Está en la página 1de 21

Modelos de colas con distribuciones no exponenciales

Presentado Por: Barcel Margarita Caballero Edwin Castillo Rosmery

Modelos de colas con distribuciones no exponenciales


Hasta ahora todos los modelos estudiados se basan en el proceso de nacimiento y muerte, lo que hace necesario que los tiempos entre llegadas como de servicio tengan distribuciones exponenciales. Tienen muchas propiedades convenientes para la teora de colas. Solo cierto tipo de sistemas proporciona un ajuste razonable. Se supone que el proceso de llegada ocurre al azar.

Los modelos de colas con distribuciones exponenciales no proporcionan un ajuste razonable cuando las llegadas estn programas o reguladas con todo cuidado. Los modelos de colas se alejan ms de la distribucin exponencial cuando los requerimientos de servicio de los clientes son muy parecidos.

Modelo M/G/1
En este modelo se supone que el sistema tiene un servidor y un proceso de entrada de Poisson (tiempos entre llegadas exponenciales) con una tasa media de llegadas fija . Como siempre se supone que los clientes tienen tiempos de servicio independientes con la misma distribucin de probabilidad, pero no se imponen restricciones sobre cual debe ser esta distribucin de tiempos de servicio. En realidad, solo es necesario conocer (o estimar) la media 1/ y la varianza 2 de esta distribucin.

Formulas del modelo M/G/1


0 = 1 2 + 2 + 2 = 2(1 )

= +
= 1 = +

La ecuacin de con frecuencia recibe le nombre de formula de Pollaczek-Khintchine, en honor de dos pioneros del desarrollo de teora de colas que dedujeron la formula de manera independiente a principios de la dcada de 1930. Observe que para cualquier tiempo de servicio esperado fijo 2 1/, , , aumenta. se incrementan cuando Este resultado es importante porque indica que la congruencia del servidor tiene gran transcenda en el desempeo de la instalacin de servicio, no solo en su velocidad promedio.

Modelo M/G/1: ejemplo


Un lava carro puede atender un auto cada 5 min, La tasa media de llegadas es de 9 autos/hora, con una desviacin estndar de 2 min. Obtenga las medidas de desempeo de acuerdo con el modelo M/G/1. DATOS: = 9 autos / horas = 0,15 autos/ minutos = 12 = 0,2 = 2
=

/ = = 0,15 = 0,75 0,2 /

Modelo M/G/1: ejemplo


Ls Lq 1.31 .75 2.06 clientes

2 2 2 Lq 1.31 clientes 2(1 )


Ws Wq Wq Lq 1

0.228 hrs 13.7 min

0.145 hrs 8.7 min

Modelo M/D/S
Tiene la misma rutina que el servidor realiza para todos los clientes Supone que todos los tiempo de servicio son iguales a una constante fija Tiene un proceso de entradas Poisson con tasa media de llegadas fijas . Cuando solo se tiene un servidor, el modelo M/D/1 es un caso especial del modelo M/G/1 en donde 2

Formulas del modelo M/D/1


Ls Ws Ws Wq 1 Lq

2(1 ) Lq Wq

Ejemplo M/D/1
Un lava carro puede atender un auto cada 5 min, La tasa media de llegadas es de 9 autos/hora, Obtenga las medidas de desempeo de acuerdo con el modelo M/D/1. y la media es de 12 autos/hora.

Solucin:
DATOS
= 9 Carros / horas = 0,15 Carros/ minutos =
0,15 / 0,2 /

= 0,75

0,752 = = 1,125 2(1 0,75) = 0,15 12,5 = 1.875 1,125 = 7,5 = 0,15 cl/ 1 = 12,5 min = 7,5 + 0,2

Modelo M/ /S
M Tiempos entre llegadas exponencial tiempos de servicio Erlang s s servidores Existen dos distribuciones que representan puntos extremos. La distribucin exponencial Tiempo de servicio constante Pero entre ellos existe una distribucin intermedia donde caen la mayor parte de las distribuciones de tiempos de servicio reales. 0 < < 1/ entre ellas la distribucin de Erlang (llamada as en honor del fundador de la teora de colas).

Modelo M/ /S
= Distribucin Erlang o gama del tiempo (o de forma

equivalente, la suma de distribuciones exponenciales independientes) Erlang es una distribucin de probabilidad continua con dos parmetros K y son parmetros estrictamente positivos

k esta restringido a valores enteros. La funcin de densidad de probabilidad para la distribucin Erlang es :

Modelo M/Ek/S
La distribucin de Erlang es muy importante en teora de colas por dos razones. suponga que 1 , 2 , . . ., son k variables aleatorias independientes con una distribucin idntica, cuya media =1/(k). 1 , 2 , . . ., = k
La suma de Variable exponenciales Con media de 1/(k) es igual a una Variable aleatoria Erlang siempre y cuando es tiempo de realizacin de cada una de las tareas sea el mismo. 1/(k) 1 , 1/(k) 1/(k) 1/(k) 2 , 3 , . . . . . . .,

Una distribucin de Erlang con parmetros y k. La presentacin de la distribucin exponencial sugiere que el tiempo requerido para realizar cierto tipo de tareas podra tener una distribucin exponencial. Sin embargo, el servicio total solicitado por un cliente puede incluir una secuencia de k tareas, y no solo una, realizadas por el servidor. Si las tareas respectivas tienen una distribucin exponencial idntica de su duracin, el tiempo total de servicio tendr una distribucin de Erlang; este seria el caso, por ejemplo, si el servidor debiera realizar la misma tarea exponencial k veces para cada cliente.

Formula del modelo M/ /S


formula de Pollaczek-Khintchine con 2 = 1/(k2 ) (y los resultados correspondientes dados por M/G/1) se obtiene las siguientes formulas

Ejemplo del modelo M/ /1


Un lava carro puede atender un auto cada 5 min, la tasa media de llegadas es de 9 autos/hora. Suponga que su desviacin es de = 3.5 min Obtenga las medidas de desempeo de acuerdo con el modelo M/Ek/1
DATOS

= 9 autos / horas = 0,15 autos/ minutos = 12 = 0,2 = 2

/ = = 0,15 = 0,75 0,2 /

Solucin del modelo M/ /1


+ ( )

()

= 1,6825 clientes

Modelos Sin Entrada Poisson


Dispone de tres modelos de este tipo siempre que los tiempos de servicios tenga distribucin exponencial con un parmetro fijo. (G/M/s) = no impone restricciones para los tiempos de llagadas y tiempos de servicios. (D/M/s)= se supone que todos los tiempos entre llegadas son iguales a una constante fija

( /M/s)= supone una distribucin Erlang para los tiempos entre llegadas que maneja el espacio intermedio entre llegadas regulares programadas y completamente aleatoria.

Otros modelos
Distribucin hiperexponencial, si bien solo permite valores no negativos, su desviacin estndar es ms grande que su media 1/, contrario a la distribucin de Erlang, donde < 1/ en todos los casos excepto cuando = 1 (distribucin exponencial) Distribuciones tipo fase, en estas distribuciones encontramos a las distribuciones erlangianas generalizadas estas distribuciones se obtienen mediante el desglose del tiempo total en cierto numero de fases, cada una con distribucin exponencial, donde los parmetros de estas distribuciones exponenciales pueden ser diferentes y las fases pueden ser ya sea en serie o en paralelo Un grupo de fases en paralelo significa que el proceso elige al azar una de las fases cada vez, de acuerdo con probabilidades especificadas Otro caso especial es la distribucin de Erlang, que tiene la restriccin de que todas sus k fases estn en serie y de que tienen el mismo parmetro de sus distribuciones exponenciales. Cuando se eliminan estas restricciones se obtiene mayor flexibilidad en las distribuciones tipo fase para ajustarse a la distribucin real de los tiempos entre llegadas o de servicio en los sistemas de colas en estudio.