Guia Teoria de Colas

Corporación Universitaria Republicana
Facultad de Ingeniería y Ciencias Básicas

GUÍA 7 – SIMULACION
INFORMACIÓN GENERAL
Fecha
Nombre de la asignatura SIMULACION
Docente CESAR AUGUSTO PINEDA PEREZ
Horario
Grupo
OBJETIVO DE CLASE
▪
TEMAS A TRATAR
Teoría de colas o líneas de espera
DESARROLLO DE LA CLASE – ESTRATEGIA A DESARROLLAR

A través de las guias y con Excel, Visualbasic-excel, Flexsim, Promodel
MATERIAL DE APOYO – RECURSOS PARA EL APRENDIZAJE
SISTEMAS DE LINEAS DE ESPERA

INTRODUCCION
La teoría de colas o líneas de espera se asocia a problemas de congestión, donde se presentan una tasa de llegadas a un
sistema que proporciona un servicio y que dispone de unos servidores, los cuales atienden con una determinada tasa de
servicio. El estudio de la teoría de colas, es una de las técnicas de análisis cuantitativo más antiguas y que se utilizan con
mayor frecuencia. Las líneas de espera son un suceso cotidiano, que afecta a las personas que van de compras a las
tiendas de abarrotes, a cargar gasolina, a hacer depósitos bancarios, o bien, a quienes esperan en el teléfono a que
conteste la primera operadora disponible para hacer su reservación en una aerolínea. Las colas, otro término de las líneas
de espera, también podrían tomar la forma de máquinas que esperan a ser reparadas, camiones que esperan para
descargar o aeroplanos formados en una pista que aguardan la autorización para despegar. Los tres componentes básicos
de un proceso de colas son las llegadas, las instalaciones de servicio y la línea de espera real.
Las líneas de espera en algunos modelos asumen tasas de llegada con una distribución poisson y tasas de servicio con
una distribución exponencial y en algunos otros modelos tasas de servicio con distribución erlang, tasas de servicio con
distribución general (cualquier distribución de probabilidad) y tasas de servicios determinísticas, no obstante, los
modelos de líneas de espera no incluyen modelos matemáticos en los casos en que la tasa de llegada tenga otro tipo de
distribución de probabilidad diferente a la poisson y simultáneamente las tasas de servicio tengan otro tipo de
probabilidad diferente a la distribución exponencial y erlang, esta situación induce que a que se utilice las técnicas
simulación.
Página 1 de 82
¿POR QUÉ ESTUDIAR LAS COLAS?
Esperar que nos atiendan es parte de la vida diaria. Esperamos en los restaurantes, hacemos fila para abordar un avión,
y nos formamos en la cola para que nos atiendan en dependencias oficiales. El fenómeno de esperar no se limita a los
seres humanos: los trabajos esperan para ser procesados, los aviones vuelan en círculos a diferentes alturas hasta que se
les permite aterrizar, y los autos se detienen en los semáforos. Eliminar la espera por completo no es una opción factible
debido a que el costo de instalación y operación del centro de operación puede ser prohibitivo. Nuestro único recurso es
buscar el equilibrio entre el costo de ofrecer un servicio y el de esperar a que lo atiendan. El análisis de las colas es el
vehículo para alcanzar esta meta. El estudio de las colas tiene que ver con la cuantificación del fenómeno de esperar por
medio de medidas de desempeño representativas, tales como longitud promedio de la cola, tiempo de espera promedio
en la cola, y el uso promedio de la instalación.
DEFINICION
Un proceso de líneas de espera esta constituido por los clientes que llegan a una instalación que ofrece un servicio,
esperan luego en línea (fila), si todos los servidores están ocupados, reciben servicio en algún momento y finalmente
abandonan la instalación.
PROCESO DE LINEAS DE ESPERA
Esperan en Abandonan la
Conjunto de Reciben
línea si todos instalación
clientes que servicio y
los servidores
llegan a una cliente Clientes que se
están
instalación atendido van
ocupados
SISTEMA
Un sistema de líneas de espera es un conjunto de clientes , un conjunto de servidores y un orden en el cual los clientes
llegan y son atendidos.
ORDEN EN EL CUAL
CONJUNTO DE CONJUNTO DE LOS CLIENTES
CLIENTES SERVIDORES LLEGAN Y SON
ANTENDIDOS
Un sistema de líneas de espera es un proceso de nacimiento y muerte con una población formada por clientes en espera
del servicio o que están en servicio. Un nacimiento ocurre cuando un cliente llega a la instalación en que se proporciona
el servicio; una muerte ocurre cuando un cliente abandona la instalación.
Página 2 de 82
El estado del sistema es el numero de clientes en el sistema.
SISTEMAS DE LINEAS DE ESPERA.

Algunos sistemas de líneas de espera, podrían ser los que se ilustran a continuación:
Página 3 de 82
Existen innumerables sistemas de líneas de espera. En particular, debe caracterizarse el sistema de líneas de espera
acorde a la organización, empresa o sistema que se este evaluando a través de los sistemas de líneas de espera.
CARACTERISTICAS DE LAS LINEAS DE ESPERA

Cinco componentes caracterizan a los sistemas de líneas de espera:
❖ El patrón de llegada de los clientes (tiempo entre llegadas)
❖ El patrón de servicio (tiempo de servicio)
❖ El número de servidores
❖ La capacidad de conservar a los clientes en las instalaciones
❖ El orden en que se atiende a los clientes
PATRONES DE LLEGADA
❖ El patrón de llegadas de los clientes generalmente esta especificado por el tiempo entre llegadas.
❖ Tiempo entre llegadas: Es el tiempo entre las llegadas de los clientes sucesivos a la instalación que ofrece el servicio.
❖ El tiempo entre llegadas puede ser determinístico (es decir conocerse exactamente) o puede ser una variable
aleatoria cuya distribución probabilística se considera conocida.
❖ El patrón de llegadas puede depender del número de clientes que ya están en el sistema o pueden ser independientes
del estado.
❖ También se considera el que los clientes lleguen de uno en uno o en grupos, y se presenten rechazos o abandonos.
❖ Un rechazo ocurre cuando un cliente al llegar se niega a entrar a la instalación porque la línea de espera es demasiado
grande.
❖ Un abandono ocurre cuando un cliente que ya está en la línea de espera sale a la fila y se marcha porque la espera
es demasiado larga.
❖ La consideración normal será que los clientes lleguen de uno en uno y que no hay rechazos y abandonos (para la
aplicación de las fórmulas de líneas de espera). En simulación se admite cualquier caso de arribo de los clientes a un
Página 4 de 82
sistema.
PATRONES DE SERVICIO
❖ El patrón de servicio esta especificado por el tiempo de servicio.
❖ El tiempo de servicio, es el tiempo de servicio que le toma a un servidor en atender un cliente.
❖ El tiempo de servicio puede ser determinístico o puede ser una variable aleatoria cuya distribución probabilística se
considera conocida.
❖ El tiempo de servicio puede depender del número de clientes que ya se encuentran dentro de las instalaciones o
puede ser independiente del estado.
❖ Es importante determinar si un servidor atiende por completo a un cliente, o si, el cliente requiere una secuencia de
servidores.
❖ La consideración normal será que un servidor puede atender por completo a un cliente (para la aplicación de las
fórmulas de líneas de espera)
CAPACIDAD DEL SISTEMA

❖ La capacidad del sistema es el número máximo de clientes, tanto en servicio como la(s) línea(s) de espera, que
pueden estar simultáneamente en la instalación.
❖ Siempre que un cliente llegue a una instalación que este completa se le negara la entrada. A este cliente no se le
permite esperar fuera de las instalaciones (ya que esto sería un incremento efectivo de la capacidad) sino que se le
obliga a partir sin recibir servicio.
❖ Un sistema que no tiene límites en cuanto al número de clientes que puede permanecer dentro de las instalaciones
tiene capacidad infinita; un sistema con limite tiene capacidad finita.
DISCIPLINAS DE LAS LINEAS DE ESPERA

La disciplina de las líneas de espera es el orden en que se atienden a los clientes. Estas pueden ser de tipo: primero en
llegar primero en atenderse (FIFO); último en llegar primero en atenderse (LIFO); o de tipo aleatorio (SIRO) o de acuerdo
a prioridades.
NOTACION KENDALL
Una primera notación Kendall fue V/W/X y después Kendall y Lee ampliaron la notación a V/W/X/Y/Z para especificar las
características de la línea de espera es:
V/W/X/Y/Z
V W X Y Z
Denota el patrón Denota el patrón Significa el Representa la Indica la
de llegada de servicio numero de capacidad del disciplina de la
servidores sistema línea de espera
disponibles
Página 5 de 82
CARACTERISTICAS SIMBOLO SIGNIFICADO
Tiempo entre llegadas D Determinístico

O M Distribuido exponencialmente
Tiempo de servicio 𝐸𝐾 Distribuido Erlang
FIFO Primero en llegar, primero e atenderse
LIFO Ultimo en llegar, primero en atenderse
Disciplina de la línea de espera SIRO Servicio de orden aleatorio
PRI Ordenamiento de acuerdo a prioridades
GD Cualquier otro ordenamiento especializado
N Capacidad del sistema restringida a N clientes, capacidad finita
Capacidad del sistema
∞ Capacidad del sistema infinita
1 Un servidor
Numero de servidores
S Varios servidores en paralelo
De acuerdo a la notación Kendall los modelos de líneas de espera se identifican así:
Algunos Modelos de líneas de espera (Según notación Kendall y Lee)
MODELO DESCRIPCION
M/M/1/∞/FIFO Tasa de llegada Poisson, Tasa de servicio exponencial, un servidor, capacidad infinita, orden de
atención FIFO
M/𝐸𝐾 /1/∞/FIFO Tasa de llegada Poisson, tasa de servicio erlang, un servidor, capacidad infinita, orden de
atención FIFO
M/D/1/∞/FIFO Tasa de llegada Poisson, Tasa de servicio constante, un servidor, capacidad infinita, orden de
atención FIFO
M/A/1/∞/FIFO Tasa de llegada Poisson, Tasa de servicio aleatoria, un servidor, capacidad infinita, orden de
atención FIFO
M/M/1/𝑁/FIFO Tasa de llegada Poisson, Tasa de servicio exponencial, un servidor, capacidad finita, orden de
atención FIFO
M/M/S/∞/FIFO Tasa de llegada Poisson, Tasa de servicio exponencial, varios servidores en paralelo, capacidad
infinita, orden de atención FIFO
M/M/S/𝑁/FIFO Tasa de llegada Poisson, Tasa de servicio exponencial, varios servidores en paralelo, capacidad
finita, orden de atención FIFO
M/M/1/∞/FIFO/t Tasa de llegada Poisson, Tasa de servicio exponencial, un servidor, capacidad infinita, orden de
atención FIFO, cola truncada t
Página 6 de 82
A.M. Lee y Kendall, propusieron una notación de las líneas de espera más extensiva así:
(a, b, c): (d, e, f)
Donde los símbolos a, b, c, d, e, f representan los elementos básicos del modelo de la línea de espera de la forma
siguiente:
a Distribución de llegadas
b Distribución de los tiempos de servicio
c Numero de servidores en paralelo
d Disciplina de servicio
e Número máximo admitido en el sistema (en línea de espera más en servicio)
f Tamaño de la fuente de las llamadas
La notación estándar reemplaza los símbolos a y b de llegadas y salidas por los códigos siguientes:
M Distribución de llegadas o salidas poisson (o markoviana); o, lo que es lo mismo, distribución exponencial
entre llegadas o de tiempo de servicio
D Tiempo entre llegadas o de servicio constante o determinista
𝐸𝐾 Distribución de Erlang o Gamma de la distribución de tiempo entre llegadas o de servicio con el parámetro k
GI Distribución de llegadas general independiente (o tiempo entre llegadas)
G Distribución de salidas general (o tiempo de servicio)
Para ilustrar la notación de Lee, considérese (DG, disciplina general en notación Kendall).
(M/D/10):(DG/N/∞)
Según esta notación: M se refiere a llegadas poisson, D se refiere al tiempo de servicio constante, y 10 se refiere al
numero de servidores en paralelo en la instalación. La disciplina de servicio general es DG en el sentido de que pudiera
ser FIFO, LIFO, SIRO o cualquier procedimiento que pueda utilizar los servidores para decidir el orden en el que se
escogerá a los clientes de la línea de espera para iniciar el servicio. Independientemente de cuantos clientes lleguen a la
instalación, el sistema (línea de espera + servicio) puede alojar solo a un máximo de N clientes; todos los demás deberán
buscar ser atendidos en cualquier otra parte. Y finalmente, la fuente que genera los clientes que entran a la instalación
tiene una capacidad infinita. La notación Kendall en principio era (a,b,c). Después Lee agrego los símbolos d y e a la
notación Kendall. En esta guía, se advierte aumentar la notación Kendall-Lee mediante el uso del símbolo f , que
representa la capacidad de la fuente de llamadas.
Es de anotar, que cualquier sistema de línea de espera opera en función del tiempo, y en consecuencia, se debe decidir
con antelación si nos interesa analizar el sistema en condiciones transitorias o de estado estable. Las condiciones
transitorias prevalecen cuando el comportamiento del sistema sigue dependiendo del tiempo. Por lo tanto, los
procedimientos de nacimiento y muerte pura siempre operan en condiciones transitorias. De otro lado, las líneas de
espera con entradas y salidas combinadas inician en condiciones transitorias y llegan gradualmente al estado estable
después de haber transcurrido un tiempo lo suficientemente grande, siempre y cuando los parámetros del sistema
permitan se alcance el estado estable (por ejemplo, una línea de espera con tasa de llegadas λ mayor que su tasa de
servicio μ nunca alcanzara el estado estable, sin importar el tiempo transcurrido, ya que el tamaño de la línea de espera
aumentara con el tiempo).
Página 7 de 82
SIMBOLOGIA Y ALGUNAS RELACIONES GENERALES
Simbolo Descripcion
λ Numero promedio de clientes arribando por unidad de tiempo (tasa media de arribos – clientes arribando
por unidad de tiempo)
μ Numero promedio de clientes atendidos por unidad de tiempo (tasa media de servicio – clientes atendidos
por unidad de tiempo)
U = 1⁄𝜆 Tiempo esperado entre llegadas (unidades de tiempo /cliente)
V = 1⁄𝜇 Tiempo esperado del servicio o tiempo esperado para atender un cliente (unidades de tiempo /cliente)
թ Factor de utilización del sistema

𝑝𝑛>𝑘 Probabilidad de que haya mas de K unidades en el sistema. n es el numero de unidades en el sistema
𝑃0 Probabilidad de que el sistema este vacío o de que haya cero unidades en el sistema. Es decir, no haya
clientes en la línea de espera ni clientes en los servidores.
𝑃𝑛 Probabilidad de “n” clientes en el sistema (es decir, clientes en cola más clientes en atención)
L Numero promedio de clientes que permanecen en el sistema (clientes en cola mas los clientes en atención)
𝐿𝑞 Numero promedio de clientes que permanecen en la línea de espera o haciendo cola
W Tiempo promedio que un cliente permanece en el sistema (tiempo en espera mas el tiempo de atención)
𝑊𝑞 Tiempo promedio que un cliente permanece en la línea de espera o haciendo cola
W(t) Probabilidad de que un cliente permanezca mas de t unidades de tiempo en el sistema
𝑊𝑞 (𝑡) Probabilidad de que un cliente permanezca mas de t unidades de tiempo en la línea de espera o haciendo
cola
Sóc Numero de servidores en paralelo dependiendo la notación kendall (S) o Lee (c)
K Numero de etapas de servicio
N Numero de clientes potenciales (capacidad del sistema finita, es decir, restringida a N clientes)
∞ En relación a la capacidad del sistema, se refiere a que el sistema tiene capacidad infinita
y Numero máximo permitido en el sistema antes de que el amontonamiento se lleve a cabo (rechazo a hacer
cola)
PAPEL DE LA DISTRIBUCION EXPONENCIAL

En la mayoría de las situaciones de colas, las llegadas ocurren al azar. Aleatoriedad significa que la ocurrencia de un
evento (por ejemplo la llegada de un cliente o la terminación de un servicio) es independiente del tiempo transcurrido
desde la ocurrencia del último evento.
Los tiempos aleatorios entre llegadas y de servicio se describen cuantitativamente por medio de una distribución
Página 8 de 82
exponencial, debido a que, si la cantidad de llegadas a una instalación de servicio se apega a una distribución Poisson,
entonces, en forma automática, la distribución del intervalo de tiempo entre las llegadas sucesivas debe tener una
distribución exponencial. De forma específica λ es la frecuencia con que suceden los eventos de Poisson, entonces la
distribución de tiempos “t” entre llegadas sucesivas es:
𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 , 𝑡 > 0

La media y la varianza de la distribucion exponencial son:
1
𝑀𝑒𝑑𝑖𝑎 = 𝐸{𝑋} =
𝜆
1
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 = 𝑣𝑎𝑟{𝑋} =
𝜆2
La media 𝐸{𝑋} es consistente con la definición de λ. Si λ es la frecuencia, rapidez o tasa con que suceden los eventos,
entonces 1/λ es el intervalo promedio de tiempo entre eventos sucesivos.
Sea:
f(t) = función de densidad de probabilidad (fdp) del intervalo de tiempo t entre la ocurrencia de eventos sucesivos, t ≥ 0
Suponemos que “T” es el intervalo de tiempo desde la ocurrencia del ultimo evento; entonces es valido el siguiente
enunciado probabilístico:
𝑇
𝑃{𝑡 ≤ 𝑇} = ∫ 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 1 − 𝑒 −𝜆𝑡
0
La definición de E(t) muestra que l es la tasa por unidad de tiempo a la cual se generan los eventos (llegadas o salidas).
La distribución exponencial describe un fenómeno totalmente aleatorio. Por ejemplo, si en este momento la hora es 8:20
A.M. y la última llegada fue a las 8:02 A.M., la probabilidad de que la siguiente llegada ocurra a las 8:29 es una función
sólo del intervalo de las 8:20 a las 8:29, y es totalmente independiente del tiempo que ha transcurrido desde la ocurrencia
del último evento (8:02 a 8:20). La propiedad totalmente aleatoria de la exponencial se conoce como olvido o falta de
memoria. Dado que f(t) es la distribución exponencial del tiempo t, entre eventos sucesivos (llegadas), si S es el intervalo
desde la ocurrencia del último evento, entonces la propiedad de olvido implica que:
𝑃{𝑡 > 𝑇 + 𝑆|𝑡 > 𝑆} = 𝑃{𝑡 > 𝑇}
Para demostrar este resultado se observa que la exponencial con media 1/λ,
𝑃{𝑡 > 𝑌} = 1 − 𝑃{𝑡 < 𝑌} = 𝑒 −𝜆𝑌
Asi,
𝑃{𝑡 > 𝑇 + 𝑆, 𝑡 > 𝑆} 𝑃{𝑡 > 𝑇 + 𝑆} 𝑒 −𝜆(𝑇+𝑆)

𝑃{𝑡 > 𝑇 + 𝑆|𝑡 > 𝑆} = = = = 𝑒 −𝜆𝑇 = 𝑃{𝑡 > 𝑇}
𝑃{𝑡 > 𝑆} 𝑃{𝑡 > 𝑆} 𝑒 −𝜆𝑆
Página 9 de 82
Ejemplo: Una máquina de servicio cuenta con una unidad de respaldo para su reemplazo inmediato si ocurre una falla. El tiempo para
que falle la máquina (o su unidad de respaldo) es exponencial y ocurre cada 5 horas en promedio. El operador de máquina afirma que
ésta “tiene el hábito” de fallar cada noche alrededor de las 8:30 P.M. Analice la afirmación del operador.
La tasa de fallas promedio de la máquina es λ = 1/5 = 0.2 fallas por hora. Por lo tanto, la distribución exponencial del tiempo para una
falla es:
𝑓(𝑡) = 0.2𝑒 −0.2𝑡 , 𝑡 > 0
Con respecto a la afirmación del operador, sabemos sin pensarlo que no puede ser cierta porque entra en conflicto con el hecho de que
el tiempo entre averías es exponencial y por, consiguiente, totalmente aleatorio. La probabilidad de que ocurra una falla a las 8:30 P.M.
no puede usarse para sustentar o refutar la afirmación del operador, porque el valor de tal probabilidad depende de la hora (con
respecto a las 8:30 P.M.) a la cual se calcule. Por ejemplo, si en este momento son las 8:30 P.M., entonces hay una baja probabilidad de
que la afirmación del operador sea correcta, es decir,
10 10
𝑃 {𝑡 < } = 1 − 𝑒 −0.2(60) = 0.03278
60
Si la hora en este momento es la 1:00 P.M., entonces la probabilidad de que ocurra una falla a las 8:30 P.M. se incrementa a
aproximadamente 0.777 . Estos dos valores extremos muestran que la afirmación del operador no es cierta.
PROCESOS DE NACIMIENTO PURO Y MUERTE PURA
Son dos procesos: proceso de nacimiento puro, los clientes llegan y nunca parten y en el proceso de muerte pura los
clientes se retiran de un abasto inicial. O en otras palabras, en el modelo de nacimiento puro sólo ocurren llegadas, y en
el modelo de muerte pura sólo ocurren salidas. Un ejemplo del modelo de nacimiento puro es la creación de actas de
nacimiento de bebés recién nacidos. El modelo de muerte pura puede demostrarse por medio del retiro aleatorio de un
artículo en existencia en una tienda. La distribución exponencial se utiliza para describir el tiempo entre llegadas en el
modelo de nacimiento puro y el tiempo entre salidas en el modelo de muerte pura. Un subproducto del desarrollo de los
dos modelos es demostrar la estrecha relación entre las distribuciones exponencial y la de Poisson, en el sentido de que una
distribución define automáticamente a la otra.
MODELO DE NACIMIENTO PURO

Definimos:
𝑝0 (𝑡) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑛𝑜 ℎ𝑎𝑦𝑎 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 𝑢𝑛 𝑒𝑠𝑝𝑎𝑐𝑖𝑜 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
Dado que el tiempo entre llegadas es exponencial y que la tasa de llegadas es de λ clientes por unidad de tiempo, entonces
𝑝0 (𝑡) = 𝑃{𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 ≥ 𝑡}

𝑝0 (𝑡) = 1 − 𝑃{𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 ≤ 𝑡}
𝑝0 (𝑡) = 1 − (1 − 𝑒 −𝜆𝑡 )
𝑝0 (𝑡) = 𝑒 −𝜆𝑡
Para un intervalo de tiempo suficientemente pequeño h > 0, tenemos:
Página 10 de 82
(𝜆ℎ)2
𝑝0 (ℎ) = 𝑒 −𝜆ℎ = 1 − 𝜆ℎ + −. . . . = 1 − 𝜆ℎ + 0(ℎ2 )
2!
La distribución exponencial se basa en la suposición de que durante h > 0, cuando mucho puede ocurrir un evento (llegada).
Por lo tanto, a medida que h → 0,
𝑝1 (ℎ) = 1 − 𝑝0 (ℎ) ≈ 𝜆ℎ
Este resultado muestra que la probabilidad de una llegada durante h es directamente proporcional a h, con la tasa de
llegadas, λ, como constante de proporcionalidad. Para derivar la distribución de la cantidad de llegadas durante un periodo
t cuando el tiempo entre llegadas es exponencial con media 1/λ defina
𝑝𝑛 (𝑡) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑛 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 𝑡
Para un h > 0 suficientemente pequeño,
𝑝𝑛 (𝑡 + ℎ) ≈ 𝑝𝑛 (𝑡)(1 − 𝜆ℎ) + 𝑝𝑛−1 (𝑡)𝜆ℎ, 𝑛 > 0
𝑝𝑛 (𝑡 + ℎ) ≈ 𝑝𝑛 (𝑡)(1 − 𝜆ℎ), 𝑛 = 0
En la primera ecuación habrá n llegadas durante t + h, si hay n llegadas durante t y ninguna llegada durante h, o n − 1
llegadas durante t y una llegada durante h. No se permiten todas las demás combinaciones porque, de acuerdo con la
distribución exponencial, a lo sumo puede haber una llegada durante un periodo h muy pequeño. La ley del producto de
las probabilidades es aplicable al lado derecho de la ecuación porque las llegadas son independientes. En cuando a la
segunda ecuación, durante t + h puede haber cero llegadas sólo si no hay llegadas durante t y h.
Reacomodando los términos y tomando los límites a medida que h → 0 para obtener la primera derivada de pn(t) con
respecto a t, tenemos
𝑝𝑛 (𝑡 + ℎ) − 𝑝𝑛 (𝑡)
𝑝𝑛′ (𝑡) = lim = −𝜆𝑝𝑛 (𝑡) + 𝜆𝑝𝑛−1 (𝑡), 𝑛 > 0
𝑛→0 ℎ
𝑝0 (𝑡 + ℎ) − 𝑝0 (𝑡)
𝑝0′ (𝑡) = lim = −𝜆𝑝0 (𝑡), 𝑛 = 0
𝑛→0 ℎ
La solución de las ecuaciones diferenciales anteriores da

