Modelo de cola

Introducción

Las "colas" son un aspecto de la vida moderna que nos encontramos

continuamente en nuestras actividades diarias. En el contador de un
supermercado, accediendo al Metro, en los Bancos, etc., el fenómeno de las
colas surge cuando unos recursos compartidos necesitan ser accedidos para dar
servicio a un elevado número de trabajos o clientes.

El estudio de las colas es importante porque proporciona tanto una base

teórica del tipo de servicio que podemos esperar de un determinado recurso,
como la forma en la cual dicho recurso puede ser diseñado para proporcionar un
determinado grado de servicio a sus clientes.  

Debido a lo comentado anteriormente, se plantea como algo muy útil el

desarrollo de una herramienta que sea capaz de dar una respuesta sobre las
características que tiene un determinado modelo de colas
Colas
Una cola es una línea de espera para un determinado servicio, este servicio lo
proporcionan uno o varios dependientes.

Teoría de la cola
La teoría de la cola analiza la causa de la formación de la cola, que es la
existencia de momentos en los que hay mayor demanda del servicio que la
capacidad de servicio.

Clasificación de modelos de colas

La clasificación de los modelos se basa en los elementos de un sistema de
espera que dependen de los siguientes factores:
 Distribución de llegadas (llegadas individuales o masivas en grupo).
 Distribución del tiempo de servicio (servicio individual o masivo).
 Diseño de la instalación de servicio (en serie, en paralelo, en red).
 Disciplina de servicio (FCFS, LCFS, SIRO, por prioridad).
 Tamaño de la línea de espera (finito o infinito).
 Fuente de llamadas (población de clientes finita o infinita).
 Conducta humana (cambios, renuncias).Para aplicar las técnicas
apropiadas se deben identificar las características del sistema de colas.

La clasificación se realiza empleando letras y/o símbolos a través de la Notación

de Kendall, una forma adecuada para resumir las características principales de las
líneas de espera en paralelo, empleando determinada simbología
a/ b /c : d /e /f
Dónde:
a=Distribución de llegadas: Proceso de llegadas.
b =Distribución del tiempo de servicio (o de salidas): Proceso de servicio.
c =Número de servidores en paralelo (c = 1, 2, 3, ...,).
d =Disciplina de servicio (FCFS, LCFS, SIRO o prioridad = Disciplina General,
DG).
e =Número máximo admitido en todo el sistema (en la línea de espera más en el
servicio).
f =Tamaño de la población de clientes (fuente de llamadas finita o infinita).

La distribución de llegadas(a) y del tiempo de servicio (b) se reemplazapor los

siguientes códigos: M, D, Ek, GI, o G (cualquiera de los 5 códigos), y significan lo
siguiente:

M =Distribución de llegadas o salidas de Poisson (proceso de Markov), es decir,

distribución exponencial entre llegadas o tiempos de servicio. Para que exista un
proceso de llegada Poisson al menos un cliente debe llegar a la cola durante un
intervalo de tiempo. Para un intervalo de tiempo dado, la probabilidad de que
llegue un cliente es la misma que para todos los intervalos de tiempo de la misma
longitud y la llegada de un cliente no tiene influencia sobre la llegada de otro.

D =Tiempo entre llegadas o de servicio son constantes.

Ek= Distribución Erlang o Gamma para la distribución del tiempo entre llegadas o
tiempo de servicio, con el parámetro K. Si K, que determina la desviación estándar
de la distribución es igual a 1, la distribución Erlang es igual a la exponencial; si es
igual a ∞la distribución Erlang es igual a la distribución degenerada con tiempos
constantes.
GI=Distribución de llegadas o del tiempo entre llegadas; es general
(independiente).
G=Distribución del tiempo de servicio o salidas; es general (no independiente).

Respecto a la disciplina de servicio se considera "DG" para indicar que es una

disciplina general en "notación kendall", y que pudiera ser FCFS, LCFS, SIRO o
cualquier procedimiento que puedan utilizar los servidores para decidir el orden en
que se escogerá a los clientes de la línea de espera para iniciar el servicio.

H= Distribución hiperexponencial.

Para el orden de atención a los clientes se emplean los siguientes símbolos:

FCFS =Primeras entradas, primeros servicios.

LCFS =Últimas entradas, primeros servicios.
SIRO =Orden aleatorio.
PR =Con base en prioridades
GD =En forma general.

