Como recoger datos en un sistema de colas

A priori se puede pensar que el método más adecuado para recoger datos al
analizar un sistema es establecer una plantilla y recoger los datos sobre el sistema
cada cierto tiempo. Esta técnica es “orientada al tiempo”
Es mejor, sin embargo, utilizar una técnica de recogida de información asociada
a eventos.
“La información se recoge cuando algo ocurre”
En una cola convencional los únicos datos a recoger son:
a) cada cuánto llega un cliente
b) cuánto se tarda en servir a cada cliente
No es necesario recoger más información para, a partir de las relaciones
expuestas en el apartado anterior, definir cualquier medida de efectividad.
Ejemplo
Sea un sistema G/G/1. Sean los siguientes datos de entrada:
A partir de la anterior información obtenida se puede decir que:

λ 12/31= clientes por unidad de tiempo

µ12/30 = clientes por unidad de tiempo
El tiempo medio de estancia en la cola es de 40/12
El tiempo medio de estancia en el sistema es de 70/12
De aquí y a partir de la fórmula de Little:
L= λ*W=12/30*70/12= 70/31
Lq= λ* Wq= 12/31*40/12= 40/31
Los procesos de Poisson y la distribución exponencial
La mayor parte de los modelos de colas estocásticas asumen que el tiempo
entre diferentes llegadas de clientes siguen una distribución exponencial. O lo que
es lo mismo que el ritmo de llegada sigue una distribución de Poisson*
.
En esta sección se verán las características de una distribución de Poisson y
como se relacionan con la distribución exponencial. Posteriormente se analizan las
más importantes propiedades y algunas generalizaciones al adoptar tal patrón de
llegadas. Se cierra el apartado con argumentos que apoyan el uso de la distribución
de Poisson. Adoptar la distribución de Poisson implica que la probabilidad de que
lleguen n clientes en un intervalo de tiempo t es:
* Es habitual también admitir que el ritmo de atención de cliente cuando el
servidor está ocupado tiene una distribución de Poisson y la duración de la atención
al cliente una distribución exponencial.

siendo por tanto una distribución exponencial.

Generalizaciones al Proceso Poisson-Exponencial

a) Variabilidad de λ
Se puede admitir que λ varíe con el tiempo. En este caso

b) Llegadas múltiples
Se puede admitir que en cada evento de llegada aparezcan i clientes, donde:
En este caso la probabilidad de que en el instante t hayan aparecido m clientes
es:

donde c(k )/m es la probabilidad de que k ocurrencias den un resultado total de m clientes.