Teoría de Colas y Aquas en MATLAB PDF

UNIVERSIDADE DA CORUÑA
FACULTAD DE INFORMÁTICA
Departamento de Matemáticas
PROYECTO DE FIN DE CARRERA DE

INGENIERÍA INFORMÁTICA
Diseño e implementación de una herramienta para la

enseñanza y el aprendizaje de la teoría de colas
Autor : Jorge L. Vega Valle

Director : Ricardo Cao Abad
A Coruña, Enero de 2004
Título del proyecto: Diseño e implementación de una herramienta para
la enseñanza y aprendizaje de la teoría de colas.
Clase de proyecto: Clásico de ingeniería
Nombre del autor: Jorge L. Vega Valle
Nombre del director: Ricardo Cao Abad
Miembros del Tribunal
Fecha de lectura y
defensa
Calificación obtenida
A mi madre
AGRADECIMIENTOS
Se me hace bastante complicado el intentar condensar en una sola página los

agradecimientos a todas aquellas personas que han tenido una influencia directa o
indirecta en la realización de este proyecto.
En primer lugar, a mi familia, en especial a mi abuela, mi madre y mi hermana, por

su preocupación, su apoyo en los momentos difíciles y la confianza depositada en mí.
También me gustaría agradecer a todos aquellos profesores de la facultad,

especialmente a mi director de proyecto, Ricardo Cao, por su dedicación, su
disposición y por toda la ayuda prestada y a José Mª Domínguez.
No sería justo que me quedase sin agradecer tanto a todos los compañeros de
prácticas que he tenido a lo largo de estos años: Pablo, Alberto, Víctor, Miguel,... y
sobre todo a Juanda, como a todos los compañeros y amigos que he conocido en la
facultad.
Por último, aunque no por ello menos importante, me gustaría también dar las
gracias a mis amigos de Santa María del Mar, especialmente a Juan y a Luis, por su
preocupación y las veces que nos hemos reído todos juntos.
RESUMEN
Mediante la realización de este proyecto se pretende desarrollar una aplicación que

permita resolver los distintos problemas de teoría de colas (modelos y redes de colas)
que se puedan plantear, y que al mismo tiempo pueda ser empleada en un ámbito
docente.
Para ello se ha desarrollado en MATLAB® una aplicación que resuelve dichos

problemas desde una perspectiva dual: aquellos modelos en los cuales tanto la
distribución del tiempo entre llegadas como la distribución del tiempo de servicios
sean de carácter exponencial, se resolverán de forma analítica, proporcionando una
respuesta exacta a dicho problema implementado las distintas fórmulas existentes;
por otra parte cuando la distribución del tiempo entre llegadas o la del tiempo de
servicios sean o no exponenciales, se resolverá dicho problema empleando técnicas
de simulación.
En ambos casos el usuario tiene la posibilidad de conocer las características del

problema introducido mediante la visualización (gráfica o numérica) de un
determinado número de parámetros como los siguientes: número medio de clientes
en el sistema, número medio de clientes en la cola, tiempo medio que un cliente está
en el sistema, tiempo medio de espera en la cola, eficiencia del sistema, intensidad de
tráfico del sistema, probabilidad de que haya un determinado número de clientes en
el sistema, probabilidad de que haya un determinado número de clientes en el
sistema justo cuando una nueva llegada se está produciendo o la probabilidad de que
un determinado cliente esté en la cola o en el sistema durante un tiempo menor que
uno establecido.
Con el desarrollo de esta aplicación, se pretende ofrecer al usuario la posibilidad de

conocer mejor las características del problema introducido e incluso tomar decisiones
sobre el mismo si se trata de un problema real.
PALABRAS CLAVE
Fase de estabilización, Fase de simulación, Modelo M/M/-, Redes de Jackson

abiertas, Redes de Jackson cerradas, Simulación estocástica, Sistemas de espera,
Tasa de llegada, Tasa de servicio, Teoría de colas.
Lista de Figuras
Figura 1- Modelo de una cola simple .........................................................................15

Figura 2- Elementos existentes en un modelo de colas..............................................19
Figura 3- Red de Jackson abierta con K = 3...............................................................28
Figura 4- Red de Jackson cerrada con K = 3 ..............................................................30
Figura 5- Resumen de tipos de simulación ................................................................36
Figura 6- Comportamiento de la simulación ..............................................................38
Figura 7- Ciclo de vida para la parte de resolución analítica .....................................42
Figura 8- Ciclo de vida para la parte de simulación...................................................43
Figura 9- Comportamiento gráfico de la simulación..................................................68
Figura 10- Actualización de los valores de "c" y "d" en las redes cerradas ................82
Figura 11- Localización de la carpeta en donde se encuentra la aplicación.............125
Figura 12- Ventana inicial de la aplicación..............................................................126
Índice
Capítulo 1: Introducción ...........................................................................................11
1.1- Características iniciales del proyecto ..........................................................12
1.1.1- Justificación del proyecto.........................................................................12

1.1.2- Objetivos del proyecto .............................................................................12
1.1.3- Herramienta utilizada para el desarrollo ..................................................13
1.2- Introducción a la Teoría de Colas ...............................................................14
1.2.1- El origen ...................................................................................................14

1.2.2- Definiciones iniciales ...............................................................................15
1.2.3- Objetivos de la Teoría de Colas ...............................................................16
1.2.4- Elementos existentes en un modelo de colas ...........................................17
1.2.5- Terminología y notación ..........................................................................20
1.2.5.1- Terminología .........................................................................................20
1.2.5.2- Conceptos básicos .................................................................................21
1.2.5.3- Notación de Kendall..............................................................................22
1.2.6- Redes de colas ..........................................................................................24
1.2.6.1- Introducción a las redes de colas...........................................................24
1.2.6.2- Redes de Jackson abiertas .....................................................................26
1.2.6.3- Redes de Jackson cerradas ....................................................................28
1.3- Introducción a la Simulación .......................................................................31
1.3.1- Conceptos básicos ....................................................................................31

1.3.2- Experimentación real y simulación..........................................................32
1.3.3- Tipos de simulación .................................................................................33
1.3.3.1- Simulación estática y dinámica.............................................................33
1.3.3.2- Simulación por eventos y por cuantos ..................................................34
1.3.4- Problemas de estabilización y dependencia .............................................36
1.3.5- Comportamiento de la simulación ...........................................................37
1.3.6- Aplicaciones comunes y uso de la simulación.........................................38
Capítulo 2: Aspectos de implementación..................................................................40
2.1- Características generales de la aplicación ..................................................41
2.1.1- Filosofía de la implementación ................................................................41

2.1.2- Ciclo de vida empleado............................................................................42
2.1.3- Parámetros de entrada y salida.................................................................43
2.1.4- Distribuciones de probabilidad elegidas ..................................................48
2.2- Resolución analítica ......................................................................................50
2.2.1- Características generales ..........................................................................50

2.2.2- Resolución de los modelos.......................................................................50
2.2.2.1- Modelo M/M/1 ......................................................................................50
2.2.2.2- Modelo M/M/s.......................................................................................51
2.2.2.3- Modelo M/M/1/K...................................................................................52
2.2.2.4- Modelo M/M/s/K ...................................................................................54
2.2.2.5- Modelo M/M/1/∞ /H .............................................................................55
2.2.2.6- Modelo M/M/s/∞ /H..............................................................................57
2.2.2.7- Modelo M/M/s/∞ /H con Y repuestos....................................................58
2.2.2.8- Modelo M/M/∞......................................................................................59
2.2.2.9- Redes de Jackson abiertas .....................................................................60
2.2.2.10- Redes de Jackson cerradas ..................................................................63
2.3- Resolución por simulación............................................................................67
2.3.1- Características generales ..........................................................................67

2.3.2- Implementación de los distintos modelos ...............................................68
2.3.2.1- Bucle de simulación del modelo G/G/1 ................................................69
2.3.2.2- Bucle de simulación del modelo G/G/s.................................................70
2.3.2.3- Bucle de simulación del modelo G/G/1/K ............................................72
2.3.2.4- Bucle de simulación del modelo G/G/s/K.............................................73
2.3.2.5- Bucle de simulación del modelo G/G/1/∞ /H .......................................74
2.3.2.6- Bucle de simulación del modelo G/G/s/∞ /H........................................75
2.3.2.7- Bucle de simulación del modelo G/G/s/∞ /H con Y repuestos..............77
2.3.2.8- Bucle de simulación del modelo G/G/∞ ...............................................78
2.3.2.9 Bucle de simulación de las redes cerradas .............................................80
2.3.2.10- Bucle de simulación de las redes abiertas ...........................................83
2.4- Detalles de la implementación......................................................................87
2.4.1- Cálculo de W(t) en los modelos en los que no hay una solución analítica
............................................................................................................................87
2.4.2- Problemas de desbordamiento en el cálculo ............................................88
2.4.3- Problemas de precisión en el cálculo .......................................................89
Capítulo 3: Evaluación de la aplicación...................................................................91
3.1- Validación de los resultados de la simulación ............................................92

3.1.1- Variación del parámetro de estabilización y del número de clientes de la
simulación ..........................................................................................................92
3.1.2- Variación de la intensidad de tráfico........................................................95
3.1.3- Variación del modelo de colas .................................................................97
3.2- Validación de la simulación de las distribuciones de probabilidad........100
3.3- Influencia de la variación de algunos parámetros en el tiempo de

ejecución de la simulación .................................................................................111
3.3.1- Variación de la distribución de probabilidad .........................................111
3.3.2- Variación de la intensidad de tráfico......................................................113
3.3.3- Variación del parámetro de estabilización y número de clientes de la
simulación ........................................................................................................114
3.3.4- Variación del modelo de colas ...............................................................116
Capítulo 4: Conclusiones y trabajo futuro .............................................................118
Apéndice A: Características de las de distribuciones usadas en la aplicación .121

Apéndice B: Instalación y ejecución de la aplicación..........................................124
Apéndice C: Contenido del CD .............................................................................127
Bibliografía..............................................................................................................128
Capítulo 1: Introducción
“No importa en qué cola se sitúe: La otra siempre avanzará más rápido”
(Primera Ley de Harper)
“Y si se cambia de cola, aquélla en la que estaba al principio empezará a ir más

deprisa” (Segunda Ley de Harper)
Capítulo 1: Introducción Jorge L. Vega Valle
1.1- Características iniciales del proyecto
1.1.1- Justificación del proyecto
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 fenómeno de las colas surge cuando unos recursos compartidos
necesitan ser accedidos para dar servicio a un elevado número de trabajos o clientes.
El estudio de las colas es importante porque proporciona tanto una base teórica del
tipo de servicio que podemos esperar de un determinado recurso, como la forma en la
cual dicho recurso puede ser diseñado para proporcionar un determinado grado de
servicio a sus clientes.
Debido a lo comentado anteriormente, se plantea como algo muy útil el desarrollo

de una herramienta que sea capaz de dar una respuesta sobre las características que
tiene un determinado modelo de colas.
1.1.2- Objetivos del proyecto
Estos son algunos de los objetivos que se pretenden alcanzar con el desarrollo de la
aplicación:
Facilitar al usuario una herramienta que le permita obtener de forma sencilla

(tanto gráfica como analíticamente), las características de un determinado
modelo de colas.
12
Fomentar el estudio y aprendizaje de la teoría de colas en un ámbito docente,

usando la herramienta como un posible complemento de las clases teóricas.
Poder estudiar como influye la variación de los parámetros de un modelo

sobre el modelo inicial para así, facilitar la toma de decisiones.
1.1.3- Herramienta utilizada para el desarrollo
La programación de los distintos modelos de colas conlleva la codificación de un

gran número de fórmulas matemáticas, no todas ellas sencillas, que dan respuesta a
las características del mismo. Asimismo, el cálculo vectorial y matricial está presente
en una gran parte de estas fórmulas matemáticas (por ejemplo: las probabilidades
para ir de un nodo a otro forman una matriz, la evolución de ฟ(t) a lo largo del
tiempo se puede guardar en un vector,...).
Por todo ello, y también debido a su facilidad de uso, a la productividad respecto a

otros entornos de desarrollo y a que se trata de una herramienta ampliamente
extendida en el ámbito docente que puede ayudar a fomentar la enseñanza y el
aprendizaje de la teoría de colas se ha elegido MATLAB® como la herramienta más
adecuada para resolver un problema de estas características.
13
1.2- Introducción a la Teoría de Colas

En muchas ocasiones en la vida real, un fenómeno muy común es la formación de
colas o líneas de espera. Esto suele ocurrir cuando la demanda real de un servicio es
superior a la capacidad que existe para dar dicho servicio. Ejemplos reales de esa
situación son: los cruces de dos vías de circulación, los semáforos, el peaje de una
autopista, los cajeros automáticos, la atención a clientes en un establecimiento
comercial, la avería de electrodomésticos u otro tipo de aparatos que deben ser
reparados por un servicio técnico, etc.
Todavía más frecuentes, si cabe, son las situaciones de espera en el contexto de la

informática, las telecomunicaciones y, en general, las nuevas tecnologías. Así, por
ejemplo, los procesos enviados a un servidor para ejecución forman colas de espera
mientras no son atendidos, la información solicitada, a través de Internet, a un
servidor Web puede recibirse con demora debido a congestión en la red o en el
servidor propiamente dicho, podemos recibir la señal de líneas ocupadas si la central
de la que depende nuestro teléfono móvil está colapsada en ese momento, etc.
1.2.1- El origen
El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang

(Dinamarca, 1878 - 1929) en 1909 para analizar la congestión de tráfico telefónico
con el objetivo de cumplir la demanda incierta de servicios en el sistema telefónico
de Copenhague. Sus investigaciones acabaron en una nueva teoría denominada teoría
de colas o de líneas de espera. Esta teoría es ahora una herramienta de valor en
negocios debido a que un gran número de problemas pueden caracterizarse, como
problemas de congestión llegada-salida.
14
1.2.2- Definiciones iniciales
La teoría de colas es el estudio matemático del comportamiento de líneas de

espera. Esta se presenta, cuando los “clientes” llegan a un “lugar” demandando un
servicio a un “servidor”, el cual tiene una cierta capacidad de atención. Si el servidor
no está disponible inmediatamente y el cliente decide esperar, entonces se forma la
línea de espera.
Una cola es una línea de espera y la teoría de colas es una colección de modelos
matemáticos que describen sistemas de línea 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 línea 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 algún tipo y salen después 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 situación típica en la cual los clientes llegan, esperan si
los servidores están ocupados, son servidos por un servidor disponible y se marchan
cuando se obtiene el servicio requerido.
Servidor(es)
Llegadas Salidas
Posiciones de
espera
Figura 1- Modelo de una cola simple
15
El problema es determinar qué capacidad o tasa de servicio proporciona el balance

correcto. Esto no es sencillo, ya que un cliente no llega a un horario fijo, es decir, no
se sabe con exactitud en que momento llegarán los clientes. También el tiempo de
servicio no tiene un horario fijo.
Los problemas de “colas” se presentan permanentemente en la vida diaria: un

estudio en EEUU concluyó que, por término medio, un ciudadano medio pasa cinco
años de su vida esperando en distintas colas, y de ellos casi seis meses parado en los
semáforos.
1.2.3- Objetivos de la Teoría de Colas
Los objetivos de la teoría de colas consisten en:
Identificar el nivel óptimo de capacidad del sistema que minimiza el coste

global del mismo.
Evaluar el impacto que las posibles alternativas de modificación de la

capacidad del sistema tendrían en el coste total del mismo.
Establecer un balance equilibrado (“óptimo”) entre las consideraciones

cuantitativas de costes y las cualitativas de servicio.
Hay que prestar atención al tiempo de permanencia en el sistema o en la cola: la

“paciencia” de los clientes depende del tipo de servicio específico considerado y eso
puede hacer que un cliente “abandone” el sistema.
16
1.2.4- Elementos existentes en un modelo de colas
Fuente de entrada o población potencial: Es un conjunto de individuos

(no necesariamente seres vivos) que pueden llegar a solicitar el servicio en
cuestión. Podemos considerarla finita o infinita. Aunque el caso de infinitud no
es realista, sí permite (por extraño que parezca) resolver de forma más sencilla
muchas situaciones en las que, en realidad, la población es finita pero muy
grande. Dicha suposición de infinitud no resulta restrictiva cuando, aún siendo
finita la población potencial, su número de elementos es tan grande que el
número de individuos que ya están solicitando el citado servicio prácticamente no
afecta a la frecuencia con la que la población potencial genera nuevas peticiones
de servicio.
Cliente: Es todo individuo de la población potencial que solicita servicio.

