Modelos Obedecen A Poisson UTEM 2017

Teoría de Colas Simulación Estratégica Juan Sánchez R.
Modelos de Líneas de Espera que

Obedecen a Poisson
Simulación Aplicada
Juan Sánchez R.
Facultad de Ingeniería Escuela de Ingeniería de Transporte Juan Sánchez R. 1

PUCV
2.1 LINEAS DE ESPERA ESPECIALIZADAS

DE POISSON
Cada modelo de las colas especializadas de
Poisson se describe en términos de notación
extendida de Kendall.
(A / B / C) : (D / E / F)
Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 2
UTEM Facultad de Ingeniería Departamento de Industrias 1

Llegadas con Distribución de Poisson
0 Llegadas por unidad de tiempo
2.1.1. (M/M/1) : (DG//)
En este modelo existe un único servidor, no hay

límite en la capacidad del sistema y/o de la
fuente de llamadas.

2.1.1. (M/M/1) : (DG//)

Se supone que:
las tasas de llegadas son independiente del número en el sistema.
El servidor completa su servicio a una tasa constante. s = 
El modelo tiene tasas medias  (Lambda) y  (Mu)

respectivamente.
Definiendo =/
OBS: En el PDF | es Lambda; r es Ro
la expresión para Pn se reduce a:
Pn =  n P0 n = 0, 1, 2, ....
Para determinar P0 consideraremos que la suma de

todas las Pn es igual a 1;
P0 (1 +  +  2 +  3 + .....) = 1
 = /µ < 1 (el sistema esta en condición de estado

estable)

Si suponemos que P < 1, entonces

1
P0 ------- = 1
1-
De este modo obtenemos la siguiente fórmula
general:
Pn = (1 - ) n n = 0, 1, 2,..(M/M/1):(DG/∞/∞)
Las medidas básicas de desempeño

Ls = E{n} = -------
1-
 2
Lq = Ls - ----- = ----------
µ 1-

Ls 1
Ws = ------- = ---------
  (1 - )
Lq 
Wq = ------ = -------------
  (1 - )
Ejemplo
En un servicio de lavados de autos, los autos llegan para

su atención de acuerdo a una distribución de Poisson
con una media de 6 vehículos por hora.
El tiempo de lavado y aseo de cada auto varía, pero se
advierte que sigue una distribución exponencial con
media de 8 minutos/auto. (no se puede atender más de
un auto a la vez), determine los indicadores
desempeño.

2.1.2. (M/M/1) : (DG/N/∞)

En este modelo existe un único servidor, pero la
capacidad del sistema es de N clientes (longitud
máxima de la línea de espera es de N -1) y sin
límite en la fuente de llamadas.
Cuando hay N clientes en el sistema, se impide toda
nueva llegadas o no se les permite unirse a la cola.
En términos del modelo generalizado, se traduce en:

, n = 0, 1, 2, .... , N - 1
n =
0 n = N, N +1, .......
n =  para todo n = 0, 1, 2, .........
Haciendo  =  / 
se obtiene  n P0, n  N
Pn =
0, n>N

i) 1-
------------- ≠1
1 - N+1
o bien P0 =
1
ii) ------- =1
N+1
1-
------------- n ≠1
1 -  N+1
Pn =
1
------- =1
N+1

 (1 - (N + 1)  N + N  N+1)
------------------------------- ≠1
(1 - ) (1 -  N+1)
Ls =
N/2 =1
 ef =  (1 - PN) (Tasa efectiva de llegada)

ef  (1 - PN)
Lq = Ls - ---- = Ls - -------------
 
Lq Lq
Wq = ---- = ----------
 ef  (1 - PN)

1 Ls
Ws = Wq + ---- = ------------
  (1 - PN)
2.1.3 Distribución Erlang
• Una distribución intermedia es la distribución Erlang

• Esta distribución posee un parámetro de forma k que
determina su desviación estándar:
1
 media
k

PUCV

• Si k = 1, entonces la distribución Erlang es igual a la

exponencial
• Si k = ∞, entonces la distribución Erlang es igual a la

distribución degenerada con tiempos constantes
• La forma de la distribución Erlang varía de acuerdo

con k
P(t)
k=∞
k=8
k=2
k=1
0 Media Tiempo

Distribución Desviación estándar

Constante 0
Erlang, k = 1 media
Erlang, k = 2
Erlang, k = 4 1/2 media
Erlang, k = 8
Erlang, k = 16 1/4 media
Erlang, cualquier k

PUCV
Modelo (M/Ek /1):(DG/∞/∞)

Indicadores de desempeño:
 2 (k  1)
Ls  Ws Lq 
2k (1   )
1 Lq
Ws  Wq  Wq 
 
 1
PUCV

2.1.4 (M/M/c) : (DG/ ∞/∞)
este modelo los cliente llegan con una tasa

constante  y un máximo de c clientes pueden
ser atendidos simultáneamente, la tasa de
servicio por servidor activo es también
constante e igual a  de ec. 2.1.3 se tiene
 = ef

 = ---- ; pero  /c  1 condición de estado estable
 de igual modo para modelo
En términos del modelo generalizado, se traduce

en:
 n = , n  0
n nc
n=
c nc

n
Pn = ------------- P0 para n  c
c! cn-c n
n
------- P0 0nc
n!
Pn =
n
---------- P0 n>c
c! cn-c
i c-1c -1
P0 =  --- + ---------------
i = 0 i! c!(1- /c)
 c+1 c
Lq = ---------------- *P0 = ---------- * Pc
(c-1)! (c-)2 (c - )2

Ls = Lq + 
Lq
Wq = -------

1
Ws = Wq + ----

2.1.5. (M/M/c) : (DG/ N/)

Modelo donde los clientes llegan con una tasa constante
 y un máximo de c clientes pueden ser atendidos
simultáneamente, la tasa de servicio por servidor
activo es también constante e iguala .
Sea: ĉ Número estimado de servidores inactivos
c
ĉ =  (c-i)*Pi
i=0
ef = (1 – PN) = (c – ĉ) número esperado canales

ocupados

En términos del modelo generalizado, se traduce

en:
, 0n<N
n = 0 nN
n 0n<c
n =
c cn<N
n
---------- P0 para c  n  N
c! cn-c
Pn = n
---- P0 para 0  n  c
n!

c-1  i  c [1- (/c )N–c+1 ] -1
 --- + ------------------------ /c ≠ 1

i = 0 i! c!(1 - /c)
P0 =
c-1i c -1
 ---- + --- (N–c+1) /c = 1

i = 0 i! c!
 c+1 Sí
Lq = ------------- P0 * 1 – (/c)N-c+1 –(N–c+1)(1- /c)(/c)N-c  /c
/c1
(c--1)!(c-)2
(c
 c (N-c)(N-c+1)
Lq = P0 ---------------------- Si  /c=1
2 c!

ef
Ls = Lq + (c – ĉ ) = Lq + ----

Lq
Wq = ------
ef
1
Ws = Wq + ----

El departamento de Logística de nuestra carrera tiene 3

docentes especialistas, los que atienden las consultas de los
197 alumnos, si los alumnos por consulta llegan de acuerdo
a distribución Exponencial con una media de 12,5 minutos
entre llegadas, y cada alumno pasa un tiempo que
corresponde a distribución exponencial con media de 9,5
minutos. La sala de atención permite albergar 12 alumnos,
determine:
i) El Modelo, , , si el sistema ¿está en condiciones de
estado estable?
ii) Calcule los indicadores de servicios
Facultad de Ingeniería Departamento

Escuela de Ingeniería
de Industrias
de Transporte
UTEM Juan Sánchez R. 34
PUCV

2.1.6 (M/M/R) : (DG/K/K)

Modelo de servicio de Máquinas.
Este modelo supone que se dispone de R técnicos de
reparaciones para dar servicio a un total de K máquinas.
Como una máquina descompuesta no puede generar
nuevas llamadas mientras este en reparación (servicio),
el modelo es un ejemplo de una fuente finita de
llamadas.
El modelo puede definirse como un caso especial del
modelo generalizado. Si definimos  como la tasa de
descompostura/máquina, se tiene.
|
(K - n) 0nK
n =
0 n>K
n 0nR
n = Ru R<nK
0 n>K

K
n P0 0<nR
n
Pn =
K n! n
----------- P0 R<nK
n R! Rn-R
R K K i!  i
K -1
P0 = Σ  i +Σ ----------
i=0 i i=R+1 i R! Ri-R

Cuando R > 1
K
Lq = Σ ( i - R) Pi
i=R+1
_ ef
Ls = Lq + (R - R) = Lq + ----

Cuando R = 1
Lq = K - ( 1 + 1/) (1- P0)
1 – P0
Ls = K - -------


_ R
R = Σ (R - i) Pi (Número esperado de técnicos)

i=0
_
ef =  (R - R) =  (K - Ls)
2.1.7 (M/M/) : (DG//)
Modelo de autoservicio
En este modelo el número de servidores es ilimitado

porque el cliente mismo es también un servidor.
El caso de los establecimientos de autoservicio. Un
ejemplo común es tomar la parte escrita de una
prueba para obtener licencia de conducir.

sin embargo hay que tener cuidado que un banco-matico

un autoservicio de gasolina no se clasifiquen en esta
categoría de modelo,
En términos del modelo generalizado, se traduce en:
n = , para todo n  0
 n = n, para todo n  0
n
Pn = ------- P0
n!
P0 = e -
Ls = 
1
Ws = ---

Lq = Wq = 0
(nótese que Lq es cero, porque cada cliente se atiende a
sí mismo.

2.1.8 Variantes del modelo Autoservicio
Modelos (M/GI/∞):(DG/∞/∞) y
(GI/G/∞):( DG/∞/∞)
Sistemas de infinitos servidores donde los tiempos

entre llegadas y los tiempos de servicio pueden
seguir arbitrarias distribuciones de probabilidad,
estos sistemas operan del siguiente modo:
a) Los tiempos entre llegadas son independientes, con

una distribución común A.
Se define E(A) = 1/λ. Así λ es la frecuencia o rapidez
de llegada.
b) Cuando un cliente arriba al sistema, inmediatamente
pasa al servicio. El tiempo que cada cliente esta en
el sistema esta gobernado por la distribución S, con
E(S) = 1/μ.

Sea L el número esperado de clientes en el sistema en

estado estable, y W el tiempo esperado que un
cliente pase en el sistema.
Por definición W = 1/μ, entonces:
L = λ/ μ
Ecuación que no requiere hipótesis de exponencialidad.
Si los tiempos entre llegada son exponenciales, se puede

demostrar, aún para una distribución arbitraria de
tiempos de servicio, que la probabilidad de estado
estable Pj de que haya j clientes en el sistema sigue
distribución de Poisson con media λ/μ, lo que implica:
(λ /μ)j e-(λ /μ)

Pj = --------------------
j!

Ejemplo:
En un pueblo durante cada año abren en promedio 3 nuevos
negocios de acuerdo a distribución normal y desviación
estándar de 0,6. Si hoy existen 300 negocios y, el
tiempo de vida de los negocios es de 10 años en
promedio de cuerdo a distribución exponencial.
a) ¿Cuál sería la cantidad de negocios en dicho pueblo el 1º
de Enero del 2030?.
b) ¿Cuál es la probabilidad de estado estable que el 1º de
Enero del 2030 hayan 330 negocios?
Optimización de sistemas de colas
En problemas donde un tomador de decisiones debe

escoger entre sistemas alternativos de colas se
denominan problemas para optimizar sistemas de
colas.

En estos problemas la meta es minimizar la suma de los

costos de servicio y de los costos generados por
espera, causado por el tiempo ocioso de los
servidores.
En estos casos, el componente del costo debido a
clientes que esperan en la cola se denomina costo
de demora, en consecuencia, la empresa desea
minimizar el costo esperado por unidad de tiempo:

Ejemplo:
Los mecánicos que trabajan en el servicio de

mantención y reparación de camiones de una empresa
de Logística, deben retirar las herramientas desde una
bodega. A dicha bodega llega un promedio de 10
mecánicos por hora en busca de herramientas.
Actualmente la bodega es atendida por un bodeguero a
quien se le cancela $1.250 por hora, este demora en
promedio de 5 minutos para poder entregar la
herramienta requerida por cada mecánico.
Ejemplo:
Sí a los mecánicos se les paga $ 2.800 por hora, y cada

hora que un mecánico pasa en la bodega le cuesta
$3.200 a la empresa. Suponga que tanto los tiempos
de llegadas, así como los tiempos de servicios tienen
distribución exponencial.
¿Determine si vale la pena contratar un ayudante de
bodeguero a $1.000 la hora, sabiendo que si se
contrata al ayudante el bodeguero tardara solo 4
minutos en atender los pedidos de herramientas?

Modelos Obedecen A Poisson UTEM 2017

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Modelos Obedecen A Poisson UTEM 2017

Загружено:

Авторское право:

Доступные форматы

Teoría de Colas Simulación Estratégica Juan Sánchez R.

Modelos de Líneas de Espera que

Facultad de Ingeniería Escuela de Ingeniería de Transporte Juan Sánchez R. 1

2.1 LINEAS DE ESPERA ESPECIALIZADAS

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 2

UTEM Facultad de Ingeniería Departamento de Industrias 1

Llegadas con Distribución de Poisson

0 Llegadas por unidad de tiempo

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 3

2.1.1. (M/M/1) : (DG//)

En este modelo existe un único servidor, no hay

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 4

UTEM Facultad de Ingeniería Departamento de Industrias 2

2.1.1. (M/M/1) : (DG//)

las tasas de llegadas son independiente del número en el sistema.

El servidor completa su servicio a una tasa constante. s = 

El modelo tiene tasas medias  (Lambda) y  (Mu)

OBS: En el PDF | es Lambda; r es Ro

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 5

la expresión para Pn se reduce a:

Para determinar P0 consideraremos que la suma de

 = /µ < 1 (el sistema esta en condición de estado

UTEM Facultad de Ingeniería Departamento de Industrias 3

Si suponemos que P < 1, entonces

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 7

Las medidas básicas de desempeño

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 8

UTEM Facultad de Ingeniería Departamento de Industrias 4

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 9

En un servicio de lavados de autos, los autos llegan para

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 10

UTEM Facultad de Ingeniería Departamento de Industrias 5

2.1.2. (M/M/1) : (DG/N/∞)

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 11

En términos del modelo generalizado, se traduce en:

UTEM Facultad de Ingeniería Departamento de Industrias 6

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 13

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 14

UTEM Facultad de Ingeniería Departamento de Industrias 7

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 15

 ef =  (1 - PN) (Tasa efectiva de llegada)

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 16

UTEM Facultad de Ingeniería Departamento de Industrias 8

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 17

2.1.3 Distribución Erlang

• Una distribución intermedia es la distribución Erlang

Facultad de Ingeniería Escuela de Ingeniería de Transporte Juan Sánchez R. 18

UTEM Facultad de Ingeniería Departamento de Industrias 9

• Si k = 1, entonces la distribución Erlang es igual a la

• Si k = ∞, entonces la distribución Erlang es igual a la

• La forma de la distribución Erlang varía de acuerdo

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 19

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 20

UTEM Facultad de Ingeniería Departamento de Industrias 10

Distribución Desviación estándar

Facultad de Ingeniería Escuela de Ingeniería de Transporte Juan Sánchez R. 21

Modelo (M/Ek /1):(DG/∞/∞)

UTEM Facultad de Ingeniería Departamento de Industrias 11

2.1.4 (M/M/c) : (DG/ ∞/∞)

este modelo los cliente llegan con una tasa

Facultad de Ingeniería Escuela de Ingeniería de Transporte PUCV Juan Sánchez R. 23

En términos del modelo generalizado, se traduce

UTEM Facultad de Ingeniería Departamento de Industrias 12