Capitulo 3. Distribuciones de Los Intervalos de Tiempo

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD
ESCUELA DE CIENCIAS BSICAS TECNOLOGAS E INGENIERAS

CONTENIDO DIDCTICO DEL CURSO: 208022-TELETRAFICO
CAPITULO 3: DISTRIBUCIONES DE LOS INTERVALOS DE TIEMPO

La distribucin exponencial es la distribucin temporal ms importante de la teora del teletrfico.
Al combinar en serie intervalos temporales distribuidos exponencialmente, se obtiene una clase de
distribuciones denominadas distribuciones de Erlang. Al combinarlos en paralelo, se obtiene una
distribucin hiperexponencial. Al combinar las distribuciones exponenciales en serie y en paralelo,
posiblemente con retroalimentacin, se obtienen distribuciones de tipo fase, lo que constituye una
clase muy general de distribuciones. Las distribuciones de Cox son una sub categora importante
de las distribuciones de tipo fase. Se observa que una distribucin arbitraria se puede expresar
mediante una distribucin Cox, lo que puede utilizarse en modelos analticos en forma
relativamente sencilla. Por ltimo, tambin se estudian otras distribuciones temporales que se
emplean en la teora del teletrfico. Se ofrecen algunos ejemplos de observaciones de tiempos de
vida.
Leccin 11: Distribucin exponencial

En la teora de teletrfico esta distribucin tambin se denomina distribucin exponencial negativa.
En principio, se puede utilizar cualquier funcin de distribucin con valores no negativos para
modelar un tiempo de vida. Sin embargo, la distribucin exponencial tiene algunas caractersticas
propias que hacen que esta distribucin se califique para utilizacin analtica y prctica. La
distribucin exponencial desempea un papel fundamental entre todas las distribuciones de tiempo
de vida.
Esta distribucin se caracteriza por un parmetro nico, la intensidad o rgimen :
La funcin gamma viene defina por:
Si se reemplaza t por t y se obtiene el -simo momento, se tiene:

Figura 5.1 En diagramas de fase todo intervalo de tiempo distribuido exponencialmente se

ilustra como una casilla con la intensidad. La casilla significa as que uncliente que llega a
la misma sufre el retardo de un intervalo de tiempo distribuido exponencialmente antes de
dejar la casilla
La distribucin exponencial es muy apropiada para describir intervalos de tiempo fsicos (vase la
figura 6.2). La caracterstica ms importante de la distribucin exponencial es su falta de memoria.
La distribucin del tiempo residual de una conversacin telefnica es independiente de la duracin
real de la conversacin, y es igual a la distribucin del tiempo de vida total (3.11):
Si se quita la masa de probabilidad del intervalo (0, x) a partir de la funcin densidad y se

normaliza la masa residual en (x, ) a la unidad, la nueva funcin de densidad se hace congruente
con la funcin de densidad original. La nica funcin de distribucin continua que tiene esta
propiedad es la distribucin exponencial, mientras que la distribucin geomtrica es la nica
distribucin discreta que tiene esta propiedad. En la figura 3.1 se muestra un ejemplo con la
distribucin de Weibull en la que esta propiedad no es vlida. Para k = 1 la distribucin de Weibull
se hace idntica a que la distribucin exponencial. Por tanto, el valor medio del tiempo de vida
residual es m1,r = m y la probabilidad de observar un tiempo de vida en el intervalo (t,t + dt),
teniendo en cuenta que se produzca despus de t, viene dado por:
es decir es independiente del tiempo real t.

11.1 Mnimo de k variables aleatorias distribuidas exponencialmente
Se supone que dos variables aleatorias X1 y X2 son mutuamente independientes y estn
distribuidas exponencialmente con intensidades 1 y 2, respectivamente. Una nueva variable
aleatoria X se define como:

La funcin de distribucin de X es:
Esta funcin de distribucin propiamente dicha es tambin una distribucin exponencial con
intensidad (1 y 2).
Con la hiptesis que el primer evento (ms pequeo) sucede en el tiempo t, la probabilidad que
la variable aleatoria X1 se realice primero viene dada por:
es decir independiente de t. (No es necesario integrar todos los valores de t.)

Esos resultados pueden ser generalizados a k variables e integrar el principio bsico de la
simulacin tcnica denominada mtodo de la ruleta, una metodologa de simulacin de Monte
Carlo.
11.1.2 Combinacin de distribuciones exponenciales
Si una distribucin exponencial (es decir, un parmetro) no puede describir los intervalos de
tiempo con detalle suficiente, se ha de tener que utilizar entonces una combinacin de dos o ms
distribuciones exponenciales. Conny Palm introdujo dos clases de distribuciones: pronunciada y
plana. Una distribucin pronunciada corresponde a un conjunto de distribuciones estocsticas con
exponencial independiente dispuestos en serie (vase la figura 5.2), y una distribucin plana
corresponde a distribuciones exponenciales dispuestas en paralelo (vase la figura 5.4). Esta
estructura corresponde naturalmente a la configuracin de procesos de trfico en redes de
telecomunicacin y datos.
Mediante la combinacin de distribuciones pronunciada y planas se obtiene una aproximacin
arbitrariamente buena para cualquier funcin de distribucin (vase la figura 5.7). Los diagramas
de las figuras 5.2 y 5.4 se denominan diagramas de fase.
Figura 5.2 - Mediante la combinacin de k distribuciones exponenciales en serie se obtiene

una distribucin pronunciada ( 2). Si todas las distribuciones k son idnticas (1 = ), se
obtiene entonces una distribucin Erlang-k

Figura 5.3 Distribuciones Erlang-k con valor medio igual a uno. El caso k = 1 corresponde
a una distribucin exponencial (funciones de densidad)
Leccin 12: Distribuciones pronunciadas

Las distribuciones pronunciadas tambin se denominan distribuciones hiperexponenciales o
distribuciones Erlang generalizadas con un factor de forma en el intervalo 1 < 2. Esta funcin de
distribucin generalizada se obtiene convolucionando distribuciones exponenciales k (vase la
figura 5.2). Aqu slo se considera el caso en el que todas las distribuciones exponenciales k son
idnticas. Se obtiene entonces la siguiente funcin de densidad que se denomina distribucin
Erlang-k.

(4.10)
Mediante las ecuaciones (3.31) y (3.32) se pueden obtener los momentos siguientes;
El i-simo momento no central es:
La funcin de densidad se calcula en el 6.2.2. El tiempo de vida residual medio m1,r(x) para x 0
ser menor que el valor medio:
Con esta distribucin se tiene dos parmetros ( , k) disponibles para ser estimados por
observacin. El valor medio se mantiene a menudo fijo. Para estudiar la influencia del parmetro k
en la funcin de distribucin, se normalizan todas las distribuciones Erlang-k al mismo valor medio
como la distribucin Erlang-1, es decir la distribucin exponencial con 1/ medio, reemplazando t
por kt o por k:

Se observa que el factor de forma es independiente de la escala de tiempos. La funcin de

densidad (4.15) se ilustra en la figura 5.3 para diferentes valores de k con = 1. El caso k = 1
corresponde a la distribucin exponencial. Cuando k se obtiene en un intervalo de tiempo
constante ( = 1).
Resolviendo la ecuacin f' (t) se halla el valor mximo con la siguiente expresin:
Las distribuciones pronunciadas se denominan as debido a que las funciones de distribucin

aumenta de 0 a 1 ms rpidamente que la distribucin exponencial. En teora de teletrfico se
utiliza a veces el nombre distribucin de Erlang para la distribucin de Poisson truncada.
Leccin 13: Distribuciones planas

La funcin de distribucin general es en este caso una suma ponderada de distribuciones
exponenciales (distribucin compuesta) con un factor de forma 2:
donde la funcin de ponderacin puede ser discreta o continua (integral de Stieltjes). Esta clase de
distribucin corresponde a una combinacin en paralelo de las distribuciones exponenciales
(vase la figura 5.4). La funcin de densidad se denomina funcin montona completa debido a los
signos alternados (Palm, 1957 [84]).

Figura 5.4 Mediante la combinacin de distribuciones exponenciales k en paralelo y

seleccionando la derivacin nmero i con la probabilidad pi, se obtendr una distribucin
hiperexponencial, que es una distribucin plana ( 2)
El tiempo de vida residual medio m1,r(x) para toda x 0 es mayor que el valor medio:
13.1
Distribucin hiperexponencial
En este caso, W() es un valor discreto. Supngase que se tengan los siguientes valores dados:
1, 2, ... , k,
y que W() tenga incrementos positivos:
p1, p2, ... , pk
donde
Para cualquier otro valor, W() es constante. En este caso (4.20) resulta:
Los valores medio y el factor de forma se pueden hallar con las ecuaciones (3.36) y (3.37) (i =
m1,i = 1/i):

Si n = 1 o todas las i son iguales, se tendr una distribucin exponencial.

Esta clase de distribucin se denomina distribucin hiperexponencial y se puede obtener
combinando n distribuciones exponenciales en paralelo, donde la probabilidad de elegir la i-sima
distribucin viene dada por pi. La distribucin se denomina plana pues su funcin de distribucin
de 0 a 1 aumenta ms lentamente que la distribucin exponencial.
En la prctica, es difcil estimar ms que uno o dos parmetros.
El caso ms importante es para n = 2 (p1 = p, p2 = 1 p):
Los problemas estadsticos surgen aun cuando se tratan tres parmetros. Por consiguiente, para
aplicaciones prcticas se escoge usualmente i= 2pi y se reduce as la cantidad de parmetros a
slo dos:
El valor medio y el factor de forma resultan:
Para esta eleccin de parmetros las dos derivaciones tiene la misma contribucin para el valor
medio. En la figura 5.5 se ilustra un ejemplo.
Leccin 14: Distribuciones de Cox

Mediante la combinacin de distribuciones planas y pronunciadas se obtiene una clase de
distribucin general (distribuciones de tipo de fase) que se pueden describir con fase exponencial
tanto en serie como en paralelo (por ejemplo una matriz k l). Para analizar un modelo con esta
clase de distribuciones, se puede aplicar la teora de los procesos de Markov, de la que se tienen
herramientas eficaces como el mtodo de fase. En el caso ms general se puede permitir la
realimentacin entre las fases.

Slo se considerarn distribuciones de Cox como las que se muestran en la figura 5.6 (Cox, 1955
[18]). Estas distribuciones tambin aparecen con el nombre de distribucin de Erlang con
derivaciones.
Figura 5.5 Funcin de la (frecuencia de) densidad para tiempos de ocupacin

observndose lneas en una central local durante las horas cargadas. (Central 0163, 27/5-6/6
1975.)

Figura 5.6 Distribucin de Cox en una distribucin Erlang generaliza que tiene
distribuciones exponenciales tanto en serie como en paralelo.
El diagrama de fase es equivalente a la figura 5.7
Figura 5.7 Diagrama de fase de una distribucin de Cox (vase la figura 5.6)
El valor medio y la varianza de esta distribucin de Cox (vase la figura 5.7) se encuentran en las
frmulas:
donde:
El trmino qi(1 ai) es la probabilidad de salir despus de alcanzar la i-sima fase. El valor medio
se puede calcular con la simple expresin siguiente:
donde m1,i = qi/i, es el i-simo valor medio relacionado con la fase. La varianza es:

que se puede expresar as:
La adicin de dos variables aleatorias con distribucin Cox produce otra variable con distribucin
Cox, es decir esta clase es cerrada de acuerdo con la operacin de adicin.
La funcin de una distribucin de Cox se puede expresar como la suma de funciones
exponenciales:
donde
14.1 Prueba polinomial

Las siguientes propiedades tienen importancia para aplicaciones posteriores. Si se considera un
punto en el tiempo escogido al azar dentro de un intervalo de tiempo con distribucin de Cox, la
probabilidad que este punto est dentro de la fase i viene dada por:
Si este experimento se repite y veces (independientemente), la probabilidad que la fase i se

observa yi veces est dada por la distribucin multinomial ( = distribucin polinomial):
donde

Estas expresiones (4.38) se denominan coeficientes multinomiales. Por la propiedad de "falta de

memoria" de las distribuciones (fases) exponenciales se tiene plena informacin acerca del tiempo
de vida residual, cuando se conoce el nmero de la fase real.
14.2 Principios de descomposicin
Figura 5.8 Una distribucin exponencial con intensidad es equivalente a la distribucin

de Cox mostrada (Teorema 4.1)
Los diagramas de fase constituyen una herramienta til para analizar las distribuciones de Cox. La
siguiente es una caracterstica fundamental de la distribucin exponencial (Iversen y Nielsen, 1985
[43]):
Teorema 4.1 Una distribucin exponencial con intensidad se puede descomponer en una
distribucin Cox de dos fases, donde la primera tiene una intensidad m > y la segunda una
intensidad (vase la figura 5.8).
El Teorema 4.1 muestra que una distribucin exponencial es equivalente a una distribucin de
Cox homognea (homognea significa que tiene iguales intensidades en todas las fases) con
intensidad m y un nmero infinito de fases (vase la figura 5.8). Se observa que las probabilidades
de derivaciones son constantes. La figura 5.9 corresponde a una suma ponderada de
distribuciones Erlang-k donde los factores de ponderacin estn geomtricamente distribuidos.

Figura 5.9 Una distribucin exponencial con rgimen se transforma por descomposicin
sucesiva en una distribucin compuesta de distribuciones Erlang-k homogneas con los
parmetros > , donde los factores de ponderacin siguen una distribucin geomtrica
(cociente p = /m).
Figura 5.10 Con una distribucin hiperexponencial con dos fases 1 > 2 puede ser
transformada a una distribucin de Cox-2.
Conforme al Teorema 4.1 una distribucin hiperexponencial con l fases es equivalente a una
distribucin de Cox con el mismo nmero de fases. El caso l = 2 se muestra en la figura 5.10.
Se tiene otra propiedad de las distribuciones de Cox (Iversen y Nielsen, 1985 [43]):
Teorema 4.2
En cualquier distribucin de Cox se pueden ordenar las fases, tal como i i+1.
Mediante el empleo de los diagramas de fase es sencillo ver que cualquier intervalo de tiempo
exponencial () se puede descomponer en distribuciones de tipo de fase (i), donde i .
Referente a la figura 5.11 se observa que el rgimen fuera de los estados macro (rectngulo en
lnea de trazos) es independiente de del estado micro. Cuando el nmero de fase k es finito y no
hay realimentacin la fase final debe tener rgimen .

Figura 5.11 Esta distribucin de tipo de fase es equivalente a un exponente nico cuando
pi . i = . As i como 0 < pi 1
14.3
Importancia de la distribucin de Cox
Las distribuciones de Cox han atrado la atencin durante los ltimos aos pues son de gran
importancia debido a las siguientes propiedades:
a. La distribucin de Cox se puede analizar utilizando el mtodo de fases.
b. Se puede tener una distribucin arbitraria aproximadamente bien con una distribucin de Cox.
Si una propiedad es vlida para una distribucin de Cox ser tambin vlida para cualquier
distribucin de inters prctico.
Con las distribuciones de Cox se pueden obtener resultados con mtodos elementales que
previamente requeran matemticas muy avanzadas.
En la conexin con aplicaciones prcticas de la teora, se han utilizado los mtodos para estimar
los parmetros de la distribucin de Cox. En general, hay 2k parmetros en un problema
estadstico sin resolver. Normalmente, se puede elegir una distribucin de Cox especial (por
ejemplo, distribucin Erlang-k o hiperexponencial) y aproximarse al primer momento.
Por simulacin numrica en computadoras utilizando el mtodo de la ruleta, se obtienen
automticamente las observaciones de los intervalos de tiempo como distribucin de Cox con las
mismas intensidades en todas las fases.
Leccin 15:
Otras distribuciones temporales
En principio, cada distribucin que tiene valores no negativos, se puede utilizar como distribucin
temporal para describir los intervalos de tiempo. Pero en la prctica, se trabaja principalmente con
las distribuciones mencionadas anteriormente.
Se supone que el parmetro k en la distribucin de Erlang-k (Ec. 4.8) toma valores reales no
negativos y obtiene la distribucin gamma:

El valor medio y la varianza vienen dados por las ecuaciones (4.11) y (4.12).
Otro ejemplo de una distribucin tambin conocida en la teora de teletrfico es la distribucin de
Weibull:
Con esta distribucin se puede, por ejemplo, obtener la intensidad de fin de vida dependiente del
tiempo (3.14):
Esta distribucin tiene su origen en la teora de la fiabilidad. Para k = 1 se tiene la distribucin

exponencial.
Ms adelante, se tratar un conjunto de distribuciones discretas que tambin describe el tiempo de
vida, tal como la distribucin geomtrica, distribucin de Pascal, distribucin binomial, distribucin
de Westerberg, etc. En la prctica, los parmetros de distribuciones no son siempre constantes.
Los tiempos (de ocupacin) del servicio se pueden relacionar fsicamente con el estado del
sistema. En sistemas hombre-mquina el tiempo del servicio cambia en razn de la actividad
(disminuye) o inactividad (aumenta). De la misma manera, los sistemas electromecnicos
funcionan ms lentamente durante periodos de carga elevada en razn que la tensin diminuye.
Para algunas distribuciones que se aplican ampliamente en la teora de puesta en fila, se utilizan
las siguientes notaciones abreviadas:
M
Ek
Hn
D
Cox
G
~
~
~
~
~
~
Distribucin exponencial (Markov),

Distribucin de Erlang-k,
Distribucin hiperexponencial de orden
n,
Constante (Determinstica),
Distribucin de Cox,
General = atribucin arbitraria.
15.1 Observaciones de la distribucin de tiempo de vida

En la figura 5.5 se muestra un ejemplo de los tiempos de ocupacin observados desde una central
telefnica local. El tiempo de ocupacin comprende el tiempo de sealizacin y, si la llamada se
responde, el tiempo de conversacin. En la figura 6.2 se muestra la observacin y los periodos

entre llegadas de llamadas a una central telefnica de trnsito durante una hora.
Desde sus comienzos, la teora de teletrfico ha sido caracterizada por una fuerte interaccin entre
teora y prctica, y han habido excelentes posibilidades para efectuar mediciones.
Erlang [12] present en 1920 un informe sobre los resultados de una medicin en las que se
registraron 2 461 tiempos de conversacin en una central telefnica de Copenhague (1916). Palm
(1943 [81]) analiz el campo de mediciones de trfico, de manera terica y prctica, y efectu
amplias mediciones en Suecia.
Se han llevado a cabo numerosas mediciones en sistemas de computacin. Mientras que en
sistemas telefnicos rara vez se tiene un factor de forma mayor que 6, en trfico de datos se
observan factores de forma mayores que 100. Este es el caso, por ejemplo para transmisin de
datos, donde se envan algunos caracteres o bien una gran cantidad de datos. Las mediciones
extensas ms recientes han sido efectuadas y modeladas utilizando modelos de trfico similares
(Jerkins y otros, 1999 [51]).

Capitulo 3. Distribuciones de Los Intervalos de Tiempo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 3. Distribuciones de Los Intervalos de Tiempo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BSICAS TECNOLOGAS E INGENIERAS