Teoria de Colas - II

SIMULACIÓN Y LÍNEAS DE ESPERA
TEMA III TEORIA DE COLAS
MJL - MJA
November 25, 2019
MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 1

II- MODELOS MARKOVIANOS DE COLAS
Los modelos de colas clásicos son los modelos poissonianos, que
son también procesos de nacimiento y muerte.
M/M/1
M/M/1/K
M/M/m
M/M/m/K
M/M/R/K/K (modelo de reparación)
M/M/m/m (sistema depurado)
M/M/∞ (self-service)

COLA M/M/1/∞
Descripción
Los clientes llegan siguiendo un proceso de Poisson, parámetro
λ.
El servidor emplea un tiempo de servicio exp(µ) para atender
a cada cliente.
Hay un único servidor.
El modelo matemático es el de un proceso de nacimiento y muerte

con tasas de llegada y servicio constantes:
λn = λ n = 0, 1, 2, .....
µn = µ n = 1, 2, 3, .....

ESQUEMA DE TRABAJO:
1 Diagrama de tasas.
2 Ecuaciones de equilibrio.
3 Condición de estabilidad. Distribución estacionaria.
4 Expresiones caracterı́sticas del modelo.
5 Ejemplo.
Analicemos sus caracterı́sticas.
DIAGRAMA DE TASAS

Con las ecuaciones de equlibrio de flujos se obtiene
λ


 p1 = p0


 µ 2


 λ λ+µ λ

 p2 = − p0 + p1 = p0
µ µ µ


Todas las P
pn en función de p0
 3
λ
 p3 = p0 pi = 1


 µ
 ·········


 n
λ



 pn =
 p0
µ
Luego la condición de estabilidad de una cola M/M/1 es
λ
ρ= <1
µ

Determinamos el resto de probabilidades de ocupación, es decir la
distribución estacionaria de N = Número de clientes en el sistema
a largo plazo.
λ
p0 = P {N = 0} = 1 −
µ
········· n
λ λ
pn = P {N = n} = 1− = ρn (1 − ρ) n≥1
µ µ
Las probabilidades de ocupación no dependen realmente de λ y µ

sino de su cociente.

Llamamos factor de utilización del modelo M/M/1 a
λ
ρ= <1
µ
Si la disciplina de la cola es FCFS, se puede determinar facilmente
la distribución del tiempo de espera en el sistema Tq ,
λ

 1− , si a = 0


µ
P{Tq ≤ a} =

 1 − λ e −(µ−λ)a , si a > 0

µ

MEDIDAS DE EFECTIVIDAD DEL MODELO M/M/1
λ
Probabilidad de que el sistema esté vacio p0 = 1 −
µ
λ
Probabilidad de bloqueo pb = 1 − p0 =
µ
λ
N medio de clientes en el sistema L = E [N] =
µ−λ
1
Tiempo medio de permanencia en el sistema W = E [T ] =
µ−λ
1 λ
Tiempo medio de permanencia en cola Wq = W − =
µ (µ − λ) µ
λ2
N medio de clientes en cola Lq = λWq =
(µ − λ) µ
λ
N medio servidores ocupados Ls = L − Lq =
µ

RELACIÓN ENTRE λ, µ y L EN LA COLA M/M/1
Podemos ver la influencia de λ/µ no sólo en las probabilidades
estacionarias sino también en el resto de las medidas de las colas
λ/µ L
0,3 0,43
0,4 0,67
0,5 1
0,6 1,5
0,7 2,33
0,8 4
0,9 9
0,95 19
0,99 99
λ L
Cuando µ →1 L y W aumentan con rapidez W = λ

EJEMPLO 3
Al servicio de atención al cliente de una empresa llegan los clientes
siguiendo un proceso de Poisson de media 5 por hora.
Hay un empleado para atender estas reclamaciones.
El tiempo de atención al cliente se distribuye exponencialmente,
con una media de 10 minutos por cliente.
Analiza este sistema y da sus medidas de efectividad.
¿Se puede modelar como una cola M/M/1/∞ ?
No hay limitación del tamaño de la cola:

¿Hay equilibrio?
λ
¿es ρ = < 1?
µ

λ 5
Como λ = 5 c/h y µ = 6 c/h ρ= = < 1 hay estabilidad y
µ 6
podemos utilizar las expresiones de pn que hemos obtenido y
determinar:
Número medio de clientes en el sistema, por unidad de tiempo
(hora).
λ 5
L= = = 5 clientes
µ−λ 6−5
Número medio de clientes en la cola, por unidad de tiempo
(hora).
5
2
ρ2 6 25 25
Lq = = 5
= = = 4.1667 clientes.
1−ρ 1− 6
6 6

