Aproximación de Kingman (G/G/1)
Cuando las distribuciones no son exponenciales. El impacto devastador de la variabilidad.
1 servidor
General/General
Variabilidad
Aproximación
¿Por qué importa la variabilidad?
Los modelos M/M/1 y M/M/c asumen distribuciones exponenciales, que tienen coeficiente de variación cv = 1. En la realidad:
- Procesos regulares (producción automatizada): cv < 1
- Procesos aleatorios (llegadas humanas): cv ≈ 1
- Procesos con alta variabilidad (fallas, retrabajos): cv > 1
Insight clave: La variabilidad "mata" las colas. A igual ρ, mayor variabilidad = mayores colas y esperas.
Fórmula de Kingman
$$W_q \approx \left(\frac{\rho}{1-\rho}\right) \cdot \left(\frac{c_a^2 + c_s^2}{2}\right) \cdot E[S]$$
Donde:
- ρ = λ/μ = factor de utilización
- ca² = coeficiente de variación al cuadrado de las llegadas
- cs² = coeficiente de variación al cuadrado del servicio
- E[S] = 1/μ = tiempo medio de servicio
Componentes de la fórmula
| Componente |
Fórmula |
Significado |
| Factor de congestión |
$\frac{\rho}{1-\rho}$ |
Efecto de la carga (explota cerca de ρ=1) |
| Factor de variabilidad |
$\frac{c_a^2 + c_s^2}{2}$ |
Promedio de variabilidades |
| Escala de tiempo |
$E[S]$ |
Unidad de tiempo (tiempo medio de servicio) |
Coeficiente de variación (cv)
$$c_v = \frac{\sigma}{\mu} \quad \Rightarrow \quad c_v^2 = \frac{\text{Var}(X)}{E[X]^2}$$
| Distribución |
cv² |
Descripción |
| Determinista (D) |
0 |
Sin variabilidad (constante) |
| Erlang-k |
1/k |
Variabilidad reducida |
| Exponencial (M) |
1 |
Variabilidad "estándar" |
| Hiperexponencial |
> 1 |
Alta variabilidad |
| Lognormal |
variable |
Puede ser muy alta (colas pesadas) |
Calculadora Kingman G/G/1
Impacto de la variabilidad
Wq para diferentes combinaciones de ca² y cs²
Efecto de la carga
Métricas para diferentes valores de ρ
Ejemplo: Comparación D/D/1 vs M/M/1 vs alta variabilidad
Mismo ρ = 0.8, mismo tiempo medio de servicio. ¿Qué pasa con diferentes variabilidades?
| Modelo |
ca² |
cs² |
Factor variabilidad |
Wq relativo |
| D/D/1 |
0 |
0 |
0 |
0x |
| D/M/1 |
0 |
1 |
0.5 |
0.5x |
| M/M/1 |
1 |
1 |
1 |
1x (referencia) |
| M/G/1 (alta var.) |
1 |
2 |
1.5 |
1.5x |
| G/G/1 (muy alta) |
2 |
2 |
2 |
2x |
Conclusión: Reducir la variabilidad (ca² y cs²) es tan efectivo como aumentar la capacidad. Un proceso determinista (D/D/1) teóricamente no tiene cola si ρ < 1.
Aplicaciones prácticas
Para reducir colas, puedes:
- Reducir ρ: Añadir capacidad (más servidores, más rápidos)
- Reducir ca²: Suavizar llegadas (citas, reservas, rate limiting)
- Reducir cs²: Estandarizar el servicio (entrenamiento, automatización)
Lean manufacturing: La filosofía de "reducir variabilidad" está en el corazón del lean. Kingman explica matemáticamente por qué funciona.
Limitaciones de Kingman
Es una aproximación:
- Funciona mejor para ρ alto (0.5 - 0.95)
- Es exacta solo para M/M/1 (ca²=cs²=1)
- Para ρ bajo o cv² muy alto, puede subestimar o sobreestimar
- Solo para un servidor (c=1)
Para múltiples servidores con variabilidad general, existen aproximaciones más complejas (Allen-Cunneen, Whitt), pero Kingman da la intuición correcta.