2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K


Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "2. Modelo de colas poissoniano con un servidor M/M/1. 3. Modelo con un servidor y capacidad finita M/M/1/K"

Transcripción

1

2 CONTENIDOS 1. Introducción a las colas poissonianas. 2. Modelo de colas poissoniano con un servidor M/M/1 3. Modelo con un servidor y capacidad finita M/M/1/K 4. Modelo con varios servidores M/M/c. Fórmula C de Erlang 5. Modelo con infinitos servidores M/M/

3 1. Introducción a los modelos de colas poissonianos Las colas poissonianas (o exponenciales o markovianas) son modelos del tipo M/M, con llegadas de Poisson y servicio exponencial, que son las más estudiadas analíticamente. Las llegadas de clientes y su servicio demandado son completamente aleatorios en el sentido de que la evolución del sistema depende sólo de su estado actual, y no de su pasado. Los procesos de nacimiento y muerte introducidos sirven para describir muchos modelos de colas. Asociaremos el término nacimiento con la llegada de un cliente al sistema y el término muerte con la salida de un cliente del sistema después de completado su servicio. El número de clientes en el sistema en el instante t, N(t), indica el estado del mismo. Estudiaremos el comportamiento de las probabilidades p n (t) en el límite π n = lim t p n (t), que indica la proporción de tiempo que el sistema permanece con n clientes.

4 La solución de equilibrio (tema 11) se obtenía de las ecuaciones que igualaban las tasas de entrada y salida de cada estado, dando lugar a (10.1) Para que exista dicha solución de equilibrio se debe satisfacer que ocurre si existe un n 0 tal que n > n 0, λ n / µ n < 1. Por tanto, con los diversos λ n, µ n que se tendrán dependiendo del modelo en estudio, las ecuaciones de S 1 y S 2 servirán para buscar las condiciones bajo las que existe solución de equilibrio π n, mientras que con las ecuaciones de π 0 y π n obtendremos dicha solución.

5 2. Modelo de colas poissoniano con un servidor M/M/1 En este modelo se dispone sólo de un canal para dar servicio, las llegadas siguen un proceso de Poisson y la distribución del tiempo de servicio es exponencial. Así, las tasas de nacimiento y muerte no dependen del número de clientes en el sistema y λ n = λ, n = 0,1,2,... µ n = µ, n = 1,2,3,... La capacidad del sistema es ilimitada y la disciplina de la cola es FIFO. La siguiente figura representa el diagrama de transición

6 que conduce al sistema de ecuaciones en equilibrio

7 Sustituyendo las expresiones de los π i en la última ecuación y despejando π 0 obtenemos (teniendo en cuenta que el factor de utilización es ρ = r = λ/µ): que corresponde a una distribución geométrica de parámetro 1- ρ. La serie de S 1 converge si y sólo si ρ < 1. La segunda condición (S 2 ) se satisface si ρ 1. Luego, la condición necesaria y suficiente para que un modelo M/M/1 tenga solución de equilibrio, es que ρ<1, que es la condición de estabilidad.

8 Por tanto, la probabilidad de que el canal esté ocupado es P(canal esté ocupado) = 1 - π 0 = 1 - (1 - ρ) = ρ La probabilidad de encontrar al menos n de clientes en el sistema

9 Medidas de rendimiento Comenzando por el número medio de clientes en el sistema, L, y en la cola, L q. Se tiene La sexta igualdad se debe a que las operaciones de suma y diferenciación pueden intercambiarse cuando las funciones implicadas se comportan lo suficientemente bien. Otra expresión equivalente, en función de λ y µ, es ρ = λ /µ. ya que

10 L también podía haberse deducido directamente por tener N distribución geométrica. Nótese que L, como función de ρ, tiene una asíntota vertical en ρ=1, lo que indica el dramático comportamiento del número medio de clientes en el sistema según nos acercamos hacia la violación de la condición de estabilidad. Aparte de la media que acabamos de calcular de la variable N, podemos obtener su varianza, a partir de la distribución geométrica Calculamos el número medio de clientes en la cola L q mediante

11 que en términos de λ y µ es Nótese que la igualdad L q = L - (1 - π 0 ) es general para cualquier cola con un servidor y dando servicio de uno en uno, ya que para obtenerla no se ha utilizado el tipo de distribuciones de los tiempos entre llegadas o de servicio. Otra relación entre L y L q es Recordemos que siempre N = N q + N s. Pero en el modelo que estamos tratando, si N 1, entonces N = N q + 1, mientras que en general L L q +1, ya que L y L q son medias y hay momentos en los que el servidor está desocupado. Además, por las fórmulas de Little el número medio de clientes en el servidor L s = λw s = ρ. Calculamos el tamaño esperado de la cola cuando hay cola, denotado como L q = E(N q N q >0). Como la probabilidad condicionada de n clientes en el sistema dado que la cola no está vacía,

12 π n = P(n clientes en el sistema n 2) = P(n clientes en el sistema, n 2)/P(n 2) = π n / (1- π 0 - π 1 ) = π n / ρ 2, para n 2, se llega a En general, dadas dos v.a. X e Y, se verifica que E(X) = E Y [E(X Y)]. Esto nos ofrece un camino alternativo para obtener L q a partir de L q de donde

13 Ejemplo. En un pequeño servidor el tiempo de procesamiento por trabajo se distribuye exponencialmente con un tiempo medio de 3 minutos. Los trabajos llegan aleatoriamente cada 4 minutos en media. Los trabajos se procesan con la disciplina FIFO. Calculemos primero las tasas de nacimiento y muerte: λ = 1/4 trabajos/minuto, µ = 1/3 trabajos/minuto. Luego, el factor de utilización es ρ=λ/µ=3/4=0.75<1, que indica que existe solución de equilibrio. Si lo que nos preocupa es la probabilidad de que entre la llegada de dos trabajos consecutivos transcurran más de, digamos, 15 minutos, podemos obtenerla recordando que el tiempo entre llegadas consecutivas es ζ ~ Exp(λ=1/4). Por tanto, dicha probabilidad es P(ζ > 15) = e = Las siguientes probabilidades pueden también ser de interés

14 Es decir, sólo el 25% de los trabajos pasarán inmediatamente a recibir servicio y el 56.25% encontrarán cola al llegar. Por otra parte, el número medio de trabajos en el sistema, L, y en cola, L q, es L = ρ/(1-ρ) = 0.75/0.25 = 3 trabajos y L q =ρ L = 2.25 trabajos. La varianza de la v.a. N es σ N 2 = 12, por tanto, podemos decir que N es una v.a. discreta con valores 0,1,2,... y probabilidades respectivas π 0, π 1, π 2,..., media 3 y varianza 12. El número medio de trabajos en cola, cuando hay cola, es L q =1/(1- ρ)= 4 trabajos. El dramático comportamiento de L según ρ 1 puede observarse cuando aumenta ρ, bien porque aumenta la tasa de llegadas o bien porque disminuye la de servicio. Así, si aumentase un 25% siendo trabajos/hora, elevaría ρ hasta y en consecuencia L = 15 trabajos, que es cinco veces la que se tenía anteriormente.

15 Tiempos de espera Sólo resta estudiar los tiempos de espera del modelo M/M/1. Obtendremos no sólo las medias W y W q, sino también las distribuciones de probabilidad de las v.a. w y q. Las medias se calculan fácilmente por las fórmulas de Little: Nótese que como dijimos para L, W tiene también un comportamiento dramático según ρ tiende a 1. Ahora queremos calcular el tiempo medio de espera en cola para aquellos clientes que deben esperar.

16 Como se tiene Esta cantidad interesa porque un tiempo medio de espera aceptable puede deberse a que muchos clientes no tienen que esperar, pero los que esperan lo hacen durante mucho tiempo. Como W = W q + E(s), tenemos que E(q q > 0) = W q + E(s), lo que indica que, en media, los clientes que tienen que esperar en cola esperan más que lo que un cliente medio espera, ya que espera un tiempo medio de servicio, E(s), más.

17 Para hallar la distribución de la variable aleatoria q, nótese primero que tiene un punto (t = 0) con probabilidad positiva: P(q = 0) = P(N = 0) = 1 - ρ. Por otra parte, si al llegar el cliente encuentra n personas en el sistema (una de ellas en el servidor), tendrá que esperar a que todas se sirvan. Así, el tiempo de espera en cola es la suma de las variables aleatorias "tiempo de servicio del cliente i ", i =1,...,n, q = s 1 + +s n en donde s i son independientes e idénticamente distribuidas según una exponencial de parámetro µ. Debemos recordar que por la pérdida de memoria de la distribución exponencial, no hace falta tener en cuenta el tiempo de servicio ya consumido por el cliente que actualmente está sirviéndose. Por la reproductividad de la distribución gamma, q N=n sigue una distribución gamma de parámetros p = n, a = µ (en este caso es Erlang, al ser p entero).

18 Por el teorema de la probabilidad total se tiene Luego, la función de distribución de q es Esta expresión es válida para todo t, aunque q sea discreta en el origen y continua para t > 0.

19 Análogamente, calculamos la distribución de la v.a. w. Si cuando llega un cliente ya hay n en el sistema, éste tendrá que estar en el sistema un tiempo total igual a la suma de n + 1 v.a.i.i.d. según una ley exponencial de parámetro µ. Así, la distribución de w será una gamma de parámetros p = n+1, a = µ. Variando n, por el teorema de la probabilidad total: Es decir, w sigue una distribución exponencial de parámetro µ(1 ρ ) = µ λ = 1/W.

20 Ejemplo. Analizar los tiempos en el sistema y en la cola para el ejemplo anterior. Además, supongamos que se decide aumentar la capacidad del servidor cuando la carga de trabajo llegue a un nivel tal que el tiempo medio en el sistema alcance los 30 minutos. Determinar la tasa media de llegada de trabajos a la que ocurrirá esto. Repetir el cálculo si el criterio para aumentar la capacidad del servidor fuese que no más del 10% de los trabajos empleen más de 45 minutos en el sistema. Del ejemplo anterior sabemos las tasas de nacimiento y muerte son λ = 1/4 trabajos/min, µ = 1/3 trabajos/min, respectivamente, por lo que ρ = λ / µ = 3/4 = Sabemos que W = E(s)/(1-ρ) = 3/(1-0.75) = 12 minutos, y W q = ρ W = 9 minutos. El tiempo medio de espera en cola de los programas que tienen que esperar es E(q q > 0)= W =12 minutos. Además, al conocer las distribuciones de probabilidad de q y w podemos preguntar por distintas probabilidades de espera o permanencia en el sistema. Por ejemplo, la probabilidad de que un trabajo tenga que esperar en la cola más de 20 minutos es P(q > 20) = 1- P(q 20) = 1- (1- ρ e t/w ) = ρ e t/w = 0.75 e -20/12 =

21 La probabilidad de permanecer en el sistema más de 20 minutos es P(w > 20)= 1 - P(w 20)= 1- (1- e t/w ) = e t/w = e -20/12 = Luego, más del 14% de los programas estarán en la cola más de 20 minutos y casi el 20% no saldrán del sistema en menos de 20 minutos. Según indica el enunciado, se decide aumentar µ cuando W sea 30 minutos debido a un aumento de la carga de trabajo ρ por aumentar λ. Para hallar el valor de para el que esto ocurrirá, resolvemos El segundo criterio para aumentar la capacidad del servidor exige que P(w > 45) P(w 45) (1 - e -45/W ) 0.1 e -45/W /W ln (0.1) W 19.54

22 que representa un incremento del 12.86% sobre la actual tasa de llegadas. Ahora, los tamaños medios L y L q pasan a ser 5.51 y 4.67 trabajos, respectivamente, suponiendo incrementos del 83.3% y 207.5%, que son menores que anteriormente (L= 3 trabajos y L q = 2.25 trabajos). El tiempo medio en el sistema es W = 19.5 minutos.

23 Ejemplo. En una compañía se acaba de montar una red local y se observa que la caída de cada componente se produce según un proceso de Poisson con tasa media de 2 por hora durante las 8 horas de trabajo diario. La compañía está considerando contratar los servicios de mantenimiento de dos candidatos. El tiempo que emplea el primero en restaurar la red depende del problema encontrado, pero se ajusta a una distribución exponencial con una tasa media de 4 componentes por hora, con unos costes por su servicio de 30 euros por hora. El segundo candidato actúa con un tiempo de mantenimiento exponencial con una tasa media de 6 componentes por hora, cobrando 50 euros por hora. Encontrar el mejor candidato, sobre una base diaria, si el coste de un componente fuera de servicio es de 36 euros por hora. Se tiene una tasa λ = 2 caídas/hora. El modelo M/M/1 para el primer candidato verifica µ 1 = 4 componentes/hora, por lo que ρ 1 =0.5. En un día, esta persona cobrará en media = 120 euros, ya que los dos primeros factores dan el número de horas que trabaja.

24 Además, hay que contar el coste diario por tener los componentes fuera de servicio, que se calculará como el producto del coste de cada hora (36 euros), el número medio de componentes que hay que mantener en un día (8 2) y el tiempo medio que pasa cada uno caído (W = E(s)/(1-ρ) = (1/4)/0.5 = 0.5 horas/ componente). Es decir, = 288 euros/día. El coste total es 408 euros/día. Con el segundo candidato, µ 2 = 6 componentes/hora, por lo que ρ 2 = 2/6. El coste por su servicio es, en media, de 2/ = euros/día. El coste diario por tener componentes fuera de servicio es de = 144 euros, suponiendo un coste total de euros/día, más barato que con el primer candidato.

25 3. Modelo M/M/1/K: Capacidad K finita del sistema Se admite a lo sumo un número K de clientes en el sistema, de forma que no se permiten más entradas en el sistema si se alcanza tal cota, siendo rechazadas. Así, las tasas de nacimiento y muerte dependen del número de clientes en el sistema y su diagrama de transición es

26 El sistema de ecuaciones en equilibrio es: Resolviéndolo se obtiene:

27 Sumando todas las ecuaciones, como tiene que K n = 0 π n =1, pues π n =0 para n > K, se Por tanto, si λ µ, Puede comprobarse usando las expresiones de S 1 y S 2 que en este modelo existe solución de equilibrio para todo λ y µ, incluso para λ µ. El truncamiento del sistema a K clientes lo explica, pues el sistema nunca se desborda ni crece indefinidamente al rechazar a los clientes que llegan cuando está lleno (la cadena de Markov asociada es irreducible y finita y, por tanto, ergódica).

28 Si λ = µ, la distribución de probabilidad del número de clientes en el sistema es uniforme Si eliminásemos el truncamiento, es decir K, cuando λ < µ las expresiones de π n se convierten en las obtenidas para el modelo M/M/1.

29 Medidas de rendimiento Comenzamos con el número medio de clientes en el sistema. Para λ = µ, que ya esperábamos por ser uniforme. Para λ µ, siendo u = λ/µ,

30 que también puede expresarse como donde el primer sumando es la expresión de L del modelo M/M/1. Por tanto, el número esperado de clientes en el sistema M/M/1/K es siempre menor que en el M/M/1, haciéndolo más eficiente. Como para todo λ y µ se tiene entonces L q = L L s = L - (1 - π 0 ). En este modelo se rechaza a los clientes que llegan cuando ya hay K en el sistema (K-1 en la cola), lo que ocurre con probabilidad π K.

31 Luego, la probabilidad de que al llegar un cliente entre en el sistema es 1-π K, representando la proporción de tiempo que el sistema no está saturado o la proporción de clientes que llegan que realmente entran en el sistema. Así, la tasa media de entradas al sistema o paso a través del sistema, λ e = λ, se define como La utilización verdadera del servidor, ρ, probabilidad de que el servidor esté ocupado, ya no es u = λ/µ y de ahí que lo hayamos etiquetado u en vez de r, sino

32 Tiempos de espera Entendiendo por clientes en el sistema aquellos que entran en el sistema, podemos aplicar las fórmulas de Little para conseguir los tiempos medios en el sistema y en la cola W =L / λ e W q = L q / λ e Para obtener el tiempo medio de espera en cola para aquellos clientes que deben esperar, hacemos como en el modelo M/M/1, E(q q > 0) = W q /ρ = W q /(1- π 0 ). El proceso de obtención de las distribuciones de los tiempos q y w es más complejo que en el modelo M/M/1. Como hicimos entonces, utilizaremos el teorema de la probabilidad total, pero ahora condicionando a la v.a. N e, que cuenta el número de clientes en el sistema cuando entra un cliente en él.

33 Denotamos con q n =P(N e =n), n=0,1,2,...,k-1, la probabilidad de que un cliente que entra en el sistema encuentre n clientes en él, que por el teorema de Bayes es Nótese que en este modelo la entrada no es una verdadera Poisson, p n q n, y λ n = λ para n K-1 pero λ n = 0 para n K, a diferencia de lo que ocurría en el M/M/1. Así, para t 0,

34 donde (igualdad debida a la relación entre las distribuciones de Erlang y Poisson) es la función de distribución de Poisson de parámetro µt en el punto n, que puede obtenerse a partir de las tablas de dicha distribución. De forma similar

35 Ejemplo. Un servidor de Internet tiene una velocidad de transmisión de 1600 caracteres por segundo para atender las peticiones que le llegan, que lo hacen según un proceso de Poisson con una velocidad media de 300 peticiones por minuto. La longitud de cada petición puede aproximarse a una distribución exponencial de media 280 caracteres por petición. Calcular las principales medidas estadísticas de eficiencia del sistema suponiendo que: a) Se dispone de un número ilimitado de buffers; y b) El número de buffers es 14. Son suficientes 14 buffers para que la probabilidad de que el sistema esté completo no supere el 1%? En caso negativo, encontrar el número de buffers necesarios.

36 En a) el modelo es M/M/1 con λ=300 peticiones/minuto, es decir, 5 peticiones/segundo y µ=(1600 caracteres/segundo)/(280 caracteres/petición)=5.714 peticiones/ segundo. Luego, ρ = 5/5.714 = En b) se propone un sistema M/M/1/15, pues se permiten 14 peticiones encoladas en los buffers más la petición siendo transmitida. El número medio de clientes en el sistema y en la cola son:

37 Los tiempos medios en el sistema y en la cola son: siendo La siguiente tabla recoge compara los resultados obtenidos en el sistema M/M/ 1/15 con el sistema M/M/1:

38 Se observa una mayor eficiencia del modelo M/M/1/15, pero a costa de rechazar un 100π 15 = 1.91% de las peticiones, que deberán intentarlo más tarde o simplemente se perderán, con las consecuentes pérdidas asociadas. Hemos visto que con 14 buffers la probabilidad de que el sistema esté lleno es algo mayor que 0.01, pues es π 15 = Se puede comprobar que hacen falta 19 buffers, ya que π 20 = y π 19 =

39 Ejemplo. Un mecánico tiene un taller en el que sólo caben 4 coches. Los coches llegan según un proceso de Poisson de tasa 3 coches por día. El mecánico tarda en arreglar un coche un tiempo distribuido exponencialmente de media 2 días, si hay 2 o menos coches en total. Cuando hay 3 ó 4 coches, llama a un familiar para que le ayude (ambos arreglan juntos los coches), reduciendo el tiempo medio a 1 día. Encontrar la proporción de tiempo que ambos están ocupados y la proporción de tiempo que trabaja el mecánico. En este sistema hay 5 estados: N =0,1,2,3,4 coches en el taller, pues la capacidad es 4. La tasa de nacimiento es λ n =λ=3 coches diarios, n = 0,1,2,3. Sin embargo, la tasa de muerte depende del número de coches en el taller: µ 1 = µ 2 = 0.5, µ 3 = µ 4 = 1 coches diarios. Éste es un ejemplo en el que el servicio es dependiente del estado. Las ecuaciones de equilibrio son entonces

40 cuya solución es: π 0 =1/475, π 1 =6/475, π 2 =36/475, π 3 =108/475, π 4 =324/475. Así, la probabilidad de que ambos estén ocupados es la probabilidad de que trabaje el familiar, que es π 3 + π Sin embargo, el mecánico trabaja 1 - π del tiempo. π 0 = será la proporción de tiempo en que los dos trabajadores están ociosos. Obsérvese lo alta que es la probabilidad de rechazar los coches que llegan, π 4.

41 4. Modelo M/M/c: c servidores en paralelo Se dispone de c servidores paralelos idénticos, cada uno de los cuales sirve a una tasa de µ clientes por unidad de tiempo. Luego, si los c están utilizándose, la tasa media de salida del servicio es cµ. Cuando hay n < c clientes en el sistema, sólo trabajan n servidores y, por tanto, la tasa de servicio es nµ. Es decir, las tasas de nacimiento y muerte son y su diagrama de transición es

42 El sistema de ecuaciones en equilibrio es: El proceso para alcanzar la solución del sistema es el siguiente:

43

44 Obteniendo finalmente (r = λ/µ es la intensidad de tráfico): y Para obtener π 0 hemos impuesto que el factor de utilización ρ = λ/(cµ) < 1, que es la condición de estabilidad.

45 Una probabilidad de interés en este modelo es la probabilidad de tener que esperar en la cola (todos los servidores están ocupados), es decir, P(N c), que se denota como C(c, r), llamada fórmula C de Erlang: Normalmente, se deja al software (por ejemplo, WinQSB) que calcule los valores C(c,r), si bien tradicionalmente se obtenían de forma aproximada a partir de su representación gráfica (Allen, 1978). Hoy en día es muy sencillo programar estas fórmulas.

46 Medidas de rendimiento Comenzamos calculando L q, por ser más sencillo que L Empleando las fórmulas de Little llegamos a: El tiempo medio de espera en cola para aquellos clientes que deben esperar:

47 A partir de aquí, podemos conseguir expresiones para W y L : Obtengamos las distribuciones de las v.a. q y w. Para q, debemos tener en cuenta que el cliente que no espera en cola (q = 0) es el que al llegar encuentra en el sistema N = n < c clientes. En caso contrario, con n c, la longitud de la cola es n - c y el cliente tendrá que esperar a que se sirvan n-c+1 clientes (el que está siendo servido también cuenta). De este modo, su tiempo en cola es q = s s n-c+1, con s i v.a.i.i.d. según Exp(cµ), que conduce a que q siga una distribución gamma de parámetros p= n-c+1 y a = cµ.

48 Por lo tanto, para t 0

49 En los dos últimos pasos utilizamos que c r = c (1 - ρ). q tiene un punto (t=0) con probabilidad positiva: P(q=0) = P(N < c)=1 - C(c, r). Análogamente, podemos obtener la distribución de w: Obviamente, tomando c = 1, recuperamos las fórmulas del modelo M/M/1.

50 Ejemplo. En una pequeña oficina hay un escáner alquilado para uso de los empleados. Aunque los trabajos a realizar varían en longitud, el tiempo de servicio puede aproximarse a una distribución exponencial con tasa media de 10 trabajos/ hora. En las 8 horas de trabajo diario, las peticiones de uso del escáner llegan aleatoriamente con una tasa media de 5 trabajos/hora. El tiempo del personal se valora en 5 euros por hora. Las quejas recibidas por los empleados sugieren buscar mejoras del sistema actual: Una posibilidad es alquilar un escáner como el actual, a un coste de 11 euros diarios. Otra posibilidad es quedarse sólo con un escáner más rápido, atendiendo 15 trabajos/hora, con un coste de alquiler de 20 euros diarios. El coste medio total al día (C T ) es el coste de alquiler (C A ) más el coste medio por el tiempo perdido por los empleados (C E ). Estudiar la opción más aconsejable.

51 La situación actual corresponde a un modelo M/M/1 con λ=5, µ=10 trabajos/hora, de donde ρ = 0.5. Como Como entonces C E es 40 euros/día, y C T = = 51 euros/día. La posibilidad del escáner rápido cambia el modelo anterior, al tener ahora µ = 15 trabajos/hora, de donde ρ = 1/3 y W = 0.1 horas/trabajo, dando lugar a C E = 20. Como C A = 20, C T1 = = 40 euros/día. Si decidimos utilizar dos escáners como el actual, el modelo es M/M/2, de donde ρ= λ/(cµ) = 5/(2 10)=0.25 y

52 Así, y C T2 = = 43.2 euros/día. Alquilar dos escáners pero ubicándolos en diferentes lugares de la oficina de forma que la mitad de los trabajos llegaran a cada escáner. Es decir, se tendrían dos modelos M/M/1, cada uno con λ = 2.5, µ = 10 trabajos/hora y ρ = 2.5/10 = El tiempo medio en cada sistema sería W = 0.1/0.75 = horas/trabajo. Luego, C T3 = 2( ) = euros/día. Por tanto, debemos elegir alquilar el escáner rápido, que conlleva menores costes y menor tiempo perdido en el sistema.

53 Ejemplo. Una compañía telefónica quiere diseñar un servicio de información de números de teléfono. Desea determinar cuántos operadores contratar para satisfacer los siguientes criterios de diseño: 1. El tiempo medio esperando ser atendido no debe sobrepasar 2 minutos; 2. El 90% de las llamadas deben esperar menos de 2 minutos a que comience el servicio. El tiempo que utilizan los operadores en atender las llamadas sigue un modelo exponencial con un tiempo medio de 4 minutos. Se espera que las llamadas lleguen aleatoriamente con una media de 40 llamadas por hora. Las llamadas que se producen cuando todos los operadores están ocupados quedan a la espera hasta que uno queda libre.

54 En este sistema M/M/c, las tasas son λ = 40 llamadas/hora = 2/3 llamadas/minuto, µ=0.25 llamadas/minuto, con intensidad de tráfico r = 8/3. Para que exista solución de equilibrio, debe ser λ / cµ <1, es decir, c 3 operadores. Los criterios de diseño establecen que W q 2 minutos y P(q 2 minutos) 0.9. Para tres operadores (c=3), sabiendo que C (3, 8/3) = , obtenemos los siguientes valores:

55 En la tabla siguiente mostramos los resultados para varios valores de c. La columna de W q está expresada en minutos. Conforme aumentamos el número de operadores, disminuye la probabilidad C(c,r) de encontrar todos los operadores ocupados y aumenta la probabilidad π 0 de que el sistema esté vacío. Con 4 operadores se satisface el primer criterio, pero para satisfacer además el segundo hacen falta 5 operadores. En ese caso, el factor de utilización es ρ = r/5= 0.533, que indica que en media cada operador permanece ocioso casi la mitad del tiempo. Ése es el precio de un buen servicio que satisface las condiciones de diseño.

56 5. Modelo M/M/ : infinitos servidores El sistema de espera tiene un número ilimitado de servidores, lo que significa que cada cliente que llega es servido inmediatamente. A pesar de no haber competencia ni compartición de recursos, los resultados de este modelo pueden servirnos para estimar cantidades de interés en sistemas con un número c suficientemente grande de servidores. Las tasas de nacimiento y muerte son y su diagrama de transición es

57

58 Se obtiene que la v.a. N sigue una distribución de Poisson de parámetro r = λ/µ, con la condición de estabilidad r < 1. Por tanto, L = λ/µ, que indica el número medio de servidores ocupados. Además, σ N 2 = λ/µ. Como no hay cola, L q = W q = 0. El tiempo medio en el sistema es el tiempo medio de servicio: W = W s = 1/µ (también deducible del resultado de Little W = L/λ). Más aún, la distribución de w es como la de s, exponencial de parámetro µ.

59 Ejercicios. Modelo de colas I Al supercomputador de un centro de cálculo llegan usuarios según un proceso de Poisson con tasa 5 usuarios cada hora. Sabiendo que éstos consumen un tiempo de cómputo aleatorio cuya distribución puede suponerse exponencial de media 10 minutos y que la disciplina de cola es una FIFO, se pide: a) El número medio de usuarios en el supercomputador y esperando para poder utilizarlo. b) Suponiendo que hay usuarios esperando, obtenga el tamaño medio de la cola. c) Si en la sala de espera hay 4 sillas cuál es la probabilidad de que un usuario que llega a la sala tenga que esperar de pie? d) Cuántas sillas se necesitarían para que un usuario al llegar al sistema tenga una probabilidad menor del 10% de esperar de pie? e) Qué porcentaje de usuarios que llegan al servidor lo encuentran desocupado? f) Obtenga el tiempo medio de los usuarios en el sistema y en la cola del mismo. g) Obtenga la probabilidad de que un usuario espere más de una hora.

60 Ejercicios. Modelo de colas II El tráfico en un centro de computación de mensajes, para una de las líneas de salida, llega según un patrón aleatorio de Poisson con un promedio de 240 mensajes por minuto. La línea tiene una velocidad de transmisión de 800 octetos por segundo. La longitud del mensaje es aleatoria con distribución aproximadamente exponencial con longitud media de 176 octetos. Se pide: a) Calcular las medidas estadísticas de las prestaciones del sistema desde el punto de vista del usuario suponiendo un número elevado de buffers para mensajes. b) Suponiendo que se desea colocar solamente buffers para que la probabilidad de que todos estén llenos en un determinado instante sea menor que 0.005, cuántos hay que colocar? Calcular los estadísticos de las prestaciones desde el punto de vista del usuario para esta nueva situación.

SISTEMAS DE COLAS EXPONENCIALES

SISTEMAS DE COLAS EXPONENCIALES UNIVERSIDAD POLITÉCNICA DE MADRID FACULTAD DE INFORMÁTICA SISTEMAS DE COLAS EXPONENCIALES M a ISABEL RODRÍGUEZ GALIANO Madrid, Junio de 2002 Índice Introducción 2 Sistema de Colas M/M/ 3 3 Sistema de Colas

Más detalles

Tema 5: Teoría de colas. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga

Tema 5: Teoría de colas. Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Tema 5: Teoría de colas Ezequiel López Rubio Departamento de Lenguajes y Ciencias de la Computación Universidad de Málaga Sumario Conceptos básicos Cola M M Cola M M c Cola M M k Redes de colas Redes de

Más detalles

Teoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas).

Teoría de Colas. TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). Teoría de Colas TC: Parte de la Investigación Operativa que estudia el comportamiento de sistemas cuyos elementos incluyen líneas de espera (colas). IO 07/08 - Teoría de Colas 1 Teoría de Colas: ejemplos

Más detalles

2 Teoría de colas o líneas de espera

2 Teoría de colas o líneas de espera 2 Teoría de colas o líneas de espera El tráfico en redes se puede modelar con la ayuda de la teoría de colas, es por ello ue es importante estudiarlas y comprenderlas. Existen varias definiciones sobre

Más detalles

Teoría de Colas o Fenómenos de Espera

Teoría de Colas o Fenómenos de Espera Teoría de Colas o Fenómenos de Espera Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Febrero 2011 Introducción 2 Introducción............................................................

Más detalles

np {N q = n N q > 0} = (1 ρ) n=1 = (1 ρ) nρ n 1 = 1 (3.34) P {T q t T q > 0} = P {T q t T q > 0} P {T q

np {N q = n N q > 0} = (1 ρ) n=1 = (1 ρ) nρ n 1 = 1 (3.34) P {T q t T q > 0} = P {T q t T q > 0} P {T q 52 CAPÍTULO 3. SISTEMAS DE ESPERA Luego: P {N q = n N q > 0} = P n+1 2 = (1 ) n 1, n = 1, 2, (3.33) Nótesequelaprobabilidadqueexistan N probabilidadgeométricaconparámetro n 1,locualesigualaladistribuciónprobabilidad

Más detalles

4 Pruebas y análisis del software

4 Pruebas y análisis del software 4 Pruebas y análisis del software En este capítulo se presentan una serie de simulaciones donde se analiza el desempeño de ambos sistemas programados en cuanto a exactitud con otros softwares que se encuentran

Más detalles

EJEMPLOS DE TEORÍA DE COLAS Resolución con Win-QSB

EJEMPLOS DE TEORÍA DE COLAS Resolución con Win-QSB EJEMPLOS DE TEORÍA DE COLAS Resolución con Win-QSB PROBLEMA 1. El Banco Nacional de Occidente piensa abrir una ventanilla de servicio en automóvil para servicio a los clientes. La gerencia estima que los

Más detalles

Ejercicios de Teoría de Colas

Ejercicios de Teoría de Colas Ejercicios de Teoría de Colas Investigación Operativa Ingeniería Informática, UC3M Curso 08/09 1. Demuestra que en una cola M/M/1 se tiene: L = ρ Solución. L = = = = = ρ np n nρ n (1 ρ) nρ n n=1 ρ n ρ

Más detalles

Apuntes de Matemática Discreta 7. Relaciones de Orden

Apuntes de Matemática Discreta 7. Relaciones de Orden Apuntes de Matemática Discreta 7. Relaciones de Orden Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 7 Relaciones de Orden Contenido

Más detalles

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. FUNCIONES DE UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Una de las primeras necesidades que surgen en las Ciencias Experimentales es la de poder expresar los valores

Más detalles

DISEÑO DEL SOFTWARE TRAFFIC ANALYZER. Analyzer. En este capítulo se reporta el desarrollo que se llevó a cabo para realizar el software

DISEÑO DEL SOFTWARE TRAFFIC ANALYZER. Analyzer. En este capítulo se reporta el desarrollo que se llevó a cabo para realizar el software 3 Diseño del Software Traffic Analyzer En este capítulo se reporta el desarrollo que se llevó a cabo para realizar el software que analiza el tráfico en redes de telefonía y computadoras, denominado Traffic

Más detalles

PROBLEMAS DE SIMULACIÓN PARA RESOLVER POR EL MÉTODO DE MONTECARLO.

PROBLEMAS DE SIMULACIÓN PARA RESOLVER POR EL MÉTODO DE MONTECARLO. PROBLEMAS DE SIMULACIÓN PARA RESOLVER POR EL MÉTODO DE MONTECARLO. PROBLEMA 1 A un puerto de carga y descarga de material, llegan durante la noche los barcos, que serán descargados durante el día siguiente.

Más detalles

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08)

Apuntes sobre algunos teoremas fundamentales de análisis complejo, con 20 ejemplos resueltos (2007-08) Variable Compleja I (3 o de Matemáticas) Apuntes sobre algunos teoremas fundamentales de análisis complejo, con ejemplos resueltos (7-8) En estos apuntes, consideraremos las funciones anaĺıticas (holomorfas)

Más detalles

Redes de Comunicaciones

Redes de Comunicaciones Redes de Comunicaciones Ejercicios Tema 3. Teletráfico. Dimensionado de Sistemas Ramón Agüero Calvo Departamento de Ingeniería de Comunicaciones Este tema se publica bajo Licencia: Crea:ve Commons BY-

Más detalles

Repaso de matrices, determinantes y sistemas de ecuaciones lineales

Repaso de matrices, determinantes y sistemas de ecuaciones lineales Tema 1 Repaso de matrices, determinantes y sistemas de ecuaciones lineales Comenzamos este primer tema con un problema de motivación. Problema: El aire puro está compuesto esencialmente por un 78 por ciento

Más detalles

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión:

Usamos que f( p) = q y que, por tanto, g( q) = g(f( p)) = h( p) para simplificar esta expresión: Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 2004-2005 Propiedades de las funciones diferenciables. 1. Regla de la cadena Después de la generalización que hemos

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Modelos de distribuciones discretas

Modelos de distribuciones discretas Tema 4 Modelos de distribuciones discretas En este capítulo estudiaremos las distribuciones discretas más importantes. importancia es doble, por las aplicaciones y por su relevancia conceptual. De nuevo,

Más detalles

Ejemplos y problemas resueltos de análisis complejo (2014-15)

Ejemplos y problemas resueltos de análisis complejo (2014-15) Variable Compleja I (3 o de Matemáticas y 4 o de Doble Titulación) Ejemplos y problemas resueltos de análisis complejo (04-5) Teoremas de Cauchy En estos apuntes, la palabra dominio significa, como es

Más detalles

Redes de Comunicación Extensión del modelo M/M/1. Instructor Dr.-Ing. K.D. HACKBARTH Versión 11. 10. 2012 Universidad de Cantabria

Redes de Comunicación Extensión del modelo M/M/1. Instructor Dr.-Ing. K.D. HACKBARTH Versión 11. 10. 2012 Universidad de Cantabria Redes de Comunicación Extensión del modelo M/M/1 Instructor Dr.-Ing. K.D. HACKBARTH Versión 11. 10. 2012 Universidad de Cantabria 1 Contenido del capítulo Motivación M/G/1 El modelo M/Ek/1 El modelo M/Hk/1

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas

V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas UNIVERSIDAD NACIONAL DE INGENIERÍA UNI-NORTE INVESTIGACIÓN DE OPERACIONES II INGENIERIA INDUSTRIAL E INGENIERIA DE SISTEMAS V Unidad: Teoría de Colas (Líneas de espera) de Espera: Teoría de Colas Maestro

Más detalles

Introducción a la Investigación de Operaciones Facultad de Ingeniería - Universidad de la República Oriental del Uruguay

Introducción a la Investigación de Operaciones Facultad de Ingeniería - Universidad de la República Oriental del Uruguay Introducción a la Investigación de Operaciones Facultad de Ingeniería - Universidad de la República Oriental del Uruguay Procesos Estocásticos de Tiempo Contínuo Práctico Ejercicio 1 Sean X e Y variables

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA IES Fco Ayala de Granada Sobrantes 00 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 00 (Modelo ) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO Sea el recinto del plano definido

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

todas especialidades Soluciones de las hojas de problemas

todas especialidades Soluciones de las hojas de problemas Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Ingeniería Técnica Industrial Métodos estadísticos de la ingeniería Métodos estadísticos de la ingeniería Ingeniería Técnica

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

TEORIA DE COLAS SIMULACIÓN DE SISTEMAS

TEORIA DE COLAS SIMULACIÓN DE SISTEMAS SIMULACIÓN DE SISTEMAS UNIVERSIDAD ALAS PERUANAS FILIAL- ICA Ing. Las LINEAS DE ESPERA, FILAS DE ESPERA o COLAS, son realidades cotidianas: Personas esperando para una caja en un banco, Estudiantes esperando

Más detalles

Subconjuntos destacados en la

Subconjuntos destacados en la 2 Subconjuntos destacados en la topología métrica En este capítulo, introducimos una serie de conceptos ligados a los puntos y a conjuntos que por el importante papel que juegan en la topología métrica,

Más detalles

R PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad

R PRÁCTICA II. Probabilidad-Variables Aleatorias. Probabilidad R PRÁCTICA II Probabilidad-Variables Aleatorias Sección II.1 Probabilidad 15. En el fichero sintomas.dat se encuentran 9 columnas con los resultados de una estadística médica. Cada columna corresponde

Más detalles

1. ESCALARES Y VECTORES

1. ESCALARES Y VECTORES 1. ESCLRES Y VECTORES lgunas magnitudes físicas se especifican por completo mediante un solo número acompañado de su unidad, por ejemplo, el tiempo, la temperatura, la masa, la densidad, etc. Estas magnitudes

Más detalles

Sistemas de vectores deslizantes

Sistemas de vectores deslizantes Capítulo 1 Sistemas de vectores deslizantes 1.1. Vectores. Álgebra vectorial. En Física, se denomina magnitud fsica (o simplemente, magnitud) a todo aquello que es susceptible de ser cuantificado o medido

Más detalles

Gestión Financiera 2º AF 1

Gestión Financiera 2º AF 1 LEY FINANCIERA DE INTERÉS SIMPLE Gestión Financiera 2º AF 1 1.1 Concepto Operación financiera cuyo objeto es la sustitución de un capital presente por otro equivalente con vencimiento posterior, mediante

Más detalles

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde

1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B(1, p), donde Soluciones de la relación del Tema 6. 1. a) Definimos X =número de personas con síntomas si examino sólo una persona, la cual sigue una distribución B1, p), donde p = P X = 1) = P la persona presente síntomas)

Más detalles

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y

Tipo A Tipo B Min. y Máx. Gambas 2 1 50 Langostinos 3 5 180 Contenedores 1 1 50 Coste 350 550 350x + 550y IES Fco Ayala de Granada Sobrantes 010 (Modelo 6) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 6) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 (.5 puntos) Un supermercado

Más detalles

Teoría a de Colas o Filas de Espera. M. En C. Eduardo Bustos Farías

Teoría a de Colas o Filas de Espera. M. En C. Eduardo Bustos Farías Teoría a de Colas o Filas de Espera M. En C. Eduardo Bustos Farías as Introducción Una línea de espera es la resultante de un sistema cuando la demanda por un bien o servicio supera la capacidad que puede

Más detalles

Aproximación local. Plano tangente. Derivadas parciales.

Aproximación local. Plano tangente. Derivadas parciales. Univ. de Alcalá de Henares Ingeniería de Telecomunicación Cálculo. Segundo parcial. Curso 004-005 Aproximación local. Plano tangente. Derivadas parciales. 1. Plano tangente 1.1. El problema de la aproximación

Más detalles

APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS DE VACIADO DE TANQUES

APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS DE VACIADO DE TANQUES APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS DE VACIADO DE TANQUES Mucos problemas físicos dependen de alguna manera de la geometría. Uno de ellos es la salida de

Más detalles

**********************************************************************

********************************************************************** 1..- a) Dimensionar la sección de la viga sabiendo que está compuesta por dos tablones dispuestos como se indica en la figura (se trata de hallar a). Tensión admisible de la madera: σ adm, tracción = 50

Más detalles

Tema 2 - Introducción

Tema 2 - Introducción Tema 2 - Introducción 1 Tema 1. Introducción a la inferencia estadística Planteamientos y objetivos. Revisión de distribuciones multivariantes. Esperanza y varianza de sumas de v.a. independientes. Tema

Más detalles

Problemas de Probabilidad resueltos.

Problemas de Probabilidad resueltos. Problemas de Probabilidad resueltos. Problema 1 El profesor Pérez olvida poner su despertador 3 de cada 10 dias. Además, ha comprobado que uno de cada 10 dias en los que pone el despertador acaba no levandandose

Más detalles

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE 1. Fórmulas utilizadas en la simulación de la evolución del precio de una acción

Más detalles

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD.

Modelado de flujo en redes. Jhon Jairo Padilla A., PhD. Modelado de flujo en redes Jhon Jairo Padilla A., PhD. Conceptos básicos Demanda o volumen de Demanda: Es el tráfico que están requiriendo los usuarios de una red. Para transportar el volumen de demanda

Más detalles

Polinomios de Taylor.

Polinomios de Taylor. Tema 7 Polinomios de Taylor. 7.1 Polinomios de Taylor. Definición 7.1 Recibe el nombre de polinomio de Taylor de grado n para la función f en el punto a, denotado por P n,a, el polinomio: P n,a (x) = f(a)

Más detalles

5. [2012] [EXT-A] Se estima que el beneficio anual B(t), en %, que produce cierta inversión viene determinado por el tiempo t en

5. [2012] [EXT-A] Se estima que el beneficio anual B(t), en %, que produce cierta inversión viene determinado por el tiempo t en . [204] [ET-A] Dada la función f(x) = x2-8x+6 x 2-8x+5 a) Su dominio y puntos de corte con los ejes. -x+5, 0 x 2. [204] [JUN-A] En una sesión, el valor de cierta acción, en euros, vino dado por la función:

Más detalles

TEORIA DE COLAS. Enero 30. Modelos líneas de espera

TEORIA DE COLAS. Enero 30. Modelos líneas de espera TEORIA DE COLAS Enero 30 2012 Elementos básicos de un modelo de línea de espera, y buscar una aplicación real de cualquiera de los modelos de líneas de espera existentes. Modelos líneas de espera -Integrantes:

Más detalles

8. Estimación puntual

8. Estimación puntual 8. Estimación puntual Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 8. Estimación puntual Curso 2009-2010 1 / 30 Contenidos 1 Introducción 2 Construcción de estimadores

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

RAID. Los detalles de las características segunda y tercera, cambian según los distintos niveles RAID. RAID 0 no soporta la tercera característica.

RAID. Los detalles de las características segunda y tercera, cambian según los distintos niveles RAID. RAID 0 no soporta la tercera característica. RAID Como se dijo anteriormente, el ritmo de mejora de prestaciones en memoria secundaria ha sido considerablemente menor que en procesadores y en memoria principal. Esta desigualdad ha hecho, quizás,

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

Recursos HELP DESK Biblioteca 2012

Recursos HELP DESK Biblioteca 2012 Investigación operativa aplicada al Help Desk INTRODUCCION Este artículo está dirigido a aquellas personas que tienen la responsabilidad del diseño de estructuras de soporte, ya sea de empresas de Outsourcing

Más detalles

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1

MATEMÁTICAS CCSS II Sobrantes 2010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 IES Fco Ayala de Granada Sobrantes 010 (Modelo ) Soluciones Germán-Jesús Rubio Luna MATEMÁTICAS CCSS II Sobrantes 010 (Modelo 1) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 a 1 1 1 3 Sean las matrices

Más detalles

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre

CURSO CERO. Departamento de Matemáticas. Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre CURSO CERO Departamento de Matemáticas Profesor: Raúl Martín Martín Sesiones 18 y 19 de Septiembre Capítulo 1 La demostración matemática Demostración por inducción El razonamiento por inducción es una

Más detalles

EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO

EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO 1º) Considérese un número estrictamente positivo del sistema de números máquina F(s+1, m, M, 10). Supongamos que tal número es: z = 0.d 1 d...d s 10 e Responde

Más detalles

LÍMITES Y CONTINUIDAD

LÍMITES Y CONTINUIDAD UNIDAD 5 LÍMITES Y CONTINUIDAD Páginas 0 y Describe las siguientes ramas: a) f () b) f () no eiste c) f () d) f () + e) f () f) f () + g) f () h) f () no eiste; f () 0 i) f () + f () + j) f () 5 4 f ()

Más detalles

ÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ

ÍNDICE DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ ELECTRÓNICA DIGITAL DISEÑO DE CONTADORES SÍNCRONOS JESÚS PIZARRO PELÁEZ IES TRINIDAD ARROYO DPTO. DE ELECTRÓNICA ÍNDICE ÍNDICE... 1 1. LIMITACIONES DE LOS CONTADORES ASÍNCRONOS... 2 2. CONTADORES SÍNCRONOS...

Más detalles

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad

Métodos Estadísticos 2.3. Distribuciones discretas de probabilidad 2.3. DISTRIBUCIONES DISCRETAS DE PROBABILIDAD Parámetros de un problema Saber: Explicar el concepto de variable discreta. Explicar los conceptos y métodos de la distribución binomial, hipergeométrica,

Más detalles

Ejercicios de Modelos de Probabilidad

Ejercicios de Modelos de Probabilidad Ejercicios de Modelos de Probabilidad Elisa M. Molanes-López, Depto. Estadística, UC3M Binomial, Poisson, Exponencial y Uniforme Ejercicio. Se dispone de un sistema formado por dos componentes similares

Más detalles

Apuntes de Matemática Discreta 9. Funciones

Apuntes de Matemática Discreta 9. Funciones Apuntes de Matemática Discreta 9. Funciones Francisco José González Gutiérrez Cádiz, Octubre de 004 Universidad de Cádiz Departamento de Matemáticas ii Lección 9 Funciones Contenido 9.1 Definiciones y

Más detalles

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos

Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Curso: Métodos de Monte Carlo. Unidad 1, Sesión 2: Conceptos básicos Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República, Montevideo, Uruguay

Más detalles

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería NND). a)

Más detalles

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL

MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL MÓDULO 9 DISTRIBUCIÓN DE PROBABILIDAD NORMAL INTRODUCCIÓN En este módulo se continúa con el estudio de las distribuciones de probabilidad, examinando una distribución de probabilidad continua muy importante:

Más detalles

Matrices equivalentes. El método de Gauss

Matrices equivalentes. El método de Gauss Matrices equivalentes. El método de Gauss Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B mediante una combinación de las siguientes operaciones: Multiplicar

Más detalles

T.1 CONVERGENCIA Y TEOREMAS LÍMITE

T.1 CONVERGENCIA Y TEOREMAS LÍMITE T.1 CONVERGENCIA Y TEOREMAS LÍMITE 1. CONVERGENCIA DE SUCESIONES DE VARIABLES ALEATORIA CONVERGENCIA CASI-SEGURA CONVERGENCIA EN PROBABILIDAD CONVERGENCIA EN MEDIA CUADRÁTICA CONVERGENCIA EN LEY ( O DISTRIBUCIÓN)

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema Representación gráfica de funciones reales de una variable real Elaborado

Más detalles

Calcular con fracciones para todos

Calcular con fracciones para todos Calcular con fracciones para todos 1 Calcular con fracciones para todos M. Riat riat@pobox.com Versión 1.0 Burriana, 2014 Calcular con fracciones para todos 2 ÍNDICE DE CAPÍTULOS Índice de capítulos...

Más detalles

Problemas Resueltos de Desigualdades y Programación Lineal

Problemas Resueltos de Desigualdades y Programación Lineal Universidad de Sonora División de Ciencias Exactas y Naturales Departamento de Matemáticas. Problemas Resueltos de Desigualdades y Programación Lineal Para el curso de Cálculo Diferencial de Químico Biólogo

Más detalles

EJERCICIOS RESUELTOS DE SECUENCIALES

EJERCICIOS RESUELTOS DE SECUENCIALES EJERCICIOS RESUELTOS DE SECUENCIALES 1) El sistema de apertura de una caja fuerte está compuesto por dos teclas A y B, un circuito secuencial a diseñar y un temporizador que mantiene la caja fuerte abierta

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Universidad de Cádiz Departamento de Matemáticas MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Tema 3 Ecuaciones y sistemas. Inecuaciones Elaborado por la Profesora Doctora

Más detalles

Tema 7: Capital, inversión y ciclos reales

Tema 7: Capital, inversión y ciclos reales Tema 7: Capital, inversión y ciclos reales Macroeconomía 2014 Universidad Torcuato di Tella Constantino Hevia En la nota pasada analizamos el modelo de equilibrio general de dos períodos con producción

Más detalles

DIRECCIÓN DE OPERACIONES Y TOMA DE DECISIONES INGENIERÍA INDUSTRIAL CICLO DE PROFESIONALIZACIÓN

DIRECCIÓN DE OPERACIONES Y TOMA DE DECISIONES INGENIERÍA INDUSTRIAL CICLO DE PROFESIONALIZACIÓN TEORIA DE COLAS: Líneas de Espera Claro Ana Milena, Cardona Luz Dary, Ruiz Lina María, Gómez Juan Fernando, Estudiantes Ingeniería Industrial Universidad Católica de Oriente. Mayo 21 de 2011. Resumen:

Más detalles

Análisis de Decisiones II

Análisis de Decisiones II Tema 14 Distribución de llegadas Poisson, distribución de servicio Exponencial, varios servidores, servicio PEPS, población y cola infinita Objetivo de aprendizaje del tema Al finalizar el tema serás capaz

Más detalles

Inversión. Inversión. Arbitraje. Descuento. Tema 5

Inversión. Inversión. Arbitraje. Descuento. Tema 5 Inversión Tema 5 Inversión Los bienes de inversión obligan a gastar hoy para obtener ganancias en el futuro Vamos a estudiar cómo se valoran los pagos futuros Por ejemplo, la promesa de recibir euro dentro

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

Todo lo que sube baja... (... y todo lo que se carga se descarga!)

Todo lo que sube baja... (... y todo lo que se carga se descarga!) Todo lo que sube baja... (... y todo lo que se carga se descarga!) María Paula Coluccio y Patricia Picardo Laboratorio I de Física para Biólogos y Geólogos Depto. de Física, FCEyN, UBA 1999 Resumen En

Más detalles

Función exponencial y Logaritmos

Función exponencial y Logaritmos Eje temático: Álgebra y funciones Contenidos: Función exponencial y Logaritmos Nivel: 4 Medio Función exponencial y Logaritmos 1. Funciones exponenciales Existen numerosos fenómenos que se rigen por leyes

Más detalles

Un problema sobre repetidas apuestas al azar

Un problema sobre repetidas apuestas al azar Un problema sobre repetidas apuestas al azar Eleonora Catsigeras 1 10 de marzo de 2003. Resumen En estas notas se da el enunciado y una demostración de un conocido resultado sobre la probabilidad de éxito

Más detalles

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2

PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 7 PROBABILIDADES Y ESTADÍSTICA (C) Práctica 2 1. Se eligen tres autos al azar y cada uno es clasificado N si tiene motor naftero o D si tiene motor diesel (por ejemplo, un resultado posible sería N N D).

Más detalles

EJERCICIOS RESUELTOS

EJERCICIOS RESUELTOS FUNDAMENTOS MATEMÁTICOS DE LA INGENIERÍA Ingeriería Técnica Industrial. Especialidad en Mecánica. Boletin 6. Funciones de Varias Variables EJERCICIOS RESUELTOS Curso 003-004 1. En cada apartado, calcular

Más detalles

Aplicación de colas de Poisson en procesos de toma de decisiones en la gestión de servicios médicos

Aplicación de colas de Poisson en procesos de toma de decisiones en la gestión de servicios médicos DOCUMENTOS DE INVESTIGACIÓN Facultad de Administración No. 138, ISSN: 0124-8219 Mayo de 2012 Aplicación de colas de Poisson en procesos de toma de decisiones en la gestión de servicios médicos Diego Fernando

Más detalles

ANÁLISIS DESCRIPTIVO DE FUNCIONES Y GRÁFICAS

ANÁLISIS DESCRIPTIVO DE FUNCIONES Y GRÁFICAS ANÁLISIS DESCRIPTIVO DE FUNCIONES Y GRÁFICAS INTRODUCCIÓN La noción actual de función comienza a gestarse en el siglo XIV, cuando empiezan a preocuparse de medir y representar las variaciones de ciertas

Más detalles

Sea T R y (Ω, F, P ) un espacio de probabilidad. Un proceso aleatorio es una función

Sea T R y (Ω, F, P ) un espacio de probabilidad. Un proceso aleatorio es una función Capítulo 2 Cadenas de Markov 21 Introducción Sea T R y (Ω, F, P ) un espacio de probabilidad Un proceso aleatorio es una función X : T Ω R tal que para cada t T, X(t, ) es una variable aleatoria Si fijamos

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Problemas indecidibles

Problemas indecidibles Capítulo 7 Problemas indecidibles 71 Codificación de máquinas de Turing Toda MT se puede codificar como una secuencia finita de ceros y unos En esta sección presentaremos una codificación válida para todas

Más detalles

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor

Tema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,

Más detalles

Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética

Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética Apuntes de Matemática Discreta 11. Teorema Fundamental de la Aritmética Francisco José González Gutiérrez Cádiz, Octubre de 2004 Universidad de Cádiz Departamento de Matemáticas ii Lección 11 Teorema Fundamental

Más detalles

Unidad 16. Depreciación

Unidad 16. Depreciación Unidad 16 Depreciación INTRODUCCIÓN Desde el momento mismo en que se adquiere un bien, éste empieza a perder valor. Esta pérdida de valor es conocida como depreciación. La depreciación se define como la

Más detalles

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012

Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012 Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian

Más detalles

Datos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina

Datos del autor. Nombres y apellido: Germán Andrés Paz. Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Datos del autor Nombres y apellido: Germán Andrés Paz Lugar de nacimiento: Rosario (Código Postal 2000), Santa Fe, Argentina Correo electrónico: germanpaz_ar@hotmail.com =========0========= Introducción

Más detalles

DOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades:

DOMINIO Y RANGO página 89. Cuando se grafica una función existen las siguientes posibilidades: DOMINIO Y RANGO página 89 3. CONCEPTOS Y DEFINICIONES Cuando se grafica una función eisten las siguientes posibilidades: a) Que la gráfica ocupe todo el plano horizontalmente (sobre el eje de las ). b)

Más detalles

Análisis por simulación de un sistema estocástico

Análisis por simulación de un sistema estocástico Análisis por simulación de un sistema estocástico José Carlos Cimorra Velilla David Ordóñez Arévalo ÍNDICE 1. Planteamiento del problema... 2 2. Modelo... 4 2.1 Diagrama de flujo... 4 2.2 Modelo de colas...

Más detalles

CAPÍTULO II. 2 El espacio vectorial R n

CAPÍTULO II. 2 El espacio vectorial R n CAPÍTULO II 2 El espacio vectorial R n A una n upla (x 1, x 2,..., x n ) de números reales se le denomina vector de n coordenadas o, simplemente, vector. Por ejemplo, el par ( 3, 2) es un vector de R 2,

Más detalles

Generación de números aleatorios

Generación de números aleatorios Generación de números aleatorios Marcos García González (h[e]rtz) Verano 2004 Documento facilitado por la realización de la asignatura Métodos informáticos de la física de segundo curso en la universidad

Más detalles

Espacios vectoriales y aplicaciones lineales

Espacios vectoriales y aplicaciones lineales Capítulo 3 Espacios vectoriales y aplicaciones lineales 3.1 Espacios vectoriales. Aplicaciones lineales Definición 3.1 Sea V un conjunto dotado de una operación interna + que llamaremos suma, y sea K un

Más detalles

El concepto de integral con aplicaciones sencillas

El concepto de integral con aplicaciones sencillas El concepto de integral con aplicaciones sencillas Eliseo Martínez Marzo del 24 Abstract Este artículo trata de ejemplos sencillos del concepto de integral con aplicaciones a la Física, la Teoría de la

Más detalles

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Junio de 2012 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Granada Junio de 01 (General Modelo 4) Soluciones Germán-Jesús Rubio Luna SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 01 MODELO 4 (COMÚN) OPCIÓN A EJERCICIO 1 (A) Sea el recinto determinado

Más detalles

Unidad de Aprendizaje: Anualidades y gradientes

Unidad de Aprendizaje: Anualidades y gradientes Carlos Mario Morales C 2012 1 Matemáticas Financieras No está permitida la reproducción total o parcial de este libro, ni su tratamiento informático, ni la transmisión de ninguna forma o por cualquier

Más detalles

Tema 3. Variables aleatorias. Inferencia estadística

Tema 3. Variables aleatorias. Inferencia estadística Estadística y metodología de la investigación Curso 2012-2013 Pedro Faraldo, Beatriz Pateiro Tema 3. Variables aleatorias. Inferencia estadística 1. Introducción 1 2. Variables aleatorias 1 2.1. Variable

Más detalles
Sitemap