Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEFINICIÓN
{𝑋(𝑡,𝑤) , 𝑡 ∈ 𝑇 ∧ 𝑤 ∈ 𝑆}
𝑋(𝑡) , 𝑋𝑡
𝑥(𝑡) 𝑜 𝑥𝑡
DEFINICIÓN
DEFINICIÓN
2
𝑉(𝑋(𝑡) ) = 𝜎𝑋2(𝑡) = 𝐸 [(𝑋(𝑡) − 𝑚(𝑡) ) ]
2
= 𝐸 (𝑋(𝑡) ) − 𝑚2(𝑡)
FUNCIÓN DE AUTOCOVARIANZA
DEFINICIÓN
Representado por.
FUNCIÓN AUTOCORRELACIÓN
DEFINICIÓN
Representado por.
− 1 ≤ 𝜌𝑋 (𝑡1 , 𝑡2 ) ≤ 1
Dicha medida mide el grado de asociación en forma relativa ( es decir que carece
de unidades), de las realizaciones del mismo proceso estocástico visto en dos
instantes de tiempo 𝑡1 , 𝑡2 .
PROCESO DE POISSON
DEFINICIÓN
# de ocurrencia
=
tiempo
1. N (t )
, t 0 Es un proceso de incrementos independientes
estacionarios.
2. P N (t + t ) − N (t ) = 1 = t + 0 (t )
3. P N (t + t ) − N (t ) = 0 = 1 − t + 0 (t )
4. P N (t + t ) − N (t ) 1 = 0 (t )
5. P N (0) = 0 = 1
Donde:
• t es un incremento en el tiempo infitesimal.
0 (t )
lim =0
3. t →0 t
TEOREMA
Sea N (t )
, t 0 es un Proceso de Poisson de parámetro , para todo par de
índices t s T se cumple la siguiente función probabilística.
Si s=0
𝑒 −𝜆𝑡 (𝜆𝑡)𝑘
𝑃 [𝑁(𝑡) = 𝑘 ] = 𝑘 = 0,1,2. . . . . ..
𝑘!
0 en otro caso
Si s=0 y t =1
e − k
PN (t ) = k =
k! k = 0,1,2,......
0 en otro caso
DEMOSTRACIÓN
𝑝0 (𝑡 + ∆ 𝑡) = 𝑝0 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 0]
= 𝑝0 (𝑡) [1 – 𝜆 ∆ 𝑡 + 0 (∆ 𝑡)]
𝑝0 (𝑡 + ∆ 𝑡) − 𝑝0 (𝑡) = − 𝑝0 (𝑡) 𝜆 ∆ 𝑡 + 0 ( ∆ 𝑡 )
𝑝0 (𝑡 + ∆ 𝑡) − 𝑝0 (𝑡) 0 (∆ 𝑡 )
lim = − 𝑝0 (𝑡) 𝜆 + lim
∆ 𝑡 →0 ∆𝑡 ∆ 𝑡 →0 ∆ 𝑡
Para: 𝑘 ≥ 1
+ 𝑝0 (𝑡) 𝑃 [𝑁 (𝑡 + ∆ 𝑡) – 𝑁 (𝑡) = 𝑘 ]
𝑝𝑘 (𝑡 + ∆ 𝑡) − 𝑝𝑘 (𝑡) 0 (∆ 𝑡 )
= − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 +
∆𝑡 ∆𝑡
𝑝𝑘 (𝑡 + ∆ 𝑡) − 𝑝𝑘 (𝑡) 0 (∆ 𝑡 )
lim = − 𝑝𝑘 (𝑡) 𝜆 + 𝑝𝑘−1 (𝑡) 𝜆 + lim
∆𝑡 →0 ∆𝑡 ∆𝑡→0 ∆ 𝑡
pk' (t ) = − pk (t ) + pk −1 (t ) zk
pk' (t ) z k = − pk (t )z k + pk −1 (t )z k k =0
p
k =0
'
k (t ) z k = − pk (t ) z k + pk −1 (t ) z k
k =0 k =0
1 kG
G ( z , t ) = pk (t ) z k P[ N (t ) = k ] = z =0
k =0 k! z k
G
G
= pk' (t ) z k = zpk (t ) z k −1
t k =0 z k =0
G
= −G + pk −1 (t ) z k
t k =0
G
z
= −G + pk −1 (t ) z k
t k =1 z
∞
𝜕𝐺
= −𝜆𝐺 + 𝜆𝑧 ∑ 𝑝𝑘−1 (𝑡)𝑧 𝑘−1
𝜕𝑡
𝑘−1=0
2
La Función Generadora de Probabilidades, es una Función Matemática que permite
obtener Modelos Probabilísticos y Momentos de variables aleatorias discretas, se lo
denota como G=G(Z)=G(Z.t)
G
= −G + zG
t
G
= −G (1 − z )
t
G
G = − (1 − z )t
ln G = − (1 − z )t + c
eln G = e− (1− z )t + c
G = e− (1− z )t ec ec = c1 cte.
G = e− (1− z )t c1
Condición inicial t = 0
G( z, t ) / t =0 = pk (t ) z k / t = 0
k =0
G ( z ,0) = pk (0) z k
k =0
− (1− z ) 0
e c
1
= po (0) z o + p1 (0) z 1 + p2 (0) z 2 + ......
c 1
= 1z 0 + 0 z1 + 0 z 2 + 0 z 3 + ......... = 1 *1 = 1
G = e − (1− z )t
G
= e − (1− z ) t (t )
z
2G
= e − (1− z ) t (t ) 2
z 2
3G
= e − (1− z ) t (t ) 3
z 3
.
.
.
kG
= e − (1− z ) t (t ) k
z k
1 kG
P[ N (t ) = k ] = z =0
k! z k
1 − (1− z )t
P[ N (t ) = k ] = e ( t ) k z =0
k!
