Introduccin

Los fenmenos de espera para recibir servicio son cosas de la vida diaria, por ejemplo,
esperar en una cola para pagar el telfono o en el supermercado. Sin embargo, la espera
no solo se limita a personas sino tambin a procedimientos o ensamblados de mquinas,
por lo tanto en se crearon procesos que describen modelos matemticos aplicables a
cualquier situacin donde se forme una cola.

La formacin de lneas de espera es, por supuesto, un fenmeno comn que ocurre
siempre que la demanda de un servicio excede a la capacidad actual de proporcionarlo.
Con frecuencia, en la industria y en otros lugares, deben tomarse decisiones respecto a la
cantidad de capacidad que debe proporcionarse. Sin embargo, muchas veces es
imposible predecir con exactitud cundo llegarn las unidades que buscan el servicio y/o
cunto tiempo ser necesario para dar ese servicio, es por esto que esas decisiones
suelen ser difciles. Proporcionar demasiado servicio implica costos excesivos. Por otro
lado, carecer de la capacidad de servicio suficiente causa colas excesivamente largas en
ciertos momentos. Las lneas de espera largas tambin son costosas en cierto sentido, ya
sea por un costo social, por un costo causado por la prdida de clientes, por el costo de
empleados ociosos o por algn otro costo importante. Entonces, la meta final es lograr un
balance econmico entre el costo de servicio y el costo asociado con la espera por ese
servicio. La teora de colas en s no resuelve directamente este problema, pero contribuye
con informacin vital que se requiere para tomar las decisiones concernientes prediciendo
algunas caractersticas sobre la lnea de espera como el tiempo de espera promedio.

El estudio de las colas es importante porque 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.

La tarea principal de los modelos matemticos es gestionar los recursos limitados para
dar servicio a los diferentes requerimientos que la organizacin tiene. En funcin de la
calidad de su gestin (y de los recursos disponibles) el tiempo de espera (de clientes,
productos y recursos) ser mayor o menor. Desde ese punto de vista se podra decir que
su funcin es decidir quin (o qu) debe esperar a qu (o a quien).

La mayora de los modelos matemticos de colas suponen que las entradas (llegada de
clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso de
nacimiento y muerte. El termino nacimiento se refiere a llegada de un nuevo cliente al
sistema de colas y el termino muerte se refiere a la salida del cliente servido. El estado del
sistema en el tiempo, es el nmero de clientes que hay en el sistema de colas en un
tiempo determinado. El proceso de nacimiento y muerte describe en trminos
probabilsticos como cambia el estado del sistema al aumentar el tiempo. En general, dice
que los nacimientos y muertes individuales ocurren aleatoriamente, en donde sus tasas
medias de ocurrencia dependen del estado actual del sistema.
 Sistema de Colas

Definiciones Cola, Caractersticas Y Suposiciones

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 sistemas de
colas. Los modelos sirven para encontrar el comportamiento de estado estable, como la
longitud promedio de la lnea y el tiempo de espera promedio para un sistema dado. Esta
informacin, junto con los costos pertinentes, se usa, entonces, para determinar la
capacidad de servicio apropiada.

Una situacin de lnea de espera, se genera de la siguiente manera: El cliente llega a

una instalacin se forma en una lnea de espera. El servidor elige a un cliente de la lnea
de espera, para comenzar el servicio. Al trmino del servicio se repite el proceso de elegir
un nuevo cliente.

Cliente.- Unidades que entran al sistema para recibir un servicio. Pueden ser personas,
cartas, carros, incendios, ensambles intermedios en una fbrica, etc.

Servidor.- Unidades encargadas de prestar un servicio. Pueden ser las cajas en un

banco, en un supermercado, unidades de emergencias, un mdico, una mquina, etc.

Disciplina de servicio.- Regla establecida para proporcionar un servicio a un cliente en

la lnea de espera.

Estructura Bsica

Fuente de entrada (poblacin potencial): Una caracterstica de la fuente de

entrada es su tamao. El tamao es el nmero total de clientes que pueden
requerir servicio en determinado momento, es decir, el nmero total de clientes
potenciales distintos.
Cola: Una cola se caracteriza por el nmero mximo permisible de clientes que
puede admitir. Las colas pueden ser finitas o infinitas, segn si este nmero es
finito o infinito.
Disciplina de la cola: se refiere al orden en el que se seleccionan sus miembros
para recibir el servicio. Por ejemplo, puede ser: primero en entrar, primero en salir,
aleatoria, de acuerdo a algn procedimiento de prioridad o a algn otro orden.
Mecanismo de servicio: consiste en una o ms instalaciones de servicio, cada
una de ellas con uno o ms canales paralelos de servicio, llamados servidores.
 Tipos de colas

Patrn de llegada de los clientes

En situaciones de cola habituales, la llegada es estocstica, es decir la llegada

depende de una cierta variable aleatoria, en este caso es necesario conocer la
distribucin probabilstica entre dos llegadas de cliente sucesivas. Adems habra que
tener en cuenta si los clientes llegan independiente o simultneamente. En este segundo
caso (es decir, si llegan lotes) habra que definir la distribucin probabilstica de stos.

Por ltimo es posible que el patrn de llegada vare con el tiempo. Si se mantiene
constante le llamamos estacionario, si por ejemplo vara con las horas del da es
no-estacionario.

Nomenclatura

= Nmero de llegadas por unidad de tiempo

= Nmero de servicios por unidad de tiempo si el servidor est ocupado
c= Nmero de servidores en paralelo
= / ( c): Congestin de un sistema con parmetros: (,, c)
N(t): Nmero de clientes en el sistema en el instante t
Nq(t): Nmero de clientes en la cola en en el instante t
Ns(t): Nmero de clientes en servicio en el instante t
Pn(t): Probabilidad que haya n clientes en el sistema en el instante t=Pr{N(t)=n}
 N: Nmero de clientes en el sistema en el estado estable
Pn : Probabilidad de que haya n clientes en estado estable Pn=Pr{N=n}
L : Nmero medio de clientes en el sistema
Lq : Nmero medio de clientes en la cola
Tq : Representa el tiempo que un cliente invierte en la cola
S : Representa el tiempo de servicio
T = Tq+S: Representa el tiempo total que un cliente invierte en el sistema
Wq= E[Tq]: Tiempo medio de espera de los clientes en la cola
W=E[T]: Tiempo medio de estancia de los clientes en el sistema
r: nmero medio de clientes que se atienden por trmino medio
Pb: probabilidad de que cualquier servidor est ocupado

Los procesos de Poisson y la distribucin exponencial

Suponga que un mismo evento ocurre repetidas veces de manera aleatoria a lo largo del
tiempo. Tal evento puede ser, por ejemplo, la llegada de una reclamacin a una compaa
aseguradora o la recepcin de una llamada a un conmutador, la llegada de un cliente a
una ventanilla para solicitar algn servicio o los momentos en que una cierta maquinaria
requieren reparacin, etc. Suponga que las variables aleatorias T1, T2... representan los
tiempos que transcurren entre una ocurrencia del evento y la siguiente ocurrencia.
Suponga que estos tiempos son independientes uno del otro y que cada uno tiene
distribucin exp(). Se dene el proceso de Poisson al tiempo t como el nmero de
ocurrencias del evento que se han observado hasta ese instante t.

Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no

nula no es finito, sino numerable. Se dice que una variable aleatoria X sigue la distribucin
de Poisson si su funcin de densidad viene dada por:

Este modelo se caracteriza por un slo parmetro , que debe ser positivo.

Esta distribucin suele utilizarse para contajes del tipo nmero de individuos por unidad
de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

 1) Esperanza: E(X) = .

2) Varianza: V(X) = .

En esta distribucin la esperanza y la varianza coinciden.

3) La suma de dos variables aleatorias independientes con distribucin de Poisson

resulta en una nueva variable aleatoria, tambin con distribucin de Poisson, de
parmetro igual a la suma de parmetros:

X1 ~ P ( = 1) y X2 ~ P ( = 2)
Y definimos Z = X1 + X2, entonces,

Z ~ P( = 1 + 2)
Este resultado se extiende inmediatamente al caso de n variables aleatorias
independientes con distribucin de Poisson. En este caso, la variable suma de todas ellas
sigue una distribucin de Poisson de parmetro igual a la suma de los parmetros.

La mayor parte de los modelos de colas estocsticas asumen que el tiempo entre
diferentes llegadas de clientes sigue una distribucin exponencial. O lo que es lo mismo
que el ritmo de llegada sigue una distribucin de Poisson.

El tiempo entre llegadas se define, de este modo, como la probabilidad de que no llegue
ningn cliente: P0 (t)= e-t

Siendo por tanto una distribucin exponencial.

Propiedades del Patrn de llegadas (o servicio) PoissonExponencial

El uso de este patrn de llegada (o de servicio) tiene, entre otras las siguientes
propiedades:

Paso 1 El nmero de llegadas en intervalos de tiempo no superpuestos es

estadsticamente independiente.

Paso 2 La probabilidad de que una llegada ocurra entre el tiempo t y t+t es t+o(t),
donde es la tasa de llegada y o(t) cumple limt0 o(t)/ t =0. De hecho o(t) se
podra entender como la probabilidad de que llegue ms de uno.

Paso 3 La distribucin estadstica del nmero de llegadas en intervalos de tiempo

iguales es estadsticamente equivalente

Paso 4 Si el nmero de llegadas sigue una distribucin de Poisson el tiempo entre

llegadas sigue una distribucin exponencial de media (1/) y al contrario
 Paso 5 Si el proceso de llegada es Poisson, los tiempos de llegada son
completamente aleatorios con una funcin de probabilidad uniforme sobre el
periodo analizado.

Paso 6 Para conocer los datos que definen un proceso de Poisson solo es
necesario conocer el nmero medio de llegadas

Paso 7 Amnesia de la Distribucin exponencial: La probabilidad de que falten t

unidades para que llegue el siguiente cliente es independiente de cunto tiempo
llevamos sin que llegue ningn cliente.

Generalizaciones al Proceso Poisson-Exponencial

a) Variabilidad de . Se puede admitir que vare con el tiempo. En este caso

b) Llegadas mltiples. Se puede admitir que en cada evento de llegada aparezcan i

clientes, donde:

En este caso la probabilidad de que en el instante t hayan aparecido m clientes es:

donde cm (k) mc es la probabilidad de que k ocurrencias den un resultado total de m

clientes.

Procesos de nacimiento y muerte en el estado estacionario

 Un proceso estocstico es la abstraccin matemtica de un proceso emprico, cuyo
desarrollo est gobernado por alguna ley de probabilidad.

Desde el punto de vista de la teora de probabilidades, un proceso estocstico se define

como una familia de variables aleatorias {X(t),tT} definidas sobre un horizonte T. X(t) es
el estado del sistema.

Se dice que un proceso estocstico {X(t),t=0,1,...} es un proceso de Markov si, para

cualquier conjunto de n instantes t1<t2<...<tn, la distribucin de X(t) depende nicamente
del valor de X(t n-1). Es decir, Dada la situacin presente, el futuro es independiente del
pasado y el proceso carece de memoria.

Una cola, con proceso de llegada Poisson-Exponencial de media , y con proceso de

servicio Poisson-Exponencial de media , se puede modelizar como una cadena de
Markov continua, donde en cada intervalo infinitesimal de tiempo puede ocurrir un
nacimiento (llegada) o una muerte (salida)

En situacin estacionaria, se puede decir que el balance de flujo alrededor del estado
n debe ser 0 (sino no sera estable). As las probabilidades de entrada en el estado n ,
deben ser iguales a la probabilidad de las salidas:

En el origen

De las anteriores ecuaciones se puede extraer que:

y dado que se puede calcular

Proceso de Nacimiento y Muerte

 La mayor parte de los modelos elementales de colas suponen que las entradas (llegada
de clientes) y las salidas (clientes que se van) del sistema ocurren de acuerdo al proceso
de nacimiento y muerte. Este importante proceso de teora de probabilidad tiene
aplicaciones en varias reas. Sin embrago en el contexto de la teora de colas, el trmino
nacimiento se refiere a llegada de un nuevo cliente al sistema de colas y el trmino
muerte se refiere a la salida del cliente servido. El estado del sistema en el tiempo t (t 0),
denotado por N (t), es el nmero de clientes que hay en el sistema de colas en el tiempo t.
El proceso de nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t)
al aumentar t. En general, dice que los nacimientos y muertes individuales ocurren
aleatoriamente, en donde sus tasas medias de ocurrencia dependen del estado actual del
sistema. De manera ms precisa, las suposiciones del proceso de nacimiento y muerte
son las siguientes:

SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que

falta para el prximo nacimiento (llegada) es exponencial con parmetro (n=0,1,2,.).

SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del tiempo que

falta para la prxima muerte (terminacin de servicio) es exponencial con parmetro
(n=1,2,.).

SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que falta hasta el

prximo nacimiento) y la variable aleatoria de la suposicin 2 (el tiempo que falta hasta
la siguiente muerte) son mutuamente independientes.

Como consecuencia de las suposiciones 1 y 2, el proceso de nacimiento y muerte es un

tipo especial de cadena de Markov de tiempo continuo. Los modelos de colas que se
pueden representar por una cadena de Markov de tiempo continuo son mucho ms
manejables analticamente que cualquier otro.

Dentro de los procesos de nacimiento y muerte se encuentra dos procesos especiales,

los cuales son:

Modelo de Nacimiento Puro: En el modelo de nacimiento puro los clientes llegan al

sistema de colas y nunca se retiran del servicio. proceso completamente aleatorio que
se puede describir por medio de una distribucin de Poisson.

Probabilidad de un Evento Cero condicionada por:

Probabilidad de un Evento n condicionada por:

Ejemplo 1. Supongamos que un banco recibe clientes para la apertura de una cuenta
bancaria con una separacin en el tiempo, de acuerdo con una distribucin
exponencial, creando una nueva cuenta bancaria cada 18 minutos en promedio.

a) Calcular la cantidad de cuentas bancarias creadas a lo largo de un ao.

= (24x60)/18= 80 cuentas bancarias/das. (24 horas, 60 minutos)
El nmero de cuentas bancarias creadas a lo largo de un ao est dada por:
= 80x365 = 29 200 cuentas bancarias/ao. (365 das)
La probabilidad de no crear ninguna cuenta bancaria en cualquier da es:
P0= ((80x1)0 e-80x1)/ 0! 0

b) Supongamos de nos interesa la probabilidad de emitir 30 registros de tarjetas de

dbito de las nuevas cuentas bancarias al final de un periodo de 4 horas, sabiendo
que ya se han emitido 21 en las primeras dos horas.

La probabilidad requerida se reduce a 30-21= 9 registro de tarjetas de dbito en 4-2=

2 horas

= 60/18= 3,333333 cuentas bancarias/hora (60 minutos)

Obtenemos, P9= ((3,333333x2)9 e-3,333333 x2)/ 9! = 0,091226096

Ejemplo 2. En el consulado de un pas se reciben cada 6 minutos una solicitud de

ingreso a su pas con una separacin en el tiempo, de acuerdo a una distribucin
exponencial.

a) Calcule la cantidad de solicitudes que recibe el consulado en un periodo de 2

aos.
= (24x60)/6= 240 solicitudes de ingresos/das. (24 horas, 60 minutos)
El nmero de solicitudes que recibe el consulado a lo largo de 2 aos est dada por:
= 240x365 = 87 600 solicitudes de ingresos /ao. (365 das)
=87 600 x2= 175 200 (2 aos)
La probabilidad de no recibir ninguna solicitud de ingreso en cualquier da es:
P0= ((240x1)0 e-240x1)/ 0! 0

b) Calcule la probabilidad de emitir 50 documentos de aceptacin en 5 horas, cuando

ya se han emitido 34 en las primeras 2 horas.

La probabilidad requerida se reduce a 50-34= 16 documentos de aceptacin en 5-2= 3

horas

= 60/6= 10 documentos de aceptacin/hora (60 minutos)

Obtenemos, P16= ((10x3)16 e-10 x3)/ 16! = 0,0019252451

 Modelo de Muerte Pura: En el modelo de muertes pura el sistema comienza con N
clientes cuando el tiempo es cero, y no se permiten ms llegadas, las frecuencias se
hacen con clientes por unidad de tiempo. O bien conocidas como la distribucin
truncada de Poisson.

Probabilidad de un Evento Cero condicionada por:

Probabilidad de un Evento n condicionada por:

Donde es la frecuencia de salida

Ejemplo 1.