Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Markov PDF
Markov PDF
Teora de Colas
Carlos F. Belaustegui Goitia
09/11/2003
n
n!
=
k k!(n k )!
3 4
P( X = 1) = p
P( X = 2) = (1 p) p
L
P( X = n) = (1 p) n1 p = q n1 p
n=22, k=7
1
13
15
21
1
1 3 4 8 13 15 21
1 2 4 5 11 19 20
3 5 6 7 12 17 20
...............
4 6 8 9 16 21 22
22
combinaciones
7
3 4
15
21
X=n
P ( X = n, X > n0 ) P ( X = n)
=
=
P ( X > n0 )
P ( X > n0 )
q n 1 p
k 1
=
p
k = n0 +1
=
5 48
48
13
n0
X=n
09/11/2003
Distribucin geomtrica.
X es el nmero de pruebas
hasta el primer xito en una
secuencia de pruebas de
Bernoulli.
q n 1
i = n0
=
i
q n 1
= q n n0 1 p = P ( X = n n0 )
n0
1
1 q
1 q 1 q
53 bytes
C.F. Belaustegui
Goitia - Cadenas de Markov y Teora de Colas
1 CC = 2.83 uSec @ 149.76 Mbps
n
n!
=
k k!(n k )!
3 4
1 3 4 8 13 15 21
1 2 4 5 11 19 20
3 5 6 7 12 17 20
...............
4 6 8 9 16 21 22
09/11/2003
13
1 k / n
pn (k + 1)
p nk
a
a
=
1 p k +1 1 a / n k +1
pn (k )
k +1
a
pn ( k )
k +1
p(0) = lim pn (0) = lim (1 p) n = lim (1 a / n) n = e a
pn (k + 1) =
n
n=22, k=7
1
p(1) = ae a
15
21
22
combinaciones
7
p ( 2) =
a
a2
p(1) = e a
2
2
L
a k a
p(k ) = e
k!
Puntos de Poisson
6 1 5
3 2
t1
(t ) k t
pn (k puntos en [t1 , t 2 ]) n
= p(k )
e
,T
k!
09/11/2003
t2
= n /T
n , T , = cte., p = t / T 0
a = np = n t / T = t
94 8 7
Densidad de puntos
t
p(1) = t e t t (1 t )
t 0
(t ) k t (t ) k
(t ) k
e
(1 t )
t 0
k!
k!
k!
P (1 punto en [t, t + t ])
= lim
t 0
t
p(k ) =
Distribucin Exponencial
X
t
x0
t+x
x0
f X ( x) = e x u ( x)
1
1
E ( X ) = x e x dx = , var( X ) = 2
0
Los tiempos entre arribos son independientes y
distribudos exponencialmente con parmetro
09/11/2003
P( X x, X x0 )
=
P( X x0 )
P( x 0 X x) FX ( x) FX ( x0 )
=
= 1 e ( x x0 )
P( X x0 )
1 FX ( x0 )
f X ( x / X x0 ) = e ( x x0 ) u ( x x0 ) = f X ( x x0 )
Lo que ocurre despus de t0 es independiente de lo
que ocurri antes de t0..
Tiempo discreto
Proceso de Bernoulli
Proceso de Poisson
Geomtrica
Exponencial
09/11/2003
09/11/2003
arribos
tiempo
t+x
fTh (t ) = e t u (t )
f X ( x) = e x u ( x)
E ( X ) = x e
0
Arribos de Poisson
Fdp experimental
1
1
dx = , var( X ) = 2
1/
tk
1
2
Trfico (Erlang)
i
T
ai = i E (Thi ) =
a = ai =
i
09/11/2003
N i 1 Ni
1 Ni
tki = tki
T N i k =1
T k =1
1 L
jtj
T j =0
Procesos de Markov
Proceso de Markov: Es un proceso estocstico cuyo
pasado no tiene influencia sobre el futuro si el presente
est especificado.
