(3.

b) MODELOS EXPONENCIALES de COLAS

INTRODUCCIÓN A LOS PROCESOS DE NACIMIENTO Y

MUERTE.
Ecuaciones de equilibrio. Condición de E.E.
APLICACIÓN DE LAS ECUACIONES DE EQUILIBRIO:
La cola M/M/1. Ilustración del comportamiento.
MODELOS DE COLAS EXPONENCIALES.
Trabajo de servidores en paralelo.
Casos importantes:
M/M/s , M/M/s/K , M/M/s/./N. Propiedades.
Longitudes medias y Tiempos de permanencia.

Cap. 15 Hillier F.S., Lieberman G.J. “Introduction to Operations Research” Holden day Inc. 1986.
Cap. 4 Gross D., Harris C.M."Fundamentals of queueing theory" John Wiley and Sons. 1998.

UPC
I.O.E. Diplomatura de Estadística TEORIA DE COLAS
 TIEMPO DE VIDA CONDICIONAL

PROPIEDAD 2. Caso exponencial. Ausencia de memoria

τi-1 τi

θ s

UPC
I.O.E. Diplomatura de Estadística
Máquina 1
τ1
Máquina 2

τ2

τ
N=2 N=3 N=5

N=20 N=50
Palm
(1943)
 PROCESOS DE NACIMIENTO Y MUERTE
• "Nacimiento" indica llegada al S.E
• "Muerte" indica salida del S.E.

Puede ocurrir que el tiempo entre llegadas τ sea v.a. con

distribución dependiente del estado N del sistema.

t
……
τi1 τ i2
τ i3
τik τik

1. Si N (t ) = n el tiempo entre llegadas τ ~ exp. de parámetro λ n .

2. Si N (t ) = n el tiempo de servicio ~exp. De parámetro µ n .

Sólo una llegada o una salida al/del sistema puede darse en

cada instante t.

UPC
I.O.E. Diplomatura de Estadística
 Diagrama de tasas de transición

Muestra las posibles transiciones permitidas en el estado del sistema en

un instante.

Tasas del proceso de llegadas al S.E.

λ0 λ1 λ2 λn-1 λn λn+1
n+1
0 1 2 ••• n-1 n •••

µ2 µ3 µn µn+1 µn+2
µ1
Tasas del proceso de servicio en el S.E.

La distribución de probabilidades del estado del sistema, N(t), en régimen

estacionario es relativamente intuitivo de deducir a partir del diagrama de
tasas de transición.
 λ0 λ1 λ2 λn-1 λn λn+1

• •...
n+1
0 1 2 •...
•• n-1 n •

µ2 µ3 µn µn+1 µn+2
µ1

Estado Tasa incidente = Tasa emergente

0 µ1 ⋅ P1 = λ0 ⋅ P0
1 λ0 ⋅ P0 + µ 2 ⋅ P2 = (λ1 + µ1 )⋅ P1
2 λ1 ⋅ P1 + µ 3 ⋅ P3 = (λ2 + µ 2 )⋅ P2
M M
n −1 λn−2 ⋅ Pn−2 + µ n ⋅ Pn = (λn−1 + µ n−1 )⋅ Pn−1
n λn−1 ⋅ Pn−1 + µ n+1 ⋅ Pn+1 = (λn + µ n )⋅ Pn
M M

Hay tantas ecuaciones como valores pueda presentar N(t), por

tanto, si en el S.E. sólo pueden haber como máximo K clientes,
habrán K+1 ecuaciones.
 Resolución del sistema de ecuaciones

 λ0
P1 = ⋅ P0
µ1

P λ1 1 λ1 λ0λ1
= ⋅ P1 + ⋅(µ1 ⋅ P1 −λ0 ⋅ P0 ) = ⋅ P1 = ⋅ P0
2 µ2 µ2 µ2 µ1µ2
 λ2 1 λ2 1 λ2 λ0λ1λ2
P3 = ⋅ P2 + ⋅(µ2 ⋅ P2 −λ1 ⋅ P1 ) = ⋅ P2 + ⋅(µ1 ⋅ P1 −λ0 ⋅ P0 ) = ⋅ P2 = ⋅ P0
 µ3 µ3 µ3 µ3 µ3 µ1µ2µ3

 M
 λn−1 1 λn−1 1 λn−1 λ0λ1 Kλn−1
Pn = ⋅ Pn−1 + ⋅(µn−1 ⋅ Pn−1 −λn−2 ⋅ Pn−2 ) = ⋅ Pn−1 + ⋅(µ1 ⋅ P1 −λ0 ⋅ P0 ) = ⋅ Pn−1 = ⋅ P0
µn µn µn µn µn µ1µ2 Kµn

P λn λ0λ1 Kλn
= L= ⋅ Pn = ⋅ P0
 n+1 µn+1 µ1µ2 Kµn+1
 M

 λ0 λ1 Kλn−1
Cn = n = 1, 2,K ; C0 =1
µ1 µ 2 K µ n
λ0 λ1 Kλn−1
Pn = ⋅ P0 = Cn ⋅ P0 n = 1, 2,K
µ1 µ 2 K µ n
∞ ∞ 1
∑ Pn = ∑ Cn ⋅ P0 = 1 → P0 = ∞
n =0 n =0
∑ Cn
n =0

Las probabilidades de estado ∞

estacionario quedan definidas si: ∑ Cn < +∞
n =0

En caso de que el S.E. pueda contener sólo K clientes como máximo,

el sumatorio se extiende de n=0 a n=K y siempre será finito.

UPC
I.O.E. Diplomatura de Estadística
APLICACIÓN DE LAS ECUACIONES DE EQUILIBRIO: el modelo M/M/1

Hipótesis del modelo:

• Tiempos entre llegadas i.i.d. de ley exponencial con parámetro λn = λ .

• Tiempos de servicio i.i.d. según una ley exponencial de parámetro µ n = µ .
• Un único servidor, s = 1.
λn = λ n = 0,1, 2,K
µ n = µ n =1, 2,K

λ λ λ λ λ λ
n+1
0 1 2 •...
•• n-1 n • •...
•

µ µ µ µ µ
µ
 λ
Hay régimen estacionario si el factor de carga del S.E. es ρ =
➨ µ <1

➨ Dado que ρ < 1

n
λ0λ1 Kλn−1 λ
Cn = =   = ρ n n = 1, 2,K C0 = 1 →
µ1µ2 Kµn µ
Pn = Cn ⋅ P0 = ρ n ⋅ P0 n = 0,1, 2,K
∞ ∞
∑ P n = ∑ C n P 0 = 1
n = 0 n = 0

1 1 1
P0 = ∞
= ∞
= = 1− ρ
n 1
∑ Cn ∑ ρ
n=0 n=0 1− ρ
y por tanto,
Pn = Cn ⋅ P0 = ρ n ⋅ (1− ρ ) n = 0,1, 2,K
(Distribución geométrica)
 EJEMPLO DE LA EVOLUCIÓN DE UNA COLA M/M/1
COMPORTAMIENTO: Pueden presentarse dos situaciones:

1. En promedio la afluencia
de clientes al S.E.
sobrepasa la capacidad de
trabajo del Sistema de N(t) ρ≥1
Servicio:

N(t) PRESENTA UNA

TENDENCIA CRECIENTE
t

2. El Sistema de Servicio tiene

suficiente capacidad de
trabajo frente a la afluencia
N(t)
ρ <1
de clientes:

N(t) puede crecer en ocasiones,

pero el S.E. siempre retorna al t
estado 0 (vacío)

UPC
I.O.E. Diplomatura de Estadística
➨ La esperanza matemática de la variable aleatoria estado del sistema ( ρ < 1 )

