Libro: Introduction to Probability Models

Autor: Sheldon M. Ross

PRELIMINARES
La teora de colas es el estudio matemtico del comportamiento de las lneas de
espera. Una lnea de espera o cola se presenta cuando los clientes llegan a un lugar
demandando un servicio a un servidor o dependiente.
Dentro de la teora de colas se presentan varios elementos identificados por:
L, el promedio de clientes en el sistema
L
Q
, el promedio de clientes esperando en la cola
W, el tiempo promedio que el cliente permanece en el sistema
W
Q,
el tiempo promedio que el cliente permanece esperando en la cola
Dado los elementos antes mencionados, debemos definir la terminologa estndar
utilizada para presentar la teora de colas. Definimos a

como el promedio de llegada de

nuevos clientes, cuando hay a clientes en el sistema. Formalmente,
t
t N
t
a
) (
lim


donde N(t) es el nmero de clientes en el sistema de colas en el tiempo t. Es de notar que
si suponemos que los clientes nuevos tuvieran que pagar dinero al sistema, entonces
tendramos la siguiente regla o identidad bsica de costo
paga nuevo cliente un que promedio cantidad
gana sistema el
cual la a promedio razn La
a

Ahora, supongamos que cada cliente paga $1 por unidad de tiempo. Entonces, el
promedio de clientes en el sistema (L), est dado por:
W L
a

lo que se conoce como la frmula de Little. Similarmente, se obtiene que
Q a Q
W L
Definamos E[S] como el tiempo promedio que un cliente espera en servicio, entonces
El promedio de clientes en servicio =
] [S E
a

.
Como dato importante las ecuaciones anteriores son vlidas para todos los modelos de
colas, independientemente el proceso de llegada, el nmero de servidores o la disciplina
de colas.
Probabilidades de la condicin en estado estable
Sea X(t) el nmero de clientes en el sistema en el tiempo t y sea n 0. Definimos,
} ) ( {
lim
n t X P P
t
n


O sea, P
n
es la probabilidad de que exactamente n clientes estn en el sistema. En general,
P
n
es la proporcin de tiempo a largo plazo durante el cual el sistema contiene
exactamente n clientes. Ejemplo, si P
0
= 0.3, el sistema tendr 0 clientes durante el 30%
del tiempo.
MODELOS EXPONENCIALES
Sistema de colas exponencial de servidor sencillo
Consideremos un sistema de colas de un solo servidor en acorde con un proceso
de Poisson de razn , donde es el nmero promedio de llegadas por unidad de
tiempo, y

1
es el tiempo promedio entre llegadas. Los tiempos de servicios sucesivos se
distribuirn exponencialmente, de tal manera que

es el nmero medio de clientes que el

servidor es capaz de atender por unidad de tiempo, y

1
es el tiempo medio de servicio.
A esto se le conoce como la cola M/M/1. Las dos M se refieren a que tanto la
distribucin entre servicio y la distribucin entre llegadas son exponenciales, y el 1 se
refiere a la cantidad de servidores.
Pasemos a analizar las probabilidades limitantes P
n
para este modelo, asumiendo
que
1 <

y que

(si

el sistema se satura):
1 , 1

,
`

.
|

,
`

.
|
n P
n
n

Como P
n
es la probabilidad a largo plazo de que el sistema contenga exactamente n
clientes, y ya que

a obtenemos que
:

1
L

1
1
1
W
)' (

Q
W
) (
2

Q
L
Sistema de colas exponencial de servidor sencillo con capacidad finita
Un sistema de colas exponencial de servidor sencillo con capacidad finita es aquel
sistema con una capacidad mxima N, o sea 0 n N. En este caso:
N n P
N
n
n
,...., 1 . 0 ,
1
1
1

,
`

.
|

,
`

.
|

,
`

.
|

Como P
n
es la probabilidad a largo plazo de que el sistema contenga exactamente n
clientes, obtenemos que:
( )
( )

,
`

.
|

,
`

.
|

]
]
]

,
`

.
|
+

,
`

.
|
+

+
+
1
1
1
1 1
N
N N
N N
L

a
L
W

RED DE COLAS
Sistemas Abiertos
Consideremos un sistema de dos servidores en el cual los clientes llegan al
servidor 1 de acuerdo a una razn de Poisson . Luego de ser atendidos por el servidor
1 se unen a la cola del servidor 2. Asumamos que se tiene una cantidad infinita de
espacio de espera en ambos servidores. Cada servidor atiende un cliente a la vez con el
servidor i tomndose un tiempo exponencial con razn i

por servicio, donde i = 1, 2.

