UNIVERSIDAD CATLICA ANDRS BELLO FACULTAD DE INGENIERA ESCUELA DE INGENIERA INDUSTRIAL GESTIN DE PLANES DE MANTENIMIENTO

Teora de Colas

Profesor: Ruiz, Vladimir Integrantes: Aparicio, Mileidys Beracoche, Kepa Mujica, Richard

Puerto Ordaz, 11 de Noviembre de 2013

INTRODUCCIN

Las lneas de espera son un aspecto de la vida cotidiana que nos encontramos continuamente en nuestras actividades diarias. En el supermercado, en los Bancos, establecimientos de comida rpida, el fenmeno de las colas surge cuando unos recursos compartidos necesitan ser accedidos al sistema para dar servicio a un elevado nmero de trabajos o clientes.

Su importancia radica en que proporciona tanto una base terica del tipo de servicio que podemos esperar de un determinado recurso, como la forma en la cual dicho recurso puede ser diseado para proporcionar un determinado grado de servicio a sus clientes.

En el presente trabajo se realiz un estudio de teora de colas, la muestra fue tomada en McDonalds Heladera ubicada en la feria de la comida del C.C. Plaza Atlntico, durante un lapso de 2 horas. El local cuenta con un sistema de una cola

DESARROLLO Teora de colas: Es el estudio de la espera en las distintas modalidades. Usa los modelos de colas para representar los tipos de sistemas de lneas de espera (Sistemas que involucran colas de algn tipo). Por lo tanto, estos modelos de lneas de espera son muy tiles para determinar cmo operar un sistema de colas de la manera ms eficaz. Proporcionar demasiada capacidad de servicio surgen esperas excesivas con todas sus desafortunadas consecuencias. Los modelos permiten encontrar un balance adecuado entre el costo de servicio y la cantidad de espera.

Los problemas administrativos relacionados con tales sistemas de colas se clasifican en dos grupos bsicos: 1. Problemas de anlisis: Cuando es necesario responder una de las siguientes preguntas para saber si el sistema est funcionando satisfactoriamente: a. Cul es el tiempo promedio que un cliente tiene que esperar en una fila antes de ser atendido? b. Qu fraccin del tiempo ocupan los servidores en atender a un cliente o en procesar un producto? c. Cules son el nmero promedio y el mximo de clientes que esperan en la fila? 2. Problemas de diseo: Cuando se desea disear las caractersticas de un sistema que logre un objetivo general, implica la realizacin de las siguientes preguntas: a. Cuntas personas o estaciones deben emplearse para proporcionar un servicio aceptable? b. Debern los clientes esperar en una sola fila (como se hace en muchos bancos) o en diferentes filas (como en el caso de los supermercados)?

c. Deber haber una estacin de trabajo separada que maneje las cuestiones especiales (como el caso del acceso a primera clase en el mostrador de una aerolnea)? d. Qu tanto espacio se necesita para que los clientes o los productos puedan esperar? Caractersticas de la teora de colas Una poblacin de clientes, que es el conjunto de todos los clientes posibles. Un proceso de llegada que es la forma en que llegan los clientes de esa poblacin o La caracterstica ms importante del proceso de llegadas es el tiempo entre llegadas, que es la cantidad de tiempo entre llegadas sucesivas. Existen dos clases bsicas de tiempos entre llegadas: Determinstico (los clientes llegan en un mismo intervalo de tiempo, fijo y conocido) Probabilstico (el tiempo entre llegadas en incierto y variable, ste se describe mediante una distribucin de probabilidad) Un proceso de colas, que est conformado por : o La manera en que los clientes esperan para ser atendidos. Sistema de colas de una sola lnea: sistema de colas en el cual los clientes esperan en una sola lnea para tener acceso al siguiente prestador de servicio disponible. Sistema de colas de lneas mltiples: sistema de colas en el cual los clientes que llegan pueden elegir una de varias lneas en la cual esperar a ser atendidos.

Figura 1. Tipos de sistemas. Fuente: html.rincondelvago.com/teoria-de-colas_2.html

o La disciplina de colas, que es la forma en que son elegidos para proporcionarles el servicio, las formas ms comunes son: Primero en entrar, primero en salir (PEPS): Los clientes son atendidos en el orden en que van llegando a la fila. Ejemplo: Banco. ltimo en entrar, primero en salir (VEPS): El cliente que ha llegado ms recientemente es el primero en ser atendido. Ejemplo: Proceso de produccin en el que los productos llegan a una estacin de trabajo y son apilados encima del otro. Seleccin de prioridad: A cada cliente que llega se le da una prioridad y se le elige segn sta para brindarle el servicio. Ejemplo: Pacientes que llegan a la sala de urgencias en un hospital. Un proceso en servicio, que es la forma y la rapidez con la que es atendido el cliente. Procesos de salida: que son los siguientes dos tipos: a) Los elementos abandonan completamente el sistema despus de ser atendidos, lo que tienen como resultado un sistema de colas de un paso.

b) Los productos, ya que son procesados en una estacin de trabajo son trasladados a alguna otra para someterlos a algn otro tipo de proceso, lo que tiene como resultado una red de colas. Clasificacin de los modelos de colas Los modelos se etiquetan de la siguiente manera: Dist. De tiempos entre llegadas / Dist. De tiempos de servicio / N. de servidores

La distribucin de tiempos entre llegadas y la distribucin de tiempos de servicio se pueden expresar de las siguientes formas: D: para denotar que la distribucin de tiempos es determinstico M: para denotar que la distribucin de tiempos son probabilsticos y siguen una distribucin exponencial G: para denotar que la distribucin de tiempos son probabilsticos y siguen una distribucin general diferente a la exponencial. El nmero de servidores C, representa cuntas estaciones o canales paralelos existen en el sistema (Suponiendo que los servidores son idnticos en rapidez de servicio) Fases de un sistema de colas

Figura 2. Las fases de estado transitorio y estado estable. Fuente: Investigacin de operaciones. Kamlesh Mathur y Daniel Solow

Fase transitoria: El periodo inicial de un sistema de colas en que se conservan los efectos de las condiciones iniciales.

Fase estable: Condicin del sistema despus de que se han eliminado las condiciones iniciales.

Medidas de rendimiento para evaluar un sistema de colas Las medidas de rendimiento son valores numricos que se utilizan para evaluar los mritos de un sistema de colas en estado estable. Se pueden destacar los siguientes: Tiempo promedio de espera (Wq): Tiempo promedio que un cliente que llega tiene que esperar en la cola antes de ser atendido. Tiempo promedio en el sistema (W): Tiempo promedio que un cliente invierte desde su llegada hasta su salida de un sistema de colas. Longitud media de la cola (Lq): Nmero promedio de clientes que se encuentran esperando en fila para ser atendidos. Nmero medio en el sistema (L): Nmero promedio de clientes que se encuentran en el sistema a cualquier tiempo dado. Probabilidad de bloqueo (w): Probabilidad de que un cliente que llega tenga que esperar a ser atendido. Utilizacin (U): Fraccin de tiempo, en promedio, que un servidor est ocupado. Probabilidad de negacin de servicio (d): Probabilidad de que un cliente que llega no pueda entrar al sistema debido a que la cola est llena. Relacin entre medidas de rendimiento Dados: = nmero promedio de llegadas por unidad de tiempo. = nmero promedio de clientes atendidos por unidad de tiempo en una estacin. Tiempo promedio en el sistema Nmero medio en el sistema Longitud media de la cola

Proceso de nacimiento y muerte El trmino nacimiento se refiere a la llegada de un nuevo cliente al sistema de colas, mientras que el trmino muerte se refiere a la salida del cliente servido. El proceso de nacimiento y muertes individuales ocurren de manera aleatoria, y que sus tasas medias de ocurrencia dependen del estado actual del sistema. Los modelos de colas basados en el proceso de nacimiento y muerte tienen entradas Poisson y tiempos de servicio exponenciales.

Modelo M/M/1: Anlisis de un sistema de colas de un solo canal de una sola lnea con llegada exponencial y procesos de servicio. 1. Una poblacin de clientes finita. 2. Un proceso de llegada en el que los clientes se presentan de acuerdo con un proceso de Poisson con una tasa promedio de clientes por unidad de tiempo. 3. Un proceso de colas que consiste en una sola lnea de espera de capacidad infinita, con una disciplina de colas de primero en entrar primero en salir. 4. Un proceso de servicio que consiste en un solo servidor que atiende a los clientes de acuerdo con una distribucin exponencial con un promedio de clientes por unidad de tiempo. As que: M/./. : El proceso de llegadas es de Poisson homgeneo con tasa >0. Sea T la variable aleatoria que representa el tiempo entre dos llegadas consecutivas. Sea t>0 y representemos por n(t) el nmero de llegadas al sistema hasta el instante t. Como los incrementos son independientes:

Luego

. Recprocamente, se tiene el siguiente resultado:

Si T1, T2 son independientes, siendo Ti el tiempo transcurrido entre las llegadas (i-1)sima e i-sima, todas ellas con distribucin Exp(), entonces .

/M/. : Siempre que el servidor est ocupado, el proceso de salida es de Poisson homogneo de tasa >0. Razonando como antes, se tiene que los tiempos de servicio son Exp().

/./1/ : El sistema tiene un nico servidor y capacidad infinita.

Se trata de un proceso de nacimiento y muerte con tasa de nacimiento n=, n>0 y tasa de muerte n=, n>1. Debe observarse que la distribucin exponencial tiene ausencia de memoria, es decir, si , entonces

La demostracin de esta propiedad es inmediata observando la expresin de la funcin de distribucin asociada. Ahora se puede proceder a analizar el comportamiento del sistema. Se define la intensidad del trfico como:

Si >1, no se alcanza el estado estacionario, mientras que si <1, entonces s que se llega a este estado. Sea Pn(t)=P(N(t)=n) la probabilidad de que en el instante t haya n clientes en el sistema. As, como la suma de todas las probabilidades debe ser uno y <1, se tiene

En consecuencia, la variable N (distribucin estacionaria del nmero de clientes en el sistema) sigue una distribucin geomtrica G(1-). Se sigue que:

Finalmente podemos resumir las frmulas en la siguiente tabla:

Frmulas Probabilidad de que no P0 1 p haya clientes en el sistema Nmero promedio en 2 L q fila (1 ) Nmero promedio en el L *W sistema Tiempo promedio de Lq W q espera en cola Tiempo promedio de 1 W Wq espera en el sistema Probabilidad de que un cliente que llega tenga que esperar Probabilidad de que haya n clientes en el sistema Utilizacin

Ejemplo Terico: La comisin de la Autopista de Ohio (Ohio Turnpike Commision, OTC) tiene un nmero de estaciones para el pesado de camiones a lo largo de la autopista de cuota de Ohio, para verificar que el peso de los vehculos cumple con las regulaciones federales. La administracin de OTC est considerando mejorar la calidad del servicio en sus estaciones de pesado y ha seleccionado una de las instalaciones como modelo a estudiar, antes de instrumentar los cambios. La administracin desea analizar y entender el desempeo del sistema actual durante las horas pico, cuando llega a la bscula el mayor nmero de camiones, suponiendo que el sistema puede desempearse bien durante este periodo, el servicio en cualquier otro momento ser an mejor. Se dispone de los siguientes datos:

Como primera observacin se tiene que >, el sistema se encuentra en un estado estable. Si ste no fuera el caso, la cola del sistema continuara creciendo debido a que, en promedio, llegaran ms clientes que los que pueden ser atendidos por unidad de tiempo.
Solucin Intensidad de trfico; Utilizacin Observacin Mientras ms cerca est de 1, ms cargado estar el sistema (Colas ms largas y tiempo de espera ms grandes); Aproximadamente el 91% del tiempo las instalaciones estn en uso. Aproximadamente el 9% del tiempo un camin que llega no tiene que esperar que se le proporcione servicio porque la estacin de pesado est vaca.

60 0,9091 66

Probabilidad de que no haya clientes en el sistema

P0 1 0,9091 0,0909

Solucin Nmero promedio en fila

Lq

(0,9091 ) 9,0909 (1 0,9091 )

Tiempo promedio de espera en cola Tiempo promedio de espera en el sistema Nmero promedio en el sistema Probabilidad de que un cliente que llega tenga que esperar Probabilidad de que haya n clientes en el sistema

Wq

9,0909 0,1515 60 1 0,1667 66

W 0,1515

L 60 * 0,1667 10

Observacin En promedio, la estacin de pesado puede esperar tener aproximadamente nueve camiones esperando para obtener el servicio. En promedio, un camin tiene que esperar 0,1515 horas, aproximadamente 9 minutos en la fila. En promedio, un camin invierte 0,1667 horas, aproximadamente 10 minutos desde que llega hasta que sale. Existe un total de 10 camiones en la estacin de pesado, ya sea en la bscula o esperando a ser atendidos. Aproximadamente el 91% del tiempo un camin que llega tiene que esperar

Pn

Interpretacin de resultados: Al evaluar este sistema, la gerencia de OTC encuentra que algunas medidas de rendimiento son aceptables, por ejemplo el tiempo promedio de espera en el sistema (10 minutos), o promedio de camiones esperando para ser atendidos (9 camiones), ya que la rampa de salida tiene capacidad mxima de 15 camiones, pero

existe la preocupacin de que a veces la cola llega hasta la autopista. Por lo que se quiere saber cul es la probabilidad de que hayan 17 camiones en el sistema (1 siendo atendido y 16 esperando en la rampa)

