Professional Documents
Culture Documents
4.1. Antecedentes
A principios del siglo XX, a raíz de cierto trabajo publicado en el año de 1909 por A.
Erlang sobre el estudio de la congestión de llamadas telefónicas, surgió la hoy denominada
Teoría de Líneas de Espera ó Teoría de Colas. Después de este trabajo y de otros dos más
publicados también por Erlang, surge en 1951 el desarrollo formal de la Teoría de Colas
bajo un enfoque de procesos estocásticos y se debió al científico Kendall. Mas tarde en el
año de 1953, Kendall y Lee desarrollan la notación hasta el momento utilizada para
simbolizar las líneas de espera, notación que se mostrará y empleará mas adelante en estas
notas.
Observándose el libro de Prabhu1 (1965), a finales de 1960 ya existían amplios desarrollos
matemáticos asociados con el tema, diferenciándose, como hasta hoy en día, las Líneas de
Espera Markovianas, tratadas a través de lo que se conoce como la ecuación de
Kolmogorov (que veremos mas adelante), la cual tiene como fundamento la teoría básica de
Cadenas de Markov en Tiempo Continuo, y las No-Markovianas tratadas con la técnica
denominada Imbedded Markov Chains cuyo desarrollo es y ha sido bastante complejo.
Hay numerosas situaciones en la vida práctica donde el estudio de líneas de espera goza de
especial interés y aplicación. Un ejemplo de esto es el análisis del tiempo de espera de los
pasajeros en la sala para abordaje en un aeropuerto, ó la cantidad de inventario de producto
en proceso almacenado temporalmente en espera de ser procesado, ó la espera de pacientes
en la recepción de un consultorio, ó la cola de camiones esperando a ser atendidos por
1
PRABHU, Narahari. Queues and Inventories. A study of their Basic Stochastic Processes. John Wiley &
Sons. 1965. (Esta disponible en la Biblioteca de la Universidad del Valle)
82
personal especializado en los muelles de cargue y descargue en cierto centro de despachos,
etc. Observe que en general las esperas aquí señaladas no son del todo deseables, siendo en
todo caso ideal que la espera de los clientes sea nula y que por tanto no existan colas. Sin
embargo, el desear que los camiones no esperen, que los pacientes con necesidad de
atención nunca tengan que esperar, etc., es algo que generalmente se queda sólo en deseos,
ya que en la practica es difícil de lograr. Lo que sí se puede hacer es minimizar la espera.
En la mayoría de sistemas empresariales la condición de “no cola” ó “no espera” es algo
que se lograría con muy altos niveles de eficiencia, donde normalmente el costo de lograr
esa eficiencia es mayor que el costo asociado a las citadas esperas. Entonces, dado que toca
lidiar con esperas de productos, de personas, de vehículos, de materias primas, etc., es
bastante pertinente estudiar los indicadores del sistema de espera en cuestión, siempre
tratando de mejorar la eficiencia global.
Todos los sistemas de colas tienen la estructura general que se muestra en la figura 4.1.
Servidores
Salida
del
C1
Sistema
Entrada C2
al Sistema Cola
Cp
Clientes Potenciales
Detalle la existencia de los Clientes, de los Servidores que prestan atención a esos clientes,
y de la Cola que se forma por la aleatoriedad del funcionamiento del sistema.
83
Existen además otros elementos como los siguientes:
• Proceso de Llegada: representa la forma en que la llegada de clientes ocurre. Un dato
importante que se maneja en el proceso de llegada es el Tiempo entre Llegadas de
clientes, el cual puede ser determinístico (constante), ó probabilístico (asociado a cierta
distribución de probabilidad). También se considera si las llegadas de clientes son
individuales ó por grupos (batches), en cuyo se debe tener el dato del tamaño del batch.
• Proceso de Atención: El proceso de atención se representa generalmente por el tiempo
que tarda la atención de un cliente ó Tiempo de Servicio. Este tiempo puede ser
deterministico, es decir, cualquier cliente es atendido en un tiempo exactamente igual, ó
probabilistico, en cuyo caso debe definirse la distribución de probabilidad del tiempo de
atención de un cliente. También se define si la atención se hace individual ó por
batches.
• Numero de Servidores: Un sistema puede tener un solo servidor ó varios en paralelo
como el caso de algunas entidades financieras. Puede observarse aquí la figura 4.2,
donde se muestran además sistemas de servidores en serie, con una común ó en cambio
varias colas.
• Capacidad del Sistema: Un sistema de espera se dice que tiene capacidad infinita
cuando no tiene restricciones respecto al tamaño que pueda alcanzar la cola.
84
Figura 4.2. Estructuras clásicas de sistemas de espera
85
• Cuánto demora el Servidor en atender al cliente o en procesar un producto?
• Cuáles son el número promedio y el máximo de clientes que esperan en la fila?
