UNIVERSIDAD DE ATACAMA

Facultad de Ingeniería
Departamento de Matemáticas

Investigación de operaciones

Integrantes:

 Bárbara Rivera
 Fabyan Olivares
 Alfredo Bórquez
 Rodrigo Campusano

Grupo: 8

Profesor Julio Vera A.

INTRODUCCIÓN
Los dulces con los que algunos nos tentamos en las filas de los
supermercados, para empezar, no están ahí de casualidad. Otro caso común:
estamos en la fila del supermercado, y parece ser que nuestra fila es la más lenta
de todas, por lo que nos cambiamos, y ahora nuestra fila de nuevo parece ser la
más lenta, y encima, la fila en la que estábamos antes parece avanzar más
rápidamente. Detrás de estos detalles, hay un profesional que domina la ciencia
del retail, el cual sabe que muchos “caerán”, justo antes de empacar, y que sabe,
además, en teoría, cuales filas avanzan más rápido. Dicha ciencia, es llamada
teoría de filas, o teoría de colas, la cual, estudia principalmente factores como, el
tiempo de espera o la capacidad de trabajo de un sistema con el fin de evitar un
colapso del mismo. La teoría de colas es una rama de las ciencias administrativas,
las cuales tienen como objetivo optimizar sistemas mediante modelos
matemáticos analíticos, además tiene aplicación en variados campos,
principalmente: retail, ingeniería, transporte y telecomunicaciones.

Fig. 1: Diagrama que muestra dos colas para n-ésimos nodos (servidores)
DESCRIPCIÓN DE UN SISTEMA DE COLAS
Un sistema de colas se puede describir como sigue. Un conjunto de
clientes llega desde una fuente, una población de clientes potenciales del
sistema, buscando un servicio a un servidor. La cantidad de los tres componentes
nombrados anteriormente, puede ser finita o infinita. Los clientes esperan en una
cola si el servicio no es inmediato, y abandonan el servidor una vez han sido
atendidos (en algunos casos se puede admitir que los clientes abandonan el
sistema si se cansan de esperar).

Fig. 2: Esquema básico de una cola

El termino “cliente” no necesariamente apunta a un ser humano, sino un ente más

general, ej: los trabajos esperan para ser procesados, los aviones vuelan en
círculos a diferentes alturas hasta que se les permite aterrizar, y los autos se
detienen en los semáforos etc.

A pesar de que uno de los principales objetivos de la teoría de colas es minimizar

los tiempos de espera, eliminar la espera por completo no es una opción factible
debido a las restricciones de costo que pueda tener la instalación y operación del
centro de operación. El único recurso es buscar el equilibrio entre el costo de
ofrecer un servicio y el de esperar.

La capacidad del sistema es la longitud que alcanza la cola, siendo finita o infinita,
esto dependerá de que, si el aumento tiene o no un límite, por ejemplo, una cola
finita (capacidad suficientemente pequeña para ser considerada), en un lugar
donde la sala de espera contenga pocas sillas y con pocas personas que realicen
el servicio, en ocasiones si ésta cola es demasiado grande, puede retirarse el
cliente de inmediato o una cola infinita (se mantiene un número ilimitado de
clientes por motivos prácticos) como el pago de peajes.

El estudio de las colas tiene que ver con la cuantificación del fenómeno de
esperar, por medio de medidas de desempeño representativas, tales como
longitud promedio de la cola, tiempo de espera promedio en la cola, y el uso
promedio de la instalación. El siguiente ejemplo demuestra cómo pueden usarse
estas medidas para diseñar una instalación de servicio.
McBurger es un restaurante de comida rápida con tres mostradores de servicio. El
gerente desea agilizar el servicio. Un estudio revela la siguiente relación entre la
cantidad de mostradores y el tiempo de espera para el servicio:

Cantidad de cajeros 1 2 3 4 5 6 7
Tiempo de espera promedio [𝒎𝒊𝒏] 16,2 10,3 6,9 4,8 2,9 1,9 1,3

Un examen de estos datos revela un tiempo de espera promedio de 7 minutos

en la situación actual de tres mostradores. Cinco mostradores reducirían la
espera a 3 minutos aproximadamente.

Además, los resultados del análisis de colas pueden usarse para intentar
minimizar el costo de ofrecer el servicio y la espera por parte de los clientes.

La disciplina de la cola, corresponde al orden el cual es seleccionado el cliente

en la cola para ser atendido. Una de las más comunes es el FIFO (First In First
Out) primero en entrar, primero en salir, en la cual se atiende primero al cliente
que antes haya llegado, LIFO (Last In First Out) la cual consiste en atender
primero al cliente que ha llegado último, o simplemente que sea de forma
aleatoria, RSS (Random Selection Service). También se debe tomar en cuenta
que puede haber una orden de prioridad PQ (Priority Queue), por ejemplo,
preferencia a la hora de comprar algún producto o si hay trabajo de urgente
solución, o una disciplina en particular, GD (General Discipline).

DISTRIBUCIONES USUALES EN LA TEORÍA DE COLAS

La teoría de colas, usa frecuentemente tres distribuciones de

probabilidades, la distribución de Poisson, la distribución exponencial y
distribución de Erlang, las cuales repasaremos brevemente, antes de entrar en
detalle.

La distribución de probabilidad de la variable aleatoria de Poisson 𝑋, la cual

representa el número de resultados que ocurren en un intervalo de tiempo dado o
región específicos y se denota con 𝑡, es:

−𝜆𝑡
(𝜆𝑡)𝑥
𝑓(𝑥; 𝜆) = 𝑒 , 𝑥 = 0,1,2, …
𝑥!

Donde 𝜆 es el número promedio de resultados por unidad de tiempo, distancia,

área o volumen. Lo cual denotamos 𝑋~𝑃𝑜𝑖𝑠𝑠𝑜𝑛(𝜆𝑡).

La distribución de Poisson tiene esperanza y varianza:

𝔼[𝑋] = 𝕍(𝑋) = 𝜆𝑡
 Fig. 5: Gráfico de la distribución de Poisson

Como ejemplo tenemos el caso del banco Santander.

El Banco Santander estudia la posibilidad de poner en operación una ventanilla,

para clientes automovilistas, que deseen realizar operaciones tales como
depósitos, cambio de cheques, pago de cuentas, etc. sin que éstos se bajen de
sus vehículos. Una primera experiencia mostró que las llegadas al azar de los
clientes, fue de 24 clientes por hora. Los ejecutivos del Banco necesitan saber:

a) ¿Cuál podría ser la llegada promedio de clientes en un lapso de 20

minutos?
b) ¿Cuál es la probabilidad de que lleguen 0, 1, 2, 3 clientes en un
promedio de 5 minutos?
c) Se espera tener problemas de demora si llegan más de 3 clientes en
un período de 5 minutos, ¿cuál es la probabilidad de que esto
ocurra?

Apartado a: Observemos que en promedio llegan 24 clientes cada 60 minutos, en

24
consecuencia, están llegando 60 = 0,4 clientes por minuto. De esto se desprende
que, en promedio, llegan 8 clientes en 20 minutos.

Apartado b: De la situación anterior se desprende que cada 5 minutos están

llegando 2 clientes. En consecuencia, el promedio de llegada cada 5 minutos es 2,
esto es 𝜆𝑡 = 2. Si suponemos que las llegadas son de tipo función de probabilidad
de Poisson, entonces tendremos que:

1. La probabilidad de que no lleguen clientes en 5 minutos es:

−2
20
ℙ(𝑥 = 0) = 𝑒 = 0,1353
0!

2. La probabilidad que llegue 1 cliente en 5 minutos es:

21
ℙ(𝑥 = 1) = 𝑒 −2 = 2 ∗ 0,1353 = 0,2706
1!

3. La probabilidad que lleguen 2 clientes en 5 minutos es:

−2
22
ℙ(𝑥 = 2) = 𝑒 = 2 ∗ 0,1353 = 0,2706
2!

4. La probabilidad que lleguen 3 clientes en 5 minutos es:

23
ℙ(𝑥 = 3) = 𝑒 −2 = 1,3333 ∗ 0,1353 = 0,1803
3!

