Está en la página 1de 29

MONOGRAFA DE LA TEOERA DE COLAS

AUTORES:
Mara Isabel Martnez Rendn
Jean Carlos Herrera Meza

Ingeniera de Sistemas
Curso Teora de Probabilidad y Colas

Introduccin

El presente trabajo est diseado de forma prctica y sencilla para conocer lo


relacionado a la Teora de Colas, se busca recorrer los conceptos y
caractersticas que permitan una familiarizacin sencilla con esta teora; cul es
su uso?, cul es su importancia?, cul es el papel que toma en la sociedad?,
etc.
De la misma manera esta monografa busca responder a estas preguntas
utilizando mtodos matemticos.
La teora de colas busca explicar aspectos que a diario se nos presentan, como
por ejemplo: El flujo de una cola en el banco, para una cita mdica, pagar el peaje,
comprar en un supermercado, etc. El objetivo de esta teora es encontrar el
equilibrio entre los costos de servicios y costos de espera, para que pueda existir
un flujo rpido de las colas sin la necesidad de invertir una mayor cantidad de
dinero para las empresas.

Procesos de Poisson
Un proceso de Poisson, tambin conocido como ley de los sucesos raros, es
un proceso que consiste en "contar" eventos raros (de ah el nombre "sucesos
raros") que ocurren a lo largo del tiempo. El tiempo entre cada par de eventos
consecutivos tiene una distribucin exponencial con el parmetro , y cada uno de
estos tiempos entre llegadas se supone que es independiente de otros tiempos
entre llegadas.
Un proceso Poisson con intensidad (o tasa)
tiempo continuo
, donde
es
aleatorias con las siguientes propiedades:

1.
2. Si

es un proceso de contar en
una coleccin de variables

.
, entonces

3. Para todo
aleatorias
4. Para toda

, las variables
son independientes.

tienen la misma distribucin.

5. La probabilidad que ocurra exactamente un evento en un intervalo dado de


longitud h es igual a:
6.

Donde o(h) es una funcin

Por ejemplo,

f ( h )=h2

f ( h ) tal que:

es o(h), pero

f ( h )=h

no lo es.

Definicin
Sean

T1 , T2 ,

variables aleatorias independientes igualmente distribuidas

(V.A.I.I.D) con distribucin exponencial de parmetro .


Sea:
T 0 =0
T n=T 1 +T 2 ++ T n

para n 1. Definimos el proceso de Poisson de parmetro

(intensidad) por:
N t =mx { n :T n t } , t 0
Es el nmero de eventos que se han producido desde el instante cero hasta el
instante .
Tn

Representa los intervalos de tiempo entre eventos sucesivos (llegadas de

clientes a una cola, de llamadas a una central telefnica, de pacientes a la


emergencia de un hospital, etc.); estos tiempos son independientes unos de otros.
T n=T 1 +T 2 ++ T n es el instante en el ocurre el n-simo evento.
El proceso de Poisson es un ejemplo de un proceso de conteo, en cada tiempo t
Nt
la variable
cuenta el nmero de eventos que han ocurrido hasta el tiempo t.

Propiedades
A partir de la definicin, es posible demostrar que:

Las variables aleatorias

tienen distribucin Poisson con parmetro

Si
denota el tiempo transcurrido desde el (k-1)-simo evento hasta el ksimo, entonces
es una variable aleatoria con distribucin exponencial y
parmetro .

Si
denota el tiempo transcurrido desde el inicio del conteo hasta el nsimo evento, entonces
Gamma(n,).

Observaciones.
-

El espacio parametral es T= [0,)


El espacio de estados es S= {0,1,2,3,} (conjunto de posibles valores que
puede tomar la variable aleatoria)
T 1 +T 2 ++ T n

( N t n ) =( Sn t)

Por qu a este proceso se le llama proceso de Poisson?


