En este capítulo se presenta primero la terminología usada en los sistemas de líneas de espera, luego se

describen las características más importantes de estos sistemas, después se tratarán algunos de los
modelos de líneas de espera más frecuentes para resolver problemas de este tipo y por último se presenta
el caso de un sistema de líneas de es

Características y las gráficas de la distribución de probabilidad normal o campana de Gauss

Característica de la distribución normal tipificada (reducida, estándar)

 No depende de ningún parámetro.

 Su media es 0, su varianza es 1 y su desviación típica es 1.
 La curva f(x) es simétrica respecto del eje OY. Distribución simétrica
 Tiene un máximo en este eje.
 Tiene dos puntos de inflexión en z =1 y z = -1
 Es a sintónica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores tienen al infinito
 En el centro de la curva se encuentran la media, mediana y la moda
 El área total bajo la curva representa el 100% de los casos.
 Los elementos centrales del modelo son la media y la varianza.

En el modelo de líneas de espera MG1 que se ajusta a diversas funciones conocidas de probabilidad, una de
las cuales es la distribución normal

Características y las gráficas de la distribución de probabilidad exponencial

La distribución de Poisson describe las llegadas por unidad de tiempo y la distribución exponencial estudia
el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson, el tiempo entre ellas es
exponencial.

La distribución exponencial es continua, porque el tiempo entre llegadas no tiene porque ser un número
entero

Se usa mucho para describir el tiempo entre eventos, específicamente la variable aleatoria que representa
el tiempo para servir a la llegada, un ejemplo el tiempo que un médico dedica a un paciente

La distribución exponencial es para eventos sin memoria. La distribución es continua

Características: De toda variable aleatoria continua que sigue una norma de distribución exponencial

• El valor esperado es,

Aquel Valor cuya probabilidad de que sea tomado por una variable dada es máxima.
• La varianza es,

La esperanza del cuadrado de la desviación de dicha variable respecto a su media o valor esperado.

Grafica de la distribución exponencial

Se presenta en la figura 13.3 para el caso particular de landa = 4. En ella se ve cómo al aumentar el tiempo,
la probabilidad disminuye exponencialmente, de ahí el nombre de esta distribución.

Un ejemplo de esto podría ser el tiempo que transcurre entre dos llamadas por teléfono, número de
peatones que llegan a un semáforo, etc.

Características y las gráficas de la distribución de probabilidad poisson

La distribución de Poisson es discreta el campo de variación de la variable será el conjunto de los números
naturales, incluidos el cero: 0,1,2,3,4,…..

Tres condiciones necesarias para la existencia del proceso de llegada Poisson:

1. Continuidad (al menos un cliente debe llegar a la cola en un intervalo de tiempo)

2. Estacionario la probabilidad de que llegue un cliente es la misma que para todos los intervalos de
tiempo
3. Independencia (la llegada de un cliente no tiene influencia sobre la llegada de otro)

La fórmula de esta distribución es la siguiente (Kaufmann, 1970):

n = Número de sucesos.
Landa = Número promedio de sucesos de la muestra
t: Intervalo de tiempo
e= 2,7182818 (base del logaritmo natural)
Esta distribución de probabilidad es discreta y una presentación gráfica de la misma se muestra en la 13.2
para el caso de landa = 2.

Esta distribución es muy utilizada para representar llegadas aleatorias de clientes a un sistema de líneas
de espera y supone cuatro situaciones:

a) Las llegadas de los clientes son independientes entre sí.

b) Las llegadas son independientes del estado del sistema.
c) Las llegadas son sucesos sin memoria, es decir, no dependen de eventos anteriores.
d) Las llegadas sólo dependen del lapso de tiempo entre una y otra.

Característica de la distribución discreta de Poisson

*Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo de un
espacio de observación
*Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera no
determinística.
*La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no depende del
origen del intervalo (Aunque, sí de su amplitud)
*La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente proporcional a la
amplitud del intervalo.
*La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un infinitésimo de
orden superior a dos.
En consecuencia, en un intervalo infinitésimo podrán producirse O o 1 hecho pero nunca más de uno
*Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o designe el
"número de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se distribuye con
una distribución de parámetro landa Así:

Características y las gráficas de las siguientes distribuciones de probabilidad: Triangular

La distribución triangular es habitualmente empleada como una descripción subjetiva de una población para
la que sólo se cuenta con una cantidad limitada de datos muéstrales y, especialmente en casos en que la
relación entre variables es conocida pero los datos son escasos (posiblemente porque es alto el costo de
recolectarlos). Está basada en un conocimiento del mínimo y el máximo y un "pálpito inspirado" 1 como el del
valor modal. Por estos motivos, la Distribución Triangular ha sido denominada como la de "falta de precisión"
o de información.

