TAMAÑO DE MUESTRA PARA

LOS PROCESOS DE
CARACTERIZACIÓN Y
CALIBRACIÓN DE PESO KIMAX

INGRID LIZETH TRUJILLO GUTIERREZ

Bogotá D.C. Colombia

16 de septiembre de 2021
Índice general

I. GENERALIDADES 4
1. INTRODUCCIÓN 5

2. ANTECEDENTES 7

II. METODOLOGÍA Y MUESTREO 8

2.1. Metodologı́a de muestreo . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Tamaño de muestra . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1. Tamaño de muestra para los tiempos de entrada y lavado 12
2.2.2. Tamaño de muestra para la proporción de clientes que
no entran al sistema . . . . . . . . . . . . . . . . . . . . 14

III. DISTRIBUCIONES Y FRECUENCIAS 16

3. LLEGADAS Y SERVICIOS 17
3.1. Intervalos de confianza para las medias . . . . . . . . . . . . . . 18
3.2. Intervalo de confianza para una proporción . . . . . . . . . . . . 19
3.3. Distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4. Gráficos QQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5. Prueba de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . 26

2
 Índice general

4. SISTEMA DE COLAS 29
4.1. Caracterı́sticas básicas de un sistema en equilibrio . . . . . . . . 29

5. CONCLUSIONES 31

3
 Parte I.

GENERALIDADES

4
1. INTRODUCCIÓN
Este documento pretende estimar el tamañoidealdemuestraparalaspruebasdepesoypresiÃ3 nba
En este documento se realiza un análisis al sistema de atención y servicio
en un lavadero de motocicletas al sur de la ciudad de Bogotá, el nombre del
negocio es Lavados J.R. ubicado en la localidad de Bosa y en él, una persona
llega con su vehı́culo, el personal lo recibe y lo aparca en el sector de lavado,
el cliente se puede sentar en la sala de espera donde observa como su moto
es atendida por uno de los dos lavanderos disponibles mientras disfruta de
un tinto. Si los dos operarios con los que actualmente cuenta el lavadero se
encuentran ocupados y llega una nueva moto esta entra en fila en el orden en
el cual arribó, en cuanto exista la disponibilidad, la diligencia se lleva a cabo
y el cliente se retira con su pulcra posesión. El dueño cree que durante los dı́as
domingo la demanda de su servicio ha sido superada, considera que su negocio
es lo suficientemente rentable y no desea perder clientes, pero sospecha que
esto está pasando debido a la gran cantidad de clientes que prefieren asistir
ese dia en particular, aunque presenta gran demanda en las horas de la tarde
el no desea extender el horario del establecimiento, en cambio quiere contratar
más personal para ese dı́a de la semana. Espera que un cliente no tenga que
pasar por el engorroso proceso de esperar.
El objetivo de este trabajo es poder ayudarle a este propietario de negocio a
tomar decisiones sobre cuanto personal contratar y obtener información general
que le pueda ser de utilidad
Es una situación común en la vida tener que esperar mucho tiempo por
ciertos servicios, los retrasos y la congestión en ciertos sistemas pueden generar
incomodidades para los clientes. Este no es el primer propietario que se enfrenta

5
 1. INTRODUCCIÓN

a un problema ası́. Detrás de este ejemplo tan simple existe toda una teorı́a
ya desarrollada y conocida como teorı́a de colas.

6
2. ANTECEDENTES
Los fenómenos de espera consisten en entidades de carácter discreto gene-
ralmente llamados usuarios o clientes tomando una o varias filas esperando a
ser atendidos, generalmente el tiempo de llegada entre clientes y el tiempo que
toma atenderlos es una variable aleatoria. Uno de los ejemplos más comunes
son las personas que esperan haciendo fila para ser atendidas en un banco. Una
persona puede llegar en cualquier momento y la siguiente puede llegar en cual-
quier otro momento. Pero no solo se aplica a personas, otros ejemplos pueden
ser: piezas en una lı́nea de ensamblaje esperando a ser procesadas, o la llegada
de los productos de los proveedores a una bodega esperando a ser descargados
del vehı́culo, las cartas en el servicio postal esperando a ser llevadas por los
carteros, hasta aviones en cola esperando el despeje de la pista.
En estadı́stica se explica como “un proceso estocástico en tiempo continuo con
numero discreto de estados, que evoluciona por saltos cuando aparecen nuevos
clientes en el sistema o salen de él, bien por haber finalizado el servicio reque-
rido, bien por cansarse de esperar o por cualquier otra razón“ [1]
Para este trabajo el tiempo de llegada se representa en la cantidad de minutos
que le toma a un cliente llegar con respecto al anterior y el servicio es cuanto
demoren lavando cada moto.

7
 Parte II.

METODOLOGÍA Y MUESTREO

8
 El fenómeno de interés: Es el funcionamiento del lavadero Lavados J.R.,
en especı́fico averiguar la cantidad de operadores necesarios para satisfacer la
necesidad del cliente (el lavado de su vehı́culo) sin que el tiempo promedio de
un cliente en espera sea muy grande.

Los tres factores escogidos para el análisis son: la velocidad de llegada

de los clientes en minutos, para ello se toma la diferencia en minutos que le
toma llegar a un cliente en relación al anterior, el tiempo que toma lavar cada
moto y la cantidad de clientes que dejan de entrar al sistema porque sienten
que está muy lleno.
Existen algunos factores de gran influencia a la hora de tomar los datos y es
necesario especificar como serán tratados. En primer lugar no se puede asumir
un tiempo igual de lavado para todas las motos, pues este tiempo depende en
gran medida el modelo de la misma, sin embargo averiguar todos los modelos
de motos existentes en la ciudad y tomar todos sus tiempos de lavados para
ası́ hacer una función en relación del tiempo resulta más extenso y costoso
que la investigación misma, afortunadamente en teorı́a de colas existen buenas
estimaciones que se pueden hacer a partir de una taza media de servicio y al
fin de cuentas el servicio no varı́a mucho de una moto a otra, como se podrá
observar mas adelante.

2.1. Metodologı́a de muestreo

Inicialmente se realizará una muestra piloto para estimar algunos estadı́sti-
cos importantes como las varianzas y la cantidad de clientes que dejan de
entrar al sistema por su congestión, para posteriormente estimar el tamaño
de muestra. También se necesitarán los datos de cuantos clientes en promedio
son atendidos en un dı́a domingo, para esto se le preguntará al dueño cuantos
clientes ha atendido los últimos domingos y ası́ conocer de manera más cercana

9
la población objetivo.

La población de interés son los clientes que llegan a lavar sus motos un
dı́a domingo, pero el objeto de principal seguimiento es la moto en sı́, pues es
esta la que entra a la cola y la que es servida o lavada. La unidad muestra
tanto para medir los tiempos de llegada como los servicios son los minutos que
toma cada actividad respecto a cada una de las motos que entran al sistema,
mientras que para estimar la cantidad de clientes que desertan la unidad es
cualquier persona que llegue a preguntar por el servicio, sea o no atendido.
El marco muestral para cada uno de los casos será el conjunto de todas las
unidades muéstrales dentro de un dı́a domingo.

2.2. Tamaño de muestra

Existen inicialmente 3 parámetros importantes a estimar: el tiempo
promedio que toma en arribar cada cliente, el tiempo promedio que toma en ser
atendido cada cliente, y la cantidad de clientes que dejan de entrar al sistema
en un dı́a por el tiempo de espera. Se necesita saber la cantidad de clientes
necesarios para poder estimar correctamente estas variables. No se conoce la
cantidad total de clientes que entran al sistema en un dı́a, sin embargo, el
dueño del lavadero ha proporcionado una herramienta muy útil, otorgando los
datos de la cantidad de clientes totales atendidos los últimos 7 domingos en el
sistema como se muestra en la tabla 2.1:

10
 Fecha Clientes totales
Marzo 13 80
Marzo 6 83
Febrero 28 77
Febrero 21 80
Febrero 14 77
Febrero 7 87
Enero 31 75

Cuadro 2.1.: Clientes en el sistema los últimos 7 domingos

Aunque no se conoce la cantidad de clientes que entran al sistema en un

dı́a esta cantidad tampoco es infinita o demasiado grande, pues no se atienden
infinitos clientes en un dı́a, pero se puede estimar de manera muy cercana
la cantidad media de clientes que entran por dı́a teniendo en cuenta que la
muestra es muy pequeña (tan solo 7 dı́as) usando la fórmula de estimación de
la media para muestras pequeñas

s s
x̄ − tα/2 √ ≤ µ ≤ x̄ + tα/2 √ (2.1)
n n

Con t0 ,025 = 2.447 con 6 grados de libertad, x̄ = 79.85 y S=4.099 se obtiene

que L=83.69 y U = 76.01 es decir: Con un 95 % de confianza se puede decir
que la cantidad de clientes promedio que llegan al local un dı́a domingo esta
entre 84 y 76 clientes. El universo es la cantidad total de clientes que entran
en un dı́a y aun cuando no se tiene una cifra exacta se puede lograr una buena
estimación de la cantidad total de la población.
Existen tres variables que se desean estimar, pero hay que notar una diferencia
sustancial entre las dos primeras y la última. Tanto el tiempo que le toma

11
entrar a cada moto como el tiempo en que toma ser lavada es una caracterı́stica
numérica de cada una, por ejemplo, una moto llega 10 minutos después que la
anterior (tiempo de entrada) y en l7 minutos es lavada (tiempo en servicio) pero
la tercera variable es bastante diferente corresponde a una cualidad dicotómica:
entrar o no entrar al servicio. Cuando el cliente no entra al servicio ni siquiera
posee una la cualidad de tiempo en servicio básicamente porque nunca entró.
Esto quiere decir que para las dos primeras situaciones se utilizara una fórmula
para estimar el tamaño de muestra basado en la varianza. Mientras que en la
última variable se utilizara una fórmula de tamaño de muestra para calcular
una proporción de una población diferente.

2.2.1. Tamaño de muestra para los tiempos de entrada y

lavado
Anteriormente se explicaba que existen diferencias entre lo que se pretende
estimar entre las dos primeras y la última variable. Las dos primeras corres-
ponden a promedios, es decir lo que realmente se quiere saber es el tiempo
promedio que le toma a un cliente llegar y el tiempo promedio que toma en
ser lavada su moto. Esto no es más que la fórmula de tamaño de muestra para
estimar una media, que está dada por:
N 2Z 2σ2
n= (2.2)
(N + 1)2 e2 + Z 2 σ 2
N es la población total, Z representa el valor de la distribución normal estándar
con α/2 donde 1-α es el nivel de confianza, finalmente e es el error admitido
para estimar la variable deseada. Si no se conoce la varianza poblacional se
puede utilizar una aproximación siempre y cuando la muestra no sea inferior
a 30. Esto quiere decir que es necesario tener una visita previa al lugar para
tomar datos aproximados de la varianza para cada variable. El dı́a domingo 8
de mayo, se asistió al lavadero con el fin de recolectar a lo menos 30 datos de
los horarios en que llega cada cliente con respecto al anterior de la siguiente

12
manera: Cliente 1, llega 3 minutos con respecto al anterior, su moto dura
lavándose 15 minutos; Cliente 2, llega 4 minutos con respecto al anterior, su
moto dura lavándose 16 minutos. Ası́ sucesivamente hasta el cliente 31 como
se puede ver en los datos adjuntos. Luego se calcula la varianza de todos los
datos recolectados de llegada que es σ1 = 2.72, y similarmente la varianza de
todos los minutos que tomó lavar cada moto σ2 = 3.13,
Resumiendo, se sabe que N el tamaño de la población está entre 84 y 76
clientes, el error máximo permitido para los dos casos es e= 0.05, σ1 = 2.72
(varianza del tiempo entre llegadas), σ2 = 3.13 (varianza de los tiempos de
servicio), entonces para un nivel de confianza del 95 % Z toma el valor de 1.96.
Estos datos se tienen que aplicar en la fórmula 2 para obtener el tamaño de
muestra deseado, pero es de notar que se tienen dos tamaños poblacionales
diferentes, y dos variables diferentes a estimar. Entonces la formula debe ser
aplicada 4 veces para cada una de las varianzas y de los N.

Para N=84 y σ1 = 2.72, se obtiene el tamaño de muestra n=83

Para N=76 y σ1 = 2.72, se obtiene el tamaño de muestra n=74

Para N=84 y σ2 = 3.13, se obtiene el tamaño de muestra n=83

Para N=76 y σ2 = 3.13, se obtiene el tamaño de muestra n=74

Esto quiere decir que para estimar los tiempos de las entradas al sistema se
deben tomar entre 83 y 74 datos, de manera similar para estimar los tiempos
de servicio en el sistema se deben tomar entre 83 y 74 lavados. Note que el
valor de la muestra es bastante grande esto es porque el error permitido es
muy pequeño tal como lo solicitó el dueño del lavadero. Pero continuando con
el tema ¿Cual tamaño se debe tomar? entre más grande el tamaño de muestra
más pequeño es el error ası́ que no existe problema alguno si simplemente se
toma el n mayor en este caso 83 para las dos variables.

13
2.2.2. Tamaño de muestra para la proporción de clientes
que no entran al sistema
Por dı́a cierta cantidad de clientes deja de entrar al sistema porque se en-
cuentra muy lleno, este dato es fácil de averiguar ya que en varias ocasiones
cuando un cliente entra y ve varias motos en cola le suelen preguntar al dueño
cuanto demoraran en ser atendidos a lo que él responde con una estimación
muy personal que explica de la siguiente manera: Toma la cantidad de motos
que faltan por atender y las multiplica por 15 esa es la cantidad de tiempo
(en minutos) que él cree demorar y es también la respuesta que le brinda a
sus clientes, muchos deciden no seguir cuando el tiempo de espera no les es
conveniente. Se le pidió al dueño que durante el último dı́a estuviera pendiente
de cuantas motos dejaron de entrar al sistema. El dı́a domingo 8 de mayo en-
traron 75 clientes y 4 no entraron por que el sistema estaba muy lleno. Luego
una estimación de la probabilidad de que un cliente no entre al sistema es
4
P= 79 =0.05, luego para poder estimar mejor esta probabilidad el tamaño de
muestra se debe calcular ası́:
N Z 2 P (1 − P )
(2.3)
(N − 1)e2 + Z 2 P (1 − P )

En la sección anterior se averiguó que la población total de clientes atendidos

esta entre 84 y 76 sin embargo esto no corresponde a la cantidad total de
clientes que intentaron entrar al parqueadero, porque hay clientes que se van
sin entrar. Gracias a los datos brindados por el dueño se sabe que el último
domingo que tantos clientes fueron atendidos y 4 decidieron no entrar, luego la
cantidad de motos totales que llegaron ese dı́a es de 79 y la probabilidad de que
4
una de esas motos no entre es de 79 = 0,05. Suponga que N1 son las personas
entran al sistema y que N2 las que dejan de hacerlo, y P la probabilidad de
que alguien no entre luego se tiene que:
N2
N = N1 + N2 y P = (2.4)
N1 + N2

14
Entonces si se conocen la cantidad de clientes atendidos y la probabilidad de
que un cliente deserte, despejando se puede obtener la cantidad total de clientes
que desertaron dado un N1 especifico.