Sea

un proceso de Poisson de parmetro , entonces Nt


Poisson(t) t>0

Demostracion:
n 1

Para
Sn

T1 + + Tn

gamma (n, ) entonces para t>0, se puede

escribir como:
n1

P ( S n t )=1et
k =0

Por lo tanto,

( t )k
k!

P ( N t=n )=P ( N t n ) P( N t n+1)


S n+1
P ( S n t )P ( t )

e t

( t )n
n!

n1

1e t
k=0

n
( t )k
( t )k
1+ et
k!
k=0 k !

Es decir, Nt

Poisson(t) .

E[Nt]= t
Cuando t=1
E[N1]=
El parmetro es el nmero promedio de eventos que ocurren en un proceso de
Poisson por unidad de tiempo.

Ejemplos:
Un cable submarino tiene defectos de acuerdo a un proceso de Poisson de
parmetro = 0.1 por km.
- Cul es la probabilidad de que no haya defectos en los primeros dos kilmetros
de cable?
R/= N2 tiene distribucin de Poisson de parmetro (0.1)(2) = 0.2.
Por lo tanto P(N2 = 0) = e 0.2 = 0.8187.
-Si no hay defectos en los primeros dos kilmetros, cul es la probabilidad de
que tampoco los haya en el tercer kilmetro?
R/= N3 -N2 y N2 N0 =N2 son independientes.
De modo que P(N3 -N2 = 0| N2 = 0) = P(N3 -N2= 0) = e 0.1 = 0.9048

Los clientes llegan a una tienda de acuerdo con un proceso de Poisson de


tasa = 4 por hora. Si la tienda abre a las 9 a.m. Cul es la probabilidad
de que exactamente un cliente haya entrado antes de las 9:30 a.m. y que
un total de cinco hayan entrado antes de las 11:30 a.m.?

R/: Medimos el tiempo t en horas a partir de las 9 a.m. Queremos hallar:


P(N1/2) = 1, N5/2= 5), y para esto usaremos la independencia de los incrementos:
1

P N 1 =1, N 5 =5 =P N 1 =1, N 5 N 1 =4

) (

(2 e )(

1
4 ( )
2

( e

1
4( )
4
2
4 (2) ( 4 (2) )
)(e
)
1!
4!

( )

512 8
e )
3

=0.0155

Procesos de Poisson homogneos


Cuenta eventos que se producen a una velocidad constante. Este proceso se
caracteriza por un parmetro de tasa de , tambin conocido como intensidad, tal
que el nmero de eventos en intervalo de tiempo ( t , t + s ] sigue
una distribucin de Poisson con parmetro asociado s . Esta relacin se da
como:
s

P [ N ( t + s )N ( t )=k ]=e

( s )k
k =0,1, .. ,
k!

donde N ( t + s ) - N ( t ) = k es el nmero de eventos en intervalo de tiempo


( t , t + s ].
As como una variable aleatoria de Poisson se caracteriza por su parmetro
escalar , un proceso de Poisson homogneo se caracteriza por su tasa de
parmetro , que es el nmero esperado de "eventos" o "llegadas" que se
producen por unidad de tiempo.

Una coleccin de variables aleatorias

(definidas en un espacio de

probabilidad
) es un proceso de Poisson homogneo con intensidad
>0, si satisface las siguientes propiedades:

N0
P =0)=1, lo que indica que

1.

2. Para todo 0< s <t ,


3. Para todo

N0

siempre es 0.

( N t N s ) Poisson (( ts))

0 t 1 <<t n ; n 1

(es decir, para todo conjunto finito de

tiempos), las variables aleatorias

N t N t
n

n1

, ,

N t N t
2

Nt

son independientes
4. Incrementos estacionarios: la distribucin solo depende de la
longitud del intervalo (t-s), esto garantiza que el proceso es no
decreciente.

t0

Para todo

la variable aleatoria

tiene distribucin de Poisson de

parmetro t.