La distribución exponencial, es una distribución continua de parámetro 𝜃 > 0,

cuya función de densidad es:

1 −𝑥
𝑓(𝑥; 𝜃) = 𝑒 𝜃 ,𝑥 > 0
𝜃

Lo cual denotamos 𝑋~𝐸𝑥𝑝(𝜃).

La esperanza y varianza de una variable aleatoria exponencial es,

respectivamente:

𝔼[𝑋] = 𝜃, 𝕍(𝑋) = 𝜃 2

La distribución exponencial se usa especialmente en el modelamiento de tiempos

de espera para la ocurrencia de un cierto evento. Adicionalmente, podemos
mencionar que la distribución exponencial es una distribución “markoviana” (o
sin memoria), pues su función de densidad satisface la condición:

ℙ(𝑋 > 𝑡 + ℎ | 𝑋 ≥ 𝑡) = ℙ(𝑋 > ℎ)

Es decir, la probabilidad de que ocurra cierto evento asociado a la distribución

exponencial es independiente del tiempo (proceso estocástico). En un sistema de
colas, la llega de clientes es aleatoria, por lo tanto, el tiempo no influye con
respecto al evento anterior. Se puede demostrar que la distribución exponencial
es la única en tener esta condición.

En los sistemas de colas, es muy común encontrar variaciones en el tiempo entre

llegadas, por lo tanto, no es posible saber cuándo llegará el próximo cliente de una
forma exacta, sin embargo, podemos determinar el número esperado de llegadas
por unidad de tiempo, la cual, por definición, es:

𝔼[𝑋] = 𝜃 = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠

1
De forma más tradicional se tiende a parametrizar 𝜇 = 𝜃.

Fig. 3: Gráfico de la distribución exponencial

A modo de ejemplo, consideraremos nuevamente el ejemplo del banco Santander.

En el caso de la atención a los automovilistas del Banco Santander, si suponemos

20
que el tiempo de servicio promedio es de 20 clientes por hora, esto es, de 𝜇 = 60 =
1
= 0,3333 clientes por minuto, resulta que las probabilidades de que un cliente
3
pueda ser atendido, en 1 minuto, 2 minutos, 3 minutos, 10 minutos son
respectivamente.

ℙ(𝑇 ≤ 1) = 1 − 𝑒 −0,3333 = 1 − 0,7165 = 0,2835

 ℙ(𝑇 ≤ 2) = 1 − 𝑒 −0,6666 = 1 − 0,5134 = 0,4866

ℙ(𝑇 ≤ 3) = 1 − 𝑒 −0,9999 = 1 − 0,3679 = 0,6321

ℙ(𝑇 ≤ 10) = 1 − 𝑒 −3,3333 = 1 − 0,3556 = 0,9643

Otro ejemplo:

Suponga que el tiempo en minutos que un usuario cualquiera permanece

revisando su correo electrónico sigue una distribución exponencial de parámetro
𝜃 = 5 Calcule la probabilidad de que un usuario cualquiera permanezca conectado
al servidor de correo:

a) Menos de un minuto
b) Más de una hora

Para el apartado a se tiene lo siguiente:

1
1 −1𝑥
ℙ(𝑋 < 1) = ∫ 𝑒 5 𝑑𝑥
0 5

∴ ℙ(𝑋 < 1) = 0,181

y para el apartado b:

ℙ(𝑋 > 60) = 1 − ℙ(𝑋 < 60)

60
1 −1𝑥
ℙ(𝑋 > 60) = 1 − ∫ 𝑒 5 𝑑𝑥
0 5

∴ ℙ(𝑋 > 60) = 6,1 ∗ 10−6

Por último, pero no menos importante, la distribución de Erlang, se usa para

tiempos de llegadas no exponenciales, la cual tiene parámetros 𝜆 (de rapidez) y 𝑘
(de forma), cuya función de densidad es:

−𝜆𝑥
(𝜆𝑥)𝑘−1
𝑓(𝑥; 𝜆, 𝑘) = 𝜆𝑒 ,𝑥 > 0
(𝑘 − 1)!

Lo cual denotamos 𝑋~𝐸𝑟𝑙𝑎𝑛𝑔(𝜆, 𝑘).

Cuya esperanza y varianza son:

𝑘 𝑘
𝔼[𝑋] = , 𝕍(𝑋) =
𝜆 𝜆2
Usualmente se utiliza la distribución Erlang para describir el tiempo de espera
hasta el 𝑘-ésimo suceso en un proceso de Poisson. La distribución de Erlang es
una variante de la distribución gamma.

Fig. 4: Gráfico de la distribución de Erlang

Las variaciones en los elementos de una situación de colas originan varios

modelos matemáticos (usando las distribuciones anteriores). Las situaciones de
colas complejas que no pueden representarse matemáticamente se suelen
analizar por medio de simulación.

CADENAS DE MARKOV A TIEMPO CONTINUO Y PROCESOS DE

NACIMIENTO/MUERTE

Los procesos o cadenas de Markov constituyen una de las clases de procesos

estocásticos más estudiados. La característica que los distingue es la llamada
propiedad de Markov la cual establece, en términos generales, que, dado el
estado presente del sistema, la distribución de probabilidad del proceso en
un tiempo futuro es independiente del pasado. Con esta propiedad, las
cadenas de Markov nos permiten modelar sistemas dinámicos estocásticos que
evolucionan en el tiempo los cuales aparecen en diferentes áreas, una de ellas es
la investigación de operaciones.
 Un proceso de nacimiento y muerte (en general los procesos de Poisson) se
pueden modelar mediante cadenas de Markov (homogéneas) en tiempo
continuo.

Los modelos de nacimientos puros, son aquellos en los cuales solo se permiten
las llegadas (por ejemplo, la inscripción de actas de nacimientos) mientras que, en
los modelos de muertes puros, solo se admiten las salidas (por ejemplo, sacar
un artículo cualquiera que sea de una tienda). Para estas situaciones podemos
utilizar la distribución exponencial, que describe el tiempo de llegada y salida de
cada modelo nombrado anteriormente. Como dato adicional, un subproducto del
desarrollo de los dos modelos es demostrar la estrecha relación entre las
distribuciones exponencial y la de Poisson, en el sentido de que una distribución
define automáticamente a la otra.

 La distribución 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.
𝟏
 Si el tiempo entre llegadas es exponencial con media 𝝁, entonces la
cantidad de llegadas durante un periodo específico 𝒕, es Poisson con
media 𝝀𝒕, esto es: ℙ(𝑿 = 𝒙) = ℙ(𝑵 = 𝒏) = 𝒑𝒏 (𝒕)

Lo anterior es demostrable, debido a que la esperanza y varianza de una variable

aleatoria de Poisson es:

𝔼[𝑋] = 𝕍(𝑋) = 𝜆𝑡

Podemos, para resumir lo anterior, hacer una tabla comparativa de la distribución

exponencial v/s la distribución de Poisson, destacando las variables de interés en
las formas generales de las distribuciones:

Exponencial Poisson
Variable aleatoria Tiempo entre llegadas Cantidad de 𝑛 llegadas durante
sucesivas, 𝑡 un tiempo 𝑡
Intervalo 𝑡≥0 𝑛 = 0, 1, 2, …
Función de 𝑓(𝑡) = 𝜇𝑒 −𝜇𝑡 , 𝑡 > 0 (𝜆𝑡)𝑛
densidad 𝑝𝑛 (𝑡) = 𝑒 −𝜆𝑡 , 𝑛 = 0,1,2, …
𝑛!
Valor medio 1 𝔼[𝑁] = 𝜆𝑡 [𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 𝑡]
(esperanza) 𝔼[𝑇] = [𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜]
𝜇
Probabilidad ℙ(𝑇 ≤ 𝑡) = 1 − 𝑒 −𝜇𝑡 ℙ(𝑁 ≤ 𝑛) = 𝑝𝑁≤𝑛 (𝑡) = ∑ 𝑝𝑛 (𝑡)
acumulada
𝑖≤𝑛
Probabilidad de no ℙ(𝑇 > 𝑡) = 𝑒 −𝜇𝑡 ℙ(𝑛 = 0) = 𝑝0 (𝑡) = 𝑒 −𝜆𝑡
llegadas durante
un periodo 𝑡
En el caso del modelo de muerte pura el sistema se inicializa con 𝑁 clientes en
el instante 0, sin llegadas permitidas, siendo el objetivo hallar la probabilidad 𝑝𝑛 (𝑡)
de que 𝑛 clientes permanezcan después de un tiempo 𝑡 mientras las salidas
ocurren a una razón de 𝑚 clientes por unidad de tiempo.

