UNIDAD 9 MODELO servicio. de servicio. DE LÍNEAS DE ESPERA Investigación de operaciones Introducción A l i nicio del S. XX, la industria de la telefonía se enfrentó al siguiente problema: ¿Cómo deter minar el número óptimo de operadoras para dar ser vicio en sus centrales? Este problema se originó debido a que las llamadas telefónicas de una persona a otra se realizaban a través de las operadoras, las cuales tenían que conectar con un caimán la línea de las personas que se querían comunicar. Esto provocaba que los usuarios en ocasiones, tuvieran que esperar demasiado tiempo antes de ser atendidos. La solución de este problema no es fácil, ya que si se aumentaba arbitrariamente el número de operadoras, se i ncrementaban los costos de operación y pudiera suceder que el mayor tiempo estuvieran ociosas. Si se contrataba un número menor de operadoras, el costo de operación disminuía, pero también disminuía el número de clientes afiliados debido a que buscan una compañía que les ofrezca un tiempo de espera menor, por lo tanto esto también repercute en una pérdida para la compañía. Es en 1909, cuando A. K. Erlang experimenta con el problema del congestionamiento de tráfico telefónico, él consideró sistemas formados por una sola operadora. En 1917 generalizó su teoría al incluir varias operadoras. Durante muchos años estos trabajos no tuvieron un mayor impacto, es en la Segunda Guerra Mundial cuando la teoría de líneas de espera se empieza a utilizar en diversos problemas. A diferencia de los modelos estudiados en las unidades anteriores, los modelos matemáticos de líneas de espera son modelos probabilísticos. Esto debido a que en general tanto la llegada de clientes como el tiempo de atención son variables cuyo valor depende del azar y que por lo tanto no es posible conocer con precisión. Para estudiar este tipo de modelos vamos a utilizar la teoría de probabilidades vista en el curso de Estadística y Probabilidad. Empezamos la unidad estudiando la terminología concerniente a este nuevo tipo de modelos, además de dar algunos ejemplos particulares de líneas de espera. Continuamos estudiando los modelos probabilísticos para la llegada de clientes y para el tiempo de servicio. Finalizamos la unidad presentando 343 Unidad 9 el modelo de líneas de espera que tiene una llegada de clientes con función de distribución de probabilidad tipo Poisson y un tiempo de servicio con función de distribución de probabilidad exponencial. 9.1. Terminología Un problema de líneas de espera se forma cuando los clientes1 llegan a una estación a solicitar un servicio. Si el tiempo de atención es mayor al número de clientes que llegan a solicitar el ser vicio, entonces se for ma una línea de espera. Algunos ejemplos de líneas de espera son: - La llegada de llamadas telefónicas a un conmutador de un hospital. - La llegada de equipos electrónicos al área de control de calidad dentro de una fábrica. - La llegada de trabajos a la cola de impresión en una computadora. - La llegada de pacientes a un consultorio. - La llegada de operaciones computacionales a un microprocesador. Un sistema de líneas de espera se forma por clientes que llegan a solicitar un servicio, que forman los clientes para esperar el servicio, y estaciones de servicio que atienden a los clientes, los cuales después de ser atendidos salen del sistema (ver figura 9.1). Disciplina de la Fila Llegadas MECANISMO DE SERVICIO FILA Figura 9.1. 1 La palabra cliente se utili za para denotar una persona o un objeto. 344 Salida Investigación de operaciones Existen sistemas de líneas de espera que están formados por una sola fila y una sola estación de servicio, por ejemplo, la llegada de operaciones al microprocesador en una computadora. Otros pueden estar formados por varias f ilas y varias estaciones de servicios, por ejemplo: las computadoras que tienen varios microprocesadores conectados en paralelo. O bien, en algunos centros de atención telefónica existe un único número telefónico y las llamadas se distribuyen al operador que esté desocupado. En este caso existen varios centros de servicio pero se forma una sola fila. En otros centros se dispone de diferentes números telefónicos, con lo cual se forman diferentes f ilas en cada uno de ellos. Existen varias combinaciones posibles, las cuales estudiaremos más adelante. Para poder analizar los modelos de líneas de espera, es importante def inir la terminología que vamos a utilizar. Los parámetros más importantes de una línea de espera son: 1. Tasa de llegada. Es el número de clientes que llegan a solicitar el servicio. Esta tasa puede ser determinística o probabilística. Si es probabilística, se debe determinar la función de distribución de probabilidades que la modela. Por ejemplo: La llegada de llamadas a un conmutador, la llegada de operaciones al microprocesador de la computadora, la llegada de trabajos de impresión a una computadora, etc. 2. Tasa de servicio. Es el tiempo que se tarda el cliente en la estación de servicio. Este tiempo, al igual que la tasa de llegada, puede ser determinístico o probabilístico. Si es probabilístico, se debe determinar la función de distribución de probabilidades que lo modela. Por ejemplo: El tiempo de atención del conmutador a una llamada, el tiempo que dura un despachador en llenar el tanque de gasolina de un automóvil, el tiempo que tarda el microprocesador en realizar una operación, el tiempo que tarda la impresora en imprimir un archivo, etc. 345 Unidad 9 3. . Si consideramos que la f ila puede crecer i nfinitamente, entonces no debemos poner restricciones en cuanto a la cantidad de clientes en la f ila, de otra manera debemos construir un modelo que tome en cuenta que al llegar a cierto tamaño, la f ila ya no permite que se formen. Esto último complica la construcción del modelo, por lo que vamos a considerar sistemas que acepten una cantidad inf inita de clientes. Para el caso de filas finitas, vamos a utilizar otro modelo dentro de la I.O. llamado: Simulación. Por ejemplo: En teoría suponemos que la cantidad de llamadas que pueden estar en espera en un conmutador es infinita, ya que de otra manera tendríamos que manejar la probabilidad de que al realizar la llamada el conmutador esté saturado. En un verificentro el tamaño de la fila puede crecer indefinidamente, sólo está acotado por la decisión del conductor si es que se encuentra dispuesto a esperar o no. 4. Número de estaciones. Es la cantidad de estaciones de servicio que están disponibles. Este número depende de la política de la empresa. Las estaciones pueden estar dispuestas en serie o en paralelo. Por ejemplo: En una empresa dedicada a la manufactura de equipos electrónicos, las estaciones de servicio son las máquinas que añaden componentes a la tarjeta principal (donde se va a armar el circuito), en este caso las estaciones se encuentran en serie y el equipo tiene que pasar por todas antes de abandonar el sistema. En un hospital el número de consultorios con médicos para consulta externa son estaciones de servicio en paralelo, ya que es un cliente por consultorio y después abandona el sistema. En una estación de servicios para automóviles, las bombas de gasolina son las estaciones de servicio, colocadas en paralelo. . Es la manera como se van a formar las filas y cómo 5. van a ser atendidos los clientes, ésta es también una decisión de la empresa. Usaremos la siguiente nomenclatura para la disciplina de la fila* : * Tomado de Taha, Hamy A. Investigación de operaciones, Pretice may, 1998. 346 Investigación de operaciones FCFS = El primero que llega el primero que se atiende. LCFS = El último que llega el primero que se atiende. SIRO = Servicio en orden aleatorio. GD = Disciplina general (es decir cualquier tipo de disciplina). Por ejemplo: En la cola de impresión de una computadora, el primer trabajo en llegar es el primero en ser impreso, mientras que en el microprocesador no necesariamente la primera operación en ser solicitada es la primera en ser atendida, ya que existen ciertas prioridades. Una notación adecuada para resumir las características de un sistema de líneas de espera es la siguiente: (a / / c) : (d / e / ), donde: a Es la f unción de distribución de probabilidades de las llegadas. Es la función de distribución de probabilidades del tiempo de atención. c Número de estaciones de servicio en paralelo. d Disciplina de la línea de espera. e Número máximo de clientes en el sistema. Tamaño de la población. Ejemplo 1 En un sistema de línea de espera cuyas llegadas siguen una distribución de Poisson, el tiempo de atención sigue una distribución exponencial, con 3 estaciones de servicio en paralelo, con una disciplina de que el primero en llegar es el primero es ser atendido, con una capacidad en la fila infinita y una población infinita, se representa como: (P,E,3) : (FCFS, , ). Una vez que estudiamos la terminología referente a líneas de espera, surge la siguiente pregunta: 347 Unidad 9 ¿Por qué debemos estudiar las líneas de espera? existen costos relacionados con el proceso. Los dos costos más signif icativos son: Esperar signif ica desperdicio de algún recurso activo que bien pudiera ser aprovechado. Por ejemplo: En una empresa el tiempo que deben esperar los productos terminados en el departamento de control de calidad representa un costo, ya que la mercancía no puede ser comercializada para recuperar la inversión y las ganancias. En un banco el tiempo que debe esperar una persona para cambiar un cheque tiene un costo, ya que la persona podría estar haciendo algo más productivo. Para el primer problema podríamos determinar el costo de espera en función de los intereses que nos daría un banco si depositáramos el costo de las mercancías. Este costo se daría entonces en pesos por unidad de tiempo. Para el segundo caso resulta más complicado poder determinar el costo de espera, ya que inf luye el comportamiento humano. Es el costo en el que incurre la empresa por poner y mantener en operación las estaciones de servicios. Por ejemplo: Para una compañía de telefonía celular las estaciones de servicio son las antenas que debe colocar en toda la región de cobertura, pero cada una de ellas tiene un costo, además de que una vez en operación se debe dar mantenimiento, pagar servicios, etc. Otro empleo es el costo asociado al sueldo de los empleados que deben atender la caseta de herramientas en una fábrica. Para determinar los costos de servicio y de espera se recurre a economistas que realizan los estudios necesarios para estimarlos. Desde el punto de vista económico, podemos resumir el problema de líneas de espera de la siguiente manera: 348 Investigación de operaciones Si queremos bajos costos de servicio, se experimentan largas colas y costos de espera muy altos. Conforme aumenta el costo de servicio disminuyen los costos de espera. Esto nos indica que ambos costos están en conf licto, ya que al disminuir uno el otro aumenta y viceversa. El propósito es encontrar el balance adecuado para que el costo total sea el mínimo. En la f igura 9.2 presentamos estas ideas de una manera gráfica. Costo Costo total Costo total del servicio Costo total de espera Tasa óptima Tasa de servicio Figura 9.2. En la siguiente sección vamos a estudiar los modelos matemáticos que se utilizan para los procesos de llegada y de servicio. Ejercicio 1 1. Un sistema de líneas de espera está formado por clientes y _______________de servicio. 2. La forma como llegan los clientes a un sistema de líneas de espera, es por lo general una _______________aleatoria. 3. El tamaño de la f ila puede ser _______________o finito. 4. Las estaciones de servicio pueden estar en __________o en serie. 349 Unidad 9 5. La forma como se atiende a los _____________en la fila se llama disciplina de la fila. 9.2. Modelado de los procesos de llegada y de servicio Para poder determinar el comportamiento de una fila, es indispensable conocer la forma como llegan los clientes al sistema y el tiempo que se tardan en la estación de servicio. En la sección anterior mencionamos que estos procesos en general son aleatorios, por lo tanto necesitamos la teoría de probabilidades que estudiamos en el libro de Estadística y Probabilidad de esta misma serie. En particular vamos a ocupar dos funciones de distribución de probabilidades, una discreta y otra continua, las cuales están estrechamente relacionadas: Empecemos con el proceso de llegada de los clientes al sistema, el cual vamos a considerar aleatorio. En consecuencia, necesitamos definir variables aleatorias para poder medirlo. Las llegada pueden ser las siguientes: a) Sea t el tiempo que transcurre entre la llegada de un cliente y otro. En este caso ésta es una variable aleatoria continua. b) Sea n el número de clientes que llegan en la unidad de tiempo. En este caso ésta es una variable aleatoria discreta. Ejemplo 2 En una central telefónica las llamadas llegan de manera aleatoria. Podemos medir el tiempo que transcurre entre una llamada y otra o bien podemos medir el número de llamadas que se reciben, por ejemplo, en una hora. Para poder analizar el comportamiento de un sistema de líneas de espera es más práctico utilizar la segunda variable, es decir, medir el número de 350 Investigación de operaciones clientes que llegan en la unidad de tiempo. Entonces el experimento que tenemos es el siguiente: Deseamos medir el número de “éxitos” (llegadas de clientes) en un intervalo de tiempo, además los resultados que se obtienen en intervalos de tiempos disjuntos son totalmente independientes, la probabilidad de que ocurran n llegadas en un intervalo de tiempo depende de la longitud del mismo. Todo esto se ajusta a la def inición de un experimento de Poisson* , por lo tanto la llegada de clientes la vamos a modelar utilizando: El M odelo de Poisson Sea n la variable aleatoria discreta que mide el número de clientes que llegan a un sistema de líneas de espera, entonces la probabilidad de que n = k está dada por: P(n k) ( t )k e k! t k 0, 1, 2,... Donde es el promedio de éxitos en la unidad de tiempo. Teorema. La esperanza matemática y la varianza de esta función de distribución está dada por: E(n) V (n) t t Ejemplo 3 La llegada de trabajos a una impresora compartida es una variable aleatoria discreta con distribución de Poisson con un promedio de 5 trabajos por hora. Determinar la probabilidad de que: a) Lleguen 8 trabajos en la próxima hora. b) Lleguen 3 trabajos en la próxima hora. c) Lleguen 2 trabajos o menos en la próxima hora. d) Lleguen 3 trabajos o más en la próxima hora. e) Llegue un trabajo en los próximos 10 min. * UNITEC, Estadística y probabilidad, p. 237. 351 Unidad 9 En el problema nos dicen que el valor de la constante utilizamos la distribución de Poisson con k = 8 y t = 1 hora: a) P(n 8) (5 * 1)8 e 5*1 8! 390625* 6.738x10 3 40320 b) P(n 3 ) ( 5* 1 )3 e 5* 1 3! 125* 6.738x10 6 3 5 trabajos ; hora 2632.03125 0.0653% 40320 0.84225 0.1404 14.04% 6 c) P( n 2 ) = P(n = 0) + P(n = 1) + P(n = 2), calculamos cada una de estas probabilidades y obtenemos los siguientes resultados: P(n = 0) = 0.00673 P(n = 1) = 0.0337 P(n = 2) = 0.0842 P( n 2 ) = 0.00673 + 0.0337 + 0.0842 = 0.12463 = 12.46% d) P(n 3) = 1 – P( n 3 ) = 1 – P(n = 0) – P(n = 1) – P(n = 2) = 1 – 0.00673 – 0.0337 – 0.0842 = 1–0.125463 = 0.87537 = 87.54% e) Ahora la unidad de tiempo cambia, por lo tanto debemos convertir los 10 min. a fracción de hora: 10 min( 1hora ) 60minutos 1 hora 6 1 (5 P( n 1) 1 1 5* 6 )e 6 1! 0.8333 * 0.4346 0.3621 36.21% 1 Para el proceso de atención en las estaciones de servicio, podemos nuevamente def inir dos variables aleatorias, las cuales son: a) t cliente en la estación de servicio. b) n atendidos en la unidad de tiempo. 352 que tarda el Investigación de operaciones La variable que es más útil para el análisis de los sistemas de líneas de espera es la primera, por lo tanto vamos a utilizar esta variable para llevar a cabo el desarrollo del modelo. Necesitamos determinar la función de distribución de probabilidades para esta variable, considerando la siguiente propiedad: Que el tiempo que duró el servicio anterior no afecte en nada al tiempo del próximo servicio. En el libro de Estadística y Probabilidad se estudió el modelo exponencial, el cual se def inió de la siguiente manera: El modelo exponencial Dada t una variable aleatoria continua del experimento realizado, se dice que tiene distribución exponencial con parámetro en el intervalo [ 0, ) donde su función de densidad de probabilidad es: 1 f (t ) t e 0 t t 0 0 Como t es una variable aleatoria continua, no tiene ningún caso preguntarnos por la probabilidad de que t sea igual a algún valor en particular, ya que esta probabilidad es igual a cero, en lugar de ello nos interesa determinar la probabilidad de que la variable t esté dentro de un intervalo [0, a]. Para determinar esta probabilidad tenemos que resolver la siguiente integral: P(0 t a) a 0 1 t a e dt 1 e 353 Unidad 9 Teorema. En un sistema de líneas de espera la variable representa el tiempo promedio que dura el servicio. La esperanza y varianza de esta función de distribución exponencial está dada por: E(t) = V(t) = 2 Ejemplo 4 Un conmutador tarda en promedio 10 seg. desde que acepta la llamada hasta que la transfiere a la extensión deseada. El conmutador sólo puede atender una llamada a la vez. ¿Cuál es la probabilidad de que el conmutador se tarde menos de 15 segundos en transferir la siguiente llamada? Nos indican que el valor de =10 seg., y que a = 15 seg. P(t 15) 15 0 1 e 10 t 10 dt 1 e 15 10 1 0.2231 0.7769 77.69% El parámetro determina el tiempo promedio que tardan las estaciones de servicio en atender a un cliente. Este parámetro está íntimamente ligado al parámetro , valor promedio de la función de distribución de probabilidades de Poisson. Matemáticamente esta relación se escribe como: 1 Esto quiere decir que el parámetro mide el tiempo que transcurre entre el tiempo de un éxito y otro, mientras que mide el número de éxitos en la unidad de tiempo, por lo tanto las dos variables que definimos para ambos procesos son equivalentes, ya que podemos medir el número de 354 Investigación de operaciones clientes que llegan en la unidad de tiempo (distribución de Poisson) o podemos medir el tiempo que transcurre entre la llegada de un cliente y otro (distribución exponencial), y lo mismo sucede para el proceso de servicio, podemos medi r el número de clientes atendidos en la unidad de tiempo (distribución de Poisson) o podemos medir el tiempo que se tarda la estación de servicio en atender un cliente (distribución exponencial). Ejemplo 5 El tiempo promedio entre la llegada de una operación y otra a un microprocesador es de 9 milisegundos. Calcular la probabilidad de que lleguen 50 operaciones en un segundo. En este caso conocemos el valor del parámetro que es igual a 9 milisegundos; sin embargo, nos preguntan por la probabilidad de que lleguen 50 operaciones en un intervalo de tiempo de un segundo, por lo tanto debemos utilizar la función de distribución de Poisson, para lo cual determinamos el valor del parámetro : 1 9 10 3 111.11 queremos calcular: P( n 50) (111.11* 1)50 e 111.11*1 50! 3.549 10 11 Para determinar cuál es la probabilidad de que la siguiente operación llegue en los próximos 100 milisegundos, utilizamos la distribución exponencial: P(t 100) 100 0 t 1 9 e dt 1 e 9 100 9 1 1.496x10 5 0.999985 99.9985% Por lo tanto, para poder construir el modelo de líneas de espera, vamos a utilizar estas dos distribuciones de probabilidad. 355 Unidad 9 Ejercicio 2 1. En el modelo Poisson la variable que mide el número de clientes que llegan por unidad de tiempo, es una variable: a) Determinística b) Continua c) Aleatoria discreta d) Aleatoria continua 2. La función de distribución de probabilidades para el proceso de llegada es: a) ( t)k e t k! b) ( t) k e t k! c) ( t )k e k! d) t t )k e k! ( t 3. En el modelo exponencial la fdp del tiempo de servicio está dada por: a) 1 t e t 0 t b) e t 0 t c) e d) 356 1 t 0 t e t 0 Investigación de operaciones 4. En el modelo exponencial, el tiempo de servicio es una variable: a) Discreta. b) Aleatoria continua. c) Determinística continua. d) Determinística. 5. Si el tiempo de servicio en una gasolinera es de 0.05 hrs. por cliente, ¿cuántos clientes se atienden en una hora? a) 15 clientes. b) 18 clientes. c) 22 clientes. d) 20 clientes 9.3. Tiempos de llegada Poisson con servicio exponencial En esta sección desarrollamos los modelos matemáticos para los sistemas de líneas de espera formados por una sola fila y una única estación de servicio. Presentamos sin demostración cómo este modelo se puede adaptar al caso en el que existe una sola f ila y varias estaciones de servicio e indicamos de manera general el comportamiento de sistemas con varias f ilas (multifila) y con varias estaciones de servicio (multiservicio). El primer modelo de líneas de espera que vamos a estudiar es el que está formado por una estación de servicio y una única f ila. Empezamos analizando la parte estable del sistema, es decir, el comportamiento del sistema a largo plazo, una vez que ya pasó el periodo de estabilización o transitorio, el cual es más difícil de estudiar. 357 Unidad 9 La importancia de estudiar el modelo en un estado estable, es que podemos responder las siguientes preguntas, las cuales nos sirven para tomar decisiones sobre la mejor estrategia para optimizar el sistema de líneas de espera. El modelo generalizado de estado estable supone que las tasas de llegada y salida son dependientes del estado, es decir, que la llegada de un nuevo cliente depende de la cantidad de clientes que están en la f ila. Por ejemplo: en una fábrica la llegada de máquinas al área de servicio por descompostura va disminuyendo conforme aumenta el número de éstas en el área (una máquina f uera de servicio no puede descomponerse). El tiempo de servicio también depende del estado del sistema, por ejemplo, el tiempo de servicio en un centro telefónico trata de disminuirse cuando hay varios clientes esperando. Vamos a def inir los siguientes parámetros: n = Número de clientes en el sistema. n en el sistema. n en el sistema. n clientes en el sistema. n n n Para desarrollar el modelo, supongamos que tenemos un sistema con cuatro clientes, tres en la fila y uno en la estación de servicio, ver la figura 9.3. Estación de servicio. Clientes en la fila Figura 9.3. 358 Cliente en la estación de servicio Investigación de operaciones Si analizamos el comportamiento del sistema en un intervalo de tiempo suf icientemente pequeño, tenemos las siguientes tres opciones: a) Que llegue un cliente y salga ninguno. Entonces el sistema tendría n+1 clientes, ver f igura 9.4. Nuevo cliente Estación de servicio. Clientes en la fila Cliente en la estación de servicio Figura 9.4. b) Que salga un cliente y llegue ninguno. Entonces el sistema tendría n-1 clientes, ver f igura 9.5. n= 3 Estación de servicio. Cliente en la estación de servicio Clientes en la fila Cliente que abandonó el sistema Figura 9.5. c) Que llegue un cliente y que también salga un cliente. Entonces el sistema permanece con n clientes: 359 Unidad 9 Nuevo cliente 4 Estación de servicio. Cliente en la estación de servicio Clientes en la fila Cliente que abandonó el sistema Figura 9.6. Estos cambios en el sistema sólo dependen de las tasa de entrada n y de la tasa de salida n y nos indican que el estado con n clientes sólo puede cambiar a los estados n – 1 y n+1, por lo tanto, para mantener el sistema en estado estable de n clientes, existen tres eventos mutuamente excluyentes que son: a) Que el sistema esté en el estado n – 1 y entonces debe existir una entrada al sistema. La probabilidad de este evento es el producto de que el sistema esté en el estado n – 1 ( Pn 1 ) por la tasa de entrada: P( Evento 1) n 1 * Pn 1 b) Que el sistema esté en el estado n+1 y entonces debe existir una salida del sistema. La probabilidad de este evento es: P( Evento 2) n 1 * Pn 1 Los dos casos anteriores se consideran f lujo de entrada al estado n, por lo tanto, la tasa esperada de f lujo de entrada al estado n es: tasa esperada de flujo de entrada al estado n P n 1 n 1 P n 1 n 1 c) Que el sistema esté en el estado n y ocurra una entrada y una salida del sistema. La probabilidad de este evento es: 360 Investigación de operaciones P( Evento 3) n n * Pn Este evento se considera el f lujo de salida del estado n, por lo tanto, la tasa esperada del f lujo de salida del estado n es: tasa esperada de flujo ( de salida del estado n n n ) * Pn Si suponemos que el sistema está en un estado estable, se debe cumplir que la tasa de f lujo de entrada y salida del sistema en estado n deben ser iguales. Al igualar estas dos expresiones obtenemos la ecuación de balance para n mayores que cero: P n 1 n 1 P ( n 1 n 1 n n ) * Pn n 1, 2,... y para n = 0 la ecuación de balance es: P P 0 0 1 1 Si conocemos el valor de P0 podemos obtener el valor de P1 0 P1 P0 1 Si conocemos el valor de P1 podemos obtener el valor de P2 1 0 P2 2 P0 1 En general, se puede demostrar por inducción que: Pn ... 0 P0 1... 1 n 1 n 2 n n El valor de P0 se determina a parti r de la siguiente igualdad: Pn 1 n 0 361 Unidad 9 Ejemplo 6 Dentro de una of icina con 5 empleados se tiene una fotocopiadora. La probabilidad de que llegue un empleado a la fotocopiadora depende del número de empleados en el sistema y se da en la siguiente tabla: Empleados en el sistema n n empleados minuto 0 1 2 3 4 5 1 0.8 0.6 0.4 0.2 0 La tasa de tiempo de servicio en la fotocopiadora es constante y es igual a: 0.5 n clientes minuto Determinar la probabilidad de los posibles estados estables del sistema. Los posibles estados estables del sistema son: n = 0. n = 1. n = 2. n = 3. n = 4. n = 5. Ahora debemos calcular la probabilidad asociada a cada uno de los estados anteriores. P1 0 1 P0 0.5 P0 1 P2 0 1 2 362 1 P0 2P0 1* 0.8 P0 0.52 3.2P0 Investigación de operaciones 0 1 2 P3 3 2 4 P5 3 0 1 2 3 4 5 1 0 1 2 3 P4 4 3 2 1* 0.8 * 0.6 P0 0.53 P0 2 P0 1 1 6 5 4 1* 0.8 * 0.6 * 0.4 P0 0.54 3.072P0 1* 0.8 * 0.6 * 0.4 * 0.2 P0 1.2288P0 0.55 P0 0 1 2 3 4 5 P6 3.84P0 3 1* 0.8 * 0.6 * 0.4* 0.2 * 0 P0 0.56 P0 2 1 0 Como las anteriores son todas las posibles probabilidades, y como se trata de una distribución de probabilidad, la suma de ellas debe ser igual a uno, es decir: 6 Pi 1 i 0 Si sustituimos el valor de cada una de las probabilidades en términos de P0, obtenemos la siguiente ecuación: P0 2P0 3.2P0 3.84P0 3.072P0 1.2288P0 0 1 14.3408P0 1 1 0.0697 14.3408 Por lo tanto la probabilidad de que la fotocopiadora esté ociosa es del 6.97%. El resto de las probabilidades las presentamos en la siguiente tabla. P0 Empleados en el sistema (n) 1 2 3 4 5 6 Pn 13.94% 22.3% 26.76% 21.41% 8.56% 0% 363 Unidad 9 Esto quiere decir que la mayor parte del tiempo la fotocopiadora estará ocupada y dos personas estarán esperando en la fila, ya que la probabilidad de que existan tres personas en el sistema es la más alta. salida constantes En el modelo anterior se consideró que la tasa de llegada y la tasa de salida dependen del número de clientes que están en la f ila, esto debido a que tenemos una población finita, por lo tanto al aumentar la cantidad de clientes en la f ila disminuye la tasa de llegada; sin embargo, si consideramos que tenemos una población infinita, la tasa de llegada permanecerá constante. Si consideramos tanto la tasa de llegada como la tasa de salida constantes, el modelo toma la siguiente forma: P1 P0 2 P2 P0 n Pn P0 Además la suma de todas las probabilidades debe ser igual a uno, es decir: Pi 1 i 0 Si sustituimos el valor de cada probabilidad en términos de obtenemos: i P0 1 i 0 Sacamos de la suma el término constante y nos queda una suma geométrica. i P0 1 i 0 364 Investigación de operaciones Aquí se impone la condición de que la tasa de llegada de clientes debe ser menor que la tasa de ser vicio, ya que de otra manera la suma no converge. Esta condición matemática se interpreta de la siguiente manera: Si l a tasa de llegada es igual a la tasa de ser vicio, el estado transitorio del sistema sería permanecer con un solo cliente en el sistema, ya que al l legar el pri mer cl iente se atiende y cuando l lega el segundo el pri mero ya f ue atendido. Si la tasa de llegada es mayor que la tasa de ser vicio el estado permanente del sistema sería i nestable, ya que al l legar más cl ientes de los que se pueden atender, la f ila crecería i ndef i nidamente. Recordemos que si tenemos una suma geométrica con razón menor que uno en valor absoluto, ésta converge a: 1 si r 1 r rn n 0 1 Utilizando este resultado obtenemos la siguiente expresión: i P0 1 P0 i 0 1 1 De donde podemos despejar P0: P0 1 Esto quiere decir que la probabilidad de que el sistema esté ocioso es igual a1 . Una vez que conocemos el valor de P0 podemos conocer el valor de Pn para n mayor o igual a cero. n Pn 1 n 0 365 Unidad 9 Esta expresión representa la función de densidad de probabilidades discreta del sistema de líneas de espera. Podemos calcular ahora la esperanza matemática de esta función de distribución: n E(n) nPn n n 0 n 0 1 1 n n 0 r nr n La suma n 1 r 2 n 0 por lo tanto la esperanza matemática es: E(n) La esperanza matemática nos dice cuál es el número de clientes esperado o en promedio que estarán en el sistema. Esta esperanza considera tanto a los clientes que están en la fila como a los que están en la estación de servicio. Si nos interesa determinar el tamaño promedio de la fila debemos restar a la esperanza del tamaño del sistema la probabilidad de que un cliente esté en la estación de servicio (recordemos que sólo estamos trabajando con una f ila y una estación de servicio). Sea w la variable aleatoria que mide el número de clientes que están en la f ila de un sistema de líneas de espera, entonces la esperanza de esta variable es: 2 E( w) E(n) P1 ( ) Ya tenemos dos expresiones que nos permiten determinar en promedio el número de clientes en el sistema y en la fila, ahora vamos a determinar en promedio cuánto tiempo permanece un cliente en el sistema y cuánto tiempo en la fila. Sea v la variable aleatoria que mide el tiempo que permanece un cliente en el sistema. El tiempo promedio que va a pasar el cliente en el sistema es la esperanza matemática de esta variable, es decir: E(v). Durante un periodo E(v) el número de clientes que llegan al sistema es E(v), que debe ser igual al promedio de clientes en el sistema, es decir, E(n). 366 Investigación de operaciones Si igualamos estas dos expresiones y despejamos el tiempo promedio obtenemos la siguiente expresión: E(n) E(v) E( v) 1 1 E(n) Lo único que falta es determinar el tiempo promedio que va a pasar un cliente en la fila. Def inimos la variable aleatoria como el tiempo que permanece un cliente en la fila. El tiempo promedio es entonces la esperanza matemática de esta variable; pero esta esperanza es igual al tiempo promedio que permanece el cliente en el sistema menos el tiempo que tarda en la estación de servicio, es decir: E(t ) E(v) 1 ( ) Así terminamos el modelado de un sistema de líneas de espera con una sola fila y una sola estación de servicio. A continuación mostramos una tabla con las ecuaciones del modelo: 367 Unidad 9 Ejemplo 7 En una central telefónica rural, las llamadas de larga distancia se deben realizar a través de operadora. En la actualidad sólo existe una operadora y la tasa de petición de llamadas es de 20 llamadas cada hora, mientras que la tasa de servicio es de 25 llamadas cada hora. Las políticas de la empresa para aumentar la cantidad de clientes son las siguientes: operadora y ésta lo comunica al destino solicitado no debe exceder de 10 minutos. Al interior de la empresa algunas de las políticas son: mayor a 18 mi nutos cada hora. ¿Es posible que el sistema cumpla con las políticas de la empresa? Para calcular los parámetros que caracterizan a un sistema de líneas de espera, utilizamos las ecuaciones de la tabla 9.1, con los parámetros 20 llamadas y minuto 25 llamadas . minuto Lo primero es verif icar que , lo cual sí se cumple. Realizamos los cálculos y obtenemos los siguientes resultados: 368 Investigación de operaciones Estos resultados nos indican lo siguiente: para poder cumplir con sus políticas, ya que el tiempo promedio que espera un cliente en la f ila es de 9.6 minutos, el cual es mayor a los 5 minutos que dice la empresa. cada hora (en promedio) lo cual representa el 20% del tiempo. Este valor se encuentra por debajo del establecido por la empresa. Esto quiere decir que si colocamos otra operadora puede ser posible que el tiempo ocioso aumente y sobrepase el establecido, pero si no colocamos otra operadora los clientes tienen que esperar demasiado tiempo para ser atendidos. Si en el ejemplo anterior se contrata otra operadora y se deja una sola línea para recibir las peticiones de llamadas de larga distancia, lo que tenemos es un sistema con una sola f ila y varias estaciones de servicio, ver f igura 9.7. 