INDICE

TEMARIO .............................................................................................. 1
OBJETIVO GENEREAL DEL CURSO ................................................ 1
COMPETENCIAS PREVIAS .............................................................. 1
Unidad 5 TEORA DE LNEAS DE ESPERA ........................................... 2
5.1 ESTRUCTURA BSICA DE LOS MODELOS DE LNEAS DE ESPERA
................................................................................................................... 2
EJEMPLO DE PROBLEMA CON LINEAS DE ESPERA ............................ 5
5.2 PATRONES DE LLEGADA Y DE SERVICIO ....................................... 6
EJEMPLO DE PROBLEMAS CON PATRONES DE LLEGADA Y DE
SERVICIO .................................................................................................. 7

5.3 CRITERIOS BAJO LA DISTRIBUCIN DE POISSON Y

EXPONENCIAL PARA LA
SELECCIN DEL MODELO APROPIADO DE LNEAS DE ESPERA ........ 8
EJEMPLO DE PROBLEMAS CON DISTRIBUCIN DE POISSON
.................................................................................................................. 1
0
EJERCICIO N1
.................................................................................................................. 1
0
EJEMPLO DE PROBLEMAS CON DISTRIBUCIN EXPONENCIAL
.................................................................................................................. 1
1
5.4 APLICACIN DE MODELOS DE DECISIN EN LNEAS DE ESPERA
.................................................................................................................. 1
2
5.5 SOLUCIN ANALTICA
.................................................................................................................. 1
3
EJEMPLO DE PROBLEMAS CON LINEAS DE ESPERA
.................................................................................................................. 1
4
CONCLUSIONES
.................................................................................................................. 1
6
FUENTES BIBLIOGRAFICAS
.................................................................................................................. 1
7

Pag. 0
Matemticas para la toma de decisiones
 TEMARIO

UNIDAD 5 TEORA DE LNEAS DE ESPERA

5.1 Estructura bsica de los modelos de lneas de espera

5.2 Patrones de llegada y de servicio
5.3 Criterios bajo la distribucin de Poisson y Exponencial para la
seleccin del modelo apropiado de lneas de espera
5.4 Aplicacin de modelos de decisin en lneas de espera
5.5 Solucin analtica

OBJETIVO GENEREAL DEL CURSO

Estructurar modelos de programacin lineal a partir de situaciones reales y

ficticias. Aplicar las tcnicas de programacin lineal para la resolucin de
problemas de Optimizacin. Evaluar sistemas de cmputo determinar su
desempeo en general. Minimizar costos de inventarios. Seleccionar la
mejor solucin a problemas con mltiples alternativas. Determinar la
configuracin ptima de distintos modelos de transporte o asignacin para
minimizar sus costos de operacin. Construir diagramas de tiempo para
determinar ruta(s) crtica(s) en la administracin de un proyecto.

COMPETENCIAS PREVIAS

Manejar conceptos de lgebra lineal tales como: Matrices y

desigualdades.
Aplicar clculo diferencial a problemas de optimizacin.
Manejo de conceptos bsicos de Probabilidad y estadstica.

Pag. 1
Matemticas para la toma de decisiones
 Unidad 5 TEORA DE LNEAS DE ESPERA

Las lneas de espera son parte de la vida diaria. Todos esperamos en colas
para comprar un boleto para el cine, hacer un depsito en el banco, pagar
en el supermercado, enviar un paquete por correo, obtener comida en la
cafetera, subir a un juego en la feria, etc. Nos hemos acostumbrado a una
considerable cantidad de esperas, pero todava nos molesta cuando estas
son demasiado largas.

La teora de colas es el estudio de la espera en las distintas modalidades.

Utiliza los modelos de colas para representar los tipos de sistemas de lneas
de espera. Las frmulas de cada modelo indican cual debe ser el
desempeo del sistema correspondiente y sealan la cantidad promedio de
espera que ocurrir en diversas circunstancias.

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. Los
modelos permiten encontrar un balance adecuado entre el costo de servicio
y la cantidad de espera.

5.1 ESTRUCTURA BSICA DE LOS MODELOS DE LNEAS DE

ESPERA

El proceso bsico para los modelos de lneas de espera es el siguiente:

Los clientes que requieren un servicio se generan en el tiempo en una fuente

de entrada. Luego, entran al sistema y se unen a una cola. En determinado
momento se selecciona un miembro de la cola para proporcionarle el
servicio mediante alguna regla conocida como disciplina de la cola. Se lleva
a cabo el servicio que el cliente requiere mediante un mecanismo de
servicio, y despus el cliente sale del sistema de colas.

De los elementos que intervienen en el proceso anterior, se pueden obtener

las siguientes definiciones:

Fuente de entrada (poblacin potencial)

Una caracterstica de la fuente de entrada es su tamao. El tamao es el

nmero total de clientes que pueden requerir servicio en determinado
momento, es decir, el nmero total de clientes potenciales. Esta poblacin
a partir de la cual surgen las unidades que llegan se conoce como poblacin
de entrada. Puede suponerse que el tamao es infinito o finito (de modo que
tambin se dice que la fuente de entrada es ilimitada o limitada).

Pag. 2
Matemticas para la toma de decisiones
 Cola

La cola es donde los clientes esperan antes de recibir el servicio. Una cola
se caracteriza por el nmero mximo permisible de clientes que puede
admitir. Las colas pueden ser finitas o infinitas, segn si dicho nmero es
finito o infinito.

Disciplina de la cola

Se refiere al orden en el que sus miembros se seleccionan para recibir el

servicio. En los modelos de colas se supone como normal a la disciplina de
primero en entrar, primero en salir, a menos que se establezca de otra
manera.

Mecanismo de servicio

Consiste en una o ms estaciones de servicio, cada una de ellas con uno o

ms canales de servicio paralelos, llamados servidores. Si existe ms de
una estacin de servicio, el cliente puede recibirlo de una secuencia de ellas
(canales de servicio en serie). En una estacin dada, el cliente entra en uno
de estos canales y el servidor le presta el servicio completo. Los modelos
de colas deben especificar el arreglo de las estaciones y el nmero de
servidores (canales paralelos) en cada una de ellas. Los modelos ms
elementales suponen una estacin, ya sea con un servidor o con un nmero
finito de servidores. El tiempo que transcurre desde el inicio del servicio para
un cliente hasta su terminacin en una estacin se llama tiempo de servicio
(o duracin del servicio).

Las siguientes imgenes muestran el proceso de un sistema de lneas de

espera:
 Fig. 1
Proceso bsico de colas

Pag. 3
Matemticas para la toma de decisiones
INSTITUTO TECNOLGICO DE AGUASCALIENTES

La teora de las colas es el estudio de lneas de espera.

Caractersticas de un sistema de la formacin de colas o lneas de espera
son:
La manera en que los clientes llegan
El tiempo requerido para el servicio
La prioridad que determina el orden de servicio
El nmero y configuracin de servidores en el sistema.
 Pag. 4
Matemticas para la toma de decisiones
 EJEMPLO DE PROBLEMA CON LINEAS DE ESPERA

EJERCICIO N1

En la inspeccin de hojalata producida por un proceso electroltico continuo,

se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15
minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 3 minutos = 0, 1, 2, 3,...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

b) X = variable que nos define el nmero de imperfecciones en la hojalata por

cada 5 minutos = 0, 1, 2, 3,...., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c) X = variable que nos define el nmero de imperfecciones en la hojalata por

cada 15 minutos = 0, 1, 2, 3,....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata

= 0.0498026 + 0.149408 = 0.1992106

 Pag.
5
Matemticas para la toma de decisiones
 5.2 PATRONES DE LLEGADA Y DE SERVICIO

Patrn de llegada

En situaciones de cola habituales, la llegada depende de una cierta variable

aleatoria, en este caso es necesario conocer la distribucin probabilstica
entre dos llegadas de cliente sucesivas. Adems habra que tener en cuenta
si los clientes llegan independiente o simultneamente. En este segundo
caso (es decir, si llegan lotes) habra que definir la distribucin probabilstica
de stos. Tambin es posible que los clientes sean impacientes. Es decir,
que lleguen a la cola y si es demasiado larga se vayan, o que tras esperar
mucho rato en la cola decidan abandonar. Por ltimo es posible que el
patrn de llegada vare con el tiempo. Si se mantiene constante le llamamos
estacionario.

Para determinar la distribucin de probabilidad para la cantidad de

llegadas en un perodo dado, se puede utilizar la distribucin de
Poisson.

/= Media o cantidad
promedio de ocurrencia en
un intervalo e= 2.17828
X= cantidad de ocurrencias
en el intervalo

Patrn de servicio

Se puede tener un tiempo de servicio variable, en cuyo caso hay que

asociarle, para definirlo, una funcin de probabilidad. Tambin se puede
atender en lotes o de modo individual. El tiempo de servicio tambin puede
variar con el nmero de clientes en la cola. Al igual que en el patrn de
llegadas el patrn de servicio puede ser no-estacionario, variando con el
tiempo transcurrido.

El tiempo de servicio es el tiempo que pasa un cliente en la

instalacin una vez el servicio ha iniciado.
Se puede utilizar la distribucin de probabilidad exponencial para
encontrar la probabilidad de que el tiempo de servicio sea menor
o igual que un tiempo t.

e= 2.17828
μ= cantidad media de unidades que pueden servirse por perodo
 Pag. 6
Matemticas para la toma de decisiones
 EJEMPLO DE PROBLEMAS CON PATRONES DE LLEGADA
Y DE SERVICIO

EJERCICIO N1

Pag. 7
Matemticas para la toma de decisiones
 5.3 CRITERIOS BAJO LA DISTRIBUCIN DE POISSON Y
EXPONENCIAL PARA LA SELECCIN DEL MODELO
APROPIADO DE LNEAS DE ESPERA

Distribucin de Poisson

Esta distribucin es una de las ms importantes distribuciones de variable

discreta. Sus principales aplicaciones hacen referencia a la modelizacin de
situaciones en las que nos interesa determinar el nmero de hechos de
cierto tipo que se pueden producir en un intervalo de tiempo o de espacio,
bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas.

Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838

en su trabajo Recherches sur la probabilit des jugements en matires
criminelles et matire civile (Investigacin sobre la probabilidad de los juicios
en materias criminales y civiles).

La funcin de masa o densidad de la distribucin de Poisson es

Donde

X es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la

probabilidad de que el evento suceda precisamente X veces).
es un parmetro positivo que representa el nmero de veces que se espera
que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados
en la probabilidad de que ocurra X veces dentro de un intervalo de 10
minutos, usaremos un modelo de distribucin de
Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2.71828 ...)
Tanto el valor esperado como la varianza de una variable aleatoria con
distribucin de Poisson son iguales a . Los momentos de orden superior
son polinomios de Touchard en cuyos coeficientes tienen una
interpretacin combinatoria.
 Pag. 8
Matemticas para la toma de decisiones
 Distribucin Exponencial

La distribucin exponencial tiene una gran utilidad prctica ya que podemos

considerarla como un modelo adecuado para la distribucin de probabilidad
del tiempo de espera entre dos hechos que sigan un proceso de Poisson.
De hecho la distribucin exponencial puede derivarse de un proceso
experimental de Poisson con las mismas caractersticas, pero tomando
como variable aleatoria, en este caso, el tiempo que tarda en producirse un
hecho. Obviamente, entonces, la variable aleatoria ser continua. Por otro
lado existe una relacin entre el parmetro de la distribucin exponencial,
que ms tarde aparecer, y el parmetro de intensidad del proceso , esta
relacin es = .

Al ser un modelo adecuado para estas situaciones tiene una gran utilidad
en los siguientes casos:

Distribucin del tiempo de espera entre sucesos de un proceso de

Poisson.

Distribucin del tiempo que transcurre hasta que se produce un fallo,

si se cumple la condicin que la probabilidad de producirse un fallo en
un instante no depende del tiempo transcurrido. Aplicaciones en
fiabilidad y teora de la supervivencia
 Pag. 9
Matemticas para la toma de decisiones
 EJEMPLO DE PROBLEMAS CON DISTRIBUCIN DE POISSON

EJERCICIO N1

A un router llegan, en promedio, 10 paquetes por segundo. Si lo hacen

siguiendo una distribucin de Poisson, calcular la probabilidad de que en un
intervalo determinado de un segundo llegue:

a) 15 paquetes: Si la llegada de paquetes sigue una distribucin de Poisson,

la expresin para 15 paquetes ser:
P(X=15)= (e-10*1015)/15!= 0.035

b) ningn paquete:

Anlogamente al apartado a):

P(X=0)= (e-10*100)/0!=0.00005

c) 15 o menos paquetes:
La probabilidad de que lleguen 15 paquetes o menos es:

En general, para calcular sumatorios de este tipo demasiado grandes,

es conveniente consultar las tablas de la distribucin acumulativa. El
resultado en este caso es 0.9513.

d) ms de 15

paquetes: La

probabilidad ser:

Pero resulta ms cmodo calcularla como

P(X>15)=1-P(X15) = 1- 0.9513= 0.0487
 Pag. 10
Matemticas para la toma de decisiones
 EJEMPLO DE PROBLEMAS CON DISTRIBUCIN EXPONENCIAL

EJERCICIO N1

A un cajero bancario o automtico slo llega un promedio de 10 vehculos

por hora. Suponga que los tiempos promedio de servicio para cada cliente
son 4 minutos, y que los tiempos entre llegadas y los de servicio son
exponenciales Conteste las siguientes preguntas:

1. Cul es la probabilidad de que el cajero automtico se encuentre

vaco?
2. Cul es el nmero promedio de automviles que esperan en la cola su
turno? Se considera que un vehculo que est ocupando el cajero
automtico, no est en la cola esperando.
3. Cul es el tiempo promedio que un cliente pasa en el
estacionamiento del banco, Incluyendo el tiempo en el servicio?
4. En promedio, cuntos clientes por hora sern atendidos por el cajero
automtico

Solucin:

Suponemos que nos ocupa un sistema de colas M/M/1/DG//. Para el

cual = 10 automviles por hora y = 15 automviles por hora. Entonces
= 2/3

1. Segn la ecuacin:

0= 1- = 1- 2/3= 1/3.

Entonces el cajero automtico se encontrar sin clientes un promedio

de la tercera parte
Del tiempo.

2. Queremos conocer Lq:

3. Buscamos saber W.
Segn la ecuacin : W= L/

As, W= 2/10 = 1/5 hora, unos 12 minutos.

 Pag. 11
Matemticas para la toma de decisiones
 5.4 APLICACIN DE MODELOS DE DECISIN EN LNEAS DE
ESPERA

Para la solucin de los problemas que representa una cola de espera,

la persona que administra un servicio puede recurrir a varias
alternativas. Entre stas, las ms importantes son:

Anlisis subjetivo

Mtodo matemtico

Tcnicas de simulacin

Anlisis subjetivo

Bajo este mtodo se apela a la experiencia y al sentido comn para

encontrar un balance aproximado entre los costos de espera y de servicio
sin tener que elaborar ningn clculo. Por ejemplo, en un restaurante se
planear tener ms meseros alrededor de las horas de las comidas o en un
banco, asignar ms cajeros en las horas o das picos.

Es importante anotar que esta alusin a lo subjetivo se refiere a la toma de

decisin, es decir, se hace una anlisis particular por parte de un tomador
de decisiones con base en sus creencias, experiencias y conocimientos,
pero con muy poca cuantificacin del problema. Es decir, se confa en el
olfato del personaje para este tipo de problemas. Esta visin de la
subjetividad es diferente de la propuesta en el anlisis que se hace ms
adelante de la subjetividad de quienes interactan en el servicio, como parte
de un todo, para evaluar su eficiencia y calidad.

Mtodo matemtico

En este mtodo se aplica la teora de colas (modelos descriptivos y

estadsticos). Existen varios tipos de modelos matemticos de acuerdo
con las condiciones y distintas presentaciones.

Los mtodos matemticos describen sistemas de lnea de espera con

diferentes caractersticas. Los modelos nos ayudan a encontrar un equilibrio
entre los costos del sistema y los tiempos promedio de la lnea de espera
para un sistema dado.

Pag. 12
Matemticas para la toma de decisiones
 Tcnicas de simulacin

Es una tcnica que permite recrear situaciones o establecer la factibilidad

de un experimento. A partir de la simulacin, se logra visualizar a un sistema
fsico, haciendo una conexin entre lo abstracto y la realidad. Las
simulaciones generan un ambiente de aprendizaje interactivo, lo que
permite a los estudiantes explorar la dinmica de un proceso.

5.5 SOLUCIN ANALTICA

Las tcnicas ms conocidas sobre el modelado analtico (solucin analtica)

son, la teora de colas y los procesos de Markov.

Modelos analticos

Son representaciones matemticas de los sistemas, permiten sacar

conclusiones sobre el comportamiento del sistema. La teora de colas tanto
como la teora de lneas de espera deben considerarse equivalentes.

En las lneas de espera se consume cierta cantidad de tiempo por servicio

pero, el costo de ese servicio es menor debido a la mejor utilizacin del
servicio. En dado caso que exista una poblacin de clientes que demanden
cierto servicio prestado por servidores:

Algunos clientes ingresaran a la cola y esperaran un servicio disponible.

Existen colas ilimitadas las cuales pueden crecer tanto sea necesario y colas
limitadas estas solo pueden contener un numero especifico de clientes o en
ocasiones no contienen ningn cliente en fila.

Proceso de Markov

Un proceso de Markov es un modelo que describe el comportamiento de

sistemas donde el sistema est situado en uno de un conjunto de estados
discretos mutuamente excluyentes y colectivamente exhaustivos S0, S1,
S2,..., Sn.

