Modelos de colas con distribuciones no exponenciales

Presentado Por: Barceló Margarita Caballero Edwin Castillo Rosmery

Modelos de colas con distribuciones no exponenciales
• Hasta ahora todos los modelos estudiados se basan en el proceso de nacimiento y muerte, lo que hace necesario que los tiempos entre llegadas como de servicio tengan distribuciones exponenciales. • Tienen muchas propiedades convenientes para la teoría de colas. • Solo cierto tipo de sistemas proporciona un ajuste razonable. • Se supone que el proceso de llegada ocurre al azar.

• Los modelos de colas se alejan más de la distribución exponencial cuando los requerimientos de servicio de los clientes son muy parecidos.• Los modelos de colas con distribuciones exponenciales no proporcionan un ajuste razonable cuando las llegadas están programas o reguladas con todo cuidado. .

Como siempre se supone que los clientes tienen tiempos de servicio independientes con la misma distribución de probabilidad. solo es necesario conocer (o estimar) la media 1/ y la varianza 2 de esta distribución. En realidad. pero no se imponen restricciones sobre cual debe ser esta distribución de tiempos de servicio. .Modelo M/G/1 • En este modelo se supone que el sistema tiene un servidor y un proceso de entrada de Poisson (tiempos entre llegadas exponenciales) con una tasa media de llegadas fija .

Formulas del modelo M/G/1 0 = 1 − 2 + 2 + 2 = 2(1 − ) = + = 1 = + .

no solo en su velocidad promedio. aumenta. . • Observe que para cualquier tiempo de servicio esperado fijo 2 1/. . . se incrementan cuando Este resultado es importante porque indica que la congruencia del servidor tiene gran transcendía en el desempeño de la instalación de servicio. en honor de dos pioneros del desarrollo de teoría de colas que dedujeron la formula de manera independiente a principios de la década de 1930.• La ecuación de con frecuencia recibe le nombre de formula de Pollaczek-Khintchine.

75 0. DATOS: • λ= 9 autos / horas = 0.Modelo M/G/1: ejemplo Un lava carro puede atender un auto cada 5 min.15 autos/ minutos • = 12 ℎ = 0. La tasa media de llegadas es de 9 autos/hora.2 • = 2 • = λ / = = 0. Obtenga las medidas de desempeño de acuerdo con el modelo M/G/1. con una desviación estándar de 2 min.15 = 0.2 / .

75  2.145 hrs  8.7 min .31 clientes 2(1   ) Ws  Wq  Wq  Lq 1   0.7 min   0.31  .228 hrs  13.Modelo M/G/1: ejemplo Ls  Lq    1.06 clientes 2 2   2 Lq   1.

Modelo M/D/S • Tiene la misma rutina que el servidor realiza para todos los clientes • Supone que todos los tiempo de servicio son iguales a una constante fija • Tiene un proceso de entradas Poisson con tasa media de llegadas fijas λ. el modelo M/D/1 es un caso especial del modelo M/G/1 en donde 2 . • Cuando solo se tiene un servidor.

Formulas del modelo M/D/1 Ls  Ws Ws  Wq  1 Lq   2   1 2(1   ) Lq Wq   .

Obtenga las medidas de desempeño de acuerdo con el modelo M/D/1. y la media es de 12 autos/hora. .Ejemplo M/D/1 • Un lava carro puede atender un auto cada 5 min. La tasa media de llegadas es de 9 autos/hora.

75 .2 / = 0.15 / 0.15 Carros/ minutos  = 0.Solución: DATOS  λ= 9 Carros / horas = 0.

752 = = 1.5 + 0.2 .0.125 2(1 − 0.5 = 1.5 = 0.15 cl/ 1 = 12.5 min = 7.125 = 7.15 ∗ 12.875 1.75) = 0.

0 < σ < 1/ entre ellas la distribución de Erlang (llamada así en honor del fundador de la teoría de colas).Modelo M/ /S • M  Tiempos entre llegadas exponencial •  tiempos de servicio Erlang • s  s servidores Existen dos distribuciones que representan puntos extremos. . La distribución exponencial Tiempo de servicio constante Pero entre ellos existe una distribución intermedia donde caen la mayor parte de las distribuciones de tiempos de servicio reales.

la suma de distribuciones exponenciales independientes) • Erlang es una distribución de probabilidad continua con dos parámetros K y λ son parámetros estrictamente positivos k esta restringido a valores enteros.Modelo M/ /S • = Distribución Erlang o gama del tiempo (o de forma equivalente. • La función de densidad de probabilidad para la distribución Erlang es : .

. 1 . el tiempo total de servicio tendrá una distribución de Erlang. . . son k variables aleatorias independientes con una distribución idéntica. 2 . y no solo una. Sin embargo. . . por ejemplo. realizadas por el servidor. Una distribución de Erlang con parámetros y k. .. . . 2 . .. suponga que 1 . cuya media =1/(k). La presentación de la distribución exponencial sugiere que el tiempo requerido para realizar cierto tipo de tareas podría tener una distribución exponencial. . = k La suma de Variable exponenciales Con media de 1/(k) es igual a una Variable aleatoria Erlang siempre y cuando es tiempo de realización de cada una de las tareas sea el mismo.. 3 . . el servicio total solicitado por un cliente puede incluir una secuencia de k tareas. este seria el caso. . si el servidor debiera realizar la misma tarea exponencial k veces para cada cliente. Si las tareas respectivas tienen una distribución exponencial idéntica de su duración. 1/(k) 1/(k) ……… 1/(k) 2 .Modelo M/Ek/S La distribución de Erlang es muy importante en teoría de colas por dos razones. . 1/(k) 1 . .

Formula del modelo M/ /S formula de Pollaczek-Khintchine con 2 = 1/(k2 ) (y los resultados correspondientes dados por M/G/1) se obtiene las siguientes formulas .

15 autos/ minutos • = 12 ℎ = 0.15 = 0. Suponga que su desviación es de  = 3.5 min • Obtenga las medidas de desempeño de acuerdo con el modelo M/Ek/1 DATOS • λ= 9 autos / horas = 0.2 / .Ejemplo del modelo M/ /1 • Un lava carro puede atender un auto cada 5 min. la tasa media de llegadas es de 9 autos/hora.75 0.2 • = 2 • = λ / = = 0.

6825 clientes .Solución del modelo M/ /1 + (∗ ) = (−) = 1.

(G/M/s) = no impone restricciones para los tiempos de llagadas y tiempos de servicios.Modelos Sin Entrada Poisson • Dispone de tres modelos de este tipo siempre que los tiempos de servicios tenga distribución exponencial con un parámetro fijo. (D/M/s)= se supone que todos los tiempos entre llegadas son iguales a una constante fija ( /M/s)= supone una distribución Erlang para los tiempos entre llegadas que maneja el espacio intermedio entre llegadas regulares programadas y completamente aleatoria. .

donde < 1/ en todos los casos excepto cuando = 1 (distribución exponencial) • Distribuciones tipo fase. su desviación estándar es más grande que su media 1/. cada una con distribución exponencial. en estas distribuciones encontramos a las distribuciones erlangianas generalizadas estas distribuciones se obtienen mediante el desglose del tiempo total en cierto numero de fases. donde los parámetros de estas distribuciones exponenciales pueden ser diferentes y las fases pueden ser ya sea en serie o en paralelo Un grupo de fases en paralelo significa que el proceso elige al azar una de las fases cada vez.Otros modelos • Distribución hiperexponencial. contrario a la distribución de Erlang. de acuerdo con probabilidades especificadas Otro caso especial es la distribución de Erlang. si bien solo permite valores no negativos. . que tiene la restricción de que todas sus k fases están en serie y de que tienen el mismo parámetro de sus distribuciones exponenciales. Cuando se eliminan estas restricciones se obtiene mayor flexibilidad en las distribuciones tipo fase para ajustarse a la distribución real de los tiempos entre llegadas o de servicio en los sistemas de colas en estudio.