82

Capitulo 4
Teora de Lneas de Espera

4.1. Antecedentes
A principios del siglo XX, a raz de cierto trabajo publicado en el ao de 1909 por A.
Erlang sobre el estudio de la congestin de llamadas telefnicas, surgi la hoy denominada
Teora de Lneas de Espera Teora de Colas. Despus de este trabajo y de otros dos ms
publicados tambin por Erlang, surge en 1951 el desarrollo formal de la Teora de Colas
bajo un enfoque de procesos estocsticos y se debi al cientfico Kendall. Mas tarde en el
ao de 1953, Kendall y Lee desarrollan la notacin hasta el momento utilizada para
simbolizar las lneas de espera, notacin que se mostrar y emplear mas adelante en estas
notas.
Observndose el libro de Prabhu
1
(1965), a finales de 1960 ya existan amplios desarrollos
matemticos asociados con el tema, diferencindose, como hasta hoy en da, las Lneas de
Espera Markovianas, tratadas a travs de lo que se conoce como la ecuacin de
Kolmogorov (que veremos mas adelante), la cual tiene como fundamento la teora bsica de
Cadenas de Markov en Tiempo Continuo, y las No-Markovianas tratadas con la tcnica
denominada Imbedded Markov Chains cuyo desarrollo es y ha sido bastante complejo.

4.2. Introduccin a las Lneas de Espera

Hay numerosas situaciones en la vida prctica donde el estudio de lneas de espera goza de
especial inters y aplicacin. Un ejemplo de esto es el anlisis del tiempo de espera de los
pasajeros en la sala para abordaje en un aeropuerto, la cantidad de inventario de producto
en proceso almacenado temporalmente en espera de ser procesado, la espera de pacientes
en la recepcin de un consultorio, la cola de camiones esperando a ser atendidos por

1
PRABHU, Narahari. Queues and Inventories. A study of their Basic Stochastic Processes. John Wiley &
Sons. 1965. (Esta disponible en la Biblioteca de la Universidad del Valle)
83
personal especializado en los muelles de cargue y descargue en cierto centro de despachos,
etc. Observe que en general las esperas aqu sealadas no son del todo deseables, siendo en
todo caso ideal que la espera de los clientes sea nula y que por tanto no existan colas. Sin
embargo, el desear que los camiones no esperen, que los pacientes con necesidad de
atencin nunca tengan que esperar, etc., es algo que generalmente se queda slo en deseos,
ya que en la practica es difcil de lograr. Lo que s se puede hacer es minimizar la espera.
En la mayora de sistemas empresariales la condicin de no cola no espera es algo
que se lograra con muy altos niveles de eficiencia, donde normalmente el costo de lograr
esa eficiencia es mayor que el costo asociado a las citadas esperas. Entonces, dado que toca
lidiar con esperas de productos, de personas, de vehculos, de materias primas, etc., es
bastante pertinente estudiar los indicadores del sistema de espera en cuestin, siempre
tratando de mejorar la eficiencia global.

Todos los sistemas de colas tienen la estructura general que se muestra en la figura 4.1.












Figura 4.1. Componentes de un Sistema de Espera

Detalle la existencia de los Clientes, de los Servidores que prestan atencin a esos clientes,
y de la Cola que se forma por la aleatoriedad del funcionamiento del sistema.

C1
C2
Cp
Cola
Entrada
al Sistema
Servidores
Salida
del
Sistema
Clientes Potenciales
84
Existen adems otros elementos como los siguientes:
Proceso de Llegada: representa la forma en que la llegada de clientes ocurre. Un dato
importante que se maneja en el proceso de llegada es el Tiempo entre Llegadas de
clientes, el cual puede ser determinstico (constante), probabilstico (asociado a cierta
distribucin de probabilidad). Tambin se considera si las llegadas de clientes son
individuales por grupos (batches), en cuyo se debe tener el dato del tamao del batch.
Proceso de Atencin: El proceso de atencin se representa generalmente por el tiempo
que tarda la atencin de un cliente Tiempo de Servicio. Este tiempo puede ser
deterministico, es decir, cualquier cliente es atendido en un tiempo exactamente igual,
probabilistico, en cuyo caso debe definirse la distribucin de probabilidad del tiempo de
atencin de un cliente. Tambin se define si la atencin se hace individual por
batches.
Numero de Servidores: Un sistema puede tener un solo servidor varios en paralelo
como el caso de algunas entidades financieras. Puede observarse aqu la figura 4.2,
donde se muestran adems sistemas de servidores en serie, con una comn en cambio
varias colas.
Capacidad del Sistema: Un sistema de espera se dice que tiene capacidad infinita
cuando no tiene restricciones respecto al tamao que pueda alcanzar la cola.




85

Figura 4.2. Estructuras clsicas de sistemas de espera

Generalmente la cola se vuelve de capacidad finita por motivos de restricciones de
espacio. Por ejemplo, la cola de ordenes de compra en un Departamento de Compras
(que se trata de un grupo de documentos a procesar) es de capacidad infinita, ya que
fsicamente es posible almacenar un gran numero de ordenes de compra pendientes por
procesar en un archivador mejor an en un archivo electrnico en el computador.
Diferente es el caso de entidades fsicas de gran tamao, como son las personas las
mquinas, donde, por ejemplo, en un banco no caben ms de 50 personas en fila, el
numero de maquinas por reparar en determinado taller no debe exceder de 4, por
restricciones de capacidad.

Disciplina de Atencin: aqu se considera la forma en que se seleccionan los clientes
de la cola con el fin de atenderlos. Lo usual es que se use la disciplina FIFO
atencin en orden de llegada. Otra estrategia es con el enfoque de prioridad y otra
aleatoria.

El anlisis de sistemas de espera a travs de la Teora de Colas se justifica mayormente en
virtud de que los mencionados sistemas operen en forma aleatoria: la llegada de un cliente
y su tiempo de atencin no se conocen con anticipacin, son totalmente
probabilsticos. De conocerse ambos con exactitud podra no ser un problema mayor el
analizar el sistema de espera sin emplear las formulas que veremos aqu.

En stos estudios se hacen normalmente ciertas preguntas de anlisis:
Cul es el tiempo promedio que un cliente tiene que esperar en la fila antes de ser
atendido?
86
Cunto demora el Servidor en atender al cliente o en procesar un producto?
Cules son el nmero promedio y el mximo de clientes que esperan en la fila?

Pero tambin se suelen hacen ciertas preguntas relacionadas con el diseo del sistema:
Cuntos recursos o servidores deben emplearse para proporcionar un servicio
aceptable?
Los clientes esperarn en una fila o en varias filas?
Qu tanto espacio se necesita para que los clientes o productos puedan esperar?


4.3. Simbologa General

4.3.1. Elementos generales

Servidores
c = Nmero de servidores.
= Tasa de servicio el nmero promedio de clientes que se atienden por unidad
de tiempo.
Disciplina de atencin a clientes (FIFO, LIFO, Prioridad, Aleatoria).
Colocacin de los servidores (en Paralelo, en Serie en Red).
Atencin individual en grupos.
Clientes
n = Numero de clientes en el sistema (tanto en fila como en los servidores)
N = Numero mximo permisible de clientes en el sistema
= Tasa de Llegadas Numero promedio de llegadas de clientes por unidad de
tiempo
Poblacin finita o infinita
Llegadas individuales en grupos.
Cola
87
Lq = Numero promedio de clientes en cola
L = Numero promedio de clientes en el sistema (en cola y en servicio)
Tamao de la Cola (Finita o Infinita)
Forma de Salir de la Cola.

4.3.2. Indicadores para Evaluar el Rendimiento de un Sistema de Colas

Relacionados con el Tiempo :
W = Tiempo promedio de permanencia de un cliente en el sistema (tanto en cola como en
servicio)
Wq = Tiempo promedio de espera de un cliente en cola

Relacionados con el Nmero de Clientes:
L = Nmero promedio de clientes en el sistema
Lq = Nmero promedio de clientes en la cola
Pw = Probabilidad de que un cliente que llega tenga que esperar.
Pn = Probabilidad de que existan n clientes en el sistema.
Po = Probabilidad de que no hayan clientes en el sistema.
Pd = Probabilidad de negacin de servicio, o probabilidad de que un cliente que llega
no pueda entrar al sistema debido que la cola est llena

Otros Indicadores:
U = utilizacin de los servidores nmero de clientes promedio atendidos por
servidor por unidad de tiempo
= intensidad de trfico del sistema





88
4.4. Naturaleza estocstica de los sistemas de espera

Cualquier sistema de colas pasa por 2 fases segn la figura 4.3: La fase transitoria y la
fase estable.







Figura 4.3. Fases de los sistemas de espera

Si deseamos evaluar un sistema de espera y obtener, por ejemplo, el indicador de tiempo de
espera promedio de un cliente, lo ms pertinente es obtener la informacin estadstica de
tiempos de espera de cada cliente (para despus promediarlos y sacar el indicador) una vez
el sistema haya evolucionado un poco en el tiempo despus de que ya hayan llegado
cierto nmero de clientes. Lo que ocurre es que cuando un sistema de espera recin esta
evolucionando (llegan los primeros clientes) el comportamiento que ocurra con esos
clientes es altamente sensible a las condiciones iniciales del sistema, el sistemas recin se
est acomodando y se encuentra en una Fase Transitoria. Las estadsticas que logremos en
esta primera fase no pueden por tanto considerarse como indicadores globales que
caractericen el desempeo del sistema. A medida que el tiempo pasa, el sistema empieza a
comportarse de una manera estadsticamente estable, y es porque se ha llegado a una Fase
Estable. Es sta ltima fase la que se estudia analticamente y en mayor medida en teora de
colas.

En la Fase Transitoria se suelen analizar procesos de Nacimiento Puro (slo se analizan
Llegadas de clientes) Muerte Pura (slo se analizan salidas de clientes del sistema), pero
Tiempo
de Espera
Nmero de
Clientes
FASE
TRANSITORIA
FASE
ESTABLE
89
el estudio combinado de llegadas y salidas de clientes (procesos de Nacimiento y Muerte)
en esta fase ha resultado ser bastante complicado y ms all del alcance de muchos
estudiosos en el tema, surgiendo esta dificultad quizs por el hecho del comportamiento
estadsticamente inestable de la informacin en esta fase.

En la Fase Estable se estudian los procesos de Nacimiento y Muerte, siendo los ms
abordados los sistemas de colas con distribucin probabilstica Poisson y servidores en
paralelo. De hecho, en la siguiente seccin explicar la importancia de la distribucin
Poisson en los sistemas de espera.

4.4.1. El Fenmeno Poisson






Figura 4.4. Comportamiento probabilstico comn en las Lneas de Espera

La figura 4.4 lo invita a recordar la estrecha relacin entre la distribucin exponencial y la
poisson. Veamos primeramente sta relacin desde el punto de vista de las ecuaciones de
probabilidad y posteriormente expondremos a manera de discurso la pertinencia de estas
dos distribuciones en los sistemas de espera.

4.4.1.1. Relacin analtica entre la Poisson y la Exponencial

Proceso de Llegada de Clientes
Sea la variable aleatoria X igual al nmero de clientes que llegan al sistema de espera por
unidad de tiempo. Si esta variable discreta se distribuye Poisson, entonces:

f(x)
Distribucin
exponencial
p(x)
Distribucin
Poisson
90




Donde:
= numero medio de llegadas por unidad de tiempo
T = numero medio de llegadas en un intervalo especfico de tiempo T
Ahora, dado que el nmero de clientes que llegan se comporte Poisson, entonces se cumple
que el tiempo entre dos llegadas consecutivas se distribuye exponencial con media =1/

Sea la variable aleatoria Y el tiempo entre llegadas. Esta variable continua tiene entonces
la siguiente funcin de probabilidad:





Generalizando:





Proceso de Salida de Clientes
La generalizacin anterior se puede aplicar al proceso de salidas de clientes de la siguiente
manera:
Si el nmero de clientes atendidos por unidad de tiempo se distribuye Poisson con media
(promedio de clientes servidos por unidad de tiempo), entonces el tiempo entre dos salidas
consecutivas el tiempo de servicio se distribuye exponencial con parmetro 1/
unidades de tiempo.
{ } ,... 1 , 0 ,
!
) (
) ( = =

k si
k
e T
k X P
T k

0 , ) ( = =

t e t Y f
t

0 , ) ( = =

t
e
t Y f
t

f(x)
Y
p(x)
X
Si el nmero de eventos (por ejemplo, llegadas) en un momento dado se distribuye
Poisson con una tasa media de eventos (eventos por unidad de tiempo), entonces el
tiempo entre dos eventos consecutivos (tiempo entre llegadas) se distribuye
exponencial con media 1/ unidades de tiempo. ( al revs).
91
Un supuesto general en sistemas de espera que se considera aceptable desde el punto de
vista lgico y practico, es que los tiempos entre llegadas y los tiempos de servicio se
comporten segn la funcin exponencial. Porqu?


4.4.1.2. Pertinencia del Fenmeno Poisson en sistemas de espera

Puede ser lgico iniciar nuestro razonamiento pensando que la teora analtica de colas
busca estudiar sistemas de espera que tiendan a la congestin. Por un lado, es razonable
que as sea dado que nos interesa estudiar sistemas donde la espera sea un real problema, y
por otro lado, algo interesante de observar es que la tendencia a la congestin es
precisamente lo que nos sugiere el anterior supuesto general asociado al fenmeno Poisson.

Notemos que al considerar el tiempo entre llegadas exponencial, apoyados por la figura
4.5, se asume que es altamente probable que el tiempo entre llegadas tienda a ser bajo con
lo que se permite desde el punto de vista estocstico la existencia de la congestin y la cola.





Figura 4.5. Tiempo entre llegadas exponencial

De otro lado, si consideramos el tiempo de servicio exponencial, apoyados ahora por la
figura 4.6, podemos decir que en sistemas congestionados con cola, tiende a agilizarse el
tiempo de servicio, siendo poco probable que ante la necesidad de una rpida atencin el
tiempo de servicio sea mucho mayor que la media. En este caso, existe una alta
probabilidad de ganar eficiencia en los sistemas de atencin mejorando los tiempos de
servicio respecto al valor medio.

f(x)
Tiempo entre
Llegadas
1/
92





Figura 4.6. Tiempo de servicio exponencial

Adems de lo anterior, los sistemas de espera que tienen este comportamiento exponencial
y que por tanto estn inmersos dentro del fenmeno Poisson, se dice que son sistemas
totalmente aleatorios por la propiedad especial de prdida de memoria de la distribucin
exponencial. Veamos con un ejemplo esta importantsima propiedad.
Sean dos segmentos de tiempo consecutivos s y r, siendo s un perodo de tiempo pasado
y r un periodo de tiempo futuro.






Se dice que lo que ocurrir en el tiempo r es independiente probabilsticamente de lo que
haya ocurrido en s, simbolizndose esto generalmente como:

P ( t > r+s / t > s) = P ( t > r )

Por ejemplo, responda la siguiente pregunta: Cul es la probabilidad de que hayan llegado
12 clientes en 4 horas, si se conoce que en las primeras tres horas llegaron 9 clientes?



Cualquier lector desprevenido podra hacer una simple regla de tres y decir que, dado que
en las primeras tres horas llegaron 9 clientes entonces en las cuatro horas completas la
f(x)
Tiempo de
Servicio
1/
Segmentos de
Tiempo
s
r
Situacin actual
3 horas
1 hora
9 clientes
3 clientes ?
93
probabilidad de que hayan llegado 12 clientes es bastante alta, arriesgndose a decir que es
casi uno. Pero en las llegadas poisson, el pasado carece de importancia. Veamos lo que
ocurre.
P(4 horas !12 clientes / 3 horas ! 9 clientes) = ?



P (1 hora ! 3 clientes) = ?

Asumiendo una tasa de llegada de clientes = 3 clientes/hora y un intervalo de tiempo T =
1 hora, calculamos la probabilidad de que hayan 3 llegadas en una hora:



Luego: P(4 horas !12 clientes / 3 horas ! 9 clientes) = 22,4%

Observe que la probabilidad no era tan alta como quizs alguien pens.

En este ejemplo se observa entonces porqu esta propiedad de prdida de memoria
convierte a los procesos poisson en procesos totalmente aleatorios.

4.4.2. Empleo de la Poisson en Nacimiento Puro y Muerte Pura

Veamos el siguiente ejemplo tradicional de Nacimiento Puro. Suponga que los nacimientos
en un pas estn separados en el tiempo, de acuerdo con una distribucin exponencial,
presentndose un nacimiento cada 8 minutos en promedio.
Cual es la probabilidad de que no hayan nacimientos en 1 da?
Cual es la probabilidad de emitir 54 actas de nacimiento en 3 horas si en las
primeras 2 horas se emitieron 38 actas?.

Se omiti el pasado
Equivale a
preguntar
% 4 , 22
! 3
) (
) 3 (
3
= = =
t
e t
X P

94
Como el tiempo entre llegadas (entre nacimientos) es de 8 minutos, entonces la tasa de
nacimiento en el pas se calcula como:

= =

= dia s nacimiento / 180

8
60 24
7,5 nacimientos / hora
La probabilidad de que no hayan nacimientos en un da es, siendo T = 1 da:

0
! 0
) 1 180 (
) 0 (
1 180 0
1

= =

=
e
X P
T


En la segunda pregunta debemos recordar prdida de memoria de la exponencial:
P(3 horas ! 54 actas / 2 horas ! 38 actas) = P (1 hora ! 16 actas) = ?

% 26 , 0
! 16
) 1 5 , 7 (
) 16 (
1 5 , 7 16
1
=

= =

=
e
X P
T


Como ejemplo de Muerte Pura obsrvese el siguiente ejemplo. Al inicio de cada semana, se
almacenan 15 unidades de un artculo para ser utilizados durante la semana. Los retiros de
productos siguen una distribucin Poisson con media 3 unidades/da. Cuando el nivel de
existencias llega a 5 unidades, se coloca un nuevo pedido de 15 unidades que llegar
iniciando la semana siguiente. Debido a la naturaleza del artculo se desechan todas las
unidades que sobran al final de la semana. Se le pide a usted que intente determinar,
asumiendo la semana de 6 das hbiles, la probabilidad de que al cuarto da de la semana el
nivel de existencias llegue al punto crtico de 5 unidades.


4.5. Los Sistemas de Espera y las Cadenas de Markov

Se habl anteriormente de que las colas que se asociaban a fenmenos estocsticos Poisson
se consideran como procesos totalmente aleatorios. Ahora podemos empezar a recordar
95
que as mismo eran consideradas a las Cadenas de Markov Ergdicas en tiempo discreto
vista anteriormente.
Pero los procesos de nacimiento y muerte, como generalmente se les conoce a los
sistemas de colas, vienen a comportarse de mejor manera como un proceso estocstico
enmarcado dentro del concepto de Cadenas de Markov en Tiempo Continuo, el cual asume
que los cambios de estado pueden ocurrir en un tiempo T pequeo.
Un Sistema de Espera puede modelarse como un proceso estocstico markoviano en el cual
la variable aleatoria se define como el nmero de clientes en el sistema, n, en un momento
dado, donde los distintos valores de n vienen a ser los estados del proceso estocstico
markoviano.
El conjunto de valores que puede tomar la variable n es {0 ,1 , 2 , , N} y cada uno de
ellos tiene asociada una probabilidad de ocurrencia {P
0
, P
1
, P
2
, , P
N
}. Estas
probabilidades se denominan probabilidades de estado estable del sistema de espera y se
calculan dentro de un proceso markoviano asumiendo ergodicidad tal como se mostrar a
continuacin.


4.5.1. Calculo de las probabilidades P
n
en Sistemas de Espera

Considerando un proceso markoviano en tiempo continuo, se define un intervalo t muy
pequeo que asegure el cumplimiento del siguiente postulado:

! Solamente puede ocurrir una llegada una salida entre un t y t + t




Figura 4.7. Esquema de transicin de estados asumiendo un t pequeo

n -1 n n +1

n+1

n-1
n
96
De la figura 4.7 se deduce que, estando en el estado n, slo se puede pasar al estado n+1
(ocurre una llegada) al estado n-1 (ocurre una salida).
Observe tambin que La Tasa de Llegada
n
y la Tasa de Servicio
n
dependen del estado
en que se encuentre el sistema en un determinado momento.