∞ ∞ ∞ ∞
L = ∑n ⋅ Pn = ∑n ⋅ (1− ρ)⋅ ρ = (1− ρ)∑n ⋅ ρ = ρ ⋅ (1− ρ)∑n ⋅ ρ n−1 =
n n

n=0 n=0 n=0 n=0

d  ∞ n d  1 
= ρ ⋅ (1− ρ)  ∑ ρ  = ρ ⋅ (1− ρ)⋅   =
dρ  n=0  dρ 1− ρ 
1 ρ λ
= ρ ⋅ (1− ρ)⋅ = =
(1− ρ) (1− ρ) µ − λ
2

➨ La esperanza matemática de la variable aleatoria longitud de cola en un sistema de

espera M/M/1 ( ρ < 1 )

∞ ∞ ∞
Lq = ∑(n −1)⋅ Pn = ∑n⋅ Pn −∑Pn =(L) −(1− P0 ) =
n=1 n=1 n=1
ρ ρ 2
λ2
= (L) −(ρ) = −ρ = =
1− ρ 1− ρ µ ⋅ (µ −λ)
 UTILIZACIÓN DE LAS FÓRMULAS DE LITTLE

UPC
I.O.E. Diplomatura de Estadística
Distribución de la v.a. tiempo de
permanencia en el S.E. de un
cliente:

w ~ exp. E[w]=W
 TIEMPO DE VIDA CONDICIONAL

PROPIEDAD 2. Caso exponencial. Ausencia de memoria

τi-1 τi

θ s

UPC
I.O.E. Diplomatura de Estadística
 TRABAJO DE SERVIDORES EN PARALELO

La variable aleatoria U definida como el mínimo de entre n

variables aleatorias independientes y exponenciales T1 , L, Tn ,
de parámetros respectivos α1 ,L,α n , sigue una ley exponencial
n

de parámetro α = ∑
i =1
αi .

Î es decir, U = Min{T1 ,K, Tn } y por tanto la función de distribución de U ,

FU (t) = P({U ≤ t}) =1− P({U > t}) =1− P({T1 > t,K,Tn > t}) =1− P({T1 > t})LP({Tn > t}) =
∑
n
−α1t −αnt − t α
=1− e Le =1− e i =1 i
=1− e−α t

I.O.E. Diplomatura de Estadística

UPC
La interpretación que puede darse de la propiedad en el caso del tiempo entre
llegadas es que si la población esta constituida para diferentes clases de clientes
que llegan cada una al sistema de espera según una ley exponencial vinculada a
la clase, entonces el tiempos entre las llegadas de 2 clientes cualesquiera sigue
una ley exponencial, o el que es equivalente, la población puede tratarse desde
el punto de vista de la distribución entre llegadas al sistema de espera como si
fuera homogénea.

α1
Fuente 1

α2 α1 + α2 + …+αn
Fuente 2

Fuente n
αn

I.O.E. Diplomatura de Estadística

UPC
Î Si hay n servidores, el tiempo que resta hasta la próxima finalización
de servicio no depende del instante ni del servidor que ha completado
el último servicio y sigue una distribución exponencial, lo que permite
tratar sistemas de espera con n>1 servidores, como si tuvieran un
único servidor pero que trabaja tan rápido como los n juntos.
Î Supongamos n fuentes exponenciales y sean r1 …rn los intervalos de tiempo
transcurridos desde el último suceso para las fuentes 1 … n respectivamente.
Consideremos variables aleatorias s1 …sn , tiempos contados desde el instante
actual hasta el próximo suceso para cada una de las n fuentes.
Por la propiedad de ausencia de memoria las r1 s1
variables aleatorias s1, … sn también se
distribuyen exp. con parámetros α1 , α2 …, αn r2 s2

el tiempo contado a partir del instante actual

hasta que algún otro suceso proviniente de sn
las n fuentes se produzca, se distribuye rn
n

exponencialmente con parámetro

α = ∑αi .
i =1 Instante actual

I.O.E. Diplomatura de Estadística

UPC
 MODELO M/M/s

• Tiempos entre llegadas τ i.i.d. de ley exp. con parámetro λ.