Por la propiedad 2 se tiene que

1 se tiene que

N0

N
( t N 0 ) Poisson( (t0)) , y por la propiedad

=0, lo que nos dice que

0< s <t se tiene por la propiedad 2 que


anterior,

N
( t) Poisson( t ) , ahora, para todo

N
( tN s ) Poisson( (ts ))

y por lo

N (ts) Poisson(( ts)) ; se puede llegar a que la distribucin del

incremento

N t N s

y la variable aleatoria

tN
(
s 0 )=1
dice que
, pues
P

N (ts)

es la misma. Adems esto

N
N
P( tN s =k )=1

( tN s 0 )=
k=0

P
De esto se concluye que la distribucin solo depende de la longitud del intervalo
(t-s)

Tiempo entre llegadas


Es la estimacin en la cual pueden ser recibidos una cantidad de clientes, para el
tiempo entre llegadas existen dos clases bsicas:
-

Determinstico, en el cual clientes sucesivos llegan en un mismo intervalo


de tiempo, fijo y conocido. Un ejemplo clsico es el de una lnea de
ensamble, en donde los artculos llegan a una estacin en intervalos
invariables de tiempo (conocido como ciclos de tiempo).

Probabilstico, en el cual el tiempo entre llegadas sucesivas es incierto y


variable. Los tiempos entre llegadas probabilsticos se describen mediante
una distribucin de probabilidad.

En el caso probabilstico, la determinacin de la distribucin real, a menudo,


resulta difcil. Sin embargo, una distribucin, la distribucin exponencial, ha
probado ser confiable en muchos de los problemas prcticos.
La funcin de densidad y la funcin de distribucin, para una distribucin
exponencial depende de un parmetro, digamos (letra griega lambda), y
est dada por:

Dnde:
: Representa el nmero promedio de llegadas.

e: Euler
E[X]: La esperanza
V(X): La varianza

Suma y resta de procesos Poisson

Sean N1(t), N2(t) ,, Nk(t) procesos de Poisson independientes con parmetros


, ,, respectivamente. Entonces, el proceso:
1

N(t) = N1(t) + N2(t) ++ Nk(t) es un proceso de Poisson con parmetro


+ ++
1

Ejemplo:
sean X y Y variables aleatorias independientes con distribucin ,
XPoisson(1t) , YPoisson(2t)

Entonces su suma Z=X+Y es distribuida como: ZPoisson((1+2)t)

Consideremos dos procesos de Poisson, uno con parmetro , que


representa las llegadas a la meta del equipo rojo, y otro, independiente del
anterior y con parmetro , que representa las llegadas del equipo verde.
Cul es la probabilidad de que haya 6 llegadas rojas antes que 4 verdes?
R/= Observamos que el evento en cuestin equivale a tener al menos 6 rojos en
los primeros 9. Si esto ocurre, tenemos a lo sumo tres verdes antes de la llegada

del sexto rojo. Por otro lado, si hay 5 o menos rojos en los primeros 9, entonces
tendremos al menos 4 verdes y a lo sumo 5 rojos.
Podemos ahora ver el problema en el marco de un proceso de Poisson general
que incluye rojos y verdes, y tiene parmetro ( + ). Para cada llegada
escogemos al azar el color lanzando una moneda con probabilidad p = /( + )
para rojo. La probabilidad que nos interesa es:
9

(9k ) p k (1 p)9k
k=6

En el caso particular en el cual ambos procesos iniciales tienen la misma


intensidad = , p = 1/2 y la expresin anterior es:
9

1
9 = 140 =0.273

512 k=6 k 512

()

Se tienen 3 gallinas. Una de ellas pone en promedio 2 huevos por da. Otra
pone en promedio 3 huevos por da. La restante pone en promedio 4
huevos por da. Cul es la probabilidad de que en un determinado da
se produzcan exactamente 10 huevos?
R/= Vamos a asumir que las gallinas ponen huevos independientemente, es decir,
que la cantidad de huevos que pone una gallina no influencia la cantidad de
huevos que ponen las otras. Se tiene:
X1Poisson(1=2(t=1))
X2Poisson(2=3(t=1))
X3Poisson(3=4(t=1))
Y=

X1+ X 2+ X 3

Con lo cual YPoisson(y) donde y= 1+ 2+ 3=9 t=1 y(t)= 9


P ( k=10 )=e9

( 9 )10
=0,11858
10 !

