HERRAMIENTAS MATEMÁTICAS VI MÓDULO 3

Fenómeno de colas
El tiempo de espera es un factor relevante ya que en muchos casos supone gastos innecesarios y complicaciones
provocando malestar en quienes deben esperar para ser atendidos. Por otra parte, la incorporación de nuevos puntos de
atención para disminuir la espera soluciona el problema de forma parcial ya que durante el tiempo en que la cantidad
de clientes en fila se reduce, esos puntos permanecen ociosos.
El estudio del fenómeno de colas consiste en cuantificar medidas de desempeño representativas tales como la
cantidad de personas que esperan, el tiempo en fila de cada una, tiempo de atención, cantidad de puestos de atención,
etc. El objetivo de ese estudio es, entonces, optimizar el desempeño de un sistema que puede resumirse en:
❖ Mejorar el uso de los ❖ Disminuir el tiempo de ❖ Agilizar la atención.
recursos. espera.
Elementos de un modelo de colas
Si bien en las líneas de espera o de cola se habla
de un cliente que desea ser atendido, a la hora de
estudiar el fenómeno se deben considerar
también los demás elementos que lo componen.
A grandes rasgos, puede decirse que los clientes
salen de una fuente, entran a una instalación o
sistema donde desean ser atendidos. Allí pueden
ser atendidos por un servidor de inmediato o
puede que deban esperar junto a otros clientes hasta que eso ocurra. Una vez atendido, el cliente sale de la instalación
o del sistema.

Fuente de llegada
Así se denomina a la fuente generadora de los clientes que entrarán en sistema. Si se trata de un comercio, la fuente de
llegada estará constituida por todos los potenciales clientes de ese comercio; si es una cabina de peaje, todos los
vehículos que transitan sobre la ruta conformarán la fuente de llegada.
Para estudiar un modelo de colas, es preciso tener en cuenta las características que definen a la fuente de llegada:
❖ Tamaño de la fuente: hace referencia al número de potenciales clientes que entran al sistema para hacer uso del
servicio. Puede ser finito o infinito según haya o no restricciones respecto a la cantidad de clientes que pueden
llegar al sistema. Es infinito cuando no hay límite para el número de llegadas.
❖ Dimensión de la llegada: con esto se hace alusión al modo en que ingresan los clientes al sistema de colas y puede
ser individual, de uno en uno, o en grupos.
❖ Control de llegadas: puede haber o no control sobre las llegadas. Por ejemplo, para cobros en un banco suele haber
condicionamientos como los números de documentos de los clientes o para inscripciones en establecimientos
educativos u oficiales se deben sacar turnos vía web o respetar los días habilitados para tal fin. En la mayoría de
los casos, no hay control de llegada ya que los clientes son atendidos sin condicionamientos como en cualquier
comercio o en la sala de emergencias de un hospital.
❖ Distribución de las llegadas: hace referencia al tiempo comprendido entre clientes consecutivos o por la cantidad
de clientes por unidad de tiempo. Esta distribución puede ser constante o aleatoria.
❖ Tasa de llegadas: es el promedio de clientes que entran al sistema por unidad de tiempo.

Filas
Las filas se forman por los clientes que esperan para ser atendidos sin tomar en cuenta a aquellos que ya están siendo
atendidos. Las particularidades de las filas que se analizan son las siguientes:
❖ Número de filas: es la manera en que se agrupan los clientes para esperar ser atendidos. Pueden hacerlo en una fila
simple, es decir, independiente del número de prestadores del servicio, o varias filas que se corresponden con los
puestos de atención habilitados.

1
❖ Longitud de la fila: así se denomina a la cantidad de potenciales clientes que pueden formarlas y puede ser finita
o infinita siendo esta la de la mayoría de los modelos porque no hay límite para la cantidad de clientes.
❖ Disciplina de la fila: por esto se entiende al criterio con el que se selecciona al cliente que será atendido.
Generalmente se hace por orden de llegada y cuando es así la disciplina se denomina FCFS por su sigla en inglés
que significa “primero en llegar, primero en ser atendido” (first come, first served). Otra manera de establecer el
orden de atención es por prioridades, como es el caso de la atención prioritaria en bancos y supermercados que
tienen ancianos o mujeres embarazadas o con niños en brazos. En los hospitales, el sector de emergencias
selecciona los pacientes a atender según la gravedad de su situación. Menos usada para también posible es la
atención aleatoria, este es el caso en el que el orden de atención es definido por quien presta el servicio y puede
ser al azar.

Mecanismo de servicio
Como mecanismo de servicio se entiende al modo en el que es ofrecido el servicio de atención a clientes y sobre él se
hacen las siguientes consideraciones:
❖ Etapas del servicio: es la cantidad de fases que supone el proceso de atención. Puede completarse en una única
etapa, como en la compra de algún producto en un comercio, o en varias como ocurre al momento de abordar un
avión ya que se debe realizar el check in, control de mentales y equipaje de mano y control migratorio.
❖ Dimensión del servicio: hace referencia a la cantidad de clientes que son atendidos por cada vez. Aunque la
mayoría es de forma individual o simple, como en un banco o una oficina, también puede ser en grupo, como
tomar un ascensor o realizar una visita guiada.
❖ Distribución del tiempo de espera: aunque en la mayoría de los casos es aleatoria, también puede ser constante. En
el primer caso, las distribuciones habituales son la exponencial y la de Erlang.
❖ Tasa de servicio: por ella se entiende al promedio de clientes atendidos por cada servidor en una unidad de tiempo.
Esta tasa de servicio puede ser dependiente o no de la cantidad de clientes en el sistema
La teoría de filas contribuye a la resolución de diferentes tipos de situaciones de espera. Aunque inicialmente la teoría
resolvía modelos con una única fila siendo atendida por un solo servidor, pronto se amplió a varios servidores.
Los clientes en un sistema de filas no necesariamente son personas. Puede tratarse de una máquina para ser reparada,
productos por ser distribuidos, vehículos en espera en un peaje. Por otro lado, un servidor no siempre es una sola
persona. Puede ser un grupo que realiza un trabajo en conjunto, como un equipo de médicos que está operando, un
equipo de mantenimiento de una maquinaria, etcétera. Inclusive, un servidor puede ser un objeto como una
computadora.

Terminología y notación
Para el trabajo con elementos de un sistema de colas se establecen notaciones propias para los conceptos usados
mediante términos y símbolos.

⮞ Estado del sistema: formado por el número de clientes en el sistema de fila, es decir, clientes que esperan en la fila
más los clientes que están siendo atendidos por los servidores.
⮞ Longitud de la fila: número de clientes que esperan atención.
⮞ N(t): número de clientes en el sistema en el tiempo.
⮞ Pn(t): probabilidad de que exactamente n clientes estén en el sistema de filas en el tiempo.
⮞ s: número de servidores.
⮞ λn: tasa media de llegada de nuevos clientes cuando n clientes están en el sistema (número esperado de entradas
por unidad de tiempo).
⮞ μn: tasa media de servicio para todo el sistema cuando hay n clientes en él (número esperado de clientes que están
finalizando su atención por unidad de tiempo).

Distribución exponencial negativa

En los modelos de líneas de atención o de espera, en los que tanto las llegadas de clientes al sistema como la atención
de ellos ocurren al azar, se trabaja con distribuciones exponenciales. Esos tiempos se describen cuantitativamente
mediante funciones exponenciales de distribución que responden al siguiente modelo: f(t) = λ.e-λt, t > 0
2
Así, la función “f” cuya variable independiente es el tiempo (t) se define como el producto de la tasa de llegadas λ por
la exponencial negativa e-λt. Nótese que la nominación de “exponencial negativa” hace referencia al exponente
negativo del número e lo cual significa, matemáticamente, que es equivalente a
Tratándose de tasas y valores de tiempo, este cociente no admite valores menores que cero.
Se dice que una variable aleatoria T tiene una distribución exponencial con parámetro α si su función densidad de
probabilidad está definida por:
Si T tiene una distribución exponencial, entonces las probabilidades de que T sea mayor, igual o menor que un cierto
valor t es:

La varianza y el valor esperado de la variable T son:

Propiedades de la Distribución Exponencial

La distribución exponencial tiene características definidas a través de sus propiedades, que coinciden con las
características de los modelos de filas o colas. Es por eso que se justifica su implementación para describirlos y
cuantificarlos.
❖ Propiedad 1: Función estrictamente decreciente
La función fT(t) es estrictamente decreciente, es decir, por definición de función decreciente, para t1 < t2 se cumple
fT(t1) > fT(t2).
Una consecuencia de esta propiedad se trasmite a las probabilidades considerando el tiempo (t) y el incremento de
tiempo ∆t. Se tiene que: P{0 ≤ T ≤ ∆t} > P{t ≤ T ≤ t + ∆t}, para todo ∆t, t > 0.
La probabilidad está dada por el área bajo la curva de la función fT(t) en los intervalos indicados: (0, ∆t) y (t,t + ∆t).
Como la longitud de los intervalos es igual (la longitud es ∆t) y la función es mayor en el primer intervalo (f T[t] es
estrictamente decreciente), se tiene que la primer área es mayor.
En un sistema de colas, si la variable T representa el tiempo entre llegadas de clientes, esta propiedad es consistente
con el fenómeno aleatorio de llegadas. Las situaciones que no satisfacen esta propiedad son aquellas en las que los
potenciales clientes demoran su ingreso y así permiten que otro cliente entre primero.
Vale aclarar que en los casos en los que T represente el tiempo de servicio, esta propiedad es posible en algunas
situaciones. En un sistema de colas donde el servicio requerido es prácticamente idéntico para cada cliente y cada
servidor realiza la misma serie de operaciones, el tiempo de servicio será muy próximo al tiempo esperado, lo que
implica que la distribución exponencial no sería una buena aproximación a esta situación. Por otro lado, en situaciones
donde las tareas requeridas de los servidores varían de cliente a cliente, por ejemplo, una fila en una caja de
supermercados o una fila en un servicio de emergencias, esta propiedad de la distribución exponencial es razonable.
❖ Propiedad 2: Falta de memoria
Esta propiedad garantiza que la distribución de probabilidad se mantiene igual en cualquier instante del tiempo, lo cual
implica que la ocurrencia de un evento tiene la misma probabilidad, independientemente de cuánto tiempo haya
pasado desde la ocurrencia del anterior. Ese tiempo entre eventos simbolizado con ∆t, no altera el valor de las
probabilidades. Si se aplica al modelo de líneas de espera, y la variable T es el tiempo entre llegada de clientes, esta
propiedad puede entenderse de la siguiente manera: el tiempo de llegada del próximo cliente es totalmente
independiente del tiempo de llegada del cliente anterior, lo cual es una característica general del sistema de colas.
Cuando la variable T es el tiempo de servicio, esta propiedad es factible de aplicar a aquellos casos en los que los
servidores difieren en el tiempo de atención de cliente a cliente, como puede ocurrir en la caja de un supermercado.
En general, esta propiedad se expresa como: P{T > t + ∆t| T > ∆t} = P{T > t}.
La interpretación o lectura de la anterior igualdad es: “La probabilidad de ocurrencia de un evento en el
tiempo T posterior al momento t incrementado en ∆ pero anterior a T es la misma que la probabilidad de ocurrencia
del evento en ese tiempo T posterior al momento t”.
3
La demostración de la validez de esta propiedad es la siguiente:
por definición de probabilidad condicional: T>∆t.
El segundo miembro de la igualdad puede reemplazarse por:
Reduciendo el cociente a una potencia única de“e, y aplicando propiedades, resulta igual a e-αt, lo que es igual a P{T >
t}.
De la cadena de igualdades, tomando la primera y la última resulta: P{T > t + ∆t| T > ∆t} = P{T > t} que es lo que se
quería demostrar.
❖ Propiedad 3: Variables discretas con distribución de Poisson
Por definición, se dice que una variable aleatoria discreta tiene una distribución de Poisson si su distribución de
probabilidad es dada por:
Se considera la variable T que indica los tiempos consecutivos entre los eventos y tiene distribución exponencial con
parámetro α. Entonces, la función X(t) arrojará el número de clientes (que entran al sistema o que concluyen su
servicio) en un intervalo de tiempo de longitud t. Entonces se cumple que:
Es decir, la variable X(t) tiene una distribución de Poisson con parámetro αt.
Vale observar que P{X(t) = 0} = e−αt, que es precisamente la probabilidad de que el primer evento ocurra después del
tiempo t.
La media de la distribución de Poisson es dada por E{ X(t) } = αt, lo que significa que el número de eventos esperado
por unidad de tiempo es α (tasa media).

⮞ Si la variable T representa el tiempo entre llegadas con distribución de probabilidad exponencial de parámetro α,
X(t) representa el número de llegadas en un intervalo de tiempo (t) con tasa media de llegada α. Esto puede
entenderse como: “Las llegadas en un sistema de colas con tiempo entre llegadas dados por una distribución
exponencial suceden de acuerdo con una distribución de Poisson”. Generalmente se dice que estos modelos tienen
llegada de Poisson.
⮞ Cuando la variable T es el tiempo de servicio con distribución exponencial de parámetro α, la función X(t)
representa el número de servicios terminados por un servidor continuamente ocupado en un cierto intervalo de
tiempo de longitud t.
❖ Propiedad 4: Probabilidad equivalente a un producto
Para una variable aleatoria T con distribución exponencial de parámetro α, se cumple que para valores ∆t pequeños,
P{T ≤ t + ∆t | T > t} ≈ α∆t.
Nótese que cuando el incremento del tiempo tiende a cero, T se acerca a t y en esos casos la probabilidad se aproxima
al producto de la tasa por el incremento pequeño de tiempo. Aplicado al caso en que la variable sea tiempo entre
llegadas o tiempo de servicio, esta propiedad nos da una aproximación de la probabilidad de que el próximo evento
ocurra en el intervalo de tiempo pequeño ∆t.

Modelos de nacimiento y muerte puros

Se estudiará el proceso de nacimiento y muerte en base a las siguientes tres suposiciones:
1. Dado un estado de sistema N(t) = n en el que t representa al tiempo y n a la cantidad de clientes en el sistema, la
distribución de probabilidad actual del tiempo restante hasta el nacimiento siguiente (llegada del nuevo cliente) es
exponencial con parámetro λn.
2. Dado un estado de sistema N(t) = n en el que t representa al tiempo y n a la cantidad de clientes en el sistema, la
distribución de probabilidad actual del tiempo restante hasta la próxima muerte (salida de un cliente atendido) es
exponencial con parámetro λn.
3. Solamente un nacimiento o una muerte pueden ocurrir cada vez.

4
De esta manera, analizar el sistema de líneas de espera se transformará en el análisis del proceso de nacimiento y
muerte. Se asume que el sistema se encuentra en un estado estable, es decir, independiente del estado inicial y del
tiempo transcurrido. Este estado se logra después de que el sistema haya funcionado un cierto tiempo. Este supuesto
está fundamentado en la complejidad analítica que conlleva describir el comportamiento de un sistema de colas en su
inicio o fase transitoria del sistema. Así mismo, la mayoría de los sistemas de cola alcanzan un estado estable de
funcionamiento lo que garantiza que el proceso realizado represente fielmente la situación.

Modelo de nacimiento puro

Se acuerda en llamar modelos de nacimiento puros a aquellos sistemas de líneas de espera en los que solo se
permiten llegadas, es decir, solo ingresan nuevos clientes al sistema de colas.
Los modelos de nacimiento puro presentan tiempo entre llegadas con distribución de probabilidad exponencial de
parámetro λ. Por lo tanto, será P0 (t) la probabilidad de que no haya entradas en el sistema en un intervalo de tiempo t.
Esta probabilidad está dada por:
P0 (t) = P {T ≥ t}, que por definición es igual a 1 − P{T < t}, luego: P0 (t) = 1 − (1 − e−λt) = e−λt.
Por la relación entre la distribución exponencial y la de Poisson, se tiene entonces que la probabilidad de que
ocurran n llegadas en el intervalo de tiempo t es:
En los cálculos de probabilidades con distribución exponencial del modelo de Poisson, la base de la potencia del
primer factor es igual al exponente negativo de e del segundo factor y se calcula como λt.
Se debe tener especial cuidado en que tanto λ como t estén expresados en la misma unidad de tiempo, ya que caso
contrario, es preciso transformar una de ellas a la unidad de la otra.

Modelo de muerte pura

Se analizan ahora los clientes que quedan en el sistema transcurrido el tiempo t. Para ello, se supone que en el sistema
hay N clientes en el tiempo t = 0 y que ya no se permiten más ingresos al sistema de colas. Se tiene también una tasa
media de servicio con distribución exponencial a la que se notará con μ.
Se denotará como Pn (t), a la probabilidad de que queden n clientes remanentes en el intervalo de tiempo. Es este
también un caso de probabilidades con una distribución truncada de Poisson cuya fórmula resulta:

Esta fórmula calculada para n=0 resulta:

Observe que la primera fórmula es idéntica a la usada para nacimientos puros en las que se sustituye “λ“ por: (tasa
de llegada por tasa de salida) y “n” por “(N-n)”, es decir, el número de clientes en sistema se sustituye por la
diferencia entre los clientes que hay cuando comienza a correr el tiempo y los que quedan de remanente después de
transcurrido el tiempo.
Por otra parte, P0 (t) representa la probabilidad de que el sistema esté ocioso. Este término se utiliza para denominar a
aquellos sistemas en los que ya no quedan clientes para ser atendidos (n=0). Esta probabilidad será la complementaria
de la suma de las probabilidades de que queden 1, 2, etc., n clientes en sistema. Esto es así por ser excluyentes los
sucesos de que queden 0, 1, etc., N clientes. Como la suma de las probabilidades es la unidad, vale que: 1 = P0 (t) +
P1 (t) + … + PN (t).

Modelos generales basados en nacimientos y muertes puros

Un modelo general de sistema de colas basado en el proceso de nacimiento y muerte asume que las tasas, tanto de
tiempo entre llegadas como de tiempo de servicio, dependen del estado del sistema, o sea, de la cantidad de clientes en
el sistema fila. Por ejemplo, si un supermercado tiene muchos clientes en un determinado tiempo, las tasas del tiempo
entre llegadas y tiempo de servicio serán diferentes según haya menos clientes.
Para este análisis general, se aplica la siguiente notación:

5
❖ n: cantidad de clientes en el sistema fila.
❖ λn: tasa del tiempo entre llegadas cuando el sistema tiene n clientes.
❖ μn: tasa del tiempo de servicio cuando el sistema tiene n clientes.
❖ Pn: probabilidad de que el sistema de fila (en estado estable) tenga n clientes.
Si un sistema de colas en estado estable tiene n clientes en el sistema, entonces solo puede cambiar al estado n + 1
cuando haya una llegada con tasa λn, o al estado n − 1 cuando un cliente finalice su servicio con una tasa de μn. El
estado 0 solo puede cambiar al estado 1, es decir, si no hay clientes. Lo único que puede ocurrir es que llegue uno
nuevo con tasa λ0. Nótese que μ0 no está definida, ya que, en un sistema con ningún cliente, nadie puede salir del
sistema.
Para estudiar el desempeño de un modelo de colas, se considera al sistema en estado estable. En esta situación, las
medidas a tener en cuenta son:
❖ W = tiempo esperado de espera en el sistema.
❖ Wq= tiempo esperado de espera en la fila.
❖ L = cantidad esperada de clientes en el sistema.
❖ Lq = cantidad esperada de clientes en la fila (longitud esperada de la fila).
Si se denota con Pn a la probabilidad de que el sistema (en estado estable) tenga n clientes, entonces se tiene:
Aquí s es la cantidad de servidores ocupados. La relación entre los tiempos
esperados y la cantidad esperada está dada por la fórmula de Little: L = λ̅.W
y Lq = λ̅Wq
"λ̅” es la tasa media de entrada a largo plazo y está dada por la siguiente fórmula:

Modelo general de Poisson

Para el sistema de colas de Poisson se acuerda la notación (a/b/s):(d/e/f), en la que cada componente representa:
❖ a = distribución de probabilidad de tiempo entre llegadas;
❖ b = distribución de probabilidad de tiempo de servicio;
❖ s = cantidad de servidores en paralelo (1,2, ...);
❖ d = disciplina de la fila;
❖ e = cantidad máxima del sistema (finita o infinita);
❖ f = tamaño de la fuente (finita o infinita).
Las distribuciones (a y b) utilizadas en los distintos modelos son:
❖ M = distribución de Poisson (o su equivalente, distribución exponencial);
❖ D = tiempo constante;
❖ Ek= distribución de Erlang;
❖ GI = distribución general de tiempo entre llegadas;
❖ G = distribución general de tiempo de servicio.
Para la disciplina de la fila (d), se tiene:
❖ PLPS = primero en llegar, primero en ser servido;
❖ P = prioritario;
❖ SOAL = atención aleatoria;
❖ DG = disciplina general.
Por ejemplo, la interpretación de un sistema definido por: (M/D/3):(P/30/∞) será:

⮞ M = tiene distribución exponencial para tiempos ⮞ P = la disciplina de fila es por prioridades,

entre llegadas, ⮞ 30 = la cantidad máxima del estado del sistema es
⮞ D = tiempos constantes para los tiempos de de 30 clientes,
servicio, ⮞ ∞ = la fuente de llegada es infinita
⮞ 3 = 3 servidores en paralelo;
6
HERRAMIENTAS MATEMÁTICAS VI MÓDULO 3
Para proceder al estudio de los distintos sistemas de colas modelados por un proceso de nacimiento y muerte, se parte
del supuesto de que los tiempos entre llegadas y los tiempos de servicios tienen distribuciones de probabilidad
exponencial.

MODELO INTERPRETACIÓN
Sistema con distribución exponencial para el tiempo de llegadas, distribución constante para
(M/D/2):(SOAL/20/∞) el tiempo de servicio, con 2 servidores. La atención es aleatoria con una capacidad máxima
de 20 personas en el sistema y fuente de llegada infinita.
Sistema con distribución constante para el tiempo de llegadas y para el tiempo de servicio,
(D/D/1):(PLPS/∞/∞) con 1 solo servidor. La atención es “primero en llegar, primero en ser atendido” con
capacidad máxima de personas en sistema y fuente de llegada infinitas.
Sistema con distribución de Erlang para el tiempo de llegadas y distribución general del
(Er/G/1):(SOAL/50/∞) tiempo de servicio, con 1 solo servidor. La atención es aleatoria con una capacidad máxima
de 50 personas en el sistema y fuente de llegada infinita.
Sistema con distribución exponencial para el tiempo de llegadas y de servicio, con 1 solo
(M/M/1):(P/∞/∞) servidor. La atención es prioritaria con capacidad máxima de personas en sistema y fuente de
llegada infinitas.
Sistema con distribución exponencial para el tiempo de llegadas y distribución general del
(M/G/1):(DG/10/120) tiempo de servicio, con 1 solo servidor. La atención es de disciplina general con una
capacidad máxima de 10 personas en el sistema y fuente de llegada de 120 clientes.

Colas de poisson especializadas

Se analizarán en este apartado algunos modelos de Poisson usados con frecuencia en los estudios de líneas de espera.
❖ Modelos (M/M/s):(DG/∞/∞)
Estos son modelos de un sistema de colas con distribución exponencial para tiempo entre llegadas y para tiempo de
servicio, con tasas medias de entrada y salida constantes, es decir, λn = λ y μn = μ para n = 0,1,2, ...
❖ Modelos con un servidor (s = 1)
Se definirá primero el cociente de tasas con ρ por lo que
Se puede suponer que ρ < 1, ya que si la tasa de llegada fuera mayor que la de servicio (μ > λ), el sistema colapsaría
debido a que la fila crecería sin límites.
La ecuación para Pn es entonces: Pn = ρnP0, para n = 1,2, ...
El valor de P0 está dado por:
Como P0 = 1 - ρ , reemplazando en la fórmula anterior resulta: Pn = ρn . (1 – ρ) para todo n.
Luego, la cantidad de clientes esperados en el sistema de filas es:
Y la longitud esperada de fila es entonces:
Finalmente, el tiempo medio esperado del servicio y el tiempo medio esperado en la fila son:

Modelos con más de un servidor (s > 1)

Hasta ahora se ha visto que las tasas de frecuencia de tiempo entre llegadas y tiempo de servicio por servidor son,
respectivamente, λ y μ. Como ahora son“(s) servidores funcionando en paralelo, s>1, la tasa de servicio será
proporcional a la cantidad de servidores. Por lo tanto:

7
HERRAMIENTAS MATEMÁTICAS VI MÓDULO 3
Las probabilidades están dadas ahora por: Recordando que ∑ Pn = 1 y asumiendo que

el valor de P0 es:
La longitud esperada de la fila del sistema es:
❖ Modelos (M/M/s):(DG/N/∞)
Se parte ahora del supuesto de que el modelo de colas tiene un número máximo para la cantidad de clientes en el
sistema. En este modelo, cuando la cantidad de clientes en el sistema de fila es N, no se permiten nuevas entradas.
❖ Modelos con un servidor (s = 1)
Las tasas de llegadas y de tiempo de servicio están dadas por:
Sabiendo que las probabilidades resultan

⮞ Pn = ρn. P0 si n ≤ N,
⮞ Pn = 0 si n > N.
Considerando que se obtiene el valor de P0:

Si ocurriere que λ ≥ μ, lo cual es posible porque el número de clientes tiene un máximo de N, valen las siguientes
fórmulas para calcular Pn:

Finalmente, la cantidad esperada de clientes en fila es:

❖ Modelos con más de un servidor (s > 1)
Se supone que la cantidad de servidores es menor o igual que la cantidad máxima de clientes permitida, o sea, s ≤ N.
La longitud de la fila es en esta situación N − s. La tasa de tiempo entre llegadas es λ y la tasa de salida por servidor es
μ, siendo luego:

Las probabilidades están dadas ahora por:

El valor de P0 es: