Notación Kendall

se puede resumir en 3 indicadores. El primer parámetro, A, es la distribución de

tiempos de llegadas. El segundo, S, corresponde a la distribución de tiempos de
servicio. Y K, el número de servidores. Luego A, S, y K nos van a definir rápidamente
cuál es el proceso de llegada, cuál es el proceso de servicios, y cuál es el número de
servidores. ¿Cuáles son los valores más comunes, y para los cuales existen
resultados? En general son poner como A y S, D, en el caso que sean determinísticos.
Si llega un usuario cada un minuto entonces esto es un proceso D, o si llega cada n
segundos, esto también va a ser un proceso D, determinístico, conocido. O si nos
demoramos exactamente lo mismo con cada uno en atenderlo, este es un proceso D,
determinístico, conocido. Si el proceso de llegada es Markoviano, o exponencial,
tenemos un proceso de iii de llegadas, vamos a denotar todo eso como M. Y eso
indica que el tiempo entre llegadas distribuye exponencial. La distribución exponencial
es la que va a gobernar ese proceso y se conoce con la M de Markoviano porque es
un proceso sin memoria. Lo mismo va a ocurrir con el tiempo de servicios. Si el tiempo
de servicios distribuye exponencial entonces vamos a ocupar la letra M para distinguir
ese proceso. En general se pueden ocupar otras letras. En algunos casos vamos a
ocupar G para definir tiempos que tienen una distribución general. Y entonces cuando
uno quiere denotar un resultado que es general, que sirve con cualquier distribución de
tiempo entre llegada y cualquier distribución entre tiempo de servicios, vamos a hablar
de sistemas G/G con M, por ejemplo, servidores o con un servidor. Y para eso vamos
a notar que el sistema es G/G/1. Vamos a partir por el sistema más sencillo de
analizar, que es el sistema donde los tiempos entre llegadas son determinísticos y
conocidos, los tiempos de atención son constantes, determinísticos, y hay un solo
servidor. Este es el sistema D/D/D que estudiaremos en esta sección. Todo es
determinístico en este caso y tenemos un solo servidor. ¿Qué casos podríamos tener?
Supongamos que la tasa de llegada es lamnda, y la de servicio es mu, que son las que
comúnmente se utilizan para esto. Si las llegadas son menos que la capacidad de
atención, por lo tanto la tasa de llegada es menor que mu, landa es menor que mu no
se va a formar cola. Cada usuario va a ser atendido en el tiempo de servicio, 1 partido
por mu y cada 1 partido por landa va a llegar un nuevo usuario. Por lo tanto si ustedes
escribieran, y les recomiendo hacer el ejercicio, en el diagrama de llegadas y salidas
acumuladas pongan subidas, llegadas, cada 1 partido por landa, y salidas, una vez
que ocurrió la primera llegada en 1 partido por mu. Verán que la salida se produce
antes de que haya ocurrido la siguiente llegada y por lo tanto el servidor queda vacío
cuando llega el nuevo usuario y así va a suceder indefinidamente. Este sistema no
tiene gran complejidad, el tiempo de espera en cola es 0 y el tiempo de servicio es 1
partido por mu y no se forma cola. ¿Qué pasaría si la tasa de llegada es exactamente
igual al tiempo de servicio? En un sistema completamente determinístico, no se
formaría cola. Nuevamente vayan a sus diagramas de llegadas y salidas acumuladas
descrito, y podrían hacer el dibujo y ver que cada 1 partido por landa unidades de
tiempo llega un usuario, que es atendido en 1 partido por mu unidades de tiempo, sale
del sistema y ustedes van a ver que justo cuando sale un usuario del sistema llega
otro que ve el servidor vacío. En este caso es un sistema ideal, en el que el servidor
está siempre ocupado y los usuarios no esperan en cola. Tiempo de espera en cola,
tiempo de servicio 1 partido por mu y el servidor completamente ocupado. ¿Qué
sistemas conocemos que funcionen así? La línea de producción. En una línea de
producción los elementos van llegando a una tasa constante y van saliendo justo
cuando sale uno entra el otro. Esa es la idea. Que los servidores estén todo el tiempo
siendo ocupados. ¿Qué ocurre si la tasa de llegada es mayor que mu? Mientras haya
una tasa mayor que la tasa de salida, se va a formar cola. Si esto se prolonga en el
tiempo, la cola se va a ir haciendo infinita y el sistema no va a estabilizarse nunca
porque siempre va a llegar más de lo que sale porque entonces podría acumular
infinito. Entonces ese no va a ser un sistema estable y tampoco tendría mucho interés.
Lo que si nos va a interesar, y para eso son útiles los diagramas de llegada y salida
acumuladas, son sistemas donde eventualmente en algunos períodos la tasa de
llegada es mayor que la tasa de salida, pero en otros períodos la tasa de llegada es
menor que la tasa de salida y por lo tanto lo que a vamos a ver es que la cola que se
forma en un determinado instante de tiempo, luego se va a ir disipando en la medida
que nuestra tasa de salida es mayor que la tasa de llegada. Esto ocurre en muchos
sistemas, en períodos punta, donde vemos más llegadas que la capacidad de
atenderla y que luego son las colas se disipan en la medida que somos capaces de
atender. Cuando cargamos un avión, por ejemplo, uno ve que la tasa de atención, el
tiempo que demora cada persona en subir al avión es mayor, y normalmente uno
acumula a todos los usuarios en un instante y tenemos una gran tasa que se va
disipando hasta que el avión finalmente está cargado, está listo para partir. Y esto va a
ocurrir en muchos otros sistemas de transporte. Si las tasas van cambiando en el
tiempo lo que podemos ir viendo es que las colas se van formando y disipando en el
tiempo. Y luego, si somos capaces de predecir bien cuáles son las características de
las tasas de llegada y cuáles son las características de las tasas de atención,
podemos ir analizando con nuestro diagrama de llegadas y salidas acumuladas, cuál
va a ser la evolución del sistema. También nuestro diagrama nos permitiría diseñar el
sistema de mejor manera porque podríamos evaluar si somos capaces de controlar
cuál es la tasa de atención, tal vez programar turnos para poder atender más a
usuarios en las horas que hay más llegadas, y tal vez proponer descansos de los
servidores en horarios donde hay menos llegadas podemos minimizar las esperas de
los usuarios en el sistema, programando mejor nuestra capacidad para los horarios
críticos. En resumen, en esta sesión, estudiamos la notación de Kendall, que nos
permitía resumidamente, con 3 parámetros, proceso de llegada, proceso de atención y
número de servidores, indicar cuál es la característica del sistema. Y luego estudiamos
un sistema más sencillo que en notación de Kendall, D/D/1, que significa que los
tiempos entre llegadas son determinísticos, que el proceso de atención es
determinístico, que nos demoramos lo mismo con cada usuario y que hay un solo
servidor haciendo las atenciones.

Cadenas de markov

Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que

ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas de
este tipo tienen memoria, "Recuerdan" el ultimo evento y esto condiciona las
posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a
las cadenas de Markov de las series de eventos independientes, como tirar una
moneda al aire o un dado. En los negocios, las cadenas de Markov se han utilizado
para analizar los patrones de compra,los deudores morosos, para planear las
necesidades de personal y para analizar el reemplazo de equipo. El analisis de
Markov, llamado asi en honor de un matemstico ruso que desarrollo el metodo en
1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado
en particular en un momento dado. Algo mas importante aun, es que permite encontrar
el promedio a la larga o las probabilidades de estado estable para cada estado. Con
esta informacion se puede predecir el comportamiento del sistema a traves del tiempo.
La tarea mas dificil es reconocer cuando puede aplicarse. La caracteristica mas
importante que hay que buscar en la memoria de un evento a otro.
Distribución de poisson

La distribución Poisson es, junto con la distribución binomial,  una de las más importan
tes distribución  de probabilidad para variables discretas

La distribución de Poisson se emplea para describir varios procesos, entre otros:   9
El número de autos que pasan a través de un cierto punto en una ruta (suficientement
e  distantes de los semáforos) durante un periodo definido de tiempo.   9
El número de errores de ortografía que uno comete al escribir una única página.   9
El número de llamadas telefónicas en una central telefónica por minuto.   9
El número de servidores web accedidos por minuto.   9
El número de defectos en una longitud específica de una cinta magnética.   9
El número de mutaciones de determinada cadena de ADN después de cierta cantidad 
de  radiación.   9 El número de defectos por metro cuadrado de tela.  9
El número de estrellas en un determinado volumen de espacio.   
Cada una de estas variables aleatorias representa el número total de ocurrencias de u
n fenómeno 
durante un periodo de tiempo fijo o en una región fija del espacio. Expresa la probabilid
ad de un 
número k de ocurrencias acaecidas en un tiempo fijo, si estos eventos ocurren con una 
frecuencia media 
conocida y son independientes del tiempo discurrido desde la última ocurrencia o suce
so.   
La finalidad del presente objeto de aprendizaje, es adquirir la destreza y conocimiento 
necesario para la 
correcta utilización de la distribución de Poisson en el cálculo de probabilidades. Para 
ello, en primer 
lugar presentamos los objetivos específicos que pretendemos conseguir; a continuació
n trabajaremos la  definición  y  características  de  la  distribución  de  Poisson, 
haciendo  especial  relevancia  en  cómo 
identificarla y diferenciarla de otras distribuciones discretas y se resuelven algunos eje
mplos prácticos 

La distribución Poisson 3 

para ayudar a su comprensión. Finalmente, destacaremos los conceptos básicos de a
prendizaje con  respecto a la distribución de Poisson y sus aplicaciones prácticas.
Identificar  las  propiedades  de  una  distribución  Poisson,  así  como  sus 
parámetros  característicos, esperanza y varianza.  •
Estimar el valor promedio, la λ , característico de las variables de Poisson a partir de l
a 
frecuencia o probabilidad de ocurrencia, p, y el número de veces que se presenta un 
suceso, n.   •
Establecer las bases para el cómputo de las probabilidades para variables Poisson