SISTEMA DE COLAS

8.1 Introducción
En este capítulo estudiaremos una clase de modelos en los que los clientes llegan
de manera aleatoria a una instalación de servicio. A su llegada se les hace esperar en
la cola hasta que sea su turno para ser atendidos. Una vez servidos, generalmente se
supone que abandonan el sistema. Para tales modelos, nos interesará determinar, entre
otras cosas, cantidades tales como el número promedio de clientes en el sistema (o en
la cola) y el tiempo promedio que un cliente pasa en el sistema (o pasa esperando en
la cola).
En la Sección 8.2 derivamos una serie de identidades básicas de colas que son
de gran utilidad para analizar modelos de colas. También presentamos tres conjuntos
diferentes de probabilidades limitantes que corresponden a lo que ve una llegada, lo
que ve una partida y lo que vería un observador externo.

En la Sección 8.3, tratamos con sistemas de colas en los que se supone que todas
las distribuciones de probabilidad definitorias son exponenciales. Por ejemplo, el
modelo más simple es suponer que los clientes llegan de acuerdo con un proceso de
Poisson (y, por lo tanto, los tiempos entre llegadas están distribuidos
exponencialmente) y son atendidos uno a la vez por un solo servidor que toma un
período de tiempo exponencialmente distribuido para cada servicio. Estos modelos de
colas exponenciales son ejemplos especiales de cadenas de Markov de tiempo
continuo y, por lo tanto, pueden analizarse como en el Capítulo 6. Sin embargo, a
costa de una (muy) leve cantidad de repetición, no asumiremos que está familiarizado
con el material del Capítulo 6, sino que desarrollaremos cualquier material necesario.
Específicamente, derivaremos de nuevo (mediante un argumento heurístico) la
fórmula para las probabilidades limitantes.

En la Sección 8.4 consideramos modelos en los cuales los clientes se mueven

aleatoriamente entre una red de servidores. El modelo de la Sección 8.4.1 es un sistema
abierto en el que los clientes pueden ingresar y salir del sistema, mientras que el
estudiado en la Sección 8.4.2 está cerrado en el sentido de que el conjunto de clientes
en el sistema es constante en el tiempo.

En la Sección 8.5 estudiamos el modelo M/G/1, que si bien supone la llegada de

Poisson, permite que la distribución del servicio sea arbitraria. Para analizar este
modelo, primero presentamos en la Sección 8.5.1 el concepto de trabajo, y luego
usamos este concepto en la Sección 8.5.2 para ayudar a analizar este sistema. En la
Sección 8.5.3 derivamos la cantidad promedio de tiempo que un servidor permanece
ocupado entre períodos inactivos.

En la Sección 8.6 consideramos algunas variaciones del modelo M/G/1. En

particular, en la Sección 8.6.1, suponemos que las cargas de clientes de autobuses
llegan de acuerdo con un proceso de Poisson y que cada autobús contiene un número
aleatorio de clientes. En la Sección 8.6.2, suponemos que hay dos clases diferentes de
clientes, con clientes tipo 1 recibiendo prioridad de servicio sobre el tipo 2.
 482

En la Sección 8.6.3 presentamos un ejemplo de optimización M/G/1. Suponemos que

el servidor se interrumpe cada vez que está inactivo, y luego determina, bajo ciertos
supuestos de costos, el momento óptimo para que regrese al servicio.

En la Sección 8.7 consideramos un modelo con tiempos de servicio

exponenciales pero donde se permite que los tiempos entre llegadas entre clientes
tengan una distribución arbitraria. Analizamos este modelo mediante el uso de una
cadena de Markov adecuadamente definida. También derivamos la duración media de
un período ocupado y de un período inactivo para este modelo.

En la Sección 8.8 consideramos un sistema de servidor único cuyo proceso de

llegada resulta de visitas de retorno de un número finito de posibles fuentes.
Suponiendo una distribución de servicios generales, mostramos cómo se puede utilizar
una cadena de Markov para analizar este sistema.

En la sección final del capítulo hablamos sobre los sistemas multiservidor.

Comenzamos con los sistemas de pérdida, en los que se supone que las llegadas que
encuentran todos los servidores ocupados parten y, como tal, se pierden en el sistema.
Esto lleva al famoso resultado conocido como la fórmula de pérdida de Erlang, que
presenta una fórmula simple para la cantidad de servidores ocupados en dicho modelo
cuando el proceso de llegada a Poisson y la distribución del servicio es general. Luego
discutimos los sistemas multiservidor en los que se permiten colas. Sin embargo,
excepto en el caso de que se supongan tiempos de servicio exponenciales, existen muy
pocas fórmulas explícitas para estos modelos. Terminamos presentando una
aproximación del tiempo promedio que un cliente espera en la cola en un modelo de
servidor k que asume la llegada de Poisson pero permite para una distribución de
servicios generales.

8.2 Preliminares
En esta sección derivaremos ciertas identidades que son válidas en la gran
mayoría de los modelos de colas.

8.2.1 Ecuaciones de costos

Algunas cantidades fundamentales de interés para los modelos de colas son

 L, el número promedio de clientes en el sistema;

 LQ, el número promedio de clientes que esperan en la cola;
 W, la cantidad promedio de tiempo que un cliente pasa en el sistema;
 WQ, la cantidad promedio de tiempo que un cliente pasa esperando en la
cola.

Se puede obtener una gran cantidad de relaciones interesantes y útiles entre las
cantidades de interés anteriores y otras haciendo uso de la siguiente idea: Imagine
que los clientes que ingresan se ven obligados a pagar dinero (de acuerdo con alguna
regla) al sistema. Entonces tendríamos la siguiente identidad básica de costos:
 483

Tasa promedio a la que gana el sistema

= λa × monto promedio que paga un cliente entrante (8.1)

Donde λa se define como la tasa promedio de llegada de clientes entrantes. Es decir,

si N (t) indica el número de llegadas de clientes por tiempo t, entonces

Ahora presentamos una prueba heurística de la ecuación (8.1).

Prueba heurística de ecuación (8.1). Deja que T sea un número grande fijo. De dos
maneras diferentes, calcularemos la cantidad promedio de dinero que el sistema ha
ganado en el tiempo T. Por un lado, esta cantidad se puede obtener aproximadamente
multiplicando la tasa promedio a la que el sistema gana por el período de tiempo T.
Por otro lado, podemos calcularlo aproximadamente multiplicando el monto promedio
pagado por un cliente entrante por el número promedio de clientes entrantes por el
tiempo T (este último factor es aproximadamente λaT). Por lo tanto, ambos lados de la
ecuación (8.1) cuando se multiplican por T son aproximadamente iguales a la cantidad
promedio ganada por T. El resultado luego sigue dejando T → ∞. ∗

Al elegir las reglas de costo apropiadas, se pueden obtener muchas fórmulas útiles
como casos especiales de la ecuación (8.1). Por ejemplo, suponiendo que cada cliente
paga $ 1 por unidad de tiempo mientras está en el sistema, la ecuación (8.1) produce
la llamada fórmula de Little,

L = λaW (8.2)

Esto se debe a que, según esta regla de costo, la tasa a la que gana el sistema es solo
el número en el sistema, y la cantidad que paga un cliente es igual a su tiempo en el
sistema.

Del mismo modo, si suponemos que cada cliente paga $ 1 por unidad de tiempo
mientras está en la cola, entonces la ecuación (8.1) produce

LQ = λaWQ (8.3)

Al suponer la regla de costo de que cada cliente paga $ 1 por unidad de tiempo
mientras está en servicio, obtenemos de la Ecuación (8.1) que el

número promedio de clientes en servicio = λa E [S] (8.4)

donde E [S] se define como la cantidad promedio de tiempo que un cliente pasa
en servicio.

∗ Esto se puede convertir en una prueba rigurosa siempre que supongamos que el proceso de colas es
regenerativo en el sentido de la Sección 7.5. La mayoría de los modelos, incluidos todos los de este capítulo,
cumplen esta condición.
 484

Cabe destacar que las ecuaciones (8.1) a (8.4) son válidas para casi todos los modelos
de colas, independientemente del proceso de llegada, el número de servidores o la
disciplina de la cola.

8.2.2 Probabilidades de estado estacionario

Supongamos que X (t) denota el número de clientes en el sistema en el momento t y
define Pn, n ≥ 0, por

Pn = lim P {X (t) = n}
t→∞
Donde asumimos que existe el límite anterior. En otras palabras, Pn es la probabilidad
limitante o de largo plazo de que haya exactamente n clientes en el sistema. A veces
se le conoce como la probabilidad de estado estable de exactamente n clientes en el
sistema. Por lo general, también resulta que Pn es igual a la proporción (a largo plazo)
de tiempo que contiene el sistema exactamente n clientes. Por ejemplo, si P0 = 0.3, a
la larga, el sistema estará vacío de clientes durante el 30 por ciento del tiempo. Del
mismo modo, P1 = 0.2 implicaría que durante el 20 por ciento del tiempo el sistema
contendría exactamente un cliente. *

Otros dos conjuntos de probabilidades limitantes son {an, n ≥ 0} y {dn, n ≥ 0}, donde

an = proporción de clientes que encuentran n en el sistema cuando llegan, y

dn = proporción de clientes que dejan atrás n en el sistema cuando salen

Es decir, Pn es la proporción de tiempo durante el cual hay n en el sistema; an es la

proporción de llegadas que encuentran n; y dn es la proporción de salidas que dejan
atrás n. El siguiente ejemplo ilustra que estas cantidades no necesitan ser siempre
iguales.

Ejemplo 8.1 Considere un modelo de colas en el que todos los clientes tienen tiempos
de servicio iguales a 1, y donde los tiempos entre clientes sucesivos siempre son
mayores que 1 (por ejemplo, los tiempos entre llegadas podrían distribuirse
uniformemente en (1, 2)). Por lo tanto, como cada llegada encuentra el sistema vacío
y cada salida lo deja vacío, tenemos

a0 = d 0 = 1

Sin embargo,

P0 ≠ 1

ya que el sistema no siempre está vacío de clientes.

Sin embargo, no fue casualidad que un dn igualado en el ejemplo anterior. Que las
llegadas y salidas siempre vean el mismo número de clientes es siempre cierto, como
se muestra en la próxima propuesta.

∗ Una condición suficiente para la validez de la interpretación dual de Pn es que el proceso de colas
sea regenerativo.
 485

Propuesta 8.1 En cualquier sistema en el que los clientes llegan y salen uno a la vez

la velocidad a la que las llegadas encuentran n = la velocidad a la que salen las

salidas n
y
an = dn

Prueba. Una llegada verá n en el sistema siempre que el número en el sistema pase
de n a n +1; de manera similar, una partida se irá cuando el número en el sistema pase
de n + 1 a n. Ahora, en cualquier intervalo de tiempo T, el número de transiciones de
n a n + 1 debe ser igual a 1 el número de n + 1 a n. (Entre dos transiciones de n a n +
1, debe haber uno de n + 1 a n, y viceversa).
Por lo tanto, la tasa de transiciones de n a n + 1 es igual a la tasa de n + 1 a n; o, de
manera equivalente, la tasa a la cual las llegadas encuentran n es igual a la tasa a la
que las salidas salen n. Ahora an, la proporción de llegadas que encuentran n, se puede
expresar como

an = la velocidad a la que las llegadas encuentran n

tasa de llegada general

Similar,

dn = la velocidad a la que salen las salidas n

tasa de salida general

Por lo tanto, si la tasa de llegada global es igual a la tasa de salida general, entonces
lo anterior muestra que an = dn. Por otro lado, si la tasa de llegada general excede la
tasa de salida general, entonces el tamaño de la cola irá al infinito, lo que implica que
an = dn = 0.

Por lo tanto, en promedio, las llegadas y salidas siempre ven el mismo número de
clientes. Sin embargo, como ilustra el ejemplo 8.1, en general, no ven promedios de
tiempo. Una excepción importante donde lo hacen es en el caso de las llegadas de
Poisson.

Proposición 8.2 Las llegadas de Poisson siempre ven promedios de tiempo. En

particular, para las llegadas de Poisson,

Pn = an

Para comprender por qué las llegadas de Poisson siempre ven promedios de tiempo,
considere una llegada arbitraria de Poisson. Si supiéramos que llegó en el momento t,
entonces la distribución condicional de lo que ve al llegar es la misma que la
distribución incondicional del estado del sistema en el tiempo t. Por saber que una
llegada ocurre en el momento t no nos da información sobre lo que ocurrió antes de t.
(Dado que el proceso de Poisson tiene incrementos independientes, saber que un
evento ocurrió en el tiempo t no afecta la distribución de lo que ocurrió antes de t).
Por lo tanto, una llegada solo vería el sistema de acuerdo con las probabilidades
limitantes.
 486

Contraste lo anterior con la situación del Ejemplo 8.1, donde saber que se produjo una
llegada en el momento t nos dice mucho sobre el pasado; en particular nos dice que
no ha habido llegadas en (t −1, t). Por lo tanto, en este caso, no podemos concluir que
la distribución de lo que observa una llegada al tiempo t es la misma que la distribución
del estado del sistema en el tiempo t.