por ejemplo, la probabilidad de que solo haya una caja abierta se calcula como la de que hay a entre 1 y 3 clientes en el sistema, esto es

Pl + P2 + P3 = (2 + 4 + 8)(5\) :=:::: 0.255

Se puede usar P« para deterrninar medidas de funcionamiento, 0 de eficiencia, para ei caso de B&K. Por ejemplo,

(cadntid~d espe;:-ada) = 3po + 2(Pl + P2 + P3) + 1(P4 + P5 + P6) + 0(p7 + Ps + ... ) e cajas vacras

= 1 caja

596 Capitulo 17

Sistemas de colas

CONJUNTO DE PROBLEMAS 17.SA

1. En el ejemplo 17.5-1, determine 10 siguiente:

a) La distribucion de probabilidades de la cantidad de cajas abiertas.

b) La cantidad promedio de cajas ocupadas.

2. En el modelo de B&K del ejernplo 17.5-1, suponga que el tiempo entre llegadas al area de cajas es exponencial, con una media de 5 minutos, y que el tiempo de atencion a un cliente tambien es exponencial, con una media de 10 minutos. Ademas, suponga que B&K tiene una cuarta caja, y que las cajas abren dependiendo de incrementos de dos clientes (en el ejemplo, los incrementos eran de 3 clientes). Determine 10 siguiente:

a) Las probabilidades Pn de estado estable, para toda n.

b) La probabilidad de que se necesite una cuarta caja.

c) La cantidad promedio de cajas vaclas,

3. En el modelo de B&K del ejemplo.J.7.5·1, suponga que las tres cajas siempre estan abiertas, y que el funcionamiento es de tal manera que el cliente pasa a la primera caja desocupada. Caleule 10 siguiente:

a) La probabilidad de que esten funcionando las tres cajas.

b) La probabilidad de que un cliente que llegue no tenga que esperar.

4. El First Bank of Springdale tiene un cajero automatico que despacha a automovilistas que forman una linea. Los vehiculos llegan siguiendo una distribucion de Poisson, coo una frecuencia de 12 por hora, EI tiernpo necesario para hacer una transaccion en el cajero es exponencial, con 6 minutos de promedio. En la linea cabe un total de 10 automoviles, Una vez llena, los autom6- viles que lleguen deben irse a otra parte. Calcule 10 siguiente:

a) La probabilidad de que un vehiculo que lIegue no pueda usar el cajero, porque la lfnea esta llena.

b) La probabilidad de que un vehiculo no pueda usar el cajero inmediatamente aillegae.

c) La cantidad promedio de vehfculos en la linea.

5. i,Alguna vez oy6 usted la afirmacion contradictoria de "el lugar esta tan atestado que ya nadie va allf"? Esta afirmacion se puede interpretar como decir que aumenta la oportunidad de rehusar al aumentar la cantidad de cIientes que buscan servicio. Una plataforma posible para modelar este caso es decir que la frecuencia de lIegadas al sistema disminuye al aumentar la can ti dad de elientes en el sistema. En forma mas especffica, exarninaremos el caso simplificado del M&M Pool Club, donde los clientes suelen llegar en pares para "jugar pool". La frecuencia normal de lIegadas es 6 pares (de personas) por hora, Sin embargo, una vez que la cantidad de pares que estan en el billar es mayor que 8, Ia frecuencia de J.legada baja a 5 pares por hora. Se supone que el proceso de llegadas sigue una distribucion del Poisson. Cad a par juega pool durante un tiempo exponencial, con 30 minutos de promedio. EI billar tiene un total de 5 mesas y no pueden caber mas de 12 pares en cualquier momento. Calcule 10 siguiente:

a) La probabilidad de que los clientes comiencen a rehusar.

b) La probabilidad de que se esten usando todas las mesas.

c) La cantidad promedio de mesas en uso.

d) La cantidad promedio de pares en espera de que se desocupe una mesa de pool.

6. En una peluqueria se atiende a un c!iente cada vez, y tiene tres sillas para los clientes que esperan. Si el lugar esta lleno, losclientes van a otra parte. Las llegadas siguen una distribucion de Poisson con una media de 4 por hora. EI tiempo de un corte de pelo es exponencial, con 15 mi- . nutos de prornedio, Determine 10 siguiente:

17.6 Colas especializadas de Poisson 597

a) Las probabilidades de estado estable.

b) La eantidad esperada de clientes en Ia peluqueria,

c) La probabilidad de que los clientes vayan a otra parte par estar Ileno elloeal.

7. Examine un caso de cola con un servidor, en el que las tasas de llegada y de servicio son:

An = 10 - n, n = 0, 1, 2, 3

n

I1n = 2" + 5, n = 1, 2, 3, 4

Este caso equivale a reducir la frecuencia de Ilegadas y aumentar la rapidez del servicio a medida que aumenta la cantidad n en el sistema.

a) Formule el diagrama de transicion, y determine la ecuaci6n de balance para el sistema.

b) Determine las probabilidades de estado estable.

8. En un modele de cola solo se permite que haya un cliente en el sistema. Los clientes que llegan

y encuentran ocupada la instalacion, se van y nunea regresan. Suponga que la distribucion de llegadas es de Poisson, con promedio A par unidad de tiempo, y que el tiempo de servicio es exponencial con una media; unidades de tiempo,

a) Trace el diagrama de transicion y determine las ecuaciones de balance.

b) Determine las probabilidades de estado estable.

c) Determine la cantidad promedio en el sistema.

9. La demostracion par induccion, para deducir la soIuci6n general del modelo generalizado, se aplica como sigue. Considere

k-] ( A )

Pk = II ~i_ Po, k = I, 2, 3, ...

• =0 111+1

Se sustituyenPn_1 Y Pn-2 en la ecuacion general de difereneias donde intervienenp",Pn_J Y P.-2 para deducir Ia ecuacion de P« que se busca. Compruebe este procedirniento.

17.6 COLAS ESPECIALIZADAS DE POISSON

La figura 17.4 muestra pi caso especial de colas de Poisson cuando hay- c servidores en paralelo. Un cliente en espera se selecciona de la cola para iniciar su servicio en el primer servidor disponible.La frecuencia de llegadas al sistema es }.. clientes por unidad de tiempo. Todos los servidores estan en paralelo y son identicos, 10 que quiere decir que la tasa de servicio en cualquier servidor es I.l clientes por unidad de tiempo. La cantidad de clientes en el sistema incluye, por definici6n, los que hay en el servicio y los que esperan en la cola.

Una notaci6n comoda para resumir las caractensticas de la cola en la figura '17.4 es la que tiene el siguiente formato:

(albic) : (die/f)

en donde

a = Distribucion de las llegadas

b "" Distribuci6n de las salidas (0 del tiempo de servicio) c = Cantidad de servidores en paralelo (= 1,2, ... , co)

d = Disciplina de la cola

598 Capitulo 17

Sistemas de colas

r------~-Sistema~------+I

1+----- Cola -~~--++<-----

t t t

FrecuenciaA

de Ilegadas --~

FIGURA 17.4

Esquema de un sistema de cola con c servidores en paralelo

Frecuencia 1---+-- de salidas I.t

Frecuencia l---+- de salidas I"

Frecuencia 1---+-_ de salidas I.t

e = Cantidad maxima (finita 0 infinita) adrnisible en el sistema (en la cola mas en servicio)

f = Tamafio de la fuente (finito 0 infinite)

Las notaciones normales 0 estandar para representar las distribuciones de llegadas y de salidas (sfrnbolos a y b) son:

M = Distribucion de Markov (0 de Poisson) de las llegadas 0 de las salidas (010 que es igual, distribucion exponencial del tiempo entre llegadas 0 tiempo de servicio)

D = Tiempo constante (determinfstico)

Ek = Distribuci6n de Erlang 0 gamma del tiempo (0 bien, la suma de distribuciones exponenciales independientes)

OJ = Distribucion general del tiempo entre llegadas C = Distribuci6n general del tiempo de servicio

Entre la notacion de disciplinas de cola (sfmbolo d) estan:

PLPS = Primero en llegar, primero en ser servido ULPS = Ultimo en llegar, prlmero en ser servido SEOA = Servicio en orden aleatorio

DC = Disciplina en general (es decir, cualquier tipo de disciplina)

Para ilustrar el empleo de la notacion, el modelo (MIDllO) : (DCI20/oo) usa llegadas de Poisson (0 tiempo entre llegadas exponencial), tiempo con stante de servicio y 10 servidores en paralelo. La disciplina de la cola es DC y hay un lfmite de 20 clientes en todo el sistema. El tamafio de la fuente desde donde llegan los clientes es infinite.

17.6 Colas especial izadas de Poisson 599

Como nota historica, los primeros tres elementos de la notacion (albic) fueron inventados par D. G. Kendall en 1953, y en las publicaciones se Haman notaci6n de Kendall. Despues, en 1966, A. M. Lee agreg6 los sfrnbolos dye. Yo agregue el ultimo elemento, el 51mbolo j, en 1968.

Antes de presentar los detalles de las colas de Poisson especializadas, indicaremos como se pueden deducir las medidas de eficiencia en estado estable, para el caso de colas generalizadas, a p-artir de las probabilidades de estado estable Pn• descritas en la seccion 17.5.

17.6.1 Medidas de desempeflo en estado estacionario

Las medidas de desempefio, eficiencia 0 funcionarniento de una cola son L$ = Cantidad esperada de c1ientes en el sistema Lq = Cantidad esperada de clientes en la cola

~\~ = Tiempo esperado de espera en el sistema

Wq = Tiempo esperado de espera en la cola

c = Cantidad esperada de servidores ocupados Recuerde que el sistema abarca tanto a la cola como ala instalaci6n de servicio.

Ahora indicaremos como se deducen (en forma directa 0 indirecta) esas medidas a partir de la probabilidad Pn de estado estable de que haya n en el sistema. En forma especffica,

00

La relacion entre L, Y W, (tambien t., y Wq) se llama f6rmula de Little, y es la siguiente: t; = Ad w,

Lq = Aef Wq

Estas relaciones son validas bajo condiciones bastante generales. EI pararnetro hef es la frecuencia efectiva de llegada al sistema. Es igual ala tasa (nominal) de llegada h cuando todos los clientes que llegan se unen al sistema. En caso contrario, si algunos clientes no se pueden unir porque el sistema esta lleno (por ejemplo, un estacionarniento), entonces her < A. Mas adelante mostraremos como determinar her'

Tarnbien hay una relaci6n directa entre Ws Y Wq• Por definicion,

(Tiempo de espera) = ( Tiempo de espera ) + (Tiempo es~~rado)

en eJ sistema promedio en la cola de servicio

Esto se traduce a

1 Ws = Wq +f..l

600 Capitulo 17

Sistemas de colas

A continuacion, se puederelacionar L, con Lq, multiplicando ambos lades de la ultima ecuacion por Aef, Y junto con la formula de Little se obtiene

L = L + Aef

8 q I-L

Por definicion, la diferencia entre la cantidad promedio en el sistema, Ls' y la cantidad promedio en la cola, Lq, debe ser igual a la cantidad promedio de servidores ocupados, c. En-

tonces, ..

- Aef

c=L -L =-

s q j-l

Por 10 anterior, entonces,

(UtiliZaCiOn de) = £ Ia instalaci6n c

Ejemplo H.6-1!

El estacionamiento de visitas de Ozark College se limita solo a cinco cajones, Los automoviles que 10 usan lIegan siguiendo una distribuci6n de Poisson con frecuencia de cinco par hora, EI tiempo de estacionamientotiene distribuci6n exponencial can 30 minutos de prornedio. Las visitas que no pueden encontrar un lugar vado inmediatamente cuando lIegan pueden esperar provisionalmente dentro del estacionamiento hasta que salga un automovil estacionado. Los cajones provisionales solo pueden contener tres vehfculos. Otros vehfculos que no se puedan estacionar ill encontrar un espacio de espera temporal se deben ir a otra parte. Determiner 10 siguiente:

a) La probabilidad Pn de que haya n automoviles en el sistema.

b) La frecuencia efectiva de llegada para autom6viles que usen en realidad el estacionamiento.

c) La cantidad promedio de autom6viles en el estacionamiento.

d) El tiernpo promedio que espera un automovil hasta que haya un cajon libre dentro del estacionamiento.

e) La cantidad promedio de cajones de estacionamiento ocupados.

f) La ntilizacion promedio de ese estacionamiento,

Primero se observa que un cajon de estacionamiento funciona como servidor, y entonces el sistema tiene un total de c = 5 servidores en paralelo. Tambien, que la capacidad maxima del sistema es 5 + 3 = 8 automoviles ..

