Você está na página 1de 68

REPASO

Modelos Estadísticos y
Matemáticos

1. Modelos estadísticos
empleados en simulación
2. Modelos de cola

© Kleber Barcia V. CAPÍTULOS 5 y 6 Simulación de sistemas de eventos discretos; Jerry Banks. 5ta Edición
Introducción

 Los sistemas y procesos que el analista ve en el mundo real son


probabilísticos y unos pocos determinísticos.
 Algunos modelos estadísticos pueden describir con exactitud las
variaciones en un sistema.

 Un modelo apropiado es el que representa un fenómeno de interés


tomando una muestra del sistema real:
 Seleccionando una distribución conocida
 Estimando los parámetros correctos
 Probando para encontrar la distribución que más se ajusta

 En este capítulo se:


 Revisan algunas distribuciones de probabilidad y modelos estadísticos
 Presenta algunos modelos de cola

2
© Kleber Barcia V.
Revisión de terminología y conceptos

 Revisaremos los siguientes conceptos:

 Variables aleatorias discretas


 Variables aleatorias continuas
 Funciones de distribución acumuladas
 Valor esperado

3
© Kleber Barcia V.
Variables Aleatorias Discretas [Repaso de Probabilidades]

X es una variable aleatoria discreta si el número de posibles


valores de X es finito.
Ejemplo: Considere la llegada de partes a una área de
trabajo.
 Si X es el número de partes que llegan cada semana al área de
trabajo.
 Entonces Rx = posible valor de X
 p(xi) = probabilidad de la variable aleatoria xi = P(X = xi)
 p(xi), i = 1,2, … debe satisfacer:
1. p( xi )  0, para toda i



2. i 1
p ( xi )  1
p(xi) es la Función Masa de Probabilidad (pmf) of X.
4
© Kleber Barcia V.
Variables Aleatorias Discretas [Repaso de Probabilidades]

Ejemplo:
Considere el lanzamiento de un dado. Considere X como el número de
puntos por cada cara del dado. Entonces:
Rx = {1,2,3,4,5,6}
Asuma que la carga del dado esta distribuida proporcionalmente al
número de puntos de cada cara.
xi 1 2 3 4 5 6
p(xi) 1/21 2/21 3/21 4/21 5/21 6/21
Entonces:
1. p ( xi )  0, para toda i



2. i 1
p( xi )  1 / 21  2 / 21  ...  6 / 21  1
Lqqd, x es una variable aleatoria discreta

5
© Kleber Barcia V.
Variables Aleatorias Continuas [Repaso de Probabilidades]

 X es una variable aleatoria continua si el número de


posibles valores de X es infinito en un intervalo [a,b].
 La probabilidad que X este en el intervalo [a,b] esta dada
por:
b
P(a  X  b)   f ( x)dx
a

 f(x), la Función Densidad de Probabilidad (pdf) de X,


satisface:
1. f ( x)  0 , para toda x en R X
2.  f ( x)dx  1
RX

3. f ( x)  0, si x no esta en RX
6
© Kleber Barcia V.
Variables Aleatorias Continuas [Repaso de Probabilidades]

 Ejemplo: La vida útil de un instrumento para inspección


esta dado por X, una variable aleatoria continua con pdf:

 1  x / 2
e , x0
f ( x)   2
0, x0

 X tiene una distribución exponencial con media de 2 años


 La probabilidad que la vida del instrumento este entre 2 y 3 años
es:
1 3 x / 2
P(2  x  3)   e dx  e 3 2  e 1  0.14
2 2
7
© Kleber Barcia V.
Funciones de Distribuciones Acumuladas
[Repaso de Probabilidades]

 Una función de distribución acumulada (cdf) se


representa por F(x), donde F(x) = P(X ≤ x)

 Si X es discreta, entonces F ( x)   p( xi )
all
xi  x

x
 Si X es continua, entonces F ( x)   f (t )dt


 Cualquier probabilidad de X puede ser contestada en


términos de cdf, ejemplo:

P(a  X  b)  F (b)  F (a), para toda a  b

8
© Kleber Barcia V.
Funciones de Distribuciones Acumuladas
[Repaso de Probabilidades]

 Ejemplo: Un instrumento de inspección tiene una cdf:


1 x x / 2
F ( x)   e dx  1  e  x / 2
2 0

 La probabilidad que el instrumento dure hasta 2 años es:

P(0  X  2)  F (2)  F (0)  F (2)  1  e1  0.632


 La probabilidad que dure entre 2 y 3 años es:

P(2  X  3)  F (3)  F (2)  (1  e(3 / 2) )  (1  e 1 )  0.145

9
© Kleber Barcia V.
Valor Esperado [Repaso de Probabilidades]

 El valor esperado de X se representa por E(X)


 Si X es discreta E ( x)   xi p ( xi )
all i

 Si X es continua E ( x)   xf ( x)dx


 También se la conoce como la media m, de X o el 1er momento


de X
 Es una medida de tendencia central
 La varianza de X se representa por V(X) o var(X) o s2
 Definición: V(X) = E[ (X – E[X])2 ]
 También, V(X) = E(X2) – [E(x)]2
 Es una medida de dispersión o variación
 La desviación estándar de X es representada por s
 Definición: Raíz cuadrada de V(X)

10
© Kleber Barcia V.
Valor Esperado [Repaso de Probabilidades]

 Ejemplo: La media de la vida útil del instrumento de


inspección anterior es: 
x / 2
E ( X )   xe dx   xe
1  x / 2 
  e  x / 2 dx  2
2 0 0
0

 Para calcular la varianza de X, primero se calcula E(X2):



x / 2
E ( X )   x e dx   x e
1  
2 2 x / 2 2   e  x / 2 dx  8
2 0 0
0

 entonces, la varianza y la desviación estándar de la vida útil


del instrumento son:
V ( X )  8  22  4
s  V (X )  2
11
© Kleber Barcia V.
Sistemas de cola [Modelos útiles]

 En un sistema de cola, el tiempo entre arribos y el


tiempo de servicio pueden ser probabilísticos.
 Algunos casos de modelos estadísticos de distribución
de tiempo entre arribos y de tiempo de servicio son:

 Distribución exponencial: Si los tiempos de servicio son


completamente aleatorios
 Distribución normal: Tiempos bastante constantes con poca
variabilidad aleatoria (positiva o negativa)
 Distribución normal truncada: Similar a la distribución normal
pero con valores restringidos.
 Distribución Gamma y Weibull: Más general que la distribución
exponencial

12
© Kleber Barcia V.
Sistemas de inventarios y cadenas de suministros
[Modelos útiles]

 En los sistemas reales de inventarios y cadenas de


suministros, existen por lo menos 3 variables aleatorias:
1. El número de unidades demandadas por cada orden o por
período de tiempo.
2. El tiempo entre demandas.
3. El tiempo de entrega de pedidos.
 Modelo estadístico para el tiempo de entrega:
 Gamma
 Modelo estadístico para el tiempo de demanda:
 Poisson: Simple.
 Distribución binomial negativa: Colas más largas que Poisson
(demandas más largas).
 Geométrica: Caso especial de la binomial negativa.

13
© Kleber Barcia V.
Confiabilidad y Mantenibilidad [Modelos útiles]

 Tiempo de falla (Time to failure, TTF)

 Exponencial: Las fallas aleatorias.


 Gamma: Excesiva espera por componentes, donde
cada componente tiene una distribución exponencial
del tiempo de falla.
 Weibull: Fallas por defectos.
 Normal: Fallas por uso excesivo.

14
© Kleber Barcia V.
Otros modelos [Modelos útiles]

 Uniforme
 Triangular
 Beta

 Distribuciones discretas
 Pruebas Bernoulli y distribución Bernoulli
 Distribución Binomial
 Distribución Geométrica
 Distribución Poisson

15
© Kleber Barcia V.
Distribución Binomial [Distribución Discreta]

 Variable aleatoria X

 n  x n  x
  p q , x  0,1,2,..., n
p( x)   x 
0,
 de manera diferente

Resultados con
exitos y fracasos
Probabilidad que
existan x éxitos y    x!nn! x !
n
x
(n-x) fracasos

 La media, E(x) = p + p + … + p = n*p


 La varianza, V(X) = pq + pq + … + pq = n*pq

16
© Kleber Barcia V.
Distribución Binomial [Distribución Discreta]

 Ejemplo: Un proceso de producción ensambla chips de computadora con


un promedio de 2% de no-conformidad. Diariamente se toma una muestra
de 50 chips del proceso. Si la muestra contiene más de 2 chips no-
conformes, el proceso se debe parar. Determine la probabilidad que el
proceso pare cada día.
n=50
p=0.02  50 
  (0.02) x (0.98) 50 x , x  0,1,2,...,50
p ( x)   x 
0,
 de manera diferente

 Es fácil calcular: P(X>2) = 1-P(X<=2)


 (0.02) (0.98)
2
p ( X  2)   50
x
x 50  x
 (0.98) 50  50(0.02)(0.98) 49  1225(0.02) 2 (0.98) 48  0.92
x 0

 La probabilidad que el proceso pare es 0.08


 E(x) = n*p = 50(0.02) = 1
 V(X) = n*pq = 50(0.02)(0.98) = 0.98

17
© Kleber Barcia V.
Distribución Geométrica [Distribución Discreta]

 Distribución Geométrica
 Es la distribución de la variable aleatoria X para lograr el 1er
éxito en la prueba Bernoulli:

 q x 1 p, x  0,1,2,..., n
p ( x)  
0, de manera diferente
E(x) = 1/p, y V(X) = q/p2
Ejemplo: 40% de las impresoras ensambladas son rechazadas en el
departamento de inspección. Encuentre la probabilidad que la 1ra
impresora aceptada sea la 3ra inspeccionada. Considere cada
inspección como una prueba Bernoulli con q = 0.4 y p = 0.6
P(3)= (0.4)(3-1)(0.6) = 0.096
Solo en el 10% de los casos la 1ra impresora aceptada será la 3ra
inspeccionada.
18
© Kleber Barcia V.
Distribución Poisson [Distribución Discreta]

 La distribución Poisson describe muy bien muchos


procesos aleatorios y es matemáticamente sencilla.
 donde a > 0, pmf y cdf son:
 e a a x x
e a a i

p( x)   x! , x  0,1,... F ( x)  
i 0 i!
0, de manera diferente

 E(X) = a = V(X)
 a = np

Gráfico de la pmf
y cdf para a = 2

19
© Kleber Barcia V.
Distribución Poisson [Distribución Discreta]

 Ejemplo: Una persona que repara computadoras es


“llamada” cada vez que se requiere un servicio. El
número de llamadas por hora tiene una media de
Poisson de a = 2 por hora.