Tasa de llegada constante en Colas con capacidad FINITA:

=
=
=
N n si
N n si
n
0
1 .... , 2 , 1 , 0


Tasa de llegada constante en Colas con capacidad INFINITA:
n
n
=
Tasa de servicio igual para cada uno de los servidores:

+ =
=
=
=
,... 1 ,
1 .... , 2 , 1
0 0
c c n si c
c n si n
n si
n

Distribucin de las llegadas
Con el conocimiento anterior, la distribucin de probabilidad que define la llegada de un
cliente al sistema est dada por la distribucin Poisson expresada como:
!
) / (
0
0
) (
0
x
n
t x X P
e
t
t
x
n

= =

Pero como de hecho x
0
= 1, entonces, la probabilidad de que ocurra una llegada en t, es
decir, de pasar del estado n al estado n + 1, es por tanto:
1 ,..., 2 , 1 , 0 ) (
1 ,
= =

+
N n t t
n
t
n
n n
e
p
n




Distribucin de las Salidas
la distribucin de probabilidad que define la salida de un cliente del sistema est dada por
la distribucin Poisson expresada como:
La cola ha alcanzado su lmite y por lo tanto no
pueden llegar ms clientes.
Si el nmero de clientes en el sistema es mayor o
igual a c, la tasa de atencin es entonces c.
97
!
) / (
0
0
) (
0
x
n
t x X P
e
t
t
x
n

= =

De nuevo se tiene que x
0
= 1, y entonces la probabilidad de que ocurra una salida en t, es
decir, de pasar del estado n al estado n - 1, es por tanto:

,..., 2 , 1 ) (
1 ,
= =

n t t
n
t
n
n n
e
p
n




Distribucin cuando no hay ni llegadas ni salidas en t
En este caso se busca la probabilidad de que partiendo de un estado n el sistema contine
en este estado despus de t.
Puesto que lo que puede ocurrir son tres cosas nicamente: una llegada, una salida
ninguna de las dos, estos tres eventos forman un espacio muestral y por lo tanto:

,..., 2 , 1 1
,
= n t t
n n
n n
p


Resumamos los tres resultados anteriores:

1 ,..., 2 , 1 , 0 ) (
1 ,
= =

+
N n t t
n
t
n
n n
e
p
n



,..., 2 , 1 ) (
1 ,
= =

n t t
n
t
n
n n
e
p
n



,..., 2 , 1 1
,
= n t t
n n
n n
p


Si consideramos un sistema de espera con capacidad finita N, entonces podemos construir
la siguiente matriz de probabilidades de transicin, teniendo en cuenta que solo de un
estado n se puede pasar a n+1 a n-1 con cierta probabilidad:



Ecuaciones de Kolmogorov
98







Figura 4.8. Esquema de la matriz de probabilidades de transicin de estados en t

No es mayor problema observar que la matriz de la figura 4.8 tiene una sola clase
recurrente aperidica y que por lo tanto es ergdica, teniendo un nico estado estable.

Construyendo las ecuaciones de estado estable de la matriz y reemplazando los valores P
ij

por sus equivalentes P
n,n+1
P
n,n-1
P
n,n
segn convenga.

Veamos:
P
0
= P
00
P
0
+ P
10
P
1
= (1-
0
t)P
0
+ (
1
t)P
1

P
1
= P
01
P
0
+ P
11
P
1
+ P
21
P
2
= (
0
t)P
0
+ (1-
1
t -
1
t)P
1
+ (
2
t)P
2

P
2
= P
12
P
1
+ P
22
P
2
+ P
32
P
3
= (
1
t)P
1
+ (1-
2
t -
2
t)P
2
+ (
3
t)P
3


P
N-1
=P
N-2, N-1
P
N-2
+ P
N-1, N-1
P
N-1
+ P
N, N-1
P
N
= (
N-2
t)P
N-2
+(1-
N-1
t-
N-1
t)P
N-1
+ (
N
t)P
N

P
N
= P
N-1, N
P
N-1
+ P
N, N
P
N
= (
N-1
t)P
N-1
+ (1-
N
t)P
N

P
0
+ P
1
+ P
2
+ .+ P
N
= 1

Resolviendo el sistema de ecuaciones anteriores y despejando las probabilidades P
n
se
obtiene:
P P 0
1
0
1

= ,
P P 0
2 1
1 0
2


= ,
P P 0
3 2 1
2 1 0
3


= , y en general so obtiene que:


(
(
(
(
(
(
(
(
(

NN N N
N N N N
p p
p p
p p
p p p
p p p
p p
N
N
1 ,
, 1 1 , 1
33 32
23 22 21
12 11 10
01 00
... 0 0 0 0
... 0 0 0 0
... ... ... ... ... ... ...
0 0 ... 0 0
0 0 ... 0
0 0 ... 0
0 0 ... 0 0
1
...
3
2
1
0
0 1 2 3 N-1 N
99

P P
n
n
n 0
3 2 1
1 2 1 0
....
....


=


4.5.2. Ejemplo Ilustrativo

Se desea encontrar el nmero de pacientes promedio en el consultorio de un doctor. Para
ello se realizaron un total de 73 observaciones con intervalos de 5 minutos entre cada
observacin, registrando en cada ocasin el nmero de pacientes en el consultorio. En la
siguiente tabla se clasifica la informacin segn la relacin existente entre las
observaciones consecutivas distanciadas en el tiempo cada 5 minutos.







Esta matriz no es una matriz estocstica de probabilidades de transicin, sino que se trata
de una matriz que contiene el numero de transiciones observadas. Si ponemos un poco
de cuidado, podemos advertir que en un total de 73 observaciones se pueden verificar 72
transiciones. Porqu? Verifique.

La interpretacin de la matriz anterior es la siguiente. El numero 3 en la esquina superior
izquierda indica que de las 72 transiciones, en tres de ellas se tuvo el caso que partiendo de
cero pacientes en el consultorio, cinco minutos despus tambin el consultorio permaneca
sin pacientes (es decir, no salieron ni llegaron pacientes en esos cinco minutos). Por su
parte, el valor de 10 significa que al estar en un estado inicial de 3 pacientes, en diez
Este resultado es el usado mundialmente para la
deduccin de las formulas analticas de Teora
de Colas.
(
(
(
(
(
(

1 0 0 0 1
0 0 10 0 5
5 5 5 5 5
4 1 0 7 8
0 0 2 5 3
Estado
Actual
Estado Futuro
0 1 2 3 4
0
1
2
3
4
Estados {0,1,2,3,4}
Nmero de pacientes en el
consultorio
100
ocasiones se tuvo el caso que cinco minutos despus el consultorio tena 2 pacientes (es
decir, haba salido un paciente).

Ahora debemos comprobar si el sistema de espera de pacientes se comporta segn una
distribucin Poisson. Una forma de comprobarlo es calculando la media y la desviacin
estndar tanto de las llegadas como de las salidas. Por ejemplo, si al analizar el nmero de
llegadas se tiene que la media de llegadas es igual a la desviacin entonces puede decirse
que las llegadas se comportan Poisson
2
. As mismo se hace con las salidas de clientes,
donde tambin debe coincidir la media con la desviacin para poder afirmar que el sistema
de espera lo cobija un proceso Poisson. Ahora, observando la matriz de transiciones
anterior se obtiene la siguiente informacin (Verifquela!):
LLEGADAS
Media de llegadas = = 1,02 llegada/5 min
Desviacin Estndar = 1,04
Media de llegadas Desviacin Estndar ! Poisson
SALIDAS
Media de salidas = =1,06
Desviacin Estndar = 1,008
Media de llegadas Desviacin Estndar ! Poisson
Por lo anterior se deduce que: El Proceso de espera de Pacientes es Poisson!!

A partir de aqu hay dos caminos posibles a tomar: el primero es usar cadenas de markov y
hacer algo similar a lo que anteriormente hicimos para hallar P
n
, y el segundo mtodo
consiste en aprovechar el resultado general ya obtenido tambin con cadenas de markov
para P
n
. Luego, con las probabilidades ya obtenidas se encuentra el numero promedio de
pacientes L (pregunta que se debe responder) como se mostrar posteriormente.

Mtodo 1: Empleo de cadenas de markov


2
Dado que la Poisson tiene la propiedad de que su media y su desviacin estandar tienen el mismo valor.
101
Podemos ahora construir con base en la matriz de transiciones, la Matriz de
Probabilidades de Transicin de un paso:







El grafo asociado a la matriz P anterior es el siguiente:









Partiendo de la matriz P, se hallan las probabilidades de estado estable con el mtodo
tradicional, logrndose los siguientes resultados:



Con stas probabilidades hallamos intuitivamente L de la siguiente manera:

L = 0 x P
0
+ 1 x P
1
+ 2 x P
2
+ 3 x P
3
+ 4 x P
4

L = 0 x 0.355 + 1 x 0.310 + 2 x 0.122 + 3 x 0.041 + 4 x 0.173
L = 1.37 pacientes

(
(
(
(
(
(

1 0 0 0 1
0 0 10 0 5
5 5 5 5 5
4 1 0 7 8
0 0 2 5 3
0 1 2 3 4
0
1
2
3
4
0 1 2 3 4
0
1
2
3
4 (
(
(
(
(
(

5 . 0 0 0 0 5 . 0
0 0 66 . 0 0 33 . 0
2 . 0 2 . 0 2 . 0 2 . 0 2 . 0
2 . 0 05 . 0 0 35 . 0 4 . 0
0 0 2 . 0 5 . 0 3 . 0
P =
0
1
2
3
4
Esta es una matriz con
clase nica recurrente
aperidica (verifquelo!),
por tanto ergdica y con
un nico Estado Estable.
P
0
= 0.355, P
1
= 0.310, P
2
= 0.122, P
3
= 0.041, P
4
= 0.173
102
Mtodo 2: empleando la formula general para P
n


Dado que el caso es de una cola con Capacidad Finita (caben slo 4 personas en el
consultorio) y un solo servidor (c = 1):

=
=
=
4 0
3 , 2 , 1 , 0 / 02 , 1
n si
n si tiempo de unidad llegadas
n

=
=
=
0 0
4 , 3 , 2 , 1 / 06 , 1
n si
n si tiempo de unidad salidas
n

Figura 4.9. Diagrama de Tasas para el ejemplo ilustrativo

Se calculan las probabilidades Pn de acuerdo al diagrama de tasas del problema de la figura
4.9.
P P 0
1
0
1

=
,
P P 0
2 1
1 0
2


=
,
P P 0
3 2 1
2 1 0
3


=
..

P P 0 1
) 06 , 1 (
) 02 , 1 (
=

P P 0 2
) 06 , 1 )( 06 , 1 (
) 02 , 1 )( 02 , 1 (
=

P P 0 3
) 06 , 1 )( 06 , 1 )( 06 , 1 (
) 02 , 1 )( 02 , 1 )( 02 , 1 (
=

P P 0 4
) 06 , 1 )( 06 , 1 )( 06 , 1 )( 06 , 1 (
) 02 , 1 )( 02 , 1 )( 02 , 1 )( 02 , 1 (
=


Puesto que ! P
0
+ P
1
+ P
2
+ P
3
+ P
4
= 1, entonces:

1 2 3

1
3

0


0 4

1
2

3

4
P
1
= 0.962 P
0

P
2
= 0.925 P
0

P
3
= 0.89 P
0

P
4
= 0.856 P
0

103



Con stas probabilidades hallamos de nuevo intuitivamente L de la siguiente manera:
L = 0 x P
0
+ 1 x P
1
+ 2 x P
2
+ 3 x P
3
+ 4 x P
4

L = 0 x 0.216 + 1 x 0.207 + 2 x 0.198 + 3 x 0.192 + 4 x 0.184
L = 1.915 pacientes

Compare ste resultado con el del anterior mtodo. Piense un poco y diga a qu se deben
las diferencias?. En general, se estima que el mtodo 2 es una adecuada aproximacin del
anlisis estocstico a un sistema de espera siempre que ste se comporte segn un proceso
Poisson.

Ahora supongo que no tiene dudas de la relacin existente entre la Teora de Lneas de
Espera y las Cadenas de Markov.


4.6. Frmulas de Little

Una vez obtenidas las probabilidades P
n
de los diferentes estados, se pueden obtener los
siguientes indicadores del sistema de espera.

L ! Promedio de clientes en el sistema
Se calcula como la esperanza matemtica de los estados del sistema:










Lq ! Promedio de clientes en la cola
P
0
= 0.216, P
1
= 0.207, P
2
= 0.198, P
3
= 0.192, P
4
= 0.184

=
=
0 n
n
nP L

=
=
N
n
n
nP L
0
Numero posible de
estados: Infinito
Numero posible de
estados: finito
104
Considerando lgicamente que existir cola siempre y cuando n > c, dado que si el nmero
de clientes en el sistema es menor o igual al nmero c de servidores entonces no habra
cola, se tiene las siguientes ecuaciones mostrndose tambin el caso infinito y finito:




! Tasa Efectiva de Llegada
Promedio ponderado de las tasas de llegada:




Frmulas de Little

W ! tiempo promedio de permanencia de un cliente en el sistema




Wq! tiempo promedio de permanencia de un cliente en la cola



Los anteriores resultados suponen el sistema de espera est en estado estable, es decir, se
desarrollaron bajo la suposicin de que los valores de
n
y
n
son tales que el sistema de
hecho puede alcanzar la condicin de estado estable. Realmente, el estado estable se
alcanza siempre es dos situaciones:

En todos los sistemas de espera con capacidad finita
En los sistemas de espera con capacidad finita infinita cuando /(c) < 1,
simbolizndose tambin como = /(c) < 1.

Argumente qu ocurrira con el sistema de espera si 1? Cul es la caracterstica de la
inestabilidad?

4.7. Notacin de Kendall-Lee

Esta notacin es aplicable a servidores en paralelo y fue propuesta en 1951 por Kendall y
mejorada en 1953 por el trabajo de Kendall-Lee.

=
=
c n
n q
P c n L ) (

=
=
N
c n
n q
P c n L ) (

=
=
0 n
n n
P

=
=
N
n
n n
P
0

L
W =

Lq
Wq =
105







La simbologa A/ B /C : D /E /F, como se ver a continuacin, intenta caracterizar
plenamente a un sistema de espera con servidores en paralelo, donde:

A = Distribucin probabilstica de las llegadas: M (Poisson), D (deterministica), Ek
(Erlang), G (General).
B = Distribucin del tiempo de servicio: M (Exponencial), D (deterministica), Ek (Erlang),
G (General).
C = Nmero de servidores en paralelo: c = 1, 2, 3, ...,
D = Disciplina de servicio: FIFO, LIFO, Aleatoria, Prioridad, Disciplina General-DG.
E = Nmero mximo admitido de clientes en todo el sistema: N,
F = Tamao de la poblacin de clientes: FINITO (K),

Un ejemplo de la utilidad de la notacin anterior, dado que ser en lo sucesivo empleada, es
la siguiente:

Sistema de Colas M/ D / 15 : DG / N /
M significa que se tienen llegadas tipo Poisson (markovianas); D, significa que se tienen
tiempo de servicio o de salidas determinstico (constante); se tienen 15 servidores en
paralelo; la disciplina de servicios es general; N significa que el sistema slo puede alojar a
un mximo de N clientes; es para indicar se tienen una poblacin de clientes infinita o
fuente de llegada de clientes infinita.

Sistema de Colas M/ M / 4 : DG / /


1
2
FILA
Entrada
al
Sistema
Servidores
Salida
del
Sistema
c
Simbologa
A/ B /C : D /E /F
106
Sistema con llegadas y salidas Poisson, 4 servidores en paralelo, disciplina de servicio
general, el sistema tiene capacidad ilimitada para recibir clientes y tiene una poblacin de
clientes infinita.

Sistema de Colas M/M/R : DG/K/K (R<K) corresponde por ejemplo al modelo de
servicio de reparacin de mquinas. Se dispone de "R" tcnicos en reparaciones para dar
servicio a un total de "K" maquinas. Como una mquina descompuesta no puede generar
nuevas llamadas mientras esta en servicio, el modelo es un ejemplo de fuente de llamadas
finita. Adems tanto el proceso de llegadas como el de servicio son probabilsticos y de
markov.

Sistema de Colas G/D/2 : DG/10/ corresponde a un sistema de lneas de espera con un
proceso de llegadas arbitrario, con tiempo de atencin determinstico (constante), con 2
servidores, una capacidad mxima de recepcin de clientes de 10 y fuente de clientes
potenciales infinita.

Los modelos M/M/c, es decir con proceso de llegada y atencin de clientes Poisson
Markoviano con c servidores, son los que analticamente permiten un tratamiento no tan
riguroso y sern estudiados a continuacin. Para los dems sistemas de colas, con otro
comportamiento probabilistico, es recomendable emplear la simulacin para su anlisis ya
que los procedimientos analticos son bastante complejos y algo confusos para un usuario
poco adiestrado en altas matemticas. Lo bueno de todo es que el estudio analtico de las
colas M/M/c son altamente tiles dado que como se vi en la anterior seccin, la mayora
de los sistemas de espera se comportan segn la Distribucin Probabilstica Poisson.

4.8. Modelos Bsicos de Lneas de Espera

107
En la seccin 4.6 estudiamos las principales medidas de efectividad de un sistema de
espera, y pudimos notar que previo al clculo de esos indicadores deben hallarse las
probabilidades P
n
.
Dado que muchas de las formulas de sistemas de espera parecen ser bastante complicadas y
en algunas ocasiones asustan a ciertos estudiosos principiantes, observaremos aqu que para
hallar las medidas de efectividad no se requiere de complejas matemticas, siendo en
general necesario tener en cuenta los siguientes cinco resultados, los dos primeros ya
demostrados y los siguientes tres son teoremas de convergencia de series geomtricas:

P P
n
n
n 0
3 2 1
1 2 1 0
....
....


=


P
0
+ P
1
+ P
2
+ . + P
n
= 1

1 ,
1
1
1 ,
) 1 (
1
1 ,
1
1
1
0
2
1
1
0

=
<

=
<

=
+
=

x si
x
x
x si
x
n
x si
x
N N
n
n
n
n
n
n
x
x
x


En lo sucesivo se har referencia a estos cinco resultados, enuncindolo por ejemplo como:
de acuerdo al resultado A, etc.





4.8.1. Sistemas de Espera [M/M/1 : DG//]
A
B
C
D
E
108

Se discutirn aqu sistemas de espera con un nico servidor. Asumamos un proceso de
nacimiento-muerte con una tasa de llegada por unidad de tiempo constante (nacimiento)
y una tasa de servicio por unidad de tiempo (muerte).
Si > , la cola crecer infinitamente. A = /, se le conoce como intensidad de trfico
factor de utilizacin del servidor, y concluimos por tanto que para que un sistema de
espera como estos tenga estabilidad y sea viable analizarlo es porque < 1.
Antes de observar un ejemplo representativo, encontremos algebraicamente las medidas de
efectividad del sistema de espera [M/M/1 : DG//].



Por el resultado A se tiene que:
P
1
= P
0
, P
2
=
2
P
0
..Pn =
n
P
0

Atendiendo al resultado B, obtenemos:
P
0
(1 + +
2
+ .+
n
) = 1
! P
0
= 1/ (1 + +
2
+ .+
n
) , y por el resultado C se tiene que: P
0
= 1 -
Por lo tanto: Pn =
n
(1- )

Cuando las probabilidades de estado estable son conocidas, las otras caractersticas pueden
ser calculadas:



Por conveniencia hacemos esta transformacin:


Empleando ahora el resultado D, obtenemos: L = /(1-)


1 2 3

..


=

=
= = =
0 0 0
) 1 ( ) 1 (
n
n
n
n
n
n
n n nP L


=

=
= =
1
1
0
) 1 ( ) 1 (
n
n
n
n
n n L
= = = = =


=

=
L P L P nP P n P c n L
n
n
n
n
n
n
n
n q
) 1 ( ) 1 ( ) (
0
1 1 1 1
W = L/
109

Por lo tanto : Lq =
2
/(1-)

Ejemplo 1:

Considere la operacin de prensado mostrada en la figura de abajo. Despus de que las
partes son calentadas en el Horno, ellas arrivan a la Prensa con una tasa entre llegadas
exponencialmente distribuida de un dcimo de hora. El proceso de prensado toma en
promedio 5 minutos. Encuentre los siguientes valores:
1. El porcentaje de tiempo que la Prensa est ociosa
2. El numero promedio de partes en el sistema
3. La longitud promedio de la cola
4. El tiempo total invertido por una unidad en el sistema (throughput time)
5. El tiempo invertido en la cola




El factor de utilizacin es = 0,833 (puesto que <1, se continua el anlisis para el estado
estable).
1. La probabilidad de que la Prensa est ociosa, es igual a la probabilidad de que
ningn trabajo est en servicio ni est esperando, es decir, P
0
. Por lo tanto se
calcula P
0
= 1- = 0,167. La Prensa estar ociosa el 16,7% del tiempo.
2. El numero promedio de partes en el sistema es L. Por tanto la calculamos asi:
L = /(1- ) = 5 partes. En este contexto puede verse a L como el WIP promedio.
3. La longitud promedio de la cola es Lq = L = 4,167 partes.
4. El throughput time es W = L/ = 0,5 horas.
5. El tiempo invertido por unidad en la cola es Wq = Lq/ = 0,4167 horas = 25 min.

Wq = Lq/
= 12 partes/hora = 10 partes/hora
Horno
Prensa
110
Observe que en este caso se suponen sistemas de capacidad de cola infinita y clientes
potenciales infinitos.
Tambin en este ejemplo podran preguntarnos:
6. Cul es el numero promedio de partes que pasaron por la Prensa?. Aqu nos
preguntan por Ls = L - Lq = = 0,83 partes.
7. Cual es el tiempo promedio que una parte est en el proceso de Prensado?. Aqu
nos preguntan por Ws = Ls/ = 1/ = 0,083 horas = 5 minutos

4.8.2. Sistemas de Espera [M/M/c : DG//]
Recordemos que:
.... , 2 , 1 , 0 = = n si
n

+ =
=
=
=
,... 1 ,
1 .... , 2 , 1
0 0
c c n si c
c n si n
n si
n

Para encontrar las medidas de efectividad del sistema de espera [M/M/c : DG//],
encontremos las probabilidades de estado estable Pn.