Suponiendo que los tiempos de llegada de clientes consecutivos son 0<t1<t2<...,
será importante conocer el patrón de probabilidad según el cual la fuente de
entrada genera clientes. Lo más habitual es tomar como referencia los tiempos
entre las llegadas de dos clientes consecutivos: τ{k} = tk - tk-1, fijando su
distribución de probabilidad. Normalmente, cuando la población potencial es
infinita se supone que la distribución de probabilidad de los τk (que será la
llamada distribución de los tiempos entre llegadas) no depende del número de
clientes que estén en espera de completar su servicio, mientras que en el caso de
que la fuente de entrada sea finita, la distribución de los τk variará según el
número de clientes en proceso de ser atendidos.
Capacidad de la cola: Es el máximo número de clientes que pueden estar

haciendo cola (antes de comenzar a ser servidos). De nuevo, puede suponerse
finita o infinita. Lo más sencillo, a efectos de simplicidad en los cálculos, es
suponerla infinita. Aunque es obvio que en la mayor parte de los casos reales la
17
capacidad de la cola es finita, no es una gran restricción el suponerla infinita si es

extremadamente improbable que no puedan entrar clientes a la cola por haberse
llegado a ese número límite en la misma.
Disciplina de la cola: Es el modo en el que los clientes son seleccionados

para ser servidos. Las disciplinas más habituales son:
La disciplina FIFO (first in first out), también llamada FCFS (first

come first served): según la cual se atiende primero al cliente que antes haya
llegado.
La disciplina LIFO (last in first out), también conocida como LCFS

(last come first served) o pila: que consiste en atender primero al cliente que
ha llegado el último.
La RSS (random selection of service), o SIRO (service in random

order), que selecciona a los clientes de forma aleatoria.
La disciplina RR (round robin), según la cual se otorga un pequeño

cuanto de tiempo de servicio a cada cliente de forma secuencial. Esto viene a
equivaler a repartir los recursos de forma igualitaria entre todos los clientes
en espera y, por supuesto sólo tiene sentido en algunas circunstancias (como
el ámbito de la informática).
Mecanismo de servicio: Es el procedimiento por el cual se da servicio a

los clientes que lo solicitan. Para determinar totalmente el mecanismo de servicio
debemos conocer el número de servidores de dicho mecanismo (si dicho número
fuese aleatorio, la distribución de probabilidad del mismo) y la distribución de
probabilidad del tiempo que le lleva a cada servidor dar un servicio. En caso de
18
que los servidores tengan distinta destreza para dar el servicio, se debe
especificar la distribución del tiempo de servicio para cada uno.
La cola, propiamente dicha, es el conjunto de clientes que hacen espera, es

decir los clientes que ya han solicitado el servicio pero que aún no han pasado al
mecanismo de servicio.
El sistema de la cola: es el conjunto formado por la cola y el mecanismo

de servicio, junto con la disciplina de la cola, que es lo que nos indica el criterio
de qué cliente de la cola elegir para pasar al mecanismo de servicio.
Estos elementos pueden verse más claramente en la siguiente figura:
Disciplina de la cola
Llegada de un cliente
Cola
Servicio
Fuente de
entrada
Mecanismo de servicio
Sistema de la cola
Figura 2- Elementos existentes en un modelo de colas
19
1.2.5- Terminología y notación
1.2.5.1- Terminología
A menos que se establezca otra cosa, y tomando como referencia [Cao-02], se

utilizará la siguiente terminología estándar:
N(t): Denota el número de clientes en el sistema en el instante t. N(t) es un

proceso estocástico en tiempo continuo y con espacios de estados discreto.
Nq(t): Representa el número de clientes en la cola en el instante t.
Pn(t): Es la probabilidad de que, en el instante t, se encuentren n clientes en

el sistema. A estos efectos se supone conocido el número de clientes en el
instante cero (usualmente dicho número es cero).
s: Denota el número de servidores del mecanismo de servicio.
λn: Representa el número medio de llegadas de clientes al sistema, por

unidad de tiempo, cuando ya hay n clientes en él. También se denomina tasa de
llegadas (que se correspondería con la tasa de nacimientos si N(t) es un proceso
de nacimiento y muerte). Cuando las tasas de llegada no dependen de n (es decir
todos los λn son constantes) suele denotarse por λ dicho valor constante.
µn: Es el número medio de clientes a los que se les completa el servicio,

por unidad de tiempo, cuando hay n clientes en el sistema. Es frecuente referirse
a los µn como tasas de complección de servicio (o, simplemente, tasas de
servicio). Si todos los servidores tienen la misma distribución del tiempo de
servicio, suele denotarse por µ el número medio de clientes que puede atender
20
cada servidor por unidad de tiempo. Como consecuencia se tiene que µn= n • µ si
n = 1, 2,..., s y µn = s • µ para n ≥ s.
ρ: Es la llamada constante de utilización del sistema o intensidad de

tráfico. Se define, como
λ
ρ=
sµ
Cuando los λn son constantes y todos los servidores tienen la misma distribución de
tiempo de servicio, λ es el número medio de clientes que entran en el sistema y sµ es
el número medio de clientes a los que pueden dar servicio los s servidores cuando
todos están ocupados. En estas condiciones, ρ representa la fracción de recursos del
sistema que es consumida por los clientes. Así, intuitivamente, parece necesario que
se cumpla, en estos casos, que ρ < 1 y además cuanto más cercano a 1 que sea su
valor, más tráfico ha de soportar el sistema (o menos tiempo libre tendrán los
servidores, o más espera habrán de sufrir los clientes, como se quiera expresar).
Aunque es evidente que ρ no tiene unidades, es habitual medir la intensidad de
tráfico en Erlangs, en honor a los trabajos pioneros de Erlang en la teoría de colas.
1.2.5.2- Conceptos básicos
Los siguientes conceptos, como se puede ver en [Cao-02], son de utilidad para
analizar las características y el comportamiento de un modelo de colas estacionario:
N: Es la variable aleatoria que contabiliza el número de clientes en el sistema.
Nq: Denota la variable aleatoria número de clientes en la cola.
21
pn: Es la probabilidad de que se encuentren n clientes en el sistema (n = 0,

1,…).
L: Representa el número medio de clientes en el sistema, es decir L = E(N).
Lq: Que no es más que el número medio de clientes en la cola, o lo que es lo

mismo, Lq = E(Nq).
ฟ: Es la variable aleatoria que describe el tiempo que un cliente pasa en el

sistema o también llamado tiempo de espera en el sistema (incluyendo el tiempo
de servicio) para cada cliente.
ฟq: Representa el tiempo que un cliente espera en la cola.
W: Es el tiempo medio que un cliente está en el sistema. En términos

matemáticos, W = E(ฟ).
Wq: Denota el tiempo medio de espera en la cola para un cliente genérico.

Matemáticamente, Wq = E(ฟq).
1.2.5.3- Notación de Kendall
Para clasificar los posible tipos de sistemas de colas debemos especificar las
características que determinan los elementos que lo componen. Así, Kendall (ver
[Bos-02], [Cao-02] o [Hil-97]) introdujo en 1953 la notación A/B/s para indicar que
la distribución del tiempo entre llegadas es de del tipo A, que B es la distribución del
tiempo de servicio y que s es el número de servidores. Posteriormente esta notación
22
se extendió dando lugar a la más habitual en nuestros días, consistente en designar el

sistema de una cola con la nomenclatura A/B/s/K/H/Z, donde:
A es la distribución del tiempo entre llegadas. Algunas de las abreviaturas

más usadas para las distribuciones entre llegadas son: M (exponencial), D
(determinística), Ek (Erlang con segundo parámetro k), U (uniforme), Γ (gamma)
o G (distribución genérica), entre otras.
B es la distribución del tiempo de servicio. Se usan las mismas abreviaturas

que las mencionadas para A.
s es el número de servidores del sistema. Puede ser un número entero positivo

(s = 1, 2,…) o bien s = ∞ .
K es la capacidad de la cola (o longitud máxima de la misma). También K

puede ser un número entero mayor o igual que cero, o bien K = ∞ , si no hay
límite para la cola. El valor de K puede omitirse, tomándose por defecto K = ∞ .
H es el tamaño de la población potencial. También puede ser finito o infinito.

Este último valor es el que se toma por defecto cuando se omite su valor.
Z es la disciplina en la cola. Algunas abreviaturas para Z son FIFO, LIFO,

RSS, PR (disciplina con prioridades) o GD (disciplina general). Su valor por
defecto (en caso de omitirse Z) es FIFO.
Así, por ejemplo, la notación M/D/2/∞ /∞ /FIFO indica que se trata del sistema de
una cola con tiempo entre llegadas exponenciales, tiempo de servicio determinístico
(i.e. siempre se tarda el mismo tiempo en darle servicio a cada cliente), hay 2
servidores en el mecanismo de servicio, no existe límite para el número de clientes
que pueden estar en la cola de espera, la población potencial se supone con infinitos
23
clientes y los clientes son atendidos según una disciplina FIFO. Como los tres
últimos valores (∞ , ∞ y FIFO) son precisamente los asignados por defecto, la
notación anterior podría abreviarse como M/D/2.
1.2.6- Redes de colas
Se presentan aquí los modelos básicos de redes de colas abiertas y cerradas con
distribución del tiempo de servicio y distribución del tiempo entre llegadas (si es el
caso) exponencial. Además se impondrá la restricción de que los clientes que salen
servidos de una de las colas que compone la red se mueven instantáneamente 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).
1.2.6.1- Introducción a las redes de colas
Una red de colas no es más que una red en la que cada nodo está 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 más habitual (aunque no la única) 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 distribución de probabilidad discreta.
Al igual que en los modelos de una única cola, en las redes de colas abiertas
también 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 aquél caso, en las redes de colas sí tiene sentido el plantear situaciones
en las que no hay llegadas de clientes desde fuera de la red ni salidas hacia fuera de
24
la red. Esto da lugar a las llamadas redes cerradas y tienen la peculiaridad que el
número total de clientes en la red es fijo, y lo único que desconocemos es dónde se
encuentran (en qué nodos concretos) y en qué estado de servicio se hallan. Por su
parte, las redes abiertas son aquellas en que sí 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
más frecuente de modelizar las transiciones de clientes consiste en suponer que
cuando un cliente sale servido de la cola del nodo i (siendo i ε{1, 2,…, K}) se
desplaza instantáneamente al sistema de la cola de cualquier otro nodo j ε {1,
2,…, K}, con probabilidad pij. Evidentemente, en las colas abiertas también es
posible que desde algunos nodos se pueda abandonar la red. Denotando con el índice
0 el exterior de la red, la probabilidad de que un cliente abandone la red cuando sale
servido del nodo i se denotará por pi0 y puede calcularse a partir de las anteriores
mediante
K
pi 0 = 1 − ∑ pij
j =1
Este tipo de esquema de transición de clientes se denotará esquema de

transiciones instantáneas aleatorias de clientes.
En una situación como la anterior, las probabilidades de transición de clientes de

unos nodos a otros se pueden expresar de forma matricial:
25
 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
Esta es la llamada matriz de transición de la red.
Normalmente denotaremos por λi la tasa de entrada desde fuera del sistema a la

cola del nodo i ε {1, 2,…, K}. Asimismo µi denotará la tasa de servicio de cada uno
de los servidores del subsistema del nodo i. De esta forma, bajo la hipótesis de que
los tiempos entre llegadas desde fuera del sistema sean de distribución exponencial
de parámetro λT (que denota la tasa de entrada al sistema, λT = Σ λi ) y denotando por
p0i la probabilidad de que cuando un cliente entra al sistema lo haga a través del nodo
i, se tiene que la distribución del tiempo entre dos entradas consecutivas de clientes
al subsistema del nodo i es también exponencial y con parámetro λi = λT • p0i.
Obviamente los valores de λi también pueden interpretarse como el número medio

de clientes que entran al sistema, por el nodo i, por unidad de tiempo. El número
efectivo de llegadas de clientes al subsistema del nodo i (sean procedentes de fuera
del sistema o de otro nodo del mismo) se denotará con la letra lambda mayúscula Λi.
1.2.6.2- Redes de Jackson abiertas
Una red de Jackson abierta no es más 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
Cada nodo i = 1, 2,…, K tiene un mecanismo de servicio consistente en si

servidores con tiempo de servicio de idéntica distribución exponencial de
parámetro µi, de tal forma que las distribuciones de los tiempos de servicio de
cada nodo son iguales en todos los servidores de un nodo (pudiendo ser distintos
entre los diferentes nodos de la red).
Los clientes que llegan al nodo i desde fuera del sistema lo hacen según un
proceso de Poisson de intensidad λi. Esto equivale a decir que los tiempos entre
dos llegadas de clientes consecutivos desde fuera del sistema al nodo i, siguen
una distribución exponencial de dicho parámetro.
El flujo de clientes sigue el esquema de transiciones instantáneas aleatorias.

