Modelos generalizados de Poisson

Como se ha visto en lecturas anteriores, para describir el tiempo de llegadas o de

salidas de un sistema se utiliza la distribución exponencial en modelos que se han
dado en llamar de nacimiento puro y de muerte pura. Las propiedades que
satisfacen los procesos de estos modelos están en estrecha relación con los
modelos de Poisson por lo que una distribución define automáticamente a la otra, de
modo que ambas pueden implementarse indistintamente.
Las particularidades que cada modelo tenga y lo distinga de los demás se sintetizan
en el siguiente apartado.

Modelo general de Poisson

Video conceptual

Referencias

Revisión del módulo

LECCIÓN 1 de 4

Modelo general de Poisson

Para unificar criterios acerca de las particularidades que define un sistema de colas de Poisson se acuerda
la notación: (a/b/s):(d/e/f), en la que cada componente representa:

a = distribución de probabilidad de tiempo entre llegadas;

b = distribución de probabilidad de tiempo de servicio;

s = cantidad de servidores en paralelo (1,2, ...);

d = disciplina de la fila;

e = cantidad máxima del sistema (finita o infinita);

f = tamaño de la fuente (finita o infinita).

Las distribuciones (a y b) utilizadas en los distintos modelos son:

M = distribución de Poisson (o su equivalente, distribución exponencial);

D = tiempo constante;

Ek= distribución de Erlang;

 GI = distribución general de tiempo entre llegadas;

G = distribución general de tiempo de servicio.

Para la disciplina de la fila (d), se tiene:

PLPS = primero en llegar, primero en ser servido;

P = prioritario;

SOAL = atención aleatoria;

DG = disciplina general.

Por ejemplo, la interpretación de un sistema definido por: (M/D/3):(P/30/∞) será:

M = tiene distribución exponencial para tiempos entre llegadas,

D = tiempos constantes para los tiempos de servicio,

3 = 3 servidores en paralelo;

P = la disciplina de fila es por prioridades,

30 = la cantidad máxima del estado del sistema es de 30 clientes,

∞ = la fuente de llegada es infinita.

Para proceder al estudio de los distintos sistemas de colas modelados por un proceso de nacimiento y
muerte, es decir, con combinaciones de llegadas de nuevos clientes y finalización de servicio de otros
clientes, se parte del supuesto de que los tiempos entre llegadas y los tiempos de servicios tienen
distribuciones de probabilidad exponencial.

Tabla 1: Ejemplo de significado de los componentes

MODELO INTERPRETACIÓN

Sistema con distribución exponencial para el

tiempo de llegadas, distribución constante
para el tiempo de servicio, con 2 servidores.
(M/D/2):(SOAL/20/∞)
La atención es aleatoria con una capacidad
máxima de 20 personas en el sistema y
fuente de llegada infinita.

Sistema con distribución constante para el

tiempo de llegadas y para el tiempo de
servicio, con 1 solo servidor. La atención es
(D/D/1):(PLPS/∞/∞)
“primero en llegar, primero en ser atendido”
con capacidad máxima de personas en
sistema y fuente de llegada infinitas.

Sistema con distribución de Erlang para el

tiempo de llegadas y distribución general del
tiempo de servicio, con 1 solo servidor. La
(Er/G/1):(SOAL/50/∞)
atención es aleatoria con una capacidad
máxima de 50 personas en el sistema y
fuente de llegada infinita.

Sistema con distribución exponencial para el

tiempo de llegadas y de servicio, con 1 solo
(M/M/1):(P/∞/∞) servidor. La atención es prioritaria con
capacidad máxima de personas en sistema y
fuente de llegada infinitas.
 MODELO INTERPRETACIÓN

Sistema con distribución exponencial para el

tiempo de llegadas y distribución general del
tiempo de servicio, con 1 solo servidor. La
(M/G/1):(DG/10/120)
atención es de disciplina general con una
capacidad máxima de 10 personas en el
sistema y fuente de llegada de 120 clientes.

Fuente: elaboración propia.

Modelo de atención al público de Omega

Se desea representar mediante un modelo de colas de Poisson el proceso de atención a clientes de Omega
sabiendo que no puede definirse la fuente de llegadas de ellos, pero el local tiene una capacidad máxima de
25 personas y hay 4 puestos de atención. 

Además, se sabe que tanto el tiempo de llegadas como el de atención responde a un modelo exponencial,
siendo atendidos los clientes en la medida en la que éstos ingresan al local.

Por lo tanto, se tiene para el modelo (a/b/s):(d/e/f) ➨ (M/M/4):(PLPS/25/∞):  

a = M distribución exponencial de probabilidad de tiempo entre llegadas;

b = M distribución exponencial de probabilidad de tiempo de servicio;

s = 4 cantidad de servidores en paralelo;

d = PLPS disciplina de la fila “primero en llegar, primero en salir”;

 e = 25 cantidad máxima de clientes en sistema;

f = ∞ tamaño de la fuente (infinita).

Colas de poisson especializadas

Se analizarán en este apartado algunos modelos de Poisson usados con

frecuencia en los estudios de líneas de espera.

Modelos (M/M/s):(DG/∞/∞)

Estos son modelos de un sistema de colas con distribución exponencial para

tiempo entre llegadas y para tiempo de servicio, con tasas medias de entrada y
salida constantes, es decir, 

λn = λ    y    μn = μ   para n = 0,1,2, ...

Modelos con un servidor (s = 1)

Se definirá primero el cociente de tasas con ρ por lo que

Se puede suponer que  ρ < 1,  ya que si la tasa de llegada fuera mayor que la de
servicio (μ > λ), el sistema colapsaría debido a que la fila crecería sin límites. 

La ecuación para Pn es entonces:

Pn = ρnP0, para n = 1,2, ...

El valor de P0 está dado por:

Como P0 = 1 - ρ , reemplazando en la fórmula anterior resulta:

Pn = ρn . (1 – ρ)  para todo n.

Luego, la cantidad de clientes esperados en el sistema de filas es:

Y la longitud esperada de fila es entonces:

Finalmente, el tiempo medio esperado del servicio y el tiempo medio esperado

en la fila son:

La complejidad de las fórmulas aumenta considerablemente a medida que se

desarrolla el proceso. Para evitar distraer la atención de los conceptos
fundamentales con demostraciones algebraicas, se omiten los pasos de
equivalencias expresándose directamente las igualdades relevantes para futuros
cálculos. Para quien desee seguir dichas demostraciones, se sugiere remitirse al
capítulo 18 de Investigación de Operaciones del autor Hamdy Taha.

Fuente: Taha, H. (2004). Investigación de operaciones (9.na. ed.). México: Pearson. Recuperado de

https://jrvargas.files.wordpress.com/2009/01/investigacic3b3n-de-operaciones-9na-edicic3b3n-hamdy-a-taha-

fl.pdf 
Servicios especiales de Omega

La empresa Omega ofrece un servicio especial a carpinteros de ensamblado de

piezas de madera. Aproximadamente cada cinco días se recibe una tarea con
distribución exponencial entre los tiempos de llegada y se demora 4 días en
realizar el ensamble, también con distribución exponencial.

Se desea calcular la probabilidad de que el operario a cargo del ensamblado no

tenga trabajo.

Con esos datos se tiene que 

   de lo que resulta

La probabilidad de que no tenga tarea se entiende como sistema ocioso y se
calcula con P0:

Se desea conocer también el ingreso promedio mensual que trae ese servicio
sabiendo que por cada pieza ensamblada se cobra $750.

El cálculo será entonces igual al producto del precio por la cantidad de

ensambles mensuales:

Vale aclarar que como las tasas están dadas en días como unidad de tiempo, se debe multiplicar por 30,
 que son los días promedio que tiene un mes.

Se propone a continuación hacer un repaso de algunas fórmulas vistas

hasta acá y sus aplicaciones:
 P0 = 1 - ρ

Probabilidad de sistema
ocioso (sin clientes para ser
servidos).

Pn = ρn . (1 – ρ)

Probabilidad de que haya n

clientes en el sistema.

Modelos con más de un servidor (s > 1)

Hasta ahora se ha visto que las tasas de frecuencia de tiempo entre llegadas y tiempo de servicio por
servidor son, respectivamente, λ y μ. Como ahora son“(s) servidores funcionando en paralelo, s>1, la tasa de
servicio será proporcional a la cantidad de servidores. Por lo tanto:

Las probabilidades están dadas ahora por:

Recordando que ∑ Pn = 1 y asumiendo que 

el valor de P0 es:

La longitud esperada de la fila del sistema es:

También, en este modelo se aprecia la creciente complejidad de las fórmulas. Las justificaciones
algebraicas pueden encontrarse en el capítulo 18 de Investigación de operaciones, libro del autor   Hamdy
Taha.

Fuente: Taha, H. (2004). Investigación de operaciones (9.na. ed.). México: Pearson. Recuperado de

  https://jrvargas.files.wordpress.com/2009/01/investigacic3b3n-de-operaciones-9na-edicic3b3n-hamdy-a-taha-
fl.pdf

Modelos (M/M/s):(DG/N/∞)

Se parte ahora del supuesto de que el modelo de colas tiene un número máximo para la cantidad de clientes
en el sistema. En este modelo, cuando la cantidad de clientes en el sistema de fila es N, no se permiten
nuevas entradas.

Modelos con un servidor (s = 1)

Las tasas de llegadas y de tiempo de servicio están dadas por:

Sabiendo que  
las probabilidades resultan

Pn = ρn. P0                    si n ≤ N,

Pn = 0                              si n > N.

Considerando que

se obtiene el valor de P0:

Si ocurriere que λ ≥ μ, lo cual es posible porque el número de clientes tiene un
máximo de N, valen las siguientes fórmulas para calcular Pn:

Finalmente, la cantidad esperada de clientes en fila es:

Modelos con más de un servidor (s > 1)

Se supone que la cantidad de servidores es menor o igual que la cantidad

máxima de clientes permitida, o sea, s ≤ N. La longitud de la fila es en esta
situación N − s. La tasa de tiempo entre llegadas es λ y la tasa de salida por
servidor es μ, siendo

luego:
Las probabilidades están dadas ahora por:

El valor de P0 es:
Para más detalles sobre estos conceptos, leer el capítulo 18 de Investigación de
Operaciones del autor Hamdy Taha. 

Fuente: Taha, H. (2004). Investigación de operaciones (9.na. ed.). México: Pearson. Recuperado de

  https://jrvargas.files.wordpress.com/2009/01/investigacic3b3n-de-operaciones-9na-edicic3b3n-hamdy-a-taha-

fl.pdf

Probabilidad de sistema ocioso para Omega

En otra de las sucursales de venta al público de Omega que tiene 3 cajas de

atención, se trabaja con una tasa de llegada λ= ¼ y una tasa de salida μ=½,
ambas con distribución exponencial. La cantidad máxima de clientes al que se le
permite entrar al salón de ventas es de 15, son atendidos con una disciplina
general de filas y el ingreso está abierto a cualquier persona.

Se desea calcular la probabilidad de que el sistema esté ocioso cuando falta un

cuarto de hora para cerrar y aún quedan 4 clientes en el sistema.
Con estos datos, se tiene un modelo (M/M/3):(DG/15/∞).

Se desea calcular P0 sabiendo que n=4, N=15, ρ= ¼ :  ½ = ½ .

Se utiliza la fórmula: 

Reemplazando resulta:
Con esto se tiene que hay casi un 60% de probabilidades que ya no haya clientes
en el sistema pasados 15 minutos.

Para completar esta lectura reafirmamos algunos

conceptos

El estudio de modelos de filas puede representarse mediante modelos de

distribución exponencial de Poisson, dado que las propiedades de éste
coinciden con las propiedades de aquellos.
 Verdadero, como las propiedades son las mismas, se implementan para el estudio y
resolución de modelos de líneas de espera las fórmulas de la distribución exponencial de
Poisson.

Falso, el estudio de modelos de líneas de espera tiene sus características y propiedades

particulares para resolver sus procesos.

SUBMIT

Los modelos especiales de Poisson que responden a la notación  (M/M/s):(DG/

∞/∞) tienen distribución exponencial para tiempo entre llegadas y para tiempo
de servicio, con tasas medias de entrada y salida constantes, representadas por
λn y  μn = μ   para n = 0,1,2, ..., se utilizan para casos en los que se dispone  de un
solo servidor.

Verdadero, las fórmulas que se implementan para calcular probabilidades, número de

clientes en sistema o en fila, parten del supuesto que hay un solo servidor de atención a
clientes.

Falso, la tercera componente del primer paréntesis s representa la cantidad de servidores

y según sea s=1 o s>1 hay distintas fórmulas para cálculos de probabilidades, número de
clientes en sistema o en fila.

SUBMIT
En la totalidad de los casos de líneas de espera estudiados, el valor de la tasa
de llegada es menor que el valor de la tasa de atención, es decir, λ < μ.

Verdadero, si la tasa de llegada fuera mayor que la de atención, la cantidad de clientes en

sistema sería incontrolable y el sistema colapsaría.

Falso, para modelos con un único servidor esta afirmación es verdadera, pero cuando los
servidores son varios (s>1) puede ocurrir que λ y μ.

SUBMIT

En los modelos de Poisson representados por (M/M/S):(DG/N/∞), con

distribución exponencial en las tasas de llegadas y de salidas, se parte del
supuesto que a lo sumo hay N clientes en el sistema, aunque la fuente de
llegada sea infinita. 

Verdadero, este modelo con disciplina general de atención en filas, tasa de llegada y
atención con distribución exponencial, admite un número máximo de N clientes en
sistema.

Falso, este modelo con disciplina general de atención en filas, tasa de llegada y atención
con distribución exponencial, tiene una capacidad de clientes en sistema infinita al igual
que el tamaño de fuente.
SUBMIT
LECCIÓN 2 de 4

Video conceptual

Modelos generalizados de Poisson

VIMEO
temporarily blocked
Pardon the inconvenience, but our servers have
detected a high number of errors from your
connection. To continue, please verify that you
are a human:

I'm not a robot

reCAPTCHA
Privacy - Terms

VC-Herramientas Matemáticas VI - Modelos de

Simulación - Módulo 3
VER EN VIMEO 
LECCIÓN 3 de 4

Referencias

Hillier F., y Lieberman, G. (1998). Introdução à pesquisa operacional (traducción propia). Brasil: Campus.

Taha, H. (2004). Investigación de operaciones (9.na. ed.) México: Pearson Educación.

LECCIÓN 4 de 4

Revisión del módulo

Hasta acá aprendimos

Fenómeno de colas
–
Reducir el tiempo de espera es fundamental para reducir gastos innecesarios y complicaciones
provocando malestar en quienes aguardan para ser atendidos. Pero, la incorporación de nuevos puntos de
atención que disminuiría la espera trae aparejado otros gastos y supone un tiempo de sistema ocioso
cuando la cantidad de clientes en fila se reduce. En la siguiente lectura abordaremos sobre este tema
llamado fenómeno de colas.

Distribución exponencial
–
Tanto el tiempo de llegada como el de atención se cuantifican con distribuciones exponenciales de
probabilidad permitiendo representar la información de la situación real y reducirla a operaciones
matemáticas para calcular los datos que sean necesarios como probabilidades, longitud de fila, cantidad
de clientes, etc.

Modelos de nacimientos y muertes puros

–
El término nacimiento hace referencia a la entrada de un nuevo cliente al sistema de fila, mientras que el
término muerte significa, para este proceso, la salida de un cliente atendido. Ambos procesos se describen
en forma probabilística, a través de la función N(t) que devuelve el número de clientes en el sistema a
medida que el tiempo t aumenta. Este proceso supone que los nacimientos y las muertes individuales
suceden de forma aleatoria y dependen solo del estado actual del sistema.    

Modelos generalizados de Poisson

–
Se han usado modelos de tiempo de llegadas o de salidas de un sistema mediante   distribuciones
exponenciales en procesos de nacimientos y muertes puros. Las propiedades que satisfacen esos
procesos se corresponden directamente con los modelos de Poisson por lo que una distribución definirá
automáticamente a la otra de modo que ambas pueden implementarse indistintamente. Se verán las
particularidades de los modelos más usados y las propiedades que los distinguen.