369 Unidad 9 Estación de servicio. Estación de servicio 2. Figura 9.7. En este tipo de modelos se supone que las estaciones de servicio están colocadas en paralelo y que cada una de ellas ofrece el mismo tipo de servicio, por lo tanto, el cliente tiene la opción de pasar a cualquiera de ellas, sin que exista diferencia alguna. Consideremos el caso en que se tienen dos estaciones de servicio con una tasa de servicio . Si al sistema llega un cliente, éste pasa inmediatamente a cualquiera de las dos estaciones. Si llegan dos clientes, entonces cada uno de ellos pasa a una de las estaciones de servicio y la tasa de servicio del sistema se duplica, ya que si la tasa es de 2 clientes cada hora, al tener dos estaciones la tasa de atención es de 4 clientes cada hora, siempre y cuando las dos estaciones estén ocupadas, es decir, la tasa de servicio del sistema sería 2 . Si llegan más de dos clientes la tasa de servicio del sistema sigue siendo 2 ya que sólo se pueden atender dos clientes al mismo tiempo. Por lo tanto la tasa de servicio para este tipo de sistemas depende del número de clientes en el sistema, y crece de manera proporcional hasta un valor máximo que depende del número de estaciones de servicio disponibles. Matemáticamente lo podemos expresar como: s n si n c c si n c Donde n es el número de clientes en el sistema y c es el número de estaciones de servicio. 370 Investigación de operaciones Entonces el problema lo podemos resolver uti li zando el modelo para La probabi lidad de que estén n cl ientes en el sistema está dada por: n Pn ( 2 )(3 ) n (n ) P0 n! n P0 n c n n (2 )(3 ) Haciendo k (c 1) (c )(c ) n c P0 c! cn c n P0 n c y utilizando las fórmulas del modelo de tasas variables, k 1, obtenemos: c siempre y cuando se cumpla que 1 kn 0 n! 1 kc c! 1 k c c 1 P0 n k 1 c Si el sistema es estable con n clientes, donde n es menor al número de estaciones de servicio, el problema no es interesante, ya que cada cliente que llegue encontrará una estación de servicio vacía y pasará sin hacer f ila. Por lo tanto vamos a considerar de aquí en adelante que el número de clientes es mayor que el número de estaciones de ser vicio. En estas condiciones nos interesa determinar el número de clientes que estarán en la fila, es decir: E( w) ( n c) Pn n c rPr r c r 0 r 0 kr c P0 cr c! kc 1 P0 (c 1)!(c k) 2 El número total de clientes en el sistema está dado por: E(n) E( w) k El tiempo promedio por cliente en el sistema está dado por: E(v) E(n) E( w) k 371 Unidad 9 Y f inalmente el tiempo promedio por cliente en la f ila es: E(t ) E( w) Ejemplo 8 Supongamos que en el ejemplo 7 (de la central telefónica) se contrata otra operadora, con el mismo horario que la pri mera. ¿Cómo cambia el comportamiento del sistema? Los parámetros del sistema son: 20 clientes hora 25 clientes c 2 hora Calculamos el valor de k 20 0.8 25 Verif icamos que la fila no crece indef inidamente: k k c 0.8 0.4 1 2 Por lo tanto el sistema llega a un estado estable finito. Calculamos el tiempo en que el sistema está ocioso. 1 kn 0 n! c 1 P0 n kc 1 c! 1 k c 0.4286 Esto quiere decir que el sistema permanece ocioso el 42.86% del tiempo. Calculamos el tamaño esperado de la f ila: E( w) 372 kc 1 P0 (c 1)!(c k) 2 0.83 0.4286 0.1524 clientes ( 2 0.8) 2 Investigación de operaciones Se espera que en la f ila estén 0.1524 clientes, esto quiere decir que la mayor parte del tiempo la f ila estará vacía. Calculamos el número de clientes en el sistema: E(n) E( w) k 0.1524 0.8 0.9524 clientes Calculamos los tiempos totales y en la fila: 0.9524 0.04762hrs 2.86min 20 E( w) 0.1524 E(t ) 0.00762hrs 27.43seg 20 Observamos que los tiempos de espera disminuyen notablemente; sin embargo, el tiempo que permanece ocioso el sistema aumentó al 42.86%, sobrepasando la política de la empresa. Es decisión del ingeniero si deja una sola operadora o dos. La investigación de operaciones es una herramienta que permite tener un análisis cuantitativo para la toma de decisión. E(v) E(n) Si el sistema de líneas de espera está formado por varias estaciones de servicio y cada una de ellas tiene su propia f ila, tenemos un sistema multifila y multiservicio. Si obtener el modelo para el caso de una f ila y varias estaciones de servicio fue complicado, obtener un modelo para este caso general lo es más, por lo tanto debemos utilizar otras técnicas que nos permitan tomar decisiones. Una de las técnicas más utilizadas es la Simulación, la cual consiste en construir un modelo probabilístico, donde a las variables aleatorias se les asignan números aleatorios y con ello se simula el comportamiento del sistema de las líneas de espera. Para obtener resultados conf iables de la Simulación se debe realizar una cantidad grande de repeticiones, por lo tanto es indispensable utilizar la computadora para obtener resultados en un tiempo razonable* . * Para más detal les leer Bu, Coss, Simulación un enfoque práctico, Li musa. 373 Unidad 9 Ejercicio 3 1. Los modelos que desarrollamos se utilizan en la parte _____________ del sistema, ya que la parte ____________ es más difícil de modelar analíticamente. 2. Para sistemas con poblaciones f initas, la tasa de llegada y la tasa de salida ___________del número de clientes en el sistema. 3. En un periodo suficientemente pequeño, un sistema con n clientes sólo puede pasar a los estados ______y n – 1. 4. Para calcular la probabilidad de que existan n clientes en el sistema con tasa de llegada y salida variable es necesario conocer la __________ de que existan n-1 clientes en el sistema. 