Capítulo 5

Ley de Little

John DC Little y Stephen C. Graves

Instituto de Tecnología de Massachusetts

El tiempo de espera promedio y el número promedio de artículos que esperan un

servicio en un sistema de servicio son medidas importantes para un gerente. La
Ley de Little relaciona estas dos métricas a través de la tasa promedio de
llegadas al sistema. Esta ley fundamental ha encontrado numerosos usos en la
gestión de operaciones y la toma de decisiones gerenciales.

Introducción

Caroline es un aficionado al vino y bon vivant. A ella le gusta detenerse en su

tienda de vinos local, Transcendental Tastings, camino a casa desde el trabajo.
Navega por los pasillos buscando los últimos lanzamientos de sus viñedos
favoritos. De vez en cuando recoge algunas botellas. Ella los almacena en un
estante en un rincón fresco de su sótano. Ella y su pareja comen con frecuencia,
pero cuando están en casa suelen dividir una botella de vino en la cena. A veces
tienen amigos y eso hace mella en el inventario de vinos.
Han estado haciendo esto por algún tiempo. Su botellero tiene 240 botellas. Se
da cuenta de que rara vez llena el estante hasta la parte superior, pero a veces,
después de una buena fiesta, el estante está vacío. En promedio, parece estar
aproximadamente 2 / 3rds lleno, lo que equivaldría a 160 botellas.
Muchos vinos mejoran con la edad. Después de leer un artículo sobre esto,
Caroline comienza a preguntarse cuánto tiempo, en promedio, ha estado
guardando sus vinos. Revisó unos meses de facturas de vino de Transcendental y
estima que ha comprado, en promedio, unas ocho botellas por mes. Pero
ciertamente no sabe cuándo bebió qué botella y, por lo tanto, parece que no hay
forma de que pueda averiguar, incluso aproximadamente, la edad promedio de las
botellas que ha estado bebiendo.
Esta es una buena tarea para la Ley de Little.

D. Chhajed y TJ Lowe (eds.) Desarrollando la intuición: ideas desde lo básico 81

Modelos y principios de gestión de operaciones. doi: 10.1007 / 978-0-387-73699-
0, © Springer Science + Business Media, LLC 2008
82 JDC Little, Graves SC

La Ley de Little trata con los sistemas de colas

Un "sistema de colas" consiste en objetos discretos que llamaremos "elementos" que

"llegan" en cierta medida al "sistema". Dentro del sistema, los elementos pueden
formar una o más colas y eventualmente recibir "servicio" y salir.Figura 5.1 muestra
esto esquemáticamente.

sistema de colas:
Llegadas → elementos en → Salidas
cola y artículos en servicio
Flujo de artículos a través de un sistema de colas
Fig. 5.1 Vista esquemática de un sistema de colas

Mientras los elementos están en el sistema, pueden estar en cola o pueden estar
en servicio o algunos en cola y algunos en servicio. La interpretación dependerá
de la aplicación y los objetivos del modelador. Por ejemplo, en el caso de la
bodega, decimos que una botella (un "artículo") llega al sistema cuando se coloca
por primera vez en la bodega. Cada botella permanece en el sistema hasta que
Caroline la selecciona y la retira de la bodega para su consumo. Si consideramos
el botellero como un servidor de un solo canal, el tiempo de servicio es el tiempo
entre sucesivas eliminaciones. Sin embargo, es interesante notar que no sabemos
qué botella recogerá Caroline y no hay ninguna razón particular para creer que
elegirá según una regla de primero en entrar, primero en salir (FIFO). En todo
caso,
La Ley de Little dice que, en condiciones de estado estable, el número
promedio de elementos en un sistema de colas es igual a la tasa promedio a la que
los elementos llegan multiplicado por el tiempo promedio que un elemento pasa
en el sistema. Dejando
L = número promedio de artículos en el sistema de colas,
W = tiempo de espera promedio en el sistema para un artículo, y
λ = número promedio de artículos que llegan por unidad de tiempo, la ley es

L = l W. (1)

Esta relación es notablemente simple y general. Requerimos suposiciones de

estacionariedad sobre los procesos estocásticos subyacentes, pero es bastante
sorprendente lo que no requerimos. No hemos mencionado cuántos servidores
hay, si cada servidor tiene su propia cola o una sola cola alimenta a todos los
servidores, cuáles son las distribuciones de tiempo de servicio, o cuál es la
distribución de los tiempos entre llegadas, o cuál es el orden de servicio de
artículos, etc.
En buena parte debido a su simplicidad y generalidad, el ecuación (1) Es
extremadamente útil. Es especialmente útil para los cálculos del "reverso del
sobre". La razón es que dos de los términos en (1) pueden ser fáciles de estimar y
no el tercero. Luego, la Ley de Little proporciona rápidamente el valor faltante.
5 Ley de Little 83

Por lo tanto, para Caroline, el número promedio de botellas en el sistema es L =

(240) * (2/3)
= 160 botellas y la tasa de llegada promedio es λ = (12) * (8) = 96 botellas / año. Sin
recopilar datos individuales sobre cuánto tiempo permanece cada botella en su sótano,
ella
puede calcular la cantidad promedio de tiempo que una botella permanece en su
sótano como W = (160) / (96) ≅ 1,67 años. Eso no es muy viejo. Ella necesita un
estante más grande y más paciencia, o, como alternativa, debe desarrollar reglas
de selección para favorecer sostener botellas especiales por más tiempo que las
demás. Esto no afectaría el promedio, pero podría darle algunos buenos vinos
viejos.

Argumentando la Ley de Little con una imagen

Figura 5.2 muestra Una posible realización de un sistema de colas particular.

Podemos Haga un argumento heurístico para la Ley de Little interpretando el área
bajo la curva en Fig. 5.2 de dos maneras diferentes Dejar
Nuevo Testamento) = el número de artículos en el sistema
de colas en el tiempo t; T = un largo período de tiempo;
A) = el área bajo la curva n (t) durante el período de tiempo
T; N (T) = el número de llegadas en el período de tiempo
T.
Por un lado, un elemento en el sistema de colas simplemente está allí. El
número de elementos se puede contar en cualquier instante de tiempo t para dar n
(t). Su valor promedio sobre T es la integral de n (t) sobre T (es decir, A (T))
dividido por T. Por otro lado, en el tiempo t cada uno de los elementos está
esperando y, por lo tanto, está acumulando tiempo de espera. Al integrar n (t)
durante el período de tiempo T, obtenemos una medida acumulativa del tiempo de
espera, nuevamente igual a A (T). Además, las llegadas también son contables, y
son dadas por N (T). Por lo tanto, inspeccionando la figura, definimos
Fig. 5.2 Número de artículos en un sistema de colas versus tiempo
84 JDC Little, Graves SC

λ (T)= N (T) / T = tasa de llegada durante el período de tiempo T,

L (T) = A (T) / T = longitud promedio de la cola durante el período de tiempo
T,
W (T) = A (T) / N (T) = tiempo de espera promedio en el sistema por llegada
durante T.
Una ligera manipulación da L (T) = λ (T) W (T).
Todas estas cantidades se mueven un poco a medida que T aumenta debido a la
naturaleza estocástica del proceso de colas y a los efectos finales. Los efectos
finales se refieren a la inclusión en W (T) de algunas esperas por elementos que se
unieron al sistema antes del inicio de T y la exclusión de algunas esperas por
elementos que llegaron durante T pero aún no se han ido. A medida que T
aumenta, L (T) y λ (T) suben y bajan un poco a medida que los artículos llegan y
luego se van.
Bajo supuestos matemáticos apropiados sobre la estacionariedad de los
procesos estocásticos subyacentes, los efectos finales al comienzo y al final de T
se vuelven insignificantes en comparación con el área principal debajo de la
curva. Por lo tanto, a medida que aumenta T, estos "movimientos" estocásticos en
L (T), λ (T) y W (T) se convierten en porcentajes cada vez menores de sus valores
eventuales, de modo que L (T), λ (T) y W (T) cada uno llega a un límite a medida
que aumentamos T al infinito. Luego, usando los símbolos obvios para los límites,
tenemos:
   
lim LT = L; lim λ T = λ; lim WT
T→∞ T→∞ T→∞

de donde obtenemos el resultado deseado (1).

Es interesante e importante tener en cuenta que la fórmula se cumple para cada
realización del sistema de colas a lo largo del tiempo. Esto fue argumentado por Little,
en su artículo original (Little 1961), señalando que la relación (1) se mantenía para
cada evolución de la serie temporal de un sistema de colas particular. En otras
palabras, si observamos un caso específico o una realización designada, digamos, por
w, a medida que se desarrolla con el tiempo, entonces encontraremos que

Construyendo Intuición La Ley de Little proporciona una relación

fundamental entre tres parámetros clave en un sistema de colas (o línea de
espera / servicio): el número promedio de artículos en el sistema, el tiempo
promedio de espera (o tiempo de flujo) en el sistema para un artículo y el
promedio tasa de llegada de artículos al sistema. El sistema puede ser muy
general. Por ejemplo, podría incluir tanto la instalación de servicio como la
línea de espera, o podría ser solo la línea de espera. Una característica
importante de la Ley de Little es que al conocer, quizás por medición
directa, dos de los tres parámetros, se puede calcular el tercero. Esta es una
propiedad extremadamente útil ya que la medición de los tres parámetros
puede ser difícil en ciertas aplicaciones.
La Ley de Little es aplicable en muchos entornos, incluidas las industrias
de fabricación y servicios, así como la toma de decisiones cotidianas por
parte de particulares.
5 Ley de Little 85

L (w) = λ (w) W (w), dado el estado estacionario y otras suposiciones hechas. El

promedio transversal de las muchas posibles realizaciones de un sistema en
particular da
(1), pero es una idea útil saber que la fórmula es válida para cada serie temporal
en evolución, ya que se observa durante un largo período de tiempo.

¿Derecho o tautología?

Ecuación (1) es comúnmente llamada Ley de Little y hemos adoptado alegremente

esa terminología Sin embargo, como lo señalaron varias personas, entre ellas Little
(1992),Eq. (1) es un teorema matemático y, por lo tanto, una tautología. La
relación resulta útil en la práctica, pero no hay necesidad de salir a la fábrica y
recopilar datos para probarla. Esto se requeriría en el caso de una ley física como
la Ley de Gravitación de Newton. Cada lado de la ecuación de Newton tiene que
medirse y es una pregunta empírica si son iguales dentro del error de medición.
Para un teorema matemático, si la aplicación cumple los supuestos, el resultado se
mantendrá. Tenga en cuenta que llamar a un teorema matemático una ley no tiene
precedentes. La Ley de los grandes números sería otra instancia.

Utilidad de la Ley de Little en la práctica

En esta sección intentamos transmitir la generalidad del resultado y su utilidad en

diferentes contextos mediante ejemplos simples. En cada caso, vemos cómo la
observación de dos de las tres medidas proporciona la tercera. Tratamos de
resaltar por qué estos análisis de fondo son de interés y valor en diferentes
situaciones.
Fábrica de semiconductores: Los dispositivos semiconductores se fabrican en
instalaciones de fabricación extremadamente intensivas en capital. El proceso de
fabricación implica comenzar con una oblea de silicio y luego construir los
circuitos electrónicos para múltiples dispositivos idénticos a través de cientos de
pasos del proceso. Suponga que la fábrica de semiconductores inicia 1,000 obleas
por día, en promedio; Esta es la tasa de entrada. La tasa de inicio se ha mantenido
bastante estable en los últimos 9 meses. Rastreamos la cantidad de inventario de
trabajo en proceso (WIP). El WIP varía entre 40,000 y 50,000 obleas; el WIP
promedio es de 45,000 obleas.
Entonces podemos inferir el tiempo de flujo promedio en la fábrica. La tasa de
llegada a la fábrica es la tasa de inicio de la oblea: λ = 1,000 obleas por día. El WIP es
la longitud de la cola del sistema: L = 45,000 obleas. Por lo tanto, el tiempo de espera
o el tiempo esperado en el sistema es W = 45 días. En un contexto de fabricación, a
menudo nos referimos a esto como el tiempo de flujo, el tiempo entre el inicio y el
final de un trabajo en una fábrica. Por ejemplo, si pensamos que una oblea es un
trabajo, la fábrica tarda un promedio de 45 días en procesarla, es decir, convertirla de
una oblea en blanco en una oblea terminada compuesta
86 JDC Little, Graves SC

de dispositivos electrónicos. Conocer el tiempo de flujo es crítico para planificar y

programar la fábrica, y para hacer compromisos de entrega a los clientes. Más
tarde volveremos a la conexión entre Little's Law y la gestión de operaciones.
Correo electrónico: Administrar nuestro correo electrónico es una actividad
diaria común y que consume mucho tiempo. Para muchos es difícil mantenerse al
día con el volumen de mensajes, y mucho menos proporcionar respuestas
oportunas. Una estudiante Sue puede recibir 50 mensajes cada día a los que debe
generar una respuesta. ¿Podemos evaluar fácilmente qué tan bien esta estudiante
maneja sus tareas de correo electrónico?
De hecho, podemos aplicar la Ley de Little para tener una idea rápida de la
rapidez con que Sue responde a los mensajes. Supongamos que recibe unos 50
mensajes todos los días; entonces esta es la tasa de llegada: λ = 50 mensajes / día.
Supongamos que también podemos rastrear cuántos mensajes aún no se han
respondido. Por ejemplo, supongamos que Sue elimina un mensaje de su InBox
una vez que ha respondido. Luego, los mensajes restantes en su InBox son los
mensajes que esperan ser respondidos. Durante el último semestre, el tamaño de
InBox ha variado entre uno y doscientos mensajes con un promedio de 150
mensajes. Entonces podemos considerar que esta es la longitud de la cola del
sistema: L = 150 mensajes. Según la Ley de Little, inmediatamente tenemos una
estimación de cuánto tiempo le toma a Sue responder un mensaje, en promedio:
W = 3 días.

Sala de hospital : Deseamos determinar el tamaño y los niveles de personal

para la sala de maternidad de un hospital local. Según los registros históricos,
sabemos que la tasa de natalidad de la comunidad local es de aproximadamente
cinco nacimientos por día. También sabemos que la mayoría de las mujeres se
quedan en la sala de maternidad durante 2 días antes de irse a casa con el niño; Sin
embargo, ocasionalmente, hay complicaciones con el parto que requieren estadías
mucho más largas. En los últimos 6 meses, encontramos que el 90% de los
nacimientos han resultado en estancias de 2 días; Para el 10% restante de los
casos, el tiempo promedio en la sala de maternidad es de 7 días. Por lo tanto, en
promedio, la duración de la estadía es de 0.9× 2 + 0.1 × 7 = 2.5 días.
Podemos usar la Ley de Little para predecir el número promedio de madres en
la sala de maternidad. El proceso de llegada corresponde a las mujeres que llegan
para dar a luz a sus bebés; la tasa de llegada es λ = 5 madres por día. El tiempo de
espera relevante en el sistema es la duración de la estadía en la sala de maternidad:
W = 2.5 días. Por lo tanto, la longitud esperada de la cola o número en el sistema
es L = 12.5 madres. Esto sería útil para determinar el tamaño de la sala de
maternidad (p. Ej., Camas) y los requisitos de personal. Sin embargo, la ley solo
proporciona los requisitos promedio, y uno necesitaría diseñar la sala de
maternidad para acomodar sus requisitos máximos. Por ejemplo, sin duda
querríamos más de 12.5 o 13 camas para manejar la variabilidad en la ocupación
de la sala. Es necesario utilizar modelos de colas y / o simulación para explorar las
compensaciones entre la utilización de las camas y la probabilidad de no tener una
cama para una futura madre. Sin embargo, Little's Law proporciona un punto de
partida para esta investigación, ya que sabemos la cantidad promedio de camas
que se necesitan.
 Cabinas de peaje: El túnel Ted Williams viaja bajo el puerto de Boston,
conectando East Boston con South Boston. Durante el transcurso de un día, alrededor
de 50,000 vehículos pasan por los peajes en el punto de entrada al Túnel en East
Boston. El massachusetts
5 Ley de Little 87

