PUNTO DE PAGO DE

FACTURAS Y SERVICIOS
FINANCIEROS ALMACEN ÉXITO

INTEhgegwejrhfrjhwrgjhf

16 de septiembre de 2021
 2

.
I N T R O D U C C I Ó N

Hoy en dı́a existen diferentes productos y servicios que prestan los

almacenes éxito que van mucho más allá de la venta de mercancı́a
de consumo común, en algunas de sus cajas se pueden pagar recibos,
tiquetes aéreos, afiliaciones a empresas pensionarias, pago de subsi-
dios y giros nacionales entre otros. En algunos de estos almacenes el
pago se realiza en cualquier caja, pero en el caso particular del éxito
del portal Suba se ha destinado especı́ficamente un cajero aparte pa-
ra el pago a entidades a través de los convenios que tiene el almacén.
Sin embargo, la demanda ha llegado a tal punto que en ocasiones
la fila de atención se torna tan larga que interrumpe el acceso a los
cajeros aledaños y al punto de atención al cliente de los usuarios o
interesados en adquirir la tarjeta de crédito éxito. A pesar que las
instalaciones cuentan con dos cajas para prestar el servicio por expe-
riencia se conoce que en raras ocasiones se habilita la segunda caja,
lo cual genera desorden y congestión en el sistema.
Cuando se presta un servicio, el cliente no tiene un objeto tangible
para comparar o determinar un valor, ası́ que toma aún mas impor-
tancia el tiempo que el usuario tenga que pasar en el sistema para que
decida adquirirlo, como lo mencionan, Lee J. Krajewski y Larry P en
su libro Administración de operaciones estrategias y análisis (2008) :
“Las filas largas de espera o los prolongados tantes de esto provocan
que los clientes se arrepientan o deserten“ [1]. En este caso cuando
el cliente decide irse se pierde la venta y esto se traduce en perdidas
para el almacén.

3
Í N D I C E G E N E R A L

1 antecedentes 5
2 plan de muestreo 6
2.1 Fenómeno de estudio 6
2.2 Factores a estudiar 7
2.3 Metodologı́a de muestreo 7
2.4 Otros factores a tener en cuenta 7
2.5 Experimento 7
2.6 Comparación de las medias encontradas 9
2.7 Sondeo de los tiempos de servicio 12
3 muestreo 14
4 an álisis de datos 16
4.1 Grupo 1 Llegadas al sistema 16
4.2 Grupo 1 Servicios en el sistema 17
4.3 Grupo 2 Llegadas al sistema 17
4.4 Grupo 2 Servicios en el sistema 18
4.5 Intervalos de confianza para las medias 19
5 teoría de colas 21
6 conclusi ónes 28

4
 1
ANTECEDENTES

Desde el punto de vista estadı́stico el problema aquı́ ilustrado es

bien conocido como “teorı́a de colas“: estudio del tiempo de espera
medio en las filas o la capacidad de trabajo del sistema sin que llegue
a colapsarse. [2] Algunos ejemplos de su uso pueden ser: el tiempo
que un usuario pasa en las filas de un banco, el tiempo que un comen-
sal espera su comida en un restaurante, los carros aguardando frente
a un semaforo, las llamadas recibidas en un call-center entre otros [3].
(Wayne L. Winston 2005).

En general consiste en clientes u objetos esperando a que se les

preste un servicio. Para el uso de la teorı́a de colas es necesario tener
claro cuantas colas se presentan y cuantos puntos pueden atender a
quienes esperan. Sus variables mas importantes son la velocidad de
llegada de los clientes (u objetos) y el tiempo que toma atenderlos
(servicios).

5
 2
PLAN DE MUESTREO

Para empezar, es necesario tener un claro conocimiento de la situa-

ción como se le pretende manejar. Antes de salir a tomar datos es
necesario tener algunas nociones básicas sobre el sistema y ası́ lograr
recolectar la información mas optima con el menor gasto de tiempo
y recursos. Para ello primero se debe tener en cuenta una breve des-
cripción del punto.