Variaciones del proceso de Poisson

Procesos de Poisson compuestos.

Un proceso estocstico se dice ser un proceso de Poisson compuesto si puede


representarse como

donde {N(t), t 0} es un proceso de Poisson, y las variables {Y i, i 1} son


independientes igualmente distribuidas e independientes de N.
Observacin 1: Si Yi=1 para todo i entonces X t = Nt es decir, obtenemos el
proceso ordinario de Poisson.
Observacin 2: En la teora del riesgo el proceso de Poisson compuesto tiene la
siguiente interpretacin: La v.a. N t representa el nmero de reclamaciones que se
hacen a una compaa en el intervalo de tiempo (0; t], Y i representa la cantidad del
i-simo reclamo y Xt representa la cantidad total reclamada en el intervalo de
tiempo (0, t].
Observacin 3: Sea X(t) un proceso de Poisson compuesto. Si {N(t), t 0} tiene
intensidad y las variables Y tienen esperanza finita, entonces
E[X(t)] = tE[Y1]
Ms an, si las variables Y tienen varianza finita, entonces,

V(X(t)) = tE[Y12]
Por ejemplo, el proceso puede representar los carros que llegan a un centro
comercial y las variables asociadas, el nmero de pasajeros que hay en cada uno
de ellos; o el proceso puede representar los mensajes que llegan a un computador
central para ser transmitidos va internet y las variables Y i pueden representar el
tamao de los mensajes. Es natural considerar la suma de las variables Y i como
una variable de inters:
S ( t )=Y 1+ +Y N (t )

donde ponemos S(t) = 0 si N(t) = 0. Ya hemos visto que para suma aleatorias, la
media es el producto de las medias de N e Y, mientras que la varianza est dada
por:
2

Var ( S ( t ) )=E [ N ( t ) ] Var ( Y i ) +Var (N ( t ) )( E [ Y i ] )

En este caso, N(t) Poisson(t) y por lo tanto, E[N(t)] = Var(N(t)) = t, de modo


que la frmula anterior es:
2

Var ( S ( t ) )= t ( Var ( Y i ) + ( E [Y i ]) ) =tE [Y i2 ]

Ejemplo:

El nmero de clientes de una tienda durante el da tiene distribucin de


Poisson de media 30 y cada cliente gasta un promedio de $150 con
desviacin tpica de $50.

Por los clculos anteriores sabemos que el ingreso medio por da es 30* $150 =
$4.500. La varianza del ingreso total es:
30*[($50)2 + ($150)2] = 750.000

Sacando la raz cuadrada obtenemos una desviacin tpica de $ 866,02.

Suponga que las familias llegan a un rea de acuerdo con un proceso de


Poisson con una intensidad 2 por semana. Si el nmero de personas de
cada familia es independiente y toma los valores de 1, 2, 3 y 4 con
probabilidades respectivas de 1/6, 1/3, 1/3 y 1/6, Cul es el nmero
esperado de personas que llegan al rea durante un perodo fijo de 5
semanas?

R/= Sea Yi el nmero de personas en la familia i, se tiene que:


E [ Y i ]=1

( 16 )+2( 13 )+ 3( 13 )+4 ( 16 )= 52

E [ Y i2 ]=12

( 16 )+2 ( 13 )+3 ( 13 )+4 ( 16 )= 436


2

Por lo tanto, si X(5) denota el nmero de personas que han llegado al rea
durante un perodo de 5 semanas, se tiene que:

E [ X ( 5 ) ]=( 25 ) ( E [ Y i ]) =10 E [ Y i ]=

V [ X (5 ) ] =( 25 ) ( E [Y i ] )=

105
=25
2

1043 215
=
6
3

Procesos de Poisson no homogneos.


