ANALISIS DE MARKOV Y TEORIAS DE COLA

3.1 CONCEPTO
Un modelo estocástico corresponde a un análisis de un conjunto de variables aleatorias
que dependen de algún parámetro y están ligadas en el tiempo t. De manera que para
cada valor de t existe una probabilidad. En términos sencillos, un modelo estocástico nos
permite evaluar las posibilidades de ocurrencia de eventos que no se pueden prever con
exactitud.

Los modelos estocásticos pueden abarcar muchas áreas de interés como lo son la

ocurrencia y análisis de accidentes, marcadores, procesos de epidemias y sus rastros de

contagio entre muchas más. El presente documento se decanta por mostrar la

llamada teoría de colas como un modelo estocástico. Además la misma teoría de colas,

tiene sistemas estocásticos como lo son la distribución de Poisson que surge

de modelos de Markov. Estos sistemas en sus entradas, crean un sistema complejo que

puede explicar gran cantidad de modelos de comportamiento de cómo los sistemas

reaccionan ante la llegada de clientes.

Teoría de Colas

Una cola, es una línea de espera que se forma cuando la demanda de un servicio

excede su disponibilidad. Un sistema de colas, se compone de clientes que llegan por un

servicio, son servidos y luego abandonan el sistema. Al referirse a clientes, este no debe

ser precisamente humano sino a cualquier entidad que requiera de un servicio. Un

sistema de colas, usualmente se describe mediante 5 características:

 1. Patrón de llegada de los clientes:

El patrón de llegada puede ser un sistema estocástico. Pero este patrón de

llegada puede ser dependiente o independiente del tiempo por tanto

estacionario o no estacionario.

2. Patrón de servicio al cliente: Este

es otra característica dependiente o independiente del tiempo que se

caracteriza por la cantidad de clientes en espera.

3. Disciplina de cola: Se define la

manera de recibir al cliente. Por lo tanto cualquier sistema de disciplina que

envuelva un sistema de prioridades puede ser implementable.

4. Capacidad del sistema: Define si

la capacidad del sistema es finita o infinita y en el caso de un sistema finito

define la capacidad máxima del sistema.

Canales de servicio: Define la cantidad de servidores capaces de generar filas.

1.1 Notación

La notación estándar para describir un sistema de colas en proceso es A/B/X/Y/Z, donde

A indica la distribución entre los intervalos de llegada, B indica la distribución de

probabilidad describiendo el tiempo de servicio, X el número de canales de servicio en

paralelo, Y es la restricción en la capacidad del sistema, y Z es la disciplina de la cola.

Las características X, Y pueden definirse como números enteros positivos entre el rango

[1,∞], A y B por su parte se describen mediante símbolos que representan las

distribuciones de probabilidad por ejemplo M que representa distribuciones

exponenciales. Este tipo de notación utilizada se conoce con el nombre Notación

Kendall.

1.2 Rendimiento del sistema

Al analizar los sistemas de colas, se necesita encontrar formas de medir el rendimiento

del sistema en varios ámbitos. En otras palabras, ¿qué hace que un sistema de colas

sea efectivo?. Hay tres características de los sistemas que son de interés. Primero, una

medida del tiempo de espera típico de un cliente, segundo, la manera en que los clientes

se acumulan y tercero, una medida del tiempo de inactividad de los servidores.

Hay dos tipos de tiempos de espera del cliente: el tiempo que un cliente pasa la cola en

sí y el tiempo que un cliente pasa en todo el sistema. Según el sistema, uno de estos

puede ser más valioso que el otro. Del mismo modo, existen dos formas de

acumulaciones de clientes: el número de clientes en la cola y el número total de clientes

en el sistema. La medición del tiempo de inactividad del servidor es el tiempo que este

pasa sin ningún cliente.

1.3 Modelos de Markov

Un modelo de Markov es un método estocástico para sistemas que cambian

aleatoriamente donde se supone que los estados futuros no dependen de estados

pasados. Estos modelos muestran todos los estados posibles, así como las transiciones,

la tasa de transiciones y las probabilidades entre ellos. Los modelos de Markov se usan

para modelar las probabilidades de diferentes estados y las tasas de transición entre

ellos, así como para modelar sistemas. Los modelos de Markov también se pueden usar

para reconocer patrones, hacer predicciones y aprender las estadísticas de datos

secuenciales. Un proceso estocástico se llama cadena de Markov cuando para n veces

y para todos los estados i_n se cumple:

Es decir, se pueden hacer predicciones de un estado futuro independientemente de los

estados pasados. La ecuación (2) llamada probabilidad condicional es la probabilidad de

transición del estado i al estado j.

Dadas las probabilidades de transición, se puede construir la matriz de transición P para

la cadena de Markov. P es una matriz N×N, para que esta sea la matriz de transición,

debe ser una matriz estocástica. En otras palabras, debe satisfacer las siguientes dos

propiedades:

1.4 Modelo M/M/1

En teoría de colas se puede hablar de colas de un solo canal o multicanal. Un solo canal

ocurre cuando de la población(finita o infinita) de entrada solo existe un único servidor.

Multicanal ocurre cuando el sistema cuenta con múltiples servidores. En el momento en

que un servidor se desocupe abre paso al siguiente cliente. El modelo M/M/1

corresponde al tipo de un solo canal, el cual es de los casos más generales. La primera

M indica que posee una distribución de llegadas de tipo Markoviana; es decir,

probabilística, la segunda M indica que posee una distribución de los tiempos de servicio

Markoviana (tipo exponencial). Por último el número uno indica que el sistema cuenta

con un servidor.

Implementación en Matlab

Para la presentación de los modelos explicado anteriormente, se hace uso del software

de Matlab, específicamente su herramienta Simulink, tal como se muestra en la figura 1:

Figura 1. Sistema de Colas M/M/1.

En el esquema mostrado anteriormente se busca modelar el sistema M/M/1 el cual

cuenta con una única cola, de servidor único y con una única fuente de tránsito, cuya

capacidad de almacenamiento tiende a ser alta. El modelo presentado cuenta con los

siguientes bloques:

Time-Based Entity Generator: Es el encargado de la generación de las entidades en la

teoría de colas, mediante un proceso de llegada de Poisson.

FIFO Queue: En este bloque es donde se almacenan las entidades que no han sido

atendidas y forma la cola en orden FIFO.

Single Server: Modela el servidor encargado de atender las solicitudes de las entidades,

se comprende de 2 entradas: la primera corresponde a la entrada de la entidades

presentes en las colas, la segunda es el event-based random number el cual define el

tiempo de servicio del servidor que presenta una distribución exponencial.

Una vez presentado el modelo general del sistema M/M/1 se presentan los siguientes 3

ejemplos, con el objetivo de entender su rendimiento a través de las siguientes gráficas:

Server Utilizados: muestra la utilización del único servidor en el transcurso de la

simulación

Tamaño de la fila: muestra la cantidad de entidades existen en la cola.

Promedio de Espera: muestran los valores en la simulación de los tiempos de espera en

la cola.
Tiempo de llegada es igual al tiempo de respuesta. a) Server utilizado. b)Tamaño de la fila. c)
Promedio de espera.

Tiempo de respuesta es mayor al tiempo de llegada. a) Server utilizado. b) Tamaño de la fila. c)

Promedio de espera.