• s > 1 servidores iguales.
• Tiempo de servicio x i.i.d. según una ley exp. de parámetro µ.

λn = λ n = 0,1, 2,K
n ⋅ µ n =1, 2,K, s − 1
µn = 
s ⋅ µ n = s , s + 1,K
λ λ λ λ λ λ
s+1
0 1 2 ••• s-1 s •••

2µ 3µ sµ sµ sµ
µ
  1  λ n
λ    n = 1, 2,K, s − 1
λ0 λ1 Kλn−1  n !  µ 
Si el factor de carga ρ del S.E. ρ = <1 Cn = =
s⋅µ µ1 µ 2 K µ n  1  λ  s  λ  n − s
   n = s , s + 1,K
 s !  µ   sµ 

 1  λ n
   ⋅ P0 n = 1, 2,K, s − 1
n!  µ 
Pn = Cn ⋅ P0 =  s n−s
 1  λ   λ  ⋅ P n = s , s + 1,K
 s !  µ   sµ  0


∞ ∞
∑ Pn = ∑ Cn ⋅ P0 = 1 →
n =0 n =0
1 1 1
P0 = ∞
= n s n− s
= n s
∑ Cn s −1 1 λ  ∞ 1 λ  λ  s −1 1 λ  1 λ  1
n =0 ∑   +∑     ∑   +  
n =0 n ! µ
  n=s s !  µ   sµ  n =0 n ! µ
  s! µ  1− ρ

UPC
I.O.E. Diplomatura de Estadística
 s
1 λ 
(n − s )⋅ Pn = ∑ n ⋅ Ps + n = ∑ n   (ρ )
∞ ∞ ∞ s +n−s
Lq = ∑ P = ... = 0
n =0 s ! µ
n=s n =0
 
s
1 λ  ρ
=   P0
s! µ  (1 − ρ )2

⋅
∞
 1 λ
L = ∑ n ⋅ Pn = λ ⋅ W = λ ⋅ Wq +  = Lq +
n =0  µ µ
Resumen del cálculo de una cola M/M/s (se conocen λ, µ, s)

 Lq
 Wq =
s
1  λ  P0 ρ  λ
P 0 → Lq =   →
s!  µ  (1− ρ ) 2
 λ L
 L = Lq + µ → W = λ

UPC
I.O.E. Diplomatura de Estadística
 s
1  λ  n−s
P({n ≥ s}) = ∑ Pn = ∑   ρ P0 =
∞ ∞

n=s s ! µ
n= s
 
s s Fórmula C-Erlang
1 λ  ∞ 1  λ  P0
=   P0 ρ =  
∑
n

s !  µ  n =0 s! µ  1− ρ

Distribución
de Poisson

UPC
I.O.E. Diplomatura de Estadística
 El modelo M/M/s/K

Sistema de espera con limitación de capacidad que presupone:

1. Tiempos entre llegadas τ i.i.d. exp. de parámetro λ n = λ .
2. Tiempos de servicio x i.i.d. exp. de parámetro µ.

3. Un conjunto de servidores en paralelo s > 1.

4. El número de clientes al sistema de espera es ≤ K.
El número máximo de clientes N(t) presentes en el S.E. debe ser ≤ K

Si el S.E. está lleno al llegar un cliente éste se pierde:

λ λ λ λ λ λ

••• K
s+1
0 1 2 ••• s-1 s

2µ 3µ sµ sµ sµ
µ
➨ Siempre alcanzará régimen estacionario.