La Autoridad de Tránsito (MTA) intenta modular el número de cabinas de peaje

que están abiertas en cualquier momento para que el número promedio de
vehículos que esperan en los peajes (incluidos los de las cabinas) nunca exceda los
20 vehículos. Por ejemplo, las seis cabinas están abiertas durante la hora pico de
la mañana de 6:00 a.m. a 10:00 a.m. Durante esta hora pico de la mañana, el túnel
maneja hasta 4,000 autos por hora, y la MTA estima que el número promedio de
vehículos que esperan en cualquier momento está cerca del objetivo máximo de
20 vehículos.
Con el supuesto de que las llegadas se producen a un ritmo relativamente estable
durante la hora pico de la mañana, podemos usar la Ley de Little para preguntar qué
calidad de servicio se ofrece en términos de tiempo de espera promedio por vehículo.
Suponga que la tasa de llegada a las cabinas de peaje es λ = 3,600 vehículos por hora
(o 1 vehículo por segundo), y el número esperado de vehículos en el sistema es L = 20
vehículos. Por lo tanto, en promedio, el tiempo que pasa un vehículo en las cabinas de
peaje es W = 20 / 3.600 h = 20 s.
Mercado inmobiliario: El agente inmobiliario local de su comunidad estima
que se tarda 120 días en promedio para vender una casa; Si bien este número
cambia algo con la economía y la temporada, se ha mantenido bastante estable
durante la última década. Observando al monitorear los anuncios clasificados que
durante el año pasado, el número de casas en venta varió de 20 a 30 en cualquier
momento, con un promedio de 25. ¿Qué podemos decir sobre el número de
transacciones en el año pasado?

De Little's Law podemos estimar esto al ver el mercado inmobiliario como un

sistema de colas. Consideramos que una casa puesta a la venta es una llegada al
sistema. Suponemos que una casa sin vender permanece en el mercado hasta que
se vende. Por lo tanto, cuando una casa "completa su servicio" y sale del mercado,
inferimos que se ha vendido. Tenemos estimaciones del tiempo promedio en el
sistema y el número promedio en el sistema, a saber, W = 120 días y L = 25 casas.
A partir de esto, podemos estimar la tasa de llegada al sistema, λ = 25/120 casas
por día≅ 75 casas por año.
Tienda de donas: Desde su viaje diario por la mañana a la tienda de donas,
sabe que tienen un negocio saludable, al menos financieramente. Como es posible
que desee invertir en una franquicia, se pregunta qué cantidad de ingresos
generan. En el transcurso de varios meses, visita la tienda en momentos aleatorios
entre las 6:00 a.m. y las 9:00 a.m. observa que la cola tiene un promedio de
aproximadamente 10 clientes y que le toma aproximadamente 3 minutos entrar y
salir de la tienda.
Si supone que su experiencia es típica, puede aplicar la Ley de Little para
estimar cuál es la tasa de rendimiento de la empresa para el período pico de la
mañana. El número esperado en el sistema es L = 10 clientes y el tiempo esperado
en el sistema es W = 3 min. Luego podemos estimar la tasa de llegada al sistema,
es decir, λ = 10/3 clientes por minuto = 200 clientes por hora. También
denominamos a esto la tasa de rendimiento ya que los clientes que llegan se
convierten en rendimiento una vez atendidos. Para obtener una estimación del
potencial de ingresos de esta tienda, necesitamos estimar cuánto gasta cada
cliente. Si normalmente gasta $ 5 por visita, entonces, suponiendo que es un
cliente típico, tenemos una estimación aproximada de los ingresos de la tienda
durante estas horas de la mañana, es decir, $ 1,000 por hora.
88 JDC Little, Graves SC

La robustez y generalidad de la ley de Little en

ciertos sistemas

Hasta ahora hemos desarrollado y discutido la Ley de Little como una relación
entre procesos estocásticos de estado estacionario. Los contextos que hemos
examinado han sido bien portados, estables y continuos. En particular, suponemos
que las características de los procesos de llegada y servicio son estacionarias en el
tiempo. Por ejemplo, en el caso de la sala de maternidad, suponemos que la tasa
promedio de llegada de madres ha sido constante en cinco por día durante algún
tiempo, y que esta tasa no varía con el día de la semana o la estación del año. Del
mismo modo, hemos considerado el proceso de servicio como estacionario; por
ejemplo, leemos y procesamos nuestro correo electrónico aproximadamente a la
misma tasa promedio, día tras día, independientemente de la acumulación de
mensajes no leídos. Para algunos de nuestros ejemplos, nos hemos centrado en un
intervalo de tiempo, por ejemplo, la hora pico de la mañana a través de las cabinas
de peaje.
El propósito de esta sección es mostrar la gran solidez y generalidad de la Ley
de Little en ciertas circunstancias. De hecho, la Ley de Little es exacta en estos
casos, aunque el proceso de llegada y servicio puede ser no estacionario. La
condición esencial es tener una ventana de observación finita que se inicia y se
detiene cuando el sistema está vacío. Utilizamos un ejemplo para motivar e ilustrar
la validez de la Ley de Little en esta situación. Considere el supermercado Sweet
& Sour, que abre todos los días a las 7:00 a.m. y cierra 16 h más tarde a las 11:00
p.m. Cuando S&S abre a las 7 AM, no hay clientes en la tienda. Cuando cierra a
las 11 PM, todos los clientes se van. Entre la apertura y el cierre, los clientes
llegan a la tienda, hacen sus compras y se van. Las llegadas en el transcurso del
día son bastante variadas. Incluyen varios segmentos de clientes, cada uno con
hábitos de compra bastante distintos. Las familias con niños en edad escolar
comprarán entre las 9:00 a.m. y las 2:00 p.m., y tenderán a realizar incursiones de
compras bastante largas mientras se abastecen durante una semana a la vez. Las
personas mayores tenderán a comprar en momentos tranquilos del día, como a
primera hora de la mañana, y también serán bastante pausadas en sus compras,
demorando hasta una hora en completar una visita. Las parejas que trabajan
comprarán por la noche después del trabajo o los fines de semana; sus visitas
nocturnas suelen ser para entrar, tomar algo y salir corriendo. Tomando hasta una
hora para completar una visita. Las parejas que trabajan comprarán por la noche
después del trabajo o los fines de semana; sus visitas nocturnas suelen ser para
entrar, tomar algo y salir corriendo. Tomando hasta una hora para completar una
visita. Las parejas que trabajan comprarán por la noche después del trabajo o los
fines de semana; sus visitas nocturnas suelen ser para entrar, tomar algo y salir
corriendo.

Proponemos modelar S&S como un sistema de colas con las llegadas siendo
los clientes cuando ingresan a la tienda y el servicio es la duración de su tiempo
en la tienda seleccionando y comprando sus comestibles. Sin embargo, de la
discusión anterior, vemos que esto es todo menos un sistema estable. El
supermercado nunca está en estado estacionario. Comienza y termina cada día con
cero clientes. A lo largo del día, los clientes llegan a tasas variables, y la
naturaleza de sus viajes de compras también varía durante el día, debido a las
diferentes clientelas. Sin embargo, mostraremos a continuación que Little's Law
se aplica todos los días a este supermercado de manera exacta.
5 Ley de Little 89

Un interludio analítico

Deje que N indique la cantidad de clientes que compran en un día en particular.

Supongamos que hacemos un seguimiento de cuándo llegan los clientes y cuándo
salen de la tienda. Luego podemos definir y crear dos procesos, uno para las
llegadas y otro para las salidas. Definimos el tiempo t = 0 para corresponder a la
apertura a las 7 AM, y el tiempo t = 16 para que la tienda cierre a las 11 PM, 16 h
más tarde.
Dejamos que N (t) denote el número acumulado de llegadas a la tienda por el
tiempo t. Por lo tanto, cuando comenzamos el día con cero clientes, tenemos N (0)
= 0; Como suponemos que un total de N clientes llegan durante el día, tenemos N
(16) = N. Las llegadas acumuladas aumentan de forma escalonada, como se
muestra enFig. 5.3, sobre 0 <t <16 .
De manera similar, definimos D (t) para denotar el número acumulado de
salidas de la tienda por el tiempo t. Nuevamente, tenemos D (0) = 0, D (16) = N, y
las desviaciones acumulativas aumentan de forma escalonada durante el intervalo
de tiempo 0 <t <16; verFig. 5.3.
Notamos que en todo momento tenemos N (t) ≥D (t), ya que el número de salidas
nunca puede exceder el número de llegadas. De hecho, la diferencia entre los dos
procesos acumulativos es el número de clientes en el supermercado en el momento t:

L(t) = N (t)- re(t)

Con esta observación podemos determinar el número promedio en el

supermercado a lo largo del día a partir de la siguiente integral:

Llegadas acumuladas N
(t)

Acumulativ
Número

o
Salidas
D (t)
L (t)
Cliente

W3 = C3 - s3

1 C2 C3
s 1 s 2 s 3 s44 C t Hora
Fig. 5.3 Llegadas y salidas acumuladas de un sistema, por ejemplo, el supermercado
 90 JDC Little, Graves SC
t
diec
iséis
1 (2)
die
L = éis ×  (N (t) - D (t)) dt.
cis
t0
0 .

Modelar el tiempo promedio en el supermercado para cada cliente es un poco

más complicado. Definimos {s1 s2 , ... snorte } para ser la secuencia de llegada o
hora de inicio para los N clientes, donde sjdenota la hora de inicio para el jth
cliente que llega. Definimos {c1 ,C2 , ... Cnorte} para ser la secuencia de horarios
de salida o finalización para los N clientes, donde cjdenota el tiempo de
finalización para el jth cliente que llega. Por lo tanto, el tiempo en el
supermercado para el cliente que llega j es W j = cj - sj. Promediar esto sobre todos
los clientes da:
norte
1 nort
W = × C - es .
norte j  1 j  j (3)
j 1

Para calcular (3) desarrollaremos una expresión equivalente basada en la

geometría en Fig. 5.3. Definamos {c1,C2 ,...Cnorte} para ser la secuencia de tiempo
de salida o finalización para los N clientes, donde c jdenota el tiempo de
finalización para el jth cliente saliente. Como los clientes no necesitan salir de la
tienda en el orden en que llegan, a menudo tendremosj ≠ Cj. Sin embargo, la
secuencia {c1, C2 ,..., Cnorte} es solo una permutación o reordenamiento de la
secuencia {c1 ,C2 , ...
Cnorte} ya que la hora de salida de cada cliente debe aparecer exactamente una vez
en cada secuencia.
Como se muestra en Fig. 5.3, podemos definir el jth tiempo de espera como W j
= cj - sj, igual a la diferencia entre la hora de salida para el cliente número j y la
hora de inicio para el cliente número j. Ahora consideremos el promedio de estos
tiempos de espera:
norte norte nort
1 ×Wj= 1 × C j e
- s.
n n  j

o o j 1
rt rt
e j1 e j1 = Cj. Por lo tanto, concluimos
norte quenorte
C
Pero esto será igual a W dado por (3), ya que  j
j 1

j 1

norte norte e e
W= 1 ×Wj= 1 × C j
n n
o o
rt j  1 rt j1
 -
nort sj. (4)
e
j 1

Ahora necesitamos relacionar nuestra expresión para L, dada por (2) con
nuestra expresión para W, dada por (4). De la geometría enFig. 5.3, observamos la
siguiente equivalencia:
t norte

(N (t) - D (t)) dt = W j .
die
ciséi
s
(5)
j 1

t 0
0
5 Ley de Little 91 91

Es decir, a cada lado de la ecuación, tenemos una expresión para el área entre las
llegadas acumuladas y las salidas acumuladas. En el lado izquierdo calculamos el área
mediante la integración a lo largo del tiempo de la función que rastrea el número en el
sistema; en el lado derecho calculamos el área sumando el tiempo en el sistema para N
clientes.
De (2), (4) y (5), ahora podemos escribir Little's Law para el supermercado:
t
diec nort no
L= ×
1
iséis
 
Nt - D t dt = ×
 1
e
 W
j rte
=×W. (6)
diecis diec dieci
éis t00 iséis j 1 séis

norte
Reconocemos dieciséis ser la tasa de llegada en clientes por hora para un día en particular, y
norte
definimos λ = ; así tenemos (6) en su forma familiar, L = lW.
dieciséis
Con este sencillo ejemplo, hemos demostrado que la Ley de Little puede ser
cierta en un período de tiempo finito (16 h) con llegadas no estacionarias y sin
ninguna noción de ningún estado estable para el sistema en cuestión.
Reflexionando, había dos condiciones esenciales para este resultado:
• Condiciones de contorno: especificamos la ventana de tiempo finito para
comenzar y terminar con un sistema vacío. Esta era una condición natural para
el supermercado y, de hecho, sería común para muchos sistemas de servicio.
• Conservación de los clientes: suponemos que todos los clientes que llegan
eventualmente completarán el servicio y saldrán del sistema; no hay clientes
perdidos, por lo que el número de llegadas es igual al número de salidas.
Nuevamente, esta es una suposición válida para muchos sistemas de interés.
Realmente no necesitábamos nada más que estas condiciones para establecer la
ley en nuestro caso. No tenemos suposiciones sobre N, el número de clientes; de
hecho, todas las ecuaciones son válidas para cualquier N, por ejemplo, para N = 1.
No tenemos suposiciones sobre el proceso de llegadas o sobre cómo se atiende a
los clientes dentro de la tienda. Puede haber un largo período sin llegadas seguido
de la llegada de varios autobuses llenos de clientes; puede haber períodos sin
finalización del servicio, por ejemplo, si todas las cajas registradoras dejan de
funcionar durante una hora. Las únicas condiciones son las mencionadas
anteriormente: necesitamos comenzar y terminar con un sistema vacío y conservar
a los clientes.
Tenga en cuenta que nuestra fórmula es exacta, pero después del hecho. En
otras palabras, no podemos completar nuestro cálculo hasta que la puerta del
supermercado se cierre. Esto no es una queja. Simplemente dice que estamos
observando y midiendo, no pronosticando. Otro punto a mencionar es que los
números serán diferentes cada día debido a diferentes conjuntos de compradores
en diferentes días de la semana, el clima, las vacaciones y otros cambios en el
entorno interno y externo de la tienda. Sin embargo, la relación L = λW, medida
para ese día, será exacta y la capacidad de medir dos de los parámetros y deducir
el tercero aún se mantiene.
92 JDC Little, Graves SC

Discusión adicional de "Promedio"

La Ley de Little se mantiene exactamente, pero examinemos más a fondo lo que

queremos decir con "promedio" de espera, cola y tasa de llegada. No tenemos
distribuciones de probabilidad y, por lo tanto, estos no son valores esperados. Al
observar la derivación del resultado, vemos que estamos hablando de promedios de
muestra diarios en el caso de esperas y tasas de llegada y promedios de tiempo finito
en el caso de colas. Entonces, la Ley de Little nos muestra una relación exacta entre la
muestra y los promedios de tiempo. Luego, considere un segmento de clientes en el
supermercado Sweet & Sour que consiste en hombres con niños en carriolas. Podemos
calcular promedios de muestra o tiempo para su tasa de llegada, tiempo en la tienda y
número en la tienda. La Ley de Little se mantendrá exactamente. Por lo tanto, la Ley
de Little es verdadera para estos promedios para cualquier segmento identificable.
Para usar la relación en la práctica,
Para resumir, la Ley de Little es robusta y notablemente general para los
sistemas de colas para los cuales una ventana de observación finita comienza y se
detiene cuando el sistema está vacío. La interpretación del área entre llegadas
acumuladas y salidas acumuladas permite un argumento analítico de que la Ley de
Little es exacta a pesar de los posibles procesos de llegada y servicio no
estacionarios. Lo que hemos discutido aquí resulta ser la punta de un iceberg
matemático fascinante que se ha desarrollado en los últimos años, llamado análisis
de ruta de muestra de sistemas de colas. Una discusión adecuada está más allá del
alcance de este capítulo, pero el lector interesado se refiere al libro de El-Taha y
Stidham (1999).

Evolución de la Ley de Little en la gestión de operaciones

En los últimos 15 años, la Ley de Little ha jugado un papel cada vez más importante
en la enseñanza y la práctica de la gestión de operaciones. Sin embargo, la ley
generalmente se establece en un formato modificado para enfatizar su aplicabilidad a
las operaciones. Por ejemplo, citamos como ejemplo el exitoso libro de texto de Hopp
y Spearman (2000) que se refieren a la Ley de Little como "... una relación interesante
y fundamental entre WIP, tiempo de ciclo y rendimiento". Continúan declarando la ley
como

TH  WIP , (7)
Con
necti
cut

donde definen el rendimiento (TH) como "la salida promedio de un proceso de

producción (máquina, estación de trabajo, línea, planta) por unidad de tiempo",
trabajo en proceso (WIP) como "el inventario entre los puntos de inicio y
finalización de una ruta de producto , "Y el tiempo de ciclo (CT) como" el tiempo
promedio desde la liberación de un trabajo al comienzo de la ruta hasta que
alcanza un punto de inventario al final de la ruta (es decir, el tiempo que la parte
pasa como WIP) ". Señalan que el tiempo de ciclo también se conoce como
tiempo de flujo, tiempo de producción y tiempo de estadía, según el contexto.
5 Ley de Little 93

Fácilmente vemos que (7) es equivalente a la Ley de Little con TH = l, WIP = L y

CT
= W. Sin embargo, hay una diferencia más fundamental en que la ley se establece
en términos de la tasa de salida o salida promedio del sistema, en lugar de la tasa
de llegada. Esto refleja la perspectiva de un sistema operativo típico,
especialmente una operación de fabricación. La producción es un atributo
principal de cualquier sistema de fabricación, ya que nominalmente es su razón de
ser. Como se indicó, vemos que cualquier aumento en la producción requiere un
aumento en el inventario de trabajo en proceso o una reducción en el tiempo del
ciclo o ambos.
Además, en muchos contextos, la tasa de producción se determina de manera
exógena y se entrega al sistema de fabricación; refleja ventas reales y / o un
pronóstico de ventas. El sistema de fabricación debe administrar sus operaciones
para lograr esta tasa de producción. Tendrá que determinar cómo liberar el trabajo
a la operación para cumplir con el objetivo de salida. En efecto, el proceso de
llegada es endógeno. El gerente de operaciones decide las llegadas al sistema en
función de las salidas deseadas. Existe una extensa investigación en la literatura
de operaciones sobre la mejor manera de establecer la liberación de trabajo (o el
proceso de llegada) para lograr los objetivos de salida. Las mejores políticas son
políticas dinámicas que dependen del estado del taller de fabricación, por ejemplo,
dependen del trabajo en proceso.
Nuestro desarrollo original de Little's Law supone un sistema estable con un
proceso de llegada estacionario; como se discutió anteriormente, no podemos asumir
un proceso de llegada estacionaria para el contexto típico en el que podríamos aplicar
(7). Por lo tanto, preguntamos qué condiciones son necesarias para que (7) sea válido.
Como mínimo debemos tener conservación de
fluir. Por lo tanto, la tasa promedio de salida o salida (TH) es igual a la tasa
promedio de entrada o llegada (λ). Además, debemos suponer que todos los
trabajos que ingresen a la tienda finalmente se completarán y saldrán de la tienda;
no hay trabajos que se pierdan o que nunca salgan de la tienda. Además,
necesitamos alguna noción de estabilidad del sistema. Consideramos dos
posibilidades, ya que este tema plantea otra consideración importante.
Primero, podemos suponer que la tienda se vaciará ocasionalmente, es decir,
WIP = 0. Luego, como en el ejemplo del supermercado, veremos que Little's Law
se cumple exactamente entre dos instancias en las que la tienda está vacía.
Sin embargo, en muchos sistemas de fabricación, el WIP nunca cae a cero. En
algunos contextos, esto ocurre por razones de comportamiento; A medida que
disminuye el WIP, el taller se ralentiza naturalmente para no quedarse sin trabajo.
La tienda ajusta su tasa de servicio dinámicamente para evitar llevar el WIP a
cero. En otros contextos, puede haber una regla de control explícito que mantenga
algún nivel o rango objetivo de WIP. Por ejemplo, una política de control muy
efectiva es la llamada política CONWIP que mantiene un nivel de WIP
absolutamente constante (Hopp y Spearman, 2000); es decir, la regla de control
libera una unidad de trabajo nuevo al sistema cada vez que una unidad de trabajo
completa el procesamiento y sale del sistema. En cualquier caso, se aplica la Ley
de Little, al menos como una aproximación, siempre que seleccionemos un
intervalo de tiempo que sea lo suficientemente largo para que se cumplan dos
condiciones.
Primero, necesitamos que el tamaño del WIP sea aproximadamente el mismo al
principio y al final del intervalo de tiempo, de modo que no haya un crecimiento
significativo ni una disminución en el tamaño del WIP.
94 JDC Little, Graves SC

En segundo lugar, necesitamos asegurarnos de que la edad promedio o la

latencia del WIP no está creciendo ni disminuyendo. Hemos asumido previamente
que todos los trabajos que ingresan a la tienda eventualmente se completarán y
saldrán de la tienda. Pero si el WIP nunca cae a cero, es posible que los trabajos se
hagan mayores o menores, en cuyo caso la ley no se cumple.
Para ilustrar el problema, considere una tienda de muñecas que ofrece una línea
de muñecas populares internacionales. Cada muñeca está adornada con ropa
tradicional tradicional de un país en particular. El artista que produce las muñecas
le da a cada muñeca un sombrero distintivo en uno de los 10 colores diferentes,
que abarcan el arco iris; La elección del color es completamente al azar. Entonces,
a veces la muñeca popular irlandesa tiene un sombrero verde, y a veces un
sombrero rojo. La tienda almacena 100 de estas muñecas para tener una rica
variedad de muñecas para elegir; cada vez que vende una muñeca, la tienda
obtiene inmediatamente un reemplazo del proveedor para mantener su stock en la
tienda en 100 muñecas. El proveedor elige la muñeca de reemplazo al azar de su
suministro.

La demanda de las muñecas ha sido bastante buena, ya que los clientes

aprecian el arte y la novedad de las muñecas. De hecho, las muñecas se venden
constantemente a un ritmo de aproximadamente dos por semana. Sin embargo, a
los clientes les disgusta el subconsciente sutil pero fuerte las muñecas con
sombreros malva. Las muñecas con sombreros malva rara vez se venden; de
hecho, estas muñecas de sombrero de color malva se venden a un ritmo de
aproximadamente una cada 2 años.
Una aplicación ingenua de Little's Law podría suponer una tasa de llegada de
muñecas, igual a la tasa de demanda, λ = 2 por semana y un número promedio en el
sistema L = 100 muñecas, y luego concluir que el tiempo promedio en la tienda para
una muñeca es W = 50 semanas Sin embargo, no es probable que sea una estimación
precisa en un intervalo de tiempo moderado, como algunos años. Supongamos que
comenzamos con ninguna de las cien muñecas con sombreros malva. Cada vez que
vendemos una muñeca hay una probabilidad de 1 en 10 de que sea reemplazada por
una muñeca con un sombrero de color malva, ya que el artista tiene 10 colores para
elegir. Dado que estas muñecas de sombrero de color malva se venden mucho, con
mucha menos frecuencia que cualquier otra muñeca, la combinación de muñecas
cambiará gradualmente con el tiempo. De hecho, el número de muñecas con sombrero
de color malva en la tienda crece en aproximadamente 10 muñecas por año. Las
muñecas sin sombreros malva constituyen un porcentaje menor, pero seguir vendiendo
a razón de dos por semana; El tiempo en el sistema para estas muñecas en realidad se
reduce, ya que constituyen un porcentaje menor del surtido de la tienda. Sin embargo,
las muñecas con sombreros malva no se venden y solo acumulan más y más tiempo de
espera. Por lo tanto, la edad promedio de las muñecas en el surtido de la tienda
continúa envejeciendo hasta que, en algún momento, todo el surtido tiene sombreros
malva. Como consecuencia, no podemos aplicar la Ley de Little durante este período
transitorio.
Por ejemplo, supongamos que observamos el sistema durante 5 años, y luego
usamos la Ley de Little para estimar W = L / λ = 100/2 = 50 semanas; Esta estimación
exagera el tiempo real en el sistema para las muñecas que se han vendido. Durante los
primeros 5 años, el número de muñecas con sombreros de color malva en la tienda
aumenta de cero a aproximadamente 50. Como consecuencia, el inventario activo, es
decir, las muñecas sin sombreros de color malva, cae de 100 a aproximadamente 50.
Estas muñecas permanecen en el sistema , en promedio, menos de 50 semanas,
mientras que las muñecas de color malva se sientan y envejecen. Por supuesto, si
ampliamos el intervalo de tiempo, en 10 años todo el surtido se vuelve malva y la tasa
de demanda cae a una muñeca cada 2 años; finalmente (alrededor de 200 años) el
inventario de malva se da vuelta y la Ley de Little
5 Ley de Little 95

ahora se aplicará. ¡Presumiblemente, la tienda reconocería la tendencia un poco

antes y haría algo al respecto! Sin embargo, el ejemplo muestra cómo la Ley de
Little podría no mantenerse durante un intervalo de tiempo durante el cual la edad
promedio de la WIP o la cola está cambiando.
Un enfoque bastante diferente al problema de WIP distinto de cero está
motivado por lo que aprendimos en el problema del supermercado. Allí notamos
que la Ley de Little se aplica independientemente a cada segmento de clientes,
pero tenemos que poder identificar a los clientes en cada segmento y recopilar
datos sobre ellos.
Por lo tanto, en el caso de WIP distinto de cero (o, en realidad, ¡cualquier WIP
existente!), Podemos ignorarlo todo y centrarnos en un grupo de elementos
nuevos, que, por ejemplo, pueden ser de color azul. El sistema comienza vacío de
elementos azules, a pesar de que puede estar desordenado con otros. Contamos los
azules a medida que ingresan al sistema (la velocidad puede controlarse si lo
deseamos; no se requiere estacionariedad). Las observaciones que hacemos
dependen de lo que queremos aprender y de lo que es fácil de medir. Supongamos
que queremos observar y procesar N elementos azules. Y supongamos que
queremos saber el tiempo de ciclo CT = W, el tiempo promedio que un elemento
azul pasa en el procesamiento. A intervalos regulares, hacemos un inventario de
blues para poder estimar WIP = L (solo para blues) mediante un promedio simple.
Finalmente, todos los N se van, digamos en T, por lo que la tasa de llegada
promedio es λ = TH = N / T. Entonces CT = W puede calcularse por la Ley de
Little. La teoría subyacente es exacta, aunque hemos introducido algún error de
muestreo al estimar el WIP azul. Sin embargo, esto es algo que podemos controlar
poniendo todos los recursos que creamos que valen la pena para reducirlo.
Alternativamente, podríamos tener una manera de determinar el tiempo de
ciclo azul CT = W exactamente y deseamos conocer el inventario promedio de
artículos azules, es decir, el WIP azul = L. Este es el caso en el siguiente ejemplo.
Considere un fabricante de juguetes que tiene un contrato con una empresa de
logística de terceros, 3PL, para manejar su negocio en línea. El fabricante de
juguetes suministrará inventario a 3PL para completar los pedidos. Cuando el
fabricante de juguetes recibe un pedido en línea, le indicará a 3PL que lo
complete.
El fabricante de juguetes paga 3PL para proporcionar este servicio. Los
términos del contrato dependen de dos factores: la cantidad de pedidos enviados y
la cantidad de espacio de inventario ocupado por los juguetes en 3PL. El
fabricante de juguetes paga 3PL $ 10 por cada pedido que se envía y $ 0.03 por
día por cada unidad en el inventario.
Al comienzo de cada mes, el fabricante de juguetes envía un lote de juguetes a
3PL. Estos juguetes generalmente se agotan dentro del mes, pero no siempre. Por
razones contables, el fabricante de juguetes insiste en que 3PL envíe una factura
por sus servicios por cada lote de juguetes. Por lo tanto, 3PL espera hasta que se
haya vendido todo el lote antes de poder finalizar una factura. Al preparar la
factura, 3PL puede determinar fácilmente el componente del costo de envío, ya
que solo depende de la cantidad de juguetes en el lote. Sin embargo, 3PL es
menos claro acerca de cómo explicar cuánto espacio de inventario es atribuible a
un lote de juguetes. Un enfoque sería contar su inventario cada día. Sin embargo,
sería bastante difícil rastrear el inventario asociado con un lote en particular ya
que los juguetes de todos los lotes, así como de otros proveedores, se almacenan
juntos en una sección del almacén. Por lo tanto, sería un costo prohibitivo hacer
un recuento de inventario cada día.
96 JDC Little, Graves SC

Un enfoque mucho más simple es usar la Ley de Little. Suponga que cada vez
que 3PL recibe un lote de juguetes, registra la fecha de llegada de cada juguete.
3PL también puede registrar la fecha en que se envía el juguete y, por lo tanto,
obtener el tiempo en el sistema para cada juguete.
Por ejemplo, si hubiera una etiqueta RFID unida a cada juguete, entonces 3PL
puede registrar fácilmente estas transacciones con lectores RFID en sus muelles
de envío. Por lo tanto, 3PL conoce los tiempos de espera W yo para i = 1,2, ... N,
donde Wyo es la diferencia entre el tiempo de envío y el tiempo de recepción para
el ithjuguete y N es el número de juguetes en un lote. El tiempo de espera
promedio para el lote es
1
W = Wyo .
norte yo 1N

Si se necesitan T días para vender el lote de N juguetes, entonces la tasa

promedio de llegada del lote es
norte
λ = .
T

Según la Ley de Little, ahora podemos encontrar el inventario promedio

atribuible a este lote:
1 norte

L = λW = W .
T yo1 yo

Como L representa el inventario promedio durante un período de T días, 3PL le

cobrará al fabricante del juguete por L × T unidades-días de almacenamiento de
inventario, a $ 0.03 por unidad-día.

Observaciones finales

Hemos dado una variedad de ejemplos que muestran los tipos de situaciones en
las que Little's Law puede convertir útilmente una estimación de una cola
promedio en una estimación del tiempo de espera promedio y viceversa, cuando
una puede ser relativamente fácil de medir y la otra no.
También hemos examinado brevemente cómo se ha utilizado Little's Law en la
gestión de operaciones. Aquí observamos que generalmente se adopta una
terminología diferente y un conjunto de símbolos. Los gerentes de operaciones se
preocupan por su tasa de rendimiento en lugar de una tasa de llegada; su longitud
de cola suele ser WIP, su tiempo de espera se denomina ciclo o tiempo de flujo.
También discutimos dos diferencias en las orientaciones entre el uso de la ley en
la gestión de operaciones y su derivación y aplicación original:
5 Ley de Little 97

• Para la gestión de operaciones, la ley a menudo se expresa en términos de tasas

de producción en lugar de tasas de llegada. Además, el proceso de llegada a la
mayoría de los sistemas operativos no es un proceso estacionario y, de hecho,
puede controlarse.
• Muchos sistemas operativos nunca están vacíos. Es decir, el número en el
sistema o WIP siempre es positivo.
En cada caso vemos que la Ley de Little puede aplicarse, aunque con algunas
condiciones requeridas y una atención cuidadosa a los objetivos de la aplicación.

Antecedentes históricos

Trazamos la evolución de la Ley de Little desde los primeros días de la teoría de

colas en la investigación de operaciones y la ciencia de gestión hasta nuestro
propio capítulo en este libro.
El primer artículo que hemos encontrado que hace uso de la Ley de Little
simplemente asume que es cierto. Cobham (1954), en un artículo sobre colas de
prioridad, escribe: "... es suficiente observar que el número esperado de unidades
de prioridad k que esperan ser atendidas es λkWk, donde Wkes la espera esperada
para una unidad de prioridad k ". (λk es la tasa de llegada de los elementos de
prioridad k).
Atribuimos la fórmula explícita "L = λW" a Philip Morse y su libro, Colas,
inventarios y mantenimiento (Morse, 1958). No le da un nombre a la ley, sino que
simplemente habla de "la relación entre el número medio y el retraso medio". En
cap. 7 demuestra la relación para un sistema de colas de un solo canal con llegadas
de Poisson y una distribución de tiempo de servicio de la clase general conocida
como k-Erlang. La prueba de L = λW es, en cierto sentido, incidental a su tarea
principal de resolver las probabilidades conjuntas en estado estacionario del
número de elementos en el sistema y la etapa del elemento en servicio. Utilizando
el enfoque bastante estándar de describir el sistema con un conjunto de ecuaciones
diferenciales, Morse resuelve el sistema construyendo una función generadora de
dos variables de las probabilidades conjuntas deseadas. Una variable se relaciona
con el número de artículos en el sistema y la otra con la etapa del artículo en
servicio. La función de generación se puede usar con bastante facilidad para
encontrar tanto L como W. El examen muestra que L y W difieren solo por la
constante de proporcionalidad λ. Este es un buen análisis del sistema en particular,
pero no sugiere fácilmente una ruta hacia una mayor generalidad.

Morse estaba claramente interesado en el caso general. Después del análisis

anterior, escribió: "ahora hemos demostrado que ... la relación entre el número medio
y el retraso medio es a través del factor λ, la tasa de llegada: L = λW y ...
Encontraremos, en general la
ejemplos encontrados en este capítulo y el siguiente, para una amplia variedad de
distribuciones de servicios y llegadas, para uno o para varios canales, que esta
misma relación tiene. Aquellos lectores que deseen experimentar por sí mismos el
deslizamiento de los conceptos fundamentales en este campo y la intratabilidad de
los teoremas realmente generales, podrían intentar demostrar en qué
circunstancias esta simple relación entre L y W no es válida ".
98 JDC Little, Graves SC

El siguiente artículo que apareció fue Little (1961) y tenía el título "Una prueba
de la fórmula de espera: L = λW". Little esencialmente analiza la imagen que se
muestra enFig. 5.2de nuestro capitulo. Su argumento utiliza teoremas ergódicos
para procesos estocásticos estrictamente estacionarios, como se extrae de Doob
(1953). La tarea analítica básica es deshacerse de los "efectos finales" como se
discute a continuaciónFig. 5.2 en este capítulo. Sin embargo, Little hace algo más
que no se hizo anteriormente. Su prueba argumenta que la ley se mantiene en
cualquier realización específica del sistema de colas cuando se observa durante un
largo período de tiempo. Esto es diferente de encontrar probabilidades de estado
estable para el número en el sistema y calcular L y realizar un análisis
correspondiente de la distribución de los tiempos de espera para encontrar W. La
idea de que el teorema es verdadero para cada evolución del sistema proporciona
una mayor profundidad comprensión de la importancia de la relación L = λW en
el proceso de colas en sí. También establece una base para pruebas de ruta de
muestra de la relación que está por venir.
No mucho tiempo después, Jewell (1967) apareció con "Una prueba simple de
L = λW". Dibuja una imagen muy similar a nuestraFig. 5.3 y supone que el evento
cuando el sistema se vacía es un evento recurrente. Por definición, los tiempos
entre tales eventos son variables aleatorias mutuamente independientes que tienen
la misma distribución. Por lo tanto, la línea de tiempo alterna entre los intervalos
durante los cuales el sistema está vacío y los que están ocupados. Jewell supone
que los mecanismos de llegada y espera se restablecen al comienzo de cada
período ocupado. En otras palabras, en cada período ocupado, las variables
aleatorias en esos mecanismos tienen la misma distribución conjunta, y sus
valores son nuevos sorteos aleatorios, independientes de los períodos ocupados
anteriores. Una ventaja del artículo de Jewell era que utilizaba un vocabulario más
familiar para los analistas de sistemas de colas que los argumentos teóricos de
medidas de procesos estocásticos estacionarios invocados por Little (1961).
El trabajo de Jewell fue seguido por Eilon (1969), que tenía el título "Una
prueba más simple de L = λW". Él muestra esencialmente la misma imagen que
Jewell y como nuestroFig. 5.3 y hace el mismo análisis heurístico que hacemos
bajo Fig. 5.2. Él notas que, si los límites de L (T), W (T) y λ (T) existen a medida
que T llega al infinito, el resultado está probado. Sin embargo, la mayoría de los
escritores sobre el tema consideran que se requiere un argumento adicional para
asegurarse de que los efectos finales desaparezcan en el límite.
A medida que pasó el tiempo, aumentó la cantidad y la importancia de las
aplicaciones de los sistemas de colas y, con ellas, las aplicaciones de la Ley de
Little. Un área importante radica en el diseño y análisis de sistemas informáticos.
Kleinrock (1975, 1976) desarrolla y resume un conjunto de herramientas para
ayudarlo. Uno de los autores actuales (Little) recuerda haber recibido una llamada
telefónica de la nada de un ingeniero informático en la costa oeste durante la
década de 1970. La persona que llamó preguntó: “¿Tienes más leyes? Uso la Ley
de Little todo el tiempo y la encuentro realmente útil ". Pero la respuesta de la
costa este fue "Lo sentimos, hoy no tenemos nuevas leyes".
Aunque los investigadores en el campo no tenían dudas sobre la notable
generalidad de la Ley de Little, entre algunos de ellos se desarrolló la creencia de que
su validez podría demostrarse de manera determinista mediante el análisis de la ruta de
muestra. Tal enfoque produciría una prueba amigable para el lector sin recurrir a la
probabilidad, de alguna manera en la forma en que este capítulo argumenta la validez
determinista de la Ley de Little en el ejemplo del supermercado. El resultado neto fue
Stidham (1974), "Una última palabra sobre L = λW".
5 Ley de Little 99

Sin embargo, como señaló en un artículo de revisión posterior (Stidham, 2002), no

fue la última palabra en absoluto porque el potencial de investigación del análisis
de la ruta de muestreo para las colas y otras aplicaciones tiene ramificaciones
mucho más allá de la Ley de Little. Muchos resultados de este tipo aparecen en un
libro de Stidham y un colega: (El-Taha y Stidham, 1999): Sample-Path Analysis
of Queuing Systems.
En los últimos años, la Ley de Little se ha vuelto cada vez más importante en la
gestión de operaciones. La notación y el tipo de pensamiento son diferentes, pero
las aplicaciones están creciendo en número e importancia. El objetivo de este
capítulo ha sido facilitar tales aplicaciones al proporcionar ejemplos ilustrativos,
especialmente aquellos que exploran nuevos territorios.

Una nota de historia personal (poco)

¿Cómo se involucró un joven doctor sensible como yo en un campo loco como

este? De 1957 a 1962, enseñé investigación de operaciones en el Case Institute of
Technology en Cleveland (ahora Universidad Case Western Reserve). Me
pidieron que enseñara un curso sobre colas. OKAY. Inicialmente usé mis propias
notas, pero cuando salió Morse (1958), usé su libro ampliamente. La mayoría de
los estudiantes graduados en quirófano tomaron las colas y, de hecho, uno de
ellos, Ron Wolff, se convirtió en un teórico de las colas de primera clase (Wolff
1989). Un año estábamos en el punto en que habíamos hecho la cola exponencial
de Poisson básica y nos habíamos movido a través de colas de servidores
múltiples y algunos otros casos generales. Comenté, como muchos antes y
después de mí, probablemente (y Morse sí), que la fórmula que a menudo
reaparece L = λW parecía muy general. Además, di la prueba heurística de que es
esencialmenteFig. 5.2 Al comienzo de este capítulo. Después de la clase estaba
hablando con varios estudiantes y uno de ellos (Sid Hess) preguntó: "¿Qué tan
difícil sería demostrarlo en general?" De improviso, le dije amablemente: "Creo
que no debería ser demasiado difícil". Últimas palabras famosas. Sid respondió:
"¡Entonces deberías hacerlo!"
El comentario quedó en mi mente y comencé a pensar en la pregunta de vez en
cuando. Claramente, estaba sucediendo algo fundamental, ya que, cuando dibuja
la imagen, realmente no parece necesitar suposiciones detalladas sobre los
tiempos entre llegadas, los tiempos de servicio, el número de servidores, el orden
de servicio y todos los demás ingredientes que entran en la panoplia de modelos
de colas. Parecía que solo necesitabas un proceso que subiera y bajara en
cantidades unitarias y alguna garantía de estado estable y conservación de
artículos. Además, como pude ver que había efectos finales en la imagen, tenía
que haber una forma de deshacerse de ellos en el límite. Me pareció que estaba en
la arena general de los procesos estocásticos estacionarios. No soy matemático por
formación, por lo que compré copias de libros de procesos estocásticos teóricos de
medidas como Doob (1953),
El hábito de mi familia en ese momento era ir a Nantucket en el verano, donde la
familia de mi esposa tenía una pequeña casa de verano. Cargaríamos a nuestros hijos
en una camioneta, conduciríamos a Woods Hole, tomaríamos el ferry y pasaríamos un
par de meses lejos de
100 JDC Little, Graves SC

el mundo. Como la playa era la niñera, pude separar bloques de tiempo sólidos
para trabajar en la investigación como un buen profesor asistente debería. (¡Ojalá
pudiera hacer eso hoy!) Siempre traje una pila de libros y proyectos conmigo. L =
λW fue uno de ellos. Pronto me encontré con problemas que requerían más que
buscar teoremas en mis nuevos libros, pero resolví los enfoques de los bloqueos
de carreteras y eventualmente escribí todo, dándole mi mejor oportunidad. Envié
el papel a Investigación de Operaciones. Fue aceptado en la primera ronda.
Sin embargo, había aprendido mi lección. Decidí que los campos Borel y la
transitividad métrica no iban a ser mi carrera y me retiré de las colas. Eso fue en
1961. Mi retiro se celebró hasta 2004, cuando Tim Lowe me abordó por correo
electrónico y en persona en una reunión de INFORMS. Incluso entonces, como él
le dirá, me resistí a la re-trampa, diciendo: "No sé nada sobre OM y no he mirado
L = λW en 40 años". Siendo siempre susceptible a un nuevo desafío y, lo que es
más importante, gracias a la gran ayuda de Steve Graves, quien realmente conoce
a OM, me esforcé por retrasar mi final del capítulo. Ha sido una experiencia
maravillosa y he aprendido mucho. Ahora necesito encontrar formas de usarlo.

Referencias

Cobham, A. (1954) "Asignación de prioridad en problemas de línea de espera", Investigación de

operaciones, 2, (1) (febrero), 70-76.
Doob, JL (1953) Procesos estocásticos, John Wiley, Nueva York.
Eilon, S. (1969) "Una prueba más simple de L = λW", Investigación de operaciones, 17, (5) 915–
917.
El-Taha Μ. y S. Stidham (1999) Sample-Path Analysis of Queuing Systems, Kluwer Academic,
Boston MA.
Hopp, WJ y Μ. L. Spearman (2000) Factory Physics: Foundations of Manufacturing
Management, 2nd (ed.), Irwin / McGraw Hill, Nueva York, NY.
Jewell, WS (1967), "Una prueba simple de L = λW", Investigación de operaciones, 15, (6) 1109-
1116. Kleinrock, L. (1975) Queuing Systems, Volume I: Theory, A Wiley-Interscience
Publication,
Nueva York.
Kleinrock, L. (1976) Queuing Systems, Volume II: Computer Applications, A Wiley-
Interscience Publication, Nueva York.
Little, JDC (1961) "Una prueba de la fórmula de espera: L = λW", Investigación de operaciones,
9, (3) 383–387.
Little, JDC (1992) "Are there 'Laws' of Manufacturing," Manufacturing Systems: Foundations of
World-Class Practice, editado por JA Heim y WD Compton, National Academy Press,
Washington, DC, 180-188.
Morse, P. Μ. (1958) Colas, Inventarios y Mantenimiento, Publicaciones en Investigación de
Operaciones No. 1, John Wiley, Nueva York.
Stidham, S., Jr. (1974) "Una última palabra sobre L = λW", Investigación de operaciones, 22, (2)
417–421. Stidham, S., Jr. (2002) "Análisis, diseño y control de sistemas de colas", Operaciones
Investigación, 50, (1) 197–216.
Wolff, RW (1989) Modelado estocástico y la teoría de las colas, Prentice-Hall, Inc., Englewood
Cliffs, Nueva Jersey.