1

LINEAS DE ESPERA (TEORA DE COLAS)

Prof: Juan Eduardo Garrido Ziga Ms. Sc. Estadstica Matemtica La teora de lneas de espera, llamada tambin teora de colas, trata del estudio y modelado matemtico de aquellos fenmenos que ocurren cuando la demanda por un servicio supera la capacidad instalada para satisfacerlo. El proporcionar un eficiente servicio, implica costos elevados, pero carecer de la capacidad de atencin suficiente para satisfacer la demanda, provoca las colas o lneas de espera que, si son muy largas, tambin implican un costo, que puede llegar a ser elevado por la prdida de clientes debido a los altos tiempos de demoras en la atencin. Estructura Bsica de un Modelo de Lnea de Espera: - Los clientes, que requieren un servicio, provienen a travs del tiempo desde una poblacin llamada fuente de entrada. - Si el encargado de atender a los clientes (servidor) est libre, el cliente entra directamente al servicio, de lo contrario debe esperar en la cola. - En cierto momento, se selecciona un miembro de la cola para darle servicio, usando para ello una regla conocida como disciplina de la cola (o disciplina de servicio). - Despus, mediante un mecanismo de servicio, el servidor da el servicio al cliente. - Terminado el servicio el cliente abandona el sistema

Sistema de espera con una cola y un servidor Fuente de Entrada: - La caracterstica principal de la fuente de entrada es su tamao, esto es, el nmero total de clientes que pueden requerir el servicio en un momento determinado. - La poblacin de donde surgen las entidades que llegan, recibe el nombre de Poblacin de Entrada Fuente de Entrada.

- El tamao de esta poblacin puede ser finito o infinito. Se considera como infinito, cuando el tamao de la poblacin es suficientemente grande. - Debe especificarse el patrn estadstico mediante el cual los clientes llegan a travs del tiempo. Lo habitual es suponer que los clientes llegan (en forma aleatoria) de acuerdo a un Proceso de Poisson. - Como veremos, los nmeros de clientes que llegan en un intervalo de tiempo dado siguen una distribucin de Poisson. Este caso ocurre cuando las llegadas al sistema ocurren independientemente una de otra y en forma aleatoria, pero a una cierta tasa media constante e independiente del nmero de clientes que ya estn en el sistema. Esta suposicin es equivale a decir que la distribucin de probabilidades de los tiempos entre llegadas sucesivas de clientes al sistema siguen una distribucin Exponencial. Lnea de Espera (Cola): - Se caracteriza por el nmero de clientes que estn en la cola (longitud de la cola) - Una cola puede ser finita o infinita. Lo habitual, para propsitos de generar un modelo matemtico del sistema de espera, es suponer que la cola sea infinita. Disciplina de la Cola: Se refiere al criterio que se usa para seleccionar los clientes, desde la cola, para ser atendidos servidos. - FIFO: Primero que llega es primero en ser atendido (First In First Out) - LIFO: Ultimo que llega es el primero en ser atendido (Last In First Out) - SIRO: Se atiende en forma aleatoria (Service In Random Order) La situacin ms habitual es atender segn la disciplina FIFO. Mecanismo de Servicio: - Consiste en una o ms instalaciones de servicio llamados servidores. - Si existe ms de una instalacin de servicio que atiende a los clientes de una nica lnea de espera, todas estas instalaciones dan el mismo servicio, y los clientes pasan por solo una ellas para recibir servicio, diremos que los servidores estn en paralelo. A modo de ejemplo: Los cajeros de un banco que atienden a una misma cola, estn en paralelo.

Sistema de espera con una cola y dos servidores en paralelo - Si el cliente debe pasar sucesivamente por varias etapas de servicio (Como en un proceso de matrcula por ejemplo): Llenado de formulario, aprobacin, pago de arancel, inscripcin de asignaturas, etc) diremos que los sucesivos servidores estn en serie.