A menudo son ms realistas los modelos basados en procesos de Poisson no
homogneos, en los que la tasa de llegadas es una funcin del parmetro de
tiempo, (t). Formalmente esto significa que un proceso de Poisson no
homogneo es un proceso de contar que satisface:
1.
2. Los incrementos en intervalos ajenos son independientes.
3.
4.
t

5.

N ( t )N (h) Poisson ( ( r ) dr)


h

0 h<t

, para todo

Los tres mtodos ms conocidos de generacin de un proceso de Poisson no


homogneo de este tipo se basan en la modificacin de la escala de tiempo, en el
condicionamiento y en una adaptacin del mtodo de rechazo.
Para procesos homogneos hay una densidad media . Eso significa que la media
de los sucesos en un intervalo de tiempo

es

El tiempo entre dos sucesos de un proceso de Poisson con intensidad media


una variable aleatoria de distribucin exponencial con parmetro .

es

Ejemplo:
El centro que recibe llamadas de emergencia de una ciudad recibe en
promedio 42 llamadas por hora en la hora punta, comprendida entre las 9 y
13 horas AM. Cada llamada requiere alrededor de 2 minutos de la
telefonista para atender y derivar la llamada al personal correspondiente
(bomberos, carabineros o ambulancia). El centro debe tener un adecuado
nmero de telefonistas, y se ha pedido a un consultor que determine el
nmero adecuado de telefonistas. El consultor asume que las llamadas
entran en un orden completamente aleatorio y por lo tanto aplica el Proceso
de Poisson. Sin embargo, el telefonista actual puntualiza que entre las 10 y
las 12 horas. llegan muchas ms llamadas que en el resto del tiempo. Qu
implica este hecho para el uso de la distribucin de Poisson?
R/= No se cumple la propiedad de incrementos estacionarios, por lo tanto es un
proceso de Poisson No Homogneo. La frmula de la probabilidad del proceso es:
m (t 1 ,t 2)

P [ N ( t 1 ,t 2 )=k ]=e

( m(t 1 ,t 2))
n!

n=0,1, .. ,

A
un
Banco
llegan clientes de acuerdo a un proceso Poissoniano no homogneo, cuya
tasa est dada
por

El tiempo est medido en horas y el banco opera desde las 9 hasta las 14 horas.
Los clientes, sin embargo, llegan entre las 9 y las 14:06 horas.
a) Cul es la probabilidad de que el primer cliente llegue entre las 10:00 y las
11:00?
b) Si todos los clientes se demoran exactamente 12 min. Dentro del banco,
determine el nmero esperado de clientes dentro del banco en cualquier instante
del da.

c) Calcule el nmero promedio de clientes que se retiran indignados pensando


seriamente en cambiarse de banco cada da (esto ocurre cuando el cliente
encuentra que el banco ya cerr sus puertas, haciendo gala de mucha puntualidad
y poca comprensin). A qu hora debiese cerrar sus puertas el banco para que
este nmero disminuya a la mitad?.
R/= Recordar que si tenemos un proceso de Poisson no homogneo en que la
tasa de ocurrencia depende del tiempo (t), hacemos un cambio de reloj para ver
el proceso como uniforme:

Para este problema:

a)

P ( N ( 9, 10 ) =0 N ( 10,11 ) 1 )=P ( N ( 9,10 )=0 ) P( N (10, 11) 1)


P ( N ( 9, 10 )=0 ) (1P ( N ( 10, 11 )=0))
0

u ( 9,10 ) eu 9,10 (1u ( 10,11 ) eu 10,11 )


