Investigacin De Operaciones, 9Na Edicin - Hamdy A Taha Fl 2012

LIB Investigacin de Operaciones en la Ciencia Administrativa - G. D. Eppen -

5ed_www.ELSOLUCIONARIO.net 2000

DEFINICIN

Segn Garca E. (1996). Una lnea de espera es el efecto resultante en un

sistema cuando la demanda de un servicio supera la capacidad de proporcionar
dicho servicio. Este sistema est formado por un conjunto de entidades en
paralelo que proporcionan un servicio a las transacciones que aleatoriamente
entran al sistema. Dependiendo del sistema que se trate, las entidades pueden
ser cajeras, mquinas, semforos, gras, etctera, mientras que las
transacciones pueden ser: clientes, piezas, autos, barcos, etctera. Tanto el
tiempo de servicio como las entradas al sistema son fenmenos que
generalmente tienen asociadas fuentes de variacin que se encuentran fuera del
control del tomador de decisiones, de tal forma que se hace necesaria la
utilizacin de modelos estocsticos que permitan el estudio de este tipo de
sistemas.

Una lnea de espera puede modelarse como un proceso estocstico en el cual

la variable aleatoria se define como el nmero de transacciones en el sistema en
un momento dado; el conjunto de valores que puede tomar dicha variable es {O,
1, 2, . . . , N} y cada uno de ellos tiene asociada una probabilidad de ocurrencia
{P0, P1, P2, . . . , PN}

I. ESTRUCTURA DE UN MODELO DE LNEA DE ESPERA

Investigacin De Operaciones, 9Na Edicin - Hamdy A Taha - Fl

o Fuente de entrada o poblacin potencial: Es un conjunto de individuos

(no necesariamente seres vivos) que pueden llegar a solicitar el servicio
 en cuestin. Podemos considerarla finita o infinita. Aunque el caso de
infinitud no es realista, s permite (por extrao que parezca) resolver de
forma ms sencilla muchas situaciones en las que, en realidad, la
poblacin es finita pero muy grande. Dicha suposicin de infinitud no
resulta restrictiva cuando, an siendo finita la poblacin potencial, su
nmero de elementos es tan grande que el nmero de individuos que ya
estn solicitando el citado servicio prcticamente no afecta a la frecuencia
con la que la poblacin potencial genera nuevas peticiones de servicio.

o Cliente: Es todo individuo de la poblacin potencial que solicita servicio.

Suponiendo que los tiempos de llegada de clientes consecutivos son
0<t1<t2<..., ser importante conocer el patrn de probabilidad segn el
cual la fuente de entrada genera clientes. Lo ms habitual es tomar
como referencia los tiempos entre las llegadas de dos clientes
consecutivos: consecutivos: clientes consecutivos: T{k} = tk - tk-1,
fijando su distribucin de probabilidad. Normalmente, cuando la
poblacin potencial es infinita se supone que la distribucin de
probabilidad de los Tk (que ser la llamada distribucin de los tiempos
entre llegadas) no depende del nmero de clientes que estn en espera
de completar su servicio, mientras que en el caso de que la fuente de
entrada sea finita, la distribucin de los Tk variar segn el nmero de
clientes en proceso de ser atendidos.

o Capacidad de la cola: Es el mximo nmero de clientes que pueden

estar haciendo cola (antes de comenzar a ser servidos). De nuevo,
puede suponerse finita o infinita. Lo ms sencillo, a efectos de
simplicidad en los clculos, es suponerla infinita. Aunque es obvio que
en la mayor parte de los casos reales la capacidad de la cola es finita,
no es una gran restriccin el suponerla infinita si es extremadamente
improbable que no puedan entrar clientes a la cola por haberse llegado
a ese nmero lmite en la misma.
o Disciplina de la cola: Es el modo en el que los clientes son
seleccionados para ser servidos. Las disciplinas ms habituales son:

La disciplina FIFO (first in first out), tambin llamada FCFS (first

come first served): segn la cual se atiende primero al cliente que
antes haya llegado.

La disciplina LIFO (last in first out), tambin conocida como LCFS

(last come first served) o pila: que consiste en atender primero al
cliente que ha llegado el ltimo.