Tal sistema se conoce como sistema tandem o secuencial. Se les llama sistemas abiertos
ya que los clientes pueden entrar y salir del sistema. La figura a continuacin ilustra el
sistema.

Para comprender este sistema necesitamos llevar la cuenta del nmero de clientes
en el servidor 1 y el nmero de clientes en el servidor 2, para lo cual definimos el estado
mediante el par ordenado (n,m), que significa que hay n clientes en el servidor 1 y m en el
servidor 2. Notemos que la situacin en el servidor 1 es justamente la de un modelo
M/M/1. Adems, el proceso de salida en un modelo M/M/1 es un proceso de Poisson con
razn y por tanto, el servidor 2 se enfrenta igualmente a un modelo M/M/1. De todo
esto se sigue que la probabilidad de que haya n clientes en el servidor 1 es
{

,
`

.
|

,
`

.
|

1 1
1 1

n
servidor en clientes n P
y de la misma forma la probabilidad de que haya m clientes en el servidor 2 es
{

,
`

.
|

,
`

.
|

2 2
1 2

m
servidor en clientes n P
Servidor 1 Servidor 2
abandona el
sistema
Ahora, como un proceso de llegadas de Poisson trabaja con promedios de tiempo,
se sigue que en un sistema tandem, la cantidad de clientes en el servidor 1 y en el
servidor 2 que un cliente nuevo (que ir al servidor 1) se encuentra al llegar son variables
aleatorias independientes.
Por lo tanto

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

2 2 1 1
,
1 1

m n
m n
P .
Luego, resulta que la ecuacin que describe a L es

2 1
L
de donde se tiene que

+

2 1
1 1 L
W
.
Es razonable preguntarse qu pasa si el sistema tiene ms de dos servidores.
Asumamos que el sistema es uno con k servidores y los clientes llegan al servidor i de
acuerdo a procesos independientes de Poisson a razn r
i
, donde i = 1, 2,, k. Una vez el
cliente es atendido por el servidor i, pasa a la cola del servidor j, con probabilidad P
ij
,
donde j = 1, 2,, k.
Sea j

la razn total de llegadas de clientes al servidor j. Entonces

ij
k
i
i j j
P r

+
1

, j = 1, 2,, k.
Resulta que el nmero de clientes frente a cada uno de los servidores es independiente.
Siguiendo el mismo razonamiento de antes tenemos que
{

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

k
k
n
k
k
n n
k
k
n n n P

1 1 1 ,..., ,
2
2
2
2
1
1
1
1
2 1
2 1

,
`

.
|

,
`

.
|

j
j
k
j
n
j
j
j

1
1
Luego el promedio de clientes en este sistema viene dado por
k k
k
L

+ +

2 2
2
1 1
1

k
j j j
j
1

El tiempo promedio que un cliente pasa en el sistema, W, se puede obtener de la ecuacin

inicial para L (es decir, W L ) y del hecho que

k
j
j
r
1

. Entonces

k
j
j
k
j j j
j
r
W
1
1

.
Nota: La ecuacin antes obtenida,

,
`

.
|

,
`

.
|

j
j
k
j
n
j
j
k
j
n n n P

1 ) ,..., (
1
2 1
es un resultado interesante pues nos indica que la distribucin del nmero de
clientes en el servidor i es la misma que se obtendra en un modelo M/M/1 con
razones i

y i

. Sin embargo en los modelos de redes el proceso de llegadas

en el servidor i no tiene que ser necesariamente un proceso de Poisson. Esto se
debe a que si permitimos la posibilidad de que un cliente visite un servidor ms de
una vez (a esto le llamamos feedback o retroalimentacin), entonces el proceso
de llegadas no ser de Poisson.
Entonces podemos apreciar que an cuando permitimos el feedback, las
probabilidades de condicin estado-estable del nmero de clientes en cualquier
servidor tienen la misma distribucin que en un modelo M/M/1 incluso cuando el
modelo no es M/M/1.
Sistemas Cerrados
Un sistema es cerrado cuando no entran clientes nuevos y aquellos ya existentes
nunca salen del mismo. Vamos a suponer que hay m clientes movindose en un sistema
de k servidores, donde los tiempos de servicio en el servidor i son exponenciales con
una razn i

