T.teoria de Cola Cinemark

TEORÍA DE COLA
ÁLVARO JOSÉ GÓMEZ RAMOS

JORDÁN FABIÁN HERRERA BOOB
LESLYE YOHANA MARTÍNEZ BENÍTEZ
IVÁN JAVIER RHENALS JIMÉNEZ
JEFFERSON MIGUEL SALGADO RANGEL
JHONATÁN OROZCO ROSERO
DOCENTE:
JORGE MARIO LÓPEZ PEREIRA
INVESTIGACIÓN DE OPERACIONES III

INGENIERÍA INDUSTRIAL
UNIVERSIDAD DE CÓRDOBA
MONTERÍA – CÓRDOBA
2019
pág. 1
TABLA DE CONTENIDO
1. INTRODUCCIÓN
2. OBJETIVOS
2.1 OBJETIVO GENERAL
2.2 OBJETIVOS ESPECÍFICO
3. MARCO TEÓRICO
3.1 TEORÍA DE COLAS
3.2 MODELO DE FORMACIÓN DE COLAS
3.3 OBJETIVOS DE LA TEORÍA DE COLAS
3.4 CLASIFICACIÓN DE LOS SISTEMAS DE COLA
3.4.1 Sistema básico
3.4.2 Sistema multifase o en cascada
3.5 CARACTERÍSTICAS DE LOS SISTEMAS DE COLAS
3.5.1 Patrón de llegada de los clientes
3.5.2 Patrón de servicio de los servidores
3.5.3 Disciplina de cola
3.5.4 Capacidad del sistema
3.5.5 Número de canales de servicio
3.5.6 Etapas de servicio
3.6 NOTACIÓN BÁSICA
3.7 CLASIFICACIÓN DE KENDALL-LEE
3.8 TIPOS DE MODELO
4. DESCRIPCIÓN DE CINEMARK
4.1 VISIÓN
4.2 MISIÓN
4.3 PRINCIPIOS Y VALORES
pág. 2
4.4 RESEÑA HISTÓRICA
5. METODOLOGÍA DEL CASO
5.1 Tiempos entre llegada
5.2 Tiempo entre servicio
5.3 Ecuaciones
6. CONCLUSIONES
7. ANEXOS
pág. 3
CONTENIDO DE TABLAS
Tabla 1. Tipos de modelos de colas

Tabla 2. Datos tomados
Tabla 3. ANOVA para tiempo entre Llegada por Franja
Tabla 4. Pruebas de Múltiple Rangos para tiempo entre Llegada por Franja
Tabla 5. Distribuciones ajustadas de tiempo entre llegadas.
Tabla 6. Pruebas de Normalidad para tiempo entre Llegada
Tabla 7. Prueba de Kolmogorov-Smirnov
Tabla 8. Datos del modelo 1 Franjas de V5-6, S5-6, S6-7
Tabla 9. ANOVA para tiempo entre Llegada M1 por Franja M1
Tabla 10. Pruebas de Múltiple Rangos para tiempo entre Llegada M1 por Franja
M1
Tabla 11. Distribuciones Ajustadas para M1
Tabla 12. Pruebas de Normalidad para t_ Llegada M1
Tabla 13. Prueba de Kolmogorov-Smirnov para M1
Tabla 14. Datos del modelo 2 Franjas de M5-6, M5-6, J5-6, J6-7, D5-6
M2
Tabla 18. Pruebas de Normalidad para tiempo entre Llegada M2
pág. 4
1. INTRODUCCIÓN
En la vida diaria nos encontramos con muchos elementos que nos define como
sociedad moderna, uno de estos elementos son las colas o “filas” las cuales están
presentes en varios ambientes, como la fila del supermercado, cuando pagamos
las facturas de los servicios públicos, tramites en los bancos, y como nuestro
ejemplo la fila que hay al comprar nuestras entradas al cine (empresa CINEMARK)
estas colas se forman porque la demanda de un servicio supera la capacidad de
satisfacer dicho servicio por parte del servidor o servidores, por el cual se crean
tiempos de espera para los clientes.
El estudio de las colas resulta importante, porque, proporciona tanto una base
teórica del tipo de servicio que podemos esperar de un determinado recurso, como
la forma en la cual dicho recurso puede ser diseñado para proporcionar un
determinado grado de servicio a sus clientes.
Martínez (2006) define Teoría de colas como el estudio matemático del
comportamiento de líneas 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 atención. Si el servidor no está disponible inmediatamente y el
cliente decide esperar, entonces se forma la línea de espera.
El presente estudio tiene como objetivo implementar la temática referente a la
teoría de colas y sus aplicaciones, con el fin de afianzar conocimientos en dicho
tema y poner en práctica lo aprendido en sucesos nuestra vida cotidiana. Para el
desarrollo del estudio es necesaria la selección de una "cola", por tal motivo se
escogió el proceso de la compra de boletería y entradas al cine en CINEMARK.
Posteriormente, se analizará el sistema, registrando primeramente los tiempos
entre llegadas y salidas de las entidades del sistema y el número de entidades en
la "cola" durante un tiempo de 1 minuto.
pág. 5
2. OBJETIVOS
2.1 OBJETIVO GENERAL
Realizar un estudio de teoría de colas en la compra de boletería para las entradas

al cine en CINEMARK, aplicando las temáticas aprendidas, a través de la
recolección y análisis de datos que permitan conocer el comportamiento y
dinámica del sistema.
2.2 OBJETIVOS ESPECÍFICOS
 Tomar tiempos de entre llegadas y servicio en el sistema.

 Observar el número de entidades en la fila durante cierto intervalo de
tiempo.
 Estudiar estadísticamente los datos obtenidos en la herramienta
statgraphics para obtener las distribuciones estadísticas que describan el
comportamiento de los datos.
 Identificar los principales componentes del sistema.
pág. 6
3. MARCO TEÓRICO
3.1 TEORÍA DE COLAS
El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang

(Dinamarca, 1878 - 1929) en 1909 para analizar la congestión de tráfico telefónico
con el objetivo de cumplir la demanda incierta de servicios en el sistema telefónico
de Copenhague. Sus investigaciones acabaron en una nueva teoría denominada
teoría de colas o de líneas de espera. Esta teoría es ahora una herramienta de
valor en negocios debido a que un gran número de problemas pueden
caracterizarse, como problemas de congestión llegada-salida.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes
llegan buscando un servicio de algún tipo y salen después de que dicho servicio
haya sido atendido. Podemos modelar los sistemas de este tipo tanto como colas
sencillas o como un sistema de colas interconectadas formando una red de colas.
En la siguiente figura podemos ver un ejemplo de modelo de colas sencillo. Este
modelo puede usarse para representar una situación típica en la cual los clientes
llegan, esperan si los servidores están ocupados, son servidos por un servidor
disponible y se marchan cuando se obtiene el servicio requerido.
3.2 MODELO DE FORMACIÓN DE COLAS.
En los problemas de formación de cola, a menudo se habla de clientes, tales como

personas que esperan la desocupación de líneas telefónicas, la espera de
máquinas para ser reparadas y los aviones que esperan aterrizar y estaciones de
servicios, tales como mesas en un restaurante, operarios en un taller de
reparación, pistas en un aeropuerto, etc.
Los problemas de formación de colas a menudo contienen una velocidad variable
de llegada de clientes que requieren cierto tipo de servicio, y una velocidad
variable de prestación del servicio en la estación de servicio.
Cuando se habla de líneas de espera, se refieren a las creadas por clientes o por
las estaciones de servicio. Los clientes pueden esperar en cola simplemente
pág. 7
porque los medios existentes son inadecuados para satisfacer la demanda de
servicio; en este caso, la cola tiende a ser explosiva, es decir, a ser cada vez más
larga a medida que transcurre el tiempo.
Las estaciones de servicio pueden estar esperando por que los medios existentes
son excesivos en relación con la demanda de los clientes; en este caso, las
estaciones de servicio podrían permanecer ociosas la mayor parte del tiempo. Los
clientes puede que esperen temporalmente, aunque las instalaciones de servicio
sean adecuadas, porque los clientes llegados anteriormente están siendo
atendidos. Las estaciones de servicio pueden encontrar temporal cuando, aunque
las instalaciones sean adecuadas a largo plazo, haya una escasez ocasional de
demanda debido a un hecho temporal. Estos dos últimos casos tipifican una
situación equilibrada que tiende constantemente hacia el equilibrio, o una situación
estable.
En la teoría de la formación de colas, generalmente se llama sistema a un grupo
de unidades físicas, integradas de tal modo que pueden operar al unísono con una
serie de operaciones organizadas. La teoría de la formación de colas busca una
solución al problema de la espera prediciendo primero el comportamiento del
sistema. Pero una solución al problema de la espera consiste en no solo en
minimizar el tiempo que los clientes pasan en el sistema, sino también en
minimizar los costos totales de aquellos que solicitan el servicio y de quienes lo
prestan.
3.3 OBJETIVOS DE LA TEORÍA DE COLAS
Los objetivos de la teoría de colas consisten en:
 Identificar el nivel óptimo de capacidad del sistema que minimiza el coste

global del mismo.
 Evaluar el impacto que las posibles alternativas de modificación de la
capacidad del sistema tendrían en el coste total del mismo.
 Establecer un balance equilibrado ("óptimo") entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
pág. 8
 Hay que prestar atención al tiempo de permanencia en el sistema o en la
cola: la "paciencia" de los clientes depende del tipo de servicio específico
considerado y eso puede hacer que un cliente "abandone" el sistema.
3.4 CLASIFICACIÓN DE LOS SISTEMAS DE COLA
Existen 2 tipos de sistemas de colas:

3.4.1 Sistema básico
Es aquel donde existe una población, un sistema de llegada, además existe solo
un sistema de cola y de servicio (sin importar en número de colas, ni el número de
servidores). Es decir, en este sistema las entidades al recibir el servicio salen del
sistema y no ingresan a otro.
3.4.2 Sistema multifase o en cascada

A diferencia del sistema básico el sistema multifase es aquel donde existe un
conjunto de sistemas interconectados. Existe una población, un sistema de
llegada, y existe más de un sistema de cola y de servicio (sin importar en número
de colas, ni el número de servidores) con relación entre ellos. Es decir, en este
sistema las entidades al recibir el servicio salen del sistema e ingresan uno o más
sistemas de cola y servicio, que pueden o no tener las mismas características.
pág. 9
Los canales de servicio están definidos por el número de servidores, no del
número de colas:
pág. 10
3.5 CARACTERÍSTICAS DE LOS SISTEMAS DE COLAS
Seis son las características básicas que se deben utilizar para describir
adecuadamente un sistema de colas:
3.5.1 Patrón de llegada de los clientes.
3.5.2 Patrón de servicio de los servidores.
3.5.3 Disciplina de cola.
3.5.4 Capacidad del sistema.
3.5.5 Número de canales de servicio.
3.5.6 Número de etapas de servicio.
3.5.1 Patrón de llegada de los clientes

En situaciones de cola habituales, la llegada es estocástica, es decir la llegada
depende de una cierta variable aleatoria, en este caso es necesario conocer la
distribución probabilística entre dos llegadas de cliente sucesivas. Además, habría
que tener en cuenta si los clientes llegan independiente o simultáneamente. En
este segundo caso (es decir, si llegan lotes) habría que definir la distribución
probabilística de éstos. También es posible que los clientes sean “impacientes”. Es
decir, que lleguen a la cola y si es demasiado larga se vayan, o que tras esperar
mucho rato en la cola decidan abandonar. Por último, es posible que el patrón de
llegada varíe con el tiempo. Si se mantiene constante le llamamos estacionario, si
por ejemplo varía con las horas del día es no-estacionario.
3.5.2 Patrones de servicio de los servidores

Los servidores pueden tener un tiempo de servicio variable, en cuyo caso hay que
asociarle, para definirlo, una función de probabilidad. También pueden atender en
lotes o de modo individual. El tiempo de servicio también puede variar con el
número de clientes en la cola, trabajando más rápido o más lento, y en este caso
se llama patrones de servicio dependientes. Al igual que el patrón de llegadas el
patrón de servicio puede ser no estacionario, variando con el tiempo transcurrido.
3.5.3 Disciplina de cola

La disciplina de cola es la manera en que los clientes se ordenan en el momento
de ser servidos de entre los de la cola. Cuando se piensa en colas se admite que
pág. 11
la disciplina de cola normal es FIFO (atender primero a quien llegó primero) Sin
embargo en muchas colas es habitual el uso de la disciplina LIFO (atender primero
al último). También es posible encontrar reglas de secuencia con prioridades,
como por ejemplo secuenciar primero las tareas con menor duración o según tipos
de clientes. En cualquier caso, dos son las situaciones generales en las que
trabajar. En la primera, llamada en inglés “preemptive”, si un cliente llega a la cola
con una orden de prioridad superior al cliente que está siendo atendido, este se
retira dando paso al más importante. Dos nuevos subcasos aparecen: el cliente
retirado ha de volver a empezar, o el cliente retorna donde se había quedado. La
segunda situación es la denominada “no-preemptive” donde el cliente con mayor
prioridad espera a que acabe el que está siendo atendido.
3.5.4 Capacidad del sistema

En algunos sistemas existe una limitación respecto al número de clientes que
pueden esperar en la cola. A estos casos se les denomina situaciones de cola
finitas. Esta limitación puede ser considerada como una simplificación en la
modelización de la impaciencia de los clientes.
3.5.5 Número de canales del servicio

Es evidente que es preferible utilizar sistemas multiservidor con una única línea de
espera para todos que con una cola por servidor. Por tanto, cuando se habla de
canales de servicio paralelos, se habla generalmente de una cola que alimenta a
varios servidores mientras que el caso de colas independientes se asemeja a
múltiples sistemas con sólo un servidor. En la figura 1 se dibujó un sistema mono-
canal, en la figura 2 se presenta dos variantes de sistema multicanal. El primero
tiene una sola cola de espera, mientras que el segundo tiene una sola cola para
cada canal.
Figura 1. Sistemas de cola multicanal.

Fuente. García, J. (2015). Aplicando Teoría de Colas en Dirección de
Operaciones. [Figura]. Recuperado de
http://personales.upv.es/jpgarcia/LinkedDocuments/Teoriadecolasdoc.pdf
pág. 12
Se asume que, en cualquiera de los dos casos, los mecanismos de servicio
operan de manera independiente.
3.5.6 Etapas de servicio

Un sistema de colas puede ser unietapa o multietapa. En los sistemas multietapa
el cliente puede pasar por un número de etapas mayor que uno. Una peluquería
es un sistema unietapa, salvo que haya diferentes servicios (manicura, maquillaje)
y cada uno de estos servicios sea desarrollado por un servidor diferente. En
algunos sistemas multietapa se puede admitir la vuelta atrás o “reciclado”, esto es
habitual en sistemas productivos como controles de calidad y reprocesos. Un
sistema multietapa se ilustra en la figura 3.
Figura 3. Sistema multietapa con retroalimentación.
Fuente. García, J. (2015). Aplicando Teoría de Colas en Dirección de

Operaciones. [Figura]. Recuperado de
http://personales.upv.es/jpgarcia/LinkedDocuments/Teoriadecolasdoc.pdf
3.6 NOTACIÓN BÁSICA
La notación básica que se utiliza en los estudios realizados con Teoría de Colas
es la siguiente:
𝑳𝒔 = Número de entidades en servicio
𝑳𝒒 = Número de entidades en la cola
𝑾𝒔 = Tiempo de servicio
𝑾𝒒 = Tiempo en la cola
pág. 13
𝝀
𝝆 = 𝒄.𝝁 = Tasa de ocupación
𝝀 = Tasa de llegada
𝟏
̅ = tiempo medio de llegada
=𝒙
𝝀
𝝁 = Tasa de servicio o salida
𝟏
̅ = tiempo medio de servicio
=𝒚
𝝁
𝒄 = Número de servidores [2]
3.7 CLASIFICACIÓN DE KENDALL-LEE
En 1953 Kendall y Lee propusieron un sistema de clasificación de los sistemas de

líneas de espera, ampliamente utilizado en la actualidad. Esta clasificación
considera seis de las características mencionadas en la estructura de los modelos
de líneas de espera, expresándolas en el formato (a / b / c) (d / e / f), donde:
a - distribución de probabilidad del tiempo entre llegadas de las transacciones.
b - distribución de probabilidad del tiempo de servicio. Los símbolos utilizados en
estos dos primeros campos son:
G: cualquier tipo de distribución.
M: distribución exponencial o Poisson.
𝐸𝑘 : Distribución Erlang con parámetro k.
GI: distribución general independiente.
H: distribución hiperexponencial.
D: constante.
c - número de servidores.
d - orden de atención a los clientes. Los símbolos utilizados en este campo son:
FIFO: primeras entradas, primeros servicios.
LIFO: últimas entradas, primeros servicios
pág. 14
RSS: orden aleatorio.
PR: con base en prioridades.
GD: en forma general.
e - número máximo de clientes que soporta el sistema en un mismo instante de
tiempo.
f - número de clientes potenciales del sistema de líneas de espera. [3]
3.8 TIPOS DE MODELO
Tabla 1. Tipos de modelos de colas

Medidas de
desempeño M/M/1 M/M/2 M/M/K
del sistema
Condición de
𝜇>𝜆 2𝜇 > 𝜆 𝑘𝜇 > 𝜆
aplicación
Factor de 𝜆 𝜆 𝜆
utilización 𝑐. 𝜇 𝑐. 𝜇 𝑐. 𝜇
𝝆
Factor de ocio 1 1
Pn 𝑛
𝝆𝟎
entidades 𝜆 𝑛
𝜆 2
𝜆 𝜆 𝑛
(𝜇 ) (𝜇 ) (𝜇 ) (𝜇 ) 𝑘𝜇
𝜆 2𝜇 𝑘−1
1− (∑10 ) + ( ) ( (∑) 𝑛=0 𝑛! ) + (
𝑘!
) (
𝑘𝜇 − 𝜆
)
𝑛! 2! 2𝜇 − 𝜆
𝜇
Entidades
promedio en 𝜆 𝜆 𝜆
𝐿𝑞 + 𝐿𝑞 +
servicio 𝜇−𝜆 𝜇 𝜇
𝑳𝒔
Entidades
𝜆2 𝜆 𝑛 𝜆 𝑛
promedio en la (𝜇 ) 𝜆𝜇 (𝜇 ) 𝜆𝜇
cola 𝜇(𝜇 − 𝜆) 𝑝0 𝑝0
𝑳𝒒 (2𝜇 − 𝜆)2 (𝑘 − 1)! (𝑘𝜇 − 𝜆)2
tiempo
promedio en 𝐿𝑠 𝐿𝑠 𝐿𝑠
servicio 𝜆 𝜆 𝜆
𝑾𝒔
pág. 15
tiempo
promedio en la 𝐿𝑞 𝐿𝑞 𝐿𝑞
cola 𝜆 𝜆 𝜆
𝑾𝒒
Medidas de
desempeño M/G/1 M/D/1 M/Ek/1
del sistema
Condición de 𝜌<1 𝜌<1 𝜌<1
aplicación
Factor de 𝜆 𝜆
𝜆
utilización 𝜇 𝜇
𝝆 𝜇
Factor de ocio
𝝆𝟎 1−𝜌 XXXX XXXX
Entidades
promedio en
𝐿𝑞 + 𝜌 𝜆𝑊𝑠 𝜆𝑊𝑠
servicio
𝑳𝒔
Entidades
promedio en la 𝜆2 𝜎 2 + 𝜌 𝜌2 𝜌2 (𝑘 + 1)
cola 2(1 − 𝜌) 2(1 − 𝜌) 2𝑘(1 − 𝜌)
𝑳𝒒
tiempo
promedio en 1 1 1
𝑊𝑞 + 𝑊𝑞 + 𝑊𝑞 +
servicio 𝜇 𝜇 𝜇
𝑾𝒔
tiempo
promedio en la 𝐿𝑞 𝐿𝑞 𝐿𝑞
cola 𝜆 𝜆 𝜆
𝑾𝒒
Medidas de
desempeño G/G/1 G/G/c M/G/K
del sistema
Condición de 𝜌<1 𝜌<1
aplicación 𝜌<1
Factor de 𝜆 𝜆
𝜆
utilización 𝜇 𝜇
𝝆 𝜇
pág. 16
Factor de ocio 1
𝑛
𝝆𝟎 𝜆 𝜆 𝑛
1−𝜌 1−𝜌 (𝜇 ) (𝜇 ) 𝑘𝜇
(∑𝑘−1
𝑛=0 𝑛! ) + ( 𝑘! ) (𝑘𝜇 − 𝜆 )
Entidades
promedio en 1 1 1
servicio 𝐿 𝑞 + 𝐿 𝑞 + 𝐿𝑞 +
𝜆 𝜆 𝜆
𝑳𝒔
Entidades
promedio en la
𝜆𝑊𝑞 𝜆𝑊𝑞 𝜆𝑊𝑞
cola
𝑳𝒒
tiempo
promedio en 1 1 1
𝑊𝑞 + 𝑊𝑞 + 𝑊𝑞 +
servicio 𝜇 𝜇 𝜇
𝑾𝒔
tiempo
promedio en la 𝜆2 𝜎𝑒2 + 𝜇 2 𝜎𝑠2 𝜆2𝜌𝜎𝑒2 +1𝜇 2 𝜎𝑠2 𝜌√2𝑐+2−1 1 𝜎2 + 1
cola ( (
) ( ) ( ) ) ( ) ( ) 𝐸[𝑊𝑀/𝑀/𝑐 ]
2 𝜌0 2𝜇 𝑐𝜌0 𝜇 2
𝑾𝒒
Fuente. Elaboración propia (basado en distintos autores especialistas en teoría de
colas)
4. DESCRIPCIÓN DE CINEMARK
En Cinemark Colombia operan actualmente 34 teatros con 175 salas en el

territorio nacional y continúa creciendo, es la segunda cadena de cines más
taquillera en Colombia y la primera en porcentaje de crecimiento en el país.
Cinemark es una empresa líder en la industria de la exhibición de imágenes de
movimiento con 426 complejos y 4.908 pantallas en los EE.UU. y América Latina.
Cinemark ofrece calidad audiovisual, presencia de última tecnología digital, buena
infraestructura, diversificación de productos comestibles, sensación de confort en
cada una de sus salas, atención de primera y un ambiente seguro y entretenido.
Debido a esto la compañía ha sido reconocida por el Congreso Internacional de
Exhibidores con el galardón: “Mejor Exhibidor de América” desde 1993 a la fecha.
Cinemark Colombia se ha posicionado como una de las primeras opciones en
cadenas de cine dentro del país.
pág. 17
Los productos actuales de la empresa son:
 Proyección de cintas cinematográficas.
 Venta de productos al interior de los teatros como lo es la confitería.
 Prestación de servicios adicionales tales como la zona de entretenimiento.
 Las aéreas geográficas donde está actualmente Cinemark.
Las actividades cruciales que se tienen que hacer extraordinariamente bien son:
 La atención al cliente.
 Actualización de datos correspondientes al área financiero.
 El mantenimiento general de las instalaciones de los teatros y la empresa.
 El aprovisionamiento de las salas de cine y lo que se consume en ellas.
 Estar haciendo constantemente un estudio de proveedores de películas.
 Hacer una buena publicidad del producto para que así se pueda vender
correctamente.
 Brindar al cliente un valor agregado frente a los competidores de la
compañía.
4.1 VISIÓN
Estamos dedicados a crear recuerdos memorables de película, un Cliente a la vez.
4.2 MISIÓN
Moldear el futuro de la industria al ser reconocidos como la cadena de
entretenimiento fuera de casa más influyente del mundo.
4.3 PRINCIPIOS Y VALORES
 Hacer lo correcto: Actuar con honestidad e integridad.
pág. 18
 Pasión por las personas: Respetar y velar por cada uno de nuestros
compañeros y Clientes y por nuestra comunidad.
 Seguridad: Proveer un ambiente seguro para nuestros Empleados y

nuestros Clientes.
 Excelencia en el desempeño: Esfuérzate en ser el mejor en lo que haces.
Empoderamiento: Colabora para que nuestra gente tome decisiones y asuma la

responsabilidad.
4.4 RESEÑA HISTÓRICA
Cinemark, llega a Colombia en el año 1999 cuando fue declarada como el

exhibidor del año por la NATO (North Atlantic Theaty Organization), Inaugurando
el Múltiplex Cinemark El Tesoro en Medellín, en el año 2000 inauguran el Múltiplex
Atlantis Plaza en Bogotá, al año siguiente Multiplex Cinemark Floresta en Bogotá.
En los años del 2003 al 2017 se extienden por gran parte del territorio colombiano,
llegando así a ciudades como Manizales, Bucaramanga, Ibagué, Palmira, Santa
Marta, Neiva, Cúcuta, Guatapuri, Tunja, Pereira, Pasto, Montería, Cali,
Villavicencio.
En el año 2008, inauguran las primeras salas en 3D Digital en algunos teatros ya
existentes como Cinemark Atlantis, El Tesoro, La Florida, entre otros.
En 2012, Cinemark lanza al mercado lo que consideran la evolución en la forma
de ver películas, con sus salas XD, que aseguran tener pantallas de 4 pisos de
altura y un sonido digital de 11.1 sorround.
Cinemark, aparte de las salas convencionales y las XD, cuenta con salas Bistró y
Premium en algunas ciudades, cuyo servicio es más personalizado.
pág. 19
5. METODOLOGÍA DEL CASO
Para realizar el estudio de teoría de colas se escogió el proceso de venta de

boletería para las entradas a cine en el Centro Comercial Buenavista (CCB) en
Montería.
El proceso de ventas comienza a las 10 de la mañana todos los días y termina a
las 09:00 de la noche aproximadamente. El registro de tiempos se hizo en las
franjas de miércoles de 5pm a 6pm, miércoles de 6pm a 7pm, jueves de 5pm a
6pm, jueves de 6pm a 7pm, viernes de 5pm a 6pm, sábado de 5pm a 6pm,
sábado de 6pm a 7pm, domingo de 5pm a 6pm. Mientras tomamos los tiempos
estaban en el mostrador 2 personas a tendiendo a los clientes (2 servidores).
En la realización del estudio trabajaron 3 observadores:
Observador 1: este observador se encargaba de tomar los tiempos entre llegadas
de los clientes, es decir, el tiempo que tarda para que llegue una nueva persona.
Observador 2: este observador se encargaba de tomar los tiempos entre salidas
de los clientes luego de recibir el servicio de venta de boletería, es decir, el tiempo
que demora un cliente luego de salir de la cola y llegar hasta el mostrador de
venta donde compra su entrada a cine, para ver su película deseada, y sale.
Observador 3: este observador se encargaba de registrar el número de personas
que había en la cola en un intervalo de cinco minutos.
Los datos que se registraron fueron los siguientes:
Tabla 2. Datos tomados

Franja t_ Llegada t_ Servicio N° de cliente en cola
M5-6 0,4 0,84 6
M5-6 1,1 1,21 11
M5-6 1,5 1,25 3
M5-6 0,47 1,36 5
M5-6 0,15 0,82 1
M5-6 0,9 0,67 5
M5-6 0,14 0,3 8
M5-6 0,7 0,54 9
M5-6 0,36 1,17 6
pág. 20
M5-6 0,13 1,11 4
M5-6 0,02 1,56 8
M5-6 2,3 0,49 7
M5-6 0,59 1,43 4
M5-6 0,39 0,85 8
M6-7 1,4 1,4 2
M6-7 2,3 0,37 5
M6-7 0,2 1,3 4
M6-7 0,4 1,21 6
M6-7 1,15 0,55 3
M6-7 0,36 0,4 2
M6-7 0,57 1,13 5
M6-7 1,3 1,4 4
M6-7 1,8 0,86 1
M6-7 0,19 0,53 7
M6-7 0,9 0,36 4
M6-7 1,33 0,75 2
M6-7 0,12 0,56 4
M6-7 0,51 0,53 2
J5-6 0,86 0,48 3
J5-6 1,6 0,68 4
J5-6 1,41 0,53 6
J5-6 0,51 0,72 5
J5-6 1,68 0,33 3
J5-6 1,9 0,57 1
J5-6 1,52 0,74 3
J5-6 1,7 0,68 5
J5-6 1,8 0,63 3
J5-6 1,19 1,16 4
J5-6 0,41 0,97 0
J5-6 1,45 0,97 2
J5-6 0,95 0,65 2
J5-6 0,85 0,36 4
J6-7 0,16 1,02 1
J6-7 0,72 0,68 4
J6-7 1,53 1,38 4
J6-7 0,68 0,35 3
J6-7 1,84 0,64 2
J6-7 2,69 0,35 5
J6-7 2,08 1,09 1
J6-7 0,54 0,48 3
J6-7 1,64 0,96 5
pág. 21
J6-7 0,27 0,59 6
J6-7 1,92 0,89 3
J6-7 0,46 0,53 2
J6-7 0,32 0,84 3
J6-7 1,11 0,9 0
V5-6 0,89 0,71 5
V5-6 1,1 0,78 4
V5-6 0,9 0,83 3
V5-6 1,15 0,66 3
V5-6 3,23 0,92 2
V5-6 2,1 0,4 0
V5-6 0,45 0,93 1
V5-6 2,69 0,03 1
V5-6 2,5 1,91 6
V5-6 0,14 1,02 5
V5-6 2,74 0,74 3
V5-6 0,03 0,37 2
V5-6 0,41 0,59 6
V5-6 1,33 0,93 3
S5-6 1,85 0,57 5
S5-6 1,49 0,49 4
S5-6 1,07 0,92 6
S5-6 2,9 0,84 4
S5-6 3,4 0,39 2
S5-6 1,41 1,82 1
S5-6 2 1,53 0
S5-6 1,18 0,47 3
S5-6 0,26 0,36 2
S5-6 0,47 0,72 3
S5-6 1,35 0,82 3
S5-6 1,12 0,61 4
S5-6 1,89 0,73 6
S5-6 0,18 0,26 2
S6-7 0,12 0,38 3
S6-7 1,69 0,27 5
S6-7 3,19 1,23 1
S6-7 2,12 0,2 6
S6-7 4,67 0,84 4
S6-7 2,1 0,8 7
S6-7 2,49 1,38 5
S6-7 0,15 0,78 2
S6-7 0,58 0,57 1
pág. 22
S6-7 0,29 0,79 0
S6-7 1,48 2,19 4
S6-7 0,59 1,73 4
S6-7 2,07 0,46 3
S6-7 0,36 0,62 2
D5-6 0,72 1,98 1
D5-6 1,18 0,69 5
D5-6 0,59 1,72 7
D5-6 0,04 1,59 3
D5-6 0,05 1,55 2
D5-6 1,86 0,53 0
D5-6 0,82 0,75 3
D5-6 0,55 0,85 2
D5-6 2,38 1,64 3
D5-6 0,28 1,81 5
D5-6 0,52 1,66 2
D5-6 1,13 0,58 4
D5-6 3,75 0,5 2
D5-6 0,41 1,85 5
D5-6 2,25 0,74 3
Fuente. Elaboración propia.
Para poder realizar un análisis adecuado de los datos se utilizó la herramienta

STATGRAPHICS con el fin de hacer una pruebas de múltiples rango, pruebas de
normalidad, pruebas de bondad de ajustes y un ajuste de datos no censurados
con diferentes distribuciones de probabilidad (Exponencial, Normal, Erlang,
Gamma y Uniforme) para determinar a qué distribución pertenecen las variables
Tiempo entre llegadas y así hallar la Tasa media de llegadas (𝝀).
NOTA: SE AGREGÓ UN SUPUESTO A ESTE ESTUDIO, DONDE LOS TIEMPOS
ENTRE SERVICIOS NO DEPENDEN DE LOS TIEMPOS ENTRE LLEGADAS, ES
DECIR, HAREMOS TABLAS ANOVA SOLAMENTE PARA LOS TIEMPOS ENTRE
LLEGADA.
5.1 Tiempo entre llegadas
Se utilizó el programa STATGRAPHICS para saber con qué distribución de

probabilidad se comportan los tiempos entre llegadas.
Variable dependiente: tiempo entre Llegada
pág. 23
Factor: Franja
Número de observaciones: 113
Número de niveles: 8
Este procedimiento ejecuta un análisis de varianza de un factor para Tiempos

entre Llegada. Construye varias pruebas y gráficas para comparar los valores
medios de tiempos entre Llegada para los 8 diferentes niveles de Franja. La
prueba-F en la tabla ANOVA determinará si hay diferencias significativas entre las
medias. Si las hay, las Pruebas de Rangos Múltiples le dirán cuáles medias son
significativamente diferentes de otras.
Tabla 3. ANOVA para tiempo entre Llegada por Franja

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 9,19097 7 1,313 1,60 0,1423
Intra grupos 85,9546 105 0,818615
Total (Corr.) 95,1456 112
Fuente. STATGRAPHICS
La tabla ANOVA descompone la varianza de tiempo entre Llegada en dos

componentes: un componente entre-grupos y un componente dentro-de-grupos.
La razón-F, que en este caso es igual a 1,60392, es el cociente entre el estimado
entre-grupos y el estimado dentro-de-grupos. Puesto que el valor-P de la razón-F
es mayor o igual que 0,05, no existe una diferencia estadísticamente significativa
entre la media de tiempo entre Llegada entre un nivel de Franja y otro, con un
nivel del 95,0% de confianza.
pág. 24
Tabla 4. Pruebas de Múltiple Rangos para tiempo entre Llegada por Franja
Método: 95,0 porcentaje LSD
Franja Casos Media Grupos Homogéneos
M5-6 14 0,653571 X
M6-7 14 0,895 XX
D5-6 15 1,102 XX
J6-7 14 1,14 XX
J5-6 14 1,27357 XX
V5-6 14 1,40429 X
S5-6 14 1,46929 X
S6-7 14 1,56429 X
Contraste Sig. Diferencia +/- Límites
D5-6 - J5-6 -0,171571 0,666672
D5-6 - J6-7 -0,038 0,666672
D5-6 - M5-6 0,448429 0,666672
D5-6 - M6-7 0,207 0,666672
D5-6 - S5-6 -0,367286 0,666672
D5-6 - S6-7 -0,462286 0,666672
D5-6 - V5-6 -0,302286 0,666672
J5-6 - J6-7 0,133571 0,678069
J5-6 - M5-6 0,62 0,678069
J5-6 - M6-7 0,378571 0,678069
J5-6 - S5-6 -0,195714 0,678069
J5-6 - S6-7 -0,290714 0,678069
J5-6 - V5-6 -0,130714 0,678069
J6-7 - M5-6 0,486429 0,678069
J6-7 - M6-7 0,245 0,678069
J6-7 - S5-6 -0,329286 0,678069
J6-7 - S6-7 -0,424286 0,678069
J6-7 - V5-6 -0,264286 0,678069
M5-6 - M6-7 -0,241429 0,678069
M5-6 - S5-6 * -0,815714 0,678069
M5-6 - S6-7 * -0,910714 0,678069
pág. 25
M5-6 - V5-6 * -0,750714 0,678069
M6-7 - S5-6 -0,574286 0,678069
M6-7 - S6-7 -0,669286 0,678069
M6-7 - V5-6 -0,509286 0,678069
S5-6 - S6-7 -0,095 0,678069
S5-6 - V5-6 0,065 0,678069
S6-7 - V5-6 0,16 0,678069
Fuente. STATGRAPHICS * indica una diferencia significativa.
Esta tabla aplica un procedimiento de comparación múltiple para determinar

cuáles medias son significativamente diferentes de otras. La mitad inferior de la
salida muestra las diferencias estimadas entre cada par de medias. El asterisco
que se encuentra al lado de los 3 pares indica que estos pares muestran
diferencias estadísticamente significativas con un nivel del 95,0% de confianza.
En la parte superior de la página, se han identificado 2 grupos homogéneos según
la alineación de las X's en columnas. No existen diferencias estadísticamente
significativas entre aquellos niveles que compartan una misma columna de X's. El
método empleado actualmente para discriminar entre las medias es el
procedimiento de diferencia mínima significativa (LSD) de Fisher. Con este
método hay un riesgo del 5,0% al decir que cada par de medias es
significativamente diferente, cuando la diferencia real es igual a 0.
Ajuste de Datos No Censurados
113 valores con rango desde 0,02 a 4,67

Distribuciones Ajustadas
Tabla 5. Distribuciones ajustadas de tiempo entre llegadas.

Erlang Exponencial Gamma Normal Uniforme
media = forma = límite inferior =
forma = 1,0 media = 1,18699
1,18699 1,35597 0,02
escala = escala = desviación estándar = límite superior =
0,842466 1,14236 0,921691 4,67
pág. 26
Este análisis muestra los resultados de ajustar 5 distribuciones a los datos en
tiempos entre Llegada. Los parámetros estimados de las distribuciones ajustadas
se muestran arriba.
Tabla 6. Pruebas de Normalidad para tiempo entre Llegada

Prueba Estadístico Valor-P
Estadístico W de Shapiro-Wilk 0,91255 1,54214E-8
Esta tabla muestra los resultados de diversas pruebas realizadas para determinar
si tiempo entre Llegada puede modelarse adecuadamente con una distribución
normal. La prueba de Shapiro-Wilk está basada en la comparación de los
cuartiles de la distribución normal ajustada a los datos.
Debido a que el valor-P más pequeño de las pruebas realizadas es menor a 0,05,
se puede rechazar la idea de que tiempo entre Llegada proviene de una
distribución normal con 95% de confianza.
Pruebas de Bondad-de-Ajuste para tiempos entre Llegada

Tabla 7. Prueba de Kolmogorov-Smirnov
DMAS 0,00391379 0,0463271 0,0459065 0,121947 0,415644
DMENOS 0,233439 0,108572 0,0850867 0,102731 0,00884956
DN 0,233439 0,108572 0,0850867 0,121947 0,415644
Valor-P 0,00000896231 0,139353 0,390881 0,0694122 0,0

Esta tabla muestra los resultados de las pruebas realizadas para determinar si
tiempo entre Llegada puede ser modelada adecuadamente por varias
distribuciones.
pág. 27
Valores-P menores que 0,05 indicarían que tiempo entre Llegada no proviene de
la distribución seleccionada con 95% de confianza.
Como podemos ver STATGRAPHICS nos arroja dos modelos, los cuales vamos a
llamar M1 y M2
Tabla 8. Datos del modelo 1 Franjas de V5-6, S5-6, S6-7

t_ Llegada t_ Servicio N° de cliente en cola
Franja M1
M1 M1 M1
V5-6 0,89 0,71 5
V5-6 1,1 0,78 4
V5-6 0,9 0,83 3
V5-6 1,15 0,66 3
V5-6 3,23 0,92 2
V5-6 2,1 0,4 0
V5-6 0,45 0,93 1
V5-6 2,69 0,03 1
V5-6 2,5 1,91 6
V5-6 0,14 1,02 5
V5-6 2,74 0,74 3
V5-6 0,03 0,37 2
V5-6 0,41 0,59 6
V5-6 1,33 0,93 3
S5-6 1,85 0,57 5
S5-6 1,49 0,49 4
S5-6 1,07 0,92 6
S5-6 2,9 0,84 4
S5-6 3,4 0,39 2
S5-6 1,41 1,82 1
S5-6 2 1,53 0
S5-6 1,18 0,47 3
S5-6 0,26 0,36 2
S5-6 0,47 0,72 3
S5-6 1,35 0,82 3
S5-6 1,12 0,61 4
S5-6 1,89 0,73 6
pág. 28
S5-6 0,18 0,26 2
S6-7 0,12 0,38 3
S6-7 1,69 0,27 5
S6-7 3,19 1,23 1
S6-7 2,12 0,2 6
S6-7 4,67 0,84 4
S6-7 2,1 0,8 7
S6-7 2,49 1,38 5
S6-7 0,15 0,78 2
S6-7 0,58 0,57 1
S6-7 0,29 0,79 0
S6-7 1,48 2,19 4
S6-7 0,59 1,73 4
S6-7 2,07 0,46 3
S6-7 0,36 0,62 2
Fuente. Elaboración propia
Variable dependiente: tiempo entre Llegada M1

Factor: Franja M1
Este procedimiento ejecuta un análisis de varianza de un factor para t_ Llegada
M1. Construye varias pruebas y gráficas para comparar los valores medios de t_
Llegada M1 para los 3 diferentes niveles de Franja M1. La prueba-F en la tabla
ANOVA determinará si hay diferencias significativas entre las medias. Si las hay,
las Pruebas de Rangos Múltiples le dirán cuáles medias son significativamente
diferentes de otras.
pág. 29
Suma de Cuadrado
Fuente Gl Razón-F Valor-P
Cuadrados Medio
Entre
0,1813 2 0,09065 0,07 0,9298
grupos
Intra grupos 48,5058 39 1,24374
Total (Corr.) 48,6871 41

La tabla ANOVA descompone la varianza de tiempo entre Llegada M1 en dos

La razón-F, que en este caso es igual a 0,0728851, es el cociente entre el
estimado entre-grupos y el estimado dentro-de-grupos. Puesto que el valor-P de
la razón-F es mayor o igual que 0,05, no existe una diferencia estadísticamente
significativa entre la media de tiempo entre Llegada M1 entre un nivel de Franja
M1 y otro, con un nivel del 95,0% de confianza.
M1
Franja M1 Casos Media Grupos Homogéneos
V5-6 14 1,40429 X
S5-6 14 1,46929 X
S6-7 14 1,56429 X
pág. 30
S5-6 - S6-7 -0,095 0,852601
S5-6 - V5-6 0,065 0,852601
S6-7 - V5-6 0,16 0,852601

Fuente. STATGRAPHICS * indica una diferencia significativa.

salida muestra las diferencias estimadas entre cada par de medias. No hay
diferencias estadísticamente significativas entre cualquier par de medias, con un
nivel del 95,0% de confianza. En la parte superior de la página, se ha identificado
un grupo homogéneo, según la alineación de las X's en columna. No existen
diferencias estadísticamente significativas entre aquellos niveles que compartan
una misma columna de X's. El método empleado actualmente para discriminar
entre las medias es el procedimiento de diferencia mínima significativa (LSD) de
Fisher. Con este método hay un riesgo del 5,0% al decir que cada par de medias
es significativamente diferente, cuando la diferencia real es igual a 0.
Ajuste de Datos No Censurados – tiempo entre Llegada Modelo 1

Tabla11. Distribuciones Ajustadas para M1

forma = 1,0 media = 1,47929
1,47929 1,3582 0,03
0,676002 0,918146 1,08972 4,67
pág. 31
tiempo entre Llegada M1. Los parámetros estimados de las distribuciones
ajustadas se muestran arriba. Se puede probar si las distribuciones ajustan
adecuadamente a los datos, seleccionando Pruebas de Bondad de Ajuste de la
lista de Opciones Tabulares. También puede evaluarse visualmente que tan bien
se ajustan las distribuciones seleccionando Histograma de Frecuencias de la lista
de Opciones Gráficas. Otras opciones dentro el procedimiento permite calcular y
desplegar áreas de colas y valores críticos para la distribución. Para seleccionar
una distribución diferente, presione el botón secundario del ratón y seleccione
Opciones de Análisis.
Tabla 12. Pruebas de Normalidad para t_ Llegada M1

Estadístico W de Shapiro-Wilk 0,937654 0,0325239
Esta ventana muestra los resultados de diversas pruebas realizadas para
determinar si tiempos entre Llegada M1 puede modelarse adecuadamente con
una distribución normal. La prueba de Shapiro-Wilk está basada en la
comparación de los cuartiles de la distribución normal ajustada a los datos.
se puede rechazar la idea de que t_ Llegada M1 proviene de una distribución
normal con 95% de confianza.
Pruebas de Bondad-de-Ajuste para tiempo entre Llegada M1

DMAS 0,000999491 0,0766092 0,0579449 0,102294 0,335283
DMENOS 0,437465 0,157719 0,117949 0,0917652 0,0238095
DN 0,437465 0,157719 0,117949 0,102294 0,335283
Valor-P 2,08688E-7 0,247725 0,602996 0,771701 0,000158509

pág. 32
tiempos entre Llegada M1 puede ser modelada adecuadamente por varias
distribuciones.
Valores-P menores que 0,05 indicarían que t_ Llegada M1 no proviene de la
distribución seleccionada con 95% de confianza.
Para M2 las demás franjas tenemos los siguientes datos:
Tabla 14. Datos del modelo 2 Franjas de M5-6, M5-6, J5-6, J6-7, D5-6
t_ Llegada t_ Servicio N° de cliente en cola
Franja M2
M2 M2 M2
M5-6 0,4 0,84 6
M5-6 1,1 1,21 11
M5-6 1,5 1,25 3
M5-6 0,47 1,36 5
M5-6 0,15 0,82 1
M5-6 0,9 0,67 5
M5-6 0,14 0,3 8
M5-6 0,7 0,54 9
M5-6 0,36 1,17 6
M5-6 0,13 1,11 4
M5-6 0,02 1,56 8
M5-6 2,3 0,49 7
M5-6 0,59 1,43 4
M5-6 0,39 0,85 8
M6-7 1,4 1,4 2
M6-7 2,3 0,37 5
M6-7 0,2 1,3 4
M6-7 0,4 1,21 6
M6-7 1,15 0,55 3
M6-7 0,36 0,4 2
M6-7 0,57 1,13 5
M6-7 1,3 1,4 4
M6-7 1,8 0,86 1
M6-7 0,19 0,53 7
M6-7 0,9 0,36 4
M6-7 1,33 0,75 2
M6-7 0,12 0,56 4
pág. 33
M6-7 0,51 0,53 2
J5-6 0,86 0,48 3
J5-6 1,6 0,68 4
J5-6 1,41 0,53 6
J5-6 0,51 0,72 5
J5-6 1,68 0,33 3
J5-6 1,9 0,57 1
J5-6 1,52 0,74 3
J5-6 1,7 0,68 5
J5-6 1,8 0,63 3
J5-6 1,19 1,16 4
J5-6 0,41 0,97 0
J5-6 1,45 0,97 2
J5-6 0,95 0,65 2
J5-6 0,85 0,36 4
J6-7 0,16 1,02 1
J6-7 0,72 0,68 4
J6-7 1,53 1,38 4
J6-7 0,68 0,35 3
J6-7 1,84 0,64 2
J6-7 2,69 0,35 5
J6-7 2,08 1,09 1
J6-7 0,54 0,48 3
J6-7 1,64 0,96 5
J6-7 0,27 0,59 6
J6-7 1,92 0,89 3
J6-7 0,46 0,53 2
J6-7 0,32 0,84 3
J6-7 1,11 0,9 0
D5-6 0,72 1,98 1
D5-6 1,18 0,69 5
D5-6 0,59 1,72 7
D5-6 0,04 1,59 3
D5-6 0,05 1,55 2
D5-6 1,86 0,53 0
D5-6 0,82 0,75 3
D5-6 0,55 0,85 2
D5-6 2,38 1,64 3
D5-6 0,28 1,81 5
D5-6 0,52 1,66 2
D5-6 1,13 0,58 4
D5-6 3,75 0,5 2
pág. 34
D5-6 0,41 1,85 5
D5-6 2,25 0,74 3
Fuente. Elaboración propia
Variable dependiente: tiempo entre Llegada M2

Factor: Franja M2
Este procedimiento ejecuta un análisis de varianza de un factor para tiempos entre
Llegada M2. Construye varias pruebas y gráficas para comparar los valores
medios de tiempo entre Llegada M2 para los 5 diferentes niveles de Franja M2. La
prueba-F en la tabla ANOVA determinará si hay diferencias significativas entre las
medias. Si las hay, las Pruebas de Rangos Múltiples le dirán cuáles medias son
significativamente diferentes de otras.

Suma de Cuadrado
Fuente Gl Razón-F Valor-P
Cuadrados Medio
Entre
3,29868 4 0,824671 1,45 0,2264
grupos
Intra grupos 37,4488 66 0,567407
Total (Corr.) 40,7475 70

La tabla ANOVA descompone la varianza de tiempos entre Llegada M2 en dos
La razón-F, que en este caso es igual a 1,4534, es el cociente entre el estimado
entre-grupos y el estimado dentro-de-grupos. Puesto que el valor-P de la razón-F
es mayor o igual que 0,05, no existe una diferencia estadísticamente significativa
entre la media de tiempo entre Llegada M2 entre un nivel de Franja M2 y otro, con
un nivel del 95,0% de confianza.
pág. 35
M2
Franja M2 Casos Media Grupos Homogéneos

M5-6 14 0,653571 X
M6-7 14 0,895 XX
D5-6 15 1,102 XX
J6-7 14 1,14 XX
J5-6 14 1,27357 X
D5-6 - J5-6 -0,171571 0,558883
D5-6 - J6-7 -0,038 0,558883
D5-6 - M5-6 0,448429 0,558883
D5-6 - M6-7 0,207 0,558883
J5-6 - J6-7 0,133571 0,568437
J5-6 - M5-6 * 0,62 0,568437
J5-6 - M6-7 0,378571 0,568437
J6-7 - M5-6 0,486429 0,568437
J6-7 - M6-7 0,245 0,568437
M5-6 - M6-7 -0,241429 0,568437
Fuente. STATGRAPHICS * indica una diferencia significativa

salida muestra las diferencias estimadas entre cada par de medias. Se ha
colocado un asterisco junto a 1 par, indicando que este par muestra diferencias
pág. 36
estadísticamente significativas con un nivel del 95,0% de confianza. En la parte
superior de la página, se han identificado 2 grupos homogéneos según la
alineación de las X's en columnas. No existen diferencias estadísticamente
significativas entre aquellos niveles que compartan una misma columna de X's. El
método empleado actualmente para discriminar entre las medias es el
procedimiento de diferencia mínima significativa (LSD) de Fisher. Con este
método hay un riesgo del 5,0% al decir que cada par de medias es
significativamente diferente, cuando la diferencia real es igual a 0.
Ajuste de Datos No Censurados – tiempo entre Llegada Modelo 2


forma = 2,0 media = 1,01408
1,01408 1,44177 0,02
1,97222 1,42174 0,76296 3,75

tiempo entre Llegada M2. Los parámetros estimados de las distribuciones
ajustadas se muestran arriba. Se puede probar si las distribuciones ajustan
adecuadamente a los datos, seleccionando Pruebas de Bondad de Ajuste de la
lista de Opciones Tabulares. También puede evaluarse visualmente que tan bien
se ajustan las distribuciones seleccionando Histograma de Frecuencias de la lista
de Opciones Gráficas. Otras opciones dentro el procedimiento permite calcular y
desplegar áreas de colas y valores críticos para la distribución. Para seleccionar
una distribución diferente, presione el botón secundario del ratón y seleccione
Opciones de Análisis.
pág. 37
Tabla 18. Pruebas de Normalidad para tiempo entre Llegada M2

Estadístico W de Shapiro-Wilk 0,919009 0,00010954
Esta tabla muestra los resultados de diversas pruebas realizadas para determinar
si tiempo entre Llegada M2 puede modelarse adecuadamente con una distribución
normal. La prueba de Shapiro-Wilk está basada en la comparación de los
cuartiles de la distribución normal ajustada a los datos.
se puede rechazar la idea de que t_ Llegada M2 proviene de una distribución
normal con 95% de confianza.
Pruebas de Bondad-de-Ajuste para tiempo entre Llegada M2

DMAS 0,646907 0,067492 0,0449914 0,133377 0,392025
DMENOS 0,0000510721 0,115728 0,0838731 0,0962987 0,0140845
DN 0,646907 0,115728 0,0838731 0,133377 0,392025
Valor-P 0,0 0,299096 0,700008 0,159982 0,0
tiempo entre Llegada M2 puede ser modelada adecuadamente por varias
distribuciones.
Valores-P menores que 0,05 indicarían que tiempo entre Llegada M2 no proviene
de la distribución seleccionada con 95% de confianza.
5.2 Tiempo entre servicio

NOTA: SE AGREGÓ UN SUPUESTO A ESTE ESTUDIO, DONDE LOS TIEMPOS
ENTRE SERVICIOS NO DEPENDEN DE LOS TIEMPOS ENTRE LLEGADAS, ES
DECIR, HAREMOS TABLAS ANOVA SOLAMENTE PARA LOS TIEMPOS ENTRE
LLEGADA.
pág. 38
6. ECUACIÓN
6.1 ECUACIONES MODELO 1
Los tiempos entre llegadas tienen una distribución general, por lo que en el
modelo se asimila como una distribución (G), los tiempos de servicios con
distribución Gamma, se asimila como una distribución (G), y como tenemos 2
servidores en el sistema, el modelo de teoría de colas es G/G/2.
Para este modelo tenemos las siguientes ecuaciones:
𝜆2 𝜎𝑒2 + 𝜇 2 𝜎𝑠2 𝜌√2𝑐+2−1 1

𝑊𝑞 = ( )( )( )
2 𝑐(1 − 𝜌) 𝜇
Entonces se tiene que:
𝑇𝑖𝑒𝑚𝑝𝑜 𝑚𝑒𝑑𝑖𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 = 1,479285714
𝑇𝑖𝑒𝑚𝑝𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 =

1 1
𝜆= = = 0,676001931
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 1,479285714
1 1
𝜇= = = 1,250372135
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 0,799761905
Ahora se calcula 𝜌, que representa el porcentaje de ocupación,

Sabiendo que se debe cumplir que 𝜌 < 1
𝜆 0,676001931
𝜌 = 2𝜇 = 2(1,250372135) =0,540640592
pág. 39
Se puede notar que 𝜌 <1
Ahora se procede a calcular:
1. 𝑾𝒒 = Tiempo esperado de espera en la cola
2. 𝑾𝒔 = Tiempo esperado de espera en el sistema

3. 𝑳𝒔 = Número esperado de clientes en el sistema
4. 𝑳𝒒 = Número esperado de clientes en la cola
𝜆2 𝜎𝑒2 + 𝜇 2 𝜎𝑠2 𝜌√2𝑐+2−1 1

𝑊𝑞 = ( )( )( )
2 𝑐(1 − 𝜌) 𝜇
(0,676001931)𝟐 () + (1,250372135)𝟐 () 1
=( )( )( )
𝟐
𝑊𝑞 = 0,159676979 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠
1 1
𝑊𝑠 = 𝑊𝑞 + 𝜇 = 0,159676979 + = 0,959438884
1,250372135
𝐿𝑆 = 𝜆𝑊𝑆 = (0,676001931)( 0,959438884 ) = 0,648582539 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
𝐿𝑞 = 𝜆𝑊𝑞 = (0,676001931)(0,159676979) = 0,107941946𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
6.2 ECUACIONES MODELO 2

Los tiempos entre llegadas tienen una distribución general, por lo que en el
modelo se asimila como una distribución (G), los tiempos de servicios con
distribución Gamma, se asimila como una distribución (G), y como tenemos 2
servidores en el sistema, el modelo de teoría de colas es G/G/2.
Para este modelo tenemos las siguientes ecuaciones:
pág. 40
𝜆2 𝜎𝑒2 + 𝜇 2 𝜎𝑠2 𝜌√2𝑐+2−1 1
𝑊𝑞 = ( )( )( )
2 𝑐(1 − 𝜌) 𝜇
Entonces se tiene que:
𝑇𝑖𝑒𝑚𝑝𝑜 𝑚𝑒𝑑𝑖𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 = 1,014084507
𝑇𝑖𝑒𝑚𝑝𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 =

1 1
𝜆= = = 0,986111111
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 1,014084507
1 1
𝜇= = = 1,117054751
̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅
𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑠𝑒𝑟𝑣𝑖𝑐𝑖𝑜 0,895211268
Ahora se calcula 𝜌, que representa el porcentaje de ocupación,

Sabiendo que se debe cumplir que 𝜌 < 1
𝜆 0,986111111
𝜌 = 2𝜇 = 2(1,117054751) =0,882777778
Se puede notar que 𝜌 <1

Ahora se procede a calcular:
1. 𝑾𝒒 = Tiempo esperado de espera en la cola
2. 𝑾𝒔 = Tiempo esperado de espera en el sistema

3. 𝑳𝒔 = Número esperado de clientes en el sistema
4. 𝑳𝒒 = Número esperado de clientes en la cola
pág. 41
𝜆2 𝜎𝑒2 + 𝜇 2 𝜎𝑠2 𝜌√2𝑐+2−1 1
𝑊𝑞 = ( )( )( )
2 𝑐(1 − 𝜌) 𝜇
(0,986111111)𝟐 () + (1,117054751)𝟐 () 1
=( )( )( )
𝟐
𝑊𝑞 = 1,273158456 𝑠𝑒𝑔𝑢𝑛𝑑𝑜𝑠
1 1
𝑊𝑠 = 𝑊𝑞 + 𝜇 = 1,273158456 + = 2,168369724
1,117054751
𝐿𝑆 = 𝜆𝑊𝑆 = (0,986111111)( 2,168369724 ) = 2,138253478 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
𝐿𝑞 = 𝜆𝑊𝑞 = (0,986111111)(1,273158456) = 1,2554757 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠
7. CONCLUSIONES
Las conclusiones de este estudio son las siguientes
Se evidencia que los servidores se encuentran medianamente ocupados si esto se

compara con la tasa ideal de ocupación estimada en 85%.
Si se logra realizar un estudio más profundo, de tal manera que este nos confirme
los datos anteriormente obtenidos, se recomienda a la empresa normalice la
atención del servicio por parte del personal debido que hay una diferencia en los
tiempos de servicio entre la franja de los días de semana con la del fin de semana.
pág. 42
8. ANEXOS
Grafica 1. Dispersión por código de nivel
pág. 43
Grafica 2. ANOVA grafico para tiempos entre llegadas
Grafica 3. Histograma para Tiempos entre llegadas
pág. 44
Grafica 4. Cuantil-Cuantil
Grafica 5. Dispersión por código de Nivel Modelo 1
pág. 45
Grafica 6. ANOVA Para tiempos entre llegada Modelo 1
Grafica 7. Histograma para tiempos entre llegada modelo 1
pág. 46
Grafica 8. Cuantil-Cuantil Modelo 1
Grafica 9. Dispersión por código de nivel Modelo 2
pág. 47
Grafica 10. ANOVA grafico para tiempos entre llegadas Modelo 2
Grafica 11. Histograma para Tiempos entre llegadas Modelo 2
pág. 48
Grafica 4. Cuantil-Cuantil Modelo 2
pág. 49

T.teoria de Cola Cinemark

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

T.teoria de Cola Cinemark

Загружено:

Авторское право:

Доступные форматы

TEORÍA DE COLA

ÁLVARO JOSÉ GÓMEZ RAMOS

INVESTIGACIÓN DE OPERACIONES III

Tabla 1. Tipos de modelos de colas

2.1 OBJETIVO GENERAL

Realizar un estudio de teoría de colas en la compra de boletería para las entradas

2.2 OBJETIVOS ESPECÍFICOS

 Tomar tiempos de entre llegadas y servicio en el sistema.

3.1 TEORÍA DE COLAS

El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang

3.2 MODELO DE FORMACIÓN DE COLAS.

En los problemas de formación de cola, a menudo se habla de clientes, tales como

3.3 OBJETIVOS DE LA TEORÍA DE COLAS

Los objetivos de la teoría de colas consisten en:

 Identificar el nivel óptimo de capacidad del sistema que minimiza el coste

3.4 CLASIFICACIÓN DE LOS SISTEMAS DE COLA

Existen 2 tipos de sistemas de colas:

3.4.2 Sistema multifase o en cascada

3.5.1 Patrón de llegada de los clientes

3.5.2 Patrones de servicio de los servidores

3.5.3 Disciplina de cola

3.5.4 Capacidad del sistema

3.5.5 Número de canales del servicio

Figura 1. Sistemas de cola multicanal.

3.5.6 Etapas de servicio

Figura 3. Sistema multietapa con retroalimentación.

Fuente. García, J. (2015). Aplicando Teoría de Colas en Dirección de

3.6 NOTACIÓN BÁSICA

3.7 CLASIFICACIÓN DE KENDALL-LEE

En 1953 Kendall y Lee propusieron un sistema de clasificación de los sistemas de

3.8 TIPOS DE MODELO

Tabla 1. Tipos de modelos de colas

En Cinemark Colombia operan actualmente 34 teatros con 175 salas en el

4.3 PRINCIPIOS Y VALORES

 Hacer lo correcto: Actuar con honestidad e integridad.

 Seguridad: Proveer un ambiente seguro para nuestros Empleados y

 Excelencia en el desempeño: Esfuérzate en ser el mejor en lo que haces.

Empoderamiento: Colabora para que nuestra gente tome decisiones y asuma la

4.4 RESEÑA HISTÓRICA

Cinemark, llega a Colombia en el año 1999 cuando fue declarada como el

Para realizar el estudio de teoría de colas se escogió el proceso de venta de

Tabla 2. Datos tomados

Para poder realizar un análisis adecuado de los datos se utilizó la herramienta

5.1 Tiempo entre llegadas

Se utilizó el programa STATGRAPHICS para saber con qué distribución de

Este procedimiento ejecuta un análisis de varianza de un factor para Tiempos

Tabla 3. ANOVA para tiempo entre Llegada por Franja

La tabla ANOVA descompone la varianza de tiempo entre Llegada en dos

Franja Casos Media Grupos Homogéneos

Esta tabla aplica un procedimiento de comparación múltiple para determinar

Ajuste de Datos No Censurados

113 valores con rango desde 0,02 a 4,67

Tabla 5. Distribuciones ajustadas de tiempo entre llegadas.

Tabla 6. Pruebas de Normalidad para tiempo entre Llegada

Pruebas de Bondad-de-Ajuste para tiempos entre Llegada

Erlang Exponencial Gamma Normal Uniforme

DMAS 0,00391379 0,0463271 0,0459065 0,121947 0,415644

DMENOS 0,233439 0,108572 0,0850867 0,102731 0,00884956

DN 0,233439 0,108572 0,0850867 0,121947 0,415644

Valor-P 0,00000896231 0,139353 0,390881 0,0694122 0,0

Tabla 8. Datos del modelo 1 Franjas de V5-6, S5-6, S6-7

Variable dependiente: tiempo entre Llegada M1

Total (Corr.) 48,6871 41

La tabla ANOVA descompone la varianza de tiempo entre Llegada M1 en dos