Cargando aplicación...
Preparando tu experiencia meskeIA
Analiza sistemas de espera con métricas completas: utilización, longitud de cola y tiempos de espera
Promedio de clientes que llegan por hora
Promedio de clientes atendidos por hora
Esta calculadora es una herramienta educativa para analizar sistemas de colas M/M/1:
Descubre conceptos clave, fórmulas y aplicaciones prácticas
La Teoría de Colas es una rama de la investigación operativa que estudia los sistemas de espera. Se aplica cuando hay clientes que llegan a un servicio y deben esperar si el servidor está ocupado.
Los sistemas se clasifican con la notación A/S/c, donde:
M/M/1 significa: llegadas Poisson, servicio exponencial, 1 servidor.
Para que el sistema sea estable, la tasa de llegadas debe ser menor que la tasa de servicio:
ρ = λ/μ < 1
Si ρ ≥ 1, la cola crece indefinidamente y el sistema colapsa.
Una de las fórmulas más importantes de la teoría de colas es la Ley de Little:
L = λ × W
El número promedio de clientes en el sistema es igual a la tasa de llegadas multiplicada por el tiempo promedio en el sistema.
Situación: Una ventanilla de banco recibe 5 clientes por hora (λ=5) y puede atender 8 clientes por hora (μ=8).
Elegir el modelo correcto es fundamental. Cada modelo tiene supuestos distintos y produce resultados diferentes. Usa esta tabla para identificar cuál se ajusta a tu sistema real.
| Modelo | Llegadas | Servicio | Servidores | Capacidad | Uso típico | Fórmula Lq |
|---|---|---|---|---|---|---|
| M/M/1 | Poisson | Exponencial | 1 | Infinita | Cajero único, impresora de oficina | ρ² / (1 - ρ) |
| M/M/c | Poisson | Exponencial | c ≥ 2 | Infinita | Call center con 5 agentes, banco con 3 ventanillas | Erlang C × ρ / (c(1-ρ/c)) |
| M/D/1 | Poisson | Determinista | 1 | Infinita | Línea de montaje automatizada, semáforos con ciclo fijo | ρ² / (2(1 - ρ)) |
| M/G/1 | Poisson | General | 1 | Infinita | Soporte técnico con tiempos de resolución variables | ρ² (1 + Cs²) / (2(1 - ρ)) |
| M/M/1/K | Poisson | Exponencial | 1 | K máx. | Buffer de router con límite, sala de espera con aforo | Suma finita de estados P(n)·(n-1) |
| M/M/c/K | Poisson | Exponencial | c ≥ 2 | K máx. | Urgencias hospitalarias con camas limitadas (K=20, c=5) | Erlang B + estados intermedios |
La teoría de colas se aplica en sectores muy distintos. Estos son ejemplos reales con parámetros concretos que puedes reproducir directamente en la calculadora.
Tip: Con M/M/1 la cola colapsa. Usa M/M/5 y comprueba que Wq < 20 s con Erlang C.
Tip: Si el coeficiente de variación del paquete > 1, usa M/G/1 para no subestimar Lq.
Tip: Modela cada nivel de triaje como una cola separada con prioridad no expulsiva.
Tip: Mide la distribución real de latencia antes de asumir servicio exponencial.
Respuestas directas a las dudas más habituales al aplicar la teoría de colas en proyectos reales.
Es la notación de Kendall A/S/c. La primera M indica que las llegadas siguen un proceso de Poisson (intervalos exponenciales). La segunda M indica que el tiempo de servicio es también exponencial. El 1 es el número de servidores. Por tanto, M/M/1 es el modelo más simple: un solo servidor con ambas distribuciones memoryless.
ρ = λ/μ es la fracción del tiempo que el servidor está ocupado (utilización). Si ρ = 0,75, el servidor trabaja el 75% del tiempo. Cuando ρ se acerca a 1, las métricas se disparan de forma no lineal: con ρ = 0,9 la cola es 9 veces mayor que con ρ = 0,5. Este comportamiento hiperbólico es el motivo por el que pequeñas mejoras en capacidad producen grandes reducciones en espera.
Una cola colapsa cuando ρ ≥ 1 (λ ≥ μ). La longitud de la cola tiende a infinito porque llegan más clientes de los que se pueden atender. Para evitarlo: (1) aumentar la tasa de servicio μ reduciendo el tiempo medio de atención, (2) añadir servidores pasando de M/M/1 a M/M/c, (3) limitar la capacidad con M/M/1/K rechazando clientes cuando se supera K, o (4) reducir λ con prioridades o reservas.
Lq es el número medio de clientes esperando en la cola (sin contar al que está siendo atendido). Wq es el tiempo medio que un cliente espera en la colaantes de ser atendido. Están relacionados por la Ley de Little: Lq = λ × Wq. Si Lq = 2 clientes y λ = 5 clientes/hora, entonces Wq = 0,4 horas = 24 minutos.
L = λ × W relaciona el número medio en el sistema con el tiempo medio y la tasa de llegadas. Aplicación práctica: si observas que hay de media 10 personas en una sala de espera (L=10) y llegan 20 por hora (λ=20), puedes calcular que cada persona espera W = L/λ = 0,5 h = 30 min, sin necesidad de conocer la distribución del servicio.
Si la tasa de llegadas total es λ y cada servidor tiene capacidad μ, necesitas al menos c = ceil(λ / (0,8 × μ)) servidores. Ejemplo: λ = 40 llamadas/hora, μ = 15 llamadas/hora por agente → c = ceil(40 / 12) = ceil(3,33) = 4 agentes. Con 4 agentes, ρ por agente = 40/(4×15) = 0,667, que está por debajo del umbral de 0,8.
El coeficiente de variación Cs = σ/μ_s mide la variabilidad relativa del tiempo de servicio (desviación típica / media). Si Cs = 1 el servicio es exponencial (M/M/1). Si Cs = 0 el servicio es determinista (M/D/1, con Lq exactamente la mitad que M/M/1). Si Cs > 1 la variabilidad es alta y M/G/1 con la fórmula de Pollaczek-Khinchine dará Lq mayor que M/M/1.
Existen cuatro estrategias sin aumentar capacidad: (1) Reducir la variabilidad del servicio: pasar de Cs=1,5 a Cs=0,5 puede reducir Lq hasta un 50%. (2) Implementar prioridades: atender primero a clientes de mayor valor sin coste adicional. (3) Suavizar la demanda: redirigir llegadas a horas valle con incentivos. (4) Aumentar el autoservicio: delegar tareas simples al cliente (check-in online, FAQ automatizado).
Sigue este proceso de 7 pasos para aplicar la teoría de colas a cualquier sistema real, desde un call center hasta un servicio web con alta concurrencia.
Registra el número de clientes/solicitudes por unidad de tiempo durante al menos 2 semanas. Identifica picos diarios y semanales. Ejemplo: un e-commerce recibe 240 pedidos/hora en hora punta (18:00–20:00) → λ = 240/hora = 4/minuto. Elige la unidad de tiempo consistente para todo el análisis.
Registra la duración de al menos 100 atenciones individuales. Calcula la media y la desviación típica. Si el tiempo medio es 3 minutos, μ = 20 clientes/hora. Calcula también Cs = σ / media para elegir el modelo correcto.
Con un servidor: ρ = λ/μ. Con c servidores: ρ = λ/(c·μ). Si ρ ≥ 1 el sistema no puede absorber la carga; necesitas más capacidad antes de continuar. Objetivo inicial: ρ < 0,8 para tener margen ante variaciones.
Si Cs ≈ 1 y un solo servidor → M/M/1. Si hay varios servidores → M/M/c. Si el servicio es casi constante (Cs < 0,3) → M/D/1 (Lq 50% menor). Si hay límite de capacidad (sala de espera, buffer) → M/M/1/K o M/M/c/K. Usa la tabla comparativa de arriba para decidir.
Para M/M/1: Lq = ρ²/(1-ρ) y Wq = Lq/λ. Para M/M/c usa la fórmula de Erlang C para obtener la probabilidad de espera y luego Wq = P(espera) / (c·μ - λ). Expresa Wq en las unidades que tengan sentido para el negocio (segundos, minutos).
Compara Wq con el objetivo de tiempo de espera. Ejemplo: SLA = 2 minutos, Wq calculado = 3,8 minutos → el sistema no cumple. Calcula el número de servidores c necesario para que Wq < 2 min. Prueba c = 2, 3... hasta que se cumpla el SLA con ρ razonable (< 0,85).
Propón el número de servidores óptimo, la reducción de variabilidad de servicio o la redistribución de la demanda. Valida los resultados ejecutando la simulación de eventos discretos integrada en esta calculadora. Compara la utilización real observada con la teórica (ρ). Una diferencia < 5% confirma la validez del modelo.
Principios que aplican ingenieros y operadores experimentados para obtener sistemas eficientes sin sobredimensionar recursos ni comprometer la experiencia del usuario.
Con ρ = 0,8 la cola media es 4 veces la del sistema al 50%. Diseña con margen: si tu carga media es 70%, puedes absorber picos del 25% sin colapso. En sistemas críticos (urgencias, tráfico de red) baja el umbral a ρ < 0,70.
Calcula siempre el coeficiente de variación Cs del tiempo de servicio. Si Cs = 1,5 en lugar de 1,0 y usas M/M/1, subestimarás Lq en un 37%. Con Cs = 0,5 (servicio más regular) sobreestimarás y malgastarás recursos. Mide primero, modela después.
Un sistema con 3 servidores compartidos (M/M/3) produce colas más cortas que 3 colas independientes con un servidor cada una. La cola común elimina el desequilibrio de carga. Ejemplo: call center con cola única vs. 3 colas por agente → Wq se reduce hasta un 40%.
Las colas con prioridades (M/G/1 con prioridad no expulsiva) permiten reducir el tiempo de espera de clientes de alto valor sin añadir servidores. Si el 20% de clientes aportan el 80% del ingreso, priorizarlos reduce su Wq a menos de la mitad sin perjudicar significativamente al resto.
No uses un único λ diario: modela por franjas de 30 minutos. Un restaurante con λ medio = 20 clientes/hora puede tener λ = 60 clientes/hora entre 13:30 y 14:30. Dimensiona para el pico o implementa recursos variables (personal por turnos, auto-escalado en cloud).
Estandarizar los procesos de servicio (scripts, automatización parcial) puede reducir Cs de 1,5 a 0,8 y disminuir Lq en un 30–40% sin contratar más personal. En sistemas web, usar timeouts y circuit breakers estabiliza μ y evita el efecto cascada cuando un servicio se degrada.