Documente Academic
Documente Profesional
Documente Cultură
PARTE II
INDICE
INTRODUCCIN A LA TEORA DE COLAS ............................................................... 3
OBJETIVOS DE LA TEORA DE COLAS: ................................................................... 5
ELEMENTOS EXISTENTES EN UN SISTEMA DE COLAS: ....................................... 5
Cliente: ............................................................................................................................ 6
La cola ............................................................................................................................. 7
El sistema de la cola:................................................................................................... 8
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:
-
Adems,
el
servicio
puede
otorgarse
de
acuerdo
quien
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:
b)
c)
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.
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
es adems
proporcionales.
La distancia en tiempo entre dos llegadas sucesivas es:
: Se mantiene el intervalo t
de llamadas en el tiempo t
11
para el
llegadas
con
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.
es igual a
Se asume que
como la
es:
es un
Donde
es el tiempo entre-llegadas
14
15
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}
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
18
EJEMPLO
1)
Emisor+cola:
19
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):
Su funcin de distribucin es
21
o, equivalentemente,
22
E[X1++Xn] = p/a =
n/
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
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:
26
Y entonces:
TEOREMA DE RAIKOV
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.
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.
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
k = , con k = 0,1,2...
k = , con k = 1,2,3...
<1
30
En general, la solucin de
0 =
k y 0
k 1
k 1
1 +
k =1 i = 0
k = 0
i
i +1
i =0
i
i +1
k = 0
k 1
k = 0
i =0
0 =
1
1+
k =1
= 1
k =0
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=
T=
1
=
T=
1
(1 )
P[ k en el sistema ] = i
i =k
P[ k en el sistema] = (1 ) i
P[ k en el sistema ] = k
i =k
32