Optimización II: Teorı́a de Colas

Xavier Cabezas

Segundo Término
2018

1 / 42
Un sistema de colas

2 / 42
Términologı́a de la teorı́a de colas (1)

Definition (Sistema)
Es una colección de entidades que actúan e interactúan para cumplir algún fin lógico.

Los sistemas tienden a ser dinámicos (cambian en el tiempo).

Definition (Estado de un sistema)

Es una colección de variables necesarias para describir el estatus de un sistema a un
tiempo dado.

Example
En un banco, un sistema podrı́a consistir de servidores y clientes en una lı́nea de espera o
siendo servidos. A través del tiempo, los clientes llegan o se van y por lo tanto, el estatus
del sitema cambiará. Estos cambios de estatus se describen a través de variables de estado
como: el número de clientes en el banco, el número de servidores ocupados, el tiempo de
arribo del próximo cliente, el tiempo de partida del próximo cliente siendo atendido.

Definition (Entidad y atributo)

Un objeto de interés en un sistema es llamado entidad y cualquier propiedad de una
entidad, es llamada atributo.
3 / 42
Términologı́a de la teorı́a de colas (2)

Esta sección trataremos sobre la teorı́a relacionada a las lı́neas de espera o colas.
Las lineas de espera aparecen en diferentes tipos de sistemas: bancos, estaciones de
servicio, hospitales, etc. Para describir un sistema de colas, debe determinarse:

Un proceso de entrada:
◮ LLamado también proceso de arribo. Quienes arriban, son llamados clientes.
◮ Se define una función de probabilidad que determina los tiempos entre las llegadas de
los clientes.
◮ En los modelos a estudiar, se va a suponer que únicamente un arribo puede ocurrir en
un instante dado, esto es realista, y en el caso de que más de un arribo ocurra se dirá
que que arribos al granel puede ocurrir (bulk arrivals).
◮ En la mayorı́a de los casos se supondrá que el proceso de arribos, no es afectado, por el
número de clientes en el sistema. Cuándo esta suposición no es realista?.
Un proceso de Salida:
◮ También llamado, proceso de servicio.
◮ Se define una función de probabilidad que determina los tiempos de servicio.
◮ El tiempo de servicio se suele suponer independiente del númerod e clientes en el
sistema. Cuándo esta suposición no es realita?.
◮ El servicio puede ser en paralelo o en serie.

4 / 42
Términologı́a de la teorı́a de colas (3)

5 / 42
Términologı́a de la teorı́a de colas (4)

6 / 42
Términologı́a de la teorı́a de colas (5)

7 / 42
Términologı́a de la teorı́a de colas (6)

Disciplina de Servicio:
◮ La manera en la cual los clientes son servidos. Describe el método utilizado para
determinar el orden en el cual los clientes son servidos. FIFO, LIFO, son dos ejemplos.
◮ Algunas veces, el orden en el cual los clientes arriban, no afecta el orden en el cual son
servidos (elección aleatoria del cliente a servir). Esta disciplina se suele llamar SIRO
(service in random order).
◮ Algunas veces, los cliente son atendidos por prioridad. Cada cliente al arribar en
ubicado en una categorı́a rankeada por prioridad y dentro de ésta, los clientes son
atendido de acuerdo a una categorı́a FIFO.

Método de clientes para unirse a las colas:

◮ Algunos clientes, suelen elegir a que cola unirse (en caso de que hayan más de una
cola).
◮ Los clientes suelen elegir la fila más corta.
◮ Algunos clientes se ven obligados a elegir una cola en particular (colas de tercera edad,
etc.).

8 / 42
Modelo del proceso de arribo

Sea ti el tiempo en el cual el i-ésimo cliente arriba. Para i ≥ 1 definimos

Ti = ti +1 − ti como el i-ésimo tiempo entre arribos (intraarribos).

Se supondrá que los Ti ’s son variables aleatorias continuas independiente e

idénticamente distribuidos (iid). También se conoce como suposición de
estacionaridad. Qué significa esto en la práctica?.

La estacionaridad es una suposición muy irrealista. Esto puede ser resuelto, en parte,
dividiendo el tiempo en intervalos discretos. Ejemplo: Diferentes modelos para la
mañana y tarde en un sistema de colas.

Sea f (T ) la función de probabilidad de T (tiempo entre arribos). Para un pequeño

∆t, P(t ≤ T ≤ t + ∆t) Z es aproximadamente f (t)∆t. Por lo tanto, se puede
c
escribir: P(T ≤ c) = f (t)dt.
0

Una usual elección de f (t) es la función exponencial.

