Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad I - Modelos de Líneas de Espera
Unidad I - Modelos de Líneas de Espera
CONTENIDO
1
Investigación de Operaciones II
Waiting in line.Freepik
2
Investigación de Operaciones II
Entre los objetivos que se plantean al momento de evaluar las líneas de espera a
través de la teoría de colas, tenemos:
3
Investigación de Operaciones II
Características de Llegada:
4
Investigación de Operaciones II
FIFO: En español sería PEPS. Significa first in (FI), FO (first out). Esta disciplina es
la mas utilizada.
1.1.2 Clasificación
5
Investigación de Operaciones II
Cola
Salida
Arribo
Servidor
Fase
Podemos encontrar también el modelo de una sola cola, un solo canal y varios
servidores.
Cola
Salida
Arribo
Servidor Servidor
1 2
6
Investigación de Operaciones II
Canales
Servidor
1 Salida
Cola
Arribo Servidor
2 Salida
Servidor
3 Salida
Canales
Servidor Servidor
1 2
Canal 1 Canal 1 Salida
Cola
Arribo
Servidor Servidor
1 2 Salida
Canal 2 Canal 2
7
Investigación de Operaciones II
Así como existen los modelos de cola simple o de una sola cola, podemos encontrar
las mismas configuraciones pero considerando dos o más colas. Solo como ejemplo
mostramos el sistema de dos colas, multicanales y varios servidores.
Canales
Cola 1 Servidor
Arribo 1 Salida
Servidor
2 Salida
Arribo
Servidor
3 Salida
Cola 2
8
Investigación de Operaciones II
A/B/X/Y/Z
A: Distribución de llegadas. M: Markoviano, Markoviano, Poisson/Exponencial, D:
Determinista, G: General, E: Erlang.
Medidas de rendimiento
Independientemente del modelo a utilizar, los principales factores que se deben
evaluar para tomar las decisiones relacionadas a disminuir los costos, es decir,
balancear los costos del servicio con los costos de línea de espera, son los
siguientes:
9
Investigación de Operaciones II
10
Investigación de Operaciones II
11
Investigación de Operaciones II
EJEMPLO No. 11
RESPUESTA
12
Investigación de Operaciones II
f- ¿Qué tasa de servicio se requerirá para lograr que los clientes pasen en
promedio solamente 8 minutos en el sistema?
λ =30 clientes/hr
Ws = 8 minutos = 8*(1/60) = 0.133 horas.
Ws = 1/(μ – λ) entonces μ = (1+Ws*λ)/ Ws = (1+0.133*30)/0.133 = 37.52 cl/hr.
La tasa de servicio debería ser de aprox. 38 clientes por hora.
4 4
n
pn>= 1 – ∑P(n) = 1- ∑(1- ρ )* ρ
n=0 n=0
4 4
n
pn>= 1 – ∑P(n) = 1- ∑1- ρ )* ρ
n=0 n=0
4
n 0 1 2 3 4
pn>= 1- ∑(1-p)*p = 1 – (1-0.8)*(0.8 +0.8 + 0.8 + 0.8 + 0.8 )
n=0
13
Investigación de Operaciones II
4 4
n
pn>= 1 – ∑P(n) = 1- ∑(1- ρ )* ρ
n=0 n=0
4
n 0 1 2 3 4
pn>= 1- ∑(1-p)*p = 1 – (1- ρ)*( ρ + ρ + ρ + ρ + ρ )
n=0
4
n 1 2 3 4 1 2 3 4 5
pn>= 1- ∑(1-p)*p = 1 – 1- ρ - ρ - ρ - ρ + ρ + ρ + ρ + ρ + ρ
n=0
4
n 5
pn>= 1- ∑(1-p)*p = ρ
n=0
5
pn>= ρ
1/5
ρ = pn>
ρ = (0.10)1/5 = 0.6309.
14
Investigación de Operaciones II
15
Investigación de Operaciones II
EJEMPLO No. 12
Una empresa de distribución, tiene problemas con el tiempo que deben esperar sus
vehículos para ser descargados. Existen 4 plataformas de descarga. Cada
plataforma requiere de una cuadrilla de 2 empleados y cada cuadrilla cuesta $30.00
la hora. El costo de cada vehículo ocioso es de $50.00 la hora. Los vehículos llegan
en promedio de tres por hora, siguiendo una distribución de Poisson. En promedio,
una cuadrilla descarga un vehículo en una hora y los tiempos de servicio son
exponenciales. ¿Cuál es el costo total por hora de la operación?
RESPUESTA
Para calcular los costos, primero debemos determinar el tiempo promedio de espera
y la cantidad promedio de camiones en el sistema.
1
Po = = 0.0377
1 + 3 + 9/2 + 27/6 + (81/24)*(1/1-0.75))
16
Investigación de Operaciones II
17
Investigación de Operaciones II
18
Investigación de Operaciones II
EJEMPLO No. 13
RESPUESTA
19
Investigación de Operaciones II
Para calcular los costos, primero debemos determinar el tiempo promedio de espera
y la cantidad promedio de camiones en el sistema.
20
Investigación de Operaciones II
1.2.1 Exponencial
21
Investigación de Operaciones II
1.2.2 Markoviana
Las cadenas Markovianas (llamada así por el matemático ruso Andréi Markov)
implican que la probabilidad de ocurrencia de un evento depende de la ocurrencia
del evento anterior, por lo que el comportamiento futuro está condicionado al evento
pasado. Es un fenómeno aleatorio utilizado por ejemplo: para determinar valores
para variables dependientes en un conjunto, obtener distribuciones de
probabilidades de variables dependientes, etc.
1.2.3 Erlang
22