Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El análisis de los distintos modelos de colas está determinado en gran parte por
la distribución de probabilidad de los tiempos entre llegadas y la distribución de los
tiempos de servicio. En los sistemas de colas reales, estas distribuciones pueden tomar
prácticamente cualquier forma (siempre que sean no negativos). Sin embargo, para
formular y analizar un modelo matemático es necesario especificar la forma supuesta
de cada una de estas distribuciones. Para que sea útil, la forma expuesta debe ser lo
suficientemente realista como para que el modelo proporcione predicciones razonables
y al mismo tiempo lo suficientemente manejable para que sea posible tales predicciones.
Con estas consideraciones, la distribución exponencial es la distribución de probabilidad
más importante en la teorı́a de colas.
85
86 Tema 6. Modelos de colas exponenciales
Una v.a. no negativa, X, se dice que sigue una distribución exponencial con parámetro
λ, X ∼ exp(λ), si
0 si x ≤ 0
F (x) = P (X ≤ x) =
1 − e−λx
si x > 0
Lo que quiere decir que es relativamente probable que X tome valores pequeños.
De hecho, se tiene que
1 1 3
P 0≤X≤ = 0.393 mientras que P ≤X≤ = 0.383
2λ 2λ 2λ
de manera que es más probable que X tome un valor cercano a cero que un valor
cercano a su media, aún cuando el segundo intervalo tiene el doble de longitud
que el primero. ¿Es esta propiedad razonable para un modelo de colas?
P (X > t + s)
P (X > t + s|X > s) =
P (X > s)
−λ(t+s)
e
=
e−λs
= e−λt
= P (X > t)
X = mı́n{X1 , . . . , Xn }
S0 = 0 Sn = X1 + · · · + Xn
Notar que N (0) = 0 y N (t) salta con pasos de longitud 1 en los tiempos t = Sn ,
n = 1, 2, . . .
6.1. La distribución exponencial y los procesos de Poisson 89
N (t) ∈ Z+ , ∀t ≥ 0.
Si s < t, entonces N (s) ≤ N (t) y N (t) − N (s) es el número de sucesos que han
ocurrido en el intervalo (s, t].
Definición 6.1. Si {Xn , n ≥ 1} es una sucesión de v.a.’s iid Exp(λ), entonces {N (t), t ≥
0} se denomina proceso de Poisson de parámetro λ y se representa por P P (λ).
(λt)k
P (N (t) = k) = e−λt
k!
Demostración.
Tenemos que:
⇔ Sk ≤ t
Luego,
P (N (t) ≥ k) = P (Sk ≤ t),
= P (Sk ≤ t) − P (Sk+1 ≤ t)
90 Tema 6. Modelos de colas exponenciales
Por otro lado, puesto que Sk es suma de v.a.’s exponenciales iid, se tiene que
Sk ∼ Gamma(k, λ)
Finalmente,
P N (t) = k = P (Sk ≤ t) − P (Sk+1 ≤ t)
k−1 ri k
h X
−λt (λt)
h X (λt)r i
= 1− e − 1− e−λt
r=0
r! r=0
r!
k
(λt)
= e−λt
k!
f (h)
lı́m =0
h→0 h
Ejemplo 6.7.
ii) N (0) = 0 y
• P (N (h) = 0) = 1 − λh + o(h)
• P (N (h) = 1) = λh + o(h)
µn : tasa media de servicio para todo el sistema (número esperado de clientes que
completan su servicio por unidad de tiempo) cuando hay n clientes en el sistema.
Cuando λn es constante para todo n, se denota por λ. Esto significarı́a que el número
medio de clientes que llega al sistema por unidad de tiempo no depende del estado
del sistema. Cuando la tasa media de servicio por servidor ocupado es constante, se
denota por µ. En este caso, µn = sµ, cuando n ≥ s, es decir, cuando los s servidores
1 1
están ocupados. En estas circunstancias, λ
es el tiempo esperado entre llegadas, µ
es
λ
el tiempo de servicio esperado y ρ = sµ
es el factor de utilización del sistema, es decir,
la fracción media de tiempo que los servidores están ocupados.
Cuando un sistema de colas inicia su operación, los distintos factores del sistema se
encuentran bastante influenciados por las condiciones iniciales; se dice que el sistema
se encuentra en estado transitorio. Una vez que ha pasado suficiente tiempo, usual-
mente, los factores del sistema se vuelven independientes de las condiciones iniciales y
del tiempo transcurrido, y se dice que el sistema se encuentra en estado estable. A
lo largo de este tema, dedicaremos nuestro análisis al estado estacionario que, afortu-
nadamente, en la práctica es el que guarda mayor interés.
94 Tema 6. Modelos de colas exponenciales
Nuestro objetivo inicial será obtener las probabilidades de estado, pn (t): probabili-
dad de que el sistema esté en el estado n (haya n clientes en el sistema) en el instante
t. En general, obtener las probabilidades de estado cuando el sistema se encuentra
en estado transitorio es bastante complicado, ası́ que nos centraremos en calcular las
probabilidades pn = lı́mt→∞ pn (t) cuando el sistema se encuentra en estado estable. De
algún modo esto significa que esperamos que el sistema se vuelva independiente de las
condiciones iniciales y del tiempo que ha transcurrido desde el inicio del mismo. Por lo
tanto, la probabilidades estacionaria pn se puede interpretar como la probabilidad de
que haya n clientes en el sistema cuando éste ha alcanzado el estado estacionario. Hay
que puntualizar que no todos los sistemas tienen estado estacionario, pues lı́mt→∞ pn (t)
podrı́a no dar lugar a una distribución de probabilidad.
Para obtener las ecuaciones en diferencia para pn (t) analizaremos cómo el sistema
puede alcanzar el estado n en el instante t + ∆t. Las posibilidades son las siguientes
Puesto que los tiempos de llegadas y servicio son exponenciales, sabemos que los pro-
cesos que rigen el número de llegadas y el número de servicios que se producen hasta
un cierto instante son Procesos de Poisson, y por lo tanto la probabilidad de que se
den 2 o más llegadas o servicios en un intervalo de longitud ∆t es o(∆t). Por lo tanto,
basta considerar los casos en los que a lo sumo se den una llegada y un servicio. Por lo
tanto, para cada n ≥ 1, las posibilidades son las siguientes:
Por lo tanto,
Puesto que los tiempos de llegada y servicio son independientes entre sı́ y a su vez del
estado del sistema en t (propiedad de incrementos independientes), se tiene que para
6.3. Modelos de colas exponenciales con un único servidor 97
cada n ≥ 1,
pn (t + ∆t) = pn (t)P (no llegadas en (t, t + ∆t])P (no servicios en (t, t + ∆t])+
+ pn−1 (t)P (1 llegada en (t, t + ∆t])P (no servicios en (t, t + ∆t]) + o(∆t).
Supongamos que los tiempos entre llegadas son exponenciales de parámetro λ y los
tiempos de servicio son exponenciales de parámetro µ. Utilizando las propiedades de
los correspondientes Procesos de Poisson, podemos escribir:
Uniendo todos los términos o(∆t) y teniendo en cuenta que los términos (∆t)2 son
también o(∆t), se tiene:
pn (t + ∆t) = pn (t) (1 − λ∆t − µ∆t) + pn+1 (t) (µ∆t) + pn−1 (t) (λ∆t) + o(∆t). (6.1)
Las ecuaciones 6.1 y 6.2 constituyen el sistema de ecuaciones en diferencia para el caso
M/M/1. Obsérvese que estas ecuaciones en diferencia lo son tanto respecto a t como
a n.
98 Tema 6. Modelos de colas exponenciales
El sistema de ecuaciones formado por 6.1 y 6.2 se puede reescribir del siguiente
modo:
pn (t + ∆t) − pn (t) = −(λ + µ)pn (t)∆t + µpn+1 (t)∆t + λpn−1 (t)∆t + o(∆t) n ≥ 1
Supongamos que el sistema alcanza un estado estacionario. Esto significa que cuando
dpn (t)
t → ∞ la probabilidad pn (t) se vuelve independiente del tiempo. Por lo tanto, dt
0 = −λp0 + µp1
Este sistema de ecuaciones en diferencia en una variable (n), podemos resolverlo uti-
lizando un procedimiento iterativo. Obsérvese que:
λ+µ λ
p2 = p1 − p0
µ µ
λ+µ λ λ
= p0 − p0
µ µ µ
2
λ
= p0
µ
Asimismo,
λ+µ λ
p3 = p2 − p1
µ µ
2
λ+µ λ λ λ
= p0 − p0
µ µ µ µ
3
λ
= p0
µ
Por lo tanto, parece razonable conjeturar que
n
λ
pn = p0 (6.5)
µ
Demostraremos la relación anterior por inducción matemática. Supongamos 6.5 es
cierto para n = 1, . . . , k. Veamos que también se verifica para k + 1. Del sistema
de ecuaciones 6.4 se tiene que
λ+µ λ
pk+1 = pk − pk−1
µ µ
Ahora, utilizando la hipótesis de inducción, puesto que 6.5 es cierta para k y k − 1, se
tiene que
k k−1
λ+µ λ λ λ
pk+1 = p0 − p0
µ µ µ µ
" k #
λk+1 + µλk λ
= k+1
− p0
µ µ
k+1
+ µλk − µλk
λ
= p0
µk+1
k+1
λ
= p0
µ
100 Tema 6. Modelos de colas exponenciales
Para completar el análisis falta obtener el valor de p0 . Para ello utilizaremos que {pn }n≥0
debe ser una función puntual de probabilidad, y por lo tanto,
X
pn = 1
n≥0
λ
En definitiva, si ρ = µ
< 1 se tiene que:
n X
1 X λ 1
= = ρn = ,
p0 n≥0
µ n≥0
1−ρ
pn = ρn (1 − ρ).
6.3. Modelos de colas exponenciales con un único servidor 101
o equivalentemente,
λ
L=
µ−λ
Por otro lado, sea Sea Lq la variable aleatoria “número de clientes en la cola” y
Lq = E(L)q . Obsérvese que
0, si L = 0
Lq =
L − 1,
si L ≥ 1
o equivalentemente,
λ2
Lq = .
µ(µ − λ)
Otra media de interés es el tamaño esperado de la cola cuando ésta no está vacı́a.
Denotemos esta medida por Lq
X
Lq = E (Lq |Lq ≥ 1) = (n − 1)pn ,
n≥1
102 Tema 6. Modelos de colas exponenciales
pn = P (L = n|Lq ≥ 1) = P (L = n|L ≥ 2)
P (L = n, L ≥ 2)
=
P (L ≥ 2)
pn
= P (n ≥ 2)
n≥2 pn
pn
=
1 − p0 − p1
pn
=
1 − (1 − ρ) − (1 − ρ)ρ
pn
=
ρ2
Luego
0
si n = 0, 1
pn =
pn2
si n ≥ 2
ρ
Por lo tanto,
X
Lq = (n − 1)pn
n≥1
X pn
= (n − 1)
n≥2
ρ2
!
1 X X
= npn − pn
ρ2 n≥2 n≥2
1
= ((L − p1 ) − (1 − p0 − p1 ))
ρ2
1
= (L + p0 − 1)
ρ2
1 ρ
= + (1 − ρ) − 1)
ρ2 1 − ρ
ρ − (1 − ρ)ρ
=
(1 − ρ)ρ2
1
=
1−ρ
6.3. Modelos de colas exponenciales con un único servidor 103
o, equivalentemente,
µ
Lq = .
µ−λ
En este apartado obtendremos información acerca del tiempo promedio que debe
esperar un cliente en el sistema y en cola para ser servido. Hasta ahora la disciplina de
servicio no ha tenido efecto en los resultados obtenidos para el modelo. Sin embargo,
esta caracterı́stica es fundamental en el estudio de los tiempos de espera. En el modelo
M/M/1 se asume que la disciplina de servicio es FIFO.
tanto, cuando el nuevo cliente llega tiene delante n clientes con tiempos exponenciales
de parámetro µ, por lo tanto
n
E (Wq |L = n) = .
µ
Volviendo de nuevo a la expresión 6.6,
∞
X
Wq = E (Wq |L = n) P (L = n)
n=0
∞
X n
= pn
n=1
µ
∞
X n n
= ρ (1 − ρ)
n=1
µ
∞
ρ X
= ρn−1 (1 − ρ)
µ n=1
1 ρ
=
µ1−ρ
λ
=
µ(µ − λ)
Aunque usualmente la caracterı́stica de interés es la esperanza del tiempo de espera en
cola, para el cálculo de otras medidas se puede comprobar que la función de distribución
de la variable Wq viene dada por:
1 − ρ,
si t = 0
FWq (t) =
1 − ρe−µ(1−ρ)t ,
si t > 0.
Demostración. Por hipótesis tenemos que Wq = µ1 L. Puesto que siempre se cumple que
W = Wq + µ1 , se tiene que:
L 1
=W−
µ µ
Como, por hipótesis, se verifica la fórmula de Little, W = Lλ , tenemos que
L L 1
= − ,
µ λ µ
de donde se sigue que
1 1 1
L − = ,
λ µ µ
y finalmente,
λ ρ
L= = .
µ−λ 1−ρ
Las ecuaciones de estado del sistema, pn (t), dadas para el modelo M/M/1, siguen
siendo válidas si n < K. Analizaremos el caso n = K. Para que el sistema esté en el
estado K en el instante t + ∆t pueden darse tres situaciones:
Por lo tanto,
dpK (t)
= −µpK (t) + λpK−1 (t)
dt
λ
pK = pK−1 .
µ
Por el razonamiento iterativo utilizado para el análisis del modelo M/M/1, sabemos
que n
λ
pn = p0 , 0 ≤ n ≤ K − 1.
µ
De la expresión de pK se deduce que la anterior relación también se verifica para n = K.
Por lo tanto,
pn = (ρ)n p0 , 0 ≤ n ≤ K,
λ
PK
siendo ρ = µ
. El valor de p0 lo podemos obtener de la condición n=0 ρn p0 = 1, de
donde se sigue que
1
p 0 = PK .
ρnn=0
El denominador de la anterior expresión corresponde a la de una serie geométrica finita
cuyo valor es
K 1−ρK+1 , ρ 6= 1
1−ρ
X
ρn =
n=0 K + 1,
ρ=1
Por lo tanto,
1−ρ
, ρ 6= 1
1−ρK+1
p0 =
1
, ρ=1
K+1
Observese que en este caso la solución para el estado estacionario existe incluso si
ρ ≥ 1. Intuitivamente esto se debe a que la limitación en la capacidad del sistema
110 Tema 6. Modelos de colas exponenciales
Medidas de Eficiencia
que
K K K
!
X X 1 1 X 1 K(K + 1) K
L= npn = n = n = = .
n=0 n=0
K +1 K +1 n=0
K +1 2 2
Si ρ 6= 1, entonces
K
X K
X K
X K
X
n n−1
L= npn = np0 ρ = p0 ρ nρ = p0 ρ nρn−1
n=0 n=0 n=1 n=0
K
!
K+1
d X d 1−ρ
= p0 ρ ρn = p0 ρ
dρ n=0
dρ 1−ρ
1 − (K + 1)ρK + KρK+1
= p0 ρ
(1 − ρ)2
ρ 1 − (K + 1)ρK + KρK+1
= .
(1 − ρK+1 )(1 − ρ)
= L − (1 − p0 ),
6.3. Modelos de colas exponenciales con un único servidor 111
P (L = n) pn
pn = P (L = n|L ≤ K − 1) = = , n ≤ K − 1.
P (L ≥ K − 1) 1 − pK
K−1
X
W = E(W |L = n + 1)pn
n=0
K−1
X n + 1 pn
=
n=0
µ 1 − pK
K−1
!
1 X
= (n + 1)pn
µ(1 − pK ) n=0
K−1 k−1
!
1 X X
= npn + pn
µ(1 − pK ) n=0 n=0
1
= ([L − KpK ] + [1 − pK ])
µ(1 − pK )
112 Tema 6. Modelos de colas exponenciales
1
W = ([L − KpK ] + [1 − pK ])
µ(1 − pK )
1 L
=
µ(1 − pK ) ρ
L
= .
λ(1 − pK
Para el cálculo del tiempo medio de espera en cola, Wq , podemos utilizar la relación
Lq
W = Wq + µ1 . Asimismo, se puede comprobar que Wq = λ(1−pK )
.
La mayor parte de los modelos elementales de colas suponen que las entradas (lle-
gadas) y las salidas (servicios) ocurren de acuerdo a un proceso de nacimiento y muerte,
que es un tipo de proceso estocástico en tiempo continuo con espacio de estados discre-
tos y que posee importantes aplicaciones en diversas área. En lo que se refiere a la teorı́a
de colas, el término nacimiento se refiere a la llegada de un nuevo cliente y el término
muerte se refiere a la finalización de un servicio y la consiguiente salida del cliente. El
proceso de nacimiento y muerte describe en términos probabilı́sticos cómo cambia el
número de clientes en el sistema, N (t), con respecto al tiempo t. Las suposiciones del
proceso de nacimiento y muerte son las siguientes:
2. Dado N (t) = n,
6.4. Procesos de Nacimiento y Muerte 113
3. Dado N (t) = n ≥ 1,
= P (N (t) ∈ S ⊂ Z+ |N (tk ) = nk ) .
Al igual que en el análisis del modelo M/M/1, vamos a intentar obtener las probabil-
idades de estado pn (t), a través de un sistema de ecuaciones en diferencia. Para ello,
vamos a analizar cómo podrı́a alcanzar el sistema el estado n en el instante t + ∆t en
función del estado en el instante t. Supongamos inicialmente que n ≥ 1.
114 Tema 6. Modelos de colas exponenciales
pn (t + ∆t) = pn (t)(1 − λn ∆t − µn ∆t + pn+1 (t) (µn+1 ∆t) + pn−1 (t) (λn+1 ∆t) + o(∆t).
(6.11)
Para el caso n = 0, el razonamiento serı́a el siguiente:
6.4. Procesos de Nacimiento y Muerte 115
0 = −λ0 p0 + µ1 p1
116 Tema 6. Modelos de colas exponenciales
o, equivalentemente,
(λn + µn )pn = µn+1 pn+1 + λn−1 pn−1 , n ≥ 1
(6.13)
λ0 p0 = µ1 p1
λ1 + µ1 λ0 λ1 + µ1 λ0 λ0 λ1 λ0
p2 = p1 − p0 = p 0 − p0 = p0 .
µ2 µ2 µ2 µ1 µ2 µ2 µ1
Igualmente,
λ2 + µ2 λ1 λ2 + µ2 λ1 λ0 λ1 λ0 λ2 λ1 λ0
p3 = p2 − p1 = p0 − p0 = p0 .
µ3 µ3 µ3 µ2 µ1 µ3 µ1 µ3 µ2 µ1
λk + µk λk−1
pk+1 = pk − pk−1
µk+1 µk+1
k
! k−1
!
λk + µk Y λi−1 λk−1 Y λi−1
= p0 − p0
µk+1 i=1
µi µk+1 i=1
µi
k k k
λk Y λi−1 µk Y λi−1 µk Y λi−1
= p0 + p0 − p0
µk+1 i=1
µi µk+1 i=1
µi µk+1 i=1 µi
k+1
Y λi−1
= p0 .
i=1
µi
6.5. Modelos de colas exponenciales con varios servidores en paralelo 117
Por lo tanto, una condición necesaria y suficiente para que exista la solución del estado
estacionario es que la serie
∞ Y
n
X λi−1
(6.15)
n=1 i=1
µi
sea convergente.
Nota. Para el modelo M/M/1, se tiene que λi = λ y µi = µ, por lo que la serie anterior
P∞ λ n
queda n=1 µ que es convergente si µλ < 1.
λ n
Nota. Supongamos que λn = λ y µn = nµ. Entonces, pn = p0 n!µ n , y la serie 6.15
quedarı́a
∞ Y
n ∞ n
X λi−1 X λ 1
= ,
n=1 i=1
µi n=1
µ n!
λ
que es convergente y vale e− µ − 1. Por lo tanto, en este caso, se tiene que
n
λ
λ
−µ λ
−µ µ
p0 = e , pn = e , n ≥ 1,
n!
muerte en el que λn = λ, para todo n. Por otro lado, recordemos que µn es el número
medio de servicios que finalizan por unidad de tiempo cuando en el sistema hay n
clientes. Si n > c, entonces los c servidores están ocupados y como cada uno de ellos
sirve a µ clientes por unidad de tiempo, en total finalizarı́an cµ servicios por unidad de
tiempo. Si 1 ≤ n ≤ c, entonces sólo n de los c canales están ocupados, y por lo tanto
la tasa de finalización de servicios serı́a nµ. En definitiva,
nµ, 1 ≤ n ≤ c
µn =
cµ, n > c.
P∞
Utilizando la condición de que pn = 1, podemos derivar el valor de p0 .
n=0
c−1 ∞
!
X λn X λn
p0 + = 1.
n=0
n!µn n=c c!cn−c µn
Denotando r = µλ , ρ = λ
= rc , tenemos que la expresión anterior quedarı́a
cµ
c−1 n ∞
!
X r X rn
p0 + n−c
= 1.
n=0
n! n=c
c!c
P∞ rn
Analicemos ahora la serie n=c c!cn−c .
∞ ∞ ∞
X rn rc X r n−c rc X m
= = ρ , (6.17)
n=c
c!cn−c c! n=c c c! m=0
rc 1 r
que converge a c! 1−ρ
siempre que ρ = c
< 1.
r λ
Por lo tanto, para el modelo M/M/c, si se verifica que ρ = c
= cµ
< 1 entonces la
solución estacionaria existe y el valor de p0 viene dado por
c−1 n
!−1 c−1 n c !−1
X r crc X 1 λ 1 λ cµ
p0 = + = + . (6.18)
n=0
n! c!(c − r) n=0
n! µ c! µ cµ − λ
6.5. Modelos de colas exponenciales con varios servidores en paralelo 119
Nota. Obsérvese que si c = 1, las expresiones 6.16 y 6.18 se convierten en las corre-
spondientes al caso M/M/1.
Medidas de eficiencia
En definitiva, c
λ
µ
λµ
Lq = p0 . (6.20)
(c − 1)!(cµ − λ)2
Distribuciones de probabilidad de Wq y W
Asimismo, W es una variable continua, cuya función de densidad viene dada por:
En el modelo con población finita los clientes alternan entre estar dentro y fuera
del sistema, ası́ pues por analogı́a con el modelo M/M/c se supone que el tiempo
que pasa cada miembro fuera del sistema es una variable exponencial de parámetro λ.
Cuando n miembros están dentro, N − n están fuera, y por lo tanto la distribución
de probabilidad del tiempo que falta para la próxima llegada al sistema es el mı́nimo
de N − n variables exponenciales independientes de parámetro λ. Se puede demostrar
que esta distribución se ajusta a una exponencial de parámetro λ(N − n). Ası́ que el
modelo es un caso especial del proceso de nacimiento y muerte en el cual
(N − n)λ, 0 ≤ n ≤ N
λn =
0,
n>N
y
nµλ, 1 ≤ n ≤ c
µn = cµλ, c ≤ n ≤ N
0,
n>N
" N n #−1
X N! λ
p0 =
n=0
(N − n)! µ
n
N! λ
pn = p0 , 1≤n≤N
(N − n)! µ
λ+µ µ
Lq = N − (1 − p0 ), L=N− (1 − p0 )
λ λ
Lq L
Wq = , W =
λ λ
6.6. Modelo M/M/c con fuente de entrada finita 123
donde
λ = λ(N − L).
" c−1
X N n N n #−1
λ X N n! λ
p0 = + n−c
n=0
n µ n=c
n c!c µ
N
λ n
p0 , 0≤n≤c
n µ
pn = n
N n! λ
p0 , c ≤ n ≤ N
n cn−c c! µ
" c−1 N n #
X N n
λ 1 X N n! λ
L = p0 n + n n−c
.
n=0
n µ c! n=c
n c µ
c−1 n
X N λ
Lq = L − c + p0 (c − n) .
n=0
n µ
Lq L
Wq = , W =
λ λ
donde
λ = λ(N − L).
124 Tema 6. Modelos de colas exponenciales
Modelo M/G/1
En este modelo se supone que el sistema de colas tiene un servidor, las llegadas
se producen según un proceso de Poisson de tasa λ y los clientes tienen tiempos de
1
servicio independientes e idénticamente distribuidos de media µ
y varianza σ 2 .
Cualquier sistema de colas de este tipo alcanza en algún momento el estado estable si
λ
ρ= µ
< 1. Las medidas de eficiencia para este modelo toman las siguientes expresiones
(la referente a Lq recibe el nombre de fórmula de Pollaczek-Khintchine)
p0 = 1 − ρ
λ2 σ 2 + ρ2
Lq =
2(1 − ρ)
L = Lq + ρ
Lq
Wq =
λ
L 1
W = = Wq +
λ µ
Modelo M/D/1
Modelo M/Ek /1
El modelo M/D/c supone una variación cero en los tiempos de servicio, mientras
1
que el modelo M/M/1 supone una gran variabilidad (σ = µ
). Entre estos dos casos
extremos hay un gran intervalo (0 < σ < µ1 ) en el que caen muchas de las distribuciones
de servicio reales. Una distribución teórica de tiempos de servicio que concuerda con
este rango intermedio es la distribución de Erlang.
p0 = 1 − ρ
2
1+k λ
Lq = , L = Lq + ρ
2k µ(µ − λ)
126 Tema 6. Modelos de colas exponenciales
Lq L 1
Wq = , W = = Wq +
λ λ µ