, i = 1,, k. Cuando un cliente termina de ser atendido en el servidor i, se

une a la cola frente al servidor j, j = 1,, k, con probabilidad P
ij
, donde asumimos que

k
j
ij
P
1
1
para toda i = 1,, k. O sea, P = [P
ij
] es una matriz de probabilidades de
transicin de Markov, que asumiremos irreducible. Denotemos las probabilidades
estacionarias para esta cadena de Markov mediante
) ,..., , (
2 1 k

. Es decir

es
la solucin nica de

k
i
ij i j
P
1

(*)

k
i
j
1
1
(**)
Sea
) ( j
m

la razn promedio de llegadas al servidor j, donde j = 1, 2,, k. Luego,

) ( j
m

satisface que

k
i
ij m m
P i j
1
) ( ) (
.
Sea

k
j
m m
j
1
) (
. Podemos ver que m

es la razn promedio en la cual el sistema

entero termina el servicio. Entonces, de (*) y (*) se obtiene que
k j j
j m m
,..., 2 , 1 , ) (
. (***)
Consideremos las probabilidades limitantes
{ j servidor el en clientes n P n n n P
j k m
) ,..., , (
2 , 1
donde j = 1, 2,, k. Se puede demostrar que
( )

'

k
j
j
k
j
k
j
j
n
j j m
k m
m n s i
m n s i C
n n n P
j
1
1 1
2 , 1
, 0
,
) , . . . , , (

donde hemos aplicado la ecuacin (***) y donde C
m
viene dado por
( )
1
,..., 1 1

]
]
]
]
]

m n
n n
k
j
n
j j m
j
k
j
C .
Ahora, esta ecuacin para
) ,..., , (
2 , 1 k m
n n n P
es til para valores pequeos de
m y k, pues la constante C
m
trabaja sobre todos los posibles vectores
) ,..., , (
2 , 1 k
n n n
para los cuales se cumple que

k
j
j
m n
1
y hay

,
`

.
| +
m
k m 1
vectores que verificar.
Por lo antes expuesto necesitamos de una forma ms eficiente para hallar estas
probabilidades limitantes. Expondremos a continuacin un acercamiento que nos
permitir determinar de modo recursivo muchas de las cantidades de inters sin tener que
calcular C
m
. Pensemos en un cliente que acaba de abandonar el servidor i y se dirige al
servidor j. Considrese la probabilidad de que este cliente observe, en ese momento, n
l
clientes en el servidor l, donde l = 1,, k y

k
l
l
m n
1
1. Tal probabilidad viene
dada por
( ) ( )
K
j a i de va cliente k l l serv en clientes n observa cliente P
k
j
n
j j i i
l
j

1
} : ,..., 2 , 1 , . {

Esta ecuacin la reescribimos
( )

k
j
n
j j l
j
C j a i de va cliente k l l serv en clientes n observa cliente P
1
} : ,..., 2 , 1 , . {
.
Ahora, C no depende de n
1
,n
k
. Sin embargo esta ecuacin es una densidad de
probabilidad sobre el conjunto de vectores
) ,..., , (
2 , 1 k
n n n
que satisfacen

k
j
j
m n
1
1
. Por tanto
) ,..., , ( } : ,..., 2 , 1 , . {
2 1 1 k m l
n n n P j a i de va cliente k l l serv en clientes n observa cliente P


,
donde

k
i
i
m n
1
1.
Esto se satisface para toda i. Tenemos as el Teorema de Llegadas.
Teorema de Llegadas
En un sistema de redes cerrado con m clientes, el sistema como visto por clientes
que se dirigen al servidor j se distribuye como la distribucin estacionaria en el
mismo sistema de redes cuando hay solamente m 1 clientes.
Sea L
m
(j) y W
m
(j) el promedio de clientes y el tiempo promedio que un cliente pasa en
el servidor j cuando hay m clientes en la red. El Teorema de Llegadas implica que
j
m
m
j L
j W

) ( 1
) (
1
+

.
Ahora, cuando hay m 1 clientes en el sistema, de la ecuacin (***) obtenemos que
j m m
j
1 1
) (


y entonces tenemos que
) ( ) (
1 1 1
j W j L
m j m m

.
Luego,
j
m j m
m
j W
j W

) ( 1
) (
1 1
+

.
Ahora como

k
j
m
m j L
1
1
1 ) (
, obtenemos que

k
i
m i
m
i W
m
1
1
1
) (
1

.
La frmula recursiva para W
m
(j) viene entonces dada por

+
k
i
m i j
m j
j
m
i W
j W m
j W
1
1
1
) (
) ( ) 1 (
1
) (

.
Ntese que
j
j W

1
) (
1

.
Utilizando este ltimo dato, las probabilidades estacionarias j

, con j = 1,, k, y las

ecuaciones
(i)