ij (n1, n2 ) = P( X n2 = a j / X n1 = ai )
Tiempo continuo:
t n 1 < t n
P[X (t n ) xn / X (t ) t t n 1 ] = P[X (t n ) xn / X (t n 1 )]
Tiempo discreto:
ij
( n, m ) = 1
(n, m)1 = 1
i1
continuo
discreto
estado
p j (n) = pi (k ) ij (k , n)
Cadenas de
Markov
discreto
Procesos
puntualesColas
continuo
tiempo
i2
ai
Matriz estocstica
Sistemas
dinmicos
Prob. transicin
Propiedades:
j
09/11/2003
Prob. estado
pi (n) = P( X n = ai )
p T ( n ) = p T ( k ) ( k , n)
ik
p1
1j
aj
2j
p2
ij p
i
ij (k , n) = il (k , m) lj (m, n)
l
(k , n) = (k , m) (m, n)
C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
Ecuacin de
Chapman-Kolmogorov
10
n 1
,L , x1 ) dx =
(n, m) = P( X m = a j / X n = ai ) =
j
P( X m = a j , X n = ai )
P( X n = ai )
p (k )
i
x f ( x / xn1 ) dx =E ( X n / X n1 )
f ( xn / xn +1 ,L , xn + k ) = f ( xn / xn +1 )
ij
x f (x / x
ij
P( X n = ai )
=1
P( X n = ai )
(k , n) = P( X k = ai ) P( X n = a j / X k = ai ) =
i
= P( X k = ai , X n = a j ) =P( X n = a j ) = p j (n)
i
k < m < n:
ij ( k , n) = P ( X n = a j / X k = ai ) = P ( X n = a j , X m = al / X k = ai ) =
l
k < m < n:
f ( xn , x m , xk )
f ( xn , xk / x m ) =
=
f ( xm )
=
f ( xn / xm ) f ( xm / xk ) f ( xk )
= f ( xn / xm ) f ( xk / xm )
f ( xm )
P ( X n = a j , X m = a l , X k = ai )
=
P ( X k = ai )
P ( X n = a j / X m = a l , X k = ai ) P ( X m = al , X k = a i )
P ( X k = ai )
= P ( X n = a j / X m = a l , X k = a i ) P ( X m = a l / X k = ai ) =
l
= P ( X n = a j / X m = a l ) P ( X m = al / X k = a i ) =
l
09/11/2003
= il ( k , m) lj ( m, n)
11
ij (k , n) = il (k , m) lj (m, n)
Estado estacionario
(k , n) = (k , m) (m, n)
p ( n) = p
pT = pT
ij (n k ) = il (m k ) lj (n m)
l
( n k ) = ( m k ) ( n m)
( p + q ) = ( p ) ( q ) = ( q ) ( p )
09/11/2003
12
1-a
00
11
1-b
Matriz de transicin
01 1 a
a
=
= 00
10 11 b 1 b
1 b a (1 a b) n a a
n
+
( n) = =
a + b b a
a + b b b
09/11/2003
p = p
[ p0
p1 ] = [ p0
a p0 = b
1 a
p1 ]
a+b
b
b
1
a
p0 + p1 = 1 p1 =
a+b
13
1-p
11
1-p
p
22
1-p
p
n-1
n-1
1-p
p
Matriz de transicin
Con probabilidad p
Con probabilidad 1-p
n
Sn = I1 + L + I n P( Sn = j ) = p j (1 p) n j
j
09/11/2003
00
1-p
0 jn
p
0
0
1 p
0
1 p
p
0
=
0
0
1 p p
L
L L
L
L
L
14
nn
Matriz no negativa
( ) = max
0 ij 0 i, j
( )
1 ( ) 1 ( )
0
Matriz Estocstica
1 = 1 (1,1) es un par propio de
1 = 1 max x = max ij = 1
x =1
() ( ) = 1
( ) = 1
El radio espectral es unitario
09/11/2003
15
Clasificacin de Estados
Recurrente
f i = ii (n) = 1
n =1
Transitorio
f i = ii (n) < 1
n =1
16
Clases de Estados
09/11/2003
Clase reducible
Clase cerrada
Estados absorbentes
Clase irreducible
17
Clases de Cadenas
En una cadena irreducible, todos los estados son recurrentes o son todos transitorios.
