Documentos de Académico
Documentos de Profesional
Documentos de Cultura
a. Este es un sistema de líneas de espera porque los clientes llegan a una tasa media y esperan
en una cola antes de ser atendidos por una cajera.
b. Para determinar las medidas de desempeño básicas, utilizaremos las siguientes fórmulas:
Para calcular estas medidas de desempeño, necesitamos conocer la tasa de servicio de las
cajeras y la tasa media de llegada de los clientes.
La tasa de servicio de una cajera es de 1 cliente cada 2 minutos, por lo tanto, la tasa de servicio
del sistema (μ) es de 2 clientes por minuto.
La tasa media de llegada de los clientes (λ) es de 40 clientes por hora, que es equivalente a
40/60 clientes por minuto, es decir, 2/3 clientes por minuto.
Lq = λ * Wq
Wq = Lq / λ
L=λ*W
W=L/λ
Lq = (2/3) * Wq
Wq = Lq / (2/3)
L = (2/3) * W
W = L / (2/3)
Dado que hay dos cajeras en servicio, el número máximo de clientes que puede haber en el
sistema es de 2 (uno siendo atendido por cada cajera).
Por lo tanto, el número medio de clientes en el sistema (L) será igual al número medio de
clientes en las cajas (2) más el número medio de clientes en la cola (Lq):
L = 2 + Lq
Lq = (2/3) * Wq
Finalmente, sustituimos las fórmulas para Lq y L en las fórmulas para Wq y W para obtener las
medidas de desempeño básicas:
Wq = (2/3) * Wq / (2/3)
W = (2 + (2/3) * Wq) / (2/3)
4)
Para resolver estas preguntas, podemos utilizar las fórmulas de la distribución exponencial y las
propiedades de los procesos de Poisson, ya que el tiempo entre llegadas y el tiempo de servicio
siguen distribuciones exponenciales. Los cálculos se realizarán asumiendo que cada servidor
atiende a los clientes de forma independiente.
Para la letra a:
i. La probabilidad de que la siguiente llegada ocurra antes de la 1:00 p.m. es P(X < 1), donde X
es el tiempo entre llegadas. Utilizando la distribución exponencial, esta probabilidad es 1 - e^(-
1/2) ≈ 0.3935.
ii. La probabilidad de que la siguiente llegada ocurra entre la 1:00 y las 2:00 p.m. es P(1 < X < 2),
donde X sigue una distribución exponencial. Esto se calcula como e^(-1/2) - e^(-2/2) ≈ 0.2387.
iii. La probabilidad de que la siguiente llegada ocurra después de las 2:00 p.m. es P(X > 2),
donde X sigue una distribución exponencial. Esta probabilidad es e^(-2/2) ≈ 0.1353.
Para la letra b:
Si no llegan más clientes antes de la 1:00 p.m., la probabilidad de que la siguiente llegada
ocurra entre la 1:00 y las 2:00 p.m. es simplemente la probabilidad calculada en el punto ii de
la letra a, es decir, aproximadamente 0.2387.
Para la letra c:
i. La probabilidad de que el número de llegadas entre la 1:00 y las 2:00 p.m. sea 0 se puede
calcular utilizando la distribución de Poisson con media 1 (ya que se espera un cliente en
promedio cada 2 horas). Así, P(k=0) = e^(-1) ≈ 0.3679.
ii. La probabilidad de que el número de llegadas entre la 1:00 y las 2:00 p.m. sea 1 se puede
calcular también con la distribución de Poisson con media 1. Entonces, P(k=1) = 1 * e^(-1) ≈
0.3679.
iii. La probabilidad de que el número de llegadas entre la 1:00 y las 2:00 p.m. sea 2 o más se
puede calcular como 1 - P(0) - P(1) ≈ 0.2642.
Para la letra d:
Para esta parte, necesitamos utilizar la distribución de Poisson para calcular la cantidad de
clientes que llegan en ciertos intervalos de tiempo. Luego, podemos aplicar la probabilidad de
la distribución exponencial para el tiempo de servicio.
i. Si ambos servidores están ocupados a la 1:00 p.m., la probabilidad de que ningún cliente
haya completado su servicio antes de las 2:00 p.m. es P(k=0) = e^(-2) ≈ 0.1353.
ii. La probabilidad de que ningún cliente haya completado su servicio antes de la 1:10 p.m. se
puede calcular como P(k=0) * P(X > 1.1667)^2, donde P(X > 1.1667) representa la probabilidad
de que el tiempo hasta que se complete el servicio de un cliente sea mayor que 1.1667 horas.
Esto da como resultado aproximadamente 0.0499.
iii. La probabilidad de que ningún cliente haya completado su servicio antes de la 1:01 p.m. se
calcularía de manera similar a la anterior, simplemente reemplazando el tiempo 1.1667 por
1.0167, obteniendo un valor aproximado de 0.0907.
Espero que con estos cálculos puedas resolver las preguntas planteadas. Si necesitas más
ayuda o alguna aclaración adicional, no dudes en preguntar.
5)
Para determinar el tiempo esperado que falta para la próxima terminación de un servicio,
podemos considerar que el tiempo restante para que un servidor termine su servicio sigue una
distribución exponencial con parámetro λ, donde λ es la tasa de servicio. La media de una
distribución exponencial es igual a 1/λ.
Dado que los tiempos de servicio esperados son de 30, 20 y 15 minutos para los tres
servidores, podemos calcular la tasa de servicio como el inverso de estos valores: λ1 = 1/30, λ2
= 1/20, y λ3 = 1/15.
Ahora, si cada servidor ha estado ocupado con el cliente actual durante 10 minutos, podemos
calcular el tiempo esperado que falta para la próxima terminación de un servicio sumando el
tiempo restante esperado para cada servidor y dividiendo entre el número de servidores.
El tiempo esperado que falta para la próxima terminación de un servicio considerando los tres
servidores es entonces (20 + 10 + 5) / 3 = 35 / 3 ≈ 11.67 minutos.
Por lo tanto, el tiempo esperado que falta para la próxima terminación de un servicio es de
aproximadamente 11.67 minutos.
6)
Para resolver estas consultas, primero necesitamos calcular la tasa de llegada promedio de los
viajes del coleccionista. Dado que el coleccionista viaja a subastas de arte una vez al mes en
promedio, la tasa de llegada promedio (λ) es 1 viaje por mes.
Ahora podemos utilizar la distribución exponencial y la tasa de llegada para resolver las
consultas planteadas:
b. La probabilidad de que se realicen no más de 8 compras por año se puede calcular utilizando
la distribución de Poisson, que es apropiada para modelar el número de eventos que ocurren
en un intervalo de tiempo dado, cuando los eventos son raros y independientes, y la tasa de
llegada es constante.
La fórmula general para la distribución de Poisson es P(X ≤ k) = e^(-λ) * Σ (λ^i / i!), donde k es el
número de compras máximo, λ es la tasa de llegada y Σ representa la suma desde i=0 hasta k.
En este caso, queremos calcular la probabilidad de no más de 8 compras por año, lo que
significa calcular P(X ≤ 8) con λ = 1 (ya que el coleccionista hace en promedio un viaje por mes,
lo que resulta en 12 viajes por año).
Por lo tanto, P(X ≤ 8) = e^(-1) * (1 + 1 + 1/2 + 1/6 + 1/24 + 1/120 + 1/720 + 1/5040 + 1/40320) ≈
0.9535.
Por lo tanto, la probabilidad de que el tiempo entre viajes sucesivos exceda de 1 mes es
aproximadamente 0.3679 o 36.79 %.
7)
Para resolver estas consultas, podemos utilizar la distribución de Poisson, dado que el proceso
de colocar pedidos de boletos tiene una tasa de llegada promedio y es apropiado para modelar
la probabilidad de eventos raros e independientes ocurriendo en un intervalo de tiempo dado.
a. La probabilidad de que sea posible comprar boletos baratos de última hora se puede calcular
utilizando la distribución de Poisson con la media de 10 llamadas por hora. En este caso,
queremos calcular la probabilidad de que no haya ninguna llamada en el período de una hora
antes de que se inicie el concierto.
La fórmula para la distribución de Poisson es P(X = k) = (e^(-λ) * λ^k) / k!, donde X es el número
de eventos en un intervalo de tiempo, λ es la tasa de llegada promedio y k es el número de
eventos que queremos calcular la probabilidad.
En este caso, queremos calcular la probabilidad de que no haya llamadas en una hora, es decir,
P(X = 0) con λ = 10, ya que la media es de 10 llamadas por hora.
Dado que la media de llamadas por hora es de 10, esto significa que en promedio, habrá 10
bloques de boletos disponibles para su compra. Por lo tanto, el promedio de boletos baratos de
última hora disponibles será de 10 bloques * 10 boletos por bloque = 100 boletos.
9)
Primero, calculemos el promedio de autos que esperan en el sistema con el nuevo dispositivo.
Podemos utilizar la fórmula M/M/1 para sistemas de colas, que es aplicable cuando los
tiempos entre llegadas y los tiempos de servicio siguen distribuciones exponenciales.
Dado que la tasa promedio de llegadas es 90 autos por hora, podemos convertirla a la tasa de
llegadas por segundo (λ = 90/3600 = 0.025 autos por segundo).
Ahora, el promedio de autos que esperan en el sistema es Ls = 0.025 * 51.71 ≈ 1.29 autos.
Como el promedio de autos que esperan en el sistema con el nuevo dispositivo es menor que
5, se satisface la primera condición.
Dado que el tiempo ocioso es del 97.5%, que es mayor que el 10% requerido, la segunda
condición no se satisface.
Basándonos en estos cálculos, podemos concluir que el nuevo dispositivo de cobro de cuota
automático no se justifica, ya que aunque la instalación reduciría el tiempo promedio de cruce
por vehículo, el porcentaje de tiempo ocioso de la caseta excedería el límite del 10%
establecido por las autoridades.