 La probabilidad de 3 llamadas en la próxima hora es:

p(3) = e-223/3! = 0.18


también, p(3)= F(3) – F(2) = 0.857-0.677=0.18

 La probabilidad de 2 o más llamadas en una hora es:

p(2 o mas) = 1 – p(0) – p(1)


= 1 – F(1)
= 0.594

20
© Kleber Barcia V.
Distribuciones Continuas
 Las variables aleatorias continuas pueden ser usadas
para describir fenómenos aleatorios, en los cuales las
variables pueden tomar cualquier valor en cualquier
intervalo.

 En esta sección, las distribuciones a revisar son:


 Uniforme
 Exponencial
 Normal
 Weibull
 Log-Normal

21
© Kleber Barcia V.
Distribución Uniforme [Distribución Continua]

 Una variable aleatoria X esta uniformemente distribuida en un


intervalo (a,b), si su pdf y su cdf son:
 1
, a xb
f ( x)   b  a
0, de manera diferente
0, xa
x a
F ( x)   , a xb
b  a
1, xb

E(X) = (a+b)/2 V(X) = (b-a)2/12

 U(0,1) proporciona la media para generar números aleatorios, de


los cuales se generan las variables aleatorias.

22
© Kleber Barcia V.
Distribución Uniforme [Distribución Continua]

 Ejemplo: Un bus llega cada 20 minutos a una parada específica


desde las 6:40 a.m. hasta las 8:40 a.m. Un pasajero especial no
conoce el horario y llega a la parada uniformemente desde las 7:00
a.m. hasta las 7:30 a.m. todas las mañanas. Cuál es la probabilidad
que el pasajero espere más de 5 min. por el bus?

El pasajero tiene que esperar más de 5 min. solo si llega entre 7:00 y
7:15 o entre 7:20 a 7:30. Entonces la probabilidad es:
P(0<X<15) + P(20<X<30)
Como X esta uniformemente distribuida en (0, 30):

x a
F ( x)   , a xb
b  a

F(15) + F(30) – F(20) = (15-0)/(30-0)+(30-0)/(30-0)-(20-0)/(30-0) = 5/6
23
© Kleber Barcia V.
Distribución Exponencial [Distribución Continua]

 Una variable aleatoria X esta exponencialmente


distribuida con parámetro l > 0 si su pdf y su cdf son:

le  lx , x  0
f ( x)  
0, de manera diferente

0, x0
F ( x )   x  lt
0
 lx
l e dt  1  e , x0

 E(X) = 1/l V(X) = 1/l2

24
© Kleber Barcia V.
Distribución Exponencial [Distribución Continua]

 Propiedad “Sin memoria”


 Para toda s y t mayor o igual a 0:
P(X > s+t | X > s) = P(X > t)

 Ejemplo: Una lámpara tiene un l = 1/3 por hora, es


decir, en promedio, 1 falla cada 3 horas.
 La probabilidad que la lámpara dure más que su media es:
P(X > 3) = 1-(1-e-3/3) = e-1 = 0.368
 La probabilidad que la lámpara dure entre 2 a 3 horas es:
P(2 <= X <= 3) = F(3) – F(2) = 0.145
 La probabilidad que la lámpara dure otra hora o más, si ha
estado operando por 2.5 horas:
P(X > 3.5 | X > 2.5) = P(X > 1) = e-1/3 = 0.717

25
© Kleber Barcia V.
Distribución Normal [Distribución Continua]

 Una variable aleatoria X esta normalmente distribuida si


su pdf es:

1  1  x  m 2 
f ( x)  exp    ,    x  
s 2  2  s  

 Media:    m  
 Varianza: s 2  0
 Representada como X ~ N(m,s2)

26
© Kleber Barcia V.
Distribución Normal [Distribución Continua]

 Evaluación de la distribución:
 Uso de métodos numéricos (forma no cerrada)
 Uso de la distribución normal estándar, independiente de m y s:
Z ~ N(0,1)
 Transformación de variables: siendo Z = (X - m) / s,
 xm 
F ( x )  P  X  x   P Z  
 s 
( xm ) /s 1 z2 / 2
 e dz

2
( xm ) /s

1 t 2 / 2
 ( z )dz  ( xs m )
z
, where  ( z )   e dt
 
2
Tabla A.3.

27
© Kleber Barcia V.
Distribución Normal [Distribución Continua]

 Ejemplo: El tiempo X requerido para cargar un barco


esta distribuido como N(12,4)
 La probabilidad que el barco sea cargado en menos de 10 horas
es (use la Tabla A.3.):

 10  12 
F (10)      (1)  1  0.8413  0.1587
 2 

 Usando la propiedad simétrica, (1) es el complemento de  (-1)

28
© Kleber Barcia V.
Distribución Weibull [Distribución Continua]

 Una variable aleatoria X tiene una distribución Weibull si su pdf y cdf


tienen la forma:
   x    1   x    

f ( x)  a  a 
exp    , x  
  a  
0,
 de manera diferente



 x  Cuando  = 1,
F ( x)   0, 
 
 X ~ exp(l = 1/a)
  x  
 

1  exp    a   , x  
 


 
 


 3 parámetros:
 Parámetro de localización: , (    )
 Parámetro de escala:  ,   0
 Parámetro de forma. a, a  0
 Ejemplo:  = 0 y a = 1:
29
© Kleber Barcia V.
Distribución Weibull [Distribución Continua]

 Ejemplo: El tiempo que toma un avión en aterrizar en un aeropuerto


internacional tiene una distribución Weibull con v=1.34 min., β=0.5 y
α=0.04 min. Determinar la probabilidad que un avión se demore más
de 1.5 min. en aterrizar.

En este caso P(x>1.5), entonces calculamos, P(x<=1.5) = F(1.5)

F(1.5) = 1 – exp [ - ( (1.5 - 1.34 ) / 0.04 )0.5 ]

F(1.5) = 1 – exp e-2 = 1 – 0.135 = 0.865

Entonces, la probabilidad que el avión aterrice en más de 1.5 min. es:

1 – 0.865 = 0.135

30
© Kleber Barcia V.
Modelos de cola. Introducción [2da parte]

 La simulación es usada frecuentemente en el análisis de modelos de


cola.
 El siguiente es un modelo simple de cola:

 Algunas mediciones típicas del rendimiento de los sistemas de cola


son:
 Utilización del servidor, longitud de las cola de espera y clientes en cola
 Los sistemas simples pueden ser calculados con fórmulas
matemáticas.
 Los sistemas complejos y reales deben ser calculados con el uso de
simulación.
31
© Kleber Barcia V.
Características de los Sistemas de Cola

 Elementos claves de los sistemas de cola:

 Clientes:
Se refiere a cualquier cosa o persona que arribe al lugar de
trabajo y requiera de un servicio. Ejemplo: personas,
máquinas, camiones, e-mails.

 Servidor:
Se refiere a cualquier recurso que provea del servicio
requerido. Ejemplo: un técnico de reparación, máquinas de
producción, pista de despegue el aeropuerto.

32
© Kleber Barcia V.
Población
[Características de los Sistemas de Cola]

 Población:
Son los clientes potenciales, se puede asumir finita o infinita.

 Modelos de población finita


 Modelos de población infinita

 Capacidad del sistema:


Es el limite en el número de cliente que pueden estar esperando en
cola y siendo atendidos (dentro del sistema).

 Capacidad limitada. Ejemplo: una lavadora de carros automática


que solo tenga espacio para 10 carros esperando el línea para
entrar al lavado.

 Capacidad ilimitada. Ejemplo: venta de tickets para un concierto


sin limite en el número de personas permitidas en la cola de
venta de los tickets
33
© Kleber Barcia V.
Proceso de arribo
[Características de los Sistemas de Cola]

Para modelos de población infinita:

 Se caracteriza por los tiempos entre arribos sucesivos de clientes:


 Arribos aleatorios
 Arribos programados:
 Tiempos entre arribos pueden ser constantes o con una
pequeña cantidad aleatoria que represente arribos tempranos
o arribos tardes.
 Ejemplo: Pacientes de un doctor o arribo de vuelos
programados en un aeropuerto.

34
© Kleber Barcia V.
Proceso de arribo
[Características de los Sistemas de Cola]

 Para modelos de población finita :


 Los clientes están en espera (pending) en cola de un servicio ofrecido.
Ejemplo: El problema de reparación de una máquina. La máquina es
el cliente y esta “en espera” del servicio de reparación cuando esta
operando.

 Supongamos que A1(i), A2(i), … son tiempos de espera sucesivos del


cliente i, y S1(i), S2(i),… son los correspondientes tiempos de servicio
del sistema. Entonces la figura muestra el modelo del proceso de
arribo del problema de reparación de una máquina.

35
© Kleber Barcia V.
Comportamiento de Colas y Disciplina de Colas
[Características de los Sistemas de Cola]

 Comportamiento de colas: Es el comportamiento de los


clientes mientras esperan en cola el inicio del servicio, por
ejemplo:
 Balk: Se marcha cuando ve que la cola es muy larga,
 Renege: Después de haber estado en cola, se marcha cuando se
mueve muy lento,
 Jockey: Se mueve de una cola a otra más corta.
 Disciplina de colas: Es el ordenamiento lógico de los clientes
en la cola, el cual determina el cliente que es escogido para
ser atendido cuando el servidor se desocupa:
 Primero en entrar, primero en salir. First-in-first-out (FIFO)
 Ultimo en entrar, primero en salir. Last-in-first-out (LIFO)
 Atención en orden aleatorio. Service in random order (SIRO)
 Procesos cortos primero. Shortest processing time first (SPT)
 Atención en base a prioridades. Service according to priority (PR).

36
© Kleber Barcia V.
Tiempo de Servicio y Mecanismo de Servicio
[Características de los Sistemas de Cola]

 Los tiempos de servicio de arribos sucesivos son


representados por S1, S2, S3.
 Pueden ser constantes o aleatorios.

 Un sistema de cola consiste en un número de centros de


servicio y colas interconectadas.
 Cada centro de servicio consiste en un número definido de
servidores, c, trabajando en paralelo. El cliente entra al primer
servidor disponible en el centro.

37
© Kleber Barcia V.
Tiempo de Servicio y Mecanismo de Servicio
[Características de los Sistemas de Cola]

 Ejemplo: considere un almacén de ventas al por mayor


donde los clientes pueden:
 Servirse ellos mismos o esperar por uno de los 3 dependientes
para ser atendidos, luego pagan el producto en una sola caja y
abandonan el sistema:

38
© Kleber Barcia V.
Tiempo de Servicio y Mecanismo de Servicio
[Características de los Sistemas de Cola]

 El centro de servicio 2 representa un sub-sistema graficado a


continuación:

Servicio en batches con 3 dependientes en paralelo

39
© Kleber Barcia V.
Notación de Colas
[Características de los Sistemas de Cola]

 Sistema de notación para colas de servicio en


paralelo: A/B/c/N/K

 A representa la distribución de los tiempos entre arribo,


 B representa la distribución del tiempo de servicio,
 c representa el número de servidores en paralelo,
 N representa la capacidad del sistema,
 K representa el tamaño de la población.

 Los símbolos comunes para A y B incluyen: M


(exponencial o Markov), D (constante o
determinística), Ek (Erlang de orden k), G (general)
40
© Kleber Barcia V.
Notación de Colas
[Características de los Sistemas de Cola]
Medidas de desempeño en los sistemas de cola:
Pn: probabilidad en estado estacionario de n clientes en el sistema,
Pn(t): probabilidad de n clientes en el sistema en un tiempo t,
l: razón de arribo, (clientes que arriban por unidad de tiempo)
le: razón de arribo efectiva,
m: razón de servicio de un servidor, (clientes atendidos por unidad de tiempo)
r: utilización del servidor,
An: tiempo entre arribos entre el cliente n-1 y n,
Sn: tiempo de servicio del nmo cliente que llega al sistema,
Wn: tiempo total en el sistema del nmo cliente que llega al sistema,
WnQ: tiempo total de espera en cola del cliente n,
L(t): el número de clientes en el sistema en un tiempo t,
LQ(t): el número de clientes en cola en un tiempo t,
L: número de clientes promedio en el sistema en el largo plazo,
LQ: número de clientes promedio en cola en el largo plazo,
w : tiempo promedio en el sistema por cliente, en el largo plazo,
wQ: tiempo promedio en cola por cliente, en el largo plazo.
41
© Kleber Barcia V.
Número de clientes promedio en un tiempo T en
el sistema “L” [Características de los Sistemas de Cola]

 Considere un sistema de cola en un período de tiempo T,


 Si Ti es el tiempo total durante [0,T], en el cual el sistema tuvo i
clientes, entonces, el número de clientes en un tiempo promedio
ponderado en el sistema esta definido por:
 
T 
 
1
Lˆ  iTi  i i 
i 0 
T i 0
T
 Considerando que el área total bajo la función es L(t), entonces,


T
 L(t )dt
1 1
Lˆ  iTi 
T i 0
T 0

 En el largo plazo, el número de clientes en un tiempo promedio


en el sistema con probabilidad 1 tiende a L:
1 T
ˆ
L
T 0 
L(t )dt  L as T  

42
© Kleber Barcia V.
Número de clientes promedio en un tiempo T en
cola “LQ” [Características de los Sistemas de Cola]

 El número de clientes en un tiempo promedio en cola, en el largo


plazo tiende a LQ:


1 T

ˆ 1
LQ  iTi 
Q
LQ (t )dt  LQ as T  
T i 0 T 0

G/G/1/N/K Ejemplo: considere los siguientes resultados de un sistema


de cola (N >= 4, K >= 3). Lˆ  [0(3)  1(12)  2(4)  3(1)] / 20

 23 / 20  1.15 clientes
0, if L(t)  0
LQ (t )  
L(t )  1, if L(t)  1

0(15)  1(4)  2(1)


LˆQ   0.3 clientes
20

43
© Kleber Barcia V.
Tiempo promedio en el sistema por cliente “w”
[Características de los Sistemas de Cola]

 El tiempo promedio en el sistema es:


N

W
1
wˆ  i
N i 1

donde W1, W2, …, WN son los tiempos individuales que cada uno
de los N clientes permanecen en el sistema durante [0,T].
 Para sistemas estables: w ˆ  w as N  
 Si el sistema es de una sola cola:

1 N
wˆ Q   Wi Q  wQ as N 
N i 1

44
© Kleber Barcia V.
Tiempo promedio en el sistema por cliente “w”
[Características de los Sistemas de Cola]

 G/G/1/N/K ejemplo (cont.): el tiempo promedio en el sistema es:


Asumamos FIFO

W
1
wˆ  i
N i 1

W1  W2  ...  W5
wˆ 
5
2  (8  3)  (10  5)  (14  7)  (20  16)
  4.6 unidades de tiempo
5

1 N
wˆ Q   Wi Q  wQ as N 
N i 1

0 033 0
wˆ Q   1.2 unidades de tiempo
5
45
© Kleber Barcia V.
Ecuación de la Conservación
[Características de los Sistemas de Cola]

 Ecuación de la conservación (Ley de Little)

número de clientes
Lˆ  lˆwˆ tiempo promedio en el
en un tiempo sistema por cliente
promedio en el
sistema razón de arribo

L  lw cuando T   y N   l  N /T
 Se la utiliza en casi todos los sistemas de cola o subsistemas
(sin importar el número de servidores, la disciplina de la cola o
cualquier otra circunstancia).
 G/G/1/N/K ejemplo (cont.): En promedio, una llegada cada 4
unidades de tiempo y cada llegada dura 4.6 unidades de tiempo
en el sistema. Entonces, en cualquier tiempo t, existen:
(1/4)(4.6) = 1.15 clientes presentes en promedio

46
© Kleber Barcia V.
Utilización del Servidor
[Características de los Sistemas de Cola]

 Definición: es la proporción del tiempo que el servidor


esta ocupado.

 La utilización del servidor, r̂ , esta definida en un intervalo


específico de tiempo [0,T].
 La utilización del servidor a largo plazo se representa por r.
 Para sistemas estables a largo plazo:

rˆ  r cuando T  

47
© Kleber Barcia V.
Utilización del Servidor
[Características de los Sistemas de Cola]

 Para colas G/G/1/∞/∞:


 Sistema de cola con un solo servidor con una razón de
arribo promedio l clientes por unidad de tiempo. Tiempo
de servicio promedio E(S) = 1/m unidades de tiempo.
Capacidad de cola y población infinitas.
 Se puede aplicar la ecuación de la conservación, L = lw
 Para un sistema estable, la razón de arribo promedio al
servidor, ls, debe de ser igual a l.
 El número de clientes promedio en el servidor es:

 
1 T T  T0
Lˆ s  L(t )  LQ (t ) dt 
T 0 T
 T= tiempo total
 T0= tiempo desocupado del servidor
48
© Kleber Barcia V.
Utilización del Servidor
[Características de los Sistemas de Cola]

 En general, para una cola con un solo servidor:


Lˆs  rˆ  Ls  r cuando T  

l
y r  lE ( s ) 
m

 Para una cola estable con un solo servidor (l  m), entonces:


l
r 1
m

 Para una cola inestable (l  m), la utilización del servidor a


largo plazo es 1.

49
© Kleber Barcia V.
Utilización del Servidor
[Características de los Sistemas de Cola]

 Para colas G/G/c/∞/∞:


 Un sistema con un número c de servidores idénticos en
paralelo.
 Si un cliente que llega al sistema encuentra más de un
servidor desocupado, el cliente escoge un servidor sin
favoritismo.
 Para sistemas en equilibrio estático, el número promedio de
servidores ocupados, Ls, es: Ls, = lE(s) = l/m.
 La utilización promedio del servidor en el largo plazo es:

Ls l
r  , donde l  cm para sistemas estables
c cm

50
© Kleber Barcia V.
Utilización del Servidor y Eficiencia del Sistema
[Características de los Sistemas de Cola]

 Ejemplo: Un doctor que recibe pacientes cada 10 minutos y se demora Si


minutos con el paciente i, donde:
 9 minutos con probabilidad 0.9
Si  
12 minutos con probabilidad 0.1

 Los arribos son deterministicos, A1 = A2 = … = l-1 = 10.


 Los servicios son estocásticos, E(Si) = 9.3 min. y V(Si) = 0.81 min2.
 En promedio, la utilización del doctor es = r  l/m = 0.93 < 1.
 Suponga que el sistema se simula con un tiempo de servicio de: S1 = 9,
S2 = 12, S3 = 9, S4 = 9, S5 = 9, …. Se obtiene:

 La ocurrencia de un tiempo de servicio relativamente largo causa la


formación de una cola de espera temporal.
51
© Kleber Barcia V.
Costos en Problemas de Cola
[Características de los Sistemas de Cola]

 Los costos pueden estar asociados con varios aspectos de la cola de


espera o los servidores:
 Los sistemas incurren en un costo por cada cliente en cola, por
ejemplo, $10 por hora.
 El costo promedio por cliente es:

Q WjQ es el tiempo
N $10W

que el cliente j esta
j
 $10 wˆ Q en la cola
j 1 N
 Si l̂ clientes arriban por hora (en promedio), el costo promedio
por hora es:
 ˆ cliente  $10wˆ Q 
l    $10lˆwˆ Q  $10 LˆQ / hora
 hora  cliente 
 El servidor también genera un costo en el sistema. Si un grupo de
c servidores en paralelo (1  c  ∞) tienen una utilización r y cada
servidor genera un costo de $5 por hora cuando esta ocupado.
 El costo total del servidor es: $5cr.
52
© Kleber Barcia V.
Comportamiento Estable de Modelos Markovianos
con Población Infinita

 Para este modelo, el parámetro estable, L, número de


clientes en el sistema en un tiempo promedio es:

L 
n 0
nPn Pn: probabilidad de n clientes en el sistema
n: numero de clientes

 Aplicando la ecuación de Little a todo el sistema nos


queda:
L
w
l
 Aplicando la ecuación de Little a la cola:

1
Si : wQ  w  Entonces : LQ  lwQ
m

53
© Kleber Barcia V.
Colas M/G/1 [Modelo Markoviano Estable]

 M/G/1: Modelo de un servidor con arribos Poisson y distribución de


tiempo de servicio general.
 Suponga que el tiempo de servicio tiene una media 1/m y una
varianza s2 y r = l/m < 1, los parámetros estables de la cola M/G/1
son:

r  l / m , P0  1  r , r  1  P0

r 2 (1  s 2 m 2 ) r 2 (1  s 2 m 2 ) r2 l2s 2
Lr , LQ  LQ  
2(1  r ) 2(1  r ) 2(1  r ) 2(1  r )

l (1 / m 2  s 2 )
1 l (1 / m 2  s 2 )
w  , wQ 
m 2(1  r ) 2(1  r )

54
© Kleber Barcia V.
Colas M/G/1 [Modelo Markoviano Estable]

 Ejemplo: Dos trabajadores que compiten por un puesto, Abel dice ser en
promedio más rápido que Baker, pero Baker dice ser más consistente,
 Ambos tienen una razón de llegada Exponencial l = 2 por hr. (1/30 por minuto).
 Able: 1/m = 24 min. y s2 = 202 = 400 min2:

r 2 (1  s 2 m 2 ) (1 / 30) 2 [24 2  400 ]


LQ  LQ   2.711 customers
2(1  r ) 2(1  4 / 5)

 La proporción de arribos que encuentran a Abel desocupado, por lo tanto no esperan en cola
es P0 = 1-r = 1/5 = 20%.
 Baker: 1/m = 25 min. y s2 = 22 = 4 min2:

(1 / 30) 2 [25 2  4]
LQ   2.097 customers
2(1  5 / 6)
 La proporción de arribos que encuentran a Baker desocupado, por lo tanto no esperan en
cola es P0 = 1-r = 1/6 = 16.7%.
 A pesar que Abel trabaja rápido en promedio, la gran variabilidad en servicio resulta
en una cola de longitud promedio de aproximadamente 30% más grande que la cola
de Baker.
55
© Kleber Barcia V.
Colas M/M/1 [Modelo Markoviano Estable]

 Supone que los tiempos de servicio en una cola M/G/1


son distribuidos exponencialmente con una media 1/m, y
varianza s2 = 1/m2.
 La cola M/M/1 es un modelo aproximado muy útil cuando
los tiempos de servicio tienen una desviación estándar
aproximadamente igual a sus medias.
 Los parámetros estables son:
r  l / m, Pn  1  r r n
l r l2 r2
L  , LQ  
m  l 1 r m m  l  1  r
1 1 l r
w  , wQ  
m  l m (1  r ) m m  l  m (1  r )

56
© Kleber Barcia V.
Colas M/M/1 [Modelo Markoviano Estable]

 Ejemplo: Una cola M/M/1 con razón de servicio m10


clientes por hr.
 Considere como L y w se incrementan conforme la razón de
arribo, l, aumenta de 5 a 8.64 por incrementos de 20%:

l 5.0 6.0 7.2 8.64 10.0


r 0.500 0.600 0.720 0.864 1.000
L 1.00 1.50 2.57 6.35 ∞
w 0.20 0.25 0.36 0.73 ∞

 Si l/m  1, las colas de espera tienden a crecer continuamente.


 El incremento del tiempo promedio en el sistema (w) y el número
promedio de clientes en el sistema (L) son una función no lineal de
r.

57
© Kleber Barcia V.
Efecto de la Utilización y la Variabilidad del Servicio
[Modelo Markoviano Estable]

Una medición de la variabilidad de la distribución es el coeficiente de


variación (cv):
V (X ) s2
(cv) 
2
  s m
2 2

E ( X ) 1 m 
2 2

Mientras más grande cv, más variable es la distribución con


relación a su valor esperado.
 Considere LQ para cualquier cola M/G/1:

r 2 (1  s 2 m 2 )  r 2  1  (cv) 2 
LQ     
2(1  r )  1  r  2 

Factor de corrección de la
LQ para la formula M/M/1 para
cola M/M/1 distribuciones de tiempo de
servicio no exponenciales
58
© Kleber Barcia V.
Colas Multiservidores [Modelo Markoviano Estable]

 Colas M/M/c/∞/∞: c canales operando en paralelo.


 Cada canal tiene una distribución independiente e idéntica de
tiempo de servicio exponencial, con media 1/m.
 Para lograr un equilibrio estadístico, la carga ofrecida (l/m) debe
satisfacer l/m < c, donde l/(cm) = r es la utilización del servidor.
 Algunas de las probabilidades estables son:
r  l / cm
1
 c 1 (l / m ) n   l  c 1  cm  
   
P0   
 n 0
       
n!   m   c!  cm  l  
 
(cr ) c 1 P0 r P L ( )  c 
L  cr   cr 
c(c!)(1  r ) 2 1 r
L
w
l Ver Tabla de formulas, cap. 6 p. 232
59
© Kleber Barcia V.
Colas Multiservidores [Modelo Markoviano Estable]

 Otros modelos de cola multiservidores comunes son:

 M/G/c/∞: Tiempo de servicio general y c servidores en paralelo.


Los parámetros se pueden aproximar del modelo M/M/c/∞/∞.

 M/G/∞/∞: Tiempo de servicio general y número de servidores infinito,


ejemplo, el cliente es su propio sistema, la capacidad del servicio
excede la demanda del servicio.

 M/M/c/N/∞: Los tiempos de servicio son distribuidos


exponencialmente a razón m, un número c de servidores y la
capacidad total del sistema N  c (Cuando ocurre un arribo y el
sistema esta lleno, el arribo se regresa y no entra al sistema).

60
© Kleber Barcia V.
Comportamiento Estable de Modelos con
Población Finita

 Cuando la población es pequeña, la presencia de uno o


más clientes en el sistema, tiene un fuerte efecto en la
distribución de arribos futuros.
 Considere un modelo de población
finita con K clientes (M/M/c/K/K):
 El tiempo entre arribo de las partes es
exponencialmente distribuida,
(media = 1/l).
 Los tiempos de servicio son también
exponencialmente distribuidos,
(media = 1/m).
 Existen c servidores en paralelo y la
capacidad del sistema es K.

61
© Kleber Barcia V.
Comportamiento Estable de Modelos con
Población Finita
 Algunas de las probabilidades estables son:
1
 c 1  K  l  n K K! l
n

P0          
 n 0  n  m  n c ( K  n)!c!c m
n c

 K  l  n
   P0 , n  0,1,..., c  1
 n m
Pn     n
 K! l
 ( K  n)!c!c n c   P0 , n  c, c  1,...K
 m
K k
L   nPn ,
n 0
w  L / le , wQ  LQ le , r  le / cm , LQ   n  c Pn
n  c 1

donde le es la razon de arribo efectiva a largo plazo de los

clientes a la cola (o entrada/salida de servicio)


K
le   ( K  n)lPn
n 0 62
© Kleber Barcia V.
Comportamiento Estable de Modelos con
Población Finita
 Ejemplo: dos trabajadores son responsables por 10 molinos.
 Las máquinas funcionan en promedio 20 min., después requieren
servicio por un tiempo promedio de 5 min., ambos tiempos están
distribuidos exponencialmente: l = 1/20 y m = 1/5.
 Todas las mediciones realizadas dependen de P0:
1
 21 10  5  n 10  5 
n

 
10!
P0       n2
    0.065
 n 0  n  20  n  2 (10  n)!2!2  20  

 Entonces, podemos obtener Pn.


 Número esperado de máquinas en el sistema:
10
L   nPn  3.17 maquinas
n 0

 El número promedio de máquinas funcionando:


K  L  10  3.17  6.83 maquinas
63
© Kleber Barcia V.
Networks de Colas

 Muchos sistemas son modelados de manera natural como


networks de una sola cola: los clientes que salen de una cola
pueden ser dirigidos a otra cola.

 Las siguientes consideraciones asumen un sistema estable


con población infinita y una capacidad del sistema ilimitada:

 Dado que los clientes no se crean ni se destruyen en la cola,


entonces la razón de salida de la cola es igual a la razón de
entrada (en el largo plazo).

 Si los clientes llegan a la cola i a una razón li, y una fracción


0pij1 de ellos se dirigen a la cola j después de i, entonces la
razón de llegada de la cola i a la cola j es lipij (en el largo plazo).
64
© Kleber Barcia V.
Networks de Colas

 Ejemplo de un almacén de ventas al por mayor :


 Suponga que los clientes llegan a razón de 80 por hr. y 40%
escoge auto-servicio. Entonces:
 Razón de arribo al centro de servicio 1 es l1 = 80(0.4) = 32 por hr.
 Razón de arribo al centro de servicio 2 es l2 = 80(0.6) = 48 por hr.
 c2 = 3 dependientes y m2 = 20 clientes por hr.
 La utilización a largo plazo del dependiente es:
r2 = 48/(3*20) = 0.8
 Todos los clientes deben ir al cajero en el centro de servicio 3, la
razón total del centro de servicio 3 es l3 = l1 + l2 = 80 por hr.
 Si m3 = 90 por hr, entonces del dependiente es:
r3 = 80/90 = 0.89

65
© Kleber Barcia V.
Networks de Colas

 La razón de arribo total a la cola j es:

lj  aj  l p
todo i
i ij

Razón de arribo Suma de razones de


de afuera de la arribo de otras colas
network de la network

 Si los arribos de afuera de la network forman un proceso


Poisson con razón aj para cada cola j, y si existen cj servidores
idénticos con tiempo de servicio distribuido exponencialmente
con media 1/mj, entonces, en estado estable, la cola j se
comporta como una cola M/M/cj con razón de arribo lj

66
© Kleber Barcia V.
Networks de Colas

 Ejemplo de una oficina de licencia de manejo:

 Los choferes arriban a una razón de 50 por hr. Todos deben ir a


chequear a un centro de dos servidores con un promedio de
chequeo de 2 minutos.
 Después del chequeo, el 15% de los choferes necesitan tomar el
examen escrito que dura aproximadamente 20 minutos.
 Todos deben esperar por la foto de su licencia. Esta estación
procesa en promedio 60 licencias por hr.
 El jefe de la oficina desea saber la razón de arribo para cada una
de las colas.

 Sea el centro de servidores con cola 1 (c1=2, m1=30 choferes por hr.)
 Sea el centro de examen con cola 2 (c2= ∞, m1=3 choferes por hr.)
 Sea el centro de foto con cola 3 (c3= 1, m1=60 choferes por hr.)
67
© Kleber Barcia V.
Networks de Colas

 La razón de arribo para cada cola es:


3
l1  a1   pi1li  50  0  50 choferes por hr.
i 1

3
l2  a2   pi 2 li  0  (0.15)50  7.5 choferes por hr.
i 1

3
l3  a3   pi 3li  0  (0.85)50  (1)7.5  50 choferes por hr.
i 1

 Aproximando el centro de servidores al modelo M/M/c1


 Aproximando el centro de examen al modelo M/M/∞
 Aproximando el centro de foto al modelo M/M/c2

------ TAREA REPASO EN EL SIDWEB ------ 68


© Kleber Barcia V.