APUNTES DE TELETRAFICO

PARTE II

Ing. Gilberto J. Araujo F

Venezuela Septiembre 2016

INDICE
INTRODUCCIN A LA TEORA DE COLAS ............................................................... 3
OBJETIVOS DE LA TEORA DE COLAS: ................................................................... 5
ELEMENTOS EXISTENTES EN UN SISTEMA DE COLAS: ....................................... 5

Fuente de entrada o poblacin potencial: ............................................................. 5

Cliente: ............................................................................................................................ 6

Capacidad de la cola: .................................................................................................. 6

Disciplina de la cola: ................................................................................................... 6

Mecanismo de servicio: .............................................................................................. 7

La cola ............................................................................................................................. 7

El sistema de la cola:................................................................................................... 8

Notacin (Kendall, 1953) ....................................................................................................... 8

Terminologa ........................................................................................................................... 9
PROCESOS DE ARRIBO........................................................................................... 10
DESCRIPCIN DE LOS PROCESOS PUNTUALES ................................................. 11
PROPIEDADES BSICAS DE LA REPRESENTACIN POR NMEROS. ............... 12
PROPIEDADES BSICAS DE LA REPRESENTACIN POR INTERVALO. ............ 13
CARACTERSTICAS DE LOS PROCESOS PUNTUALES ........................................ 16
1. CONDICIN DE ESTACIONARIO (HOMOGENEIDAD DEL TIEMPO) ................. 16
2. INDEPENDENCIA ........................................................................................................... 17
3. REGULARIDAD ............................................................................................................... 18
TEOREMA DE LITTLE .................................................................................................... 18
DEMOSTRACION DEL TEOREMA DE LITTLE ......................................................... 19
TEOREMA DE POISSON ........................................................................................... 20
Caractersticas del proceso de Poisson............................................................................ 20
DISTRIBUCIN EXPONENCIAL DE LOS PROBLEMAS DE POISSON ................... 21
DISTRIBUCIN ERLANG K ...................................................................................... 25
EARLANG B .............................................................................................................. 25
EARLANG C .............................................................................................................. 25
TEOREMA DE PALM ................................................................................................. 26
TEOREMA DE RAIKOV ............................................................................................. 27
DISTRIBUCIN UNIFORME ...................................................................................... 28
PROCESO DE NACIMIENTO Y MUERTE UNIDIMENSIONAL ................................. 29

INTRODUCCIN A LA TEORA DE COLAS

En muchas ocasiones en la vida real, un fenmeno muy comn es la
formacin de colas o lneas de espera. Esto suele ocurrir cuando la demanda
real de un servicio es superior a la capacidad que existe para dar dicho
servicio. Ejemplos reales de esa situacin son: los cruces de dos vas de
circulacin, los semforos, el peaje de una autopista, los cajeros automticos,
la atencin a clientes en un establecimiento comercial, la avera de
electrodomsticos u otro tipo de aparatos que deben ser reparados por un
servicio tcnico, etc.
De hecho, un estudio en EEUU concluy que, por trmino medio, un
ciudadano medio pasa cinco aos de su vida esperando en distintas colas, y
de ellos casi seis meses parado en los semforos.
Todava ms frecuentes, si cabe,

son las situaciones de espera en el

contexto de la informtica, las telecomunicaciones y, en general, las nuevas

tecnologas. As, por ejemplo, los procesos enviados a un servidor para
ejecucin forman colas de espera mientras no son atendidos, la informacin
solicitada, a travs de Internet, a un servidor Web puede recibirse con demora
debido a congestin en la red o en el servidor propiamente dicho, podemos
recibir la seal de lneas ocupadas si la central de la que depende nuestro
telfono mvil est colapsada en ese momento, etc.
El estudio de las colas es importante porque proporciona tanto una base
terica del tipo de servicio que podemos esperar de un determinado recurso,
como la forma en la cual dicho recurso puede ser diseado para proporcionar
un determinado grado de servicio a sus clientes.
La teora de colas constituye la herramienta para ello, consistiendo en el
estudio matemtico del comportamiento de lneas de espera. Esta, como ya
se mencion, se presenta, cuando los clientes llegan a un lugar
demandando un servicio a un servidor, el cual tiene una cierta capacidad de

atencin. Si el servidor no est disponible inmediatamente y el cliente decide

esperar, entonces se forma la lnea de espera.
El origen de la Teora de Colas est en el esfuerzo de Agner Kraup Erlang
(Dinamarca, 1878 - 1929) en 1909 para analizar la congestin de trfico
telefnico con el objetivo de cumplir la demanda incierta de servicios en el
sistema telefnico de Copenhague. Sus investigaciones acabaron en una
nueva teora denominada teora de colas o de lneas de espera, la cual es
ahora una herramienta de valor en negocios debido a que un gran nmero de
problemas pueden caracterizarse, como problemas de congestin llegadasalida.
As, se define una cola como una lnea de espera y la teora de colas como una
coleccin de modelos matemticos que describen sistemas de lnea de espera
particulares o sistemas de colas, que sirven para encontrar un buen
compromiso entre costes del sistema y los tiempos promedio de la lnea de
espera para un sistema dado.
Los sistemas de colas son modelos de sistemas que proporcionan servicio.
Como modelo, pueden representar cualquier sistema en donde los trabajos o
clientes llegan buscando un servicio de algn tipo y salen despus de que
dicho servicio haya sido atendido. Podemos modelar los sistemas de este tipo
tanto como colas sencillas o como un sistema de colas interconectadas
formando una red de colas.
En la teora de la formacin de colas, generalmente se llama sistema a un
grupo de unidades fsicas, integradas de tal modo que pueden operar al
unsono con una serie de operaciones organizadas. La teora de la formacin
de colas busca una solucin al problema de la espera prediciendo primero el
comportamiento del sistema. Pero una solucin al problema de la espera
consiste en no solo en minimizar el tiempo que los clientes pasan en el
sistema, sino tambin en minimizar los costos totales de aquellos que solicitan
el servicio y de quienes lo prestan.

Proporcionar demasiado servicio implica costos excesivos. Por otro lado,

carecer de la capacidad de servicio suficiente causa colas excesivamente
largas en ciertos momentos. Las lneas de espera largas tambin son
costosas en cierto sentido, ya sea por un costo social, por un costo causado
por la prdida de clientes, por el costo de empleados ociosos o por algn otro
costo importante.
El problema entonces es determinar qu capacidad o tasa de servicio
proporciona el balance correcto. Esto no es sencillo, ya que un cliente no llega
a un horario fijo, es decir, no se sabe con exactitud en que momento llegarn
los clientes. Tambin el tiempo de servicio no tiene un horario fijo.
De esta forma, Se debe lograr un balance econmico entre el costo del
servicio y el costo asociado a la espera por ese servicio.

OBJETIVOS DE LA TEORA DE COLAS:

 Identificar el nivel ptimo de capacidad del sistema que minimiza el
coste global del mismo.
 Evaluar el impacto que las posibles alternativas de modificacin de la
capacidad del sistema tendran en el coste total del mismo.
 Establecer un balance equilibrado (ptimo) entre las consideraciones
cuantitativas de costes y las cualitativas de servicio.
 Hay que prestar atencin al tiempo de permanencia en el sistema o en
la cola: la paciencia de los clientes depende del tipo de servicio
especfico considerado y eso puede hacer que un cliente abandone el
sistema.

ELEMENTOS EXISTENTES EN UN SISTEMA DE COLAS:

Fuente de entrada o poblacin potencial:

Es un conjunto de individuos (no necesariamente seres vivos) que
pueden llegar a solicitar el servicio en cuestin. Podemos considerarla
finita o infinita. Aunque el caso de infinitud no es realista, s permite (por
extrao que parezca) resolver de forma ms sencilla muchas situaciones
5

en las que, en realidad, la poblacin es finita pero muy grande. Dicha

suposicin de infinitud no resulta restrictiva cuando, an siendo finita la
poblacin potencial, su nmero de elementos es tan grande que el
nmero de individuos que ya estn solicitando el citado servicio
prcticamente no afecta a la frecuencia con la que la poblacin potencial
genera nuevas peticiones de servicio.

Cliente:
Es todo individuo de la poblacin potencial que solicita servicio.
Suponiendo que los tiempos de llegada de clientes consecutivos son
0<t1<t2<..., ser importante conocer el patrn de probabilidad segn el
cual la fuente de entrada genera clientes. Lo ms habitual es tomar
como referencia los tiempos entre las llegadas de dos clientes
consecutivos: consecutivos:
clientes
consecutivos: T{k}
= tk - tk1, fijando su distribucin de probabilidad. Normalmente, cuando la
poblacin potencial es infinita se supone que la distribucin de
probabilidad de los Tk (que ser la llamada distribucin de los tiempos
entre llegadas) no depende del nmero de clientes que estn en espera
de completar su servicio, mientras que en el caso de que la fuente de
entrada sea finita, la distribucin de los Tkvariar segn el nmero de
clientes en proceso de ser atendidos.

Capacidad de la cola:
Es el mximo nmero de clientes que pueden estar haciendo cola (antes
de comenzar a ser servidos). De nuevo, puede suponerse finita o infinita.
Lo ms sencillo, a efectos de simplicidad en los clculos, es suponerla
infinita. Aunque es obvio que en la mayor parte de los casos reales la
capacidad de la cola es finita, no es una gran restriccin el suponerla
infinita si es extremadamente improbable que no puedan entrar clientes
a la cola por haberse llegado a ese nmero lmite en la misma.

Disciplina de la cola:
Es el modo en el que los clientes son seleccionados para ser servidos.
Las disciplinas ms habituales son:
-

La disciplina FIFO (first in first out), tambin llamada FCFS (first

come first served): segn la cual se atiende primero al cliente que
antes haya llegado.

La disciplina LIFO (last in first out), tambin conocida como LCFS

(last come first served) o pila: que consiste en atender primero al
cliente que ha llegado el ltimo.
6

La RSS (random selection of service), o SIRO (service in random

order), que selecciona a los clientes de forma aleatoria.

Adems,

el

servicio

puede

otorgarse

de

acuerdo

quien

requieremenos tiempo de servicio o al que ms servicio requiere.

Incluso puede interrumpirse un servicio para empezar otro que
corresponda a un cliente recin llegado con mayor prioridad (fenmeno
de anticipacin); de no ser as, la prioridad se llama de cabeza de
lnea.

Mecanismo de servicio:
Es el procedimiento por el cual se da servicio a los clientes que lo
solicitan. Para determinar totalmente el mecanismo de servicio debemos
conocer el nmero de servidores de dicho mecanismo (si dicho nmero
fuese aleatorio, la distribucin de probabilidad del mismo) y la
distribucin de probabilidad del tiempo que le lleva a cada servidor dar
un servicio. En caso de que los servidores tengan distinta destreza para
dar el servicio, se debe especificar la distribucin del tiempo de servicio
para cada uno.