La RSS (random selection of service), o SIRO (service in random

order), que selecciona a los clientes de forma aleatoria.

o Mecanismo de servicio: Es el procedimiento por el cual se da servicio

a los clientes que lo solicitan. Para determinar totalmente el
mecanismo de servicio debemos conocer el nmero de servidores de
dicho mecanismo (si dicho nmero fuese aleatorio, la distribucin de
probabilidad del mismo) y la distribucin de probabilidad del tiempo
que le lleva a cada servidor dar un servicio. En caso de que los
servidores tengan distinta destreza para dar el servicio, se debe
especificar la distribucin del tiempo de servicio para cada uno.

La cola, propiamente dicha, es el conjunto de clientes que hacen

espera, es decir los clientes que ya han solicitado el servicio pero que
an no han pasado al mecanismo de servicio.
 El sistema de la cola: es el conjunto formado por la cola y el
mecanismo de servicio, junto con la disciplina de la cola, que es lo
que nos indica el criterio de qu cliente de la cola elegir para pasar al
mecanismo de servicio. Estos elementos pueden verse ms
claramente en la siguiente figura:

Un modelo de sistema de colas debe especificar la distribucin de

probabilidad de los tiempos de servicio para cada servidor.

La distribucin ms usada para los tiempos de servicio es la

exponencial, aunque es comn encontrar la distribucin degenerada
o determinstica (tiempos de servicio constantes) o la distribucin
Erlang (Gamma).

II. MODELOS DE LNEA DE ESPERA

A) MODELOS DE NACIMIENTO Y MUERTE PUROS (RELACIN ENTRE
LAS DISTRIBUCIONES EXPONENCIAL Y DE POISSON)

Esta seccin presenta dos situaciones de colas, el modelo de nacimiento puro

en el cual slo ocurren llegadas, y el modelo de muerte pura en el cual slo
ocurren salidas. Un ejemplo del modelo de nacimiento puro es la creacin de
actas de nacimiento de bebs recin nacidos. El modelo de muerte pura puede
demostrarse por medio del retiro aleatorio de un artculo en existencia en una
tienda.
La distribucin exponencial se utiliza para describir el tiempo entre llegadas en
el modelo de nacimiento puro y el tiempo entre salidas en el modelo de muerte
pura. Un subproducto del desarrollo de los dos modelos es demostrar la estrecha
relacin entre las distribuciones exponenciales y la de Poisson, en el sentido de
que una distribucin define automticamente a la otra.

1) Modelo de nacimiento puro

Defina
P0(t) = Probabilidad de que no ocurran llegadas durante un periodo de tiempo t
Dado que el tiempo entre llegadas es exponencial y que la tasa de llegadas es
de clientes por unidad de tiempo, entonces
P0(t) = P{tiempo entre llegadas t}
= 1 - P{tiempo entre llegadas t}
= 1 - (1 - et)
= e-t
Para un intervalo de tiempo suficientemente pequeo h > 0, tenemos
P0(h) = e-t = 1- h + (h2/2!) - = 1 - h + 0(h2)
La distribucin exponencial se basa en la suposicin de que durante h > 0,
cuando mucho puede ocurrir un evento (llegada). Por lo tanto, a medida que
h0,
P1(h) = 1 - P0(h) h
Este resultado muestra que la probabilidad de una llegada durante h es
directamente proporcional a h, con la tasa de llegadas, l, como constante de
proporcionalidad.

Para derivar la distribucin de la cantidad de llegadas durante un periodo t

cuando el tiempo entre llegadas es exponencial con media 1/ defina

Pn(t) = Probabilidad de n llegadas durante t

Para un h > 0 suficientemente pequeo,

Pn(t + h) Pn(t) (1 - h) + Pn-1(t) h, n > 0

P0(t + h) P0(t) (1 - h), n=0

En la primera ecuacin habr n llegadas durante t + h si hay n llegadas durante
t y ninguna llegada durante h, o n - 1 llegadas durante t y una llegada durante h.
No se permiten todas las dems combinaciones porque, de acuerdo con la
distribucin exponencial, a lo sumo puede haber una llegada durante un periodo
h muy pequeo. La ley del producto de las probabilidades es aplicable al lado
derecho de la ecuacin porque las llegadas son independientes. En cuando a la
segunda ecuacin, durante t + h puede haber cero llegadas slo si no hay
llegadas durante t y h.

Reacomodando los trminos y tomando los lmites a medida que h 0 para

obtener la primera derivada de Pn(t) con respecto a t, tenemos

(+) ()
Pn(t) = lim = () + 1 (); > 0
0

0 (+)0 ()
P0(t) = lim = 0 () ; = 0
0

La solucin de las ecuaciones diferenciales anteriores da

()
Pn(t) = , = 0,1,2, .
!

sta es una distribucin de Poisson con media de llegadas durante t.

El resultado anterior muestra que si el tiempo entre llegadas es exponencial con

media 1/, entonces la cantidad de llegadas durante un periodo especfico t es
Poisson con media t. Lo contrario tambin funciona.

Modelo de muerte pura

En el modelo de muerte pura, el sistema se inicia con N clientes en el instante 0,

sin llegadas nuevas permitidas. Las salidas ocurren a razn de m clientes por
unidad de tiempo.

Para desarrollar las ecuaciones diferenciales de la probabilidad Pn(t) de que n

clientes permanezcan despus de t unidades de tiempo, seguimos los
argumentos utilizados con el modelo de nacimiento puro. Por lo tanto:

PN(t+h) = Pn(t) (1 - h)
PN(t+h) = Pn(t) (1 - h) + Pn+1(t)h, 0< n <N

P0(t+h) = P0(t) (1) + P1(t)h

A medida que h 0, obtenemos:

PN(t) = -PN(t)

Pn(t) = -Pn(t) + Pn+1(t), 0 < n < N

P0(t) = P1(t)

La solucin de estas ecuaciones da la siguiente distribucin de Poisson truncada:

(t) t
() = ; = 1,2, ,
( )!

() = 1 ()
1

MODELO DE COLAS GENERAL DE POISSON

Esta seccin desarrolla un modelo de colas general que combina tanto llegadas
como salidas con base en la suposicin de Poisson, es decir, los tiempos entre
llegadas y los tiempos de servicio siguen la distribucin exponencial. El modelo
es la base para la derivacin de los modelos de Poisson especializados en la
seccin 18.6.

El desarrollo del modelo generalizado se basa en el comportamiento a largo

plazo o de estado estable de la situacin de colas, alcanzado despus de que el
sistema ha estado en operacin durante un tiempo suficientemente largo. Este
tipo de anlisis contrasta con el comportamiento transitorio (o de calentamiento)
que prevalece durante el inicio de la operacin del sistema. (Una razn de por
qu no se analiza el comportamiento transitorio en este captulo es su
complejidad analtica. Otra es que el estudio de la mayora de las situaciones de
colas ocurre en condiciones de estado estable.)

El modelo general asume que tanto las tasas de entrada como de salida
dependen del estado; lo que significa que dependen de la cantidad de clientes
en la instalacin de servicio. Por ejemplo, en una caseta de cobro en una
carretera, los encargados tienden a acelerar el cobro de las cuotas durante las
horas pico. Otro ejemplo ocurre en un taller donde la tasa de descomposturas de
las mquinas disminuye a medida que aumenta el nmero de mquinas
descompuestas (porque slo las mquinas que estn funcionando son capaces
de generar nuevas descomposturas).

Defina:

n = Cantidad de clientes en el sistema (haciendo cola, adems de los que estn

siendo atendidos)

n = Tasa de llegadas, si n clientes estn en el sistema

n = Tasa de salidas, si n clientes estn en el sistema

Pn = Probabilidad de estado estable de que n clientes estn en el sistema

El modelo general deriva a Pn como una funcin de n y n. Estas probabilidades

se utilizan entonces para determinar las medidas de desempeo del sistema,
como la longitud promedio de las colas, el tiempo de espera promedio, y la
utilizacin promedio de la instalacin.

Las probabilidades Pn se determinan por medio del diagrama de tasa de

transicin en la figura anterior. El sistema de colas est en el estado n cuando el
nmero de clientes en el sistema es n. La probabilidad de que ocurra ms de un
evento durante un pequeo intervalo h tiende a cero a medida que h 0. Esto
significa que para n > 0, el estado n puede cambiar slo a dos estados posibles:
n - 1 cuando ocurre una salida a razn de n, y n + 1 cuando ocurre una llegada
a razn de n. El estado 0 slo puede cambiar al estado 1 cuando una llegada
ocurre a razn de 0.Observe que 0 es indefinida porque no pueden ocurrir
salidas si el sistema est vaco.

En condiciones de estado estable, para n > 0, las tasas de flujo esperadas de

entrada y salida del estado n deben ser iguales. Con base en el hecho de que el
estado n puede cambiar slo a los estados n - 1 y n + 1, tenemos:

( ) = 1 1 + +1 +1

Asimismo:

( ) = ( + )

Igualando las dos tasas, obtenemos la siguiente ecuacin de balanceo:

1 1 + +1 +1 = ( + ) , = 1,2,

Segn la figura anterior, la ecuacin de balanceo asociada con n = 0 es:

0 0 = 0 0

Las ecuaciones de balanceo se resuelven recursivamente en funcin de p0. Para

n = 0, tenemos:

0
1 = ( ) 0
1

Luego, para n = 1, tenemos:

0 0 + 2 2 = (1 + 1 )1

Sustituyendo 1 = (0 ) 0 y simplificando, obtenemos (comprubelo!)
1

1 0
2 = ( )
2 1 0

Podemos demostrar por medio de induccin que:

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

El valor de P0 se determina con la ecuacin

=0 = 1

COLAS DE POISSON ESPECIALIZADAS

La figura siguiente ilustra la situacin de colas de Poisson especializadas con c

servidores paralelos. Se selecciona un cliente de la cola para iniciar el servicio
con el primer servidor disponible. La tasa de llegadas al sistema es de clientes
por unidad de tiempo. Todos los servidores paralelos son idnticos, es decir que
la tasa de servicio de cualquier servidor es de m clientes por unidad de tiempo.
La cantidad de clientes en el sistema se define para incluir los que estn en el
servicio y los que estn en la cola.

Una notacin conveniente para resumir las caractersticas de la situacin de

colas de la figura siguiente se da mediante el siguiente formato:

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

donde

a = Distribucin de las llegadas

b = Distribucin de las salidas (tiempo de servicio)

c = Cantidad de servidores paralelos (= 1,2,, )

d = Disciplina en las colas

e = Nmero mximo (finito o infinito) permitido en el sistema (haciendo cola o en

servicio)
f =Tamao de la fuente solicitante (finita o infinita)

La notacin estndar para representar las distribuciones de las llegadas y salidas

(smbolos a y b) es

M = Distribucin markoviana (o de Poisson) de llegadas y salidas (o de forma

equivalente distribucin exponencial del tiempo entre llegadas y de servicio)

D =Tiempo constante (determinstico)

Ek = Distribucin Erlang o gama del tiempo (o de forma equivalente, la suma de

distribuciones exponenciales independientes)

GI= Distribucin general (genrica) del tiempo entre llegadas

G = Distribucin general (genrica) del tiempo de servicio

La notacin para la disciplina en colas (smbolo d) incluye

FCFS = Primero en llegar, primero en ser servido

LCFS = ltimo en llegar, primero en ser servido

SIRO = Servicio en orden aleatorio

GD = Disciplina general (es decir, cualquier tipPara ilustrar el uso de la notacin,
el modelo (M/D/10): (GD/20/q) utiliza llegada Poisson (o tiempo entre llegadas
exponencial), tiempo de servicio constante, y 10 servidores paralelos. La
disciplina en colas es GD, y hay un lmite de 20 clientes en todo el sistema. El
tamao de la fuente de donde llegan los clientes es infinito.

Como nota histrica, los primeros tres elementos de la notacin (a/b/c) los ide
D.G. Kendall en 1953, y se conocen en la literatura como la notacin de Kendall.
En 1966, A.M. Lee agreg los smbolos d y e a la notacin. Este autor agreg el
ltimo elemento, el smbolo f, en 1968.

Medidas de desempeo de estado estable

Las medidas de desempeo ms comnmente utilizadas en una situacin de

colas son:

Ls = Cantidad esperada de clientes en un sistema

Lq = Cantidad esperada de clientes en una cola

Ws = Tiempo de espera en el sistema

Wq = Tiempo de espera anticipado en la cola

= Cantidad esperada de servidores ocupados

Recuerde que el sistema incluye tanto la cola como las instalaciones de servicio.

Demostramos ahora cmo se derivan estas medidas (directa o indirectamente)

a partir de la probabilidad de estado estable de n en el sistema P n como:

L s =
=1

L q =
=+1( )

La relacin entre Ls y Ws (tambin entre Lq y W q) se conoce como frmula de

Little y se da como:

Ls = efecWs
Lq = efecW q

Estas relaciones son vlidas en condiciones ms bien generales. El parmetro

efec es la tasa de llegadas efectiva al sistema. Es igual a la tasa de llegadas
(nominal) cuando todos los clientes que llegan pueden unirse al sistema. De lo
contrario, si algunos clientes no pueden unirse porque el sistema est lleno (por
ejemplo un estacionamiento), entonces efec < . Ms adelante demostraremos
cmo se determina efec.