Es decir, cada cliente que sale servido del mecanismo de servicio del nodo i va
instantáneamente a cualquier otro nodo j con probabilidad pij, o bien sale del
K
sistema (lo cual ocurre con la siguiente probabilidad: pi 0 = 1 − ∑ pij ).
j =1
En la siguiente figura podemos ver un ejemplo de red de colas abierta:
27
p11 p22
λ1 p12 p20
NODO 1 NODO 2
p21
p10 λ2
p32
p13 p23
p31
EXTERIOR EXTERIOR
λ3
NODO 3
p30
p33
Figura 3- Red de Jackson abierta con K = 3
1.2.6.3- Redes de Jackson cerradas
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 distribución exponencial de
parámetro µi. 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 número
de clientes dentro de la red, N, que permanecerá constante siempre. Por este motivo,
LT = N y cantidades como WT o Wq,T, carecen de sentido. Lo realmente importante
aquí es determinar las probabilidades de que haya ni clientes en el nodo i para i = 1,
2,…, K, que se denotarán por p n1 ,n2 ,...nK . Obviamente éstas probabilidades son
distintas de cero sólo si n1 + n2 + ••• + nK = N.
28
Como no hay entradas de clientes, las probabilidades de transiciones entre nodos

deben verificar lo siguiente:
∑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 típico de este tipo podría ser uno en el cual haya una gran cantidad (infinita)
de clientes intentando entrar al sistema de forma continua, el número 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 computación de tiempo compartido).
En la siguiente figura podemos ver un ejemplo de red de colas cerrada:
29
p11 p22
p12
NODO 1 NODO 2
p21
p32
p13 p23
p31
NODO 3
p33
Figura 4- Red de Jackson cerrada con K = 3
30
1.3- Introducción a la Simulación
Desde hace mucho tiempo la simulación ha sido una herramienta importante en

una gran cantidad de ámbitos. Por ejemplo, la simulación del vuelo de un avión en un
túnel de viento es una práctica normal cuando se diseña un nuevo avión. En teoría se
podrían usar las leyes de la física para obtener la misma información sobre los
cambios que sufre el avión si se modifican los parámetros, pero en el sentido
práctico, el análisis sería muy complicado. Una alternativa sería construir aviones
reales para cada uno de los diseños y probarlos en vuelos reales, pero esto sería
demasiado costoso (a la vez que peligroso). Por lo tanto, después de realizar un
análisis teórico preliminar para desarrollar un diseño básico, la herramienta más
viable para experimentar con los diseños específicos es la simulación del vuelo en un
túnel de viento. Esta simulación significa imitar el desempeño de un avión real en un
medio controlado con el fin de estimar cuál sería el desempeño real. Después de
desarrollar un diseño detallado se puede construir un modelo prototipo y probarse en
un vuelo real para dar los últimos detalles del diseño final.
1.3.1- Conceptos básicos
La simulación es la técnica que consiste en realizar experimentos de muestreo

sobre el modelo de un sistema. Un modelo no es más que un conjunto de variables
junto con ecuaciones matemáticas que las relacionan y restricciones sobre dichas
variables. La modelización es una etapa presente en la mayor parte de los trabajos de
investigación (especialmente en las ciencias experimentales). En muchas ocasiones,
la realidad es bastante compleja como para ser estudiada directamente y es preferible
la formulación de un modelo que contenga las variables más relevantes que aparecen
en el fenómeno en estudio y las relaciones más importantes entre ellas.
31
Frecuentemente, la resolución de los problemas que se pretenden abordar puede

realizarse por procedimientos analíticos sobre el modelo construido (normalmente
mediante el uso de herramientas matemáticas como las de resolución de ecuaciones
ordinarias o de ecuaciones diferenciales, el cálculo de probabilidades, etc.). En otras
circunstancias dicha resolución analítica no es posible (o es tremendamente
complicada o costosa) y es preferible una aproximación de la solución mediante
simulación.
1.3.2- Experimentación real y simulación
Como se comenta en [Cao-02], la experimentación directa sobre la realidad puede

tener muchos inconvenientes:
un coste muy alto

gran lentitud
en ocasiones las pruebas son destructivas
a veces no es ética (experimentación sobre seres humanos)
puede resultar imposible (un acontecimiento futuro)
Razones como esas (y algunas otras) pueden indicar la ventaja de trabajar con un
modelo del sistema real. La estadística es precisamente la ciencia que se preocupa de
cómo estimar los parámetros y contrastar la validez de un modelo a partir de los
datos observados del sistema real que se pretende modelizar.
32
1.3.3- Tipos de simulación
1.3.3.1- Simulación estática y dinámica
La simulación se dice estática si en el modelo no juega ningún papel el transcurso

del tiempo mientras que es dinámica si el tiempo es una de las variables importantes
del modelo. En la simulación estática resulta muy sencillo comparar distintas
estrategias ante las mismas condiciones del azar, mientras que esto es más
complicado en la simulación dinámica, exigiendo un trabajo mayor de planificación.
Además, el coste computacional de la simulación estática es bastante más moderado.
La simulación estática se usa muy frecuentemente por los estadísticos para

comprobar el comportamiento comparativo de diversos métodos estadísticos
alternativos para tamaños muestrales finitos (complementando los estudios teóricos,
casi siempre asintóticos).
En la simulación dinámica, normalmente se trata de ir analizando los distintos

estados por los que va pasando un sistema que evoluciona en el tiempo. Esto
provoca, en general, un mayor coste computacional y problemas de estabilización y
dependencia. Existen dos grandes tipos de simulación dinámica: la simulación
continua, en la que se supone que el sistema cambia de estado constantemente y la
simulación discreta, para la cual los cambios se producen en ciertos instantes de
tiempo singulares. La razón de sus nombres viene de que en el primer caso el
conjunto de estados es continuo, mientras que en el segundo es discreto. Dentro de la
simulación discreta distinguiremos la simulación por eventos y la simulación por
cuantos.
33
1.3.3.2- Simulación por eventos y por cuantos
Con el nombre de simulación por eventos, o asíncrona, designamos el tipo de

simulación dinámica discreta en la cual se controla la variable tiempo moviéndola
hasta la ocurrencia del siguiente suceso (o evento). Esto implica la necesidad de
controlar minuciosamente cuál es dicho próximo suceso: saber cuáles son los
posibles sucesos en un futuro inmediato y cuál de ellos es el más inmediato.
Resumen de la simulación por eventos: [Hil-97]
Se avanza el tiempo hasta el momento en que ocurre el siguiente evento de

cualquier tipo.
Se actualiza el sistema determinando su nuevo estado, que es el resultado de

este evento y generado aleatoriamente (si no se generó antes) el tiempo hasta la
siguiente ocurrencia de un evento de cualquier tipo que pueda ocurrir estando en
este estado. También se registra la información deseada sobre el comportamiento
del sistema. (volver al paso anterior).
Ejemplo de simulación por eventos: [Bos-02]
Supongamos una red de colas abierta con dos nodos. Los eventos que debemos
considerar son los siguientes:
Llegadas del exterior al nodo 1

Llegadas del exterior al nodo 2
Llegadas al nodo 1 procedentes del nodo 1
34

Finalización del servicio (salida) en el nodo 1
Finalización del servicio (salida) en el nodo 2
Como se comenta en [Cao-02], la simulación por cuantos, o asíncrona, responde a

una filosofía totalmente diferente. Se trata de examinar el sistema (que evoluciona
en el tiempo) dejando pasar pequeños intervalos de tiempo de longitud δ, fija,
(llamada cuanto) en los cuales se supone que, a lo sumo, un sólo suceso puede
producirse.
Resumen de la simulación por cuantos: [Hil-97]
Se avanza el tiempo una cantidad fija pequeña.
Se actualiza el sistema determinando los eventos que ocurrieron durante ese

lapso y el estado del sistema que resulta. También se registra la información
deseada sobre el comportamiento del sistema (volver al paso anterior).
En general, la simulación por eventos es exacta y de más difícil implementación,

pero de mucha más rápida ejecución que la simulación por cuantos. Sin embargo
esta última es muchas veces la única posibilidad factible en la simulación
dinámica continua.
35
En el siguiente esquema podemos ver un resumen de los tipos de simulación:
{
Estática
{
Simulación
Continua
{
Dinámica
Por Eventos
Discreta
Por Cuantos
Figura 5- Resumen de tipos de simulación
1.3.4- Problemas de estabilización y dependencia
Ambas cuestiones suelen plantearse en la simulación dinámica. Los problemas de

estabilización están relacionados con el hecho de que, en ocasiones, el sistema
evoluciona en el tiempo de tal forma que tiene una distribución estacionaria que se
supone de partida pero que puede ser muy sensible a las condiciones iniciales con las
que se comience la simulación. En tal caso resulta conveniente el transcurso de cierto
período de tiempo (denominado período de estabilización) durante el cual los
resultados obtenidos para las variables de salida son ignorados y cuyo único objeto es
conseguir que se estabilice la distribución de probabilidad.
Los problemas de dependencia son aquellos derivados del hecho de que

frecuentemente (de nuevo en modelos de simulación dinámica) las distintas variables
36
de salida de la simulación son dependientes. Esto afecta fundamentalmente a la

precisión de los estimadores construidos con observaciones de las mismas. Una
forma de atenuar este efecto sería considerar observaciones de las mismas en
instantes temporalmente lejanos (donde se supone que la dependencia es mucho más
débil). En ocasiones, más que atenuar este efecto se trata de estimar la precisión del
estimador resultante. Obviamente, para ello ha de tenerse en cuenta la dependencia.
1.3.5- Comportamiento de la simulación
En la siguiente figura, se puede observar el comportamiento típico de la simulación

(descrito con más detalle en [Bos-02]) de un parámetro Z durante una simulación que
fue llevada a cabo en un intervalo de tiempo (0, T). El parámetro Z se encuentra
inicialmente en un estado transitorio, no necesariamente cercano a su verdadero
valor, pero en un momento dado alcanza valores ya muy cercanos a la cantidad de
interés.
En la figura se pueden observar dos intervalos: el primero de ellos, llamado

intervalo de transición transcurre cuando t se encuentra entre 0 y TZ, mientras que el
segundo de ellos, en el cual la simulación ha alcanzado las condiciones de equilibrio,
transcurre cuando t se encuentra entre TZ y T.
37
Estado
de Equilibrio
Estado
Transitorio
Simulación
Variable, Z
0 TZ T
Tiempo
Figura 6- Comportamiento de la simulación
1.3.6- Aplicaciones comunes y uso de la simulación
Se han realizado numerosas aplicaciones de simulación en una gran variedad de

contextos. Estos son sólo algunos ejemplos (podemos encontrar más en [Hil-97]) que
ilustran la gran versatilidad de esta técnica:
Simulación de las operaciones en un aeropuerto por una compañía aérea para

probar cambios en las políticas y prácticas de la empresa.
Simulación de la economía para predecir el efecto de las decisiones de las

políticas económicas.
38
Simulación de batallas militares de gran escala para evaluar los sistemas de

armamento ofensivo y defensivo.
Simulación de un sistema de comunicaciones telefónicas para determinar la

capacidad requerida de las respectivas componentes para proporcionar un
servicio satisfactorio al nivel más económico.
Simulación de la operación de la cuenca hidráulica de un río para determinar

la mejor configuración de presas, plantas de energía y sistemas de irrigación que
proporcione el nivel deseado de control de avenidas y desarrollo del recurso.
La simulación es un método de análisis científico ampliamente usado. Un estudio

comentado por [Wat-89], de The Institute of Managemet Sciences (TIMS) y de la
Operactions Research Society of America (ORSA) averiguó que la simulación es una
de las técnicas científicas que más se usa, solo detrás de las técnicas de análisis
estadístico (inferencia, teoría de decisiones,...) y las técnicas de análisis económico.
Otro estudio de los miembros de TIMS / ORSA comprobó si las organizaciones

usaban técnicas de simulación, y, si efectivamente era así, que resultados habían
obtenido. Los resultados fueron que el 89% de las organizaciones utilizaban técnicas
de simulación y que el 85% de las mismas estaban contentas con los resultados
obtenidos.
39
Capítulo 2: Aspectos de implementación
“No queda sino batirnos”

(El personaje que protagoniza Francisco de Quevedo en la novela “El Capitán
Alatriste” de Arturo Pérez-Reverte)
Capítulo 2:Aspectos de implementación Jorge L. Vega Valle
2.1- Características generales de la aplicación

Como ya se ha comentado anteriormente, la aplicación desarrollada es capaz de
resolver problemas de colas de forma analítica y mediante simulación. Por ello,
hemos decidido llamar a la aplicación con el siguiente nombre: AQUAS, cuyas siglas
significan Application for solving QUeuing problems Analytically and using
Simulation.
2.1.1- Filosofía de la implementación

Como ya se ha comentado en anteriores apartados (ver 1.1.3), este proyecto ha sido
desarrollado utilizando MATLAB® como herramienta fundamental. La
programación de la aplicación ha sido realizada utilizando tanto ficheros de
comandos (scripts), como funciones, mientras que el control de los distintos eventos
se ha desarrollado empleando “callbacks1 ”.
Es importante reseñar que, a pesar de que la palabra “diseño” está incluida en el

titulo del proyecto, no tiene la connotación típica en informática (ya que esta suele ir
asociada a la programación orientada a objetos), sino que más bien se refiere al
desarrollo y elección de las características estéticas de la aplicación.
Por otra parte, para la realización de la interfaz se ha usado la GUI2 de MATLAB y

las características que proporciona. También se han empleado algunas funciones
específicas de la librería estadística (ver 2.1.4 y [2]).
1
Para una mayor aclaración sobre estos conceptos, véase [Red-98] o [8]
2
GUI: Graphical User Interface. Ver [Mar-99] o [3]
41
2.1.2- Ciclo de vida empleado
Hay que diferenciar entre el ciclo de vida (definición de [Pre-97]) usado para la
parte analítica y para la parte de simulación. En la parte analítica, el análisis de cada
modelo es muy sencillo, ya que los algoritmos de resolución están previamente
establecidos, cosa que no ocurre en la parte de simulación, lo que implica que el
análisis sea más 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 cálculo de
los distintos parámetros de salida.
En las siguientes figuras podemos observar con detalle el ciclo de vida usado para
la parte analítica y para la parte de simulación.
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
ANALISIS DE UN DETERMINADO MODELO
Figura 7- Ciclo de vida para la parte de resolución analítica
42
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, transición)
ANALIZAR LA
INFLUENCIA DEL
ANALIZAR LOS
EVENTO EN LA
POSIBLES RIESGOS
VARIACION DE LOS
PARAMETROS
ANALISIS DE UN DETERMINADO MODELO
Figura 8- Ciclo de vida para la parte de simulación
2.1.3- Parámetros de entrada y salida
La aplicación da respuesta a los distintos modelos de colas. Cuando la hipótesis de

exponencialidad es cierta, se proporciona una respuesta analítica exacta al modelo.
Por otra parte, si no podemos suponer dicha hipótesis, deberemos recurrir a la
simulación para poder tener una respuesta con las características del modelo.
Tanto para la resolución analítica como en la resolución por simulación los

parámetros de entrada son los siguientes:
Número de servidores (s):
Sólo para el caso de los modelos M/M/s, M/M/s/K, M/M/s/∞ /H y

M/M/s/∞ /H con Y repuestos en resolución analítica y los modelos G/G/s,
43
G/G/s/K, G/G/s/∞ /H y G/G/s/∞ /H con Y repuestos en el caso de resolución

por simulación.
En el caso de que estemos en una red de colas debemos introducir el

número de servidores para cada uno de los nodos de la red.
Tamaño de la cola (K): Sólo para el caso de los modelos M/M/1/K y

M/M/s/K en resolución analítica y los modelos G/G/1/K y G/G/s/K en el caso de
resolución por simulación.
Población potencial (H): Sólo para el caso de los modelos M/M/1/∞ /H,
M/M/s/∞ /H y M/M/s/∞ /H con Y repuestos en resolución analítica y los modelos
G/G/1/∞ /H, G/G/s/∞ /H y G/G/s/∞ /H con Y repuestos en el caso de resolución
por simulación.
Número de repuestos (Y): Sólo para el caso del modelo M/M/s/∞ /H con Y
repuestos en resolución analítica y el modelo G/G/s/∞ /H con Y repuestos en el
caso de resolución por simulación.
Probabilidades de transición entre nodos (pij): En el caso de las redes de

colas abiertas o cerradas.
Número de nodos que forman la red (K): En el caso de que nos

encontremos en una red de colas
Número de clientes de la red cerrada (N)
En el caso de que el usuario seleccione la opción de resolución analítica tendrá

además los siguientes parámetros de entrada:
44
Tasa de llegada (λ):
En las redes de colas abiertas debemos introducir la tasa de llegada para

cada uno de los nodos.
En las redes de colas cerradas no tiene sentido el incluir este parámetro.
Tasa de servicio (µ): En las redes de colas debemos de incluir la tasa de

servicio para cada uno de los nodos.
Mientras que si elige la resolución por simulación tiene, a mayores, los siguientes
parámetros de entrada:
Tipo de distribución a la entrada y la salida: En el caso de las redes de

colas no tiene sentido la distribución de entrada.
Parámetros asociados a las distintas distribuciones elegidas.
Parámetro de estabilización.
Número de clientes de la simulación ó Numero de transiciones de

clientes.
Por otra parte, los parámetros de salida son los siguientes:
L: Número medio de clientes en el sistema. En el caso de una red de Jackson

abierta se muestra el número medio de clientes en cada nodo y en toda la red. En
el caso de una red de Jackson cerrada se muestra el número medio de clientes en
cada nodo de la red.
45
Lq: Número medio de clientes en cola. En el caso de una red de Jackson

abierta se muestra el número medio de clientes en la cola en cada nodo y en toda
la red. En el caso de una red de Jackson cerrada se muestra el número medio de
clientes en la cola en cada nodo de la red.
W: Tiempo medio que un cliente está en el sistema. En el caso de una red de

Jackson abierta se muestra el tiempo medio que un cliente está en el sistema en
cada nodo y en toda la red. En el caso de una red de Jackson cerrada se muestra
el tiempo medio que un cliente está en el sistema en cada nodo de la red.
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.
Intensidad del modelo: Refleja la intensidad de tráfico (también conocida

como ρ ) y toma valores entre 0 y 1. Es necesario que ρ sea inferior a 1, para
que el modelo sea estacionario. No se muestra en las redes de colas.
Eficiencia del modelo: Equivale al cociente entre el tiempo medio que un

cliente está en el sistema (W) y el tiempo medio de servicio (Ws), por lo que su
valor siempre es mayor o igual que 1. No se muestra en las redes de colas.
Valor de W(t) en un instante determinado: No se muestra ni en las redes de

colas ni en el caso de resolución por simulación.
Valor de Wq(t) en un instante determinado: No se muestra ni en las redes

de colas ni en el caso de resolución por simulación.
46
Gráfica con los valores de W(t) y Wq(t) en unos instantes determinados:

No se muestra ni en las redes de colas ni en el caso de resolución por simulación.
p(n): Probabilidad de que haya n clientes en el sistema.
En el caso de las redes abiertas y resolución analítica podemos hallar la

probabilidad de que haya un número determinado de clientes en cada uno de
los nodos de la red.
En el caso de las redes cerradas y resolución analítica tenemos la

posibilidad de hallar la probabilidad de que haya n clientes en un nodo
determinado de la red, o hallar la probabilidad de que haya un número
determinado de clientes en cada uno de los nodos que forman la red.
En el caso de las redes abiertas o cerradas y resolución por simulación

tenemos la posibilidad de hallar la probabilidad de que haya un número
determinado de clientes en un nodo de la red.
q(n): Probabilidad de que haya n clientes en el sistema justo cuando se

produce una llega. No se muestra ni en los modelos M/M/1, M/M/s en el caso de
resolución analítica, ni en los modelos G/G/1, G/G/s en el caso de resolución por
simulación, ni en las redes de colas.
Gráfica 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 simulación de redes cerradas.
47
2.1.4- Distribuciones de probabilidad elegidas
Para resolver la parte de simulación hemos elegido un conjunto de distribuciones

de probabilidad3 representativas. El usuario puede variar tanto la distribución de
llegada de clientes como la distribución de servicio. Las distribuciones elegidas son
las siguientes (se explicarán con más detalle en el Apéndice A):
Exponencial
Uniforme
Determinista
Gamma
Beta
Lognormal
Normal
De Weibull
Para generar números aleatorios de dichas distribuciones se han usado las

funciones (ver [2]) que implementa MATLAB. En la siguiente tabla podemos
observar dichas funciones. Nótese que la definición de MATLAB para algunas de
las funciones, como por ejemplo la gamma o la de Weibull, es ligeramente distinta a
la nuestra:
3
Podemos observar su definición en [Cao-98] o [Dev-86]
48
DISTRIBUCION PARAMETROS FUNCION MATLAB

EXPONENCIAL λoµ exprnd(1/ λ) o exprnd(1/ µ)
UNIFORME a, b unifrnd(a, b)
DETERMINISTA d No hay. Es trivial.
GAMMA a, p gamrnd(p, 1/a)
BETA p, q, k k • betarnd(a, b)
LOGNORMAL µ, σ lognrnd(µ, σ)
NORMAL µ, σ normrnd(µ, σ)
DE WEIBULL λ, α weibrnd(λα, α)
Es importante resaltar que en ningún momento se establece un valor para la

semilla. Cada vez que se llame a la función de generación de números de una
determinada distribución, se utilizará el reloj del sistema como semilla, lo que
implica que si se hacen varias llamadas consecutivas a la función se obtendrán
valores no necesariamente iguales.
49
2.2- Resolución analítica
2.2.1- Características generales
Para resolver de forma analítica los distintos modelos de colas se han

implementado las soluciones planteadas por los distintos libros (véase [All-90],
[Bos-02], [Cao-02], [Gro-98] o [Hil-97]). La implementación de dichas fórmulas se
realizó de forma eficiente, utilizando, en la medida de lo posible, la versión de las
fórmulas cuyo coste computacional era más bajo y evitando la implementación
directa de las fórmulas, de escasa eficiencia computacional.
En el siguiente apartado se explica de forma detallada las fórmulas que resuelven

cada uno de los modelos de colas (modelos de la forma M/M/- y redes de Jackson).
2.2.2- Resolución de los modelos
2.2.2.1- Modelo M/M/14
λ W W
Intensidad = ρ = Eficiencia = = =W ⋅µ
µ W − Wq 1
µ
λ λ2
L= Lq =
µ −λ µ ⋅ (µ − λ )
4
La fórmula de la eficiencia es siempre igual, por lo que, se obviará en los siguiente modelos
50
1 λ
W= Wq =
µ −λ µ ⋅ (µ − λ )
W (t ) = 1 − e −(µ− λ) ⋅ t si t ≥ 0 λ −(µ − λ) ⋅ t
Wq (t ) = 1 − ⋅e si t ≥ 0
µ
pn = (1 − ρ ) ⋅ ρ n si n = 0, 1, ...
2.2.2.2- Modelo M/M/s
λ c0 = 1
Intensidad = ρ =
s⋅µ λ
cn = cn−1 ⋅ si n = 1, 2,..., s - 1
n⋅µ
λ
c≥ s = cs −1 ⋅
s⋅µ −λ
1
p0 = s −1
∑c
n =0
n + c≥ s
p n = c n ⋅ p0 si n = 1, 2,..., s - 1
pn = ρ ⋅ pn−1 si n ≥ s
L = λ ⋅W c≥ s ⋅ λ ⋅ p0
Lq =
s⋅µ −λ
51
1 Lq
W = Wq + Wq =
µ λ
Wq (t ) = 1 − c≥s ⋅ p0 ⋅ e − ( s⋅µ −λ )⋅t si t ≥ 0
λ
W (t ) = 1 − (1 + c≥ s ⋅ p0 ⋅ t ⋅ µ ) ⋅ e − µ ⋅t si t ≥ 0 y = s −1
µ
λ − s ⋅ µ + µ ⋅ Wq (0) −µ ⋅t c ⋅ µ ⋅ p0 λ
W (t ) = 1 + ⋅ e + ≥s ⋅ e −( s⋅µ −λ )⋅t si t ≥ 0 y ≠ s −1
s⋅µ −λ −µ s⋅µ −λ −µ µ
2.2.2.3- Modelo M/M/1/K
λ λ ⋅ ( K + 1)
Intensidad = ρ = λ= si ρ = 1
µ ( K + 2)
λ λ ⋅ ( ρ K +1 − 1)
ρ= λ= si ρ ≠ 1
µ ρ K +2 − 1
1
pn = si n = 0, 1,..., K + 1 y ρ = 1
K +2
ρ −1
pn = K + 2 ⋅ ρ n si n = 0, 1,..., K + 1 y ρ ≠ 1
ρ −1
pn
qn = si n = 0, 1,..., K
1 − p K +1
52
K +1 Lq = λ ⋅ W q
L= si ρ = 1
2
ρ ( K + 2) ⋅ ρ K + 2
L= − si ρ ≠ 1
1− ρ 1 − ρ K +2
L 1
W = Wq = W −
λ µ
Cálculo de W(t): Cálculo de Wq(t):

A = 1, S = 1, B = q0 A = 1, S = 1, B = q1
Desde n = 1 hasta K repetir Desde n = 2 hasta K repetir
A = A • (µ • t) / n A = A • (µ • t) / n
S=S+A S=S+A
B = B + qn • S B = B + qn • S
Devolver 1 – B • e –µ • t Devolver 1 – B • e –µ • t
53
2.2.2.4- Modelo M/M/s/K5
Intensidad = ρ = ρ ⋅ (1 − p K + s ) c0 = 1
λ
cn = cn−1 ⋅ si n = 1, 2,..., s - 1
n⋅µ
c≥ s = cs −1 ⋅ ( K + 1) si ρ = 1
λ
ρ= ρ − ρ K +2
s⋅µ c≥ s = cs −1 ⋅ si ρ ≠ 1
1− ρ
λ = λ ⋅ (1 − p K + s )
1
p0 = s −1
∑c
n =0
n + c≥ s
pn = cn ⋅ p0 si n = 1, 2,..., s - 1
pn = ρ ⋅ pn−1 si n = s, s + 1,..., K + s
pn
qn = si n = 0, 1,..., K + s - 1
1 − pK + s
L = λ ⋅W (1 + K ⋅ ρ K +1 − ( K + 1) ⋅ ρ K ) ⋅ ρ 2
Lq = ⋅ p s −1
(1 − ρ ) 2
si ρ ≠ 1
K ⋅ ( K + 1)
Lq = ⋅ p s −1 si ρ = 1
2
5
El cálculo de W(t) para los modelos M/M/s/K, M/M/s/∞ /H y M/M/s/∞ /H con Y repuestos se
explicará en el apartado 2.4.1
54
1 Lq
W = Wq + Wq =
µ λ
Cálculo de Wq(t):
A = 1, S’ = 1, B = qs
Desde n = s + 1 hasta K + s - 1 repetir
A = A • (s • µ • t) / ( n – s )
S’ = S’ + A
B = B + qn • S’
Devolver 1 – B • e –s • µ • t
2.2.2.5- Modelo M/M/1/∞ /H
Intensidad = ρ = ρ ⋅ ( H − L)
λ c0 = 1
ρ=
µ cn = cn−1 ⋅ ρ ⋅ ( H − n + 1) si n = 1, 2,..., H
λ = λ ⋅ ( H − L)
55
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 = λ ⋅ W q
H
L = ∑ n ⋅ pn
n =1
L 1
W = Wq = W −
λ µ
Cálculo de W(t): Cálculo de Wq(t):

A = 1, S = 1, B = q0 A = 1, S = 1, B = q1
Desde n = 1 hasta (H - 1) repetir Desde n = 2 hasta (H - 1) repetir
A = A • (µ • t) / n A = A • (µ • t) / n
S=S+A S=S+A
B = B + qn • S B = B + qn • S
–µ • t
Devolver 1 – B • e Devolver 1 – B • e –µ • t
56
2.2.2.6- Modelo M/M/s/∞ /H6
Intensidad = ρ = ρ ⋅ ( H − L)
c0 = 1
λ λ
ρ= cn = cn−1 ⋅ ⋅ ( H − n + 1) si n = 1, 2,..., s
s⋅µ n⋅µ
cn = cn−1 ⋅ ρ ⋅ ( H − n + 1) si n = s + 1,..., H
λ = λ ⋅ ( 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 = λ ⋅ W q
H
L = ∑ n ⋅ pn
n =1
L 1
W = Wq = W −
λ µ
6
Con la restricción H ≥ s
57
Cálculo de Wq(t):
A = 1, S’ = 1, B = qs
Desde n = s + 1 hasta (H - 1) repetir
A = A • (s • µ • t) / (n – s)
S’ = S’ + A
B = B + qn • S’
2.2.2.7- Modelo M/M/s/∞ /H con Y repuestos7
λ c0 = 1
Intensidad = ρ =
s⋅µ Si s ≤ Y :
H ⋅λ
cn = cn−1 ⋅ si n = 1, 2,..., s
n⋅µ
cn = cn−1 ⋅ ρ ⋅ H si n = s + 1,..., Y
λ
ρ= cn = cn−1 ⋅ ρ ⋅ ( H + Y − n + 1) si n = Y + 1,..., Y + H
s⋅µ
Si Y ≤ s ≤ Y + H :
H ⋅λ
cn = cn−1 ⋅ si n = 1, 2,..., Y
n⋅µ
Y +H
λ = λ ⋅ (H − ∑ (n − Y ) ⋅ p n )
cn = cn−1 ⋅
( H + Y − n + 1) ⋅ λ
si n = Y + 1,..., s
n =Y
n⋅µ
cn = ( H + Y − n + 1) ⋅ ρ ⋅ cn−1 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 restricción H+Y ≥ s
58
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 = λ ⋅ W q
L= ∑n⋅ p
n =1
n
L 1
W = Wq = W −
λ µ
Cálculo de Wq(t):
A = 1, S’ = 1, B = qs
Desde n = s + 1 hasta (H - 1) repetir
A = A • (s • µ • t) / (n – s)
S’ = S’ + A
B = B + qn • S’
2.2.2.8- Modelo M/M/∞
Intensidad = ρ = 0 c0 = 1
λ
cn = cn−1 ⋅ si n = 1, 2,...
n⋅µ
59
λ
− 
µ
p0 = e
p n = c n ⋅ p0 si n = 1, 2,...
λ Lq = 0
L=
µ
1 Wq = 0
W=
µ
2.2.2.9- Redes de Jackson abiertas
Supongamos una red de Jackson abierta con K nodos:

λi = Tasa de entrada desde fuera del sistema a la cola del nodo i, i = 1, 2,..., K
µi = Tasa de servicio de cada servidor del subsistema del nodo i, i = 1, 2,..., K
λT = Tasa de entrada al sistema (da igual por donde) = Σ λi
Λi = Número efectivo de llegadas de clientes al subsistema del nodo i (da
igual por donde), i = 1, 2,..., K
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= 
 M M O M O M 

 K1
60
A mayores, tenemos que:
λi K
p0 i = K
i = 1, 2,..., K pi 0 = 1 − ∑ pij i = 1, 2,..., K
∑λ
i =1
i
j =1
Denotamos con A, la siguiente matriz:
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
Si el det(A) = 0, entonces el sistema no es estacionario.
Si el det(A) ≠ 0 se verifica que:
Λ = inverso(A) · λ Λ es un vector que tiene K elementos
Si Λi ≥ si · µi, para algún valor de i, entonces el sistema no es estacionario.
Para que el sistema sea estacionario, debe verificarse que det(A) ≠ 0 y Λi ≤ si · µi para
todos los valores de i = 1, 2,..., K. Si se verifica esta condición, podremos calcular los
siguientes parámetros de salida:
61
Obtención de parámetros relativos a un nodo:
c≥ s ⋅ Λnodo ⋅ p0
Lq , nodo = Resolver modelo M/M/s ( Λnodo, µ nodo , snodo ) =
s nodo ⋅ µ nodo − Λnodo
(ver 2.2.2.2)
Λnodo Lq, nodo 1 Lq, nodo

Lnodo = Lq , nodo + Wnodo = + Wq , nodo =
µ nodo Λnodo µ nodo Λnodo
Obtención de parámetros relativos a toda la red:
K K
LT Lq , T
LT = ∑ Lnodo
nodo =1
Lq , T = ∑L
nodo =1
q, nodo WT =
λT
Wq , T =
λT
También podemos calcular fácilmente la probabilidad de que haya ni clientes en

cada nodo de la red, con i = 1, 2,..., K
p(n1, n2,..., nk) = p1 (n1) • p2 (n2) • … pK (nK) siendo ni el número de

clientes del nodo i.
Para obtener pi (ni), hay que operar del mismo modo que si tratase de un modelo
M/M/s, con tasa de llegada Λi, tasa de servicio µi y si servidores (para más
información, ver 2.2.2.2).
62
2.2.2.10- Redes de Jackson cerradas
Supongamos una red de Jackson cerrada con K nodos y N clientes:

µi = Tasa de servicio de cada servidor del subsistema del nodo i, i = 1, 2,..., K
Λi = Número efectivo de llegadas de clientes al subsistema del nodo i (da
igual por donde), i = 1, 2,..., K
Matriz probabilidades: (K x K elementos)

 p11 p12 L p1 j L p1K 
 
 p 21 p 22 L p2 j L p2 K 
 M M O M O M 
P= 
 M M O M O M 

 K1
Denotamos con A, la siguiente matriz: ( (K-1) x (K-1) elementos)
 − 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
Denotamos con B, el siguiente vector: ( (K-1) x 1 elementos)
 − 1 + p11 
 
 p12 
B= 
M
 
 p 
 1, K −1 
63
Λ = inverso(A) · B
Según esta fórmula Λ es un vector que tiene K-1 elementos, que se corresponden
con Λ2, Λ3,..., ΛK. A mayores asignamos a Λ1 el valor de 1, con lo Λ se convierte en
un vector de K elementos.
Λi
ρi = i = 1, 2,..., K
µi
Denotamos con G, la siguiente matriz: (K x (N +1) elementos)
 g1 (0) g1 (1) g1 (2) L g1 ( N ) 

 
 g (0) g 2 (1) g 2 (2) L g2 (N ) 
G= 2
M M M O M 
 
 g (0) g (1) g (2) L g K ( N ) 
 K K K
Se verifica que:
gi(0) = 1, para i = 1, 2,..., K
g1 (n) = f 1 (n) , para n = 0, 1,..., N
 ρ in
 si n ≤ si
ρ n
 n!
f i ( n) = i = 
ai ( n ) 
ρ 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
Para calcular los valores de la matriz G que desconocemos hay que utilizar la
siguiente fórmula recursiva:
n
g m (n) = ∑ f m (i ) ⋅ g m−1 (n − i ) m = 1, 2,..., K , n = 0, 1,..., N
i =0
Ya podemos calcular fácilmente la probabilidad de que haya ni clientes en cada

nodo de la red, con i = 1, 2,..., K
1 K
ρ ini
p n1 , n2 ,...nK = ⋅∏
g K ( N ) i =1 ai (ni )
Cálculos relativos al último nodo:
Podemos calcular la probabilidad de que haya un determinado número de clientes

(por término medio) en el último nodo:
f K (i ) ⋅ g N ( N − i )
p... i = i = 0, 1,..., N
gK (N )
Ahora ya podemos calcular el valor de L en el último nodo:
N
L = ∑ i ⋅ p... i
i =1
Para calcular el resto de cantidades relativas al último nodo (Lq, W y Wq),

necesitamos conocer el valor de Λ K .
65
Cálculo de Λ K :
ΛK = 0
Para i = 1, 2,..., N
Si i ≤ sK
Λ K = Λ K + µK • i • p... i
Si no
Λ K = Λ K + µK • sK • p... i
Fin Si
Devolver Λ K
Cálculo de W, Wq y Lq en el último nodo:
L 1 L
W = Wq = W − Lq = ⋅ Wq
ΛK µ W
Para calcular estas cantidades para el resto de nodos, hay que renombrar todos los
nodos de forma que el nodo de interés sea el último:
Intercambiamos las posiciones en el vector µ.

Intercambiamos las posiciones en el vector de servidores.
Intercambiamos las posiciones en la matriz P.
66
2.3- Resolución por simulación
2.3.1- Características generales
La resolución de los modelos de colas por simulación se divide en dos partes:
La primera de ellas, llamada bucle de estabilización, se encarga de calcular

el número de clientes que habrá en el sistema cuando entren8 en el mismo tantos
como el valor del parámetro de estabilización que introduzcamos.
La segunda, llamada bucle de simulación, se encarga de simular el

comportamiento del sistema (teniendo en cuenta la entrada de tantos clientes
como el valor del parámetro de simulación) y calcular todos los parámetros de
salida del modelo. El número de clientes en el sistema al comenzar el bucle de
simulación es el valor obtenido al finalizar el bucle de estabilización.
A lo largo de la segunda fase de estabilización se pueden observar otras dos fases

(comentadas en el apartado 1.2.5) en la obtención de un determinado parámetro de
salida. Un ejemplo, tal y como se comenta en [Bos-02], lo podemos advertir en la
siguiente gráfica, que corresponde a la simulación del modelo G/G/1, con
distribución de llegada exponencial de parámetro λ = 2 y distribución de servicio
exponencial de parámetro µ = 3.
8
En el caso de las redes cerradas, donde no hay entradas de clientes desde el exterior, tanto el
parámetro de simulación como el de estabilización contabilizan las transiciones que un cliente tiene
entre los nodos de la red.
67
Figura 9- Comportamiento gráfico de la simulación
2.3.2- Implementación de los distintos modelos
A continuación, presentamos en forma de pseudo-código y de modo incremental

los programas de simulación (bucle de simulación) de los distintos modelos de colas.
Antes de comenzar, es conveniente aclarar el significado de alguna de las variables
que se usarán en los programas de simulación:
c: Acumula tiempo • número de clientes que hay en el sistema. Inicialmente

vale 0. En el caso de las redes de colas será un vector con tantos elementos
como el número de nodos que tengamos.
68
d: Acumula tiempo • número de clientes que hay en la cola. Inicialmente vale

0. En el caso de las redes de colas será un vector con tantos elementos
como el número de nodos que tengamos.
2.3.2.1- Bucle de simulación del modelo G/G/1
Mientras “nº de clientes simulados” < “nº de clientes totales en la simulación”

Si el número de clientes en el sistema es mayor que 0
mínimo = min(tiempo en haber una nueva llegada, tiempo en haber una nueva salida)
Si no
mínimo = tiempo que tarda en haber una nueva llegada
Fin Si
Si (mínimo = tiempo que tarda en haber una nueva llegada)
Aumentar el “nº de clientes simulados” en una unidad
Incrementar el cronómetro en el valor mínimo
Hallar el tiempo que tarda en haber una nueva llegada
Incrementar el tiempo en el que hay n clientes en mínimo
Si (número de clientes en el sistema = 0)

Incrementar el número de clientes en el sistema en una unidad
Hallar el tiempo que tarda en haber una nueva salida
Si no
Incrementar c en mínimo • (número de clientes en el sistema)
Incrementar d en mínimo • (número de clientes en el sistema-1)
Disminuir el tiempo que tarda en haber una nueva salida en el valor mínimo
Fin Si
Si no
Disminuir en uno el número de clientes del sistema
No puede haber una nueva salida del sistema
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 mínimo
Fin Si
Fin Mientras
69
2.3.2.2- Bucle de simulación del modelo G/G/s9

mínimo = min(tiempo en haber una nueva llegada, tiempo en haber una nueva salida de alguno de los servidores en los
que hay un cliente)
Si no
Fin Si
Aumentar el número de clientes simulados en una unidad

Si (número de clientes en el sistema < número de servidores)

Disminuir el tiempo que tarda en haber una nueva salida en el valor mínimo (en los servidores donde ya
había algún cliente)
Hallar el tiempo que tarda en haber una nueva salida (en uno de los servidores donde no había ningún
cliente)
Si no
Incrementar d en mínimo • (número de clientes en el sistema-número de servidores)
Fin Si
Si no
Encontrar cual es el servidor en el cual se produce la salida de un cliente
Si número de clientes > número de servidores

Fin Si
9
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1
70

Disminuir el tiempo que tarda en haber una nueva salida en el valor mínimo (en los servidores donde ya había algún
cliente)

No puede haber una nueva salida del sistema 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
Fin Si
Fin Mientras
Nota:
Como se puede observar, las diferencias entre los algoritmos de simulación para el
caso de un valor de s genérico (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 algorítmica. Podría haberse obviado la
codificación de los casos en los que s es igual a la unidad, más se optó por su
implementación para así tener un claro paralelismo entre la parte analítica y la parte
de simulación.
Por lo que se refiere a la parte analítica, las diferencias entre los casos en que s
toma un valor genérico y en los que s es igual a 1 son muy claras, ya que es más
eficiente el programar al margen este caso que el realizar los cálculos del caso
genérico con el valor del número de servidores igual a la unidad. Además para
algunos casos, como el M/M/1/K o M/M/1/∞ /H , su implementación proporciona una
fórmula explícita para el valor de W(t), sin necesidad de emplear técnicas de
integración numérica.
71
2.3.2.3- Bucle de simulación del modelo G/G/1/K10

mínimo = min(tiempo en haber una nueva llegada, tiempo en haber una nueva salida)
Si no
Fin Si

Si (número de clientes en el sistema = tamaño de la cola + 1)

Si no
Aumentar el número de clientes en el sistema en una unidad
Si no
Aumentar el número de clientes en el sistema en una unidad
Fin Si
Fin Si
Si no

10
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1
72
Si no
Fin Si
Fin Si
Fin Mientras
2.3.2.4- Bucle de simulación del modelo G/G/s/K11

que hay algún cliente)
Si no
Fin Si
Si (número de clientes en el sistema = tamaño de cola + número de servidores)
Si no
Aumentar el número de clientes simulados en una unidad
Disminuir el tiempo que tarda en haber una nueva salida en el valor mínimo (en los servidores
donde ya había algún cliente)
Hallar el tiempo que tarda en haber una nueva salida (en uno de los servidores donde no había
ningún cliente)
Si no
Incrementar d en mínimo • (nº de clientes en el sistema - nº de servidores)
Disminuir el tiempo que tarda en haber una nueva salida en el valor mínimo (en los servidores
donde ya había algún cliente)
Fin Si
11
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/s
73
Fin Si
Si no
Si número de clientes > número de servidores
Fin Si
cliente)
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
Fin Si
Fin Mientras
2.3.2.5- Bucle de simulación del modelo G/G/1/∞ /H

mínimo = min(tiempo en haber una nueva llegada de algún potencial cliente, tiempo en haber una nueva salida)
Si no
mínimo = tiempo que tarda en haber una nueva llegada de algún potencial cliente
Fin Si
Si (mínimo = tiempo que tarda en haber una nueva salida)

Si no
74
Fin Si
Disminuir en mínimo el tiempo que tardan en llegar los potenciales clientes
Hallar el tiempo que tarda en llegar un nuevo potencial cliente
Si no
Hallar cual es el potencial cliente que tarda menos en llegar
Anotar la llegada del cliente que ha tardado menos en llegar
Si no
Fin Si
Fin Si
Fin Mientras
2.3.2.6- Bucle de simulación del modelo G/G/s/∞ /H12

mínimo = min(tiempo en haber una nueva llegada de algún potencial cliente, tiempo en haber una nueva salida de
alguno de los servidores en los que hay un cliente)
Si no
Fin Si

Si (número de clientes en el sistema > número de servidores)
12
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/1/∞ /H
75

Fin Si

Disminuir en mínimo el tiempo que tarda en haber nuevas salidas de los servidores donde hay clientes

No puede haber una nueva salida del sistema de ese servidor
Si no
Hallar el tiempo que tarda en haber una nueva salida del sistema de ese servidor
Fin Si
Si no
Disminuir el tiempo que tarda en haber una nueva salida de alguno de los servidores en los que hay un cliente en el
valor mínimo
Hallar el tiempo que tarda en haber una nueva salida de un servidor vacío
Si no
Fin Si
Fin Si
Fin Mientras
76
2.3.2.7- Bucle de simulación del modelo G/G/s/∞ /H con Y repuestos13

mínimo = min(tiempo en haber una nueva llegada de algún potencial cliente, tiempo en haber una nueva salida de
alguno de los servidores en los que hay un cliente)
Si no
Fin Si

Si (número de clientes en el sistema > número de servidores)

Fin Si

Disminuir en mínimo el tiempo que tarda en haber nuevas salidas de los servidores donde hay clientes
No puede haber una nueva salida del sistema de ese servidor
Si no
Hallar el tiempo que tarda en haber una nueva salida del sistema de ese servidor
Fin Si
Si (número de clientes en el sistema >= número de repuestos)

Fin Si
Si no
13
Aparecen resaltadas en color verde las diferencias respecto al modelo G/G/s/∞ /H
77
Si (número de clientes en el sistema <= número de repuestos)

Hallar el tiempo que tarda en llegar el repuesto del cliente que acaba de llegar
Fin Si
Disminuir el tiempo que tarda en haber una nueva salida de alguno de los servidores en los que hay un cliente el
valor mínimo
Hallar el tiempo que tarda en haber una nueva salida de un servidor vacío
Si no
Fin Si
Fin Si
Fin Mientras
2.3.2.8- Bucle de simulación del modelo G/G/∞

que hay un cliente)
Si no
Fin Si

cliente)
Hallar el tiempo que tarda en haber una nueva salida (en un nuevo servidor donde no hay ningún cliente)
Si no
78
Disminuir el tiempo que tarda en haber una nueva salida el valor mínimo (en los servidores donde ya había algún
cliente)
No puede haber una nueva salida del sistema del servidor en el que se ha producido la salida
Fin Si
Fin Mientras
Para obtener el valor de los parámetros de salida14 hay que proceder como sigue:
c c
L= W=
cronometro parametro de simulacion
d d
Lq = Wq =
cronometro parametro de simulacion
tiempo en el que ha habido n clientes

p (n) =
cronometro
14
Referido a todos los modelos vistos hasta ahora: desde el G/G/1 hasta el G/G/∞
79
2.3.2.9 Bucle de simulación de las redes cerradas15
Hallar cuál es el servidor (y en que nodo se encuentra) que tarda menos tiempo en atender a un determinado cliente (de aquí
en adelante, ese servidor será el “servidor x”, y ese nodo será el “nodo x”)
mínimo = tiempo que se tarda en atender a un cliente en el “servidor x” del “nodo x”
Disminuir el número de clientes del “nodo x” en una unidad
Disminuir en mínimo el tiempo que tardan en atender el resto de los servidores que no sean el “servidor x” a un potencial
cliente.
Si (nº clientes (“nodo x”) < nº servidores (“nodo x”))

No puede haber una nueva salida del “nodo x”
Si no
Hallar el tiempo que tarda en producirse una nueva salida del “servidor x” del “nodo x”
Fin Si
Hallar el nodo al cual ha migrado el cliente en función de la matriz de probabilidades

Aumentar en uno el nº clientes (nodo al cual ha migrado)
Aumentar en uno el nº entradas (nodo al cual ha migrado)
Si (nº clientes (nodo al cual ha migrado) <= nº servidores (nodo al cual ha migrado))
Hallar el tiempo que tarda en producirse una nueva salida de un determinado servidor desocupado del nodo al que ha
migrado
Fin Si
Aumentar el cronómetro en el valor mínimo
Para nodo = 1 hasta todos los nodos de la red
Si (nodo = “nodo x” y nodo ~ = nodo de migración)

Aumentar el valor de c (nodo) en mínimo • (nº clientes (nodo) + 1)
Si (nº clientes (nodo) + 1 > nº servidores (nodo))
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) + 1 - nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo) + 1” clientes en el nodo
Fin Si
15
En las redes de colas cerradas el parámetro de simulación equivale al número de transiciones de
clientes entre los distintos nodos.
80
Si (nodo ~ = “nodo x” y nodo = nodo de migración)

Aumentar el valor de c (nodo) en mínimo • (nº clientes (nodo) – 1)
Si (nº clientes (nodo) – 1 > nº servidores (nodo))
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) – 1 - nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo) – 1” clientes en el nodo
Si no
Aumentar el valor de c (nodo) en mínimo • (nº clientes (nodo))
Si (nº clientes (nodo) > nº servidores (nodo))
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) – nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo)” clientes en el nodo
Fin Si
Fin Para
Fin Mientras
Inicialmente, los clientes se distribuyen de la siguiente forma:
 
 n º clientes red ⋅ (nº servidores (nodo))-1 
n º clientes (nodo) =  Nodos de la red cerrada

 
 ∑i =1
(nº servidores (i)) -1

Según esta fórmula es posible que quede algún cliente sin asignar, es decir, que tras
esta distribución inicial, la suma del número de clientes que hay en todos los nodos
sea inferior al número 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.
Nótese que las actualizaciones de los valores de c, d y el tiempo que un cliente está
en un determinado nodo son “a posteriori”. Así, si tenemos la siguiente situación:
16
Se corresponden con el número de clientes que ha introducido el usuario menos la suma del número
de clientes en los nodos de la red tras aplicar la fórmula inicial
81
Nodo de
Nodo x
migración
3 clientes antes de migrar 5 clientes antes de migrar

2 clientes despues de migrar 6 clientes despues de migrar
Otros Nodos
Figura 10- Actualización 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 migración” de la
anterior figura):
Nodo x
c (nodo x) = c (nodo x) + mínimo • 3
Si ( 3 > nº de servidores (nodo x) )
d (nodo x) = d (nodo x) + mínimo • ( 3 – nº servidores (nodo x) )
Tiempo (3 clientes, nodo x) = Tiempo (3 clientes, nodo x) + mínimo
Nodo de migración
c (nodo migración) = c (nodo migración) + mínimo • 5
Si ( 5 > nº de servidores (nodo migración) )
d (nodo migración) = d (nodo migración) + mínimo •
( 5 – nº servidores (nodo migración) )
Tiempo (5 clientes, nodo migración) = Tiempo (5 clientes, nodo migración)
+ mínimo
82
Para obtener el valor de los parámetros de salida hay que proceder como sigue:
c (nodo) c (nodo)
L (nodo) = W (nodo) =
cronometro nº de entradas (nodo)
d (nodo) d (nodo)
Lq (nodo) = Wq (nodo) =
Nodos de la red cerrada

d (i)
Lq , T = ∑
i =1 cronometro
tiempo en el que hay n clientes en un determinado nodo

p (n, nodo) =
cronometro
2.3.2.10- Bucle de simulación de las redes abiertas
mínimo = 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 (mínimo = tiempo de llegada de un potencial cliente)
Aumentar en una unidad el “nº de clientes simulados”
Aumentar en una unidad el nº de entradas al “nodo y”
Aumentar en una unidad el nº de clientes del “nodo y”
Disminuir en mínimo el tiempo de llegada de potenciales clientes
Hallar el tiempo de llegada de un nuevo potencial cliente al “nodo y”
Disminuir en mínimo el tiempo de salida de clientes en los servidores de aquellos nodos donde exista un cliente
83
Si (nº clientes (“nodo y”) < nº servidores (“nodo y”))

Generar el tiempo de salida de un servidor del “nodo y” que estaba desocupado
Fin Si
Aumentar la variable cronómetro en el valor mínimo
Si (nodo = “nodo y”)

Aumentar d (nodo) en mínimo • (nº clientes (nodo) – 1 – nº servidores (nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo) – 1” clientes en el nodo
Si no
Aumentar d (nodo) en mínimo • (nº clientes (nodo) – nº servidores (nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo)” clientes en el nodo
Fin Si
Fin Para
Si no
Disminuir en uno el número de clientes del “nodo x”
Disminuir en mínimo el tiempo de salida de clientes en los servidores de aquellos nodos donde exista un cliente
Si (nº clientes (“nodo x”) < nº servidores (“nodo x”))

No puede haber una nueva salida del “servidor x” del “nodo x”
Si no
Calcular el tiempo que tarda en producirse una nueva salida en el “servidor x” del “nodo x”
Fin Si
Disminuir en mínimo el tiempo de llegada de potenciales clientes
Hallar el nodo (o exterior) al cual migra el cliente en función de la matriz de probabilidades
Si (nodo de migración ~= exterior del sistema)

Aumentar en uno el nº clientes (nodo al cual ha migrado)
Aumentar en uno el nº entradas (nodo al cual ha migrado)
Si (nº clientes (nodo de migración) <= nº servidores (nodo de migración))
Hallar el tiempo de salida de este nuevo cliente que ocupa un servidor que estaba desocupado en el nodo
de migración
Fin Si
Fin Si
84
Aumentar el cronómetro en el valor mínimo

Si (nodo = “nodo x” y nodo ~ = nodo de migración)
Aumentar el valor de c (nodo) en mínimo • (nº clientes (nodo) + 1)
Si (nº clientes (nodo) + 1 > nº servidores (nodo))
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) + 1 - nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo) + 1” clientes en nodo
Fin Si
Si (nodo ~ = “nodo x” y nodo = nodo de migración)
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) – 1 - nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo) – 1” clientes en nodo
Si no
Aumentar el valor de d (nodo) en mínimo • (nº clientes (nodo) – nº servidores(nodo))
Fin Si
Aumentar en mínimo el tiempo en el que hay “nº clientes (nodo)” clientes en nodo
Fin Si
Fin Para
Fin Mientras
Para obtener el valor de los parámetros de salida hay que proceder como sigue:
c (nodo) c (nodo)
L (nodo) = W (nodo) =
d (nodo) d (nodo)
Lq (nodo) = Wq (nodo) =
85

c (i) LT
LT = ∑i =1 cronometro
WT =
 nº de clientes simulacion 
 
 cronometro 

d (i) L q, T
L q, T = ∑
i =1 cronometro
W q, T =
 nº de clientes simulacion 
 
 cronometro 
tiempo en el que hay n clientes en un determinado nodo

p (n, nodo) =
cronometro
86
2.4- Detalles de la implementación

En este apartado se explica con mayor detalle alguna de las características de la
aplicación, así como algunos de los problemas surgidos a lo largo de la
implementación y la forma de solucionarlos.
2.4.1- Cálculo de W(t) en los modelos en los que no hay una solución
analítica
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 fórmula explícita para el cálculo de W(t). Esto es debido a
que dicha fórmula es excesivamente compleja, y la mayoría de los libros ni siquiera
la consideran.
Por todo ello, hemos tenido que optar por otra vía para calcular el valor de W(t). En
todos los modelos se verifica que:
t
W (t ) = ∫ Wq (t − s ) ⋅ µ ⋅ e − µ ⋅ s ds
0
La resolución numérica exacta de dicha integral es bastante complicada, por lo que,

para hallar el valor de W(t) en los modelos en los que no tenemos una fórmula
exacta, hemos utilizado la implementación que MATLAB realiza del método de
Simpson17 (función quad) de integración numérica.
Pese a lo que se pueda pensar en un primer momento, el hecho de utilizar un

método de integración numérica para hallar el valor de W(t) apenas tiene influencia
en el tiempo de ejecución del algoritmo y el sistema nos proporciona una respuesta
17
Puede observarse con detalle en [Gar-98]
87
de forma muy rápida. Incluso para el caso de tener que mostrar la evolución de la
función 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 integración numérica) se resuelve muy rápidamente.
2.4.2- Problemas de desbordamiento en el cálculo
Debido a como se resuelven analíticamente muchos de los modelos, se pueden

plantear problemas de desbordamiento en el cálculo de algunos parámetros. Un
ejemplo puede ser el siguiente:
Modelo M/M/1/K con K = 300, λ = 100 y µ = 1
En este caso, ρ = 100.
Recordemos la fórmula de L, para el modelo M/M/1/K:
ρ ( K + 2) ⋅ ρ K + 2
L= − , sustituyendo tenemos que
1− ρ 1 − ρ K +2
100 302 ⋅ 100 302

L= − , lo que provoca un desbordamiento en el cálculo, ya que
− 99 1 − 100 302
100302 es un número superior al mayor número real que puede manejar
MATLAB (1.7976 • 10308)
Este problema puede darse en otros modelos en función de los valores de los
parámetros 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
desbordamiento en la realización de los cálculos y debe cambiar los valores de los

parámetros de entrada.
2.4.3- Problemas de precisión en el cálculo
A lo largo del desarrollo de la aplicación han aparecido varios problemas relativos

a la precisión en el cálculo de las distintas variables. A continuación se citan los más
importantes y la manera de resolverlos:
En las redes cerradas se debe verificar la condición de que la suma de las

probabilidades de transición de un nodo concreto a todos los nodos de la red debe
ser igual a 1. Pues bien, si por ejemplo en MATLAB hacemos 0.4 + 0.3 + 0.2 +
0.1, esto da como resultado un valor distinto de 1!!! Para resolver este problema
hemos sustituido la condición de que la suma sea igual a 1, por la condición de
que la suma se encuentre entre 0.999999 y 1.000001.
En muchos modelos, el cálculo de Wq y Lq se realiza según las siguientes

fórmulas:
1 L q = λ ⋅ Wq
Wq = W −
µ
Esto puede provocar que debido a las múltiples operaciones que hay que realizar
para el cálculo de L (normalmente son varias sumas y productos), se puede
obtener en algunos casos un valor para W ligeramente inferior a 1/µ, lo que
provocaría 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 situación.
Debido a que, para el cálculo analítico de W(t) en los modelos M/M/s/K,

M/M/s/∞ /H y M/M/s/∞ /H con Y repuestos se utilizan técnicas de integración
89
numérica, puede producirse que el valor de W(t) sea, en algunos casos,

ligeramente superior a 1. Para solucionar este problema se asigna directamente
un valor igual a 1 en caso de que ocurra.
Algunas veces al usar las técnicas de integración numérica pueden aparecer

los siguientes mensajes de aviso en la línea de comandos de MATLAB :
‘Warning: Minimum step size reached; singularity possible’

Este mensaje se produce cuando al intentar evaluar el valor de la integral y
debido a las características de la misma, MATLAB no puede garantizar que
el error cometido en dicha evaluación sea inferior al requerido, que en nuestro
caso es de una milésima.
‘Warning: Infinite or Not-a-Number function value

encountered’
Este mensaje indica que se ha producido un error de overflow
(desbordamiento de cálculo) o una división por cero durante la evaluación de
la integral.
Para evitar estos mensajes de aviso basta con escribir lo siguiente (esto sólo es
válido con la versión 6.5 de MATLAB®) en la línea de comandos:
‘warning off MATLAB:quad:MinStepSize’ ó

‘warning off MATLAB:quad:ImproperFcnValue’
90
Capítulo 3: Evaluación de la aplicación
Tolle numerorum omnibus rebus et omnia pereunt

“Quita el número de las cosas y todas se destruirán”
(San Isidoro de Sevilla, obispo y teólogo de la España visigoda, siglo VIII)
Capítulo 3: Evaluación de la aplicación Jorge L. Vega Valle
3.1- Validación de los resultados de la simulación
Para comprobar la corrección de los resultados obtenidos, compararemos los

resultados obtenidos mediante simulación con los de la solución analítica
correspondiente al mismo modelo. Nótese que para poder validar los resultados de la
simulación con los de la solución analítica deberemos de considerar tanto la
distribución de llegada como la de servicio de tipo exponencial.
La validación de los resultados de la simulación se enfocará estudiando la

influencia de los siguientes parámetros:
Parámetro de estabilización y número de clientes de la simulación

Intensidad de tráfico
Modelo de colas
3.1.1- Variación del parámetro de estabilización y del número de

clientes de la simulación
Para observar la influencia del parámetro de estabilización y del número de

clientes de la simulación en el resultado del algoritmo de simulación se han analizado
los dos siguientes casos:
Primer caso
Modelo de colas: Simulación del modelo G/G/s/K

Distribución de llegada: Exponencial, con λ = 10
Distribución de servicio: Exponencial, con µ = 5
Número de servidores: s = 3
92
Tamaño de la cola: K = 3
Nº Clientes Simulación
100 1000 5000 10000 50000 100000
100 8.582 % 7.017 % 1.415 % 1.643 % 0.481 % 0.463 %
Parám.
Estab.
1000 19.235 % 3.998 % 3.520 % 0.463 % 0.676 % 0.106 %

10000 11.714 % 5.213 % 2.281 % 0.885 % 0.336 % 0.339 %
Segundo caso
Modelo de colas: Simulación del modelo G/G/s/K

Tamaño de la cola: K = 300
100 1000 5000 10000 50000 100000
100 83.290 % 52.723 % 6.986 % 3.935 % 0.680 % 0.338 %
Parám.
Estab.
1000 17.209 % 3.342 % 0.257 % 0.237 % 0.040 % 0.040 %

10000 0.545 % 0.130 % 0.030 % 0.043 % 0.021 % 0.025 %
En las tablas anteriores, se muestra el error medio (en tanto por ciento) de cinco
muestras en el cálculo de L.
93
Como podemos observar, los resultados del primer caso son muy diferentes a los
del segundo. Así, mientras en el primer caso apenas tiene influencia el aumento del
valor del parámetro de estabilización, para el segundo caso podemos ver como un
aumento del parámetro de estabilización 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 cálculo de L, mientras que en el segundo caso es crucial.
En ambos casos podemos ver como cuanto mayor es el número de clientes de la

simulación, menor es el error que se comete. La disminución del error es muy
pronunciada al principio y más lenta a medida que ya estamos muy cerca de la
solución óptima (nótese que el pasar de 50.000 a 100.000 clientes en la simulación
apenas tiene influencia en el valor del error).
Recomendación práctica
Debido a que el parámetro de estabilización puede tener una gran influencia en el

modelo (dependiendo de las características del mismo) y a que un valor muy elevado
para el número de clientes de la simulación no hace sino ralentizar el tiempo de
respuesta, los siguientes valores pueden considerarse como los más adecuados para
obtener lo más rápidamente posible una respuesta con un pequeño valor para el error:
Parámetro de estabilización = 5.000

Número de clientes de la simulación = 10.000
94
3.1.2- Variación de la intensidad de tráfico
Para estudiar la influencia de la intensidad de tráfico en el error cometido por la

simulación vamos a analizar tres posibles situaciones:
Primer caso
Modelo de colas: Simulación del modelo G/G/s

Distribución de llegada: Exponencial
Parámetro de estabilización: 1.000
Número de clientes de la simulación: 10.000
λent Intensidad Error

1 0.1 0.983 %
5 0.5 1.868 %
7 0.7 3.771 %
9 0.9 11.326 %
9.5 0.95 25.2192 %
Segundo caso
Modelo de colas: Simulación del modelo G/G/s/∞ /H

Población potencial: H = 5
95


0.2 0.096137 2.001 %
1.25 0.48824 0.943 %
2.25 0.71267 1.662 %
4 0.89162 0.673 %
6 0.9588 0.750 %
Tercer caso
Modelo de colas: Simulación del modelo G/G/s/∞ /H

Población potencial: H = 500

0.002 0.09996 1.653 %
0.01003 0.50017 3.357 %
0.01408 0.70018 4.476 %
0.01835 0.90181 7.201 %
0.01977 0.95719 17.8428 %
96
Los resultados obtenidos en las tablas anteriores muestran el error medio cometido
(por cinco muestras) en el cálculo de L.
Como podemos ver en las tablas anteriores, dependiendo de las características del
modelo que tengamos, el valor de la intensidad de tráfico 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 tráfico mayor es el error cometido y, a medida
que ésta se acerca más a uno, el error aumenta mucho más. Esto es debido a que en
estos casos, cuanto mayor sea el valor de la intensidad de tráfico, mayor será también
la dependencia que existe entre los datos de la muestra obtenida por simulación. 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 atenúa (el tiempo de estancia en
el sistema de un cliente y del siguiente a él no pueden tener una correlación muy alta)
3.1.3- Variación del modelo de colas
En este apartado estudiaremos la influencia que tiene la elección del modelo de

colas en el error cometido. Debido a que, como hemos observado en el apartado
anterior, la intensidad de tráfico tiene influencia en el valor del error (al menos, para
algunos casos), consideraremos modelos cuya intensidad de tráfico sea
razonablemente baja.
Para observar la influencia del parámetro modelo de colas en el resultado del

algoritmo de simulación se han fijado los siguientes parámetros:

Distribución de servicio: Exponencial
97
Intensidad de tráfico18: Baja

Los resultados obtenidos pueden verse en la siguiente tabla: (el error que se
muestra corresponde a la media de cinco muestras en el cálculo de L)
λent µsal Modelo de colas Parámetros del Intensidad Error

modelo
1 10 G/G/1 0.1 0.875 %
1 5 G/G/s s=2 0.1 1.099 %
2.75 25 G/G/1/K K=5 0.11 1.209 %
2 5 G/G/s/K s = 4, K = 5 0.1 1.529 %
2.1 40 G/G/1/∞ /H H=2 0.099515 0.624 %
2 28 G/G/s/∞ /H s = 4, H = 6 0.1 0.963 %
G/G/s/∞ /H con Y
2 40 s = 4, H = 8, Y = 2 0.099893 0.806 %
repuestos
2 5 G/G/∞ 0 1.307 %
K = 2,
λ1 = 2, µ1 = 5, s1 = 5,
Redes Jackson
p11 = 0.2, p12 = 0.1, 1.039 %
abiertas
λ2 = 3, µ2 = 4, s2 = 10,
p21 = 0.1, p22 = 0.1
K = 2, N = 4,
µ1 = 2, s1 = 5,
Redes Jackson
p11 = 0.1, p12 = 0.9, 1.126 %
cerradas
µ2 = 3, s2 = 5,
p21 = 0.4, p22 = 0.6
18
No definida como tal para los modelos de redes de colas
98
Como se puede observar en la tabla anterior, los resultados de la simulación son

muy parecidos a los del modelo analítico correspondiente. De hecho, un estudio más
completo muestra que solamente no es así cuando nos encontramos en modelos con
una intensidad de tráfico elevada en donde haya una gran dependencia entre los datos
de la muestra obtenida por simulación.
99
3.2- Validación de la simulación de las distribuciones

de probabilidad19
Para verificar el correcto funcionamiento de la simulación de las distintas

distribuciones (ver [Cao-98] o [Dev-86]) que se han empleado en la aplicación, se ha
usado la fórmula de Pollaczek-Khintchine, explicada con detalle en [Cao-02], que
nos permite obtener el valor de L en modelos de la forma M/G/1.
ρ 2 + λ2 ⋅ σ S2
L=ρ+
2 ⋅ (1 − ρ )
donde:
• ρ es la intensidad de tráfico, y en este caso equivale a:
λ λ
ρ= = = λ ⋅ Media ( Distrib de Servicio)
µ 1
Media ( Distribución de Servicio)
Además debe cumplirse que ρ < 1, para así garantizar la estacionariedad.
• λ es el número medio de llegadas de clientes al sistema por unidad de tiempo

(recordemos que para poder aplicar la fórmula de Pollaczek-Khintchine la
distribución de llegada de clientes al sistema debe ser siempre exponencial).
• σ2S es la varianza de la distribución de servicio.
19
Ver Apéndice A para observar la definición de dichas distribuciones
100
Los resultados de las distintas pruebas son los siguientes:20
Distribución exponencial
El valor de ρ tiene una gran influencia en los resultados obtenidos durante la

simulación. Así, el error cometido es mucho mayor cuando ρ toma valores cercanos
a uno que cuando se encuentra alejado de este valor. Como ejemplo, vamos a
comentar los resultados obtenidos para el caso de la distribución exponencial:
Caso 1: Intensidad de tráfico baja (ρ = 0.15)

λ=3
µ= 20
ρ= 0.15
σ2S= 0.0025
L(Pollaczek-Khintchine) = 0.17647
L (Simulación) Error cometido (en %)

Prueba nº1 0.17976 1.8643
Prueba nº2 0.17678 0.1757
Prueba nº3 0.18051 2.2893
Prueba nº4 0.17397 1.4167
Prueba nº5 0.17623 0.1360
Error Medio 1.1764
Media(L(Simulación)) Error de la Media (en %)
0.17745 0.5553
20
Todas las pruebas se han realizado con un valor igual a 1.000 en parámetro de estabilización y con
un valor igual a 10.000 en número de clientes de la simulación
101
Caso 2: Intensidad de tráfico media (ρ = 0.60)
λ=3
µ=5
ρ = 0.6
σ2S = 0.04

Prueba nº1 1.4866 0.8933
Prueba nº2 1.4456 3.6266
Prueba nº3 1.4892 0.7200
Prueba nº4 1.6302 8.6800
Prueba nº5 1.4776 1.4933
Error Medio 3.0826
1.50584 0.3893
Caso 3: Intensidad de tráfico alta (ρ = 0.90)
λ=3
µ = 10/3
ρ = 0.9
σ2S = 0.09
102
L(Pollaczek-Khintchine) = 9

Prueba nº1 10.6167 17.9634
Prueba nº2 8.5961 4.4878
Prueba nº3 9.3125 3.4723
Prueba nº4 8.4652 5.9423
Prueba nº5 12.0142 33.4912
Error Medio 13.0714
9.8009 8.8989
En el siguiente gráfico se puede observar de forma clara lo comentado

anteriormente. Cuando ρ toma valores elevados el error medio es mucho mayor
(13%) que cuando toma valores medios (3%) o bajos (1%).
Influencia de la intensidad de tráfico en el error cometido

Error (%)
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
Distribución uniforme
λ=1
a = 0.2
b = 0.8
ρ = 0.5
σ2S = 0.03

Prueba nº1 0.79093 1.4013
Prueba nº2 0.78149 0.1910
Prueba nº3 0.77515 0.6218
Prueba nº4 0.75774 2.8538
Prueba nº5 0.78549 0.7038
Error Medio 1.1543
0.77816 0.2359
104
Distribución determinista
λ=2
d = 0.3
ρ = 0.6
σ2S = 0

Prueba nº1 1.0164 3.2000
Prueba nº2 1.0245 2.4286
Prueba nº3 1.1154 6.2286
Prueba nº4 1.0288 2.0190
Prueba nº5 1.0466 0.3238
Error Medio 2.8400
1.04634 0.3486
105
Distribución gamma
λ = 0.5
p=2
a=3
ρ = 1/3
σ2S = 2/9 ≃ 0.2222
L(Pollaczek-Khintchine) = 11/24 ≃ 0.4583333

Prueba nº1 0.4621 0.8218
Prueba nº2 0.4751 3.6582
Prueba nº3 0.4529 1.1855
Prueba nº4 0.4620 0.8000
Prueba nº5 0.4528 1.2073
Error Medio 1.5346
0.4610 0.5818
106
Distribución beta
λ=2
p=1
q=5
k=1
ρ = 1/3
σ2S = 5/252
L(Pollaczek-Khintchine)= 120/252 ≃ 0.47619

Prueba nº1 0.4795 0.6950
Prueba nº2 0.4759 0.0610
Prueba nº3 0.4836 1.5560
Prueba nº4 0.4872 2.3120
Prueba nº5 0.4824 1.3040
Error Medio 1.1856
0.4817 1.1570
107
Distribución lognormal
λ = 0.2
µ=1
σ = 0.2
ρ = 0.2 * e1.02 ≃ 0.5546
σ2S = e2.08 - e2.04 ≃ 0.3139
L(Pollaczek-Khintchine)= 0.2 * e1.02 + (0.02 * e2.08) / (1 – 0.2 * e1.02) ≃ 0.9141

Prueba nº1 0.9212 0.7769
Prueba nº2 0.9038 1.1267
Prueba nº3 0.8895 2.6910
Prueba nº4 0.8789 3.8506
Prueba nº5 0.9090 0.5578
Error Medio 1.8006
0.9005 1.4877
108
Distribución normal
λ = 0.2
µ=4
σ = 0.5
ρ = 0.8
σ2S = 0.25

Prueba nº1 2.3993 1.0598
Prueba nº2 2.6071 7.5093
Prueba nº3 2.3044 4.9732
Prueba nº4 2.5243 4.0948
Prueba nº5 2.3460 3.2577
Error Medio 4.1790
2.4362 0.4627
109
Distribución de Weibull
λllegada = 1
λWeibull = 10
α = 0.5
ρ = 0.2
σ2S = 0.2
L (Simulación) Error cometido (En %)

Prueba nº1 0.3703 5.8000
Prueba nº2 0.3530 0.8571
Prueba nº3 0.3546 1.3143
Prueba nº4 0.3595 2.7143
Prueba nº5 0.3657 4.4857
Error Medio 3.0343
Media(L(Simulación)) Error de la Media (En %)
0.3606 3.0286
Como se puede observar en los resultados de todas las distribuciones, el error

cometido es siempre inferior a un 5%, por lo que la simulación de las distintas
funciones de distribución funciona correctamente. Solamente hay que tener
precaución con los resultados de la simulación cuando los valores de la intensidad de
tráfico son cercanos a uno.
110
3.3- Influencia de la variación de algunos parámetros

en el tiempo de ejecución de la simulación
En este apartado se analizará la influencia que tiene la variación de algunos

parámetros en el tiempo de ejecución de los algoritmos de simulación. En el caso de
la resolución analítica la respuesta es inmediata en casi todos los casos (salvo en las
redes de colas cerradas que posean un número de nodos y clientes elevados).
Todas las pruebas han sido realizadas en el siguiente equipo:
Pentium III a 933 Mhz

384 Mb de memoria RAM
Carga mínima del sistema (máquina aislada).
Los factores a considerar son los siguientes:
Distribución de probabilidad
Intensidad de tráfico
Parámetro de estabilización y número de clientes de la simulación
Modelo de colas
3.3.1- Variación de la distribución de probabilidad
Para observar la influencia de una determinada distribución de probabilidad en el

tiempo de ejecución del algoritmo de simulación se han fijado los siguientes
parámetros:
111
Modelo de colas: Simulación del modelo G/G/1

La distribución de servicio varía en función de que distribución de probabilidad

estemos estudiando.
Los resultados obtenidos pueden verse en la siguiente tabla21:
λent Distrib. Servicio Parámetros de la Intensidad Tiempo

distribución
3 EXPONENCIAL µ = 0.6 0.6 3.6032
1 UNIFORME a = 0.2, b = 0.8 0.5 5.8804
2 DETERMINISTA d = 0.3 0.6 3.5650
2 GAMMA a = 5, p = 1 0.4 7.3848
2 BETA p = 1, q = 5, k = 1 0.3333 17.7636
0.2 LOGNORMAL µ = 1, σ = 0.2 0.5546 5.8624
0.2 NORMAL µ = 4, σ = 0.5 0.8 6.1750
1 WEIBULL λ = 10, α = 0.5 0.2 6.2448
Como conclusión, se puede observar que la distribución que se elija tiene una gran
influencia en el tiempo de ejecución del algoritmo; por ejemplo, el tiempo de
ejecución del algoritmo con la distribución beta es casi cinco veces superior al de la
distribución determinista. Esto es debido a que la generación de números de una
determinada distribución (ver 2.1.4) es más compleja en unos casos que en otros.
Puede observarse que todos los modelos son estacionarios (ρ < 1). Los tiempos de ejecución que se
21
muestran en todas las tablas son en segundos.
112
3.3.2- Variación de la intensidad de tráfico
Para observar la influencia de la intensidad de tráfico en el tiempo de ejecución del


El valor de λ varía en función del valor de la intensidad de tráfico que estemos

estudiando.
Los resultados obtenidos pueden verse en la siguiente tabla:
λent Intensidad Tiempo

0.1 0.01 3.5230
1 0.1 3.5570
3 0.3 3.6110
5 0.5 3.6736
7 0.7 3.7234
9 0.9 3.7654
9.5 0.95 3.7854
9.9 0.99 3.8056
Como conclusión, se puede observar que el valor de la intensidad de tráfico tiene

una ligera influencia en el tiempo de ejecución del algoritmo. Esto es debido a que
para la finalización del bucle de simulación (y para la finalización del bucle de
113
estabilización), se requiere que el número de llegadas, que inicialmente vale cero, sea
igual al número de clientes de la simulación (en el caso del bucle de estabilización,
igual al parámetro de estabilización). El número de llegadas aumenta cuando no hay
ningún cliente en el sistema (debe de producirse de forma forzosa una llegada) o
cuando hay algún cliente y se produce una llegada. La intensidad de tráfico 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.
3.3.3- Variación del parámetro de estabilización y número de

clientes de la simulación
Para observar la influencia del parámetro de estabilización y del número de

clientes de la simulación en el tiempo de ejecución del algoritmo de simulación se
han fijado los siguientes parámetros:

114
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
Estabilización
Parámetro de
500 1.953 2.704 3.626 5.518 11.086 20.229

1000 2.003 2.764 3.686 5.558 11.186 20.329
5000 2.544 3.355 4.226 6.138 11.617 20.850
10000 3.304 3.976 4.937 6.760 12.418 21.501
Como conclusiones podemos citar las siguientes:
El aumento del parámetro de estabilización tiene especial influencia en el

tiempo de ejecución del algoritmo de simulación cuando el número de clientes de
la simulación es bajo. Podemos observar, que con 1.000 clientes de simulación,
la duración del algoritmo en función del parámetro de estabilización fluctúa un
72%, con 10.000 clientes un 39%, y con 100.000 clientes sólo oscila un 7%.
La complejidad del algoritmo de simulación es: Ο (n). La comprobación

puede verse en la siguiente tabla, realizada para el caso en el cual el parámetro
de estabilización vale 10.000 (en otro caso ocurriría algo muy similar):
Cociente entre el t. ejecución y las siguientes funciones

log (n) N n · log(n) n2
1000 0.826 3.304·10-3 1.101·10-3 3.304·10-6
5000 1.075 7.952·10-4 2.150·10-4 1.590·10-7
Simulación
Nº Clientes
10000 1.234 4.937·10-4 1.23410-4 4.937·10-8

20000 1.572 3.380·10-4 7.859·10-5 1.690·10-8
50000 2.643 2.484·10-4 5.285·10-5 4.967·10-9
100000 4.300 2.150·10-4 4.300·10-5 2.150·10-9
115
Para el caso de la función log(n), la sucesión parece ser

divergente. Se trata de una función “subestimada22 ”.
Para n2 podemos ver que la sucesión aparenta converger a cero.

Se trata de un función “sobrestimada”.
Tanto al considerar la función n, como la función n·log(n), las

sucesiones parecer converger a un valor distinto de cero, por lo que se
trata de funciones “ajustadas”, aunque la primera con una mayor
precisión que la segunda.
3.3.4- Variación del modelo de colas
Para observar la influencia del modelo de colas en el tiempo de ejecución del


Distribución de servicio: Exponencial
Intensidad de tráfico23: Igual ó muy cercana a 0.4
22
Estos términos se definen con detalle en [Wei-95]
23
Salvo en el modelo G/G/∞ en donde la intensidad de tráfico es siempre igual a cero
116
λent µsal Modelo de colas Parámetros del Intensidad Tiempo

modelo
2 5 G/G/1 0.4 3.6412
4 5 G/G/s s=2 0.4 5.5580
2 5 G/G/1/K K = 10 0.4 3.6974
4 5 G/G/s/K s = 2, K = 10 0.4 5.6480
1 11 G/G/1/∞ /H H=5 0.40258 5.5760
4 8 G/G/s/∞ /H s = 4, H = 5 0.41424 7.6892
G/G/s/∞ /H con Y
3 5 s = 6, H = 5, Y = 2 0.41892 7.3626
repuestos
2 5 G/G/∞ 0 5.5338
Como conclusión, se puede observar que el tipo del modelo de colas tiene una gran
influencia en el tiempo de ejecución del algoritmo de simulación. Así se puede
observar como el tiempo de ejecución para el modelo G/G/s/∞ /H es más de dos
veces superior al tiempo de ejecución 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 (véase
en el apartado 2.3.2 las diferencias entre los distintos algoritmos).
117
Capítulo 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 Alemán, escritor español, siglos XVI y XVII)
Capítulo 4: Conclusiones Jorge L. Vega Valle
El desarrollo de la aplicación tiene, entre otras, las siguientes consecuencias

directas a la hora de resolver un determinado modelo de colas:
Disminuir el tiempo dedicado a la resolución del modelo.

Evitar el tener que resolver el modelo “a mano”.
Evitar la posibilidad de cometer algún tipo de error en los cálculos.
Posibilitar la rápida resolución de otros modelos parecidos.
Permitir que se pueda analizar la influencia de la variación de algunos
parámetros de entrada en los valores de salida.
Ayudar a la toma de decisiones en el caso de que se trate de un modelo real.
Permitir resolver por simulación muchos modelos que no tienen una solución
analítica.
Fomentar la enseñanza y el aprendizaje de la teoría de colas en un ámbito
docente.
Es importante resaltar que los alumnos de la Facultad de Informática de A Coruña

que han cursado durante este año la asignatura de Teoría de Colas, han estado
utilizando esta aplicación para la resolución de modelos reales.
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 podrían realizar en
futuros trabajos:
Conseguir dar respuesta a un mayor número de modelos de colas (tanto de la

forma M/M/- ó G/G/-, como de redes de colas).
119
Capítulo 4: Conclusiones Jorge L. Vega Valle
Permitir la posibilidad de ejecutar la aplicación sin la necesidad de tener

instalado MATLAB® en el equipo. Sobre este aspecto, caben dos posibilidades:
La primera y menos interesante, que es la generación de un ejecutable

(por ejemplo, directamente con MATLAB® usando el comando mcc).
Para más información sobre como generar un archivo ejecutable con
MATLAB®, consultar [7].
La segunda y más interesante, sería el desarrollo de una herramienta de

este tipo en un entorno tipo Web (por ejemplo), que permita a distintos
usuarios, con la sola presencia de un navegador, poder ejecutar la aplicación.
Mejorar la interfaz de la aplicación, de forma que sea más amigable con el

usuario.
120
Apéndice A: Características de las de distribuciones
usadas en la aplicación
A continuación se muestran las características más importantes (función de
densidad, media y varianza) de las distintas distribuciones que se utilizan en la
aplicación.
Distribución exponencial: Exp(λ)
f ( x) = λ ⋅ e − λ ⋅ x x>0
1
E( X ) =
λ
1
Var ( X ) =
λ2
Distribución uniforme: U(a,b)
1
f ( x) = x ∈ ( a, b)
b−a
a+b
E( X ) =
2
(b − a ) 2
Var ( X ) =
12
121
Distribución determinista: D(d)
f ( x) = d
E( X ) = d
Var ( X ) = 0
Distribución gamma: Γ (a,p)
ap
f ( x) = ⋅ e − a ⋅ x ⋅ x p −1 x>0
Γ( p)
p
E( X ) =
a
p
Var ( X ) =
a2
Distribución beta: β (p,q,k)

p −1 q −1
 x  x
  ⋅ 1 − 
k k
f ( x) =    0<x<k
k ⋅ β ( p, q )
k⋅p
E( X ) =
p+q
p⋅q
Var ( X ) = k 2 ⋅
( p + q ) ⋅ ( p + q + 1)
2
122
Distribución lognormal: L(µ,σ)
− (ln( x ) − µ ) 2
1
f ( x) = ⋅e 2 ⋅ σ2
x∈ R
x ⋅σ ⋅ 2 ⋅ π
σ2
(µ + )
E( X ) = e 2
2 2
Var ( X ) = eσ ⋅ e 2 ⋅ µ ⋅ (eσ − 1)
Distribución normal: N(µ,σ)
−( x − µ )2
1
f ( x) = ⋅e 2 ⋅ σ2
x∈R
σ ⋅ 2 ⋅π
E( X ) = µ
Var ( X ) = σ 2
Distribución de Weibull: W(λ,α)
α
f ( x) = λα ⋅ α ⋅ x α −1 ⋅ e − ( λ ⋅ x ) x≥0
1 1
E( X ) = ⋅ Γ (1 + )
λ α
1  2 1 
Var ( X ) = ⋅ Γ(1 + ) − Γ 2 (1 + )
2 
λ  α b 
∞
Donde Γ( p) = ∫ x p −1 ⋅ e − x dx Además, si p ∈ Ν entonces Γ(p) = (p - 1)!
0
123
Apéndice B: Instalación y ejecución de la aplicación
Requisitos de la aplicación
Requisitos de software
Para poder ejecutar correctamente la aplicación es necesario tener instalado en

el equipo los siguientes componentes:
- Versión de MATLAB® posterior a la 5.0 para así poder visualizar la

interfaz.
- La librería específica que incluye MATLAB® para el cálculo estadístico
(Statistics Toolbox), ya que se utilizan funciones de dicha librería para
generar números según una determinada distribución (ver 2.1.4 y [2])
Requisitos de hardware
- Espacio en disco libre: La aplicación necesita un espacio en disco duro

ligeramente inferior a 1 Mb y el espacio requerido por MATLAB® depende
tanto de la versión como de los componentes adicionales que instalemos
(varía entre 100 Mb y 1.5 Gb)
- Memoria RAM del equipo: Mayor o igual a 128 Mb.
- Velocidad del procesador: Mayor o igual a 500 MHz.24
24
Tanto el valor de la memoria RAM, como de la velocidad del procesador, no se corresponden
realmente con una limitación, sino más bien con una recomendación para poder ejecutar la aplicación
de forma rápida.
124
Instalación de la aplicación
Una vez que tenemos instalado MATLAB® en nuestro equipo, la instalación de la

aplicación resulta muy sencilla, pues lo único que tenemos que hacer es indicarle a
MATLAB® donde tenemos localizados los archivos que forman parte de la
aplicación.
Para ello hay que seleccionar en el menú File la opción “Set Path”, y nos aparece
una ventana como la que se muestra a continuación:
Figura 11- Localización de la carpeta en donde se encuentra la aplicación
Para especificar el lugar en donde se encuentran instalados los archivos de la

aplicación seleccionamos la opción “Add Folder”. Una vez seleccionada la ruta,
125
debemos almacenarla (opción Save), para así no tener que introducirla cada vez que
volvamos a ejecutar MATLAB®.
Ejecución de la aplicación
Si ya le hemos indicado al sistema donde localizar los archivos que forman parte de
la aplicación, estamos en condiciones de poder ejecutarla.
Para ello, lo único que hay que hacer es teclear lo siguiente en la Ventana de
Comandos de MATLAB®:
>> aquas
Figura 12- Ventana inicial de la aplicación
126
Apéndice C: Contenido del CD
El contenido del CD adjunto a esta memoria se divide en las siguientes carpetas:
Carpeta “Memoria”. Incluye la versión en formato electrónico de este

documento.
Carpeta “AQUAS”. Incluye los archivos que forman parte de la aplicación.
Carpeta “Ayuda Matlab”. Incluye los documentos relativos a MATLAB® que

han sido consultados con mayor frecuencia. A su vez esta carpeta se divide en las
siguientes carpetas:
Carpeta “Comenzar con Matlab”. Incluye un archivo [4] en donde se

explica lo básico para comenzar a trabajar con MATLAB®.
Carpeta “Graficas”. Incluye un documento [5] en donde se explica cuales

son los diferentes tipos de gráficas que hay en MATLAB®, así como sus
opciones.
Carpeta “GUIs”. Incluye un archivo [3] en donde se explica qué hay que
hacer para desarrollar una aplicación que trabaje con interfaces usando
MATLAB® así como las opciones que proporciona.
Carpeta “Manual de Referencia”. Incluye tres documentos [6] en donde se

muestra una breve pero muy útil descripción de todas las funciones existentes
en MATLAB®.
Carpeta “Statistics Toolbox”. Incluye un archivo [2] en donde podemos

encontrar la definición de todas las funciones de la librería estadística.
127
Bibliografía
Los libros son, de entre mis consejeros, los que más me agradan, porque ni el temor
ni la ambición les impiden decirme lo que debo hacer.
(Alfonso II de Aragón, el Casto, Rey de la corona de Aragón, siglo XII)
[All-90] Allen, A.O. (1990). Probability, Statistics and Queueing Theory with Computer
Science Applications. Academic Press.
[Bos-02] Bose, S.K. (2002). An Introduction to Queueing Systems. Kluwer

Academic/Plenum.
[Cao-98] Cao, R. y otros (1998). Estadística Básica Aplicada. Tórculo.
[Cao-02] Cao, R. (2002). Introducción a la Simulación y a la Teoría de Colas. Netbiblo.
[Dev-86] Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag.
[Gar-98] García, A. y otros (1998). Cálculo I. Teoría y problemas de Análisis Matemático en

una Variable. Clagsa.
[Gro-98] Gross, D. and Harris, C.M. (1998). Fundamentals of Queueing Theory. Wiley.
[Hil-97] Hillier, F. y Lieberman, G. (1997). Introducción a la Investigación de Operaciones.

McGraw-Hill.
[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.
[Pre-97] Pressman R. G. (1997). Ingeniería del Software. Un enfoque práctico. McGraw-

Hill.
[Red-98] Redfern D. and Campbell C. (1998). The MATLAB 5 Handbook. Springer.
[Wat-89] Watson H.J. and Blackstone J.H. (1989). Computer Simulation. Wiley.
[Wei-95] Weiss M.A. (1995). Estructuras de Datos y Algoritmos. Addison-Wesley

Iberoamericana.
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

Teoría de Colas y Aquas en MATLAB PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoría de Colas y Aquas en MATLAB PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDADE DA CORUÑA

PROYECTO DE FIN DE CARRERA DE

Diseño e implementación de una herramienta para la

Autor : Jorge L. Vega Valle

Clase de proyecto: Clásico de ingeniería

Nombre del autor: Jorge L. Vega Valle

Nombre del director: Ricardo Cao Abad

Miembros del Tribunal

Se me hace bastante complicado el intentar condensar en una sola página los

En primer lugar, a mi familia, en especial a mi abuela, mi madre y mi hermana, por

También me gustaría agradecer a todos aquellos profesores de la facultad,

Mediante la realización de este proyecto se pretende desarrollar una aplicación que

Para ello se ha desarrollado en MATLAB® una aplicación que resuelve dichos

En ambos casos el usuario tiene la posibilidad de conocer las características del

Con el desarrollo de esta aplicación, se pretende ofrecer al usuario la posibilidad de

Fase de estabilización, Fase de simulación, Modelo M/M/-, Redes de Jackson

Figura 1- Modelo de una cola simple .........................................................................15

Capítulo 1: Introducción ...........................................................................................11

1.1- Características iniciales del proyecto ..........................................................12

1.1.1- Justificación del proyecto.........................................................................12

1.2- Introducción a la Teoría de Colas ...............................................................14

1.2.1- El origen ...................................................................................................14

1.3- Introducción a la Simulación .......................................................................31

1.3.1- Conceptos básicos ....................................................................................31

2.1- Características generales de la aplicación ..................................................41

2.1.1- Filosofía de la implementación ................................................................41

2.2- Resolución analítica ......................................................................................50

2.2.1- Características generales ..........................................................................50

2.3- Resolución por simulación............................................................................67

2.3.1- Características generales ..........................................................................67

Capítulo 3: Evaluación de la aplicación...................................................................91

3.1- Validación de los resultados de la simulación ............................................92

3.2- Validación de la simulación de las distribuciones de probabilidad........100

3.3- Influencia de la variación de algunos parámetros en el tiempo de

Capítulo 4: Conclusiones y trabajo futuro .............................................................118

Apéndice A: Características de las de distribuciones usadas en la aplicación .121

“Y si se cambia de cola, aquélla en la que estaba al principio empezará a ir más

1.1- Características iniciales del proyecto

1.1.1- Justificación del proyecto

Debido a lo comentado anteriormente, se plantea como algo muy útil el desarrollo

1.1.2- Objetivos del proyecto

Facilitar al usuario una herramienta que le permita obtener de forma sencilla

Fomentar el estudio y aprendizaje de la teoría de colas en un ámbito docente,

Poder estudiar como influye la variación de los parámetros de un modelo

1.1.3- Herramienta utilizada para el desarrollo

La programación de los distintos modelos de colas conlleva la codificación de un

Por todo ello, y también debido a su facilidad de uso, a la productividad respecto a

1.2- Introducción a la Teoría de Colas

Todavía más frecuentes, si cabe, son las situaciones de espera en el contexto de la

El origen de la Teoría de Colas está en el esfuerzo de Agner Kraup Erlang

1.2.2- Definiciones iniciales

La teoría de colas es el estudio matemático del comportamiento de líneas de

Figura 1- Modelo de una cola simple

El problema es determinar qué capacidad o tasa de servicio proporciona el balance

Los problemas de “colas” se presentan permanentemente en la vida diaria: un

1.2.3- Objetivos de la Teoría de Colas

Los objetivos de la teoría de colas consisten en:

Identificar el nivel óptimo de capacidad del sistema que minimiza el coste

Evaluar el impacto que las posibles alternativas de modificación de la

Establecer un balance equilibrado (“óptimo”) entre las consideraciones

Hay que prestar atención al tiempo de permanencia en el sistema o en la cola: la

1.2.4- Elementos existentes en un modelo de colas

Fuente de entrada o población potencial: Es un conjunto de individuos