Para el caso de n < c, obtenemos por el resultado A lo siguiente:
c n para
n
P
n
n
n P P
,....., 2 , 1
! 2 1
0
0
=
(

= =

Similarmente para el caso de n c, obtenemos por el resultado A lo siguiente:
n
c n
c n c
n
c c
P
c c
P
c c
P P |
|
.
|

\
|
|
.
|

\
|
=
(

= =

! ! 2 1
0 0
0


Por lo anterior y se acuerdo al resultado B, despejamos P
0
de la siguiente manera:
1

0
2
2



c
c


c+2
c


c+1

c


n
c

n < c n c
111

|
|
.
|

\
|
+
=
1
0
0
!
) / (
!
) / (
1
c
n c n
c n
c n
c c n
P

Note que la segunda sumatoria tiene la forma indicada en el resultado C, quedando por
tanto:

=
|
|
.
|

\
|

+
=
1
0
0
) / ( 1
1
!
) / (
!
) / (
1
c
n
c n
c c n
P



Haciendo la sustitucin de = /c se obtiene:

=
|
|
.
|

\
|

+
=
1
0
0
1
1
!
) (
!
) (
1
c
n
c n
c
c
n
c
P

+ + =
=
=
,.... 2 , 1
!
,....., 2 , 1
!
) (
0
0
c c n para
c
c P
c n para
n
c P
P
n c
n
n

Ahora s podemos hallar todas las medidas de efectividad:



Como la ltima sumatoria puede asemejarme al resultado D de la siguiente manera:
2
1
1
1
) 1 (
) (

= = =


=

n
n
n
n
c n
c n
n n c n
Entonces se concluye que:
Lq =
2
0
1
) 1 ( !

+
c
P c
c c


Puede definirse tambien que L = Lq + (/).



=

=
= = =
c n
c n
c c
c n
n c
c n
n q
c n
c
P c
P
c
c
c n P c n L

) (
! !
) ( ) (
0
0
112
Ejemplo 2:
Una estacin de trabajo en una compaa recibe unidades desde dos fuentes: un
subcontratista y un centro de maquinado de la misma compaa. La tasa de llegada desde
cada uno es Poisson con parmetro = 3 unid/min. La compaa a comprado otra estacin
de trabajo idntica para incrementar la produccin (throughput). Cada estacin tiene una
tasa de servicio = 7 unid/min. La empresa tiene tres opciones para el diseo del sistema:
a) Que todas las partes que provengan del subcontratista sean procesadas por la
estacin de trabajo que actualmente se est utilizando, y que todas las unidades que
provengan del centro de maquinado sean procesadas por la nueva estacin que se
va a adquirir.



b) Puesto que las partes que provienen del subcontratista son idnticas a las partes
provenientes del centro de maquinado, es posible combinar las dos estaciones de
trabajo con una tasa de servicio conjunta igual a 2, uniendo las partes de las dos
fuentes en una nica cola.


c) Combinar las dos llegadas en una nica cola pero mantener las dos estaciones de
trabajo separadas.




1. Defina los tres sistemas segn la notacin de Kendall-Lee
2. Determinar cul de los tres sistemas ocasiona el tiempo de espera mas largo
para las partes que se procesan. Cual sistema resulta en el tiempo de espera
mas corto.

2 2

2


113
3. Si la reduccin del WIP es un criterio ms importante que el tiempo de
espera en el sistema, muestre que el sistema c es preferible al sistema b.
Asuma que el WIP es medido como el numero promedio de unidades en la
cola.
Solucin/
1. El sistema a lo conforman dos sistemas M/M/1 cada uno con parmetros = 3 y =
7, siendo = 0,4285 para cada uno. El sistema b es un M/M/1 con parmetros 2 =
6 y 2 = 14, siendo = 0,4285. El sistema c es un M/M/2 con parmetros 2 = 6 y
= 7, siendo = 0,8571.

2. Se hallar para cada sistema el indicador W y se establecern comparaciones:
W
a
= L/ = /[(1-)] = 0,25 min
W
b
= L/ = /[(1-)] = 0,125 min
Para sistemas M/M/2, los indicadores resultan as:
P
0
= (1-)/ (1+)
Lq =
3
/[(4
2
-
2
)]
Wq = Lq/ =
2
/[(4
2
-
2
)]
W = Wq + 1/ = 4/(4
2
-
2
)
Por lo tanto:
W
c
= 0,175 min
Se observa entonces que Wa > Wc > Wb, siendo por tanto el sistema a el de mayor
tiempo de espera en el sistema y b el de menor, siendo ste el diseo escogido.
3. Para determinar el WIP comparamos Lq para los tres sistemas:
Lq
a
=
2
/(1-) = 0,321
Lq
b
=
2
/(1-) = 0,321
Lq
c
=
3
/[(4
2
-
2
)] = 0,193
Observe que cuando el WIP es el criterio de decisin, el diseo c es el ms
apropiado.

4.8.3. Modelos con Cola Finita
114

Los modelos con capacidad de cola finita son necesarios en muchas situaciones prcticas.
Por ejemplo, un centro de mquinas en una empresa tiene un rea limitada para
almacenamiento temporal de partes que deben esperar a ser procesadas. Suponga que la
cola puede albergar un mximo de N partes.
Se trata de los sistemas [M/M/1 : DG/N/] y [M/M/c : DG/N/]. Para todos los sistemas
previos asumimos que para que el sistema de espera llegara a un estado estable deba
cumplirse necesariamente que <1. Para sistemas de cola finita no debemos preocuparnos
por esto, ya que independiente del valor de la cola no crecer indefinidamente ya que
fisicamente est limitada por la capacidad N.
Debido a que la cola finita asegura que la tasa de llegada es cero despus que la cola ha
alcanzado su mxima capacidad, la tasa efectiva de llegada (
ef
) es calculada usando la
frmula:

=
=
=
N n si
n si
n
0
.... , 2 , 1 , 0

ef
= ) 1 (
1
0
N
N
n
n
P P =

=

Asi mismo, la tasa promedio de clientes no atendidos (clientes rechazados por el sistema

re
) por estar el sistema a plena capacidad es igual a:

re
= P
N


Las siguientes son las formulas demostradas cuando 1:
Indicador M/M/1: DG/N/ M/M/1: DG/N/
P
0

1
1
1
+

[ ] ( )

+ =

=
+
N
c n
c n c
N
n
n
c n c
1 1
! / ! / ) (
1


L
1
1
1
) 1 (
1
+
+

N
N
N

|
|
.
|

\
|
+

ef
Lq
Lq L + P
0
- 1
[ ] [ ]
2
0
) 1 ( !
) 1 ( ) ( 1 ) (

c
c N P c
c N c N c

W L/
ef
L/
ef

Wq Lq/
ef
L/
ef

115
=12
= 15 = 18 = 21

A
4.9. Software RAQS (Rapid Analysis of Queuing Systems)