También podemos responder a una serie de preguntas:
1 En equilibrio: ¿Cuál es el valor del flujo de entrada?¿Cuál es

el valor del flujo de salida?
En equilibrio ambos flujos coinciden: 5 c/h.
2 ¿Que porcentaje del tiempo está desocupado el empleado?
5 1
p0 = 1 − ρ = 1 − = .
6 6
Luego un 17% del tiempo, una sexta parte del tiempo el sistema
está vacio.
Si el sistema estuviese ocupado siempre se atenderı́an a 6c/h.
Como sólo está ocupado 5/6 del tiempo
5/6 × λ = 5/6 × 6 = 5 clientes

Realmente se atiende a 5 clientes por hora.
1 Tiempo medio de permanencia en el sistema
1 1
W = = =1 hora
µ−λ 6−5
lo que parece mucho tiempo.
2 Probabilidad de que un cliente que llegue a hacer una
reclamación deba de esperar = 1-Prob de no tener que
esperar =1 − p0 =1- 1/6 = 5/6.
También se llama probabilidad de bloqueo.

3 Si hay 6 sillas. ¿Cuál es la probabilidad de encontrarnos
clientes que esperan?
7
X 1 − ρ8 5
P(N > 7) = 1− pn = 1−(1−ρ) = ρ8 = ( )8 = .23257
1−ρ 6
n=0

4 Si le empresa quiere que el 80% del tiempo haya suficientes
sillas para las personas que esperan ¿cuántas sillas son
necesarias?
Queremos p0 + p1 + · · · + pk ≥ 0, 8
(1 − ρ) + (1 − ρ)ρ + (1 − ρ)ρ2 + · · · + (1 − ρ)ρk ≥ 0, 8

h i 1 − ρk+1
(1 − ρ) 1 + ρ + ρ2 + · · · + ρk = (1 − ρ) = 1 − ρk+1
1−ρ
luego queremos
ρk+1 ≤ 0, 2

k+1
k+1 5
ρ = ≤ 0, 2
6
Una forma de resolver esta ecuación es utilizando logaritmos,

(otra es tanteo.)
(k + 1) log(5/6) ≤ log(0, 2) como log(5/6) < 0
log 0, 2
k≥ − 1 = 8, 8274 − 1 = 7, 8274 ' 8
log 56
Luego con 7 sillas es suficiente ya que uno de los clientes está
recibiendo el servicio.

COLA M/M/1/K
Descripción
Los clientes llegan siguiendo un proceso de Poisson, parámetro
λ.
El servidor emplea un tiempo de servicio exp(µ) para atender
a cada cliente.
Hay un único servidor.
El sistema tiene capacidad para K clientes.
λ λ λ λ 0
0 1 2 K
µ µ µ µ

El modelo matemático es el de un proceso de nacimiento y muerte:

λ, si n = 0, 1, 2, ...., K − 1,
λn =
0, si i ≥ K
µn = µ, n = 1, 2, 3, .....
Estable siempre que 0 < λ, µ < ∞ la distribución estacionaria Con

las ecuaciones de equlibrio de flujos se obtiene
λ


 p1 = p0



 µ
2

 λ
 p2 = p0


µ Todas las P
pn en función de p0
 ········· pi = 1
 k
λ




 pk = p0



 µ
pn = 0 n > k

EJEMPLO 4 (continuación ejemplo 3)
Supongamos ahora que sólo se dispone de 5 sillas para las personas
que esperan y que no se permite que haya nadie de pie.
Hay limitación de la capacidad del sistema. Veamos como influye
en la efectividad del sistema.
A) Calculemos primero el número medio de clientes que se
pierden por hora.
Para lo que necesitamos λ y para esto necesitamos pk .
En este caso ρ 6= 1, luego

λ
1− 6
λ
µ 1 − 5/6
6
5
p6 = 7 = 7
= 0, 0774
µ 1 − (5/6) 6
1− λ µ

luego la frecuencia de abandono es
λp6 = 5 × 0, 0774 = 0, 387 c/hora
Si nos interesa saber el número de clientes que no pueden ser

atendidos por dı́a, considerando que el servicio está abierto al
público 8 horas al dı́a
clientes que se pierden en media = 8 × 0, 387 c/dı́a

B) Tiempo medio que un cliente pasa en la oficina.
Por una parte, el número medio de clientes en la oficina es
h i
5/6 1 − 7 (5/6)6 + 6 (5/6)7
L= = 2, 29 clientes
(1 − 5/6) 1 − (5/6)7
λ = λ (1 − p6 ) = 5 (1 − 0, 0774) = 4, 613 c/hora

Utilizando la fórmula de Little
L 2, 29
W = = = 0, 496 horas
λ 4, 613
Se ha reducido el tiempo medio en el sistema en casi 1/2

hora, luego al limitar la capacidad de la cola mejora el
funcionamiento de dicho sistema, pero este tiene un coste que
se refleja en la pérdida de clientes que no pueden ser
atendidos.
C) Probabilidad de que cuando llegue un cliente pueda ser
atendido inmediatamente. Para que esto suceda el sistema
tiene que estar vacio.
1 − 5/6
p0 = = 0, 231
1 − (5/6)7

D) Tiempo medio que un cliente debe de estar sentado antes de
recibir el servicio.
Lq 1 1
Wq = = W − = 0, 496 − = 0, 329 horas
λ µ 6
E) Número esperado de sillas ocupadas
Lq = Wq λ = 0, 329 × 4, 613 = 1, 52 sillas ocupadas

EJEMPLO 5
Considrememos ahora un sistema de colas con las siguientes
carcterı́sticas
Sea una única lı́nea de espera que es atendida por 4 servidores
independientes, de similares caracterı́sticas, que atienden a los
clientes individualmente, empleando en su atención un tiempo
exponencial.
Cada servidor atiende en media a µ clientes por unidad de
tiempo.
Los clientes llegan de forma independiente de acuerdo con un
proceso de Poisson de intensidad λ clientes por unidad de
tiempo.

Analizamos en primer lugar el tiempo que el sistema tarda en tener
un cliente más.
Puesto que las llegadas al sistema se describen con un PP(λ)
sabemos que el tiempo entre las llegadas de clientes es una v.a.
exp(λ). Es decir, el tiempo que el sistema tarda en pasar de los
nodos (i) a (i + 1) es exponencial (λi ), con
λi = λ para i ≥ 0.
Para analizar el tiempo que transcurre hasta que un cliente sale del
sistema tenemos que tener en cuenta cuantos servidores están
trabajando simultáneamente.
Sea Si , i = 1, 2, 3, 4, el tiempo que emplea el servidor i en atender
a un cliente. Sabemos que son variables aleatorias independientes
idénticamente distribuidas, con distribución exp(µ).

SITUACIÓN 1
* Todos los servidores están ocupados, entonces el tiempo que
transcurre hasta que el sistema tiene un cliente menos es el
tiempo hasta que termina el primero de los servicios de los 4
clientes que están siendo atendidos. Es decir,
Tiempo hasta que sale el 1er cliente= min{S1 , S2 , S3 , S4 },
que es una v.a. con distribución exponencial de parámetro
(µ + µ + µ + µ) = exp(4µ).
* Este resultado indica que el tiempo que se tarda en pasar de
un sistema con 4 clientes a un sistema con 3 clientes es
exponencial(4µ). También es cierto cuando hay más de 4
clientes en el sistema, ya que en este caso los 4 servidores
están trabajando simultáneamente.
* En particular, la tasa de salida de un sistema con 4 servidores
cuando hay n ≥ 4 clientes en el sistema es µn = 4µ.

SITUACIÓN 2
* Hay 3 servidores ocupados y otro libre. Por consiguiente
tenemos 3 clientes en el sistema.
Supongamos que los servidores ocupados son 1, 2 y 3.
El tiempo que transcurre hasta que el sistema tiene un cliente
menos es el tiempo hasta que termina el primero de los
servicios de los 3 clientes que están siendo atendidos. Es decir,
Tiempo hasta que sale el 1er cliente= min{S1 , S2 , S3 },
(µ + µ + µ) = exp(3µ).
* Este resultado indica que el tiempo que se tarda en pasar de
un sistema con 3 clientes a un sistema con 2 clientes es
exponencial(3µ). En particular, la tasa de salida de un
sistema con 4 servidores cuando hay 3 clientes en el sistema
es µ3 = 3µ.

SITUACIÓN 3
* Hay 2 servidores ocupados y otros 2 libres. Por consiguiente
tenemos 2 clientes en el sistema. Supongamos que los
servidores ocupados son 1 y 2.
El tiempo que transcurre hasta que el sistema tiene un cliente
menos es el tiempo hasta que termina el primero de los
servicios de los 2 clientes que están siendo atendidos. Es decir,
Tiempo hasta que sale el 1er cliente = min{S1 , S2 },
(µ + µ) = exp(2µ). Este resultado indica que el tiempo que se
tarda en pasar de un sistema con 2 clientes a un sistema con 1
cliente es exponencial(2µ). En particular, la tasa de salida de
un sistema con 4 servidores cuando hay 2 clientes en el
sistema es µ2 = 2µ.

SITUACIÓN 4
* Hay 1 servidor ocupado y los demás están libres. Por
consiguiente tenemos 1 único cliente en el sistema.
Supongamos que el servidor ocupado es 1. El tiempo que
transcurre hasta que el sistema tiene un cliente menos es el
tiempo hasta que termina el servicio del único cliente que está
siendo atendido. Es decir,
Tiempo hasta que sale el único cliente = S1 ,
(µ) = exp(µ). Este resultado indica que el tiempo que se
tarda en pasar de un sistema con 1 cliente a un sistema con
0 clientes es exponencial(µ). En particular, la tasa de salida
de un sistema con 4 servidores cuando hay 1 cliente en el
sistema es µ1 = µ.

En resumen, el tiempo que se tarda en pasar de un sistema con (i)
clientes a un sistema con (i − 1) clientes también es
exponencial(µi ), con


 µ, si i = 1,
2µ, si i = 2,

µi =

 3µ, si i = 3,
4µ, si i ≥ 4.

El modelo es Markoviano y la dinámica del sistema se puede

representar gráficamente mediante un diagrama de flujo (o de
tasas):
λ λ λ λ λ λ
0 1 2 3 4 i
µ 2µ 3µ 4µ 4µ 4µ

¿Para qué parámetros λ, µ el sistema es estable?
Supongamos que los parámetros del modelo están elegidos de
forma que el sistema sea estable y supongamos que se conoce la
distribución estacionaria del estado del sistema
pn = P{N = n}, para n ≥ 0.
Por una parte la tasa promedio de entrada al sistema es

∞
X ∞
X
λ = λn P{N = n} = λn pn
n=0 n=0
∞
X
= λ pn = λ.
n=0
La tasa promedio de entrada al sistema coincide con la tasa de

llegada al sistema, o número medio de clientes que llegan al
sistema por unidad de tiempo.

Por otra parte, la tasa media de servicio del sistema por unidad de
tiempo, µ es
∞
1 X
µ = µn pn
1 − p0
n=1
∞
!
1 X
= µp1 + 2µp2 + 3µp3 + 4µ pn
1 − p0
n=4
µ
= (p1 + 2p2 + 3p3 + 4 (1 − p0 − p1 − p2 − p3 ))
1 − p0
µ
= (4 − 4p0 − 3p1 − 2p2 − p3 ) .
1 − p0

EJERCICIO
Un banco emplea cuatro cajeras para atender a sus clientes. Los
clientes llegan siguiendo un proceso de Poisson con una media de
tres clientes por minuto. Si un cliente encuentra todas las cajas
ocupadas se une a una cola a la que dan servicio todas las cajeras.
El tiempo para realizar las transacciones entre la cajera y el cliente
tiene una distribución exponencial con media dos minutos.
1 Construye el diagrama de tasas para este sistema de colas
2 Calcula, si es posible, las probabilidades de estado estable.
3 Estudia como influye en el sistema que el tiempo medio de
atención sea de 45 segundos.

COLA M/M/m
Consideremos un sistema de colas con llegadas de Poisson de
parámetro λ, tiempos de servicio exponenciales de parámetro µ.
Hay m servidores, igualmente eficientes y los clientes esperan en
una única cola.
El proceso {N(t); t ≥ 0} con N(t) = número de clientes en el
sistema en el instante t se puede modelar como un proceso de
nacimiento y muerte, con
λn = λ n = 0, 1, 2, . . .

nµ si n = 0, 1, . . . , m
µn =
mµ si n ≥ m

λ λ λ λ λ λ
0 1 2 m m+1
µ 2µ 3µ (m − 1)µ mµ mµ
λ
La condición de estabilidad es ρ = mµ < 1.
La distribución estacionaria
"m−1 #−1  −1

X (mρ)k m−1
(mρ)m X (λ/µ)k (λ/µ)m 
p0 = + = +
k! m! (1 − ρ) k! λ
m! 1 − mµ
k=0 k=0

(mρ)k (λ/µ)k
 

 k! p0 k = 0, 1, · · · m 
 k! p0 k = 0, 1, · · · m
pk = =
(mρ)k (λ/µ)k
 
p k ≥m p k ≥m
 
m!mk−m 0 m!mk−m 0
λ=λ
λ
El factor de utilización del sistema es en este caso ρ =
mµ
Calculamos algunas medidas de efectividad

m
∞ λ
X µ ρ
Lq = (k − m) pk = p0
k=m
m! (1 − ρ)2
L = Lq + ρ
Lq
Wq =
λ
1
W = Wq +
µ
También podemos calcular la probabilidad de que todos los

servidores estén ocupados.
m
∞ ∞ j λ
X X (λ/µ) µ
P (N ≥ m) = pn = p0 =
m!mj−m

j=m j=m m! 1 − λ mµ

EJEMPLO 6
En una población hay dos compañı́as de taxis cada una de ellas
con dos coches y comparten el mercado equitativamente, algo
evidente ya que las llamadas llegan a las oficinas centrales a razón
de 10 por hora, siguiendo un proceso de Poisson.
La duración media de una carrera es de 11,5 minutos, y los
tiempos del servicio se distribuyen exponencialmente.
Recientemente estas compañı́as han sido compradas por un
empresario que tiene que decidir si poner una sola central para
recibir las llamadas y los 4 vehı́culos atienden las peticiones o dejar
las cosas como están.
Lo primero que hizo fue mirar el factor de efectividad en ambos
casos
λ 10
a) ρ = 2µ = 2×(60/11,5) = 0, 958 95, 8%
λ 2×10
b) ρ= 4µ = 4(60/11,5) = 0, 958 95, 8%

Pero resultó ser el mismo en las dos opciones. Ası́ que decidió
comparar el tiempo de espera de los clientes
Opción A: Tenemos dos colas independientes e idénticas,
dos servidores cada una de ellas, es decir, dos modelos
M/M/2 sin limitación de capacidad.
60
µ= = 5, 217 c/h
11, 5
λ 10 ∼
ρ = = = 1, 917
µ 5, 217
λ 10
= =< 1
mµ 2 × 5, 217
" #−1
1, 9170 1, 917 (1, 917)2
p0 = + + = 0, 0212
2! 1 − 1.917

0! 1! 2

Luego el tiempo que espera un cliente es
1 1, 9173 × 0, 0212

Wq = = 2, 16 horas
10 1! × (2 − 1, 917)2
Opción B: Una sola cola con llegadas de Poisson de media

2λ y tiempos de servicio exponenciales y 4 servidores. El
modelo es M/M/4, que es estable ya que
λ 20
ρ= = = 3, 83
µ 5, 217
λ 10
= =< 1,
mµ 4 × 5, 217
con

−1
3, 830 3, 83 3, 832 3, 833 3, 834

p0 = + + + + = 0, 0042
0! 1! 2! 3! 4! (1 − 3, 83/4)
y un tiempo medio de espera
1 3, 835 × 0, 0042

Wq = = 1, 05 hora
20 3! × (4 − 3, 83)2
Vemos que con una sola oficina el tiempo de espera del cliente se
reduce en un 50%, luego si nos interesa que los clientes no esperen
mucho es mejor la opción B.
También podrı́amos calcular otras medidas como:
Porcentaje de tiempo que todos los taxis están ocupados:

Opción A: En cada sistema 2 ó más clientes
2 2
(1 − p0 − p1 ) = (1 − 0, 0212 − (1, 917 × 0, 0212)) = 0, 93822 = 0, 8802
El 88 % del tiempo están todos los taxis ocupados.

Opción B: En el sistema 4 ó más clientes
1 − p0 − p1 − p2 − p3 = 1 − 0, 090418 = 0, 9095
El 90 % del tiempo están todos los taxis ocupados.
p0 = 0, 0042
p1 = µλ p0 = 0, 0160
λ
p2 = 2µ p1 = 0, 03932
λ
p3 = 3µ p2 = 0, 0376

RESUMEN

COLA M/M/m/K
Es un modelo en el que las llegadas son de Poisson, los tiempos de
servicio son exponenciales hay m servidores pero hay limitación en
la capacidad de la cola.
Por ejemplo cuando se llama a una compañı́a aérea para hacer una
reserva puede que:
a) te atiendan inmediatamente, o
b) puede que no y en este caso:
− ó tenemos que esperar a que nos atiendan,
− ó directamente da señal de ocupado.

Esto último sucede cuando todos los operadores están ocupados y
hay un número determinado de llamadas que pueden estar en
espera.
Este sistema se puede modelar como un proceso de nacimiento y
muerte con:

λ, si 0 ≤ n < K
λn =
0, si n ≥ K

nµ, si 0 ≤ n ≤ m
µn =
mµ, si n ≥ m
La capacidad total del sistema es de K clientes.

Estamos suponiendo que la persona que no puede entrar en el
sistema no vuelve intentarlo, lo que no es demasiado realista. Pero
gracias a esta simplificación se puede hacer el estudio.
Es un modelo estable siempre que 0 < λ, µ < ∞
La tasa de entrada no es constante.
λ = λ (1 − pk )
Sea m = número esperado de servidores ociosos, entonces
m m
X X (λ/µ)n
m= (m − n) pn = (m − n) p0
n!
n=0 n=0
Y también como
λ = µ (m − m)
se tiene que
λ
m=m− .
µ

EJEMPLO 7 (continuación ejemplo 6)
En el ejemplo de los taxis, supongamos que el propietario decide
tener una única oficina, pero como no puede comprar más coches
ordena que cuando la lista de espera sea de 16 clientes no se
acepten más peticiones de servicio.
Veamos como afecta esta decisión al tiempo de espera.
Tener 16 clientes en cola equivale a tener 16 + 4 = 20 clientes en
el sistema. Es un sistema tipo M/M/4/20 con λ = 20c/h y
µ = 5, 217c/h. Este modelo alcanza el equilibrio.
Para calcular Wq necesitamos Lq y λ
( )−1
3, 834 1 − (3, 83/4)17

3.832 3, 833
p0 = 1 + 3.83 + + + = 0, 00753
2! 3! 4! (1 − 3, 83/4)

" #
3,835
16 16
3, 83 3, 83 3, 83
Lq = 0, 00753 1− − 16 1−
3! (4 − 3, 83)2 4 4 4
= 5, 85 clientes en espera
3,8320 ×0,00753
Por otra parte p20 = 4!×416
= 0, 03433 Luego
λ = λ (1 − p20 ) = 20 (1 − 0, 03433) = 19, 31 clientes/hora

Lq 5, 85
Wq = = = 0, 303 hora ' 18 minutos
λ 19, 31
De esa manera el tiempo de espera de los clientes se ha dividido
entre 3, pero esto lleva consigo una pérdida de clientes.
Exactamente p20 = 0, 03433 es decir el 3,4% de los clientes.
Pero en realidad puede haber mayores pérdidas.
Calculamos el número esperado de taxis libres
λ 19, 31
m=m− =4− = 0, 2986
µ 5, 217
SISTEMA M/M/R/K/K Modelo de reparación de máquinas
Hay sistemas en los que la población de clientes es finita.

Por ejemplo, una compañı́a aérea tiene técnicos para revisar y
reparar sus aviones.
En este caso los clientes son los aviones, y la empresa tiene un
número finito de aviones y el servidor el técnico.
Estos modelos reciben el nombre de Reparación de máquinas.
HIPÓTESIS DEL MODELO
Las máquinas se estropean independientemente unas de otras.

El tiempo entre las averı́as de una máquina, es una variable
aleatoria exponencial de parámetro λ, (λ es la frecuencia de
averı́a por máquina).

Una vez que se estropea una máquina, tiene que esperar a ser
reparada.
El tiempo de reparación de una máquina es exponencial de
parámetro µ.
En este caso,
{N(t), t ≥ 0}, con N(t) =número de máquinas averiadas en el
instante t.
Es un proceso de nacimiento y muerte, con caracterı́sticas
diferentes a las que hemos visto hasta ahora.
Si hay K máquinas y tres de ellas están estropeadas, sólo pueden
estropearse las K − 3 restantes, luego la tasa de llegadas depende
del número de clientes en el sistema.
Además puede haber uno o varios servidores, supongamos que hay
R.

λK λ(K-1) λ(K-2) λ(K-R+2) λ(K-R+1) λ(K-R) λ
0 1 2 R−1 R K
µ 2µ 3µ (R − 1)µ Rµ mµ Rµ
En este sistema el tamaño de la población que puede entrar al

sistema es finito, K. Las tasas de nacimiento y muerte son:

λ (K − n) , si 0 ≤ n < K
λn =
0, si n ≥ K

 nµ, si 0 ≤ n ≤ R
µn = Rµ, si R ≤ n ≤ K
0, si n ≥ K

Como es un proceso de nacimiento y muerte entonces

λ0 λ1 · · · λn−1
pn = p0 , 1 ≤ n ≤ K
µ1 µ2 · · · µn
y utilizando la condición de normalidad se obtiene que si
K , R < ∞ y 0 < λ, µ < ∞
a) El modelo es siempre estable.
b) La distribución lı́mite es

K
λ n


 n µ p0 0≤n≤R


pn = n

 n! µλ
 K

p0 R≤n≤N

n
R!R n−R
donde
 n −1
K n K λ
X λ X n! µ

K K
p0 = n + n
 µ R!R n−R 
n=0 n=R+1

PK
El número medio de máquinas averiadas es L = n=0 npn y las
demás caracterı́sticas son:
K
X
Lq = (R − n) pn
n=R
L
W = ,
λ
Lq
Wq = ,
λ
donde λ = λ (K − L) .

Fracción de tiempo que un servidor concreto está desocupado =
R −1 R −2 1
p0 + p1 + p2 + · · · + pR−1
R R R
Si sólo hay un servidor tenemos las siguientes expresiones

λ
Lq = K − 1 + (1 − p0 )
µ
1 − p0
L = K−
λ/µ

EJEMPLO 8
Una compañı́a tiene que decidir el número de técnicos reparadores
en servicio que necesita para sus 20 máquinas, de modo que el
tiempo medio que una máquina este sin funcionar sea inferior a 5
minutos.
Cada máquina tiene una media de 10 averias por hora. Las roturas
de las máquinas siguen un proceso de Poisson.
Un técnico necesita una media de 3 minutos para reparar una
máquina estropeada. El tiempo de reparación se distribuye
exponencialmente.
Clientes en el sistema = máquinas estropeadas esperando ser
reparadas.
Tenemos que hacer una análisis de los tiempos en el sistema
variando el nero de servidores.
λ = 10m/h, µ = 20m/h

Calculamos los tiempos que las mquinas esán en el sistema
(estropeadas) variando el número de servidores hasta que
encontremos el número que cumple las exigencias de la compañı́a,
y obtenemos
L W
R=3 14,00 0,23334
R=4 12,0081 0,15025
R=5 10,1125 0,10227
R=6 8,57 0,07
Con R = 6 se satisface la condición deseada.

En este caso podemos calcular
El número esperado de técnicos ociosos = 0,286.
La probabilidad de que todos los técnicos estén ocupados es

0,839

SISTEMA M/M/m//m/∞(SISTEMA DEPURADO)
Hay sistemas de colas en los que no se puede hacer cola. Se
pierden clientes si cuando solicitan el servicio todos los servidores
están ocupados.
Las llegadas que encuentran el sistema ocupado lo abandonan
dejando el sistema depurado. El sistema se ha liberado de los
clientes que no obtuvieron atención.
Si el tiempo medio de servicio es µ1 y la frecuencia de llegadas es

λ, entonces hay estabilidad cuando 0 < λ, µ < ∞, m < ∞.
En este sistema no tienen interés Lq , Wq ya que Lq = 0 = Wq ,
nunca hay cola.
 i −1
m λ
X µ
p0 = 
 
i!

i=0

m
λ
µ /m!
Probabilidad de perder clientes = pm = i
m λ
P µ
i!
i=0
1
W = Tiempo medio en el servicio = .
µ
λ (1 − pm )
L=
µ
pm depende de la distribución del tiempo de servicio sólo a través
de su media.
pm indica la proporción de clientes que se pierden porque el
sistema está ocupado. µλ y m determinan el valor de pm .
La probabilidad pm se conoce como Fórmula de pérdida de
Erlang.

Los resultados de la fórmula son ciertos para cualquier distribución
de servicio de media E [S] = 1/µ.
pm indica la proporción de clientes que se pierden porque el
sistema está ocupado.
EJEMPLO 9
Las llamadas a un servicio telefónico llegan siguiendo un proceso
de de Poisson de parámetro λ = 60 ll/h.
En media se tarda en atender una llamada 6 minutos. El tiempo de
atención se distribuye exponencialmente.
Hay 8 lı́neas para atender al público y las que no se pueden atender
inmediatamente se pierden.
La proporción de llamadas que se pierden es
68 /8!
P(p érdida) = p8 = P8 6i = 0, 12
i=0 i!

EJEMPLO 10
A una empresa de mensajerı́a le llegan una media de 20 peticiones
por hora de recogida de envı́os, siguiendo un proceso de Poisson.
El mensajero necesita unos 20 minutos en media para recoger el
paquete y llevarlo a la central, entonces puede ir a buscar otro.
¿Cuántos mensajeros debe de tener la empresa para asegurar que
como máximo el 1% de las veces no se pueda atender de inmediato
la solicitud del cliente?
Los tiempos entre recogidas se distribuyen exponencialmente.
1
λ = 20 paquetes/hora = 1/3h µ = 3p/h
µ
λ 20
= = 6, 67
µ 3

Queremos que la probabilidad de rechazo sea como máximo
Ps = 0, 01 : calculamos y observamos
si s = 13 p13 = 0, 011
si s = 14 p14 = 0, 05
Luego necesitamos s = 14 mensajeros

SISTEMA M/M/∞/ MODELO SELF-SERVICE
Hay muchos sistemas de colas en los que el cliente nunca tiene que
esperar para recibir el servicio.
En este caso podemos pensar que todo el tiempo que el cliente
está en el sistema es tiempo de servicio.
Como no hay que esperar se puede suponer que hay infinitos
servidores o que el cliente gestiona su propio servicio
Programa escolar: la llegada se produce cuando un estudiante

entra en el programa, el tiempo de servicio es el tiempo en el
sistema. El estado del sistema es el número de alumnos en el
programa.
Industria: La llegada se produce cuando la empresa entra en
la industria, el tiempo que la empresa está en activo, es el
tiempo en el sistema y el estado del sistema es el número de
empresas en la industria.
El examen de conducir: a cada persona le dan un examen, el
servidor es el mismo.
En un gran aparcamiento: el tiempo de servicio es el tiempo
que está aparcado el coche
Podemos generalizar:
En este modelo de sistemas el número de servidores es ilimitado
porque cada cliente es el servidor. No es el caso de un cajero
automático, ya que en ese caso la máquina es el servidor.
Las frecuencias de llegadas son
λn = λ ∀n ≥ 0
µn = nµ ∀n ≥ 1
En este caso tendremos distribución estacionaria para todo

0 < λ, µ < ∞.

Sustituyendo en las ecuaciones generales obtenemos
λn ρn λ
pn = n
p0 = p0 donde ρ =
n!µ n! µ
P
y como tiene que verificar pi = 1 se obtiene
1 1
p0 = ρ2
= = e −ρ
1+ρ+ + ··· eρ
2!
Luego la distribución de la ocupación del sistema es
e −ρ ρn
pn = P {N = n} = n = 0, 1, 2, . . .
n!
Que es una variable aleatoria Poisson de media ρ = µλ .

Entonces las medidas de efectividad son

L = ρ
L 1
W = =
λ µ
Lq = Wq = 0
La media y la varianza del número de clientes es independiente de

la distribución del servicio.
En realidad este modelo se puede utilizar para procesos con
distribución de servicio general, tales que:
1 Tiempos entre llegadas v.a.i.i.d , con distribución X ,tal que
E [X ] = 1/λ, de forma que λ sea la frecuencia de llegadas.
2 Cuando llega el cliente se le atiende inmediatamente.
Distribución del tiempo de servicio S, tal que E [S] = 1/µ

Además se puede considerar como el lı́mite del sistema con un
número grande de servidores.
Si el número de servidores es grande no suelen formarse colas,
entonces el sistema funciona como si el número de servidores fuese
∞.
El funcionamiento de una cola de este tipo se puede aproximar
utilizando una cola M/M/∞, que se evalúa más facilmente que la
M/M/s con s grande. Esto ayuda también a determinar el número
de servidores para que no haya esperas.
La aproximación de un modelo M/M/s por el modelo M/M/∞ es
adecuado si
√
s ≥ max {1, ρ + ρ}
√ √
Si ρ = 5, ρ + ρ=5+ 5 = 5 + 2, 24 = 7, 24 hacen falta 8
servidores
Si ρ = 20, son necesarios 25. En ambos casos casi no hay que
esperar nada
EJEMPLO 11
En cierta población cada año se abren 3 heladerı́as. En media el
tiempo medio de funcionamiento de una heladerı́a es de 10 años.
El dı́a 1 de Enero de 2525 ¿cual es el número medio de heladerı́as
en la población?
Si el tiempo entre aperturas de heladerı́as es exponencial ¿Cuál es
la probabilidad, en equilibrio, de que haya 25 heladerı́as abiertas el
1 de Enero de 2525?
λ = 3 h/año, 1/µ = 10 año/hela (tiempo medio en el sistema)
λ
L= = 3 × 10 = 30 número medio de heladerı́as en la población
µ
P25 = prob exactamente 25 heladerı́as
(λ/µ)25 e −λ/µ 3025 e −30
= = = 0, 05
25! 25!

Teoria de Colas - II

Cargado por

Información del documento

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

Teoria de Colas - II

Cargado por

Copyright:

Formatos disponibles

SIMULACIÓN Y LÍNEAS DE ESPERA

TEMA III TEORIA DE COLAS

November 25, 2019

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 1

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 2

El modelo matemático es el de un proceso de nacimiento y muerte

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 3

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 4

Luego la condición de estabilidad de una cola M/M/1 es

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 5

Las probabilidades de ocupación no dependen realmente de λ y µ

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 6

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 7

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 8

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 9

No hay limitación del tamaño de la cola:

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 10

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 11

1 En equilibrio: ¿Cuál es el valor del flujo de entrada?¿Cuál es

5/6 × λ = 5/6 × 6 = 5 clientes

También se llama probabilidad de bloqueo.

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 13

(1 − ρ) + (1 − ρ)ρ + (1 − ρ)ρ2 + · · · + (1 − ρ)ρk ≥ 0, 8

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 14

Una forma de resolver esta ecuación es utilizando logaritmos,

(k + 1) log(5/6) ≤ log(0, 2) como log(5/6) < 0

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 15

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 16

Estable siempre que 0 < λ, µ < ∞ la distribución estacionaria Con

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 17

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 18

λp6 = 5 × 0, 0774 = 0, 387 c/hora

Si nos interesa saber el número de clientes que no pueden ser

clientes que se pierden en media = 8 × 0, 387 c/dı́a

λ = λ (1 − p6 ) = 5 (1 − 0, 0774) = 4, 613 c/hora

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 19

Se ha reducido el tiempo medio en el sistema en casi 1/2

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 20

E) Número esperado de sillas ocupadas

Lq = Wq λ = 0, 329 × 4, 613 = 1, 52 sillas ocupadas

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 21

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 22

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 23

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 24

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 25

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 26

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 27

El modelo es Markoviano y la dinámica del sistema se puede

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 28

pn = P{N = n}, para n ≥ 0.

Por una parte la tasa promedio de entrada al sistema es

La tasa promedio de entrada al sistema coincide con la tasa de

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 29

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 30

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 31

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 32

"m−1 #−1  −1

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 33

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 34

También podemos calcular la probabilidad de que todos los

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 35

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 36

MJL - MJA SIMULACIÓN Y LÍNEAS DE ESPERA 37