점심시간 카페 대기
점심시간에 시간당 20명이 카페에 방문하고, 바리스타가 시간당 25명을 처리합니다. 10분 이상 기다릴 확률을 계산하면 약 35%입니다.
평균 대기 시간은 약 9.6분(W_q = λ/[μ(μ-λ)] = 20/(25×5) = 0.16시간)이며, 급한 경우 다른 카페를 이용하는 것도 방법입니다.
대기열 확률
M/M/1 대기열 모델로 대기 시간 초과 확률을 계산합니다.
입력
명/시간
시간당 평균 도착 인원
명/시간
시간당 평균 처리 인원
분
이 시간을 초과할 확률을 계산
10분 초과 대기 확률
10분 초과 대기 확률 59.7109%
1 in 2
대기 초과 확률59.7%
- 평균 대기 시간25.0분평균적으로 기다리는 시간
- 시스템 이용률83.3%안정
1 in 2: 59.7109%
대기 시간별 초과 확률 (%)
차트 그리는 중…
풀이 보기
결과 공유하기
대기열 확률 계산기는 서비스 창구에서의 대기 시간이 특정 시간을 초과할 확률을 계산하는 도구입니다. 시간당 방문자 수(도착률)와 시간당 처리 인원(서비스율)을 입력하면 평균 대기 시간, 평균 대기열 길이, 시간 초과 확률 등을 알 수 있습니다. 은행 창구, 병원 접수, 카페 주문 대기 등 줄을 서야 하는 상황에서 "얼마나 기다려야 할까?"라는 궁금증을 수치로 확인할 수 있습니다. 대기열 이론의 M/M/1 모델을 기반으로 계산합니다. 서비스율이 도착률보다 낮으면 대기열이 무한히 늘어나는 불안정 상태를 경고하여, 창구 추가가 필요한 상황도 판단할 수 있습니다.
실생활 예시
이럴 때 이렇게 계산해요.
은행 창구 대기 예측
오전에 시간당 15명이 방문하고 창구 1곳에서 시간당 18명을 처리합니다. 5분 이상 대기 확률은 약 65%입니다.
평균 대기 시간은 약 16.7분(W_q = 15/(18×3) = 0.278시간)으로, 상당히 길므로 여유 시간을 충분히 확보하고 방문하세요.
병원 접수 대기 예측
오전 진료 시간에 시간당 25명 방문, 접수 처리 시간당 30명. 15분 이상 대기 확률은 약 31%. 평균 대기 시간은 약 10분입니다.
3명 중 1명은 15분 이상 기다립니다. 창구를 1개 추가하면 서비스율이 60명이 되어 평균 대기가 약 1분으로 급감합니다.
놀이공원 인기 놀이기구 대기
시간당 120명 탑승 가능, 시간당 150명 대기열 합류. 이용률 ρ=1.25로 불안정 상태. 대기열이 시간당 약 30명씩 증가합니다.
서비스율보다 도착률이 높아 대기열이 끝없이 늘어납니다. 패스트패스 도입이나 탑승 효율 개선(회전 시간 단축)이 필요한 상황입니다.
드라이브스루 주문 대기
시간당 40대 방문, 처리 시간당 50대. 5분 이상 대기 확률은 약 33%. 평균 주문 대기 시간은 약 4.8분.
이용률이 80%로 비교적 효율적이지만, 점심 피크에 도착률이 55대로 올라가면 평균 대기 시간이 약 14.4분으로 3배 증가합니다.
관련 계산기
같이 쓰면 좋아요. 옆으로 넘겨 보세요.
자주 묻는 질문
궁금한 거 모아 봤어요. 눌러서 펼쳐 보세요.
도착률과 서비스율은 어떻게 입력하나요?
시간당 평균 방문 인원수입니다. 예를 들어 점심시간에 카페에 시간당 30명이 오고 바리스타가 시간당 35명을 처리할 수 있다면 도착률 30, 서비스율 35를 입력합니다.
"불안정" 상태는 무슨 뜻인가요?
도착률이 서비스율 이상이면 처리 속도보다 사람이 빨리 쌓이므로 대기열이 끝없이 늘어납니다. 이 경우 창구를 추가하거나 처리 속도를 높여야 합니다.
여러 창구가 있는 경우에도 사용할 수 있나요?
이 계산기는 단일 창구(M/M/1) 모델입니다. 여러 창구가 있다면 서비스율에 전체 처리량을 입력하면 대략적인 참고가 됩니다. 예: 창구 3개 × 시간당 10명 = 서비스율 30.
이용률(ρ)이 무엇이고 왜 중요한가요?
이용률 ρ = 도착률/서비스율입니다. ρ가 1에 가까울수록 대기열이 급격히 길어집니다. ρ=0.8이면 평균 대기 시간이 ρ=0.5일 때의 3배입니다. ρ≥1이면 대기열이 무한히 증가하는 불안정 상태가 됩니다.
피크 시간대와 비피크 시간대를 따로 계산해야 하나요?
네, 시간대별로 도착률이 크게 다르므로 따로 계산하는 것이 정확합니다. 점심시간 도착률이 시간당 40명이고 오후 3시가 15명이면, 같은 서비스율에서도 대기 시간이 수배 차이 납니다.
대기열이 긴 가게는 항상 인기 있는 곳인가요?
대기열 길이는 인기(도착률)뿐 아니라 처리 속도(서비스율)에도 달려있습니다. 도착률 30명/시간에 서비스율 32명/시간인 곳이 도착률 10명에 서비스율 11명인 곳보다 대기열이 훨씬 깁니다. 이용률이 비슷하면 대기 경험도 비슷합니다.
대기 시간을 줄이려면 어떤 방법이 효과적인가요?
서비스율을 10% 올리는 것보다 창구를 1개 추가하는 것이 대기 시간 감소에 훨씬 효과적입니다. ρ=0.9일 때 서비스율 10% 향상 시 대기 시간 약 50% 감소, 창구 추가 시 약 80% 감소합니다. 또한 예약제 도입으로 도착률의 변동을 줄이면 대기열이 크게 단축됩니다.
계산 원리
대기열 확률은 M/M/1 모델(Markov/Markov/1 서버)을 기반으로 합니다. 도착이 포아송 과정(도착률 λ), 서비스 시간이 지수분포(서비스율 μ)를 따르는 단일 서버 시스템입니다. 이용률 ρ = λ/μ이며, ρ < 1이어야 안정 상태가 존재합니다.
안정 상태의 주요 지표: 평균 대기 시간 W_q = ρ / (μ - λ) = λ / [μ(μ - λ)], 평균 시스템 내 시간 W = 1 / (μ - λ), 평균 대기열 길이 L_q = ρ² / (1 - ρ), 시스템 내 평균 고객 수 L = ρ / (1 - ρ)입니다.
대기 시간이 t를 초과할 확률은 P(W_q > t) = ρ × e^(-μ(1-ρ)t)로 지수적으로 감소합니다. 리틀의 법칙(Little's Law) L = λW는 대기열 시스템의 보편적 관계식으로, 모델 가정과 무관하게 성립합니다.
사용 방법
도착률 입력
시간당 평균 방문(도착) 인원수를 입력합니다.
서비스율 입력
시간당 평균 처리 가능 인원수를 입력합니다.
최대 대기 시간 설정
확인하고 싶은 대기 시간 기준(분)을 입력합니다.
결과 확인
평균 대기 시간, 대기열 길이, 초과 확률을 확인합니다.
용어 사전
- M/M/1 모델
- 포아송 도착, 지수 서비스, 단일 서버의 기본 대기열 모형
- 도착률(λ)
- 단위 시간당 평균 도착(방문) 인원 수
- 서비스율(μ)
- 단위 시간당 평균 처리 가능 인원 수
- 이용률(ρ)
- 도착률/서비스율, 서버가 바쁜 비율. 1 이상이면 불안정
- 리틀의 법칙
- L = λW, 시스템 내 평균 고객 수 = 도착률 × 평균 체류 시간
- 포아송 과정
- 일정 시간 동안의 사건 발생 횟수가 포아송 분포를 따르는 과정
- 지수분포
- 다음 사건까지의 대기 시간이 따르는 확률 분포
- 안정 상태
- 대기열 길이가 일정 수준으로 유지되는 장기 균형 상태