ANÁLISIS DE LA LÍNEA

DE ESPERA
SESION 11
DIRECCIÓN ESTRATÉGICA DE OPERACIONES

ING. ERIC CANEPA 1

 LÍNEAS DE ESPERA
La formación de líneas de espera es un fenómeno común que ocurre
siempre que la demanda por un servicio excede la capacidad para
proveer ese servicio.
Proveer demasiado servicio involucra costos excesivos. No proveer
suficiente servicio causa largas líneas de espera.

ING. ERIC CANEPA 2

 LÍNEAS DE ESPERA
El tiempo de espera excesivo es costoso.
El objetivo primordial es lograr un balance económico entre
el costo de servicio, y el costo asociado con la espera de ese
servicio.

ING. ERIC CANEPA 3

 LÍNEAS DE ESPERA

Los modelos de líneas de

espera no resuelven
directamente el problema;
sin embargo, proporcionan
información vital para la
toma de decisiones, al
predecir varias
características de la línea de
espera.
ING. ERIC CANEPA 4
ESTRUCTURA BÁSICA

ING. ERIC CANEPA 5

ESTRUCTURA BÁSICA

ING. ERIC CANEPA 6

ESTRUCTURA BÁSICA

ING. ERIC CANEPA 7

ESTRUCTURA BÁSICA

ING. ERIC CANEPA 8

 MEDIDAS DE DESEMPEÑO DEL
SISTEMA
UTILIZACIÓN DEL SERVIDOR  (% DE TIEMPO QUE ESTÁ
OCUPADO)

LONGITUD DE LINEA DE ESPERA Lq

TIEMPO PROMEDIO DE ESPERA Wq

ING. ERIC CANEPA 9

 PARÁMETROS DE ENTRADA

RAZÓN DE LLEGADA DE
CLIENTES 

RAZÓN DE SERVICIO 

NÚMERO Y ARREGLO DE LOS

SERVIDORES

ING. ERIC CANEPA 10

 EJEMPLOS DE SISTEMAS

SISTEMA CLIENTES SERVIDOR

Taller Camiones Mecánico

Hospital Pacientes Enfermeras

Aeropuerto Aviones Pista

Computadora Programas CPU

ING. ERIC CANEPA 11

 SÍMBOLOS UTILIZADOS
TIEMPOS INTERR-
ARRIBOS M D Ek G

TIEMPO SERVICIO M D Ek G

NÚMERO SERVIDORES 1,2,... 1,2,.. 1,2,... 1,2,...

CAPACIDAD SISTEMA 1,2,... 1,2,... 1,2,... 1,2,...

ABANDO-NAR
COMPORTAMIENTO (BALKING)
RENEGAR JOCKEY

DISCIPLINA FILA FIFO LIFO SIRO PRI

ING. ERIC CANEPA 12

NOTACIÓN KENDALL
(arrival process/service process/num. servers/system capacity/population size)

EJEMPLOS
◦(M/M/1// ) = (M/M/1)
◦(M/D/3/5/5)
◦(G/M/1)
◦(G/G/3)

ING. ERIC CANEPA 13

 SISTEMA (M/M/1)
 Proceso de arribo aleatorio con
una distribución Poisson con
razón de llegada 
clientes/unidad de tiempo.

 Un sólo servidor con razón de

servicio  y tiempo de
servicio aleatorio con una
distribución Exponencial con
media de 1/.
ING. ERIC CANEPA 14
 SISTEMA (M/M/1)

 Si un cliente llega y el servidor no está ocupado, entonces es atendido

inmediatamente. En caso contrario, el cliente pasa a formar una fila de
capacidad infinita.
 El flujo de clientes a través del sistema (fila+servidor) es un proceso
estocástico: {Nt: t0}, Nt =Num. de clientes al tiempo t
ING. ERIC CANEPA 15
 SISTEMA (M/M/1)

 Probabilidad de tener n clientes en el sistema en el estado estable

(t ):

Pn  lim t  P{N t  n}
 N = num. de clientes en sistema en estado estable. N es una
variable aleatoria con una función de masa de probabilidad

{P0 , P1 ,...}

ING. ERIC CANEPA 16

 SISTEMA (M/M/1)

 El objetivo es derivar una expresión para

Pn n  0,1,2,...