P N1
N2 = (2.5)
(1 − P )

Lo que permite conocer la cantidad de clientes totales, es decir si en el sistema

se atienden entre 84 y 76 clientes, entonces dejan de entrar al sistema entre
5 y 4 clientes, para un total de 89 y 80 clientes. Estos dos últimos datos
corresponden a la población total en cada caso. Fue necesario llevar a cabo
el ultimo procedimiento por que la fórmula de tamaño de muestra de una
proporción se basa en la población total, no se puede tomar únicamente la
parte de ella que sı́ cumple la condición. Lugo con cada uno de los N calculados,
p=0.05, un nivel de confianza del 95 %, Z=1.96 y un error de 0.05

89 ∗ 1,962 ∗ 0,05(1 − 0,05)

n= = 40,5 (2.6)
(89 − 1)0,052 + 1,962 0,05(1 − 0,05)

80 ∗ 1,962 ∗ 0,05(1 − 0,05)

n= = 38,6 (2.7)
(80 − 1)0,052 + 1,962 0,05(1 − 0,05)
Esto quiere decir que para estimar la cantidad de clientes que dejan de entrar
al sistema se deben observar por lo menos entre 41 y 38 clientes. Estos números
son muy inferiores al el obtenido en la sección anterior en conclusión bastara
con observar la cantidad de 83 clientes para estimar las medias de entradas y
lavados y esta cantidad de clientes es más que suficiente también para estimar
la proporción de clientes que dejan de entrar al sistema.

15
 Parte III.

DISTRIBUCIONES Y
FRECUENCIAS

16
3. LLEGADAS Y SERVICIOS
Se recolectaron 83 datos como se acordó en la parte anterior, a cada cliente
se le tomo la diferencia en llegar con respecto al cliente anterior y el tiempo que
tomó lavar su moto. Los datos recogidos se resumen en las siguientes tablas:

Llegada Clientes totales

De 4 a 5 minutos 24
De 5 a 6 minutos 20
De 6 a 7 minutos 17
De 7 a8 minutos 8
De 8 a9 minutos 7
De 9 a10 minutos 1
De 10 a11 minutos 2
De 11 a12 minutos 2
De 12 a13 minutos 2

Cuadro 3.1.: Tabla de frecuencias de las llegadas en minutos

17
 3. LLEGADAS Y SERVICIOS

Lavado Clientes totales

De 12 a 13minutos 22
De 13 a 14minutos 16
De 14 a 15minutos 14
De 15 a 16minutos 12
De 16 a 17minutos 11
De 17 a 18minutos 8

Cuadro 3.2.: Tabla de frecuencias para el tiempo en lavado

Aclaración: Si un cliente llega una cantidad de minutos después de otro con

cierta cantidad de segundos el minuto se toma redondeado superiormente. Por
ejemplo: Si un cliente llega 7 minutos con 4 segundos después de otro el minuto
correspondiente es 8.

3.1. Intervalos de confianza para las medias

De los datos recolectados en las tablas 3.1 y 3.2 se puede estimar que en
promedio llega un cliente cada 6,84 minutos y lavar una moto demora 14,97
minutos promedio. Para estimar que tan fiables son estos promedios se esti-
mará un intervalo de confianza para cada medida. Para un nivel de confianza
del 0.95, n=83, la desviación estándar del tiempo entre llegadas s=1.95, la des-
viación estándar de los tiempos de los lavados s=1.68. Entonces los intervalos
de confianza quedan ası́:

Intervalo de confianza para la llegada de clientes (6.22 , 7.46)

Intervalo de confianza para el tiempo de lavado (14.61 , 15.33)

18
 3. LLEGADAS Y SERVICIOS

Esto implica que la gran parte de los clientes llegan entre 6.22 y 7.46 minutos,
atenderlos toma entre 14.61 y 15.33 minutos. Intuitivamente se puede notar
la necesidad de que al menos existan dos lavadores, para lograr atender a los
clientes.

3.2. Intervalo de confianza para una proporción

De manera similar se pueden generar intervalos de confianza para una pro-
porción, de los datos recogidos 3 de 86 clientes decidieron no entrar al negocio
3
por que lo vieron muy lleno. Se tiene una estimacion de p= 86 = 0.035, con un
nivel de confianza de 0.95 el intervalo es (0.00, 0.07). Es decir puede que todas
las personas decidan entrar o que hasta el 7 % decidan no hacerlo.

3.3. Distribución
Para poder calcular ciertas probabilidades es necesario entender que distri-
bución sigue cada una de las varı́ales a estimar. Sin embargo, tratar de estimar
el tiempo de espera que toma entre un evento y otro tı́picamente se conoce co-
mo procesos estocásticos, el cual tiene una estrecha relación con la distribución
exponencial. Esto en términos más formales implica redactar una hipótesis.
Ho : Los datos se distribuyen exponencialmente.
Ha : Los datos no se distribuyen exponencialmente.

Primero se debe observar un gráfico de lı́neas para intentar inferir algo.

19
 3. LLEGADAS Y SERVICIOS

Figura 3.1.: Frecuencias Llegadas

20
 3. LLEGADAS Y SERVICIOS

Figura 3.2.: Frecuencias Servicios

Note que el origen de la figura 3.1 es 5 mientras que en la figura 3.2 es 13,
pero la distribución exponencial empieza a partir de 0. Lo que sucede es que no
se encontró ningún cliente que llegara con una diferencia inferior a 4 minutos,
ni un lavado que tomara menos de 12 minutos. Es decir que la función de
densidad de los datos si llegaran a ser exponenciales para los dos casos serı́an
validos solo para valores de x mayores que 4 y 12 respectivamente.

λ1 e−λ1 (xo −4) λ2 e−λ2 (xo −12) (3.1)

Es decir que realmente el valor de X para la distribución exponencial corres-

ponde a X = Xo − 4 en el caso de las entradas al sistema y X = Xo − 12 en el
caso de los servicios. En otras palabras, se debe tomar el valor 0 como el valor
mı́nimo de cada distribución observada.
Un asunto importante es lo que pasa con el coeficiente λ. Como λ1 es el pro-

21
 3. LLEGADAS Y SERVICIOS

medio de la distribución entonces:

n
1 1X
= Xi para Xi = Xoi − K (3.2)
λ n
i=0

n
1 1X
= Xoi − K (3.3)
λ n
i=0
Pero para la sumatoria K es constante luego se tiene:
n
1 1X 1
+K = Xoi = (3.4)
λ n λo
i=0

De la muestra tomada se estima que el promedio de las llegadas es de 6,84

minutos, mientras que el promedio de tiempo tomado para lavar una moto
es de 14.97 minutos. Luego para una función de densidad teórica los datos
realmente quedarı́an ası́:

Entradas Servicios
Promedioo = 1/λo 6,84 14,97
λo 0,146 0,06
Promedio teorico = λ 6,84-4=2,84 14,97-12=2,97
λ 0,35 0,33

Cuadro 3.3.: Promedios ajustados a la distribución exponencial

22
 3. LLEGADAS Y SERVICIOS

La función de densidad teórica para las entradas al sistema está dada por la
fórmula:
λe−λx = 0,0,35e−0,0,35(xo −4) (3.5)
La función de densidad teórica para los tiempos de lavado está dada por la
fórmula:
λe−λx = 0,0,33e−0,33(xo −12) (3.6)
Para una distribución exponencial la función acumulada está dada por:
Z a
F (a) = λe−λx = 1 − eλx = F (X) (3.7)
0

Pero correr el origen de la función tendrá sus consecuencias en el momento

de intentar encontrar la variable aleatoria dada una probabilidad p, puesto
que:
p = 1 − e−λx
(3.8)

Entonces
−1
x= Ln(1 − p) = xo − 5
λ
−1
xo = Ln(1 − p) + 5
λ
Finalmente se pueden calcular tanto F (X observado) como F (X teórico)
y dada la distribución acumulada obcecada el Xo que espera la distribución
teóricamente.

23
 3. LLEGADAS Y SERVICIOS

x Xo Frecuencia F(x) F(teorico) X teorico

1 5 24 0,28 0,29 5,97
2 6 20 0,53 0,50 7,14
3 7 17 0,73 0,65 8,77
4 8 8 0,83 0,75 10,0
5 9 7 0,91 0,82 12,0
6 10 1 0,92 0,87 12,4
7 11 2 0,95 0,91 13,6
8 12 2 0,97 0,94 15,5
9 13 2 1 0,95

Cuadro 3.4.: Frecuencias y distribuciones en entradas al sistema

x Xo Frecuencia F(x) F(teorico) X teorico

1 13 22 0,26 0,28 13,9
2 14 16 0,45 0,48 14,8
3 15 14 0,62 0,63 15,9
4 16 12 0,77 0,73 17,3
5 17 11 0,90 0,81 19,9
6 18 8 1 0,86

Cuadro 3.5.: Frecuencias y distribuciones en lavados

24
 3. LLEGADAS Y SERVICIOS

3.4. Gráficos QQ
Aún cuando las dos funciones son decrecientes y puede que se asemejen a
una distribución exponencial negativa las últimas imágenes no brindaron su-
ficiente claridad sobre el tema. Entonces resulta más preciso acudir a gráficos
QQ comparando la variable observada en cada caso, con la variable teórica. [2]

Figura 3.3.: Frecuencias Servicios

25
 3. LLEGADAS Y SERVICIOS

Figura 3.4.: Frecuencias Servicios

Estas dos últimas imágenes son de mucha más ayuda ya que se nota una
fuerte tendencia de los puntos a seguir una lı́nea recta lo que refuerza bastante
la hipótesis que los datos se distribuyen exponencialmente. Para acabar con
las dudas se realizará una prueba de Kolmogorov-Smirnov.

3.5. Prueba de Kolmogorov-Smirnov

En esta prueba se comparará una distribución con otra donde el estadı́stico
de prueba será el máximo entre las diferencias de las distribuciones. En este
caso se compara la distribución de las variables observadas, con la distribución
teórica que tendrı́an dentro de la distribución exponencial negativa.
.

26
 3. LLEGADAS Y SERVICIOS

F(x) F(teorico) k F(x)-F(t) k

0,289 0,296 0,007
0,530 0,505 0,025
0,734 0,651 0,083
0,831 0,755 0,076
0,915 0,827 0,087
0,927 0,878 0,048
0,951 0,914 0,037
0,975 0,940 0,035
1 0,957 0,042
Maximo 0.087

Cuadro 3.6.: Prueba de Kolmogorov-Smirnov para las entradas al sistema

F(x) F(teorico) k F(x)-F(t) k

0,265 0,285 0,020
0,457 0,489 0,031
0,626 0,635 0,008
0,771 0,739 0,031
0,903 0,813 0,089
1 0,866 0,133
Maximo 0.133

Cuadro 3.7.: Prueba de Kolmogorov-Smirnov para los tiempos de lavado

27
 3. LLEGADAS Y SERVICIOS

En los dos casos el tamaño total de la muestra es de 83 valores. Con un

grado de confianza de 0.95 es decir un α = 0.05 se puede estimar el valor de
comparación para n mayor que 50 con la fórmula:

1,36
√ = 0,149 (3.9)
83
En el primer caso el valor del estadı́stico 0.087 es menor que 0.149, en el segundo
caso de igual manera se cumple 0.133 menor que 0.149. Luego no existe evi-
dencia suficiente para rechazar la hipótesis nula en la cual las variables siguen
una distribución exponencial negativa. Para verificar mejor este procedimiento
puede revisar el libro Fundamentos de inferencia estadı́stica del profesor Juan
Jose Obagi. [3]

28
4. SISTEMA DE COLAS
4.1. Caracterı́sticas básicas de un sistema en
equilibrio
Si en un sistema de colas se puede definir una taza de llegada exponencial
λe−x de manera similar se puede decir que el servicio tiene un comportamiento
µe−µx . Se puede decir que el sistema esta en equilibrio si ρ = µS λ
es menor que
1. Donde S representa la cantidad de servidores. En este caso basta con hacer
λ =0,146 en la ecuación 3.5 y µ =0,066 en la ecuación 3.6, además teniendo
0,146
en cuenta que el total de servidores es 2, entonces 2∗0,066 1,094 mayor que 1.
Luego se puede decir que el sistema no está en equilibrio. Esto quiere decir que
el sistema crece mas rapidamente de lo que los operarios logran abarcar, por
0,146
lo que se nececesitan al menos 3 lavadores para obtener 3∗0,066 = 0,7294
En el libro Investigación de operaciones de Wayne L. Winston se pueden apre-
ciar las demostraciones de fórmulas básicas que se cumplen para un sistema
de colas que se encuentra en equilibrio [4] muchas de ellas serán usadas a
continuación.
Sea W el tiempo en que un cliente espera en el servicio entonces W=Wq + µ1 ,
donde Wq es el tiempo promedio que una moto pasa en la fila. Similarmente
Lq es la longitud promedio en cantidad de motos, para esta última se cumple:
Wq = Lλq .

Sea j la cantidad de clientes en el sistema y S la cantidad de servidores

atendiendolos entonces la probabilidad de que el sistema este ocupado es la

29
 4. SISTEMA DE COLAS

probabilidad de que j ≥ s y está dado por la formula.

(sρ)s
p(j ≥ s) = P  (4.1)
s−1 (sρ)i (sρ)s
s!(1 − ρ) i=0 i! + s!(1−ρ)

Donde la longitud de la cola está dado por la ecuación:

p(j ≥ s)ρ
Lq = (4.2)
1−ρ

En conclución estos son los datos extraı́dos según la cantidad de servidores que
atiendan a los clientes.

Servidores s 3 4 5
Rho p 0,72 0,54 0,43
Probabilidad de que el sistema este lleno J≥S 0,25 0,13 0,06
Longitud de la cola Lq 0,69 0,16 0,04
Tiempo de espera W 19,7 16,0 15,3

Cuadro 4.1.: Promedios ajustados a la distribución exponencial

30
5. CONCLUSIONES
Si el dueño realmente quiere que sus clientes esperen durante periodos muy
cortos de tiempo necescitará de 5 lavadores, aunque no será una mala elección
tomar solo 4 servidores. Algo interesante que se puede observar es que aún con
tres empleados el sistema corre una gran probabilidad de generar fila. En un
principio el dueño creı́a que bastaba con contratar solo un lavador nuevo, pero
los datos demuestran que aún para tres servidores el sistema corre grandes
probabilidades de generar cola. Este trabajo ha permitido conocer mucho de
la gran ayuda que representa la teorı́a de colas en la administración y solución
de problemas. Además de ser una herramienta con infinitas aplicaciones es
también una gran ayuda para la toma de decisiones.

31
Bibliografı́a
[1] Lee J. Krajewski, Larry P. Ritzman Administracion de operaciones
estrategias y análisis, 2008, Uso de modelo de filas para operaciones, Pag 33

[2] David Scott http : //onlinestatbook.com/2/advancedg raphs/q −

qp lots.html , HOW TO MAKE A QQ PLOT.

[3] Juan Jose Obagi, Jorge Andres Alvarado Valencia Fundamentos

de inferencia estadistica, Pontificia Universidad Javeriana, 2008, Prueba
de Kolmogorov Smirnov, Pag 175

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

ción,Thomson, 2005, Teorı́a de colas, Pag 1086-1088

32