9 / 42
Distribuciones y densidades de probabilidad conocidas (1)

Bernoulli

f (x) = P(X = x) = θx (1 − θ)1−x para x = 0, 1

Binomial
!
n x
f (x) = P(X = x) = θ (1 − θ)n−x para x = 0, 1, 2, . . . , n
x

µ = nθ y σ 2 = nθ(1 − θ)

Poisson

λx e −λ
f (x) = P(X = x) = para x = 0, 1, 2, . . .
x!
µ = λ y σ2 = λ

10 / 42
Distribuciones y densidades de probabilidad conocidas (2)

Triangular

2(x − a)

 ,a≤x<c
 (b − a)(c − a)



 2


,x=c

f (x) = b − a
 2(b − x)
,c <x≤b






 (b − a)(b − c)
0 , en cualquier otro caso




 0 ,x <a


 2
 (x − a)


 ,a≤x ≤c
F (x) = (b − a)(c − a)
2
 (b − x)
1− ,c <x<b


(b − a)(b − c)





1 ,x ≥b


11 / 42
Distribuciones y densidades de probabilidad conocidas (3)

Uniforme
-


0 ,x <a
x − a
F (x) = ,a≤x≤b
b − a

1 ,x >b


µ = (a + b)/2 y σ 2 = 1/12(b − a)2

Exponencial
(
λe −λx , x ≥ 0, λ > 0
f (x) =
0 , en cualquier otro caso
(
0 ,x<0
F (x) = −λx
1−e ,x≥0

µ = 1/λ y σ 2 = (1/λ)2

12 / 42
Distribuciones y densidades de probabilidad conocidas (4)

Erlang
 k−1
λe −λx (λx) , x ≥ 0, λ > 0, , k ∈ { 1, 2, 3, . . . }
f (x) = (k − 1)!
0 , en cualquier otro caso



0
 ,x <0
k−1
F (x) = X 1 −λx
1 −
 e (λx)n , x ≥ 0
n=0
n!

µ = k/λ y σ 2 = (k/λ)2
Normal
1 1 x−µ
f (x) = √ e− 2 ( σ ) , − ∞ ≤ x ≤ ∞
σ 2π

13 / 42
Relación Poisson-Exponencial

Example
En una ciudad grande nacen bebés a razón de uno cada 12 minutos. El tiempo entre
nacimientos sigue una distribución exponencial. Determine lo siguiente:
1 La cantidad promedio de nacimientos por año.
2 La probabilidad de que no ocurran nacimientos durante 1 dı́a.
3 La probabilidad de emitir 50 actas de nacimiento en 3 horas dado que se emitieron
40 actas durante las primeras 2 horas del periodo de 3 horas.
14 / 42
Propiedad de pérdida de memoria de la distribución exponencial

Theorem
Si T tiene una densidad exponencial, entonces para cualquier t y h no negativos, se
cumple que:

P(T > t + h | T ≥ t) = P(T > h)

Demostración.

P((T > t + h) ∩ (T ≥ t))

P(T > t + h | T ≥ t) =
P(T ≥ t)
e −λ(t+h)
=
e −λt
−λh
= e
= P(T > h)

15 / 42
Por qué la propiedad de pérdida de memoria podrı́a ser útil?

Un ejemplo de la utilidad de la propiedad de pérdida de memoria es cuando los tiempos

de salida (o tiempos de servicio) se consideran exponenciales.

Example
Suponga un sistema de colas consiste en 3 servidores. Cada tiempo de servicio sigue una
densidad exponencial con parámetro µ (i.e., f (t) = µe −µt ). Suponga además que los tres
servidores están actualmente ocupados, y hay un cliente en cola esperando ser servido.
Cuál es la probabilidad que el cliente que está en la cola sea el último en ser atendido?
La respuesta es 1/3, por qué?

16 / 42
Notación de Kendall-Lee

La notación de Kendall (1951) se utiliza para describir un sistema de colas con las
siguientes caracterı́sticas:

Todos los clientes esperan en una linea simple.

Los clientes esperan hasta que uno de s servidores esté libre.

17 / 42
Notación de Kendall-Lee (2)
La notación de Kendall describe el sistema utilizando 6 caracterı́sticas:
1 Naturaleza del sistema de arribos:
◮ M = Los tiempos interarribos son variables aleatorias exponenciales i.i.d.
◮ D = Los tiempos interarribos son i.i.d. y determinı́sticos.
◮ Ek = Los tiempos interarribos son variables aleatorias Erlangs i.i.d. con parámetro k.
◮ GI = Los tiempos interarribos son variables aleatorias i.i.d. que siguen alguna densidad
general.
2 Naturaleza del tiempo de servicio:
◮ M = Los tiempos de servicio son variables aleatorias exponenciales i.i.d.
◮ D = Los tiempos de servicio son i.i.d. y determinı́sticos.
◮ Ek = Los tiempos interarribos son variables aleatorias Erlangs i.i.d. con parámetro k.
◮ G = Los tiempos de servicio son variables aleatorias i.i.d. que siguen alguna densidad
general.
3 Número de servidores en paralelo.
4 Disciplina de servicio:
◮ FIFO = First in, first out.
◮ LIFO = Last in, last out.
◮ SIRO = Servicio en orden aleatorio.
◮ GD = Disciplina de cola general.
5 Máximo número de clientes en el sistema (capacidad).
6 El tamaño de la población de donde provienen los clientes (regularmente se
consideran ∞).
18 / 42
Modelo de Naciemiento Puro

Sea p0 (t) = Probabilidad de que no haya llegadas durante un intervalo de tiempo t.

Considere un tiempo entre llegadas T exponencial con parámetro λ. Entonces:

p0 (t) = P(T ≥ t) = 1 − (1 − e λt ) = e λt .

Para un intervalo suficientemente pequeño h > 0, se tiene por Taylor que:

(λh)2
p0 (h) = e λh = 1 − λh + − . . . = 1 − λh + O(h).
2!
Suponemos (como ya se ha mencionado) que a lo mucho una llegada puede ocurrir
en un intervalo de tiempo muy pequeño.

Si h > 0 (h pequeño), entonces p1 (h) = 1 − p0 (h) ≈ λh.

Sea pn (t) = Probabilidad de n arribos durante un tiempo t. Entonces:

pn (t + h) ≈ pn (t)(1 − λh) + pn−1 (t)λh, n>0

p0 (t + h) ≈ p0 (t)(1 − λh) n=0

19 / 42
Modelo de Naciemiento Puro (2)

Al organizar los términos y hacer h → 0, se obtiene que:

pn (t + h) − pn (t)
pn′ (t) = lı́m = −λpn (t) + λpn−1 (t), n>0
h→0 h
p0 (t + h) − p0 (t)
p0′ (t) = lı́m = −λp0 (t), n=0
h→0 h

Al resolver este sistema de ecuaciones diferenciales se obtiene:

(λt)n e −λt
pn (t) = , n = 0, 1, 2, . . .
n!

Se ha demostrado que si una el tiempo entre arribos es exponencial con parámetro

lambda, el número de arribos durante un tiempo t es Poisson con el mismo
parámetro.

Este proceso donde se solo se aceptan llegadas, se conoce como proceso de

nacimiento puro.

20 / 42
Modelo de Muerte Pura

En este modelo solo se aceptan salidas (muertes).

En este caso el sistema comienza con N clientes cuando t = 0.

Las salidas ocurren a una velocidad de µ clientes por unidad de tiempo.

Sea pn (t) = Probabilidad de que permanezcan n clientes en el sistema a las t

unidades de tiempo.

Siguiendo un razonamiento similar al dado para el modelo de nacimiento puro se

puede demostrar que:

(µt)N−n e −µt
pn (t) = , n = 1, 2, . . . , N
(N − n)!
N
X
p0 (t) = 1 − pn (t)
n=1
.

21 / 42
Modelo de Muerte Pura (2)

(µt)N−n e −µt
pn (t) = , n = 1, 2, . . . , N
(N − n)!
N
X
p0 (t) = 1 − pn (t)
n=1
.

Example
La sección de florerı́a en un supermercado tiene 18 docenas de rosas al iniciar cada
semana. En promedio, el florista vende 3 docenas por dı́a (una docena cada vez), pero la
demanda sigue en realidad una distribución de Poisson. Siempre que la existencia llega a
5 docenas (o menos), se coloca un pedido nuevo de 18 docenas, para entregar al
principio de la semana siguiente. Por la naturaleza de la mercancı́a, todas las rosas que
quedan al final de la semana se desechan. Determinar lo siguiente:
1 La probabilidad de colocar un pedido en cualquier dı́a de la semana.