Pero:
u ( 9,10 )=2 ( 5,1 4,1 ) =0.467

u ( 10,11 )=2 ( 4,1 3,1 ) =0.528


Entonces:
P ( N ( 9, 10 ) =0 N ( 10,11 ) 1 )=e0.467 (1e0.528)

b) (12 min= 0.6 horas). Los clientes que estn en el banco en t son los que
han llegado entre t 0,2 y t. As:
E( N (t0,2 ; t))=u(t 0,2; t )=2[ 14,1( t0,2 ) 14,1t ]
c) Los que llegan despus de las 14:00
E ( N (14 ; 14,1 ) )=2 [ 0,1 0 ] =2 0,1
Para que disminuya a la mitad:
1
E ( N ( x ; 14,1 ) )= ( 2 0,1)
2
2 [ 14,1x 0 ] =0,1
x=14,0975

Modelo de Colas
Los modelos de colas consisten en frmulas y relaciones matemticas que pueden
usarse para determinar las caractersticas operativas (medidas de desempeo)
para una cola.
Las caractersticas operativas de inters incluyen las siguientes:
- Probabilidad de que no hayan unidades o clientes en el sistema.
Cantidad
promedio
de
unidades
en
la
lnea
de
espera.
- Cantidad promedio de unidades en el sistema (la cantidad de unidades en la
lnea de espera ms la cantidad de unidades que se estn atendiendo).
- Tiempo promedio que pasa una unidad en la lnea de espera.
- Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera ms el
tiempo
de
servicio).
- Probabilidad que tiene una unidad que llega de esperar por el servicio.
Para poder hablar de los modelos de colas que existen, debemos fijarnos en una
notacin que se le ha dado para referenciarlos, esta notacin es la notacin de
Kendall, la cual se representa de la siguiente manera:

M: Distribucin exponencial (markoviana).

S: Cantidad de servidores mayor a 1.


D: para unos tiempos entre llegadas "determinsticas".
G: para una "distribucin general" de los tiempos entre llegadas, o
del rgimen de llegadas.
Ek: Distribucin Erlang.

Ejemplos:
M / M / s: Tiempos entre llegadas exponenciales,
exponenciales y se tienen s servidores.

tiempos de servicio

M / M / 1: Tiempos entre llegadas exponenciales,


exponenciales y slo 1 servidor.

tiempos de servicio

Con estas notaciones, ya podemos entrar en profundidad de los modelos de colas


que existen, los cuales principalmente son dos:
1. Modelos de un solo canal
2. Modelos de varios canales

Modelos de un solo canal

Es aquel donde existe una poblacin, un sistema de llegada, adems existe solo
un sistema de cola y de servicio (sin importar en nmero de colas, ni el nmero de
servidores). Es decir, en este sistema las entidades al recibir el servicio salen del
sistema y no ingresan a otro.
Cada cliente debe pasar por un canal, una estacin para tomar y surtir el pedido,
para colocar el pedido, pagar la cuenta y recibir el producto. Cuanto llegan ms
clientes forman una lnea de espera y aguardan que se desocupe la estacin para
tomar y surtir el pedido.
Con la notacin de Kendall, se pueden tener para este tipo de modelo los
siguientes casos:

M/M/1: Un servidor con llegadas de exponenciales y tiempos de servicio


exponenciales.

M/G/1: Un servidor con tiempos entre llegadas exponenciales y una


distribucin general de tiempos de servicio.

M/D/1: Un servidor con tiempos entre llegadas exponenciales y una


distribucin degenerada de tiempos de servicio.

M/Ek/1: Un servidor con tiempos entre llegadas exponenciales y una


distribucin Erlang de tiempos de servicio.