Es la distribución de probabilidad continua que tiene un valor mínimo a, un valor máximo b y una moda c, de
modo que la función de densidad de probabilidad es cero para los extremos (a y b), y afín entre cada extremo
y la moda, por lo que su gráfico es un triángulo.

Características y las gráficas de las siguientes distribuciones de probabilidad: Uniforme

La distribución Uniforme es el modelo (absolutamente) continuo más simple. Corresponde al caso de una
variable aleatoria que sólo puede tomar valores comprendidos entre dos extremos a y b, de manera que
todos los intervalos de una misma longitud (dentro de (a, b)) tienen la misma probabilidad. También puede
expresarse como el modelo probabilístico correspondiente a tomar un número al azar dentro de un intervalo
(a, b).

De la anterior definición se desprende que la función de densidad debe tomar el mismo valor para todos los
puntos dentro del intervalo (a, b) (y cero fuera del intervalo). Es decir,

Propiedades del modelo Uniforme

1. Su esperanza vale (b + a)/2

2. Su varianza es (b − a)2/12

Muestreo de una distribución uniforme

Existen muchos usos en que es útil realizar experimentos de simulación. Muchos lenguajes de
programación poseen la capacidad de generar números pseudo-aleatorios que están distribuidos de
acuerdo a una distribución uniforme estándar.

DISTRIBUCIÓN UNIFORME (DE V.DISCRETA)

Es una distribución muy sencilla que asigna probabilidades iguales a un conjunto finito de puntos del espacio.

Modeliza fenómenos en los que tenemos un conjunto de n sucesos posibles, cada uno de los cuales con la
misma probabilidad de ocurrir. Si aleatorizamos de forma que cada uno de éstos sucesos se corresponda
con un número natural del 1 a n obtendremos una distribución uniforme. Tendremos un único parámetro.

Diremos, por tanto que

Puede hacerse derivar en consecuencia de un proceso experimental de selección aleatoria, en el que la
característica que consideramos en la selección sólo puede tomar un conjunto de n valores discretos y
donde cualquiera de estos valores puede obtenerse con igual probabilidad.

Por su elementalidad no es una distribución de excesivo interés práctico.

Su función de cuantía definida para los valores de x ={ 1, 2, , n} vendrá dada por la constante:
P(x) = l /n para x ={ 1, 2, , n}

DISTRIBUCIÓN UNIFORME (DE V.CONTINUA)

La distribución o modelo uniforme puede considerarse como proveniente de un proceso de extracción

aleatoria .El planteamiento radica en el hecho de que la probabilidad se distribuye uniformemente a lo largo
de un intervalo. Así: dada una variable aleatoria continua, x, definida en el intervalo [a,b] de la recta real,
diremos que x tiene una distribución uniforme en el intervalo [a,b] cuando su función de densidad

para sea: para x Î [a,b].

Su representación gráfica será:

Características y las gráficas de las siguientes distribuciones de probabilidad: Chi cuadrado (χ²)

La letra griega χ se transcribe al latín como chi y se pronuncia en castellano como ji.
¿Quien la descubrió? Karl Pearson (1857 – 1936)
A Karl Pearson se debe el estadístico ji-cuadrado, introducido en 1900.

La distribución de chi-cuadrada es una distribución continua que se especifica por los grados de libertad y
el parámetro de no centralidad. La distribución es positivamente asimétrica, pero la asimetría disminuye al
aumentar los grados de libertad.

¿Cómo se define la variable?

Es una distribución de probabilidad continua con un parámetro k que representa los grados de libertad de
la variable aleatoria:
X= Z1²+…+Zk²
Donde Zi son variables de distribución normal, de media cero y varianza uno.
El que la variable aleatoria X tenga esta distribución se representa habitualmente así:
X ~ Xk²
Una variable Chi cuadrada se define como la suma de n variables normales estandarizadas elevadas al
cuadrado.}

Algunas de sus características:

 La distribución es asimétrica positiva.