2 La cantidad promedio de docenas de rosas que se desechan al final de la semana.

22 / 42
Modelo de Nacimiento-Muerte (Modelo generalizado de Poisson)

Este modelo se basa en el comportamiento a largo plazo del sistema de colas. Este
comportamiento se conoce como de estado estable.
Definiremos estado de un sistema, al número de clientes en el sistema.
Un supuesto lógico es que la velocidad de entrada y salida de clientes dependen del
estado del sistema.
Notación:
◮ n = Número de clientes en el sistema (cola y servicio).
◮ λn = Frecuencia de llegada cuando hay n clientes en el sistema.
◮ µn = Frecuencia de salida cuando hay n clientes en el sistema.
◮ πn =Probabilidad de estado estable de que haya n clientes en el sistema.
Las probabilidades de estado estable se determinan en base al llamado diagrama de
transición:

23 / 42
Modelo de Nacimiento-Muerte (Modelo generalizado de Poisson) (2)

El siguiente es un ejemplo de un diagrama de transición para un modelo

(M|M|3) : (GD|∞|∞), con tasa de entrada λ = 4 y cada servidor con tasa de salidad
µ = 5.

24 / 42
Modelo de Nacimiento-Muerte (Modelo generalizado de Poisson) (2)

Bajo condiciones de estado estable, para n > 0, las tasas esperadas de entrada y
salida del estado n deben ser iguales:

(Tasa esperada de flujo hacia el estado n) = λn−1 πn−1 + µn+1 πn+1

(Tasa esperada de flujo desde el estado n) = (λn + µn )πn

y por lo tanto:

λn−1 πn−1 + µn+1 πn+1 = (λn + µn )πn , n = 1, 2, . . .

 
λ0
Además es claro que λ0 π0 = µ1 π1 y por lo tanto π1 = π0
µ1
 
λ1 λ0
Siguiendo para n = 1, se obtiene: π2 = π0
µ2 µ1
Por inducción puede verificarse que:
 
λn−1 λn−2 . . . λ0
πn = π0 , n = 1, 2, . . .
µn µn−1 . . . µ1
X∞
π0 se obtiene de πn = 1.
n=0
25 / 42
Medidas de desempeño en estado estable (estacionario)
Las medidas de desempeño, o eficiencia de un sistema de colas son:
Ls : Cantidad esperada de clientes en el sistema (cola + servicio).
Lq : Cantidad esperada de clientes en la cola.
Ws : Tiempo esperado de espera en el sistema.
Wq : Tiempo esperado de espera en la cola.
c : Cantidad esperada de servidores ocupados.
Expresiones para estas medidas a partir de probabilidades de estado estable πn se pueden
deducir como:
∞
X
Ls = nπn
n=1
∞
X
Lq = (n − c)πn
n=c+1

Ls = λef Ws
Lq = λef Wq
λef es la tasa efectiva de llegada (considerada cuando hay limites en capacidad).
26 / 42
Fórmula de Little

Las dos últimas expresiones se conocen como fórmulas de Little:

Ls = λef Ws

Lq = λef Wq

Una demostración formal requiere mucho más que la siguiente interpretación intuitiva:

Si se supone estado estable, si un cliente llega a un sistema de colas, éste

permanecerá en el sistema hasta que complete el servicio.

Cuando el cliente se va, en promedio habrán Ls clientes en el sistema.

Como el cliente estuvo en promedio Ws , un promedio de λW clientes llegarán

durante su estadı́a en el sistema.

Por lo tanto Ls = λWs .

27 / 42
Fórmula de Little (ejemplo)

Example
Un local de Wendy’s utiliza un promedio de 10000 libras de papas por semana. El número
promedio de libras de papas a mano (on hand) es 5000. Sobre el promedio, qué tanto
tiempo las papas permanecen en el restaurante, antes de ser utilizadas?
Ls = 5000 libras y λ = 10000 libras/semana. Entonces Ws = 5000/10000 = 0,5 semanas.

28 / 42
Relaciones adicionales

Si se tienen c servidores en paralelo y todos idénticos se puede verificar que:

1
Ws = Wq +
µ
λef
Ls = Lq + , (utilizando el resultado de Little).
µ
λef
c = Ls − Lq =
µ
c
Utilización de la instalación =
c

Example
Revisar el ejemplo 17.6-1, pág 600, del libro de Hamdy Taha (7ma edición).