5. Los modelos que desarrollamos ponen la condición de que la tasa de llegada sea ______________ que la tasa de salida. Relaciona las siguientes columnas. ( ) Tiempo útil de la estación a) E(n) ( ) Tiempo promedio en la fila b) E( w) ( ) Tiempo promedio en el sistema c) E(v) ( ) Promedio de clientes en el sistema d) E(t ) 2 ( ) Tiempo que la estación permanece ociosa e) P0 1 ( ) Promedio de clientes en la fila 374 f) ( ) 1 ( ) Investigación de operaciones Ejercicios propuestos 1. Dentro de una of icina se tiene una impresora compartida para 5 computadoras, la probabilidad de que llegue un trabajo a la impresora depende del número de trabajos que están en la fila: Trabajos en el sistema n n 0 1 2 3 4 5 trabajos minuto 1 0.9 0.8 0.7 0.6 0 La tasa de tiempo de impresión depende de la cantidad de trabajos que estén en el sistema, ya que se cuenta con un programa que acelera la impresión al ir creciendo el número de trabajos en “ la cola”. La tasa se muestra en la siguiente tabla: Trabajos en el sistema n 0 1 2 3 4 5 n trabajos minuto 1.5 1.6 1.7 1.8 1.9 2.0 Determinar la probabilidad de los posibles estados estables del sistema. 375 Unidad 9 2. A un microprocesador llegan 1 000 operaciones cada segundo, mientras que su velocidad es de 333 microsegundos por operación. Determinar: a) Promedio de operaciones en el sistema. b) Promedio de operaciones en la f ila. c) Tiempo promedio de cada operación en el sistema. d) Tiempo promedio de cada operación en la fila. e) Tiempo que el microprocesador permanece ocioso. f ) Tiempo útil del microprocesador. 376 Investigación de operaciones Autoevaluación 1. Para indicar que un sistema de líneas de espera tiene tasa de llegada tipo Poisson, tasa de servicio exponencial, con tres estaciones en paralelo, se utiliza la notación: a) (P,B,2):(FCFS, b) (B,P,3):(FCFS, c) (P,E,3):(FCFS, d) (E,B,2):(FCFS, , , , , ) ) ) ) 2. El costo asociado al tiempo que pasa un cliente en el sistema es a) Costo de producción. b) Costo de servicio. c) Costo de espera. d) Costo de ocio. 3. Las operaciones que llegan a un microprocesador tienen una tasa de 5 000 operaciones cada segundo. ¿Cuál es la probabil idad de que lleguen 10 operaciones en el próximo milisegundo? a) 1.81 % b) 1.18 % c) 18.13 % d) 11.83 % 4. Una operadora tarda en promedio 20 segundos en atender un cliente, ¿cuál es la probabilidad de que la operadora se tarde más de 25 segundos con el próximo cliente? a) 71.35 % b) 17.35 % c) 22.13 % d) 28.65 % 377 Unidad 9 5. Después de cierto tiempo de f uncionamiento un sistema de líneas de espera llega a un estado: a) Transitorio. b) Estable. c) Aleatorio. d) Determinístico. 6. Para determinar el valor de ociosidad de un sistema de líneas de espera con tasa de llegada y salida variables, se utiliza la expresión: Pn 10 a) n 0 b) Pn 0.1 n 0 c) Pn 1 n 0 d) Pn 0.5 n 0 7. El número promedio de clientes en un sistema de una f ila con una estación de servicio, con tasa de llegada y tasa de salida está dada por: 2 a) b) c) d) 378 ( ( ) ) ( ) Investigación de operaciones Para contestar las preguntas 8 y 9 considera el siguiente problema: un ingeniero en sistemas se dedica por las tardes a dar servicio técnico por teléfono. Para dar una mejor atención contrató el servicio de llamada en espera, el cual le permite tener un cliente en espera. La tasa de llegada es de 15 llamadas cada hora, mientras que la tasa de servicio es de 18 llamadas cada hora. 8. La cantidad esperada de clientes en el sistema es: a) 2 b) 5 c) 4.16 d) 6.2 9. El tiempo de espera en la fila es de: a) 20 min b) 15 min c) 18.3 min d) 16.7 min 10. Un centro de atención telefónica cuenta en la actualidad con 5 operadores para dar servicio a los clientes, los cuales llaman con una tasa de 20 llamadas cada hora. La tasa de servicio de cada uno de los operadores es la misma y es igual a 22 llamadas cada hora. La probabilidad de que el sistema esté ocioso es de: a) 50.2 % b) 40.29% c) 38.3% d) 45.4 % 379 Unidad 9 Respuestas a los ejercicios Ejercicio 1 1. Estaciones. 2. Variable. 3. Infinito. 4. Paralelo. 5. Clientes. Ejercicio 2 1. c) 2. c) 3. a) 4. b) 5. d) Ejercicio 3 1. Estable; Transitoria. 2. Dependen. 3. n+1 4. Probabilidad. 5. Menor. 6. f, d, c, a, e, b. 380 Investigación de operaciones Respuestas a los ejercicios propuestos 1. Los posibles estados del sistema son: n = 0. n = 1. n = 2. n = 3. n = 4. n = 5. Ahora debemos calcular la probabilidad asociada a cada uno de los estados anteriores. P1 0 1 P0 1.6 P0 1 P2 0 1 2 P3 3 P4 1 2 1 3 2 4 3 1 2 0.147P0 1* 0.9 * 0.8 * 0.7 P0 1.9 * 1.8 * 1.7 * 1.6 P0 0 1 2 3 4 5 0.331P0 1* 0.9 * 0.8 P0 1.8 * 1.7 * 1.6 P0 0 1 2 3 4 P5 1* 0.9 P0 1.7 * 1.6 P0 0 1 2 0.625P0 P0 1 0.054P0 1* 0.9 * 0.8 * 0.7 * 0.6 P0 2 * 1.9 * 1.8 * 1.7 * 1.6 0.016P0 P0 0.625P0 0.331P0 0.147P0 0.054P0 0.016P0 1 2.173P0 1 P0 1 0.460 2.173 381 Unidad 9 Por lo tanto la probabilidad de que la impresora esté ociosa es del 46%. Se calcula el resto de las probabilidades, las cuales presentamos en la siguiente tabla. Esto quiere decir que el mayor tiempo la i mpresora estará ociosa, y que el 28.8% de las veces va a estar atendiendo un trabajo si n que ni ngún otro se encuentre en la f ila. 2. La tasa de servicio es: operaciones 1 3003.003 0.000333 segundo Lo primero es verificar que , lo cual sí se cumple. Realizamos los cálculos y obtenemos los siguientes resultados: 382 Investigación de operaciones Respuestas a la autoevaluación 1. c) 2. c) 3. a) 4. d) 5. b) 6. c) 7. b) 8. b) 9. d) 10. b) 383