DURACIÓN EN

TIEMPO DE SERVICIO
I N T E G R A N T E S :

ATACHAGUA PANDURO, M ARI ANA

CORAHUA RÍ OS , NAYELI

DOCENTE:

ES TEBAN PANTA M EDI NA

2020 - II
ANTECEDENTES

Este enfoque, nombrado enfoque frecuentista, se modela

matemáticamente durante el siglo XX cuando el matemático
ruso Andrei Nikolaevich Kolmogorov (1903 - 1987) formula la
teoría axiomática de la probabilidad. Esa teoría define la
probabilidad como una función que asigna a cada viable
resultado de un experimento aleatorio un valor no negativo,
de manera que se cumpla la propiedad aditiva.
 TEORÍA DE COLAS
Una cola es el conjunto de clientes que hacen espera,
es decir, los clientes que ya han solicitado el servicio
pero que aún no han pasado al mecanismo de
servicio. Para que dicho mecanismo sea determinado
se deberá conocer el número de servidores y la
distribución de probabilidad del tiempo que le lleva a
cada servidor dar un servicio.
 TIEMPO DE LLEGADAS
(DISTRIBUCIÓN DE POISSON)

La distribución de Poisson también surge cuando un evento o

suceso “raro” ocurre aleatoriamente en el espacio o el tiempo.
La variable asociada es el número de ocurrencias del evento en
un intervalo o espacio continuo, por tanto, es una variable
aleatoria discreta que toma valores enteros de 0 en adelante (0,
1, 2, ...).
Para que un recuento variable siga una distribución de Poisson deben cumplirse varias
condiciones:

1. En un intervalo muy pequeño (p. e. de un milisegundo) la probabilidad de que ocurra un

evento es proporcional al tamaño del intervalo.

2. La probabilidad de que ocurran dos o más eventos en un intervalo muy pequeño es tan
reducida que, a efectos prácticos, se puede considerar nula.

3. El número de ocurrencias en un intervalo pequeño no depende de lo que ocurra en

cualquier otro intervalo pequeño que no se solape con aquél.

A veces se usan variables de Poisson con "intervalos" que no son espaciales ni temporales,
sino de otro tipo.
 CÁLCULO DE PROBABILIDADES
Se refiere a medir la mayor o menor posibilidad de que se dé un
determinado resultado cuando se realiza un experimento
aleatorio o que no podemos predecir el resultado. La
probabilidad toma valores entre 0 y 1 (o expresados en tanto por
ciento, entre 0% y 100%):
 El valor cero corresponde al suceso imposible: lanzamos un dado al
aire y la probabilidad de que salga el número 7 es cero.
 El valor uno corresponde al suceso seguro: lanzamos un dado al aire
y la probabilidad de que salga cualquier número del 1 al 6 es igual a
uno (100%).
 El resto de sucesos tendrá probabilidades entre cero y uno: que será
tanto mayor cuanto más probable sea que dicho suceso tenga lugar.
DISTRIBUCIÓN DE PROBABILIDADES TEÓRICAS
Y ALEATORIAS
El concepto de distribución se refiere al reparto de los
individuos de una población según una característica. En
este sentido, hay que distinguir entre distribución de
frecuencias y distribución de probabilidad. La primera es un
reparto empírico observado en una colección de datos,
representando por un histograma. Y una distribución de
probabilidad es un reparto teórico de la población y por
tanto es una función matemática, que será representado
por una curva como por ejemplo la campana de Gauss.
  Tipos de variables aleatorias
 DISCRETA (Discontinua): Variable con un conjunto de recursos limitados.

Ejemplo: Número de hijos de una mujer, número de partos en taxis de Perú en un año, etc.

 CONTINUA: Variable con un conjunto de resultados ilimitado, es decir, el recorrido es infinito.

Ejemplo: La altura de un individuo, el salario de un trabajador, etc.

Hay modelos de probabilidad para variables discretas y continuas, entre los más conocidos están:

V. Discretas V. Continuas

Normal
Binomial
Exponencial
Poisson
Ji – cuadrado
Bernoulli
T - Student
Distribución de probabilidad más utilizada: Exponencial

La distribución exponencial tiene una gran utilidad práctica ya

que podemos considerarla como un modelo adecuado para la
distribución de probabilidad del tiempo de espera entre dos
hechos que sigan un proceso de Poisson. El uso de la
distribución exponencial supone que los tiempos de servicio
son aleatorios, es decir, que un tiempo de servicio determinado
no depende de otro servicio realizado anteriormente ni de la
posible cola que pueda estar formándose.
 Función de densidad:
El análisis de los distintos modelos de colas está
determinado en gran parte por la distribución de , si x > 0

probabilidad de los tiempos entre llegadas y la

distribución de los tiempos de servicio.
Para que sea útil, la forma expuesta debe ser lo
suficientemente realista como para que el modelo
proporcione predicciones razonables y al mismo
tiempo lo suficientemente manejable para que sea
posible tales predicciones. Con estas consideraciones,
la distribución exponencial es la distribución de
probabilidad más importante en la teoría de colas.
 MODELO M/M/1
• LLEGADAS ALEATORIAS

Se ha determinada que las ocurrencias aleatorias de un tipo especial pueden describirse a través de una
distribución discreta de probabilidad bien conocida, la distribución de Poisson. Este tipo especial de llegadas
aleatorias supone características acerca de la corriente de entrada.

Si conocemos el numero promedio de ocurrencias por periodo, podemos calcular las probabilidades acerca
del número de eventos que ocurrirán en un periodo determinado, utilizando las probabilidades conocidas de
la distribución de Poisson.
 • TIEMPO DE SERVICIOS

Al igual que las llegadas aleatorias, la ocurrencia de tiempos de

servicios aleatorios, carentes de memoria, es suceso bastante
común en las situaciones cotidianas de líneas de espera. Y al
igual que las llegadas aleatorias los tiempos de servicio carentes
de memoria se describen a través de una distribución de
probabilidad.
La diferencia entre las llegadas aleatorias y los tiempos de
servicio aleatorios es que estos se describen a través de una
distribución continua en tanto que las llegadas se describen a
través de una distribución de Poisson, que es discreta.
λ es la tasa promedio de servicio entonces la
distribución está dada por:

Es posible emplear esta fórmula para calcular la

probabilidad de que el servicio sea más prolongado
que alguna duración especificada de tiempo T.
CASO PRÁCTICO
Un lavacarro puede atender un auto cada 5 minutos y la tasa media de llegadas es de 9 autos por hora.
Obtenga las medidas de desempeño de acuerdo con el modelo M/M/1. Además, la probabilidad de tener
0 clientes en el sistema y la probabilidad de esperar más de 30 minutos en la cola

Solución:

DATOS:

λ= 9 clientes/hora (media de servicio a los clientes) = 0.15 clientes/minutos

µ = 0.2 clientes/minutos (media de llegada de los clientes)

Wq = Tiempo promedio de espera de un cliente en la cola.

a) Vamos calcular el factor de desempeño del sistema calculando ρ.

El sistema está ocupado el 75% del tiempo. Es decir, pasa un 25% ocioso. Es decir, la probabilidad de
tener 0 clientes en el sistema es cuando el sistema está vacío y eso puede ocurrir con una probabilidad
del 25%. Su cálculo puede hacerse directamente con la fórmula:
b) La probabilidad de esperar más de 30 minutos en la cola. Primero calcularemos el tiempo promedio que
un cliente espera en la cola.

Ahora vamos a calcular tiempo (t) de espera sea mayor de 30 minutos.

Vamos aplicar esta ecuación para calcular dicha probabilidad.

RESULTADOS
De acuerdo al problema planteado, se llego al resultado que utilizando el modelo M/M/1 la probabilidad
de tener 0 clientes en el sistema es del 25%, llegando a ello mediante el cálculo del factor de desempeño
del sistema, el cual reemplazando en su fórmula con los datos ya dados, se determinó que el sistema
estaba ocupado un 75% del tiempo, es decir, existe una probabilidad del 25% (tiempo ocioso) en donde el
sistema este vacío con 0 clientes.

En este sentido, la segunda interrogante que mencionaba la probabilidad de esperar mas de 30 minutos
en la cola, lo cual se encuentra relacionada directamente con la distribución exponencial es de 16.7%. El
primer calculo realizado fue el tiempo promedio que un cliente espera en la cola, el cual dio un resultado
de 15 minutos. Posteriormente reemplazando en la segunda formula resulto 16.7%, el cual indica una
probabilidad baja con respecto a que los clientes tengan que esperar más de 30 minutos en la cola.
DISCUSIÓN
La distribución de probabilidades nos brindara una idea sobre el porcentaje de ocurrencia que tiene un
hecho. Dado el problema anterior se puede observar que se calculo en primer lugar el tiempo de llegadas
de clientes, en un escenario de tener un sistema vacío, es decir, 0 clientes en un tiempo ocioso.

En este caso principalmente se utilizó una distribución de probabilidad de Poisson, ya que se trataba de
variables discretas. Cabe resaltar que, si bien existen varias distribuciones para poder dar solución a este
tipo de problemas, la distribución de Poisson y Exponencial son las más utilizadas y aceptadas para la
teoría de colas en lo que refiere a tiempo de llegadas y duración de servicio respectivamente.

El tiempo de servicio en sí, representa una variable continua es por ello que se utiliza la distribución
exponencial, ya que a su vez esta esta probabilidad junto a Poisson, se encuentran estrechamente
relacionadas
 CONCLUSIONES
 En conclusión, existen varios componentes en la teoría de colas, todas importantes, sin embargo, el tiempo
de llegadas y el tiempo de servicio (o duración en el tiempo de servicio) son puntos clave para lo cual se
deben utilizar distribuciones de probabilidades en base a sus variables, sean discretas o continuas, para
poder tener un cálculo más acertado.

 El tiempo de llegadas generalmente es resuelto con la distribución de probabilidad de Poisson, en el cual

paso previo para poder hacer uso de la formula será necesario hallar la media de las llegadas, ya que es un
factor necesario para su resolución. Con respecto a la duración en el tiempo de servicio, se utiliza
principalmente la distribución de probabilidad exponencial, dado que esta deriva de un proceso Poisson,
cayendo en la diferencia que, a pesar de tener las mismas características, esta toma una variable aleatoria
basado en el tiempo en que tarda en producirse un hecho, ya que se considera que no tiene memoria, es
decir que no depende de otro servicio realizado anteriormente.
 RECOMENDACIONES
 La duración en el tiempo de servicio es un factor importante a estudiar, ya que nos permitirá ver el tiempo
que nos tarda atender a un cliente. Con la aplicación de estas distribuciones, podremos calcular la
probabilidad de demora, para poder así analizar los factores causantes de la misma, y plantear estrategias
que nos ayuden a optimizar el tiempo de atención.

 Es recomendable no solo conocer las fórmulas, sino saber en qué situación aplicar cada una de ellas, porque
tal como se vio en el caso práctico en la distribución exponencial, las fórmulas eran similares con respecto a
tiempo de espera en el servicio y en el sistema, la diferencia recaía en que el de servicio tomaba en cuenta el
factor de desempeño y en el de sistema no; por lo que las respuestas de probabilidad variaban. Estos casos
nos hacen ver que debemos saber en qué situaciones utilizar cada una de ellas, ya que un mal cálculo podría
llevarnos a un mal análisis y por ende a una mala decisión.