29 / 42
(M|M|1) : (DG |∞|∞)

λn = λ (tasa de llegada independiente del número de clientes en el sistema).

µn = µ (tasa de salida independiente del número de clientes en el sistema).

Como no hay lı́mite de capacidad λef = λ.

Se supone también que λ < µ.

λ
Se define ρ = , entonces πn = ρn π0 , para n = 0, 1, 2, . . .
µ
∞
X 1
Como πn = 1, entonces π0 = . Y como ρ < 1, se tiene que
n=0
1 + ρ + ρ2 + . . .
π0 = 1 − ρ. Por lo tanto:

πn = (1 − ρ)ρn , n = 0, 1, 2, . . .

30 / 42
(M|M|1) : (DG |∞|∞)

Ls se deduce como:

∞
X
Ls = nπn
n=0
X∞
= n(1 − ρ)ρn
n=0
∞
d X n
= (1 − ρ)ρ ρ
dρ n=0
 
d 1
= (1 − ρ)ρ
dρ 1 − ρ
ρ
=
1−ρ
Ls 1 1
Ws = = =
λ µ(1 − ρ) µ−λ
1 ρ
Wq = Ws − =
µ µ(1 − ρ)
ρ2
Lq = λWq =
1−ρ
c = Ls − Lq = ρ
31 / 42
(M|M|1) : (DG |∞|∞) (ejemplos)

Example
Calcule todas las medidas de desempeño del sistema en un modelo (M|M|1) : (DG |∞|∞)
con λ = 10 clientes/hora y tiempo de servicio de 4 minutos en promedio.

Example
Revisar el ejemplo 17.6-2, pág 603, del libro de Hamdy Taha (7ma edición).

32 / 42
(M|M|1) : (DG |N|∞)

Cuando la cantidad de clientes llega a N no se permiten más llegadas, entonces:

(
λ , n = 0, 1, 2, . . . , N − 1
λn =
0 , n = N, N + 1, . . .
µn = µ, n = 0, 1, 2, . . .
λ
Similarmente al modelo anterior ρ = :
µ
(
ρ n π0 , n ≤ N
πn =
0 ,n>N
y como π0 (1 + ρ + ρ2 + . . . + ρN ) = 1 se tiene:
1−ρ


 , ρ 6= 1
π0 = 1 − ρN+1
1

 ,ρ=1
N +1
por lo tanto, para todo n = 0, 1, . . . , N:

(1 − ρ)ρn



N+1
, ρ 6= 1
πn = 1 − ρ
1

 ,ρ=1
N +1
33 / 42
(M|M|1) : (DG |N|∞) (2)

λperdida = λπN y por lo tanto λef = λ − λperdida = λ(1 − πN )

Ls se deduce como:

N
X
Ls = nπn
n=0
N
1−ρ X n
= nρ
1 − ρN+1 n=0
  N
1−ρ d X n
= ρ ρ
1 − ρN+1 dρ n=0
1 − ρN+1
 
(1 − ρ)ρ d
=
1 − ρN+1 dρ 1−ρ
ρ[1 − (N + 1)ρN + NρN+1 ]
= , ρ 6= 1
(1 − ρ)(1 − ρN+1 )
N
Si ρ = 1 se tiene que Ls =
2
El resto de medidas de desempeño del sistema se calculan con las expresiones
generalizadas de la diapositiva 29 Relaciones adicionales .
34 / 42
(M|M|c) : (DG |∞|∞)

λef = λ.
El aumento en la tasa de servicio es proporcional a c, por lo tanto: λn = λ, n ≥ 0
(
nµ , n < c
µn =
cµ , n ≥ c
πn se deduce como:

λn λn ρn

 π0 = n
π0 = π0 ,n<c
µ(2µ) . . . (nµ) n!µ n!

πn = λ n
λ n
ρn

 c
n−c
π0 = n−c n
π0 = π0 ,n≥c
(Πi =1 iµ)(cµ) c!c µ c!c n−c
Con algo de paciencia puede verificarse que:
1 ρ
π0 = c−1 n , <1
X ρ ρc

1 c
+ ρ
n=0
n! c! 1 − c

ρc+1
y que Lq = π0
(c − 1)!(c − ρ)2
Ls = Lq + ρ (ya que λef = λ) y Ws , Wq pueden determinarse con el resultado de
Little.
35 / 42
(M|M|c) : (DG |N|∞) (c ≤ N)

Aquı́ el tamaño máximo de la cola es N − c y λef < λ.

Se puede verificar que: (
λ ,0≤n<N
λn =
0 ,n≥N
(
nµ , 0 ≤ n < c
µn =
cµ , c ≤ n ≤ N
y que πn :
 n
 ρ π0

,0≤n<c
πn = n! ρn

 π0 ,c ≤n≤N
c!c n−c
donde:
 c−1 !−1
 X ρn ρc (1 − ( ρc )N−c+1 ) ρ
+ , 6= 1


n! c!(1 − ρc ) c


n=0
π0 = c−1 n
!−1
c
 X
 ρ ρ ρ

 + (N − c + 1) , =1
n! c! c

n=0

36 / 42
(M|M|c) : (DG |N|∞) (c ≤ N) (2)

ρ
Si 6= 1, se tiene que:
c

ρc+1
  ρ N−c+1 
 ρ   ρ N−c
Lq = 1− − (N − c + 1) 1 − π0
(c − 1)!(c − ρ)2 c c c
ρ
y para = 1:
c
ρc (N − c)(N − c + 1) ρ
Lq = π0 , =1
2c! c
λperdida = λπN , entonces λef = λ − λperdida = (1 − πN )λ.
El resto de medidas de desempeño, con las expresiones generalizadas.

37 / 42
(M|M|R) : (DG |K |K )

Hay dos situaciones donde la tasa de arribo poidrı́a ser dependiente del estado del
sistema.
◮ Si los clientes no desean hacer largas filas.
◮ Si los arribos a un sistema provienen de una población finita (pequeña).
El segundo es el caso que vamos a tratar en un problema conocido como El
Problema de Reparación de Máquinas.

En este problema el sistema consiste en K máquinas y R reparadores (e.g. personas

reparadoras).

En cualquier instante de tiempo, una máquina particular está en buena o mala

condición.

La longitud del tiempo en que una máquina permanece en buena ondición se

supondrá exponencial con parámetro λ.
Si una máquina se daña, es enviada a un centro de reparación que tiene R
reparadores.

El centro de reparación atiende a las máquinas dañadas como un sistema

(M|M|R) : (DG |∞|∞).
38 / 42
(M|M|R) : (DG |K |K ) (2)

Si j ≤ R máquinas están en malas condiciones, éstas serán reparadas

inmediatamente. Pero si j > R máquinas están en malas condiciones, entonces j − R
máquinas deberán esperar que un reparador se desocupe.

El tiempo de reparación se supondrá exponencial con tasa µ.

Una vez que una máquina es reparada, estará nuevamente en servicio y podrá
dañarse otra vez.

Este es claramente un modelo (M|M|R) : (DG |K |K )

El estado del sistema de reparación, es el número de máquinas en mala condición

(dañadas).
En términos de un proceso de nacimiento y muerte
◮ Nacimiento: Una máquina se daña.
◮ Muerte: Una máquina es reparada.

39 / 42
(M|M|R) : (DG |K |K ) (4)

Cuando el estado es j hay K − j máquinas en buenas condiciones y como cada

máquina se daña a una tasa λ, entonces la tasa total al cual los daños ocurren
cuando el estado es j es:

λj = λ + λ + . . . + λ = (K − j)λ

.
La tasa de muerte es similar al caso (M|M|R) : (DG |∞|∞), pero considerando tasa
de arrribo dependiente del estado del sistema (número de máquinas dañadas).
(
jµ , j < R (j = 0, 1, . . . , R − 1)
µj =
Rµ , j ≥ R (j = R, R + 1, . . . , K )
 !
 K j
ρ π0 , j < R (j = 0, 1, . . . , R − 1)


j

πj = K
ρj j!



 j

π0 , j ≥ R (j = R, R + 1, . . . , K )

R!R j−R

π0 se lo encuentra desde π0 + π1 + . . . + πK = 1.

40 / 42
(M|M|R) : (DG |K |K ) (5)

Las expresiones para las medidas de desempeño del sistema no son simples. Lo mejor
que puede hacerse es expresar estas cantidades en términos de πj .
K
X
Ls = jπj
j=0

K
X
Lq = (j − R)πj
R

Ws y Wq se pueden obtener con el resultado de Little, considerando que

XK K
X
λ= πj λ j = λ(K − j)πj = λ(K − Ls ).
j=0 j=0

41 / 42
(M|M|R) : (DG |K |K ) (3)

Un ejemplo con K = 5 y R = 2

42 / 42