A continuación, un ejemplo para el modelo de nacimiento puro.

En una ciudad grande nacen bebés a razón de uno cada 12 minutos. El tiempo
entre nacimientos sigue una distribución exponencial. Determine lo siguiente:

a) La cantidad promedio de nacimientos por año.

b) La probabilidad de que no ocurran nacimientos durante 1 día.
c) La probabilidad de emitir 50 actas de nacimiento en 3 horas dado que se
emitieron 40 actas durante las primeras 2 horas del periodo de 3 horas.

Para el apartado a tenemos:

1 𝑏𝑒𝑏é 60 𝑚𝑖𝑛 24 ℎ 365 𝑑í𝑎 𝑏𝑒𝑏é

𝔼[𝑁] = 𝜆𝑡 = ∗ ∗ ∗ = 43.800 [ ]
12 𝑚𝑖𝑛 1ℎ 1 𝑑í𝑎 1 𝑎ñ𝑜 𝑎ñ𝑜

Para el apartado b:

ℙ(𝑇 > 1) = ℙ(𝑛 = 0) = 𝑝0 (𝑡) = 𝑒 −120∗1 ≅ 0

Para el apartado c, vemos que la distribución de la cantidad de nacimientos es

Poisson, entonces:

(𝜆𝑡)𝑛
𝑝𝑛 (𝑡) = 𝑒 −𝜆𝑡
𝑛!

Notamos que, si nos piden la probabilidad de emitir 50 actas en 3 horas, y se

emitieron 40 actas en las primeras dos horas, entonces es equivalente a tener 10
nacimientos por hora, esto es:

50 − 40 𝑏𝑒𝑏é
𝑛= = 10 [ ]
3−2 ℎ𝑜𝑟𝑎

Encontramos la esperanza de forma directa:

1 𝑏𝑒𝑏é 60 𝑚𝑖𝑛 𝑏𝑒𝑏é

𝔼[𝑁] = ∗ = 5[ ]
12 𝑚𝑖𝑛 1ℎ ℎ

Y reemplazando:

−5
(5)10
𝑝10 (1) = 𝑒
10!
 ∴ 𝑝10 (1) = 0,01813

Finalmente, se tiene el modelo general de Poisson combina tanto llegadas como

salidas, es decir, los tiempos entre llegadas y los tiempos de servicio siguen la
distribución exponencial. El modelo es la base para la derivación de los modelos
de Poisson especializados.

Este, además se basa en el comportamiento a largo plazo o de estado estable de

la situación de colas, alcanzado después de que el sistema ha estado en
operación durante un tiempo este tipo de análisis contrasta con el comportamiento
transitorio que prevalece durante el inicio de la operación del sistema (la razón de
la por la cual no se estudia el estado transitorio es netamente porque la mayoría
de las dificultades surgen en condición 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 instalación 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 peak.

Definimos:

𝑛 = 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (𝑒𝑠𝑝𝑒𝑟𝑎𝑛𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎)

𝜆𝑛 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑝𝑎𝑟𝑎 𝑙𝑜𝑠 𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇𝑛 = 𝑇𝑎𝑠𝑎 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑝𝑎𝑟𝑎 𝑙𝑜𝑠 𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑝𝑛 = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜 𝑒𝑠𝑡𝑎𝑏𝑙𝑒 𝑑𝑒 𝑙𝑜𝑠 𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠

El modelo general generaliza a 𝑝𝑛 tal que 𝑝𝑛 = 𝑝𝑛 (𝜆𝑛 , 𝜇𝑛 ). Como habíamos

anticipado antes, estas probabilidades se utilizan para determinar las medidas de
desempeño del sistema, como la longitud promedio de las colas, el tiempo de
espera promedio, y la utilización promedio de la instalación. Las
probabilidades 𝑝𝑛 se determinan por medio del diagrama de tasa de transición.

Fig. 6: Diagrama de transición para colas de Poisson

Análisis del diagrama:

 Decimos que el sistema se encuentra en el estado 𝑛 si y solo si existen 𝑛

clientes en el sistema
  El estado 𝑛, puede cambiar a dos estados posibles, 𝑛 + 1, cuando ocurre
una llegada a razón de 𝜆𝑛 y 𝑛 − 1, cuando ocurre una salida a razón de 𝜇𝑛 ,
mismo caso para los estados 0,1,2

 Notemos que, 𝜇0 está indefinida, esto debido a que no pueden ocurrir

salidas si el sistema está vacío

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

de entrada y salida del estado n deben ser iguales

Se puede realizar, en base a lo anterior un balance de flujo esperado (similar al

caudal en mecánica de fluidos). Esto es:

𝑇𝑎𝑠𝑎 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 𝑑𝑒 𝑒𝑛𝑡𝑟𝑎𝑑𝑎 𝑎𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛 = 𝜆𝑛−1 𝑝𝑛−1 + 𝜇𝑛+1 𝑝𝑛+1

𝑇𝑎𝑠𝑎 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛 = 𝜆𝑛 𝑝𝑛 + 𝜇𝑛 𝑝𝑛 = 𝑝𝑛 (𝜆𝑛 + 𝜇𝑛 )

Luego de igualar ambas tasas, obtenemos el siguiente balance:

𝜆𝑛−1 𝑝𝑛−1 +𝜇𝑛+1 𝑝𝑛+1 = 𝑝𝑛 (𝜆𝑛 +𝜇𝑛 ), 𝑛 = 1, 2, … (𝑒𝑐. 𝑎)

La ecuación a se llama ecuación de conservación de flujo, la cual da origen a

un sistema infinito de ecuaciones lineales al hacer variar el parámetro 𝑛.

Se desprende lo siguiente, de no cumplirse esta ecuación, para todos los estados,

entonces la probabilidad “se estancaría” en algún estado y no existiría un estado
estable.

SOLUCIÓN DE LA ECUACIÓN DE CONSERVACION DE FLUJO

Para resolver la ecuación de conservación comenzamos expresando todas
las 𝑝𝑛 en términos de 𝑝0 .

Si tomamos como referencia 𝑛 = 0 se tiene:

𝜇1 𝑝1 = 𝑝0 (𝜆0 + 𝜇0 )

Pero como ya mencionamos 𝜇0 no está definido para el caso 𝑛 = 0, entonces:

𝜇1 𝑝1 = 𝜆0 𝑝0
Dejando en función de 𝑝0 tenemos entonces:

𝜆0 𝑝0
𝑝1 = (𝑒𝑐. 𝑏)
𝜇1
Luego reemplazamos la ecuación anterior en la ecuación de conservación para
𝑛 = 1, y obtenemos:

𝜆1 𝜆0
𝑝2 = ( )𝑝
𝜇2 𝜇1 0

En general, si repetimos el proceso de forma sucesiva se tiene que:

𝜆𝑛−1 𝜆𝑛−2 … 𝜆0
𝑝𝑛 = ( ) 𝑝0 , 𝑛 = 1, 2, …
𝜇𝑛 𝜇𝑛−1 … 𝜇1

Además, por deducción:

∞

∑ 𝑝𝑛 = 1
𝑛=0

Con lo cual podemos despejar finalmente 𝑝0 .

Los modelos de nacimiento y muerte se han utilizado para modelar fenómenos

generalmente distintos a los modelos de colas, no así siendo menos relevantes.
Un ejemplo práctico sería el estado de la industria en cualquier momento 𝑛
(numero de empresas que pertenece a dicha industria); un nacimiento
correspondería a una empresa que entra en la industria, y una muerte una
empresa que sale de la industria.

COLAS POISSONIANAS

Los modelos de colas poissonianas se enfocan en sistemas de espera para

los cuales el tiempo entre arribos de clientes consecutivos y el tiempo de servicio
tienen distribución exponencial, o equivalentemente, están modelados por
procesos de Poisson. Estos sistemas se comportan como un proceso de
nacimiento y muerte donde la llegada de un cliente al sistema representa un
nacimiento, mientras que la salida de un cliente después de ser servido representa
una muerte.

La figura 7, ilustra una situación de colas de Poisson 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 𝜆 clientes por unidad de tiempo.
Todos los servidores paralelos son idénticos, es decir que la tasa de servicio de
cualquier servidor es de 𝜇 clientes por unidad de tiempo. La cantidad de clientes
en el sistema se define para incluir los que están en el servicio y los que
están en la cola.
 Fig. 7: Ilustración de una cola poissoniana

Una notación conveniente para resumir las características de la situación de colas

de la figura 7 se llama notación de Lee-Kendall.

NOTACIÓN DE LEE-KENDALL
Una manera abreviada de describir un sistema de espera la propuso D.G.
Kendall en 1953 y A.M. Lee, quien mejoró la notación en 1968, la cual consiste en
el siguiente arreglo:

𝐴/𝑆/𝑐/𝐾/𝐹/𝑑

Cada una de las letras describe:

 𝐴: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎

 𝐵: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜

Los dos puntos anteriores a su vez pueden ser:

 𝑀: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑐𝑖𝑎𝑙
 𝐷: 𝐿𝑜𝑠 𝑡𝑖𝑒𝑚𝑝𝑜𝑠 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑠𝑜𝑛 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠
 𝑀𝑘 : 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑑𝑒 𝐸𝑟𝑙𝑎𝑛𝑔 𝑜 "𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑔𝑎𝑚𝑚𝑎 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜"
 𝐺: 𝐷𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑔𝑒𝑛𝑒𝑟𝑖𝑐𝑎

 𝑐: 𝑁𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟𝑒𝑠
 𝐾: 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
 𝐹: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑖𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑓𝑢𝑒𝑛𝑡𝑒
 𝑑: 𝐷𝑖𝑠𝑐𝑖𝑝𝑙𝑖𝑛𝑎 𝑑𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜

Recordemos que la disciplina de la cola o servicio podía ser:

 FIFO (First In First Out)

 LIFO (Last In First Out)
  RSS (Random Selection Service)
 PQ (Priority Queue)
 GD (General Discipline)

Para ejemplificar la notación, el modelo 𝑀/𝐷/10/𝐺𝐷/20/∞ utiliza llegadas

Poisson (o tiempo entre llegadas exponencial), tiempo de servicio constante, y 10
servidores paralelos. La disciplina en colas es general, y hay un límite de 20
clientes en todo el sistema. El tamaño de la fuente de donde llegan los clientes es
infinito.

MEDIDAS DE DESEMPEÑO DE ESTADO ESTABLE

Las medidas de desempeño más importantes utilizadas en una situación de
colas son:

 𝐿: 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎

 𝐿𝑠 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑠𝑖𝑒𝑛𝑑𝑜 𝑎𝑡𝑒𝑛𝑑𝑖𝑑𝑜𝑠 (𝑒𝑛 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜)
 𝐿𝑞 : 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎
 𝑊: 𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
 𝑊𝑠 : 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑚𝑒𝑑𝑖𝑜 𝑞𝑢𝑒 𝑝𝑎𝑠𝑎 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑠𝑖𝑒𝑛𝑑𝑜 𝑎𝑡𝑒𝑛𝑑𝑖𝑑𝑜
 𝑊𝑞 : 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎

Nota: Recordar que el sistema incluye tanto la cola como las instalaciones de
servicio.

MODELO DE COLAS DE UN SOLO CANAL (𝑀/𝑀/1)

Reiterando lo antes mencionado, la primera 𝑀, representa, la distribución

de probabilidad de los tiempos entre llegadas, la segunda a los tiempos de servicio
y por último el 1 indica el número de servidores. En este informe, consideraremos
solo las primeras 3 letras de la notación propuesta.

Este modelo es uno de los más usuales, teniendo que todas las medidas suponen
que el sistema de colas se halla en una condición de estado constante.

Una cuestión importante de señalar es que, a menos que se especifique lo

contrario, en este modelo, supondremos que un cliente que entra a la cola, no la
abandona hasta que ha sido servido.

Aplicando lo ya aprendido:

1. Llegada: Distribución de Poisson.

2. Tiempo de servicio: Distribución Exponencial.
3. El sistema de colas tiene un servidor.
Como dato, todos los sistemas trabajan bajo la norma FIFO, a menos de que se
indique lo contrario.

Demostramos ahora cómo se derivan las medidas de desempeño (directa o

indirectamente) a partir de la probabilidad de estado estable de 𝑛 en el sistema 𝑝𝑛 .

𝜆
Antes que todo definimos: 𝜌 = 𝜇 por razones que ya veremos. A el cociente le
llamaremos intensidad de tráfico. Dicho esto, tenemos:

 𝜆𝑛 = 𝜆, 𝑛 = 0, 1, 2, …
 𝜇0 = 0
 𝜇𝑛 = 𝜇, 𝑛 = 1, 2, 3, …

Sustituimos en la ecuación b (del apartado de cadenas de Markov) tendríamos:

𝜆𝑝0
𝑝1 =
𝜇

Si repetimos el proceso hasta llegar hasta a n-ésima ecuación tendríamos

entonces:

𝜆𝑛 𝑝0
𝑝𝑛 = (𝑒𝑐. 𝑐)
𝜇𝑛

Entonces tendríamos lo siguiente:

∞
𝜆𝑛 𝑝0
∑ 𝑛 =1
𝜇
𝑛=0

∞ ∞
𝜆𝑛
𝑝0 ∑ 𝑛 = 𝑝0 ∑ 𝜌𝑛 = 1 (𝑒𝑐. 𝑑)
𝜇
𝑛=0 𝑛=0

Para simplificar los cálculos notamos:

∞

∑ 𝜌𝑛 = 𝜌0 + 𝜌1 + ⋯ = 𝑆
𝑛=0

⇒ 𝜌𝑆 = 𝜌1 + ⋯

⇒ 𝑆 − 𝜌𝑆 = 1 (𝑒𝑐. 𝑒)

Factorizando, despejando S y sustituyendo d en c:

 𝑝0
=1
1−𝜌

Sustituyendo en c, finalmente tenemos:

𝑝𝑛 = 𝜌𝑛 (1 − 𝜌), (0 ≤ 𝑝 ≤ 1)
Observación:

Notemos que 𝜌 es la relación entre el número promedio de llegadas y el número

𝜆
promedio de servicio. Notemos que si 𝜇 ≥ 1, significa que las llegadas se
presentan con una tasa mayor de la que el servicio puede atender. En esta
situación la longitud dela cola crece indefinidamente y el sistema deja de ser
𝜆
estable. En cambio, si 𝜇 < 1, el sistema se mantiene estable.

𝜆
Para la deducción de 𝐿, consideramos < 1, asegurando que si existe una
𝜇
distribución de probabilidad de estado estable.

En primer lugar, se tiene:

∞ ∞

𝐿 = ∑ 𝑛𝑝𝑛 = ∑ 𝑛𝜌𝑛 (1 − 𝜌)
𝑛=0 𝑛=0

𝐿 = (1 − 𝜌) ∑ 𝑛𝜌𝑛
𝑛=0

Definimos entonces:
∞

𝑆 ′ = ∑ 𝑛𝜌𝑛 = 𝜌 + 2𝜌2 + 3𝜌3 + ⋯

𝑛=0

Esto implica que: 𝜌𝑆′ = 𝜌2 + 2𝜌3 + 3𝜌4 + ⋯, entonces tenemos:

𝜌
𝑆 ′ − 𝜌𝑆 ′ = 𝜌 + 𝜌2 + 𝜌3 + ⋯ =
1−𝜌

Así:
𝜌
𝑆′ =
(1 − 𝜌)2

Finalmente:
 𝜌
𝐿 = (1 − 𝜌) ∗
(1 − 𝜌)2

𝜆
𝐿=
𝜇−𝜆

Para la deducción de 𝐿𝑞 debemos observar que, si hay 0 o 1 clientes en el

sistema, entonces no hay nadie en la cola, pero si hay 𝑛 personas, tal que 𝑛 ≥ 1,
entonces habrá 𝑛 − 1 personas esperando en la cola. Entonces para el estado
estable tenemos:
∞

𝐿𝑞 = ∑(𝑛 − 1)𝑝𝑛
𝑛=1

∞ ∞

𝐿𝑞 = ∑ 𝑛𝑝𝑛 − ∑ 𝑝𝑛
𝑛=1 𝑛=1

De las ecuaciones anteriores tenemos:

𝐿𝑞 = 𝐿 − (1 − 𝑝0 )

𝐿𝑞 = 𝐿 − 𝜌

En consecuencia:

𝜆2
𝐿𝑞 =
𝜇(𝜇 − 𝜆)

En el caso de la deducción de 𝐿𝑠 :

𝐿𝑠 = 0𝑝0 + 1(𝑝1 + 𝑝2 + ⋯ ) = 1 − 𝑝0 = 𝜌

𝜆
𝐿𝑠 =
𝜇

De las deducciones anteriores, podemos encontrar otra expresión más general

para 𝐿, así tenemos:

𝐿 = 𝐿𝑠 + 𝐿𝑞

FORMULA DE LITTLE: Esta ecuación es válida para cualquier sistema de colas

en el que exista una distribución de estado estable. Permite calcular las
esperanzas de los tiempos de interés en un sistema de colas.
 𝐿 = 𝜆𝑊; 𝐹𝑜𝑟𝑚𝑢𝑙𝑎 𝑑𝑒 𝐿𝑖𝑡𝑡𝑙𝑒

Además, la ecuación es válida para cada tipo de variable implicada, esto es:
𝐿 = 𝜆𝑊

𝐿𝑠 = 𝜆𝑊𝑠

𝐿𝑞 = 𝜆𝑊𝑞

Usaremos las expresiones anteriores para encontrar expresiones para los tiempos
implicados.

𝐿𝑞
𝑊𝑞 =
𝜆
1
𝑊𝑠 =
𝜆
1
𝑊 = 𝑊𝑞 +
𝜆

Observación:

Nótese que, 𝑊 y 𝑊𝑞 se hacen muy grandes cuando el cociente 𝜌 → 1. Para 𝜌 → 0

1
𝑊𝑞 → 0, pero para 𝜌 ≪ 1, 𝑊 → 𝜇, el tiempo medio de servicio.

Retomaremos el ejemplo del banco Santander para aplicar lo antes explicado.

Imaginemos, ahora, que la tasa promedio de llegadas al Banco Santander, los

45
días lunes entre las 9:30 y las 10:30 es de 45 clientes por hora, esto es, λ = 60 =
0,75: Es decir, un promedio de 0,75 personas por minuto, y una tasa de servicio de
𝜇 = 1 clientes por minutos. Puesto que se cumple la condición de que 𝜇 > 𝜆,
podemos aplicar las relaciones descritas para un sistema de colas de un solo
canal. En efecto:

1. La probabilidad de que no haya clientes en el sistema es 0,25, en efecto:

𝜆 0,75
𝑃0 = 1 − = 1− = 0,25
𝜇 1

2. El promedio de clientes en la línea de espera es 2,25, en efecto:

𝜆2 0,752
𝐿𝑞 = =− = 2,25
𝜇(𝜇 − 𝜆) 1(1 − 0,75)
 3. El promedio de clientes en el sistema es 3, en efecto:

𝜆 0,75
𝐿 = 𝐿𝑞 + = 2,25 + =3
𝜇 1

4. El tiempo promedio que un cliente pasa en la línea de espera es de 3

minutos, en efecto:

𝐿𝑞 2,25
𝑊𝑞 = = =3
𝜆 0,75

5. El tiempo promedio que un cliente pasa en el sistema es de 4 minutos, en

efecto:

1 1
𝑊 = 𝑊𝑞 + = 3+ = 4
𝜇 1

6. El factor de utilización del sistema es 0,75, en efecto:

𝜆 0,75
𝑃𝑤 = = = 0,75
𝜇 1

7. Las probabilidades de que haya, por ejemplo, 9 clientes, o menos, en el

sistema, están dadas por la tabla siguiente:

Número de clientes Probabilidad

0 0,2500
1 0,1875
2 0,1406
3 0,1055
4 0,0791
5 0,0593
6 0,0445
7 0,0333
8 0,0250
9 0,0817

Un análisis de estos resultados nos sugiere los siguientes comentarios.

Observemos que cada cliente espera un promedio de 3 minutos antes de llegar al
cajero, cuestión que habla bien de la atención de dicho Banco. Por otra parte, si
en promedio hay solamente 3 clientes en el sistema y el tiempo promedio que
cada uno de ellos pasa en él es de 4 minutos, ir al banco a las 9:00 de la mañana
es una muy buena hora. Por otra parte, puesto que el 75% de los clientes tienen
que esperar para obtener el servicio, teniendo en cuenta que solamente 2,25
clientes esperan en la cola, resulta que el tráfico de clientes es bastante rápido.
Observemos, además, que la probabilidad de que haya 3 clientes en la cola es
apenas de 0,1055, bastante baja. En suma, el Banco Santander, no tiene
problemas de cola los días lunes entre las 9:30 y las 10:30 horas.

Utilizaremos estas mismas relaciones para estudiar las características de

operación del sistema de colas para los automovilistas que realizan sus
24 2
operaciones por hora, esto es, 𝜆 = 60 = 6 = 0,4 clientes por minuto. Y la tasa de
36 6 𝜆
servicio es de 36 clientes por hora, es decir, 𝜇 = 60 = 5 = 0,6. En consecuencia 𝜇 =
24 2
= 3 = 0,6666. Por lo tanto:
36

𝜆
1. 𝑃0 = 1 − 𝜇 = 1 − 0,6666 = 0,3334 Es la probabilidad de que no haya
clientes en el sistema.

𝜆2 (0,4)2 0,16
2. 𝐿𝑞 = 𝜇(𝜇−𝜆) = 0,6(1−0,4) = 0,36 = 0,4444 Es el promedio de clientes que
esperan en la cola.

𝜆
3. 𝐿 = 𝐿𝑞 + 𝜇 = 0,4444 + 0,6666 = 1,1111 Es el número promedio de clientes
que espera en el sistema.
𝐿𝑞 0,4444
4. 𝑊𝑞 = = 0,4000 = 1,1111 Es el tiempo promedio, en minutos, que el cliente
𝜆
pasa en la cola.
1 1
5. 𝑊 = 𝑊𝑞 + 𝜇 = 1,111 + 0,6666 = 1,711 Es el tiempo promedio, en minutos,
que el cliente pasa en el sistema.

𝜆
6. 𝑃𝑤 = 𝜇 = 0,6666 Es el factor de utilización del sistema (probabilidad de los
clientes que tienen que esperar para obtener servicio).

7. Las probabilidades de que hayan, por ejemplo, 0, 1, 2, 3 clientes en el

sistema están dadas por la tabla siguiente:

Número de clientes Probabilidad

0 0,2500
1 0,1666
2 0,1111
3 0,0740

Un análisis de estos resultados nos muestra que, de establecerse el sistema de

atención de clientes en automóviles sin bajarse de él, con la tasa de llegada y de
servicios calculadas, será bienvenido por los clientes del Banco. Basta observar,
solamente, que el tiempo promedio que un cliente pasa en la cola, es algo más de
1 minuto. Sin embargo, podría ocurrir que cuando los clientes se percaten de la
magnífica atención a los automovilistas, la cola aumente significativamente y por lo
tanto aumentará el tiempo de espera en el sistema. Sería interesante simular las
mismas operaciones con una tasa  de llegada algo mayor.

MODELO DE COLAS DE SERVIDORES MÚLTIPLES (𝑀/𝑀/𝑘)

1. Llegada: Distribución de Poisson.

2. Tiempo de servicio: Distribución Exponencial.
3. El sistema de colas tiene k servidores

𝜆 = 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎

𝜇 = 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑐𝑎𝑛𝑎𝑙
𝑘 = 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑐𝑎𝑛𝑎𝑙

Puesto que 𝜇 es la tasa promedio de servicio para cada canal, entonces, 𝜅𝜇 es la

tasa promedio para el sistema de canales. Lo mismo que antes, las relaciones con
𝜆
las cuales trabajaremos más adelante tienen sentido sólo si 𝜅𝜇 < 1, esto es, si
𝜅𝜇 > 𝜆.

Definiciones:

𝜆𝑛 = 𝜆, 𝑛 ≥ 0

𝑛𝜇, 𝑛<𝜅
𝜇𝑛 = {
𝜅𝜇, 𝑛≥𝜅

La definición de 𝜇𝑛 implica una doble definición para 𝑝𝑛 esta es:

𝜌𝑛 𝑝0
, 𝑛<𝜅
𝑝𝑛 = { 𝑛 𝑛!
𝜌 𝑝0
, 𝑛≥𝜅
𝜅! 𝜅 𝑛−𝜅

El valor de 𝑝0 se determina a partir de:

∞

∑ 𝑝𝑛 = 1
𝑛=0

Entonces:

1
𝑝0 =
𝜌𝑛 𝜌𝜅 𝜌 𝑛−𝜅
∑𝜅−1 ∑∞
𝑛! 𝜅! 𝑛=𝜅 𝜅 )
𝑛=0 + (
 1
𝑝0 =
𝜌𝑛 𝜌𝜅 1
∑𝜅−1
𝑛=0 𝑛! + 𝜅! (1 − 𝜌)
𝜅

La expresión para 𝐿𝑞 se determina como sigue:

∞

𝐿𝑞 = ∑(𝑛 − 𝜅)𝑝𝑛
𝑛=𝜅

𝐿𝑞 = ∑ 𝑖𝑝𝑖+𝜅
𝑖=0

∞
𝜌𝑖+𝜅 𝑝0
𝐿𝑞 = ∑ 𝑖
𝜅 𝑖 𝜅!
𝑖=0

∞
𝜌𝜅+1 𝑝0 𝜌 𝑖−1
𝐿𝑞 = ∑𝑖( )
𝜅! 𝜅 𝜅
𝑖=0

∞
𝜌𝜅+1 𝑝0 𝑑 𝜌 𝑖−1
𝐿𝑞 = ∑ 𝑖 ( )
𝜅! 𝜅 𝑑 (𝜌) 𝜅
𝜅 𝑖=0

Finalmente:

𝜌𝜅+1
𝐿𝑞 = 𝑝
(𝜅 − 1)! (𝜅 − 𝜌)2 0

Empleando la fórmula de Little encontramos, además:

 El número promedio de clientes en el sistema es:

𝜆
𝐿 = 𝐿𝑞 +
𝜇

 El tiempo promedio que un cliente pasa en la línea de espera es:

Lq
Wq 


 El tiempo promedio que un cliente pasa en el sistema es:

 1
𝑊 = 𝑊𝑞 +
𝜇

Otra identidad importante es el porcentaje de clientes que tiene que esperar para
ser atendidos, esta es:

1 1
𝑃𝑤 = (𝜌)𝜅 ( 𝜌) 𝑃0
𝜅! 1−𝜅

Ejemplo, el caso del restaurant Tip-Top de comida rápida:

Los administradores del Restaurante Tip Top de comida rápida, que tiene un
sistema de servicio de un solo canal, tienen problemas con la atención de sus
clientes. En las últimas semanas, han recibido quejas relacionadas con el tiempo
que esperan en la cola antes de ser atendidos. Hallaron que la tasa promedio de
clientes que se incorporan a la cola es de 45 clientes por hora, esto es, una tasa
45
promedio de arribos de 𝜆 = 60 = 0,75 clientes por minuto. La tasa promedio de
servicio resultó ser de 1 cliente por minuto, esto es, 𝜇 = 1. Con estos datos las
características de operación de la cola resultaron ser las siguientes:

1. La probabilidad de que no haya clientes en el sistema es 0,25, en efecto

𝜆 0,75
𝑃0 = 1 − = 1− = 0,25
𝜇 1

2. El promedio de clientes en la línea de espera es 2,25, en efecto:

𝜆2 0,752
𝐿𝑞 = = = 2,25
𝜇(𝜇 − 𝜆) 1(1 − 0,75)

3. El promedio de clientes en el sistema es 3, en efecto:

𝜆 0,75
𝐿 = 𝐿𝑞 + = 2,25 + =3
𝜇 1

4. El tiempo promedio que un cliente pasa en la línea de espera es de 3

minutos, en efecto:

𝐿𝑞 2,25
𝑊𝑞 = = =3
𝜆 0,75

5. El tiempo promedio que un cliente pasa en el sistema es de 4 minutos, en

efecto:
 1 1
𝑊 = 𝑊𝑞 + = 3+ = 4
𝜇 1

6. El factor de utilización del sistema es 0,75, en efecto:

𝜆 0,75
𝑃𝑤 = = = 0,75
𝜇 1

Estos datos nos sugieren el siguiente comentario: Los clientes esperan un

promedio de 3 minutos antes de formular su pedido, y no permanecen más de 4
minutos en el sistema, tiempos que no parecen demasiado, pero que, sin
embargo, para ser un restaurante de comida rápida, a los clientes, 4 minutos le
parecen mucho tiempo. Los administradores admiten que debería hacerse algo
para mejorar el servicio y deciden ampliar la operación de un solo canal a un
sistema de dos canales.

Los siguientes son los supuestos para esta situación:

a) La línea de espera tendrá dos canales.

b) El patrón de llegadas sigue una distribución de probabilidad tipo Poisson.
c) El tiempo de servicio para cada canal sigue una distribución de probabilidad
exponencial.
d) La tasa promedio de servicio 𝜇 es la misma para cada uno de los canales.
e) Los clientes que llegan aguardan en una sola cola y después pasan al
primer canal que esté disponible.
f) La disciplina de la cola es “primero en llegar, primero en ser atendido”.

Puesto que 𝜇 es la tasa promedio de servicio para cada canal, entonces, 𝜅𝜇 es la

tasa promedio de servicio para el sistema de canales múltiples. Recordemos que
las relaciones anteriores son aplicables siempre que  sea mayor que 𝜆, cuestión
que en este caso se cumple: 𝜅𝜇 = 2 > 𝜆 = 0,75. Tenemos entonces que:

1. La probabilidad de que no haya clientes en el sistema es:

1
𝑝0 =
𝜌𝑛 𝜌𝑘 1
∑𝑘−1
𝑛=0 𝑛! + 𝑘! (1 − 𝜌)
𝑘
(𝜆/𝜇)𝜂
Debemos observar que la sumatoria del denominador se aplica solamente a .
𝜂!
Los cálculos son los siguientes:
1
𝜌𝑛 0,75𝑛 1 0,75
∑ = = + = 1,75
𝑛! 𝑛! 0! 1!
𝑛=0
Por otra parte:

𝜆 𝜅
(𝜇 ) 𝜅𝜇 0,752 2 0,5625 2
( )= = = 0,4500
𝜅! 𝜅𝜇 − 𝜆 2! 2 − 0,75 2 1,25

Luego:

1 1
𝑃0 = 𝜂 𝜅 = = 0,4545
𝜆 𝜆 1,75 + 0,45
(𝜇 ) (𝜇 ) 𝜅𝜇
∑𝜅−1 +
𝜂−0 𝜂! 𝜅! (𝜅𝜇 − 𝜆)

En consecuencia, la probabilidad de que no haya clientes en el sistema es 0,4545.

2. El número promedio de clientes en la línea de espera es:

0,75 2
( (0,75)(1)
𝐿𝑞 =
(𝜆/𝜇)𝜅 𝜆𝜇
𝑃 = 1 ) (0,4545) = 0,1227 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
(𝜅 − 1)! (𝜅𝜇 − 𝜆)2 0 (2 − 1)! [2(1) − 0,75]2

3. El promedio de clientes en el sistema es:

𝜆 0,75
𝐿 = 𝐿𝑞 + = 0,1227 + = 0,8727 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇 1

4. El tiempo promedio que un cliente pasa en la línea de espera es:

𝐿𝑞 0,1227
𝑊𝑞 = = = 0,16 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 0,75

5. El tiempo promedio que un cliente pasa en el sistema es:

𝜆 1
𝑊 = 𝑊𝑞 + = 0,16 + = 1,16 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜇 1

6. Probabilidad de que un cliente que llega, tenga que esperar para obtener
servicio, el factor de utilización del sistema es:

1 𝜆 𝜅 𝜅𝜇 1 0,75 2 2(1)
𝑃0 = ( ) ( ) 𝑃0 = ( ) ( ) (0,4545) = 0,2045
𝜅! 𝜇 𝜅𝜇 − 𝜆 2! 1 2 − 0,75

7. La probabilidad de que haya hasta 3 clientes en el sistema está dada en la

tabla siguiente:
 Número de clientes Probabilidad
0 0,4545
1 0,3400
2 0,1278
3 0,0479

Un análisis de estos resultados nos indica lo siguiente:

1. El tiempo promedio que requiere el cliente desde el momento que entra a la

línea de espera y el momento en que recibe el pedido, es decir, el tiempo
de espera y el momento en que existe el pedido, es decir, el tiempo de
espera más el tiempo de servicio, se reduce de 𝑊 = 4 minutos a 𝑊 = 1,16
minutos.

2. La longitud promedio de la cola se reduce de 𝐿𝑞 = 2,25 clientes a 𝐿𝑞 =

0,1227 clientes.

3. El tiempo promedio que un cliente espera para ser atendido, se reduce de

𝑊𝑞 = 3 minutos a 𝑊𝑞 = 0,16 minutos.

4. El porcentaje de clientes que tienen que esperar para ser atendidos se

reduce de 𝑃𝑤 = 0,75 (75%) a 𝑃𝑤 = 0,2045 (20,45%).

En los modelos de líneas de espera de canales múltiples, se supone que existe

una sola cola. Sin embargo, es posible hallar, con cierta frecuencia, líneas de
espera de canales múltiples, en que cada canal tiene su propia cola. En general,
se ha podido advertir que los sistemas de canales múltiples son mejores cuando
tienen una única línea de espera, esta es la razón del por qué generalmente las
líneas de espera de canales múltiples tienen una sola cola.

COSTE ECONOMICO DE UN SISTEMA DE LINEAS DE ESPERA

EL GASTO DEL RESTAURANT TIP-TOP

Con cierta frecuencia las decisiones sobre el diseño de una línea de

espera, como, por ejemplo, la definición acerca del número de canales, se basan
en evaluaciones subjetivas de aquellos que las toman. Así, por ejemplo, entre
otras consideraciones, un administrador puede decidir que un promedio de 4 o 5
clientes en la cola es razonable para un sistema, cuestión que, para otro
administrador, podría sugerirle la necesidad de aumentar el número de canales.
En situaciones como estas conviene, antes de tomar la decisión de aumentar o
disminuir los canales, estimar los costos que significaría una modificación de esta
naturaleza. Parece claro, que una mayor cantidad de canales significa una mejor
atención, pero significa también un mayor costo en la prestación del servicio. Por
otra parte, una cola más larga hace que la gente se desmotive y cambie de
restaurante, cuestión que significa pérdida de clientes, y en consecuencia pérdida
de ventas para un costo difícil de evaluar. En lo que sigue intentaremos sugerir
soluciones frente a un problema de esta naturaleza.

En las secciones anteriores estudiamos la situación del Restaurante Tip-Top de

comida rápida utilizando los modelos de líneas de espera de un canal y de dos
canales. Los siguientes son los conceptos que surgen cuando realizamos un
análisis económico de las líneas de espera.

a) 𝐶𝑤 : 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎, 𝑝𝑜𝑟 𝑝𝑒𝑟í𝑜𝑑𝑜, 𝑑𝑒 𝑐𝑎𝑑𝑎 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 (𝑢𝑛𝑖𝑑𝑎𝑑)

b) 𝐿: 𝑁ú𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 (𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠) 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
c) 𝐶𝑠 : 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑆𝑒𝑟𝑣𝑖𝑐𝑖𝑜𝑠, 𝑝𝑜𝑟 𝑝𝑒𝑟í𝑜𝑑𝑜, 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑐𝑎𝑛𝑎𝑙
d) 𝜅: 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑛𝑎𝑙𝑒𝑠
e) 𝑇𝐶: 𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 𝑝𝑜𝑟 𝑝𝑒𝑟í𝑜𝑑𝑜 = 𝐶𝑤 𝐿 + 𝐶𝑠 𝑘

De acuerdo a los conceptos descritos desde (a) hasta (e) nos interesan
fundamentalmente tres características en ambos tipos de modelos 𝐶, 𝐿, 𝑦 𝐶𝑠 . En
cada uno de ellos el valor de 𝐿 es el número promedio de clientes en el sistema.
En el modelo de un solo canal 𝐿 = 3. En cambio, en el modelo de dos canales 𝐿 =
0,8727.

Por otra parte 𝐶𝜇 el costo de espera por período, es difícil de determinar, ya que no
es un costo directo como el de servicio. El costo por la espera puede ser muy
grande o muy pequeño. Sí muchos clientes se van de la cola por espera excesiva
el costo puede ser bastante grande. Sin embargo, en este tipo de situaciones, se
estima un costo de oportunidad por cada período de tiempo de espera de los
clientes.

Finalmente, el costo de servicio por período 𝐶𝑠 es más fácil de calcular, ya que por
cada canal que se agrega al modelo, hay un aumento de personal y otros costos
asociados.

En nuestro caso, los administradores de Tip-Top, han determinado que el costo de

oportunidad, por el abandono de la cola de los clientes es de 8000 pesos por
período. Y los costos asociados a la operación de cada canal que presta el
servicio es de 5000 pesos por período. En consecuencia, el Costo Total para el
modelo de un solo canal es:

𝑇𝐶 = 8000(3) + 5000(1) = 29000 𝑝𝑒𝑠𝑜𝑠.

Y, por otro lado, el Costo Total para un sistema de dos canales es:

𝑇𝐶 = 8000(0,8722) + 5000(2) = 16977,6 𝑝𝑒𝑠𝑜𝑠.

Estos resultados muestran que el modelo de dos canales opera en forma más
económica.
Con frecuencia se muestran las gráficas de la figura 8 para dejar en evidencia las
siguientes ideas:

a) El costo de servicio aumenta a medida que aumenta el número de canales.

b) El costo de espera disminuye a medida que aumenta el número de canales.
c) Se pueden evaluar diversas opciones, respecto del número de canales, con
el fin de optimizar el costo total.

Fig. 8: Costo total v/s Costo de espera

LÍNEA DE ESPERA DE UN SOLO CANAL CON LLEGADAS DE

DISTRIBUCIÓN SEGÚN POISSON Y TIEMPOS DE SERVICIO
ARBITRARIO

CARACTERÍSTICAS DE OPERACIÓN DEL MODELO (𝑀/𝐺/1)

En este modelo, se mantiene la notación que describen las

características de operación de los modelos de líneas de espera que hemos visto
hasta ahora, agregando la desviación estándar del tiempo de servicio esto es:

a) 𝜆: 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠

b) 𝜇: 𝑇𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜
 1
c) = 𝑇𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜
𝜇
d) 𝜎 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑑𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜

De acuerdo a esta notación las características de operación en estado estable del

modelo 𝑀/𝐺/1, son las siguientes:

1. La probabilidad que no haya clientes (unidades) en el sistema es:

𝜆
𝑃0 = 1 −
𝜇

2. El número promedio de clientes (unidades) en la línea de espera es:

2 2 𝜆 2
𝜆 𝜎 + (𝜇 )
𝐿𝑞 =
𝜆
2 (1 − 𝜇 )

3. El número promedio de clientes (unidades) en el sistema es:

𝜆
𝐿 = 𝐿𝑞 +
𝜇

4. El tiempo promedio que un cliente (unidad) pasa en la línea de espera.

𝐿𝑞
𝑊𝑞 =
𝜆

5. El tiempo promedio que un cliente (unidad) pasa en el sistema:

1
𝑊 = 𝑊𝑞 +
𝜇

6. El factor de utilización del sistema. Es también, el porcentaje de clientes

que espera ser atendido.

𝜆
𝑃𝑤 =
𝜇
Observemos que las relaciones 3 4 y 5, son las mismas ecuaciones de flujo de
Little.

Ejemplo, la caja para automovilistas del Banco Santander

Los administradores del Banco Santander, con el fin de atender mejor a los
automovilistas que realizan operaciones bancarias sin bajar de su automóvil, han
decidido estudiar la cola que se produce los días viernes en la mañana, entre las
10:00 y las 11:00. Las llegadas de los clientes son aleatorias y la tasa promedio de
21
llegadas es de 21 clientes por hora, esto es: 𝜆 = 60 = 0,35 clientes por minuto. Un
estudio del proceso muestra que el tiempo promedio de servicio es de 2 minutos
por cliente, con una desviación estándar de 𝜎 = 1,2 minutos.

Notemos que el cajero atiende a dos personas por minuto, en consecuencia la

1
tasa promedio de servicio es 𝜇 = 2 = 0,5 clientes por minuto.

Observemos que las llegadas de los clientes son aleatorias y por lo tanto las
llegadas podrían ser descritas mediante una distribución tipos Poisson. Por otro
lado el tiempo de servicio es descrito mediante una distribución general con Media
y Varianza conocidas. Por lo tanto de esta situación se desprende que se trata de
un modelo de línea de espera 𝑀/𝐺/1. De acuerdo a lo dicho aplicaremos las
características de operación para este modelo.

1. La probabilidad de que no haya clientes en el sistema es:

𝜆 0,35
𝑃0 = 1 − =i− = 0,30
𝜇 0,50

2. El número promedio de clientes en la línea de espera es:

0,35 2
2 2
𝜆 𝜎 + (𝜆/𝜇)2 (0,35)2 (1,2)2 + ( )
0,50
𝐿𝑞 = = = 1,11 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
2(1 − 𝜆/𝜇) 0,35
2 (1 − )
0,50

3. El número promedio de clientes en el sistema es:

𝜆 0,35
𝐿 = 𝐿𝑞 + = 1,11 + = 1,81 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇 0,50

4. El tiempo promedio que un cliente pasa en la línea de espera es:

 𝐿𝑞 1,1107
𝑊𝑞 = = = 3,17 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜆 0,35

5. El tiempo promedio que un cliente pasa en el sistema es:

1 1
𝑊 = 𝑊𝑞 + = 3,17 + = 5,17 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇 0,50

6. El porcentaje de clientes que tiene que esperar para ser atendidos es:

𝜆 0,35
𝑃𝑤 = = = 0,70 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝜇 0,50

De estos resultados se infiere que el tiempo promedio que un cliente pasa en la

línea de espera no es demasiado, pensando en que se trata de un día viernes. Y,
pasar 5,17 minutos en el sistema, no parece tan malo. Sin embargo el Banco
deberá evaluar esos resultados y ver si vale la pena poner otra caja para los
automovilistas o aumentar la tasa promedio de servicio.

Algunos comentarios que se desprenden de este modelo son los siguientes:

Observe que si 𝜎 es grande, aumentará el número de clientes en la línea de

espera. Esto lo sugiere claramente la expresión 𝐿𝑞 , ya que la desviación estándar
está en el numerador de la fracción. Por otra parte, se observa que, una mayor
desviación estándar significa una mayor dispersión en los tiempos de servicio, por
lo tanto en esta situación lo que conviene es reducir la variabilidad en dichos
tiempos. De tal modo que, si no es posible aumentar la tasa promedio de servicio,
una reducción de 𝜎 daría como resultado una disminución en el número promedio
de clientes que se encuentran en la línea de espera y por lo tanto un mejoramiento
en las operaciones de sistema.

OTROS MODELOS DE LÍNEA DE ESPERA

Existen una gran cantidad de modelos de líneas de espera

desarrollados para resolver problemas específicos de colas. Así, por ejemplo, una
variación interesante ocurre en el modelo en que no se permiten las esperas. En
este modelo, a los clientes que llegan buscando un determinado servicio, se les
niega el acceso a la cola si todos los canales están ocupados. En la terminología
de colas, a los clientes que llegan cuando el sistema está ocupado y se les elimina
del sistema, se dice que el sistema los ha bloqueado. Obviamente en este sistema
se pierden clientes, que de acuerdo a la realidad en que opera el modelo, se
espera que dichos clientes vuelvan por el servicio.

Una de las principales aplicaciones de este modelo está en el diseño de sistemas

telefónicos u otros sistemas de comunicación, en donde las llegadas son las
llamadas y los canales son las líneas de teléfono. En el caso de una central
telefónica, una llamada se dirige en forma automática hacia un canal abierto, y
cuando todos los canales están ocupados, las llamadas adicionales reciben una
señal de ocupado y no se permite acceso al sistema. Debemos decir que la Teoría
de Colas empezó a desarrollarse a principios de siglos en base a las aplicaciones
de la ingeniería a la naciente telefonía. De hecho, el fundador de esta disciplina
fue el Ingeniero A.K. Erlang, empleado de la Danish Telephone Company de
Copenhague.

En el presente informe hemos analizado algunos intereses, y más comunes

modelos de líneas de espera. La experiencia nos muestra que estas situaciones
son muy comunes en nuestra sociedad y tienen un efecto importante no solo
desde el punto de vista de la productividad, sino, además, en la calidad de vida de
las personas. Siempre estamos haciendo colas. Cuando vamos a los hospitales, a
los bancos, cuando tomamos alguna locomoción, cuando buscamos trabajo,
cuando vamos a la biblioteca, cuando pagamos nuestra matrícula, cuando vamos
al médico, etc. En todos estos casos se han desarrollado modelos matemáticos
con el fin de lograr que los clientes, las máquinas y todo aquellos que sea objeto
de una cola, tengan un comportamiento óptimo desde el punto de la productividad
y de la calidad en el servicio.

Hemos descrito los modelos básicos de la teoría de colas, para los cuales se han
obtenido resultados útiles y fáciles de aplicar. Finalmente, conviene precisar que
cada día, con la aparición de nuevas tecnologías, y su consecuente uso, están
apareciendo nuevos sistemas de colas y los consiguientes modelos matemáticos
que intentan explicarlas.
BIBLIOGRAFÍA

 Hamdy A. Taha. (1971). Investigación de operaciones. Arkansas:

Pearson.
 Wayne Winston. (1991). Investigación de operaciones:
Aplicaciones y algoritmos. Indiana: Thomson.
 Juan Olivares. (2017). Curso elemental de probabilidad y
estadística. Copiapó.
 Milton Cortés. (año desconocido). Apuntes de Investigación
Operativa. Copiapó.
 José Pedro García Sabater. (2015). Aplicando Teoría de Colas en
Dirección de Operaciones. 21 de diciembre, de Departamento de
Organización de Empresas Universidad Politécnica de Valencia
Sitio web:
http://personales.upv.es/jpgarcia/linkeddocuments/teoriadecolasdoc
.pdf
 Gerardo Fabián Peraza Siqueiros. (febrero de 2013).
INTRODUCCION A LA TEORIA DE COLAS Y SU SIMULACION.
24 de noviembre, de División de Ciencias Exactas y Naturales
Departamento de Matemáticas, Universidad de Sonora. Sitio web:
http://lic.mat.uson.mx/tesis/044_Gerardo_FabianPS.pdf