UNIVERSIDAD DE ORIENTE

NÚCLEO DE ANZOÁTEGUI

EXTENSIÓN REGIÓN CENTRO SUR

DEPARTAMENTO DE INGENIERÍA DE SISTEMAS

Modelos de Operaciones I
Asignación 3

Profesora: Bachiller:

Arelina Ruiz Luis González Ci: 27.143.015

 Modelo de regresión de Poisson

Para una única variable independiente X, es un modelo de la forma:

o, para simplificar la notación, simplemente:

donde ln significa logaritmo neperiano, a0 y a1 son constantes y X una variable que puede

ser aleatoria o no, continua o discreta. Este modelo se puede fácilmente generalizar
para k variables independientes:

Por lo tanto a0 es el logaritmo de l (probabilidad de que ocurra un evento en un

intervalo de tamaño unidad) cuando todas las variables independientes son cero, y ai es el
cambio en el logaritmo de l (o logaritmo del cociente de l ) cuando la variable Xi aumenta

una unidad, manteniéndose constantes las demás o, dicho de otro modo,   es la
probabilidad de que ocurra un evento en un intervalo unidad cuando todas las variables

independientes son cero y   l el cociente de dicha probabilidad para un aumento de una
unidad en la variable Xi (riesgo relativo). Obsérvese que, al igual que en la regresión
logística, el modelo supone efectos multiplicativos, es decir, si la
variable Xi aumenta n unidades, la probabilidad para la variable de Poisson se multiplica

por  es decir, la potencia n-ésima de 

 

Teniendo en cuenta, que para una variable de Poisson: m = ls el modelo también se puede
poner en función de m como:

Ejemplo
Se quiere comparar la incidencia de cáncer de piel en 2 ciudades, para ello se registran los
cánceres de piel aparecidos en el último año, 18 para la ciudad A y 30 para la B, cuyas
poblaciones respectivas son 350.000 y 410.000.

Se trata de variables de Poisson con intervalo de personas-tiempo. Asumiendo que

ambas poblaciones se han mantenido constantes a lo largo de ese año y que todos los
individuos eran susceptibles de enfermar, los tamaños de los intervalos son respectivamente
350.000 y 410.000 personas-año y la mejor estimación de las densidades de incidencia:

Definiendo la variable X = 0 para la ciudad A y X = 1 para la B, estos resultados se pueden

expresar con un modelo de regresión, siendo:

el logaritmo de la densidad de incidencia en la ciudad A y   el logaritmo de la razón de

densidades de incidencia, es decir:

Por lo tanto, la densidad de incidencia en B es 1,423 la de A (42,3% más alta).

Evidentemente, para comparar ambas incidencias, simplemente hay que comparar   con

cero o   con 1.

Se puede plantear que esta diferencia en las incidencias pueda ser debida,
simplemente, a que ambas ciudades tengan una distinta pirámide de población (es sabido
que la incidencia del cáncer es distinta para distintos grupos de edad) o quizás, y sería una
hipótesis más interesante a investigar, a algún otro factor. Si se conoce la distribución de las
poblaciones para los distintos grupos de edad, así como el grupo al que pertenece cada
enfermo, se puede plantear un modelo:
siendo X1 la ciudad y X2 el grupo de edad. En este modelo a1 es la razón de densidades de
incidencia para ambas ciudades controlando por la edad. Si a1 es distinto de 0, se puede
concluir que existe algún factor, distinto de la edad, en ambas ciudades que incide en el
cáncer de piel.

Proceso de nacimiento y muerte

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo con
un proceso de nacimiento y muerte. Este importante proceso de teoría de probabilidad tiene
aplicaciones en varias áreas. Sin embargo, en el contexto de la teoría de colas, el termino
nacimiento se refiere a la llegada de un nuevo cliente al sistema de colas, mientras que el
termino muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t
(t ≥ 0), denotado por N (t), es el número de clientes que hay en el sistema de colas en el
tiempo t. El proceso de nacimiento y muerte describe en términos probabilísticos como
cambia N (t) al aumentar t. En general, sostiene que los nacimientos y muertes individuales
ocurren de manera aleatoria, y que sus tasas medias de ocurrencia dependen del estado
actual del sistema. De manera más precisa, los supuestos del proceso de nacimiento y
muerte son los siguientes:

Supuesto 1

Dado N (t) = n, la distribución de probabilidad actual del tiempo que falta para el próximo
nacimiento (llegada) es exponencial con parámetro λ n (n 50, 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
n→ n + 1 (un solo nacimiento) o n→ n - 1 (una sola muerte), lo que depende de cuál de las
dos variables es más pequeña.