La cola
Es el conjunto de clientes que hacen espera, es decir los clientes que ya
han solicitado el servicio pero que an no han pasado al mecanismo de
servicio.
7

El sistema de la cola:
Es el conjunto formado por la cola y el mecanismo de servicio, junto
con la disciplina de la cola, que es lo que nos indica el criterio de qu
cliente de la cola elegir para pasar al mecanismo de servicio. Estos
elementos pueden verse ms claramente en la siguiente figura:

Un modelo de sistema de colas debe especificar la distribucin de

probabilidad de los tiempos de servicio para cada servidor. La distribucin
ms usada para los tiempos de servicio es la exponencial, aunque es comn
encontrar la distribucin degenerada o determinstica (tiempos de servicio
constantes) o la distribucin Erlang (Gamma).
Notacin (Kendall, 1953)
Para especificar un tipo de cola se escribe:

En el proceso de llegada puede aparecer:

-

M: los tiempos entre llegadas siguen una distribucin exponencial.

GI: los tiempos entre llegadas son vv.aa.ii.ii.dd.

D: corresponde a un tiempo entre llegadas determinstico.

De forma anloga se identifican los procesos de servicio con M, G y D.

Cuando la capacidad es infinita y la disciplina FIFO, se suelen omitir estos

campos.
Ejemplos:
a)

: Significa que el tiempo entre llegadas es exponencial, el

tiempo de servicio es determinstico (normalmente vendr dado por una
lista o vector), el nmero de canales es 2, la capacidad es infinita y la
disciplina es FIFO.

b)

Modelo donde tanto los tiempos entre llegada como los

tiempo de servicio son exponenciales y se tienen s servidores.

c)

: Tiempos entre llegada exponenciales, tiempos de servicio

general y 1 slo servidor

Terminologa
Usualmente siempre es comn utilizar la siguiente terminologa estndar:

Estado del sistema: Nmero de clientes en el sistema.

Longitud de la cola: Nmero de clientes que esperan servicio.

: Nmero de clientes en el sistema de colas en el tiempo t (t 0).

: Probabilidad de que exactamente n clientes estn en el sistema

en el tiempo t, dado el nmero en el tiempo cero.

: Nmero de servidores en el sistema de colas.

: Tasa media de llegadas (nmero esperado de llegadas por unidad

de tiempo) de nuevos clientes cuando hay n clientes en el sistema.
9

: Tasa media de servicio para todo el sistema (nmero esperado

clientes que completan su servicio por unidad de tiempo) cuando hay
n clientes en el sistema.

Cabe mencionar que

representa la tasa combinada a la que todos los

servidores ocupados logran terminar sus servicios

Cuando
: Cuando

es constante para toda n

es constante para toda n 1

PROCESOS DE ARRIBO
Los procesos de llegada en teletrfico, por ejemplo las llamadas o los paquetes
que llegan a una central, se describen matemticamente como procesos
estocsticos puntuales
Para un proceso puntual, es necesario poder distinguir una llegada de la otra.
La informacin concerniente a una sola llegada (por ejemplo, tiempo de
servicio, o nmero de clientes) es omitida. Esta solo se utilizar para
determinar si una llegada pertenece o no al proceso.
La teora matemtica para procesos puntuales fue desarrollada por el ingeniero
electricista y estadista sueco Conny Palm durante los aos 40 y fue refinada
aos despus por Khintchine (1968). Desde entonces ha sido ampliamente
utilizada en diversas reas
Aunque a veces se sabe exactamente cundo se van a producir las llegadas al
sistema, en general el tiempo que transcurre entre dos llegadas consecutivas
se modela mediante una variable aleatoria. En particular, cuando la fuente es
infinita se supone que las unidades que van llegando al sistema dan lugar a un
proceso estocstico llamado de conteo; si todos los tiempos entre llegadas son
variables aleatorias independientes idnticamente distribuidas (vv.aa.ii.ii.dd.),
se dice que es un proceso de renovacin. Usualmente, el proceso que se utiliza
es un proceso de Poisson, tambin conocido como Ley de los sucesos raros
10

Cuando la fuente es finita se suele asumir que la probabilidad de que se

produzca una llegada en un intervalo de tiempo es proporcional al tamao de la
fuente en ese instante.
DESCRIPCIN DE LOS PROCESOS PUNTUALES
A continuacin slo se considerarn procesos puntuales simples y se excluyen
llegadas mltiples (es decir, slo hay una llegada a la vez). En llamadas
telefnicas esto se puede obtener eligiendo una escala de tiempo lo
suficientemente detallada que permita distinguir con exactitud en que instante
entra cada llamada.
Adems, considrense tiempos de llegada donde la llamada i-sima llega en el
:

tiempo i (la primera observacin tiene lugar en el tiempo

Supngase la variable aleatoria

que cuenta el nmero de llamadas que

llegan a una central telefnica en el intervalo semi-abierto

es adems

una variable aleatoria con parmetros de tiempo continuo y espacio discreto.

Cuando t incrementa,

nunca disminuye, es decir, son directamente

proporcionales.
La distancia en tiempo entre dos llegadas sucesivas es:

Tal diferencia representa el tiempo entre-llegadas. La distribucin de

este intervalo es llamada Distribucin del tiempo entre-llegadas
Correspondiendo a las dos variables aleatorias

, los dos procesos

pueden ser caracterizados de dos maneras:

-

Representacin por el nmero

: Se mantiene el intervalo t

constante y se observa la variable aleatoria

que cuenta el nmero

de llamadas en el tiempo t

11

Representacin por intervalo

: El nmero de llegadas de llamadas

se mantiene constante y se observa la variable aleatoria

intervalo hasta que ha habido

para el

llegadas

El anlisis de un proceso puntual puede estar basado en ambas

representaciones, ellas son equivalentes en principio.
La relacin fundamental entre ambas representaciones viene dada por:
Si y solo si:

con

Lo anterior tambin puede ser expresado a travs de la identidad de FellerJensen:

La representacin de intervalo corresponde al anlisis de series de

tiempo usual. Por ejemplo, si hacemos i=1, obtendremos promedios

por

llamadas.
La representacin de nmero no tiene paralelo en las series de anlisis
de tiempo. Las estadsticas obtenidas son promedios sobre tiempo y
obtendremos medias de tiempo. Es decir, estadsticas por unidad de tiempo.

PROPIEDADES BSICAS DE LA REPRESENTACIN POR NMEROS.

1- El nmero total de llegadas en el intervalo
.

es igual a

El nmero medio de llamadas en dicho intervalo se conoce como la

funcin de renovacin,
2- La densidad de llamadas entrantes en el tiempo t es:

Esta variable mide la tasa de llegada de llamadas en un tiempo t

12

Se asume que

existe y es finita. Puede interpretarse

como la

intensidad con la que los arribos ocurren en un tiempo t

3- ndice de dispersin de conteos (IDC): Describe las variaciones de
los procesos de llegada durante un intervalo de tiempo t y se define
como :

Dividiendo el intervalo de tiempo t en x intervalos de duracin t=x y

observando el nmero de eventos durante estos intervalos, se obtiene
un estimado del

. Para los procesos de Poisson, IDC es igual a 1.

PROPIEDADES BSICAS DE LA REPRESENTACIN POR INTERVALO.

1- La distribucin acumulada de los intervalos

es:

El valor medio es una llamada promedio.

2- La distribucin

describe el intervalo de tiempo que transcurre

hasta que ocurre la prxima llegada. El valor medio de

es un

promedio de tiempo, que es calculado por unidad de tiempo.

3- ndice de dispersin por Intervalos (IDI): Describe las propiedades
de segundo orden (variacin) para la representacin del intervalo.
Se define ,

Donde

es el tiempo entre-llegadas

En los procesos de Poisson (los cuales poseen tiempos de servicio

distribuidos exponencialmente), el IDI es igual a 1.
13

IDI es igual al factor de forma de Palm menos uno

A manera de comparacin entre el IDC y el IDI, es posible puntualizar lo
siguiente:
-

IDI es ms fcil de obtener a partir de las observaciones que el IDC.

Adems, es ms sensitivo a la aproximacin de las mediciones

En las aplicaciones de datos (aplicaciones digitales) es ms

adecuada la observacin del IDC, mientras que se complica la
observacin del IDI

14

PROCESOS DE NACIMIENTO Y MUERTE UNIDIMENSIONAL

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de
acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora
de probabilidad tiene aplicaciones en varias reas. Sin embrago en el contexto
de la teora de colas, el trmino nacimiento se refiere a llegada de un nuevo
cliente al sistema de colas y el trmino muerte se refiere a la salida del cliente
servido. El estado del sistema en el tiempo t (t 0), denotado por N (t), es el
nmero de clientes que hay en el sistema de colas en el tiempo t. El proceso de
nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al
aumentar t. En general, dice que los nacimientos y muertes individuales
ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen
del estado actual del sistema. De manera ms precisa, las suposiciones del
proceso de nacimiento y muerte son las siguientes:
SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del
tiempo que falta para el prximo nacimiento (llegada) es exponencial con
parmetro (n=0,1,2,.).
SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del
tiempo que falta para la prxima muerte (terminacin de servicio) es
exponencial con parmetro (n=1,2,.).
SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que falta
hasta el prximo nacimiento) y la variable aleatoria de la suposicin 2 (el
tiempo que falta hasta la siguiente muerte) son mutuamente independientes.
Como consecuencia de las suposiciones 1 y 2, el proceso de nacimiento y
muerte es un tipo especial de cadena de Markov de tiempo continuo. Los
modelos de colas que se pueden representar por una cadena de Markov de
tiempo continuo son mucho ms manejables analticamente que cualquier otro.
Excepto por algunos casos especiales, el anlisis del proceso de nacimiento y
muerte es complicado cuando el sistema se encuentra en condicin transitoria.
Se han obtenido algunos resultados sobre esta distribucin de probabilidad de
N (t) pero son muy complicados para tener un buen uso prctico. Por otro lado,
es bastante directo derivar esta distribucin despus de que el sistema ha
alcanzado la condicin de estado estable (en caso de que pueda alcanzarla).

15

CARACTERSTICAS DE LOS PROCESOS PUNTUALES

Los procesos de llegada, tal como llamadas telefnicas que llegan a una
central, se describen matemticamente como procesos estocsticos puntuales.
Para un proceso puntual, se pueden distinguir dos llegadas entre s. Las
informaciones concernientes a una llegada (tiempo de servicio, nmero de
cliente) se ignoran. De modo que la informacin slo se puede utilizar para
determinar si una llegada pertenece al proceso o no.
La teora matemtica para el proceso puntual fue presentada y desarrollada por
el sueco Conny Palm en el decenio de 1940. Esta teora ha sido ampliamente
aplicada en diversos temas. Fue matemticamente perfeccionada por
Khintchine (1968, [63]), y se ha aplicado considerablemente en muchos libros
de textos.
Se ha tratado anteriormente una estructura muy general para procesos
puntuales. Para aplicaciones especficas habr que examinar otras
propiedades. Slo se considerar la representacin del nmero pero se podra
hacer lo mismo basado en la representacin del intervalo.
1. CONDICIN DE ESTACIONARIO (HOMOGENEIDAD DEL TIEMPO)
Esta propiedad se puede describir sin considerar la posicin en el eje del
tiempo. Las distribuciones de probabilidad que describen el proceso puntual
son entonces independientes del instante de tiempo. La siguiente definicin es
til en la prctica:
Definicin: Para una relacin t2 > 0 arbitraria y toda 0, la probabilidad que
haya llegadas en [t1, t1 + t2] es independiente de t1, es decir para todos los t,
se tiene:
p {Nt1+t2 Nt1 = } = p {Nt1+t2+t Nt1+t = }
Hay muchas otras definiciones de la condicin de estacionario, algunas ms
estrictas y otras ms amplias.
La condicin de estacionario tambin se puede definir por representacin de
intervalos requiriendo que todas las Xi sean independientes e idnticamente
distribuidas. Una definicin amplia es aquella que todos los momentos de
primero y segundo orden (por ejemplo el valor medio y la varianza) de un
proceso puntual deben ser constantes con respecto a desplazamientos en el
tiempo.
Erlang introdujo el concepto de equilibrio estadstico, que requiere que las
derivadas del proceso con respecto al tiempo sean cero.

16

2. INDEPENDENCIA
Esta propiedad se puede expresar como la necesidad que la evolucin futura
del proceso slo dependa del estado presente.
Definicin: La probabilidad que los eventos k (k es entero y 0) se produzcan
en [t1, t1 + t2] es independiente de los eventos antes del tiempo t1:
p {Nt2 Nt1 = k|Nt1 Nt0 = n} = p {Nt2 Nt1 = k}

Si esto es vlido para todos los tiempos t, se tendr un proceso Markov en el

que la evolucin futura slo depende del estado presente pero es
independiente de cmo ha sido obtenida. Esta es la propiedad denominada
falta de memoria. Si esta propiedad slo es vlida para determinados puntos en
el tiempo (por ejemplo, tiempos de llegada), estos puntos se denominan puntos
de equilibrio o puntos de regeneracin. El proceso entonces tiene una memoria
limitada y slo es necesario mantener el registro de los ltimos puntos de
regeneracin.
Ejemplo: Puntos de equilibrio = puntos de regeneracin
Ejemplos de procesos puntuales con puntos de equilibrio.
a) El proceso de Poisson no tiene memoria, y todos los puntos de los ejes de
tiempo son puntos de equilibrio.
b) Un proceso de exploracin, en el que las exploraciones se producen en un
ciclo regular, tiene memoria limitada. El ltimo instante de exploracin tiene
plena informacin sobre el proceso explorador y, por tanto, todos los puntos de
exploracin son puntos de equilibrio.
c) Si se superponen el proceso de Poisson y el proceso de exploracin (por
ejemplo, mediante la investigacin de los procesos de llegada en un sistema
informtico), los nicos puntos de equilibrio en el proceso compuesto son los
instantes de exploracin.
d) Considrese un sistema de puesta en fila con procesos de llegada de
Poisson, tiempo de servicio constante y servidor nico. El nmero de
posiciones en la fila puede ser finito o infinito. Defnase un proceso puntual por
los instantes de tiempo cuando comienza el servicio. Todos los intervalos de
tiempo cuando el sistema est en reposo, sern puntos de equilibrio. Durante
los periodos en que el sistema est ocupado los puntos en el tiempo para
aceptar nuevas llamadas de servicio dependen del instante en que la primera
llamada del periodo ocupado inicia el servicio.
17

3. REGULARIDAD
Se ha indicado ya que se excluyen los procesos con mltiples llegadas.
Definicin: Se dice que un proceso puntual es regular, si la probabilidad que
haya ms de un evento en un punto dado es cero:
p {Nt+t Nt 2} = o(t).
Con la representacin del intervalo, la distribucin del tiempo entre llegadas a
destino de las llamadas no debe tener una probabilidad de masa (atmica) en
cero, es decir, la distribucin es continua en cero (3.1):
F (0+) = 0
Ejemplo Eventos mltiples
Los puntos temporales de accidentes de trfico formarn un proceso regular.
La cantidad de vehculos daados o personas fallecidas ser un proceso
puntual y regular con eventos mltiples.
Fuente: UIT-D Comisin de Estudio 2, Cuestin 16/2 MANUAL "SOBRE
INGENIERA DE TELETRFICO". Autor Ginebra, diciembre de 2002

TEOREMA DE LITTLE

En el Teorema de Little: N = T y se encarga de relacionar a todo el sistema o

a una de sus partes. Especialmente a sistemas concurridos donde
generalmente las esperas son largas.
En los das de lluvia, la gente conduce ms despacio y las carreteras estn
ms congestionadas
N = promedio de paquetes que hay en el sistema
T = promedio de tiempo que est un paquete en el sistema
= tasa de llegada de paquetes al sistema
(no necesariamente de Poisson)

18

DEMOSTRACION DEL TEOREMA DE LITTLE

A(t) = nmero de llegadas en un tiempo t

B(t) = nmero de salidas en un tiempo t
ti= tiempo de llegada del cliente i
iT = tiempo que el cliente i permanece en el sistema
N(t) = nmero de clientes que hay en el sistema en un tiempo t = A(t) - B(t)

El Teorema de Little se puede aplicar a todo un sistema o a una de sus partes.

EJEMPLO
1)

El emisor DTP=tiempo de transmisin de paquetes

Promedio de paquetes en el emisor=uso del enlace=

2)

La lnea de transmisin Dp=retardo de propagacin

Promedio de paquetes en camino= Dp

3)

La cola Dq=promedio de espera en la cola

Promedio de paquetes en la cola=Nq

4)

Emisor+cola:
19

Promedio de paquetes= +Np

TEOREMA DE POISSON
En teora de probabilidad y estadstica, la distribucin de Poisson es una
distribucin de probabilidad discreta que expresa la probabilidad que un
determinado nmero de eventos ocurran en un determinado periodo de tiempo,
dada una frecuencia media conocida e independientemente del tiempo
discurrido desde el ltimo evento.
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en
su trabajo.
El proceso de Poisson es el proceso puntual ms importante. Ms adelante se
podr ver que su funcin en los procesos puntuales es tan vital como la funcin
de la distribucin Normal en las distribuciones estadsticas. Segn el teorema
del lmite central, al aadir variables estocsticas se obtiene la distribucin
Normal. De manera similar al multiplicar variables estocsticas se obtiene la
distribucin exponencial.
Todos los dems procesos puntuales aplicados son generalizaciones o
modificaciones del proceso de Poisson. Este proceso ofrece una descripcin
sorprendentemente acertada de numerosos procesos de la vida real debido a
que se trata del proceso ms aleatorio. Cuanto ms complejo sea un proceso
mejor, en general, ser su modelado mediante un proceso de Poisson.
Dado que se trata de un proceso de gran importancia en la prctica, en este
Captulo se estudia en forma pormenorizada. En primer lugar este estudio se
basa en un modelo fsico, haciendo especial en las distribuciones asociadas al
proceso, y a continuacin se consideran algunas propiedades destacadas del
proceso de Poisson. El proceso de Poisson puede generalizarse de diversas
formas.
Caractersticas del proceso de Poisson
Las propiedades fundamentales del proceso de Poisson se definen en el:
a) condicin de estacionario,
b) independencia en todos los puntos temporales (pocas), y
c) regularidad.
b) y c) son propiedades fundamentales, mientras que a) es innecesario. As, se
puede permitir un proceso de Poisson que tenga una intensidad dependiente
del tiempo. A partir de las propiedades precedentes se pueden deducir otras
20

propiedades que son suficientes para definir el proceso de Poisson. Las dos
ms importantes son:
Representacin del nmero: El nmero de eventos dentro de un intervalo de
tiempo de longitud fija tiene distribucin de Poisson. Por consiguiente, el
proceso se denomina proceso de Poisson.
Representacin del intervalo: La distancia temporal Ti entre eventos
consecutivos tiene distribucin exponencial.
En este caso, la frmula muestra la relacin fundamental entre la distribucin
de Poisson acumulada y la distribucin de Erlang (identidad de FellerJensen's):

Esta frmula se puede obtener tambin por integracin parcial repetida.

DISTRIBUCIN EXPONENCIAL DE LOS PROBLEMAS DE POISSON

La variable aleatoria X sigue una distribucin exponencial de parmetro (>0),
que denotamos como X ~Exp(), si su funcin de densidad es:

La variable aleatoria X sigue una distribucin exponencial de parmetro

(>0), que denotamos como X ~Exp(), si su funcin de densidad es:

Su funcin de distribucin es

su esperanza E(X) = 1/y su varianza V(X) = 1/.

21

La primera propiedad que indicaremos para la distribucin exponencial es la

prdida de memoria. Se dice que una variable aleatoria carece de memoria si

o, equivalentemente,

Por lo tanto, la distribucin exponencial carece de memoria, ya que

Adems, la distribucin exponencial no slo carece de memoria, sino que es la

nica distribucin (continua) con tal propiedad.
EJEMPLO
Supongamos que el tiempo que un estudiante dedica diariamente al estudio se
distribuye exponencialmente con media 2 horas:
Cul es la probabilidad de que el estudiante estudie ms de 3 horas? y
cul es la probabilidad de que estudie ms de 3 horas sabiendo que
lleva 1 hora estudiando?
Llamemos X al tiempo que el estudiante dedica diariamente al estudio.
Entonces, X~ Exp(), con =1/2. La probabilidad de que estudie ms de 3
horas es P(X > 3) = 1-P(X 3) = 1-(1-e-3/2 ) = e-3/2 =0.223 y la probabilidad de
que un estudiante estudie ms de 3 horas sabiendo que lleva 1 hora
estudiando es P(X > 3X > 1) = P(X > 2) = e-2/2 = 0.368.
La segunda propiedad es la reproductividad, que hace referencia a que la suma
de distribuciones exponenciales independientes e idnticamente distribuidas
sigue una distribucin gamma.
En efecto, si X1,,Xn son n variables aleatorias independientes distribuidas
exponencialmente, Xi~Exp() i, entonces X1++Xn sigue una distribucin
gamma de parmetros p = n y a = , cuya funcin de densidad es

22

E[X1++Xn] = p/a =

n/

V[X1++Xn] = p/a2 = n/2

La tercera propiedad hace referencia a que el mnimo de n variables aleatorias

exponenciales independientes se distribuye exponencialmente.
En efecto, si X1,,Xn son n variables aleatorias independientes y con
distribucin exponencial, Xi ~Exp(i) i, entonces X = min{X1,,Xn} ~Exp(ii).
La demostracin es trivial como podemos observar de la relacin que sigue

La cuarta propiedad hace referencia a la probabilidad de que una distribucin

exponencial sea menor que otra. Sean X1y X2dos variables aleatorias
independientes y con distribucin exponencial de parmetros 1y 2,
respectiva-mente.

Entonces, P(X1< X2) = 1/(1+2), ya que (teorema de la probabilidad total)

EJEMPLO
Supongamos que un sistema informtico consta de dos procesadores. Los
fabricantes garantizan que los procesadores 1 y 2 funcionarn en condiciones
ptimas durante un tiempo exponencial de media 5 y 6 aos, respectivamente:
23

Cul es la probabilidad de que ambos procesadores funcionen ms de 4

aos?

Cul es la probabilidad de que el procesador 1 deje de funcionar en

condiciones ptimas antes que el 2?
Llamemos Xi, i=1,2, al tiempo de funcionamiento en condiciones ptimas del
proce-sador i.
Por tanto, Xi~Exp(i) con 1 = 1/5 y 2 = 1/6. Entonces, la probabilidad de que
ambos procesadores funcionen ms de 4 aos es
P( min{X1, X2} > 4 ) = 1 -P( min{X1, X2} 4) = e-(1/5+1/6)40.23,
y la probabilidad de que el procesador 1 deje de funcionar en condiciones
ptimas antes que el 2 es
P( X1< X2) = (1/5)/(1/5+1/6) 0.54.

24

DISTRIBUCIN ERLANG K
La distribucin exponencial es la distribucin temporal ms importante de la
teora del telegrfico.
Su principal propiedad es la falta de memoria. Un intervalo de tiempo
exponencial carece de edad. La vida til restante es siempre la misma y es
independiente de la edad real (propiedad markoviana). Gracias a esta
propiedad resulta sencillo utilizar intervalos de tiempo exponenciales en
modelos matemticos (procesos de nacimiento y muerte).
Al combinar en serie intervalos temporales distribuidos exponencialmente se
obtiene una clase de distribuciones denominadas distribuciones de Erlang las
cuales nombraremos a continuacin.
EARLANG B
En el modelo utilizado en la formula de Erlang B, las llamadas que son
bloqueadas toman una nueva ruta y nunca regresan al troncal original, es decir,
lo que diferencia este tipo de formula de bloqueo con las dems, es que el
usuario utiliza un nico intento de llamada, el cual si no logra establecerlo Ser
enrutado otra vez en forma inmediata, esta frmula provee la probabilidad de
bloqueo en la conmutacin, debido a que todo los troncales estn ocupados es
decir debido al congestionamiento.
EARLANG C
Este modelo se basa en la teora de colas, para la cual se tienen un numero
finito de fuentes de entradas servidas o bloqueadas, que en lugar de ser
retroalimentadas se almacenan en una cola hasta obtener servicio, esta utiliza
campos de espera mientras todos los puestos estn ocupados, asi cuando el
puesto este libre la llamada pobra transferirse, en conclusin este modelo
asume que una cola es para mantener las llamadas que no pueden ser
atendidas en forma inmediata

25

TEOREMA DE PALM
El sueco Conny Palm demostr que la distribucin exponencial desempea el
mismo papel para los procesos puntuales estocsticos, donde la superposicin
se efecta por multiplicacin, como lo hace la distribucin normal cuando se
efecta superposicin por adicin.
Teorema: Por superposicin de numerosos procesos puntuales independientes
el proceso total resultante ser localmente un proceso de Poisson.
El trmino "localmente" significa que se consideran intervalos de tiempo que
son tan breves que cada proceso contribuye a lo sumo con un evento durante
este intervalo. Este es un requisito natural pues ningn proceso puede dominar
el proceso total (se suponen condiciones similares para el teorema de lmite
central). El teorema slo es vlido para procesos puntuales regulares.
Si se considera un punto aleatorio en el tiempo en un determinado proceso, el
tiempo hasta la llegada siguiente viene dado por:

Se superponen n procesos en un proceso total. Mediante la eleccin apropiada

de la unidad de tiempo, la distancia media entre llegadas en el proceso total se
mantiene constante, independiente de n. El tiempo desde un punto aleatorio al
evento siguiente en el proceso total viene dado entonces por la siguiente
ecuacin:

Si todos los subprocesos son idnticos, se tiene:

De las ecuaciones anteriores resulta (suponiendo = 1):

26

Y entonces:

Por consiguiente, se obtiene, suponiendo que el nmero de subprocesos

aumenta al infinito:

Que es la distribucin exponencial. Se ha demostrado que por superposicin

de procesos idnticos se obtendr localmente un proceso de Poisson. De
manera similar, se pueden superponer procesos no idnticos y obtener
localmente un proceso de Poisson.
Sabiendo que una distribucin exponencial define la probabilidad que no se
produzcan llegadas en un periodo de tiempo, se puede decir que en una central
telefnica, en el estudia de varias llamadas que circularan en un slo canal,
estas trabajan en superposicin y terminarn siendo un proceso de poisson ya
que no pueden ocurrir todas las llamadas en el mismo intervalo de tiempo.

TEOREMA DE RAIKOV

Mediante la descomposicin aleatoria de un proceso puntual en

subprocesos, cada uno de ellos converge a un proceso de Poisson cuando la
probabilidad que un evento pertenezca a un subproceso tienda a cero.
Un teorema similar, el teorema de la descomposicin, es vlido cuando se
divide un proceso puntual en subprocesos y que esto se efecta en forma
aleatoria. Si en un proceso hay n veces menos eventos, es natural entonces
disminuir los ejes de tiempo en un factor n.
Adems de superposicin y descomposicin (fusin y divisin, o unin y
bifurcacin), se puede efectuar otra operacin en un proceso puntual,
denominada translacin (desplazamiento) de los eventos particulares. Cuando
esta translacin para cada evento es una variable estocstica, independiente
27

de otros eventos, un proceso puntual arbitrario converger nuevamente a un

proceso de Poisson.
Con referencia a los procesos puntuales que se producen en la vida real, se
puede esperar conforme a lo indicado anteriormente, que hay procesos de
Poisson cuando se satisface una serie de condiciones independientes
suficientemente amplias para que se produzca un evento. sta es la razn que
muestra que el proceso de Poisson es una buena descripcin de, por ejemplo,
los procesos de llegada de todos los abonados a una central telefnica.
Un ejemplo de ello en telecomunicaciones sera la redundancia, en procesos
de compresin de datos donde es desechada la informacin que se considera
despreciable, de esta manera el archivo completo, queda ms reducido
aportando prcticamente la misma informacin.

DISTRIBUCIN UNIFORME
Una distribucin uniforme es aquella para la que la probabilidad de ocurrencia
es la misma para todos los valores de X. a veces se llama una distribucin
rectanguar. Por ejemplo, si en un dado se produce la probabilidad de obtener
cualquiera de los seis posibles resultados, entonces la probabilidad es 1/6.
Dado que todos los resultados son igualmente probables, la distribucin es
uniforme. Si una distribucin uniforme est dividida en igual distancia, habr un
nmero igual de miembros de la poblacin en cada intervalo.

Una distribucin uniforme en un intervalo muy amplio corresponde a un

proceso de Poisson. Se podr ver que la propiedad inversa es tambin vlida.
Si para un proceso de Poisson se tiene n llegadas dentro de un intervalo de
duracin t, esas llegadas estn distribuidas uniformemente dentro de ese
intervalo. Puede en s mismo ser una variable estocstica (que depende del
azar) si es independiente del proceso de Poisson.

28

En cuanto a redes celulares una distribucin uniforme sera todos los usuarios
de una misma celda que comparten los mismo recursos la misma central de
conmutacin es decir
estn sujetos a las mismas condiciones, las
posibilidades de realizar cualquier tipo de solicitud y que esta sea exitosa es
uniforme, debido a que todos cuentan con los mismos recursos, el caso
contrario, el de distribucin no uniforme sera entre usuarios de distintas celdas,
donde los recursos no son los mismos y la saturacin de la otra celda puede
ser mayor.

PROCESO DE NACIMIENTO Y MUERTE UNIDIMENSIONAL

La mayor parte de los modelos elementales de colas suponen que las entradas
(llegada de clientes) y las salidas (clientes que se van) del sistema ocurren de
acuerdo al proceso de nacimiento y muerte. Este importante proceso de teora
de probabilidad tiene aplicaciones en varias reas. Sin embrago en el contexto
de la teora de colas, el trmino nacimiento se refiere a llegada de un nuevo
cliente al sistema de colas y el trmino muerte se refiere a la salida del cliente
servido.
El estado del sistema en el tiempo t (t 0), denotado por N (t), es el nmero de
clientes que hay en el sistema de colas en el tiempo t. El proceso de
nacimiento y muerte describe en trminos probabilsticos cmo cambia N (t) al
aumentar t. En general, dice que los nacimientos y muertes individuales
ocurren aleatoriamente, en donde sus tasas medias de ocurrencia dependen
del estado actual del sistema.
De manera ms precisa, las suposiciones del proceso de nacimiento y muerte
son las siguientes:
SUPOSICIN 1. Dado N (t) = n, la distribucin de probabilidad actual del
tiempo que falta para el prximo nacimiento (llegada) es exponencial con
parmetro (n=0,1,2,.).
SUPOSICIN 2. Dado N (t) = n, la distribucin de probabilidad actual del
tiempo que falta para la prxima muerte (terminacin de servicio) es
exponencial con parmetro (n=1,2,.).
SUPOSICIN 3. La variable aleatoria de la suposicin 1 (el tiempo que
falta hasta el prximo nacimiento) y la variable aleatoria de la suposicin
2 (el tiempo que falta hasta la siguiente muerte) son mutuamente
independientes.
Como consecuencia de las suposiciones 1 y 2, el proceso de nacimiento y
muerte es un tipo especial de cadena de Markov de tiempo continuo. Los
29

modelos de colas que se pueden representar por una cadena de Markov de

tiempo continuo son mucho ms manejables analticamente que cualquier otro.
Excepto por algunos casos especiales, el anlisis del proceso de nacimiento y
muerte es complicado cuando el sistema se encuentra en condicin transitoria.
Se han obtenido algunos resultados sobre esta distribucin de probabilidad de
N (t) pero son muy complicados para tener un buen uso prctico. Por otro lado,
es bastante directo derivar esta distribucin despus de que el sistema ha
alcanzado la condicin de estado estable (en caso de que pueda alcanzarla).

Ejemplo:
En los procesos de Nacimiento y Muerte, existen tres tipos bsicos usados en
teora de colas como son M/M/1 (donde hay un solo servidor con un buffer
infinito), M/M/C (donde hay un servidor multiple y un buffer infinito), y por ultimo
est el M/M/1/K (donde hay un solo servidor pero el tamao del buffer es K). El
ejemplo que se dara a continuacin corresponde al modelo M/M/1.
MODELO M/M/1

Distribucin de nacimientos: Exp (k)

Distribucin de muertes: Exp (k)
N de Servidores = 1
Capacidad de carga =
Poblacin =

k = , con k = 0,1,2...
k = , con k = 1,2,3...

Para que el modelo sea ergdico:

<1

El diagrama de transicin de estados correspondiente es:

30

En general, la solucin de

0 =

k y 0

viene dada por la expresin:

k 1

k 1

1 +
k =1 i = 0

k = 0

i
i +1

i =0

i
i +1

Para este sistema en particular, la solucin es algebraicamente sencilla, es

decir:

k = 0

k 1

k = 0
i =0

0 =

1

1+
k =1

= 1

k =0

Se define , la utilizacin, como:

Luego reescribimos

en funcin de :

0 = 1 , k = (1 ) k
Procedemos a definir el nmero medio de clientes que para el caso M/M/1 se
realiza de la siguiente manera:

N = k k
k =0

31

k =0

k =0

N = k k = (1 ) k k
k

k =0
1
N = (1 )
1
N = (1 )

N=

El tiempo medio de permanencia en el sistema (T) corresponde a otra medida

caracterstico del sistema de especial inters para el usuario:

T=

1
=

T=

1
(1 )

Para este tipo de sistema otra medida de importancia es la probabilidad de que

hayan ms de k usuarios en el sistema, es decir:

P[ k en el sistema ] = i
i =k

Evaluando para este caso en particular, se obtiene:

P[ k en el sistema] = (1 ) i

P[ k en el sistema ] = k

i =k

32