INTRODUCCIN:

Una lnea de espera es el efecto resultante en un sistema cuando la demanda de un

servicio supera la capacidad de proporcionar dicho servicio. Este sistema est formado
por un conjunto de entidades en paralelo que proporcionan un servicio a las
transacciones que aleatoriamente entran al sistema. Dependiendo del sistema que se
trate, las entidades pueden ser cajeras, mquinas, semforos, gras, etctera, mientras
que las transacciones pueden ser: clientes, piezas, autos, barcos, etctera. Tanto el
tiempo de servicio como las entradas al sistema son fenmenos que generalmente tienen
asociadas fuentes de variacin que se encuentran fuera del control del tomador de
decisiones, de tal forma que se hace necesaria la utilizacin de modelos estocsticos que
permitan el estudio de este tipo de sistemas.
Una lnea de espera puede modelarse como un proceso estocstico en el cual la variable
aleatoria se define como el nmero de transacciones en el sistema en un momento dado;
el conjunto de valores que puede tomar dicha variable es {O, 1, 2,. . ., N} y cada uno de
ellos tiene asociada una probabilidad de ocurrencia.

Para este proyecto de teora de colas, se decidi tomar una muestra de 30 datos en un
intervalo de 10 minutos para la tasa de llega de clientes en una caja de ahorro,
1

cooperativa Santiaguito, y 30 datos para el tiempo de servicio obteniendo los

siguientes valores:
Muestra:
INTERVALO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

CLIENTESX10MIN
3
2
4
4
2
1
2
2
4
1
2
1
1
2
3
4
1
4
4
2
3
4
3
3
1
4
2
3
4
2

TIEMPO SERV
1,5
1,55
2,36
2,4
1,51
2,1
2,17
2,04
2,4
5
1,23
1,06
1
1,5
2,2
1,5
3,2
2,1
2,53
1,08
2,33
1,56
1,15
2,4
1,2
4,15
3,06
3,59
1,2
2,2

Ya con la muestra procedimos a realizar las pruebas de bondad de ajuste para

determinar la distribucin que siguen los datos, suponemos que siguen una distribucin
poisson para la tasa de llegada y una distribucin exponencial para el tiempo de
servicio.

Prueba de bondad de ajuste Ji-Cuadrada

La prueba se puede sintetizar en los siguientes pasos.
1. Se colocan los n datos histricos (mustrales) en una tabla de frecuencia de la
siguiente manera:
a. Se busca en cuantos intervalos de clases se puede distribuir los datos en
estudio lo cual se puede hacer m = n o alternativamente es muy comn utilizar
las encontrar el nmero de intervalos se aplica la regla de sturges: m =1+3,3 log
n
donde n es el nmero de datos
b. Luego encontramos el rango el cual es la diferencia entre el mayor valor y el
menor valor.
R=Xmax-Xmin
c. Amplitud de cada intervalo est dado por:
A=

RANGO
NUMERO DE INTERVALOS

d. se obtienen las frecuencias observadas en cada intervalos se calcula la media.

2. Se propone una distribucin de probabilidad una distribucin de probabilidad de
acuerdo con la tabla de frecuencia o con la curva que muestre un histograma o
polgono de frecuencia.
3. Con la distribucin propuesta, se calcula la frecuencia esperada para cada uno de
los intervalos (FEi) de la siguiente manera:
Si la variable es continua se halla mediante la integracin de la distribucin
propuesta y luego se multiplica por el nmero total de datos.
Si la variable es continua se utiliza de modelo matemtico de la distribucin
propuesta y se evalan todas las categoras y luego se multiplica por el
nmero total de datos.
4. Se calcula el estadstico de prueba:
m
2
( FEiFOi)
C=
FEi
i=1
Nota: El estadstico de prueba tiene distribucin Chi cuadrado con, m-k-1 grados
de libertad, siempre que las frecuencias esperadas sean 5 o ms para todas las
categoras
5. Si el estimador C es menor o igual al valor correspondiente X2 con m-k-1
grados de libertad (K= nmeros de parmetros estimados de la distribucin
propuesta estimada por los estadsticos mustrales) y a un nivel de confiabilidad
de 1-a, entonces no se puede rechazar la hiptesis de que los datos siguen la
distribucin que se propuso.

Prueba de bondad de ajuste de una distribucin Poisson

Primeramente realizamos un histograma de los datos obtenidos:

Histograma
10
8
6
Frecuencia

Frecuencia

4
2
0
1

4 y mayor...

Clase

Se distribuyen los datos segn el nmero de clientes que llegan en el intervalo

establecido, se determina su frecuencia observada (FO), al multiplicar estos valores,
obtener su sumatoria y dividirlo entre el total de datos obtenemos .
k

i=1

( k fo )
n

Ya contando con nuestro parmetro procedemos a obtener la probabilidad poisson

para cada nmero de clientes, la cual se multiplica por el total de datos y as obtenemos
la frecuencia esperada.
Funcin de probabilidad:
e x
p ( x )=
x!
Frecuencia esperada:
FE= p( x ) n

En las pruebas de bondad de ajuste con el valor de chi cuadrada, la ho no se rechaza si

la frecuencia esperada (FE) es muy cercana a la frecuencia observada (FO).
POISSON
No.CLIENTES FO PROB. POISSON
1
6 0,1931
2
9 0,2510

FE
5,7933
7,5313
4

3
4

6 0,2176
9 0,3383
30
2,6 clientes/min

6,5272
10,1482

Para obtener el valor de chi cuadrada se calcula la sumatoria de la resta a FO el valor de

FE, se eleva al cuadrado el resultado y se divide entre FE de cada nmero de clientes.
Se calcula el estadstico de prueba:
m

C=
i=1

( FEiFOi)
FEi

El valor obtenido se compara con el valor de tablas de la chi 2, con el valor de alfa
establecido y con los grados de libertad respectivos.
M=nmero de parmetros estimados ()
K=cantidad de categoras
G.L

K-M-1
K=
M=

2
4
1

=
X0,05,2=

0,05
5,9915

Ho: EL NUMERO DE LLEGADAS SIGUE UNA DISTRIBUCIN

POISSON
Ha: EL NUMERO DE LLEGADAS NO SIGUE UNA DISTRIBUCIN
POISSON
DECISIN
CHI
CUADRADA 0,46624787

NO
RECHAZO

Para nuestra prueba tenemos que la Ho no se rechaza por lo tanto la tasa de llegada
sigue una distribucin de probabilidad Poisson.
En el programa promodel podemos observar lo anteriormente calculado, donde se tiene
que la Ho no se rechaza:

Prueba de bondad de ajuste para una distribucin exponencial:

Primeramente realizamos el histograma correspondiente

Histograma
14
12
10
8
6
4
2
0

13
6

Frecuencia

Clase
Frecuencia

Siguiendo los pasos al principio mencionados obtenemos la tabla de frecuencias:

EXPONENCIAL
No.CLASE

LIM.INF

1
1,6666666
7
2,3333333
3

2
3
4

3
3,6666666
7
4,3333333
3

No.CLASE
S
RANGO
AMPLITU
D
n

5,9188137
8
4
0,6666666
7
30

LIM.SUP

Frecuenci
a

LIM.SUPA
1,6566666
1,666666667 7
2,3233333
2,333333333 3

Clase
1,6566666
7
2,3233333
3

2,99
3,6566666
3,666666667 7
4,3233333
4,333333333 3

2,99
3,6566666
7
4,3233333
3

Dmax
Dmin

5
1

13
6

3
1

Dado que para la prueba Ji-Cuadrada existe la condicin de que las frecuencias
observadas sean mnimo 5 reagrupamos nuestros datos, y calculamos la FE
Para esto calculamos lambda:
k

i=1

( mk f )
n

Y el valor esperado:
=

CALCULO DE
Marca
clase
17,268
1,328
3
1,995

11,97

2,662
4

15,97
20
2,1736
1

=
LIMITE
t=
AMPL.INT
ER

0,4600
6
0,95
6,5115
6
1,6278
9

Calculo del estadstico:

t

F ( x )=1e
t=

ln ( 1limite)

Despus t se divide entre el nmero de clases para obtener los intervalos de tiempo:
intervalo de tiempo=

t
No . clases

intervalo de tiempo=

6.501156
=1.6252
4

FE=F ( X )n

No.CLAS LIM.IN LIM.SU

E
F
P
1,6566
1
1
6
1,666 2,3233
2
67
3
2,333
3
33
2,99

FO
ABS.

5
30

13
6
6

FO
INTER.D. EST.AC
REL
T
U
0,433
0,5271
3
1,62789 29
0,7763
0,2
3,25578 93
0,8942
0,2
4,88367 63
0,166
6
6,51156 1
1

ESTA.I
N
0,5271
3
0,2492
6
0,1178
7
0,1057
4

FE
15,8
1
7,47
7
3,53
6
3,17
2

Ya teniendo la FE, se calcula el estadstico de prueba:

m

( FEiFOi)
C=
FEi
i=1

Nuestras hiptesis:
Ho: EL NUMERO DE LLEGADAS SIGUE UNA DISTRIBUCIN
EXPONENCIAL
Ha: EL NUMERO DE LLEGADAS NO SIGUE UNA
DISTRIBUCIN EXPONENCIAL
G.L K-M-1 2
K=
M=

4
1

=
0,05
X0,05,2
=
5,9915

DESICIN
3,5629
Ji-CUADRADA 1
NO RECHAZO
La Ho no se rechaza por lo tanto los datos obtenidos siguen una distribucin
exponencial.
Promodel:

TEORA DE COLAS
Como se demostr anteriormente la tasa de llegada sigue una distribucin poisson y la
tasa de servicio una distribucin exponencial por lo que para aplicar teora de colas a
estos datos utilizaremos un modelo (M/M/K) ya que tenemos 2 servidores los cuales
ofrecen el mismo tipo de servicio, y tasa de llegada con una distribucin poisson y tasa
de servicio con una distribucin exponencial que son requisitos para utilizar este
modelo.
Los parmetros obtenidos deben estar en las mismas unidades para continuar con los
clculos:
=2.6

clientes
10 minutos

=0.4600639

2.6
clientes
=0.26
10
minuto

clientes
minuto

Ya que tenemos ambos parmetros en las mismas unidades procedemos aplicar teora de
colas:

1. Probabilidad de que no haya unidades en el sistema.

P 0=

+
n! k !

()

1
0

0,26
0,26
0,46
0,46
+
0!
2!

( )

( ( 2)((2)(0,46)
0,46 )0,26 )

0,81793745*100=81,79%
2. Promedio de unidades que tendr que esperar en la cola.

Lq=

()

0,26
0,46

( k 1 ) ! (k)2

Po

( )

( 21 ) ! ( ( 2 ) (0,46)0,26)2

Po=

0,01361689clientes
3. Numero promedio de unidades en el sistema.
Ls=Lq+

0,013+

0,26
= 0,57875578clientes
0,46

4. Tiempo promedio que la unidad pas en la lnea de espera.

Wq=

Lq

0,013
= 0,26 = 0,05237267minutos

5. Numero promedio que una unidad pasa en el sistema.

Ws=Wq +

1
= 0,052+ 0,46 = 2,22598378minutos

6. Probabilidad de que una unidad que llega no tenga que esperar hacer atendida.
1
Pw=
k!

( )(

2 ) ( 0,46 )
0,81
( ) ( ( 2) ((0,46
)0,26 )

k
1 0,26
P 0=
k
2! 0,46

=0,18206255*100=18,21%

7. Probabilidad de que haya n unidades en el sistema.

Pn=

P1=

( ) P0

Si n <= K

n!

0,26
0,46

( ) 0,81

=0,46224826*100=46,22%

1!

10

P2=

0,26
0,46

( ) 0,81

= 0,13061723*100=13,06%

2!

8. Probabilidad de que haya n unidades en el sistema.

Pn=

P3=

()
K!K

(nk)

0,26
0,46

P0

SI n >K

( ) 0,81

=0,03690844*100=3,69%

(32)

2! 2

0,26
0,46

(
) 0,81
P 4=
2! 2

=0,0104292*100=1,04%

(42)

En resumen:
P0=
Lq=
Ls=
Wq=
Ws=
Pw=
P1=
P2=
P3=
P4=

0,8179374
5
0,0136168
9
0,5787557
8
0,0523726
7
2,2259837
8
0,1820625
5
0,4622482
6
0,1306172
3
0,0369084
4
0,0104292

81,79%
Clientes
Clientes
Minutos
Minutos
18,21%
46,22%
13,06%
3,69%
1,04%

CONCLUSION:
11

Con el trabajo expuesto queda en evidencia que la Teora de Colas es un instrumento

que aporta las soluciones para encontrar el punto preciso donde no exista lentitud en el
servicio que se presta.
Esta Teora es una herramienta que utiliza frmulas analticas limitadas por suposiciones
matemticas cuya finalidad es contribuir con datos importantes. Finalmente se puede
agregar que la Teora de Colas contribuye con informacin fundamental para la toma de
decisiones cuando existe informacin que se puede ver alterada por distintos factores, y
es ah donde las caractersticas de la lnea de espera son vitales.

12