Dado que un proceso de Markov se encuentra en un estado determinado,

su comportamiento futuro no depende de su historia anterior a su entrada a
ese estado. Muchos procesos de Markov exhiben un comportamiento de
estado estable, esto quiere decir que la probabilidad de que el proceso se
encuentre en un estado determinado es constante en el tiempo.

En un estado Sj, es transitorio si desde un estado Sk que puede ser

alcanzado desde sj, el sistema no puede regresar a Sk. Una cadena sencilla
es una serie de estados recurrentes tal que el sistema puede llegar a
cualquier estado de la cadena desde cualquier otro estado de esta.
 Pag. 13
Matemticas para la toma de decisiones
 EJEMPLO DE PROBLEMAS CON LINEAS DE ESPERA

EJERCICIO N1

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un da
dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan al
banco en un da cualquiera = 0, 1, 2, 3,....., etc., etc.

l = 6 cheques sin fondo por da

e = 2.718

b)
x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3,......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho de otra
forma, debe hablar de lo mismo que x.

Pag. 14
Matemticas para la toma de decisiones
EJERCICIO N2

Un canal de comunicaciones funciona con una velocidad de transmisin de

1000000 bps. En el canal entran paquetes segn un proceso de Poisson
con tasa l = 100 paquetes por segundo. Los paquetes tienen una longitud
que sigue una distribucin exponencial con media L = 5000 b. Si el canal se
puede modelar como un sistema M/M/1, calcular:

a) La tasa de salida.
= R/L = 1000000bps/5000b = 200 paquetes por segundo.

b) r.
r = l/ = 100/200 = 0.5.

c) El retardo de transmisin medio.

L/R = 5000b / 1000000 bps = 0.005 s

d) El nmero promedio de paquetes en el

sistema. N = r/ (1-r) = 0.5/(1-0.5) = 1.

e) El tiempo promedio que pasa un paquete en el

sistema. T = N/l = 1/100 = 0.01 s.

f) El nmero promedio de paquetes en

la cola. NQ = r2/ (1-r) = 0.52/(1-0.5) =
0.5.

g) El retardo promedio de
cola NQ/l = 0.5/100 =
0.005s
 Pag. 15
Matemticas para la toma de decisiones
 CONCLUSIONES

Las lneas de espera forman parte importante de nuestra vida diaria y es de

gran utilidad conocer los modelos que se manejan para ellas, ya que nos
proporcionan informacin importante de un sistema que se tenga
implementado y as poder mejorar su rendimiento y evitar prdidas por una
mal manejo de l.

Como conclusin podemos decir que la teora de las colas es el estudio

matemtico de las colas o lneas de espera. Esta informacin se deriva a
travs de un fenmeno comn que ocurre siempre que la demanda efectiva
de un servicio excede a la oferta efectiva. Dicho as, las empresas deben
tomar decisiones respecto al caudal de servicios que debe estar preparada
para ofrecer.

Sin embargo, muchas veces es imposible predecir con exactitud cundo

llegarn los clientes que demandan el servicio y/o cuanto tiempo ser
necesario para dar ese servicio; es por eso que esas decisiones implican
dilemas que hay que resolver con informacin escasa. Estar preparados
para ofrecer todo servicio que se nos solicite en cualquier momento puede
implicar mantener recursos ociosos y costos excesivos. Pero, por otro lado,
carecer de la capacidad de servicio suficiente causa colas excesivamente
largas en ciertos momentos. Cuando los clientes tienen que esperar en una
cola para recibir nuestros servicios, estn pagando un coste, entiempo, ms
alto del que esperaban. Las lneas de espera largas tambin son costosas
por tanto para la empresa ya que producen prdida de prestigio y prdida
de clientes.

La teora de las colas en si no resuelve directamente el problema, pero

contribuye con la informacin vital que se requiere para tomar las decisiones
concernientes prediciendo algunas caractersticas sobre la lnea de espera:
probabilidad de que se formen, el tiempo de espera promedio.

La teora de colas es una herramienta muy importante de la investigacin de

operaciones pues sus resultados son aplicables en una amplia variedad de
situaciones como: negocios, comercio, industria, ingenieras, transporte y
telecomunicaciones.

Concluyo que para la mejor atencin del cliente, es importante que sta sea
lo ms ptima posible para generar confianza y fidelidad con el cliente y ste
regrese satisfecho a su hogar y por lo tanto as se mantendr la clientela por
mucho tiempo y por otro lado aumentar la utilidad del negocio.
 pag.
16
Matemticas para la toma de decisiones