RAQS es un software descargable sin costo en la siguiente direccin internet:
http://www.okstate.edu/cocim/raqs/index.html
Es una aplicacion Windows escrita en C++. Permite abordar la enseanza y la
investigacin en sistemas de colas para estudiantes de pregrado como de posgrado. RAQS
fu un proyecto del National Science Foundation Grant bajo el Engineering Research
Deployment Teaching Initiative.
Soluciona problemas relacionados con Redes de Colas (Queuing Networks), estudiando
Redes Abiertas y Cerradas (Open and Closed Networks).
Un ejemplo de Red Abierta se muestra en la siguiente figura:





Observe que en este sistema de maquinas que estn dispuestas en serie, los clientes partes
pueden llegar de una fuente externa. Esto ltimo es la caracterstica de una red abierta.
En el proceso de inspeccin hay partes que se rechazan con una tasa
R
y una tasa de
aceptacin
A
. Las partes rechazadas pueden volver de nuevo al horno para repetir el
procesamiento.

Otro ejemplo de Red Abierta se muestra en la siguiente figura:







Horno Prensa Inspeccin
Prensa
Horno
Molino
Inspeccin
116
Redes Cerradas son aquellas que auto-generan los clientes y por tanto estos no son
controlados por una fuente externa. Se utiliza para sistemas de manufactura Justo a Tiempo,
donde el WIP es altamente controlado. La entrada de clientes es controlada y no entrar un
cliente hasta tanto no haya salido uno. Observe por ejemplo la siguiente figura:



Cola 1 Maquina 1 Cola 2 Maquina 2

Consideremos una red de colas cerrada de dos maquinas, en los cuales los dos nodos
(maquinas) estan conectados en serie y cada trabajo pasa primero por la maquina 1 y luego
a la maquina 2. Si asumimos que el transporte de materiales se realiza en pallets estibas,
y que existen n pallets en el sistema, cada una con posibilidad de movilizar un lote, se dice
que entrar al sistema un nuevo lote solamente si se ha liberado un pallet al final de la lnea.
Esa es la forma de tener una red cerrada de dos nodos que siempre tiene un nmero fijo (n)
de trabajos procesando.

Para ms detalles de redes de colas puede leer el capitulo 10.3 del libro Facilities Design
de Sunderesh Heragu.

4.10. Problemas Propuestos


Problema 1
117






Problema 2

118



Problema 3



Problema 4

The copy center in the Pontificia Universidad Javeriana has become an increasingly
contentious item among the university administrators. The department heads have
complained to the associate dean about the long lines and waiting times for their secretaries
at the copy center. They claim that it is a waste of scarce resources for the secretaries to
wait in line talking when they could be doing more productive work in the office. Andres
Jaramillo, the academic dean, says the limited operating budget will not allow the
university to purchase a new copier or copiers to relieve the problem. This standoff has
been going on for several years.

To make his case for improved copying facilities, Alvaro Figueroa, a teacher in Operations
Management, assigned students in his class to gather some information about the copy
center as a class project. The students were to record the arrivals at the center and the length
of time it took to do a copy job once the secretary actually reached a copy machine. In
addition, the students were to describe how the copy center system worked.

When the students completed the project, they turned in a report to Professor Figueroa. The
report described the copy center as containing two machines. When secretaries arrive for a
copy job, they join a queue, which looked more like milling around to the students, but they
acknowledged that each secretary knew when it was his or her turn, and in effect, the
119
secretaries formed a single queue for the first available copy machine. Also, since copy jobs
are assigned tasks, secretaries always stayed to do the job no matter how long the line was
or how long they had to wait. They never left the queue.

From the data the Ghostbusters students group gathered, Professor Figueroa was able to
determine that secretaries arrived every 8 minutes for a copy job and that the arrival tale
was Poisson distributed. Further, he was able to determine that the average time it takes to
complete a job was 12 minutes, and Ibis is exponentially distributed.

Using his department's personnel records and data form the university personnel office,
Professor Figueroa determined that a secretary's average salary is $8.50 per hour. From his
academic calendar he added up the actual days in the year when the university and
departmental office were open and found there were 247. However, as he added up working
days, it occurred to his that during the summer included about 70 days, during which he
expected the copy center traffic would be about bale of what it is during the normal year,
but he speculated that the average time of a copying job would remain about the same.

Professor Figueroa next called a local office supply firm to check the prices on copiers. A
new copier of the type in the copy center now would cost US$36,OOO. It would also
require US$8,OOO per year for maintenance and would have a normal useful life of 6
years.

Do you think professor Figueroa will be able to convince the associate dean that a new
copy machine will be cost-effective?


Problema 5
Un camin debe ser cargado con 70.000 ft3 de un material especial disponible en cierta
locacin. Debido a que el camin no tiene acceso a esa locacin, un dispositivo de carga
especialmente construido es utilizado para cargar el material sobre plataformas mviles
Pallet Jacks, las cuales transportan finalmente el material hasta el camin que se encuentra
en un sitio cercano. Mientras que el dispositivo de carga se alquila a un costo de US$ 1.000
por hora, los Pallet Jacks pueden ser alquilados por $US 100 la hora cada uno. No hay
lmite respecto al numero de Pallet Jacks que deseen alquilarse, y cada uno puede
transportar 400 ft3 de material, tomando un promedio de 5 minutos el tranportar el
material, descargarlo en el camin y devolverse para iniciar otro envo. Debido a
restricciones de espacio, diseo del dispositivo de cargue, y otras razones, la carga del
material requiere un promedio de 12 minutos. Haga los apropiados supuestos acerca de la
exponencialidad y determine cuntos Pallet Jacks deberan alquilarse para minimizar el
costo esperado de llevar material hasta el camin.

Problema 6
A la biblioteca de Univalle llegan un promedio de 26 personas/ao con distribucin
Poisson, a pedir prestado el libro Lneas de Espera. Aquella persona que logra encontrarlo,
120
lo mantiene en su poder durante 4 das con distribucin exponencial. Las personas que
piden el libro y encuentran que est prestado se van y nunca regresan.
a) Si la biblioteca tiene solo una copia del libro, Cul es el nmero esperado de
personas que podrn leer el libro durante el ao?
b) Si cada persona que entra a la biblioteca y no encuentra el libro disponible ocasiona
una prdida de $1 como costo de imagen. Adems cada libro cuesta $11. Cuntos
libros debe comprar la biblioteca?

Problema 7
En un taller existen dos secciones, cada una cuenta con una maquina que tiene capacidad de
produccin de 5 piezas/h con distribucin Poisson. La entrada de materia prima a cada
seccin es de 4.5 piezas/h con distribucin Poisson. El costo de cada maquina es de
$1/hora. El dueo del taller est interesado en cambiar las dos maquinas a una sola seccin
y hacer que toda la materia prima llegue a ese lugar. Si el costo de tener la materia prima
en espera se estima en $0,5 y se consideran los sistemas con capacidad de la cola infinita y
clientes potenciales infinitos determine cual de las dos opciones genera menor costo.