Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 3. Distribuciones de Los Intervalos de Tiempo
Capitulo 3. Distribuciones de Los Intervalos de Tiempo
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:
Figura 5.3 Distribuciones Erlang-k con valor medio igual a uno. El caso k = 1 corresponde
a una distribucin exponencial (funciones de densidad)
(4.10)
Mediante las ecuaciones (3.31) y (3.32) se pueden obtener los momentos siguientes;
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:
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]).
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):
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:
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.
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 5.6 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:
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
donde
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
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:
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):
~
~
~
~
~
~
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]).