I.O.E. Diplomatura de Estadística

UPC
  1  λ n
   n = 1, 2,K, s − 1
 n!  µ 
λ0 λ1 K λ n −1  1  λ   λ 
s n−s

Cn = =     n = s, s + 1,K, K i C0 = 1
µ1 µ 2 K µ n  s !  µ   sµ 

0 n = K + 1, K + 2,K


➨ Lo que facilita el estado del sistema en régimen estacionario: P n = C n ⋅ P0

∞ ∞

∑ P = ∑C
n =0
n
n =0
n ⋅ P0 = 1 →
1 1 λ
P0 = = ρ = ≠1 .
∞
s −1
1 λ
n
1 λ
s
 λ 
n−s
; s⋅µ
∑C
K
n
∑   + ∑  
n =0 n !  µ  n=s s !  µ 
 
n =0
 sµ 

Si K no es demasiado alto es aconsejable utilizar las fórmulas

generales para procesos de nacimiento y muerte en equilibrio.

I.O.E. Diplomatura de Estadística

UPC
 ∞ K −1 K −1
λ = ∑ λn ⋅ Pn = ∑ λ ⋅ Pn = λ ⋅ ∑ Pn = λ ⋅ (1 − PK )
n =0 n =0 n =0

Si N (t) < K

Si N (t) = K
Población
Sistema de Espera

I.O.E. Diplomatura de Estadística

UPC
• La esperanza matemática de la variable aleatoria longitud de cola
s s
∞ K −s1 λ 1 λ K −s
Lq = ∑ (n − s ) ⋅ Pn = ∑ n   (ρ )
s+n−s
P0 =   P0 ∑ nρ n =...
n=s n =0 s!  µ  s!  µ  n =0

s
1 λ ρ
.... =   P0 (
1 − ρ K −s
− (K − s ) ⋅ ρ K −s
⋅ (1 − ρ )).
s!  µ  (1 − ρ )2

λ
En las fórmulas presentadas se ha supuesto ρ = ≠1 .
s⋅µ

• La esperanza matemática de la variable aleatoria estado del sistema.

∞
 1 λ
L = ∑ n ⋅ Pn = λ ⋅ W = λ ⋅ Wq +  = Lq +
n =0  µ µ

Aplicación de las fórmulas de Little para el calculo de W y Wq .

[ ]
W = EW =
L
λ
[ ]
Wq = E Wq =
Lq
λ
I.O.E. Diplomatura de Estadística
UPC
 MODELO M/M/s/./N

S.E. con población finita (N) que presupone:

• Tiempo de permanencia en la población de los clientes i.i.d según ley
exp. de parámetro λ
• Tiempos de servicio por servidor i.i.d. según ley exp. de parámetro µ.
• Un conjunto de servidores en paralelo s > 1.
• Una población finita de clientes limitado al valor N. Para simplificar
se supone N > s.
Es un S.E. cerrado: Hay siempre N clientes (población+S.E.)
Tras salir del S.E. el cliente se reintegra en la Población

Población
Sistema de Espera
 EJEMPLO: TALLER DE REPARACIONES

En un taller de reparación de motores hay 3 mecánicos.

Atienden un conjunto de 12 motores de una planta.
• Cada mecánico repara un motor en un tiempo x ~ exp. E[x]=1día.
• Tras repararse un motor es puesto en servicio inmediatamente.
• El tiempo entre averías de un motor τ ~ exp. E[τ]=20 días.

Motores
Población TALLER
funcionando Sistema de Espera
 M/M/s/./N: DIAGRAMA DE TASAS

Nλ (N-1)λ (N-2)λ 3λ 2λ λ

1 2 ••• N-3 N-2 N-1 N

0
2µ 3µ sµ sµ sµ
µ

 N! λ
n

   n = 1, 2, K , s − 1
 (N − n )! n !  µ 
λ0 λ1 K λn −1 
s n−s

Cn = =
N! λ  λ 
    n = s, s + 1, K , N i C0 = 1
No se puede conseguir
µ1µ 2 K µ n  (N − n )! s !  µ   sµ  una expresión analítica
 compacta y los cálculos
0 n = N + 1, N + 2, K
 con población finita se
∞ ∞ desarrollan a partir de
∑ Pn = ∑ Cn ⋅ P0 = 1 → tablas específicas.
n =0 n =0
1 1
P0 = ∞
= n s n−s
∑ Cn s −1 N! λ  N N! λ  λ 
∑   +∑    
n =0 (N − n )! n ! µ
  n=s (N − n )! s !  µ 
n =0
 sµ 
 ∞ N
Lq = ∑ (n − s ) ⋅ Pn = ∑ (n − s ) ⋅ Pn
n=s n=s

➨ La esperanza matemática de la variable aleatoria estado del sistema se puede

deducir a partir de Lq ,
∞ s −1 N s −1
 s −1 
L = ∑n ⋅ Pn = ∑n ⋅ Pn + ∑n ⋅ Pn = ∑n ⋅ Pn + Lq + s ⋅ 1 − ∑Pn 
n =0 n =0 n=s n =0  n =0 
➨ Cálculo de la tasa media efectiva de llegadas por unidad de tiempo,
∞ N N N
λ = ∑ λn ⋅ Pn = ∑ (N − n )⋅ λ ⋅ Pn = ∑ N ⋅ λ ⋅ Pn − ∑ n ⋅ λ ⋅ Pn =
n =0 n =0 n =0 n =0
N
= N ⋅ λ − λ ⋅ ∑ n ⋅ Pn = N ⋅ λ − L ⋅ λ ⋅ = (N − L )⋅ λ
n =0
➨ La aplicación de las fórmulas de Little permite deducir el tiempo medio de espera en el
sistema W y en la cola de los sistema W q

W = E[W ] =
L
λ y [ ]
Wq = E Wq =
Lq
λ .

I.O.E. Diplomatura de Estadística

UPC
SESION DE PROBLEMAS:
USO de QTS_EXCEL
M/M/c system-size probabilities

0,25
0,20

probability
0,15
0,10
0,05
0,00
0 2 4 6 8 10
size

CDF for M/M/c line waiting times

1,00
0,80
0,60

cdf
0,40
0,20
0,00
0 0,5 1 1,5
time
Terminal de facturación de equipaje
Un terminal de facturación dispone de 2 operarios que atienden los clientes que
llegan según una distribución de Poisson de media 80 clientes por hora y esperen en
una cola única hasta que alguno de los operarios esté libre. El tiempo requerido para
atender un cliente esta distribuido exponencialmente con media 1.2 minutos.
1. Cual es el número esperado de clientes en la terminal de hacecturación?
2. Cual es el tiempos medios que un clientes pasa a la terminal de hacecturación?
3. Qué porcentaje del tiempo está libre un determinado operario?
Modelo M/M/2
λ 80
Tasa de llegadas λ = 80 clientes/hora ρ= =
s ⋅ µ 2 ⋅ 50
= 0.8

60
Tasa de servicio por operario µ = = 50 clientes/hora.
1.2

 Lq
s
 Wq λ
=
1 λ  ρ
P0 → 
P0 → Lq = s! 
µ (1−ρ) L = + λ →W = L
2

   Lq µ
 λ

I.O.E. Diplomatura de Estadística

UPC
 1 1
P0 = n s
= n 2
= 0.111
s −1
1 λ 1 λ 1 1
1  80  1  80  1
∑ 
 
 +   ∑   +  
2!  50  1 − 0.8
n =0 n !  µ  s! µ  1 − ρ n = 0 n !  50 

s 2
1 λ ρ 1 8 0 .8
Lq =   P0 =   (0.111) = 2.84
s! µ  (1 − ρ ) 2!  5 
2
(1 − 0.8)2 clientes

1. El número medios de clientes en el terminal de facturación es

λ 80
L = Lq + = 2.84 + = 4.44 clientes.
µ 50

L 4.44
2. Un clientes pasa en promedio en el terminal de facturación W = = = 0.0555 horas
λ 80
= 3.33 minutos.

3. 1 ⋅ P0 + 1 2 ⋅ P1 = (1 + 1 2 ⋅ C1 ) ⋅ P0 = (1 + 1 2 ⋅ 8 5) ⋅ P0 = 0.2
■

I.O.E. Diplomatura de Estadística

UPC
 El servicio de urgencias de un hospital
El servicio de urgencias de un hospital dispone permanentemente de un médico de
guardia, pero se han detectado tiempos de espera desaconsejables en muchas ocasiones,
de manera que Dirección del Hospital quiere avaluar los beneficios de disponer de un
segundo médico de urgencias. La tasa de llegada de enfermos al servicio de urgencias
es de 1 paciente cada 30 minutos y el tiempo medio de servicio es de 20 minutos para
paciente. Determinar los parámetros ρ , P0 , Lq , L, Wq i W con s=1 y s=2 médicos de
guardia. Determinar la función de distribución de probabilidad del tiempo de espera hasta
ser examinado un paciente en ambas situaciones.
En el caso M/M/1,
λ 2 2 1 ρ 23
ρ= = ; P0 = 1 − ρ = 1 − = L= = = 2 pacientes
µ 3 3 3 1− ρ 1− 2 3

Lq =
ρ2
=
(2 3) = 4 pacientes
2

1− ρ 1− 2 3 3
L 2 2
W= = = 1 hora Wq = ρ ⋅ W = (2 3)⋅ 1 = hora
λ 1 3

I.O.E. Diplomatura de Estadística

UPC
  Lq
s
 W =
1 λ  λ
q
λ ρ
P0 2 → 

En el caso M/M/2, ρ = =
2
=
1
P0 → Lq =  
s ⋅ µ 2⋅3 3 . s! µ (1−ρ) L = + λ →W = L
   Lq µ
 λ

1 1 1
P0 = n s
= n 2
=
s −1
1 λ 1 λ 1 1
1 2 1 2 1 2
∑   +   ∑   +  
 3  1−1 3
n =0 n !  µ  s! µ  1 − ρ n =0 n ! 3
  2 !

s 2
1λ ρ 1 2 1 1 3 1
Lq =   P0 =   = pacientes
s! µ  (1 − ρ ) 2!  3  2 (1 − 1 3) 12
2 2

λ 1 2 3
L = Lq + = + = pacientes
µ 12 3 4
L 3 1 3 Lq 1 1 1
W= = ⋅ = horas Wq = = ⋅ = horas
λ 4 2 8 λ 12 2 24
■

I.O.E. Diplomatura de Estadística

UPC
 Ejemplo: El Asesor
El asesor Fiscal
fiscal
Un asesor fiscal dispone de un local para atender a sus clientes, los cuales se concentran
mayoritariamente durante los meses de mayo y junio. El local tiene una capacidad
máxima de 8 asientos en espera, el cliente se va si no encuentra un asiento libre, y el
tiempo entre llegadas de clientes se puede considerar distribuido
exponencialmente según un parámetro λ = 20 clientes por hora en período punta. El
tiempo de una consulta esta distribuido exponencial con una media de 12 minutos,
1. ¿Cuantas consultas por hora realizará en promedio?
2. ¿Cual es el tiempo medio de permanencia en el local?
λ 20
El modelo es M/M/1/9 ρ= = =4
µ 5

 n 1− ρ
ρ ⋅ n = 0,1, 2,K, K 1− ρ 1− 4
Pn = Cn ⋅ P0 =  1 − ρ K +1 K =9, P9 = C 9 ⋅ P0 = ρ 9 ⋅ = 4 9
⋅ = 0.75
 0 n = K + 1, K + 2,K 1 − ρ 10 1 − 410

∞
λ = ∑ λ ⋅ Pn = λ ⋅ (1 − P9 ) = 20 ⋅ (1 − 0.75 ) = 5 clientes/hora
n =0
)
L=
ρ
−
(K + 1)ρ K +1
=
4
−
10 ⋅ 4
= 8.6 clientes W = E[W ] =
10
) L 8.6
=
)
= 1.73 horas.
1− ρ 1 − ρ K +1 1− 4 1− 4 10
λ 5

I.O.E. Diplomatura de Estadística

UPC
 Modelo de Reparación de Avionetas
Una pequeña compañía aérea de una isla de las Antillas dispone de 5 avionetas, que hay
que reparar con una tasa de 1 cada 30 días. Se disponen de 2 técnicos para reparaciones,
cada uno de los cuales necesita un promedio de 3 días para una reparación. Los tiempos
entre averías y de reparación son exponenciales.
1. Determinar el número medios de avionetas en funcionamiento.
2. Calcular el tiempo medio que una avioneta esta fuera de servicio cuando requiere una
reparación.
3. Calcular el porcentaje del tiempo que un determinado técnico esta libre.

1
El modelo es exponencial y de población finita: M/M/2//5. La tasa de averías es λ =
30
1
avionetas por día y la tasa de reparaciones es µ = 3
avionetas por día.

El número medios de avionetas en funcionamiento es el número total de avionetas, N,

menos el número esperado de avionetas en reparación, L:
N
N − L = 5 − L = 5 − ∑ n ⋅ Pn .
n =0

Hay que determinar las Pn = C n ⋅ P0 y para esto hacen falta las Cn y P0 .

I.O.E. Diplomatura de Estadística

UPC
  5! 1
n

   n =1
λ0 λ1 K λn −1  (5 − n )!n !  10 
Cn = = y C0 = 1
µ1 µ 2 K µ n  5!  1  2  1  n − 2
n = 2,K,5
 (5 − n )!2!  10   2 ⋅10 

 5!  1
n

   ⋅ P0 n=1
 (5 − n )! n !  10 
Pn = C n ⋅ P0 =  2 n−2
 5!  1   1 
⋅ P0 n = 2, K ,5
 (5 − n )!2 !  10   2 ⋅10 

i 0 1 2 3 4 5
C i 1 0.5 0.1 0.015 0.0015 0.000075
∞ ∞
1 1
∑ Pn = ∑ C n ⋅ P0 = 1 → P0 = 5
=
1 + 0.5 + 0.1 + 0.015 + 0.0015 + 0.000075
= 0.619
n =0 n =0
∑ Cnn =0

i 0 1 2 3 4 5
Pi 0.619 0.310 0.062 0.009 0.001 0.00004
N

➨ N − L = 5 − L = 5 − ∑ n ⋅ Pn = 5 − 0.465 = 4.535 avionetas en promedio en funcionamiento.

n =0

I.O.E. Diplomatura de Estadística

UPC
➨ El tiempo medio que una avioneta pasa en reparación es W.

L 0.465
W = = = 3.08 días
λ 0.151

1 1
donde λ = λ ⋅ (N − L ) = ⋅ (5 − 0.465 ) = ⋅ (4.535) = 0.151
30 30
➨ La fracción de tiempo que un determinado técnico pasa inactivo es
P0 + 0.5 ⋅ P1 = 0.619 + 0.5 ⋅ 0.310 = 0.774 .

I.O.E. Diplomatura de Estadística

UPC
 ( 3.c) INTRODUCCIÓN A LOS MODELOS NO EXPONENCIALES
Y REDES DE COLAS

• INTRODUCCIÓN A LAS REDES DE COLAS.

Concepto de red abierta y cerrada.
Redes abiertas y Teorema de Jackson.
• MODELOS NO EXPONENCIALES
Cola M/G/1: Fórmula de Pollaczeck-Khintchine.
Cola G/M/1: casos Ek/M/1, Hip/M/1, Hyp/M/1.
Uso de QTS_EXCEL.
• APROXIMACIONES PARA COLAS GI/G/s.
Aproximación de Allen-Cuneen.
Aproximaciones para colas congestionadas
(Heavy Traffic)
Cap. 5 Allen A. O. “Probability, Statistics and Queueing Theory” Academic Press. 1998.

UPC
I.O.E. Diplomatura de Estadística