En el caso de un sistema de colas, λ n 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 λ n 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 este desocupado (es decir, n = 0). Sin embargo, las λ n y las y µn
también pueden variar en forma considerable con n para algunos sistemas de colas. Por
ejemplo, una de las formas en las que λ n puede ser diferente para valores distintos de n es
si los clientes potenciales que llegan se pueden perder (rechazar la entrada al sistema) con
mayor probabilidad a medida que n aumenta. De manera similar, µn puede ser diferente
ante valores distintos de n debido a que existe una mayor probabilidad de que los clientes
renuncien (se vayan sin haber sido servidos) a medida que aumenta el tamaño de la cola.

Distribución de llegadas:

Definir el proceso de llegada para una línea de espera implica determinar la

distribución de probabilidad para la cantidad de llegadas en un periodo dado. Para muchas
situaciones de línea de espera, cada llegada ocurre aleatoria e independientemente de otras
llegadas y no podemos predecir cuándo ocurrirá. En tales casos, los analistas cuantitativos
has encontrado que la distribución de probabilidad de Poisson proporciona una buena
descripción del patrón de llegadas. La función de probabilidad de Poisson proporciona la
probabilidad de x llegadas en un periodo específico. La función de probabilidad es como
sigue:

P(x)=µx e^- λ / x!                     Para x= 0, 1, 2, …

Modelo de nacimiento puro

 Defina p0 (t) = Probabilidad de que no ocurran llegadas durante un periodo de
tiempo t. Dado que el tiempo entre llegadas es exponencial y que la tasa de llegadas es
de λ clientes por unidad de tiempo, entonces:

Para un intervalo de tiempo suficientemente pequeño h > 0, tenemos:

La distribución exponencial se basa en la suposición de que durante h > 0, cuando

mucho puede ocurrir un evento (llegada). Por lo tanto, a medida que

h→ 0, p1 (h) = 1 - p0 (h)≈ λ h.

Este resultado muestra que la probabilidad de una llegada durante h es directamente

proporcional a h, con la tasa de llegadas, λ, como constante de proporcionalidad. Para
derivar la distribución de la cantidad de llegadas durante un periodo t cuando el tiempo
entre llegadas es exponencial con media 1/ λ

Defina pn(t) = Probabilidad de n llegadas durante t.

Para un h > 0 suficientemente pequeño:

En la primera ecuación habrá n llegadas durante t + h si hay n llegadas durante t y ninguna

llegada durante h, o n - 1 llegadas durante t y una llegada durante h. No se permiten todas
las demás combinaciones porque, de acuerdo con la distribución exponencial, a lo sumo
puede haber una llegada durante un periodo h muy pequeño. La ley del producto de las
probabilidades es aplicable al lado derecho de la ecuación porque las llegadas son
independientes. En cuando a la segunda ecuación, durante t + h puede haber cero llegadas
sólo si no hay llegadas durante t y h. Reacomodando los términos y tomando los límites a
medida que h→0 para obtener la primera derivada de pn(t) con respecto a t, tenemos:

Ésta es una distribución de Poisson con media de llegadas durante t. El resultado

anterior muestra que, si el tiempo entre llegadas es exponencial con media 1/ λ, entonces la
cantidad de llegadas durante un periodo específico t es Poisson con media λ t. Lo contrario
también funciona. La siguiente tabla resume las relaciones entre las distribuciones
exponenciales y de Poisson, dada la tasa de llegadas λ.

Modelo de muerte pura

En el modelo de muerte pura, el sistema se inicia con N clientes en el instante 0, sin

llegadas nuevas permitidas. Las salidas ocurren a razón de m clientes por unidad de tiempo.
Para desarrollar las ecuaciones diferenciales de la probabilidad pn(t) de que n clientes
permanezcan después de t unidades de tiempo, seguimos los argumentos utilizados con el
modelo de nacimiento puro. Por lo tanto:

Ejemplo:

Una florería inicia cada semana con 18 docenas de rosas. En promedio, la florería vende 3
docenas al día (una docena a la vez), pero la demanda real sigue una distribución de
Poisson. Siempre que el nivel de las existencias se reduce a 5 docenas, se coloca un nuevo
pedido de 18 nuevas docenas para entrega al principio de la siguiente semana. Debido a la
naturaleza de la mercancía, las rosas sobrantes al final de la semana se desechan. Determine
lo siguiente:

(a) La probabilidad de colocar un pedido cualquier día de la semana.