1
P[ N (t ) = k ] = e −t (t ) k
k!
e − t ( t ) k
P[ N (t ) = k ] = k = 0,1,2......
k!
o en otro caso
MODELO EXPONENCIAL
DEFINICIÓN
Sea “T” una variable aleatoria que representa el tiempo transcurrido, recurso
consumido, o distancia recorrida, hasta que ocurre un suceso o evento, una variable
definida de esa forma se dice que tiene una distribución exponencial con función
probabilística
Sea “X” una variable aleatoria distribuida exponencial de parámetro entonces los siguientes
estadísticos y funciones generatrices se cumplen:
1 1 1 1
𝐸 (𝑇 ) = 𝑉 (𝑇 ) = 2 𝜙 𝑇 (𝑤 ) = 𝑚𝑇 (𝑡 ′) =
𝜆 𝜆 𝜆 − 𝑖𝑤 𝜆 − 𝑡′
ET = te − t dt = te − t dt Integrando por partes
0 0
𝑡 1 ∞
= 𝜆 [− 𝑒 −𝜆𝑡 + ∫0 𝑒 −𝜆𝑡 𝑑𝑡] u=t du=dt
𝜆 𝜆
− t
dv = e dt 𝑣 = (−𝑒 −𝜆𝑡 )/𝜆
t 1 1
= − e − t − 2 e − t = 2 =
0
∞ ∞
𝐸[𝑇] = ∫0 𝑡 2 𝜆𝑒 −𝜆𝑡 𝑑𝑡 = 𝜆 ∫0 𝑡 𝑡𝑒 −𝜆𝑡 𝑑𝑡
−𝑡𝑒 −𝜆𝑡 1
𝑢=𝑡 𝑑𝑢 = 𝑑𝑡 𝑑𝑣 = 𝑡𝑒 −𝜆𝑡 𝑑𝑡 𝑣= − 2 𝑒 −𝜆𝑡
𝜆 𝜆
t2 t t 1
= − e −t − 2 e −t − − e −t − 2 e −t dt
0
t2 t 1 1
= − e − t − 2 e −t + te − t dt + 2 e − t
0
t2 t 1 t 1 1
= − e −t − 2 e −t + − e −t − 2 e −t − 3 e −t
0
∞
𝑡2 𝑡 𝑡 1 1
= 𝜆 [− 𝑒 −𝜆𝑡 − 2 𝑒 −𝜆𝑡 − 2 𝑒 −𝜆𝑡 − 3 𝑒 −𝜆𝑡 − 3 𝑒 −𝜆𝑡 ]
𝜆 𝜆 𝜆 𝜆 𝜆 0
t2 2t 2
= − e − t − 2 e − t − 3 e − t
0
2 0 2 2
= 𝜆 [0 − (− 𝑒 )] = 𝜆 [ 3] =
𝜆3 𝜆 𝜆2
2
1 1 2
V (T ) = E (T ) − ( E (T )) = 2 − = 2
2 2
T ( w) = E e iwt = e iwt e −t dt
0
= e −t ( −iw ) dt = − e −t ( −iw)
0
− iw 0
=− (0 − 1) =
− iw − iw
TEOREMA
a) m(t) = E[ N (t )] = t
b) V[N(t)] = t
c) ( w) =e t ( e −1)
iw
N (t )
d) RN (s, t ) = min( s, t )
min( s, t )
e) N ( s ,t ) =
( st )1 / 2
DEMOSTRACIÓN
a)
e − t ( t ) N ( t )
m(t ) = E ( N (t )) = N (t )
N ( t ) =0 ( N (t ))!
N (t )e − t (t ) N (t )
m(t ) =
N ( t ) =1 N (t )( N (t ) − 1)!
( t ) N ( t ) t
m(t ) = e −t
N ( t ) −1=0 ( N (t ) − 1)! t
(t ) N (t )−1
m(t ) = e −t t
N ( t ) −1= 0 ( N (t ) − 1)!
e − t ( t ) N ( t )
E ( N (t )) = N 2 (t )
2
N (t ) N (t )
(t ) N ( t )
= [ N (t )( N (t ) − 1) + N (t )]e −t
N ( t ) =0 N (t )!
t
− t − t
e ( t ) N (t )
e ( t ) N ( t )
= N (t )( N (t ) − 1)
N (t )=0 N (t )!
+ N (t )
N (t )=0 N (t )!
N (t )( N (t ) − 1)e − t (t ) N (t )
=
N ( t ) = 0 N (t )( N (t ) − 1)( N (t ) − 2)!
+ t
N (t )( N (t ) − 1)e −t (t ) N (t ) (t ) 2
=
N ( t ) = 2 N (t )( N (t ) − 1)( N (t ) − 2)! (t )
2
+ t
e t
( t )
N (t )−2
= e − t ( t ) 2
N ( t ) − 2 = 0 ( N (t ) − 2)!
+ t
= e −t (t ) 2 e t + t = 2 t 2 + t
= 2 t 2 + t − 2 t 2 = t
c)
e − t ( t ) N ( t )
( w) = E[e
N (t )
iwN ( t )
]= e
N ( t ) =0
iwN ( t )
N (t )!
(e iw ) N (t ) (t ) N (t )
= e − t
N ( t ) =0 N (t )!
= e − t e e t
= e t ( e −1)
iw iw
d) Suponiendo s < t
Suponiendo t < s:
R N (t ) (t , s ) = min( s, t )
e) Sustituyendo los resultados obtenidos en los incisos b y d se tiene que:
COV ( N ( s), N (t )
N ( s, t ) =
N ( t ) N ( s )
min( s, t )
=
s t
min( s, t )
N ( t ) ( s, t ) =
( st )1 / 2
TEOREMA
DEMOSTRACIÓN
1
= 𝑃 [𝑇 > 𝑡] − 𝑃[𝑇 > 𝑡]𝜆𝛥𝑡 + 0(𝛥𝑡) ‖
𝛥𝑡
dPT t
= − PT t
dt
dPT t dPT t
= − t
PT t
= − dt
PT t
ln (PT t ) = − t + c
e ln PT t = e − t +c
PT t = e − t e c e c = c1
PT t = e − t c1
PT t / t =0 = e − t c1 / t =0
PT 0 = 1 e− ( 0)c1 = c1
c1 = 1
1 − 𝑃 [𝑇 ≤ 𝑡] = 𝑒 −𝜆𝑡 ⇒ 𝑃 [𝑇 ≤ 𝑡] = 1 − 𝑒 −𝜆𝑡
dF (t )
F (t ) = 1 − e − t f (t ) = = − e − t ( − )
dt
f (t ) = e − t t 0
0 en otro caso
MODELO GAMMA
DEFINICIÓN
Sea X una variable aleatoria que representa el tiempo hasta que ocurran varios
sucesos independientes con tiempos exponenciales idénticamente distribuidos de
parámetro λ, una variable definida se dice que tiene comportamiento Gamma con
función probabilística dada por:
−𝑥
𝑥 𝛼−1 𝑒 𝛽
𝑓 (𝑥 ) = 𝛼 𝑥>0
𝛽 Γ(α)
TEOREMA
DEMOSTRACIÓN
∞
Integral Gamma ∫0 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥 = Γ(α) = (𝛼 − 1)!
𝑥
−
∞ 𝑥𝑥 𝛼−1 𝑒 𝛽
𝐸(𝑋) = ∫0 𝛽𝛼 Γ(α) 𝑑𝑥
𝑥
1 ∞ − 𝑥
= 𝛽𝛼 Γ(α) ∫0 𝑥 𝛼 𝑒 𝛽 𝑑𝑥 𝐶. 𝑉. : 𝜇 = 𝛽 𝑥 = 𝑢𝛽
1 ∞ 𝑑𝑥
=
𝛽 𝛼 Γ(α)
∫0 (𝜇𝛽)𝛼 𝑒 −𝜇 𝛽 𝑑𝑢 𝑑𝑢 =
𝛽
⇒ 𝑑𝑥 = 𝛽𝑑𝑢
∞
𝛽𝛼+1
= ∫ 𝜇 𝛼 𝑒 −𝜇 𝑑𝑢
𝛽𝛼 Γ(α) 0
𝛽 ∞ 𝛽
= Γ(α) ∫0 𝜇 (𝛼+1)−1 𝑒 −𝜇 𝑑𝜇 = Γ(α + 1)
Γ(α)
𝛽
= Γ(α) 𝛼Γ(α) = 𝛼𝛽
𝑥
−
2 ∞ 𝑥 2 𝑥 𝛼−1 𝑒 𝛽
𝐸(𝑋 ) = ∫0 𝛽𝛼 Γ(α) 𝑑𝑥
𝑥
1 ∞ −
= ∫ 𝑥 𝛼+1 𝑒
𝛽 𝛼 Γ(α) 0
𝛽 𝑑𝑥
1 ∞
= 𝛽𝛼 Γ(α) ∫0 (𝜇𝛽)𝛼+1 𝑒 −𝜇 𝛽𝑑𝜇
𝛽 𝛼+2 ∞
= 𝛽𝛼 Γ(α) ∫0 𝜇 𝛼+1 𝑒 −𝜇 𝑑𝜇
𝛽2 ∞ (𝛼+2)−1 −𝜇
= ∫ 𝜇 𝑒 𝑑𝜇
Γ(α) 0
𝛽2 𝛽2
= Γ(α) Γ(𝛼 + 2) = Γ(α) (𝛼 + 1)Γ(𝛼 + 1)
𝛽2
= Γ(α) (𝛼 + 1)𝛼Γ(α) = 𝛽2𝛼 2 + 𝛽2 𝛼
𝑉(𝑋) = 𝐸(𝑋 2 ) − (𝐸(𝑋))2
= 2 2 + 2 − 2 2
𝑉 (𝑋 ) = 𝛽 2 𝛼
FUNCIÓN CARACTERÍSTICA
∞
𝑥𝛼−1 𝑒−𝑥
∅𝑋 (𝑤) = 𝐸[𝑒𝑖𝑤𝑥 ] = ∫ 𝑒𝑖𝑤𝑥 𝑑𝑥
0 𝛽𝛼 Γ(α)
∞
1 −𝑥(1⁄𝛽−𝑖𝑤)
= 𝛼 ∫ 𝑥 𝛼−1 𝑒 𝑑𝑥
𝛽 Γ(α) 0
Cambio de variable:
u = 1 − iw x du = 1 − iw dx
𝑢
𝑥= du
(1⁄𝛽−𝑖𝑤) dx =
1 − iw
𝛼−1
1∞ 𝑢 𝑑𝑢
= 𝛼 ∫ ( ) 𝑒 −𝑢 1
𝛽 Γ(α) 0 1⁄𝛽 −𝑖𝑤 ( ⁄𝛽 −𝑖𝑤)
𝛼
∞
1 1
= ( ) ∫ 𝑢𝛼−1 𝑒 −𝑢 𝑑𝑢
𝛽𝛼 Γ(α) 1⁄ − 𝑖𝑤 0
𝛽
Γ(α) 1 1
= ∗ 𝛼 =
𝛼
𝛽 Γ(α) 1 − 𝛽𝑖𝑤 (1 − 𝛽𝑖𝑤)𝛼
( ) 𝛽 𝛼 𝜎(𝛼)
𝛽 𝛽𝛼
∅𝑋 (𝑤 ) = (1 − 𝛽𝑖𝑤)−𝛼
𝑑𝜑𝑥 (𝑤)
𝐸(𝑋) = (−1)𝑖 | = (−𝑖)[(1 − 𝛽𝑖𝑤)−𝛼 ]′
𝑑𝑤 𝑤=0
= (−i )[(− )(1 − iw) − −1 (− i )] w=0
= (−i )[ i (1 − iw) − −1 ] w=0
𝐸(𝑋) = (−𝑖)𝛼𝛽𝑖 = 𝛼𝛽
𝑑 2 𝜑𝑥 (𝑤)
𝐸(𝑋 2 ) = (−1)2 𝑖 2 |
𝑑𝑤 2 𝑤=0
= −[i(1 − iw) − −1 ]'
= −[− 2 i 2 (− − 1)(1 − i w) − − 2 ] w=0 = −[− 2 i 2 (− − 1)]
= −[ 2 i 2 ( + 1)] = 2 2 + 2
2 2
𝑉(𝑋) = 𝐸(𝑋 ) − (𝐸(𝑋))
= 𝛼 2 𝛽 2 + 𝛼𝛽 2 − 𝛼 2 𝛽 2
𝑉(𝑋) = 𝛽 2 𝛼
TEOREMA
DEMOSTRACIÓN
n
X = X 1 + X 2 + X 3 + X 4 + X 5 ................ + X n = X j
j =1
iw X j
n
x ( w) = E eiwX = E e j =1
n iwX n
= E e j = E e j
iwX
j =1 j =1
n n
