Professional Documents
Culture Documents
Introducci
on
N (t)
t
1.1
Sea X(t) el n
umero de clientes en el sistema en el tiempo t, y sea Pn , n > 0
definido por:
Pn = lim P {X(t) = n}
t
El Modelo G/M/1
El modelo G/M/1 asume que el tiempo entre llegadas sucesivas poseen una
distribucion arbitraria G. El tiempo de servicio se distribuye exponencialmente con razon m y existe solo un servidor.
La dificultad en el analisis de este problema se basa en el hecho de que el
n
umero de clientes en el sistema no son suficientes para servir como espacio
de estado. Se necesita conocer el n
umero en el sistema y el tiempo que
ha pasado desde la u
ltima llegada. Para abordar este problema se debera
mirar al sistema cuando el cliente llega; entonces definamos Xn , n 1 por:
Xn el n
umero en el sistema como se ve en la llegada n-esima.
El proceso {Xn , n 1 } es una cadena de Markov. Para calcular las
probabilidades de transicion Pij , primero hay que notar que, a medida de
que existan clientes para ser servidos, el n
umero de servicios en cualquier
tramo de tiempo es una variable aleatoria de Poisson con esperanza t. Esto
Pi,i+1j =
et
(t)j
dG(t)
j!
j = 0, 1, ..., i
ya que si en una llegada encuentra i en el sistema, entonces en la proxima
llegada encontrara i+1 menos el n
umero servido, y la probabilidad de que j
sea servido facilmente se ve que iguala el lado derecho de arriba ( a traves del
condicionamiento en el tiempo entre llegadas sucesivas). La formula para
P0 (la probabilidad de que al menos i+1 eventos de Poisson ocurren en un
tiempo aleatorio teniendo distribucion G) es un poco diferente y pude ser
obtenido como:
Pi0 = 1
i
X
Pi,i+1j
j=0
i Pik
,k0
X
k = 1
R t (t)i+1k
i=k1 i 0 e
(i+1k)! dG(t)
k1
(1)
k = 1
c k .
c k = c
=c
t k1
e
0
et
i=k1
(t)i+1k
dG(t)
(i + 1 k)!
X
(t)i+1k
i=k1
(i + 1 k)!
dG(t)
(2)
Sin embargo,
X
(t)i+1k
(i + 1 k)!
i=k1
X
(t)j
j=0
j!
= et
y la ecuacion 2 se reduce a:
k
k1
et(1) dG(t)
et(1) dG(t)
(3)
k = 1
k = 1
o
c=1
Como k es la u
nica solucion de (1), y k = (1 ) k satisface, entonces
:
k = (1 ) k , k 0
donde es la solucion de la ecuacion (3), donde los valores de son
obtenidos numericamente.
Como k es la probabilidad lmite en que una llegada ve k en el sistema
cuando un cliente llega. Entonces:
P
W = k E[tiempo en el sistemallegada ve k](1 ) k
=
Xk+1
(1 ) k
X
0
1
(1 )
kxk =
x
(1 x)2
WQ = W 1 = (1)
L = W = (1)
LQ = WQ = (1)
(4)
xdG(x)
0
Por lo tanto:
W es exponencial con razon (1 ),
(
WQ
0
con probabilidad 1 -
exponencial con razon (1 ) con probabilidad
ak 1k 1
Luego,
Pk =
y, como P0 = 1
k=1 Pk
(1 ) k1 k 1
obtenemos:
P0 = 1
2.1
1
1
=
a0
1
Tambien, como el proximo perodo ocupado comienza despues de la llegada N-esima, entonces el tiempo de ciclo(es decir, la suma de los perodos
ociosos y ocupados) es igual al tiempo hasta la llegada N-esima. En otras
palabras, la suma de los perodos ocupados y ociosos puede ser expresado
como la suma de los tiempos de N llegadas. Por lo tanto, si Ti es el timepo
de llegada i-esima despues que el perodo ocupado comienza, entonces
N
X
E[Ocupado] + E[ocioso] = E[
Ti ]
i=1
= E[N ]E[T ]
=
1
(1 )
Ademas se tiene:
1 P0 =
y como P0 = 1
E[ocupado]
E[Ocioso] + E[ocupado]
E[ocioso] =
1
(1 )
(1 )
(5)
El Modelo G/M/k
En este modelo se suponen k servidores, los cuales sirven con una razon
exponencial . Sin embargo, no se permite que el tiempo entre llegadas
sucesivas tenga distribucon arbitraria. Para asegurar que existe una distribucion de estado estable, se asume las condiciones 1/G < k donde G
es la media de G
Si se define Xn como el n
umero en el sistema en el momento de la n-esima
llegada, entonces:
Xn+1 = Xn + 1 Yn
n0
donde Yn es el n
umero de salidas durante los tiempos llegadas entre la
llegada n y la n+1. Por lo que las probabilidades de transicion se pueden
calcular como:
Caso 1: j > i + 1 entonces Pij = 0
Caso 2: j i + 1 k
En este caso si una llegada ve i en el sistema, entonces como i < k,
entonces la nueva llegada entrara inmediatamente al servicio. Por esto,
la proxima llegada encontrara j si los i+1 servicios, exactamente i+1-j
son completados durante los tiempos entre llegadas. Condicionando
sobre los tiempos entre los tiempos entre llegadas, nos lleva a:
Pij = P {i+1j de i + 1 servicios son completados entre los tiempos de llegadas
Z
=
0
t i+1j t j
(i+1
)
(e ) dG(t)
j )(1 e
donde la u
ltima igualdad se debe a que el n
umero de servicios completados en un tiempo t tiene una distribucion binomial.
Caso 3: i + 1 j k
Para evaluar Pij en este caso, primero vemos que cuando todos los
servidores estan ocupados, el proceso de partida es un proceso de Poisson con razon k. Por esto, condicionando sobre los tiempos entre las
llegadas se tiene:
Pij = P {i + 1 j departures}
=
0
=
0
ekt
(kt)i+1j
dG(t)
(i + 1 j)!
Caso 4: i + 1 k > j
En este caso, como todos los servidores se encuentran ocupados, el
proceso de partida es un proceso de Poisson, entonces el tiempo para
que existan solo k en el sistema tendra una distribucion gama con
parametros i + 1 k, k (el tiempo hasta el evento i + 1 k de un
proceso de Poisson con razon k ocurre si tiene una distribucion gama
con parametros i + 1 k, k). Condicionando primero en el tiempo
entre llegadas hasta cuando existan solo k en el sistema, entonces:
Z
Pij =
Z t
=
0
Z t
=
0
(ks)ik
dsdG(t)
(i k)!
(ks)ik
dsdG(t)
(i k)!
donde la u
ltima igualda se debe a que como k personas en servicios
en el tiempo s, el n
umero cuyo servico terminara en el tiempo t es
binomial con parametros k y 1 e(ts) .
Ahora se puede verificar que las probabilidades lmites de esta cadena
de Markov es de la siguiente forma:
k1+j = c j , j=0,1,. . .
Sustituyendo dentro de la ecuacion j =
da que esta dado por:
i i Pij
ekt(1) dG(t)
Los valores de 0 , 1 , 2 , . . ., k2 , puede ser obtenido resolviendo recursivamente las primeras k-1 ecuaciones del estado estacionario, y c
P
puede ser calculado usando
0 i = 1
Si WQ denota el tiempo que un cliente pasa en la cola, entonces:
(
WQ
c
0
con probabilidad k1
i = 1 1
0
P
c
Exp(k(1 )) con probabilidad
k i = 1 1