Características

Las características básicas a tener en cuenta para definir adecuadamente un

sistema de colas son:
(a) Distribución de llegada de los clientes.
(b) Patrón de servicio.
(c) Tamaño de la población de los clientes.
(d) Capacidad del sistema.
(e) Número de canales de servicio.
(f ) Número de etapas de servicio.
(g) Disciplina de cola.
(h) Otras características.
Estos rasgos básicos nos proporcionan una descripción adecuada de un sistema
de colas. Describiremos detalladamente cada uno de ellos.

Características claves.

  Existen dos clases básicas de tiempo entre llegadas:

  Determinístico, en el cual clientes sucesivos llegan en un mismo
intervalo de tiempo, fijo y conocido. Un ejemplo clásico es el de una
línea de ensamble, en donde los artículos llegan a una estación en
intervalos invariables de tiempo (conocido como ciclos de tiempo)

 Probabilístico, en el cual el tiempo entre llegadas sucesivas es incierto y

variable. Los tiempos entre llegadas probabilísticos se describen
mediante una distribución de probabilidad.

En el caso probabilístico, la determinación de la distribución real, a menudo,

resulta difícil. Sin embargo, una distribución, la distribución exponencial, ha
probado ser confiable en muchos de los problemas prácticos. La función de
densidad, para una distribución exponencial depende de un parámetro,
digamos l (letra griega lambda), y está dada por:

f(t)=(1/ l )e- l t

en donde l (lambda) es el número promedio de llegadas en una unidad de

tiempo.

Con una cantidad, T, de tiempo se puede hacer uso de la función de densidad

para calcular la probabilidad de que el siguiente cliente llegue dentro de las
siguientes T unidades a partir de la llegada anterior, de la manera siguiente:

P(tiempo entre llegadas <=T)=1-e- l t

Modelos de colas con distribución de Poisson para llegadas y salidas

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegadas de clientes) y las salidas (clientes que se van) del sistema ocurren de
acuerdo con un nacimiento y muerte.
 En el contexto de la teoría de colas, el término nacimiento se refiere a la llegada
de un cliente al sistema de colas, mientras que el término muerte se refiere a la
salida del cliente servido.
El proceso de nacimiento y muerte describe en términos probabilísticas cómo
cambia N(t)al aumenta rt. En general, sostiene que los nacimientos y muertes
individuales ocurren de manera aleatoria, y que sus tasas medias de ocurrencia
dependen del estado del sistema actual. Los supuestos del proceso de nacimiento
y muerte son los siguientes:
Supuesto1. Dado N(t) =t, la distribución de probabilidad actual del tiempo que
falta para el próximo nacimiento (llegada) es exponencial con parámetro λn n (n=
0,1,2,...).
Supuesto 2. Dado N(t) =n, la distribución de probabilidad actual del tiempo que
falta para la próxima muerte (terminación de servicio) es exponencial con
parámetro μn (n=1,2,...).
Supuesto 3. La variable aleatoria del supuesto 1 (el tiempo que falta hasta el
próximo nacimiento) y la variable aleatoria del supuesto 2 (el tiempo que falta
hasta la siguiente muerte) son mutuamente independientes. La siguiente transición
del estado del proceso es:

un solo nacimiento n → n+ 1
o una sola muerte n → n −1
lo que depende de cuál de las dos variables es más pequeña.

En el caso de un sistema de colas, λn y μn representan, respectivamente, la tasa

media de llegada y la tasa media de terminaciones de servicio, cuando hay n
clientes en el sistema. En algunos sistemas de colas, los valores de las λn serán
las mismas para todos los valores de n, y las μn también serán las mismas para
toda n excepto para aquella n tan pequeña que el servidor esté desocupado.

Excepto en algunos casos especiales, el análisis del proceso de nacimiento y

muerte es complicado cuando el sistema se encuentra en condición transitoria. Se
han obtenido algunos resultados sobre esta distribución de probabilidad de N(t)
pero son demasiado complicados para darles un buen uso práctico. Por otro lado,
es bastante directo derivar esta distribución después de que el sistema ha
alcanzado la condición de estado estable (en caso de que pueda alcanzarla). Este
desarrollo parte del diagrama de tasas, como se escribe a continuación.

Considere cualquier estado particular n (n = 0,1,2,...) del sistema. Suponga que

en el tiempo 0 se inicia el conteo del número de veces que el sistema entra a este
estado y el número de veces que sale de él, como se denota a continuación:

En(t) = número de veces que el proceso entra al estado n hasta el tiempo t.

Ln(t) = número de veces que el proceso sale del estado n hasta el tiempo t.

Como los dos tipos de eventos (entrar y salir) deben alternarse, estos dos
números serán iguales o diferirán en solo 1; es decir, |En(t) − Ln(t)| ≤ 1
.Al dividir ambos lados entrety después hacer que t → ∞ se obtiene

Si se dividen En(t) y Ln(t) entre t se obtiene la tasa real (número de eventos por
unidad de tiempo) a la que ocurren estos dos tipos de eventos, y cuando t → ∞ se
obtiene la tasa media (número esperado de eventos por unidad de tiempo):
 Estos resultados conducen al siguiente principio clave:

Principio de tasa de entrada= tasa de salida. Para cualquier estado n(n= 0,1,2,...)
del sistema, la tasa media de entrada = tasa media de salida.

La ecuación que expresa este principio se llama ecuación de balance del estado
n.
Después de construir las ecuaciones de balance de todos los estados en
términos de probabilidades Pn desconocidas, se puede resolver este sistema de
ecuaciones para calcularlas.

A fin de ilustrar una ecuación de balance, considere el estado 0. El proceso entra

a este estado solo desde el estado 1. En consecuencia, la probabilidad de estado
estable de encontrarse en el estado 1 (P1) representa la proporción de tiempo que
es posible que el proceso entre al estado 0. Dado que el proceso se encuentra en
el estado 1, la tasa media de entrada al estado 0 esμ1(para cada unidad
acumulada de tiempo que el proceso pasa en el estado1, el número esperado de
veces que lo dejaría para entrar al estado 0 esμ1). Desde cualquier otro estado,
esta tasa media es 0. Por lo tanto, la tasa media global a la que el proceso deja su
estado actual para entrar al estado 0 (la tasa media de entrada)

Modelos de simulación
Como antecedentes de la teoría de la simulación podríamos mencionar la teoría
de la dinámica de sistemas. A su vez, la teoría de la dinámica de sistemas se basó
en la teoría de los servomecanismos, cuya característica fundamental es la
existencia en los mismos de una realimentación de información. Se entiende por
realimentación el proceso en virtud del cual, cuando se actúa sobre un
determinado sistema, se obtiene continuamente información sobre los resultados
de las decisiones tomadas, información que servirá para tomar las decisiones
sucesivas. La teoría de los servomecanismos tiene dos características
fundamentales: El estudio sistemático del concepto de realimentación y un amplio
desarrollo del estudio del comportamiento dinámico de los sistemas donde se
encuentra el germen de la noción de sistema dinámico [Aracil, J.,1986].
En esta área de conocimiento se desarrolló la teoría de la simulación que podría
definirse como un medio que experimenta con un modelo detallado de un sistema
real para determinar como
2responderá el sistema a los cambios en su estructura o entorno [Harrell, C.,
Tumay, K; 2001]. Por otro lado se podría afirmar que la simulación permite
experimentar con un modelo del sistema para comprender mejor los procesos, con
el fin de mejorar la actividad en las empresas [Harrington, H. J. y Tumay, K; 1999].
Finalmente un aspecto muy importante a destacar dentro de las distintas
definiciones de la teoría de la simulación es que ésta pretende imitar el
comportamiento del sistema real, evolucionando como éste, pero lo más frecuente
es estudiar además la evolución del sistema en el tiempo.

Proceso de Poisson
La distribución de Poisson es una distribución de probabilidad discreta que
expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que
ocurra un determinado número de eventos durante cierto periodo de tiempo.
Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con
probabilidades muy pequeñas, o sucesos raros. En teoría de colas, será
importante esta distribución ya que se supondrá en muchas ocasionas que las
llegadas de los clientes al sistema o cola, seguirá una distribución aleatoria de
Poisson.
La función de probabilidad de la distribución de Poisson es:
Donde:
 k es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces)
 λ es un parámetro positivo que representa el número de veces que se
espera que ocurra el fenómeno durante un intervalo dado.

Su función de distribución vendrá dada por:

 Conclusión

Con frecuencia, 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 cuándo llegarán los clientes que demandan el
servicio y/o cuanto tiempo será necesario para dar ese servicio; es por eso que
esas decisiones implican dilemas que hay que resolver con información 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, están pagando un coste, en
tiempo, más alto del que esperaban. Las líneas de espera largas también son
costosas por tanto para la empresa ya que producen pérdida de prestigio y
pérdida de clientes.

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

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