= = − iw
j =1 − iw
𝑛
𝜆 𝜆
=[ ] =
𝑖𝑤
1− 𝜆 𝑖𝑤 𝑛
(1 − 𝜆 )
−n
iw
= 1 −
𝛼 = 𝑛 , 𝛽 = 1/𝜆
1
Lo cual implica que 𝑋~𝐺𝑎𝑚𝑚𝑎(𝛼 = 𝑛 , 𝛽 = 𝜆)
PROCESOS MARKOVIANOS
DEFINICIÓN
5. 𝑃 [𝑁(0) = 𝑛0 ] = 𝛿𝑛,𝑛0
donde :
1 𝑆𝑖 𝑛 = 𝑛0
𝛿𝑛,𝑛0 = {
0 𝑆𝑖 𝑛 ≠ 𝑛0
Para n=0
p0(t + Δt) = p0(t) P[N (t + Δt) – N(t) =0 / N(t)=0] + p1(t) P[N (t + Δt) – N(t) = -1 / N(t)=1]+
p0(t + Δt) =p0(t) [1-( λ0+ μ0)Δt +0 (Δt)] + p1(t)[ μ1Δt +0 (Δt)] +p2(t) 0 (Δt) +……….
p0(t + Δt) - p0(t)=- p0(t) λ0Δt +p1(t) μ1Δt +0(Δt) // (1/ Δt)
pn0 (0) = 1
Para n≥1
pn(t + Δt) = pn(t) P[N (t + Δt) – N(t) =0 / N(t)=n] + pn-1(t) P[N(t + Δt)–N(t) =1 / N(t)=n-1]
pn +1(t) P[N (t + Δt) – N(t) = -1/ N(t)=n+1] + pn +2(t) P[N (t + Δt) – N(t) = -2 / N(t)=n+2]+….
pn(t + Δt) = pn(t) [1- ( λn+ μn) Δt + 0(Δt)] + pn-1(t) [ λn-1Δt + 0(Δt)]+ pn-2(t) 0(Δt)+…..+
pn(t + Δt) - pn(t) = - pn(t)( λn+ μn) Δt+ pn-1(t) λn-1Δt + pn+1(t) μn+1Δt+ 0(Δt)
1) 𝒑𝒏 > 0 2) ∑ 𝒑𝒏 =𝟏
𝑛=0
ECUACIONES DE EQUILIBRIO
0 = - p0 0 + p1 1 n=0
Para n=0
0= -p0 0 + p1 1
1 p1 =p0 0
𝜆0
𝑝1 = ( )𝑝0
𝜇1
Para n=1
𝜆1 𝜆1 𝜆0 𝜆0 𝜆1
𝑝2 = ( )𝑝1 = ( ) ( 𝑝0 ) = ( )𝑝
𝜇2 𝜇2 𝜇1 𝜇1 𝜇2 0
.
.
.
𝜆0 𝜆1 . . . . . . . . . . . . . . . . . . . 𝜆𝑛−1
𝑝𝑛 = ( ) 𝑝0
𝜇1 𝜇2 . . . . . . . . . . . . . . . . . . . . 𝜇𝑛
1 1
𝑝0 = =
𝜆 𝜆 ...................λ𝑛−1
∑∞
𝑛=0 ( 0 1 ) 𝒮
𝜇1 𝜇2 ....................μ𝑛
Sí la sumatoria.
∞
𝜆0 𝜆1 ...................λ𝑛−1
∑ ( )=𝒮
𝜇1 𝜇2 ....................μ𝑛
𝑛=0
Lo cual implica que existe distribución límite de probabilidades siempre que esta serie
𝒮 converja, es decir 𝒮 < ∞.
∞
𝜆0 𝜆1 . . . . . . . . . . . . . . . . . . . 𝜆𝑛−1
𝒮=∑ ( ) < ∞
𝜇1𝜇2 . . . . . . . . . . . . . . . . . . . . 𝜇𝑛
𝑛=0
1 𝜆
| |<1
1 − λ/μ 𝜇
𝒮=
𝜆
∞ | |≥1
{ 𝜇
𝜆𝑛 = 𝑛𝜆 𝜇𝑛 = 𝑛𝜇
• Para el proceso de inmigración y emigración se tiene las siguientes tasas de
nacimiento y muerte.
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝜇 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝑛𝜇
𝜆𝑛 = 𝑛𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = 𝜇 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
FENOMENOS DE ESPERA
Los modelos de colas surgen principalmente en Europa en países con alta población
humana o vegetativa, en los cuales se presenta problemas de colas en sistemas
bancarios, estaciones gasolineras, centros de salud, lugares de diversión, y
empresas de servicio.
En este tema se estudiarán problemas de colas físicas en sistemas, en los cuales se
presenta largas colas y hasta fuga de unidades de un sistema, ya que tener por
mucho tiempo a una unidad en un sistema o fuga de estos, implica que se esté
ocasiona una pérdida de tiempo, e implícitamente reducción de ingresos, y hasta
pérdidas de estos en una empresa o institución.
Los sistemas estocásticos de servicio y fenómenos de espera se según su naturaleza
se clasifican en:
Los servicios son ejecutados o realizados por estaciones o canales de servicio, los
cuales pueden estar ordenados de distintas maneras como ser:
ESTACIÓN EN PARALELO
En la estación en paralelo cada unidad que llega al sistema es atendida por un solo
servidor, respetando el orden de turno respectivo.
ESTACIÓN EN SERIE
En la estación en serie cada unidad que llega al sistema es atendida por al menos
dos servidores, respetando el orden de turno respectivo.
ESTACIÓN MIXTA
PLL/PS/NE/CS/DE
Donde:
CS: Representa a la capacidad del sistema que admite tanto en la cola como en
el servicio.
MODELO M/M/1
0 = −𝑝0 𝜆 + 𝑝1 𝜇 𝑛=0
DISTRIBUCIÓN PROBABILÍISTICA
Demostración:
Para 𝒏 = 𝟎
0 = −𝑝0 𝜆 + 𝑝1 𝜇
𝑝1 𝜇 = 𝑝0 𝜆
𝜆
𝑝1 = ( ) 𝑝0
𝜇
Para 𝒏 = 𝟏
0 = − 𝑝1 (𝜆 + 𝜇 ) + 𝑝0 𝜆 + 𝑝2 𝜇
0 = − 𝑝1 𝜆 − 𝑝1 𝜇 + 𝑝0 𝜆 + 𝑝2 𝜇
𝑝2 𝜇 = 𝑝1 𝜆
𝜆
𝑝2 = ( ) 𝑝1
𝜇
𝜆 2
𝑝2 = ( ) 𝑝0
𝜇
Para 𝒏 = 𝟐
0 = − 𝑝2 (𝜆 + 𝜇 ) + 𝑝1 𝜆 + 𝑝3 𝜇
0 = − 𝑝2 𝜆 − 𝑝2 𝜇 + 𝑝1 𝜆 + 𝑝3 𝜇
𝑝3 𝜇 = 𝑝2 𝜆
𝜆
𝑝3 = ( ) 𝑝2
𝜇
𝜆 3
𝑝3 = ( ) 𝑝0
𝜇
Así sucesivamente:
⋮
⋮
⋮
⋮
𝜆 𝑛
𝑝𝑛 = ( ) 𝑝0
𝜇
𝜆
Si 𝜌= representa a la probabilidad de que el sistema este ocupado y a la
𝜇
probabilidad de tránsito o tráfico y 𝑝0 a la probabilidad de que el sistema este vacío
u ocioso, entonces se tiene que:
𝑝0 + 𝜌 = 1 ⟹ 𝑝0 = 1 − 𝜌
𝑝𝑛 = 𝜌 𝑛 (1 − 𝜌) 𝑛 = 0,1,2, … … … …
MEDIDAS DE RENDIMIENTO
𝜌
𝐿=
1−𝜌
DEMOSTRACIÓN
∞ ∞
𝐿 = 𝐸 (𝑁) = ∑ 𝑛 𝜌 (1 − 𝜌) = (1 − 𝜌) 𝜌 ∑ 𝑛 𝜌 𝑛−1
𝑛
𝑛=0 𝑛=0
∞ ∞
𝑑𝑓 𝑛 𝑑𝑓
= (1 − 𝜌 ) 𝜌 ∑ (𝜌 ) = (1 − 𝜌 ) 𝜌 (∑ 𝜌 𝑛 )
𝑑𝜌 𝑑𝜌
𝑛=0 𝑛=0
1 ′ 0 − 1 (−1)
= (1 − 𝜌 ) 𝜌 [ ] = (1 − 𝜌 ) 𝜌 [ ]
1−𝜌 ( 1 − 𝜌 )2
1 𝜌
= (1 − 𝜌 ) 𝜌 [ 2
]=
(1 − 𝜌 ) 1−𝜌
𝜌2
𝐿𝑞 =
1−𝜌
Demostración
∞ ∞
𝐿𝑞 = 𝐸 (𝑁 − 1) = ∑ (𝑛 − 1) 𝑝𝑛 ∑ (𝑛 − 1) 𝜌 𝑛 (1 − 𝜌)
𝑛−1=0 𝑛−1=0
∞ ∞
= (1 − 𝜌) 𝜌 2 ∑ (𝑛 − 1) 𝜌 𝑛−2 = (1 − 𝜌) 𝜌 2 ∑ (𝑛 − 1) 𝜌 (𝑛−1)−1
𝑛−1=0 𝑛−1=0
Cambio de variable
𝑚 =𝑛−1
∞ ∞
2 𝑚−1 2
𝑑
= (1 − 𝜌 ) 𝜌 ∑𝑚𝜌 = (1 − 𝜌 ) 𝜌 ∑ (𝜌 𝑚 )
𝑑𝜌
𝑚=0 𝑚=0
∞
2
𝑑 𝑚 2
1 ′
( )
= 1−𝜌 𝜌 ( )
[∑ 𝜌 ] = 1 − 𝜌 𝜌 [ ]
𝑑𝜌 1−𝜌
𝑚=0
2 [
0 − 1 (−1) 2 [
1 𝜌2
( )
= 1−𝜌 𝜌 ] ( )
= 1−𝜌 𝜌 ] =
(1 − 𝜌 )2 ( 1 − 𝜌 )2 1−𝜌
𝜌
𝑊𝑞 =
𝜇− 𝜆
DEMOSTRACIÓN
𝐿𝑞 = 𝜆 𝑊𝑞
𝜌2
𝐿𝑞 1−𝜌 𝜌2 𝜌2
𝑊𝑞 = = = =
𝜆 𝜆 𝜆 (1 − 𝜌 ) 𝜆
𝜆 (1 − 𝜇 )
𝜌2 𝜌2 𝜌
= = =
𝜇−𝜆 𝜌 (𝜇 − 𝜆 ) 𝜇−𝜆
𝜆 ( )
𝜇
1
𝑊=
𝜇− 𝜆
DEMOSTRACIÓN
Método 1
𝐿= 𝜆𝑊
𝜌
𝐿 1−𝜌 𝜌 𝜌
𝑊= = = =
𝜆 𝜆 𝜆 (1 − 𝜌 ) 𝜆
𝜆 (1 − 𝜇 )
𝜌 1
= =
𝜇− 𝜆 𝜇− 𝜆
𝜆( 𝜇 )
Método 2
1 𝜌 1 𝜇𝜌+ 𝜇− 𝜆
𝑊 = 𝑊𝑞 + = + =
𝜇 𝜇− 𝜆 𝜇 (𝜇 − 𝜆 ) 𝜇
𝜆+ 𝜇− 𝜆 1
= =
(𝜇 − 𝜆 ) 𝜇 𝜇− 𝜆
𝑃 [𝑁 > 𝑚] = 𝜌 𝑚+1
DEMOSTRACIÓN
∞ ∞
𝑃 [𝑁 > 𝑚] = ∑ 𝑝𝑛 = ∑ 𝜌 𝑛 (1 − 𝜌)
𝑛=𝑚 𝑛=𝑚
∞
1
= (1 − 𝜌) 𝜌 𝑚 ∑ 𝜌 𝑛−𝑚 = (1 − 𝜌) 𝜌 𝑚 ( )
1− 𝜌
𝑛−𝑚=0
= 𝜌𝑚
DISTRIBUCIÓN PROBABILÍSTICA DEL TIEMPO DE PERMANENCIA EN LA
COLA
1− 𝜌 𝑡=0
𝑓 (𝑡 ) = {
𝜌 (1 − 𝜌) 𝜇 𝑒 −𝑡𝜇 (1−𝜌) 𝑡>0
𝑡⁄
𝑊𝑞 (𝑡) = 𝜌 𝑒 − 𝑊
DEMOSTRACIÓN
∞
𝑊𝑞 (𝑡) = 𝑃 [𝑇𝑞 > 𝑡] = ∫ 𝜌 (1 − 𝜌) 𝜇 𝑒 −𝑥 𝜇 (1−𝜌) 𝑑𝑥
𝑡
𝑒 − 𝑥 𝜇 (1−𝜌) −𝑥 𝜇 (1−𝜌) ∞
= 𝜌 (1 − 𝜌 ) 𝜇 ( ) /∞
𝑡 =−𝜌𝑒 /𝑡
(
−𝜇 1−𝜌 )
𝜆 𝜇−𝜆
−𝑡𝜇 (1− ) −𝑡𝜇 ( )
= −𝜌 [0 − 𝑒 − 𝑡 𝜇 (1−𝜌) ] = 𝜌 𝑒 𝜇 = 𝜌 𝑒 𝜇
𝑡⁄
= 𝜌 𝑒− 𝑊
𝑡
𝑊 (𝑡) = 𝑒 − ⁄𝑊
∞
𝑊 (𝑡) = 𝑃 [𝑇 > 𝑡] = ∫ (𝜇 − 𝜆) 𝑒 −(𝜇−𝜆)𝑥 𝑑𝑥
𝑡
𝑒 −(𝜇−𝜆) 𝑥
= (𝜇 − 𝜆 ) ( ) /∞ = −𝑒 −(𝜇−𝜆) 𝑥 /∞
− (𝜇 − 𝜆 ) 𝑡 𝑡
𝑡⁄
= − (0 − 𝑒 − (𝜇−𝜆)𝑡 ) = 𝑒 − (𝜇−𝜆) 𝑡 = 𝑒 − 𝑊
MODELO M/M/S
n 0nS
n=
S nS
Tasas de intensidad
𝑛𝜇 0 <𝑛<𝑆
𝜆𝑛 = 𝜆 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝜇𝑛 = {𝑆𝜇
𝑛 ≥𝑆
0 = − 𝜆 𝑝0 + 𝜇 𝑝1 𝑛=0
0 = − (𝜆 + 𝑛 𝜇 ) 𝑝𝑛 + 𝜆 𝑝𝑛−1 + (𝑛 + 1 ) 𝜇 𝑝𝑛+1 0 < 𝑛 <𝑆
0 = − (𝜆 + 𝑆 𝜇 ) 𝑝𝑛 + 𝜆 𝑝𝑛−1 + 𝑆 𝜇 𝑝𝑛+1 𝑛 ≥𝑆
DISTRIBUCIÓN PROBABILÍISTICA
Demostración:
Para 𝑛 = 0
0 = − 𝜆 𝑝0 + 𝜇 𝑝1
𝜇 𝑝1 = 𝜆 𝑝0
𝜆
𝑝1 = (𝜇) 𝑝0
𝜆 1
( )
𝜇
𝑝1 = 𝑝
1! 0
Para 𝑛 = 1
0 = − (𝜆 + 𝜇 ) 𝑝1 + 𝜆 𝑝0 + 2 𝜇 𝑝2
0 = − 𝜆 𝑝1 – 𝜇 𝑝1 + 𝜆 𝑝0 + 2𝜇 𝑝2
0 = − 𝜆 𝑝1 – 𝜆 𝑝0 + 𝜆 𝑝0 + 2𝜇 𝑝2
2𝜇 𝑝2 = 𝜆 𝑝1
𝜆
( ) 𝑝1
𝜇
𝑝2 =
2
𝜆 2
( ) 𝑝0
𝜇
𝑝2 =
2∗1
𝜆 2
( ) 𝑝0
𝜇
𝑝2 =
2!
Para 𝑛 = 2
0 = − (𝜆 + 2 𝜇 ) 𝑝2 + 𝜆 𝑝1 + 3 𝜇 𝑝3
0 = − 𝜆 𝑝2 – 2 𝜇 𝑝2 + 𝜆 𝑝1 + 3𝜇 𝑝3
0 = − 𝜆 𝑝2 – 𝜆 𝑝1 + 𝜆 𝑝1 + 3𝜇 𝑝3
3𝜇 𝑝3 = 𝜆 𝑝2
𝜆
( ) 𝑝2
𝜇
𝑝3 =
3
𝜆 3
( ) 𝑝0
𝜇
𝑝3 =
3×2×1
𝜆 3
( ) 𝑝0
𝜇
𝑝3 =
3!
⋮
Para 𝑛 = 𝑆 − 2
𝜆 𝜆 𝜆 𝑆−2
( ) 𝑝𝑆−2 ( ) ( ) 𝑝0
𝜇 𝜇 𝜇
𝑝𝑆−1 = = ( )
(𝑆 − 1) (𝑆 − 1) (𝑆 − 2)!
𝜆 𝑆−1
( ) 𝑝0
𝜇
𝑝𝑆−1 =
(𝑆 − 1) !
Para 𝑛 = 𝑆 − 1
0 = − (𝜆 + (𝑆 − 1) 𝜇 ) 𝑝𝑆−1 + 𝜆 𝑝𝑆−2 + 𝑆𝜇 𝑝𝑆
0 = − 𝜆 𝑝𝑆−1 – (𝑆 − 1) 𝜇 𝑝𝑆−1 + 𝜆 𝑝𝑆−2 + 𝑆𝜇 𝑝𝑠
0 = − 𝜆 𝑝𝑆−1 – 𝜆 𝑝𝑆−2 + 𝜆 𝑝𝑆−2 + 𝑆𝜇 𝑝𝑆
𝑆𝜇 𝑝𝑆 = 𝜆 𝑝𝑆−1
𝜆
( ) 𝑝𝑆−1
𝜇
𝑝𝑆 =
𝑆
𝜆 𝑆
( ) 𝑝0
𝜇
𝑝𝑆 =
𝑆!
Para 𝑛 = 𝑆
0 = − (𝜆 + 𝑆𝜇 ) 𝑝𝑆 + 𝜆 𝑝𝑆−1 + 𝑆 𝜇 𝑝𝑆+1
0 = − 𝜆 𝑝𝑆 – 𝑆 𝜇 𝑝𝑆 + 𝜆 𝑝𝑆−1 + 𝑆𝜇 𝑝𝑠+1
0 = − 𝜆 𝑝𝑆 – 𝜆 𝑝𝑆−1 + 𝜆 𝑝𝑆−1 + 𝑆𝜇 𝑝𝑆+1
0 = − 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑆+1
𝑆𝜇 𝑝𝑆+1 = 𝜆 𝑝𝑆
𝜆 𝜆 𝜆 𝑆
( ) 𝑝𝑆 ( ) ( ) 𝑝0
𝜇 𝜇 𝜇
𝑝𝑆+1 = = ( )
𝑆 𝑆 𝑆!
𝜆 𝑆+1
( ) 𝑝0
𝜇 𝑆 +1= 𝑛
𝑝𝑆+1 = 𝑠𝑖
𝑆1 𝑆 ! 1=𝑛 −𝑆
Para 𝑛 = 𝑆 + 1
0 = − (𝜆 + 𝑆𝜇 ) 𝑝𝑆+1 + 𝜆 𝑝𝑆 + 𝑆 𝜇 𝑝𝑆+2
0 = − 𝜆 𝑝𝑆+1 – 𝑆 𝜇 𝑝𝑆+1 + 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑠+2
0 = − 𝜆 𝑝𝑆+1 – 𝜆 𝑝𝑆 + 𝜆 𝑝𝑆 + 𝑆𝜇 𝑝𝑆+2
𝑆𝜇 𝑝𝑆+2 = 𝜆 𝑝𝑆+1
𝜆
( ) 𝑝𝑆+1
𝜇
𝑝𝑆+2 =
𝑆
𝜆 𝑆+2
( ) 𝑝0
𝜇 𝑆 +2= 𝑛
𝑝𝑆+2 = 𝑠𝑖
𝑆2 𝑆 ! 2=𝑛 −𝑆
Para 𝑛 = 𝑆 + 2
Para 𝑛 en general 𝑛 ≥𝑆
𝜆 𝑛
( ) 𝑝0
𝜇
𝑝𝑛 = 𝑛−𝑆
𝑆 𝑆!
𝜆 𝑛
( ) 𝑝0
𝜇
𝑝𝑛 = 𝑛 ≥𝑆
𝑆! 𝑆 𝑛−𝑆
Distribución Probabilística
𝜆 𝑛
(𝜇 ) 𝑝0
0 ≤𝑛 <𝑆
𝑝𝑛 = 𝑛!
