INSTITUTO TECNOLGICO DE CERRO

AZUL

CARRERA: INGENIERA EN GESTION EMPRESARIAL

MATERIA: INVESTIGACIN DE OPERACIONES

GRUPO: BW41

ALUMNA: LIZARY CERVERA HERRERA

UNIDAD 4 LNEAS DE ESPERA

PROFESOR: M.C. IVAN ESTEBAN RAMOS

NDICE
UNIDAD 4 LNEAS DE ESPERA. ....................................................... 3
4.1 ESTRUCTURA BASICA DE LOS MODELOS DE LINEA DE
ESPERA ............................................................................................. 3
4.1.1 UN SERVIDOR, UNA COLA. ............................................... 5
4.1.2 N SERVIDORES, UNA COLA. ............................................. 8
4.1.3 N SERVIDORES, N COLAS. ...............................................10
4.2 CRITERIOS BAJO LA DISTRIBUCION DE
POISSONYEXPONENCIAL PARA LA SELECCIN DEL MODELO
APROPIADODE LNEAS DE ESPERA. ............................................12
4.3 APLICACION DE MODELOS DE DECISION EN LINEAS DE
ESPERA.............................................................................................14
4.4 INFERENCIA DE RESULTADOS. ...............................................16
EJEMPLOS DE PROBLEMAS ..........................................................18

UNIDAD 4 LNEAS DE ESPERA.

Las "colas" son un aspecto de nuestra vida moderna que normalmente podemos
encontrar en nuestras actividades diarias.
Como ejemplos podramos mencionar: el contador de un supermercado,
accediendo al Metro, en los Bancos, etc., este fenmeno de las colas surge
cuando unos recursos compartidos necesitan ser accedidos para dar servicio a un
elevado nmero de trabajos o clientes.
El estudio de las colas es de suma importancia ya que proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado recurso, como
la forma en la cual dicho recurso puede ser diseado para proporcionar un
determinado grado de servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy til el desarrollo
de una herramienta que sea capaz de dar una respuesta sobre las caractersticas
que tiene un determinado modelo de colas.
La teora de colas es el estudio matemtico del comportamiento de lneas de
espera. Esta se presenta, cuando los "clientes" llegan a un "lugar" demandando un
servicio a un "servidor", el cual tiene una cierta capacidad de atencin. Si el
servidor no est disponible inmediatamente y el cliente decide esperar, entonces
se forma la lnea de espera.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lnea de espera particulares o sistemas
de colas. Los modelos sirven para encontrar un buen compromiso entre costes del
sistema y los tiempos promedio de la lnea de espera para un sistema dado.

4.1 ESTRUCTURA BASICA DE LOS MODELOS DE LINEA DE

ESPERA
La teora de colas es el estudio de los sistemas de lneas de espera en sus
distintas modalidades. El estudio de estos modelos sirve para determinar la forma
ms efectiva de gestionar un sistema de colas

Demasiada capacidad de servicio => Excesivos gastos

Poca capacidad de servicio => Mal servicio
3

Objetivo: Encontrar un balance adecuado entre el coste del servicio y los tiempos
de espera.
Fuente de entrada: (poblacin de clientes potenciales). Se dice que es limitada o
ilimitada segn si su tamao es finito o infinito. Usualmente se asume que es
ilimitada (el caso finito es ms difcil analticamente)
Clientes: entran al sistema cada cierto tiempo y se unen a una cola. Se debe
especificar el patrn estadstico mediante el cual los clientes entran al sistema.
Proceso de llegada: La suposicin habitual es que los clientes acceden al sistema
segn un proceso de Poisson, lo que significa que los clientes que llegan en un
intervalo determinado de tiempo siguen una distribucin Poisson, con tasa media
fija y sin importar cuntos clientes ya estn en el sistema. Una suposicin
equivalente es que los tiempos entre dos llegadas consecutivas (tiempo entre
llegadas) es exponencial.
Cola: cuando los clientes entran al sistema se unen a una cola. La cola es donde
los clientes esperan a ser servidos. Una cola se caracteriza por el nmero mximo
permisible de clientes que puede admitir. La suposicin de una cola infinita es ms
fcil de manejar analticamente que la de una cola finita. Tambin pueden
considerarse otras suposiciones acerca del comportamiento de los clientes cuando
llegan al sistema, como por ejemplo que un cliente rehse acceder al servicio
porque la cola es demasiado larga.
Disciplina de la cola: En un determinado momento se selecciona un miembro de la
cola, mediante alguna regla conocida como disciplina de servicio. La disciplina
deservicio se refiere al orden en el que se seleccionan los clientes de la cola para
recibir el servicio.

FIFO (ms comn)

Aleatorio
LIFO
Sistema de prioridades

Mecanismo de servicio: cuando un cliente es tomado de la cola, accede al

mecanismo de servicio, que consiste en una secuencia de instalaciones
deservicio en serie que el cliente debe pasar para completar el servicio. Cada
instalacin de servicio estar formada por varios canales de servicio paralelos,
llamados servidores. Se debe especificar el nmero de instalaciones de servicio
en serie y el nmero de servidores paralelos en cada una de ellas. Los modelos
ms comunes suponen una nica instalacin con uno o varios servidores
disponibles.
4

Proceso de servicio: En cada instalacin, el tiempo que transcurre desde el inicio

del servicio hasta su fin en dicha instalacin se llama tiempo de servicio. El
modelo de colas debe especificar la distribucin de probabilidad del tiempo de
servicio de cada servidor, y quizs de cada tipo de cliente, aunque lo comn es
que todos los servidores sigan la misma distribucin. La suposicin ms habitual
es que este tiempo de servicio es exponencial. Otras distribuciones de servicio
importantes son la degenerada y la Erlang.

4.1.1 UN SERVIDOR, UNA COLA.

Todos nosotros hemos pasado mucho tiempo esperando en una cola, ejemplos
de ellos son los bancos, restaurantes, hospitales, pizzeras, etc.
Las lneas de espera trata de cuantificar el fenmeno de espera formando colas
mediante medidas representativas de eficiencia, como la longitud promedio de la
cola, el tiempo promedio de espera en ella y la utilizacin promedio de las
instalaciones.
La teora de lneas de espera o tambin llamada teora de colas es un conjunto de
modelos matemticos que describen sistemas de lneas de espera particulares.
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang
en1909 para analizar la congestin de trfico telefnico con el objetivo de cumplir
la demanda incierta de servicios en el sistema telefnico de Copenhague.
El objetivo es encontrar el estado estable del sistema y determinar una capacidad
de servicio apropiada.
Un sistema de colas puede dividirse en dos componentes principales:

La cola
La instalacin del servicio

El proceso entre llegadas:

El proceso entre de entrada se denomina por lo regular, proceso de llegadas. Las
llegadas se llaman clientes. En todos los modelos que se estudian se supone que
no ms de una llegada ocurre en un instante dado. En el caso de un restaurante

es una suposicin irreal. Si hay ms de una llegada en un instante dado se dice

que se permiten las llegas en masa. Las llegadas pueden ser:

Personas
Automviles
Maquinas que requieren reparacin, etc.

Se supone por lo comn que el nmero de clientes presentes en el sistema no

afecta el proceso de llegadas. Hay dos situaciones comunes en las cuales el
proceso de llegadas podra depender de la cantidad de clientes presentes.
La primera se presenta cuando se extrae de una pequea poblacin su ponga que
hay solo cuatro barcos en un astillero, si los cuatro barcos estn en reparacin
entonces ningn barco puede estropearse en un futuro cercano, por otro lado silos
cuatro barcos estn navegando existe una probabilidad muy alta de una
descompostura en un futuro cercano. Los modelos en los cuales las llegadas se
toman de una pequea poblacin reciben el nombre de modelos de origen finito.
Otra situacin en la cual el proceso de llegadas depende de la cantidad de clientes
presentes ocurre cuando la razn a la cual llegan los clientes a cierta instalacin
disminuye cuando esta est llena.
El nmero esperado de llegadas por unidad de tiempo se llama tasa media de
llegadas (). El tiempo esperado entre llegadas es 1/.
Adems es necesario estimar la distribucin de probabilidad de los tiempos entre
llegadas, generalmente se supone una distribucin exponencial, esto depende del
comportamiento de las llegadas.
La distribucin exponencial supone una mayor probabilidad para tiempos entre
llegadas pequeos, en general se considera que las llegadas son aleatorias, la
ltima llegada no influye en la probabilidad de llegada de la siguiente.

La cola:
El nmero de clientes en la cola es el nmero de clientes que esperan el servicio,
el nmero de clientes en el sistema es el nmero de clientes que esperan en la
cola ms el nmero de clientes que actualmente reciben el servicio.
La capacidad de la cola es el nmero mximo de clientes que pueden estar en la
cola, generalmente se supone que la cola es infinita, aunque tambin la cola
puede ser finita.
6

Para describir por completo un sistema de lneas de espera, se debe describir

tambin la disciplina de las lneas de espera y el modo en el cual los clientes
forman las lneas de espera. La disciplina de las lneas de espera explica el
mtodo usado para determinar el orden con el cual se atienden a los clientes. La
disciplina ms comn es primero en llegar primero en ser atendido (PEPS) o sus
siglas en ingls (FCFS), en el cual se atienden en el orden en que llegan.
En la disciplina del (LCFS) el ltimo en llegar y el primero en ser servido o UEPS,
un ejemplo claro de esta disciplina es en el elevador.
El SIRO, el servicio en orden aleatorio, cuando una persona que llama a una
aerolnea se le hace esperar, la suerte determina con frecuencia quien ser la
siguiente persona en ser atendida por un operador.
Se considera por ultimo las disciplinas de prioridad en las colas. Una disciplina de
prioridad clasifica cada llegada en una categora, cada categora recibe luego un
nivel de prioridad y dentro de cada nivel de prioridad los clientes entran en el
servicio de acuerdo al FCFC. Las disciplinas de prioridad se usan a menudo en
salas de urgencia con el objeto de determinar el orden en el cual los pacientes
reciben atencin.

Servicio:
El servicio puede ser brindado por un servidor o por servidores mltiples, el tiempo
de servicio vara de cliente a cliente, el tiempo esperado de servicio depende de la
tasa media de servicio ().El tiempo esperado de servicio equivale a 1/.
Para representar todo lo mencionado aqu se encuentran unos modelos bsicos
de los sistemas de colas.
Ejemplo:

4.1.2 N SERVIDORES, UNA COLA.

Una lnea de espera con canales mltiples consiste en dos o ms canales
deservicio que se supone son idnticos desde el punto de vista de su capacidad.
En el sistema de canales mltiples, las unidades que llegan esperan en una sola
lnea y luego pasan al primer canal disponible para ser servidas. La operacin de
un solo canal de Burger Dome puede expandirse a un sistema de dos canales al
abrir un segundo canal de servicio. La siguiente figura muestra un diagrama de la
lnea de espera de dos canales de Burger Dome.

Salida
Salida

Llegada

Salida
Cola
Mltiples canales

Anlisis de costo:
Una de las decisiones habituales en el uso de este modelo puede serlo el de
definir la cantidad de servidores necesarios. Por ejemplo, la cantidad de
ascensores en un edificio, la cantidad de escritorios para un equipo de trabajo, etc.
La decisin se deber basar en una relacin entre dos costos bsicos: el costo de
proveer servidores adicionales versus el costo de demorar o no prestar el servicio.
Se asume que el costo de demorar el servicio es un monto definido por cliente, por
unidad de tiempo insumida en el sistema. Si bien es relativamente sencillo conocer
el costo de un servidor, el costo de hacer esperar a un cliente puede resultar, a
veces, intangible y generalmente difcil de establecer. Hay que aclarar que los
costos por la espera existen y en ciertos casos pueden ser muy significativos, por
lo que deben ser estimados, si es que se desea realmente disear un sistema de
colas inteligente y controlable.
Los costos a los que nos acabamos de referir deben estar presentados por unidad
de tiempo, a los efectos de realizar clculos comparables. Si por ejemplo, el costo
de un servidor consiste en el salario que debe pagarse a quien lo atiende, deber
anualizarse, para incluir aguinaldo, vacaciones, etc., y luego convertirlo en la
misma unidad de tiempo que se use para determinar el tiempo de servicio o de
espera.
Si se define:
Cd = Costo de demora por cliente por unidad de tiempo
Cs = Costo por unidad de tiempo para agregar otro servidor
L = Nmero promedio en el sistema
El costo total por unidad de tiempo para una estacin con c servidores es:
L Cd + c Cs
A medida que c aumenta, la capacidad adicional incrementar la velocidad del
servicio y L ir disminuyendo. Por consiguiente, una informacin til que debe
brindar el sistema es el nmero de servidores que minimice el costo total.
En el caso que la sala de espera tenga una capacidad limitada, surgen otros
anlisis posibles.
As, se relacionan el costo de servidores adicionales versus el costo de perder el
negocio con clientes que se retiran antes de ser atendidos, ms el costo de la
demora para los clientes atendidos

Definiendo:
Cr = Costo de no brindar el servicio a un cliente
A = Tasa de llegadas
P = Probabilidad que un cliente se vaya de la cola sin ser atendido
El costo total ser L Cd + c Cs + p A Cr

4.1.3 N SERVIDORES, N COLAS.

El tercer sistema, en que cada servidor tiene una lnea separada, es caracterstico
de los bancos y las tiendas de autoservicio. Para este tipo de servicio pueden
separarse los servidores y tratarlos como sistemas independientes de un servidor
y una cola. Esto sera vlido slo si hubiera muy pocos intercambios entre las
colas. Cuando el intercambio es sencillo y ocurre con frecuencia, como dentro de
un banco, la separacin no sera vlida.

10

NOMENCLATURA
S = nmero de servidores
n= nmero de clientes en el sistema
N =nmero mximo de clientes permitidos en el sistema
A,,t =flujo de clientes que entran cuando hay n clientes en el sistema
u,7l =capacidad del servidor cuando hay n clientes en el sistema.
E(t)= tiempo promedio de proceso por cliente
V(t)= variancia del tiempo de proceso
E() = tiempo promedio entre llegadas
V(a) = variancia del tiempo entre llegadas
CQ = coeficiente cuadrado de variacin del flujo de clientes que entran al sistema
CS`= coeficiente cuadrado de variacin del tiempo de servicio
Cp = coeficiente cuadrado de variacin del flujo de clientes que salen del sistema
PIJ probabilidad de que el sistema cambie de un estado i a un estado y despus
de un intervalo de tiempo.
Pn= probabilidad en estado estable de que existan n clientes en el sistema
L = nmero promedio de clientes en el sistema
Lq = nmero promedio de clientes en la fila
W = tiempo promedio de permanencia en el sistema
Wq= tiempo promedio de permanencia en la fila
p =utilizacin promedio del servicio
Ct = costo total promedio del sistema de lneas de espera por unidad de tiempo.
Ce= costo promedio de servicio por cliente por unidad de tiempo
Cq = costo promedio de espera por cliente por unidad de tiempo

11

4.2 CRITERIOS BAJO LA DISTRIBUCION DE POISSONY

EXPONENCIAL
PARA
LA
SELECCIN
DEL
MODELO
APROPIADODE LNEAS DE ESPERA.
Sistemas de colas: las llegadas - distribucin de poisson
La distribucin de Poisson es una distribucin de probabilidad discreta que
expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que
ocurra un determinado nmero de eventos durante cierto periodo de tiempo.
Propiedades. La funcin de masa de la distribucin de Poisson es:

(; ) =
!
Dnde:
K es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la
probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se espera
que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la
probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)

Tanto el valor esperado como la varianza de una variable aleatoria con distribucin
de Poisson son iguales a . Los momentos de orden superior son polinomios de
Touchard en cuyos coeficientes tienen una interpretacin combinatoria. De
hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces
segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones
de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero
es igual a, el mayor de los enteros menores que (los smbolos representan la
funcin parte entera). Cuando es un entero positivo, las modas son y 1. La
funcin generadora de momentos de la distribucin de Poisson con valor esperado
es:
12

(; )

=0

=0

= ( 1)
!

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente

divisibles. La divergencia Kullback-Leibler desde una variable aleatoria de Poisson
de parmetro 0 a otra de parmetro es

(0 ) = (1

0 0
0
+ log )

Intervalo de confianza
Un criterio fcil y rpido para calcular un intervalo de confianza aproximada de ,
se propone en Guerriero (2012). Dada una serie de eventos k (al menos el 15 -20)
en un periodo de tiempo T, los lmites del intervalo de confianza para la frecuencia
vienen dadas por:
= (1
= (1 +

1.96

)
1
1.96

)
1

Entonces los lmites del parmetro estn dadas por:

= ; =

Sumas de variables aleatorias de Poisson

La suma de variables aleatorias de Poisson independientes es otra variable
aleatoria de Poisson cuyo parmetro es la suma de los parmetros de las
originales. Dicho de otra manera, si ~ ( ), = 1, ,

Son N variables aleatorias de poisson independientes entonces

13

= ~ ( )
=1

=1

Sistema de colas: Distribucin binomial

La distribucin de Poisson es el caso lmite de la distribucin binomial. De hecho,
si los parmetros n y de una distribucin binomial tienden a infinito y a cero de
manera que = se mantenga constante, la distribucin lmite obtenida es de
Poisson.
Aproximacin normal
Como consecuencia del teorema central del lmite, para valores grandes de , una
variable aleatoria de Poisson X puede aproximarse por otra normal dado que el
cociente =

converge a una distribucin normal de media nula y varianza 1.

Distribucin exponencial
Supngase que para cada valor t > 0, que representa el tiempo, el nmero de
sucesos de cierto fenmeno aleatorio sigue una distribucin de Poisson de
parmetro t. Entonces, los tiempos discurridos entre dos sucesos sucesivos sigue
la distribucin exponencial.

4.3 APLICACION DE MODELOS DE DECISION EN LINEAS DE

ESPERA.
La teora de colas requiere de un estudio matemtico del comportamiento de
lneas de espera. Estas se presentan cuando "clientes" llegan a un "lugar"
demandando un servicio al "servidor", el cual tiene cierta capacidad de atencin.
Si el servidor no est disponible inmediatamente y el cliente decide esperar,
entonces se forma en la "lnea de espera".
El problema es determinar qu capacidad o tasa de servicio proporciona el
balance correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo,
es decir, no se sabe con exactitud en qu momento llegarn los clientes. Tambin
el tiempo de servicio no tiene un horario fijo.

14

Las llegadas se describen por su distribucin estadstica. Si las llegadas ocurren

con una tasa promedio y que son independientes una de otra, entonces ocurren
de acuerdo con una distribucin de probabilidades de tipo "poisson.
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lneas de espera particulares o de
sistemas de colas. Los modelos sirven para encontrar un buen compromiso entre
costes del sistema y los tiempos promedio de la lnea de espera para un sistema
dado.
Con frecuencia, las empresas deben tomar decisiones respecto al caudal de
servicios que debe estar preparada para ofrecer. Sin embargo, muchas veces es
imposible predecir con exactitud cundo llegarn los clientes que demandan el
servicio y/o cuanto tiempo ser necesario para dar ese servicio; es por eso que
esas decisiones implican dilemas que hay que resolver con informacin escasa.
La teora de colas requiere de un estudio matemtico del comportamiento de
lneas de espera.
Estas se presentan cuando "clientes" llegan a un "lugar" demandando un servicio
al "servidor", el cual tiene cierta capacidad de atencin. Si el servidor no est
disponible inmediatamente y el cliente decide esperar, entonces se forma en la
"lnea de espera".

Objetivos de la teora de colas

Dada la funcin de costes anterior, los objetivos de la teora de colas consisten en:

Identificar el nivel ptimo de capacidad del sistema que minimiza el coste

global del mismo.
Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
Establecer un balance equilibrado (ptimo) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atencin al tiempo de permanencia en el sistema o en la
cola: la paciencia de los clientes depende del tipo de servicio especfico
considerado y eso puede hacer que un cliente abandone el sistema.

15

4.4 INFERENCIA DE RESULTADOS.

Inferencia es la accin y efecto de inferir (deducir algo, sacar una consecuencia de
otra cosa, conducir a un resultado). La inferencia surge a partir de una evaluacin
mental entre distintas expresiones que, al ser relacionadas como abstracciones,
permiten trazar una implicacin lgica.
Al partir de hiptesis o argumentos, es posible inferir una conclusin (que puede
resultar verdadera o falsa). Por ejemplo: Todava no recib la confirmacin oficial
por parte de la empresa, lo que te digo es slo una inferencia ma, Cada vez que
juega la seleccin, Mariana falta al trabajo: mi inferencia es que maana vamos a
estar solos en la oficina, No podemos guiarnos por inferencias, sino que tenemos
que aguardar a que los sucesos se confirmen antes de tomar una decisin.
El silogismo es una forma esencial de inferencia. Se trata de una forma de
razonamiento deductivo que se forma por dos proposiciones (premisas) y una
conclusin. Esta conclusin es la inferencia que necesariamente se deduce de las
dos premisas.
La veracidad de la conclusin depender de las leyes que regulan la relacin entre
las premisas comparadas. La garanta de verdad del nuevo juicio es la lgica, que
deber establecer distintas clasificaciones de las premisas.
No todas las inferencias ofrecen conclusiones verdaderas. Es posible afirmar que
todos los perros son animales peludos de cuatro patas, pero no se puede inferir
que todos los animales peludos con cuatro patas son perros.
Las inferencias suelen generarse a partir de un anlisis de caractersticas y
probabilidades. Si alguien hace referencia a un animal de cuatro patas, peludo y
que mueve la cola, puedo inferir que lo ms probable es que est haciendo
referencia a un perro.

Ejemplo: Supermercado
Imagnese un supermercado grande con muchas cajas de salidas. Supngase que
los clientes llegan para que les marquen su cuenta con una tasa de 90 por hora y
que hay 10 cajas en operacin. Si hay poco intercambio entre las lneas, puede
tratarse este problema como 10 sistemas separados de una sola lnea, cada uno
con una llegada de 9 clientes por hora. Para una tasa de servicio de 12 por hora:
Dado: A= 9 clientes por hora y B= 12 clientes por hora
16

2
92
=
= 2.25
( )
12(12 9)

9
=
=
= 0.25 15

( )
12(12 9)

= +
=
=

9
=
=
= 3

12 9

1
1
=
= 0.33 20

12 9

9
=
= 0.75 75%

12

( > ) =

+1
93+1
=
= 0.32

12

Explicacin
Entonces, para este ejemplo, el cliente promedio espera 15 minutos antes de ser
servido. En promedio, hay un poco ms de 2 clientes en la lnea o 3 en el sistema.
El proceso completo lleva un promedio de 20 minutos. La caja est ocupada el
75% del tiempo. Y finalmente, el 32% del tiempo habr cuatro personas o ms en
el sistema.

Ejemplo con Modelo de un servidor:

El departamento para caballeros de un gran almacn tiene a un sastre para
ajustes a la medida. Parece que el nmero de clientes que solicitan ajustes sigue
una distribucin de poisson con una tasa media de llegadas de 24 por hora, los
ajustes se realizaron con un orden de primero que llega, primero en atenderse y
los clientes siempre desean esperar ya que las modificaciones son gratis.
Aparentemente el tiempo que tarda para realizar el ajuste, se distribuye
exponencialmente con una media de 2 minutos.
a) Cul es el nmero promedio de clientes en la sala de espera?
b) Cunto tiempo de permanencia en el sistema debera de planear un
cliente?
c) Qu % de tiempo permanece ocioso el sastre?

17

d) Cul es la probabilidad de que un cliente espere los servicios del sastre

ms de 10 minutos?
A = 24 clientes/hora
ts = 2 minutos/clientes
S = 30 clientes hora

a) =
b) =

2
()
1

242
30(3024)
1

= 0.16 10

3024

c) = 1 , =

= 3.2

24
30

= 0.8, = 1 = 1 0.8 = 0.2 20%

d) () = / = 0.8(2.7182)1 = 2.17456

EJEMPLOS DE PROBLEMAS
Problema 1:
Un lava carros puede atender un auto cada 5 minutos y la tasa media de llegadas
es de 9 autos por hora. Obtenga las medidas de desempeo de acuerdo con el
modelo M/M/1.
Adems la probabilidad de tener 0 clientes en el sistema, la probabilidad de tener
una cola de ms de 3 clientes y la probabilidad de esperar ms de 30 minutos en
la cola y en el sistema.
Solucin: Se conoce la siguiente informacin:
= 9 clientes/hora (media de servicio a los clientes) = 0.15 clientes/minutos
= 0.2 clientes/minutos (media de llegada de los clientes)
a) Vamos a calcular el factor de desempeo del sistema calculando .

0.15 /
= =
= . 75 = 75%. El sistema est

0.20 /
ocupado el 75% del tiempo. O sea pasa un 25% ocioso. Es decir la
probabilidad de tener 0 clientes en el sistema es cuando el sistema est
vaco y eso puede ocurrir con una probabilidad del 25%. Su clculo puede

18

0.15

hacerse directamente con la frmula: = (1 ) ( ) = (1

)=

0.20

0.25 = 25%
b) La probabilidad de tener una cola de ms de 3 clientes
0
0 = (1 ) ( ) = (0.25)(0.75)0 = 0.25

1
1
= (1 ) ( ) = (0.25)(0.75)1 = 0.1875

2
2
= (1 ) ( ) = (0.25)(0.75)2 = 0.1406

3
3
= (1 ) ( ) = (0.25)(0.75)3 = 0.1055

La probabilidad que haya ms de tres clientes en el Sistema, implica que
debemos conocer la Probabilidad que haya cero, uno, dos y tres clientes.
La diferencia con 1. Ser la probabilidad que hayan ms de tres.
( > 3) = 1 (0 + 1 + 2 + 3 ) = 1 (0.25 + 0.1875 + 0.1406 + 0.1055)
= 1 0.6836 = 0.3164

c) La probabilidad de esperar ms de 30 minutos en la cola. Primero

calcularemos el tiempo promedio que un cliente espera en la cola.

()

0.15
0.20(0.200.15)

0.15
0.01

= 15 minutos (es el tiempo promedio

que un cliente tiene que esperar en la cola).

Ahora vamos a calcular tiempo (t) de espera sea mayor de 30 minutos.
( > )= (1) Vamos aplicar esta ecuacin para calcular dicha
probabilidad.

P( > 30) = (1) = (0.75) 0.2(10.75)30 = (0.75) 1.5 =

(0.75)(0.2231) = 0.167 = 16.7%. Como se puede ver la probabilidad
es baja.

d) La probabilidad de esperar ms de 30 minutos en el Sistema.

P( > t) = (1) Vamos aplicar esta ecuacin para calcular dicha
probabilidad.

P( > 30) = (1) = 0.2(10.75)30 = 1.5 = 0.2231 = 22.31%.

Como se puede ver la probabilidad es baja pero es ms alta que la
probabilidad de que el tiempo promedio que un cliente espere ms de 30
minutos en la cola.
19

Problema 2:
Un promedio de 10 automviles por hora llegan a un cajero con un solo servidor
que proporciona servicio sin que uno descienda del automvil. Suponga que el
tiempo de servicio promedio por cada cliente es 4 minutos, y que tanto los tiempos
entre llegadas y los tiempos de servicios son exponenciales. Conteste las
preguntas siguientes:
a) Cul es la probabilidad que el cajero est ocioso?
b) Cul es el nmero promedio de automviles que estn en la cola del
cajero? (se considera que un automvil que est siendo atendido no est
en la cola esperando)
c) Cul es la cantidad promedio de tiempo que un cliente pasa en el
estacionamiento del banco, (incluyendo el tiempo de servicio)?
d) Cuntos clientes atender en promedio el cajero por hora?
Solucin: Se conoce la siguiente informacin:
= 10 clientes/hora (media de llegada de los clientes) = 1/6 clientes/minutos
= 1 clientes/4minutos (media de servicio de los clientes)=1/4 cliente/minuto
a) Por lo tanto =

1/6
1/4

= = 66.67% factor de utilizacin del sistema.

6

Es decir que el sistema permanece ocioso el 33.33%.

b) Cul es el nmero promedio de automviles que estn en la cola del
cajero?

()

1/6

1 1
1/4(46)

= = 1.333 Puede haber 2 autos en la cola

6

c) Cul es la cantidad promedio de tiempo que un cliente pasa en el

estacionamiento del banco (incluyendo el tiempo de servicio)?
Nos preguntan por el tiempo promedio que el cliente pasa en el sistema .

=1

4 6

1
1
12

= 12 .

d) Cuntos clientes atender en promedio el cajero por hora?

Si el cajero siempre estuviera ocupado, atendera un promedio de =15
clientes por hora. Segn la solucin encontrada en el inciso a (1/4*60=15),
el cajero est ocupado 2/3 del tiempo. Por tanto dentro de cada hora, el
cajero atender un promedio de (2/3)(15)= 10 clientes. Esto es *= 2/3 *
15 = 10 clientes.

20

Fuentes:
http://es.scribd.com/doc/141477763/Unidad-4-Linea-de-Espera#scribd
https://jrvargas.files.wordpress.com/2009/01/problemas-resueltos-de-teorc3adade-colas.pdf

21