Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE INFORMTICA
Departamento de Matemticas
Fecha de lectura y
defensa
Calificacin obtenida
A mi madre
AGRADECIMIENTOS
No sera justo que me quedase sin agradecer tanto a todos los compaeros de
prcticas que he tenido a lo largo de estos aos: Pablo, Alberto, Vctor, Miguel,... y
sobre todo a Juanda, como a todos los compaeros y amigos que he conocido en la
facultad.
Por ltimo, aunque no por ello menos importante, me gustara tambin dar las
gracias a mis amigos de Santa Mara del Mar, especialmente a Juan y a Luis, por su
preocupacin y las veces que nos hemos redo todos juntos.
RESUMEN
2.4.1- Clculo de W(t) en los modelos en los que no hay una solucin analtica
............................................................................................................................87
2.4.2- Problemas de desbordamiento en el clculo ............................................88
2.4.3- Problemas de precisin en el clculo .......................................................89
Bibliografa..............................................................................................................128
Captulo 1: Introduccin
Las colas son un aspecto de la vida moderna que nos encontramos continuamente
en nuestras actividades diarias. En el contador de un supermercado, accediendo a
Internet,... el fenmeno de las colas surge cuando unos recursos compartidos
necesitan ser accedidos para dar servicio a un elevado nmero de trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base terica del
tipo de servicio que podemos esperar de un determinado recurso, como la forma en la
cual dicho recurso puede ser diseado para proporcionar un determinado grado de
servicio a sus clientes.
Estos son algunos de los objetivos que se pretenden alcanzar con el desarrollo de la
aplicacin:
12
Captulo 1: Introduccin Jorge L. Vega Valle
13
Captulo 1: Introduccin Jorge L. Vega Valle
1.2.1- El origen
14
Captulo 1: Introduccin Jorge L. Vega Valle
Una cola es una lnea de espera y la teora de colas es una coleccin de modelos
matemticos que describen sistemas de lnea de espera particulares o sistemas de
colas. Los modelos sirven para encontrar un buen compromiso entre costes del
sistema y los tiempos promedio de la lnea de espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio. Como
modelo, pueden representar cualquier sistema en donde los trabajos o clientes llegan
buscando un servicio de algn tipo y salen despus de que dicho servicio haya sido
atendido. Podemos modelar los sistemas de este tipo tanto como colas sencillas o
como un sistema de colas interconectadas formando una red de colas. En la siguiente
figura podemos ver un ejemplo de modelo de colas sencillo. Este modelo puede
usarse para representar una situacin tpica en la cual los clientes llegan, esperan si
los servidores estn ocupados, son servidos por un servidor disponible y se marchan
cuando se obtiene el servicio requerido.
Servidor(es)
Llegadas Salidas
Posiciones de
espera
15
Captulo 1: Introduccin Jorge L. Vega Valle
16
Captulo 1: Introduccin Jorge L. Vega Valle
17
Captulo 1: Introduccin Jorge L. Vega Valle
18
Captulo 1: Introduccin Jorge L. Vega Valle
que los servidores tengan distinta destreza para dar el servicio, se debe
especificar la distribucin del tiempo de servicio para cada uno.
Disciplina de la cola
Llegada de un cliente
Cola
Servicio
Fuente de
entrada
Mecanismo de servicio
Sistema de la cola
19
Captulo 1: Introduccin Jorge L. Vega Valle
1.2.5.1- Terminologa
20
Captulo 1: Introduccin Jorge L. Vega Valle
=
s
Cuando los n son constantes y todos los servidores tienen la misma distribucin de
tiempo de servicio, es el nmero medio de clientes que entran en el sistema y s es
el nmero medio de clientes a los que pueden dar servicio los s servidores cuando
todos estn ocupados. En estas condiciones, representa la fraccin de recursos del
sistema que es consumida por los clientes. As, intuitivamente, parece necesario que
se cumpla, en estos casos, que < 1 y adems cuanto ms cercano a 1 que sea su
valor, ms trfico ha de soportar el sistema (o menos tiempo libre tendrn los
servidores, o ms espera habrn de sufrir los clientes, como se quiera expresar).
Aunque es evidente que no tiene unidades, es habitual medir la intensidad de
trfico en Erlangs, en honor a los trabajos pioneros de Erlang en la teora de colas.
Los siguientes conceptos, como se puede ver en [Cao-02], son de utilidad para
analizar las caractersticas y el comportamiento de un modelo de colas estacionario:
21
Captulo 1: Introduccin Jorge L. Vega Valle
Para clasificar los posible tipos de sistemas de colas debemos especificar las
caractersticas que determinan los elementos que lo componen. As, Kendall (ver
[Bos-02], [Cao-02] o [Hil-97]) introdujo en 1953 la notacin A/B/s para indicar que
la distribucin del tiempo entre llegadas es de del tipo A, que B es la distribucin del
tiempo de servicio y que s es el nmero de servidores. Posteriormente esta notacin
22
Captulo 1: Introduccin Jorge L. Vega Valle
As, por ejemplo, la notacin M/D/2/ / /FIFO indica que se trata del sistema de
una cola con tiempo entre llegadas exponenciales, tiempo de servicio determinstico
(i.e. siempre se tarda el mismo tiempo en darle servicio a cada cliente), hay 2
servidores en el mecanismo de servicio, no existe lmite para el nmero de clientes
que pueden estar en la cola de espera, la poblacin potencial se supone con infinitos
23
Captulo 1: Introduccin Jorge L. Vega Valle
clientes y los clientes son atendidos segn una disciplina FIFO. Como los tres
ltimos valores ( , y FIFO) son precisamente los asignados por defecto, la
notacin anterior podra abreviarse como M/D/2.
Se presentan aqu los modelos bsicos de redes de colas abiertas y cerradas con
distribucin del tiempo de servicio y distribucin del tiempo entre llegadas (si es el
caso) exponencial. Adems se impondr la restriccin de que los clientes que salen
servidos de una de las colas que compone la red se mueven instantneamente y con
ciertas probabilidades prefijadas a cualquier otra posible cola de la red. Estos
modelos dan lugar a las llamadas redes de Jackson (abiertas y cerradas).
Una red de colas no es ms que una red en la que cada nodo est constituido por el
sistema de una cola. Se trata, por tanto, de un grafo orientado en el que se pueden
producir transiciones de clientes que salen servidos de un nodo (que es una cola)
hacia otro nodo. La forma ms habitual (aunque no la nica) para modelizar el modo
en que los clientes servidos en un nodo se dirigen a otro es considerando que lo
hacen de acuerdo a una distribucin de probabilidad discreta.
Al igual que en los modelos de una nica cola, en las redes de colas abiertas
tambin pueden producirse llegadas de clientes desde fuera del sistema (desde fuera
de la red, en este caso) y salidas de clientes servidos hacia fuera de la red. A
diferencia de aqul caso, en las redes de colas s tiene sentido el plantear situaciones
en las que no hay llegadas de clientes desde fuera de la red ni salidas hacia fuera de
24
Captulo 1: Introduccin Jorge L. Vega Valle
la red. Esto da lugar a las llamadas redes cerradas y tienen la peculiaridad que el
nmero total de clientes en la red es fijo, y lo nico que desconocemos es dnde se
encuentran (en qu nodos concretos) y en qu estado de servicio se hallan. Por su
parte, las redes abiertas son aquellas en que s se producen llegadas de clientes y
salidas hacia fuera de la red.
Como se comentaba con anterioridad, denotando por 1, 2,, K, los nodos que
forman la red (es decir las etiquetas con las que denotamos a cada cola) la manera
ms frecuente de modelizar las transiciones de clientes consiste en suponer que
cuando un cliente sale servido de la cola del nodo i (siendo i {1, 2,, K}) se
desplaza instantneamente al sistema de la cola de cualquier otro nodo j {1,
2,, K}, con probabilidad pij. Evidentemente, en las colas abiertas tambin es
posible que desde algunos nodos se pueda abandonar la red. Denotando con el ndice
0 el exterior de la red, la probabilidad de que un cliente abandone la red cuando sale
servido del nodo i se denotar por pi0 y puede calcularse a partir de las anteriores
mediante
K
pi 0 = 1 pij
j =1
25
Captulo 1: Introduccin Jorge L. Vega Valle
Una red de Jackson abierta no es ms que una red de colas abierta (es decir, en la
es posible la llegada de clientes desde fuera de la red y la salida de clientes a fuera de
la red) que verifica las tres propiedades siguientes:
26
Captulo 1: Introduccin Jorge L. Vega Valle
Los clientes que llegan al nodo i desde fuera del sistema lo hacen segn un
proceso de Poisson de intensidad i. Esto equivale a decir que los tiempos entre
dos llegadas de clientes consecutivos desde fuera del sistema al nodo i, siguen
una distribucin exponencial de dicho parmetro.
27
Captulo 1: Introduccin Jorge L. Vega Valle
p11 p22
1 p12 p20
NODO 1 NODO 2
p21
p10 2
p32
p13 p23
p31
EXTERIOR EXTERIOR
3
NODO 3
p30
p33
Una red de Jackson cerrada es una red de colas cerrada con K nodos o subsistemas,
en la cual cada nodo i = 1, 2,, K tiene si servidores en su mecanismo de servicio,
siendo todos los del nodo i con tiempo de servicio de distribucin exponencial de
parmetro i. A diferencia de las redes abiertas, no es posible ni la entrada ni salida
de clientes hacia el exterior, con lo que, resulta indispensable especificar en nmero
de clientes dentro de la red, N, que permanecer constante siempre. Por este motivo,
LT = N y cantidades como WT o Wq,T, carecen de sentido. Lo realmente importante
aqu es determinar las probabilidades de que haya ni clientes en el nodo i para i = 1,
2,, K, que se denotarn por p n1 ,n2 ,...nK . Obviamente stas probabilidades son
28
Captulo 1: Introduccin Jorge L. Vega Valle
p
j =1
ij =1 (siendo i un nodo cualquiera de la red de colas)
Tal y como se comenta en [Bos-02], una red de colas cerrada puede parecer inusual
a primera vista debido a que no permite entrada o salida de clientes de la red. Un
sistema tpico de este tipo podra ser uno en el cual haya una gran cantidad (infinita)
de clientes intentando entrar al sistema de forma continua, el nmero de clientes a los
que se les permite la entrada tiene un determinado valor fijo y un cliente entra en el
sistema de forma inmediata, siempre que se complete la secuencia de servicios de
otro cliente (por ejemplo, un sistema de computacin de tiempo compartido).
29
Captulo 1: Introduccin Jorge L. Vega Valle
p11 p22
p12
NODO 1 NODO 2
p21
p32
p13 p23
p31
NODO 3
p33
30
Captulo 1: Introduccin Jorge L. Vega Valle
31
Captulo 1: Introduccin Jorge L. Vega Valle
Razones como esas (y algunas otras) pueden indicar la ventaja de trabajar con un
modelo del sistema real. La estadstica es precisamente la ciencia que se preocupa de
cmo estimar los parmetros y contrastar la validez de un modelo a partir de los
datos observados del sistema real que se pretende modelizar.
32
Captulo 1: Introduccin Jorge L. Vega Valle
33
Captulo 1: Introduccin Jorge L. Vega Valle
Supongamos una red de colas abierta con dos nodos. Los eventos que debemos
considerar son los siguientes:
34
Captulo 1: Introduccin Jorge L. Vega Valle
35
Captulo 1: Introduccin Jorge L. Vega Valle
{
Esttica
{
Simulacin
Continua
{
Dinmica
Por Eventos
Discreta
Por Cuantos
36
Captulo 1: Introduccin Jorge L. Vega Valle
37
Captulo 1: Introduccin Jorge L. Vega Valle
Estado
de Equilibrio
Estado
Transitorio
Simulacin
Variable, Z
0 TZ T
Tiempo
38
Captulo 1: Introduccin Jorge L. Vega Valle
39
Captulo 2: Aspectos de implementacin
1
Para una mayor aclaracin sobre estos conceptos, vase [Red-98] o [8]
2
GUI: Graphical User Interface. Ver [Mar-99] o [3]
41
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Hay que diferenciar entre el ciclo de vida (definicin de [Pre-97]) usado para la
parte analtica y para la parte de simulacin. En la parte analtica, el anlisis de cada
modelo es muy sencillo, ya que los algoritmos de resolucin estn previamente
establecidos, cosa que no ocurre en la parte de simulacin, lo que implica que el
anlisis sea ms complejo, ya que hay que tener en cuenta tanto los posibles eventos
(ver 1.3.3.2) que pueden ocurrir como la influencia de estos eventos en el clculo de
los distintos parmetros de salida.
En las siguientes figuras podemos observar con detalle el ciclo de vida usado para
la parte analtica y para la parte de simulacin.
DETERMINAR LOS
PARAMETROS DE
ENTRADA
ERROR
DETERMINAR LOS
PARAMETROS DE
SALIDA
PRUEBAS SW DEL
IMPLEMENTAR EL
MODELO
MODELO
IMPLEMENTADO
DETERMINAR COMO
CALCULAR LOS
PARAMETROS DE
SALIDA
ANALIZAR LOS
POSIBLES RIESGOS
42
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
DETERMINAR LOS
PARAMETROS DE
ENTRADA
ERROR
DETERMINAR LOS
PARAMETROS DE
SALIDA
PRUEBAS SW DEL
IMPLEMENTAR EL MODELO IMPLEMENTADO
ESTUDIAR LOS MODELO (CONTRASTE CON
POSIBLES EVENTOS RESOLUCION ANALITICA)
ANALIZAR LA QUE PUEDEN
IMPLEMENTACION OCURRIR
DEL ALGORITMO (llegada de cliente,
salida, transicin)
ANALIZAR LA
INFLUENCIA DEL
ANALIZAR LOS
EVENTO EN LA
POSIBLES RIESGOS
VARIACION DE LOS
PARAMETROS
43
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Poblacin potencial (H): Slo para el caso de los modelos M/M/1/ /H,
M/M/s/ /H y M/M/s/ /H con Y repuestos en resolucin analtica y los modelos
G/G/1/ /H, G/G/s/ /H y G/G/s/ /H con Y repuestos en el caso de resolucin
por simulacin.
Nmero de repuestos (Y): Slo para el caso del modelo M/M/s/ /H con Y
repuestos en resolucin analtica y el modelo G/G/s/ /H con Y repuestos en el
caso de resolucin por simulacin.
44
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Mientras que si elige la resolucin por simulacin tiene, a mayores, los siguientes
parmetros de entrada:
Parmetro de estabilizacin.
45
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Wq: Tiempo medio de espera en la cola para un cliente. En el caso de una red
de Jackson abierta se muestra el tiempo medio de espera en la cola para un
cliente en cada nodo y en toda la red. En el caso de una red de Jackson cerrada se
muestra el tiempo medio de espera en la cola para un cliente en cada nodo de la
red.
46
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Grfica con los valores de p(n) cuando n toma unos valores determinados. No
se muestra en el caso de las redes abiertas, ni en la simulacin de redes cerradas.
47
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Exponencial
Uniforme
Determinista
Gamma
Beta
Lognormal
Normal
De Weibull
3
Podemos observar su definicin en [Cao-98] o [Dev-86]
48
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
49
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
W W
Intensidad = = Eficiencia = = =W
W Wq 1
2
L= Lq =
( )
4
La frmula de la eficiencia es siempre igual, por lo que, se obviar en los siguiente modelos
50
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
1
W= Wq =
( )
W (t ) = 1 e ( ) t si t 0 ( ) t
Wq (t ) = 1 e si t 0
pn = (1 ) n si n = 0, 1, ...
c0 = 1
Intensidad = =
s
cn = cn1 si n = 1, 2,..., s - 1
n
c s = cs 1
s
1
p0 = s 1
c
n =0
n + c s
p n = c n p0 si n = 1, 2,..., s - 1
pn = pn1 si n s
L = W c s p0
Lq =
s
51
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
1 Lq
W = Wq + Wq =
Wq (t ) = 1 cs p0 e ( s )t si t 0
W (t ) = 1 (1 + c s p0 t ) e t si t 0 y = s 1
s + Wq (0) t c p0
W (t ) = 1 + e + s e ( s )t si t 0 y s 1
s s
( K + 1)
Intensidad = = = si = 1
( K + 2)
( K +1 1)
= = si 1
K +2 1
1
pn = si n = 0, 1,..., K + 1 y = 1
K +2
1
pn = K + 2 n si n = 0, 1,..., K + 1 y 1
1
pn
qn = si n = 0, 1,..., K
1 p K +1
52
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
K +1 Lq = W q
L= si = 1
2
( K + 2) K + 2
L= si 1
1 1 K +2
L 1
W = Wq = W
53
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Intensidad = = (1 p K + s ) c0 = 1
cn = cn1 si n = 1, 2,..., s - 1
n
c s = cs 1 ( K + 1) si = 1
= K +2
s c s = cs 1 si 1
1
= (1 p K + s )
1
p0 = s 1
c
n =0
n + c s
pn = cn p0 si n = 1, 2,..., s - 1
pn = pn1 si n = s, s + 1,..., K + s
pn
qn = si n = 0, 1,..., K + s - 1
1 pK + s
L = W (1 + K K +1 ( K + 1) K ) 2
Lq = p s 1
(1 ) 2
si 1
K ( K + 1)
Lq = p s 1 si = 1
2
5
El clculo de W(t) para los modelos M/M/s/K, M/M/s/ /H y M/M/s/ /H con Y repuestos se
explicar en el apartado 2.4.1
54
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
1 Lq
W = Wq + Wq =
Clculo de Wq(t):
A = 1, S = 1, B = qs
Desde n = s + 1 hasta K + s - 1 repetir
A = A (s t) / ( n s )
S = S + A
B = B + qn S
Devolver 1 B e s t
Intensidad = = ( H L)
c0 = 1
=
cn = cn1 ( H n + 1) si n = 1, 2,..., H
= ( H L)
55
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
1
p0 = H
c
n =0
n
pn = cn p0 si n = 1, 2,..., H
( H n) pn
qn = si n = 0, 1,..., H - 1
( H L)
Lq = W q
H
L = n pn
n =1
L 1
W = Wq = W
56
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Intensidad = = ( H L)
c0 = 1
= cn = cn1 ( H n + 1) si n = 1, 2,..., s
s n
cn = cn1 ( H n + 1) si n = s + 1,..., H
= ( H L)
1
p0 = H
c
n =0
n
p n = c n p0 si n = 1, 2,..., H
( H n) p n
qn = si n = 0, 1,..., H - 1
( H L)
Lq = W q
H
L = n pn
n =1
L 1
W = Wq = W
6
Con la restriccin H s
57
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Clculo de Wq(t):
A = 1, S = 1, B = qs
Desde n = s + 1 hasta (H - 1) repetir
A = A (s t) / (n s)
S = S + A
B = B + qn S
Devolver 1 B e s t
c0 = 1
Intensidad = =
s Si s Y :
H
cn = cn1 si n = 1, 2,..., s
n
cn = cn1 H si n = s + 1,..., Y
= cn = cn1 ( H + Y n + 1) si n = Y + 1,..., Y + H
s
Si Y s Y + H :
H
cn = cn1 si n = 1, 2,..., Y
n
Y +H
= (H (n Y ) p n )
cn = cn1
( H + Y n + 1)
si n = Y + 1,..., s
n =Y
n
cn = ( H + Y n + 1) cn1 si n = s + 1,..., Y + H
1
p0 = Y +H
c
n =0
n
p n = c n p0 si n = 1, 2,..., Y + H
7
Con la restriccin H+Y s
58
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
H pn
qn = Y +H
si n = 0, 1,..., Y - 1
H (m Y ) p
m =Y
m
( H + Y n) pn
qn = Y +H
si n = Y ,..., Y + H - 1
H (m Y ) p
m =Y
m
Y +H
Lq = W q
L= n p
n =1
n
L 1
W = Wq = W
Clculo de Wq(t):
A = 1, S = 1, B = qs
Desde n = s + 1 hasta (H - 1) repetir
A = A (s t) / (n s)
S = S + A
B = B + qn S
Devolver 1 B e s t
Intensidad = = 0 c0 = 1
cn = cn1 si n = 1, 2,...
n
59
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
p0 = e
p n = c n p0 si n = 1, 2,...
Lq = 0
L=
1 Wq = 0
W=
Matriz probabilidades:
p11 p12 L p1 j L p1K
p 21 p 22 L p2 j L p2 K
M M O M O M
P=
pi1 pi 2 L pij L piK
M M O M O M
p pK 2 L p Kj L p KK
K1
60
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
i K
p0 i = K
i = 1, 2,..., K pi 0 = 1 pij i = 1, 2,..., K
i =1
i
j =1
1 p11 L p j1 L p K1
M O M O M
A = p1 j L 1 p jj L p Kj
M O M O M
p L p jK L 1 p KK
1K
Para que el sistema sea estacionario, debe verificarse que det(A) 0 y i si i para
todos los valores de i = 1, 2,..., K. Si se verifica esta condicin, podremos calcular los
siguientes parmetros de salida:
61
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
c s nodo p0
Lq , nodo = Resolver modelo M/M/s ( nodo, nodo , snodo ) =
s nodo nodo nodo
(ver 2.2.2.2)
K K
LT Lq , T
LT = Lnodo
nodo =1
Lq , T = L
nodo =1
q, nodo WT =
T
Wq , T =
T
Para obtener pi (ni), hay que operar del mismo modo que si tratase de un modelo
M/M/s, con tasa de llegada i, tasa de servicio i y si servidores (para ms
informacin, ver 2.2.2.2).
62
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
p 21 p31 L p K 1,1 p K1
1 p 22 p32 L p K 1, 2 pK 2
A=
M M O M M
p p3, K 1 L 1 p K 1, K 1 p K , K 1
2 , K 1
1 + p11
p12
B=
M
p
1, K 1
63
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
= inverso(A) B
Segn esta frmula es un vector que tiene K-1 elementos, que se corresponden
con 2, 3,..., K. A mayores asignamos a 1 el valor de 1, con lo se convierte en
un vector de K elementos.
i
i = i = 1, 2,..., K
i
Se verifica que:
gi(0) = 1, para i = 1, 2,..., K
g1 (n) = f 1 (n) , para n = 0, 1,..., N
in
si n si
n
n!
f i ( n) = i =
ai ( n )
in
n si
si n > si
si ! s i
Con lo que,
1 f 1 (1) f 1 (2) L f1 ( N )
1 g 2 (1) g 2 (2) L g 2 (N )
G=
M M M O M
1 g (1) g (2) L g K ( N )
K K
64
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Para calcular los valores de la matriz G que desconocemos hay que utilizar la
siguiente frmula recursiva:
n
g m (n) = f m (i ) g m1 (n i ) m = 1, 2,..., K , n = 0, 1,..., N
i =0
1 K
ini
p n1 , n2 ,...nK =
g K ( N ) i =1 ai (ni )
f K (i ) g N ( N i )
p... i = i = 0, 1,..., N
gK (N )
N
L = i p... i
i =1
65
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Clculo de K :
K = 0
Para i = 1, 2,..., N
Si i sK
K = K + K i p... i
Si no
K = K + K sK p... i
Fin Si
Devolver K
L 1 L
W = Wq = W Lq = Wq
K W
Para calcular estas cantidades para el resto de nodos, hay que renombrar todos los
nodos de forma que el nodo de inters sea el ltimo:
66
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
8
En el caso de las redes cerradas, donde no hay entradas de clientes desde el exterior, tanto el
parmetro de simulacin como el de estabilizacin contabilizan las transiciones que un cliente tiene
entre los nodos de la red.
67
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
68
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
69
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
9
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1
70
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Nota:
Como se puede observar, las diferencias entre los algoritmos de simulacin para el
caso de un valor de s genrico (G/G/s, G/G/s/K, G/G/s/ /H y G/G/s/ /H con Y
repuestos) y el caso de un valor de s igual a 1 (G/G/1, G/G/1/K, G/G/1/ /H) no son
muy importantes a efectos de complejidad algortmica. Podra haberse obviado la
codificacin de los casos en los que s es igual a la unidad, ms se opt por su
implementacin para as tener un claro paralelismo entre la parte analtica y la parte
de simulacin.
Por lo que se refiere a la parte analtica, las diferencias entre los casos en que s
toma un valor genrico y en los que s es igual a 1 son muy claras, ya que es ms
eficiente el programar al margen este caso que el realizar los clculos del caso
genrico con el valor del nmero de servidores igual a la unidad. Adems para
algunos casos, como el M/M/1/K o M/M/1/ /H , su implementacin proporciona una
frmula explcita para el valor de W(t), sin necesidad de emplear tcnicas de
integracin numrica.
71
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
10
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1
72
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Si no
Hallar el tiempo que tarda en haber una nueva salida del sistema
Fin Si
Disminuir el tiempo que tarda en haber una nueva llegada en mnimo
Fin Si
Fin Mientras
11
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/s
73
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Fin Si
Si no
Encontrar cual es el servidor en el cual se produce la salida de un cliente
Incrementar el cronmetro en el valor mnimo
Incrementar c en mnimo (nmero de clientes en el sistema)
Si nmero de clientes > nmero de servidores
Incrementar d en mnimo (nmero de clientes en el sistema-nmero de servidores)
Fin Si
Incrementar el tiempo en el que hay n clientes en mnimo
Disminuir en uno el nmero de clientes del sistema
Disminuir el tiempo que tarda en haber una nueva salida en el valor mnimo (en los servidores donde ya haba algn
cliente)
Si (nmero de clientes en el sistema < nmero de servidores)
No puede haber una nueva salida del servidor en el que se ha producido la salida
Si no
Hallar el tiempo que tarda en haber una nueva salida del sistema en el servidor en el que se ha producido
la salida
Fin Si
Disminuir el tiempo que tarda en haber una nueva llegada en mnimo
Fin Si
Fin Mientras
74
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Fin Si
Disminuir en mnimo el tiempo que tardan en llegar los potenciales clientes
Hallar el tiempo que tarda en llegar un nuevo potencial cliente
Si no
Aumentar el n de clientes simulados en una unidad
Hallar cual es el potencial cliente que tarda menos en llegar
Incrementar el cronmetro en el valor mnimo
Incrementar el tiempo en el que hay n clientes en mnimo
Disminuir en mnimo el tiempo que tardan en llegar los potenciales clientes
Anotar la llegada del cliente que ha tardado menos en llegar
Si (nmero de clientes en el sistema = 0)
Incrementar el nmero de clientes en el sistema en una unidad
Hallar el tiempo que tarda en haber una nueva salida
Si no
Incrementar c en mnimo (nmero de clientes en el sistema)
Incrementar d en mnimo (nmero de clientes en el sistema-1)
Incrementar el nmero de clientes en el sistema en una unidad
Disminuir el tiempo que tarda en haber una nueva salida en el valor mnimo
Fin Si
Fin Si
Fin Mientras
12
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1/ /H
75
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Si no
Aumentar el n de clientes simulados en una unidad
Hallar cual es el potencial cliente que tarda menos en llegar
Incrementar el cronmetro en el valor mnimo
Incrementar el tiempo en el que hay n clientes en mnimo
Incrementar c en mnimo (nmero de clientes en el sistema)
Disminuir en mnimo el tiempo que tardan en llegar los potenciales clientes
Anotar la llegada del cliente que ha tardado menos en llegar
Disminuir el tiempo que tarda en haber una nueva salida de alguno de los servidores en los que hay un cliente en el
valor mnimo
Si (nmero de clientes en el sistema < nmero de servidores)
Incrementar el nmero de clientes en el sistema en una unidad
Hallar el tiempo que tarda en haber una nueva salida de un servidor vaco
Si no
Incrementar d en mnimo (nmero de clientes en el sistema-nmero de servidores)
Incrementar el nmero de clientes en el sistema en una unidad
Fin Si
Fin Si
Fin Mientras
76
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
13
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/s/ /H
77
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
78
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Disminuir el tiempo que tarda en haber una nueva salida el valor mnimo (en los servidores donde ya haba algn
cliente)
No puede haber una nueva salida del sistema del servidor en el que se ha producido la salida
Disminuir el tiempo que tarda en haber una nueva llegada en mnimo
Fin Si
Fin Mientras
Para obtener el valor de los parmetros de salida14 hay que proceder como sigue:
c c
L= W=
cronometro parametro de simulacion
d d
Lq = Wq =
cronometro parametro de simulacion
14
Referido a todos los modelos vistos hasta ahora: desde el G/G/1 hasta el G/G/
79
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Hallar cul es el servidor (y en que nodo se encuentra) que tarda menos tiempo en atender a un determinado cliente (de aqu
en adelante, ese servidor ser el servidor x, y ese nodo ser el nodo x)
mnimo = tiempo que se tarda en atender a un cliente en el servidor x del nodo x
Aumentar el n de clientes simulados en una unidad
Disminuir el nmero de clientes del nodo x en una unidad
Disminuir en mnimo el tiempo que tardan en atender el resto de los servidores que no sean el servidor x a un potencial
cliente.
15
En las redes de colas cerradas el parmetro de simulacin equivale al nmero de transiciones de
clientes entre los distintos nodos.
80
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Si no
Aumentar el valor de c (nodo) en mnimo (n clientes (nodo))
Si (n clientes (nodo) > n servidores (nodo))
Aumentar el valor de d (nodo) en mnimo (n clientes (nodo) n servidores(nodo))
Fin Si
Aumentar en mnimo el tiempo en el que hay n clientes (nodo) clientes en el nodo
Fin Si
Fin Para
Fin Mientras
n clientes red (n servidores (nodo))-1
n clientes (nodo) = Nodos de la red cerrada
i =1
(n servidores (i)) -1
Segn esta frmula es posible que quede algn cliente sin asignar, es decir, que tras
esta distribucin inicial, la suma del nmero de clientes que hay en todos los nodos
sea inferior al nmero de clientes que ha introducido el usuario. Para que esto no
ocurra, se inicia un reparto secuencial de los clientes residuales16 , empezando por
el primer nodo.
Ntese que las actualizaciones de los valores de c, d y el tiempo que un cliente est
en un determinado nodo son a posteriori. As, si tenemos la siguiente situacin:
16
Se corresponden con el nmero de clientes que ha introducido el usuario menos la suma del nmero
de clientes en los nodos de la red tras aplicar la frmula inicial
81
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Nodo de
Nodo x
migracin
Otros Nodos
Figura 10- Actualizacin de los valores de "c" y "d" en las redes cerradas
Al entrar en el bucle para que recorre todos los nodos haremos las siguientes
operaciones (en los nodos etiquetados como nodo x y nodo de migracin de la
anterior figura):
Nodo x
c (nodo x) = c (nodo x) + mnimo 3
Si ( 3 > n de servidores (nodo x) )
d (nodo x) = d (nodo x) + mnimo ( 3 n servidores (nodo x) )
Tiempo (3 clientes, nodo x) = Tiempo (3 clientes, nodo x) + mnimo
Nodo de migracin
c (nodo migracin) = c (nodo migracin) + mnimo 5
Si ( 5 > n de servidores (nodo migracin) )
d (nodo migracin) = d (nodo migracin) + mnimo
( 5 n servidores (nodo migracin) )
Tiempo (5 clientes, nodo migracin) = Tiempo (5 clientes, nodo migracin)
+ mnimo
82
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Para obtener el valor de los parmetros de salida hay que proceder como sigue:
c (nodo) c (nodo)
L (nodo) = W (nodo) =
cronometro n de entradas (nodo)
d (nodo) d (nodo)
Lq (nodo) = Wq (nodo) =
cronometro n de entradas (nodo)
mnimo = min(tiempo que tarda en salir un determinado cliente de un servidor x de un nodo x, tiempo que tarda en llegar
un potencial cliente a un nodo y)
Si (mnimo = tiempo de llegada de un potencial cliente)
Aumentar en una unidad el n de clientes simulados
Aumentar en una unidad el n de entradas al nodo y
Aumentar en una unidad el n de clientes del nodo y
Disminuir en mnimo el tiempo de llegada de potenciales clientes
Hallar el tiempo de llegada de un nuevo potencial cliente al nodo y
Disminuir en mnimo el tiempo de salida de clientes en los servidores de aquellos nodos donde exista un cliente
83
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Si (nodo = nodo y)
Aumentar el valor de c (nodo) en mnimo (n clientes (nodo) 1)
Si (n clientes (nodo) 1 > n servidores (nodo))
Aumentar d (nodo) en mnimo (n clientes (nodo) 1 n servidores (nodo))
Fin Si
Aumentar en mnimo el tiempo en el que hay n clientes (nodo) 1 clientes en el nodo
Si no
Aumentar el valor de c (nodo) en mnimo (n clientes (nodo))
Si (n clientes (nodo) > n servidores (nodo))
Aumentar d (nodo) en mnimo (n clientes (nodo) n servidores (nodo))
Fin Si
Aumentar en mnimo el tiempo en el que hay n clientes (nodo) clientes en el nodo
Fin Si
Fin Para
Si no
Disminuir en uno el nmero de clientes del nodo x
Disminuir en mnimo el tiempo de salida de clientes en los servidores de aquellos nodos donde exista un cliente
84
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Para obtener el valor de los parmetros de salida hay que proceder como sigue:
c (nodo) c (nodo)
L (nodo) = W (nodo) =
cronometro n de entradas (nodo)
d (nodo) d (nodo)
Lq (nodo) = Wq (nodo) =
cronometro n de entradas (nodo)
85
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
86
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
2.4.1- Clculo de W(t) en los modelos en los que no hay una solucin
analtica
Tanto para el modelo M/M/s/K (ver apartado 2.2.2.4), como para los modelos
M/M/s/ /H (apartado 2.2.2.6) y M/M/s/ /H con Y repuestos (apartado 2.2.2.7) no
se ha proporcionado una frmula explcita para el clculo de W(t). Esto es debido a
que dicha frmula es excesivamente compleja, y la mayora de los libros ni siquiera
la consideran.
Por todo ello, hemos tenido que optar por otra va para calcular el valor de W(t). En
todos los modelos se verifica que:
t
W (t ) = Wq (t s ) e s ds
0
17
Puede observarse con detalle en [Gar-98]
87
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
de forma muy rpida. Incluso para el caso de tener que mostrar la evolucin de la
funcin W(t) en un rango de valores (esto se hace resolviendo la integral para cien
valores equiespaciados en dicho rango, es decir realizando cien aproximaciones
mediante integracin numrica) se resuelve muy rpidamente.
( K + 2) K + 2
L= , sustituyendo tenemos que
1 1 K +2
Este problema puede darse en otros modelos en funcin de los valores de los
parmetros de entrada que introduzca el usuario. Para solucionar el problema, le
indicamos al usuario por medio de un mensaje de error que se ha producido un
88
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Esto puede provocar que debido a las mltiples operaciones que hay que realizar
para el clculo de L (normalmente son varias sumas y productos), se puede
obtener en algunos casos un valor para W ligeramente inferior a 1/, lo que
provocara que tanto el valor de Wq, como de Lq fuesen negativos, en vez de ser
igual a cero. Para solucionar este problema, asignamos directamente el valor cero
a dichas variables en caso de que se de esta situacin.
89
Captulo 2:Aspectos de implementacin Jorge L. Vega Valle
Para evitar estos mensajes de aviso basta con escribir lo siguiente (esto slo es
vlido con la versin 6.5 de MATLAB) en la lnea de comandos:
90
Captulo 3: Evaluacin de la aplicacin
Primer caso
92
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Tamao de la cola: K = 3
N Clientes Simulacin
100 1000 5000 10000 50000 100000
100 8.582 % 7.017 % 1.415 % 1.643 % 0.481 % 0.463 %
Parm.
Estab.
Segundo caso
N Clientes Simulacin
100 1000 5000 10000 50000 100000
100 83.290 % 52.723 % 6.986 % 3.935 % 0.680 % 0.338 %
Parm.
Estab.
En las tablas anteriores, se muestra el error medio (en tanto por ciento) de cinco
muestras en el clculo de L.
93
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Como podemos observar, los resultados del primer caso son muy diferentes a los
del segundo. As, mientras en el primer caso apenas tiene influencia el aumento del
valor del parmetro de estabilizacin, para el segundo caso podemos ver como un
aumento del parmetro de estabilizacin tiene una gran influencia en el error
obtenido. Esto es debido a que en el primer caso no es muy importante el estado del
cual se parta para el clculo de L, mientras que en el segundo caso es crucial.
Recomendacin prctica
94
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Primer caso
Segundo caso
95
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Tercer caso
96
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Los resultados obtenidos en las tablas anteriores muestran el error medio cometido
(por cinco muestras) en el clculo de L.
Como podemos ver en las tablas anteriores, dependiendo de las caractersticas del
modelo que tengamos, el valor de la intensidad de trfico puede tener una gran
influencia en el error cometido. Para el primer y tercer caso, vemos como al
aumentar el valor de la intensidad de trfico mayor es el error cometido y, a medida
que sta se acerca ms a uno, el error aumenta mucho ms. Esto es debido a que en
estos casos, cuanto mayor sea el valor de la intensidad de trfico, mayor ser tambin
la dependencia que existe entre los datos de la muestra obtenida por simulacin. Por
otra parte, para el segundo caso no ocurre lo mismo, ya que, al tener un valor de H
tan bajo, la dependencia entre las observaciones se atena (el tiempo de estancia en
el sistema de un cliente y del siguiente a l no pueden tener una correlacin muy alta)
97
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Los resultados obtenidos pueden verse en la siguiente tabla: (el error que se
muestra corresponde a la media de cinco muestras en el clculo de L)
18
No definida como tal para los modelos de redes de colas
98
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
99
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
2 + 2 S2
L=+
2 (1 )
donde:
= = = Media ( Distrib de Servicio)
1
Media ( Distribucin de Servicio)
19
Ver Apndice A para observar la definicin de dichas distribuciones
100
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin exponencial
L(Pollaczek-Khintchine) = 0.17647
20
Todas las pruebas se han realizado con un valor igual a 1.000 en parmetro de estabilizacin y con
un valor igual a 10.000 en nmero de clientes de la simulacin
101
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
=3
=5
= 0.6
2S = 0.04
L(Pollaczek-Khintchine) = 1.5
=3
= 10/3
= 0.9
2S = 0.09
102
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
L(Pollaczek-Khintchine) = 9
35,0000
30,0000
25,0000
20,0000 Ro = 0.15 (bajo)
Ro = 0.6 (medio)
15,0000
Ro = 0.9 (alto)
10,0000
5,0000
0,0000
Prueba Prueba Prueba Prueba Prueba
1 2 3 4 5
103
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin uniforme
=1
a = 0.2
b = 0.8
= 0.5
2S = 0.03
L(Pollaczek-Khintchine) = 0.78
104
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin determinista
=2
d = 0.3
= 0.6
2S = 0
L(Pollaczek-Khintchine) = 1.05
105
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin gamma
= 0.5
p=2
a=3
= 1/3
2S = 2/9 0.2222
106
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin beta
=2
p=1
q=5
k=1
= 1/3
2S = 5/252
107
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin lognormal
= 0.2
=1
= 0.2
108
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin normal
= 0.2
=4
= 0.5
= 0.8
2S = 0.25
L(Pollaczek-Khintchine) = 2.425
109
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin de Weibull
llegada = 1
Weibull = 10
= 0.5
= 0.2
2S = 0.2
L(Pollaczek-Khintchine) = 0.35
110
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Distribucin de probabilidad
Intensidad de trfico
Parmetro de estabilizacin y nmero de clientes de la simulacin
Modelo de colas
111
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Como conclusin, se puede observar que la distribucin que se elija tiene una gran
influencia en el tiempo de ejecucin del algoritmo; por ejemplo, el tiempo de
ejecucin del algoritmo con la distribucin beta es casi cinco veces superior al de la
distribucin determinista. Esto es debido a que la generacin de nmeros de una
determinada distribucin (ver 2.1.4) es ms compleja en unos casos que en otros.
Puede observarse que todos los modelos son estacionarios ( < 1). Los tiempos de ejecucin que se
21
112
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
113
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
estabilizacin), se requiere que el nmero de llegadas, que inicialmente vale cero, sea
igual al nmero de clientes de la simulacin (en el caso del bucle de estabilizacin,
igual al parmetro de estabilizacin). El nmero de llegadas aumenta cuando no hay
ningn cliente en el sistema (debe de producirse de forma forzosa una llegada) o
cuando hay algn cliente y se produce una llegada. La intensidad de trfico tiene una
gran influencia en ambos casos, pues, el primero de ellos se produce con mayor
frecuencia cuanto menor es su valor, mientras que el segundo de los casos se produce
con mayor frecuencia cuanto mayor es su valor.
114
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
N Clientes Simulacin
1000 5000 10000 20000 50000 100000
10 1.913 2.614 3.555 5.417 10.966 20.159
100 1.893 2.634 3.565 5.408 10.986 20.169
Estabilizacin
Parmetro de
115
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
22
Estos trminos se definen con detalle en [Wei-95]
23
Salvo en el modelo G/G/ en donde la intensidad de trfico es siempre igual a cero
116
Captulo 3: Evaluacin de la aplicacin Jorge L. Vega Valle
Como conclusin, se puede observar que el tipo del modelo de colas tiene una gran
influencia en el tiempo de ejecucin del algoritmo de simulacin. As se puede
observar como el tiempo de ejecucin para el modelo G/G/s/ /H es ms de dos
veces superior al tiempo de ejecucin del modelo G/G/1. Esto es debido a que las
operaciones que se tienen que realizar no son las mismas en todos los modelos (vase
en el apartado 2.3.2 las diferencias entre los distintos algoritmos).
117
Captulo 4: Conclusiones y trabajo futuro
Las cosas, una vez principiadas, ni se han de olvidar ni dejar, hasta ser acabadas,
que es nota de poca prudencia muchos actos comenzados y acabado ninguno
(Mateo Alemn, escritor espaol, siglos XVI y XVII)
Captulo 4: Conclusiones Jorge L. Vega Valle
Trabajo futuro
A pesar de que la herramienta es capaz de solucionar los objetivos (ver 1.1.2) que
se marcaron al inicio del proyecto, existen otras tareas que se podran realizar en
futuros trabajos:
119
Captulo 4: Conclusiones Jorge L. Vega Valle
120
Apndice A: Caractersticas de las de distribuciones
usadas en la aplicacin
A continuacin se muestran las caractersticas ms importantes (funcin de
densidad, media y varianza) de las distintas distribuciones que se utilizan en la
aplicacin.
f ( x) = e x x>0
1
E( X ) =
1
Var ( X ) =
2
1
f ( x) = x ( a, b)
ba
a+b
E( X ) =
2
(b a ) 2
Var ( X ) =
12
121
Distribucin determinista: D(d)
f ( x) = d
E( X ) = d
Var ( X ) = 0
ap
f ( x) = e a x x p 1 x>0
( p)
p
E( X ) =
a
p
Var ( X ) =
a2
kp
E( X ) =
p+q
pq
Var ( X ) = k 2
( p + q ) ( p + q + 1)
2
122
Distribucin lognormal: L(,)
(ln( x ) ) 2
1
f ( x) = e 2 2
x R
x 2
2
( + )
E( X ) = e 2
2 2
Var ( X ) = e e 2 (e 1)
( x )2
1
f ( x) = e 2 2
xR
2
E( X ) =
Var ( X ) = 2
f ( x) = x 1 e ( x ) x0
1 1
E( X ) = (1 + )
1 2 1
Var ( X ) = (1 + ) 2 (1 + )
2
b
Donde ( p) = x p 1 e x dx Adems, si p entonces (p) = (p - 1)!
0
123
Apndice B: Instalacin y ejecucin de la aplicacin
Requisitos de la aplicacin
Requisitos de software
Requisitos de hardware
24
Tanto el valor de la memoria RAM, como de la velocidad del procesador, no se corresponden
realmente con una limitacin, sino ms bien con una recomendacin para poder ejecutar la aplicacin
de forma rpida.
124
Instalacin de la aplicacin
Para ello hay que seleccionar en el men File la opcin Set Path, y nos aparece
una ventana como la que se muestra a continuacin:
125
debemos almacenarla (opcin Save), para as no tener que introducirla cada vez que
volvamos a ejecutar MATLAB.
Ejecucin de la aplicacin
Si ya le hemos indicado al sistema donde localizar los archivos que forman parte de
la aplicacin, estamos en condiciones de poder ejecutarla.
Para ello, lo nico que hay que hacer es teclear lo siguiente en la Ventana de
Comandos de MATLAB:
>> aquas
126
Apndice C: Contenido del CD
El contenido del CD adjunto a esta memoria se divide en las siguientes carpetas:
127
Bibliografa
Los libros son, de entre mis consejeros, los que ms me agradan, porque ni el temor
ni la ambicin les impiden decirme lo que debo hacer.
(Alfonso II de Aragn, el Casto, Rey de la corona de Aragn, siglo XII)
[All-90] Allen, A.O. (1990). Probability, Statistics and Queueing Theory with Computer
Science Applications. Academic Press.
[Gro-98] Gross, D. and Harris, C.M. (1998). Fundamentals of Queueing Theory. Wiley.
[Law-91] Law, A.M. and Kelton, W.D.(1991). Simulation Modeling and Analysis. McGraw-
Hill.
128
[Mar-99] Marchand P. (1999). Graphics and GUIs with MATLAB. CRC Press.
[Wat-89] Watson H.J. and Blackstone J.H. (1989). Computer Simulation. Wiley.
Sitios Web
[1] MATLAB. The Language of Technical Computing. Home Page. The MathWorks.
http://www.mathworks.com, 2004
[2] MATLAB. The Language of Technical Computing. Statistics Toolbox. The MathWorks.
http://www.mathworks.com/access/helpdesk/help/pdf_doc/stats/stats.pdf, 2004
[3] MATLAB. The Language of Technical Computing. Creating Grafical User Interfaces.
Version 6. The MathWorks
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/buildgui.pdf, 2004
[4] MATLAB. The Language of Technical Computing. Getting Started With MATLAB.
Version 6. The MathWorks
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/getstart.pdf, 2004
129
[5] MATLAB. The Language of Technical Computing. Using MATLAB Graphics. Version 6.
The MathWorks
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/graphg.pdf, 2004
[6] MATLAB. The Language of Technical Computing. MATLAB Function Reference. Version
6. The MathWorks
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/refbook.pdf,
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/refbook2.pdf,
http://www.mathworks.com/access/helpdesk/help/pdf_doc/matlab/refbook3.pdf, 2004
[7] MATLAB. The Language of Technical Computing. MATLAB Compiler. Version 6. The
MathWorks
http://www.mathworks.com/access/helpdesk/help/pdf_doc/compiler/compiler3.pdf, 2004
[8] Manual de Matlab 6.0: Aprenda Matlab 6.0 como si estuviera en primero. Escuela
Superior de Ingenieros Industriales. Universidad de Navarra,
http://www1.ceit.es/asignaturas/Informat1/AyudaInf/aprendainf/matlab60/matlab60.pdf,
Julio 2001
130