Lo que quiere decir que, aproximadamente el 20% del tiempo los camiones sobrepasarn la rampa y llegarn a la autopista. Un reciente informe indica que OTC debera planear una tasa de llegada pico de aproximadamente 70 camiones por hora, en vez del actual valor de 60. Para poder lograr lo planeado, la gerencia de OTC ha propuesto contratar un trabajador adicional, lo cual tendra como resultado un aumento de la eficiencia de aproximadamente 10%. Es decir, con esta persona extra, aproximadamente 73 camiones por hora pueden ser pesados en lugar de los originales 66.

Trabajo de Campo Para el anlisis del trabajo de campo, la muestra se tom en McDonalds Heladera ubicada en la feria de la comida del C.C. Plaza Atlntico, el da domingo 30/06/2013 desde las 5:00pm hasta las 7:00pm. El local cuenta con un sistema de una cola. Ver Anexo (1). Determinacin del tipo de distribucin de los tiempos entre llegada de los clientes al establecimiento Para determinar el tipo de distribucin que siguen los clientes al llegar al establecimiento es necesario aplicar el mtodo de bondad de ajuste, donde se compara la distribucin real con la distribucin terica, que el observador crea correspondiente, mediante una prueba de hiptesis. Para el estudio se tomaron 50 observaciones. Luego se ordenaron de menor a mayor y agruparon los datos, se determin la frecuencia acumulada y relativa para cada caso y se graficaron. A continuacin se presenta una tabla con los datos tomados para los tiempos de llegada entre los clientes en minutos:

0,06 0,08 0,1 0,14 0,17 0,26 0,38 0,42 0,49 0,55

Tabla #1. Observaciones tomadas (min) 1,07 2,29 3,46 5,16 1,09 2,35 3,58 5,46 1,2 2,43 4,03 6,23 1,23 2,49 4,05 6,28 1,37 2,55 4,06 6,33 1,38 3 4,18 7,28 1,43 3,08 4,48 7,14 1,55 3,1 4,58 8,33 2 3,24 5,02 9,22 2,2 3,39 5,03 10,03

Una vez tomada la data, ordenarse y agruparse, se determin la frecuencia acumulada y relativa para cada caso y se graficaron. Los resultados se aprecian en las siguientes tablas: Tabla #2: Clculos Estadsticos n 50 Mx 10,03 Mn 0,06 R 9,97

Dnde: n= Tamao de la Muestra Mx= Valor Mximo Mn= Valor Mnimo R= Rango para todas las clases= (Mx-Mn) Tabla #3: Frecuencia relativa y acumulada Frecuencia Frecuencia relativa i Intervalo Observaciones relativa, fi acumulada, Fi 1 [0, 1) 10 0,2 0,2 2 [1, 2) 8 0,16 0,36 3 [2, 3) 7 0,14 0,5 4 [3, 4) 7 0,14 0,64 5 [4, 5) 6 0,12 0,76 6 [5, 6) 4 0,08 0,84 7 [6, 7) 3 0,06 0,9 8 [7, 8) 2 0,04 0,94

9 [8, 9) 10 [9, 10) 11 [10, 11)

1 1 1 50

0,02 0,02 0,02 1

0,96 0,98 1

Para el intervalo i = 1:

Y las frecuencias acumuladas (Fi) se calcularon de la siguiente manera: Para el intervalo i=2

Conociendo el punto medio de cada intervalo (Marca de la clase) y su respectiva frecuencia relativa podemos calcular el tiempo medio (Media de los datos): Tabla #4: Tiempo medio de llegada (min) i ti fi ti*fi 1 0,5 0,2 0,1 2 1,5 0,16 0,24 3 2,5 0,14 0,35 4 3,5 0,14 0,49 5 4,5 0,12 0,54 6 5,5 0,08 0,44 7 6,5 0,06 0,39 8 7,5 0,04 0,3 9 8,5 0,02 0,17 10 9,5 0,02 0,19 11 10,5 0,02 0,21
3,42

Una vez determinada el tiempo medio podemos calcular la varianza: Tabla #5: Varianza del tiempo de llegada (min2) ti fi 0,5 8,526 0,2 1,705

i 1

2 3 4 5 6 7 8 9 10 11

1,5 2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5 10,5

3,686 0,846 0,006 1,166 4,326 9,486 16,646 25,806 36,966 50,126

0,16 0,14 0,14 0,12 0,08 0,06 0,04 0,02 0,02 0,02

0,59 0,118 0,001 0,14 0,346 0,569 0,666 0,516 0,739 1,003 6,394

Tomaremos como distribucin terica la distribucin exponencial cuya funcin distribucin es: , Para t > 0 , Para T > 0 Parmetro para la distribucin Exponencial viene dado por:

Ahora, el siguiente paso ser obtener la curva exponencial terica. Para eso evaluamos en la funcin que define la distribucin terica el punto medio de cada intervalo y posteriormente graficamos. Tabla#6: Distribucin terica Intervalo ti F(T) [0, 1) 0,5 0,136 [1, 2) 1,5 0,3551 [2, 3) 2,5 0,5186 [3, 4) 3,5 0,6406 [4, 5) 4,5 0,7317 [5, 6) 5,5 0,7997 [6, 7) 6,5 0,8505

i 1 2 3 4 5 6 7

8 9 10 11

[7, 8) [8, 9) [9, 10) [10, 11)

7,5 8,5 9,5 10,5

0,8884 0,9167 0,9378 0,9536

Para el intervalo i = 1:

En la grfica siguiente podemos observar que existe un comportamiento bastante similar (casi solapadas) entre la curva exponencial terica F(T) y la real FA, lo cual evidencia un comportamiento exponencial similar.

Grfica #1. Tiempo de llegada de los clientes

1.00 0.80 0.60 0.40 0.20 0.00 [0, 1) [1, 2) [2, 3) [3, 4) [4, 5) [5, 6) [6, 7) [7, 8) [8, 9) [9, 10) tiempo (min) [10, 11) frecuencia

FRA Curva exponencial

Ya identificadas las curvas tericas y reales se puede corroborar su similitud aplicando la prueba de bondad de ajuste ya mencionada, basada en la prueba de hiptesis de ji cuadrado, con un nivel de significacin del 5%: Hiptesis nula (H0): Ambas distribuciones son iguales (exponenciales). Hiptesis alternativa (Ha): Las distribuciones siguen un comportamiento diferente

Para aplicar la prueba necesitamos los clculos de la siguiente tabla: Tabla #7. Prueba ji cuadrado para la prueba de bondad de ajuste Fr Intervalo observaciones Fr. terica, Ft , Fo

1 2 3 4 5 6 7 8 9 10 11

[0, 1) [1, 2) [2, 3) [3, 4) [4, 5) [5, 6) [6, 7) [7, 8) [8, 9) [9, 10) [10, 11)

10 8 7 7 6 4 3 2 1 1 1 50

10

12,676 9,463 7,064 5,273 3,936 2,938 2,193 1,637 1,222 0,912 2,686 50

0,5651 0,2261 0,0006 0,5658 6,874 1,4215

8,651

0,0489

2,828

Para el intervalo i = 1: ( )

Para aplicar esta prueba la frecuencia terica observada no puede ser menor a 5 por eso se agruparon los intervalos 5,6 y 7. La medida de desviacin entre la frecuencia emprica y la observada es (estadstico de prueba):

La hiptesis nula establece que:

Dnde: Grados de libertad N = 6 (nmero de intervalos finales) k = 1 (parmetros) = 5% (nivel de significacin) 1- = 0,95 (nivel de confianza)

El valor crtico se busca en la tabla 3 del apndice C del libro Investigacin de operaciones de Hamdy Taha 7ma edicin.

9,488 Comparando el estadstico de prueba con el valor crtico:

Podemos concluir de la siguiente manera: Con un nivel de significacin del 5%, se acepta la hiptesis nula, por lo tanto el tiempo de llegada de los clientes al establecimiento sigue una distribucin exponencial con: Determinacin del tipo de distribucin del tiempo de servicio del establecimiento Al igual que los tiempos de llegada entre clientes al establecimiento es necesario determinar el tipo de distribucin que sigue el tiempo de servicio. Es importante resaltar que para efectos de los clculos las mediciones se transformaron de minutos a segundos. La muestra tomada fue la siguiente: Tabla #8. Observaciones tomadas (segundos) 36 51 42 134 38 67 57 101 41 63 54 112 42 87 91 131 26 64 95 140 31 75 120 177 38 78 115 155 36 67 119 170 46 87 127 199 48 89 122 210

20 25 27 26 29 30 30 33 35 44

Una vez tomada la data, ordenarse y agruparse, se determin la frecuencia acumulada y relativa para cada caso y se graficaron. Los resultados se aprecian en las siguientes tablas: Tabla #9: Clculos Estadsticos n 50 Mx 210 Mn 20

R Dnde: n= Tamao de la Muestra Mx= Valor Mximo Mn= Valor Mnimo R= Rango para todas las clases= (Mx-Mn)

190

Tabla #10: Frecuencia relativa y acumulada i 1 2 3 4 5 Intervalo [0, 45) [45, 90) [90, 135) [135, 180) [180, 225) Observaciones 18 15 11 4 2 50 Frecuencia relativa, fi 0,36 0,3 0,22 0,08 0,04 1 Frecuencia relativa acumulada, Fi 0,36 0,66 0,88 0,96 1

Luego determinamos el tiempo medio y la varianza: Tabla #11. Tiempo medio de servicio (seg) i ti fi ti*fi 1 22,5 0,36 8,1 2 67,5 0,3 20,25 3 112,5 0,22 24,75 4 157,5 0,08 12,6 5 202,5 0,04 8,1 73,8 Ahora podemos calcular la varianza: Tabla #12: Varianza del tiempo de llegada (seg2) ti fi 22,5 2631,690 67,5 39,690 112,5 1497,690 157,5 7005,690 202,5 16563,690 0,360 0,300 0,220 0,080 0,040 947,408 11,907 329,492 560,455 662,548 2511,810

i 1 2 3 4 5

En este caso: La distribucin terica es viene dada de la siguiente manera: Tabla #13. Distribucin terica i Intervalo ti F(T) 1 [0, 45) 22,5 0,2628 2 [45, 90) 67,5 0,5993 3 [90, 135) 112,5 0,7822 4 [135, 180) 157,5 0,8817 5 [180, 225) 202,5 0,9357 En este punto podemos graficar la distribucin real y la terica para compararlas:

Grfica #2. Tiempo de servicio

1.000 0.800 frecuencia 0.600 0.400 0.200 0.000 [0, 45) [45, 90) [90, 135) tiempo (seg) [135, 180) [180, 225) FRA Curva exponencial

Se observa nuevamente la similitud entre las curvas, pero es necesario realizar la prueba de hiptesis para la prueba de bondad de ajuste, con un nivel de significacin de 5%. Hiptesis nula (H0): ambas distribuciones son iguales (exponenciales). Hiptesis alternativa (H1): las distribuciones siguen un comportamiento diferente. Tabla #14. Prueba ji cuadrado para la prueba de bondad de ajuste Fr. Intervalo observaciones, Fr. terica, Ft Fo [0, 45) 18 22,826 1,0203 [45, 90) 15 12,405 0,5426

i 1 2

3 4 5

[90, 135) [135, 180) [180, 225)

11 4 2 50 6

6,742 3,664 4,362 50 8,027

2,6889 0,5117 4,7635

Para el intervalo i = 1: ( )

Para aplicar esta prueba la frecuencia terica observada no puede ser menor a 5 por eso se agruparon los intervalos 4 y 5. La medida de desviacin entre la frecuencia emprica y la observada es (estadstico de prueba):

La hiptesis nula establece que:

Dnde: Grados de libertad N = 4 (nmero de intervalos finales) k = 1 (parmetros) = 5% (nivel de significacin) 1- = 0,95 (nivel de confianza)

El valor crtico se busca en la tabla 3 del apndice C del libro Investigacin de operaciones de Hamdy Taha 7ma edicin. 5,991 Comparando el estadstico de prueba con el valor crtico:

Podemos concluir: Con un nivel de significacin del 5%, se acepta la hiptesis nula, por lo tanto servicio del establecimiento sigue una distribucin exponencial con:

 Determinacin de los parmetros para el establecimiento McDonalds Heladera en el C.C. Plaza Atlntico: Una vez demostrado que tanto los tiempos entre llegadas como los del servicio siguen un comportamiento exponencial y adems sabiendo que McDonalds Heladera cuenta con una caja registradora, podemos etiquetar este modelo de colas como un modelo M/M/1.

Dnde: La tasa de llegada () es:

La tasa de servicio () es:

Con ambos valores podemos calcular el factor de utilizacin (recordando que el valor de S = 1 debido a que existe una sola caja registradora, es decir, un solo servidor)

Los clculos se presentan en la siguiente tabla: Tabla #15. Clculos resultados para las caractersticas del trabajo de campo Factor de utilizacin Valor esperado de clientes en el sistema(L) Valor esperado de clientes en la cola (Lq) Tiempo medio de espera en el sistema (W)

Tiempo medio de espera en la cola (Wq)

Probabilidad de cero clientes en el sistema

Probabilidad de n clientes en el sistema

n 1 2 3 4

Pn 0,2303 0,0828 0,0298 0,0107

Interpretacin de resultados: Algunas caractersticas sobre la lnea de espera calculada nos ayudan a tener una visin sobre la cola mas no a resolver el problema ya que contribuye con la informacin vital que se requiere para tomar las decisiones: tasa de llegada (0,2924 personas/min), tasa de servicio (0,8130 personas/min), valor esperado de clientes en el sistema (0,5618 personas), valor esperado de clientes en la cola (0,2012 personas), tiempo medio de espera en el sistema (1,923 minutos), tiempo medio de espera en la cola (0,691 minutos), probabilidad de cero clientes en el sistema (0,6403) y la probabilidad de tener un nmero n de clientes en el sistema que disminuye a medida que el nmero de clientes aumenta. Modelos de colas con distribuciones no exponenciales

En particular, la suposicin de tiempos entre llegadas exponenciales implica que las llegadas ocurren al azar, lo cual es una aproximacin razonable en muchas situaciones pero no cuando las llegadas estn programadas o reguladas con todo cuidado. Todava ms, las distribuciones de tiempos de servicio reales con frecuencia se desvan bastante de la forma exponencial, sobre todo cuando los requerimientos de servicio de los clientes son muy parecidos. Por ello es importante disponer de otros modelos de colas que usen otras distribuciones de probabilidad.

Modelo M/G/1: Sistema de colas con distribucin de tiempo de servicio general. En los sistemas anteriormente estudiados, el tiempo de servicio se supone que sigue una distribucin exponencial con tasa media de servicio conocida como . En algunos modelos este supuesto no es vlido. Esto puede suceder cuando: El tiempo de servicio es determinstico, o sea, cuando cada cliente requiere la misma cantidad conocida de tiempo de servicio. Ejemplo: caso de una lnea de ensamblaje con ciclo de tiempo fijo. El tiempo de servicio es probabilstico, pero se desconoce su distribucin o sta puede no ser exponencial.

En este caso, los tiempos de servicio son variables aleatorias independientes, no necesariamente exponenciales, aunque s idnticamente distribuidas e independientes de los tiempos entre llegadas.

Sea tn el instante en que se produce la n-sima salida del sistema. Justo despus de tn, sea Nn el nmero de clientes en el sistema. Son variables aleatorias con valores enteros (y no negativos): discreto. es un proceso estocstico en tiempo

Si existe el estado estacionario, entonces existir

N es el nmero de clientes tras una salida en estado estacionario. Se pretende calcular E(N).

Entonces Nn+1 = Nn + A - Un,

Siendo A el nmero de llegadas al sistema en S unidades de tiempo (A tambin es v.a.) y

Sabiendo que S=s, entonces

. Adems, usaremos la notacin

El estado estacionario existe s <1 Como Nn+1 = Nn + A - Un, tomando esperanzas:

Y tomando lmites:

(Probabilidad de que queden clientes en el sistema tras una salida en estado estacionario) Ahora, como paso previo para el clculo de E(N), interesa determinar P(Nn+1=j|Nn=i). Es obvio que P(Nn+1=j|Nn=i)=0 si j=0,1,, i-2. Basta ahora considerar ji-1 . Caso 1: i 1 ( j i-1) .

Este valor no depende de n: son probabilidades estacionarias (slo dependen del estdo del sistema). Vienen en funcin de la diferencia j-i. Lo llamaremos kj-i+1 . Una vez conocida la distribucin de S, ya se puede determinar el valor anterior. Caso 2: : i =0 ( j 0) . Razonando como antes, pero teniendo en cuenta que en esta ocasin debe llegar j:

ste es el valor que toma kj . Calculemos ahora E(N). Se parte de Nn+1=Nn + A - Un. Elevamos al cuadrado y tomamos esperanzas: E(Nn+12)=E(Nn2)+E(A2)+E(Un2)+2E(NnA)-2E(NnUn)-2E(UnA). Ahora se observa que por definicin de Un es E(Un2)=E(Un) y E(NnUn)=E(Nn). Adems, A y Nn son independientes (el proceso de llegadas y el proceso de salidas son independientes). De igual modo, A y Un son independientes. E(Nn+12)=E(Nn2)+E(A2)+E(Un)+2E(Nn)E(A)-2E(Nn)-2E(Un)E(A) Tomando lmites en n y usando :

Como, basta conocer Var(A). Para su clculo se necesita de estos resultados previos:

1. Si X es una variable aleatoria, entonces Var(X)=E(X2)-E2(X). 2. Si E(X) es finita y , EY[EX(h(X)|Y=y)]=EX(X). 3. Si E(X2) es finita, entonces VarY[EX(X|Y=y)]=VarX(X) - EY[VarX(X|Y=y)]. Los dos primeros resultados son de inmediata demostracin, as como el tercero usando el segundo. Ahora, haciendo

y teniendo en cuenta que la variable (A|S=s) sigue una distribucin P( ), se tiene:

As

Finalmente, calculemos P(N=n). Sea Pj=P(N=j). Por el teorema de la probabilidad total,

Al tomar lmites en n:

siendo kl=0 si l<0. En notacin matricial:

La entrada (i,j) representa la probabilidad de pasar del estado i al estado j en estado estacionario.

Si P=PK para cierto P=(

), entonces existir el estado estacionario.

Las entradas de P vienen dadas por

Multiplicando por s j+1 la j-sima ecuacin:

Sumando todas las igualdades obtenidas (y representado por G la funcin generatriz de probabilidades de N):

Como G(1)=1, utilizando la regla de l'Hpital se tiene

Finalmente, podemos resumir las frmulas para este modelo: Frmulas Probabilidad de que no P0 1 haya clientes en el sistema Nmero promedio en 2 2 2 L q fila 2(1 ) Nmero promedio en el L Lq sistema Frmulas Tiempo promedio de Lq Wq espera en cola

Tiempo promedio de 1 W Wq espera en el sistema Probabilidad de que un cliente que llega tenga que esperar Utilizacin

Ejemplo: Un servidor de descargas puede atender un cliente cada 5 minutos, la tasa media de llegadas es de 9 clientes/hora, con desviacin de 2 minutos. Obtenga las medidas de desempeo. Se tiene que:

Solucin Intensidad de trfico Nmero promedio en fila

Observacin

9 0,75 12 9 2 0,033 2 0,75 2 Lq 1,31 2(1 0,75 )

Nmero promedio en el sistema Tiempo promedio espera en cola de

L 1,31 0,75 2,06

Wq

1,31 0,145 9

En promedio, la estacin de pesado puede tener 2 clientes esperando en cola En promedio, se tienen 2 clientes esperando por el servidor en descargas En promedio un cliente tiene que esperar 0,145 horas, aproximadamente 9 minutos

en cola

Tiempo promedio espera en el sistema

Solucin de

W 0,145

1 0,228 12

Probabilidad de que no haya clientes en el sistema Probabilidad de que un cliente que llega tenga que esperar

P0 1 0,75 0,25

Observacin En promedio un cliente tiene que esperar 0,228 horas, aproximadamente 14 minutos en el sistema. Aproximadamente el 25% del tiempo, el servidor est vaco. Aproximadamente el 75% de las veces un cliente que llega tiene que esperar.

Relacin entre teoras de colas con programacin lineal, programacin entera y PERTCPM:

Una caracterstica que los asemeja es que su resolucin es a travs de desarrollos matemticos. Pero principalmente, se relacionan en que todos ayudan en el proceso de toma de decisiones; dependiendo de la situacin que se presente, se utilizar uno de los tres mtodos (Programacin lineal, entera o teora de colas). La toma de decisiones es el proceso de seleccionar un curso de accin entre alternativas; es la medula de la planeacin, en este punto es donde la teora de colas se relaciona con PERT CPM, ya que a raz de esta toma de decisiones se inicia el proceso de planificar y organizar programas detallados de largo alcance. La toma de decisiones es tambin una ciencia aplicada que ha adquirido notable importancia y es el tema bsico de la Investigacin de Operaciones.

CONCLUSIONES

A travs de la teora de colas su puede Identificar el nivel ptimo de capacidad del sistema que minimiza el coste del mismo, as como evaluar el impacto que las posibles alternativas de modificacin de la capacidad del sistema tendran en el coste total del mismo y establecer un balance equilibrado (ptimo) entre las consideraciones cuantitativas de costes y las cualitativas de servicio, por estas razones radica la importancia de este estudio matemtico dentro de un sistema

BIBLIOGRAFA 1. Hamdy, Taha. Investigacin de Operaciones. Sptima edicin. Pearson Prentice Hall.

2. Hillier, Lieberman. Investigacin de Operaciones. Sptima edicin. Mc Graw Hill.

3. Kamlesh, Mathur; Daniel, Solow. Investigacin de Operaciones. Sptima Edicin. Pearson Prentice Hall.

ANEXOS Anexo #1

Anexo #2