Pero también se suelen hacen ciertas preguntas relacionadas con el diseño del sistema:
• Cuántos recursos o servidores deben emplearse para proporcionar un servicio
aceptable?
• Los clientes esperarán en una fila o en varias filas?
• Qué tanto espacio se necesita para que los clientes o productos puedan esperar?
Servidores
• c = Número de servidores.
• µ = Tasa de servicio ó el número promedio de clientes que se atienden por unidad
de tiempo.
• Disciplina de atención a clientes (FIFO, LIFO, Prioridad, Aleatoria).
• Colocación de los servidores (en Paralelo, en Serie ó en Red).
• Atención individual ó en grupos.
Clientes
• n = Numero de clientes en el sistema (tanto en fila como en los servidores)
• N = Numero máximo permisible de clientes en el sistema
• λ = Tasa de Llegadas ó Numero promedio de llegadas de clientes por unidad de
tiempo
• Población finita o infinita
• Llegadas individuales ó en grupos.
Cola
86
• Lq = Numero promedio de clientes en cola
• L = Numero promedio de clientes en el sistema (en cola y en servicio)
• Tamaño de la Cola (Finita o Infinita)
• Forma de Salir de la Cola.
Otros Indicadores:
U = utilización de los servidores ó número de clientes promedio atendidos por
servidor por unidad de tiempo
ρ = intensidad de tráfico del sistema
87
4.4. Naturaleza estocástica de los sistemas de espera
Cualquier sistema de colas pasa por 2 fases según la figura 4.3: La fase transitoria y la
fase estable.
Tiempo
de Espera
88
el estudio combinado de llegadas y salidas de clientes (procesos de Nacimiento y Muerte)
en esta fase ha resultado ser bastante complicado y más allá del alcance de muchos
estudiosos en el tema, surgiendo esta dificultad quizás por el hecho del comportamiento
estadísticamente inestable de la información en esta fase.
En la Fase Estable se estudian los procesos de Nacimiento y Muerte, siendo los más
abordados los sistemas de colas con distribución probabilística Poisson y servidores en
paralelo. De hecho, en la siguiente sección explicaré la importancia de la distribución
Poisson en los sistemas de espera.
f(x) p(x)
Distribución
Distribución Poisson
exponencial
89
(λT ) k e − λT p(x)
P( X = k ) = , si k ∈ {0,1,...}
k!
X
Donde:
λ = numero medio de llegadas por unidad de tiempo
λT = numero medio de llegadas en un intervalo específico de tiempo T
Ahora, dado que el número de clientes que llegan se comporte Poisson, entonces se cumple
que el tiempo entre dos llegadas consecutivas se distribuye exponencial con media β =1/λ
Sea la variable aleatoria Y el tiempo entre llegadas. Esta variable continua tiene entonces
la siguiente función de probabilidad:
f(x)
e −t β
f (Y = t ) = , t≥0
β
f (Y = t ) = λ e − λ t , t≥0
Generalizando:
90
Un supuesto general en sistemas de espera que se considera aceptable desde el punto de
vista lógico y practico, es que los tiempos entre llegadas y los tiempos de servicio se
comporten según la función exponencial. ¿Porqué?
Puede ser lógico iniciar nuestro razonamiento pensando que la teoría analítica de colas
busca estudiar sistemas de espera que tiendan a la congestión. Por un lado, es razonable
que así sea dado que nos interesa estudiar sistemas donde la espera sea un real problema, y
por otro lado, algo interesante de observar es que la tendencia a la congestión es
precisamente lo que nos sugiere el anterior supuesto general asociado al fenómeno Poisson.
Notemos que al considerar el tiempo entre llegadas exponencial, apoyados por la figura
4.5, se asume que es altamente probable que el tiempo entre llegadas tienda a ser bajo con
lo que se permite desde el punto de vista estocástico la existencia de la congestión y la cola.
f(x)
Tiempo entre
Llegadas
1/λ
Figura 4.5. Tiempo entre llegadas exponencial
91
f(x)
Tiempo de
Servicio
1/µ
Figura 4.6. Tiempo de servicio exponencial
Además de lo anterior, los sistemas de espera que tienen este comportamiento exponencial
y que por tanto están inmersos dentro del fenómeno Poisson, se dice que son sistemas
totalmente aleatorios por la propiedad especial de pérdida de memoria de la distribución
exponencial. Veamos con un ejemplo esta importantísima propiedad.
Sean dos segmentos de tiempo consecutivos s y r, siendo “s” un período de tiempo pasado
y “r” un periodo de tiempo futuro.
r
s
Segmentos de
Tiempo
Situación actual
Por ejemplo, responda la siguiente pregunta: ¿Cuál es la probabilidad de que hayan llegado
12 clientes en 4 horas, si se conoce que en las primeras tres horas llegaron 9 clientes?
1 hora
3 horas
3 clientes ?