𝜆 𝑛
(𝜇 ) 𝑝0
{𝑆 ! 𝑛 ≥𝑆
𝑆 𝑛−𝑆
𝑛
𝑆−1 (𝜆 ) 𝜆 𝑛 ∞
( ) 𝑝0
𝜇 𝜇
∑ 𝑝0 + ∑ =1
𝑛! 𝑆! 𝑆 𝑛−𝑆
𝑛=0 𝑛=𝑆
1
𝑝0 = 𝑛
𝜆 𝜆 𝑛
(𝜇 ) (𝜇 )
∑𝑆−1 ∑∞
𝑛=0 𝑛 ! + 𝑛=𝑠 𝑆! 𝑆 𝑛−𝑆
1
𝑝0 = 𝑛
𝜆 𝜆 𝑆
( ) ( )
𝜇 𝜇
∑𝑆−1
𝑛=0 𝑛 ! + 𝑆! (1 − 𝜌)
𝜆
Con 𝜌 = Probabilidad de tránsito o tráfico
𝜇𝑆
Donde
∞ 𝜆 𝑛 ∞ 𝜆 𝑛
( ) 1 ( )
𝜇 𝜇
∑ = ∑ 𝑛−𝑆
𝑆 ! 𝑆 𝑛−𝑆 𝑆! 𝑆
𝑛=𝑆 𝑛−𝑆=0
𝜆 𝑆 𝜆 𝑛−𝑆 𝜆 𝑆
( ) ∞ ( ) ( ) ∞ 𝜆 𝑛−𝑆
𝜇 𝜇 𝜇
= ∑ = ∑ ( )
𝑆! 𝑆 𝑛−𝑠 𝑆! 𝜇𝑆
𝑛−𝑆=0 𝑛−𝑆=0
𝜆 𝑆 ∞ 𝜆 𝑆
( ) ( ) 1
𝜇 𝜇
= ∑ 𝜌 𝑛−𝑆 = ( )
𝑆! 𝑆! 1 − 𝜌
𝑛−𝑆=0
𝜆 𝑆
( )
𝜇
=
𝑆 ! (1 − 𝜌 )
𝑝0 𝜌 (𝜆⁄𝜇)𝑠
𝐿𝑞 =
S!(1 − 𝜌)2
∞ ∞
(𝜆⁄𝜇 )𝑛
𝐿𝑞 = 𝐸(𝑁 − 𝑆) ∑ (𝑛 − 𝑆)𝑝𝑛 = ∑ (𝑛 − 𝑆) ∗ 𝑝0
S! S 𝑛−𝑠
𝑛−𝑆=0 𝑛−𝑆=0
∞ ∞
𝑝0 (𝜆⁄𝜇 )𝑛 (𝜆⁄𝜇 )𝑆 𝑝0 𝑆 ∑ (
(𝜆⁄𝜇 )𝑛−𝑆
= ∑ (𝑛 − 𝑆) 𝑛−𝑆 = ( 𝜆 ⁄𝜇 ) 𝑛 − 𝑆 )
S! 𝑆 (𝜆⁄𝜇 )𝑆 S! 𝑆 𝑛−𝑆
𝑛−𝑠=0 𝑛−𝑠=0
∞
𝑝0
= (𝜆⁄𝜇 )𝑆 ∑ (𝑛 − 𝑆)𝜌 𝑛−𝑆
S!
𝑛−𝑠=0
∞
𝑝0 𝜌
= (𝜆⁄𝜇 )𝑆 ∑ (𝑛 − 𝑆)𝜌 𝑛−𝑆
S! 𝜌
𝑛−𝑠=0
∞
𝑝0 𝜌(𝜆⁄𝜇)𝑠 𝑑 𝑚
= ∑ (𝜌 )
S! 𝑑𝜌
𝑚=0
∞
𝑝0 𝜌(𝜆⁄𝜇 )𝑠 𝑑 𝑝0 𝜌(𝜆⁄𝜇 )𝑠 1 ′
= ( ∑ 𝜌𝑚) = ( )
S! 𝑑𝜌 S! 1−𝜌
𝑚=0
𝑝0 𝜌(𝜆⁄𝜇 )𝑠 𝑝0 𝜌 (𝜆⁄𝜇 )𝑠
= (+1)(1 − 𝜌)−2 =
S! S! (1 − 𝜌)2
En este modelo pueden existir más de dos estaciones y por tanto algunas
desocupadas.
𝑠−1 𝑠−1
(𝜆⁄𝜇 )𝑛
𝐿𝐷 = 𝐸(𝑆 − 𝑁) = ∑(𝑆 − 𝑛) 𝑝𝑛 = ∑(𝑆 − 𝑛) 𝑝0
n!
𝑛=0 𝑛=0
𝐿𝐷 = 𝑆 − 𝜌𝑆
S es el número de estaciones, y = es la probabilidad de tránsito o tráfico.
S
Lo = S
NÚMERO PROMEDIO O ESPERADO DE UNIDADES EN EL SISTEMA
𝐿 = ∑ n p𝑛
𝑛=0
𝑠−1 ∞
𝑛 (𝜆⁄𝜇 )𝑛 𝑛 (𝜆⁄𝜇 )𝑛
𝐿=∑ 𝑝0 + ∑ 𝑝
n! S! S 𝑛−𝑠 0
𝑛=0 𝑛=𝑠
Wq = L q
Lq
Wq =
(𝜆⁄𝜇 )𝑠 𝜌 𝑝0
𝑊𝑞 =
𝜆 S! (1 − 𝜌)2
𝐿
W= L → 𝑊 = 𝜆
1
𝑊 = 𝑊𝑞 +
𝜇
PROBABILIDAD DE QUE UNA UNIDAD PERMANEZCA MAS DE t UNIDADES DE
TIEMPO EN LA COLA
Wq (t ) =
(S ) p 0 −St (1− )
s
e
S! (1 − ) t >0
𝑝0 (𝜆⁄𝜇 )𝑠 𝜇𝑆
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 ) = ( )
S! 𝜇𝑆 − 𝜆
∞ ∞
(𝜆⁄𝜇 )𝑛
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟) = ∑ 𝑝𝑛 = ∑ ∗ 𝑝0
S! S 𝑛−𝑠
𝑛=𝑆 𝑛=𝑆
∞ ∞
𝑝0 (𝜆⁄𝜇 )𝑛 (𝜆⁄𝜇 )𝑆 𝑝0 𝑆
(𝜆⁄𝜇 )𝑛−𝑆
= ∑ ⁄
= (𝜆 𝜇 ) ∑
S! 𝑆 𝑛−𝑆 (𝜆⁄𝜇 )𝑆 S! 𝑆 𝑛−𝑆
𝑛−𝑠=0 𝑛−𝑠=0
∞
𝑝0
= (𝜆⁄𝜇 )𝑆 ∑ 𝜌 𝑛−𝑆
S!
𝑛−𝑠=0
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
S! 1−𝜌
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
S! 𝜆
1 − 𝜇𝑆
𝑝0 1
= (𝜆⁄𝜇 )𝑆 [ ]
S! 𝜇𝑆 − 𝜆
𝜇𝑆
𝑝0 (𝜆⁄𝜇 )𝑠 𝜇𝑆
𝑃 (𝐷𝑒 𝑙𝑙𝑒𝑔𝑎𝑟 𝑦 𝑒𝑠𝑝𝑒𝑟𝑎𝑟 ) = ( )
S! 𝜇𝑆 − 𝜆