Tambin existe una relacin directa entre Ws y Wq. Por definicin:

( )=( )+( )

Esto se traduce como:

Ws = W q + 1/

Luego podemos relacionar Ls con Lq multiplicando ambos lados de la ltima

frmula por efec, la que junto con la frmula de Little da

Ls = Lq + efec /

La diferencia entre la cantidad promedio en el sistema, Ls, y la cantidad promedio

en la cola, Lq debe ser igual al promedio de servidores ocupados. Por lo tanto:

= Ls - Lq = efec /

Se deduce que:

( )=

Modelos de un solo servidor

Esta seccin presenta dos modelos para el caso de un solo servidor (c = 1). El
primer modelo no limita el nmero mximo en el sistema, y el segundo supone
un lmite finito del sistema. Ambos modelos suponen una capacidad infinita de la
fuente. Las llegadas ocurren a razn de clientes por unidad de tiempo y la tasa
de servicio es clientes por unidad de tiempo.
Se utilizar la notacin ampliada de Kendall para caracterizar cada situacin.

(M/M/1):(GD//). Utilizando la notacin del modelo general, tenemos:

n =

n = n = 0, 1, 2,

Incluso, efec = y perdida = 0, porque todos los clientes pueden unirse al sistema.

Si = / la expresin para Pn en el modelo generalizado se reduce a

Pn = n P0, n = 0, 1, 2,

Para determinar el valor de P0 usamos la identidad:

P0(1 + + 2 + ) = 1

La suma de la serie geomtrica es 1/(1-) siempre que < 1. Por lo tanto:

P0 = (1 ), < 1

En consecuencia, la siguiente distribucin geomtrica da la frmula general para

Pn:

Pn = (1 ) n , n = 1, 2, .. ( < 1)

La derivacin matemtica de pn impone la condicin < 1, o < . Si , la

serie geomtrica diverge, y las probabilidades de estado estable P n no existen.
Este resultado tiene un sentido intuitivo, porque a menos que la tasa de servicio
sea mayor que la tasa de llegadas, la longitud de la cola continuar creciendo y
no puede alcanzarse ningn estado estable.

La medida de desempeo Lq se deriva como sigue:

= = (1 )
=0 =0

= (1 )

=0
 1
= (1 ) ( )=
1 1

Debido a que efec = 5 l en la presente condicin. Por lo tanto:

1 1
= = =
(1 )

1 1
= =
(1 )

2
= =
1

= =

(M/M/1):(GD/N/ ). Este modelo difiere de (M/M/1):(GD//).) en que hay un

lmite N en el nmero en el sistema (longitud mxima de la cola = N - 1). Algunos
ejemplos incluyen situaciones de manufactura en las que una mquina puede
tener un espacio intermedio limitado y una ventanilla de servicio en su coche en
un restaurante de comida rpida. No se permiten nuevas llegadas cuando la
cantidad de clientes en el sistema llega a N. Por lo tanto:

= , = 0, 1, , 1

= 0, = , + 1

= , = 0, 1,

Utilizando = / :

= 0 >

El valor de P0 se determina a partir de la ecuacin

=0 = 1 , la cual da:
P0 (1 + + 2 + + N) = 1

Por lo tanto:

El valor de = / no tiene que ser menor que 1 en este modelo, porque el lmite
N controla las llegadas al sistema. Esto significa que efec es la tasa que importa
en este caso. Debido a que los clientes se pierden cuando hay N en el sistema.

efec = PN

efec = - perdida = (1 - PN)

En este caso, efec < .

La cantidad esperada de clientes en el sistema se calcula como:

Modelos de varios servidores

Esta seccin considera tres modelos de colas con varios servidores paralelos.
Los primeros dos modelos son las versiones de varios servidores de los modelos
de la seccin anterior. El tercer modelo trata el caso del autoservicio, el cual
equivale a tener una cantidad infinita de servidores paralelos.

(M/M/c):(GD/ / ). Este modelo se ocupa de c servidores paralelos idnticos.

La tasa de llegadas es y la tasa de servicio por servidor es . En esta situacin
efec = porque no hay lmite en el nmero presente en el sistema.

El efecto de utilizar c servidores idnticos paralelos es un incremento

proporcional de tasa de servicio de la instalacin. En trminos del modelo
generalizado, n y n se definen por lo tanto como:

As que:
Si = /, y suponiendo que /c <1 el valor de P 0 se determina a partir de

=0 = 1 la cual da:

La expresin para Lq se determina como sigue:

porque efec = , Ls = Lq + . Las medidas W s y W q se determinan dividiendo Ls y

Lq entre .

(M/M/c):(GD/N/ ),c N. El modelo difiere de (M/M/c):(GD//) en que el lmite

del sistema es finito e igual a N. Esto significa que el tamao de la cola es N - c.
Las tasas de llegadas y servicio son y . La tasa de llegadas efectiva efect es
menor que debido al lmite del sistema N.
En trminos del modelo generalizado, n y n para el modelo actual se definen
como:

Sustituyendo n y n en la expresin general de la seccin anterior y observando

que = /, obtenemos:

Donde:

Luego calculamos Lq en el caso en que /c 1 como:

Se puede demostrar que con /c = 1, Lq se reduce a:

Para determinar W q y por consiguiente W s y Ls, calculamos el valor de efect como:

perdida = PN

efec = - perdida = (1 - PN)

(M/M/ ):(GD/ )Modelo de autoservicio. En este modelo, las tasas de

llegadas y servicio son y , respectivamente, y la cantidad de servidores es
ilimitada porque el cliente tambin es el servidor. Un ejemplo tpico es realizar la
parte escrita del examen para la licencia de conductor. Las gasolineras de
autoservicio y los cajeros automticos que operan durante las 24 horas del da
no caen dentro de este modelo porque los servidores en estos casos son en
realidad las bombas de gasolina y los cajeros automticos.

En trminos del modelo general, tenemos:

Por lo tanto:

Debido a que
=0 = 1 , se desprende que:

Por resultado:
la cual es Poisson con media Ls = . Como era de esperarse, Lq y Wq son cero
porque es una instalacin de autoservicio.

Modelo de servicio de mquinas (M/M/R):(GD/K/K), R , K

La jurisdiccin de este modelo es un taller con K mquinas. Cuando una mquina

se descompone, se llama a uno de los tcnicos en mantenimiento para que la
repare.

La tasa de descomposturas por mquina es descomposturas por unidad de

tiempo, y un tcnico reparar las mquinas descompuestas a razn de m
mquinas por unidad de tiempo. Todas las descomposturas y servicios siguen la
distribucin de Poisson.

La fuente en este modelo es finita porque las mquinas que estn funcionando
pueden descomponerse, y por consiguiente puede generar llamadas de servicio.
Una vez que todas las mquinas se descompongan, no podr haber ms
llamadas de servicio.

Dada la tasa de descomposturas por mquina, la tasa de descomposturas de

todo el taller es proporcional a la cantidad de mquinas que estn funcionando.
En funcin del modelo de colas, tener n mquinas en el sistema significa que n
mquinas estn descompuestas, y que la tasa de descomposturas asociada de
todo el taller es:

En funcin del modelo generalizado de la seccin anterior, tenemos:

A partir del modelo generalizado podemos obtener:

No hay expresin alguna de forma cerrada para Ls y por consiguiente debe
calcularse por medio de la siguiente definicin bsica:

El valor de efec se calcula como:

M/G/1):(GD/ / )FRMULA DE POLLACZEK-KHINTCHINE (P-K)

Los modelos de colas en los que las llegadas y salidas no siguen la distribucin
de Poisson son complejos. En general, es aconsejable utilizar la simulacin como
una herramienta alternativa para analizar estas situaciones.

Esta seccin presenta una de las pocas colas no Poisson para la cual hay
disponibles resultados analticos. Se trata del caso en que el tiempo de servicio,
t, est representado por cualquier distribucin de probabilidad con media E{t} y
varianza var{t}. Los resultados del modelo incluyen las medidas de desempeo
bsicas Ls, Lq, Ws y Wq, as como tambin P0. El modelo no proporciona una
expresin de forma cerrada para Pn debido a la incontrolabilidad analtica.