Se puede caIcular Ia probabilidad Pn como caso especial del modelo generalizado de la secci6n 17.5. En forma especffica se tiene que

An = 6 automoviles/hora, n = 0, 1, 2, ... , 8

_ {n(~) = 2n automoviles/hora, n = 1,2, ... , 5 I-Ln - 5(~) = 10 automoviles/hora, n = 6, 7, 8

De acuerdo con la seccion 17.5,

{ 3n

n! Pu,

Pn = 3n

5!5,,-5 Po,

n = 1,2, ···,5

n = 6, 7,8

17.6 Colasespedalizadas de Poisson 601

Aef ~

--.;..._---j .... ~

\

Aperdido

FIGURA 17.5

El valor de Po se calcula austjtuyendo Pn, n = 1, 2, ... , 8, en la siguiente ecuacion:

Po + Pl + ... + Pi', = 1

a sea

( 3 32 33 34 35 36 37 38 )

Po + Po -1' + 2' + 31 + -41 + "'! + 5'5 + - .. 2 + -. -3 = 1

' .. ' • . • J, . 5!5 5[.5

Esto da como resultado Po = 0.04812 (jcompruebelo i). A partir de Po ya se pueden calcular PI a Ps' Y los resultados son

n

2

3

4

5

6

7

8

0.14436

0.21654

0.21654

0.16240

0.09744

0.05847

0.03508

0.02105

La tasaefectiva de llegadas Acf, se puede calcular si se observa el esquema de la figura 17.5, donde los clientes llegan desde la fuente con la frecuencia A automoviles par hora. Un auto que llega puede entrar al estacionamiento 0 irse a otro lado, Can las frecuencias respeetivas Aef a Aperdido, 10 que signifiea que A = Aef + lI.perdido' Un autom6vil no podra entrar al estacionamiento si ya estan 8 automoviles en el. Eso quiere decir que la proporcion de vehfculos ..... que no pueden entrar allote es pg. Entcnces,

lI.pcrdido = APS = 6 X 0.02105 = 0.1263 autom6viles por hora

lI.er = lI. -lI.pordi<lo = 6 - 0.1263 = 5.737 autom6viles por hora

La cantidad promedio de vehfculos en el estacionamiento (los que esperan 0 los que ocupan un cajon) es igual a Ls' la eantidad promedio en el sistema. Se puede ealcular L, a partir de Po como sigue:

Ls = OPo +' iPl + ... + 8ps = 3.1286 automoviles

Un autom6vil que espera en los cajones provisionales en realidad es uno en una linea de espera. Entonees, su tiernpo de espera a que haya un cajon vacfo es Wq. Para determinar Wq se usara 1& ecuacion

1 W =w--

q s J.L

Asi,

W L, 3.1286 053265 h

s = Aef= 5.8737 =. ora

1

Wq = 0.53265 - "2 = 0.03265 hora

La cantidad promedio de cajones ocupados es la misma que la cantidad promedio de servidores ocupados,

- L L Aer 5.8737 29368 .

c = - = - = -_- = ~ caJones.

s q J.L 2 .

602 Capitulo 17

Sistemas de colas

De c, se obtiene

U .]. '6 de cai C 2.9368 058736

11 rzaci n e cajones = c = --5- = .

CONJUNTO DE PROBLEMAS 17.6A

1. En el ejemplo ) 7.6-1, baga 10 siguiente:

a) Calcule Lq en forma directa con la formula L~C+l(n - C)PIl'

b) Calcule Ws a partir de i;

c) Calcule la cantidad promedio de autom6viles que no podran entrar al estacionamiento durante un periodo de 8 horas.

d) Demuestre que la cantidad promedio de cajones vacfos es igual a I~:Uc - n)pn-

2. Resuel va el ejemplo 17.6 con los. gatos siguientes: cantidad de cajones de estacionamiento = 6, cantidad de espacios provisionales = 4, lI. = 10 automcviles por bora y tiempo aproximado de estacionamiento = 45 minutos.

17.6.2 Modelos con un servidor

(MIM/l) : (DG/oo/oo).. Con la notaci6n del modelo generalizado se tiene que An = A} n = 0 1 2 ...

ILl! = f.L' . , , ,

En esta seccion se presentan dos modelos para el caso en que hay un solo servidor (c. = 1). En el primer modelo no se establece limite para la cantidad maxima en el sistema, yen el segundo se supone un limite finito del sistema. Ambos modelos suponen una fuente de capacidad infinita. Las Uegadas suceden con la freeueneia de' ;('clientes por unidad de tiempo, y la tasa

de servicio es J.L clientes par unidad de tiempo. '.-

Los resultados de los dos modelos (yen realidad de todos los modelos restantes d~ la seeci6n 17.6) se deducen como casos espeeiales del modelo generalizado de la seccion 17.5.

Se usara la notaci6n de Kendall para resumir las caracteristicas de cada easo. Como las deducciones de p" en la seccion 17.5 y de todas las medidas de desempefio en la seeci6n 17.6.1 son totalmente independientes de determinada disciplina de cola, se usara el simbolo DG (disciplina general) can la notaci6n.

r

Tambien, Xer = A Y Apcrdido = 0, porque todos los elientes que llegan pueden entrar al sistema.

Si p = ;, la ecuacion de p" en el modelo generalizado se reduce entonces a

p" = pnpo, n = 0, 1, 2, ...

Para determinar el valor de Po se usa la identidad

Po(1 + P + p2 + ... ) = 1

Suponiendo que p < 1, la serie geometrica tiene la sum a finita (1 ~ ~), y entonces

Po = 1 - p, siempre que p < 1 .--_...-,-

La formula general de p; es entonees la de la siguiente distribuci6~metriea:

17.6 Colas especializadas de Poisson 603

p" = (1 - p)p", n = 1, 2, ... (p < 1)

La deduccion rnatematica de p" impone la condicion que p < 1 0 que A < IL. Si A 2: IL, Ia serie geometrica no converge, y no existiran las probabilidades P« de estado estable. Este resultado tiene sentido, intuitivamente, porque a menos que la tasa de servicio sea mayor que la frecuencia de llegada, la cola crece en forma indefinida.

La medida de desernpefio Lq se puede deducir como sigue:

00 00

L, = 2:nplI = 2:n{1 - p)pll

- 11=0 11=0

d 00

= (1 - P)P-LP"

dp,,=o

d( 1 )

= (1 - p)p- --

__ dp 1 - p

'I'>

1 - p

Como Aer = A para este caso, las medidas restantes de desempefio se calculan con las ecuaciones de la seccion 17.6. LAs!,

i, 1. 1

Ws = T 1L(1 - p) IL - A

W . W 1 P

q = s - J..L = f-L(1 - p)

p2

Lq = AWq = 1 _ P

c=L -L =p

s q

Ejemplo 17.6-2

Lavado Automata para automoviles funciona solo con un lugar. Los autos llegan siguiendo una distribucion de Poisson, con 4 autos por hora, que pueden esperar en e1 estacionamiento de la instalacion, si ellugar de lavado esta ocupado. El tiempo para lavar y limpiar un automovil es ex.ponencial, con 10 minutos de promedio. Los autornoviles que no se pueden estacionar en la instalacion pueden esperar en el arrollo junto allavado. Eso quiere decir que para todo fin practice no hay limite del tamafio del sistema. El gerente de la instaIaci6n desea determinar el tamafio del estacionamiento.

Para este caso, A = 4 autom6viles por hora y f.L = t§ = 6 autom6viles por hora. Como p = {;: < 1, el sistema puede funcionar en condiciones de estado estable.

Los datos de este modelo para TORA son

Lambda

Mu

c Limite del sistema

LImite de la fuente

4

6

infinite

infinito

En la figura 17.6 se ven los resultados de este problema.

Estos resultados indican que la cantidad promedio de autom6viles en la cola, Lq• es 1.33.

No recomendamos usar Lq como tinica base para deterrninar los cajones de estacionamiento, porque el disefio debe reflejar, hasta cierto punto, la longitud maxima posible de la cola. Par

604 Capitulo 17

Sistemas de colas

Title: Example 17.6-2, Figure 17.6 Scenariol: (M/M/l): (GD/infinity/infinity)

Lambda 4.00000 Mu = 6.00000
Lambda eff 4.00000 Mole 0.66667
Ls 2.00000 Lq 1.33333
ws 0.50000 wq 0.33333
n Probability pn Cumulative Pn n probability pn Cumulative Pn
0 0.33333 0.33333 13 0.00171 0.99657
1 0.22222 0.55556 14 0.00114 0.99772
2 0.14815 0.70370 15 0.00076 0.99848
3 0.09877 0.80247 16 0.00051 0.99899
4 0.06584 0."'""86831 17 0.00034 0.99932
5 0.04390 0.91221 18 0.00023 0.99955
6 0.02926 0.94147 19 0.00015 0.99970
7 0.01951 0.96098 20 0.00010 0.99980
8 0.01301 0.97399 21 0.00007 0.99987
9 0.00867 0.98266 22 0.00004 0.99991
10 0.00578 0.98844 23 0.00003 0.99994
11 0.00385 0.99229 24 0.00002 0.99996
12 0.00257 0.99486 25 0.00001 0.99997 FIGURA 17.6

Resultados deJ ejernplo 17.6·2 obtenidos can TORA

ejemplo, podra ser mas factible disefiar el estacionamiento de tal modo que un automovil que llegue encuentre Iugar al menos e190% de las veces.

Sea K la cantidad de cajones de estacionamiento. Tener K cajones equivale a tener K + 1 lugares en el sistema (en la cola yen ellugar de lavado). Un automovil que llega encontrara un cajon el 90% de las veces si hay cuando mucho K autom6viles en el sistema. Esta condicion equivale al siguiente enunciado de probabilidades:

Po + PI + ",PK ~ 0.9

En la figura 17.6 se ve que los valores acumulados de Pn son 0.86831 y 0.91221 para n "" 4 Y n = 5, respectivamente. Eso quiere decir que la condici6n se satisface con K;::: 5 cajones de estacionamiento,

La cantidad K de espacios tam bien se puede determinar usando la definicion matematica de P n' esto es,

(1 - p)(1 + p + p2 + ... + pK) ~ 0.9

La suma de la serie geometrica truncada es iguaJ a 1 1-_2:+'. Entonces, la condici6n se reduce a (1 - pK+l) ~ 0.9

AI simplificar la desiguaJdad se obtiene

pK+l s; 0.1 Se sacan logaritmos de ambos lados para obtener

17.6 Colas especializadas de Poisson 605

In(O.l)

K 2: -- - 1 = 4.679 ~ 5

In(~)

En consecuencia, K 2: 5 cajones de estacionamiento.

CONJUNTO DE PROBLEMAS 17.6B

1.. En el ejemplo 17 .. 6-2, haga lo siguiente.

a) Determine la utilizacion porcentual dellavador de autom6viles.

b) Determine la probabilidad de que un autom6vil que llega deba esperar en el estacisnamiento para ser lavado.

c) Si hay siete cajones de estacionamiento, determine la probabilidad de que un autom6vil que llegue encuentre un caj6n vacfo,

d) z,Cuantos cajones de estacionamiento" debe haber para que un automovil que Ilegue encuentre lugar para estacionarse el 99% de las veces?

2. John Macko es alumno en la U de Ozark. Hace trabajos extrafios para aumentar sus ingresos, Las peticiones de trabajo llegan en promedio carla 5 dias, pero el tiempo entre elias es exponencial .. El tiempo para terminar un trabajo tam bien es exponencial, con una media de 4 dfas.

a) z.Curu es la probabilidad de que Ie falte trabajo aJohn?

b) Si John cobra unos $50 por cada trabajo, z,cua! es su ingreso mensual. promedio?

c) Sl al final del semestre John decide snbcontratar los trabajos pendientes a $40 cada uno, lcuanto debe esperar pagar en promedio?

3. A traves de los afios, el detective Columbo, del Departamento de Policfa de Fayetteville, ha tenido un exito fenomenal en la solucion de cada caso que se le presents. S610es cuestion de tiempo para que pueda resolver cualquier caso. Columbo admite que eltiempo ell cada caso es "totalmente aleatorio", pero en promedio cada investigacion dura aproximadamente semana y media. Los delitos en Ia tranquila Fayetteville no son muy comunes. Suceden a1 azar, con una frecuencia de uno por rnes (4 semanas ) .. Columbo pide un ayudante con quien compartir la pesada carga de trabajo. Analice la peticion de Columbo, en particular desde los siguientes puntos de vista:

a) La cantidad promedio de casos que esperan ser investigados.

b) EI porcentaje de tiempo en el que esta oeupado el detective.

c) EI tiempo necesario para resolver un caso.

4. Ala caseta de cobro del ninel Lincoln llegan autom6viles siguiendo una distribucion de Poisson, con promedio de 90 par hora. El tiempo para pasar la caseta es exponencial, con promedio de 38 segundos, Los automovilistas se quejan del largo tiempo de espera, y las autoridades desean reducir el tiempo de paso prornedio a 30 segundos, instalando dispositivos de cobra automatico, siempre y cuando se satisfagan dos condiciones: 1) que Ia cantidad promedio de autom6viles {armada en el sistema actual sea mayor que 5, y 2) que el porcentaje del tiempo sin trabajo en la caseta.con el nuevo dispositivo, no sea mayor que eIlO%. lSe puede justificar el dispositive?

5. Un restaurante de eomida rapida tiene ventanilla de servicio para automovilistas. Los vehfculos llegan de acuerdo con una distribuci6n de Poisson, can una frecuencia de 2 cada 5 minutos. En elespaeio freatea Ia ventanilla pueden caber 10 vehiculos cuando mucho, incIuyendo al que se esta sirviendo. Si es necesario, otros automoviles pueden esperar fuera de este espacio, EI tiernpo de servicio por cliente es exponencial, con una media de 1.5 minutes. Calcule 10 siguiente:

a) La probabilidad de que la instalacion este vacia,

b) La cantidad estimada de clientes esperando que los atiendan,

606 Capitulo 17

Sistemas de colas

c) EI tiempo estimado de espera para que un cliente Jlegue a Ia ventanilla y haga su pedido.

d) La probabilidad de que la linea de espera sea mayor que la capacidad de 10 lugares.

6. Los clientes Ilegan en autom6vil a una ventanilla bancaria de acuerdo con una distribuci6n de Poisson, con una media de 10 par hora. El tiempo de servicio a cada cliente es exponencial, con una media de 5 minutos. Hay tres espacios frente ala ventanilla, incluyendo eJ del automovil que es atendido. Si llegan mas vehiculos, deben esperar fuera de este espacio para 3 vehlculos.

a) loCual es la probabilidad de que un automovil que lIega pueda entrar en uno de 1.08 3 espacios

disponibles?

b) loCuM es Ja probabilidad de que un autom6vil que llega deba esperar fuera de los 3 espacios?

c) loCmtnto tiempo debe esperar un cliente que llegue para que comiencen a atenderlo?

d) l.Cw:tntos cajones deberfa haber frente a la ventanilla (incluyendo el del aut6m6vil que esta siendo atendido) para que un automovil que llegue encuentre espacio cuando menos e190% de las veces?

7. En la cola (MIMll) : (DG/oo/oo),.describa un argumento plausible de par que en general L,. no es igual a Lq + 1. l.Bajo que condici6n sera valida la igualdad?

8. Para la cola (MIM/1) : (DG/oo/oo), deduzca la ecuacion de L'r usando la definicion basica I;;:dn - l)Pn·

9. Para la cola (MIMll) : (DG/oo/oo), demuestre que

a) EI numero esperado en la cola es = (1 ~ p) si la cola no esta vacfa.

b) E1 tiempo estimado de espera en la cola, para quienes deben esperar, es = (I"~J

Distribuci6n del tiempo de espera para (MIM/l) : (PLPS/OO/OO).l La deducci6n de PII ell el modelo generalizado de la seccion 17.5 es totalmente independiente de la disciplina de la cola. Esto quiere decir que las medidas promedio de desempefio, W W' Wq, L, Y Lq, se aplican a todas las disciplinas de cola.

Aunque el tiempo promedio de espera es independiente de la disciplina de la cola, su funci6n de densidad de probabilidades depende de esa disciplina, Ilustraremos esto deduciendo la di stribucion del tiempo de espera para el modelo (MIM/I) basado en Ia disciplina PLPS (primero en llegar, primero en servir),

Sea 'T la cantidad de tiempo que una persona que Justo estd llegando debe pennanecer en el sistema (es decir, hasta que se termine el servicio). Con base en la disciplina PLPS, si hay n clientes en el sistema, antes del cliente que estallegando, entonees

T = ti + t2 + ... + t,,+1

en donde t1 es el tiempo neeesario para que el cliente que este en el servicio en ese momento salga, y f2, t3, ... , ttl son los tiempos de servicio para n - 1 clientes en la cola. El tiempo t,,+1 representa el tiempo de servicio para el cliente que lIega.

Definiremos a w('T I n + 1) como [a funci6n de densidad condicional de 'T, dados n clienles en el servicio antes del c1iente que llega. Como la distribuci6n del tiempo de servicio es exponencial, la propiedad de amnesia (Seccion 17.3) indica que l1 tambien es exponencial, can la misma distribuci6n. Asi, 'T es la suma de n + 1 variables aleatorias exponenciales, identicamente distribuidas e independientes. Segun la teorta de las probabiIidades, w(Tln + 1) tiene una distribuci6n gamma, can parametres j.L y n + 1. Entonces,

'Este material se puede saltar sin perdida de continuidad,

17.6 Colas especializadas de Poisson 607

00

-;;"('r) "" )L w('rln + l)p"

n=O

"" (1 - p)"J:£"_~e~~

"" (I-L-A)e~jL-).)7, 'I' > 0

Por 10 anterior, WeT) es una distribucion exponencial con media W, = ("_~).)'

Ejemplo 17.6-3

En el modelo del lavado de autos delejemplo 17.6-2, es razonable suponer que se hace ese servicio con base en una disciplina PLPS. Evaluar la fiabilidad (la "confiabilidad") de usar W, como estimado del tiempo de espera en el sistema.

Una forma de contestar esto es estimar la proporcion de clientes cuyo tiempo de espera es mayor que WS' Ya que Ws = ("_~II.)' se obtiene

fW,

P{r > Ws} = 1 - w('I')d'l'

o

= e-(IL-).)W, = e-1 = 0.368

Asf, can la disciplina PLPS, 37% de los clierrtes esperaran mas que WS' Esto pareee demasiado, en especial porque el Ws actual para el Iavado de autos ya es alto (0.5 hom). Se nota que la probabilidad calculada (= e-1 "" 0.368) es independiente de las tasas A y I-L para cualquier sistema (M I M 11) : (P LP SI 00 I 00), 10 eual significa que no se puede reducir su valor. Asi, si se disefia el sistema con base en el Ws promedio, se debe esperar que e136.8% de los clientes deban esperar mas que el tiempo promedio de espera.

La situacion puede mejorarse de dos maneras: 1) se puede aumentar la tasa de servicio u, para bajar el valor de Ws a un myel aceptable, a bien 2) se puede seleccionar Ia rapidez de servicia tal que la probabilidad de que el tiempo de espera sea mayor que un valor especifieado (por ejemplo 10 rninutos) sea menor que un porcentaje razonablemente pequefio (par ejemplo 10%). El primer metoda equivale a determinar j.L tal que Ws < T, y el segundo determinaria a I-L resolviendo la desigualdad P{r > T} < Ct, donde el usuario especifica a T y Ct.

CONJUNTO DE PROBLEMAS 17.6C

1. En el problema 3, conjunto de problemas 17.6b, determine la probabilidad de que el detective Columbo tarde mas de 1 semana para resolver un caso criminal.

2. En el ejernplo 17.6-3 calcule 1(1 siguiente:

a) La desviacion estandar del tiempo de espera T en el sistema.

b) La probabilidad de que el tiempo de espera en el sistema vane la mitad de una desviacion estandar respecto al valor promedio.