9 clientes
Cualquier lector desprevenido podría hacer una simple regla de tres y decir que, dado que
en las primeras tres horas llegaron 9 clientes entonces en las cuatro horas completas la
92
probabilidad de que hayan llegado 12 clientes es bastante alta, arriesgándose a decir que es
casi uno. Pero en las llegadas poisson, el pasado carece de importancia. Veamos lo que
ocurre.
P(4 horas !12 clientes / 3 horas ! 9 clientes) = ?
Equivale a
preguntar
( λ t ) 3 e − λt
P ( X = 3) = = 22,4%
3!
Observe que la probabilidad no era tan alta como quizás alguien pensó.
Veamos el siguiente ejemplo tradicional de Nacimiento Puro. Suponga que los nacimientos
en un país están separados en el tiempo, de acuerdo con una distribución exponencial,
presentándose un nacimiento cada 8 minutos en promedio.
• ¿Cual es la probabilidad de que no hayan nacimientos en 1 día?
• ¿Cual es la probabilidad de emitir 54 actas de nacimiento en 3 horas si en las
primeras 2 horas se emitieron 38 actas?.
93
Como el tiempo entre llegadas (entre nacimientos) es de 8 minutos, entonces la tasa de
nacimiento en el país se calcula como:
24 × 60
λ= = 180 nacimientos / dia = 7,5 nacimientos / hora
8
La probabilidad de que no hayan nacimientos en un día es, siendo T = 1 día:
(180 × 1 ) 0 e − 180 ×1
P(X T =1 = 0) = ≅ 0
0!
( 7 ,5 × 1) 16 e − 7 , 5×1
P ( X T =1 = 16 ) = = 0 , 26 %
16 !
Como ejemplo de Muerte Pura obsérvese el siguiente ejemplo. Al inicio de cada semana, se
almacenan 15 unidades de un artículo para ser utilizados durante la semana. Los retiros de
productos siguen una distribución Poisson con media 3 unidades/día. Cuando el nivel de
existencias llega a 5 unidades, se coloca un nuevo pedido de 15 unidades que llegará
iniciando la semana siguiente. Debido a la naturaleza del artículo se desechan todas las
unidades que sobran al final de la semana. Se le pide a usted que intente determinar,
asumiendo la semana de 6 días hábiles, la probabilidad de que al cuarto día de la semana el
nivel de existencias llegue al punto crítico de 5 unidades.
Se habló anteriormente de que las colas que se asociaban a fenómenos estocásticos Poisson
se consideran como procesos totalmente aleatorios. Ahora podemos empezar a recordar
94
que así mismo eran consideradas a las Cadenas de Markov Ergódicas en tiempo discreto
vista anteriormente.
Pero los procesos de “nacimiento y muerte”, como generalmente se les conoce a los
sistemas de colas, vienen a comportarse de mejor manera como un proceso estocástico
enmarcado dentro del concepto de Cadenas de Markov en Tiempo Continuo, el cual asume
que los cambios de estado pueden ocurrir en un tiempo ∆T pequeño.
Un Sistema de Espera puede modelarse como un proceso estocástico markoviano en el cual
la variable aleatoria se define como el número de clientes en el sistema, n, en un momento
dado, donde los distintos valores de n vienen a ser los estados del proceso estocástico
markoviano.
El conjunto de valores que puede tomar la variable n es {0 ,1 , 2 , ……, N} y cada uno de
ellos tiene asociada una probabilidad de ocurrencia {P0 , P1 , P2 , ……, PN}. Estas
probabilidades se denominan probabilidades de estado estable del sistema de espera y se
calculan dentro de un proceso markoviano asumiendo ergodicidad tal como se mostrará a
continuación.
n -1 n n +1
µn µn+1
95
De la figura 4.7 se deduce que, estando en el estado n, sólo se puede pasar al estado n+1
(ocurre una llegada) ó al estado n-1 (ocurre una salida).
Observe también que La Tasa de Llegada λn y la Tasa de Servicio µn dependen del estado
en que se encuentre el sistema en un determinado momento.
λ si n = 0,1, 2, ....N − 1
λn = La cola ha alcanzado su límite y por lo tanto no
0 si n = N pueden llegar más clientes.
(λn ∆t ) e λ
x0 − n ∆t
P( X = x 0 / ∆t ) =
x0 !
Pero como de hecho x0 = 1, entonces, la probabilidad de que ocurra una llegada en ∆t, es
decir, de pasar del estado n al estado n + 1, es por tanto:
− λn ∆t
p n ,n +1
= (λ n ∆t ) e ≅ λ n ∆t n = 0, 1, 2,..., N − 1
96
(µ n ∆t ) e µ
x0 − n ∆t
P ( X = x0 / ∆t ) =
x0 !
De nuevo se tiene que x0 = 1, y entonces la probabilidad de que ocurra una salida en ∆t, es
decir, de pasar del estado n al estado n - 1, es por tanto:
pn,n−1 = ( µ n ∆t ) e−µ ∆t ≅ µ n ∆t
n
n = 1, 2,...,
p n ,n
≅ 1 − λ n ∆t − µ n ∆t n = 1, 2,...,
− λn ∆t
pn n+, 1
= (λ n ∆t ) e ≅ λ n ∆t n = 0, 1, 2,..., N − 1
− µ n ∆t
p n n−
, 1
= ( µ n ∆t ) e ≅ µ n ∆t n = 1, 2,..., Ecuaciones de Kolmogorov
p n ,n
≅ 1 − λ n ∆t − µ n ∆t n = 1, 2,...,
97
0 1 2 3 … N-1 N
0 p 00 p 01 0 0 ... 0 0
1 p10 p11 p12 0 ... 0 0
2 0 p 21 p 22 p 23 ... 0 0
3 0 0 p 32 p 33 ... 0 0
... ... ... ... ... ... ... ...
N −1 0 0 0 0 ... p N −1 , N −1 p N −1, N
N 0 0 0 0 ... p N , N −1 p NN
No es mayor problema observar que la matriz de la figura 4.8 tiene una sola clase
recurrente aperiódica y que por lo tanto es ergódica, teniendo un único estado estable.
Construyendo las ecuaciones de estado estable de la matriz y reemplazando los valores Pij
por sus equivalentes Pn,n+1 ó Pn,n-1 ó Pn,n según convenga.
Veamos:
P0 = P00P0 + P10P1 = (1-λ0∆t)P0 + (µ1∆t)P1
P1 = P01P0 + P11P1+ P21P2 = (λ0∆t)P0 + (1- λ1∆t - µ1∆t)P1 + (µ2∆t)P2
P2 = P12P1 + P22P2+ P32P3 = (λ1∆t)P1 + (1- λ2∆t - µ2∆t)P2 + (µ3∆t)P3
…
PN-1 =PN-2, N-1 PN-2 + P N-1, N-1PN-1+ PN, N-1 PN = (λN-2 ∆t)PN-2+(1-λN-1∆t-µN-1∆t)PN-1 + (µN∆t)PN
PN = PN-1, NPN-1 + P N, NPN = (λN-1∆t)PN-1 + (1-µN∆t)PN
P0 + P1 + P2 + ….+ PN = 1
λ λλ λλλ
P=µ P
1
0
0
, P =µµ P
2
0 1
0
, P =µµ µ P
3
0 1 2
0
, y en general so obtiene que:
1 1 2 1 2 3
98
λ λ λ ....λ Este resultado es el usado mundialmente para la
Pn = µ µ µ .... µ P
0 1 2 n −1
0 deducción de las formulas analíticas de Teoría
1 2 3 n de Colas.
Estado Futuro
0 1 2 3 4
3 5 2 0 0 Estados → {0,1,2,3,4}
0
Estado 8 4 Número de pacientes en el
1 7 0 1
Actual 2 5 5 5 5 5 consultorio
3
5 0 10 0 0
4 1 0 0 0 1
Esta matriz no es una matriz estocástica ó de probabilidades de transición, sino que se trata
de una matriz que contiene el numero de transiciones observadas. Si ponemos un poco
de cuidado, podemos advertir que en un total de 73 observaciones se pueden verificar 72
transiciones. ¿Porqué? Verifique.
99
ocasiones se tuvo el caso que cinco minutos después el consultorio tenía 2 pacientes (es
decir, había salido un paciente).
A partir de aquí hay dos caminos posibles a tomar: el primero es usar cadenas de markov y
hacer algo similar a lo que anteriormente hicimos para hallar Pn, y el segundo método
consiste en aprovechar el resultado general ya obtenido también con cadenas de markov
para Pn. Luego, con las probabilidades ya obtenidas se encuentra el numero promedio de
pacientes L (pregunta que se debe responder) como se mostrará posteriormente.
2
Dado que la Poisson tiene la propiedad de que su media y su desviación estandar tienen el mismo valor.
100
Podemos ahora construir con base en la matriz de transiciones, la Matriz de
Probabilidades de Transición de un paso:
0 1 2 3 4 0 1 2 3 4
3 5 2 0 0 0.3 0.5 0.2 0 0
0 0 0.4 0.35
1
8 7 0 1 4 1 0 0.05 0.2
P=
2 5 5 5 5 5 2 0.2 0.2 0.2 0.2 0.2
3 3 0.33 0 0.66 0 0
5 0 10 0 0
4 1 4 0.5 0 0 0 0 .5
0 0 0 1
0
1 Esta es una matriz con
clase única recurrente
aperiódica (verifíquelo!),
2 por tanto ergódica y con
un único Estado Estable.
3 4
L = 0 x P0 + 1 x P1 + 2 x P2 + 3 x P3 + 4 x P4
L = 0 x 0.355 + 1 x 0.310 + 2 x 0.122 + 3 x 0.041 + 4 x 0.173
L = 1.37 pacientes
101
Método 2: empleando la formula general para Pn
Dado que el caso es de una cola con Capacidad Finita (caben sólo 4 personas en el
consultorio) y un solo servidor (c = 1):
1,02 llegadas / unidad de tiempo si n = 0,1, 2, 3
λ n 0
=
si n = 4
0 1 2 3 4
µ1 µ2 µ3 µ4
(1,02) P1 = 0.962 P0
P =
1
(1,06) P0
(1,02)(1,02)
P =
(1,06)(1,06) P0
2
P2 = 0.925 P0
(1,02)(1,02)(1,02)
P =
(1,06)(1,06)(1,06) P0
3 P3 = 0.89 P0
(1,02)(1,02)(1,02)(1,02)
P =
4
(1,06)(1,06)(1,06)(1,06) P0 P4 = 0.856 P0
102
P0 = 0.216, P1 = 0.207, P2 = 0.198, P3 = 0.192, P4 = 0.184
Compare éste resultado con el del anterior método. Piense un poco y diga ¿a qué se deben
las diferencias?. En general, se estima que el método 2 es una adecuada aproximación del
análisis estocástico a un sistema de espera siempre que éste se comporte según un proceso
Poisson.
Ahora supongo que no tiene dudas de la relación existente entre la Teoría de Líneas de
Espera y las Cadenas de Markov.
∞ N
L = ∑ nPn L = ∑ nPn
n =0 n =0
103
Considerando lógicamente que existirá cola siempre y cuando n > c, dado que si el número
de clientes en el sistema es menor o igual al número c de servidores entonces no habría
cola, se tiene las siguientes ecuaciones mostrándose también el caso infinito y finito:
∞ N
Lq = ∑ (n − c) Pn Lq = ∑ (n − c) Pn
n =c n =c
Fórmulas de Little
L
W =
λ
Wq! tiempo promedio de permanencia de un cliente en la cola
Lq
Wq =
λ
Los anteriores resultados suponen el sistema de espera está en estado estable, es decir, se
desarrollaron bajo la suposición de que los valores de λn y µn son tales que el sistema de
hecho puede alcanzar la condición de estado estable. Realmente, el estado estable se
alcanza siempre es dos situaciones:
Esta notación es aplicable a servidores en paralelo y fue propuesta en 1951 por Kendall y
mejorada en 1953 por el trabajo de Kendall-Lee.
104
Servidores
1
Salida Simbología
del
Entrada 2 Sistema A/ B /C : D /E /F
al FILA
Sistema
c
Sistema de Colas M/ D / 15 : DG / N / ∞
M significa que se tienen llegadas tipo Poisson (markovianas); D, significa que se tienen
tiempo de servicio o de salidas determinístico (constante); se tienen 15 servidores en
paralelo; la disciplina de servicios es general; N significa que el sistema sólo puede alojar a
un máximo de N clientes; ∞ es para indicar se tienen una población de clientes infinita o
fuente de llegada de clientes infinita.
Sistema de Colas M/ M / 4 : DG / ∞ / ∞
105
Sistema con llegadas y salidas Poisson, 4 servidores en paralelo, disciplina de servicio
general, el sistema tiene capacidad ilimitada para recibir clientes y tiene una población de
clientes infinita.
Los modelos M/M/c, es decir con proceso de llegada y atención de clientes Poisson ó
Markoviano con c servidores, son los que analíticamente permiten un tratamiento no tan
riguroso y serán estudiados a continuación. Para los demás sistemas de colas, con otro
comportamiento probabilistico, es recomendable emplear la simulación para su análisis ya
que los procedimientos analíticos son bastante complejos y algo confusos para un usuario
poco adiestrado en altas matemáticas. Lo bueno de todo es que el estudio analítico de las
colas M/M/c son altamente útiles dado que como se vió en la anterior sección, la mayoría
de los sistemas de espera se comportan según la Distribución Probabilística Poisson.
106
En la sección 4.6 estudiamos las principales medidas de efectividad de un sistema de
espera, y pudimos notar que previo al cálculo de esos indicadores deben hallarse las
probabilidades Pn.
Dado que muchas de las formulas de sistemas de espera parecen ser bastante complicadas y
en algunas ocasiones asustan a ciertos estudiosos principiantes, observaremos aquí que para
hallar las medidas de efectividad no se requiere de complejas matemáticas, siendo en
general necesario tener en cuenta los siguientes cinco resultados, los dos primeros ya
demostrados y los siguientes tres son teoremas de convergencia de series geométricas:
= λ λ λ .... λ
A P n
µ µ µ .... µ P
0 1 2 n −1
0
1 2 3 n
B P0 + P1 + P2 + …. + Pn = 1
∞
1
∑x
n
C = , si x < 1
n= 0 1− x
∞
1
∑n x
n −1
D = , si x < 1
n =1 (1 − x) 2
N
1 − x N +1
∑x
n
E = , si x ≠ 1
n= 0 1− x
En lo sucesivo se hará referencia a estos cinco resultados, enunciándolo por ejemplo como:
“de acuerdo al resultado A”, etc.
107
Se discutirán aquí sistemas de espera con un único servidor. Asumamos un proceso de
nacimiento-muerte con una tasa de llegada por unidad de tiempo constante λ (nacimiento)
y una tasa de servicio por unidad de tiempo µ (muerte).
Si λ > µ , la cola crecerá infinitamente. A ρ = λ/µ, se le conoce como intensidad de tráfico
ó factor de utilización del servidor, y concluimos por tanto que para que un sistema de
espera como estos tenga estabilidad y sea viable analizarlo es porque ρ < 1.
Antes de observar un ejemplo representativo, encontremos algebraicamente las medidas de
efectividad del sistema de espera [M/M/1 : DG/∞/∞].
λ λ λ
0 1 2 3 ……..
µ µ µ
Por el resultado A se tiene que:
P1 = ρP0, P2 = ρ2P0 ………..Pn = ρnP0
Atendiendo al resultado B, obtenemos:
P0 (1 + ρ + ρ2 + ….+ ρn) = 1
! P0 = 1/ (1 + ρ + ρ2 + ….+ ρn) , y por el resultado C se tiene que: P0 = 1 - ρ
Por lo tanto: Pn = ρn(1- ρ)
Cuando las probabilidades de estado estable son conocidas, las otras características pueden
ser calculadas:
∞ ∞ ∞
L = ∑ nPn = ∑ nρ n (1 − ρ ) = (1 − ρ )∑ nρ n
n =0 n =0 n =0
∞ ∞ ∞ ∞
Lq = ∑ (n − c) Pn = ∑ (n − 1) Pn = ∑ nPn − ∑ Pn = L − (1 − P0 ) = L − ρ
n =1 n =1 n =1 n =1
108
Por lo tanto : Lq = ρ2/(1-ρ) Wq = Lq/λ
Ejemplo 1:
λ = 10 partes/hora µ = 12 partes/hora
Horno Prensa
El factor de utilización es ρ = 0,833 (puesto que ρ<1, se continua el análisis para el estado
estable).
1. La probabilidad de que la Prensa esté ociosa, es igual a la probabilidad de que
ningún trabajo esté en servicio ni esté esperando, es decir, P0. Por lo tanto se
calcula P0 = 1- ρ = 0,167. La Prensa estará ociosa el 16,7% del tiempo.
2. El numero promedio de partes en el sistema es L. Por tanto la calculamos asi:
L = ρ/(1- ρ) = 5 partes. En este contexto puede verse a L como el WIP promedio.
3. La longitud promedio de la cola es Lq = L – ρ = 4,167 partes.
4. El throughput time es W = L/λ = 0,5 horas.
5. El tiempo invertido por unidad en la cola es Wq = Lq/λ = 0,4167 horas = 25 min.
109
Observe que en este caso se suponen sistemas de capacidad de cola infinita y clientes
potenciales infinitos.
También en este ejemplo podrían preguntarnos:
6. Cuál es el numero promedio de partes que pasaron por la Prensa?. Aquí nos
preguntan por Ls = L - Lq = ρ = 0,83 partes.
7. Cual es el tiempo promedio que una parte está en el proceso de Prensado?. Aquí
nos preguntan por Ws = Ls/λ = 1/µ = 0,083 horas = 5 minutos
0 si n = 0
µ n = nµ si n =1, 2, ....c − 1
cµ si n = c, c + 1,...
Para encontrar las medidas de efectividad del sistema de espera [M/M/c : DG/∞/∞],
encontremos las probabilidades de estado estable Pn.
λ λ λ λ λ λ
0 1 2
… c c+1 c+2 … n
µ 2µ cµ cµ cµ cµ
n<c n≥c
110
1
P0 = n −c
c −1
(λ / µ ) (λ / µ ) c
n ∞
λ
∑
n= 0 n!
+
c!
∑
n = c cµ
Note que la segunda sumatoria tiene la forma indicada en el resultado C, quedando por
tanto:
1
P0 = c −1
(λ / µ ) (λ / µ ) c
n
1
∑ n!
+
c!
1 − ( λ / cµ )
n= 0
Haciendo la sustitución de ρ = λ/cµ se obtiene:
1
P0 = c −1
(cρ ) (cρ ) c n
1
∑ +
n= 0 n! c! 1 − ρ
P0 (cρ ) n
para n = 1,2,....., c
n!
Pn =
P0 c ρ
c n
para n = c + 1, c + 2,....
c!
∞ ∞
ccρ n c c ρ c P0 ∞
Lq = ∑ (n − c) Pn = ∑ (n − c) P0 = ∑ ( n − c) ρ n− c
n =c n= c c! c! n =c
111
Ejemplo 2:
Una estación de trabajo en una compañía recibe unidades desde dos fuentes: un
subcontratista y un centro de maquinado de la misma compañía. La tasa de llegada desde
cada uno es Poisson con parámetro λ = 3 unid/min. La compañía a comprado otra estación
de trabajo idéntica para incrementar la producción (throughput). Cada estación tiene una
tasa de servicio µ = 7 unid/min. La empresa tiene tres opciones para el diseño del sistema:
a) Que todas las partes que provengan del subcontratista sean procesadas por la
estación de trabajo que actualmente se está utilizando, y que todas las unidades que
provengan del centro de maquinado sean procesadas por la nueva estación que se
va a adquirir.
µ
λ
µ
λ
b) Puesto que las partes que provienen del subcontratista son idénticas a las partes
provenientes del centro de maquinado, es posible combinar las dos estaciones de
trabajo con una tasa de servicio conjunta igual a 2µ, uniendo las partes de las dos
fuentes en una única cola.
λ 2λ 2µ
λ
c) Combinar las dos llegadas en una única cola pero mantener las dos estaciones de
trabajo separadas.
µ
λ 2λ
µ
λ
112
3. Si la reducción del WIP es un criterio más importante que el tiempo de
espera en el sistema, muestre que el sistema c es preferible al sistema b.
Asuma que el WIP es medido como el numero promedio de unidades en la
cola.
Solución/
1. El sistema a lo conforman dos sistemas M/M/1 cada uno con parámetros λ = 3 y µ =
7, siendo ρ = 0,4285 para cada uno. El sistema b es un M/M/1 con parámetros 2λ =
6 y 2µ = 14, siendo ρ = 0,4285. El sistema c es un M/M/2 con parámetros 2λ = 6 y
µ = 7, siendo ρ = 0,8571.
113
Los modelos con capacidad de cola finita son necesarios en muchas situaciones prácticas.
Por ejemplo, un centro de máquinas en una empresa tiene un área limitada para
almacenamiento temporal de partes que deben esperar a ser procesadas. Suponga que la
cola puede albergar un máximo de N partes.
Se trata de los sistemas [M/M/1 : DG/N/∞] y [M/M/c : DG/N/∞]. Para todos los sistemas
previos asumimos que para que el sistema de espera llegara a un estado estable debía
cumplirse necesariamente que ρ<1. Para sistemas de cola finita no debemos preocuparnos
por esto, ya que independiente del valor de ρ la cola no crecerá indefinidamente ya que
fisicamente está limitada por la capacidad N.
Debido a que la cola finita asegura que la tasa de llegada es cero después que la cola ha
alcanzado su máxima capacidad, la tasa efectiva de llegada (λef) es calculada usando la
fórmula:
λ si n = 0,1, 2, .... N −1
λn =
si n = N
λef = ∑λ ⋅ P n = λ ⋅ (1 − PN )
0 n= 0
Asi mismo, la tasa promedio de clientes no atendidos (clientes rechazados por el sistema ó
λre) por estar el sistema a plena capacidad es igual a:
λre= λ · PN
n =1 n = c +1
ρ ( N + 1) ρ N +1 λef
L − Lq +
1− ρ 1 − ρ N +1 µ
Lq L + P0 - 1
[(cρ ) c
ρ P0 ]⋅ [1 − ρ N −c − ( N − c) ρ N − c (1 − ρ )]
c!(1 − ρ ) 2
W L/λef L/λef
Wq Lq/λef L/λef
114
4.9. Software RAQS (Rapid Analysis of Queuing Systems)
λR
λ=12
Horno Prensa Inspección
λA
µ = 15 µ = 18 µ = 21
Observe que en este sistema de maquinas que están dispuestas en serie, los clientes ó partes
pueden llegar de una fuente externa. Esto último es la característica de una red abierta.
En el proceso de inspección hay partes que se rechazan con una tasa λR y una tasa de
aceptación λA. Las partes rechazadas pueden volver de nuevo al horno para repetir el
procesamiento.
Prensa
Horno Inspección
Molino
115
Redes Cerradas son aquellas que auto-generan los clientes y por tanto estos no son
controlados por una fuente externa. Se utiliza para sistemas de manufactura Justo a Tiempo,
donde el WIP es altamente controlado. La entrada de clientes es controlada y no entrará un
cliente hasta tanto no haya salido uno. Observe por ejemplo la siguiente figura:
Consideremos una red de colas cerrada de dos maquinas, en los cuales los dos nodos
(maquinas) estan conectados en serie y cada trabajo pasa primero por la maquina 1 y luego
a la maquina 2. Si asumimos que el transporte de materiales se realiza en pallets ó estibas,
y que existen n pallets en el sistema, cada una con posibilidad de movilizar un lote, se dice
que entrará al sistema un nuevo lote solamente si se ha liberado un pallet al final de la línea.
Esa es la forma de tener una red cerrada de dos nodos que siempre tiene un número fijo (n)
de trabajos procesando.
Para más detalles de redes de colas puede leer el capitulo 10.3 del libro “Facilities Design”
de Sunderesh Heragu.
Problema 1
116
Problema 2
117
Problema 3
Problema 4
The copy center in the Pontificia Universidad Javeriana has become an increasingly
contentious item among the university administrators. The department heads have
complained to the associate dean about the long lines and waiting times for their secretaries
at the copy center. They claim that it is a waste of scarce resources for the secretaries to
wait in line talking when they could be doing more productive work in the office. Andres
Jaramillo, the academic dean, says the limited operating budget will not allow the
university to purchase a new copier or copiers to relieve the problem. This standoff has
been going on for several years.
To make his case for improved copying facilities, Alvaro Figueroa, a teacher in Operations
Management, assigned students in his class to gather some information about the copy
center as a class project. The students were to record the arrivals at the center and the length
of time it took to do a copy job once the secretary actually reached a copy machine. In
addition, the students were to describe how the copy center system worked.
When the students completed the project, they turned in a report to Professor Figueroa. The
report described the copy center as containing two machines. When secretaries arrive for a
copy job, they join a queue, which looked more like milling around to the students, but they
acknowledged that each secretary knew when it was his or her turn, and in effect, the
118
secretaries formed a single queue for the first available copy machine. Also, since copy jobs
are assigned tasks, secretaries always stayed to do the job no matter how long the line was
or how long they had to wait. They never left the queue.
From the data the Ghostbusters students group gathered, Professor Figueroa was able to
determine that secretaries arrived every 8 minutes for a copy job and that the arrival tale
was Poisson distributed. Further, he was able to determine that the average time it takes to
complete a job was 12 minutes, and Ibis is exponentially distributed.
Using his department's personnel records and data form the university personnel office,
Professor Figueroa determined that a secretary's average salary is $8.50 per hour. From his
academic calendar he added up the actual days in the year when the university and
departmental office were open and found there were 247. However, as he added up working
days, it occurred to his that during the summer included about 70 days, during which he
expected the copy center traffic would be about bale of what it is during the normal year,
but he speculated that the average time of a copying job would remain about the same.
Professor Figueroa next called a local office supply firm to check the prices on copiers. A
new copier of the type in the copy center now would cost US$36,OOO. It would also
require US$8,OOO per year for maintenance and would have a normal useful life of 6
years.
Do you think professor Figueroa will be able to convince the associate dean that a new
copy machine will be cost-effective?
Problema 5
Un camión debe ser cargado con 70.000 ft3 de un material especial disponible en cierta
locación. Debido a que el camión no tiene acceso a esa locación, un dispositivo de carga
especialmente construido es utilizado para cargar el material sobre plataformas móviles ó
Pallet Jacks, las cuales transportan finalmente el material hasta el camión que se encuentra
en un sitio cercano. Mientras que el dispositivo de carga se alquila a un costo de US$ 1.000
por hora, los Pallet Jacks pueden ser alquilados por $US 100 la hora cada uno. No hay
límite respecto al numero de Pallet Jacks que deseen alquilarse, y cada uno puede
transportar 400 ft3 de material, tomando un promedio de 5 minutos el tranportar el
material, descargarlo en el camión y devolverse para iniciar otro envío. Debido a
restricciones de espacio, diseño del dispositivo de cargue, y otras razones, la carga del
material requiere un promedio de 12 minutos. Haga los apropiados supuestos acerca de la
exponencialidad y determine cuántos Pallet Jacks deberían alquilarse para minimizar el
costo esperado de llevar material hasta el camión.
Problema 6
A la biblioteca de Univalle llegan un promedio de 26 personas/año con distribución
Poisson, a pedir prestado el libro Líneas de Espera. Aquella persona que logra encontrarlo,
119
lo mantiene en su poder durante 4 días con distribución exponencial. Las personas que
piden el libro y encuentran que está prestado se van y nunca regresan.
a) Si la biblioteca tiene solo una copia del libro, ¿Cuál es el número esperado de
personas que podrán leer el libro durante el año?
b) Si cada persona que entra a la biblioteca y no encuentra el libro disponible ocasiona
una pérdida de $1 como costo de imagen. Además cada libro cuesta $11. ¿Cuántos
libros debe comprar la biblioteca?
Problema 7
En un taller existen dos secciones, cada una cuenta con una maquina que tiene capacidad de
producción de 5 piezas/h con distribución Poisson. La entrada de materia prima a cada
sección es de 4.5 piezas/h con distribución Poisson. El costo de cada maquina es de
$1/hora. El dueño del taller está interesado en cambiar las dos maquinas a una sola sección
y hacer que toda la materia prima llegue a ese lugar. Si el costo de tener la materia prima
en espera se estima en $0,5 y se consideran los sistemas con capacidad de la cola infinita y
clientes potenciales infinitos determine cual de las dos opciones genera menor costo.
120