Formulario para Modelo de un solo canal

= Velocidad de llegadas (clientes/tiempo)


= Velocidad de servicio (clientes/tiempo)

1 / = Tiempo entre llegadas


1 / = Tiempo entre servicios

Modelos de varios canales


Consiste en dos o ms canales de servicio que se supone son idnticos desde el
punto de vista de su capacidad. En el sistema de canales mltiples, las unidades
que llegan pueden esperar en una sola cola y luego pasan al primer canal
disponible para ser servidas, esperar en varias colas y pasar al canal
correspondiente a su lnea o hacer una sola cola pero ser atendidos por varios
canales (secuencial) .
Con la notacin de Kendall, se pueden tener para este tipo de modelo los
siguientes casos:

M/M/s: s servidores con llegadas de exponenciales y tiempos de servicio


exponenciales.

M/D/s: s servidores con tiempos entre llegadas exponenciales y una


distribucin degenerada de tiempos de servicio.

M/Ek/s: s servidores con tiempos entre llegadas exponenciales y una


distribucin Erlang de tiempos de servicio.

Formulario para Modelos de varios canales

= tasa promedio de llegadas al sistema


= tasa promedio de servicio para cada canal
k = nmero de canales
k= tasa promedio de servicio para el sistema de canales mltiple
Factor de utilizacin:

Probabilidad de que no hayan unidades en el sistema:

Nmero promedio de unidades en fila de espera (tamao de la fila):

Nmero promedio de unidades en el sistema:

Tiempo de espera promedio de una unidad en la fila:

Tiempo promedio en que una unidad pasa en el sistema:

Probabilidad de que una unidad que llega tenga que esperar para obtener el
servicio:

Probabilidad de que hayan unidades en el sistema:

Conclusin
La teora de colas o lneas de espera, es un fenmeno comn que ocurre cuando
la demanda de un servicio excede a la oferta. Muchas veces no nos gusta esperar
en una fila, por lo que queremos que apenas lleguemos nos atiendan de manera
rpida, es casi imposible hacer que cada usuario que llegue a una empresa sea
atendido de manera inmediata; como pudimos ver, la teora de colas busca
reducir, con mtodos matemticos, la espera de los clientes y en ocasiones la
perdida de estos, con un equilibrio entre: costos de servicios (pagados por la
empresa) y costos de espera (pagados por el cliente).
Esta teora no resuelve directamente el problema, pero contribuye a tomar
decisiones respecto a eventos que hayan transcurrido a lo largo del proceso de
existencia de la compaa, prediciendo posibles situaciones que puedan ser
mejoradas entorno al beneficio de la empresa (beneficio tambin de los clientes).
Los mtodos y modelos utilizados, buscan ser matemticamente sustentados para
el beneficio de una poblacin, con un margen de error que, se espera, sea el
mnimo de acuerdo a la cantidad de clientes o canales asignados.

Bibliografa
-

Proceso de Poison. (2003, Febrero). Recuperado de:


http://www.dm.uba.ar/materias/probabilidades_Mae/2003/2/poisson.pdf

Cimat. (s.f.). Procesos de Poisson. En Cimat. Consultado el 20 de julio de


2015. Disponible en
http://www.cimat.mx/~jortega/MaterialDidactico/modestoI10/Poisson2.pdf

Prez abreu, V. (22 de julio del 2010). Introduccin a los Procesos de


Poisson. En Cimat. Consultado el 20 de julio de 2015. Disponible en
http://www.cimat.mx/Eventos/vpec10/img/NotasParte1.pdf

Zylberberg, A. (6 de junio de 2004). Proceso de Poisson. En Academia.


Consultado el 20 de julio de 2015. Disponible en
http://www.academia.edu/4140209/05_Proceso_de_Poisson

Murillo salas, A. (14 de noviembre de 2007). Introduccin a la Teora de


Riesgo: Modelo Clsico de Riesgo. En Centro de Investigacin en Matem
aticas, A.C.. Consultado el 20 de julio de 2015. Disponible en
http://ciencias.udea.edu.co/~domingo/documentos/MCR-Cursillo.pdf

Romera, R. (Febrero 2009). PROCESO DE POISSON. En Universidad


Carlos III de Madrid. Consultado el 20 de julio de 2015. Disponible en
http://ocw.uc3m.es/estadistica/procesos-estocasticos-con-aplicaciones-alambito-empresarial/lecturas/Tema4_Procesos_de_Poisson.pd

Cao Abad, Ricardo, Introduccin a la simulacin y a la teoria de colas,


Primera Edicion, Editorial Netbiblo, pg. 113

Galeon.com. (s.f.). MODELOS DE LINEA DE ESPERA. En Galeon.com.


Consultado el 20 de julio de 2015. Disponible en
http://metodoscuantitativo2.galeon.com/enlaces2219625.html

Guerrero, J. (23 de mayo de 2011). FORMULAS DEL SISTEMA DE COLA


M/M/1. En Slideshare. Consultado el 20 de julio de 2015. Disponible en
http://es.slideshare.net/alconguerrero/formulas-del-sistema-de-cola-mm1

Metodos uno y dos. (s.f.). MODELOS DE LINEA DE ESPERA. En Metodos


uno y dos. Consultado el 20 de julio de 2015. Disponible en
http://metodosunoydos.galeon.com/enlaces2221688.html

Carro paz, R., y Gonzales gmez, D. (s.f.). MODELOS DE LINEAS DE


ESPERA. En Universidad Nacional de Mar del Plata. Consultado el 20 de
julio de 2015. Disponible en
http://nulan.mdp.edu.ar/1622/1/17_modelos_lineas_espera.pdf

Acosta, G. (Febrero de 2011). INVESTIGACIN DE OPERACIONES 1.


En Universidad Nacional de Mar del Plata. Consultado el 20 de julio de
2015. Disponible en http://investigaoperativa1.blogspot.com/p/teoria-decolas.html

Cap. 5 Allen A. O. Probability, Statistics and Queueing Theory Academic


Press. 1998

Martnez, M. (10 de noviembre de 2004). Teora de Colas. En Monografas.


Consultado el 20 de julio de 2015. Disponible en
http://www.monografias.com/trabajos18/teoria-colas/teoriacolas.shtml#biblio

Leandro, G. (21 de Julio de 2008). Lneas de Espera: Teora de Colas.


En SlideShare. Consultado el 20 de julio de 2015. Disponible en
http://es.slideshare.net/gleandro/lneas-de-espera

Cathy. (mayo de 2012). Teora de Colas. En Teoradcolas.blogspot.


Consultado el 20 de julio de 2015. Disponible en
http://teoriadcolas.blogspot.com/2012_05_01_archive.html

Amelia. (3 de febrero de 2013). Colas Teora. En Slideshare. Consultado el


20 de julio de 2015. Disponible en http://es.slideshare.net/amemal/colasteora

Rincn, L.(2015, Junio 9). 0630 Qu es un proceso de Poisson? Primera


definicin: construccin [Archivo de vdeo]. Recuperado de
https://www.youtube.com/watch?v=eu_nApHdN9s

Ruiz, M. (2013, Diciembre 9). Explicacin de teora de colas y ejercicio


resuelto MM1[Archivo de vdeo]. Recuperado de
https://www.youtube.com/watch?v=t3x2KinUqAA

Ruiz, M. (2011, Noviembre 18). Lneas de espera Modelo MMs y un


ejemplo de aplicacin[Archivo de vdeo]. Recuperado de
https://www.youtube.com/watch?v=AxVTQTRDVbk

Proceso de Poisson (2014,9) de Diciembre. Wikipedia, La enciclopedia


libre. Fecha de consulta: 02:35, Julio 17, 2015 de
https://es.wikipedia.org/wiki/Proceso_de_Poisson

Poisson Process (2015,19) de Junio. Wikipedia, La enciclopedia libre.


Fecha de consulta: 09:45, Julio 18, 2015 de
https://en.wikipedia.org/wiki/Poisson_process#Homogeneous

También podría gustarte