 Esta derivación se realiza en dos etapas:

 Obtener un sistema de ecuaciones definiendo las probabilidades
 Resolver el sistema
{P0 , P1 ,...}

ING. ERIC CANEPA 17

 SISTEMA (M/M/1)

 DIAGRAMA DE ESTADO
 

0 1 2 3

 

 CONDICIÓN DE BALANCE: RAZÓN DE LLEGADA

=RAZÓN DE SALIDA

ING. ERIC CANEPA 18

 SISTEMA (M/M/1)

Nodo 0: 
 P1  P0  P1    P0

 Nodo 1:
2
 λ λ
λP0  μP2  λP1  μP1  P2    P1    P0
 μ  μ
 En general: n

Pn    P0


ING. ERIC CANEPA 19

 SISTEMA (M/M/1)

Intensidad de Tráfico: 
 

 Expresión para Po:
n

  

P
0
n 1     P0    n P0  1
0   0



1 1
P0  
;  
 n

1 
,  1
  n

0
0

 P0  1    Pn  (1   )  n
ING. ERIC CANEPA 20
 SISTEMA (M/M/1)

 EJEMPLO
 Un operador de un pequeño elevador de grano tiene una sola
plataforma de descarga. Los arribos de camiones durante la
temporada forman un proceso de Poisson con tasa media de
llegadas de 4/hr. Debido a la diferencia de carga de los
camiones, el tiempo que cada camión pasa en la plataforma
es aproximado por una variable aleatoria Exponencial con
media de 14 min. Asumiendo que los sitios de
estacionamiento son ilimitados, el sistema M/M/1 describe
la línea de espera que se forma.

ING. ERIC CANEPA 21

 SISTEMA (M/M/1) EJEMPLO

 Parámetros:

1
  4 cam / hr  14 min/ cam

1 60 min/ hr
    4.2857 cam / hr
14 min/ cam 14 min/ cam

   0.933


ING. ERIC CANEPA 22

 SISTEMA (M/M/1) EJEMPLO

 Probabilidad de que la plataforma esté vacía:

P0  1  ρ  0.0667
 Porcentaje de tiempo que la plataforma está ocupada:
ρ  0.933  93.3%
 Probabilidad de 3 camiones esperando:

P4  ( ρ) P0  (0.933) (0.0667 )  0.05

4 4

ING. ERIC CANEPA 23

 SISTEMA (M/M/1)
MEDIDAS DE EFECTIVIDAD

 Número promedio de clientes en sistema:

 
L  E[ N ]   nPn   n(1   )  n
0 0

 1  
L  (1   )   n n 1
 (1   )   2

1  (1   )  1  

ING. ERIC CANEPA 24

 SISTEMA (M/M/1)
MEDIDAS DE EFECTIVIDAD

 Número promedio de clientes en fila:

 
Lq  E[ N ]   nPn 1   n(1   )  n 1
0 0

 1   2
Lq  (1   )   n  (1   )  
2 n 1 2
2

1  (1   )  1  

ING. ERIC CANEPA 25

 SISTEMA (M/M/1)
MEDIDAS DE EFECTIVIDAD

 Varianza del Número de clientes en sistema:


Var( N ) 
(1   ) 2
 Varianza del Número de clientes en fila:

 (1     )
2 2
Var( N q ) 
(1   ) 2

ING. ERIC CANEPA 26

 SISTEMA (M/M/1)
MEDIDAS DE EFECTIVIDAD
 Tiempo Promedio en el sistema:
L 1
W Var(W ) 
 (   )2
 Tiempo Promedio en Fila:

Lq 2   2
Wq  Var(Wq ) 
 (   ) 2

ING. ERIC CANEPA 27

 SISTEMA (M/M/1)
EJEMPLO

 Para el problema del elevador de grano:

 Número Promedio de camiones en el sistema:

 
L  14 Var( N )   19.8
1  (1   ) 2

 Número Promedio en Fila:

2  2 (1     2 )
Lq   13.1 Var( N q )   14.4
1  (1   ) 2

ING. ERIC CANEPA 28

 SISTEMA (M/M/1)
EJEMPLO
 Tiempo promedio en el sistema:

L
W  3.5hr Var(W )  3.5hr

 Tiempo Promedio en Fila:

Lq
Wq   3hr16m Var(Wq )  3hr 29m


ING. ERIC CANEPA 29

 SISTEMA (M/M/c)
LÍNEA DE ESPERA MULTICANAL

 Sistema con c servidores idénticos, cada uno con

razón de servicio 
 1
 P0 
c  c 1  /  n  /  c  c 
   
0 n! c!  c   

( /  ) c P0 P( L  c)
P( L  c)  L  ( /  ) 
c!(1   ) 1 

L Lq
Lq  L  ( /  ) W Wq 
 
ING. ERIC CANEPA 30
 SISTEMA (M/M/c) EJEMPLO

 Una máquina copiadora es operada en una

oficina. Los trabajos requeridos varían en
calidad y extensión y son modelados por un
proceso Poisson con razón media de servicio
de 10/hr. Los requerimientos de servicio
mantienen una razón promedio de llegadas
de 5/hr.

 Ocasionalmente se forma una línea de

espera, lo que ha cuestionado el uso de 2
copiadoras. Los datos son los siguientes:

ING. ERIC CANEPA 31

 SISTEMA (M/M/c) EJEMPLO
Tipo de copiadora Razón de servicio Costo/día

Std (actual) 10 5

Más grande 15 10

 Si el tiempo de una secretaria es valorado en

$3.50/hr, convendría tener 2 copiadoras como la
actual o una sola copiadora grande?

ING. ERIC CANEPA 32

 SISTEMA (M/M/c)
EJEMPLO

 Costo/día = Renta + Costo tiempo perdido.

 1 copiadora actual:

 1
  5/10  0.5 W  0.2hr
  
Costo  (8hr / día)(W sec)($3.5 / hr  sec)  $5  $33 / día

 1 copiadora grande:

1
W  0.1hr
 
Costo  (8hr / día)(W sec)($3.5 / hr  sec)  $10  $24 / día

ING. ERIC CANEPA 33

 SISTEMA (M/M/c)
EJEMPLO
 2 copiadoras como la actual:
1 1
P0  
 c 1  /  n  /  c  c  
1  (1 / 2)  (1 / 2)(1 / 2) 2 (20 /( 20  5) 
   
0 n! c!  c   

P0  0.6
( /  ) c P0 (1/4)(0.6) P( L  c)
P( L  c)    0.1 L  ( /  )   0.533
c!(1   ) 2(1 - 0.25) 1 

L
W  0.107 hr


ING. ERIC CANEPA 34

 SISTEMA (M/M/c)
EJEMPLO

 Costo/día de 2 copiadoras como la actual:

Costo  (8hr / día)(W sec)($3.5 / hr  sec)  (2)($5)  $24.98 / día

 1 copiadora grande es ligeramente una mejor opción.

ING. ERIC CANEPA 35

 SISTEMA (M/M/1/N)
CAPACIDAD FINITA

 Sistema con 1 servidor y capacidad finita.

  n (1   )
   1
 Pn   1   N 1

  1
 N  1
 1

  (1  N N 1  ( N  1)  N )
  1
L (1   N 1
)(1   ) Lq  eWq
 N
  1
2

ING. ERIC CANEPA 36

 SISTEMA (M/M/1/N)
CAPACIDAD FINITA

 La intensidad de tráfico puede ser igual a 1 sin que la

fila llegue a infinito, ya que la capacidad es sólo N.

L 1
W Wq  W 
e 

e
e   (1  PN )  e   1  P0

ING. ERIC CANEPA 37
 SISTEMA (M/M/1/N)
CAPACIDAD FINITA

 Una sala de belleza es atendida por una sola

persona y tiene un total de 10 asientos. Los
tiempos entre llegadas están
exponencialmente distribuidos y un promedio
de 20 clientes potenciales por hora arriban a la
sala. Aquellos clientes que encuentran la sala
llena, no entran. La persona que atiende la
sala tarda en promedio 12 min para cortar el
pelo del cliente. Los tiempos están
exponencialmente distribuidos.

ING. ERIC CANEPA 38

 SISTEMA (M/M/1/N)
CAPACIDAD FINITA

 En promedio, cuántos cortes de pelo se completan en una hora?

 1  1 4
N  10,   20,   5 / hr ,   4 P0  
 1  N 1
1  411

P10  410 P0  0.75  e   (1  PN )  5 / hr

ING. ERIC CANEPA 39

 SISTEMA (M/M/1/N)
CAPACIDAD FINITA

 En promedio, cuánto tiempo pasa en la sala de belleza un cliente que

entra?

4[1  11(410 )  10(411 )]

L  9.67
(1  4 )(1  4)
11


L
W   1.93hr
λe

ING. ERIC CANEPA 40

 SISTEMA (M/G/1)

 Considere un sistema con llegadas de acuerdo a una distribución de

Poisson con parámetro . El tiempo de servicio puede tener cualquier
distribución de probabilidad con media y varianza conocidas.

 2 2   2
 P0  1   Lq 
 2(1   )

Lq 1
L  Lq   Wq  W  Wq 
 

ING. ERIC CANEPA 41

SISTEMA (M/G/1)
EJEMPLO

 Máquinas de un proceso de manufactura se

descomponen aleatoriamente requiriendo
servicio mecánico. Se asume que las fallas
ocurren de acuerdo a una distribución
Poisson con razón de 1.5/hr. Observaciones
a lo largo de varios meses muestran que los
tiempos de reparación por parte de un
mecánico, tienen una media de 30 min con
una desviación std de 20 min.

ING. ERIC CANEPA 42

 SISTEMA (M/G/1)
EJEMPLO

 Calcular el número promedio de máquinas en reparación.

 1.5 2 2   2
   0.75 Lq   1.625
 2 2(1   )

L  Lq    2.375 maq

ING. ERIC CANEPA 43

EJERCICIOS CLASE:

ING. ERIC CANEPA 44

EJERCICIO 1:
Los empleados de una fabrica tienen que llevar su trabajo al área de control de
calidad antes de que el producto llegue al final del proceso de producción. Hay un
gran número de empleados y las llegadas son aproximadamente de 20 por hora,
siguiendo un proceso de Poisson. El tiempo para inspeccionar una pieza sigue una
distribución exponencial de media 4 minutos. Calcula el número medio de
trabajadores en el control de calidad si hay:
a) 2 inspectores.
b) 3 inspectores.

ING. ERIC CANEPA 45

EJERCICIO 2:
Una compañía dedicada a la reparación de ordenadores recibe una media de 10
solicitudes de reparación al día, que se distribuyen según un proceso de Poisson.
Se supone que µ es la velocidad de reparación de la persona reparadora en
ordenadores/día, y el tiempo de reparación es exponencial. Cada unidad de
velocidad de reparación supone un coste de 100 euros por semana. Además, se ha
estimado que el coste de tener ordenadores no reparados supone 200 euros por
ordenador y semana, siendo este coste proporcional al tiempo. Suponiendo que
una semana tiene cinco días laborables, se pide:
a) Que determines la velocidad de reparación óptima.
b) Que determines si sería mas económico tener dos personas, cada una con la
mitad de la velocidad determinada en el apartado anterior.

ING. ERIC CANEPA 46

EJERCICIO 3:
La ventanilla de un banco realiza las transacciones en un tiempo
medio de 2 minutos. los clientes llegan con una tasa media de 20
clientes a la hora. Si se supone que las llegadas siguen un proceso de
Poisson y el tiempo de servicio es exponencial, determina
a) El porcentaje de tiempo en el que el cajero esta desocupado.
b) El tiempo medio de estancia de los clientes en la cola.
c) La fracción de clientes que deben esperar en la cola.

ING. ERIC CANEPA 47