TEORÍA DE COLAS
CONGESTION EN LOS SISTEMAS DE PROCESAMIENTO
INTRODUCCIÓN
Las colas o las líneas de espera son parte de
nuestra vida diaria. Muchos de nosotros hemos
tenido que esperar en fila, por ejemplo, para
realizar el pago correspondiente a la matrícula
de un semestre académico o para ser atendidos
en el salón de belleza. El sistema se
congestiona y hay que esperar. Algunas
personas toman esta espera con buen humor,
pero otras se ven desalentadas por el tamaño
de la fila y se marchan. El sistema descrito se
denomina sistema de colas; sin embargo, un
término más preciso es el de sistemas de
procesamiento pues es más amplio e incluye
fábricas donde la elaboración de los trabajos se
mueve en varias etapas durante el proceso de
fabricación, o dependencias en donde el
manejo de documentación lo realizan varios
individuos
Cola (queue) es un término británico que se
utiliza para designar cualquier tipo de fila de
espera y es equivalente a la línea de espera
(waiting line) norteamericana. Es al ingeniero
de teléfonos danés, A. K. Erlang, a quien se le
atribuye haber sido el creador de la teoría de
colas, (teoría de líneas de espera o modelos de
líneas de espera). Los estudios realizados por
este ingeniero, a principios del siglo XX, se
relacionaron con el congestionamiento y
tiempos de espera que ocurrían al efectuar las
llamadas telefónicas, llegando a muchos de los
resultados que actualmente utilizamos. Esta
teoría es ahora una herramienta de valor en
negocios debido a que muchos de sus
problemas pueden caracterizarse como
problemas de congestión llegada-partida.
Es, precisamente, la interacción de estos dos
procesos -llegada y servicio- lo que hace a las
colas un área interesante y desafiante. Los
clientes llegan a una o más instalaciones de
servicio. Si otras personas ya están esperando,
según el tipo de servicio, los clientes que
acaban de llegar esperarían su turno para ser
atendidos por el siguiente servidor disponible y
saldrían del sistema cuando terminen sus
operaciones.
Los problemas de colas son comunes en la
administración de las operaciones. En el
contexto de las manufacturas, el ambiente de
taller puede considerarse una compleja red
interrelacionada de colas. A medida que los
trabajos terminan de realizarse en un centro,
éstos hacen cola para ser procesados en el
centro siguiente.
Los problemas de colas se presentan con
mucha frecuencia en los sistemas de servicios.
El tiempo que la población de un país pierde al
esperar en las colas influye tanto en la calidad
de vida como en la eficiencia de su economía.
Por ejemplo, en Estados Unidos, hoy, se estima
que las personas pasan 37,000’000,000 de
horas al año en las líneas de espera. Si este
tiempo se usara de manera productiva,
significaría cerca de 20 millones de personas-
año de trabajo útil cada año.
Incluso estas asombrosas cifras no cuentan
toda la historia del impacto que causa la
espera excesiva. También ocurren grandes
ineficiencias debido a otros tipos de espera que
no son personas en una cola. Por ejemplo,
hacer que las máquinas esperen una
reparación puede dar como resultado pérdida
de producción. Los vehículos (incluso barcos y
camiones) que deben esperar la descarga
pueden retrasar envíos subsecuentes. Los
aviones que esperan despegar o aterrizar
pueden desorganizar la programación posterior
de vuelos. Los retrasos en las transmisiones de
telecomunicaciones por saturación de líneas
pueden causar fallas inesperadas en los datos.
Cuando los trabajos de manufactura esperan
su proceso se puede perturbar la producción
subsecuente. El retraso en los trabajos de
servicio respecto a su fecha de entrega es una
causa de pérdida de negocios futuros
E J E M P L O S D E L IN E A D E E S P E R A
* C lie n te s q u e lle g a n a u n b a n c o , e s p e r a n
s e r a te n d id o s y lu e g o s e m a r c h a n .
* A u t o m ó v ile s q u e e s p e r a n a v a n z a r e n u n a l u z r o ja
* P a c ie n te s q u e e s p e r a n s e r a t e n d id o s e n la s a la
d e e m e r g e n c ia d e u n h o s p it a l
* C lie n te s q u e e s p e r a n s e r a t e n d id o s p o r la c a je r a
d e u n s u p e rm e rc a d o
* L a s p a r te s d e u n p r o c e s o d e p r o d u c c ió n q u e lle g a n
a u n a e s ta c i ó n d e t r a b a j o p a r t ic u la r d e s d e d i f e r e n te s
e s t a c io n e s , e s p e r a n e n u n c o m p a r t im e n t o p a r a s e r
p r o c e s a d o s p o r u n a m á q u in a y lu e g o s e r e n v ia d a s a
o tr a s e s t a c io n e s d e t r a b a j o .
Hacemos cola para esperar nuestro turno en
bancos, supermercados, estéticas, casetas de
pago en autopistas, y restaurantes. La
programación de los aterrizajes de los
aeroplanos en una pista específica es un
problema de colas: piense que los aeroplanos
en el aire son clientes que esperan ser
atendidos, y la pista es el servidor. Los
sistemas de tráfico telefónico son ejemplos de
redes complejas de colas. Las llamadas
telefónicas se enrutan a través de los sistemas
de distribución, donde hacen cola hasta que
son desviados ya sea a la siguiente estación de
distribución o bien a su destino final.
C L IE N T E S
A u t o m ó v ile s q u e e s p e ra n
s e r la v a d o s
A v io n e s q u e e s p e ra n a te rriz a r
A lu m n o s q u e e s p e r a n p a g a r
s u m a t ríc u la
DEFINICIÓN
La teoría de colas es el estudio de los procesos
en una línea de espera (NAHMIAS, 1999)… e
incluye el estudio matemático de estas colas o
líneas de espera (HILLIER-LIEBERMAN, 1997).
La teoría de colas está relacionada con
procesos que tienen variabilidad en la llegada
de los trabajos al sistema y en que, por lo
general, el tiempo requerido para la atención
también es variable.
La formación de las líneas de espera ocurre
siempre que la demanda actual de un servicio
exceda la capacidad actual de proporcionarlo y
es el resultado directo de la aleatoriedad en la
operación de instalaciones de servicio. Sin
embargo, a pesar de que la llegada del cliente y
su tiempo de servicio no se conocen con
anticipación, la operación de la instalación se
podría programar en forma tal que se
eliminaría la espera por completo. Obviamente,
existen costos asociados con tener trabajos en
espera así como a la ampliación de la
capacidad de servicio. El reto es equilibrar
estos costos.
El objetivo último de la teoría de colas consiste
en responder cuestiones administrativas
pertenecientes al diseño y a la operación de un
sistema de colas; es decir, consiste en
determinar las características que miden el
desempeño del sistema; tal como, el tiempo que
esperará un cliente antes de ser atendido o el
tiempo que no se utiliza el servicio. Esto puede
medirse por el número promedio de trabajos en
la fila y por el tiempo de espera promedio de las
llegadas.
MODELOS DE LÍNEAS DE ESPERA
Los modelos de líneas de espera consisten en
fórmulas matemáticas y relaciones que
pueden usarse para determinar las
características de operación (medidas de
desempeño) de una línea de espera.
Desde el punto de vista de los modelos de
espera, una cola se genera de la siguiente
manera: un cliente llega a una estación y se
forma en una fila. El servidor elige a un cliente
de la fila para comenzar a prestar el servicio. Al
terminarse un servicio, se repite el proceso de
elegir a un nuevo cliente (en espera). Se supone
que no se pierde tiempo entre el momento que
IN S TA L A C IO N E S D E S E R V IC IO
In s ta la c io n e s d e la v a d o
d e a u to s
P is ta s d e e te rriz a je
C a ja s d e p a g o
un cliente atendido sale de la estación y la
admisión de un nuevo cliente de la fila. Como
puede apreciarse, los protagonistas en una
situación de espera son el cliente y el servidor.
En el diseño de modelos de espera en que los
seres humanos son clientes/servidores, debe
tenerse en cuenta la conducta del ser humano.
Este cliente puede cambiarse de una fila a otra
con la esperanza de reducir su tiempo de
espera, o puede eludir formarse en una cola, o
bien, pueden renunciar después de estar un
momento en la fila debido a que su espera es
demasiado larga. Sin embargo, el modelo
tomará en cuenta estas características sólo si
pueden cuantificarse de manera que haga
posible su inclusión en el modelo. Asimismo,
los modelos no toman en cuenta el
comportamiento individual de los clientes,
debido a que no se espera que todos los
clientes formados en una fila se comporten de
la misma manera.
Características
Como hemos podido observar, un sistema de
colas se compone de un conjunto de unidades
físicas que operan simultáneamente. Las
características más importantes de éstas, son
las siguientes:
1. La población de clientes (población de
entrada o población potencial). Número total de
F ig . N º 1
C O M P O N E N T E S D E U N S IS T E M A D E C O L A S
S e r v id o r e s
P o b la c ió n d e c lie n te s
C lie n t e s q u e e s p e r a n
P ro c e s o d e P r o c e s o d e c o la s
lle g a d a s
P ro ce s o d e
s e r v ic i o
S is te m a
clientes que pueden requerir servicio en
determinado momento; número total de clientes
potenciales distintos. Esta población a partir del
cual surgen las unidades que llegan -pues
requieren un servicio- se conoce como
población de entrada o fuente de entrada.
El tamaño de la población de clientes puede ser
infinito o finito (ilimitada o limitada) Para
problemas como los de un banco o de un
supermercado, en donde el número potencial
de clientes es bastante grande, el tamaño de la
población de clientes se considera infinito.
Existe una fuente finita cuando una llegada
afecta la tasa de llegadas de nuevos clientes.
Como los cálculos son mucho más sencillos
para el caso infinito, esta suposición se hace a
menudo aun cuando el número real sea un
número fijo relativamente grande y deberá
tomarse como una suposición implícita en
cualquier modelo que no establezca otra cosa.
El caso finito es más difícil analíticamente,
pues el número de clientes en la cola afecta el
número potencial de clientes fuera del sistema
en cualquier tiempo; pero debe hacerse esta
suposición finita si la tasa a la que la fuente de
entrada genera clientes nuevos queda afectada
en forma significativa por el número de clientes
en el sistema de líneas de espera.
2. El proceso de llegadas (proceso de
entrada). Forma en que los clientes llegan a
solicitar un servicio; es decir, describe las
llegadas de los clientes al sistema. A cada
llegada se le denomina trabajo.
Su característica más importante es el tiempo
que transcurre entre dos llegadas consecutivas
o tiempo entre llegadas. Este lapso es
importante porque mientras menor sea el
intervalo del tiempo, con más frecuencia llegan
los clientes, lo cual aumenta la demanda de
servidores disponibles.
Existen dos tipos básicos de tiempos entre
llegadas:
a. Determinístico: Los clientes sucesivos
llegan en un mismo intervalo de tiempo, fijo y
conocido.
b. Probabilístico: El tiempo entre llegadas
sucesivas es incierto y variable. Los tiempos
entre llegadas probabilísticas se describen
mediante una distribución de probabilidad1.
Hay dos distribuciones de probabilidad
importantes que suelen aparecer en los
modelos de colas. La distribución de Poisson y
la distribución exponencial. Ambas se conocen
como distribuciones de Markov.
3. El proceso de colas. La cola es el lugar
donde los clientes esperan antes de ser
servidos. También puede definirse como la
forma en que los clientes esperan a que se les dé un
servicio.
La cola se caracteriza por el por el número
máximo permisible de clientes que puede
admitir. Las colas pueden ser finitas o infinitas,
según si este número es finito o infinito. La
suposición de una cola infinita es la estándar
para la mayoría de los modelos, incluso en
situaciones en las que de hecho existe una cota
1
Lista que contiene el valor de la variable aleatoria y sus probabilidades
correspondientes.
superior (relativamente grande) sobre el
número permitido de clientes, ya que manejar
una cota así puede ser un factor complicado
para el análisis. Los sistemas de colas en los
que la cota superior es tan pequeña que se
llega a ella con cierta frecuencia, necesitan
suponer una cola finita.
Está conformado por:
a. La manera en que los clientes esperan para
ser atendidos. Por ejemplo, en una sola fila
(sistema de colas en una sola línea) en la que
los clientes esperan en una sola fila para tener
acceso al siguiente prestador de servicio
disponible; o en varias filas (sistema de colas
de líneas múltiples); y,
b. La disciplina de colas, que es la forma en ser
elegidos para proporcionarles el servicio; es
decir, el método que se usa para determinar el
orden en el que se sirve a los clientes. Algunas
de las formas más comunes de esta disciplina
de colas son:
 Primero en entrar, primero en salir (PEPS) o
primero en llegar, primero en ser servido
(PLPS); los clientes son atendidos en el orden
en que van llegando. Por ejemplo, los clientes
de un banco.
 Ultimo en entrar, primero en salir (UEPS) o
último en llegar, primero en ser servido (ULPS);
el cliente que ha llegado último es el primero en
ser atendido. Por ejemplo, en los procesos de
producción en donde los productos llegan a
una estación de trabajo y son apilados uno
encima de otro. El trabajador elige el producto
que está encima de la pila, que fue el último
que llegó, para procesarlo o para brindarle un
servicio.
 Selección de prioridad (disciplinas de
prioridad en espera). Proceso de llegadas en
que a cada cliente se le da una prioridad y de
acuerdo a ésta es seleccionado para el servicio.
Por ejemplo, los pacientes que llegan a
emergencia de un hospital.
 Servicio en orden aleatorio (SEOA) Cuando el
orden en que llegan los clientes no tiene efecto
sobre el orden en que se les sirve. Por ejemplo,
al abordar un ómnibus, la suerte de la
selección determina con frecuencia al siguiente
cliente que es atendido.
4. El proceso de servicio. Forma y rapidez
con que son atendidos los clientes. En algunos
casos puede existir más de una estación en el
sistema en el cual se proporcione el servicio
requerido. Por ejemplo, cada ventanilla de los
bancos son estaciones que brindan el mismo
servicio (sistemas de colas de canal múltiple).
En estos sistemas, los servidores pueden ser
idénticos, en el sentido que brinden el mismo pasajeros que esperan un autobús son
servicio con igual rapidez; o no idénticos. atendidos en grupo.
Otros casos consideran procesos de producción Cualquiera sea el proceso de servicio, es
con una sola estación de trabajo que importante tener idea del tiempo que se
proporciona el servicio requerido; es decir, requiere para realizar el servicio: mientras más
todos los productos deben pasar por esta tiempo dure éste, más tendrán que esperar los
estación de trabajo (sistemas de colas de canal clientes que lleguen. Este tiempo puede ser
sencillo). Por ejemplo, una estación de lavado determinístico o probabilístico. En el primer
de automóviles. Sin embargo, en este sistema caso, un cliente requiere la misma cantidad
pueden existir muchos servidores que juntos conocida de tiempo para ser atendido; en el
realicen la tarea necesaria; es decir, la estación segundo, requiere una cantidad distinta e
puede tener dos trabajadores que, incierta de tiempo de servicio.
simultáneamente, realicen la misma labor en La distribución de probabilidad del tiempo de
un mismo automóvil. servicio estocástico, que más se ajusta a la
Otra característica del proceso de servicio es el práctica, se describe matemáticamente
número de clientes que son atendidos al mismo mediante la distribución exponencial.
tiempo en una estación. Por ejemplo, los

S is t e m a
C lie n t e s q u e lle g a n
S e r v id o r S e r v id o r
S a lid a S a lid a
1 2
L ín e a d e e s p e ra 1 L ín e a d e e s p e ra 2

S e r v id o r
S is t e m a d e c o la m u lt is e r v id o r m u lt ic o la d e u n s o lo c a n a l
C lie n t e s
que
e s p e ra n
S is t e m a

P o b la c ió n d e c lie n t e s 1
C l ie n t e s
2 q u e lle g a n
L í n e a d e e s p e r a s im p le
3

M o d e lo c o n u n
M O D E L O D E C O L A S IM P L E C O N S E R V IC IO M U L T IP L E s o lo s e r v id o r
S is t e m a

CLASIFICACION DE LOS MODELOS DE COLAS

Para aplicar las técnicas matemáticas, se debe El Proceso de servicio. Este símbolo describe
identificar las características del modelo de la distribución de tiempos de servicio, que es
colas basado en la población de clientes y en uno de los siguientes:
los procesos de llegadas, de colas y de a. D para describir un tiempo de servicio
servicios. determinístico.
A continuación desarrollaremos un conjunto de b. M para denotar que los tiempos de servicio
símbolos generales que serán utilizados en los son probabilísticos y siguen una
diferentes modelos a estudiar. distribución exponencial.
El Proceso de llegada. Este símbolo describe c. G para denotar que los tiempos de servicio
la distribución de tiempo entre llegadas, que es son probabilísticos y siguen una
uno de los siguientes: distribución diferente a la exponencial.
a. D para denotar que el tiempo de llegada es El Proceso de colas (c). Representa cuántas
determinístico. estaciones o canales paralelos existen en el
b. M para denotar que el tiempo de llegada es sistema.
probabilístico y siguen una distribución Por ejemplo, en el sistema M/M/3, la primera M
exponencial. indica que el tiempo de llegada es probabilístico
c. G para denotar que los tiempos entre y sigue una distribución exponencial; la
llegadas son probabilísticos y siguen una segunda M indica que el tiempo de servicio es
distribución diferente a la exponencial. probabilístico y sigue una distribución

exponencial; El número 3 significa que el
sistema tiene tres estaciones paralelas, cada
una dando un servicio con la misma rapidez.
Cuando el espacio de espera y/o el tamaño de
la población son finitos, se incluyen los
siguientes símbolos:
K que representa el número máximo de clientes
que pueden estar en el sistema (en servicio o en
espera en la fila) en cualquier momento. Este
número es igual al número de estaciones
paralelas más el número total de clientes que
pueden esperar para ser atendidos.
L que representa el número total de clientes de
la población.
Cuando se omite cualquiera de estos símbolos
se supone que el valor correspondiente es
infinito.
Por ejemplo, M/M/3/10, indica que el sistema
tiene espacio para un número infinito de
clientes (el número K no se ha puesto) y
solamente existen 10 posibles clientes.
MEDIDAS DE RENDIMIENTO DE UN
SISTEMA DE COLAS
La medida de rendimiento es el valor numérico
que se utiliza para evaluar los méritos de un
sistema de colas en estado estable.
El estado estable de un sistema de colas, es la
condición del sistema después que se han
eliminado las condiciones iniciales. Un banco,
por ejemplo, al abrir sus puertas en las
primeras horas de la mañana, no tiene a nadie
en el sistema, de manera que el primer cliente
en llegar es atendido de inmediato. A medida
que transcurre el tiempo, al llegar más clientes,
lentamente se va formando la cola y el tiempo
que tienen que esperar empieza a aumentar. Es
decir, a medida que pasan las horas, el sistema
llega a la condición en que el efecto de la falta
inicial de clientes ha sido eliminado y el tiempo
de espera de cada cliente ha alcanzado un nivel
bastante estable.
La fase inicial que conserva los efectos de las
condiciones iniciales, se conoce como fase
transitoria. Después que las condiciones
iniciales son eliminadas, el sistema entra a un
estado estable.
1. Algunas medidas de rendimiento
comunes
Para diseñar y poner en operación un sistema
de colas, la primera preocupación a tener en
cuenta es el nivel de servicio que recibe un
cliente, así como el uso apropiado de las
instalaciones de servicio de la empresa.
Las medidas de rendimiento para evaluar un
sistema de colas, en estado estable, son varias
T ie m p o
d e e s p e ra FA S E S D E E S TA D O E S TA B L E
Y T R A N S IT O R I O
N ú m e r o d e c lie n t e s
(e n o r d e n d e lle g a d a )
F a s e d e e s t a d o e s t a b le
y diferentes. Algunas de ellas surgen de las
siguientes preguntas:
A. Preguntas relacionadas con el tiempo,
centradas en el cliente:
a. ¿Cuál es el tiempo promedio que un cliente
recién llegado tiene que esperar en la fila antes
de ser atendido? La medida de rendimiento
asociada es el tiempo promedio de espera (Wq).
b. ¿Cuál es el tiempo promedio que un cliente
invierte en el sistema entero, incluyendo el
tiempo de espera y de servicio? La medida de
rendimiento asociada es el tiempo promedio en
el sistema (W).
B. Preguntas cuantitativas relacionadas al
número de clientes:
a. En promedio, ¿cuántos clientes están
esperando en la cola para ser atendidos? La
medida de rendimiento asociada es la longitud
media del sistema (Lq).
b. ¿Cuál es el número de clientes en el sistema?
La medida de rendimiento asociada es el
número medio en el sistema (L).
C. Preguntas probabilísticas que involucran
tanto a los clientes como a los servidores:
a. ¿Cuál es la probabilidad de que un cliente
que llegue tenga que esperar a ser atendido? La
medida de rendimiento asociada es la
probabilidad de bloqueo (Pw).
b. En cualquier tiempo particular, ¿cuál es la
probabilidad de que un servidor esté ocupado?
La medida de rendimiento asociada es la
utilización (U). Esta medida también indica la
fracción de tiempo que un servidor está
ocupado.
c. ¿Cuál es la probabilidad de que existan “n”
clientes en el sistema? La medida de
rendimiento asociada se obtiene calculando la
probabilidad P0 (que no haya clientes en el
sistema), la probabilidad P1 (que haya un
cliente en el sistema) y así sucesivamente. Esto
tiene como resultado la distribución de
probabilidad de estado, representado por Pn; n
= 0, 1, …
d. Si el espacio de espera es finito, ¿cuál es la
probabilidad de que la cola esté llena y que un
cliente que llegue no sea atendido? La medida
de rendimiento asociada es la probabilidad de
negación del servicio (Pd).
D. Preguntas relacionadas con los costos:
a. ¿Cuál es el costo promedio por unidad de
tiempo para operar el sistema?
b. ¿Cuántas estaciones de trabajo se necesitan
para lograr la mayor efectividad de costos?
2. Relaciones entre medidas de
rendimiento
El cálculo de las medidas de rendimiento
depende de los procesos de llegada y de servicio
del sistema de colas específico. Para el caso
probabilístico, estos procesos son descritos
mediante distribuciones de llegada y servicio.
Sin embargo, aún sin conocer estas
distribuciones, las relaciones entre algunas
medidas de rendimiento, para ciertos sistemas
de colas, pueden obtenerse mediante el uso de
los siguientes parámetros de los procesos de
llegada y servicio:
 = número promedio de llegadas por unidad
de tiempo
 = número promedio de clientes atendidos por
unidad de tiempo en una estación.
Suponga una población de clientes infinita y
una cantidad ilimitada de espacio de espera en
la fila. El tiempo total que un cliente invierte en
el sistema es la cantidad de tiempo invertido en
esperar en la fila más el tiempo durante el cual
es atendido:
Tiempoestimado Tiempoestimado  Tiempo 
   
d e spraen  de spra estimado
 elsitema   enlafi  desrvico
   
El tiempo estimado de servicio puede
expresarse en términos del parámetro . Dado
que  es la tasa de servicio por servidor activo,
el tiempo estimado de servicio es 1/ , lo que
nos conduce a:
W   W q    1 μ 
(Si la tasa media de servicio es , se concluye
que el tiempo medio de servicio es 1/). Esta
fórmula se conoce como la fórmula de Little en
honor de John D. C. Little del MIT, quien probó
que es válida bajo circunstancias muy
generales. Es una relación simple pero muy útil
entre los valores de L y los de W.
Imagine ahora que un cliente acaba de llegar y
se espera que permanezca en el sistema un
promedio de 1/2 hora. Durante esta media
hora otros clientes siguen llegando a una tasa
, digamos 12 por hora. Cuando el cliente en
cuestión abandona el sistema, deja tras de sí
un promedio de (1/2) * (12) = 6 clientes nuevos.
Es decir, en promedio existen 6 clientes en el
sistema a cualquier tiempo dado. En general, la
relación entre el número promedio de clientes
en el sistema y el tiempo promedio que cada
cliente pasa en el sistema, en términos de  y
de las medidas de rendimiento, es:
 Número 
  Tas promedio Tiempoestimado
e sprado     
  de l gad s po r  *  d e s pe r a 
declintes n unida detimpo  en lsitema 
 elsitema     

 L    λ  * W 
La relación entre el número promedio de
clientes que esperan en la cola para ser
atendidos y el tiempo promedio que un cliente
recién llegado tiene que esperar en la fila antes
de ser atendido, se puede calcular con la
siguiente fórmula:
 Lq    λ  * Wq 
En general, suponiendo que se conocen los
valores de  y , las medidas W, Wq, L y Lq
pueden encontrarse a partir de las ecuaciones

 Número 
antes descritas, conociendo el valor de
cualquiera de ellas. Por ejemplo, suponga que
=12 y =4 y que se ha determinado que Lq=3,

  Tas promedio Tiempoestimado

entonces:
Lq 3 1
Wq   
λ 12 4

e sprado     
1 1 1 1
W  Wq    
μ 4 4 2

  d e l g a d s p or    de s pe r a 
1
L  λ * W  12 *  6
2
En resumen, conociendo  y , se cumple la

declintes n unida detimpo  enlafila 

siguiente relación:
1
W  Wq 
μ
L  λ* W

 lafila     
Lq  λ * Wq


 LA DISTRIBUCIÓN EXPONENCIAL Y DE POISSON EN LA TEORÍA DE COLAS
Las características operativas de los sistemas
de colas están determinadas en gran parte por
dos propiedades estadísticas, a saber, la
distribución de probabilidad de los tiempos
entre llegadas y la distribución de probabilidad
de los tiempos de servicio. Para los sistemas de
colas reales, estas distribuciones pueden tomar
casi cualquier forma, la única restricción es
que no pueden ocurrir valores negativos. Sin
embargo, para formular un modelo de teoría de
colas como una representación del sistema
real, es necesario especificar la forma supuesta
de cada una de estas distribuciones. Para que
sea útil, la forma supuesta debe ser lo
suficientemente realista como para que el
modelo proporcione predicciones razonables y
al mismo tiempo debe ser lo suficientemente
sencilla para que sea matemáticamente
manejable.
Tanto la distribución exponencial como la de
Poisson juegan un papel importante en la
teoría de colas. Cuando nos referimos a
llegadas puramente aleatorias en las colas,
inferimos que el proceso de llegada es un
proceso de Poisson. Un proceso de servicio
puramente aleatorio implica que los tiempos de
servicio tienen la distribución exponencial.
1. Distribución de probabilidad2 de Poisson
Supongamos que una variable aleatoria3
discreta de interés sea la cantidad de llegadas a
una estación de lavado de automóviles en una
hora; el número de reparaciones necesarias en
10 Km. de autopista; o, la cantidad de fugas en
100 Km. de oleoducto. La distribución de
probabilidad de Poisson es aplicable si se
satisface las siguientes dos condiciones:
a. La probabilidad de una ocurrencia del
evento es la misma para cualesquier dos
intervalos de igual longitud.
b. La ocurrencia o no ocurrencia del evento en
cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro
intervalo.
La función de probabilidad de la variable
aleatoria de Poisson está dada por la ecuación:
 x e  T
f (x)  para x=0, 1, 2,…
x!
2
Dada una variable aleatoria de tipo discreto, su distribución de
probabilidad es el conjunto formado por sus valores posibles y las
probabilidades asociadas a cada uno de ellos.
3 minuto son:
Para cualquier experimento particular, una variable aleatoria puede
definirse de modo que cada resultado experimental posible genere
exactamente un valor numérico para la variable aleatoria. Es decir, una
variable aleatoria es la descripción numérica del resultado de un
experimento. La variable aleatoria en la distribución de Poisson es la
cantidad de llegadas o servicios por unidad de tiempo ().
donde:
: Media o cantidad promedio de ocurrencias
en un intervalo
e: 2.718284
x: Cantidad de ocurrencias en el intervalo
f(x): Probabilidad de x ocurrencias en el
intervalo.
T: Cantidad de tiempo
Observe que función de probabilidad de
Poisson no muestra un límite superior al
número de valores posibles que pueda tomar
una variable aleatoria; es decir, x es una
variable aleatoria discreta con una secuencia
de valores infinita (x=0, 1, 2,…); no tiene un
límite superior específico. Esto significa que la
distribución de Poisson supone un número
muy grande (infinito) de posibles llegadas, cada
una con una pequeña probabilidad de que
ocurra. Las llegadas son independientes y la
cantidad de una de ellas no afecta la cantidad
de la siguiente. Este proceso es completamente
aleatorio porque tiene la propiedad de que el
intervalo de tiempo que permanece hasta la
ocurrencia del próximo evento, es totalmente
independiente del intervalo de tiempo que ha
transcurrido desde la ocurrencia del último
evento. Otra característica que distingue este
proceso es que es la única distribución cuya
media y varianza son iguales. En ocasiones se
utiliza esta propiedad como un indicador inicial
para conocer si los datos de muestra se
tomaron o no de una distribución de Poisson.
Ejemplo:
Suponga que Samuel’s Burguer analizó los
datos sobre las llegadas de los clientes y
concluyó que tasa media de llegadas es de 45
clientes por hora. Para un periodo de un
minuto, la tasa media de llegada sería:
45 clientes
  0.75 clientes por minuto
60 minutos
Por lo que, al usar la función de probabilidad
de Poisson, para calcular la probabilidad de x
llegadas de clientes durante un periodo de un
minuto, tendríamos:
 x e  0.75 x e 0.75
f (x)  
x! x!
Por tanto, las probabilidades de 0, 1 y 2
llegadas de clientes durante un periodo de un
4
El número e es la base de los logaritmos naturales y su valor tiene un
número infinito de decimales. El valor que aquí se proporciona es
aproximado.
  x e  0.75 0 e 0.75 T  5 semanas
P(0)    e  0.75  0.4724
x! 0! (  * T ) x e  T
P (número de ventas T  x) 
 x e  0.751 e  0.75 x!
P (1)    0.75e  0.75  0.3543
x! 1! ( 1.6* 5 )x e 1.6*5
P (número de ventas en 5 semanas  x) 
 x e  0.75 2 e  0.75 (0.75) 2 e  0.75 x!
P( 2)     0.1329
Puede combinarse  y T para obtener el número
x! 2! 2
La probabilidad de que no halla clientes en un esperado de eventos en el periodo de tiempo
periodo de un minuto es 47.24%; la especificado. Por ejemplo, si =2 y T=5, el
probabilidad que llegue n cliente en un minuto número promedio de eventos por periodo de
es 35.43%; y, la probabilidad que lleguen dos cinco semanas es T=10; además, como la
clientes en un minuto es 13.29%. media es igual a la varianza, la desviación
En la práctica, se debería registrar la cantidad estándar es (T) .
1/2

real de llegadas por periodo durante varios días
o semanas, para comprobar la distribución de
frecuencia observada de las llegadas con la
distribucion de probabilidad de Poisson, con el
propósito de determinar si la distribución de
Poisson proporciona una aproximación
razonable de la distribución de llegadas.
Ejemplo:
Si los clientes de un banco llegan con una
rapidez promedio de =20 por hora; la
probabilidad de que lleguen 2 clientes en los
siguientes 10 minutos es:
1 hora 1 T: Cantidad de tiempo
T  10 min *  hora
60 minutos 6
( * T ) x e  T
P (tiempo entre llegadas T  x) 
x!
(20*1/6)2e 20/6
P (tiempo de llegadas en 10 minutos  2) 
11 .111unidades
P (tiempo de llegadas en 10 minutos  2) 
P (tiempo de llegadas en 10 minutos  2)  0.20
Alternativamente, otro planteamiento válido
para describir el proceso de llegadas consiste
en utilizar la función de densidad para una
distribución exponencial. Esa función de
densidad depende de un parámetro  y está
dada por:
e  T
f (t ) 

donde:
: Promedio de llegadas por unidad de tiempo
x: Cantidad de ocurrencias en el intervalo
f(t): Probabilidad de que el siguiente cliente
llegue dentro de las sigientes T unidades a
partir de la llegada anterior.
Es decir, con una cantidadde tiempo se
puede utilizar la función de densidad para
calcular la probabilidad de que el siguiente
2!
cliente llegue dentro de las siguientes T
* 0.036 de tiempo a partir de la llegada
anterior,
2 de la manera siguiente:
P(tiempo entre llegadas  T)  1  e  T

Ejemplo
Se han vendido por separado 80 unidades de
un producto, durante las últimas 50 semanas
(un promedio de 1.6 productos por semana).
Desea estimarse la probabilidad de ventas
diferentes a las semanales en las siguientes 5
semanas.
 La tasa o intensidad del suceso. Número
esperado de eventos por unidad de medida (1.6
productos vendidos por semana o 25 llamadas
telefónicas por hora o 3 defectos por cada 100
pies de tubería), es decir;
T: Unidad de tiempo o espacio durante la cual
se cuentan los eventos.
x: Número de eventos durante el tiempo T
Luego, la probabilidad de que se presenten
exactamente x eventos durante el tiempo T,
dado el número promedio de eventos por
unidad de tiempo, es:
Ejemplo
Si los clientes de un banco llegan con una
rapidez promedio de 20 por hora y si un cliente
acaba de llegar, entonces, la probabilidad de
que el siguiente llegue dentro de los siguientes
diez minutos (T=1/6 horas), es:
P(tiempo entre llegadas  1 / 6 horas)  1  e 20*1 / 6
P(tiempo entre llegadas  1 / 6 horas)  1  0.036
P(tiempo entre llegadas  1 / 6 horas)  0.964
Por tanto, la probabilidad de que un cliente
llegue dentro de los siguientes 10 minutos, a
partir de la última llegada es 96.40%.
2. Distribución de probabilidad exponencial
El tiempo de servicio es el tiempo que pasa un
cliente en la instalación una vez que el servicio
ha iniciado. Por ejemplo, en un restaurante,
dicho tiempo se inicia cuando un cliente
empieza a colocar el pedido con el empleado de
comidas y continúa hasta que el cliente recibe En varios modelos de líneas de espera
el pedido. Los tiempos de servicio rara vez son suponemos que la distribución de probabilidad
constantes. En el restaurante del ejemplo, la para el tiempo de servicio sigue una
cantidad de artículos ordenados y la mezcla de distribución de probabilidad exponencial. En la
éstos varían de manera considerable de un práctica se debería recopilar datos sobre los
cliente al siguiente. Los pedidos pequeños tiempos de servicio reales para determinar si la
pueden manejarse en cuestión un minuto, pero distribución de probabilidad exponencial es
los pedidos grandes pueden requerir más de una aproximación razonable de los tiempos de
dos. servicio para su aplicación.
Los analistas cuantitativos han encontrado Propiedades de la distribución exponencial
que, puede suponerse que la distribución de Suponga que una variable aleatoria T
probabilidad para el tiempo de servicio sigue representa ya sea los tiempos entre llegadas o
una distribución de probabilidad exponencial. los tiempos de servicio. Se dice que esta
Esta distribución de probabilidad es variable aleatoria tiene una distribución
complementaria a la de Poisson y tiene como exponencial con parámetro  si su función de,
variable aleatoria el tiempo entre llegadas o el densidad de probabilidad es:
tiempo de servicio. Es decir, da la probabilidad
e
t t>0
Para
del número de veces que puede ocurrir un
Para t<0
evento, dada una intensidad  y un cierto
periodo de tiempo T.
f T (t )  
Por tanto, la probabilidad de que el tiempo de 0
servicio sea menor o igual que un tiempo de
duración t es. Como se deriva del gráfico de la función de
 T densidad de probabilidad para la distribución
P(tiempo entre llega das  T)  1  e
exponencial, las probabilidades acumuladas
donde: son:
: Cantidad media de unidades que pueden P (T  t )  1  e t
servirse por periodo. Para t>0
P (T  t )  e t
Ejemplo:
el valor esperado y la variancia de T son
Suponga que una estación de comida rápida
estudió el proceso de toma y surtido de pedidos
y encontró que el empleado sólo puede
procesar un promedio de 60 pedidos por hora, fT(t)
por lo que si se considera por minuto, la tasa
de servicio media será: 
60clientes
  1cliente / min uto
60 min utos
Así, con =1, podemos usar la ecuación
P(tiempo entre llega das  T)  1  e  T para
calcular, la probabilidad de que un pedido 0
E (T ) = 1 / t
pueda procesarse en medio minuto o menos,
un minuto a menos, dos minutos o menos. Función de densidad de probabilidad para la
Estos cálculos son: distribución exponencial.
P(tiempo de servicio  0.5 min .)  1-e -1( 0 .5 )  0.3935
1
E (T ) 
P(tiempo de servicio  1.0 min .)  1-e -1( 1.0 )  0.6321

P(tiempo de servicio  2.0 min .)  1-e -1( 2.0 )  0.8647
1
var(T ) 
Por tanto, concluiríamos que hay una 2
probabilidad de 0.3935 de que un pedido
pueda procesarse en medio minuto o menos; ¿Cuáles son las implicaciones para el modelo
una probabilidad de 0.6321 de que se de colas al suponer que T tiene una
procesará en un minuto o menos y una distribución exponencial? Para explorar esta
probabilidad de 0.8647 de que puede pregunta se examinarán seis propiedades de la
procesarse en dos minutos o menos. distribución exponencial.
Propiedad 1: fT(t) es una función
estrictamente decreciente de t (t > 0).
Una consecuencia de esta propiedad es que:
P(0  T  t)  P(t  T  t  t)
para cualquier valor estrictamente positivos de
Δt y t. Esta es una consecuencia del hecho de
que estas probabilidades son el área bajo la
curva de fT (t) en el intervalo indicado de
longitud Δt, y la altura promedio de la curva es
menor para la segunda probabilidad que para
la primera. Por lo tanto, no sólo es posible sino
también relativamente probable que T tome un
valor pequeño cercano a cero. De hecho,
 1 1
P 0  T    0.393
 2
1 1 3 1
P T    0.383
 2  2
de manera que es más probable que el valor
que tome T sea "pequeño" [esto es, menor que
la mitad de E(T)] que "cercano" a su valor
esperado [es decir, no más alejado que la mitad
de E(T)], aun cuando el segundo intervalo tiene
el doble de amplitud que el primero.
Debemos considerar que, si el servicio
requerido es en esencia idéntico para cada
cliente y el servidor realiza siempre la misma
secuencia de operaciones, entonces los tiempos
de servicio reales tienden a ser cercanos al
tiempo esperado de servicio. Pueden ocurrir
pequeñas desviaciones de la media, pero por lo
general se deben a variaciones menores en la
eficiencia del servidor. Un tiempo de servicio
tan pequeño que quede muy por debajo de la
media es en realidad imposible, ya que se
necesita cierta cantidad mínima de tiempo para
realizar las operaciones de servicio requeridas,
aunque el servidor trabaje a la mayor
velocidad. Es claro que la distribución
exponencial no proporciona una aproximación
cercana a la distribución de tiempos de servicio
de este tipo.
Por otro lado, considere el tipo de situación en
la que las tareas específicas que tiene que
realizar el servidor difieren de un cliente a otro.
La naturaleza general del servicio puede ser la
misma, pero la cantidad y tipo específico de
servicio difieren. Por ejemplo, en la sala de
emergencia de un Hospital, el doctor se
enfrenta a una gran variedad de problemas
médicos, en la mayor parte de los casos puede
proporcionar el tratamiento requerido con
bastante rapidez, pero en ocasiones, el paciente
requiere un cuidado más extenso. De igual
manera, el servicio en bancos y supermercados
son de este tipo general. Parece plausible una
distribución exponencial para los tiempos de
servicio en este tipo de situación.
Si T representa los tiempos entre llegadas, la
propiedad 1 descarta las situaciones en las que
los clientes que llegan al sistema tienden a
posponer su entrada si ven que otro cliente
entra antes que ellos. Por otro lado, es
totalmente consistente con el fenómeno común
de las llegadas "aleatorias" que se describe con
las propiedades subsecuentes. Así, cuando se
grafican los tiempos entre llegadas contra el
tiempo, a veces tienen la apariencia de estar
aglomerados con grandes separaciones entre
cada aglomeración, debido a la gran
probabilidad de que los tiempos entre llegadas
sean pequeños y la poca probabilidad de que
ocurran tiempos entre llegadas grandes, pero
un patrón tan irregular es justo parte de la
verdadera aleatoriedad.
Propiedad 2: Falta de memoria.
Matemáticamente esta propiedad se puede
establecer como:
P(T  t  t/T  t)  P(T  t)
para cualquier cantidad positivas de t y Δt. En
otras palabras, la distribución de probabilidad
del tiempo que falta hasta que ocurra el evento
(llegada o terminación de servicio) siempre es la
misma, sin importar cuánto tiempo (Δt) haya
pasado. En efecto, el proceso "olvida" su
historia. Este sorprendente fenómeno ocurre
con la distribución exponencial debido a que:
P(T  t, T  t  t)
P(T  t  t/T  t)  P(T  t) 
P(T  t)
P(T  t  t)

P(T  t)
e  (t  t )

e t
 e t
 P(T  t)
Para los tiempos entre llegadas, esta propiedad
describe la situación común en donde el tiempo
que transcurre hasta la siguiente llegada está
totalmente influenciado por cuándo ocurrió la
última llegada. Para los tiempos de servicio,
esta propiedad es más difícil de interpretar. No
debe esperarse que se cumpla cuando el
servidor tiene que realizar la misma secuencia
fija de operaciones para cada cliente, porque
entonces un servicio largo y tardado debe
implicar que tal vez queda muy poco por hacer.
Por otro lado, en la clase de situación en la que
las operaciones de servicio requeridas difieren
entre los clientes, la afirmación matemática de
la propiedad es bastante realista. Para este
caso, si ha pasado un tiempo de servicio
considerable, la única implicación puede ser
que este cliente en particular requiera un
servicio más extenso que los demás.
Propiedad 3: el mínimo de varias variables
aleatorias exponenciales independientes
tiene una distribución exponencial.
Para establecer esta propiedad
matemáticamente, sean Tl, T2,..., Tn, variables
aleatorias exponenciales independientes con
parámetros n, respectivamente.
También sea U la variable aleatoria cuyo valor
es igual al mínimo de los valores que toman Tl,
T2,..., Tn; es decir,
U  min(T1 , T2 ,..., Tn , U
Así, si Ti representa el tiempo que pasa hasta
que ocurre un tipo especial de evento, entonces
U representa el tiempo que pasa hasta que
ocurre el primero de los n eventos diferentes.
Ahora note que para cualquier t>0,
P(U  t)  P(T1  t, T2  t,...Tn  t)
 P(T1  t)P(T2  t)...P(Tn  t)
 e -1t e - 2t ...e - n t
 n 
 exp 


  t 
i 1
i
Esta propiedad tiene algunas implicaciones
para los tiempos entre llegadas en los modelos
de colas. En particular, suponga que existen
varios (n) tipos diferentes de clientes, pero que
los tiempos entre llegadas de cada tipo (tipo i)
tienen distribución exponencial con parámetro
i (i = 1, 2,..., n). Por la propiedad 2, el tiempo
que falta a partir de un instante específico
hasta la llegada del siguiente cliente del tipo i
tendrá esta misma distribución. Por ello, sea Ti
este tiempo restante medido a partir del
instante en que llega un cliente de cualquier
tipo. La propiedad 3 dice entonces que U, el
tiempo entre llegadas para el sistema de colas
completo, tiene distribución exponencial con
parámetro a definido por la última ecuación.
Como resultado, se puede elegir ignorar la
distinción entre los clientes y seguir teniendo
tiempos entre llegadas exponenciales para el
modelo de colas.
Estas implicaciones son todavía más
importantes para los tiempos de servicio en los
modelos de colas que tienen más de un
servidor, de lo que son para los tiempos entre
llegadas. Por ejemplo, considere la situación en
la que todos los servidores tienen la misma
distribución exponencial de tiempo de servicio,
con parámetro . Para este caso, sea n el
número de servidores que en este momento
prestan servicio y sea Ti el tiempo que falta
para que el servidor i (i = 1, 2,…, n), complete el
servicio, que también tiene distribución
exponencial con parámetro ii. Se puede
concluir que U, el tiempo hasta la siguiente
terminación de servicio para cualquier servidor,
tiene una distribución exponencial con
parámetro n. En efecto, el sistema de
colas, en este momento, actúa como un
sistema de un solo servidor, en el que los
tiempos de servicio tienen una distribución
exponencial con parámetro n. Esta
implicación se utilizará al analizar los modelos
de varios servidores.
Cuando se usa esta propiedad, algunas veces
es útil también determinar las probabilidades
de cuál de las variables aleatorias
exponenciales será la que tiene el valor
mínimo. Por ejemplo, puede quererse encontrar
la probabilidad de que un servidor j en
particular termine primero de servir a un
cliente entre los n servidores ocupados. Es
bastante directo mostrar que esta probabilidad
es proporcional al parámetro j. En particular,
la probabilidad de que T resulte ser el menor de
las n variables aleatorias es
P (T j  U )   j 
n
i para j=1, 2, …
i 1
Propiedad 4: Relación con la distribución
Poisson
Suponga que el tiempo entre dos ocurrencias
consecutivas de un tipo específico de evento
(esto es, llegadas o terminación de servicio por
un servidor siempre ocupado) tiene una
distribución exponencial con parámetro a. La
propiedad 4 tiene que ver con la implicación
resultante sobre la distribución de probabilidad
del número de veces que ocurre este evento en
un periodo dado. En particular, sea X(t) el
número de ocurrencias en el tiempo t (t>0), en
donde el tiempo 0 es el instante en el que
comienza la cuenta. La implicación es que
P X (t )  n 
t  n e t para n = 0, 1, 2,...; n.
n!
es decir, X(t) tiene una distribución Poisson con
parámetro t. Por ejemplo, para n=0,
P X (t )  0  e t
que es justo la probabilidad obtenida a partir
de la distribución exponencial para que ocurra
el primer evento después de un tiempo t. La
media de la distribución Poisson es
E  X (t )  t
de manera que el número esperado de eventos
por unidad de tiempo es . Así, se dice que  es
la tasa media a la que ocurren los eventos.
Cuando se cuentan los eventos de manera
continua, se dice que el proceso de conteo {X(t);
t>0} es un proceso Poisson con parámetro  (la
tasa media).
Esta propiedad brinda información útil sobre la
terminación de servicio cuando los tiempos de
servicio tienen una distribución exponencial
con parámetro . Esta información se obtiene
al definir X(t) como el número de servicios
completos logrados por un servidor siempre
ocupado en un tiempo transcurrido t, en donde
. Para modelos de múltiples servidores,
también se puede definir X(t) como el número
de terminaciones de servicio logradas por n
servidores siempre ocupados en un tiempo
transcurrido t, en donde =n.
Esta propiedad es útil en particular para
describir el comportamiento probabilístico de
las llegadas cuando los tiempos entre llegadas
siguen una distribución exponencial con
parámetro . En este caso, X(t) sería el número
de llegadas en un tiempo transcurrido t, en
donde = es la tasa media de llegadas.
Entonces, las llegadas ocurren de acuerdo con
un proceso de entradas Poisson con parámetro
. Este tipo de modelos se describen también
con la suposición de que tienen llegadas
Poisson.
Algunas veces se dice que las llegadas ocurren
aleatoriamente y esto significa que suceden de
acuerdo con un proceso de entradas Poisson.
Una interpretación intuitiva de este fenómeno
es que cada periodo de longitud fija tiene la
mima oportunidad de tener una llegada sin
importar cuándo ocurrió la llegada anterior,
como lo sugiere la siguiente propiedad.
Propiedad 5: para todos los valores positivos
de t, P{T<t+Δt/T>t}≈ Δt, para Δt pequeño.
Todavía se interpreta T como el tiempo que
pasa desde el último evento de cierto tipo
(llegada o terminación de servicio) hasta el
siguiente evento, y suponga que ha
transcurrido un tiempo t sin que ocurra un
evento. Se sabe, por la propiedad 2, que la
probabilidad de que ocurra un evento dentro
del siguiente intervalo de tiempo, de longitud
fija Δt, es una constante (que se identificará en
el siguiente párrafo), sin importar cuán grande
o pequeño sea t. La propiedad 5 va más allá al
agregar que, cuando el valor de Δt es pequeño,
esta probabilidad constante se puede
aproximar de manera muy cercana por Δt. Lo
que es más, cuando se consideran distintos
valores pequeños de Δt, esta probabilidad es,
en esencia, proporcional a Δt, con factor de
proporcionalidad igual a . De hecho,  es la
tasa media a la cual ocurren los eventos (vea la
propiedad 4), por lo que el número esperado de
eventos en el intervalo de longitud Δt es
exactamente Δt. La única razón por la que la
probabilidad de que ocurra un evento difiere de
este valor es la posibilidad de que ocurra más
de un evento, lo cual tiene una probabilidad
despreciable cuando Δt es pequeño.
Para ver matemáticamente por qué se cumple
la propiedad 5, note que el valor constante de
la probabilidad (para un valor fijo de Δt>0) es
sencillamente:
P(T  t  t/T  t)  P(T  t)
 1  e t
para cualquier t>0. Por esta razón, como la
expansión de la serie  para cualquier
exponente x es

xn
e x  1 x  
n2
n!
se concluye que

  t  n
P(T  t  t/T  t)  1  1  t   n!
n 2
 t
para Δt pequeño; porque los términos de la
suma se vuelven despreciables para valores de
Δt suficientemente pequeños.
Como en los modelos de colas T puede
representar ya sea tiempos entre llegadas o
tiempos de servicio, esta propiedad proporciona
una aproximación conveniente de la
probabilidad de que ocurra el evento de interés
en el siguiente intervalo de tiempo pequeño (Δt).
Propiedad 6: No afecta agregar o desagregar.
Esta propiedad es importante para verificar que
el proceso de entrada es Poisson. Entonces, se
describirá en estos términos, aunque también
se aplica directamente a la distribución
exponencial (tiempos entre llegadas
exponenciales) debido a la propiedad 4.
Primero se considera agregar (combinar) varios
procesos de entrada Poisson en un proceso de
entrada global. En particular, suponga que
existen varios (n) tipos diferentes de clientes, en
donde los clientes de cada tipo (tipo i) llegan de
acuerdo a un proceso de llegadas Poisson con
parámetro i(i = 1, 2,..., n). Suponga que se trata
de procesos Poisson independientes, la
propiedad dice que el proceso de entrada
agregado (llegada de todos los clientes sin
importar de qué tipo son) también debe ser
Poisson, con parámetro (tasa de llegada)
=1+2+…n. En otras palabras, si se tiene un
proceso Poisson no afecta agregar.
Esta parte de la propiedad se concluye
directamente de las propiedades 3 y 4. Esta
última implica que los tiempos entre llegadas
para los clientes de tipo i tienen una
distribución exponencial con parárnetro i.
Para esta situación idéntica, ya se analizó en la
propiedad 3 que esto implica que los tiempos
entre llegadas para todos los clientes también
deben tener una distribución exponencial, con
parámetro =1+2+…n. Si se usa la propiedad
4 de nuevo implica que el proceso de entrada
agregado es Poisson.
La segunda parte de la propiedad 6 ("no afecta
desagregar") se refiere al caso contrario, en el
que se sabe que el proceso de entrada agregado
(la que se obtuvo con la combinación de
procesos de entrada para diferentes tipos de
clientes) es Poisson con parámetro ; el
cuestionamiento ahora concierne a la
naturaleza del proceso de entrada desagregado
para los tipos de clientes individuales. Si se
supone que cada cliente que llega tiene una
probabilidad fija pi de pertenecer al tipo i (i = 1,
2,..., n), con
i  pi 
y
n
p
i 1
i 1
De manera más precisa, la propiedad dice que
el proceso de entrada para los clientes tipo i
también debe ser Poisson con parámetro i. En
otras palabras, si se tiene un proceso Poisson,
no afecta desagregar.
Como ejemplo de la utilidad de esta segunda
parte de la propiedad, considere la siguiente
situación. Los clientes, sin hacer distinciones,
llegan de acuerdo a un proceso Poisson con
parámetro . Cada cliente que llega tiene una
probabilidad fija p de desistir (irse sin entrar al
sistema de colas), de manera que la
probabilidad de entrar al sistema es (1 - p). Así,
se tienen dos tipos de clientes, aquellos que
desisten y aquellos que entran al sistema. La
propiedad dice que cada tipo llega de acuerdo a
un proceso Poisson, con parámetros p y (1-p),
respectivamente. Por lo tanto, al usar el último
proceso Poisson, los modelos de colas que
suponen llegadas Poisson todavía se pueden
usar para analizar el funcionamiento del
sistema de colas para aquellos clientes que
entran al sistema.
 ANALISIS DE UN SISTEMA DE COLAS DE UN SOLO CANAL
DE UNA SOLA LINEA CON LLEGADA EXPONENCIAL
Y PROCESOS DE SERVICIO (M/M/1)

Ejemplo: sus estaciones de pesado y ha seleccionado

La comisión de autopistas de Ohio tiene un una de sus estaciones como modelo a estudiar
número de estaciones para el pesado de antes de instrumentar los cambios. La
camiones a lo largo de la autopista de cuota deadministración desea analizar y entender el
desempeño del sistema actual durante las
Ohio, para verificar que el peso de los vehículos
cumple con las regulaciones federales. Una de horas pico, cuando llega a la báscula el mayor
número de camiones, suponiendo que el
tales estaciones se ilustra en la figura Nº 4. La
administración de la Comisión sistema puede desempeñarse bien durante este
está
considerando mejorar la calidad del servicio enperiodo, el servicio en cualquier otro momento
será aún mejor.
Sistema de colas para la estación de pesado en la autopista de Ohio

Solución: suponga que la gerencia determina que los

Las características del sistema son las valores son:
siguientes:  = Número promedio de camiones que llegan
 Población de clientes infinita. por hora = 60
 Proceso de llegada en el que los clientes se  = Número promedio de camiones que pueden
presentan de acuerdo con un proceso de ser pesados por hora = 66
Poisson con una tasa promedio de  clientes

Báscula

Estación de pesado
por unidad de tiempo. El valor de , de modo que es posible hacer
 Un proceso de colas que consiste en una el análisis de estable de este sistema.
sola línea de espera de capacidad infinita, con Cálculo de las medidas de rendimiento:
una disciplina de colas de primero en entrar Para cualquier sistema de colas M/M/1, en
primero en salir. términos de los parámetros  y  las diferentes
 Un proceso de servicio que consiste en un medidas de rendimiento descritas
solo servidor que atiende a los clientes de anteriormente, pueden expresarse en términos
acuerdo con una distribución exponencial con de la intensidad de tráfico (), que es el
promedio de  clientes por unidad de tiempo. cociente de  sobre . Para el problema de la
Para que este sistema alcance una condición de Comisión de la Autopista de Ohio (CAO), la
estado estable, la tasa de servicio promedio  intensidad de tráfico es:
debe ser mayor que la tasa de llegadas λ
promedio . Si éste no fuera el caso, la cola del ρ 
μ
sistema continuaría creciendo debido a que, en
promedio, llegarían más clientes que los que 60
ρ   0.9091
pueden ser atendidos por unidad de tiempo. 66
El gerente de operaciones de la estación de Mientras más cerca este  de 1, más cargado
pesado de la autopista de Ohio debe estimar estará el sistema, lo cual tiene como resultado
las tasas promedio de llegada y de servicio en colas más largas y tiempos de espera más
dicha estación. De los datos disponibles, grandes.
En términos de  y , las medidas de ρ2
rendimiento para el problema de CAO, se Lq 
calculan de la siguiente manera: 1 ρ
a. Tiempo esperado entre llegada de los (0.9091) 2
Lq   9.0909
clientes individuales: 1  0.9091
Si el número promedio de camiones que llegan 2 2

 

  2
por hora es 60 (=60) por hora, el tiempo  
promedio o esperado entre llegadas es ρ2     
Lq     
1/=1/60 horas (1 minuto entre cliente). Así si 1 ρ     
1
 es la tasa de llegada esperada, 1/ es el  
tiempo esperado entre dos llegadas sucesivas.
2
b. Tiempo esperado para completar dos Lq 
 *   
servicios sucesivos:
Si la tasa de servicio es =66 por hora, el Esto significa que, en el estado estable, en
tiempo esperado entre dos servicios sucesivos promedio, la estación de pesado puede esperar
es 1/=1/66 horas o 0.91 minutos o 54.55 tener aproximadamente nueve camiones
segundos. esperando para obtener el servicio (sin incluir
al que se está pesando).
c. Utilización (U):
Cuando se ha determinado un valor para Lq, ya
 se pueden calcular los valores de Wq, W, y L
U 
 utilizando las relaciones derivadas la sección
U ρ “Relaciones entre medidas de rendimiento”, de
U  0.9091 la siguiente manera:
g. Tiempo promedio de espera en la cola (Wq):
Indica que aproximadamente 91% del tiempo Lq
las instalaciones de pesado están en uso (un Wq 
λ
camión está siendo pesado). De manera 9.0909
equivalente, aproximadamente, 9 % del tiempo Wq   0.1515
la estación está sin funcionar, sin que haya 60
camiones que se están pesando. 2
d. Probabilidad de que no haya clientes en el
 *  
sistema (P0): Wq 
λ
P0  1 - ρ 
P0  1 - U Wq 
 *  

P0  1 - El valor Wq=0.1515, indica que, en promedio,
 un camión tiene que esperar 0.1515 horas
P0  1 - 0.9091  0.0909 (aproximadamente 9 minutos) en la fila antes
de que empiece el proceso de pesado.
Este valor indica que aproximadamente 9% del
tiempo, un camión que llega no tienen que h. Tiempo promedio de espera en el sistema
esperar a que se le proporcione el servicio (W):
porque la estación de pesado está vacía. En W  Wq 
1
otras palabras, aproximadamente, 91% del μ
tiempo, un camión que llega, tiene que esperar. 1
e. Probabilidad de que un cliente que llega W  0.1515   0.1667
66
tenga que esperar (Pw):
1
Pw  1 - P0  ρ W  Wq 
μ
Pw  0.9091  1
W 
Es decir, aproximadamente, 91% del tiempo,  *    μ
μ*    *     
un camión que llega, tiene que esperar.
f. Número promedio en la fila (Lq): W
 *   * μ
1
W
  
Este valor indica que, en promedio, un camión Lq
invierte 0.1667 hrs. (aproximadamente 10 Tiempo promedio Wq  λ
minutos) desde que llega hasta que sale. de espera en el λ
Wq 
i. Número promedio en el sistema (L): sistema μ*  μ  λ 
L  λ* W Número promedio
L  60 * 0.1667  10 en el sistema W  Wq 
1
μ
L  λ* W Probabilidad de W  1
 que no haya  μ  λ
L
   clientes en el
sistema
En promedio, existe una cantidad de 10
λ
camiones en la estación de pesado, ya sea en la Probabilidad de L  λ * W L   μ  λ 
báscula o esperando ser atendidos. que un cliente que
j. Probabilidad de que haya n clientes en el llega tenga que P0  1 - U
sistema (Pn): esperar P0  1 - ρ P  1 - λ
0
Pn  ρ n * P0 Probabilidad de μ
que haya n clientes
Pn  U n * P0 en el sistema
Pn  U n * (1 - U) Utilización
n
   Pw  1 - P0  ρ
Pn    *  1 - 
  
Al utilizar esta fórmula se obtienen los siguientes
resultados: Pn  ρ n * P0
N Pn
0 0.0909 U ρ
1 0.0826 INTERPRETACIÓN DE LAS MEDIDAS DE
2 0.0751 RENDIMIENTO
3 0.0683 Al evaluar el sistema actual, la administración
observa que muchas medidas de rendimiento
4 . están dentro de los niveles aceptables. Por
5 . ejemplo, un tiempo de espera de W = 10
6 . minutos para que un chofer pueda pasar por el
proceso de pesado es algo razonable. Se tiene
Esta tabla proporciona la distribución de también que un promedio de Lq = 9 camiones
probabilidad para el número de camiones que esperando para ser atendidos es tolerable, pues
se encuentran en el sistema. Los números que la rampa de salida de la carretera tiene una
aparecen en la tabla se pueden utilizar para capacidad de 15 camiones, pero la
responder las siguientes preguntas: ¿Cuál es la administración está preocupada porque en
probabilidad de que no haya más de tres ocasiones la cola llega hasta la autopista.
camiones en el sistema? En este caso, la
respuesta de 0.3169 se obtiene mediante la Para calcular la probabilidad de que esto no
suma de las primeras cuatro probabilidades de suceda se debe calcular la probabilidad de que
la tabla (para n = 0, 1, 2, 3). el número de camiones en el sistema sea de 17
o más (uno que está siendo atendido y 16 o
Fórmulas para calcular las medidas de más esperando en la rampa). Este número se
rendimiento de un sistema de colas obtiene sumando las probabilidades Pn, de que
M/M/1 n camiones se encuentren en el sistema, para
MEDIDA DE n = 17, 18, … Esto tiene un resultado de 0.20;
FORMULA GENERAL
RENDIMIENTO es decir, aproximadamente 20% del tiempo los
camiones sobrepasarán la rampa y llegarán
Número promedio ρ2
Lq  hasta la autopista. Como este no es un nivel
en la fila 1 ρ aceptable de desempeño, la gerencia desea
λ2 mejorar la eficiencia global del sistema, no
Tiempo promedio Lq 
μ*  μ  λ  solamente por la razón anterior sino también
de espera en la porque se prevé un aumento en el tráfico de
cola
camiones sobre la autopista en el futuro
cercano. Un informe reciente indica que la CAO
debería planear una tasa de llegada pico de,
aproximadamente, 70 camiones por hora en
lugar del actual de 60.
Suponga que para solucionar este problema, la
gerencia ha propuesto contratar un trabajador
adicional, con la esperanza de que aumente la
eficiencia en, aproximadamente, 10 %. Es
decir, con este nuevo trabajador, podrían ser
pesados, aproximadamente, 73 camiones en
lugar de los 66 anteriores. Como gerente de
operaciones se le ha pedido a Ud. que evalúe la
propuesta.
Esa evaluación puede realizarse utilizando las
fórmulas empleadas en el desarrollo del
ejercicio anterior. Solamente cambian la tasa
de servicio y de llegada. Es necesario que Ud.
confirme los siguientes resultados. Con la
nueva propuesta, en promedio, un conductor
de camión invierte en el sistema una cantidad
de 0.3333 horas (20 minutos) y el número de
camiones que esperan en la rampa para ser
ANALISIS DE UN SISTEMA DE COLAS DE CANAL MULTIPLE
DE UNA SOLA LINEA CON LLEGADA EXPONENCIAL
Y PROCESOS DE SERVICIO M/M/c
Las características de este sistema de colas son
las siguientes:
 Población de clientes infinita.
 Proceso de llegada en el que los clientes se
presentan de acuerdo a un proceso de Poisson
con una tasa promedio de  clientes por unidad
de tiempo.
 Un proceso de colas que consiste en una
sola línea de espera de capacidad infinita, con
una disciplina de colas de primero en entrar
primero en salir.
 Un proceso de servicio que consiste en c
servidores idénticos, cada uno de los cuales
atiende a los clientes de acuerdo con una
Camiones
esperando
pesados es de, aproximadamente, 22.
Obviamente, estos rendimientos no son
aceptables, no sólo por el hecho de que los
conductores tendrían que tardar 20 minutos en
el sistema, sino también porque la longitud de
cola esperada es de 22 camiones, cantidad que
sobrepasa la capacidad de la rampa (15), lo que
podría generar accidentes en la autopista.
Para obtener rendimientos aceptables, se ha
propuesto otra alternativa: la construcción de
otra báscula en el otro lado de la estación de
pesado. Utilizando el personal actual para que
opere ambas básculas las estimaciones de la
gerencia tendrán como resultado una
capacidad de peso de, aproximadamente, 40
camiones por hora en cada báscula.
Nuevamente se le ha pedido que evalúe la
propuesta; sin embargo, ya no se puede utilizar
las mismas fórmulas de rendimiento pues
ahora el sistema propuesto tiene dos servidores
y el análisis anterior se aplica a sistemas con
un solo servidor.
distribución exponencial con promedio de 
clientes por unidad de tiempo.
Sistema de colas con dos básculas, para el
problema de CAO
Este sistema es distinto del M/M/1
únicamente en lo que respecta a que nos
permite tener c servidores en lugar de uno.
Para que el sistema M/M/c alcance una
condición de estado estable, la tasa total
promedio de servicio, c* debe ser
estrictamente mayor que la tasa promedio de
llegadas (). Si este no fuera así, la cola del
sistema continuaría creciendo debido a que, en
Báscula 1
Báscula 2
Estación de pesado
promedio y por unidad de tiempo, llegarían Este valor de P0 indica que, aproximadamente,
más clientes de los que pueden ser atendidos. 7% del tiempo la estación de pesado está vacía.
La nueva propuesta de la CAO, utilizando el b. Número promedio en la fila (Lq):
personal actual, tiene las siguientes
ρ c 1 1
características: Lq  * * P0
(c  1)! (c  ρ ) 2
c = 2 servidores
 = 70 camiones por hora (1.75)3 1
Lq  * * 0.06667
(1)! (2  1.75) 2
μ = 40 camiones por hora en cada báscula
Lq  5.359375 * 16 * 0.06667
El valor de c*μ = 2 * 40 = 80, es mayor que el
de  = 70, de manera que si se puede realizar Lq  5.7167
un análisis de estado estable para este sistema. En otras palabras, en promedio, la estación de
Cálculo de las medidas de rendimiento pesado, puede esperar tener aproximadamente,
6 camiones esperando ser atendidos (sin
Las diferentes medidas de rendimiento de un
incluir el que ya está en la báscula).
sistema de colas M/M/c, están derivadas en
términos de los parámetros  y Estas Ahora que ya se ha estimado un valor para Lq,
fórmulas se expresan en términos de , que es puede calcularse los valores de Wq, W, y L
el cociente de  sobre Para el problema de utilizando las relaciones ya conocidas.
CAO: c. Tiempo promedio de espera en la cola (Wq):
λ 70 Lq 5.7167
ρ ρ  1.75 Wq  Wq   0.081667
μ λ 70
40
En términos de ,  y , las medidas de Este valor indica que, en promedio, un camión
rendimiento para el problema de CAO, se tiene que esperar 0.0817 horas
calculan de la siguiente manera: (aproximadamente 5 minutos) en la fila antes
de iniciar el proceso de pesado.
a. Probabilidad de que ningún cliente esté en el
sistema (P0): d. Tiempo promedio de espera en el sistema
(W):
1
P0  c 1 n W  Wq 
1
ρ ρc c

μ
 *
n 0
n! c! c  ρ W  0.081667 
1
40
donde: W  0.081667  0.025  0.10667
c 1 n 0 1 2 c 1
ρ ρ ρ ρ ρ En promedio, un camión tiene que esperar
 n!
n 0

0!

1!

2!
 ..... 
(c  1)! 0.10667 horas (aproximadamente 7 minutos)
desde que llega hasta que sale de la estación.
y k!  k(k  1)....1 y 0!  1 e. Número promedio en el sistema (L):
Para el problema de CAO, en el cual ρ  1.75 L λ *W
y c2: L  70 * 0.10667  7.4667
c 1 n 0 1
ρ 1.75 1.75 En promedio, se tiene entre 7 y 8 camiones
 n!
n 0

0!

1! esperando en la estación, ya sea en la báscula
o en espera de ser atendidos.
c 1 n
ρ
 n!
n 0
 1  1.75  2.75 f. Probabilidad de que un cliente que llegue
tenga que esperar (Pw):
1 c
ρc c (1.75) 2 2 Pw  *ρ c * * P0
*   c! c ρ
n! c  ρ 2! 2  1.75
1 2
ρc c Pw  * (1.75)2 * * 0.06667
*  1053125 * 8  12.25 2! 2  1.75
n! c  ρ
Pw  0.5 * 3.0625* 8 * 0.06667  0.81667
1
P0  Aproximadamente, 82 % de las veces, un
2.75  12.25
camión que llega es pesado sin que tenga que
1 esperar.
P0   0.06667
15
g. Probabilidad de que hayan n clientes en el
sistema (Pn):
 Si n < = c: en la rampa. ¿Cuál es la probabilidad de que
más de 17 camiones estén en el sistema en
ρn cualquier momento?
Pn  * P0
n! La probabilidad de que se presente este caso,
Al utilizar esta fórmula, se obtienen los siguientes se obtiene sumando las probabilidades
resultados: correspondientes a cada valor de n=18, 19, …
n Pn La probabilidad resulta ser de 9.6 % . Si se cree
que este valor no es aceptable, se puede sugerir
0 0.06667
modelos alternativos; por ejemplo, contratar a
1 0.11667 un trabajador más para que se aumente la tasa
2 0.10210 de servicio, o aumentar la capacidad del área
Si n > c: de espera teniendo dos filas en lugar de una
sola.
ρ n Ejemplo 3:
Pn  * P0
(c! ) c n -c Los clientes de un Banco de la ciudad, llegan
Al utilizar esta fórmula, se obtienen los siguientes uno a la vez, completamente en forma
resultados: aleatoria, a un cajero automático cuya tasa es
seis clientes por hora. Los clientes toman un
n Pn
promedio de cuatro minutos para terminar sus
3 0.08932 transacciones y los datos históricos han
4 0.07816 mostrado que los tiempos de servicio se
. . ajustan a la distribución exponencial negativa
Los clientes hacen cola sobre la base de
Estas tablas proporcionan la distribución de
primero en llegar, primero en salir. Suponga
probabilidad para el número de camiones que
que solamente hay un cajero automático.
hay en el sistema. Las cantidades que aparecen
en ambas tablas se utilizan para responder a) Encuentre las siguientes medidas
preguntas como las siguientes: ¿Cuál es la esperadas del desempeño para este sistema: el
probabilidad de que al menos una báscula no número esperado de clientes en el sistema, el
esté funcionando?. Esta probabilidad es la número esperado de clientes que esperan el
misma que la probabilidad de que haya menos servicio, el tiempo esperado en el sistema y el
de dos camiones en el sistema. Sumando las tiempo esperado en la cola.
dos primeras probabilidades de la tabla, para n b) ¿Cuál es la probabilidad de que haya más
= 0 y 1, se obtiene la cantidad 0.18334. de cinco personas en el sistema para un punto
h. Utilización (U): aleatorio en el tiempo?
c) ¿Cuál es la probabilidad de que el tiempo
  c 1 c2 1 
U  1   P0    P1    P2  ...    Pc de
1  espera en la cola sobrepase los 10 minutos?
  c   c  c
d) Dados estos resultados, ¿piensa que la
 1  administración deba considerar anexar otro
U  1   P0    P1  cajero automático?
 2 
Solución
U  1   0.06667   0.5  * (0.11667) 
La afirmación de que los clientes llegan uno a
U  1  0.125  0.875 la vez en tiempos completamente aleatorios
Cada báscula está ocupada el 87 % del tiempo. implica que el proceso de entrada es un
proceso de Poisson. La tasa de llegada es =6
INTERPRETACIÓN DE LAS MEDIDAS DE
por hora. El tiempo medio de servicio es de 4
RENDIMIENTO
minutos=1/15 hora, por lo que la tasa de
Se puede informar a la gerencia que el tiempo servicio es =15 por hora. La tasa de utilización
promedio que un conductor de camión tiene es = / = 2/5 = 0.4.
que invertir en el sistema es 0.1067 horas
(aproximadamente 7 minutos) y que el número a)
promedio de camiones que esperan en la  2/5 2
LS     0.6667
rampa es, aproximadamente, 5.7167. 1  3/5 3
La gerencia encuentra aceptables estos 2 2 4
rendimientos. Sin embargo, vuelve a preguntar L q  L  *   0.2667
5 3 15
si la fila de camiones llegará hasta la autopista.
Este suceso se presentará cuando haya 2 L 2/3 2 1
WS     horas  6.6667 min utos
camiones en la báscula y más de 15 esperando  6 18 9
 Lq 4 / 15 4 2
Wq     horas  2.6667 min utos P (0) 
 6 90 45
b) Aquí estamos interesados en P(L>5). En
general:
 
P( L  k )  P n   (1   ) 
n  k 1 n  k 1
 1
P ( L  k )  (1   )  k 1 
 1 
P( L  5)   6   0.4  6  0.0041
c) Aquí estamos interesados en P(W1>1/6).
P (W q  t )  e  (    ) t
P (W q  t )  0.4e  (15 6 )(1 / 6 )
P (W q  t )  0.4e 1.5  0.0892
d) La respuesta no es obvia. Si examinamos las
medidas esperadas de desempeño, parecería
que servicio suministrado es razonable. El
número esperado de clientes en el sistema es
menor 1 y el tiempo promedio de espera en la
cola es menor que 3 minutos. Sin embargo, en
el inciso c vemos que la proporción de clientes
que debe esperar más de 10 minutos por
servicio es casi del 10%. Ello significa que
probablemente haya muchos clientes enojados,
aun cuando en promedio el sistema parezca
bueno. Esto ilustra la falla que reside en
considerar sólo valores esperados cuando se
evalúan los sistemas de servicio de colas.
Ejemplo 4:
La salchichería “Burguer Happy” vende
hamburguesas, hamburguesas con queso,
papas fritas, refrescos y malteadas y otros
productos ligados a su línea de negocio.
Aunque al personal de la empresa le gustaría
servir a sus clientes inmediatamente, a veces
llegan más comensales de los que pueden
atender y los clientes tienen que hacer cola
para hacer sus pedidos y tomar sus alimentos.
a. Suponga que el gerente analizó los datos
sobre las llegadas de los clientes y concluyó
que la tasa media de llegada es de 45 clientes
por hora. Calcule la probabilidad de 0, 1 y 2
llegadas de clientes durante un periodo de un
minuto.
Solución:
Para un periodo de 1 minuto, la tasa media de
llegada sería =45 clientes/60 minutos=0.75 clientes
por minuto.
(0.75) 0 e 0.75
P ( 0)   e 0.75  0.4724
0!
(0.75) 1 e 0.75
 0.75e  0.75  0.3543
1!
(0.75) 2 e 0.75 0.5625 * 0.4724
P(0)    0.1329
2! 2

n
 (1   )  La probabilidad de que no haya clientes en un
n
n  k 1 periodo de un minuto es 47.24%; la
 probabilidad de que haya un cliente en un
   k 1 minuto es 35.43%; y, la probabilidad de que
 haya dos clientes en un minuto es 13.29%;
b. La empresa estudió el proceso de toma y
surtido de pedidos y encontró que el empleado
sólo puede procesar un promedio de 60 pedidos
por hora. Encuentre la probabilidad de que un
pedido pueda procesarse en medio minuto o
menos; un minuto o menos; y, dos minutos o
menos.
Solución:
Si se considera la tasa de servicio por minuto,
tenemos: =60clientes/60 minutos = 1 cliente
por minuto; entonces:
P(tiempo de servicio  0.5 min )  1-e 1( 0.5)
P(tiempo de servicio  0.5 min )  1  0.6065  0.3935
P(tiempo de servicio  1 min )  1-e 1(1.0)
P(tiempo de servicio  1 min )  1  0.3679  0.6321
P(tiempo de servicio  2 min )  1-e 1( 2 .0 )
P(tiempo de servicio  2 min )  1  1353  0.8647
La conclusión es que existe la probabilidad de
39.35% de que un pedido se procese en medio
minuto o menos; la probabilidad de 63.21%
que un pedido se procese en 1 minuto o menos;
y, la probabilidad de 86.74% que un pedido se
procese en dos minutos o menos.
c. Encuentre las medidas de desempeño del
sistema.
Solución:
Figura Nº 01
Hoja de respuesta de las medidas de desempeño para el
problema de “Happy Burguer
En particular, los clientes esperan un promedio
de tres minutos antes de comenzar a colocar
un pedido, lo cual parece un poco largo para
un negocio basado en el servicio rápido.
Además, se tiene que la cantidad promedio de
clientes que esperan en la cola es de 2.25 y que
el 75% de los clientes que llegan tienen que
esperar para que los atiendan; esta situación
refleja que se tiene que mejorar el sistema.
Figura Nº 02
Hoja de respuesta de la distribución de probabilidades para el
problema de “Happy Burguer”
De la figura Nº 02, podemos deducir que existe
la probabilidad de 0.1335 de que siete o más
clientes estén en el sistema a la vez. Lo cual
indica que existe la alta posibilidad que la
empresa tenga líneas de espera largas si
continúa utilizando el sistema con un solo
canal.
d. Suponga que la empresa decide aumentar
la tasa de servicio haciendo un cambio creativo
utilizando nueva tecnología, de manera que la
nueva =75 clientes por hora (1.25 clientes por
minuto). Calcule las nuevas medidas de
desempeño.
Estos nuevos resultados indican que el sistema
Figura Nº 03
Hoja de respuesta para el problema de “Happy Burguer”,
cuando mejora la tasa de servicio.
ha mejorado. El tiempo promedio que un
cliente espera en la cola antes de ser atendido
se ha reducido de 3 a 1.2 minutos y el tiempo
promedio que pasa un cliente en el sistema se
ha reducido de 4 a 2 minutos.
e. Suponga que la administración desea
evaluar la conveniencia de abrir una segunda
estación de procesamientos de pedidos de
modo que puede servirse simultáneamente a
dos clientes.
La respuesta de las medidas de desempeño
para esta nueva situación se muestra en la
figura Nº 04.
Figura Nº 04
Hoja de respuesta para el problema de “Happy Burguer”,
cuando tiene dos servidores.
En comparación con las características
originales, el sistema ha mejorado mucho. El
tiempo promedio que pasa el cliente en el
sistema se reduce de 4 minutos a 1.16
minutos. La cantidad promedio de clientes en
la cola se reduce de 2.25 a 0.1227 clientes. El
tiempo promedio que pasa un cliente en la cola
se reduce de 3 minutos a 0.1636 minutos. La
probabilidad de que un cliente tenga que
esperar por el servicio se reduce de 0.75 a
0.2045
Ejemplo 5:
En la ciudad de Huaraz operan dos compañías
de autos de alquiler. Cada una de las
compañías posee dos autos de alquiler y
comparten el mercado en partes casi iguales.
Las llamadas llegan a las oficinas de despacho
de cada compañía a la tasa de 8 por hora. El
tiempo promedio por viaje es 12 minutos. La
llegada de llamadas sigue una distribución de
Poisson, mientras que los tiempos de viaje son
exponenciales.
Las dos compañías fueron compradas hace
poco por el Grupo Ortiz. Después de tomar el
mando de las dos compañías su primera acción
fue intentar reunir las dos en una sola oficina
de despacho, con la esperanza de ofrecer un
servicio más rápido a sus clientes.
a. Compare las dos situaciones presentadas en
esta compañía y analice los resultados.
Solución:
La figura Nº XX muestra los resultados con dos
escenarios. El escenario 1, cuando las
compañías de autos de alquiler trabajan
independientemente; y, el escenario 2, cuando
las compañías están unificadas.
 Figura Nº 01
Hoja de respuesta de TORA para el problema de servicios de
lavado de autos.
En el primer escenario, el tiempo de espera de
los clientes es 0.35556 hrs., aproximadamente
21 minutos; en el segundo escenario, el tiempo
de espera es 0.14911 hrs, que equivale,
aproximadamente 9 minutos. Es decir, en el
segundo escenario que es cuando las empresas
están consolidadas en una, el tiempo de espera
se reduce 57%. Esto es una evidencia de que la
consolidación de las compañías es ventajosa.
En la vida real, además, se evidencia que los
grupos de servicio siempre proporcionan un
modo de operación más eficiente.
Ejemplo 6:
Considere el problema de la reunificación de
las compañías de alquiler de autos. Suponga
que no puede obtenerse fondos para comprar
otras unidades. Para resolver el problema de la
espera excesiva, se aconsejó a la oficina de
despacho informe a los nuevos clientes sobre
una demora potencial excesiva por falta de
disposición de automóviles una vez que la lista
de espera alcance 6 clientes.
a. Analice el efecto de esta decisión sobre el
tiempo de espera
b. Calcule el número esperado de taxis
inactivos.
c. La probabilidad de que a un cliente que
llame se le dirá que no hay autos
disponibles.
Solución:
Limitar la lista de espera a 6 clientes equivale a
a hacer N=6+4=10 clientes como límite de
atención del sistema, con una tasa de llegadas
de 16 clientes por hora y tasa de servicio de 5
viajes por hora. Los resultados de este modelo
se mueustran en la Figura Nº XXX.
Ejemplo 7:
En una instalación de servicio de lavado de
autos, operan con una sola rampa. Los autos
llegan para ser atendidos de acuerdo a una
distribución de Poisson, con media de 4 por
hora y esperan en el estacionamiento de las
instalaciones si la rampa está ocupada. El
tiempo de lavar y asear cada automóvil varía,
pero se advierte que sigue una distribución
exponencial con media de 10 minutos por
automóvil. Los autos que no se pueden
estacionar dentro esperan en la calle que
bordea las instalaciones de lavado. Esto
significa que para todo propósito práctico, no
hay límite en el tamaño del sistema. El gerente
de las instalaciones quiere determinar el
tamaño del estacionamiento.
a. Las medidas de rendimiento.
b. La probabilidad de que un automóvil que
llegue tenga que esperar antes de ser lavado.
SOLUCIÓN
Datos:
=4 autos por hora
=60/10 autos por hora
Como  <1, el sistema opera bajo
condiciones de estado estable y su análisis es
posible.
Los resultados, según la hoja de respuesta de
TORA son los que se muestran en la figura Nº
01:
Respuestas:
La hoja de respuestas muestra que el número La simplificación de la desigualdad nos
promedio de autos que esperan en la cola (Lq) proporciona:
 s 1  0.1
Al tomar logaritmos a ambos miembros de la
ecuación:
ln(0.1)
s  1  4.679
ln(4 / 6)
De esa manera, s>5 espacios de
estacionamiento.
Ejemplo 8:
Considere el ejemplo anterior. Suponga que
esta instalación de lavado de autos tiene un
total de 4 lugares de estacionamiento. Si el
estacionamiento está lleno, los autos que
Figura Nº 01 lleguen buscarán servicio en otra parte. El
Hoja de respuesta de TORA para el problema de servicios de propietario desea determinar cómo influye el
lavado de autos. espacio de estacionamiento limitado en la
es 1.333. Sin embargo, no podemos usar esta pérdida de clientes a la competencia.
medida de rendimiento como única base para a. Las nuevas medidas de rendimiento.
la determinación del número de espacios de b. Cuántos clientes se pierden debido al
estacionamiento porque el diseño debe, en limitado espacio de estacionamiento, por hora y
cierto sentido, reflejar la longitud máxima por día de trabajo (8 horas).
posible de la cola. Por ejemplo, se puede
c. La probabilidad de que un carro que llegue
diseñar el sistema de forma que un auto que
reciba servicio de inmediato.
llega encuentre un espacio al menos 90% del
tiempo.
Supongamos que s es la variable desconocida
que representa el número de espacios de
estacionamiento. Tener s espacios en el
estacionamiento, significa que hay s+1
espacios en el sistema (cola + rampa de
lavado). Un auto que llega encontrará un
espacio 90% del tiempo si hay, cuando mucho, Solución:
s autos en el sistema. Esta condición es
equivalente al siguiente planteamiento de En este modelo,  no necesita ser menor que
1, puesto que las llegadas la sistema están
probabilidad:
controladas por el límite N del sistema. Esto
p0  p1  p2  ......  ps  0.90 significa que efectiva, más que , es la tasa que
De la hoja de respuestas, observamos que los importa en este caso. La tasa efectiva de
valores acumulados de Pn son 0.86831 y llegadas, efectiva se calcula observando el
0.91221 para n=4 y n=5, respectivamente. Esto diagrama esquemático de la siguiente figura:
significa que la condición se satisface para s>5 S is te m a
F u e n te
espacios para estacionamiento.
El número de espacios s también se puede
calcular utilizando la definición matemática de
  e fe c tiv a

Pn; es decir:
pn  (1   )(1     2  ......   s  0.90
 P é r d id a
La suma de la serie geométrica truncada es
igual a:
En ese esquema, los clientes llegan al sistema a
1   s 1 una tasa de  clientes por hora. Una cliente
1  que llega puede ingresar en el sistema o ir a
Así, la condición se reduce a: otro lado con tasas efectiva o pérdida, lo que
significa que efectiva+pérdida. Un cliente no
1   s 1  0.9
podrá entrar en el estacionamiento si ya hay N
clientes allí. Esto significa que la proporción de
clientes que no entrarían en el sistema debe ser
igual a PN. Así:
 pérdida   Pn
efectiva     perdida
Puesto que el límite sobre el sistema es N=5, la
proporción de clientes perdidos es P5=0.04812
que, con base en el día de 8 horas, es
equivalente a perder P5*8= 4*0.04812*8 =1.54
autos al día. Una decisión respecto a aumentar
el tamaño del estacionamiento, debe basarse
en el valor de los clientes perdidos.
Viendo el problema desde un ángulo diferente,
el tiempo total esperado en el sistema Ws =
0.3736 horas (aproximadamente 22 minutos),
menor a los 30 minutos del ejemplo anterior.
Esta reducción de cerca de 25% se asegura a
expensas de perder cerca de 4.8% de todos los
clientes potenciales debido al espacio limitado
del estacionamiento.

MODELO DE SERVIDORES MÚLTIPLES EN PARALELO

LA COLA M/M/C

 recorte podría durar tan sólo 5 minutos, pero el


c champú con estilo podría llevar hasta una hora
o más. Por esta razón, parece que la
1  
 
n
distribución exponencial se adapta
Pn  P0
n!  
 razonablemente bien para representar los
tiempos de servicio. Los clientes de Chabuca
Cuando n  c , se obtiene: siempre han sido pacientes pero desde que el
1  
n negocio mejoró hay quienes se quejan que el
Pn  
 
 P0 tiempo de espera es demasiado larga. Chabuca
c! c n  c   
está considerando llevar a su prima Pirula para
Luego: mejorar el servicio a los clientes. Suponga que
1 Pirula corta el cabello con la misma velocidad


c 1
 c  n   c  c  1    1  que Chabuca.
P0  

 n! c!


n  0  a. Cuánto ha disminuido la calidad del
servicio desde que la peluquería tiene más
c c  c 1 clientes?
Lq  P0
c! 1    2
b. Qué mejoría en el desempeño del sistema
L  L q  c podrán percibir los clientes cuando haya un
peluquero más?
Lq Solución
Wq 
 a. Primero calculamos las medidas de
1
desempeño del sistema antes de la aparición
W  Wq  del reportaje periodístico. La figura Nº 01 es la

hoja de respuestas proporcionada por WinQSB.
Como en el caso del modelo de cola con un solo Podemos apreciar que la peluquería estaba
servidor, se requiere la condición   1 para ocupada la mitad del tiempo (=0.50).
garantizar que la cola no crezca sin límite. Las medidas de desempeño muestran que, en
Problema 9: promedio, los clientes esperaron 0.4167 horas
Estética “La Chabuca” es atendida por su (aproximadamente 25 minutos) por un corte de
propietario, peluquero por más de 20 años. pelo.
Chabuca no hace citas, de modo que el patrón Después que apareció en artículo, (Figura Nº
de llegadas de sus clientes es esencialmente 02) la tasa de llegadas aumentó a un cliente
aleatorio. Siempre ha sido más o menos 1 cada 35 minutos. Estos implica que  cambió a
cliente cada 50 minutos. Hace dos meses el 1.7143 y =0.7143. Ahora las medidas de
periódico local publicó un artículo sobre desempeño indican que los clientes pueden
Chabuca que hizo que el negocio mejorara quejarse con razón debido a que, en promedio
bastante. En la actualidad la tasa de llegada se tienen que esperar más de una hora antes de
acerca más a un cliente cada 35 minutos. Para cortarse el cabello. De hecho, debido a que la
los cortes de pelo necesita un promedio de 25 distribución de Wq es exponencial, muchos
minutos pero esos tiempos varían mucho, tendrían que esperar mucho más que eso.
dependiendo de las necesidades del cliente. Un
 b. Agregar un peluquero más mejora
enormemente el desempeño del sistema. Con
dos peluqueros las medidas de desempeño se
muestran en la figura 03.
El sistema se encuentra ocupado, ahora, 36%
del tiempo.
El tiempo que tiene que esperar un cliente
antes de cortarse el cabello, cuando Chabuca
trabajaba sola era más de una hora; ahora, con
su prima Pirula, el tiempo se reduce a menos
de cuatro minutos.
Figura Nº 01
Hoja de respuestas de WinQSB para el problema de Estética “La
Chabuca”, antes de la aparición del artículo periodístico

Figura Nº 03
Hoja de respuestas de WinQSB para el problema de Estética “La
Chabuca”, con dos servidores.

Figura Nº 02
Hoja de respuestas de WinQSB para el problema de Estética “La
Chabuca”, después de la aparición del artículo periodístico

LA COLA CON CAPACIDAD FINITA: M/M/1/k

En este modelo, si los clientes se presentan

cuando el área de espera está llena, se van.
Estos problemas son comunes en restaurantes,
cines, salas de concierto, etc. También puede
presentarse en algunos casos de manufacturas
en que los procesadores tienen capacidad
finita.
Las ecuaciones de las medidas de desempeño
son:

Pn 
1     n
para n = 1, 2, 3,..., k
1   k 1
Figura Nº 01
Para el caso de la sala finita de espera no es Medidas de rendimiento obtenidas con Win QSB para el
problema de American Weavers, Inc.
necesario que   1 . De hecho, Pn tiene ese
valor para todos los valores de   1 . Cuando tasa efectiva de llegadas, ef se calcula como
  1 resulta que todos los estados son sigue:
igualmente posibles; así que:  ef  P Cantidad en el sistema  k 
1 0 P Cantidad en el sistema  k )
Pn   1
 k  1 para 0 < n < k (sólo cuando  ef   1  P Cantidad en el sistema  k 
Recuerde que no todos los clientes que llegan  ef   1  Pk 
entran al sistema. Cuando hay k o más en el
sistema, la tasa de llegadas es cero, y entonces
la tasa general de llegadas es menor que . La
Las medidas de desempeño se obtienen a partir
de L, la cantidad esperada de clientes en el
sistema, en estado estable.

L


 k  1  k 1
1  1   k 1

Lq  L  1  P0 

L
W 
 ef

Lq
Wq  Figura Nº 01
 ef
Hoja de respuestas de WinQSB para el problema del pintor
callejero.
Problema 10:
En la plaza de Armas de Huaraz, se ha ubicado
un artista callejero que pinta una caricatura en
unos 5 minutos. Sin embargo, como los
tiempos que requiere cada dibujo cambian
considerablemente, se pueden describir
bastante bien con una distribución
exponencial. Las personas desean esperar su
turno, pero cuando hay más de 10 optan por
irse y se les sugiere regresen después. En las
horas pico cabe esperar que haya hasta 20
clientes por hora. Suponga que los clientes
llegan totalmente al azar en las horas pico. Figura Nº 02
Hoja de respuestas de WinQSB que muestra las
a. Qué proporción del tiempo tiene la cola su probabilidades para el problema del pintor callejero
máxima capacidad?
b. Como la tasa de llegadas es 20 por hora, y
b. En promedio, cuántos clientes optan por el sistema está lleno 40% del tiempo, durante
irse? los periodos pico se rechazan (20*0.40)=8
c. Determinar las medidas de desempeño para clientes por hora. Esto da la tasa de llegadas
este sistema de colas efectiva igual a 12clientes por hora.
d. Si el área de espera duplicara su tamaño, Observe que P0=0.0015, que indica una
¿cómo afectaría a las respuestas de las
partes (a) y (b)?
Solución
La tasa de llegada es =20 por hora; la lasa de
servicio es =12 por hora, de modo que
=20/12=1.667. El número máximo de clientes en
el sistema es K=11 (10 en la cola más el cliente
que está siendo atendido).
Las medidas de desempeño se muestran en la
figura Nº 01.
a. La probabilidad de que el sistema esté lleno
es PK, que aparece dada por:

PK 
1     K
1   K 1
(1  1.6667)(1.6667) 11  184.25
PK    0.40
1  1.667 12  459.5
Figura Nº 03
Esta cantidad también se muestra en la figura Hoja de respuestas de WinQSB que muestra las
02, que es la hoja de respuestas del WinQSB y probabilidades para el problema del pintor callejero
cuando se duplica el área de espera
muestra la distribución de probabilidades para
este problema. probabilidad muy pequeña que un cliente que
llegue no tenga que esperar para ser atendido,
lo que es un reflejo que el sistema rara vez está
vacío.
El tiempo que un cliente espera para ser
atendido es 0.7117 horas (aproximadamente
43 minutos) más los cinco minutos que demora
el pintado, el cliente estaría en el sistema. En
promedio, 48 minutos.
c. Si el área de espera doblara su tamaño,
entonces K=21
ANALISIS ECONOMICO DE LOS SISTEMAS DE COLAS
Con frecuencia, las decisiones que implican el
diseño de líneas de espera se basarán en una
evaluación subjetiva de las características
operativas de la línea de espera. Por ejemplo,
un administrador podría decidir que un tiempo
de espera promedio de un minuto o menos y
un promedio de dos clientes o menos en el
sistema son metas razonables. Pueden usarse
los modelos de línea de espera presentados en
las secciones anteriores para determinar la
cantidad de canales que cumplirá con las
metas de desempeño de la línea de espera del
gerente.
Por otra parte, un administrador puede querer
identificar el costo de operar el sistema de línea
de espera y luego, basar la decisión respecto al
diseño del sistema, en un costo de operación
por hora o día mínimo. Antes de que pueda
llevarse a cabo un análisis económico de una
línea de espera, debe elaborarse un modelo de
costo total, el cual incluye el costo de esperar y
el costo del servicio.
Para elaborar un modelo de costo total para
una línea de espera, comenzamos por definir la
notación que se va a usar:
Cw: Costo de esperar por periodo para cada
unidad.
Ls: Cantidad promedio de unidades en el
sistema.
Cs: Costo de servicio por periodo para cada
canal
k = Cantidad de canales
CT: Costo toal por periodo
El costo total es la suma del costo de esperar y
el costo del servicio; es decir:
CT  C w L s  C s k
Para realizar un análisis económico de una
línea de espera debemos obtener estimaciones
razonables del costo de esperar y el costo del
servicio. De estos dos costos, por lo general el
La figura Nº 03 muestra que P21=0.40; es decir
que al duplicar el área de espera no se afecta la
probabilidad de que el sistema esté lleno. Esto
se debe a que como la tasa de llegadas
sobrepasa la tasa de servicio, el sistema
alcanza su máxima capacidad rápidamente en
los dos casos. En ambos casos, la tasa efectiva
de llegadas es aproximadamente igual a la tasa
de servicio (aunque siempre será verdad que la
tasa de llegadas efectiva es menor que la tasa
de servicio).
de esperar es el más difícil de evaluar. En el
problema de “Happy Burger”, el costo de
esperar sería el costo por minuto para un
cliente que espera por servicio. Este costo no es
un costo directo para “Happy Burger”; sin
embargo, si “Happy Burger” lo ignora y permite
líneas de espera largas, los clientes comerán en
otra parte. Por tanto, “Happy Burger”
experimentará pérdida en ventas y, en efecto,
incurrirá en un costo.
Generalmente es más fácil determinar el costo
del servicio. Éste es el costo relevante asociado
con la operación de cada canal de servicio; en
el problema de “Happy Burger”, incluiría los
salarios y prestaciones del empleado y
cualquier otro costo directo asociado con la
operación del canal de servicio. En “Happy
Burger” este costo se estima en $7 por hora.
Para demostrar el uso de la ecuación de Costo
Total, suponemos que “Happy Burger” está
dispuesto a asignar un costo de $ 10 por hora
para el tiempo de espera del cliente. Usamos la
cantidad promedio de unidades en el sistema,
Ls, como se calculó anteriormente para obtener
el costo total por hora para los sistemas de un
solo canal y de canales múltiples.
Sistema de un solo canal (Ls=3 clientes)
CT  C w L s  C s k
CT  10(3)  7(1)  $37.00 porhora
Sistema de dos canales (Ls=0.8727 clientes)
CT  C w L s  C s k
CT  10(0.8727)  7(2)  $22.73 porhora
Por tanto, con base en los datos de costo
proporcionados por “Happy Burger”, el sistema
de dos canales proporciona la operación más
económica.
Problema
American Weavers; Inc. tiene una planta de
manufactura de tela en Georgia. La planta
tiene una gran número de máquinas tejedoras
que con frecuencia se atascan. Estas máquinas
son reparadas basándose en el procedimiento
de la primera en entrar, la primera en ser
revisada, por uno de los siete miembros del
personal de reparación. Durante varios
recorridos, la gerente de producción ha
observado que, en promedio,
aproximadamente, de 10 a 12 máquinas están
fuera de operación en cualquier momento
debido a que están atascadas. Ella sabe que
contratar personal de reparaciones adicional
bajaría el número de máquinas sin funcionar,
lo cual traería como consecuencia un aumento
en la producción, pero no sabe cuántas
personas más debería contratar. Como asesor
se le ha mandado llamar a Ud. para que ayude
a determianr dicho número.
Solución:
Clientes: máquinas tejedoras.
Población: infinita
Servidores: siete, idénticos e independientes.
Estrategia: primero en entrar, primero recibir
servicio.
Supuestos:
1. la aparición de máquinas atascadas puede
ser aproximada por un proceso de llegadas de
Poisson con una tasa promedio de 25 por hora.
2. cada máquina atascada requiere de una
cantidad aleatoria de tiempo para su
reparación, que puede ser aproximada por una
distribución exponencial con un tiempo
promedio de servicio de 15 minutos, lo cual,
para cada servidor, significa una tasa
preomedio de cuatro máquians por hora.
3. Modelo de sistema: M/M/7; =25; =4 y una
población y área de espera infinita.
Los resultados obtenidos con el paquete
WinQSB con respecto a las medidas de
rendimiento se presentan en la figura Nº 01
Como puede ver, el gerente de producción
había estimado con bastante precisión el hecho
de que entre 10 y 12 máquinas están
atascadas, en promedio; en cualquier
momento. De hecho, ese número en la hoja de
respuestas es 12.09. El reporte también indica
que las máquinas atascadas están fuera de
operación durante un tiempo promedio de
0.4839 horas, aproximadamente 29 minutos.
Como asesor, se le ha pedido a usted que
recomiende el número de reparadores
adicionales que se necesitarían contratar.
Usted conoce las medidas de rendimiento de
un total de siete trabajadores. ¿De qué manera
cambian las medidas de rendimiento si se
aumenta el personal de reparación? Las
medidas de rendimiento asociadas para un
número entre 7 y 11 reparadores se muestran
en la tabla Nº 01.
A medida que aumenta el tamaño del personal
de 7 a 11, el número promedio de máquinas
fuera de operación disminuye de
aproximadamente 12 a 6.333. Similarmente, la
cantidad promedio de tiempo que una máquina
está fuera de operación disminuye de 0.4839
horas (aproximadamente 29 minutos) a 0.2533
horas (aproximadamente 15 minutos). Ahora
necesita información sobre los costos para
determinar cuántos reparadores adicionales, si
se requieren, deben contratarse.
Análisis de costos del sistema de colas
Al analizar los méritos de contratar personal de
reparación adicional en American Weavers,
Inc., usted debería identificar dos componentes
importantes:
1. Un costo por hora basado en el tamaño del
personal.
Costo Total Costo por hora Número de
de personal = para cada * reparadores
por hora reparador
2. Un costo por hora basado en el número de
máquinas fuera de operación:
Costo total Costo por hora Número promedio
por la = para cada máquina * de máquinas fuera
espera fuera de operación de operación
Para seguir adelante, necesita ahora conocer el
costo por hora de cada miembro del personal
de reparación (denotado con Cs) y el costo por
hora de una máquina fuera de operación
(denotado por Cw), que es el costo de una hora
de producción perdida. Suponga que el
departamento de contabilidad le informa que
cada reparador le cuesta a la compañía $50 por
hora, incluyendo impuestos, prestaciones, etc.
El costo de una hora de producción perdida
deberá incluir costos explícitos, como la
cantidad de ganancias no obtenidas, y costos
implícitos, como la pérdida de voluntad por
parte del cliente si no se cumple con la fecha
límite de entrega. Estos costos implícitos son
difíciles de estimar. Sin embargo, suponga que
el departamento de contabilidad estima que la
compañía pierde $100 por cada hora que una
máquina esté fuera de operación. Ahora ya
puede calcular un costo total para cada uno de
los tamaños de personal. Para un personal de
siete reparadores, el número esperado de
máquinas en el sistema es 12.0973 (Tabla Nº
01), de modo que:
Costo total = (Costo de personal)+ (Costo de la espera)
={(Costo por hora por persona) * (Número de
reparadores)}+{(Costo por hora por cada máquina fuera
de operación)*(Número esperado de máquinas fuera de
operación)}
=(50*7)+(100*12.0973)
=$1559.73 por hora
Realizando cálculos parecidos para cada uno
de los tamaños de personal restantes se tiene
como resultado los costos por hora de cada
alternativa que presentamos en la Tabla Nº 02.
De los resultados, usted puede ver que la
alternativa que tiene el menor costo por hora,
$1,128.63, es tener un total de nueve
reparadores. En consecuencia, Ud.
recomendará a la gerencia de producción de
American Weavers, Inc., contratar a dos
reparadores adicionales. Estos dos nuevos
empleados tendrán un costo de $100 por hora,
pero este costo adicional está más que
justificado por los ahorros que se tendrán con
menos máquinas fuera de operación. La
recomendación reducirá el costo por hora de
$1,559.73 a $1,128.63, un ahorro aproximado
de $430 por hora, mayor que la cantidad que
cubre sus honorarios.
TABLA Nº 02
Costo por hora par diferentes tamaños de personal de
reparación de American Weavers, Inc.
Tamaño de Número esperado
Costo por hora
personal en el sistema
7 12.0973 (50*7) + (100*12.0973) =1559.73
8 7.7436 (50*8) + (100*7.7436) =1174.36
9 6.7863 (50*9) + (100*6.7863) =1128.63
10 6.4594 (50*10) + (100*6.4594) =1145.94
11 6.3330 (50*11)+ (100*6.3330) =1183.30