Sistema de espera con una cola y dos servidores en serie - El tiempo que transcurre desde el inicio la atencin hasta que el cliente es completamente atendido, recibe el nombre de tiempo de servicio. - Se debe especificar la distribucin de probabilidades del tiempo de servicio para cada servidor. Por lo general esta distribucin ser exponencial. Modelamiento de los procesos de llegadas y de servicio: 1) Modelamiento de procesos de llegadas: Proceso estocstico de conteo: Sea { N t }t 0 un proceso estocstico tal que: Nt = total de eventos llegada de entidades (clientes) a un sistema dado, HASTA el instante t. Este proceso satisface lo siguiente: 1) N 0 = 0 , esto es: Si t = 0 N t = 0 2) N t N { 0 } N t puede tomar solo los valores enteros positivos y el cero
3) N t es un proceso no decreciente en el tiempo, esto es: t1 < t 2 N t1 N t 2 4) Si t1 < t 2 entonces N t N t = Total de eventos que ocurren en ( t1 , t 2 ]
2 1

Ejemplo: N t = Nmero de clientes que llegan a la caja de un banco hasta instante t Una realizacin posible de este proceso estocstico est graficada en la figura siguiente:

Proceso de Poisson:
Un proceso estocstico de conteo { N t }t 0 se llama Proceso de Poisson, si y solo si, satisface las siguientes propiedades:

1) Incrementos independientes estacionarios: i) La probabilidad de que un evento (llegada salida) ocurra entre los tiempos t y t + h , esto es en el intervalo ( t , t + h ) , depende nicamente de la longitud de h y no del instante t . Esto significa que esta probabilidad no depende de N t ni del valor especfico del perodo ( 0 , t ) .

ii) El nmero de eventos que ocurren durante intervalos de tiempo disjuntos son independientes, por lo tanto:
Si t1 < t 2 < ....... < t n entonces N t , N t N t , ....., N t N t ( n 1) son variables aleatorias independientes e igualmente distribuidas.
1 2 1 n

Matemticamente (i) y (ii) significan que la funcin de probabilidad tiene incrementos independientes estacionarios.

2) Propiedad de orden:
- La probabilidad de que ocurra un evento durante un intervalo de tiempo muy pequeo h , es positiva pero menor que 1. - A lo ms puede ocurrir un evento durante un intervalo de tiempo muy pequeo h Esto se expresa de la siguiente forma: Existe una constante > 0 tal que: t 0 y h > 0 , h pequeo, se tiene:
P ( N t + h N t = 1 ) = h + o( h)
P ( N t + h N t > 1 ) = o( h) siendo o(h)

cualquier

funcin f (h) para la cual se tiene que:

lim
h 0

f ( h) = 0 h

Definicin: Sea { Nt }t 0 un proceso de Poisson con parmetro t , entonces:

( t ) n e t P ( N t = n ) = Pn (t ) = ( n = 0, 1, 2, .......... . ) n! Como N t se distribuye Poisson con parmetro t : E[ N t ] = t y V [ N t ] = t

Obs.: La constante > 0 representa la tasa a la que ocurren los eventos (tasa de llegadas de clientes si se trata de una lnea de espera) La Distribucin Exponencial: Hasta ahora hemos utilizado un Proceso de Poisson

{ Nt }t 0

para registrar el nmero

de eventos que ocurren hasta un instante t . Asociado a este proceso discreto de conteo existen, adems de las variables aleatorias t1 , t 2 , ..... , ti (instantes de ocurrencia de los
eventos), las variables aleatorias continuas T1 , T2 , T3 , ......., Ti definidas por:

T1 = t1

T2 = t 2 t1 , T3 = t 3 t 2 , .........,

Ti = t i t i 1

que corresponden a los tiempos transcurridos entre los eventos sucesivos

Al modelar el proceso de llegadas, supondremos que las Ti son variables aleatorias continuas e independientes regidas por una misma variable aleatoria T . - La suposicin de independencia significa, por ejemplo, que el valor de T2 no afecta el valor de T3 , T4 de cualquier otra Ti superior. - La suposicin de que cada Ti es continua es, por lo general, una buena aproximacin de la realidad. - La suposicin de que cada tiempo Ti entre llegadas est regido por la misma variable aleatoria T , implica que la distribucin de llegadas es independiente del instante t i . Esta es la suposicin de los tiempos estacionarios entre llegadas. Debido a fenmenos tales como las horas peak, esta ltima suposicin es a menudo irreal, pero podramos aproximarnos con frecuencia a la realidad descomponiendo la

duracin del da por ejemplo, en segmentos. As, por ejemplo, si estuviramos modelando el flujo de trnsito diario, podramos descomponer un da en tres segmentos: un segmento de horas peak por la maana, un segmento al medioda y otro por la noche. Durante cada uno de estos segmentos los tiempos entre llegadas Ti podran ser estacionarios.

Relacin entre las distribuciones de Poisson y Exponencial: Teorema: Si

{ Nt }t 0

es un proceso de Poisson con parmetro t , entonces las

sucesivos tienen una distribucin exponencial con parmetro (tasa media de eventos). De modo que:

variables aleatorias continuas T1 , T2 , T3 , ..., Ti , ..... de los tiempos entre eventos

F ( t ) = P( T t ) =

f ( x) dx
0

e
0

dx = 1 e t (Distribucin acumulada)

f ( x ) = e x , x 0 (funcin de densidad exponencial de parmetro )

Adems: E[ T ] =
1

y V [T

(Media y varianza de la distribucin exponencial.

2) Modelamiento del procesos de servicio:

Supongamos que los tiempos de servicio de cliente distintos son variables aleatorias independientes, y que cada tiempo de servicio para cada uno de los clientes est regido por una variable aleatoria continua S cuya funcin de densidad es s (t ) . Sea tiempo de servicio promedio de un cliente. El valor esperado de una v.a. continua X con densidad f (x ) es E [ X ] = x f ( x ) dx .
D

el

En nuestro caso tendremos:

= E [ S ]= t s (t ) dt
0

Las unidades de medicin de corresponden a horas por cliente, de modo que las unidades de medicin de son clientes por hora. Por esta razn a se le llama tasa de servicio. Por ejemplo = 4 significa que si siempre hubiera clientes presentes, el servidor podra atender a una tasa promedio de 4 clientes por hora y que el tiempo promedio de servicio a cada cliente sera
1 4

hora.

Al igual que los tiempos entre llegadas, esperamos que sea posible modelar los tiempos de servicio como una variable aleatoria distribuida exponencial. De ser as, la funcin de ut cuyo densidad de la variable aleatoria de los tiempos de servicio S ser s(t ) = e valor esperado tiempo de servicio promedio por cliente es .
1

Nomenclatura de los Modelos de Lneas de Esepra:

Notacin de Kendall:

(a/b/c):(d/e/f)

Donde los parmetros a, b, c, d, e, f corresponden a:

a : Distribucin de Llegadas b : Distribucin del Tiempos de Servicio c : Nmero de Servidores en Paralelo d : Disciplina de Servicio (FIFO, LIFO, SIRO) e : Mximo de Clientes admitidos en el sistema (Total entre la Cola y el Servicio) f : Tamao de la Fuente (Poblacin) de Entrada.
Observaciones: 1) Si los parmetros (e) y (f) son , entonces pueden ser omitidos 2) Si los tiempos entre llegadas sucesivas de clientes y los tiempos de servicio de los clientes son exponenciales, los parmetros (a) y (b) se sustituyen por una letra M. Ejemplo 1: ( M / M / 3 ) : ( DG / / ) Corresponde a una Lnea de Espera con 3 servidores en paralelo, tiempos entre llegadas sucesivas de clientes y tiempos de servicio distribuidos ambos exponenciales. DG = disciplina general (Puede ser FIFO, LIFO, SIRO algn otro procedimiento definido) La fuente de entrada de clientes y la capacidad total del sistema son ambas infinitas Ejemplo 2: ( M / M / 1 ) : ( DG / N / )
Corresponde a una Lnea de Espera con 1 solo servidor, tiempos entre llegadas sucesivas de clientes y tiempos de servicio distribuidos ambos exponenciales. DG = disciplina general (Puede ser FIFO, LIFO, SIRO algn otro procedimiento)

La capacidad total del sistema se limita a N clientes y la fuente de entrada es infinita. Continuemos ahora con la nomenclatura de los modelos de Lneas de Espera: Estado del Sistema = Nmero de clientes en el Sistema (Incluye la cola y servicio)

Longitud de la Cola = Nmero de clientes que esperan servicio = Estado del sistema clientes en servicio

N ( t ) = Estado del sistema en el tiempo t

Pn (t ) = P[ N (t ) = n / N (0) = 0]

c = Nmero de servidores

n = Tasa media de llegadas (Nmero esperado de llegadas por unidad de tiempo)

cuando hay n clientes en el sistema

n = Tasa media de servicio (Nmero esperado de clientes que completan servicio por unidad de tiempo) cuando hay n clientes en el sistema = Tasa combinada a la cual todos
los servidores ocupados terminan sus servicios Si

n = constante n , entonces n

Si n = constante n , entonces n = Si todos los servidores estn ocupados, entonces

1 y 1

n = c

son los tiempos esperados entre llegadas y de servicio respectivamente

Factor de utilizacin:

=
Estado estable:

c = Fraccin de tiempo que los servidores estn ocupados

Cuando un sistema inicia su operacin, el estado del sistema se ve afectado por el estado inicial y el tiempo que ha transcurrido desde el inicio (Condicin transitoria).

10

Pasado un tiempo suficiente, el sistema se vuelve independiente de estos factores y entonces decimos que se encuentra en condiciones de estado estable (La distribucin de probabilidades del sistema se mantiene estable en el tiempo)

Notacin para condicin de estado estable:

pn = Pn = P [ N (t ) = n ] = probabilidad de que hayan n clientes en el sistema

L s = Nmero esperado de clientes en el sistema =
L q = Nmero esperado de clientes en la cola =

n=0

n p

n = c +1

(n c) p

W s = Tiempo estimado de espera en el sistema

W q = Tiempo estimado de espera en la cola
Relacin entre L s , W s , L q , W q :

Frmulas de Little:

Ls = Ws

Lq = W q

Adems si

n = , n

1 W s = Wq + se tiene que:

Proceso de Nacimiento y Muerte:

Nacimiento: Llegada de un cliente por servicio al sistema Muerte: Salida de un cliente ya servido El proceso de nacimiento y muerte describe como cambia N (t ) al aumentar el tiempo t y expresa que los nacimientos y muertes individuales ocurren en forma aleatoria.

Supuesto 1: Dado N (t ) = n la distribucin del tiempo que falta para el prximo

nacimiento es Exponencial con tasa media de llegadas

Supuesto 2: Dado N (t ) = n la distribucin del tiempo que falta para la prxima muerte
es Exponencial con tasa media de servicio

11

Supuesto 3: Ambas distribuciones de los supuestos (1) y (2) son independientes Modelo Generalizado de Poisson:
Este modelo, que veremos ahora, se aplica a colas de Poisson con tasas de llegadas y salidas dependientes del estado del sistema, esto es, entradas y salidas dependientes del nmero n de clientes en el sistema. PeroQu significa tasas de llegadas y salidas dependientes del estado n del sistema? Para responder a esta inquietud veamos dos ejemplos: 1) Supongamos que en un taller en el cual hay un total de N mquinas, las cuales obviamente pueden fallar. La tasa de falla de las mquinas es una funcin del nmero n N de mquinas que estn operativas, esto es trabajando. Si es la tasa de fallas por mquina, entonces la tasa de falla conjunta de todo el taller ser n . 2) De manera similar, si un sistema tiene c servidores en paralelo y la tasa de servicio por servidor es , entonces, dado que hay n clientes en el sistema, la tasa de salidas del sistema entero ser: n si n c y c si n > c . Estos ejemplos muestran las tasas de llegadas y salidas pueden ser funciones del estado del sistema, representado por el nmero n de clientes en el sistema. Por esta razn se usan n y n para definir las tasas de llegadas y salidas como una funcin de n . El primer objetivo en el modelo generalizado de Poisson ser deducir una expresin para

p n = P(estado estable de n clientes en el sistema), como funcin de n y n .