(b) El promedio de rosas desechadas al final de la semana. Debido a que las compras
ocurren a razón de µ = 3 docenas por día, la probabilidad de colocar un pedido al final del
día t es
 Línea de espera especializada de poisson

Se han elaborado modelos para ayudar a los administradores a entender y tomar

mejores decisiones sobre la operación de las líneas de espera. En la terminología de los
métodos cuantitativos, una línea de espera también se conoce como cola y el cuerpo de
conocimiento que tiene que ver con las líneas de espera también se conoce cómo teoría de
las colas o simplemente “teoría de Colas”. A principios del siglo XX, A. K. Erlang, un
ingeniero telefónico danés comenzó un estudio de la congestión y tiempos de espera que
ocurrían al completar llamadas telefónicas. Desde entonces, la teoría de las colas se ha
vuelto mucho más compleja con aplicaciones en una amplia variedad de situaciones de
línea de espera. Los modelos de línea de espera consisten en fórmulas y relaciones
matemáticas que pueden usarse para determinar las características operativas (medidas de
desempeño) para una cola. Las características operativas de interés incluyen las siguientes:

1. La probabilidad de que no haya unidades o clientes en el sistema

2. Cantidad promedio de unidades en línea de espera
3. Cantidad promedio de unidades en el sistema (cantidad de unidades en línea de
espera más la cantidad de unidades que se están atendiendo)
4. Tiempo promedio que pasa una unidad en la línea de espera
5. Tiempo promedio que pasa una unidad en el sistema (el tiempo de espera más el
tiempo de servicio)
6. Probabilidad que tiene una unidad que llega de esperar por el servicio.

Los gerentes que tienen dicha información son más capaces de tomar decisiones que
equilibren niveles de servicio deseable con el costo de proporcionar dicho servicio.

Modelo para líneas de espera especializadas de poisson

Cada modelo de los que a continuación se analizaran se describe en términos de la

notación extendida por Kendall, como la deducción de pn es completamente independiente
de la disciplina de la línea de espera, es apropiado usar el símbolo DG (disciplina general)
en la notación de Kendall.

 SISTEMA A (M/M/1) : (DG/∞/∞)

Este es un modelo de servidor único sin límites en la capacidad del sistema o de la

fuente de llamadas, con llegadas y salidas de Poisson con tasa medias  y .

Definiendo  =   obtenemos la siguiente fórmula general para este modelo: o Pn =

(1- ) *  n , n = 0,1,2,…

Que es una distribución geométrica, donde además p0 = 1- .

El requisito matemático de que r > 1 necesario para garantizar la convergencia de la

serie geométrica (1 +  +  2 +…), conduce a un elemento intuitivo. O sea  > 1 significa
que   lo que establece que la tasa de llegadas debe ser estrictamente menor que la tasa
de servicio en la instalación, para que el sistema alcance estabilidad.

Para este modelo las medidas básicas de desempeño se calculan de la siguiente forma:

Ls = E n = ( ) / (1- ) Ws = Ls /  = 1 /    1-  

Lq = Ls -    =  2 /(1-  Wq = Lq /  =  /    1-  

 SISTEMA A (M/M/1): (DG/N/∞):

La diferencia de este modelo y el anterior radica en que el número máximo
de clientes (para este modelo) permitidos en el sistema es N (longitud máxima de la
línea de espera es = N-1). Esto significa cuando haya N clientes en el sistema, se
impiden todas las nuevas llegadas o no se les permite unirse a la línea de espera.

En este modelo, haciendo  =   obtenemos que:

(1-    1- N+1;   1 Po = 1 / N+1;  = 1

Entonces las fórmulas para pn pueden resumirse como:

 (1-    1- N+1   n ;   1 pn = n = 0,1,2, ... 1 / (N+1) ;   1

Para este modelo no se hace necesario que   1 pues el número de unidades en el sistema está
controlado por la longitud de la línea de espera (= N-1).

Usando el valor anterior de pn, encontramos que el número esperado de unidades en el sistema
se calcula como a continuación:

   1- N+1)   N + N N+1     1-   1- N+1 ;   1 Ls = N / 2;   1

Las medidas Lq, Ws y Wq se pueden calcular a partir de Ls, una vez que se determina la tasa
efectiva de llegadas ef de la forma siguiente:

 e, f =   1-pn

Usando Ls y ef obtenemos las fórmulas para calcular, Lq, Wq y Ws:

Lq = Ls-(  e, f   ) = Ls - [ ( 1-pN)] /  pN = Probabilidad de que una unidad no sea capaz de unirse

al sistema.

Wq = Lq /  e, f = Ls /    1-pN  

Ws = Wq +1/  = Ls /    1-pN  