2.1 fen ómeno de estudio

Como se explicó anteriormente existen dos cajas para el pago de

facturas y servicios en el almacén exclusivas para estas tareas, pero
no se dispone de la segunda caja más que en pequeños lapsos de
tiempo, para determinar cómo funciona la segunda caja se le ha pre-
guntado al encargado sobre el funcionamiento de la misma a lo que el
funcionario respondió que no se tiene un horario especifico y según la
decisión de algún supervisor la caja puede entrar en funcionamiento,
no necesariamente la decisión está ligada a la cantidad de personas en
fila pues los responsables de la decisión pueden estar en dichos mo-
mentos supervisando otros puntos del almacén que presentan gran
congestión especialmente en horas de la tarde y noche. Varias per-
sonas en el establecimiento están capacitadas para el manejo de la
misma pero no existe un horario determinado. Esto quiere decir que,
aunque se cuenta con dos servidores resulta más viable analizar un
solo servidor y estimar el tiempo de funcionamiento óptimo para el
del segundo servidor, dando un horario fijo a un funcionario para
el manejo del segundo servidor sin que los supervisores tengan que
estar vigilando la situación. Por otra parte, el servidor uno siempre
está en funcionamiento desde las 8:am (apertura del almacén) hasta
las 9:00pm Una vez llegada esta hora no se le permite a más perso-
nas ingresar en la fila. Son atendidos solamente aquellos que ya están
dentro del sistema. Los clientes llegan como ellos deseen y serán aten-
didos siempre y cuando lleguen en los horarios mencionados.
La cantidad de personas que puede llegar es desconocida y el siste-
ma debe atenderlos, sin embargo, no se recomienda que la fila exceda
más de 15 personas dadas las condiciones de espacio para ası́ no in-
comodar a los usuarios de las casetas aledañas.

6
 2.2 factores a estudiar 7

2.2 factores a estudiar

Los factores que más afectan el sistema es la taza de arribo de los

clientes y el tiempo que el servidor toma en atender a cada uno de
ellos, para esto será necesario recolectar la diferencia en minutos que
un cliente tarda en llegar con respecto a otro, es decir, si el primer
cliente llega cierta hora esta será la hora cero, si el siguiente llega 3
minutos después entonces el dato entre el primer y el segundo cliente
es 3 minutos y ası́ sucesivamente. La segunda variable de estudio es
el tiempo en minutos que le toma al servidor atender a cada cliente.

2.3 metodología de muestreo

La población de interés son los usuarios que hacen uso del sistema
de pago de servicios en el punto éxito portal suba, pero en la mues-
tra se incluirán solamente los usuarios que usen el sistema durante
ciertos dı́as entre el dia 3 y 10 de abril en unos intervalos determi-
nados de horas, para poder determinar cómo deben ser organizadas
agrupadas estos intervalos de Horas-Dı́as será necesario realizar un
sondeo inicial, en él también se podrá esclarecer mejor la cantidad de
población muestrada. Note que se tienen dos unidades muéstrales la
primera es la diferencia que le toma a un cliente llegar con respecto
al anterior en minutos, la segunda es el tiempo que el servidor le to-
ma en minutos atender a cada cliente. La unidad experimental serán
la colección de minutos de llegada y tiempo de servicios realizados
en la semana anteriormente estipulada. El marco muestral consta de
todas entradas al sistema y todos los servicios atendidos.

2.4 otros factores a tener en cuenta

Existen factores que pueden alterar profundamente el experimento,

por ejemplo, se sabe que las personas cambian sus rutinas los dı́as
festivos, por eso no se tomaran en cuenta dı́as cercanos a la “Semana
santa“. Otro carácter de gran importancia es que la toma de datos se
puede ver influenciada por la llegada del segundo servidor para ello
será necesario no tomar datos cuando esto suceda y tomar otro dı́a
que cumpla las condiciones estipuladas.

2.5 experimento

Para determinar el arribo de los clientes al sistema fue necesario

hacer una observación preliminar con intervalos de tiempo tomados
de la siguiente manera. Debido a la disposición de tiempo para tomar
las muestras se decidı́o tomar una muestra de 15 personas en diferen-
tes intervalos del dı́a de la siguiente manera:
 2.5 experimento 8

8:00am-10:10am

10:11am-12:20pm

12:21pm-2:30pm

2:31pm-4:40pm

4:41pm-6:50pm

6:51pm-9:00pm (Cierre del lugar)

En el punto medio de cada intervalo se tomarán 16 eventos es de-

cir una llegada de arribo, para determina una tasa media de arribo al
lugar. Tambien será necesario durante este periodo averiguar cuantos
clientes estuvieron en el servidor y por cuanto tiempo para determi-
nar una media sobre el tiempo en que le toma al servidor atender
un cliente. El experimento se realizará durante 5 dı́as, para ası́ poder
examinar la afluencia y atención del público. Es decir, se completará
una tabla de la siguiente manera.
1:

Instante T Diferencia de llegada al cliente anterior

0 x
1 1
2 1
3 2
... ...
15 4

Cuadro 1: Diferencia de llegadas en un tiempo dado

El primer item indica el evento de llegada i-esimo, mientras que la

columna dos consta de la diferencia de llegada de un cliente a otro. Se
desconoce la hora de llegada del cliente anterior al cliente cero por lo
tanto el primer dato no es calculable, ası́ pues, para calcular la media
de arribo en un intervalo de tiempo dado solo servirán los siguientes
15 datos. De manera similar se toman la cantidad de servicio y el
tiempo en servicio.
2):
 2.6 comparaci ón de las medias encontradas 9

