Calculadora de Teoría de Colas (M/M/1, M/M/c, M/M/1/K)

Qué hace la teoría de colas

La teoría de colas es la matemática de las líneas de espera, y responde las preguntas que todo gerente de operaciones enfrenta cuando las llegadas son aleatorias y el servicio toma tiempo: qué tan larga es la fila, cuánto esperan las personas y qué tan ocupados están los servidores.

A partir de tres entradas, la tasa a la que llegan los clientes, la tasa a la que trabaja cada servidor y el número de servidores, deriva los promedios de largo plazo que describen el sistema: el número en espera, el número en el sistema, el tiempo de espera y la utilización de los servidores.

Esos números convierten la vaga sensación de que “la fila es demasiado larga” en una base cuantificada para decidir cuántos servidores, sillas o canales necesita un sistema.

La lección central y a menudo contraintuitiva del campo es que las colas se forman mucho antes de que un sistema esté plenamente cargado, porque las llegadas y los tiempos de servicio varían.

Una caja que en principio podría atender a cada cliente si llegaran parejos igual forma fila, porque en la realidad los clientes se agrupan y algunos servicios se alargan. Conforme la utilización sube hacia el máximo, la espera promedio no crece con suavidad sino que se dispara, y por eso un sistema operado a tope es un sistema con una cola enorme.

Entender esa relación no lineal, y planear capacidad sobrante deliberada por ella, es lo que separa una operación de servicio bien llevada de una perpetuamente atrasada.

Este calculador implementa los tres modelos que un ingeniero encuentra primero, escritos en la notación estándar de Kendall. M/M/1 es un solo servidor con llegadas aleatorias (Poisson) y servicio variable (exponencial). M/M/c extiende eso a varios servidores que comparten una cola, con la fórmula de Erlang C en el corazón del dimensionamiento de centros de llamadas.

M/M/1/K agrega una capacidad finita, así que las llegadas se rechazan cuando el sistema está lleno. Elige un modelo, ingresa las tasas y la herramienta devuelve la utilización, el número promedio en cola y en sistema, la espera y el tiempo promedio en el sistema, la probabilidad de que una llegada tenga que esperar y, para el modelo finito, la probabilidad de bloqueo.

También grafica cómo crece la cola con la utilización y marca el caso inestable donde la cola crecería sin límite. Todo corre en tu navegador y nada de lo que ingresas se guarda.

Cómo funciona este calculador, paso a paso

Empieza eligiendo el modelo. Usa M/M/1 para un solo servidor, M/M/c cuando varios servidores comparten una línea de espera y M/M/1/K cuando el sistema solo puede contener un número limitado de clientes y rechaza al resto. Los campos de entrada se ajustan al modelo: el número de servidores aparece para M/M/c, y la capacidad aparece para M/M/1/K. El calculador abre con un ejemplo M/M/1 para que veas un resultado completo y correcto antes de cambiar nada.

Luego ingresa las dos tasas en unidades consistentes. La tasa de llegadas lambda es cuántos clientes llegan por unidad de tiempo, y la tasa de servicio mu es cuántos podría completar un servidor por unidad de tiempo si nunca estuviera ocioso. Ambas deben usar la misma unidad de tiempo, por hora, por minuto, por día, y los resultados regresan en esa unidad: una espera calculada con tasas por hora está en horas. Para M/M/c ingresa también el número de servidores, y para M/M/1/K el máximo que el sistema puede contener. La herramienta recalcula en vivo mientras escribes.

El panel de resultados encabeza con el número promedio en el sistema y lista el conjunto completo de métricas: la utilización, el número promedio en cola y en sistema, la espera promedio en cola y el tiempo total en el sistema, la probabilidad de que el sistema esté vacío y la probabilidad de que una llegada tenga que esperar. Para el modelo finito agrega la probabilidad de bloqueo y la tasa de llegadas efectiva, la porción realmente admitida.

El gráfico muestra cómo trepa la longitud promedio de la cola conforme sube la utilización, con tu punto de operación actual marcado, para que el estallido no lineal cerca de la utilización plena sea visible de un vistazo. Si ingresas tasas que desbordan un sistema de capacidad infinita, la herramienta lo reporta como inestable en vez de devolver un número sin sentido. Descarga un PDF o CSV o comparte el resultado; todo ocurre de forma local.

La notación de Kendall y los tres modelos

Los modelos de colas se etiquetan en notación de Kendall, un código compacto de la forma A/B/c/K donde A es el proceso de llegadas, B es la distribución del tiempo de servicio, c es el número de servidores y una K opcional es la capacidad del sistema. La letra M, de markoviano o sin memoria, denota llegadas de Poisson en la primera posición y tiempos de servicio exponenciales en la segunda; estos son los supuestos que hacen los modelos resolubles en forma cerrada, y representan un nivel específico y bastante alto de variabilidad. Leer la notación te dice de inmediato qué supone un modelo, por lo que vale la pena conocerla aun si solo usas los tres casos más comunes.

M/M/1, un servidor, es el punto de partida y el modelo detrás de gran parte de la intuición: a partir de la sola razón entre la tasa de llegadas y la de servicio da cada métrica en formas cerradas simples.

M/M/c generaliza a varios servidores idénticos que toman de una sola cola compartida, el arreglo de un centro de llamadas o una fila de cajeros, y su fórmula de Erlang C captura la eficiencia crucial del agrupamiento: una cola compartida que alimenta a muchos servidores espera mucho menos que los mismos servidores cada uno con su fila privada.

M/M/1/K limita el número en el sistema, modelando una sala de espera o un búfer limitado, y como puede rechazar llegadas introduce una probabilidad de bloqueo y sigue siendo estable aun bajo carga alta. Juntos estos tres cubren la gran mayoría de las preguntas de capacidad de primera instancia, y este calculador cambia entre ellos desde un solo control.

Cinco ejemplos resueltos que puedes seguir

Ejemplo 1: el valor por defecto de un servidor

El calculador abre en M/M/1 con una tasa de llegadas de 8 y una tasa de servicio de 10 por unidad de tiempo. La utilización es 0.8, así que el único servidor está ocupado el 80 por ciento del tiempo. El número promedio en el sistema es 4, con 3.2 de ellos esperando en la cola; el tiempo promedio en el sistema es 0.5 unidades de tiempo, de las cuales 0.4 se pasan esperando. Nota que al 80 por ciento de utilización el servidor ya carga una cola de más de tres, consecuencia directa de la variabilidad, y el gráfico muestra cuánto más empinado se vuelve el ascenso justo pasado este punto.

Ejemplo 2: agregar un segundo servidor

Cambia a M/M/c y pon dos servidores con las mismas tasas, llegadas 8 y servicio 10 cada uno. La capacidad total ahora es 20 contra una carga de 8, así que la utilización cae a 0.4 y la cola casi desaparece: la espera promedio baja a una pequeña fracción de una unidad de tiempo. Este es el efecto de agrupamiento en acción, e ilustra por qué la pregunta correcta rara vez es “¿puede un servidor con el promedio?” sino “¿cuántos servidores mantienen la espera aceptable?”, ya que el segundo servidor rinde mucho más de lo que cuesta una vez contado el costo de esperar.

Ejemplo 3: la trampa de la utilización

Mantén M/M/1 y sube la tasa de llegadas de 8 a 9 con la tasa de servicio todavía en 10. La utilización sube solo de 0.8 a 0.9, un modesto cambio del diez por ciento en la carga, pero el número promedio en el sistema salta de 4 a 9 y la espera más que se duplica. Esta es la trampa no lineal en el corazón del tema: cerca de la utilización plena, un pequeño aumento de la demanda produce un gran aumento de la demora. Es la razón de que sistemas que se sienten bien al 80 por ciento se caigan al 90, y de que la capacidad sobrante no sea desperdicio sino seguro.

Ejemplo 4: una sala de espera finita

Cambia a M/M/1/K con llegadas 8, servicio 10 y una capacidad de 5. Ahora como máximo cinco clientes pueden estar en el sistema y quien llegue cuando está lleno es rechazado. La herramienta reporta una probabilidad de bloqueo, la fracción de llegadas perdidas, y una tasa de llegadas efectiva, la fracción realmente admitida, y calcula las métricas de cola para quienes entran. A diferencia del modelo infinito, este se mantiene estable aun si empujas la tasa de llegadas por encima de la de servicio, porque el tope impide que la cola crezca sin límite; el precio de la estabilidad son clientes rechazados.

Ejemplo 5: un sistema inestable

Vuelve a M/M/1 y pon la tasa de llegadas en 10 con una tasa de servicio de 8. Ahora la demanda supera la capacidad, la utilización es 1.25 y no hay estado estable: la cola crece para siempre. El calculador lo reporta como inestable en vez de devolver un número, porque cualquier respuesta finita sería falsa. La solución es una de tres palancas, agregar un servidor, acelerar el servicio o limitar el sistema con el modelo finito, y ver que la herramienta se niegue a inventar un número es en sí la lección de que no puedes atender más de lo que tu capacidad permite.

Tres consejos de experto para dimensionar la capacidad

Por qué se forman filas por debajo de la capacidad plena

La idea individual más importante de la teoría de colas es la forma de la curva que relaciona la demora con la utilización, y es la razón de que el campo exista. Conforme la utilización rho sube desde valores bajos, la cola promedio crece despacio al principio, luego se dobla bruscamente hacia arriba, tendiendo a infinito cuando rho se acerca a uno.

Para el modelo de un servidor el número promedio en espera es proporcional a rho al cuadrado dividido entre uno menos rho, y es ese uno-menos-rho en el denominador lo que impulsa el estallido: al ochenta por ciento de utilización el denominador es 0.2, al noventa es 0.1, al noventa y cinco es 0.05, así que cada paso hacia la carga plena aproximadamente vuelve a duplicar la espera.

El calculador dibuja esta curva para tu modelo y marca dónde estás en ella, lo que a menudo persuade más que cualquier número aislado.

Las consecuencias prácticas son grandes y con frecuencia ignoradas. Un gerente que ve un servidor ocupado el ochenta por ciento del tiempo puede razonar que hay un veinte por ciento de holgura y empujar más trabajo, solo para hallar la cola triplicándose cuando la utilización pasa al noventa. El modelo mental correcto es el opuesto: los últimos incrementos de utilización son extraordinariamente caros en demora, así que el rango útil de operación termina mucho antes de la carga plena.

Por eso los centros de llamadas asignan personal a un objetivo de espera en vez de al punto de equilibrio de utilización, por eso las autopistas se atascan a un flujo muy por debajo de su máximo teórico, y por eso una fábrica operada al cien por ciento de capacidad acumula un enorme trabajo en proceso. La capacidad sobrante es el precio de las colas cortas, y la curva muestra exactamente cuánta debes mantener para tener la espera donde la quieres.

Leer la curva, no solo el promedio, es lo que convierte la teoría de colas de un conjunto de fórmulas en una disciplina de planeación.

La Ley de Little: la identidad que lo une todo

Bajo todas estas métricas subyace una relación única y notablemente general conocida como la Ley de Little: el número promedio de elementos en un sistema estable es igual a la tasa de llegadas promedio multiplicada por el tiempo promedio que un elemento pasa en el sistema, escrito L = lambda por W, con la misma relación Lq = lambda por Wq para la cola sola. Lo que la hace poderosa es su generalidad: vale para esencialmente cualquier sistema de colas estable, sin importar el patrón de llegadas, la distribución de servicio, el número de servidores o la disciplina de cola. No es una propiedad de los supuestos M/M; es una ley de conservación sobre el flujo.

La ley es la razón de que este calculador pueda moverse con tanta libertad entre conteos y tiempos, y de que solo necesites conocer un par de las cantidades para recuperar el resto. Si puedes observar cuántos clientes hay en un sistema en promedio y qué tan rápido llegan, puedes inferir el tiempo promedio que pasan sin cronometrar a nadie directamente, un truco usado constantemente en la práctica para medir tiempos de entrega difíciles de observar.

También conecta la teoría de colas con el resto de operaciones: la misma identidad, expresada como inventario igual a rendimiento por tiempo de flujo, gobierna el trabajo en proceso en un piso de fábrica y es la columna vertebral de las herramientas lean y de cadena de suministro en otras partes de esta red.

Reconocer que las métricas de líneas de espera y las de inventario son la misma ley con otra ropa es una de las ideas unificadoras de la administración de operaciones, y significa que una intuición construida aquí se transfiere directo a esos otros dominios.

Dimensionar servidores: asignar personal a un objetivo de servicio

El uso real más común de estas fórmulas es decidir cuántos servidores proveer, y el método es calcular una medida de servicio para varios números de servidores y elegir el menor que cumple un objetivo.

El objetivo suele plantearse como una promesa de tiempo de espera o una probabilidad de espera, por ejemplo que la espera promedio se mantenga bajo un minuto, o que no más del veinte por ciento de las llegadas tenga que esperar.

Como la probabilidad de espera de Erlang C y la espera promedio caen ambas de forma empinada al agregar servidores cerca de la alta utilización, el cálculo típicamente produce una respuesta clara en vez de un intercambio al filo: un servidor es inservible, otro es cómodo y un tercero rinde poco.

Dos refinamientos importan en la práctica. Primero, la demanda rara vez es constante: las tasas de llegadas oscilan por hora del día y temporada, así que el personal correcto es un calendario que sigue la curva de llegadas, calculado aplicando el modelo a cada periodo en vez de a un promedio diario, ya que promediar esconde los picos donde se forman las colas.

Segundo, la decisión es en última instancia económica: cada servidor tiene un costo, y esperar también tiene un costo, sea en clientes perdidos, máquinas ociosas o tiempo pagado, y el mejor personal minimiza la suma de los dos. El modelo de colas aporta el lado de la espera de esa ecuación para cualquier nivel de personal, así que puedes contraponer el costo de los servidores contra el costo de la demora y elegir el mínimo.

Así es exactamente como se dimensionan los centros de llamadas, las urgencias y las cuadrillas de mantenimiento, y el mismo modelo M/M/c que corre este calculador es el motor dentro de las herramientas especializadas de gestión de personal que lo hacen a escala.

Dónde muerden los supuestos sin memoria

Los modelos M/M descansan en dos supuestos que vale la pena entender antes de confiar en sus números. Las llegadas de Poisson significan que los clientes llegan de forma independiente al azar, con la propiedad sin memoria de que la probabilidad de una llegada en el siguiente instante no depende de cuánto ha pasado desde la última.

Esto ajusta bien a muchas situaciones, llamadas a un gran centro, clientes a una tienda concurrida, fallas en una gran flota de máquinas, porque el agregado de muchas fuentes independientes se acerca a Poisson.

Ajusta mal cuando las llegadas están programadas, en lotes o fuertemente correlacionadas, como un sistema de citas o un transporte que descarga a un montón a la vez, donde el patrón real de llegadas es mucho más regular o mucho más agrupado que Poisson.

Los tiempos de servicio exponenciales son el supuesto más burdo. La propiedad sin memoria implica que un servicio ya en curso no tiene más probabilidad de terminar pronto que uno recién empezado, y que los servicios cortos son comunes mientras algunos ocasionales se alargan mucho.

El servicio real suele ser más consistente que eso, un escaneo, una transacción, un paso de maquinado que toma casi el mismo tiempo cada vez, y cuando el servicio es más regular que exponencial la cola verdadera es más corta de lo que predice el modelo M/M.

Esto significa que el resultado M/M es en general conservador: tiende a sobreestimar la cola cuando el servicio es regular, así que usarlo para dimensionar capacidad yerra por el lado seguro.

Cuando importa la precisión, el modelo M/G/1 relaja la distribución de servicio a cualquiera con media y varianza conocidas, y la fórmula de Pollaczek-Khinchine muestra la cola encogiéndose conforme baja la variabilidad del servicio, llegando a cerca de la mitad de la cola M/M cuando el servicio es perfectamente constante.

Para un dimensionamiento inicial los modelos M/M que aporta este calculador son la herramienta estándar y por lo general suficiente, y saber que se inclinan a lo conservador es parte de usarlos bien.

Errores comunes a evitar

Un puñado de errores se repite y distorsiona las decisiones de líneas de espera. Vigílalos.

• Unidades de tiempo mezcladas. Las tasas de llegadas y de servicio deben compartir una unidad de tiempo. Mezclar cifras por hora y por minuto produce en silencio una espera muy equivocada.
• Modelar servidores compartidos como colas separadas. Varios servidores en una cola (M/M/c) esperan mucho menos que los mismos servidores cada uno con su fila. Separarlos tira el beneficio de agrupamiento.
• Planear para la utilización plena. Como la demora se dispara cerca de ρ = 1, dimensionar para la carga promedio exacta garantiza una cola larga. Asigna personal a un objetivo de espera con capacidad sobrante.
• Usar un promedio diario para un día con picos. Promediar llegadas sobre un día esconde los picos donde las colas de verdad se forman. Aplica el modelo a cada periodo ocupado por separado.
• Confiar en un número de un sistema inestable. Si la utilización está en o por encima de uno en un modelo infinito, no hay estado estable y cualquier cifra finita es falsa. Agrega capacidad o usa el modelo finito.
• Olvidar el tiempo de servicio en W. El tiempo total en el sistema incluye el servicio mismo, no solo la espera. Confundir W con Wq subestima o sobreestima según cuál necesites.
• Suponer servicio exponencial sin verificar. Si el servicio es mucho más regular que exponencial, la cola real es más corta; la estimación M/M es conservadora, segura para dimensionar pero pesimista para fijar expectativas.

Dónde encaja este modelo en las herramientas

La teoría de colas responde las preguntas de capacidad y espera que otras herramientas de operaciones dan por dadas. El hub de Investigación de Operaciones la agrupa con los demás modelos estocásticos y de optimización por esa razón.

Donde la calculadora de programación lineal optimiza una asignación bajo restricciones fijas, la teoría de colas te dice cuánto necesita ser en realidad una de esas restricciones, la capacidad de servicio, para mantener la espera aceptable, así que las dos son complementarias: las colas dimensionan el recurso, la optimización lo asigna.

Cuando un sistema se mueve entre estados discretos en el tiempo en vez de solo formar una fila, el modelo de cadenas de Markov generaliza el mismo razonamiento probabilístico.

Más allá de este silo, las métricas de líneas de espera conectan directo con las herramientas de flujo e inventario por la Ley de Little, que es la misma identidad ya sea que cuente clientes en una cola o trabajo en proceso en una línea.

Las ideas de tiempo de entrega y rendimiento en los silos lean y de cadena de suministro son ideas de colas en otro vocabulario, y la variabilidad que impulsa las colas es la misma que el stock de seguridad amortigua.

En un sentido amplio, cualquier lugar donde el trabajo espera, llamadas en espera, pacientes en una sala, trabajos ante una máquina, piezas ante el ensamble, es una cola, y los modelos aquí son el núcleo cuantitativo de gestionarlos todos. Vuelve al hub de Investigación de Operaciones para el conjunto completo de modelos.

Erlang y el origen del campo

La teoría de colas tiene un lugar de nacimiento preciso: la Compañía Telefónica de Copenhague en los años alrededor de 1909, donde un joven ingeniero danés llamado Agner Krarup Erlang se propuso responder cuántos circuitos necesitaba una central telefónica para que quienes llamaran rara vez encontraran todas las líneas ocupadas.

Su análisis de llamadas que llegan al azar y retienen líneas por tiempos variables produjo las primeras fórmulas de colas, incluidas las de pérdida y demora que aún llevan su nombre, y fundó toda una disciplina.

La unidad de tráfico ofrecido, el erlang, lleva su nombre, como también la fórmula de Erlang C que usa este calculador para la demora multiservidor y la fórmula de Erlang B para sistemas que bloquean en vez de encolar.

El campo creció desde ese origen telefónico hasta una teoría general de la congestión aplicable mucho más allá de las comunicaciones. La misma matemática que dimensionaba centrales ahora asigna personal a centros de llamadas y hospitales, dimensiona redes de cómputo y granjas de servidores, distribuye cajas y casetas de peaje, y programa el mantenimiento de máquinas, porque todas comparten la estructura de llegadas aleatorias que encuentran servicio limitado.

La teoría de colas se sitúa dentro del campo más amplio de los procesos estocásticos y conecta con las cadenas de Markov, de las cuales los modelos M/M son un caso especial, pero su atractivo perdurable es práctico: con tres números convierte la experiencia universal de esperar en algo que puedes predecir y diseñar.

Que las fórmulas centenarias de Erlang sigan siendo las herramientas de trabajo de la planeación de capacidad en tantas industrias es un testimonio de qué tan bien la abstracción captura la cosa real.

De las observaciones a un modelo: medir tus tasas

Un modelo es tan bueno como las dos tasas que le das, y acertarlas es el trabajo práctico que rodea la aritmética.

La tasa de llegadas es la más fácil de las dos: cuenta las llegadas durante un tramo de tiempo representativo y divide entre su duración, cuidando que el tramo de verdad sea representativo y no un promedio que mezcle una mañana tranquila con un mediodía frenético.

Como las colas se forman en los picos, no en la media diaria, la práctica correcta es partir el día en periodos donde la tasa de llegadas sea más o menos estable, una hora o media hora, y modelar cada uno por separado; un solo promedio diario subestimará mucho las colas pico y te llevará a proveer de menos justo cuando duele.

La tasa de servicio requiere más cuidado, porque debe ser la tasa que un servidor logra mientras de verdad trabaja, no el rendimiento de todo el sistema ni diluida por el tiempo ocioso o los descansos.

Cronometra una muestra de servicios desde el momento en que empieza el trabajo hasta que termina, promedia esas duraciones e invierte: un tiempo de servicio medio de seis minutos es una tasa de servicio de diez por hora. Mantén las unidades idénticas a la tasa de llegadas.

Vale la pena cronometrar suficientes servicios para ver su dispersión, porque esa dispersión es lo que el supuesto exponencial está sustituyendo, y si hallas que el servicio es notablemente consistente sabes que la estimación M/M correrá conservadora y la cola real será algo más corta.

Dos verificaciones previenen la mayoría de los errores de modelado. Primero, confirma que el sistema es genuinamente estable antes de confiar en cualquier número del modelo infinito: la capacidad total de servicio, la tasa de servicio por el número de servidores, debe superar la tasa de llegadas, o la herramienta con razón reportará el sistema como inestable.

Segundo, contrasta el resultado con la realidad si puedes observarla: si el modelo dice que la fila promedio es dos pero rutinariamente ves diez, o las tasas están mal medidas, o las llegadas son mucho más agrupadas que Poisson, o se está promediando un periodo de sobrecarga. El modelo es una lente, no un oráculo, y comparar su predicción con lo que de verdad puedes ver es como aprendes si sus supuestos ajustan a tu sistema lo bastante para planear sobre él.

Un piloto corto, medir tasas por una semana, modelar cada periodo y luego contrastar la cola predicha con la observada, es tiempo bien invertido antes de que cualquier decisión de capacidad dependa de los números.

Formato de entrada y referencia rápida

Elige un modelo, luego ingresa la tasa de llegadas y la tasa de servicio por servidor en la misma unidad de tiempo; agrega el número de servidores para M/M/c o la capacidad para M/M/1/K. Todo resultado basado en tiempo regresa en la unidad que usaste para las tasas. La referencia de abajo resume las métricas que devuelve el calculador.

Preguntas frecuentes

Fuentes, aviso legal y transparencia editorial

Este calculador implementa las fórmulas estándar de colas M/M/1, M/M/c (Erlang C) y M/M/1/K de la teoría de procesos estocásticos fundada por A. K. Erlang. Este calculador y esta guía son creados y revisados por el equipo de OpsCalculators; consulta nuestra Política Editorial para saber cómo se investiga, construye y prueba cada herramienta.

Los resultados son estimaciones precisas para planeación y educación, no asesoría de ingeniería certificada, y suponen llegadas de Poisson y servicio exponencial; cuando el servicio es marcadamente más regular que exponencial la cola verdadera es más corta, así que trata las cifras como conservadoras. Valida contra tus propios datos antes de comprometer capacidad. Consulta nuestro Aviso Legal completo. OpsCalculators.com es operado por MAFHH INTERNATIONAL LTD. Tus datos se procesan en tu navegador y nunca se guardan; consulta nuestra Política de Privacidad.