III- Teoría de Colas

III.1 Sistemas de Espera

La teoría de colas estudia y modela los sistemas de espera. Se entiende por tales
sistemas a aquellos en los que un cliente, término técnico que pude referirse a personas u
objetos según el contexto, ingresa desde el medio ambiente en una suerte de cola para esperar
la realización de un servicio. Por ejemplo; una persona llega a una peluquería y espera hasta
que le toca su turno para cortarse el pelo, luego se lo cortan y finalmente paga y sale del
sistema. Una situación similar ocurre cuando un automóvil llega a un lavadero, cuando una
trama de bits llega a un nodo de ruteo en una red y así, en un número grande de sistemas
posibles.
El objetivo de la teoría es descriptivo e intenta evaluar algunos parámetros de
comportamiento de un sistema de espera partiendo de la idea de que las actividades
conformantes se representan por variables aleatorias. Estas variables adquieren sus valores
con distinta probabilidad y poseen esperanzas matemática y varianzas. Las distribuciones de
cada una de las variables se integran entonces para formar una variable de estado del sistema
con su ley de probabilidad. Es a partir de esta nueva distribución que pueden calcularse los
referidos parámetros tales como la cantidad esperada de clientes en el sistema o en la cola, o
el tiempo esperado de permanencia en el sistema o en la cola, además de las propias
probabilidades de que el sistema esté vacío, o de que haya en él una cantidad determinada de
clientes.
Comenzaremos entonces por una descripción general de las entidades, atributos
y actividades que integran el sistema y de aquellas que interactúan con él desde medio
ambiente.

La figura muestra los elementos de interés. En el medio ambiente se ubica la Fuente de

Entrada, que emite los clientes hacia el sistema de colas. Esta fuente puede ser de tamaño
infinito, lo que quiere decir que tiene la capacidad de emitir clientes sin que estos se agoten
o, por el contrario, puede ser finita. En tal caso la cantidad de clientes que debieran pasar por
el sistema en algún momento se agotaría. Por supuesto, se trata de un esquema teórico por lo
cual, si el número potencial de clientes fuese muy grande, la fuente podría pensarse o
modelarse como de tamaño infinito, aunque esto no fuera estrictamente real. La fuente de
entradas emite los clientes con un patrón estadístico. Esto quiere decir que se observa una
estadística de la entrada de clientes en una dada unidad de tiempo y se utiliza su distribución
de frecuencias como un patrón. Por ejemplo, se observa durante un mes la cantidad de
compradores que entra por cada hora, de las 12 diarias, en que está abierto un supermercado.
Se cuenta entonces la cantidad de horas en las que entró 0 clientes, la cantidad de horas en
las que entró 1 cliente, la cantidad de horas en las que entraron 2 clientes y así. Se obtiene
entonces una distribución de frecuencias que detalla lo ocurrido.

X = cantidad de clientes que F= cantidad de veces que f= cantidad de veces que

entraron al supermercado en entraron X clientes en una entraron X clientes en una
una hora. Variable hora. Frecuencia Absoluta hora / total de horas de
estadística observación. Frecuencia
relativa
0 F0 𝐹0
𝑓0 =
∑𝑘𝑖=0 𝐹𝑖
1 F1 𝐹1
𝑓1 = 𝑘
∑𝑖=0 𝐹𝑖
2 F2 𝐹2
𝑓2 = 𝑘
∑𝑖=0 𝐹𝑖
… … …
k Fk 𝐹𝑘
𝑓𝑘 =
∑𝑘𝑖=0 𝐹𝑖

Esta es claramente una función dada por una tabla. Pero además es de gran importancia pues
al ser todas las frecuencias absolutas 𝐹𝑖 ≥ 0 ∀𝑖, se verifica que 𝑓𝑖 ≥ 0 y también que
∑𝑘1 𝑓𝑖 = 1. De tal modo la tabla puede interpretarse también como una función de
probabilidad. Es decir; en base a la estadística registrada se puede calcular la probabilidad de
que en la próxima hora lleguen 3 clientes al supermercado, por ejemplo. Por supuesto una
función dada por una tabla puede reemplazarse por una fórmula mediante un ajuste adecuado
y por lo tanto este patrón estadístico de la fuente de entrada podrá expresarse mediante
distribuciones discretas muy conocidas como la de Poisson, por ejemplo, en el caso en que
esto corresponda. Esta variable aleatoria que representa la cantidad de clientes en la unidad
de tiempo, está asociada a su recíproca que representa, en este caso, el tiempo que transcurre
entre la llegada de dos clientes. Así la variable aleatoria tiempo tiene una distribución que
también suele ser expresada por fórmulas, por ejemplo, la exponencial. Observemos que si
1 60
decimos que se producen 30 llegadas por hora, 30 horas/llegadas =30 minutos/llegadas= 2
minutos entre clientes. En suma, el patrón estadístico es en realidad doble. Por un lado
proporciona la probabilidad de que arriben x clientes en una unidad de tiempo, y por otro da
1
la probabilidad de que el tiempo que pase entre la llegada de dos clientes sea 𝑥. Digamos
además que, a veces, puede ser necesario considerar alguna hipótesis no muy usual. Si se
tratara de analizar un sistema de transporte público, podría muy bien ocurrir que un cliente,
potencial pasajero de una línea de colectivos, se contrariara al llegar a la cola porque hay
demasiada gente y renunciara a entrar en el sistema. Es decir, renunciara a viajar por ese
medio. Si ese fuera un fenómeno frecuente, debiéramos tenerlo en cuenta como hipótesis
posible al elaborar un modelo.
Ya dentro del sistema, el cliente, persona u objeto, entra en la cola. Cola es, en el
marco de esta teoría, una palabra general que designa tanto la existencia de una como de
varias colas. Por ejemplo, en un banco hay tres cajeros automáticos. Puede hacerse una sola
cola para dirigirse al primero de ellos que se desocupe, como también podría hacerse una
cola delante de cada cajero. En un caso habrá una única cola y en otro la cantidad de colas
será tres. Ambas situaciones se modelan distintamente. Por otra parte, el tamaño de la cola
se dirá infinito, no estrictamente porque lo sea, sino porque la cola admitirá tantos clientes
como le lleguen. Al contrario, cuando la cola admite solo un número de clientes, como por
ejemplo en una situación en que se dan 20 números diarios para acceder a un servicio, la cola
se dirá finita. Por último, hay que explicar el tema de la disciplina. Una cola puede funcionar
bajo la idea que el primero que llega será el primero en ser atendido y así. Es decir, una
disciplina que se denomina FIFO (First Input First Output). También puede ocurrir que el
último que llega sea el primero en atenderse (LIFO). Y también puede establecerse un sistema
de prioridades asignando una valoración en un rango numérico distinto a los clientes, por
ejemplo si fueran personas, teniendo en cuenta su edad.
Al pasar al mecanismo de servicio el cliente puede encontrarse con distintos
medios de servicio. Por ejemplo, en una gran estación de servicio hay un medio para el
despacho de la nafta, otro para poner aire a las cubiertas, otro para cambiar aceite y otro para
pagar y comprar golosinas. En cada uno de esos distintos medios del mecanismo hay a su
vez servidores que son los surtidores donde se expende la nafta, las fosas donde se cambia el
aceite o las distintas cajas donde pagar. De tal modo hay en el mecanismo de servicio distintos
medios de servicio y dentro de estos hay servidores. A su vez, se puede considerar para cada
servidor un patrón estadístico de servicio cuya variable será, o bien el tiempo que se tarda en
concluir un servicio, o bien la cantidad de clientes que son atendidos en una unidad de tiempo.
Habrá entonces dos distribuciones de frecuencias asociadas con la actividad de cada servidor
en las cuales una variable será la recíproca de la otra como en el caso de las llegadas. Por
supuesto también aquí esas distribuciones pueden ser vistas como de probabilidad y
permitirnos calcular la probabilidad de concluir un servicio en un dado tiempo o la
probabilidad de atender una cantidad de clientes en una unidad temporal.
Esta exposición nos revela el alto grado de variación que pueden tener los
supuestos de un sistema de espera. Pueden ser distintos los tamaños y los patrones
estadísticos de la fuente de entrada. La cola puede ser única o varias, puede admitir tantos
clientes como se quiera o no y puede tener distintas disciplinas de atención. El mecanismo
de servicio puede tener uno o varios medios, cada uno con uno o varios servidores, con
iguales o distintos patrones estadísticos.
Cualesquiera sean las hipótesis iniciales, el modelado apunta a combinarlas de
modo de establecer la forma de medir la cantidad esperada de clientes en el sistema, la
cantidad esperada de clientes en la cola, el tiempo esperado de permanencia en el sistema y
en la cola y la ley de probabilidad de la variable aleatoria de estado del sistema, que nos
permite calcular todos los parámetros antedichos y que no son otra cosa que esperanzas
matemáticas.
III.2 Proceso de Nacimiento y Muerte

Existe un modelo para representar la vida de las personas según la forma en que
se producen los nacimientos y las muertes en la sociedad. La observación estadística de vieja
data permite dar por sentado que el número de nacimientos en un período de tiempo fijado
es una variable aleatoria que se distribuye Poisson. Lo mismo se ha observado respecto de
las muertes producidas en un lapso de tiempo determinado. Recordemos que la distribución
de Poisson tiene la fórmula:

𝜆𝑘 𝑒 −𝜆
𝑝(𝑘 ) = 𝑘 = 0,1,2, …
𝑘!

dónde el parámetro 𝜆 es la esperanza de la variable aleatoria 𝐸 (𝑘) = 𝜆 . Las unidades de la

variable son, en este modelo, personas/unidad de tiempo. Llamaremos entonces 𝜆 a la
cantidad esperada de nacimientos en la unidad de tiempo y 𝜇 a la cantidad esperada de
muertes en la misma unidad temporal. Ahora bien; en términos del modelo que se plantea, la
recíproca de la variable 𝑘, tanto si representa nacimientos como muertes en el tiempo fijado,
1
modela el tiempo entre eventos. Es decir 𝑡 = 𝑘 unidades de tiempo/personas es la variable
aleatoria que simboliza el tiempo entre nacimientos o muertes según corresponda. Esta
variable es continua y puede probarse que su distribución es exponencial. Dicho de otra
forma, su función de densidad de probabilidad es:

𝛼𝑒 −𝛼𝑡 𝑡 ≥ 0 𝑦 𝛼 > 0
𝑓 (𝑡 ) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑎 𝑝𝑎𝑟𝑡𝑒
1
La esperanza de tal variable aleatoria es 𝐸 (𝑡) = 𝛼 y existe una relación recíproca también
entre la esperanza de Poisson y la de la exponencial, habida cuenta que ambas son valores
esperados de las recíprocas variables aleatorias k y t. Así resulta:

1 1
𝜆 = 𝐸 (𝑘) = 𝐸(𝑡) = 1 = 𝛼.
𝛼

En definitiva, el parámetro de la exponencial es la esperanza de la variable Poisson asociada.

Así si, por ejemplo, en una determinada comunidad nacen en promedio 6 personas por día,
teniendo en cuenta la distribución de Poisson de los nacimientos podremos decir que
𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝜆=6 . También podremos afirmar que el tiempo promedio que transcurre entre
𝑑í𝑎
1 1 1 𝑑𝑖𝑎𝑠 24 ℎ𝑜𝑟𝑎𝑠 ℎ𝑜𝑟𝑎𝑠
nacimientos en un día es 𝐸 (𝑡) = 𝛼 = 𝜆 = 6 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = 6 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 = 4 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜
Debe leerse entonces que, en promedio, al día transcurren 4 horas entre cada nacimiento. A
partir de lo expuesto se observa que el patrón estadístico es doble pues contiene a la
distribución de Poisson de la variable aleatoria que representa los nacimientos (o las muertes)
en la unidad de tiempo, y, también, a la variable aleatoria que simboliza al tiempo que
transcurre entre nacimientos (o muertes). En adelante hablaremos entonces de patrón
estadístico Poisson-Exponencial.
Ahora debemos considerar el tamaño de la población. Si hay 1000 personas vivas
podemos pensar que al año habrá una cierta cantidad esperada de nacimientos. Para fijar ideas
 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠
supongamos que esa cantidad promedio fuera 𝜆 = 200 . Pero si hubiera
𝑎ñ𝑜
1000000 de personas vivas los nacimientos tendrían que ser, en promedio, más. Es decir que
en nuestro modelo de nacimiento y muerte debemos considerar también como variable la
cantidad de personas vivas para registrar el hecho que los parámetros de las distribuciones
de nacimientos y muertes deben variar según ella. Así las cosas, en términos generales
diremos que si el estado del sistema es n, n personas vivas, habrá un parámetro 𝜆𝑛 para los
nacimientos y un parámetro 𝜇𝑛 para las muertes. Si el estado n se considera también una
variable aleatoria que depende a su vez de las variables aleatorias que representan los
nacimientos y las muertes, en cada valor de la variable aleatoria n habrá distribuciones
poisson-exponencial distintas, con diferentes parámetros 𝜆𝑛 y 𝜇𝑛 . Una sucesión de distintas
variables aleatorias a través del tiempo se denomina proceso estocástico y entonces este que
aquí presentamos será llamado el proceso de nacimiento y muerte. El diagrama de tasas que
se muestra a continuación expresa esta idea.

Las flechas indican la dirección de cambio de estado según se trate de nacimientos o muertes.
Es claro que para que el sistema permanezca en estado 0 se hace necesario que las personas
que nacen y cambian el estado hacia 1 se equilibren con las que mueren y cambian el estado
hacia 0. Pero los estados 0 y 1 no son igualmente probables. Es decir hay una 𝑝0 de que el
sistema esté en estado 0 y una 𝑝1 de que el sistema esté en estado 1. De modo que el equilibrio
para el estado 0 se alcanza cuando 𝜆0 𝑝0 = 𝜇1 𝑝1 . De similar forma el equilibrio en estado 1
se alcanza cuando 𝜆0 𝑝0 + 𝜇2 𝑝2 = 𝜆1 𝑝1 + 𝜇1 𝑝1 . En forma general este balance se expresa
por una lista de ecuaciones:
𝜆
𝜆0 𝑝0 = 𝜇1 𝑝1 𝑝1 = 𝜇0 𝑝0
1
𝜆 𝜆 𝜆 𝜆
𝜆0 𝑝0 + 𝜇2 𝑝2 = 𝜆1 𝑝1 + 𝜇1 𝑝1 𝜆0 𝑝0 + 𝜇2 𝑝2 = 𝜆1 𝜇0 𝑝0 + 𝜇1 𝜇0 𝑝0 𝑝2 = 𝜇0 𝜇1 𝑝0
1 1 1 2

𝜆 𝜆 𝜆
𝜆1 𝑝1 + 𝜇3 𝑝3 = 𝜆2 𝑝2 + 𝜇2 𝑝2 𝑝3 = 𝜇0 𝜇1 𝜇2 𝑝0
1 2 3

… …
𝜆0 𝜆1 …𝜆𝑛−1
𝜆𝑛−2 𝑝𝑛−2 + 𝜇𝑛 𝑝𝑛 = 𝜆𝑛−1 𝑝𝑛−1 + 𝜇𝑛−1 𝑝𝑛−1 𝑝𝑛 = 𝑝0
𝜇1𝜇2 …𝜇𝑛

𝜆𝑛−1 𝑝𝑛−1 + 𝜇𝑛+1 𝑝𝑛+1 = 𝜆𝑛 𝑝𝑛 + 𝜇𝑛 𝑝𝑛 …

…
En suma, las probabilidades de los distintos estados quedan en función de los parámetros de
cada una de las distribuciones de nacimiento y muerte en cada estado y de la probabilidad de
𝜆 𝜆 …𝜆
estado 0. Puede hacerse ahora el reemplazo: 𝑝𝑛 = 𝐶𝑛 𝑝0 donde 𝐶𝑛 = 𝜇0 𝜇1 …𝜇𝑛−1. La sucesión
1 2 𝑛
𝑝0 , 𝑝1 , … 𝑝𝑛−1 , 𝑝𝑛 …expresa la distintas probabilidades de estado, o sea las probabilidades de
que haya un número n de personas en el sistema de nacimiento y muerte. Como se trata de
una función de probabilidad se cumple que ∑∞ 0 𝑝𝑛 = 1 y habrá parámetros de la distribución
tales como la cantidad esperada de personas en el sistema que sean de interés.
Para conocer un tanto mejor esta distribución de la variable aleatoria de estado se
pueden hacer algunas cuentas y reemplazos.

1 = ∑∞ ∞ ∞ ∞
0 𝑝𝑛 = 𝑝0 + ∑𝑛=1 𝑝𝑛 = 𝑝0 + ∑𝑛=1 𝐶𝑛 𝑝0 = 𝑝0 (1 + ∑𝑛=1 𝐶𝑛 )

1
Es decir; 𝑝0 =
1+∑∞
𝑛=1 𝐶𝑛

lo que significa que la probabilidad de estado 0 también queda en función de los parámetros
𝜆𝑛 y 𝜇𝑛 ∀ 𝑛 = 0, 1,2, …
El proceso de nacimiento y muerte puede ser visto como un sistema de colas en el
cual los nacimientos se interpretan como emisiones de la fuente de entrada, la vida como el
tiempo que la persona permanece en la cola y la muerte como el servicio. Según la cantidad
de personas vivas, es decir el estado del sistema, serán las tasas de nacimiento y muerte de
las respectivas distribuciones exponenciales. Además, el proceso es una cadena de Markov
pues, en cada estado, la probabilidad de un evento, se trate de un nacimiento o una muerte,
depende solo de ese estado actual. En efecto, el modelado exponencial de los tiempos entre
nacimientos y los de muertes, surge en cada estado con independencia de cualquier otro
estado anterior o futuro. Esto es lo que define su propiedad markoviana.

III.3 El modelo M/M/1

El nombre M/M/1 se refiere a una modificación simplificadora en las hipótesis que

condujeron a establecer el proceso de nacimiento y muerte. Aquí se supondrá que, no importa
cuál sea el valor de la variable de estado, las distribuciones de tiempos entre llegadas y de
tiempos de servicio tendrán siempre iguales valores en sus parámetros. O sea, suponemos
que 𝜆 = 𝜆𝑛 es una constante cualquiera sea el valor de n, y que, de la misma forma, 𝜇 = 𝜇𝑛
es también una constante. Se observa que, bajo este supuesto, la propiedad markoviana en
las llegadas al sistema y en los servicios se continúa manteniendo. La nomenclatura M/M/1
nombra entonces a un sistema que tenga estas características para entradas y salidas con un
solo servidor. El resumen de los supuestos que realizamos para este modelo M/M/1 es el
siguiente: la fuente de entrada tiene tamaño infinito con patrón estadístico Poisson-
exponencial y sin hipótesis desacostumbradas; la cola será única, de tamaño potencialmente
infinito y disciplina FIFO; y el mecanismo de servicio tendrá un solo medio de servicio con
un solo servidor cuyo patrón será Poisson-exponencial.
Como ya se ha mencionado, el interés de la teoría está en conocer la ley de
probabilidad de estado para calcular efectivamente la probabilidad de que haya n clientes en
el sistema. A su vez, interesa también establecer la cantidad esperada de clientes en el sistema
y en la cola. Otros parámetros de interés son el tiempo esperado total de espera en la cola y
en el sistema. A partir del proceso de nacimiento y muerte y de todas las suposiciones hechas,
en particular las de constancia de 𝜆 y 𝜇, trataremos ahora de deducir las fórmulas necesarias.
La constancia de 𝜆 y 𝜇 permite definir el llamado factor de tráfico del sistema
𝜆
𝜌 = 𝜇 . Si se considera que los clientes deben entrar al sistema a una velocidad promedio
menor de la que salen, pues de lo contrario el sistema se saturaría al existir una cola cada vez
más larga, se ve que 𝜆 < 𝜇. Por lo tanto, habida cuenta además, que 𝜆 > 0 y 𝜇 > 0 , debe
resultar que 0 < 𝜌 < 1. Si las velocidades de entrada y salida son similares el parámetro
estará cercano a 1, mientras que si son muy distintas el parámetro se acercará al valor 0.
𝜆0 𝜆1 …𝜆𝑛−1 𝜆𝜆…𝜆 𝜆𝑛
Obsérvese ahora que 𝐶𝑛 = = 𝜇𝜇…𝜇 = 𝜇𝑛 = 𝜌𝑛 . Por lo tanto, como 𝜌0 = 1, resulta
𝜇1 𝜇2 …𝜇𝑛

1= ∑∞
0 𝑝𝑛 = 𝑝0 + ∑∞
𝑛=1 𝑝𝑛 = 𝑝0 + ∑∞ ∞ 𝑛 ∞
𝑛=1 𝐶𝑛 𝑝0 = 𝑝0 (1 + ∑𝑛=1 𝜌 ) = 𝑝0 ∑𝑛=0 𝜌
𝑛

Dado que 0 < 𝜌 < 1, la última suma es la de los infinitos términos de una progresión
1 1
geométrica de razón 𝜌, que converge a 1−𝜌 por lo que resulta 1 = 𝑝0 (1−𝜌) y de aquí:

𝑝0 = 1 − 𝜌 . Además como 𝑝𝑛 = 𝐶𝑛 𝑝0 se tiene que 𝑝𝑛 = 𝜌𝑛 (1 − 𝜌). Ahora contamos

entonces con una expresión para la probabilidad de estado 𝑛 con 𝑛 = 0,1,2, …
La cantidad esperada de clientes en el sistema nos es otra cosa que la esperanza matemática
de la variable aleatoria de estado. Por lo tanto, llamándola L tenemos:
∞ ∞ ∞ ∞
𝑛( 𝑛−1
𝐿 = ∑ 𝑛𝑝𝑛 = ∑ 𝑛 𝜌 1 − 𝜌) = (1 − 𝜌) ∑ 𝑛𝜌𝜌 = (1 − 𝜌)𝜌 ∑ 𝑛𝜌𝑛−1
𝑛=0 𝑛=0 𝑛=0 𝑛=0
𝑛
El argumento bajo la última sumatoria es la derivada de 𝜌 respecto de 𝜌, entoces :
∞ ∞
𝑑𝜌𝑛 𝑑 𝑑 1
𝐿 = (1 − 𝜌 )𝜌 ∑ = (1 − 𝜌)𝜌 (∑ 𝜌𝑛 ) = (1 − 𝜌)𝜌 ( )
𝑑𝜌 𝑑𝜌 𝑑𝜌 1 − 𝜌
𝑛=0 𝑛=0
𝜆 𝜆
1 𝜌 𝜇 𝜇 𝜆
Luego: 𝐿 = (1 − 𝜌)𝜌 (1−𝜌)2 = = 𝜆 = 𝜇−𝜆 =
1−𝜌 1− 𝜇−𝜆
𝜇 𝜇
Es decir, finalmente tenemos que la cantidad esperada de clientes en el sistema queda en
función de los parámetros 𝜆 y 𝜇 de las distribuciones de entrada y salida del sistema.
Con un cálculo similar se establece que la cantidad esperada de clientes en la cola es:
𝜆2
𝐿𝑞 =
𝜇(𝜇 − 𝜆)
En 1961 el matemático John Little estableció dos relaciones importantes entre la cantidad
esperada de clientes en el sistema y la cola por un lado y, por el otro, el tiempo esperado de
permanencia en el sistema y en la cola.
𝐿 = 𝜆𝑊 y
𝐿𝑞 = 𝜆𝑊𝑞 .
Entonces el tiempo esperado de espera en el sistema se calcula por
𝐿 1 𝜆 1
𝑊= = ( )=
𝜆 𝜆 𝜇−𝜆 𝜇−𝜆
A su vez, el tiempo esperado de permanencia en la cola es
𝐿𝑞 𝜆
𝑊𝑞 = =
𝜆 𝜇(𝜇−𝜆)
1
Si 𝜇 es la cantidad esperada de clientes atendidos en la unidad de tiempo entonces es el
𝜇
tiempo esperado de servicio. Al sumar el tiempo esperado de permanencia en cola y el tiempo
esperado de servicio, la suma debiera dar el tiempo esperado de estancia en el sistema. Esto
efectivamente puede comprobarse según:

1 𝜆 1 𝜆 + (𝜇 − 𝜆) 𝜇 1
𝑊𝑞 + = + = = = =𝑊
𝜇 𝜇(𝜇 − 𝜆) 𝜇 𝜇(𝜇 − 𝜆) 𝜇(𝜇 − 𝜆) 𝜇 − 𝜆

Finalmente hemos obtenido las fórmulas esenciales del modelo que corresponden
a la probabilidad de la variable de estado y a las esperanzas matemáticas de cantidad de
clientes en sistema y cola, y a los tiempos esperados de permanencia en el sistema y la cola.
Una aplicación de todas estas cantidades puede verse en el ejemplo siguiente.

Ejemplo 1: Un lavadero de automóviles lava a razón de 15 autos/hora los coches que llegan
a razón media de uno cada 6 minutos. Asumiendo las hipótesis adecuadas, se desea calcular:
a) La cantidad esperada de autos en la cola.
b) El tiempo esperado de permanencia de cada auto en el lavadero
c) La probabilidad de que un auto al llegar tenga que esperar para ser lavado
Cuando se habla de hipótesis adecuadas en realidad se está pidiendo que se piense
si la forma de trabajo en el lavadero se ajusta a los supuestos de un determinado modelo de
colas. Es decir, comprobar que, en este caso, se cumplen las hipótesis del modelo M/M/1 en
cuanto a la fuente de entrada, la cola y el mecanismo de atención. En particular, deberán
encontrarse los parámetros 𝜆 y 𝜇 de los patrones Poisson-exponencial de llegadas y servicios.
Asumiendo entonces el comportamiento de Poisson para la cantidad de
automóviles lavados en una hora, establecemos 𝜇 = 15 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑒𝑠/ℎ𝑜𝑟𝑎 como su media.
Para las llegadas observamos que lo que en realidad tenemos es el tiempo medio entre
llegadas. Como sabemos que este valor es el recíproco del parámetro 𝜆 de la distribución
𝑚𝑖𝑛𝑢𝑡𝑜𝑠 1
de Poisson que las modela hacemos 6 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙 = 𝜆 de donde obtenemos
1 60
𝜆 = 6 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙 /𝑚𝑖𝑛𝑢𝑡𝑜 = 6 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙/ℎ𝑜𝑟𝑎
Es decir; finalmente 𝜆 = 10 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑒𝑠/ℎ𝑜𝑟𝑎. Podemos ahora calcular:
𝜆2 102
a) 𝐿𝑞 = 𝜇(𝜇−𝜆) = 15(15−10) = 1,33 𝑎𝑢𝑡𝑜𝑚ó𝑣𝑖𝑙𝑒𝑠 Hay que ver que esta es una cantidad
teórica, que permitirá calcular costos, por ejemplo, pero que no tendrá realización
 práctica pues difícilmente puedan hallarse un auto y la tercera parte de otro realizando
una cola.
1 1
b) 𝑊 = 𝜇−𝜆 = 15−10 = 0,2 ℎ𝑜𝑟𝑎𝑠 = 0,2 × 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠 = 12 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
c) Si un auto tiene que esperar al llegar es porque en el sistema ya hay al menos uno. En
el caso de haber exactamente uno estará en el servicio y el nuevo auto que llega será
el primero de la cola. Si ya hubiera más de un auto, la cola ya estará formada y el
nuevo automóvil se incorporará a ella. En cualquier caso, la probabilidad de tener que
esperar se podrá calcular como:
𝜆 10
a. 𝑃(𝑒𝑠𝑝𝑒𝑟𝑎𝑟) = 𝑃(𝑛 ≥ 1) = 1 − 𝑝0 = 1 − (1 − 𝜌) = 𝜌 = 𝜇 = 15 = 0,33

Ejercicios resueltos
Ejercicio N° 1- En un lugar de atención con un único lugar de despacho y cola simple se
conoce el arribo de clientes que asciende a 15 unidades por hora, siendo la velocidad media
de servicio de 25 unidades por hora. Calcular todos los elementos característicos de la cola y
del sistema, suponiendo que la ley de arribos y servicios es Poisson. Calcular los mismos
parámetros suponiendo λ constante y valores de μ menor y mayor al dato original. Resumir
en un cuadro los resultados obtenidos y enunciar las conclusiones referentes a la variación
obtenida en los parámetros.

λ = (velocidad de arribos)
μ= (velocidad de servicio)

λ= 15u/h λ= 15u/h λ= 15u/h λ= 20u/h λ=10u/h

μ= 25u/h μ=20u/h μ=30u/h μ=25u/h μ=25u/h
L 1,5 3 1 4 0,67
Lq 0,9 2,25 0,5 3,2 0,267
Ws 0,1 0,2 0,067 0,2 0,067
Wq 0,06 0,15 0,033 0,16 0,0267
ρ 0,6 0,75 0,5 0,8 0,4
𝑝0 0,4 0,25 0,5 0,2 0,6

Los cálculos revelan como el modelo acierta a describir las variaciones

del sistema. En la medida en que el factor de tráfico ρ se acrecienta la cantidad esperada de
clientes en el sistema y en la cola. Se acrecientan también en ese caso los tiempos esperados
de permanencia de un cliente en el sistema y en la cola. Finalmente, la probabilidad
𝑝0 de que el sistema este ocioso se hace cada vez menor cuando crece el factor de tráfico.

Ejercicio N° 2- Las llegadas de personas a una cabina telefónica so del tipo Poisson con un
promedio de 6 minutos entre dos consecutivas. La duración de una llamada telefónica tiene
una distribución exponencial con una media de 4 minutos. Calcular:
a) La probabilidad de que una persona que llegue a la cabina tenga que esperar.
 b) La probabilidad de que halle más de 4 personas en la cola
c) La longitud promedio de la cola y del sistema
d) La compañía está dispuesta a instalar otra cabina si se comprueba que el tiempo medio
de espera asciende a 10 minutos. Determinar cuál debe ser el flujo de arribos para
justificar esa instalación.

λ=1/6 cliente/min μ=1/4 cliente/ min

λ=10 clientes/ hora μ= 15clientes/ hora
a) Una persona que llegue a la cabina tendrá que esperar siempre que haya al menos
un cliente en el sistema. Es decir, la probabilidad de esperar será el complemento
de la probabilidad de que el sistema esté vacío
10
𝑝0 = 1 − 𝜌 = 1 − 15 = 0.33
𝑃(𝑒𝑠𝑝𝑒𝑟𝑎𝑟) = 1 − 𝑝0 = 1 − 0.33 = 0,667

b) Si hay más de 4 personas en la cola es porque hay más de 5 en el sistema ya que

si hay cola es porque hay una persona hablando en la cabina. Luego la
probabilidad de que haya más de 4 personas en la cola es la probabilidad de que
haya más de 5 en el sistema.
𝑃(𝑛 > 5) = 𝑃(𝑛 ≥ 6) = 1 − [ 𝑃0 + 𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 + 𝑃5 ] = 𝜌6 = (2/3)6
𝑃(𝑛 ≤ 6) = 0,0878
La probabilidad de hallar más de 4 personas en la cola es del 0.0878
𝜆2 (102 4
c) 𝐿𝑞 = 𝜇(𝜇−𝜆) = =
15(15−10) 3

𝜆 10𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠/ℎ
𝐿 = 𝜇(𝜇−𝜆) = 15𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 10𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 =2
( − )
ℎ ℎ

1
d) 𝑊𝑞 = 6
𝜆 𝜆 1
= =
𝜇(𝜇−𝜆) 15(15−𝜆) 6

21𝜆 = 225

cl
λ = 10,71 h

Ejercicio N° 3- En una fábrica un mecánico destinado al mantenimiento de las maquinas

atiende todos los desperfectos que en ellas se presentan. Se ha observado que la demanda de
servicios sigue la ley de Poisson con un parámetro λ=2.5 y que el mecánico atiende los
pedidos con una velocidad promedio μ= 4.6, según una rigurosa disciplina F I FO.
Determinar:
a) Número promedio de máquinas en espera de ser atendidas.
b) Tiempo promedio de atención.
c) Tiempo promedio entre desperfectos.
d) Tiempo promedio de espera de la maquina hasta comenzar su atención y hasta que se
reintegre a la producción.
 e) Determinar hasta que suma podría pagarse un incentivo para que el mecánico eleve
su rendimiento de 90% (rendimiento actual) al 120% si la hora-hombre cuesta $200
y la hora-máquina cuesta $500.

λ=2.5 media de desperfectos en máquinas/hora con patrón Poisson exponencial.

μ=4.6 media de atención en máquinas/hora suponiendo patrón Poisson exponencial.

a) Número promedio de máquinas en espera de ser atendidas.

2.52
𝐿𝑞 = = 0.647
4.6(4.6 − 2.5)

b) Tiempo promedio de atención

1 1 ℎ𝑜𝑟𝑎𝑠 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
= = 0.22 = 0.22 ≈ 13𝑚𝑖𝑛𝑢𝑡𝑜𝑠/𝑚á𝑞𝑢𝑖𝑛𝑎
𝜇 4.6 𝑚á𝑞𝑢𝑖𝑛𝑎 𝑚á𝑞𝑢𝑖𝑛𝑎

En promedio se atiende una máquina en 13 minutos

c) Tiempo promedio entre desperfectos.

1 1 ℎ𝑜𝑟𝑎𝑠 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
= = 0.4 = 0.4 = 24𝑚𝑖𝑛𝑢𝑡𝑜𝑠/𝑚á𝑞𝑢𝑖𝑛𝑎
𝜆 2.5 𝑚á𝑞𝑢𝑖𝑛𝑎 𝑚á𝑞𝑢𝑖𝑛𝑎

En promedio se descompone una máquina cada 24 minutos.

d) Tiempo promedio de espera de la maquina hasta comenzar su atención y hasta que se

reintegre a la producción.

2.5 ℎ𝑜𝑟𝑎𝑠
𝑊𝑞 = = 0.259 ≈ 16𝑚𝑖𝑛𝑢𝑡𝑜𝑠/𝑚á𝑞𝑢𝑖𝑛𝑎
4.6(4.6 − 2.5) 𝑚á𝑞𝑢𝑖𝑛𝑎

El tiempo promedio de espera de una máquina en ser atendida es de 16 minutos

aproximadamente.

Teniendo en cuenta este resultado y el del punto b) hacemos:

1
𝑊 = 𝑊𝑞 + = 16 + 13 = 29 𝑚𝑖𝑛𝑢𝑡𝑜𝑠/𝑚á𝑞𝑢𝑖𝑛𝑎
𝜇
El tiempo promedio que permanece una máquina fuera de servicio es de 29 minutos

e) Determinar hasta que suma podría pagarse un incentivo para que el mecánico eleve su
rendimiento de 90% (rendimiento actual) al 120% si la hora-hombre cuesta $200 y la hora-
máquina cuesta $500.
 120
𝜇́ = 90 4.6 = 6.13 es la velocidad de atención a la que el mecánico trabajaría si eleva su
rendimiento al 120%.
El costo de mantenimiento comprende el costo de la espera de la máquina hasta ser atendida
y el costo mientras se la atiende y sigue detenida más el trabajo del mecánico. Es decir:

1
𝐶𝑜𝑠𝑡𝑜(𝜇) = 500𝑊𝑞 + (500 + 200)
𝜇
Actualmente ese costo es:

2.5 1
𝐶𝑜𝑠𝑡𝑜(4.6) = 500 4.6(4.6−2.5) + (500 + 200) 4.6 = 281.75$

Si el mecánico trabaja a velocidad 𝜇́ = 6.13 máquinas/hora y se le paga un incentivo Δ el

costo de esa operatoria será:

2.5 1 Δ
𝐶𝑜𝑠𝑡𝑜(6.13) = 500 + (500 + 200 + Δ) = 56.17 + 114.19 +
6.13(6.13 − 2.5) 6.13 6.13

Δ
O sea 𝐶𝑜𝑠𝑡𝑜(6.13) = 170.36 + 6.13 de donde para que toda la operatoria a la nueva
velocidad sea más barata debe ocurrir que:

Δ
281.75 ≥ 170.36 + 6.13 De aquí Δ ≤ 682.82$. Entonces el incentivo podría ser de
hasta 682.82 $ sin que pagarlo incremente los costos actuales.

Ejercicios propuestos

Ejercicio N° 4- Frente a la ventanilla de franqueo de una oficina de correos se presentan 70

personas por día (jornada de 10 hs.). Se atiende en promedio a 10 personas por hora.
Asumiendo las hipótesis convenientes, determinar:
a) Longitud media de la cola frente a la ventanilla.
b) Probabilidad de que exista una fila de más de 2 personas.
c) Tiempo promedio de espera en el sistema y en la fila.
d) Probabilidad de tener que esperar.

Ejercicio N° 5- En una estación de abastecimiento de oxigeno liquido de una planta química

en la que se utiliza transporte por tanques semiremolque, se sabe que el costo del tiempo de
espera de cada tanque para ser abastecido es de 40.000 $/hora, mientras que el costo horario
de llenado de cada tanque es de $10.000. Si los tanques arriban a razón de 2 por hora, ¿cuál
es la velocidad de despacho que hace mínimo el costo operativo total? (suponemos arribos
Poisson y tiempos de servicio exponenciales)
Ejercicio N° 6- Una planta textil posee 30 telares, se requiere la presencia de un operario para
la atención permanente de las maquinas (arreglo de desperfectos). Se supone que las roturas
verifican las hipótesis de Poisson con una media de 3 roturas por día. La empresa debe elegir
entre contratar al operario A o al operario B. A cobra $400 por día y arregla un promedio de
5 máquinas / día (servicio exponencial), mientras que B cobra $900 por 7 máquinas / día.
Una máquina detenida (tiempo no productivo) origina a la empresa un costo de $700 diarios.
¿Cuál será el operario elegido?
Hipótesis simplificadora: N  20 población infinita.
Ejercicio N°7- En una gran empresa se examina el departamento de despacho ya que muchas
veces se producen retrasos en las entregas. Los datos evidencian que el tiempo empleado en
despachar los envíos constituye el 51% del tiempo. Se supone que las órdenes de envío llegan
a la sección a razón de 5,75 por hora (y satisface Poisson).
a) ¿Cuál es la probabilidad de que la sección esté inactiva?
b) ¿Cuál es la longitud media de la cola?
c) ¿Cuál debería ser aproximadamente la tasa de servicio para que la longitud media
de la cola fuera  0,12 (punto doce)?
Si se sustituyeran las mecanógrafas actuales que escriben 75 palabras por minuto, por
otras que escribieran 100 palabras. ¿Cuál sería el número medio de mensajes
esperando a ser mecanografiados?

Ejercicio N° 8- Sea un modelo de colas (Poisson- exponencial) con λ=3 cl/m y =5 cl/m.
¿Cuál es la probabilidad de que no haya ningún cliente en la cola?

Ejercicio N° 9- Suponga una máquina automática expendedora de bebidas gaseosas. El

tiempo que tarda en satisfacer el pedido de los clientes es de 68 segundos (determinístico).
Si la llegada de los clientes puede considerarse Poisson con λ=0,3 cl/minuto. ¿Cuál será el
tiempo medio de permanencia del cliente en el sistema?

Ejercicio N° 10- Un cerrajero hace llaves “en el acto”. Los clientes llegan con una tasa media
de arribos igual a 0,08 clientes por minuto, siguiendo aproximadamente una ley de Poisson.
Como en el vecindario hay otras cerrajerías, el cerrajero desea que por lo menos la mitad de
sus clientes no tengan que esperar. En tal caso, ¿qué velocidad debe imprimir a su trabajo, o
sea como debe ser, en promedio, el tiempo de servicio? (Asumimos distribución
exponencial).

Ejercicio N° 11- Modelo de una sola cola (Poisson-exponencial). Si  clientes / minuto mide
la tasa media de arribos. ¿Cómo debe ser el tiempo medio de servicio para que por lo menos
la mitad de los clientes no tenga que esperar?

Ejercicio N° 12- Se sabe que Pn  1  0,36 ¿Cuál es la probabilidad de canal ocioso?
Ejercicio N°13- En un servicio de mecánica ligera al paso los automóviles llegan, en
promedio, para un cambio de aceite cada 15 minutos. El servicio trabaja con una atención
media de 48 automóviles en la jornada de 8 hs.
a) asuma las hipótesis convenientes para modelar este servicio y explicítelas.
b) Halle la cantidad esperada de automóviles en el sistema suponiendo que hay un
solo servidor y halle el tiempo esperado de espera para ser atendido.
c) ¿Cuál es la probabilidad de que haya cola frente al servidor?
d) Si los automóviles llegaran en promedio cada 10 minutos en que porcentaje
tendría que aumentar la velocidad de servicio para mantener igual el tiempo
medio de la espera para ser atendido.
Ejercicio N° 14- En un sistema de atención de una sucursal bancaria, los clientes llegan a razón
media de 10 por hora. Los tiempos de atención son, en promedio, de 2 minutos por cliente.
Asumiendo las hipótesis convenientes se desea establecer:
a) Probabilidad de que un cliente no tenga que esperar al llegar al banco.
b) Probabilidad de que haya cola frente a la caja.
c) Si se calcula que la hora promedio del cliente vale 50$ y que cada hora de atención
del cajero vale 10$ ¿cuál es el costo económico promedio de la transacción por
cliente?
d) ¿En que porcentaje debería aumentar la velocidad de atención del cajero para que
dicho costo disminuyera un 10%?
Ejercicio N° 15- El 40% del tiempo que un automóvil taxímetro permanece en un servicio
de lavado corresponde a la espera en ser atendido. Si los automóviles se atienden a razón
media de 3 por hora se desea establecer el costo promedio que representa para cada taxi su
paso por el servicio. El lavado de cada vehículo cuesta 30 pesos y el costo de no estar
trabajando se estima en 50$ por hora.
Ejercicio N° 16- Un operario repara equipos electrógenos a razón media de 4 por día en su
jornada laboral de 8 hs . En el mismo lapso horario se descomponen 2 equipos en promedio
cuyo costo por hora de inactividad es 500 $. La hora del operario tiene un valor de 50 $.
Asumiendo las hipótesis necesarias calcular el costo promedio de tener un equipo fuera de
servicio.
Ejercicio N° 17- A una cabina de peaje llegan vehículos según un proceso de Poisson, con
una media de 90 vehículos por hora. El tiempo en pasar por la cabina se distribuye
exponencialmente con un promedio de 38 segundos. . El concesionario se plantea reducir
este promedio a 30 segundos instalando dispositivos de cobro automático siempre que se
satisfagan dos condiciones: que la cantidad promedio actual de vehículos en el sistema sea
mayor que 5 y que el porcentaje de tiempo ocioso de la cabina con el nuevo dispositivo sea
menor que el 10%. Con estas condiciones; ¿se puede justificar la instalación del dispositivo
automático?

Para resolver utilizando software.

Ejercicio N° 18- Un cajero automático ubicado en un aeropuerto recibe clientes a razón
media de 10 por hora durante todo el día. Con el software actual el cajero atiende a cada
cliente en un promedio de 3 minutos a un costo estimado de 10 pesos por minuto. Un nuevo
software podría atender a cada cliente en un promedio de dos minutos, pero su costo estimado
sería de 12 pesos por minuto de atención. Por otra parte, el banco ha evaluado que el tiempo
que emplea el cliente para toda la operación, en relación con la imagen de eficiencia del
banco, en 1 peso por cada minuto. Se desea entonces saber si en términos de costos para el
banco es conveniente renovar el software.