Servicio i Tiempo en el servidor

1 3
2 1
3 3
... ...
15 1

Cuadro 2: Clientes servidos y toma de tiempo

Lo importante a estimar es: el tiempo promedio de arribo y de ser-

vicio. Esto quiere decir el tiempo promedio que le toma a un cliente
llegar con respecto al anterior y el tiempo promedio que tarda un
servidor en atender un cliente. Estos tiempos estimados son validos
solamente en ese intervalo particular de tiempo. El lector debe recor-
dar que este no es el muestreo como tal si no un sondeo para tener
una idea clara del sistema.
El ejercicio se repite por los 6 periodos de tiempo durante 3 dı́as y se
obtienen los diferentes resultados:
3):

Dia-Hora 8:00am 10:11am 12:21pm 2:31pm 4:41pm 6:51pm

Lunes 3.13 3 2,06 1,93 1,8 1,66
Miercoles 2,9 2,6 2,8 2,4 1,93 1,4
Viernes 2,86 2,93 2,2 2,13 1,53 2,66

Cuadro 3: Promedio de llegada de los clientes

2.6 comparaci ón de las medias encontradas

¿Qué tan diferentes son estas medias entre ellas? ¿En qué grupos
se debe dividir la recolección de datos? ¿Cuantos datos son necesa-
rios para tener buenos estimadores de cada grupo? El principal dato
de interes es la medida media de arribo de los clientes, sin embargo,
se puede asumir que todos los clientes a todas las horas llegan a la
misma razón. Por el contrario, tampoco se puede decir que todos los
dı́as todas las tazas de llegada de los clientes son significativamente
diferentes. El dato de interes es el promedio de llegada, sin embargo,
no es conocida la cantidad de clientes que llega en un dı́a determina-
do o en una hora determinada, todas las muestras que implican saber
la cantidad total N de clientes para determinar una muestra quedan
descartadas. Sin embargo, para determinar este parámetro tampoco
es viable asumir que todas las horas son irrelevantes y asumir un
promedio para todas ellas estimando una muestra n demasiado ge-
neral, esto último solo es cierto si todos los 18 grupos Dı́as-Hora tie-
 2.6 comparaci ón de las medias encontradas 10

nen razones de llegada relativamente iguales. Puede que esta última

afirmación sea cierta como puede que no. Para ello es necesario rea-
lizar una prueba de hipótesis sobre las medias tomadas, usar algún
método para comparar multiples promedios a la vez, no es óptimo ni
recomendable usar la prueba de comparacion “t de Student para dos
muestras independientes“, si se hace de esta manera el total de com-
paraciones serı́an 18 C 2, en estos casos es mas útil utilizar la prueba
ANOVA. Sin embargo aqui tambien surge otro problema por que re-
quiere normalidad sobre los datos, para este tipo de instancias existe
la prueba de Karikal-Wallis. Está última permite comprar las medias
entre los grupos, es similar a la prueba de ANOVA, pero como una
alternativa no paramétrica. [4]

Hipótesis nula Ho Los intervalos horas-dias son idénticas en térmi-

nos de ingreso de los clientes

Hipótesis alternativa Ha Por lo menos un intervalo de hora-dia es

diferente

Nivel de significancia α 0.05

La prueba consiste en determinar un estadı́stico H que brinda un po-
co de información sobre la variabilidad sobre las medias múltiples, Se
listan los datos de menor a mayor, se les asigna un rango, (si existen
datos repetidos se les dará como valor de rango el promedio entre
ellos) y se calcula la suma de los rangos para obtener uno en cada
grupo.
4):

Dia-Hora 8:00am 10:11am 12:21pm 2:31pm 4:41pm 6:51pm

Lunes 2414 2497,5 1787 1775 1677,5 1580
Miercoles 2377 2329,5 2350 2210 1709,5 1321
Viernes 2478 2513 2034 1960 1423 2149

Cuadro 4: Suma de rangos que obtuvo cada intervalo de tiempo en el

método de Kruskal-Wallis

Luego se puede calcular el estadı́stico H dado por la formula

K R 2
12
N ( N + 1) i∑
j
H= − 3( N + 1) (1)
=1
n j

Donde N es el total de datos obtenido, K los grupos en los que se

dividen las muestras, R j la suma de los rangos para el grupo j-esimo,
y n j la cantidad de elementos en el grupo j-esimo. En este caso par-
ticular todos los grupos tienen 15 datos ası́ que para todo j de n j se
 2.6 comparaci ón de las medias encontradas 11

tiene que n=15.

Luego de obtener el estadı́stico, se compara con χ2α,K−1 y si H es ma-
yor que χ2α,K−1 entonces se rechaza Ho. Para este caso en particular
H=28.3 y χ20,05,17 =27.6. Luego se rechaza Ho, lo que quiere decir que
al menos una media tiene una diferencia significativa.
Lo siguiente a averiguar es que tan significativas son estas diferen-
cias y si existen grupos alrededor de los cuales se pueda asumir que
el comportamiento de las tazas de llegada es igual. Para esto es nece-
sario realizar contrastes que determinen entre que muestras existı́an
mas diferencias. Uno de los factores que mas afecta el estadı́stico de
Kruskal-Wallis es la diferencia entre los rangos. Al ordenar los datos
de menor a mayor se puede intuir una relacion con las horas del dı́a.
Luego si se ordenan los datos por hora y se les asigna como valor el
rango obtenido se puede observar:

Figura 1: Rangos de Kruskal-Wallis

El objetivo siguiente es reorganizar los grupos asignándolos por con-

juntos, se sospecha que un factor importante para mantener las me-
dias similares es la hora del dı́a donde el grupo fue tomado, entonces
una idea inicial serı́a crear 6 grupos cada uno con 3 intervalos de
hora-dı́a, donde las horas son iguales. Por ejemplo, el grupo uno pue-
de estar formado por las 45 muestras tomadas entre las 8:00 am y las
10:10 am durante 3 dias. Sin embargo, aquı́ surge otro problema para
un tamaño de muestra igual a 45 muchos estadı́ticos pierden validez
y al no conocer la población total, ni la varianza poblacional, ni con-
 2.7 sondeo de los tiempos de servicio 12

tar con una distribucion normal demostrada sobre cada uno de los
intervalos es de vital importancia mantener los grupos con un total
de más de 100 datos. (Esto se detallrá mejor en el tamaño de mues-
tra).
Entonces el objetivo es mantener las horas del dı́a en grupos similares,
contando con más de 100 datos para cada grupo. Para una muestra
total de 270 datos se dividirá de la siguiente manera: Dos grupos de
datos con 135 datos cada uno. El primero y el segundo corresponden
a los datos tomados antes y después de las 2:30 de la tarde respecti-
vamente.

Ahora es necesario repetir el procedimiento de Kruskal-Wallis para

los grupos 1 y 2, si las medias son significativamente diferentes den-
tro de alguno de los dos grupos se debe demostrar un supuesto de
normalidad o tomar un nuevo experimento con mas datos.
Para los dos grupos se cumple: N es 135, n es 15, α =0.05, K=6 χ20,05,5
=15,5. Entonces:
Ho: Las grupos no tienen diferencias significativas en sus tazas de
llegada.
Ha: Al menos un grupo tiene una taza media de llegada diferente

Aplicando de nuevo los procedimientos se obtiene para el grupo 1,

H=4,86 y para el grupo dos H=10,773. Las dos medidas son menores
a χ20,05,5 =15,5. Esto revela que la taza media de llegada es similar en-
tre horas de la mañana y es similar entre horas de la tarde, aunque
son diferentes, entre la mañana y la tarde.
Es un buen momento para volver a revizar la tabla 3 de los prome-
dios de las diferencias entre llegadas, en el primer grupo los datos
son mas grandes, es decir, que entre el arribo de un cliente y otro pa-
sa mas tiempo promedio. Mientras que en la tarde los clientes llegan
con mayor velocidad.

2.7 sondeo de los tiempos de servicio

Para tomar las muestras de los tiempos de servicio se procedió de

manera similar, en una tabla se anotaron durante los mismos 18 in-
tervalos de tiempo (Hora-Dı́a). De cada intervalo se tomó el tiempo
que tardó cada uno de los 15 servicios. Ejemplo durante el intervalo
de 8:00am a 10:10pm se tomó una tabla ası́:

5
 2.7 sondeo de los tiempos de servicio 13

Numero de servicio Tiempo que tomo el servicio

1 3
2 1
3 3
4 4
5 3
... ...
13 2
14 3
15 1

Cuadro 5: Tiempo de cada servicio

Al igual que en el procedimiento anterior a priori no se sabe la dis-

tribución de los datos o si tienen el mismo comportamiento durante
las horas del dı́a. Por ejemplo: Los clientes con determinada nece-
sidad de pago pueden preferir en particular una hora del dı́a o un
dı́a de la semana para ir a pagar y es algo que aún no se sabe. Para
ello será necesario otra comparación de medias entre los grupos de la
muestra, para saber si hay una diferencia relevante entre las medias.
En este punto de la investigación se sabe que el sistema cambia entre
horas de la tarde y la mañana luego el objetivo es estimar la taza de
servicio para cada uno de estos grupos. Se tomará de nuevo el méto-
do Kruskal-Wallis, tanto para el grupo uno como el dos, el objetivo es
eventualmente averiguar el tamaño de muestra para estimar las me-
dias de llegada y servicio, pero como ya se conocen las diferencias en
el sistema en total será necesraio estimar 4 variables. Si las tazas me-
dias de servicio no llegarán a ser iguales dentro de cada grupo será
necesario, demostrar normalidad y crear un análisis nuevo, o repetir
el experimento con mas datos.
H0 Las horas son idénticas en términos del tiempo que toma atender
a los clientes
Ha Por lo menos un intervalo de horas es diferente en términos de
atención a los clientes.
Datos: Grado de significancia 0.05; N es 135; n es 15; α =0.05, K=6
χ20,05,5 =15,5.
Resultados: Para el grupo uno H=4,82, para el grupo dos H=9,57, los
dos resultados son mayores a 15,5 luego no se rechaza que el tiempo
promedio que toma el servicio de un cliente sea igual dentro de cada
uno de los grupos.
 3
MUESTREO

Ahora bien, que se puede decir a cerca de la variabilidad en cada

grupo. Retomando un poco la idea inicial todavı́a no se ha respondi-
do una gran pregunta ¿Cómo y cuándo tomar los datos de la mues-
tra?

Es importante tener claro el primer parámetro que se quiere esti-

mar: “La taza de arribo de los clientes“ esto no es más que el pro-
medio entre la llegada de los clientes. Es decir que lo que se quiere
estimar es un promedio de llegadas en un intervalo dado del tiempo
sin conocer la cantidad de personas que pueden llegar en total al sis-
tema en ese intervalo de tiempo. Sin embargo, gracias a los análisis
hechos en el capı́tulo anterior se sabe que entre ciertos grupos este
promedio se comporta de manera similar. Es decir, dependerá de la
varianza en cada grupo saber cuántas unidades se necesitan para es-
timar las variables.
Para estimar la media de poblaciones no necesariamente normales se
tiene que:

 
I= x̄ ± Zα/2 √sn (2)

Donde s2 es una estimación de la varianza, si la varianza fuera cono-

cida bastaria con un n mayor que 30, pero como no se conoce aún,
entonces es necesario un n superior a 100. Luego el n necesario para
realizar el muestreo con un nivel de confianza del 95 % dependerá de
el error admisible en minutos, y la desviacion estandar aproximada
en cada grupo.

 2
Zα/2
n= e σ

14
 muestreo 15

(3)

Tiempo lleada Tiempo servicio

GRUPO 1 1,65 1,091
GRUPO 2 0,98 1,095

Cuadro 6: Desviación estandar de cada grupo para cada variable

Para no arriesgar la integridad de los datos se tomará un error max

amdmisible de 0.19 minutos correspondiente a 10,4 segundos.
La muestra debera tomarse ası́:

Tiempo lleada Tiempo servicio

GRUPO 1 291 127
GRUPO 2 104 128

Cuadro 7: Tamaño de muestra para estimar cada variable

Sin embargo los datos de llegada y arribo en cada grupo se pueden

tomar simultaneamente sin tener inconvenientes que incrementen el
costo o el tiempo requeridos para tomar la muestra asi que solo se
tomará el dato mayor en cada grupo, esto resulta beneficioso para el
ejercicio pues permite disminuir el margen de error en la estimación
de la segunda variable.
Note que durante la noche parecen llegar más clientes, pero no será
necesario un gran numero para estimar la distribución de su llegada,
porque aún cuando lleguan muchos clientes lo hacen a una diferencia
de tiempos similares y muy pequeña. Es decir: “lo más importante no
es la cantidad de clientes que llegan si no la variabilidad con la que
lo hacen“. Si llegan pocos clientes en intervalos muy grandes es más
difı́cil estimar la velocidad promedio.
 4
A N Á L I S I S D E D AT O S

4.1 grupo 1 llegadas al sistema

De las 291 muestras extraı́das del Grupo 1 sobre las diferencias

entre las llegadas se puede ver el siguiente gráfico de barras.

Figura 2: Llegadas

La parte inferior del grafico muestra el intervalo de tiempo que le

toma llegar a un cliente con respecto al anterior, el eje vertical mues-
tra la cantidad de clientes que llegaron con ese intervalo de tiempo
respecto al usuario anterior. Por ejemplo se puede ver como a 106
clientes les tomo menos de un minuto llegar con respecto al anterior.

Se sospecha que tiene distribución exponencial negativa para ellos

se realizará una prueba de bondad y ajuste χ2
Ho: Los datos tienen distribución exponencial negativa
Ha: Los datos no se distribuyen de manera exponencial negativa
Con un nivel de significancia de α =0.05
Promedio entre arribos µ = 2.7
k=10-2 luego K=8

16
 4.2 grupo 1 servicios en el sistema 17

Se obtiene que H=9.64 y que χ20,05,8 =15.51 Como 15.51 mayor que
9.64 No se rechaza la hipótesis nula.

4.2 grupo 1 servicios en el sistema

De las 291 muestras extraı́das del Grupo 2 se puede ver el siguiente

gráfico de barras

Figura 3: Servicios

De manera similar al grupo anterior se sospecha que tiene distribu-

ción exponencial negativa para ello se realizará una prueba de bon-
dad y ajuste χ2
Ho: Los datos tienen distribución exponencial negativa
Ha: Los datos no se distribuyen de manera exponencial negativa
Con un nivel de significancia de α =0.05
Promedio entre arribos µ = 2.3
k=6-2 luego K=4

Se obtiene que H=2.23 y que χ20,05,4 =9.49 Como 9.49 mayor que 2.23
No se rechaza la hipótesis nula.

4.3 grupo 2 llegadas al sistema

De las 128 muestras extraı́das del Grupo 3 se puede ver el siguiente

gráfico de barras
 4.4 grupo 2 servicios en el sistema 18

Figura 4: Llegadas

Se sospecha que tiene distribución exponencial negativa para ello

se realizará una prueba de bondad y ajuste χ2
Ho: Los datos tienen distribución exponencial negativa
Ha: Los datos no se distribuyen de manera exponencial negativa
Con un nivel de significancia de α =0.05
Promedio entre arribos µ = 2.1
k=6-2 luego K=4

Se obtiene que H=7.29 y que χ20,05,4 =9.49 Como 9.49 mayor que 7.29
No se rechaza la hipótesis nula.

4.4 grupo 2 servicios en el sistema

De las 128 muestras extraı́das del Grupo 3 se puede ver el siguiente

gráfico de barras
 4.5 intervalos de confianza para las medias 19

Figura 5: Servicios

Se sospecha que tiene distribución exponencial negativa para ello

se realizará una prueba de bondad y ajuste χ2
Ho: Los datos tienen distribución exponencial negativa
Ha: Los datos no se distribuyen de manera exponencial negativa
Con un nivel de significancia de α =0.05
Promedio entre arribos µ = 1.7
k=5-2 luego K=3

Se obtiene que H=6.54 y que χ20,05,3 =7.81 Como 7.81 mayor que 6.54
No se rechaza la hipótesis nula.

4.5 intervalos de confianza para las medias

A partir de la muestra tomada se sabe que las tazas medias de llega-

da y servicio de los clientes estan alrededor de los siguientes valores

Tiempo lleada Tiempo servicio

GRUPO 1 2.78 2.30
GRUPO 2 1.96 1.7

Cuadro 8: Promedios para cada grupo para cada variable

El siguiente paso es analizar que tan confiables son estos valores,

dado que todas las muestras son superiores a 100 con una distribu-
ción exponencial se tiene:
 4.5 intervalos de confianza para las medias 20

 
I= x̄ ± Zα/2 √sn (4)

El siguiente paso es tener un estimador de la desviacion estandar:

Tiempo lleada Tiempo servicio

GRUPO 1 1.98 0.21
GRUPO 2 1.31 1.42

Cuadro 9: Desv estandar de cada grupo en cada parametro

Los intervalos de confianza quedan ası́:

Inferior Superior
Grupo 1 Llegadas 2.55 3.008
GRUPO 1 Servicios 2.27 2.32
GRUPO 2 Llegadas 1.73 2.18
GRUPO 2 Servicios 1.54 2.03

Cuadro 10: Intervalos de confianza para las medias

Interpretación: Los cajeros están abiertos durante 13 horas, para un

total de 780 minutos, 390 minutos en cada grupo, esto quiere decir
que en las horas de la mañana (grupo 1) llegan al sistema entre 153
y 129 usuarios, en la tarde (grupo 2) llegan entre 226 y 178 usuarios
al servicio, pero el sistema solo tienen la capacidad de atender entre
172 a 168 clientes en la mañana y entre 254 a 192 clientes en la tarde.
 5
T E O R Í A D E C O L A S

Antes de continuar el desarrollo del tema es necesario conocer al-

go de nomenclatura básica sobre los sistemas de teorı́a de colas. Lo
primero es conocer el orden en que los clientes son atendidos. En es-
te caso en particular los clientes son servidos en el orden en el cual
llegan, este tipo de sistema se le conoce como FIFO (fist in first out)
también se le puede llamar FCFS (first come first sevice) [3], es im-
portante determinar este tipo de circunstancias porque según cada
caso se pueden o no aplicar ciertas ecuaciones en cada situación. El
segundo aspecto relevante es la distribución de llegada y servicio de
los clientes, en este caso ya se demostró en el apartado anterior que
tanto para los tres grupos en cuanto a la llegada de los clientes y el
servicio tienen una distribución exponencial. Finalmente es muy ne-
cesario conocer la cantidad de servidores disponibles, en este caso
se ha supuesto solo un servidor en funcionamiento, pero el objetivo
es averiguar en qué horarios deberı́an existir dos servidores. Existe
una notación particular que permite identificar cada caso para cada
situación en teorı́a de colas a esto se le conoce como la notación Ken-
dall [5], y bajo el caso estudiado la notación apropiada es M/M/C. Es-
to significa distribución exponencial en el arribo de los clientes “M“,
distribución exponencial en el servicio de los clientes “M“, cantidad
de servidores funcionando C, donde C puede tomar máximo la me-
dida de 2 servidores. El objetivo es encontrar el valor de C apropiado
para que el sistema sea óptimo. Finalmente, se le proporcionará al
lector algo de nomenclatura básica sobre las variables de interés.
11:

21
 teoría de colas 22

λ Tasa promedio de llegadas en la unidad de tiempo

1
λ Tiempo ente llegadas de los clientes
µ Tasa promedio de servicio
1
µ Tiempo de servicio
C Número de servidores en paralelo
λ
ρ = Cµ Congestión del sistema para un servidor
Po=1- λµ Probabilidad de que el sistema este vacı́o para un servidor.
L=λW Número medio de clientes en el sistema
Lq= λWq Número medio de clientes en cola
1
W =Wq + µ Tiempo medio de estancia en el sistema
Wq Tiempo medio de espera de los clientes en la cola

Cuadro 11: Nomenclatura básica

λ µ
GRUPO 1 0.35 0.43
GRUPO 2 0.50 0.55

Cuadro 12: Variables importantes para cada grupo

No son mas que las inversas multiplicativas de la tabla 8. Si λ es la

razón de llegada y Cµ la velocidad con la que el sistema los atiende,
es decir: si λ es mayor que la cantidad de servidores por el tiempo
medio de servicio, entonces se empiezan a acumular personas en la
fila más rápido de lo que el sistema los puede atender. Lo primero
λ
que se debe verificar es que: ρ = Cµ sea menor que 1, cuando esto
sucede se suele decir que el sistema no está en equilibrio.

0,359
Grupo 1 ρ = 0,434 =0,8281

0,509
Grupo 2 ρ = 0,558 =0,9123

Esto no quiere decir que hayan cero personas en cola, el efecto de las
colas es acumulativo, esto quiere decir que si llega una persona a una
determinada hora y otras cuantas llegan inmediatamente después,
las personas se empiezan a acumular, por el grafico de frecuencias se
sabe que entre una persona y otra en gran parte de los casos solo hay
un minuto de diferencia y aún cuando en muchos casos el servidor
solo toma un minuto en atenderlos, con el hecho de que tome dos
minutos atendiendo a un solo cliente ya se habrá formado una cola.
Lo que sucede realmente aquı́, es que el sistema puede tener tiempos
ociosos, es decir tiempos en los que no llega nadie. De echo existen
formulas tanto para calcular los tiempos ociosos como para calcular
el tiempo medio de una persona en la cola.
 teoría de colas 23

Grupo 1 Probabilidad de que el servidor este vacio 1 − ρ=0,1.17

Grupo 2 Probabilidad de que el servidor este vacio 1 − ρ=0,0.08

Cuando el sisetema es M/M/1, se puede decir que:

La tasa de llegada es a(t) = λe−λt

La tasa de salida es a(t) = µeµt

De estas distribuciones se puede concluir la probabilidad que hallan

n clientes en el sistema. (Para ver la demostración de esta afimación
se puede leer Gross y Harris, 2014) [6].

Pn = (i − ρ)ρn (5)

Luego se puede estimar la cantidad total de clientes en el sistema

como:

L=E[n]= ∑∞ ∞ n ∞
n=0 npn = (1 − ρ ) ∑n=0 np = (1 − ρ ) ρ ∑n=0 np
n−1 (6)

Pero
1
δ ∑ npn δ 1−ρ
∑∞
n=0 np
n −1 =
δp = δρ = (1−1ρ)2 (7)

Luego L esta dada por la ecuacion

(1 − ρ ) ρ λ
L= 2
= (8)
(1 − ρ ) µ−λ

Luego basándose en la tabla de notación se puede deducir facil-

mente que:

L 1
W= = (9)
λ µ−λ
 teoría de colas 24

λ2
Lq = (10)
µ(µ − λ)

ρ
Wq = (11)
µ−λ

Los resultados a estas ecuaciones se pueden apreciar en la siguiente

tabla:
13:

L W Lq Wq
Grupo 1 4,82 13,4003 3,99 11,09
Grupo 2 10,409 20,411 9,49 18,62

Cuadro 13: Datos generales del sistema

Estos últimos datos sirven par contextualizar al lector a cerca del

funcionamiento del sistema. Significan cuantas personas estan en pro-
medio en el sistema L, cuanto tiempo promedio pasa una persona en
el sistema W, cuantas personas en promedio estan en la cola Lq , y
cuanto tiempo esperan en ella Wq
Para saber que tan probable es que la fila llegue a ser igual o mayor
a 15 personas en el grupo 1, será es necesario calcular la probabili-
dad bajo la cual hay 14 o menos personas en el sistema. Teniendo en
cuenta un solo servidor se puede usar la fórmula:

Pn = (1 − ρ)ρn (12)
 teoría de colas 25

Se calcula ası́ 15:

n P(n)
0 0,17
1 0,14
2 0,11
3 0,09
4 0,08
5 0,06
6 0,05
7 0,04
8 0,03
9 0,03
10 0,02
11 0,02
12 0,01
13 0,01
14 0,01
P(n)≺ 14 0,9408
p(n)≥ 15 0,0591