La deduccin de una expresin para p n se logra utilizando el diagrama de tasas de transicin. De la propiedad de orden del proceso de Poisson, dado que hay n clientes en el sistema en cualquier tiempo t , el nmero de clientes en el sistema al final de un intervalo de tiempo h suficientemente pequeo ser n 1 n + 1 , dependiendo de si una salida una llegada ocurri durante el intervalo h (Recordemos que por la misma propiedad, la probabilidad de que ocurra ms de un evento durante h tiende a cero cuando h 0 ). Entonces en un proceso de Poisson el estado n slo se puede comunicar con los estados n 1 y n + 1 .

12

Diagrama de tasas de transicin La figura ilustra la situacin por medio del diagrama de tasas de transicin donde las flechas representan la transicin entre los estados n , n 1 y n + 1 . Los valores asociados con cada flecha representan las tasas de transicin entre los estados. Por ejemplo, la tasa de transicin del estado n 1 al estado del estado n al estado n 1 es la tasa de salidas origen

es la tasa de llegadas

n 1 ,

donde n 1 es una funcin del estado de origen n 1 . Por otra parte la tasa de transicin

n , la cual es una funcin del estado de

y la tasa de salidas

n . De manera similar la tasa de llegadas n

n y n +1 .

n +1

dan las

tasas de transicin entre los estados

Bajo condiciones de estado estable, las tasas esperadas de flujo entrante y saliente del estado n , deben ser iguales.
Como el estado n se comunica solo con los estados n 1 y n + 1 , las tasas de transicin desde los otros estados ( 0, 1, 2, 3, ...., n 2, n + 2, n + 3, ...... ) deben ser iguales a cero.

Diagrama de tasas de transicin Tenemos entonces: Tasa esperada de flujo hacia el estado

n =

= 0( p0 + p1 + ... + p n 2 ) + n 1 p n 1 + n +1 p n +1 + 0( p n + 2 + ...) = n 1 p n 1 + n +1 p n +1
Tasa esperada de flujo desde el estado n = n p n + n p n = (n + n ) p n Igualando las dos tasas esperadas de flujo, obtenemos la Ecuacin de Equilibrio:

13

n 1 p n 1 + n + 1 p n +1 = n p n + n p n
Esta ecuacin es vlida solo para n > 0 . Para determinar la ecuacin de equilibrio para

n = 0 , consideremos el siguiente diagrama de tasas de transicin:

En este caso el estado 0 se comunica solo con el estado 1, obtenindose entonces:

0 p0 = 1 p1
luego continuando con p 2 , ......., p n Para n = 0: Para n = 1:

, n=0

Las ecuaciones de equilibrio se resuelven en forma recursiva comenzando con p1 y

0 p0 = 1 p1 p1 =

0 p 1 0

0 p0 + 2 p2 = 1 p1 + 1 p1 p2 =

En general, puede probarse por induccin que: p n = El valor de p0 se determina con la siguiente ecuacin: Cuando n = , n y

1 0 p0 2 1 n 1 n 2 ........ 0

n n 1 .......... .1
n=0

p0

= 1
=

n = , n el factor de utilizacin es:

y entonces:

* * ........ * pn = p0 = = n p0 * *.......... .

pn = n p0

Ejemplo: Consideremos una lnea de espera con un solo servidor con tasas de llegadas y
de salidas constantes dadas por:

n = 3

llegadas hora

n = 8

salidas hora

, n 0:

14
n n 1 n 2 ........ 0 * * ..... * 3 pn = p0 = p 0 = p 0 = (0.375 ) n p 0 n n 1 .......... .1 * * ..... * 8

n=0

=1

p 0 + p1 + ....... = 1 p 0 + (0.375) p 0 + (0.375) 2 p 0 + ....... = 1

1 = 1 p 0 = 0.625 1 0.375 a converge si r < 1 y su suma es S = 1 r

p 0 1 + (0.75) + (0.375) 2 + ........ = 1 p 0

Obs.: Una serie geomtrica

n =1

ar

n 1

p 0 = 0.625 es la probabilidad de estado estable de no tener clientes en el sistema

n Usando p n = (0.375) p 0 pueden determinarse las probabilidades p n n 1 :

Medidas de desempeo de estado estable:

Una vez que se ha determinado la probabilidad p n de estado estable de n clientes en el sistema, podemos calcular las medidas de desempeo de estado estable de lneas de espera en forma directa. Estas medidas de desempeo se pueden usar para analizar la operacin de las lneas de espera con el fin de hacer recomendaciones sobre el diseo del sistema. Entre las principales medidas de desempeo tenemos:
L s = nmero esperado de clientes en el sistema =
n=0

n p

L q = nmero esperado de clientes en la cola =

n = c +1

(n c) p

, c servidores en paralelo

W s = tiempo estimado de espera en el sistema W q = tiempo estimado de espera en la cola

Existe una ntima relacin entre Ls y Ws , tambin entre Lq y Wq . Sea e f la tasa promedio efectiva de llegadas (independiente del estado del sistema), entonces:

Ls = e f Ws

Lq = e f W q

(Frmulas de Little)

15

e f se determina a partir de n dependiente del estado y las probabilidades p n de:

e f =

n=0

pn
1

Tambin existe una relacin entre Ws y Wq dada por: W s = Wq + Multiplicando esta igualdad por

e f

se obtiene: Ls = Lq +

e f

La utilizacin estimada de servicio se define como una funcin del nmero promedio de servidores activos. Como la diferencia entre Ls y Lq debe ser igual al nmero estimado de servidores ocupados, obtenemos:

e f Nmero estimado de servidores activos = c = Ls Lq =

El porcentaje de utilizacin de un servicio con c x 100 Porcentaje de utilizacin = c

servidores en paralelo se calcula por:

Resumiendo: Dado siguiente orden:

pn

podemos calcular las medidas de desempeo del sistema en el

Ejemplo: Retomemos el ejemplo de la lnea de espera con un servidor con tasas de llegadas salidas llegadas y de salidas constantes dadas por: n = 3 hora y n = 8 hora , n 0 .
Se calcul p0 = 0.625 y las probabilidades pn n 1 en la tabla siguiente:

Ahora calcularemos las medidas de desempeo del modelo: Observemos primero que n = = 3 llegadas ser: e f =
n=0

llegadas hora

, n 0 . La tasa promedio efectiva de

n=0

n p n =

n=0

= p n = = 3 , pues

n=0

= 1

16

Ls =

n=0

n p

= nmero esperado de clientes en el sistema =

0 * 0.625 + 1 * 0.234 + 2 * 0.088 + 3 * 0.033 + 4 * 0.012 + 5 * 0.005 + 6 * 0.002 + 7 * 0.001

= 0.6 clientes Con Ls = e f Ws calculamos el tiempo de espera en el sistema: Ws = De aqu obtenemos el tiempo estimado en la cola como:
Ls

ef

0.6 = 0.2 horas 3

W s = Wq +

Wq = W s

= 0 .2

1 = 0.2 0.125 = 0.075 horas 8

El nmero esperado en la cola (longitud promedio de la cola) se calcula entonces como:

Lq = e f Wq = 3 * 0.075 = 0.225 clientes

Como la instalacin tiene un servidor, c = 1 y el porcentaje de utilizacin es: Porcentaje de utilizacin =

c L Lq 0.6 0.225 x 100 = s *100 = * 100 = 37.5 % c 1 1

3 = = 0.375 8

Este ltimo valor coincide con el factor de utilizacin: =

Lneas de espera especializadas de Poisson

Aprovechamos ahora los resultados del modelo generalizado de Poisson para estudiar las lneas especializadas de Poisson. Cada modelo los describiremos usando cono nomenclatura la notacin de Kendall. Como la deduccin de p n es independiente de la disciplina de la lnea de espera, usaremos el smbolo DG (disciplina general) en la notacin de Kendall.

1. Modelo ( M / M / 1) : ( DG / / )
Este es un modelo con un nico servidor, con fuente de entrada y capacidad del sistema ilimitadas. Se supone que las tasas entre llegadas son exponenciales e independientes del

17

estado n del sistema, por lo tanto exponencial con

n = , n. En forma similar el servicio es

En consecuencia se tendr que:

n = , n .
n=0

e f =

n=0

pn =

= *1 =

Definiendo =

n * * ........ * p0 = = n p0 se tendr: p n = * *.......... .

Para determinar completamente p n es necesario determinar primero p 0

n=0

pn = 1
n =1

n=0

p0 n = 1 p0 n = 1 ; recordemos nuevamente la serie geomtrica

n=0

ar
n=0

n 1

la cual converge si r < 1 y su suma es S = 1 r . En nuestro caso

p 0 n = 1 = p 0 (1 + + 2 + .....) = 1 p 0

1 = 1 p 0 = (1 ) solo si < 1 1

n n Luego: p n = p 0 = (1 ) a condicin de que < 1 (Cond. de convergencia)

Observacin importante: La condicin de convergencia < 1 necesaria para obtener p 0 y por lo tanto pn , significa que = < 1 < . Esto establece que la tasa de llegadas debe ser estrictamente menor que la tasa de servicio de la instalacin para lograr condiciones de estado estable. Determinaremos ahora Ls = nmero esperado de clientes en el sistema: L s = n p n = n (1 ) n = (1 ) n n 1 = (1 ) d n = d n = 0 n=0 n=0 n=0 d 1 1 = = (1 ) . Por lo tanto: Ls = = (1 ) 2 1 d 1 1 (1 )

e f 2 Lq = Ls = = = Ahora de Ls = Lq + 1 1 1

2 Luego: Lq = 1 . De aqu resulta que:

Lq =

2 = = L s Lq = L s 1 (1 )

18

1 (1 ) Lq 1 2 2 Wq = = = = . De aqu resulta que: Wq = W s 1 (1 ) (1 )

2. Modelo ( M / M / 1) : ( DG / N / )
Este modelo, difiere del modelo ( M / M / 1) : ( DG / / ) en el nmero mximo de clientes permitidos en el sistema, que en este caso es N y por lo tanto la longitud mxima de la lnea de espera es N 1 . Esto significa que cuando hay N clientes en el sistema, no se permiten nuevas llegadas y por lo tanto no pueden agregarse nuevos clientes a la lnea de espera. Basado en el modelo generalizado de Poisson debemos redefinir la tasa de llegadas:
n =
para n = 0,1, 2, ......, N 1 0 para n = N , N + 1, .......

Ws =

Ls

1 (1 )

n = n = 0,1, 2, ..........

Nuevamente =

n p 0 si n N pn = y entonces para p n tenemos: si n > N 0

n=0

El valor de p 0 se determina a partir de la ecuacin: resulta:

n=0

n = 1 de la cual
1 =1

p 0 = p 0 (1 + + + .... + ) = 1 de donde:
n

n=0

1 1 N +1 p0 = 1 N +1

si si

2 N 1 + N = S Sea 1 + + + ......... +

multiplicando por resulta:

+ 2 + .......
1
N +1

. + N + N +1 = S y restando ambas ecuaciones:

1 N +1 1 N +1 1 = (1 ) S S = p0 = 1 p0 = ; 1 1 1 1 N +1
1 N +1

2 N 1 + N = N + 1 p 0 ( N + 1) = 1 p 0 = Si = 1 : 1 + + + ......... +

19

Observacin: A diferencia del modelo anterior, aqu no es necesaria la condicin < 1 para estado estable. Esto se explica porque el nmero de clientes admitidos en el sistema est determinado la longitud mxima de la lnea de espera que es ( N 1 ) Ahora, como p n =

p0
n

1 n 1 N +1 tendremos: p n = 1 si N +1
N n 1

si

=1

Ls =

n p
n=0

n p
n=0

= p0 n
n n=0

1 d N n = = 1 N + 1 d n = 0
si 1

1 1 ( N + 1) N + N N + 1 d 1 N +1 = = 1 N + 1 d 1 (1 ) (1 N + 1 )
N N

1 1 N 1 N ( N + 1) N = Ls = n p n = n = 0 n = N + 1 2 2 N +1 N +1 n = n=0 n=0
1 ( N + 1) N + N N + 1 } si 1 (1 ) (1 N +1 ) = N si = 1 2

si = 1

Ls

Para calcular Ws , Wq y Lq es necesario conocer e f = tasa media efectiva de llegadas

e f =
N

N 1 n=0

n p n
N 1 n=0

= p n = p n = ( p0 + p1 + .... + p N 1 ) + 0 * p N
n=0 n=0

N 1

n=0

pn = 1

pn + p N = 1

n=0

N 1

= 1 p N Por lo tanto: e f = (1 p N )

Observacin: p N = probabilidad de que un cliente no pueda unirse al sistema 1 - p N = probabilidad de que un cliente pueda unirse al sistema Lq Lq e f Ls Ls (1 p N ) Wq = = = Lq = Ls = Ls ; ; Ws = e f (1 p N ) e f (1 p N )

20

e f = ( Ls Lq ) = (1 p N )
Ejemplo:
En una instalacin de servicio de lavado de automviles, estos llegan segn un proceso de Poisson con una tasa media de 4 autos por hora. El tiempo para lavar y secar cada auto es exponencial con una tasa media de 10 minutos por automvil. La instalacin tiene un total de 4 lugares de estacionamiento para espera de servicio. Si la instalacin (sistema) est completo, los autos que llegan son rechazados. Se trata de un sistema ( M / M / 1) : ( DG / 5 / )

= 4 Autos hora

= 10

min Auto

1 10

Autos min

=6

Autos hora

4 6

2 3

a) Cuntos clientes se pierden debido al limitado espacio de estacionamiento?

e f = (1 p N ) = (1 p5 ) ;

1 2 2 5 1 n 3 p N = p5 = = ( ) = 0.04812 N +1 2 6 3 1 1 (3)
Autos hora
Autos hora

e f = (1 p 5 ) = 4 * (1 0.04812 ) = 4 * 0.9518 = 3.8075

El nmero de clientes que se pierden: e f = 4 Autos 3.8075 Autos = 0.1925 hora hora En diez horas de atencin por da se pierden aproximadamente 1.925 Automviles b) Tiempo total desde que llega un cliente hasta que abandona la instalacin
Ls =
2 3

{1 6 (

2 5 3

) + 5( 2 )6 3
6

(1 2 ) (1 ( 2 ) ) 3 3

=1.4226 Autos

Ws =

Ls

e f

1.4226 = 0.3736 hrs = 22.42 min 3.8075

c) Longitud promedio de la cola

Lq = Ls

e f 3.8075 = 1.4226 = 0.788 Autos 6

d) Tiempo esperado por los clientes en el estacionamiento

Wq = Lq = 0.788 = 0.207 horas = 12.42 minutoz 3.8075

e f

21

3. Modelo ( M / M / c ) : ( DG / / )
Este modelo corresponde a un sistema con una cola y c servidores en paralelo, por lo tanto un mximo de c clientes pueden ser atendidos simultneamente. Los clientes

22

llegan a una tasa constante, luego la tasa efectiva de llegadas e f = . La tasa de servicio por cada servidor que est activo es tambin constante e igual a . El propsito de usar ms de un servidor en paralelo es acelerar la tasa de servicio. Si el nmero de clientes en el sistema es n c , entonces los n servidores estn activos y en tal caso se tendr: n = n Si el nmero de clientes en el sistema es n > c , entonces los c servidores estn activos y en tal caso se tendr: n = c Por lo tanto las tasas de llegadas y de servicio estn dadas por:

n = , n 0 n , n c n = n>c c ,
casos:

Luego para calcular p n tenemos dos

* * ...... * n p = p0 Si n c : p n = * 2 * 3 .......n 0 n! n * * .......... .......... .......... * n p = p0 Si n > c : p n = * 2 * ..... * (c 1) * c ...... * c 0 c! c n c n

Si hacemos =

= y , el valor de p0 se determina de c c

n=0

= 1 , resultando:

Entonces las probabilidades de estado estable para el modelo ( M / M / c) : ( DG / / ) son:

23

Donde la condicin de estado estable es:

< 1 c > ; esto implica que c c el mnimo de servidores para una condicin de estado estable es:
=
La expresin para Lq se obtiene como se indica a continuacin:

Las medidas de desempeo de estado estable para este modelo son entonces: