Teora de Colas

Modelo G/M/1 y G/M/k

Rodrigo Salas Fuentes <rsalas@inf.utfsm.cl>
Universidad Tecnica Federico Santa Mara
Departamento de Informatica
Profesor: Hector Allende

Introducci
on

En este trabajo se estudia el modelo mediante el cual los clientes llegan a

los servidores en forma aleatoria. Cuando llegan deben esperar en una cola
hasta que son servidos, una vez servidos se supone que ellos dejan el sistema.
Se considera el modelo con tiempo de servicio exponencial, pero el tiempo
entre llegadas de los clientes tienen una distribucion arbitraria.
Algunos definiciones basicas de colas son las siguientes:
L : es el n
umero promedio de clientes en el sistema.
LQ : es el n
umero promedio de clientes esperando en la cola.
W:tiempo promedio que el cliente pasa en el sistema.
WQ : tiempo promedio que el cliente pasa esperando en la cola.
Razon promedio a la cual el sistema gana=a monto promedio que paga
un cliente entrante.
a es la razon promedio de llegada de un cliente entrante.
N(t): es el n
umero de clientes que llegan en un tiempo t.
Luego se tiene lo siguiente:
a = lim

N (t)
t

Si se supone que cada cliente paga $1 por unidad de tiempo en el sistema,

entonces tenemos la formula de Little:
L = a W
Similarmente, si se paga $1 cuando se encuentra en la cola:
LQ = a WQ
Luego, el n
umero de clientes en servicio = a E[s] donde E[s] es definido
como el tiempo promedio que un cliente gasta en servicio.

1.1

Probabilidades de Estado Estacionario

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

Donde Pn es la probabilidad a largo plazo de que habra exactamente

n clientes en el sistema. Alguna veces se denomina como probabilidad de
estado estacionario de exactamente n clientes en el sistema.
Ademas se tiene:
an = proporcion de clientes que encuentran n en el sistema cuando
ellos llegan.
dn =proporcion de clientes que dejan atras n en el sistema cuando
ellos se van.

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

se debe a que el tiempo entre servicios sucesivos es exponencial, por lo tanto,

el n
umero de servicios constituyen un proceso de Poisson. Es decir,
Z

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

Las probabilidades lmites k , k=0,1,..., puede ser obtenido como solucion

u
nica de:
k =

i Pik

,k0
X

k = 1

la cual en este caso se reduce a:

k =

R t (t)i+1k
i=k1 i 0 e
(i+1k)! dG(t)

k1

(1)

k = 1

Para resolver la ecuacion (1), intentemos una solucion de la forma k =

Se sustituye en (1), y luego se obtiene lo siguiente:

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)

La constante c puede ser obtenida de

X

k = 1

, lo cual implica que:

c

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

Ya que si una llegada ve k, entonces el gasta k+1 perodos de servicios en

el sistema.
=
Ya que se usa

X
0

1
(1 )

kxk =

x
(1 x)2

WQ = W 1 = (1)

L = W = (1)

LQ = WQ = (1)

(4)

donde es el recproco del intervalo de tiempo medio. Esto es:

1
=

xdG(x)
0

Por lo tanto:
W es exponencial con razon (1 ),
(

WQ

0
con probabilidad 1 -
exponencial con razon (1 ) con probabilidad

donde W y WQ es el tiempo que el cliente pasa en el sistema y en la

cola, respectivamente.
Sin embargo, ak = (1 ) k es la probabilidad que una llegada vea k
en el sistema, no es igual a la proporcion de tiempo durante el cual hay k
en el sistema, ya que el proceso de llegada no es Poisson. Para obtener Pk ,
primero hay que ver que la razon por la cual el n
umero en el sistema cambia
de k-1 a k debe ser igual a la razon a la cual cambia de k a k-1. Luego, la
razon a la cual cambia de k-1 a k es igual a la razon de llegada multiplicado
por la proporcion de llegadas que encuentran k-1 en el systema. Esto es:
La razon en la cual el sistema va de k-1 a k = ak 1
De forma similar, la razon por la cual el n
umero cambia en el sistema
de k a k-1 es igual a la proporcion de tiempo durante el cual existe k en el
sistema multiplicado por la razon de servicio (constante). Esto es:
La razon en la cual el sistema va de k a k-1 = Pk
Calculando estas razones, nos lleva a:
Pk =

ak 1k 1

Luego,
Pk =
y, como P0 = 1

k=1 Pk

(1 ) k1 k 1

obtenemos:
P0 = 1

2.1

Los perodos ociosos y ocupados del G/M/1

Supongase que una llegada ha encontrado el sistema vaco (entonces comienza

el perodo ocupado), y sea N el n
umero de clientes servidos en el perodo
ocupad9o. Como la llegada N-esima encontrara tambien el sistema vaco,
entonces N es el n
umero de transiciones en la cadena de Markov para ir del
estado 0 al estado 0. Por lo tanto, 1/E[N] es la proporcion de transiciones
que toma a la cadena de Markov en el estado 0; o equivalentemente, es la
proporcion de llegadas que encuentran el sistema vaco. Por lo tanto,
E[N ] =

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]

y reemplazando con (5), entonces:

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

P {i+1j de i + 1 son completados | el tiempo entre llegadas t}dG(t)

=
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}

P {i + 1 jsalidas en el tiempo t}dG(t)

=
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 =

P {i + 1 j salidas en el tiempo t}dG(t)

Z t

=
0

P {i+1j salidas en el tiempo t|Tk = s}keks

Z t

=
0

(kj )(1 e(ts) )kj (e(ts) )j keks

(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

cuando j > k nos

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

donde Exp(k(1 )) es una variable aleatoria exponencial con razon

k(1 )