 A medida que aumenta el tamaño de la muestra la curva es menos asimétrica, aproximándose a una
curva normal.
 Para cada tamaño muestral, se tendrá una distribución χ2 diferente.
 El parámetro que caracteriza a una distribución χ2 son sus grados de libertad (n-1), originado una
distribución para cada grado de libertad.

Características y las gráficas de las siguientes distribuciones de probabilidad:

Las formas más comunes, los modelos más usuales de líneas de espera son:

D/D/1
D/D/S
M/M/1
M/M/S
M/G/1
M/D/1

MODELOS DE LÍNEAS DE ESPERA

En esta sección se presentan algunos de los modelos más usuales de líneas de espera, como el D/D/1,
D/D/S, M/M/1, M/M/S, M/G/1 y el M/D/1. En todos estos modelos se requiere simularlos para
analizar las características operativas de los mismos, como el tiempo promedio de espera y de servicio
que pasan los clientes y la longitud promedio de la línea de espera.

Modelo D/D/1

En este modelo tanto el patrón de llegadas como el de servicio se conocen exactamente y hay sólo un
servidor. Este tipo de situaciones se presenta en raras ocasiones, como en el caso de revisiones
médicas de rutina, departamentos de inspección de la calidad en las empresas y otros (Ackoff y
Sasieni, 1979).

Ejemplo: El departamento de exámenes médicos de un hospital cita a los pacientes cada 5 min
comenzando a las 9:00 a. m. para practicarles una revisión general, que tarda 7 min. Durante un lapso
de 2 h de funcionamiento:

a) ¿Cuál será el número promedio de pacientes en espera y siendo atendidos?

b) ¿De qué tamaño será la línea de espera a las 2 h?
Solución: lo que se hará será simular el sistema, que se presenta en la tabla 13.2.

a) En la tabla 13.2 se observa que durante el lapso de las dos horas hay en todo momento un paciente
en revisión. Sin embargo, en la línea de espera hay minutos sin ningún paciente, incluso algunos periodos
de hasta siete pacientes, por tanto para obtener el promedio se deben cuantificar los minutos de cero
hasta siete pacientes de las 9:00 a las 11:00 horas. Al efectuar esto se tendrá:

• Cero pacientes: 5 + 3 + 1= 9 min.

• Un paciente: 2 + 4 +5 + 4 + 2 =17 min.
• Dos pacientes: 1 + 3 + 10 +3 + 1 = 18 min
• Tres pacientes: 2 + 4 + 5 + 4 + 2 =17 min.
• Cuatro pacientes: 1 + 3 + 10 + 3 + 1 = 18 min.
• Cinco pacientes: 2 + 4 + 5 + 4 + 2 =17 min.
• Seis pacientes: 1 + 3 + 10 +3 + 1 = 18 min.
• Siete pacientes: 2 + 4 =6 min.

Para explicar la forma como se obtuvieron estos valores, se ilustra el caso paso a paso para un
paciente. Ha habido un paciente en los siguientes lapsos de tiempo:

Lapso de tiempo Paciente en espera Duración

Lo que da por resultado los 17 min totales con un paciente en espera. Para obtener el promedio de
pacientes en espera, sólo se aplica la siguiente fórmula:

Donde:

XM = Número promedio de clientes en espera.

X; = Número individual de clientes en espera.

Ti = Tiempo que hubo X; clientes en espera.

n = Número máximo de clientes en espera.

Para el presente caso n = 7, por tanto se tiene:

De la tabla inicial se ve que a las 11:00 h, la línea de espera tendrá siete pacientes, incluyendo al Y,
que se incorpora justo a esa hora

Ejemplo 2: La compañía transportista Fletes Potosinos. Manda a servicio de lavado lotes de cuatro
camiones cada hora. Cada camión requiere un tiempo de 15 min para su lavado. Hallar:
a) El número promedio de camiones en espera de lavado
b) El número promedio de camiones en el sistema
c) El tiempo promedio que dura un camión en el sistema

Solución en la tabla 13.3 se presenta una simulación del sistema de la línea de espera formada por los
camiones, que en este caso son los clientes, el servicio es el lavado, que es realizado por un solo
servidor.

En este caso con simular una hora es suficiente, ya que la segunda hora será idéntica a la primera.
a) En la tabla 13.3 hay en la línea de espera 15 min de tres clientes, otros 15 min de dos, de uno y de
cero clientes, por tanto mediante la ecuación se obtiene:

d) El número promedio de camiones en el sistema será la suma de los que están en espera y en
servicio. Es decir:
1.5 + 1.0 = 2.50 Ya que durante toda la hora hay un camión en servicio.

c) El tiempo promedio que dura un camión en el sistema será la suma del tiempo de espera, más el
tiempo de servicio. Para esto se estimará para cada camión este tiempo:
• Camión A: Tiempo en el sistema = 0 + 15 = 15 min.
• Camión B: Tiempo en el sistema = 15 + 15 = 30 min.
• Camión C: Tiempo en el sistema = 30 + 15 = 45 min.
• Camión D: Tiempo en el sistema = 45 + 15 = 60 min.
Por lo que el promedio será:
Tiempo promedio. = 15+30+45+60 = 150 =37.50 min+
4 4

Modelo D/D/S
Es muy parecido al anterior, con la variante de que ahora hay varios servidores, cada uno de los
cuales da el servicio a los clientes (Ackoff y Sasieni, 1979). Para su análisis puede hacerse una
simulación del sistema de la línea de espera, como se ha hecho con el modelo anterior.
Ejemplo 13.3. Al departamento de control de calidad de la empresa Envases Plásticos de Rioverde llegan
cada hora cuatro
lotes de envases para su inspección, que se realiza por parte de
dos encargados, cada uno de los cuales tarda 34 min en la revisión.
En un turno de ocho horas:
a) ¿Cuántos lotes de envases en espera de ser revisados habrá
al final del mismo?
b) ¿Cuál será el número promedio de lotes en la línea de espera
a lo largo del turno?
Solución: para contestar ambas preguntas lo primero que se
hará será simular la operación del sistema durante un turno, cuya
situación se presenta en la tabla 13.4.
Modelo D/D/S

Es muy parecido al anterior, con la variante de que ahora hay varios servidores, cada uno de los cuales
da el servicio a los clientes (Ackoff y Sasieni, 1979). Para su análisis puede hacerse una simulación
del sistema de la línea de espera, como se ha hecho con el modelo anterior.

Ejemplo 13.3. Al departamento de control de calidad de la empresa Envases Plásticos de Rioverde

llegan cada hora cuatro lotes de envases para su inspección, que se realiza por parte de dos
encargados, cada uno de los cuales tarda 34 min en la revisión. En un turno de ocho horas: a) ¿Cuántos
lotes de envases en espera de ser revisados habrá al final del mismo? b) ¿Cuál será el número promedio
de lotes en la línea de espera a lo largo del turno? Solución: para contestar ambas preguntas lo primero
que se hará será simular la operación del sistema durante un turno, cuya situación se presenta en la
tabla 13.4.

Tabla 13.4. Simulación del sistema de la línea de espera de Envases Plásticos de Rioverde.

emplo 13.2. La compañía transportista Fletes Potosinos a servicio de lavado lotes de cuatro camiones
cada hora. amión requiere un tiempo de 15 min para su lavado. Hallar:

El número promedio de camiones en espera de lavado. El número promedio de camiones en el sistema.

El tiempo promedio que dura un camión en el sistema.

lución: en la tabla 13.3 se presenta una simulación del sis? la línea de espera formada por los camiones,
que en este los clientes, el servicio es el lavado, que es realizado por servidor.

Bibliografía

https://www.google.com/search?q=caracteristicas+de+la+distribucion+normal&oq=caracteristicas+de+la+di
stribucion+normal&aqs=chrome..69i57j0l5.21646j0j7&sourceid=chrome&ie=UTF-8

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm

https://matematica.laguia2000.com/general/distribucion-exponencial

https://es.wikipedia.org/w/index.php?title=Distribuci%C3%B3n_triangular&action=edit&section=3

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/uniforme.htm

https://es.slideshare.net/sevilla_carlos2004/distribucion-de-chi-cuadrado

http://variablesaleatoriasestadistica.blogspot.com/p/normal-0-21-false-false-false.html