Cuadro 14: Probabilidad de que la fila llegue a 15 clientes o más en

los horarios del grupo 1

Puede que sea un 5 % sea una proporción significativa sin embargo

aquı́ es donde se tiene que mirar si se justifica tener a otro operador
en ese horario. A este operador se le deberá pagar prácticamente un
medio tiempo y todavı́a no se ha revisado el grupo 2. Se repiten los
procedimientos y se obtiene la tabla: 15:
 teoría de colas 26

0 0,08
1 0,07
2 0,07
3 0,06
4 0,06
5 0,05
6 0,05
7 0,04
8 0,04
9 0,03
10 0,03
11 0,03
12 0,02
13 0,02
14 0,02
p(x≺ 14) 0,47
p(x≥15) 0,25

Cuadro 15: Probabilidad de que la fila llegue a 15 clientes o más en

los horarios del grupo 2

En este momento el dato es algo un poco mas preocupante, pues

muestra una probabilidad del 25 % de que la fila alcance o supere
las 15 personas. Para poder estimar que tan útil serı́a tener a los dos
servidores se simularán los datos para dos servidores en el grupo 2,
donde:

λ
r=
µ
λ
ρ= cµ
(13)

Y la ecuación de la cola esta dada por

rc ρ
Lq = P0 (14)
c!(1 − ρ)2

Donde P0 es la probabilidad de que el sistema este vacı́o. Dado por

la ecuación.
 teoría de colas 27

c −1
rn rc
P0−1 = ∑ +
c!(1 − ρ)
(15)
n=o n!

Con P0 =0.467 se obtiene que Lq para dos servidores es de 0.3 clientes.

Esto quiere decir que en promedio la cola existirá pocas veces si los
dos cajeros entran a funcionar.
 6
C O N C L U S I Ó N E S

Es muy importante retomar todos los datos que aquı́ se observaron,

primero se descubrió que el sistema se comporta diferente respecto a
la mañana y la tarde. Lo que es óptimo en una hora puede no serlo
en otra. En la mañana en promedio 4 personas se encuentran hacien-
do fila durante un periodo de 13.4 minutos, en la tarde esa cantidad
cambia a 10 clientes esperando durante 18,6 minutos en la cola, lo
que quiere decir que al menos se duplican la cantida de clientes. Sin
embargo el riesgo mas grande se corre cuando la fila trata de alcanzar
las 15 personas, recordando uno de los puntos iniciales del ejercicio,
cuando esto pasa se torna en una situación incómoda para los clientes
de los otros servicios del almacén, tanto los usuarios de los cajeros,
como los clientes de la tarjeta éxito que se encuentran llenando da-
tos personales y privados en la cercanı́a, tienen que soportar a las
personas a sus espaldas haciendo cola. Es una cuestión de simple
organización pues el operario está disponible pero no se le asignan
horarios fijos, si el super mercado decide darle un horario fijo en la
tarde las personas no tendrı́an que pasar casi tiempo en la cola, y la
fila no crecerı́a a mas de 15 personas, una de cada 4 veces del tiempo
total en servicio de las tarde como actualmente esta sucediendo. Cla-
ro esta situación tambien pasa en las mañanas pero con una medida
mucho menor de un 5 % es decir una veinteava parte del tiempo. Si el
almacén decide dejar un operario permanente en el horario de 2:30 a
9:00pm las molestias casi desaparecen por que una fila de 10 clientes
promedio pasara a ser una fila casi inexistente de 0.3 clientes. Por eso
se le recomienda al sistema dejar dos cajeros en el horario de la tarde.

28
B I B L I O G R A F Í A

[1] Lee J. Krajewski, Larry P. Ritzman Administracion de operaciones

estrategias y análisis ,Ocvata edición,Pearson,2008,Uso de modelo
de filas para operaciones,Pag 33

[2] Bryan Antonio Salazar López Investigación de oreaciones ,Inge-

nieriaindustrialonline, 5/11/214,
http://www.ingenieriaindustrialonline.com/herramientas-para-
el-ingeniero-industrial/investigaci %C3 %B3n-de-operaciones/

[3] Wayne L. Winston Investigación de oreaciones ,Cuarta Edi-

ción,Thomson, 2005, Teorı́a de colas,Pag 1052-1053

[4] Universidad de Castilla Anova de un factor y Kruskal-Wallis,

Espańa,
http://www.uclm.es/profesorado/mdsalvador/58109/teoria/
anova un factorlectura.pdf

[5] José Pedro García Sabater Teorı́a de colas ,Universidad de valen-

cia,2015,Espańa,http://personales.upv.es/jpgarcia/LinkedDocum
ents/Teoriadecolasdoc.pdf

[6] Donald Gross, John F. Shortle, James M. Thompson, Carl M.

Harris Fundamentals of Queueing Theory ,Cuarta Edición ,Wiley,
2014

29