+
k
i
m i j
m j
j
m
i W
j W m
j W
1
1
1
) (
) ( ) 1 (
1
) (

(ii)
) ( ) (
1 1 1
j W j L
m j m m

(iii)

k
i
m i
m
i W
m
1
1
1
) (
1

que acabamos de describir podemos determinar recursivamente W

2
(j),,W
m
(j), luego m

y finalmente L
m
(j).
EL SISTEMA M/G/1
Preliminares: Trabajo y Otra Identidad de Costo
Consideremos un sistema de colas arbitrario. Definimos el trabajo en el sistema
en cualquier tiempo t como la suma de los tiempos de servicio restantes de todos los
clientes en el sistema en el tiempo t. Denotemos por V el promedio de tiempo en el
sistema. Ahora, en la seccin de Preliminares discutimos la ecuacin de costo
paga nuevo cliente un que promedio cantidad
gana sistema el
cual la a promedio razn La
a

.
Para comprender lo que obtener V significa considrese la siguiente regla de costo
Cada cliente paga a una razn de
tiempo de unidad y
cuando su tiempo de
servicio restante es y, sea que est en cola o que est en servicio.
Entonces la razn a la que el sistema gana es justamente el trabajo en el sistema, o sea
que
[ ] cliente un paga que cantidad E V
a

.
Para determinar
[ ] cliente un paga que cantidad E
definimos S como el tiempo de
servicio y
*
Q
W
como el tiempo que un cliente dado espera en cola. Ahora, si x es el
tiempo que el cliente est siendo atendido, entonces el cliente paga a una razn de S por
unidad de tiempo mientras espera en la cola y a una razn de S x luego de pasar un
tiempo x siendo atendido. Luego
[ ]
]
]
]

S
Q
dx x S SW E cliente un paga que cantidad E
0
*
) (
y obtenemos as que
[ ]
[ ]
2
2
*
S E
SW E V
a
Q a

+
Esta ecuacin es una identidad bsica de la teora de colas y es vlida en prcticamente en
todos los modelos.
Si el tiempo de servicio de un cliente i es independiente de su espera en cola
entonces
[ ]
[ ]
2
2
S E
W S E V
a
Q a

+
Aplicacin de Trabajo al modelo M/G/1
Las premisas que indican que estamos trabajando con un modelo M/G/1 son:
(1) Las llegadas siguen un proceso de Poisson a razn .
(2) La distribucin de servicio es general y no especfica.
(3) Se tiene un solo servidor.
Asumiremos que los clientes son servidos segn el orden de llegada (se atienden primero
aquellos que llegaron primero). Ahora queremos ver las ecuaciones que gobiernan este
sistema. Considrese un cliente arbitrario en el modelo M/G/1. Entonces como hay solo
un servidor
Tiempo que el cliente esperan en la cola = trabajo en el sistema cuando el cliente llega
Tomando el valor esperado a ambos lados de esta ecuacin se obtiene
llegar al cliente un ve lo como promedio trabajo W
Q

Por la condicin (1), resulta que
V W
Q

y obtenemos as la frmula de Pollaczek-
Khintchine, esto es
[ ]
( ) ] [ 1 2
2
S E
S E
W
Q

con E[S] y E[S

2
] siendo los primeros dos momentos del servicio de distribucin. De esta
ecuacin obtenemos
[ ]
( ) ] [ 1 2
2 2
S E
S E
W L
Q Q

[ ]
( )
] [
] [ 1 2
] [
2
S E
S E
S E
S E W W
Q
+

[ ]
( )
] [
] [ 1 2
2 2
S E
S E
S E
W L

Nota: Para que estas cantidades sean finitas, necesitamos que
1 ] [ < S E
.
Periodos Ocupados
Todo sistema alterna entre periodos lentos, cuando no hay clientes en el sistema,
y periodos ocupados, en los que hay al menos 1 cliente. Sean I
n
y B
n
, r espectivamente,
los largos del n-simo periodo lento y el n-simo periodo ocupado, donde n > 1. Se
puede demostrar que
n n
n
n
B B I I
I I
lento tiempo de proporcin P
+ + + +
+




1 1
1
0
lim
Ahora, resulta que las I
1
,, I
n
, son independientes y estn idnticamente distribuidas
como lo estn las B
1
,, B
n
. Por lo tanto, dividiendo el numerador y el denominador de
esta ecuacin por n y aplicando la ley fuerte de los grandes nmeros, se obtiene que
] [ ] [
] [
0
B E I E
I E
P
+

donde I y B son variables aleatorias de tiempo lento y tiempo ocupado. En particular I

se refiere al tiempo desde que un cliente abandona el sistema y el sistema queda vaco
hasta llegar un cliente nuevo. Por las llegadas de Poisson, se observa que I es
exponencial con razn y por lo tanto

1
] 1 [ E
Para calcular P
0
utilizamos la siguiente frmula
] [ 1
0
S E P
.
Luego tenemos que
] [ 1
1
] [ 1
0
B E
S E P
+

.
La otra frmula que nos interesa es una que nos determine el nmero de clientes servidos
en un periodo ocupado, cantidad que denotamos por C. Ms an, nos interesa el valor
esperado de C. Ahora, por cada E[C] llegadas exactamente un cliente encontrar el
sistema vaco, el primer cliente del periodo ocupado. Luego
] [
1
0
C E
a
.
Por las llegadas de Poisson,
] [ 1
0 0
S E P a
, lo cual implica que
] [ 1
1
] [
S E
C E

VARIACIONES EN EL SISTEMA M/G/1

MODELO M/G/1
RANDOM SIZED BATCH ARRIVALS
Supongamos que, como en un sistema M/G/1, las llegadas ocurren en acuerdo con
el proceso de Poisson con una razn de , con la diferencia de que cada llegada consiste
de una cantidad random de clientes. Por tanto ahora denotaremos por
1 , j
j

la
probabilidad con un puesto o lote arbitrario de j clientes y dado N una variable que
representa el tamao del puesto entonces
{
j
j N P
. Entonces ,
) (N E
a

como la
frmula bsica para trabajar y hallar
[ ]
]
]
]

+
2
(
) (
2
S E
W S E N E V
q

Para obtener una segunda ecuacin relativa de V a q

W
consideramos un
promedio de clientes expresado de la siguientes manera:
Cliente espera en la cola = el trabajo del sistema cuando el cliente llega + el
tiempo de espera por el cliente cuando este pasa a su
puesto
Utilizando el proceso de Poisson, podemos resumir lo anterior de la siguiente manera:
[ ]
B q
W E V W +
donde
B
W
es el tiempo de espera del cliente para llegar al puesto.
Para determinar la probabilidad del promedio de clientes que pueden llegar de un
puesto con tamao j debemos definir lo siguiente: Sea L un nmero mayor entonces el
primer M puestos aproximadamente
j
M
, de tamao j,
1 j
, y de los cuales el nmero
aproximado de clientes legando al puesto esta dado por de
j
jM
en un puesto de tamao
j, la proporcin de llegadas en el primer puesto M esta dada por

j j
jM jM
j
/
Esta proporcin es exactamente para M , por lo que podemos observar que
La proporcin de clientes de un puesto de tamao j =
] [N E
j
j

. Dado esto, se puede

calcular ) (
B
W E , la espera en la cola de los otros clientes mientras que otros
permanecen en el puesto de la siguiente manera:
] [
] [ ] [
N E
j
W E W E
j
j
B B

,
tomando en cuenta que el puesto es de tamao j.
Colas de prioridad
Un sistema de colas de prioridad es uno en el cual los clientes son clasificados y
segn sean clasificados reciben un servicio de prioridad de acuerdo a su clasificacin.
Considerando una situacin en la que lleguen dos clientes con sus respectivas razones
1
y
2
y tiene una distribucin de servicio
1
G y
2
G . Dentro de un sistema sin un
servicio de prioridad conocido por FIFO (first come, first served) donde
2 1
+
tenemos que
) ( ) ( ) (
2
2
1
1
x G x G x G

+
En el sistema donde existe el servicio de prioridad, suponemos que el primer
cliente mencionado tiene prioridad por tanto se dice que el promedio del trabajo esta dado
por
]) [ ] [ 1 ( 2
] [ ] [
2 2 1 1
2
2 2
2
1 1
S E S E
S E S E
V



+

donde
i
S
es la distribucin de
. 2 , 1 , i G
i
Queriendo llegar a calcular el promedio de
espera de un cliente de clasificacin i denota do como
i
Q
W
, necesitamos definir las
siguientes frmulas:
(i)
2
] [
] [
2
i i i
Q i i
i
S E
W S E V

+ donde
i
V es la cantidad promedio del cliente de
clasificacin i en el trabajo
(ii) Si definimos que
2
] [
] [
2
i i i
S
i
Q i i
i
Q
S E
V
W S E V

donde
i
Q
V
es la cantidad promedio del
cliente de clasificacin i en la cola y
i
S
V es la cantidad promedio del cliente
de clasificacin i en el servicio, tenemos que
]) [ 1 ( 2
] [ ] [
1 1
2
2 2
2
1 1 1
S E
S E S E
W
Q

y
]) [ 1 ])( [ ] [ 1 ( 2
] [ ] [
1 1 2 2 1 1
2
2 2
2
1 1 2
S E S E S E
S E S E
W
Q



+

Finalmente obtendramos que

n i
S E S E
S E S E
W
j j
i
i j
n n i
Q
,..., 1 ,
]) [ ... ] [ 1 ( 2
] [ ... ] [
1 1 1
2 2
1 1

+ +

EL MODELO DE G/M/1
El Modelo de G/M/1 asume que el tiempo entre llegadas sucesivas tiene una
distribucin arbitraria G. El tiempo de servicio es una distribucin exponencial con razn
en una servidor simple. La dificultad principal de este sistema es que el nmero de
clientes no es informado de una forma eficiente como para tener espacios en el servidor.
Para resolver este problema debemos definir que
1 , n X
n
donde
n
X el numero en
el sistema de acuerdo a la legada n-nsima.
La probabilidad de transicin en este sistema esta dada por
i j e P
t dG
j
t
t
j i i
j
,..., 1 , 0 ,
0
) (
!
) (
1 ,

donde el nuemero de servidores en cualquier tiempo t es un random de Poisson con

significado t.
El Modelo de G/M/1 ocupado y desocupado
Supongamos que surjan llegadas en un momento en que el sistema esta ocupado o
desocupado. Dado que N es el nmero de clientes atendidos en ese periodo en que el
sistema esta ocupado, por las cadenas de Markov tenemos que
] [
1
N E
es la proporcin
de transicin e que la cadena de Markov cambia a estado 0que es equivalente a que el
sistema este desocupado. Dado esto


1
1 1
] [
0
a
N E
La suma de un sistema ocupado y desocupado puede expresarse como la suma de N
tiempos entre llegadas. Entonces , si i
T
es el tiempo de llegadas despus de que el
sistema esta ocupado
) 1 (
1
] [ ] [

+ Desocupado E Ocupado E
VARIACIONES EN EL SISTEMA M/G/1
MODELO G/M/1
MODELO DE FUENTE FINITA
Consideremos un sistema de m mquinas, cuyos tiempos de trabajo son variables
exponenciales aleatorias independientes con razn . Tras un fallo, la mquina va
instantneamente al departamento de reparaciones, el cual tiene un solo operador. Si el
operador esta libre, comienza a reparar la mquina, de lo contrario la mquina se une a la
cola de mquinas daadas. Cuando una mquina se repara se convierte en una apta para
trabajar, y la reparacin comienza con otra mquina de la cola. Los tiempos de
reparaciones siguientes son variables aleatorias independientes que tienen una funcin
densa g, con media dada por:

0
) ( dx x xg
R

Para analizar este sistema se desarrolla el tiempo de trabajo exponencialmente distribuido

para obtener una cadena de Markov. Dado que el tiempo de reparacin de cada mquina
es independiente, se obtiene la cadena
} 1 , { n X
n . Para determinar la probabilidad de
transicin P
i,j
suponemos que i>0. Para esta cadena obtenemos que,
( ) ( ) ( )

,
`

.
|

0
1 ,
1 dr r g e e
j
j m
P
j i m
r
j
r
j i i

Si i=0, porque la siguiente reparacin no comienza hasta que otra mquina tenga un fallo,
P
0,j
=P
1,j
,
1 m j
Dado que,
1 ,..., 0 , m j
j

, representa las probabilidades de esta cadena de Markov,

su nica solucin es:

1
1
m
o j
j

Dado que este sistema se renueva constantemente, supongamos que el sistema

comienza un nuevo ciclo, obtenemos que:

N
i
i
R B
1
donde, R
i
, i>1, es el nmero de reparaciones en el momento en que el ciclo comienza, N
es el nmero de reparaciones en el tiempo ocupado del ciclo, y B es el largo del periodo
en que el sistema esta ocupado. El tiempo de parada de esta secuencia esta dado por la
ecuacin de Wald:
R
N E B E ] [ ] [
Por otra parte, la media de tiempo en que el sistema esta inactivo esta dado por:
) (
1
] [
m
I E
Por lo tanto, P
B
, la proporcin de tiempo en que el operador esta ocupado, satisface:
[ ]
[ ]
( )

m
N E
N E
P
R
R
B
1
+

Sin embargo, la proporcin de reparaciones completas que deja a todas las mquinas
trabajando, esta dada por:
] [
1
0
N E

Por consiguiente:
( )

m
P
R
R
B
0
+

Si nos enfocamos en una mquina a la que identificaremos como mquina 1, y

tenemos en cuenta que todas las mquinas se fallan a la misma razn y tienen la misma
distribucin de reparacin, entonces:

0
, 1
+

R
R B
R
m
m
P
P
donde P
1,R
es la proporcin de tiempo en que la mquina 1 esta siendo reparada. Si la
mquina 1 tiene intervalos de tiempo alternados en los cuales la mquina trabaja (W), esta
en cola (Q) o se esta reparando (S). Tenemos entonces que la proporcin de tiempo en
que la mquina esta siendo reparada en su prime ciclo n de trabajo-cola-reparacin es:

+ +
n
i
n
i
n
i
i i i
n
i
i
n
S
n
Q
n
W
S
1 1 1
1
Si tenemos en cuenta que
n
y la ley de los nmeros grandes podemos concluir que
la media de W
i
converge a

1
y la de S
i
a
R
, obtenemos que:
R
R
R
Q
P

+ +

1
, 1
donde
Q
es la cantidad promedio de tiempo que la mquina 1 esta en cola cuando se
daa. Por lo que podemos definirla de la siguiente manera:
( )
( )

0
1
1


R
m Q
Si
Q
es igual a W
Q
, para determinar la media del tiempo en que la mquina
daada en la cola, utilizamos:
Q W L
a Q a Q

donde a

es la razn promedio en que una mquina se daa. Utilizamos la frmula

identidad bsica de costo:
R R
r P
1 , 1

donde
1
r
es la razn media en la que la mquina 1 se daa, entonces:

0
1
1
+

R
m
r
Entonces a

es:

0
+
R
m
m
Por lo tanto, el promedio de mquinas en la cola de espera es:

0
0
) 1 (
) 1 (
+

g
g
Q
m
m
m m
L
Entonces:
B Q
P L L +
COLAS DE SERVIDOR MLTIPLE
Sistemas con mltiples servidores u operadores son ms difciles para analizar
que aquellos que tienen un solo servidor.
Sistema de prdida de Erlang
Un sistema de perdida es un sistema de colas en el cual las llegadas que
encuentran a todos los servidores ocupados no entran, lo que significa una prdida para el
sistema. El sistema M/M/k es un sistema de prdida en el cual los clientes llegan de
acuerdo al proceso de Poisson que tiene razn , entre si al menos uno de los k
servidores esta libre, y permanece una cantidad exponencial de tiempo con razn

para
ser atendido. Las ecuaciones balanceadas para este sistema son:
0 1
P P

0
2
1 2
2 2
P P P

,
`

.
|

0
3
21 3
! 3 3
P P P

,
`

.
|

0 1
!
P
k
P
k
P
k
k k

,
`

.
|

Utilizando

k
i
P
0
0, obtenemos:
k i
j
i
P
k
j
j
i
,..., 1 , 0 ,
!
!
0
1

,
`

.
|

,
`

.
|

k i ,
Dado que

1
] [ S E
, donde E[S] es la media de tiempo de servicio, lo anterior se
puede escribir como:
( )
( )
k i
j
S E
i
S E
P
k
j
j
i
,..., 1 , 0 ,
!
] [
!
] [
0
1

Cola M/M/k
La cola de capacidad infinita M/M/k puede ser analizada por la tcnica de
ecuacin balanceada. Lo siguiente se deja para que el lector verifique:

'

,
`

.
|

,
`

.
|

,
`

.
|
>

,
`

.
|

+ +

k i P
k
k
k
k
k
k
k
i
i
i
i
i
P
k
i
k
i
,
!
! !
!
0
1
0

En la misma se tiene que imponer la condicin

k <
.
Cola G/M/k
Supongamos que tenemos k servidores, cada uno de ellos a una razn exponencial

. Sin embargo, permitimos que el tiempo entre las llegadas sucesivas tenga una
distribucin arbitraria G, donde si la distribucin de estado estable existe, se llega a la
condicin de que

k
G
<
1
donde G

la media de G. Para derivar las probabilidades de

la cadena de Markov
} 0 , { n X
n , donde X
n
es el nmero en el sistema en el momento de
la llegada n, utilizamos:
0 , 1
1
+
+
n Y X X
n n n
donde Y
n
, es el nmero de salidas durante el tiempo de llegada entre n y (n+1) llegadas.
Las probabilidades de transicin P
ij
se calculan de la siguiente forma:
Caso 1
1 + >i j
Con probabilidad

1
1
1
0
c
k
i
Con probabilidad

1
1
c
k
i
Este sigue fcilmente que
0
ij
P
.
Caso 2
k i j + 1
En ese caso si una llegada encuentra i en el sistema, luego como i<k la
nueva llegada tambin entrara inmediatamente a servicio. Si la siguiente llegada
encuentra j si de i+1 servicios i+1-j son completados en el tiempo entre llegadas,
el cual si es condicionado se obtiene:
( ) ( ) ( ) t dG e e
j
i
P
j
t
j i
t
ij

+

,
`

.
| +

1
0
1
1
Caso 3
k j i +1
En sta caso todos los servidores estn ocupados y la salida es un proceso
de Poisson con razn
k
. Condicionando nuevamente el tiempo entre llegada
tenemos:
( )
( )
( )

0
1
! 1
t dG
j i
t k
e P
j i
t k
ij

Caso 4
j k i +1
En este caso mientras todos los servidores estn ocupados, la salida es un
proceso de Poisson, esto sigue que el intervalo de tiempo en el que solo hay k en
el sistema tendr una distribucin gama con parmetros
k k i , 1 +
.
Condicionando primero el tiempo entre llegadas y luego en el tiempo en que solo
hay k en el sistema obtenemos:
( )
( )
( )
( )
( )
( )
( )

,
`

.
|

0 0
!
1
t
k i
s k
j
s t
j k
s t
ij
t dsdG
k i
s k
e k e e
j
k
P

Si sustituimos directamente en la ecuacin

i
ij i k
P
o en la cadena
de Markov
,... 1 , 0 ,
1

+
j c
j
j k

, cuando
k j >
, obtenemos que:
( )
( )

0
1
t dG e
t k

Por lo tanto si W
Q
es la cantidad de tiempo que el cliente esta en cola,
entonces:
( ) ( )

'

1
, 0
k Exp
W
Q
Cola M/G/k
En esta cola se considera que los clientes llegan a la razn de Poisson y que
son atendidos por cualquier servidor k, cada uno de los cuales tienen una distribucin de
servicio G. Comenzamos con la identidad bsica:
[ ]
[ ]
2
2
S E
W S E V
Q

+
luego intentamos derivar una segunda ecuacin que relacione V con W
Q
.
Si consideramos una llegada arbitraria, obtenemos:
Trabajo en el sistema cuando llega un cliente=ktiempo que el cliente esta en la
cola+R
donde R es la suma del tiempo de servicio que falta de todos los clientes en servicio al
momento en que entre nuestra llegada. Tomando en cuanta las expectativas de la primera
ecuacin descrita en esta seccin y utilizando las llegadas de Poisson, tenemos que:
[ ] R E kW V
Q
+
Utilizando esto podemos calcular una aproximacin para W
Q
cuando este tiene una
distribucin de servicio gama, dado por:
[ ] [ ] ( )
( ) [ ] ( )
[ ] ( ) [ ] ( )
]
]
]

1
0
2
1 2
!
! 1 2
k
n
n
k k
Q
S E
n
S E
S E k k
S E S E
W

EJEMPLO
1. Suponga que los clientes llegan a una razn de Poisson de 1 por cada 12 minutos,
y que el tiempo de servicio es exponencial a una razn de 1 servicio por 8
minutos. Determine L y W.
a. Solucin:
i. Dado que
12
1

y
8
1

, tenemos que
2
12
1
8
1
12
1

L
24
12
1
2

L
W
Por lo tanto la media de clientes en el sistema es 2 y el tiempo
medio que un cliente est en el sistema es de 24 minutos.
Bibliografa
Ross, Sheldon M. (2000). Introduction to Probability Models. Seventh Edition. Academic
Press. Pgs. 427-495.
Documentos obtenidos de la Web como referencia:
http://es.wikipedia.org/wiki/Teor%C3%ADa_de_colas
http://www.monografias.com/trabajos18/teoria-colas/teoria-colas.shtml