Sea l la tasa de llegadas a la instalacin de un solo servidor. Dadas E{t} y var{t}

de la distribucin del tiempo de servicio y que E{t} , 1, se puede demostrar por
medio de un anlisis de cadena de Markov/probabilidad compleja que:
La probabilidad de que la instalacin est vaca (ociosa) se calcula como:

III. ANLISIS ECONMICO DEL MODELO DE LNEA DE ESPERA

LIB Investigacin de Operaciones en la Ciencia Administrativa - G. D. Eppen -

5ed_www.ELSOLUCIONARIO.net

Monte seleccion el nmero de tcnicos de laboratorio que se deberan

contratar, observando las caractersticas de operacin y utilizando su propio
juicio. ste no es un mtodo fuera de lo comn en los modelos de colas de
espera, y es especialmente comn en el sector no lucrativo.

Monte se da cuenta de que est equilibrando el costo de emplear ms tcnicos

contra el costo en que incurrira por obligar a los pacientes a esperar. El costo
de emplear tcnicos adicionales est bastante claro. El costo de esperar, no.
Monte observa en primer lugar que el costo para el paciente es irrelevante para
su decisin, excepto en el sentido de que afecta la disposicin del paciente a
utilizar el hospital. Realmente no importa quin est esperando un asesor que
cobra $250 la hora o un desempleado, sin costo de oportunidad, a menos de
que el tiempo de espera persuada al paciente a utilizar algn otro centro de
salud. Esta observacin explica por qu algunos monopolios, como las oficinas
de gobierno, son tan descuidados respecto al tiempo de espera de sus clientes.
No hay otro lugar al cual acudir!

Aparte del posible efecto sobre la demanda, el laboratorio de hematologa podra

costarle dinero al hospital si reduce los resultados para el mismo. Suponga, por
ejemplo, que las clnicas para pacientes externos pudieran procesar 50
pacientes nuevos cada da, pero que el laboratorio de hematologa pudiera
procesar slo 10 pacientes. (ste es, claramente, un ejemplo extremo para
ilustrar nuestro punto.) En este caso, el hospital estara desperdiciando un
recurso valioso: los doctores y dems personal de las clnicas, debido al cuello
de botella en el laboratorio de hematologa. Sin embargo, habiendo establecido
este hecho, todava no es sencillo establecer un costo especfico para el tiempo
de espera de un paciente.

Parmetros del costo Si usted est dispuesto, y es capaz de estimar ciertos

costos, puede elaborar modelos de costo esperado de sus sistemas de cola de
espera. Considere, por ejemplo, el modelo del laboratorio de hematologa (en
trminos generales, cualquier cola de espera con mltiples servidores con
tiempos exponenciales interarribos y de servicio), y suponga que el
administrador est dispuesto a especificar dos costos:

Cs: costo por hora de tener un servidor disponible

Cw: costo por hora de tener a una persona esperando en el sistema (un costo
muy difuso o cualitativo)

Con estos costos es posible calcular el costo total asociado con la decisin de
utilizar cualquier nmero especfico de servidores. Comenzaremos calculando el
costo total de emplear dos servidores para una jornada de ocho horas. Hay dos
componentes:
 costo del servidor = (Cs)(2)(8)

Donde Cs es el costo por hora de un servidor, 2 es el nmero de servidores y 8

es el nmero de horas que trabaja cada servidor, y

costo de espera = (Cw)(L2)(8)

Donde L2 es el nmero de personas en cola de espera cuando hay dos

servidores. Este segundo clculo puede no ser tan obvio, pero la justificacin es
la misma que para el costo del servidor.

Si hay, en promedio, L2 personas esperando cuando el sistema tiene dos

servidores, entonces L2 multiplicado por ocho es el nmero promedio de horas
de espera. Por lo tanto, (Cw)(L2)(8) es el costo de espera promedio del da de
ocho horas.

Si quisiramos calcular el costo total de utilizar cuatro servidores en un da de

seis horas, tomaramos

(Cs)(4)(6) + (Cw)(L4)(6)

[(Cs(4) + (Cw)(L4)]6

El trmino entre corchetes, [(Cs)(4) + (Cw)(L4)], entonces, es el costo total por

hora utilizando cuatro servidores.

Costo total por hora

Ahora definimos

TC(s) = costo total por hora de utilizar s servidores

y podemos ver que

TC(s) = (Cs)(s) + (Cw)(Ls)

Nuestro objetivo es escoger s, el nmero de servidores, para minimizar esta

funcin. Podemos ver que conforme s aumenta, el costo de espera se reducir,
y el costo del servidor se incrementar. La idea es encontrar el valor de s que
minimice la suma de estos dos costos.