(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
𝑝𝑛 (𝑡) = , 𝑛 = 0,1,2, . . ..
𝑛!
Es una distribucion Poisson con media 𝐸{𝑛|𝑡} = 𝜆𝑡 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 t.
El resultado anterior muestra que si el tiempo entre llegadas es exponencial con media 1/λ, entonces la cantidad de llegadas
durante un periodo específico t es Poisson con media λt. Lo contrario también funciona. La siguiente tabla resume las
relaciones entre las distribuciones exponencial y de Poisson, dada la tasa de llegadas λ.
Página 11 de 82
Exponencial De Poisson
Variable aleatoria Tiempo t entre llegadas sucesivas Cantidad n de llegadas durante un periodo especifico t
Intervalo t≥0 n = 0,1,2,….
Función de
𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 , 𝑡 ≥ 0 (𝜆𝑇)𝑛 𝑒 −𝜆𝑇
densidad 𝑝𝑛 (𝑇) = , 𝑛 = 0,1,2, . . ..
𝑛!
Valor de la media 1/λ unidades de tiempo λT llegadas durante T
Probabilidad
𝑃{𝑡 ≤ 𝐴} = 1 − 𝑒 −𝜆𝐴 𝑝𝑛≤𝑁 (𝑇) = 𝑝0 (𝑇) + 𝑝1 (𝑇)+. . . + 𝑝𝑁 (𝑇)
acumulada
P {no haya
llegadas durante 𝑃{𝑡 > 𝐴} = 𝑒 −𝜆𝐴 𝑝0 (𝐴) = 𝑒 −𝜆𝐴
el periodo A)
Ejemplo. Los niños nacen en un estado poco poblado, con una frecuencia de un nacimiento cada 12 minutos. El tiempo
entre nacimientos sigue una distribución exponencial. Determinar:
a) La cantidad promedio de nacimientos por año.
b) La probabilidad de que no haya nacimientos en cualquier dia.
c) La probabilidad de emitir 50 certificados de nacimientos en 3 horas, cuando se emitieron 40 certificados durante las
primeras 2 horas del periodo de 3 horas.
a) La tasa de nacimientos es:
𝜆 = (24 ℎ𝑜𝑟𝑎𝑠/𝑑𝑖𝑎)(60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠/ℎ𝑜𝑟𝑎)(1 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜/12 𝑚𝑖𝑛𝑢𝑡𝑜𝑠) = 120 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑑𝑖𝑎
Los nacimientos anuales son:
𝜆𝑡 = (120 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑑𝑖𝑎)(365 𝑑𝑖𝑎𝑠/𝑎ñ𝑜) = 43800 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑎ñ𝑜
b) La probabilidad de que no haya nacimientos en algún día se calcula con la distribución Poisson:
𝑝𝑛 (𝑡) = , 𝑛 = 0,1,2, . . ..
𝑛!
(120 × 1)1 (𝑒 −120(1) )

𝑃0 (1) = ≈ 0
0!
c) Para calcular la probabilidad de emitir 50 certificados en 3 horas, cuando se han emitido ya 40 certificados en las
dos primeras horas, equivale a tener 10×(50−40) nacimientos en una (1) hora (3 horas – 2 horas).
120 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑑𝑖𝑎
Como λ = 60/12 = 5 nacimientos/hora ò λ = ⁄24 ℎ𝑜𝑟𝑎𝑠/𝑑𝑖𝑎 = 5 nacimientos/hora.
Entonces
Página 12 de 82
𝑝𝑛 (𝑡) = , 𝑛 = 0,1,2, . . ..
𝑛!
(5 × 1)10 (𝑒 −5(1) )
𝑃10 (1) = = 0.01813
10!
MODELO DE MUERTE PURA

En el modelo de muerte pura, el sistema se inicia con N clientes en el instante 0, sin llegadas nuevas permitidas. Las salidas
ocurren a razón de m clientes por unidad de tiempo. Para desarrollar las ecuaciones diferenciales de la probabilidad 𝑝𝑛 (𝑡)
de que n clientes permanezcan después de t unidades de tiempo, seguimos los argumentos utilizados con el modelo de
nacimiento puro. Por lo tanto,
𝑝𝑁 (𝑡 + ℎ) = 𝑝𝑁 (𝑡)(1 − μℎ)
𝑝𝑛 (𝑡 + ℎ) = 𝑝𝑛 (𝑡)(1 − μℎ) + 𝑝𝑛+1 (𝑡)𝜇ℎ, 0 < 𝑛 < 𝑁
𝑝0 (𝑡 + ℎ) = 𝑝0 (𝑡)(1) + 𝑝1 (𝑡)𝜇ℎ
Cuando h → 0, se obtiene
𝑝𝑁′ (𝑡) = −𝜇𝑝𝑁 (𝑡)
𝑝𝑁′ (𝑡) = −𝜇𝑝𝑛 (𝑡) + 𝜇𝑝𝑛+1 (𝑡), 0 < 𝑛 < 𝑁
𝑝0′ (𝑡) = 𝜇𝑝1 (𝑡)
La solución de estas ecuaciones es la distribución truncada de Poisson
(𝜇𝑡)𝑁−𝑛 𝑒 −𝜇𝑡
𝑝𝑛 (𝑡) = , 𝑛 = 1, 2, . . . , 𝑁
(𝑁 − 𝑛)!
𝑝0 (𝑡) = 1 − ∑𝑁
𝑛=1 𝑝𝑛 (𝑡)
Ejemplo. Considere la situación de almacenar N unidades de un articulo al inicio de la semana, para satisfacer la demanda
de los clientes durante la semana. Si suponemos que la demanda se presenta a una tasa de μ unidades por día y que el
proceso de demanda es completamente aleatorio, la probabilidad asociada de tener n artículos en almacén después de
un tiempo t, este problema es un modelo de muerte pura. Al inicio de cada semana, se almacenan 15 unidades de un
artículo de inventario para utilizarse durante la semana. Solo se hacen retiros del almacenamiento durante los primeros
6 días (la empresa esta cerrada los domingos) y sigue una distribución poisson con la media 3 unidades/día. Cuando el
nivel de existencias llega a 5 unidades, se coloca un nuevo pedido de 15 unidades para ser entregado al principio de la
semana entrante. Debido a la naturaleza del artículo, se desechan todas las unidades que sobran al final de la semana.
Página 13 de 82
Se analiza este problema de varias formas. Primero, se reconoce que la tasa de cálculo es μ = 3 unidades por día.
Supóngase que nos interesa determinar la probabilidad de tener 5 unidades (el nivel de nuevo pedido) al día t, es decir,
(3𝑡)15−5 𝑒 −3𝑡
𝑝5 (𝑡) = , 𝑡 = 1,2, . . . . ,6
(15 − 5)!
De donde μ = 3, N = 15, n = 5 y t= 1,2,3,4,5 y 6.

𝑝5 (𝑡) representa la probabilidad de hacer un nuevo pedido el día t.
Los resultados al aplicar esta formula con μt = 3, 6, 9…, y 18 se dan en la siguiente tabla:
t(dias) 1 2 3 4 5 6
μt 3 6 9 12 15 18
𝑝5 (𝑡) 0.0008 0.0413 0.1186 0.1048 0.0486 0.015
(3×1)10 𝑒 −3×1
𝑝5 (1) = = 0.0008 y así sucesivamente con 𝑝5 (2), 𝑝5 (3), 𝑝5 (4), 𝑝5 (5), 𝑝5 (6).
(10)!
Observamos que 𝑝5 (𝑡) representa la probabilidad de hacer un nuevo pedido el día t. Esta probabilidad llega a su nivel
máximo en t = 3 y después disminuye conforme transcurre la semana. Si nos interesa la probabilidad de hacer un nuevo
pedido para el día t, debemos determinar la probabilidad de tener 5 unidades o menos el día t; esto es,
𝑝𝑛≤5 (𝑡) = 𝑝0 (𝑡) + 𝑝1 (𝑡)+. . . . . +𝑝5 (𝑡)
Nuevamente obtenemos:
t(dias) 1 2 3 4 5 6
μt 3 6 9 12 15 18
𝑝𝑛 ≤ 5 (𝑡) 0.0011 0.0839 0.4126 0.7576 0.9301 0.9847
Para validar, la tabla supongamos μt = 3 y t = 1, los cálculos serian los siguientes:

(𝜇𝑡)𝑁−𝑛 𝑒 −𝜇𝑡
𝑝𝑛 (𝑡) = , 𝑛 = 1, 2, . . . , 𝑁
(𝑁 − 𝑛)!
(3 × 1)15−0 𝑒 −3×1 (3)15 𝑒 −3

𝑝0 (1) = = = 0.00000054
(15 − 0)! (15)!
(3 × 1)15−1 𝑒 −3×1 (3)14 𝑒 −3

𝑝1 (1) = = = 0.0000027
(15 − 1)! (14)!
Página 14 de 82
(3 × 1)15−2 𝑒 −3×1 (3)13 𝑒 −3

𝑝2 (1) = = = 0.0000127
(15 − 2)! (13)!
(3 × 1)15−3 𝑒 −3×1 (3)12 𝑒 −3

𝑝3 (1) = = = 0.000055
(15 − 3)! (12)!
(3 × 1)15−4 𝑒 −3×1 (3)11 𝑒 −3

𝑝4 (1) = = = 0.000221
(15 − 4)! (11)!
(3 × 1)15−5 𝑒 −3×1 (3)10 𝑒 −3

𝑝5 (1) = = = 0.00081
(15 − 5)! (10)!
Entonces:
∑5𝑛=0 𝑝𝑛 (1) = 0.00110194 ≈ 0.0011 (ajustando a 4 decimales)
Y así para μt = 6 y t = 2, μt = 9 y t = 3, μt = 12 y t = 4, μt = 15 y t = 5, μt = 18 y t = 6.
Como se observa en la tabla anterior, podemos inferir que la probabilidad de hacer un pedido para el día t aumenta
monótonamente con t.
Otra información relevante, es determinar el número promedio de unidades de inventario que se desecharan el fin de
semana. Esto se hace calculando el numero esperado de unidades para el día 6; es decir,
𝐸{𝑛|𝑡 = 6} = ∑15
𝑛=0 𝑛𝑝𝑛 (6)
La siguiente tabla presenta un resumen de las operaciones dado μt = 18.
n 0 1 2 3 4 5 6 7 8 9 10 11
𝑝𝑛 (6) 0.792 0.0655 0.0509 0.0368 0.0245 0.015 0.0083 0.0042 0.0018 0.0007 0.0002 0.0001
Y 𝑝𝑛 (6) ≅ 0 para n= 12, 13, 14 y 15. Por lo tanto, al calcular el promedio, obtenemos:
𝐸{𝑛|𝑡 = 6} = 0.5537 𝑢𝑛𝑖𝑑𝑎𝑑
Esto indica que, en promedio, se desecharan menos de una unidad al termino de cada semana.
Página 15 de 82
MODELO GENERALIZADO DE COLAS POISSON

Se formula un modelo general de colas donde se combinan llegadas y salidas, basándose en la hipotesis de Poisson. Los
tiempos entre llegadas y servicios tienen una distribución exponencial. El desarrollo del modelo generalizado se basa en
el comportamiento a largo plazo o de estado estable, de la cola, que se alcanza después de que el sistema ha estado
funcionando durante un tiempo suficientemente largo. Esta clase de análisis contrasta con el comportamiento transitorio
(de calentamiento) que prevalece durante el inicio del funcionamiento del sistema.
El modelo generalizado supone que las frecuencias tanto de llegadas como de salidas dependen del estado y eso quiere
decir que dependen de la cantidad de clientes en la instalación de servicio. Por ejemplo, por ejemplo en el peaje de una
autopista, los empleados tienden a acelerar el cobro en horas pico. Otro ejemplo se da en un taller, con determinada
cantidad de maquinas, cuando disminuye la frecuencia de descomposturas, cuando aumenta la cantidad de maquinas
descompuestas.
Se definen y utilizan los siguientes símbolos para el modelo generalizado poisson:
n Cantidad de clientes en el sistema (en la cola mas los que están en servicio
𝜆𝑛 Frecuencia de llegada cuando hay n clientes en el sistema
𝜇𝑛 Frecuencia de salida cuando hay n clientes en el sistema
𝑃𝑛 Probabilidad de estado estable de que haya n clientes en el sistema
𝜆̿ Es la tasa de llegada promedio de todas las llegadas al sistema cuando hay n clientes
𝜇̿ Es la tasa de servicio promedio de todos los servicios cuando hay n clientes
𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 Son los clientes que se dejan de atender debido a las limitaciones de capacidad del sistema
𝑃𝑁 Es la probabilidad de que el sistema este lleno, si “N” es la capacidad del sistema
L Numero promedio de clientes que permanecen en el sistema (cola + servicio)
𝐿𝑞 Numero promedio de clientes que permanecen en la línea de espera
S Numero de servidores
W Tiempo promedio que un cliente permanece en el sistema (tiempo en espera mas el tiempo de atención)
𝑊𝑞 Tiempo promedio que un cliente permanece en la línea de espera o haciendo cola
N Capacidad finita del sistema
El modelo generalizado define a 𝑃𝑛 como función de 𝜆𝑛 𝑦 𝜇𝑛 . después se usan esas probabilidades para determinar las
medidas de funcionamiento del sistema, como la longitud promedio de la cola, el tiempo promedio de espera y la
utilización promedio de la instalacion.
Las probabilidades 𝑃𝑛 se calculan usando el diagrama de frecuencias de transición (ó “rapidez” ó “tasa de transicion”)
Página 16 de 82
El diagrama de transición de colas de poisson, es tal como se muestra en la siguiente figura:
Las probabilidades 𝑃𝑛 se determinan por medio del diagrama de tasa de transición. El sistema de colas está en el estado
n cuando el número de clientes en el sistema es n. La probabilidad de que ocurra más de un evento durante un pequeño
intervalo h, tiende a cero a medida que h → 0. Esto significa que para n > 0, el estado n puede cambiar sólo a dos estados
posibles: n − 1 cuando ocurre una salida o un servicio a razón de 𝜇𝑛 , y n + 1 cuando ocurre una llegada a razón de 𝜆𝑛 . El
estado 0 sólo puede cambiar al estado 1 cuando hay una llegada con la frecuencia 𝜆0 . Observamos que 𝜇𝑛 es indefinida
porque no pueden ocurrir salidas si el sistema está vacío.
En condiciones de estado estable, para n > 0, las tasas de flujo esperadas de entrada y salida del estado n deben ser iguales.
Con base en el hecho de que el estado n puede cambiar sólo a los estados n − 1 y n + 1, tenemos:
(𝑇𝑎𝑠𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 ℎ𝑎𝑐𝑖𝑎 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛) = 𝜆𝑛−1 𝑃𝑛−1 + 𝜇𝑛+1 𝑃𝑛+1
De igual manera
(𝑇𝑎𝑠𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 𝑞𝑢𝑒 𝑠𝑎𝑙𝑒 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛) = (𝜆𝑛 + 𝜇𝑛 )𝑃𝑛
Al igual las dos frecuencias se obtiene la siguiente ecuación de balance para el estado n:
𝜆𝑛−1 𝑃𝑛−1 + 𝜇𝑛+1 𝑃𝑛+1 = 𝜆𝑛 𝑃𝑛 + 𝜇𝑛 𝑃𝑛 , 𝑛 = 1, 2, . . ..
Las ecuaciones de balance se resuelven recursivamente en función de 𝑃0 como sigue:
Para n= 0 la ecuación de balance es:

𝜆0 𝑃0 = 𝜇1 𝑃1
𝜆0
𝑃1 = ( ) 𝑃0
𝜇1
Para n= 1 la ecuación de balance es:

𝜆0 𝑃0 + 𝜇2 𝑃2 = 𝜆1 𝑃1 + 𝜇1 𝑃1
𝜆
Se sustituye 𝑃1 = ( 0 ) 𝑃0 y se simplifica para obtener
𝜇1
Página 17 de 82
𝜆1 𝜆0
𝑃2 = ( )𝑃
𝜇2 𝜇1 0
Se puede demostrar por inducción que en general
𝜆𝑛−1 𝜆𝑛−2 . . . . . . 𝜆0
𝑃𝑛 = ( ) 𝑃0 , 𝑛 = 1, 2, . . ..
𝜇𝑛 𝜇𝑛−1 . . . . . . 𝜇1
También se puede utilizar otra fórmula equivalente

𝜆𝑛−1
𝑃𝑛 = 𝑃
𝜇𝑛 𝑛−1
El valor de 𝑃0 se determina con la ecuación:

∑∞
𝑛=0 𝑃𝑛 = 1
Las demás fórmulas para aplicar el modelo generalizado poisson son:
𝐿 = ∑5𝑛=1 𝑛𝑃𝑛
𝑳𝒒 = ∑ ∞
𝒏=𝑺+𝟏(𝒏 − 𝑺)𝑷𝒏
̿ = ∑∞
𝝀 𝒏=𝟎 𝝀𝒏 𝑷𝒏
̿ = ∑∞
𝝁 𝒏=𝟎 𝝁𝒏 𝑷𝒏
̿ 𝑷𝑵
𝝀𝒑𝒆𝒓𝒅𝒊𝒅𝒐 = 𝝀
Para completar las medidas de desempeño en del modelo generalizado poissson (Ecuaciones de Little)
𝑳 = 𝝀𝑾 y 𝑳𝒒 = 𝝀𝑾𝒒
Ejemplo 1. Tiendas de UNO del barrio Modelia opera con 3 cajas registradoras de pago (3 servidores). El administrador
de ese punto de venta usa el siguiente programa para determinar la cantidad de cajeras en operación, en función de la
cantidad de clientes en la tienda, asi:
Cantidad de clientes en la tienda Cantidad de cajeras funcionando

1a3 1
4a6 2
Mas de 6 3
Página 18 de 82
Los clientes llegan a las cajas siguiendo una distribución Poisson, con una frecuencia media de 10 clientes por hora. El
tiempo promedio de atención de un cliente es exponencial con 12 minutos de promedio. Calcular la probabilidad P de
estado estable de que haya n clientes en las cajas. De la información del problema se tiene que:
𝜆𝑛 = λ = 10 clientes por hora para n = 0,1,…
1/𝜇 = 12 minutos por cliente, entonces 𝜇 = 0.08333 clientes/ minuto = 5 clientes/hora
Entonces 𝜇𝑛 variara de acuerdo al numero de cajeras, asi:
1 𝑐𝑎𝑗𝑒𝑟𝑎: 𝜇 = 5 clientes por hora, n = 1,2,3

𝜇𝑛 = { 𝑐𝑎𝑗𝑒𝑟𝑎𝑠: 𝜇 = 10 clientes por hora, n = 4,5,6}
2
3 𝑐𝑎𝑗𝑒𝑟𝑎𝑠: 𝜇 = 15 clientes por hora, n = 7,8. .
La siguiente tabla resumen las tasas de llegada y de servicio de acuerdo al numero de clientes n en el sistema.
n 0 1 2 3 4 5 6 7 8 …..
Tasa promedio de llegadas 10 10 10 10 10 10 10 10 10 10
𝜆𝑛 𝜆0 𝜆1 𝜆2 𝜆3 𝜆4 𝜆5 𝜆6 𝜆7 𝜆8 𝜆....
Tasa promedio de servicio 5 5 5 5 10 10 10 15 15 15
𝜇𝑛 𝜇1 𝜇2 𝜇3 𝜇4 𝜇5 𝜇6 𝜇7 𝜇8 𝜇....
Entonces,
𝜆𝑛−1
𝑃𝑛 = 𝑃
𝜇𝑛 𝑛−1
𝜆 10
𝑃1 = ( 0 ) 𝑃0 = ( ) 𝑃0 = 2𝑃0
𝜇1 5
10 2
𝑃2 = ( ) 𝑃0 = 4𝑃0
5
10 3
𝑃3 = ( ) 𝑃0 = 8𝑃0
5
10 3 10
𝑃4 = ( ) ( ) 𝑃0 = 8𝑃0
5 10
10 3 10 2
𝑃5 = ( ) ( ) 𝑃0 = 8𝑃0
5 10
10 3 10 3
𝑃6 = ( ) ( ) 𝑃0 = 8𝑃0
5 10
Página 19 de 82
10 3 10 3 10 𝑛−6 2 𝑛−6
𝑃𝑛 = ( ) ( ) ( ) 𝑃0 = 8( ) 𝑃0 , para n= 7, 8, …..
5 10 15 3
El valor de 𝑃0 se determina con la ecuación
2 2 2 2 3
𝑃0 + 𝑃0 {2 + 4 + 8 + 8 + 8 + 8 + 8 ( ) + 8 ( ) + 8 ( ) +. . . . . . } = 1
3 3 3
Se aplica la formula de la suma de una serie geométrica:
1
∑∞ 𝑖
𝑖=0 𝑋 = , |𝑋| < 1
1−𝑋
Para obtener
1
𝑃0 {31 + 8 ( 2 )} = 1
1−
3
1
En consecuencia, 𝑃0 =
55
Conocido 𝑃0 ya se puede determinar cualquier probabilidad del problema, asi:

1 2
𝑃1 = 2𝑃0 = 2 ( ) =
55 55
1 4
𝑃2 = 4𝑃0 = 4 ( )=
55 55
1 8
𝑃3 = 𝑃4 = 𝑃5 = 𝑃6 = 8𝑃0 = 8 ( )=
55 55
Por ejemplo, la probabilidad de que solo haya una caja o cajera abierta se calcula como la de que haya entre 1 y 3 clientes
en el sistema, esto es
1
(𝑃1 + 𝑃2 + 𝑃3 )𝑃0 = (2 + 4 + 8) ( ) ≈ 0.255
55
Tambien usamos 𝑃𝑛 para determinar medidas de funcionamiento, o de eficiencia. Por ejemplo:
(𝐶𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑐𝑎𝑗𝑒𝑟𝑎𝑠 𝑣𝑎𝑐𝑖𝑎𝑠) = 3𝑃0 + 2(𝑃1 + 𝑃2 + 𝑃3 ) + 1(𝑃4 + 𝑃5 + 𝑃6 ) + 0(𝑃7 + 𝑃8 +. . . )

= 1 𝑐𝑎𝑗𝑒𝑟𝑎
Ejemplo 2. Una tienda de abarrotes tiene una sola caja de salida, atendida por un cajero que también hace las veces de
empacador cuando no hay demasiados clientes. Los clientes llegan a la caja según un proceso poissoniano, a una tasa
media de 30 por hora. El tiempo que el cajero necesita para obtener el monto de las compras de un cliente, empacar la
mercancía y cobrar se distribuye exponencialmente, con una media de 2 minutos. Siempre que hay 3 o mas clientes en
la caja (incluido aquel a quien se está atendiendo), un segundo empleado en la tienda tiene ordenes de ayudar al cajero
a empacar las ventas. Cuando los dos empleados trabajan juntos, el tiempo de servicio para un cliente sigue
Página 20 de 82
distribuyéndose exponencialmente, pero con una media de 1 minuto. Determínense: a) el número promedio de clientes
que se encuentran simultáneamente en la caja de salida; b) tiempo que un cliente debería esperar permanecer en la caja
de salida, y c) tiempo que un cliente debería esperar permanecer en la fila, antes de que se calcule el monto de sus
compras.
Solucion:
Durante todo el proceso la tasa de llegadas permanece independiente del estado, siendo 𝜆𝑛 = λ = 30 clientes/hora. No
obstante, los tiempos del servicio dependen del estado. Cuando hay menos de 3 clientes en la caja de salida, el tiempo
medio de servicio es de 2 minutos; entonces, la tasa media de servicio es 30 clientes/hora. Cuando hay 3 o mas clientes
en la caja, el tiempo promedio de servicio es de 1 minuto; ahí la tasa media de servicio aumenta a 60 clientes/hora.
Entonces,
30 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎 𝑠𝑖 𝑛 = 1,2
𝜇𝑛 = { }
60 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎 𝑠𝑖 𝑛 = 3,4, . . .
Notamos que, cuando una nueva llegada cambia el estado del sistema de 2 a 3, el cliente en servicio se ve sujeto
instantáneamente a una nueva distribución exponencial (propiedad de falta de memoria).
Se tiene que:
𝜆𝑛−1
𝑃𝑛 = 𝑃
𝜇𝑛 𝑛−1
𝜆0 30
𝑃1 = 𝑃 = 𝑃 = 𝑃0
𝜇1 0 30 0
𝜆1 30
𝑃2 = 𝑃 = 𝑃 = 𝑃0
𝜇2 1 30 0
𝜆2 30 1
𝑃3 = 𝑃2 = 𝑃0 = 𝑃0
𝜇3 60 2
𝜆3 30 1 1 2
𝑃4 = 𝑃3 = ( 𝑃0 ) = ( ) 𝑃0
𝜇4 60 2 2
Y en general,
1 𝑛−2
𝑃𝑛 = ( ) 𝑃0 (n ≥ 2)
2
Para obtener 𝑃0 se vuelve
1 𝑛−2
1 = ∑∞ ∞ ∞
𝑛=0 𝑃𝑛 = 𝑃0 + 𝑃1 + ∑𝑛=2 𝑃𝑛 = 2𝑃0 + ∑𝑛=2 ( ) 𝑃0
2
Obteniéndose 𝑃0 = 1/4 . Por esto
Página 21 de 82
1⁄
4 𝑝𝑎𝑟𝑎 𝑛 = 0,1
𝑃𝑛 = { 𝑛 }
(1⁄2) 𝑝𝑎𝑟𝑎 𝑛 = 2,3, . . .
La función generatriz para estas probabilidades es:
1 1 𝑧 𝑛 2+𝑧 +𝑧 2
𝐹(𝑧) = ∑∞ 𝑛
𝑛=0 𝑃𝑛 𝑧 = + 𝑧 + ∑∞
𝑛=2 ( ) =
4 4 2 8−4𝑧
a) el número promedio de clientes que se encuentran simultáneamente en la caja de salida o en el sistema.
𝑑𝐹 28
𝐿 = ∑∞
𝑛=0 𝑛𝑃𝑛 = ( | ) = = 1.75 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒𝑛 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑑𝑧 𝑧=1 16
b) Tiempo que un cliente debería esperar permanecer en la caja de salida o en el sistema
Ya que 𝜆̿ = λ = 30 clientes/hora y por la ley de Little L = λW, entonces:
𝐿 1.75
𝑊= = = 0.05833 ℎ𝑜𝑟𝑎𝑠 = 3.5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 30
c) Tiempo que un cliente debería esperar permanecer en la fila, antes de que se calcule el monto de sus compras.
Debido a que el empacador y el cajero trabajan juntos, el número de servidores depende del estado en 𝑆𝑛 = 1. Entonces,
∞
𝐿𝑞 = ∑(𝑛 − 1)𝑃𝑛 = 𝐿 − (1 − 𝑃0 ) = 1.75 − 0.75 = 1 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑙𝑖𝑛𝑒𝑎 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜

𝑛=2
y
𝐿𝑞 1
𝑊𝑞 = ̿ = 30
= 0.033333ℎ𝑜𝑟𝑎𝑠 = 2 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑑𝑒𝑏𝑒 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑙𝑎 𝑙𝑖𝑛𝑒𝑎 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎
𝜆
Observamos también que el tiempo promedio de servicio por cliente es:
𝑊 − 𝑊𝑞 = 3.5 − 1 = 1.5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
Ejemplo 3. Una pequeña tienda tiene dos dependientes o servidores, cada uno de ellos es capaz de atender a los clientes
a una tasa promedio de 60 clientes/hora; los tiempos reales de servicio se distribuyen exponencialmente. La capacidad
de la tienda es de 5 clientes, no permitiéndose la espera en el exterior. Los clientes llegan a la tienda de acuerdo a un
proceso poissoniano, con una tasa promedio de llegadas que depende del numero de personas que esta en la tienda, de
la manera siguiente:
Página 22 de 82
Numero en la tienda (n) 0 1 2 3 4 5

Tasa promedio de llegadas (clientes/hora) 100 110 120 140 170 200
𝜆𝑛 𝜆0 𝜆1 𝜆2 𝜆3 𝜆4 𝜆5
Tasa promedio de servicio (clientes/hora) 120 120 120 120 120
𝜇𝑛 𝜇1 𝜇2 𝜇3 𝜇4 𝜇5
Determínense: a) el numero esperado de clientes simultáneos en la tienda; b) el tiempo esperado que un cliente deberá
esperar por el servicio y c) la tasa estimada a la cual se pierden los clientes, debido a lo limitado de las instalaciones.
Calculamos las probabilidades:
𝜆0 100 5
𝑃1 = 𝑃0 = 𝑃0 = 𝑃0
𝜇1 120 6
𝜆1 110 5 55
𝑃2 = 𝑃 = ( 𝑃)= 𝑃
𝜇2 1 120 6 0 72 0
𝜆2 120 55 55
𝑃3 = 𝑃2 = ( 𝑃0 ) = 𝑃
𝜇3 120 72 72 0
𝜆3 140 55 385
𝑃4 = 𝑃3 = ( 𝑃0 ) = 𝑃
𝜇4 120 72 432 0
𝜆4 170 385 6545

𝑃5 = 𝑃4 = ( 𝑃0 ) = 𝑃
𝜇5 120 432 5184 0
1 = ∑ 𝑃𝑛 = 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 + 𝑃5
𝑛=0
5
5 55 55 385 6545
1 = ∑ 𝑃𝑛 = 𝑃0 + 𝑃0 + 𝑃0 + 𝑃0 + 𝑃0 + 𝑃
6 72 72 432 5184 0
𝑛=0
5 55 55 385 6545
1 = 𝑃0 {1 + + + + + }
6 72 72 432 5184
28589
1 = 𝑃0 { }
5184
Página 23 de 82
5184
𝑃0 = =0.1813
28589
5
𝑃1 = 𝑃 = 0.1511
6 0
55
𝑃2 = 𝑃 = 0.1385
72 0
55
𝑃3 = 𝑃 = 0.1385
72 0
385
𝑃4 = 𝑃 = 0.1615
432 0
6545
𝑃5 = 𝑃 = 0.2291
5184 0
a) el numero esperado de clientes simultáneos en la tienda
𝐿 = ∑5𝑛=1 𝑛𝑃𝑛 = 1 × 0.1511 + 2 × 0.1385 + 3 × 0.1385 + 4 × 0.1615 + 5 × 0.2291 =

2.64 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
b) el tiempo esperado que un cliente deberá esperar por el servicio

̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿̿
5
̿
𝜆 = ∑ 𝜆𝑛 𝑃𝑛 = 𝜆0 𝑃0 + 𝜆1 𝑃1 + 𝜆2 𝑃2 + 𝜆3 𝑃3 + 𝜆4 𝑃4 + 𝜆5 𝑃5
𝑛=0
𝜆̿ = ∑ 𝜆𝑛 𝑃𝑛 = 100 × 0.1813 + 110 × 0.1511 + 120 × 0.1385 + 140 × 0.1385 + 170 × 0.1615 + 200 × 0.2291
𝑛=0
𝜆̿ = 144 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎 = 2.4 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/𝑚𝑖𝑛𝑢𝑡𝑜
5
𝐿𝑞 = ∑∞
𝑛=𝑆+1(𝑛 − 𝑆)𝑃𝑛 = ∑𝑛=3(𝑛 − 2)𝑃𝑛 = 1𝑃3 + 2𝑃4 + 3𝑃5
𝐿𝑞 = 1(0.1385) + 2(0.1615) + 3(0.2291) = 1.15 clientes en espera
𝐿𝑞 1.15 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑊𝑞 = ̿
= = 0.48 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 espera un cliente
𝜆 2.4 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/𝑚𝑖𝑛𝑢𝑡𝑜
Página 24 de 82
c) La tasa estimada a la cual se pierden los clientes, debido a lo limitado de las instalaciones
𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = 𝜆̿𝑃5 = (144 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎)(0.2291) ≈ 33 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎 se pierden
MODELOS DE COLAS DE POISSON ESPECIALIZADAS
La figura ilustra la situación de colas de Poisson especializadas con “c” o “S” servidores paralelos. Se selecciona un cliente
de la cola para iniciar el servicio con el primer servidor disponible. La tasa de llegadas al sistema es de λ clientes por
unidad de tiempo. Todos los servidores paralelos son idénticos, es decir que la tasa de servicio de cualquier servidor es
de 𝜇 clientes por unidad de tiempo. La cantidad de clientes en el sistema se define para incluir los que están en el servicio
y los que están en la cola.
Para definir los modelos de colas markovianas vamos a utilizar la notación de Lee que es la más conveniente para resumir
las características de la situación de colas de la figura se da mediante el siguiente formato:
donde
a = Distribución de las llegadas
b = Distribución de las salidas (tiempo de servicio)
c = Cantidad de servidores paralelos (1,2,…,∞)
d = Disciplina en las colas
e = Número máximo (finito o infinito) permitido en el sistema (haciendo cola o en servicio)
f =Tamaño de la fuente solicitante (finita o infinita)
Medidas de desempeño de estado estable
Las medidas de desempeño más comúnmente utilizadas en una situación de colas son
𝐿 = 𝐿𝑠 = Cantidad esperada de clientes en un sistema (usaremos L)
Página 25 de 82
𝐿𝑞 = Cantidad esperada de clientes en una cola
𝑊 = 𝑊𝑠 = Tiempo de espera en el sistema (usaremos W)
𝑊𝑞 = Tiempo de espera anticipado en la cola
𝑐̅ = Cantidad esperada de servidores ocupado
También incluiremos
𝜆𝑒𝑓𝑒𝑐𝑡𝑖𝑣𝑜 = Los clientes que realmente entran al sistema
𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = Los clientes que se pierden
c=S = Numero de servidores en paralelo (usaremos S)
El sistema incluye tanto la cola como las instalaciones de servicio.
En este apartado, vamos a deducir las medidas de eficiencia en estado estable bajo el enfoque markoviano, es decir colas
markovianas, para el caso de colas generalizadas, a partir de las probabilidades de estado estable 𝑃𝑛 . En forma específica,
𝐿 = ∑∞
𝑛=1 𝑛𝑃𝑛
𝐿𝑞 = ∑∞
𝑛=𝑐+1(𝑛 − 𝑆)𝑃𝑛
La relación entre L y W (también 𝐿𝑞 𝑦 𝑊𝑞 se llama formula de Little, y es la siguiente:

𝐿 = 𝜆𝑒𝑓 𝑊
𝐿𝑞 = 𝜆𝑒𝑓 𝑊𝑞
Estas relaciones son válidas en condiciones más bien generales. El parámetro 𝜆𝑒𝑓 es la tasa de llegadas efectiva al sistema.
Es igual a la tasa de llegadas λ (nominal) cuando todos los clientes que llegan pueden unirse al sistema. De lo contrario,
si algunos clientes no pueden unirse porque el sistema está lleno (por ejemplo, un estacionamiento), entonces 𝜆𝑒𝑓 < 𝜆.
Más adelante se demuestra cómo se determina 𝜆𝑒𝑓 .
También hay una relación directa entre W y 𝑊𝑞 . Por definición,
(𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎)

= (𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎) + (𝑇𝑖𝑒𝑚𝑝𝑜 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜)
Esto se traduce a
1
𝑊 = 𝑊𝑞 +
𝜇
También, se puede relacionar L con 𝐿𝑞 , 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑎𝑚𝑏𝑜𝑠 𝑙𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑢𝑙𝑡𝑖𝑚𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑝𝑜𝑟 𝜆𝑒𝑓 y junto con la
formula de Little se obtiene
𝜆𝑒𝑓
𝐿 = 𝐿𝑞 +
𝜇
Por definición, la diferencia entre la cantidad promedio de clientes en el sistema L y la cantidad promedio de clientes en
Página 26 de 82
la cola 𝐿𝑞 , debe ser igual a la cantidad promedio de servidores ocupados, с. Entonces,
𝜆𝑒𝑓
𝑐̅ = 𝐿 − 𝐿𝑞 =
𝜇
Por lo anterior, entonces,
𝑐̅
(𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑠𝑡𝑎𝑙𝑎𝑐𝑖𝑜𝑛 ) =
𝑆
Ejemplo. El estacionamiento para visitantes en el Colegio Ozark se limita a sólo 5 espacios. Los autos que utilizan estos
espacios llegan de acuerdo con una distribución de Poisson a razón de 6 por hora. El tiempo de estacionamiento está
distribuido exponencialmente con una media de 30 minutos de promedio. Los visitantes que no pueden encontrar un
espacio vacío pueden esperar temporalmente en el estacionamiento hasta que un auto estacionado salga. El espacio
temporal tiene cabida sólo para 3 autos. Otros vehículos que no pueden estacionarse o encontrar un espacio de espera
temporal deben irse a otra parte. Determine lo siguiente:
(a) La probabilidad, 𝑃𝑛 , de que haya n autos en el sistema.

(b) La tasa de llegadas efectiva de los autos que por lo general utilizan el estacionamiento.
(c) El promedio de autos en el estacionamiento.
(d) El tiempo promedio que un auto espera un espacio de estacionamiento.
(e) El promedio de espacios de estacionamiento ocupados.
(f) La utilización promedio del estacionamiento.
Observamos primero que un espacio de estacionamiento actúa como un servidor, de modo que el sistema cuenta con un
total de c= 5 servidores paralelos. Asimismo, la capacidad máxima del sistema es 5 + 3 = 8 autos.
La probabilidad 𝑃𝑛 puede determinarse como un caso especial del modelo generalizado poisson. En forma específica se
tiene que
𝜆𝑛 = 6 automóviles por hora, n = 0, 1, 2, …,8
60
𝑛 ( ) = 2𝑛 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠/ℎ𝑜𝑟𝑎 , 𝑛 = 1,2, . . . ,5
𝜇𝑛 = { 30 }
60
5 ( ) = 10 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠/ℎ𝑜𝑟𝑎, 𝑛 = 6, 7, 8
30
De acuerdo al modelo generalizado poisson,
3𝑛
𝑃0 , 𝑛 = 1,2, . ,5
𝑃𝑛 = { 𝑛! 𝑛 }
3
𝑃0 , 𝑛 = 6,7,8
5! 5𝑛−5
El valor de 𝑃0 se calcula sustituyendo 𝑃𝑛 , 𝑛 = 1, 2, . . . ,8, en la siguiente ecuación:

𝑃0 + 𝑃1 +. . . . +𝑃8 = 1
Página 27 de 82
Es decir,
3 32 33 3 4 35 36 37 38
𝑃0 + 𝑃0 ( + + + + + + 2
+ )=1
1! 2! 3! 4! 5! 5! 5 5! 5 5! 53
Esto da como resultado 𝑃0 = 0.04812. A partir de 𝑃0 ya se pueden calcular 𝑃1 𝑎 𝑃8 y los resultados son
n 1 2 3 4 5 6 7 8
𝑃𝑛 0.14436 0.21654 0.21654 0.16240 0.09744 0.05847 0.03508 0.02105
La tasa de llegadas efectiva 𝜆𝑒𝑓 se calcula observando el diagrama esquemático en la figura, donde los clientes llegan de
la fuente a razón de λ autos por hora. Un auto que llega puede entrar al estacionamiento a la razón 𝜆𝑒𝑓 o puede irse a
otra parte a la razón 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 . Esto quiere decir que 𝜆 = 𝜆𝑒𝑓 + 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 .
Un auto no podrá entrar al estacionamiento si ya entraron 8 automoviles. Esto significa que la proporción de autos que
no podrán entrar al estacionamiento es 𝑃8 . Por lo tanto,
𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = 𝜆𝑃8 = 6 × 0.02105 = 0.1263 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎
𝜆𝑒𝑓 = 𝜆 − 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = 6 − 0.1263 = 5.737 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎
El promedio de autos en el estacionamiento (los que esperan que se desocupe un espacio) es igual a L, el promedio en el
sistema. Podemos calcular L con 𝑃𝑛 como
Página 28 de 82
𝐿 = 0𝑃0 + 1𝑃1 +. . . +8𝑃8 = 3.1286 𝑎𝑢𝑡𝑜𝑠
Un auto que espera en el espacio temporal es en realidad un auto que está haciendo cola. Por lo tanto, su tiempo de
espera hasta que encuentra un espacio es 𝑊𝑞 . Para determinar 𝑊𝑞 usamos
1
𝑊𝑞 = 𝑊 −
𝜇
𝐿 3.1286
𝑊= = = 0.53265 hora
𝜆𝑒𝑓 5.8737
𝑊𝑞 = 0.53265 − 1/2 = 0.03265 ℎ𝑜𝑟𝑎

El promedio de espacios de estacionamiento ocupados es igual al promedio de servidores ocupados,
𝜆𝑒𝑓 5.8737
𝑐̅ = 𝐿 − 𝐿𝑞 = = = 2.9368 𝑒𝑠𝑝𝑎𝑐𝑖𝑜𝑠
𝜇 2
A partir de 𝑐̅ obtenemos
𝑐̅ 2.9368
Uso del lote de estacionamiento = = = 0.58736
𝑐 5
MODELO (M/M/1):(DG/∞/∞) notacion Kendall-Lee = M/M/1/∞/FIFO notacion kendall
Descripcion del modelo: Tasa de llegada Poisson, Tasa de servicio exponencial, un servidor, capacidad del sistema
infinita y orden de atención fifo
𝜆
Factor de utilización թ=
𝜇
թ 𝜆
Numero de clientes en el sistema 𝐿 = 𝜆𝑊 = =
(1 − թ) (𝜇 − 𝜆)
թ2 𝜆2 𝜆
Numero de clientes en la línea de espera 𝐿𝑞 = 𝜆𝑊𝑞 = = =𝐿−
(1 − թ) 𝜇(𝜇 − 𝜆) 𝜇
𝐿 1 1
Tiempo que permanece un cliente en el sistema 𝑊= = =
𝜆 𝜇(1 − թ) 𝜇 − 𝜆
𝐿𝑞 թ թ 𝜆
Tiempo permanencia cliente en la cola 𝑊𝑞 = = = =
𝜆 𝜇(1 − թ) 𝜇 − 𝜆 𝜇(𝜇 − 𝜆)
Probabilidad de que un cliente permanezca mas de t 𝑡
unidades de tiempo en el sistema 𝑊(𝑡) = 𝑒 − ⁄𝑤
Probabilidad de que un cliente permanezca mas de t 𝑡

𝑊𝑞 (𝑡) = թ𝑒 − ⁄𝑤
unidades de tiempo en cola
𝜆
Probabilidad de que el sistema este vacio 𝑃0 = 1 − թ = 1 −
𝜇
Probabilidad de n clientes en el sistema 𝑃𝑛 = (1 − թ)թ𝑛
La probabilidad de que el número de clientes en el 𝜆 𝐾+1
sistema sea mayor que k, Pn>k: 𝑃𝑛>𝐾 = ( )
𝜇
Página 29 de 82
Ejemplo. Caso del taller de silenciadores. El mecánico de un taller de silenciadores, Oscar Zareck, es capaz de instalar
nuevos silenciadores a una tasa promedio de 3 por hora siguiendo una distribución exponencial, o aproximadamente 1
cada 20 minutos. Los clientes que necesitan el servicio llegan al taller a un promedio de 2 por hora siguiendo una
distribución poisson. Pedro Bishop, el dueño del taller estudió modelos de colas en un programa de maestría en
administración de negocios y siente que se cumplen todas las siete condiciones para el modelo de un solo servidor.
Entonces, procede a calcular los valores numéricos de las características de operación anteriores.
λ = 2 clientes/hora
μ = 3 clientes/hora
Cálculo de las medidas de desempeño:
❖ Factor de utilización
𝜆 2
թ= = = 0.67 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑜 𝑚𝑒𝑐𝑎𝑛𝑖𝑐𝑜 𝑒𝑠𝑡𝑒 𝑜𝑐𝑢𝑝𝑎𝑑𝑜
𝜇 3
❖ Probabilidad de que el sistema este vacío (0 autos en el sistema)
𝑃0 = 1 − թ = 1 − 0.67 = 0.33
❖ Numero promedio de autos que permanecen en el sistema (en cola mas servicio)
𝜆 2
𝐿 = = = 2 𝑎𝑢𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
(𝜇 − 𝜆) 3 − 2
❖ Tiempo promedio que permanece un auto en el sistema (en cola mas servicio)
1 1
𝑊= = = 1 ℎ𝑜𝑟𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑎𝑠𝑎 𝑒𝑙 𝑎𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜇−𝜆 3−2
❖ Numero promedio de autos que permanecen en la línea de espera o cola
𝜆2 (2)2
𝐿𝑞 = = = 1.33 𝑎𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑛 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑓𝑖𝑙𝑎 𝑜 𝑐𝑜𝑙𝑎
𝜇(𝜇 − 𝜆) 3(3 − 2)
❖ Tiempo promedio que permanece un auto en la línea de espera o cola
𝜆 2 2
𝑊𝑞 = = = 𝑑𝑒 ℎ𝑜𝑟𝑎 = 40 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑜𝑟 𝑎𝑢𝑡𝑜
𝜇(𝜇 − 𝜆) 3(3 − 2) 3
Página 30 de 82
COSTOS EN LAS LINEAS DE ESPERA

La mayoría de los problemas de líneas de espera se centran en la cuestión de encontrar el nivel ideal de servicio que
debería proporcionar una empresa. Los supermercados deben decidir cuántas cajas registradoras tener abiertas. Las
estaciones de gasolina tienen que decidir cuántas bombas de servicio abrir y cuántos empleados asignar al turno. Las
plantas de manufactura deben determinar el número óptimo de mecánicos que tienen que cubrir cada turno, para
reparar las máquinas que se descomponen.
Los bancos deberán decidir cuántas ventanillas o cajas mantener funcionando para atender a los clientes durante los
diversos horarios del día. En la mayoría de los casos, este nivel de servicio es una opción sobre la cual la administración
tiene cierto control. Un cajero adicional, por ejemplo, se podría tomar prestado de otra actividad, o bien, contratar y
entrenar rápidamente si la demanda así lo requiere. Sin embargo, tal vez este no siempre sea el caso. Una planta quizá
no sea capaz de localizar o contratar a mecánicos con habilidades para reparar maquinaria electrónica avanzada.
Cuando una organización en verdad tiene el control, por lo general, su objetivo es encontrar un feliz punto medio entre
los dos extremos. Por un lado, una organización puede tener un gran número de personal y ofrecer muchas instalaciones
de servicio. Tales factores suelen dar como resultado un excelente servicio al cliente, y que rara vez haya más de una o
dos personas en una cola. Los clientes se mantienen contentos con la respuesta rápida y aprecian la comodidad. Sin
embargo, esto quizá resulte demasiado costoso.
El otro extremo es tener el mínimo número posible de cajas registradoras, bombas de gasolina o ventanillas abiertas, lo
cual reduce el costo del servicio, aunque podría resultar en la insatisfacción en los clientes. ¿Cuántas veces regresaría
usted a un gran almacén de descuento que cuenta con tan solo una sola caja registradora abierta en el día que va de
compras? Conforme aumenta la longitud promedio de la cola, y como resultado se da un servicio deficiente, se podrían
perder clientes y su buena voluntad.
La mayoría de los gerentes reconoce que se debe alcanzar el equilibrio entre el costo de dar un buen servicio y el costo
del tiempo de espera de los clientes. Quieren colas que sean lo suficientemente cortas como para que los clientes no se
sientan insatisfechos y se vayan enfadados sin haber comprado, o que compren pero que jamás regresen. Sin embargo,
están dispuestos a hacerlos pasar algún tiempo en la fila de espera, si ello se equilibra con ahorros significativos en los
costos del servicio.
Página 31 de 82
Los costos en la línea de espera se definen así:

El costo total del servicio es:
Costo total del servicio = (número de servidores)(costo por servidor)
Costo total del servicio = S𝐶𝑆

Donde:
S = Numero de servidores
𝐶𝑆 = Costo del servicio (costo de mano de obra) de cada servidor
Cuando el costo del tiempo de espera se basa en el tiempo en el sistema, el costo de espera es:
Costo total de espera = (Tiempo total pasado en espera por todas las llegadas) (costo de la espera)
Costo total de espera = (Número de llegadas) (Espera promedio por llegada) (costo de la espera)
Costo total de espera en el sistema = (𝜆𝑊)𝐶𝑊

Donde:
𝐶𝑊 = Costo de la espera
Si el costo del tiempo de espera se basa en el tiempo en la cola, entonces:
Costo total de espera en la cola = (𝜆𝑊𝑞 )𝐶𝑊
Estos costos se basan en cualesquiera unidades de tiempo (frecuentemente horas) que se utilicen para determinar λ.
Cuando se suma el costo del servicio total con el costo de espera total, se obtiene el costo total del sistema de colas.
Cuando el costo de espera se basa en el tiempo en el sistema, esto es:
Costo total = Costo total de servicio + Costo total de espera
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 = S𝐶𝑆 + (𝜆𝑊)𝐶𝑊
Cuando el costo de espera se basa en el tiempo en la cola es:
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 = S𝐶𝑆 + (𝜆𝑊𝑞 )𝐶𝑊
A veces se busca determinar el costo diario y, entonces, simplemente se encuentra el número total de llegadas por día.
Página 32 de 82
Ejemplo. Retomando el caso del taller de silenciadores. El mecánico de un taller de silenciadores, Oscar Zareck, es capaz
de instalar nuevos silenciadores a una tasa promedio de 3 por hora siguiendo una distribución exponencial, o
aproximadamente 1 cada 20 minutos. Los clientes que necesitan el servicio llegan al taller a un promedio de 2 por hora
siguiendo una distribución poisson. Pedro Bishop, el dueño del taller estudió modelos de colas en un programa de
maestría en administración de negocios y siente que se cumplen todas las siete condiciones para aplicar el modelo
(M/M/1):(DG/∞/∞) ó M/M/1/∞/FIFO . Entonces, procede a calcular los valores numéricos de las características de
operación anteriores.
λ = 2 autos que llegan por hora

μ = 3 autos atendidos por hora

𝜆 2
թ = = = 0.67 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑜 𝑚𝑒𝑐𝑎𝑛𝑖𝑐𝑜 𝑒𝑠𝑡𝑒 𝑜𝑐𝑢𝑝𝑎𝑑𝑜
𝜇 3
𝑃0 = 1 − թ = 1 − 0.67 = 0.33
𝜆 2
(𝜇 − 𝜆) 3 − 2
1 1
𝑊= = = 1 ℎ𝑜𝑟𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑎𝑠𝑎 𝑒𝑙 𝑎𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜇−𝜆 3−2
𝜆2 (2)2
𝐿𝑞 = = = 1.33 𝑎𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑛 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑓𝑖𝑙𝑎 𝑜 𝑐𝑜𝑙𝑎
𝜇(𝜇 − 𝜆) 3(3 − 2)
𝜆 2 2
𝜇(𝜇 − 𝜆) 3(3 − 2) 3
Pedro Bishop, el dueño del taller está considerando hacer un estudio de costos de espera. Comparando los costos de
trabajar con el mecánico que tiene actualmente Oscar Zareck o trabajar con otro mecánico llamada Peter Russ. Para lo
cual dispone de la siguiente información:
Pedro Bishop, el dueño del taller, estima que el costo del tiempo de espera de los clientes, en términos de insatisfacción
Página 33 de 82
de estos y la pérdida de buena voluntad, es de $50 por hora del tiempo que esperan en la fila. (Después de que los
automóviles de los clientes están en reparación, a los clientes parece no importarles la espera). Debido a que en promedio
un auto espera 2/3 de hora y aproximadamente se atienden 16 autos por día (2 por hora multiplicados por 8 horas de
trabajo diarias), el número total de horas que los clientes pasan esperando que se instalen sus silenciadores cada día
2⁄ × 16 = 32⁄ . o bien, 10 2⁄ horas, empleando al mecánico Oscar Zareck. Por lo tanto, en este caso:
3 3 3
Costos utilizando el mecánico Oscar Zareck:
Costo total de espera en la cola diario =(8 ℎ𝑜𝑟𝑎𝑠 𝑝𝑜𝑟 𝑑𝑖𝑎)(𝜆𝑊𝑞 )𝐶𝑊 = (8)(2)(2⁄3)($50) = $533.33
El único costo adicional que Pedro Bishop (dueño del taller) puede identificar en esta situación de colas es el sueldo del
mecánico Oscar Zareck. A Zareck le pagan $15 dólares por hora:
Costo total del servicio diario = (8 horas por día) S𝐶𝑆 = 8(1)($15) = $120
Como está configurado actualmente, el costo total diario del sistema es el total del costo de espera y el costo de servicio,
de lo que se obtiene:
Costo total diario del sistema de colas =$533.33 + $120 = $653.33 por dia
Ahora hay que tomar una decisión. Pedro Bishop se entera a través de sus contactos de negocios de que un competidor
que se encuentra al otro lado de la ciudad, Jhon Stanford, emplea a un mecánico llamado Peter Russ, quien puede instalar
eficientemente silenciadores nuevos a un ritmo de 4 por hora. Pedro Bishop contacta a Russ y le pregunta si le interesaría
cambiar de empleo. Russ dice que consideraría dejar a Jhon Stanford, tan solo si se le pagara un salario de $20 por hora.
Bishop, que es un hombre de negocios hábil, decide que probablemente valga la pena despedir a Zareck y reemplazarlo
Con Russ, quien es tanto más rápido como más caro. Bishop decide calcular nuevamente todas las características de la
operación con una nueva tasa de servicio de 4 silenciadores por hora (mecánico Peter Russ).
Medidas de desempeño y costos utilizando el mecánico Peter Russ

λ = 2 autos que llegan por hora
μ = 4 autos atendidos por hora
𝜆 2
թ= = = 0.5 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑞𝑢𝑒 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑜 𝑚𝑒𝑐𝑎𝑛𝑖𝑐𝑜 𝑒𝑠𝑡𝑒 𝑜𝑐𝑢𝑝𝑎𝑑𝑜
𝜇 4
Página 34 de 82
𝑃0 = 1 − թ = 1 − 0.5 = 0.5
𝜆 2
(𝜇 − 𝜆) 4 − 2
1 1 1
𝑊= = = ℎ𝑜𝑟𝑎 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑎𝑠𝑎 𝑒𝑙 𝑎𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜇−𝜆 4−2 2
𝜆2 (2)2 1
𝐿𝑞 = = = 𝑎𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑛 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑙𝑎 𝑓𝑖𝑙𝑎 𝑜 𝑐𝑜𝑙𝑎
𝜇(𝜇 − 𝜆) 4(4 − 2) 2
𝜆 2 1
𝜇(𝜇 − 𝜆) 4(4 − 2) 4
Es bastante claro que la velocidad de Russ dará como resultado colas y tiempos de espera considerablemente más cortos.
Por ejemplo, un cliente ahora pasaría un promedio de 1/2 hora en el sistema y 1/4 de hora esperando en la cola, en
comparación con 1 hora en el sistema y de 2/3 hora en la cola con Zareck como mecánico. El costo diario de tiempo de
espera total, si emplea a Russ como mecánico sería:
Costo total de espera en la cola diario =(8 ℎ𝑜𝑟𝑎𝑠 𝑝𝑜𝑟 𝑑𝑖𝑎)(𝜆𝑊𝑞 )𝐶𝑊 = (8)(2)(1⁄4)($50) = $200
Observamos que el tiempo total que los 16 clientes pasan en espera por día es ahora de:
(16 autos por día)×(1/4 de hora por auto) = 4 horas
En vez de las 10.67 horas con Zareck. En consecuencia, la espera es mucho menos de la mitad de lo que era antes, aunque
la tasa de servicio tan solo cambio de 3 a 4 por hora. El costo del servicio aumentara debido al salario más alto, pero el
costo general bajara, como se observa aquí:
Costo total del servicio diario de Russ = (8 horas por día) S𝐶𝑆 = 8(1) ($20) = $160
Costo total diario del sistema de colas =Costo de espera + Costo de servicio = $200 + $160 = $360 por día
Puesto que el costo total diario esperado con Zareck como mecánico era de $653.33. Muy probablemente Pedro Bishop
decida contratar a Russ y reducir sus costos en $653.33 − $360 = $293.33 por día.
Página 35 de 82
MODELO (M/M/1):(DG/𝐍/∞) notacion Kendall-Lee = M/M/1/𝐍/FIFO notacion kendall

Descripcion del modelo: Tasa de llegada Poisson, Tasa de servicio exponencial, un servidor, capacidad del sistema finita
y orden de atención fifo
𝜆
𝜇
թ (𝑁 + 1)թ𝑁+1
𝐿 = − 𝑝𝑎𝑟𝑎 թ ≠ 1
Numero de clientes en el sistema 1−թ 1 − թ𝑁+1
𝐿 = 𝑁⁄2 𝑝𝑎𝑟𝑎 թ = 1
𝜆𝑒𝑓 𝜆(1 − 𝑃𝑁 )
Numero de clientes en la línea de espera 𝐿𝑞 = 𝜆𝑒𝑓 𝑊𝑞 = 𝐿 − =𝐿−
𝜇 𝜇
𝐿 𝐿
Tiempo que permanece un cliente en el sistema 𝑊= = 𝑊𝑞 + 1⁄𝜇 =
𝐿𝑞 𝐿𝑞
Tiempo permanencia cliente en la cola 𝑊𝑞 = = 𝑊 − 1⁄𝜇 =
թ𝑛 (1 − թ)
𝑃𝑛 = 𝑝𝑎𝑟𝑎 թ ≠ 1
1 − թ𝑁+1
Probabilidad de n clientes en el sistema
1
𝑃𝑛 = 𝑝𝑎𝑟𝑎 թ = 1
(𝑁 + 1)
La probabilidad de que un cliente no sea capaz de unirse
𝜆𝑒𝑓 = 𝜆(1 − 𝑃𝑁 ) = 𝜆 − 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜
al sistema es 𝑃𝑁 . Entonces 𝜆𝑒𝑓 se calcula asi:
El 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 se calcula asi: 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = 𝜆𝑃𝑁
Ejemplo. Una estación de servicio en un camino rural tiene solo una bomba para despachar gasolina. Los autos llegan a
comprar gasolina siguiendo un proceso poissoniano, con una tasa promedio de 10 autos/hora. Aparentemente el tiempo
necesario para dar servicio a un automóvil se distribuye exponencialmente, con una media de 2 minutos. En la estación
cabe un máximo de 4 automóviles y las leyes locales de transito prohíben que los autos esperen en la vía pública.
Determínese: a) el numero promedio de automóviles que se encuentran simultáneamente en la estación; b) el tiempo
que un cliente debe esperar para obtener servicio, una vez que logra entrar a la estación; c) la tasa promedio de perdida
de ingresos por aquellos clientes que se van a realizar su compra a otro lugar cuando la estación esta llena, si la venta
promedio es de $15 dolares.
λ = 10 autos/hora
μ = 30 autos/hora
𝜆 10 1
թ= = = ≠1
𝜇 30 3
a) el numero promedio de automóviles que se encuentran simultáneamente en la estación
Página 36 de 82
5
(𝑁 + 1)թ𝑁+1 1⁄ 1
𝐿 =
թ
− = 3 − 5( ⁄3) = 0.4793 𝑎𝑢𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
1 − 1⁄3 1 − (1⁄ )
1−թ 1−թ 𝑁+1 5
3
b) el tiempo que un cliente debe esperar para obtener servicio, una vez que logra entrar a la estación
Utilizamos la formula la tasa esperada de clientes dentro de las instalaciones de servicio. Sea b(n) la función de rechazo
relacionada con la probabilidad de que un cliente que llega rechace la idea de quedarse cuando hay n clientes en el
sistema. La probabilidad de que no haya rechazo por parte de un cliente que llega, es 1 – b(n). Si el patrón de llegadas a
las instalaciones de servicio es independiente del estado, con una tasa promedio de llegadas λ, entonces la tasa esperada
de clientes dentro de las instalaciones de servicio es 𝜆𝑛 = [1 − 𝑏(𝑛)]𝜆 𝑜 𝜆𝑒𝑓 = 𝜆(1 − 𝑃𝑁 ) = 𝜆 − 𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 , es decir, 𝜆𝑛
=𝜆𝑒𝑓 . Podemos asociar b(n) a la probabilidad de que el sistema este lleno, es decir, a su máxima capacidad 𝑃𝑁 . Por lo
tanto, calculamos 𝑃4 .
թ𝑛 (1 − թ)
𝑃𝑛 =
1 − թ𝑁+1
4
(1⁄3) (1 − 1/3)
𝑃4 = 5
= 0.008264
1 − (1⁄3)
Entonces, 𝜆̅ = 𝜆𝑒𝑓 = 10(1 − 0.008264) = 9.917 clientes por hora, lo cual representa la tasa promedio a lo cual los
automóviles efectivamente entran a la estación. Asi que
𝐿 0.4793
𝑊= = = 0.04833 ℎ𝑜𝑟𝑎𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒 𝑢𝑛 𝑎𝑢𝑡𝑜 𝑜 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
̅̅̅̅
𝜆 𝑒𝑓 9.917
1 1
𝑊𝑞 = 𝑊 − = 0.04833 − = 0.015 ℎ𝑜𝑟𝑎𝑠 = 54 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎 𝑢𝑛 𝑎𝑢𝑡𝑜 𝑒𝑛 𝑐𝑜𝑙𝑎
𝜇 30
c) la tasa promedio de pérdida de ingresos por aquellos clientes que se van a realizar su compra a otro lugar cuando la
estación está llena, si la venta promedio es de $15 dólares.
Se niega la entrada de los automóviles a una tasa promedio de
λ−𝜆̅ = 10 − 9.917 = 0.083 𝑎𝑢𝑡𝑜𝑠/ℎ𝑜𝑟𝑎
Así que la tasa promedio de ganancias perdidas es (15) (0.083) = $1.25 por hora.
Página 37 de 82
MODELO (M/M/S):(DG/∞/∞) notación Kendall-Lee = M/M/S/∞/FIFO notación Kendall
Descripcion del modelo: Tasa de llegada Poisson, Tasa de servicio exponencial, varios servidores en paralelo, capacidad
del sistema infinita y orden de atención fifo
𝜆
𝐶𝜇
𝜆 𝑆
𝜆𝜇 ( ) 𝜆
𝜇
𝐿 = (𝑃 ) +
(𝑆 − 1)! (𝑆𝜇 − 𝜆)2 0 𝜇
Numero de clientes en el sistema
𝜆
𝐿 = 𝐿𝑞 +
𝜇
𝑆 𝑆 թ𝑆+1 𝑃0
Numero de clientes en la línea de espera 𝐿𝑞 =
𝑆! (1 − թ)2
𝜆 𝑆
𝜇( ) 1
Tiempo que permanece un cliente en el sistema 𝜇
𝑊= 2
(𝑃0 ) +
(𝑆 − 1)! (𝑆𝜇 − 𝜆) 𝜇
𝐿𝑞
Tiempo permanencia cliente en la cola 𝑊𝑞 = = 𝑊 − 1⁄𝜇
𝜆
(𝑆թ)𝑛 𝑃0
𝑃𝑛 = 𝑝𝑎𝑟𝑎 1 ≤ 𝑛 ≤ 𝑆
𝑛!
Probabilidad de n clientes en el sistema 𝑆 𝑛
𝑆 թ 𝑃0
𝑃𝑛 = 𝑝𝑎𝑟𝑎 𝑛 ≥ 𝑆
𝑆!
𝑆−1 −1
1 𝜆 𝑛 1 𝜆 𝑆 𝑆𝜇
Probabilidad de que el sistema este vacio 𝑃0 = {[∑ ( ) ] + ( ) ( )}
𝑛! 𝜇 𝑆! 𝜇 𝑆𝜇 − 𝜆
𝑛=0
Probabilidad de que un cliente permanezca mas de t 𝑆թ𝑆 𝑃0 [1−𝑒 −𝜇𝑡(𝑆−1−𝑆թ) ]

𝑊(𝑡) = 𝑒 −𝜇𝑡 {1 + } para t ≥0
unidades de tiempo en el sistema 𝑆!(1−թ)(𝑆−1−𝑆թ)
Probabilidad de que un cliente permanezca mas de t (𝑆թ)𝑆 𝑃0

unidades de tiempo en cola
𝑊𝑞 (𝑡) = 𝑒 −𝑆𝜇𝑡(1−թ) para t ≥ 0
𝑆!(1−թ)
Ejemplo 1. Una pastelería tiene dos dependientes, cada uno de ellos es capaz de atender a 30 clientes/hora, con los
tiempos reales de servicio distribuidos exponencialmente. Los clientes llegan a la pastelería de acuerdo con un proceso
poissoiano, con una tasa media de 40 por hora. Determínese: a) La fracción de tiempo que un cierto dependiente este
ocioso, y b) la probabilidad de que haya mas de dos clientes esperando servicio en un momento dado.
μ = 30 clientes/hora
S = 2 servidores en paralelo
Página 38 de 82
a) La fracción de tiempo que un cierto dependiente este ocioso
Primero calculamos 𝑃0
−1 −1
𝑆−1
1 𝜆 𝑛 1 𝜆 𝑆 𝑆𝜇 1 40 0 1 40 1 1 40 2 2 × 30
𝑃0 = {[∑ ( ) ] + ( ) ( )} ={ ( ) + ( ) + ( ) ( )}
𝑛! 𝜇 𝑆! 𝜇 𝑆𝜇 − 𝜆 0! 30 1! 30 2! 30 2 × 30 − 40
𝑛=0
1
𝑃0 = = 0.2
5
𝜆 40 2
թ= = =
𝑆𝜇 2 × 30 3
Ahora calculamos 𝑃1 𝑦 𝑃2 .
1
(𝑆թ)1 𝑃0 (2 × 2⁄3) 4
𝑃1 = = =
1! 1! 15
2
(𝑆թ)2 𝑃0 (2 × 2⁄3) 8
𝑃2 = = =
2! 2! 45
La probabilidad de que independiente o servidor este ocioso se define asi:
1 1 1 4 1
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑢𝑛 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 𝑜𝑐𝑖𝑜𝑠𝑜 = 𝑃0 + 𝑃 = + ( )=
2 1 5 2 15 3
b) La probabilidad de que haya más de dos clientes esperando servicio en un momento dado.
1 4 8 16
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑛>2 = 1 − 𝑃0 − 𝑃1 − 𝑃2 = 1 − − − =
5 15 45 45
Ejemplo 2. Una estación ferroviaria suburbana tiene 5 teléfonos públicos. Durante las horas de más movimiento en la
tarde, las personas que desean realizar llamadas llegan a las casetas telefónicas siguiendo un proceso poissoniano, a una
tasa de 100 personas/hora. La duración promedio de una llamada es de 2 minutos, con la duración real distribuida
exponencialmente. Determínese: a) la cantidad de tiempo estimada que un individuo deberá esperar para hacer uso de
un teléfono, una vez que llega a las casetas; b) la probabilidad de que esta espera dure más de 1 minuto, y c) el numero
esperado de personas que hacen uso o esperan un teléfono.
Página 39 de 82
S=5
μ = 30 clientes/hora por cabina telefonica
𝜆 100 2
թ= = =
𝐶𝜇 5 × 30 3
−1 −1
𝑆−1
1 𝜆 𝑛 1 𝜆 𝑆 𝑆𝜇 1 100 0 1 100 1 1 100 2 1 100 3 1 100 4 1 100 5 5 × 30
𝑃0 = {[∑ ( ) ] + ( ) ( )} ={ ( ) + ( ) + ( ) + ( ) + ( ) + ( ) ( )}
𝑛! 𝜇 𝑆! 𝜇 𝑆𝜇 − 𝜆 0! 30 1! 30 2! 30 3! 30 4! 30 5! 30 5 × 30 − 100
𝑛=0
−1
10 10 50 500 1250 2500 2440 −1
𝑃0 = { + + + + + (3)} = ( ) ≈ 0.0332
3 3 27 81 243 729 81
a) la cantidad de tiempo estimada que un individuo deberá esperar para hacer uso de un teléfono, una vez que llega a
las casetas
6
𝑆 𝑆 թ𝑆+1 𝑃0 55 (2⁄3) (0.0332) 9.11
𝐿𝑞 = 2
= 2 = = 0.683 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎
(1
𝑆! − թ) 5! (1 − 2⁄3) 13.33
𝐿𝑞 0.683
𝑊𝑞 = = = 0.00683 ℎ𝑜𝑟𝑎𝑠 ≈ 24.6 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒 𝑒𝑛 𝑒𝑠𝑝𝑒𝑟𝑎 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒
𝜆 100
b) la probabilidad de que esta espera dure más de 1 minuto
5
(𝑆թ)𝑆 𝑃0 −𝐶𝜇𝑡(1−թ) (5 × 2⁄3) (0.0332) −5×0.5×1(1−2⁄ ) 13.66 −0.83333 13.66
𝑊𝑞 (1) = 𝑒 = 𝑒 3 = 𝑒 = (0.4346) = 0.1484
𝑆! (1 − թ) 5! (1 − 2⁄3) 40 40
La probabilidad de que la espera dure mas de 1 minuto es de aproximadamente el 14.84%.
c) el numero esperado de personas que hacen uso o esperan un teléfono.
𝜆 100
𝐿 = 𝐿𝑞 + = 0.683 + = 4.016 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒𝑛 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜇 30
Página 40 de 82
MODELO (M/M/S):(DG/N/∞), S ≤ N, notación Kendall-Lee = M/M/S/N/FIFO notación Kendall
Descripcion del modelo: Tasa de llegada Poisson, Tasa de servicio exponencial, varios servidores en paralelo, capacidad
del sistema finita y orden de atención fifo
𝜆
𝑆𝜇
𝐿 = 𝜆𝑊
Número de clientes en el sistema 𝜆
𝐿 = 𝐿𝑞 + = 𝐿𝑞 + (𝑆 − 𝐶̅ )
𝜇
Número de clientes en la línea de espera 𝐿𝑞 = [1 − թ𝑁−𝑆 − (1 − թ)(𝑁 − 𝑆)թ𝑁−𝑆 ]
𝑆! (1 − թ)2
𝐿 1
Tiempo que permanece un cliente en el sistema 𝑊= = 𝑊𝑞 +
𝜆 𝜇
𝐿𝑞
Tiempo permanencia cliente en la cola 𝑊𝑞 = = 𝑊 − 1⁄𝜇
𝜆
(𝑆թ)𝑛 𝑃0
𝑃𝑛 = 𝑝𝑎𝑟𝑎 𝑛 = 1,2, . . . , 𝐶
𝑛!
𝑆 𝑆 թ𝑛 𝑃0
Probabilidad de n clientes en el sistema 𝑃𝑛 = 𝑝𝑎𝑟𝑎 𝑛 = 𝑆 + 1, 𝑆 + 2, . . . , 𝑁
𝑆!
𝑃𝑛 = 0 𝑝𝑎𝑟𝑎 𝑛 = 𝑁 + 1, 𝑁 + 2, . ..
𝑆 −1
𝑆 𝑆 թ𝑆+1 (1 − թ𝑁−𝑆 ) (𝑆թ)𝑛
𝑃0 = { +∑[ ]} 𝑝𝑎𝑟𝑎 թ ≠ 1
𝑆! (1 − թ) 𝑛!
𝑛=0
Probabilidad de que el sistema este vacio
𝑆 −1
𝑆𝑆 𝑆𝑛
𝑃0 = { (𝑁 − 𝐶) + ∑ } 𝑝𝑎𝑟𝑎 թ = 1
𝑆! 𝑛!
𝑛=0
𝑆
Número estimado de servidores inactivos 𝐶̅ = ∑(𝑆 − 𝑛)𝑃𝑛

𝑛=0
𝜆𝑒𝑓 se calcula asi: 𝜆𝑒𝑓 = 𝜆(1 − 𝑃𝑁 ) = 𝜇(𝑆 − 𝐶̅ )
Ejemplo. Un autoservicio de lavado de autos tiene cuatro puestos o espacios en los cuales los clientes pueden limpiar y
encerar sus automóviles y espacio para acomodar un máximo de tres autos adicionales cuando todos los puestos están
Página 41 de 82
llenos. Los clientes llegan al lavado de autos de acuerdo con un proceso de Poisson, a una tasa promedio de 15 por hora.
Si no hay espacio para ellos en el terreno del lavado de autos, los clientes que lleguen deben ir a otro lado. Aparentemente
el tiempo necesario para dar servicio a un automóvil se distribuye exponencialmente, con una media de 12 minutos.
Determine (a) el número promedio de automóviles en el lavado de autos en cualquier tiempo dado, y (b) la tasa esperada
a la que se niega la entrada de los automóviles al lavado de autos.
C=4
N=7
λ = 15 autos/hora
μ = 5 autos/hora
𝜆 15 15 3
թ= = = = = 0.75
𝑆𝜇 4 × 5 20 4
a) el número promedio de automóviles en el lavado de autos en cualquier tiempo dado
Primero calculamos 𝑃0 , 𝐿𝑞 , 𝑃7 , 𝜆𝑒𝑓 , 𝑊𝑞 , W y finalmente calculamos L
𝑆 −1
𝑆 𝑆 թ𝑆+1 (1 − թ𝑁−𝑆 ) (𝑆թ)𝑛
𝑃0 = { +∑[ ]}
𝑆! (1 − թ) 𝑛!
𝑛=0
4 −1
44 (0.75)5 (1 − 0.757−4 ) 3𝑛
𝑃0 = { +∑ }
4! (1 − 0.75) 𝑛!
𝑛=0
−1
35.12 30 31 32 33 34
𝑃0 = { + + + + + } = {5.853 + 1 + 3 + 4.5 + 4.5 + 3.375}−1 = (22.228)−1 = 0.04499
6 0! 1! 2! 3! 4!
𝐿𝑞 = [1 − թ𝑁−𝑆 − (1 − թ)(𝑁 − 𝑆)թ𝑁−𝑆 ]
𝑆! (1 − թ)2
44 (0.75)5 (0.04499)
𝐿𝑞 = [1 − 0.753 − (1 − 0.75)(7 − 4)(0.75)7−4 ]
4! (1 − 0.75)2
44 (0.75)5 (0.04499)
𝐿𝑞 = [1 − 0.753 − (0.25)(3)(0.75)3 ]
4! (1 − 0.75)2
Página 42 de 82
2.733
𝐿𝑞 = (0.2617) = 0.4768 𝑎𝑢𝑡𝑜𝑠 𝑒𝑛 𝑙𝑎 𝑙𝑖𝑛𝑒𝑎 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎
1.5
Ahora calculamos P7 con la formula

𝑆 𝑆 թ𝑛 𝑃0
𝑃𝑛 =
𝑆!
𝑆 𝑆 թ𝑛 𝑃0 44 (0.75)7 (0.04499) 1.537

𝑃7 = = = = 0.064
𝑆! 4! 24
𝜆𝑒𝑓 = 𝜆(1 − 𝑃𝑁 ) = 15(1 − 0.064) = 14.04 𝑎𝑢𝑡𝑜𝑠/ℎ𝑜𝑟𝑎
Finalmente,
𝐿𝑞 0.4768
𝑊𝑞 = = = 0.03396 ℎ𝑜𝑟𝑎 ≈ 2.037 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒
𝜆𝑒𝑓 14.04
1
𝑊 = 𝑊𝑞 + = 0.03396 + 0.2 = 0.23396 ℎ𝑜𝑟𝑎𝑠 ≈ 14.04 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒 𝑢𝑛 𝑎𝑢𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑎𝑢𝑡𝑜𝑙𝑎𝑣𝑎𝑑𝑜
𝜇
𝐿 = 𝜆𝑒𝑓 𝑊 = (14.04)(0.23396) ≈ 3.285 𝑎𝑢𝑡𝑜𝑠 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑒𝑛 𝑒𝑛 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑒𝑛 𝑒𝑙 𝑎𝑢𝑡𝑜𝑙𝑎𝑣𝑎𝑑𝑜
b) la tasa esperada a la que se niega la entrada de los automóviles al lavado de autos.

𝜆𝑝𝑒𝑟𝑑𝑖𝑑𝑜 = 𝜆 − 𝜆𝑒𝑓 = 15 − 14.04 = 0.96 𝑎𝑢𝑡𝑜𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎
MODELO DE SERVICIO DE MAQUINAS- MODELO (M/M/R) :(DG/K/𝐊), R ≤ K
La aplicación de este modelo es en un taller con K máquinas, R reparadores y n clientes en el sistema. Cuando una
máquina se descompone, se llama a uno de los técnicos o reparadores en mantenimiento para que la repare. La tasa de
descomposturas por máquina es λ descomposturas por unidad de tiempo, y un técnico reparará las máquinas
descompuestas a razón de μ máquinas por unidad de tiempo. Todas las descomposturas y servicios siguen la distribución
de Poisson. La fuente en este modelo es finita porque las máquinas que están funcionando pueden descomponerse, y
por consiguiente puede generar llamadas de servicio. Una vez que todas las máquinas se descompongan, no podrá haber
más llamadas de servicio. Dada λ la tasa de descomposturas por máquina, la tasa de descomposturas de todo el taller es
proporcional a la cantidad de máquinas que están funcionando. En función del modelo de colas, tener n máquinas en el
sistema significa que n máquinas están descompuestas, y que la tasa de descomposturas asociada de todo el taller es
(Taha):
𝜆𝑛 = (𝐾 − 𝑛)𝜆, 0≤𝑛≤ 𝐾
En función del modelo generalizado Poisson, tenemos:
Página 43 de 82
(𝐾 − 𝑛)𝜆, 0 ≤ 𝑛 ≤ 𝐾
𝜆𝑛 = { }
0 𝑛≥𝐾
𝑛𝜇, 0≤𝑛≤𝑅
𝜇𝑛 = { }
𝑅𝜇, 𝑅≤𝑛≤𝐾
A partir del modelo generalizado podemos obtener:
𝐾
( ) թ𝑛 𝑃0 , (𝑛 = 0,1, . . . ; 𝑅)
𝑛
𝑃𝑛 = { 𝑛 }
𝐾 𝑛! թ
( ) 𝑃, (𝑛 = 𝑅 + 1, 𝑅 + 2, . . . , 𝐾)
𝑛 𝑅! 𝑅𝑛−𝑅 0
𝑅 𝐾 −1
𝑛
𝐾 𝐾 𝑛! թ
𝑃0 = (∑ ( ) թ𝑛 + ∑ ( ) )
𝑛 𝑛 𝑅! 𝑅𝑛−𝑅
𝑛=0 𝑛=𝑅+1
No hay una expresión matemática alguna de forma cerrada para L, y por consiguiente debe calcularse de acuerdo a la
siguiente formula:
𝐿 = ∑ 𝑛𝑃𝑛
𝑛=0
El valor de 𝜆𝑒𝑓 se calcula asi:
𝑛=𝐾 𝑛=𝐾
𝜆𝑒𝑓 = ∑ 𝑃𝑛 𝜆𝑛 = ∑ 𝜆(𝐾 − 𝑛)𝑃𝑛 = = 𝜆(𝐾 − 𝐿)

𝑛=0 𝑛=0
1 𝐿
𝑊 = 𝑊𝑞 + =
𝜇 𝜆𝑒𝑓
𝐿𝑞
𝑊𝑞 =
𝜆𝑒𝑓
𝐿𝑞 = 𝜆𝑒𝑓 𝑊𝑞
𝑛=𝐾
𝐿𝑞 = ∑(𝑛 − 𝑅)𝑃𝑛
𝑛=𝑅
𝐿 = 𝜆𝑒𝑓 𝑊
Página 44 de 82
Ejemplo. El departamento de policía de un pequeño pueblo tiene 5 patrullas. Una patrulla se descompone, y requiere
servicio una vez cada 30 días. El departamento tiene dos mecánicos, cada uno de los cuales requiere 3 días para reparar
una patrulla. Los tiempos de descompostura y los tiempos de reparación son exponenciales. Determine a) número
promedio de patrullas en buenas condiciones; b) encontrar el tiempo promedio de paralización para una patrulla que
necesita reparación; c) estime la fracción de tiempo en que un mecánico en particular esta desocupada.
Solución. Es un problema de reparación de maquinas con K = 5, R = 2, λ = 1/30 patrulla por día y 𝜇 = 1/3de patrullas por
día. Entonces:
𝜆 1⁄30 1
թ= = =
𝜇 1⁄ 10
3
calculamos las probabilidades 𝑃𝑛
𝐾
𝑃𝑛 = ( ) թ𝑛 𝑃0 , (𝑛 = 0,1, . . . ; 𝑅)
𝑛
1
5 1
𝑃1 = ( ) ( ) 𝑃0 = 0.5𝑃0
1 10
2
5 1
𝑃2 = ( ) ( ) 𝑃0 = 0.1𝑃0
2 10
𝑛
𝐾 𝑛! թ
𝑃𝑛 = ( ) 𝑃, (𝑛 = 𝑅 + 1, 𝑅 + 2, . . . , 𝐾)
𝑛 𝑅! 𝑅𝑛−𝑅 0
3
5 1 3!
𝑃3 = ( ) ( ) 𝑃 = 0.015𝑃0
3 10 2! 21 0
4
5 1 4!
𝑃4 = ( ) ( ) 𝑃 = 0.0015𝑃0
4 10 2! 22 0
5
5 1 5!
𝑃5 = ( ) ( ) 𝑃 = 0.000075𝑃0
5 10 2! 23 0
Entonces 𝑃0 (1 + 0.5 + 0.1 + 0.015 + 0.0015 + 0.000075) = 1, entonces 𝑃0 = 0.619. Ahora determinar todas las
probabilidades y se tiene que: 𝑃1 = 0.310, 𝑃2 = 0.062, 𝑃3 = 0.009, 𝑃4 = 0.001, 𝑃5 = 0.
1. número promedio de patrullas en buenas condiciones
Página 45 de 82
El número de patrullas en buenas condiciones es K −𝐿, que se obtiene mediante
numero de patrullas buenas = K− ∑𝑛=5

𝑛=0 𝑛𝑃𝑛 = 5 − [0(0.619) + 1(0.31) + 2(0.062) + 3(0.009) + 4(0.001) + 5(0)]
numero de patrullas buenas = 5−0.465 = 4.535 patrullas en buenas condiciones
2. Encontrar el tiempo promedio de paralización para una patrulla que necesita reparación, es decir W (tiempo que
permanece en el sistema o taller de reparación).
𝑛=5
1
𝜆𝑒𝑓 = ∑ 𝜆(𝐾 − 𝑛)𝑃𝑛 = [5(0.619) + +4(0.31) + 3(0.062) + 2(0.009) + 1(0.001) + 0(0)] = 0.151 𝑝𝑎𝑡𝑟𝑢𝑙𝑙𝑎𝑠/𝑑𝑖𝑎
30
𝑛=0
𝐿 = ∑ 𝑛𝑃𝑛 = 0(0.619) + 1(0.31) + 2(0.062) + 3(0.009) + 4(0.001) + 5(0) = 0.465

𝑛=0
O bien
1
𝜆𝑒𝑓 = 𝜆(𝐾 − 𝐿) = (5 − 0.465) = 0.151 𝑝𝑎𝑡𝑟𝑢𝑙𝑙𝑎𝑠/𝑑𝑖𝑎
30
𝐿 0.465
Como L = 0.465 patrullas, entonces 𝑊 = = = 3.08 𝑑𝑖𝑎𝑠 (permanece una patrulla en el taller)
𝜆𝑒𝑓 0.151
3. La fracción de tiempo en que un mecánico en particular esta desocupado es
𝐹𝑟𝑎𝑐𝑐𝑖𝑜𝑛 𝑡𝑖𝑒𝑚𝑝𝑜 𝑚𝑒𝑐𝑎𝑛𝑖𝑐𝑜 𝑜𝑐𝑖𝑜𝑠𝑜 = 𝑃0 + 0.5𝑃1 = 0.619 + 0.5(0.310) = 0.774.
Si hubiera 3 personas encargadas de la reparación, la fracción de tiempo en que un trabajador estaría desocupado seria
2 1
𝑃0 + ( ) 𝑃1 + ( ) 𝑃2 , y para un personal de R personas, la probabilidad de que un trabajador en particular este
3 3
desocupado es
(𝑅 − 1) (𝑅 − 2) 𝑃𝑅 − 1
𝑃0 + 𝑃1 + 𝑃2 +. . . . . +
𝑅 𝑅 𝑅
MODELO DE AUTOSERVICIO - MODELO (M/M/∞) :(DG/∞/∞)
Este modelo se aplica en el caso de los establecimientos de autoservicio. Las tasas de llegadas y servicio son λ y μ,
respectivamente, y la cantidad de servidores es ilimitada porque el cliente también es el servidor. Un ejemplo típico es
realizar la parte escrita del examen para la licencia de conductor. Las gasolineras de autoservicio y los cajeros automáticos
que operan durante las 24 horas del día no caen dentro de este modelo porque los servidores en estos casos son en
realidad las bombas de gasolina y los cajeros automáticos. En términos del modelo general de la sección 18.5, tenemos
En términos del modelo generalizado poisson se tiene
Página 46 de 82
𝜆𝑛 = 𝜆 𝑛 = 0,1,2, . ..
𝜇𝑛 = 𝑛𝜇 𝑛 = 0,1,2, . ..
La sustitución directa en la expresión de 𝑃𝑛 , produce
𝜆𝑛 թ𝑛
𝑃𝑛 = 𝑃0 = 𝑃 , 𝑛 = 0,1,2, . ..
𝑛! 𝜇 𝑛 𝑛! 0
Debido a que ∑∞
𝑛=0 𝑃𝑛 = 1, se desprende que
1 1
𝑃0 = = թ = 𝑒 −թ
թ2 𝑒
1 + թ + +. . . . .
2!
Como resultado,
𝑒 −թ թ𝑛
𝑃𝑛 = , 𝑛 = 0,1,2, . . ..
𝑛!
Lacual es una distribución poisson con media L = թ. Como es lógico, 𝐿𝑞 𝑦 𝑊𝑞 son cero porque es una instalación de
autoservicio.
Ejemplo. Un inversionista invierte $1000 al mes, en promedio, en el mercado de valores. Debido a que el inversionista
debe esperar una buena oportunidad para “comprar”, el tiempo real de compra es aleatorio. El inversionista suele
conservar los valores durante unos 3 años en promedio, pero los vende al azar cuando se le presenta una buena
oportunidad para “vender”. Aunque al inversionista se le suele reconocer como un astuto corredor del mercado de
valores, la experiencia pasada indica que alrededor de 25% de los valores declinan a 20% al año, aproximadamente. El
75% restante aumenta de valor a razón de 12% al año. Estime el capital accionario del inversionista (a largo plazo)
promedio en el mercado de valores. Esta situación se puede tratar como un modelo (M/M/S) :(GD/N/∞/∞) porque, para
todos los propósitos prácticos, el inversionista no tiene que esperar en línea para comprar o vender sus valores. El tiempo
promedio entre colocaciones de pedidos es de 1 mes, lo que da λ = 12 valores por año. La tasa de venta de los valores es
μ = 1/3 valor por año. Puede obtener los resultados del modelo con los siguientes datos de entrada:
Lambda (λ) Mu (μ) S Limite del sistema Limite de la fuente

12 0.3333333 infinito infinito infinito
Dados los valores de λ y μ, obtenemos
𝜆
𝐿 = թ= = 36 𝑣𝑎𝑙𝑜𝑟𝑒𝑠
𝜇
La estimación del valor neto anual promedio ( a largo plazo del inversionista es)
(0.25𝐿 × $10000)(1 − 0.2) + (0.75𝐿 × $10000)(1 + 0.12) = $63,990
Página 47 de 82
LINEAS DE ESPERA QUE NO OBEDECEN LA DISTRIBUCION DE POISSON

Los modelos de líneas de espera donde los procesos de llegada y/o salida no siguen la hipotesis de poisson, conducen a
resultados extremadamente complejos y, tal vez, inmanejables. En este escenario, es aconsejable e imperativo usar la
simulación como herramienta de análisis. No obstante, se presenta un modelo de línea de espera que no sigue la
distribución poisson, pero para lo cual se tienen resultados analíticos. Es el modelo (M/G/1):(GD/∞ / ∞)—FÓRMULA DE
POLLACZEK-KHINTCHINE (P-K).
(M/G/1) :(GD/∞ / ∞)—FÓRMULA DE POLLACZEK-KHINTCHINE (P-K)
El modelo se describe por medio de una distribución general de probabilidades con media E{𝑡} y variancia Var(𝑡).
Desafortunadamente, el análisis de esta situación es algo restringido en el sentido de que el modelo no proporciona una
expresión de forma cerrada para las probabilidades 𝑃𝑛 debido a la incontrolabilidad analítica. Los resultados del modelo
solo proporcionan las medidas básicas de desempeño, L, 𝐿𝑞 , 𝑊, 𝑊𝑞 así como también 𝑃0 .
Sea λ la tasa de llegadas a la instalación de un solo servidor. Dadas 𝐸{𝑡} 𝑦 𝑉𝑎𝑟{𝑡} de la distribución de tiempo de servicio
y que 𝜆𝐸{𝑡} < 1, se puede demostrar usando el análisis de cadenas de markov (probabilidad compleja) que
𝜆2 (𝐸 2 {𝑡} + 𝑉𝑎𝑟{𝑡})
𝐿 = 𝜆𝐸{𝑡} + , 𝜆𝐸{𝑡} < 1
2(1 − 𝜆𝐸{𝑡})
Esta expresión se denomina fórmula de pollaczek-khintchine (P-K). De esta fórmula se pueden obtener otras medidas
de desempeño L, 𝐿𝑞 , 𝑊, 𝑊𝑞 , 𝑃0 .
La probabilidad de que la instalación esté vacía (ociosa) se calcula como
𝑃0 = 1 − 𝜆𝐸{𝑡} = 1 − թ
Dada 𝜆𝑒𝑓 = 𝜆, las medidas de desempeño restante quedan asi:
𝐿
𝑊=
𝜆
𝐿𝑞 = 𝐿 − 𝜆𝐸{𝑡}
𝐿𝑞
𝑊𝑞 =
𝜆
La tasa de servicio esta dada por 1⁄ .En este modelo 𝜆𝑒𝑓 = 𝜆 .

𝐸{𝑡}
Página 48 de 82
Para el caso cuando el tiempo de servicio es aproximadamente constante, Var(𝑡) = 0 y la formula P-K se reduce a
թ2
𝐿 = թ+ (M/D/1): (GD/∞/∞)
2(1−թ)
𝜆
Donde թ = y μ es la tasa constante de servicio.
𝜇
Si el tiempo de servicio es tipo Erlang con parámetros m y μ, con E{𝑡} = 1/μ Y 𝑉𝑎𝑟{𝑡} = 1⁄𝑚𝜇 2 . La formula P-K da:
1+𝑚 թ
𝐿 = թ+ ( ) (M/𝐸𝑚 /1): (GD/∞/∞)
2𝑚 1−թ
Ejemplo. Automata es una instalación de lavado de autos de una sola bahía. Los autos llegan según una distribución de
Poisson con una media de 4 autos por hora y pueden esperar en el estacionamiento de la instalación en la calle si la bahía
está ocupada. Esto significa que, para todo propósito práctico, no hay ningún límite en el tamaño del sistema.
¿Suponemos que se instala un sistema nuevo de modo que el tiempo de servicio de todos los autos es constante e igual
a 10 minutos?
Para esta situación tenemos 𝜆𝑒𝑓 = λ = 4 autos por hora y el tiempo de servicio es constante de modo que E{𝑡} = 10⁄60 =
1⁄ hora y 𝑉𝑎𝑟{𝑡} = 0. Por lo tanto,
6
𝜆2 (𝐸 2 {𝑡} + 𝑉𝑎𝑟{𝑡})
𝐿 = 𝜆𝐸{𝑡} +
2(1 − 𝜆𝐸{𝑡})
1 2
1 [42 ( ) + 0]
6
𝐿 = 4( )+ = 1.333 𝑎𝑢𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
6 4
2 (1 − )
6
4
𝐿𝑞 = 𝐿 − 𝜆𝐸{𝑡} = 1.333 − ( ) = 0.667 autos en cola
6
𝐿 1.333
𝑊= = = 0.333 ℎ𝑜𝑟𝑎𝑠
𝜆 4
𝐿𝑞 0.667
𝑊𝑞 = = = 0.167 ℎ𝑜𝑟𝑎𝑠
𝜆 4
LINEAS DE ESPERA CON PRIORIDADES DE SERVICIO

En los modelos de espera con prioridad, se supone que se forman varias líneas de espera en paralelo enfrente del
establecimiento con cada línea de espera, incluyendo a los clientes que pertenezcan a cierto orden de prioridad. Si la
instalación tiene m líneas de espera o filas, suponemos que la fila 1 tiene las más alta prioridad de servicio y la línea de
espera m incluye a clientes con la más baja prioridad. Las tasas de llegada y servicio pueden variar para las diferentes filas
de prioridad. Sin embargo, supondremos que los clientes formados en cada línea de espera son atendidos sobre la base
FIFO.
Página 49 de 82
El servicio de prioridad puede una de dos reglas:
1. Regla de prioridad, donde el servicio de un cliente de más baja prioridad puede ser interrumpido para favorecerá un
cliente que llegue con más alta prioridad.
2. Regla de no prioridad, donde un cliente, una vez que está siendo atendido, saldrá del establecimiento solo después
de que acabe de ser atendido e independientemente de la prioridad del cliente que llegue.
No se abordará el caso con prioridad. Dos modelos de no prioridad que se aplican a servidores únicos y múltiples. El
modelo de servidor único supone llegadas de poisson y distribuciones de servicio arbitrarias. En el caso de los servidores
múltiples, las llegadas y salidas siguen la distribución poisson. El símbolo NPRP se utiliza con la notación Kendall para
representar la disciplina de no prioridad; 𝑀𝑖 𝑦 𝐺𝑖 representan distribuciones de poisson y arbitraria.
MODELO (M/G/1) :(NPRP/∞ / ∞)
Sea 𝐹𝑖 (𝑡) 𝑙𝑎 𝐹𝐷𝐴 de la distribución de tiempo de servicio arbitraria para la i-ésima línea de espera (i=1, 2,…,m) y sea
𝐸𝑖 (𝑡) 𝑦 𝑉𝑎𝑟𝑖 (𝑡) la media y la variancia, respectivamente. Sea 𝜆𝑖 la tasa de llegada en la i-esima línea de espera por el
tiempo unitario.
(𝑘) (𝑘)
Defínanse 𝐿𝑞 , 𝐿(𝑘) , 𝑊𝑞 , 𝑊 (𝑘) en la forma habitual salvo que ahora representan las medidas de la k-esima línea de
espera. Por lo tanto, los resultados de esta situación están dados por
(𝑘) ∑𝑚 2
𝑖=1 𝜆𝑖 (𝐸𝑖 {𝑡} + 𝑣𝑎𝑟𝑖 {𝑡})
𝑊𝑞 =
2(1 − 𝑎𝑘−1 )(1 − 𝑎𝑘 )
(𝑘) (𝑘)
𝐿𝑞 = 𝜆𝑘 𝑊𝑞
(𝑘) (𝑘) 1
𝑊 (𝑘) = 𝑊𝑞 + 𝐸𝑘 (𝑡) = 𝑊𝑞 +
𝜇𝑘
(𝑘)
𝐿(𝑘) = 𝐿𝑞 + թ𝑘
𝑖=𝑘
𝜆𝑖
թ𝑖 = 𝑦 𝑎𝑘 = ∑ թ𝑖
𝜇𝑖
𝑖=1
𝑖=𝑛
𝜆𝑖
∑ <1
𝜇𝑖
𝑖=1
Página 50 de 82
Donde
թ𝑘 = 𝜆𝑘 𝐸𝑘 {𝑡}
𝑎𝑘 = ∑ թ𝑖 < 1, 𝑘 = 1,2, … 𝑚
𝑖=1
𝑎0 = 0
Observamos que 𝑊𝑞 , el tiempo de espera estimado en la línea para cualquier cliente sin importar su prioridad, esta dado
por:
𝑚
𝜆𝑘 (𝑘)
𝑊𝑞 = ∑ 𝑊
𝜆 𝑞
𝑘=1
𝜆𝑘⁄ (𝑘)
Donde 𝜆 = ∑𝑚
𝑖=1 𝜆𝑖 y 𝜆 es el peso relativo de 𝑊𝑞 . Igual se aplica para W.
Ejemplo. A un taller de producción llegan trabajos en 3 categorías: orden de urgencia, orden regular o normal y orden de
baja prioridad. Aunque los trabajos urgentes son procesados antes que cualquier otro trabajo y los trabajos regulares o
normales tienen preferencia sobre las ordenes con baja prioridad, cualquier trabajo, una vez empezado, deberá
terminarse antes de que se inicie uno nuevo. La llegada de ordenes de trabajo de las 3 categorías son de poisson con
medias 4, 3 y 1 por día. Las tasas de servicio respectivas son constantes e iguales a 10, 9 y 5 por día.
En esta situación de espera, tenemos 3 líneas de espera de no prioridad. Supóngase que las líneas de espera 1, 2 y 3
representan las 3categorias de trabajo en el orden que se indica en la descripción del problema. Por lo tanto, se tiene
թ𝑘 = 𝜆𝑘 𝐸𝑘 {𝑡}
թ1 = 𝜆1 𝐸{𝑡1 } = 4(1⁄10) = 0.4

թ2 = 𝜆2 𝐸{𝑡2 } = 3(1⁄9) = 0.333
թ3 = 𝜆3 𝐸{𝑡3 } = 1(1⁄5) = 0.2
Se tiene asimismo
𝑎1 = թ1 = 0.4
𝑎2 = թ1 + թ2 = 0.733
𝑎3 = թ1 + թ2 + թ3 = 0.933
Como 𝑎3 < 1, el sistema puede alcanzar condiciones de estado estable.
Página 51 de 82
Por lo tanto, podemos determinar el tiempo de espera estimado en cada línea de espera como sigue. Como:
𝑚
2 2 2
∑ 𝜆𝑖 (𝐸𝑖2 {𝑡} + 𝑣𝑎𝑟𝑖 {𝑡}) = 4 [(1⁄10) + 0] + 3 [(1⁄9) + 0] + 1 [(1⁄5) + 0] = 0.117
𝑖=1
Se obtiene
0.117
𝑊𝑞1 = = 0.0975 𝑑𝑖𝑎 = 2.34 ℎ𝑜𝑟𝑎𝑠
2(1 − 0)(1 − 0.4)
0.117
𝑊𝑞2 = = 0.365 𝑑𝑖𝑎 = 8.77 ℎ𝑜𝑟𝑎𝑠
2(1 − 0.4)(1 − 0.7333)
0.117
𝑊𝑞3 = = 3.27 𝑑𝑖𝑎𝑠 ≈ 78.5 ℎ𝑜𝑟𝑎𝑠
2(1 − 0.733)(1 − 0.933)
El tiempo de espera general estimado para cualquier cliente sin importar la prioridad esta dado por:
𝑚
𝜆𝑘 (𝑘) 4 × 2.34 + 3 × 8.77 + 1 × 78.5
𝑊𝑞 = ∑ 𝑊𝑞 = = 14.27 ℎ𝑜𝑟𝑎𝑠
𝜆 8
𝑘=1
𝜆 = ∑ 𝜆𝑖 = 4+3+1=8
𝑖=1
También podemos obtener el numero promedio de trabajos en espera de ser procesados encada línea de espera de
prioridad.
𝐿1𝑞 = 4 × 0.0975 = 0.39 𝑡𝑟𝑎𝑏𝑎𝑗𝑜𝑠
𝐿2𝑞 = 3 × 0.365 = 1.095 𝑡𝑟𝑎𝑏𝑎𝑗𝑜𝑠
𝐿3𝑞 = 1 × 3.27 = 3.27 𝑡𝑟𝑎𝑏𝑎𝑗𝑜𝑠
Página 52 de 82
MODELO (𝑴𝒊 /M/S) :(NPRP/∞ / ∞)

Este modelo supone que todos los clientes tienen la misma distribución del tiempo de servicio, independientemente de
sus prioridades, y que los S canales tienen una distribución de servicio exponencial idéntica con tasa de servicio μ. Las
llegadas en la k-ésima línea de espera con prioridad ocurren según una distribución de poisson con una tasa de llegada
𝜆𝑘 , k = 1,2,…, m. Se puede demostrar que para la k-ésima línea de espera que
(𝑘) 𝐸{Ƹ0 }
𝑊𝑞 = , 𝑘 = 1,2, . . . , 𝑚
(1 − 𝑎𝑘−1 )(1 − 𝑎𝑘 )
Donde 𝑎0 = 0 y
𝑘
𝜆𝑖
𝑎𝑘 = ∑ < 1, 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑘
𝑆𝜇
𝑖=1
1
𝐸{Ƹ0 } =
թ𝑛
𝜇𝑆 [թ−𝑆 (𝑆 − թ)(𝑆 − 1)! ∑𝑆−1
𝑛=0 + 1]
𝑛!
𝜆
թ=
𝜇
Ejemplo. Para ilustrar los cálculos que se realizan en el modelo, supóngase que se tienen 3 líneas de espera con prioridad
y tasas de llegada 𝜆1 = 2, 𝜆2 = 5, 𝜆3 = 10 por día. Existen 2 servidores y las tasas de servicio es de 10 por día. Las
llegadas y salidas siguen distribuciones poisson.
𝜆1 2
𝑎1 = = = 0.1
𝑆𝜇 2 × 10
𝜆2 5
𝑎2 = 𝑎1 + = 0.1 + = 0.35
𝑆𝜇 2 × 10
𝜆3 10
𝑎3 = 𝑎2 + = 0.35 + = 0.85
𝑆𝜇 2 × 10
Como todas las expresiones 𝑎𝑖 < 1, se puede alcanzar el estado estable.
Ahora, por definición,
Página 53 de 82
𝜆1 + 𝜆2 + 𝜆3 17
թ= = = 1.7
𝜇 10
Por lo tanto
1 1
{Ƹ0 } = = = 0.039
թ𝑛 10 × 2{(1.7)−2 (2 − 1.7)(2 − 1)!)(1 + 1.7) + 1}
𝜇𝑆 [թ−𝑆 (𝑆 − թ)(𝑆 − 1)! ∑𝑆−1
𝑛=0 + 1]
𝑛!
En consecuencia
(𝑘) 𝐸{Ƹ0 }
𝑊𝑞 =
(1 − 𝑎𝑘−1 )(1 − 𝑎𝑘 )
(1) 0.039
𝑊𝑞 = = 0.043
(1 − 0.1)
(2) 0.039
𝑊𝑞 = = 0.0665
(1 − 0.1)(1 − 0.35)
(3) 0.039
𝑊𝑞 = = 0.4
(1 − 0.35)(1 − 0.85)
El tiempo de espera en la fila para cualquier cliente esta dado por:
𝑚
𝜆𝑘 (𝑘)
𝑊𝑞 = ∑ 𝑊
𝜆 𝑞
𝑘=1
𝜆1 (1) 𝜆2 (2) 𝜆3 (3)

𝑊𝑞 = 𝑊 + 𝑊𝑞 + 𝑊𝑞
𝜆 𝑞 𝜆 𝜆
2 5 10
𝑊𝑞 = (0.0433) + (0.0665) + (0.4) = 0.26
17 17 17
Por último, la espera numérica estimada en la línea de espera para todo el sistema esta dado por
𝐿𝑞 = 𝜆𝑊𝑞 = 17 × 0.26 = 4.42
Página 54 de 82
LINEAS DE ESPERA SUCESIVAS O EN SERIE

En este apartado, se consideran líneas de espera de poisson con estaciones de servicio dispuestas en serie, de manera
que el cliente deba pasar por todas las estaciones antes de completar su servicio.
MODELO EN SERIE DE DOS ESTACIONES CON CAPACIDAD DE LINEAS DE ESPERA CERO
SISTEMA
ENTRADAS ESTACION 1 ESTACION 2 SALIDAS
Consideremos un sistema de colas de un canal simplificado que consiste en dos estaciones en serie como se aprecia en
la figura. Un cliente que llega para ser atendido debe pasar por la estación 1 y la estación 2. Los tiempos de servicio en
cada estación están exponencialmente distribuidos con la misma tasa de servicio μ. Las llegadas ocurren según una
distribución de poisson con tasa λ. No se permite ninguna cola enfrente de las estaciones 1 ó 2.
La construcción del modelo requiere primero identificar los estados del sistema en cualquier punto del tiempo. Esto se
logra asi: cada estación puede estar libre u ocupada. La estación 1 se dice que esta bloqueada si el cliente en esta estación
completa su servicio antes que la estación 2 llegue a estar libre. Los símbolos 0, 1 y b representan los estados libre,
ocupado y bloqueado, respectivamente. Sean i y j los estados de la estación 1 y 2. Entonces los estados del sistema se
pueden representar como
{(𝑖, 𝑗)} = {(0,0), (1,0), (0,1), (1,1), (𝑏, 1)}
Definimos 𝑃𝑖𝑗 (𝑡) como la probabilidad de que el sistema se halle Enel estado (i,j) en el tiempo t. las probabilidades de
transición entre los tiempos t y t+h (donde h es un incremento pequeño positivo en el tiempo) se resumen en la siguiente
tabla.
Estados (t+h)
(0,0) (0,1) (1,0) (1,1) (b,1)
(0,0) 1 − λh λh
Estado t
(0,1) μh(1− λh) 1−𝜇h − λh λh(1− μh)
(1,0) μh(1− λh) 1−μh
(1,1) μh(1− λh) μh (1− μh) (1− μh) μh
(b,1) μh(1− λh) 1−μh
Página 55 de 82
Los cuadros vacíos indican que las transiciones entre los estados indicados en t y t+h son imposibles (=0).
Por esto (sin tomar en cuenta los términos en ℎ2 ), se pueden escribir las siguientes ecuaciones:
𝑃00 (𝑡 + ℎ) = 𝑃00 (𝑡)(1 − 𝜆ℎ) + 𝑃01 (𝑡)(𝜇ℎ)
𝑃01 (𝑡 + ℎ) = 𝑃01 (𝑡)(1 − 𝜇ℎ − 𝜆ℎ) + 𝑃10 (𝑡)(𝜇ℎ) + 𝑃𝑏1 (𝑡)(𝜇ℎ)
𝑃10 (𝑡 + ℎ) = 𝑃00 (𝑡)(𝜆ℎ) + 𝑃10 (𝑡)(1 − 𝜇ℎ) + 𝑃11 (𝑡)(𝜇ℎ)
𝑃11 (𝑡 + ℎ) = 𝑃01 (𝑡)(𝜆ℎ) + 𝑃11 (𝑡)(1 − 2𝜇ℎ)
𝑃𝑏1 (𝑡 + ℎ) = 𝑃11 (𝑡)(𝜇ℎ) + 𝑃𝑏1 (𝑡)(1 − 𝜇ℎ) +
Reordenando los términos y tomando los limites apropiados, las ecuaciones de estado estable son:
𝑃01 − թ𝑃00 = 0
𝑃10 + 𝑃𝑏1 − (1 − թ)𝑃01 = 0
թ𝑃00 + 𝑃11 − 𝑃10 = 0
թ𝑃01 − 2𝑃11 = 0
𝑃11 − 𝑃𝑏1 = 0
Una de estas ecuaciones es redundante. Por tanto, agregando la condición
𝑃00 + 𝑃01 + 𝑃10 + 𝑃11 + 𝑃𝑏1 = 0
La solución para 𝑃𝑖𝑗 es
2
𝑃00 =
𝐴
2թ
𝑃01 =
𝐴
Página 56 de 82
թ2 + 2թ
𝑃10 =
𝐴
թ2
𝑃11 = 𝑃𝑏1 =
𝐴
Donde
𝐴 = 3թ2 + 4թ + 2
El numero esperado en el sistema puede obtenerse como
5թ2 + 4թ
𝐿 = 0𝑃00 + 1(𝑃01 + 𝑃10 ) + 2(𝑃11 + 𝑃𝑏1 ) =
𝐴
Ejemplo. Una línea de subensamblaje de dos estaciones es operada por un sistema de bandas de transporte. El tamaño
del producto ensamblado no permite que se almacene mas de una unidad en cada estación. El producto llega a la línea
de subensamblaje de otra instalación de producción, según una distribución poisson con la media de 10 por hora. Los
tiempos de ensamblaje en las estaciones 1 y 2 son exponenciales con media de 5 minutos cada uno. Todos los artículos
que llegan y que no pueden entrar a la línea de ensamblaje son dirigidos a otras líneas de subensamblaje.
Como λ = 10 por hora y μ = 12 por hora, tenemos que թ = 𝜆⁄𝜇 = 10⁄12 = 0.833. Podemos determinar todas las
probabilidades observando que
𝐴 = 3(0.833)2 + 4(0.833) + 2 = 7.417
Por lo tanto,
2
𝑃00 = = 0.2697
7.417
2 × 0.833
𝑃01 = = 0.2247
7.417
0.8332 + 2 × 0.833
𝑃10 = = 0.3183
7.417
0.8332
𝑃11 = 𝑃𝑏1 = = 0.0936
7.417
Página 57 de 82
La probabilidad de que un artículo que llega entrara a la estación 1 es 𝑃00 + 𝑃01 = 0.2697 + 0.2247 = 0.4944 de
manera que la tasa efectiva de llegadas es 𝜆𝑒𝑓 = 0.4944 × 10 = 4.944 𝑡𝑟𝑎𝑏𝑎𝑗𝑜𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎. Ya que
5×0.8332 +4×0.833
𝐿= = 0.917
7.417
Se deduce que el tiempo de espera en el sistema es
𝐿 0.917
𝑊= = = 0.185 ℎ𝑜𝑟𝑎
𝜆𝑒𝑓 4.944
Observamos que W representa el tiempo de servicio estimado por articulo ya que no se permiten líneas de espera.
Notamos que un artículo puede ser atendido en un tiempo promedio de 5 + 5 = 10 minutos, o sea, 0.167 horas siempre
que no esté bloqueada la estación 1. Por lo tanto, la diferencia entre W (=0.185) y 0.167 puede considerarse en realidad
como el tiempo promedio que espera un artículo en virtud del bloqueo del estado 2; esto es, 0.185 – 0.167 = 0.018 hora
0 1.08 minutos.
MODELO EN SERIE DE K ESTACIONES CON CAPACIDAD DE LINEAS DE ESPERA INFINITA
En este apartado, se enuncia, sin demostración, un teorema que se aplica a una serie de K estaciones con capacidad
ilimitada entre líneas de espera.
Considere un sistema con k estaciones en serie, como se ilustra en la figura.
𝜇1 𝜇2 𝜇𝐾
ENTRADA 1 2 K SALIDA
Suponemos que las llegadas a la estación 1 son generadas de una población infinita, de acuerdo con una distribución
poisson con tasa media de llegadas λ. Las unidades atendidas pasaran sucesivamente de una estación a la siguiente hasta
que descarguen de la estación k. La distribución del tiempo de servicio en cada estación i es exponencial con tasa media
𝜇𝑖 , i = 1, 2,…,k. Además, no hay límite de líneas de espera en cada estación.
En estas condiciones, puede comprobarse que, para toda i, la salida de la estación i (o equivalentemente, la entrada a la
estación i+1) es de poisson con tasa media λ y que cada estación puede tratarse independientemente como
(M/𝑀𝑖 /1):(DG/∞/∞). Esto significa que para la i-ésima estación, las probabilidades de estado estable 𝑃𝑛𝑖 están dadas
por
𝑛
𝑃𝑛𝑖 = (1 − թ𝑖 )թ𝑖 𝑖 , 𝑛𝑖 = 0,1,2, . . ..
Página 58 de 82
Para i = 1, 2,…,k, donde 𝑛𝑖 es el numero en el sistema que solo consta de la estación i. Los resultados de estado estable
existirán únicamente si թ𝑖 = 𝜆⁄𝜇𝑖 < 1. El mismo resultado puede extenderse al caso donde la estación i incluye 𝑆𝑖
servidores en paralelo, cada uno con la misma tasa de servicio exponencial 𝜇𝑖 por unidad de tiempo. En este caso cada
estación puede ser tratada independientemente como M/𝑀𝑖 /𝑆𝑖 ):(DG/∞/∞) con tasa media de llegadas λ. De nuevo los
resultados de estado estable prevalecerán si λ < 𝑆𝑖 𝜇𝑖 , para i = 1, 2, …k.
Ejemplo. En una línea de producción con 5 estaciones en serie, llegan trabajos a la estación 1 según una distribución
poisson con tasa media λ = 20 por hora. El tiempo de producción en cada estación es exponencial con media de 2 minutos.
La salida de la estación i se utiliza como la entrada a la estación i+1. La parte de artículos en buenas condiciones que se
producen en la estación i es 𝛼𝑖 de la entrada total a la misma estación. La parte restante (1−𝛼𝑖 ) son artículos defectuosos
y se deben desechar.
𝜇1 𝜇2 𝜇𝐾
1 1 1
λ λ λ λ λ
ENTRADA SALIDA
𝑆1 𝑆2 𝑆𝐾
Estación 1 Estación 2 Estación k
Supongase que nos interesa el tamaño del espacio de almacenamiento entre estaciones sucesivas que darán cabida a
todos los artículos que lleguen el 100% del tiempo. La probabilidad 𝑃𝑛𝑖 de 𝑛𝑖 artículos en la estación i esta dada por
𝑛
𝑃𝑛𝑖 = (1 − թ𝑖 )թ𝑖 𝑖
𝜆
Donde թ𝑖 = 𝑖⁄𝜇𝑖 . Por lo tanto, el requisito de almacenamiento se cumple si el espacio de almacenamiento de la estación
i da cabida a 𝑁𝑖 − 1 artículos, donde 𝑁𝑖 se determina a partir de
𝑁𝑖 𝑁𝑖
𝑛
∑ 𝑃𝑛𝑖 = ∑ (1 − թ𝑖 ) թ𝑖 𝑖 ≥ 𝛽, 𝑖 = 1,2, . . . ,5
𝑛𝑖 =1 𝑛𝑖 =1
Al simplificar, se obtiene
Página 59 de 82
𝑙𝑛(1 − 𝛽)
𝑁𝑖 ≥ − 1, 𝑖 = 1,2, . . . ,5
𝑙𝑛թ𝑖
Supongamos que 𝛼𝑖 = 0.9; por lo tanto
𝜆1 = 𝜆 = 20
𝜆2 = 𝛼1 𝜆1 = 20𝛼1 = 18
𝜆3 = 𝛼2 𝛼1 𝜆1 = 20𝛼1 𝛼2 = 16.2
𝜆4 = 20𝛼1 𝛼2 𝛼3 = 14.58
𝜆5 = 20𝛼1 𝛼2 𝛼3 𝛼4 = 13.12
Como 𝜇1 = 𝜇 = 30 por hora, se tiene
թ1 = 0.67, թ2 = 0.6, թ3 = 0.54, թ4 = 0.486, թ5 = 0.437
Si deseamos establecer almacenamiento para todos los artículos que llegan al 99% del tiempo (es decir, 𝛽 = 0.99), los
limites sobre 𝑁𝑖 se pueden determinar como
𝑁1 ≥ 10.499 (≅ 11) , 𝑁2 ≥ 8, 𝑁3 ≥ 6.47 (≅ 7), 𝑁4 ≥ 5.38 (≅ 6), 𝑁5 ≥ 4.57 (≅ 5)
MODELO DE TIEMPO DE SERVICIO CONSTANTE (M/D/1/∞/𝑭𝑰𝑭𝑶)

Algunos sistemas tienen tiempos de servicio constante en vez de tiempos exponencialmente distribuidos. Cuando los
clientes o los equipos se procesan de acuerdo con un ciclo fijo, como en el caso de un lavado de autos automático o el de
un juego en un parque de diversiones, son adecuadas las tasas de servicio constante. Ya que las tasas constantes son
ciertas, los valores de 𝑙𝑞 , 𝑊𝑞 , L y W siempre son menores de lo que serían en los modelos que acabamos de presentar,
que tienen tiempos de servicio variables. En realidad, tanto la longitud promedio de la cola como el tiempo de espera
promedio en la cola disminuyen a la mitad con el modelo de tasa de servicio constante.
Las formulas del modelo de servicio constante son las siguientes:
❖ Factor de utilización del sistema

𝜆
թ=
𝜇
❖ Probabilidad de que el sistema este vacio
𝑃0 = 1 − թ
Página 60 de 82
❖ Longitud promedio de la cola
𝜆2 թ2
𝐿𝑞 = =
2𝜇(𝜇 − 𝜆) 2(1 − թ)
❖ Tiempo de espera promedio en la cola
𝜆 թ
𝑊𝑞 = =
2𝜇(𝜇 − 𝜆) 2(𝜇 − 𝜆)
❖ Numero promedio de clientes en el sistema
𝜆
𝐿 = 𝐿𝑞 + = 𝐿𝑞 + թ
𝜇
❖ Tiempo promedio en el sistema
1
𝑊 = 𝑊𝑞 +
𝜇
Ejemplo. La compañía García-Golding Recycling recolecta y compactas latas de aluminio y botellas de vidrio en la ciudad
de Nueva York. Los conductores de sus camiones, quienes llegan a descargar dichos materiales para su reciclaje, esperan
actualmente un promedio de 15 minutos antes de vaciar sus cargas. El costo del salario del conductor y el tiempo inactivo
del camión mientras están en la cola se valoró en $60 por hora. Se puede comprar un nuevo compactador automático,
que procesaría las cargas de los camiones a una tasa constante de 12 vehículos por hora (es decir, 5 minutos por camión).
Los camiones llegan de acuerdo con una distribución de Poisson a una tasa promedio de 8 por hora. Si se utiliza el nuevo
compactador, su costo se amortizaría a una tasa de $3 por camión descargado. En verano un becario de una universidad
local hizo el siguiente análisis para evaluar los costos en comparación con los beneficios de dicha compra:
𝜆 = 8 camiones por hora

𝜇 = D = tasa de servicio constante = 12 camiones por hora
❖ Factor de utilización del sistema

𝜆 8
թ= = = 0.66667
𝜇 12
❖ Probabilidad de que el sistema este vacio
𝑃0 = 1 − թ = 1 −0.66667 = 0.33333
❖ Longitud promedio de la cola
Página 61 de 82
𝜆2 թ2 82
𝐿𝑞 = = = = 0.66667 𝑐𝑎𝑚𝑖𝑜𝑛𝑒𝑠
2𝜇(𝜇 − 𝜆) 2(1 − թ) 2 × 12(12 − 8)
❖ Tiempo de espera promedio en la cola
𝜆 թ 8 8
𝑊𝑞 = = = = = 0.08333 ℎ𝑜𝑟𝑎𝑠
2𝜇(𝜇 − 𝜆) 2(𝜇 − 𝜆) 2 × 12(12 − 8) 96
❖ Numero promedio de clientes en el sistema
𝜆 8
𝐿 = 𝐿𝑞 + = 𝐿𝑞 + թ = 0.66667 + = 1.33334 𝑐𝑎𝑚𝑖𝑜𝑛𝑒𝑠
𝜇 12
❖ Tiempo promedio en el sistema
1 1
𝑊 = 𝑊𝑞 + = 0.08333 + = 1.6667 ℎ𝑜𝑟𝑎𝑠
𝜇 12
Costo de espera actual/viaje = (1/4 de hora en espera ahora) ($60/costo por hora) = $15/viaje
Nuevo sistema: λ = llegan 8 camiones por hora
μ = 12 camiones/ hora atendidos
𝜆 թ 8 1
Tiempo de espera promedio en la cola = 𝑊𝑞 = = = = = 0.08333 ℎ𝑜𝑟𝑎𝑠
2𝜇(𝜇−𝜆) 2(𝜇−𝜆) 2×12(12−8) 12
Costo de espera/ viaje con el nuevo compactador = (1/12 de hora de espera) ($60/𝑐𝑜𝑠𝑡𝑜 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎) = $5/𝑣𝑖𝑎𝑗𝑒
Ahorros con el nuevo equipo = $15 (sistema actual) − $5 (sistema nuevo) = $10/viaje
Costo amortizado del nuevo equipo = $3 / por viaje
Ahorro neto = $10 − $3 = $7
Página 62 de 82
MODELO DE POBLACION FINITA (M/M/1 /…/F con fuente o población finita F
Cuando existe una población limitada de clientes potenciales para una instalación de servicio, es necesario considerar un
modelo diferente de colas. Este modelo se utilizaría, por ejemplo, si se consideraran reparaciones del equipo en una
fábrica que tiene cinco máquinas, si se estuviera a cargo del mantenimiento de una flota de 10 aviones de uso intensivo,
o si se administrara una sala de hospital con 20 camas. El modelo de población limitada permite que se considere
cualquier número de personas que realizan reparaciones (servidores).
La razón por la que este modelo difiere de modelos de colas anteriores de un solo servidor, es que ahora existe una
relación de dependencia entre la longitud de la cola y la tasa de llegadas. Para ilustrar la situación extrema, si una fábrica
tuviera cinco máquinas y todas estuvieran descompuestas y en espera de ser reparadas, la tasa de llegadas caería a cero.
En general, conforme la línea de espera se hace más larga en el modelo de población limitada, la tasa de llegada de
clientes o máquinas se reduce.
En este apartado se describe un modelo de población potencial finita que se apoya en las siguientes suposiciones:
1. Solamente hay un servidor.
2. La población de unidades que buscan servicio es finita.
3. Las llegadas siguen una distribución de Poisson y los tiempos de servicio se distribuyen exponencialmente.
4. Los clientes son atendidos con base en el principio de primero en llegar, primero en ser atendido.
Ecuaciones para el modelo de población finita

λ = tasa de llegadas promedio y sigue una distribución poisson
μ = tasa de servicio ´promedio y sigue una distribución exponencial
F = Tamaño de la población finita
❖ La probabilidad de que el sistema este vacío:
1
𝑃0 =
𝐹! 𝜆 𝑛
∑𝐹𝑛=0 ( )
(𝐹 − 𝑛)! 𝜇
❖ Longitud promedio de la cola:
𝜆+𝜇
𝐿𝑞 = 𝐹 − ( ) (1 − 𝑃0 )
𝜆
Página 63 de 82
❖ Numero promedio de clientes (unidades) dentro del sistema:
𝐿 = 𝐿𝑞 + (1 − 𝑃0 )
❖ Tiempo de espera promedio en la cola:
𝐿𝑞
𝑊𝑞 =
(𝐹 − 𝐿)𝜆
❖ Tiempo promedio en el sistema:
1
𝑊 = 𝑊𝑞 +
𝜇
❖ Probabilidad de n unidades en el sistema:
𝐹! 𝜆 𝑛
𝑃𝑛 = ( ) 𝑃0 𝑝𝑎𝑟𝑎 𝑛 = 0,1, . . . . 𝐹
(𝐹 − 𝑛)!) 𝜇
Ejemplo. Los registros existentes indican que cada una de las cinco impresoras “planas” de alta velocidad del
Departamento de Comercio D.C., necesitan reparación después de aproximadamente 20 horas de uso. Se ha determinado
que las descomposturas tienen distribución de Poisson. El único técnico que está de turno puede dar servicio a una
impresora en un promedio de dos horas, siguiendo una distribución exponencial.
Para calcular las características de operación del sistema, primero se observa que la tasa promedio de llegadas es λ =
1/20 = 0.05 impresoras/hora. La tasa promedio de servicio es μ = 1/2 = 0.5 impresoras/hora. Entonces,
❖ La probabilidad de que el sistema este vacío:
1 1
𝑃0 = 𝑛 = = 0.564
𝐹! 𝜆 5! 0.05 𝑛
∑𝐹𝑛=0 ( ) ∑5𝑛=0 ( )
(𝐹 − 𝑛)! 𝜇 (5 − 𝑛)! 0.5
❖ Longitud promedio de la cola:
𝜆+𝜇 0.05 + 0.5

𝐿𝑞 = 𝐹 − ( ) (1 − 𝑃0 ) = 5 − ( ) (1 − 𝑃0 ) = 5 − (11)(1 − 0.564) = 5 − 4.8 = 0.2 𝑖𝑚𝑝𝑟𝑒𝑠𝑜𝑟𝑎
𝜆 0.05
Página 64 de 82
❖ Numero promedio de clientes (unidades) dentro del sistema:
𝐿 = 𝐿𝑞 + (1 − 𝑃0 ) = 0.2 + (1 − 0.564) = 0.64 𝑖𝑚𝑝𝑟𝑒𝑠𝑜𝑟𝑎
❖ Tiempo de espera promedio en la cola:
𝐿𝑞 0.2 0.2
𝑊𝑞 = = = = 0.91 ℎ𝑜𝑟𝑎𝑠
(𝐹 − 𝐿)𝜆 (5 − 0.64)(0.05) 0.22
❖ Tiempo promedio en el sistema:
1 1
𝑊 = 𝑊𝑞 + = 0.91 + = 2.91 ℎ𝑜𝑟𝑎𝑠
𝜇 0.5
Si los costos de los tiempos muertos por impresora son de $120 por hora y al técnico se le pagan $25 por hora, también
se puede calcular el costo total por hora:
Costo total por hora = (Numero promedio de impresoras descompuestas)(costo por hora descompuesta) + costo por hora tecnico
𝐶𝑜𝑠𝑡𝑜 𝑡𝑜𝑡𝑎𝑙 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎 = (0.64)($120) + $25 = $76.8 + $25 = $101.8
MODELO DE POBLACION FINITA (M/M/S /…/F) con fuente o población finita F
El modelo (M/M/S /…/F) es el sistema de espera con población finita que presupone:
❖ Tiempo entre llegadas independientes según una ley exponencial de parámetro 𝜆𝑛 .

❖ Tiempo de servicio por servidor ocupado independiente e idénticamente distribuido según una ley exponencial de
parámetro μ.
❖ Un conjunto de servidores en paralelo S > 1.
❖ Una población finita de usuarios limitados por el valor F. Para simplificar se supone F > S.
Es un caso particular de proceso de nacimiento y muerte donde la tasa de llegadas por unidad de tiempo es variable
según el estado del sistema, si hay usuarios en el sistema entonces el resto de la población potencial F −𝑛 usuarios, y la
tasa de salidas por unidad de tiempo es constante, es decir,
(𝐹 − 𝑛)𝜆 𝑛 = 0,1,2, . . . . , 𝐹
𝜆𝑛 = { }
0 𝑛 =𝐹+1
Página 65 de 82
𝑆𝜇 𝑛 = 𝑆, 𝑆 + 1, . . . . , 𝐹
𝜇𝑛 = { }
0 𝑛 = 𝐹 + 1, 𝐹 + 2. . .
El diagrama de las tasas de transición en el modelo (M/M/S /…/F), se aprecia en la siguiente figura:
El sistema de espera siempre alcanzara un régimen estacionario
𝜆
El cociente թ, թ = y denota el factor de carga del sistema de espera
𝑆𝜇
En este caso
𝐹! 𝜆 𝑛
( ) 𝑛 = 1,2, . . . . , 𝑆 − 1
(𝐹 − 𝑛)! 𝑛! 𝜇
𝜆0 𝜆1 . . . . 𝜆𝑛−1
𝐶𝑛 = = 𝐹! 𝜆 𝑛 𝜆 𝑛−𝑆
𝜇1 𝜇2 . . . . 𝜇𝑛 ( ) ( ) 𝑛 = 𝑆, 𝑆 + 1, . . . 𝐹
(𝐹 − 𝑛)! 𝑆! 𝜇 𝑆𝜇
{0 𝑛 = 𝐹 + 1, 𝐹 + 2. . . . . . . }
𝐶0 = 1
Lo que facilita el estado del sistema en régimen estacionario como,
𝐹! 𝜆 𝑛
( ) 𝑃0 𝑛 = 1,2, . . . . , 𝑆 − 1
(𝐹 − 𝑛)! 𝑛! 𝜇
𝑃𝑛 = 𝐶𝑛 𝑃0 = 𝐹! 𝜆 𝑛 𝜆 𝑛−𝑆
( ) ( ) 𝑃0 𝑛 = 𝑆, 𝑆 + 1, . . . 𝐹
(𝐹 − 𝑛)! 𝑆! 𝜇 𝑆𝜇
{0 𝑛 = 𝐹 + 1, 𝐹 + 2. . . . . . . }
Ahora bien, como las 𝑃𝑛 definen una distribución de probabilidades del estado del sistema entonces hemos de comprobar
Página 66 de 82
∞ 𝐹
∑ 𝑃𝑛 = ∑ 𝐶𝑛 𝑃0 = 1
𝑛=0 𝑛=0
1 1
𝑃0 = =
∑𝐹𝑛=0 𝐶𝑛 𝐹! 𝜆 𝑛
𝐹! 𝜆 𝑆 𝜆 𝑛−𝑆
∑𝐹𝑛=0 ( ) + ∑𝐾
𝑛=𝑆 (𝐹 − 𝑛)! 𝑆! 𝜇 ) (𝜇 )
(
(𝐹 − 𝑛)! 𝜇
La esperanza matemática de la variable aleatoria longitud de la cola en un sistema de espera (M/M/S /…/F)
∞ 𝐹
𝐿𝑞 = ∑(𝑛 − 𝑆)𝑃𝑛 = ∑(𝑛 − 𝑆)𝑃𝑛

𝑛=𝑆 𝑛=𝑆
No se puede llegar a una expresión analítica compacta y los cálculos con población finita se desarrollan a partir de tablas
especificas.
La esperanza matemática de la variable aleatoria estado del sistema se puede deducir a partir de 𝐿𝑞
∞ 𝑆−1 𝐹 𝑆−1 𝐹 𝑆−1 𝐹 𝐹
𝐿 = ∑ 𝑛𝑃𝑛 = ∑ 𝑛𝑃𝑛 + ∑ 𝑛𝑃𝑛 = ∑ 𝑛𝑃𝑛 + ∑(𝑛 − 𝑆 + 𝑆)𝑃𝑛 = ∑ 𝑛𝑃𝑛 + ∑(𝑛 − 𝑆)𝑃𝑛 + ∑ 𝑆𝑃𝑛 =
𝑛=0 𝑛=0 𝑛=𝑆 𝑛=0 𝑛=𝑆 𝑛=0 𝑛=𝑆 𝑛=𝑆
𝑆−1 𝐹 𝑆−1 𝑆−1
𝐿 = ∑ 𝑛𝑃𝑛 + 𝐿𝑞 + 𝑆 ∑ 𝑃𝑛 = ∑ 𝑛𝑃𝑛 + 𝐿𝑞 + 𝑆 (1 − ∑ 𝑃𝑛 )
𝑛=0 𝑛=𝑆 𝑛=0 𝑛=0
𝑆−1 𝑆−1
𝐿 = ∑ 𝑛𝑃𝑛 + 𝐿𝑞 + 𝑆 (1 − ∑ 𝑃𝑛 )
𝑛=0 𝑛=0
Al no tener una tasa de llegadas por unidad de tiempo constante, se necesita calcular la tasa promedio de llegadas por
unidad de tiempo 𝜆̅.
∞ 𝐹 𝐹 𝐹
𝜆̅ = 𝜆𝑒𝑓 = ∑ 𝜆𝑛 𝑃𝑛 = ∑(𝐹 − 𝑛)𝜆𝑃𝑛 = ∑ 𝐹𝜆𝑃𝑛 − ∑ 𝑛𝜆𝑃𝑛 =

𝑛=0 𝑛=0 𝑛=0 𝑛=0
𝜆̅ = 𝜆𝑒𝑓 = 𝐹𝜆 − 𝜆 ∑ 𝑛𝑃𝑛 = 𝐹𝜆 − 𝐿𝜆 = (𝐹 − 𝐿)𝜆

𝑛=0
Página 67 de 82
𝜆̅ = 𝜆𝑒𝑓 = (𝐹 − 𝐿)𝜆
La utilización de las fórmulas de Little permite deducir el tiempo medio de espera en el sistema W,
𝐿
𝑊 = 𝐸[𝑊] =
𝜆̅
La esperanza matemática del tiempo medio a la cola 𝑊𝑞 es,
𝐿𝑞
𝑊𝑞 = 𝐸[𝑊𝑞 ] =
𝜆̅
MODELOS CON TASAS DE LLEGADAS Y SERVICIOS EN FUNCIÓN DEL ESTADO
Hasta ahora se ha supuesto que la tasa de servicio por servidor era constante, pero esta hipótesis no parece demasiado
válida en la realidad, por ejemplo, cuando hay acumulación de trabajo en un sistema de espera como puede ser una
panadería o en la ventanilla de un banco, el servidor tiende a trabajar más rápido haciendo incrementar la tasa de
servicios por unidad de tiempo. Por el lado de las llegadas también es frecuente observar sistemas reales donde las colas
largas provocan una disminución de la tasa de llegadas, las mismas situaciones concretas que ilustraban la variación en
la tasa de servicio son susceptibles de provocar la reducción de la tasa de llegadas, por ejemplo, en una ventanilla de
banco con mucha cola todo el mundo podría pensar ya volveré otro día y en la panadería muy llena y con mucha cola se
piensa en ir a otro lado menos congestionado o esperar otra ocasión para poder comprar el pan.
El tratamiento analítico de los modelos de espera que incorporan la variación de tasas de llegada y servicio en función
del estado del sistema, sin abandonar la hipótesis de tiempo entre incidentes exponenciales, son más complejos y no
suelen tener disponibles expresiones analíticas compactas, aun forzando el uso de tablas para la determinación de
𝑃0 , 𝐿, 𝐿𝑞 , 𝑊, 𝑊𝑞 .
A continuación, se propone el modelo que cumple con la variabilidad de tasas de llegadas y servicio en función del estado.
Se supone una población infinita y una capacidad de la cola del sistema ilimitada.
Sea μ la tasa de servicio promedio por unidad de tiempo cuando sólo haya un usuario en el sistema y sea 𝜆0 la tasa de
llegadas promedio por unidad de tiempo cuando el sistema está vacío.
Se define adicionalmente,
❖ El coeficiente de presión a, que impulsa el incremento de la velocidad del servicio.

❖ El coeficiente de rechazo b, que facilita el decremento de la tasa de llegadas a medida que el sistema se colapsa.
En un sistema de esperanza con un único servidor (S=1) se puede definir,
𝜆𝑛 = (𝑛 + 1)−𝑏 𝜆0 𝑛 = 0,1,2, . . ..
Página 68 de 82
𝜇𝑛 = 𝑛𝑎 𝜇1 𝑛 = 0,1,2, . . ..
En este caso,
𝑛
𝜆0
𝜆0 𝜆1 . . . . 𝜆𝑛−1 𝜆0 (2−𝑏 𝜆0 ) (3−𝑏 𝜆0 ). . . . . (𝑛−𝑏 𝜆0 ) ( ⁄𝜇1 )
𝐶𝑛 = = = 𝑛 = 1,2, . . . ..
𝜇1 𝜇2 . . . . 𝜇𝑛 𝜇1 (2𝑎 𝜇1 )(3𝑎 𝜇1 ). . . . . (𝑛𝑎 𝜇1 ) (𝑛!)𝑎+𝑏
𝐶0 = 1
En un sistema de espera con servidores se puede definir un modelo genérico que relaciona las tasas de incidentes con el
nombre de usuarios en el sistema por servidor,
𝜆0 𝑛 = 0,1,2, . . . . , 𝑆 − 1
𝑏
𝜆𝑛 = { 𝑆 }
( ) 𝜆0 𝑛 = 𝑆, 𝑆 + 1, . . . .
𝑛+1
𝑛𝜇1 𝑛 = 0,1,2, . . . . , 𝑆
𝜇𝑛 = { 𝑛 𝑎 }
( ) 𝑆𝜇1 𝑛 = 𝑠 + 1, . . . . .
𝑆
En este caso,
1 𝜆0 𝑛
( ) 𝑛 = 1,2, . . . . , 𝑆 − 1
𝜆0 𝜆1 . . . . 𝜆𝑛−1 𝑛! 𝜇1
𝐶𝑛 = = 1 𝜆 𝑛 1
𝜇1 𝜇2 . . . . 𝜇𝑛 0
( ) 𝑎+𝑏
𝑆! 𝜇1 (𝑛!⁄ ) 𝑆 (1−𝑎−𝑏)(𝑛−𝑆)
{ 𝑆! }
𝐶0 = 1
MODELO M/𝑬𝑲 /1/∞/FIFO
Características del modelo:

❖ Distribución de la tasa de arribo poisson
❖ Número de clientes potenciales = infinito
❖ Naturaleza de la cola = finita
❖ Numero de etapas de servicio K > 1
❖ Distribución del tiempo de servicio Erlang (gamma)
Página 69 de 82
❖ Probabilidad de que el sistema este vacío
𝑃0 = 1 − թ
❖ Número de clientes en el sistema
𝑘+1 թ2
𝐿=( )( )+թ
2𝑘 1−𝜌
❖ Número de clientes en la línea de espera
𝑘+1 թ2
𝐿𝑞 = ( )( )
2𝑘 1−𝜌
❖ Tiempo esperado en el sistema
𝑘+1 թ 1
𝑊=( )( )+
2𝑘 𝜇−𝜆 𝜇
❖ Tiempo esperado en la línea de cola
𝑘+1 թ
𝑊𝑞 = ( )( )
2𝑘 𝜇−𝜆
Ejemplo. Un empleado que comprueba solicitudes de servicio tiene que examinar 8 formas, lo que requiere en promedio
para cada una de 1 minuto. Los clientes arriban a una tasa promedio de 6 por hora. Las veces de servicio y los intervalosde
arribo están exponencialmente distribuidos. Encuentre:
a) La probabilidad de que el empleado este desocupado.
K=8
1
𝜇 = 1 𝑚𝑖𝑛𝑢𝑡𝑜 por forma, μ = 7.5 clientes / hora
8
1 1
V = media total del servicio = 𝐾 ( ) = = 8 minutos/cliente
𝐾𝜇 𝜇
𝜆 = 6 clientes/hora
𝜆 6
թ= = = 0.8
𝜇 7.5
Página 70 de 82
𝑃0 = թ0 (1 − թ) = (0.8)0 (1 − 0.8) = 1(0.2) = 0.2
b) El número de promedio de personas que esperan ser atendidos
𝐾+1 թ2 8+1 0.82 9 0.64 5.76

𝐿𝑞 = ( )( )=( )( )= ( )= = 1.8 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑐𝑜𝑙𝑎
2𝐾 1−թ 2(8) 1 − 0.8 16 0.2 0.2
c) El número promedio de clientes en el sistema
𝐿 = 𝐿𝑞 + թ = 1.8 + 0.8 = 2.6 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
d) El tiempo promedio antes de servicio
𝑘+1 թ 8+1 0.8 7.2

𝑊𝑞 = ( )( ) = ( )( )= = 0.3 ℎ𝑜𝑟𝑎𝑠 = 18 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑛𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎
2𝑘 𝜇−𝜆 2(8) 7.5 − 6 24
e) El tiempo promedio en el sistema
1 1
𝑊 = 𝑊𝑞 + = 0.3 + = 0.433 ℎ𝑜𝑟𝑎𝑠 ≈ 26 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜇 7.5
MODELO M/M/1/∞/FIFO CON COLA TRUNCADA A UN MAXIMO DE “C”
Características del modelo:

❖ Distribución de la tasa de arribo poisson
❖ Número de clientes potenciales = infinito
❖ Naturaleza de la cola = finita y truncada a un máximo C
❖ Numero de etapas de servicio K = 1
❖ Distribución del tiempo de servicio exponencial
1−թ
𝑃0 =
1 − թ𝐶+1
❖ Probabilidad de n clientes en el sistema
Página 71 de 82
𝐶
1−թ
𝑃𝑛 = ∑ թ𝑛 𝑛≤𝐶
1 − թ𝐶+1
𝑛=0
թ (𝐶 + 1)թ𝐶+1
𝐿= −
1−թ 1 − թ𝐶+1
թ2 (𝐶 + 1)թ𝐶+1
𝐿𝑞 = −
1−թ 1 − թ𝐶+1
𝐿
𝑊=
𝜆
𝐿𝑞
𝑊𝑞 =
𝜆
Ejemplo. Un establecimiento de reparaciones, atendida por un solo operario, tiene un promedio de cuatro clientes por
hora, los cuales traen pequeños aparatos a reparar. El mecánico los inspecciona para encontrar los defectos y muy a
menudo puede arreglarlos de inmediato, o de otro modo emitir un diagnóstico. Esto le toma seis minutos como
promedio. Los arribos tienen una distribución de Poisson y el tiempo de servicio es una distribución exponencial. No
obstante, si hay 3 clientes en el establecimiento, cualquier otro que llegue no se formara en la fila. Encuentre:
a) La proporción de tiempo durante el cual el establecimiento esta vacío.
𝜆 4
C = 3, 𝜆 = 4 clientes / hora, μ = 10 clientes/hora, թ = = = 0.4 .
𝜇 10
1−թ 1 − 0.4
𝑃0 = = = 0.6157
1 − թ𝐶+1 1 − 0.42
b) El numero promedio de clientes en el sistema
թ (𝐶 + 1)թ𝐶+1 0.4 4 × 0.44

𝐿= − = − = 0.5619 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
1−թ 1 − թ𝐶+1 0.6 1 − 0.44
Página 72 de 82
c) El numero promedio de clientes que esperan servicio
թ2 (𝐶 + 1)թ𝐶+1 0.42 4 × 0.44

𝐿𝑞 = − = − = 0.1616 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑙𝑎 𝑙𝑖𝑛𝑒𝑎 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎
1−թ 1 − թ𝐶+1 0.6 1 − 0.44
d) El tiempo promedio empleado en el sistema
𝐿 0.5619
𝑊= = = 0.1405 ℎ𝑜𝑟𝑎𝑠 ≈ 8.43 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝜆 4
e) El tiempo promedio empleado en la cola
𝐿𝑞 0.1616
𝑊𝑞 = = = 0.0404 ℎ𝑜𝑟𝑎𝑠 = 2.424 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑛𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑐𝑜𝑙𝑎
𝜆 4
f) Verificar que nunca haya más de 3 clientes en el establecimiento por la formula 𝑃𝑛
𝐶
1−թ 𝑛
1−թ 1 − թ𝐶+1 1 − 0.4 1 − 0.44
𝑃𝑛<𝐶 = ∑ թ = ( ) ( ) = ( )( ) =1
1 − թ𝐶+1 1 − թ𝐶+1 1−թ 1 − 0.44 1 − 0.4
𝑛=0
MODELOS DE COLAS NO EXPONENCIALES

Los modelos de colas que se han visto hasta el momento estaban basados en los procesos de nacimiento y muerte y
suponían una distribución entre incidentes (entre llegadas o entre inicio y fin de servicio) de carácter exponencial. Esta
hipótesis puede resultar inexacta para modelar determinadas situaciones, como por ejemplo las llegadas programadas
para pasar la ITV o las colas que se forman cíclicamente en los semáforos de la ciudad. En el caso del servicio, si el tiempo
que requiere cada usuario es más o menos constante porque las tareas a realizar son las mismas, entonces la distribución
exponencial tampoco es adecuada. El análisis de los modelos no exponenciales, especialmente en el caso de las llegadas,
es más compleja y requiere herramientas matemáticas y desarrollos mucho más sofisticados. De alguna manera, existen
algunos casos particulares de modelos no exponenciales, el tratamiento de los cuales se pueden abordar en la práctica:
las expresiones para determinar las prestaciones de los modelos son resultados sencillos, no en demostración, pero si en
su aplicación.
MODELOS M/GI/∞/DG/∞/∞ Y GI/G/∞/DG/∞/∞

Hay muchos casos de sistemas de líneas de espera en los cuales un cliente nunca tiene que esperar para que comience
el servicio. En dichos sistemas, se podría pensar que la permanencia completa del cliente en el sistema es el tiempo de
servicio. Como un cliente nunca tiene que esperar el servicio, hay, en esencia, un servidor disponible para cada llegada,
y podríamos pensar que este es un sistema con servidores infinitos (o atiéndase usted mismo). Dos casos de un sistema
con servidores infinitos se presentan en la siguiente tabla:
TIEMPO DE SERVICIO
SITUACION LLEGADAS ESTADO DEL SISTEMA
(TIEMPO EN EL SISTEMA)
Página 73 de 82
Industria La compañía entra a la Tiempo hasta que la firma Número de compañías en
industria deja la industria la industria
Programas universitarios Los estudiantes entran a un Tiempo en que el Numero de estudiantes en
programa estudiante permanece en el programa
el programa
MODELO GI/G/∞/DG/∞/∞
Un sistema con servidores infinitos, en el cual los tiempos entre llegadas y de servicio pueden apegarse a una distribución
arbitraria de probabilidad, se podrían expresar como sistemas de colas GI/G/∞/DG/∞/∞, aplicando la notación Kendall-
Lee. Dicho sistema opera como sigue:
❖ Los tiempos entre llegadas son idénticamente distribuidos con distribución común. Definimos E(A) = 1⁄𝜆 . Por lo
tanto, 𝜆 es la tasa de llegadas.
❖ Cuando un cliente llega, entra inmediatamente al servicio. El tiempo de cada cliente en el sistema esta regido por
una distribución X que tiene E(X) = 1⁄𝜇 .
Sea L el numero esperado de clientes en el sistema en el estado estable, y W el tiempo previsto que un cliente pasa en el
sistema. Por definición, W = 1⁄𝜇 .
Entonces de la ecuación 𝐿𝑠 = 𝜆𝑊𝑆 (donde 𝐿𝑆 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 𝑦 𝑊𝑆 =
𝑡𝑖𝑒𝑚𝑝𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑞𝑢𝑒 𝑢𝑛 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 𝑝𝑎𝑠𝑎 𝑒𝑛 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜) se infiere que
𝜆
𝐿=
𝜇
La anterior ecuación no requiere ninguna suposición de exponencialidad. Si los tiempos entre llegadas son exponenciales,
se puede demostrar que (incluso para una distribución de tiempo de servicio arbitrario) la probabilidad de estado estable
𝜆
de que n clientes estén presentes (llámese 𝑃𝑛 ) sigue una distribución poisson con media . De donde se infiere que
𝜇
𝜆 𝑛 𝜆
( ) 𝑒 − ⁄𝜇
𝜇
𝑃𝑛 =
𝑛!
Ejemplo. Durante cada año, un promedio de 3 heladerías o fuentes de soda abre sus puertas en Smalltown. El promedio
de tiempo en que una fuente de sodas permanece en el negocio es de 10 años. ¿cuál es el número promedio de heladerías
que encontrarás en Smalltown el primero de enero de 2025? Si el tiempo entre la apertura de heladerías es exponencial,
¿cuál es la probabilidad de que el 1 de enero, 2525, haya 25 heladerías en Smalltown?
Página 74 de 82
Sabemos que 𝜆 = 3 tiendas por año y que 1⁄𝜇 = 10 años por heladería. Si suponemos que el estado estable ya se alcanzo,
1
habrá un promedio de 𝐿 = 𝜆 ( ) = 3(10) = 30 heladerías en Smalltown. Si los tiempos entre llegadas de las heladerías son
𝜇
exponenciales, entonces,
(30)25 𝑒 −30
𝑃25 = = 0.05
25!
MODELO M/G/1/DG/∞/∞
Los sistemas de espera que responden a modelos M/G/1 son aquellos que:
❖ Las llegadas al sistema por unidad de tiempo tienen una tasa constante igual a 𝜆 y están distribuidas según una ley
de Poisson, es decir los tiempos entre llegadas al sistema son independientes e idénticamente distribuidas
exponencialmente.
❖ Los tiempos de servicio tienen una distribución de probabilidad común cualquiera o arbitraria y son mutuamente
independientes, de esperanza matemática 1/μ y varianza 𝜎 2 .
❖ El sistema de espera sólo dispone de un único servidor, es decir S = 1.
❖ Numero de clientes potenciales = infinito
❖ Naturaleza de la cola = finita
❖ Numero de etapas de servicio K = 1
La teoría de los modelos no exponenciales demuestra que para alcanzar un estado estacionario es suficiente que la
relación entre tasas de llegadas y la tasa de salidas del sistema por unidad de tiempo sea inferior a la unidad, es decir, el
𝜆
factor carga del sistema թ tiene que cumplir que թ = < 1.
𝜇
La fórmula de Pollaczek-Khintchine determina la esperanza matemática de la longitud de cola en régimen estacionario:

𝐿𝑞 . A partir de las fórmulas de Little salen el resto de indicadores del modelo, L, W y 𝑊𝑞 .
La fórmula de Pollaczek-Khintchine es:
𝜆2 𝜎 2 + թ2
𝐿𝑞 =
2(1 − թ)
Es una fórmula muy sencilla para la gran potencia cantidad de modelos que trata y ha facilitado que los modelos M/G/1
sean utilizados habitualmente a la práctica. Se puede observar que, para un factor de carga determinado, la longitud de
cola aumenta proporcionalmente a la varianza del tiempo de servicio, lo que es coherente trasladarlo a la realidad.
𝑃0 = 1 − թ
Página 75 de 82
𝐿 = 𝐿𝑞 + թ
𝜆2 𝜎 2 + թ2
𝐿𝑞 =
2(1 − թ)
𝐿
𝑊=
𝜆
𝐿𝑞
𝑊𝑞 =
𝜆
Ejemplo. Un establecimiento de reparaciones, atendida por un solo operario, tiene un promedio de cuatro clientes por
hora, los cuales traen pequeños aparatos a reparar. El mecánico los inspecciona para encontrar los defectos y muy a
menudo puede arreglarlos de inmediato, o de otro modo emitir un diagnóstico. Esto le toma seis minutos como promedio
y varianza de 𝜎 2 = 1/8. Los arribos tienen una distribución de Poisson y el tiempo de servicio es una distribución normal.
Encuentre el número de personas esperando en la línea de espera o cola.
𝜆 = 4 clientes / hora
𝜎 2 = 1/8
1
= 6 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 / 𝑐𝑙𝑖𝑒𝑛𝑡𝑒 , μ = 10 clientes/hora
𝜇
𝜆 4
թ= = = 0.4
𝜇 10
𝜆2 𝜎 2 + թ2 42 (1/8) + (0.4)2
𝐿𝑞 = = = 1.8 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑒𝑛 𝑐𝑜𝑙𝑎
2(1 − թ) 2(1 − 0.4)
Página 76 de 82
LINEAS DE ESPERA EXPONENCIALES EN SERIE Y REDES ABIERTAS DE LINEAS DE ESPERA

En los modelos de colas que hemos estudiado hasta ahora, un tiempo de servicio completo al cliente transcurre en un
solo servidor En muchas situaciones (como la producción de un artículo en una línea de ensamble), el servicio del cliente
no está completo hasta que el cliente haya sido atendido por más de un servidor. Al ingresar al sistema, tal como se
muestra en la figura, la llegada se somete a la etapa 1 de servicio (después de esperar en la cola, si todos los servidores
de la etapa 1 están ocupados cuando llega). Después de completar el servicio de la etapa 1, el cliente espera y tiene que
pasar por el servicio de la etapa 2. Este proceso continúa hasta que el cliente completa el servicio de la etapa k. Un
sistema como la figura se denomina sistemas de líneas de espera de k etapas en serie (o en tándem).
Colas exponenciales en serie
Un teorema notable debido a Jackson (1957) es el siguiente (ver Heyman y Sobel (1984) para una prueba):
TEOREMA. Si (1) los tiempos entre llegadas para un sistema de colas en serie son exponenciales con la tasa 𝜆, (2) los
tiempos de servicio por cada servidor de la etapa i son exponenciales, y (3) cada etapa tiene una sala de espera de
capacidad infinita, luego tiempos entre llegadas para llegadas a cada etapa de líneas de espera son exponenciales con
tasa 𝜆.
Para que este resultado sea válido, cada etapa debe tener suficiente capacidad de servicio para atender a los clientes que
arriban a una tasa 𝜆; si no es así, la cola se “amplificara” en la etapa cuya capacidad sea insuficiente. De acuerdo con el
estudio de sistemas de líneas de espera M / M / S / GD / ∞ / ∞, vemos que cada etapa tendrá la capacidad suficiente
para atender las llegadas que llegan con tasa 𝜆 si y solo si, para j = 1, 2, . . ., k, 𝜆 > 𝑆𝑗 𝜇𝑗 . Si 𝜆 < 𝑆𝑗 𝜇𝑗 , el resultado de Jackson
implica que la etapa j del sistema de figura puede analizarse como un sistema M / M / 𝑆𝑗 / GD / ∞ / ∞ con tiempos entre
llegadas exponenciales cuya tasa es 𝜆 y tiempos de servicio exponenciales con un tiempo de servicio medio 1⁄𝜇𝑗 . La
utilidad del resultado de Jackson se ilustra en el siguiente ejemplo.
Página 77 de 82
Ejemplo. Las últimas operaciones que se efectúan en un automóvil antes de que su manufactura este completa son
instalar el motor y poner los neumáticos. Un promedio de 54 automóviles que llegan por hora requieren estas dos
operaciones. Hay un trabajador disponible para instalar el motor, y es capaz de atender un promedio de 60 automóviles
por hora. Después de que ya se instaló el motor, el automóvil pasa a la estación de neumáticos y espera a que le pongan
sus neumáticos. Hay 3 trabajadores en cada estación. Cada uno trabaja en un automóvil a la vez, y es capaz de fijar los
neumáticos a un vehículo en un promedio de 3 minutos. Tanto los tiempos entre llegadas como los tiempos de servicio
son exponenciales.
a) determine la longitud media de la cola en cada estación de trabajo.
b) determine el tiempo total esperado que un automóvil pasa esperando el servicio.
Solución. Este es un sistema de líneas de espera en serie con 𝜆 = 54 automóviles, , 𝑆1 = 1, 𝜇1 =

60 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎, 𝑆2 = 3 𝑦 𝜇2 = 20 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎, tal como se muestra en la figura.
Como λ < 𝜇1 y λ < 3𝜇2 , ninguna cola se amplificará, por lo que es aplicable el teorema de Jackson. Por lo que toca a la
etapa 1 (motor), թ = 54⁄60 = 0.90 . Entonces:
a) determine la longitud media de la cola en cada estación de trabajo.
En la etapa 1:
թ2 (0.90)2
𝐿𝑞 (𝑝𝑎𝑟𝑎 𝑒𝑙 𝑚𝑜𝑡𝑜𝑟) = ( )=[ ] = 8.1 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠
1−թ 1 − 0.90
Ahora,
Página 78 de 82
𝐿𝑞 8.1
𝑊𝑞 (𝑝𝑎𝑟𝑎 𝑒𝑙 𝑚𝑜𝑡𝑜𝑟) = = = 0.15 ℎ𝑜𝑟𝑎𝑠
𝜆 54
54
Etapa 2. En lo que se refiere a la etapa 2 (neumáticos), թ = = 0.90.
3(20)
En la siguiente tabla se encuentra que para թ = 0.90 y S = 3, P( n ≥ 3) ó P( j ≥ 3) = 0.83.
𝑃(𝑗 ≥ 𝑆)թ 0.83 × 0.90

𝐿𝑞 (𝑝𝑎𝑟𝑎 𝑙𝑜𝑠 𝑛𝑒𝑢𝑚𝑎𝑡𝑖𝑐𝑜𝑠) = = = 7.47 𝑎𝑢𝑡𝑜𝑚𝑜𝑣𝑖𝑙𝑒𝑠
1−թ 1 − 0.90
b) determine el tiempo total esperado que un automóvil pasa esperando el servicio
Página 79 de 82
Entonces,
𝐿𝑞 7.47
𝑊𝑞 (𝑝𝑎𝑟𝑎 𝑙𝑜𝑠 𝑛𝑒𝑢𝑚𝑎𝑡𝑖𝑐𝑜𝑠) = = = 0.138 ℎ𝑜𝑟𝑎
𝜆 54
Por lo tanto, el tiempo total previsto que un automóvil pasa en espera de la instalación del motor y los neumáticos es
0.15 + 0.138 = 0.288 horas.
REDES ABIERTAS DE LINEAS DE ESPERA
Ahora describimos las redes de colas abiertas, una generalización de colas en serie. Como en la figura anterior, suponga
que la estación j consiste en servidores exponenciales 𝑆𝑗 , cada uno de los cuales opera a una tasa 𝜇𝑗 . Se supone que los
clientes llegan a la estación j desde fuera del sistema de colas a una tasa 𝑟𝑗 . También se supone que estos tiempos entre
llegadas están distribuidos exponencialmente. Una vez que complete el servicio en la estación i, un cliente se une a la
cola en la estación j con probabilidad 𝑃𝑖𝑗 y completa el servicio con probabilidad
𝑗=𝑘
1 − ∑ 𝑃𝑖𝑗
𝑗=1
Definamos 𝜆𝑗 , la tasa a la cual los clientes llegan a la estación j (esto incluye las llegadas a la estación j desde fuera del
sistema y desde otras estaciones). 𝜆1 , 𝜆2 . . . , 𝜆𝑘 se pueden determinar al resolver el siguiente sistema de ecuaciones
lineales:
𝑖=𝑘
𝜆𝑗 = 𝑟𝑗 + ∑ 𝑃𝑖𝑗 𝜆𝑖 (𝑗 = 1,2, . . . . , 𝑘)
𝑖=1
Esto se infiere porque una fracción 𝑃𝑖𝑗 de las llegadas 𝜆𝑖 a la estación i llegaran luego a la estación j. Supongamos que
𝑆𝑖 𝜇𝑗 > 𝜆𝑗 se cumple para todas las estaciones. Entonces se puede demostrar que la distribución de probabilidad del
número de clientes presentes en la estación j y el numero esperado de clientes presentes en la estación j se puede
determinar si se trata a la estación j como un sistema M/M/𝑆𝑗 /DG/∞/∞ con tasa de llegadas 𝜆𝑗 y tasa de servicio 𝜇𝑗 .Si
para alguna j, 𝑆𝑗 𝜇𝑗 ≤ 𝜆𝑗 , no existe distribución de estado estable de los clientes. Vale la pena hacer notar que la cantidad
de clientes presentes en cada estación es una variable aleatoria independiente. Es decir, conocer la cantidad de personas
en todas las estaciones que no son la estación j no nos dice nada respecto a la distribución del numero de personas de la
estación j. Este resultado no se cumple en el caso de que no sean exponenciales los tiempos entre llegadas o los tiempos
de servicio.
Para determinar L, el numero esperado en el sistema de colas, sumar simplemente el número esperado de clientes
presentes en cada estación. El tiempo promedio que un cliente pasa en el sistema, W, se encuentra aplicando la formula
L = λW a todo el sistema. Aquí, λ = 𝑟1 + 𝑟2 +. . . . 𝑟𝑘 porque esto representa la cantidad promedio de clientes por unidad
de tiempo que llega al sistema. El siguiente ejemplo ilustra el análisis de redes abiertas de líneas de espera.
Ejemplo de redes abiertas de líneas de espera. Considere dos servidores. Un promedio de 8 clientes por hora llegan
desde fuera al servidor 1 y un promedio de 17 clientes por hora llegan desde fuera al servidor 2. Los tiempos entre
Página 80 de 82
llegadas son exponenciales. El servidor 1 es capaz de atender a una tasa exponencial de 20 clientes por hora, y el servidor
2 atiende a una tasa exponencial de 30 clientes por hora. Después de completar el servicio en el servidor 1, la mitad de
los clientes abandonan el sistema y la otra mitad van al servidor 2. Después de finalizar el servicio en el servidor 2, 3/4 de
los clientes completan sus tramites y 1/4 regresa al servidor 1.
a) ¿Qué fracción del tiempo está inactivo el servidor 1?

b) Encuentre el número esperado de clientes en cada servidor.
c) Encuentre el tiempo promedio que un cliente pasa en el sistema.
d) ¿Cómo cambiarían las respuestas a las partes (a) - (c) si el servidor 2 pudiera servir solo un promedio de 20 clientes
por hora?
Solución. Esta es una red abierta de líneas de espera con 𝑟1 = 8 clientes/hora y 𝑟2 = 17 clientes/hora. Asimismo, 𝑃12 =
0.5, 𝑃21 = 0.25 𝑦 𝑃11 = 𝑃22 = 0. Podemos determinar 𝜆1 𝑦 𝜆2 al resolver 𝜆1 = 8 + 0.25𝜆2 y 𝜆2 = 17 + 0.5𝜆1 . Así se
llega a 𝜆1 = 14 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ𝑜𝑟𝑎 y 𝜆2 = 24 clientes/hora.
a) ¿Qué fracción del tiempo está inactivo el servidor 1?
Se podría tratar al servidor 1 como un sistema M/M/1/DG/∞/∞ con λ = 14 clientes/hora y μ = 20 clientes/hora. Entonces
𝑃0 = 1−թ = 1 – 0.7 = 0.3. Por lo tanto, el servidor 1 esta desocupado 30% del tiempo.
b) Encuentre el número esperado de clientes en cada servidor.
𝜆 14 7 𝜆 24
𝐿 = = = 𝑒𝑛 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 1, 𝐿 = = = 4 𝑒𝑛 𝑒𝑙 𝑠𝑒𝑟𝑣𝑖𝑑𝑜𝑟 2
𝜇−𝜆 20−14 3 𝜇−𝜆 30−24
Por lo tanto un promedio de 7/3 + 4 = 19/3 clientes estará presente en el sistema.
c) Encuentre el tiempo promedio que un cliente pasa en el sistema.
L
W= , donde λ = 8 + 17 = 25 clientes/hora. De aqui que
λ
L 19⁄3 19
W= = = ℎ𝑜𝑟𝑎
λ 25 75
d) ¿Cómo cambiarían las respuestas a las partes (a) - (c) si el servidor 2 pudiera servir solo un promedio de 20 clientes
por hora?
En este caso, 𝑆2 𝜇2 = 20 < 𝜆2 , de modo que no existe estado estable.
Página 81 de 82
EVIDENCIA DE CLASE
Grabacion de la clase en MICROSOFT TEAMS
Página 82 de 82

Guia Teoria de Colas

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guia Teoria de Colas

Cargado por

Copyright:

Formatos disponibles

Corporación Universitaria Republicana

Facultad de Ingeniería y Ciencias Básicas

DESARROLLO DE LA CLASE – ESTRATEGIA A DESARROLLAR

MATERIAL DE APOYO – RECURSOS PARA EL APRENDIZAJE

SISTEMAS DE LINEAS DE ESPERA

PROCESO DE LINEAS DE ESPERA

El estado del sistema es el numero de clientes en el sistema.

SISTEMAS DE LINEAS DE ESPERA.

CARACTERISTICAS DE LAS LINEAS DE ESPERA

CAPACIDAD DEL SISTEMA

DISCIPLINAS DE LAS LINEAS DE ESPERA

CARACTERISTICAS SIMBOLO SIGNIFICADO

Tiempo entre llegadas D Determinístico

SIMBOLOGIA Y ALGUNAS RELACIONES GENERALES

U = 1⁄𝜆 Tiempo esperado entre llegadas (unidades de tiempo /cliente)

թ Factor de utilización del sistema

PAPEL DE LA DISTRIBUCION EXPONENCIAL

𝑓(𝑡) = 𝜆𝑒 −𝜆𝑡 , 𝑡 > 0

𝑃{𝑡 > 𝑇 + 𝑆|𝑡 > 𝑆} = 𝑃{𝑡 > 𝑇}

𝑃{𝑡 > 𝑌} = 1 − 𝑃{𝑡 < 𝑌} = 𝑒 −𝜆𝑌

𝑃{𝑡 > 𝑇 + 𝑆, 𝑡 > 𝑆} 𝑃{𝑡 > 𝑇 + 𝑆} 𝑒 −𝜆(𝑇+𝑆)

𝑓(𝑡) = 0.2𝑒 −0.2𝑡 , 𝑡 > 0

PROCESOS DE NACIMIENTO PURO Y MUERTE PURA

MODELO DE NACIMIENTO PURO

𝑝0 (𝑡) = 𝑃{𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 ≥ 𝑡}

Para un intervalo de tiempo suficientemente pequeño h > 0, tenemos:

𝑝𝑛 (𝑡) = 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒 𝑛 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑑𝑢𝑟𝑎𝑛𝑡𝑒 𝑡

Para un h > 0 suficientemente pequeño,

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

La solución de las ecuaciones diferenciales anteriores da

a) La tasa de nacimientos es:

𝜆 = (24 ℎ𝑜𝑟𝑎𝑠/𝑑𝑖𝑎)(60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠/ℎ𝑜𝑟𝑎)(1 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜/12 𝑚𝑖𝑛𝑢𝑡𝑜𝑠) = 120 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑑𝑖𝑎

Los nacimientos anuales son:

𝜆𝑡 = (120 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑑𝑖𝑎)(365 𝑑𝑖𝑎𝑠/𝑎ñ𝑜) = 43800 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠/𝑎ñ𝑜

(120 × 1)1 (𝑒 −120(1) )

MODELO DE MUERTE PURA

𝑝𝑛 (𝑡 + ℎ) = 𝑝𝑛 (𝑡)(1 − μℎ) + 𝑝𝑛+1 (𝑡)𝜇ℎ, 0 < 𝑛 < 𝑁

𝑝𝑁′ (𝑡) = −𝜇𝑝𝑛 (𝑡) + 𝜇𝑝𝑛+1 (𝑡), 0 < 𝑛 < 𝑁

𝑝0′ (𝑡) = 𝜇𝑝1 (𝑡)

La solución de estas ecuaciones es la distribución truncada de Poisson

De donde μ = 3, N = 15, n = 5 y t= 1,2,3,4,5 y 6.

𝑝𝑛≤5 (𝑡) = 𝑝0 (𝑡) + 𝑝1 (𝑡)+. . . . . +𝑝5 (𝑡)

Para validar, la tabla supongamos μt = 3 y t = 1, los cálculos serian los siguientes:

(3 × 1)15−0 𝑒 −3×1 (3)15 𝑒 −3

(3 × 1)15−1 𝑒 −3×1 (3)14 𝑒 −3

(3 × 1)15−2 𝑒 −3×1 (3)13 𝑒 −3

(3 × 1)15−3 𝑒 −3×1 (3)12 𝑒 −3

(3 × 1)15−4 𝑒 −3×1 (3)11 𝑒 −3

(3 × 1)15−5 𝑒 −3×1 (3)10 𝑒 −3

La siguiente tabla presenta un resumen de las operaciones dado μt = 18.

𝐸{𝑛|𝑡 = 6} = 0.5537 𝑢𝑛𝑖𝑑𝑎𝑑

MODELO GENERALIZADO DE COLAS POISSON

Se definen y utilizan los siguientes símbolos para el modelo generalizado poisson:

El diagrama de transición de colas de poisson, es tal como se muestra en la siguiente figura:

(𝑇𝑎𝑠𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 ℎ𝑎𝑐𝑖𝑎 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛) = 𝜆𝑛−1 𝑃𝑛−1 + 𝜇𝑛+1 𝑃𝑛+1

(𝑇𝑎𝑠𝑎 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 𝑞𝑢𝑒 𝑠𝑎𝑙𝑒 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛) = (𝜆𝑛 + 𝜇𝑛 )𝑃𝑛

𝜆𝑛−1 𝑃𝑛−1 + 𝜇𝑛+1 𝑃𝑛+1 = 𝜆𝑛 𝑃𝑛 + 𝜇𝑛 𝑃𝑛 , 𝑛 = 1, 2, . . ..

Las ecuaciones de balance se resuelven recursivamente en función de 𝑃0 como sigue:

Para n= 0 la ecuación de balance es:

Para n= 1 la ecuación de balance es:

También se puede utilizar otra fórmula equivalente

El valor de 𝑃0 se determina con la ecuación: