Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadísticos Avanzados
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 1
MODELOS DE COLAS CON TIEMPOS DE SERVICIO NO EXPONENCIAL
Los modelos anteriores se basan en que las entradas y el servicio se distribuyen
mediante procesos que siguen una distribución de Poisson/Exponencial.
En un sistema de colas es necesario seleccionar una distribución de probabilidad para
los tiempos de servicio. Hay tres distribuciones que representan tiempos de servicio:
♦ La distribución de servicio exponencial ( σ ≡ media)
♦ La distribución de servicio constante ( σ ≡ 0 )
♦ La distribución Erlang que posee un parámetro k que determina la desviación
1 ⎛1⎞ 1
típica σ = ⎜μ⎟ → k= 2
k ⎝ ⎠ μ x σ2
Distribución Erlang según los valores del parámetro k:
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 2
MODELO DE COLA G / G / s ≡ G / G / ∞ / ∞
Es un sistema de colas con tiempos de llegadas independientes e idénticamente
distribuidos de media ( 1 / λ ) y varianza σ2λ , con clientes que tienen tiempos de servicio
independientes e idénticamente distribuidos de media ( 1 / μ ) y varianza σ2μ .
λ
Factor de utilización: ρ =
s.μ
Tasa efectiva llegada: λ
1
p0 = s−1 n s
1 ⎛λ⎞ 1 ⎛λ⎞ ⎛ 1 ⎞
∑
n=0
⎜ ⎟
n! ⎝ μ ⎠
+
s! ⎜⎝ μ ⎟⎠ ⎜⎝ 1 − ρ ⎟⎠
⎧ 1 ⎛ λ ⎞n
⎪ ⎜ ⎟ p0 n≤ s
⎪ n! ⎝ μ ⎠
Probabilidad del estado M/M/ s : pn = ⎨ n
⎪ 1 ⎛λ⎞
⎪ s! sn − s ⎜ μ ⎟ p 0 n ≥ s
⎩ ⎝ ⎠
Tiempo promedio de espera en la cola (aproximación de Allen‐Cuneen):
p M/M/ s (n ≥ s) . (λ 2 . σ2λ + μ2 . σ2μ )
Wq =
2 s μ (1 − ρ)
s
⎛λ⎞
⎜μ⎟
⎝ ⎠
s! (1 − ρ)
p M/M/ s (n ≥ s) = s−1 n s
1 ⎛λ⎞ ⎛λ⎞
∑
1
+
n=0
n! ⎜⎝ μ ⎟⎠ s! (1 − ρ) ⎜⎝ μ ⎟⎠
Número promedio clientes en la cola: L q = λ Wq
⎛λ⎞
Número promedio de clientes en sistema: L s = L q + ⎜ ⎟
⎝μ⎠
L 1
Tiempo promedio de estancia en el sistema: Ws = s = Wq +
λ μ
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 3
COLA GENERAL ‐ Cola General G / G / s
Un experimento aeronáutico realiza pruebas en dos salas, el servicio tarda aproximadamente 20
segundos con un error típico de 2 segundos, mientras que las llegadas se registran cada 25 segundos con
un error típico de 3 segundos. Obtener las medidas de rendimiento.
Solución:
Tasa efectiva de llegada: λ = 0,04
p M/M/ s (n ≥ s) . (λ 2 . σ2λ + μ2 . σ 2μ )
Tiempo promedio de espera en la cola: Wq =
2 s μ (1 − ρ)
2
⎛ 0,04 ⎞
⎜ 0,05 ⎟
⎝ ⎠
2! (1 − 0,4) 0,5333
p M/M/ s (n ≥ s) = 1 n 2
= = 0,22857
1 ⎛ 0,04 ⎞ ⎛ 0,04 ⎞ 2,3333
∑ n! ⎜⎝ 0,05 ⎟⎠
1
+
n=0
2! (1 − 0,4) ⎜⎝ 0,05 ⎟⎠
⎛λ⎞ ⎛ 0,04 ⎞
Número promedio de clientes en sistema: L s = L q + ⎜ ⎟ = 0,0019 + ⎜ ⎟ = 0,8019 pruebas
⎝μ⎠ ⎝ 0,05 ⎠
1 1
Tiempo promedio de estancia en el sistema: Ws = Wq + = 0,0465 + = 20,0465 segundos
μ 0,05
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 4
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 5
1
p0 = 1
= 0,4286
⎛ 1 ⎞
∑
1 1
0,8n + 0,82 ⎜ ⎟
n=0
n! 2! ⎝ 1 − 0,4 ⎠
1
p1 = 0,8 x 0,4286 = 0,3429
1!
1
p2 = 0,8 2 x 0,4286 = 0,1371
2!
1
p3 = 3−2
x 0,8 x 0,4286 = 0,0549
3
2! 2
1
p8 = 8−2
x 0,8 x 0,4286 = 0,0006
8
2! 2
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 6
MODELO GENERAL DE COLA M / G / 1 ≡ M / G / 1 / ∞ / ∞
Según la notación Kendall se trata de sistema de colas con tiempos de llegadas
distribuidos exponencialmente (Proceso de Poisson de parámetro λ ), con clientes que
tienen tiempos de servicio independientes e idénticamente distribuidos de media
( 1 / μ ) y varianza σ 2 .
Modelo con una distribución exponencial entre llegadas y una distribución
General/Arbritaria de servicio.
Cualquier sistema de colas de este tipo alcanza en algún momento el estado estable
λ
cuando el factor de utilización del sistema: ρ = < 1
μ
Las medidas de rendimiento para este modelo toman las expresiones adjuntas, donde
la referente a L q recibe el nombre de fórmula de Pollaczek‐Khinchine.
Tasa de llegada efectiva: λ
Probabilidad del estado: p 0 = 1 − ρ pn = ρn p 0
λ 2 . σ 2 + ρ2
Número promedio de clientes en la cola: L q =
2. (1 − ρ)
Número promedio de clientes en el sistema: L s = L q + ρ
λ 2 . σ 2 + ρ2 Lq
Tiempo promedio de espera en la cola: Wq = =
λ 2 . λ . (1 − ρ)
Ls 1
Tiempo promedio de estancia en el sistema: Ws = = Wq +
λ μ
Las medidas de eficiencia incrementan su valor conforme σ2 aumenta, lo que indica
que el funcionamiento del servidor tiene gran transcendencia en la eficiencia global del
sistema.
• Curry y Feldman proponen una modificación del medidas de rendimiento promedio
de espera en la cola que proporciona una relación directa entre las colas M / G / 1 y
las colas M / M / 1
Medidas de Rendimiento (M / G / 1)
= Medidas de Rendimiento (M / M / 1)
⎛ 1 + μ2 . σ2 ⎞
⎜ ⎟
⎝ 2 ⎠
μ2 . σ2 ≡ Coeficiente de variación al cuadrado de los tiempos de servicio.
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 7
• Con un único servidor, el modelo M / D / 1 se reduce a un caso particular del
modelo M / G / 1 :
σ2 = 0
M / G / 1 ⎯⎯⎯→ M / D / 1
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 8
COLA GENERAL ‐ Cola General M / G / 1
La dirección de un aeropuerto analiza si contratar a un nuevo auxiliar de tierra. Para este puesto se han
presentado varios candidatos, aunque solo han pasado a la fase final únicamente dos de ellos.
El primer auxiliar de tierra tarda en registrar a los pasajeros y su equipaje aproximadamente 20 segundos
con un error típico de 2 segundos. Por otro lado, el segundo auxiliar es capaz de registrar cada pasajero
en 25 segundos exactos.
Los pasajeros llegan en promedio cada 30 segundos. Los tiempos entre llegadas varían de acuerdo con la
distribución exponencial.
¿A cuál de los dos auxiliares de tierra debería contratar el aeropuerto?
¿Cuál es la probabilidad de que el auxiliar contratado esté ocupado?
Solución:
Tasa efectiva de llegada: λ 1 = 0,0333
Promedio de pasajeros en la cola:
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 9
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 10
L q2 2,0833
Tiempo promedio de espera en la cola: Wq2 = = = 62,50 segundos
λ2 0,0333
Número promedio de clientes en el sistema: L s 2 = L q2 + ρ2 = 2,0833 + 0,8333 = 2,9167
1 1
Tiempo total que pasa el pasajero en la cola: Ws2 = Wq2 + = 62,50 + = 87,50 segundos
μ2 0,04
La probabilidad de que el auxiliar 1 de tierra contratado se encuentre ocupado:
P(X ≥ 1) = 1 − p0 = 1 − 0,3333 = 0,6667
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 11
Probabilidad de estado en el sistema:
p 0 = 1 − ρ1 = 1 − 0,6667 = 0,3333
pn = ρn p 0
i
i
i
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 12
MODELO DE COLA M / D / 1
Es un sistema de colas con tiempos de llegadas distribuidos exponencialmente
(Proceso de Poisson de parámetro λ ), el servicio consiste básicamente en la misma
tarea rutinaria que el servidor realiza para todos los clientes, tiende a haber poca
variación en el tiempo de servicio requerido, asumiendo que el tiempo de servicio es
igual a una constante fija.
Modelo con una distribución exponencial entre llegadas y una distribución constante
de servicio.
Con un único servidor, el modelo M / D / 1 se reduce a un caso particular del modelo
σ2 = 0
M / G / 1 en donde σ2 = 0 : M / G / 1 ⎯⎯⎯→ M / D / 1
con lo que las medidas de eficiencia son:
λ
Factor de utilización: ρ = <1
μ
Tasa efectiva llegada: λ
Probabilidad del estado: p 0 = 1 − ρ pn = ρn p 0
λ 2 . σ 2 + ρ2 σ2 = 0 ρ2
Número promedio clientes en la cola: L q = ⎯⎯⎯→ L q =
2. (1 − ρ) 2 . (1 − ρ)
Número promedio de clientes en sistema: L s = L q + ρ
ρ2 Lq
Tiempo promedio de espera en la cola: Wq = =
λ 2 . λ . (1 − ρ)
Ls 1
Tiempo promedio de estancia en el sistema: Ws = = Wq +
λ μ
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 13
MODELO DE COLA M / D / s
λ
Factor de utilización: ρ =
s.μ
Tasa efectiva llegada: λ
1
p0 = s−1 n s
1 ⎛λ⎞ 1 ⎛λ⎞ ⎛ 1 ⎞
∑
n=0
n! ⎜⎝ μ ⎟⎠
+
s! ⎜⎝ μ ⎟⎠ ⎜⎝ 1 − ρ ⎟⎠
⎧ 1 ⎛ λ ⎞n
⎪ ⎜ μ ⎟ p0 n≤ s
⎪ n! ⎝ ⎠
Probabilidad del estado M/M/ s : pn = ⎨ n
⎪ 1 ⎛λ⎞
⎪ s! sn − s ⎜ μ ⎟ p 0 n ≥ s
⎩ ⎝ ⎠
s
1 ⎛λ⎞ ρ
Número promedio clientes en la cola: L q = ⎜ ⎟ p0
s! ⎝ μ ⎠ 2 (1 − ρ)2
⎛λ⎞
Número promedio de clientes en sistema: L s = L q + ⎜ ⎟
⎝μ⎠
Lq
Tiempo promedio de espera en la cola: Wq =
λ
Ls 1
Tiempo promedio de estancia en el sistema: Ws = = Wq +
λ μ
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 14
COLA GENERAL ‐ Cola M / D / 1 ↔ M / D / 2
El aeropuerto dispone de un servicio de traslado en el que consiste en llevar a cada empleado que lo
solicite a su casa, hotel o alrededores.
Este servicio puede atender a un empleado cada 7 minutos. El promedio de llegada de empleados es
cada 8 minutos, siguiendo una distribución de Poisson.
a) Encontrar las medidas de eficiencia del servicio.
b) ¿Se podría mejorar el tiempo medio de un empleado en el sistema?
a) Se trata de un modelo de cola M/D/1 con s = 1 servidor
1
Tasa de llegada = = 8 → λ = 0,125 pasajeros / minuto
λ
1
Tasa de servicio = = 7 → μ = 0,1429 pasajeros / minuto
μ
λ 0,1250
Factor de utilización: ρ = = = 0,8750
μ 0,1429
Probabilidad del estado: p0 = 1 − ρ = 1 − 0,8750 = 0,125
ρ2 0,8752
Promedio de empleados en la cola: L q = = = 3,062 empleados
2 . (1 − ρ) 2 x (1 − 0,875 )
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 15
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 16
b) En la situación actual, el factor de utilización ρ = 0,8750 es muy alto, sería necesario aumentar la
capacidad del sistema para mejorar las medidas de eficiencia.
λ 0,125
Si se añade otro servidor (s = 2) , el factor de utilización: ρ = = = 0,4375
s . μ 2 x 0,1429
La red de transporte se encuentra más descongestionada. Se trataría de una cola M/D/2
Probabilidad del estado M/M/ s
1 1
p0 = s−1 n s
= 1 n 2
= 0,3913
1 ⎛λ⎞ 1 ⎛λ⎞ ⎛ 1 ⎞ 1 ⎛ 0,125 ⎞ 1 ⎛ 0,125 ⎞ ⎛ ⎞
∑ n! ⎝⎜ μ ⎠⎟ ∑
1
+ ⎜ ⎟ + ⎜ ⎟ ⎜ ⎟
n=0
s! ⎝⎜ μ ⎠⎟ ⎝⎜ 1 − ρ ⎠⎟ n=0
0! ⎝ 0,1429 ⎠ 2! ⎝ 0,1429 ⎠ ⎝ 1 − 0,4375 ⎠
1
1 ⎛λ⎞ 1
p1 = ⎜ ⎟ p0 = 0,875 x 0,3913 = 0,3424
n! ⎝ μ ⎠ 1!
2
1 ⎛λ⎞ 1
p2 = ⎜ ⎟ p0 = 0,8752 x 0,3913 = 0,1498
n! ⎝ μ ⎠ 2!
n
1 ⎛λ⎞ 1
p3 = n−s ⎜ ⎟ p 0 = 3−2
0,8753 x 0,3913 = 0,0655
s! s ⎝μ⎠ 2! 2
Número promedio clientes en cola:
s
1 ⎛λ⎞ ρ 1 0,4375
Lq = ⎜ ⎟ p0 = 2
x 0,875 x x 0,3913 = 0,1036 pasajeros
s! ⎝ μ ⎠ 2 (1 − ρ)2
2! 2 (1 − 0,4375)2
⎛λ⎞ ⎛ 0,125 ⎞
Número promedio de clientes en sistema: L s = L q + ⎜ ⎟ = 0,1036 + ⎜ ⎟ = 0,9786 pasajeros
⎝μ⎠ ⎝ 0,1429 ⎠
Lq 0,1036
Tiempo promedio de espera en cola: Wq = = = 0,8285 minutos
λ 0,125
L s 0,9786
Tiempo promedio de espera en servicio: Ws = = = 7,8285 minutos
λ 0,125
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 17
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Calcula las medidas de rendimiento M/D/2
con una aproximación G/G/s
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 18
MODELO DE COLA M / Ek / s
El modelo M / D / s supone una variación cero en los tiempos de servicio (σ = 0) ,
mientras que la distribución exponencial de tiempos de servicio supone una variación
muy grande en los tiempos de servicio (σ = 1 / μ) . Entre los dos casos extremos hay un
intervalo (0 < σ < 1 / μ) donde caen la mayor parte de las distribuciones de tiempo
reales. Otro tipo de distribución teórica de tiempos de servicio que concuerda con este
espacio intermedio es la distribución de Erlang (llamada así en honor con el fundador de
la teoría de colas).
(μ k)k k − 1 − k μ t
f(t) = t e donde μ y k son parámetros estrictamente positivos, estando
(k − 1)!
1 1
k restringido a valores enteros: media = σ=
μ μ k
El parámetro k especifica el grado de variabilidad de los tiempos de servicio con relación a
la media. Generalemente, se hace referencia a k como el parámetro de forma.
Los valores intermedios de k proporcionan distribuciones intermedias con media = (1 / μ) ,
moda = (k − 1) / (k μ) y varianza = 1 / (k μ2 )
En consecuencia, después de estimar la media y la varianza de una distribución de servicio
empírica, se pueden utilizar para elegir el valor de k que se ajuste mejor a las
estimaciones.
Erlang C
La fórmula supone una infinita población de fuentes, que ofrecen en conjunto, un tráfico
de A Erlangs hacia n servidores.
Si todos los servidores están ocupados cuando una petición llega de una fuente, la
petición es introducida en la cola. Un sinfín de números de peticiones podrían ir a la cola
en este modo simultáneamente.
A ≡ Intensidad total del tráfico ofrecido en unidades de
n An
Erlangs.
(n − A) n!
pw = n − 1 n ≡ Número de servidores [número de troncales].
Ai n An
∑ i! + (n − A) n! Pw ≡ Probabilidad de que un cliente tenga que esperar para
i=0
ser atendido.
Se supone que las llamadas entrantes pueden ser modeladas usando una distribución de
Poisson y que el tiempo de espera de las llamadas son descritas por una distribución
exponencial negativa.
Calcula la probabilidad del tráfico de la cola, suponiendo que las llamadas que son
bloqueadas se queden en el sistema hasta que puedan ser atendidas.
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 19
Determina la cantidad de agentes o representantes de clientes, que se necesitarían en un
Call Center, después saber la probabilidad en la cola.
Fórmula de Engset
Se denomina así por el matemático es ingeniero noruego T. O. Engset.
Se utiliza con una población finita con k orígenes en lugar de la población infinita que
supone Erlang.
Una empresa que instale una centralita necesita saber el número mínimo de circuitos que
es preciso contratar desde la red telefónica. Un enfoque aproximado es utilizar la fórmula
de Erlang‐B (visto anteriormente).
Si la empresa tiene un número pequeño de extensiones, debe utilizar un cálculo más
exacto, proporcionado por la fórmula de Engset, que refleja el hecho de que las
extensiones que están en uso no harán llamadas simultáneas adicionales.
En una población de usuario grandes, el cálculo de Engset y Erlang B obtienen el mismo
resultado.
La expresión utilizada para calcular las tablas de Engset:
k! An E ≡ Probabilidad de bloqueo.
(k − n)! n! A ≡ Tráfico de Erlangs generado por cada origen desocupado.
E(n , A, k) = n
k! A i n ≡ Número de servidores.
∑
i = 0 (k − i)! i! k ≡ Número de orígenes.
⎧ E(0 , A, k) = 1
⎪
Se puede calcular por recursión: ⎨ A (k − n + 1) E(n − 1 , A, k)
⎪E(n , A, k) =
⎩ n + A (k − n + 1) E(n − 1 , A, k)
Se supone que las llamadas que llegan pueden ser modeladas por una distribución
Poisson. Sin embargo, debido a que hay un número finito de servidores, la tasa de llegada
de las nuevas llamadas decrece a medida que nuevos orígenes (como abonados
telefónicos) pasan a estar ocupados y, en consecuencia, no pueden originar nuevas
llamadas. Cuando n = k , la fórmula se reduce a una distribución binomial.
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 20
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 21
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 22
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 23
MODELO DE COLA M / Ek / 1
Se basa en el método de fases, asume una llegada Poisson sin memoria. El servicio
(servidor) es la concatenación de servicios en serie. Sólo puede haber una llamada en el
sistema completo, por lo que es imposible que haya más de una 'fase' ocupada.
Cada una de las fases tiene un tiempo de servicio distribuido según una exponencial
1
negativa de tasa υ = k. μ , de media , donde:
μ
k 1 1 ⎛1⎞ 1
σ2 = = → σ= .⎜ ⎟ k=
υ k. μ2 ⎝μ⎠ μ x σ2
2 2
k
El tiempo de servicio total es la suma de los tiempos de servicio de cada fase. La suma de k
1 1
variables aleatorias exponenciales negativas con media = da lugar a una variable
υ k. μ
aleatoria con distribución Erlang k.
i Con un único servidor, el modelo M / Ek / 1 de parámetros k y μ , se reduce a un caso
particular del modelo M / G / 1 :
1
σ2 =
k μ2
M / G / 1 ⎯⎯⎯⎯→ M / Ek / 1
1 1
i Cuando σ = → k = 2 2 = 1 , el modelo de cola M / Ek / 1 es un modelo de
μ μ xσ
cola M / M / 1 con tiempo de servicio exponencial.
ρ2 x (1 + 1) ρ2
Promedio de clientes en la cola: L q = =
2 x 1 x (1 − ρ) (1 − ρ)
MEDIDAS DE RENDIMIENTO:
λ
Factor utilización del sistema: ρ =
μ
λ 2 . (1 + k) (1 + k) . ρ2
Número promedio de clientes en la cola: L q = =
2 . k . μ .(μ − λ ) 2 . k . (1 − ρ)
Número promedio de clientes en el sistema: L s = L q + ρ
Lq
Tiempo promedio de espera en la cola: Wq =
λ
Ls 1
Tiempo promedio de estancia en el sistema: Ws = = Wq +
λ μ
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 24
COLA GENERAL ‐ Modelos de Colas
El servicio de lavacoches de un aeropuerto tiene una tasa de llegadas de 9 vehículos/hora, pudiendo
atender un vehículo cada 5 minutos, con un error típico (σ = 2) minutos. Se pide:
a) Medidas de eficiencia según un modelo general M / G / 1
b) Medidas de eficiencia según un modelo M / D / 1
c) Medidas de eficiencia según un modelo M / Ek / 1
Solución:
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 25
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Rendimiento cola (M / G / 1)
• Con la modificación = Rendimiento cola (M / M / 1)
⎛ 1 + μ2 . σ2 ⎞
⎜ ⎟
⎝ 2 ⎠
se pasa de las medidas de rendimiento de una cola M / G / 1 a medidas de rendimiento de una cola
M/M/1
1 + μ2 . σ2 1 + 0,22. 22
= = 0,58
2 2
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 26
Lq 1,3050 Wq 8,7
= = 2,250 = L q = = 15 = Wq
0,58 0,58 M/G/1
M/M/1 0,58 0,58 M/G/1
M/M/1
Ls 1,3050 Ls 3
+ρ= + 0,75 = 3 = Ls Ws = = = 20 = Ws
0,58 0,58 M/G/1
M/M/1 λ M/G/1 0,15 M/M/1
σ2 = 0
• Con un único servidor, M / G / 1 ⎯⎯⎯→ M / D / 1
λ 2 . σ 2 + ρ 2 0,752
Promedio de vehículos en cola: L q = = = 1,125 vehículos
2 . (1 − ρ) 2 x (1 − 0,75)
Promedio de vehículos en sistema: L s = L q + ρ = 1,125 + 0,75 = 1,875 minutos
1,125 Lq
Tiempo promedio de espera en la cola: Wq = =
= 7,5 minutos
λ 0,15
L 1,875
Tiempo promedio de estancia en lavacoches: Ws = s = = 12,5 minutos
λ 0,15
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 27
b) En un modelo de cola M / D / 1 con s = 1 servidor
9 1 1
λ= = 0,15 vehículos/minuto → Tasa llegadas (Media) = = = 6,666666
60 λ 0,15
1
Tasa de servicio = = 5 → μ = 0,2 pasajeros/minuto
μ
λ 0,15
Factor de utilización: ρ = = = 0,75
μ 0,20
ρ2 0,752
Promedio de empleados en la cola: L q = = = 1,125 vehículos
2 . (1 − ρ) 2 x (1 − 0,75)
Promedio de empleados en el sistema: L s = L q + ρ = 1,125 + 0,75 = 1,875 vehículos
Lq 1,125
Tiempo promedio que un empleado espera en la cola: Wq = = = 7,50 minutos
λ 0,15
L 1,875
Tiempo promedio que los empleados están en la cola: Ws = s = = 12,50 minutos
λ 0,15
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 28
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 29
c) Medidas de eficiencia según un modelo M / Ek / 1 con s = 1 servidor
9 1 1
λ= = 0,15 vehículos/minuto → Tasa llegadas (Media) = = = 6,666666
60 λ 0,15
1
Tasa de servicio = = 5 → μ = 0,2 pasajeros/minuto , σ = 2 minutos
μ
1 1
k= 2 2 = = 6,25
μ xσ 0,2 x 22
2
Promedio de clientes en la cola:
ρ2 . (1 + k) 0,752 x (1 + 6,25)
Lq = = = 1,305 clientes
2 . k . (1 − ρ) 2 x 6,25 x (1 − 0,75)
Promedio de clientes en el sistema: L s = L q + ρ = 1,305 + 0,75 = 2,055 clientes
Lq 1,305
Tiempo promedio en la cola: Wq = = = 8,7 minutos
λ 0,15
Ls 1
Tiempo promedio en el sistema: Ws = = Wq + = 8,7 + 5 = 13,7 minutos
λ μ
1 1
Se observa que cuando σ = → k= 2 = 1 , el modelo de cola M / Ek / 1 es un modelo de
μ μ x σ2
cola M / M / 1 con tiempo de servicio exponencial. En este caso,
ρ2 x (1 + 1) ρ2
Promedio de clientes en la cola: L q = =
2 x 1 x (1 − ρ) (1 − ρ)
Interarrival time distribution: Distribución del tiempo entre llegadas
Batch size distribution: Distribución del tamaño del lote
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 30
⊗ La distribucion de Erlang M / Ek / 1 pasa a ser un modelo M / M / 1 introduciendo:
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 31
1
Cuando σ = → k = 1 , el modelo de cola M / Ek / 1 pasa a ser un modelo de cola M / M / 1 con
μ
tiempo de servicio exponencial.
λ 0,15
Factor de saturación: ρ = = = 0,75
μ 0,2
ρ2 . (1 + k) ρ2 x (1 + 1) ρ2 0,752
Promedio de clientes en la cola: L q = = = = = 2,250
2 . k . (1 − ρ) 2 x 1 x (1 − ρ) (1 − ρ) (1 − 0,75)
9
λ= = 0,15 vehículos/minuto
60
1
Tasa de servicio = = 5
μ
→ μ = 0,2 pasajeros/minuto
λ 0,15
ρ= = = 0,75
μ 0,2
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 32
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES 33
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES
Instrumentos Estadísticos Avanzados
Facultad Ciencias Económicas y Empresariales
Departamento de Economía Aplicada
Profesor: Santiago de la Fuente Fernández
Portal Estadística Aplicada: TEORÍA DE COLAS ‐ MODELOS NO EXPONENCIALES