Professional Documents
Culture Documents
Integrantes:
Jessica Abril
Cristian Camas
Jhonny Carchi
11 de junio de 2018
Facultad de Ingeniería.
Ingeniería de Tráfico.
Tema
Teoría de colas
Objetivo General
El objetivo principal de la Teoría de colas es equilibrar los costes de capacidad del servicio y el “coste”
de una espera larga.
Objetivos específicos
OBJETIVO
El objetivo principal de la Teoría de colas es equilibrar los costes de capacidad del servicio y el “coste” de una
espera larga.
La Teoría de colas es únicamente un modelo de comportamiento del trafico que se ve todos los días
EJEMPLO DE COLAS
Un ejemplo de una cola es: cuando se va a comprar un boleto para viajar, si existen pocas personas para
ser atendidas, será una cola pequeña; sin embargo, si hay un gran número de personas esperando ser
atendidas será una cola muy grande. Ahora bien, el número de servidores dependerá de cuantas personas
están atendiendo y el cliente será la persona que quiere comprar el boleto, el número de servidores podrá
ser de 1 hasta infinito. A continuación, se muestra el ejemplo de una cola con un único servidor y con
dos servidores.
Tipo de Distribución
Las distribuciones de entrada y salida, también conocidas como distribuciones de llegada y retiro, determinan los
modelos por los cuales los clientes entran y salen. La característica 1 y 2, como puede observarse, se le hace referencia
a lo que es el tiempo entre llegadas y el tiempo de servicio, éstos también son conocidos como patrones.
Canal de servicio
El canal de servicio no es más que el proceso que realiza el servicio para el cliente, de manera complementaria, el canal
de servicio puede ser un canal en serie, paralelo o mixto, es decir una combinación de ambas. La diferencia entre el
canal en serie y el paralelo es el número de clientes que pueden ser atendidos de manera simultánea. Así pues, se
pueden atender varios clientes al mismo tiempo en un canal paralelo, sin embargo, en un canal en serie los clientes
tendrán que pasar por todos los canales hasta obtener el servicio.
Disciplina de servicio
Es una regla para seleccionar clientes de la línea de espera al inicio del servidor
Fuente
También conocida como población representa un factor importante en el análisis de teoría de colas ya que el modelo
de llegadas depende de la fuente de donde provienen los clientes.
NOTACION DE KENDALL
Kendall fue un matemático el cual propuso que un sistema podrá ser notado de la siguiente manera,
A/B/X/Y/Z/V, donde:
TIPOS DE COLAS
Existe diferentes tipos de colas, pero veremos principalmente tres casos específicos, ya que estos son
la base del modelo
1) M/M/1
2) M/M/1/K
3) M/M/C
1) M/M/1
- Se tiene un sistema de llegadas que se producen según un proceso de Poisson de razón , donde los
tiempos entre llegadas estarán distribuidos exponencialmente.
Donde es el número de llegadas de peticiones de servicio por unidad de tiempo
- Los tiempos entre servicios son distribuidos de manera exponencial µ
Donde es el número medio de paquetes que el servidor es capaz de atender por unidad de tiempo
- Se posee un único servidor en el sistema
- La capacidad del sistema es infinita, la cual se puede omitir
- Se tiene un estado de servicio igual a uno, es decir una sola cola, el cual se puede omitir
Para este tipo de sistema, se define la intensidad de tráfico, también conocida como factor de utilización, como:
1
Las probabilidades de estado estable existen y están determinadas por:
n 1 n
Donde
n = Probabilidad de que haya n paquetes en el sistema.
2) M/M/1/K
- Se tiene un sistema de llegadas que se producen según un proceso de Poisson de razón , donde los
tiempos entre llegadas estarán distribuidos exponencialmente.
Donde es el número de llegadas de peticiones de servicio por unidad de tiempo
- Los tiempos entre servicios son distribuidos de manera exponencial µ
Donde es el número medio de paquetes que el servidor es capaz de atender por unidad de tiempo
- Se posee un único servidor en el sistema
- La capacidad del sistema es finita, esta expresada por la constante K
- Se tiene un estado de servicio igual a uno, es decir una sola cola, el cual se puede omitir
En este sistema debe de considerarse que se está limitando el número de paquetes que van a poder entrar a la cola, es decir si la
cola estuviera llena los paquetes que llegaran después serían rechazados. La ventaja que tiene este tipo de sistemas es que no se
necesita utilizar una condición de no saturación debido a que la capacidad es limitada y por ello se encuentra siempre en un
estado estable, sin importar cuál sea el valor de .
Donde:
3) M/M/C
- Se tiene un sistema de llegadas que se producen según un proceso de Poisson de razón , donde los
tiempos entre llegadas estarán distribuidos exponencialmente.
Donde es el número de llegadas de peticiones de servicio por unidad de tiempo
- Los tiempos entre servicios son distribuidos de manera exponencial µ
Donde es el número medio de paquetes que el servidor es capaz de atender por unidad de tiempo
- El número de servidores en el sistema de denotará con la constante c
- La capacidad del sistema es infinita.
- Se tiene un estado de servicio igual a uno, es decir una sola cola, el cual se puede omitir
Este sistema al igual que el sistema M/M/1 presenta una capacidad del sistema infinita por lo cual se establece una condición de
no saturación para alcanzar el estado estable, ya que de esta manera se cuida que el número de paquetes no crezca
indefinidamente. Para este software sólo se ocuparán colas que no se saturan, por lo que la condición será la siguiente
1
donde se tiene que se calcula así:
Donde
= Intensidad de tráfico en el sistema,
= Número medio de llegadas por unidad de tiempo,
c = Número de servidores en el sistema, y
µ= Número medio de paquetes que el servidor es capaz de atender por unidad de tiempo.
Donde
0 = Probabilidad de que no existan paquetes en el sistema,
n = Paquetes en el sistema, y
Pn = Probabilidad de que haya n paquetes en el sistema
Un proceso estocástico es una familia de variables aleatorias X(t) donde t es un parámetro índice
(típicamente temporal). Tres son las características definitorias de un proceso estocástico:
El espacio de estados, o conjunto de posibles valores (estados) de las variables aleatorias X(t), que
puede ser un conjunto discreto (y en ese caso el proceso estocástico se denomina habitualmente
cadena) o un conjunto continuo.
El parámetro índice (tiempo), que puede tomar valores en un conjunto discreto (y se tiene entonces
un proceso de parámetro —tiempo— discreto) o continuo (y se tiene entonces un proceso de parámetro
—tiempo— continuo). En el primer caso, es habitual referirse al proceso estocástico como secuencia
aleatoria y representarla usando Xn en lugar de X(t).
Y, por último, la más importante de todas, que es la relación entre las variables aleatorias de la familia.
En general, para caracterizar un proceso estocástico hay que especificar la función de distribución
conjunta de todas las variables aleatorias de la familia.
Un proceso de Markov es un proceso estocástico en el que el estado siguiente depende única y
exclusivamente del estado actual; y si el espacio de estados del proceso es discreto suele denominarse, como
ya hemos dicho, cadena de Markov. A continuación, definimos una cadena de Markov.
Se dice que una secuencia estocástica {Xi, i = 1, 2, . . .} de espacio de estados discreto X es una cadena de
Markov si para todo valor de n y para cualesquiera x1, . . ., xn+1 ∈ X se cumple que:
𝑃(𝑋𝑛+1 = 𝑥𝑛+1 | 𝑋𝑛 = 𝑥𝑛 , 𝑋𝑛−1 = 𝑥𝑛−1 , . . . , 𝑋1 = 𝑥1 ) =
𝑃(𝑋𝑛+1 = 𝑥𝑛+1 | 𝑋𝑛 = 𝑥𝑛 )
La propiedad anterior, que define a una cadena de Markov, suele denominarse propiedad markoviana.
Y en virtud de esta propiedad tenemos una secuencia aleatoria en la que la dependencia se extiende hacia atrás
en el tiempo una sola unidad.
La expresión P (Xn+1 = j | Xn = i) se denomina probabilidad de transición en un paso y es la probabilidad
condicional de que se produzca una transición del estado i en el instante de tiempo n al estado j en el instante
de tiempo n + 1.
Si ocurre, como vamos a suponer de ahora en adelante, que las probabilidades de transición son independientes
del valor de n, entonces se tiene una cadena de Markov invariante con el tiempo (u homogénea), y en ese caso
se representará por Pij la probabilidad de transición en un solo paso
del estado i al estado j,
P𝑖𝑗 = P(X 𝑛+1 = j | X𝑛 = i)
(𝑛)
De manera análoga, se puede definir la probabilidad de transición en n pasos, que representaremos por 𝑃𝑖𝑗 ,
como la probabilidad de que un proceso que está en el estado i llegue al estado j tras n transiciones, es decir,
n instantes de tiempo más tarde. Esto es,
(𝑛)
𝑃𝑖𝑗 = P(X𝑚+𝑛 = j | X 𝑚 = i), n > 0, i, j ∈ X
Aplicaciones
Internet: El pagerank de una página web (usado por Google en sus motores de búsqueda) se define a
través de una cadena de Márkov, donde la posición que tendrá una página en el buscador será
determinada por su peso en la distribución estacionaria de la cadena.
Simulación: Las cadenas de Márkov son utilizadas para proveer una solución analítica a ciertos
problemas de simulación, por ejemplo, en teoría de colas el Modelo M/M/14 es de hecho un modelo
de cadenas de Márkov.
Juegos de azar: El modelo de la ruina del jugador, (Gambler's ruin), que establece la probabilidad de
que una persona que apuesta en un juego de azar finalmente termine sin dinero, es una de las
aplicaciones de las cadenas de Márkov en este rubro.
Economía y finanzas: Las cadenas de Márkov se pueden utilizar en modelos simples de valuación de
opciones para determinar cuándo existe oportunidad de arbitraje, así como en el modelo de colapsos
de una bolsa de valores o para determinar la volatilidad de los precios.
2. CALCULOS, RESULTADOS O COMPROBACION
Consideremos una Fuente de Markov de segundo orden con un alfabeto binario S= {0,1}, Supongamos
que las probabilidades condicionales son:
P (0/00) = P (1/11) = 0.8
P (1/00) = P (0/11) = 0.2
P (0/01) = P (0/10) = P (1/01) = P (1/10) =0.5
Por ser q igual a 2 y haber supuesto la fuente de Markov de segundo orden, tendremos cuatro estados
diferentes, 00, 01, 10, 11.
Los cuatro estados vienen representados por cuatro puntos. Las transiciones posibles, mediante flecha entre
estado y estado, indicándose sobre cada una de ellas la probabilidad asociada.
Procesos de Nacimiento y Muerte
La suposición de que las entradas y las salidas del sistema ocurran según un proceso de nacimiento y muerte es
común en la mayor parte de los modelos elementales de colas. Este proceso explica cómo varía el estado del sistema,
N(t), al aumentar t. En este contexto se entiende nacimiento como la llegada de un nuevo cliente al sistema y muerte
como la salida de un cliente después de recibir el servicio.
Supuestos:
Dado N(t) = n, la distribución de probabilidad actual del tiempo que falta para el próximo nacimiento es exponencial
con parámetro λn.
Dado N(t) = n, la distribución de probabilidad actual del tiempo que falta para la próxima muerte es exponencial con
parámetro µn.
Las variables aleatorias del supuesto 1 y del supuesto 2 son independientes. La siguiente transacción del estado será:
Tomamos estos supuestos, el proceso es un tipo especial de cadena de Markov de tiempo continuo.
Los parámetros λn y µn son tasas medias en la distribución exponencial, en ocasiones estos valores serán
constantes para toda n pero en otros casos variaran con en la ilustración 1, que se expone el diagrama de tasas, en este
las flechas se representan las únicas transiciones posibles en el estado del sistema.
Considerando cualquier estado n, se cuenta el número de veces que el sistema entra en ese estado y el número de veces
que se sale de él. Así
𝐿𝑛 (𝑡) = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 𝑒𝑙 𝑝𝑟𝑜𝑐𝑒𝑠𝑜 𝑠𝑎𝑙𝑒 𝑑𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑛 ℎ𝑎𝑠𝑡𝑎 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡
Puesto que estos eventos deben ser alternativos, estos dos números será iguales o se diferenciaran en una unidad.
|𝐸𝑛 (𝑡) − 𝐿𝑛 (𝑡)| ≤ 1
Dividiendo estos valores entre t se obtiene la tasa real (número de entrada o salida por unidad de tiempo), y si t
tiende a infinito se obtiene la tasa media (número esperado de eventos por unidad de tiempo). Se llega de este modo a:
𝐸𝑛 (𝑡) 𝐿𝑛 (𝑡)
lim | − |=0
𝑡→∞ 𝑡 𝑡
Este resultado lleva a la conclusión de que las tasas medias de entrada son iguales a las tasas medias de salida.
Las ecuaciones que se expresan este principio son llamadas ecuaciones de balance y se ven recogidas en la ilustración
2.
El procedimiento para resolver las ecuaciones no es otro que despejar todas las variables en términos de una de
ellas, siendo la más conveniente 𝑃0 . El requisito de que la suma de las probabilidades debe ser igual a 1 se puede usar
para evaluar 𝑃0 , obteniéndose la ilustración 3.
Ilustración 3. Probabilidades
𝑃𝑛 = 𝐶𝑛 × 𝑃0
El requisito ∑ 𝑃𝑛 = 1 implica que (∑ 𝐶𝑛 )𝑃0 = 1 o lo que es lo mismo 𝑃0 = (∑∞
𝑛=0 𝐶𝑛 )
−1
Estos resultados son de estado estable pues al aplicar el limite cuanto t tiende a infinito no alejamos todo lo
posible del momento inicial y se desarrolla bajo el supuesto de los parámetros 𝜆𝑛 y 𝜇𝑛 tiene valores con los cuales el
proceso puede alcanzar la condición de estado.
Modelo de nacimiento puro
En el modelo de nacimiento puro los clientes llegan y nunca parten. Los procesos de llegada ocurren de
manera aleatoria. P0(t) = Probabilidad de que no hayan llegadas en un espacio de tiempo t.
Ejemplo
Suponga que los nacimientos en un país están separados en el tiempo, de acuerdo con una distribución
exponencial, presentándose un nacimiento cada 7 minutos. a) Calcule la cantidad de nacimientos que se registraran en
un año. b) Calcule la probabilidad de emitir 50 actas de nacimiento en 3 horas cuando ya se emitieron 40 en las dos
anteriores del periodo.
Calculamos la tasa
24 ∗ 60 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝜆= = 205.7
7 𝑑𝑖𝑎
𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝜆 = 205.7 ∗ 365 = 77080
𝑎ñ𝑜
Hallamos la probabilidad
24 ∗ 60
𝜆= =8
3 ∗ 60
(𝜆𝑡)𝑛 𝑥𝑒 −𝜆𝑡
𝑃0 =
𝑛!
(8𝑥1)10 𝑥𝑒 −8𝑥1
𝑃0 = = 0.0992
10!
CONCLUSIONES
Para un administrador de un sistema o consencionario que preste servicios es de suma importancia lograr
establecer los patrones que gobiernan un sistema de colas, con la finalidad de poder tomar decisiones
anticipadas, para de esta manera poder brindar un óptimo servicio a sus clientes o usuarios.
La finalidad de la teoría de colas no es la optimización, más bien su ayuda es importante al momento de
analizar el comportamiento de los usuarios que realizan peticiones generando un sistema de colas en busca de
un servicio.
Mediante esta consulta se llegó a la conclusión que una cadena de Markov es un proceso estocástico que nos
sirve para predecir la evolución y el comportamiento de un sistema, un proceso estocástico debe cumplir la
propiedad markoviana para que este sea considerado una cadena de Markov, este proceso es muy utilizado en
juegos de azar, en economía, finanzas incluso en internet por el pagerank de Google el cual es el motor de
búsqueda y gracias a este proceso el pagerank da un rango a cada página web existente dependiendo de las
palabras de búsqueda.
BIBLIOGRAFIA
Abramson, N., & Miguel Menoyo, J. (1986). Teoría de la Información y Codificacion (pp. 35-37). Madrid:
Paraninfo.
Auben. (n.d.). Auben. networking for people. Retrieved Junio 11, 2018, from
http://www.auben.net/index.php/tecnologias/calidad-de-servicio-qos
Drake, J. (2018). Diseño y Evaluación de Configuraciones. 23.
PÁEZ, G. K., & AMAYA, J. C. (2011, Mayo 29). Algoritmos de gestión de tráfico:. Retrieved from:
http://www.scielo.org.co/pdf/tecn/v15n29/v15n29a08.pdf