En una cadena irreducible finita, no pueden ser todos los estados transitorios; luego, son todos recurrentes.
Reducible. Opciones:
1.
2.
Tiene un subconjunto de estados S1 desde el cual no es posible alcanzar estados fuera de S1.
Absorbente: la que tiene al menos un estado absorbente, accesible desde cualquier otro estado.
Regular: Es posible ir de un estado a cualquier otro en exactamente n pasos: n>0/ (n)= n > 0.
Regular Todos los estados comunican Irreducible
09/11/2003
18
Cadenas Absorbentes
Una cadena es absorbente si es posible renombrar sus
estados para escribir la matriz de probabilidades de
transicin como
Q R
=
0 I
11
22
33
tt
t+1
t+1
t+2
t+2
1
t+r
t+r
r estados absorbentes
(I Q )1 R
Q R
p Q (n + 1) p I ( n + 1) = p Q ( n) p I (n)
0 I
p Q ( n + 1) = p Q ( n)Q, p I ( n + 1) = p Q ( n)R + p I (n)
t estados transitorios
0
Q n Q n 1 + Q n 2 + L + I R
=
n
0
I
0
p ( n) = p Q ( n) p I ( n )
n
] [
p Q ( n) 0, p I ( n) p Q (0)(I Q ) R + p I (0)
1
t
09/11/2003
r
C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
19
Matrices de Permutacin
P es una matriz de permutacin si exactamente 1 elemento en cada
fila y 1 elemento en cada columna es 1 y los restantes son nulos.
0 1 0
1 2
P = 1 0 0, P 2 = 1
0 0 1
3 3
permuta las filas de A
PA
permuta las columnas de A
AP
A' = P T AP
det P = 1
P1 , P2 MP P1 P2 MP
B C
A' = P T AP =
0 D
Test: A NN es irreducible sii:
Identidad de NN
(I
+ A)
N 1
>0
P T = P 1
' = PT P
Cadena Reducible
Una cadena de Markov es reducible si es posible renombrar sus estados para
llevar la matriz de probabilidades de transicin a la forma
Q R
' = PT P =
0 A
En caso contrario, la cadena de Markov es irreducible.
09/11/2003
20
Clase irreducible
G (PT P ) = G ( )
esesirreducible
irreducible
Todos
Todoslos
losestados
estadoscomunican.
comunican.La
Lacadena
cadenaconsiste
consisteenenuna
unanica
nicaclase
clase
dedeequivalencia.
equivalencia.
09/11/2003
21
Avi = i v i
Autovector derecho
AT u i = i u i uTi A = i uTi
Autovector izquierdo
det(A I ) = det AT I
A y AT tienen iguales
autovalores
j v i = 0 si i j
T
T
T
T
u j A = j u j u j Avi = j u j v i Autovectores derecho e
T
i
u vi 0
T
j
u v i = ij
Normalizacin
= diag (1 , K, n )
AV = V V 1AV =
1
T
T
U =V U V=I
T
T
T
T 1
U A = U U A(U ) =
n
A = VV = VU = i v i uTi
1
i =1
09/11/2003
Descomposicin espectral
22
Teorema de Perron-Frobenius
Teorema de Perron-Frobenius
Si A0 es irreducible, entonces
El radio espectral es un autovalor de A
(A ) (A )
El radio espectral es positivo
(A ) > 0
El radio espectral es un autovalor simple A
alg mult ( A) = 1
El autovector asociado al radio espectral es positivo.
x > 0 : Ax = (A )x
A :1 geo mult (A ) alg mult (A ) = 1 geo mult (A ) = 1
El autovector asociado al radio espectral es nico.
Matriz primitiva
A0, irreducible es primitiva si tiene un nico autovalor r = (A) de mdulo
mximo (es decir, un nico autovalor sobre el crculo espectral).
A0, irreducible es imprimitiva de ndice h si tiene h autovalores de mdulo
mximo.
Test de Frobenius: A0 es primitiva sii Am>0 para algn m1.
n 2 n+ 2
>0
Test de Wielandt: A0 nxn es primitiva sii A
2
09/11/2003
23
r = ( A)
B = A / r (B) = 1, (B) = {1 = (B) = 1, 2 ,K , n }
alg mult i = 1 i = 1, 2, K, h
i < 1 = 1 i = 2,K , n
Bx i = i x i
2ik
S = ( A) exp
: k = 0,1, K , h 1
h
y Tj B = j y Tj
n
B = i x i y Ti = x1y1T + i x i y Ti
i =1
lim B = lim (A / r ) = x y
k
i=2
09/11/2003
T
1 1
S = {1 = ( A), 2 ,K , h }
A/r es convergente
I + ( A / r ) + L + ( A / r ) k 1
lim
= x1y1T
k
k
24
( ) = 1
1 = 1
i >1
i >1
Matriz irreducible
Por el teorema de Perron-Frobenius, 1 es el vector
de Perron asociado al autovalor 1. No existe otro
autovector derecho no negativo. Para el mismo
autovalor, existe un nico autovector izquierdo p no
negativo tal que
Normalizacin
= 1p T + i v i u Ti
n = 1p T + ni v i u Ti
pT = p
i < 1 i > 1
lim k = 1pT
pT 1 = 1
09/11/2003
25
Interpretacin
1 si el estado inicial es j
1 si el estado en tiempo n es j
Z0 =
, Zn =
0 si no
0 si no
k 1
n =0
k 1
0
0
PT P = M
0
h1
12
0
M
0
0
0 L
0
23 L
0
O O
M
L 0 h 1,h
L 0
0
n =0
E ( Z n ) = 1 P( Z n = 1) + 0 P( Z n = 0) = P( Z n = 1) = p j (n)
k 1
k 1
k 1
E Z n / k = p j ( n) / k = p T ( n ) / k = p T
n=0
n =0
n =0
j
( )
09/11/2003
26
0 Z
X11
R S T
0
X Y
0 U V L M
0
Z
0 0 W
0
Si X o Z es reducible
Si R, U o W es reducible, etc.
X12
X 22
M
0
L
L
O
L
11
0
X1k M
X 2 k 0
M 0
X kk 0
M
09/11/2003
12
22
M
0
0
0
M
0
L rr
L 2r
L M
L rr
L 0
L 0
L M
L 0
1,r +1
1, r + 2
2,r +1
2,r + 2
M
M
r ,r +1
r ,r + 2
r +1, r +1
0
0
r + 2,r + 2
M
M
0
0
L
L
L
L
L
L
O
L
1m
2 m
M
rm
0
0
M
mm
27
= 11
( ii ) = 1 ii 1 = 1, pero
( ii ) < 1
ii 1 1 porque hay bloques ij , j i, no nulos
11
0
0
M
12 L rr
22 L 2 r
M
1,r +1
2,r +1
1,r + 2
2,r + 2
r ,r +1
r ,r + 2
0
L M
L rr
0
0
L
L
0
0
r +1,r +1
0
r + 2,r + 2
L
L
n 1
k 1
11
I + 11 + L +
k
L 1m
L 2 m
L
M
L rm 11
L
0 0
L
0
O
M
L mm
k
= lim 11
=0
k
i=0
12 n221i
n22
i
11
1 k 1 n 1 i
1 k 1 k i
1112 n221i = 11
12 n221i =
k n =1 i =0
k i = 0 n =i +1
I + 22 + 222 + L + 22k 1i
= 12
k
i=0
k 1
i
11
1 k 1 n 1 i
n 1 i
=(I 11 )12 L
1112 22
k k
n =1 i = 0
lim
12
22
1
I + + L + k 1 0 (I 11 ) 12 L
=
lim
k
k
L
0
1
0 (I 11 ) 12 L
lim k =
k
L
0
Siempre
+L+
=
O M =L
k
1pTm
k 1
22
09/11/2003
28
0
M
12 L rr
1,r +1
1,r + 2
22 L 2 r
M L M
2,r +1
M
2,r + 2
M
r ,r +1
r +1,r +1
r ,r + 2
0
0
0
L rr
L 0
r + 2,r + 2
L
L
L 1m
L 2 m
L
M
L rm 11
0 0
L
L
0
O
M
L mm
I + + L + k 1 0 (I 11 ) 12 L
lim
=
k
k
L
0
0 (I 11 )1 12L
k
lim =
k
0
L
12
22
Siempre
Sii todas las
submatrices de 22
son primitivas
09/11/2003
29
p T ( n + k ) = p T ( n) k
lim p(n) = p
= xi x j P( X n + k = j / X n = i) P ( X n = i )
lim = 1p
= xi x j ij (k ) pi (n) =
x = [x1 x2 L x N ]
m X = lim m X (n) = pT x = y T 1
= y T ( n ) k x y T k x = R ( k )
n
lim y (n) = y
R( k ) = y T k x y T 1pT x = m X2
k
C ( k ) = R (k ) m X2 = y T ( k 1pT )x
09/11/2003
30
ij(t1, t2)
t2 t1 = ,
ai
( + ) = ( ) ( )
aj
t1
Ecuaciones de Kolmogorov
t2
Puntos de Poisson
(t1 , t 2 )1 = 1
pT (t 2 ) = pT (t 2 ) (t1 , t 2 )
(t1 , t3 ) = (t1 , t 2 ) (t 2 , t3 )
Matriz de velocidad
de cambio de la
probabilidad de transicin
t3 t2 =
Propiedades bsicas
(t + ) = (t ) ( )
d (t + )
d ( )
= (t )
d
d
& (t + ) = (t )
& ( )
& (t ) = (t )
& (0)
& ( ) =
& (0 + )
= lim
0 +
& (t ) = (t )
pT (t ) = pT (0) (t )
& (t ) = pT (0) (t ) = pT (t )
p& T (t ) = pT (0)
Solucin
(t ) = e t
p T (t ) = pT (0) (t ) = pT (0) e t
1 0 L 0
0 1 L 0
(0) = I =
L L L L
0 0 L 1
Condicin inicial
09/11/2003
31
kk
p =0
pT 1 = 1
Condicin adicional
ij
ii
ji
piij = 0 pi ij = p j jj
i j
ji = 1 ji = 0 jj = ji
i
p j ji = piij
i j
ll
i j
i j
Flujo
Flujo de
de velocidad
velocidad de
de probabilidad
probabilidad
saliente
de
j
saliente de j
09/11/2003
jj
Flujo
Flujo de
de velocidad
velocidad de
de probabilidad
probabilidad
entrante
a
j
entrante a j
32
vi = i vi
1 = 0
pT = 0
uTi = iuTi
uTi v j = ij
f () = f (i )viuTi
i
09/11/2003
i>1
33
(t ) = exp(t )
pT (t + ) = pT (t ) ( ) = pT (t ) exp( )
lim p(t ) = p
t
lim (t ) = 1pT
= xi x j P ( X (t 2 ) = j / X (t1 ) = i ) P ( X (t1 ) = i )
i
= xi x j ij (t1 , t 2 ) pi (t1 ) =
i
R(t , ) = xi x j ij ( ) pi (t ) =
x = [x1 x2 L x N ]
y (t ) = [x1 p1 (t ) x2 p2 (t ) L xN p N (t )]
= y T (t ) ( )x y T ( )x = y T e x = R ( )
n
lim y (t ) = y
R (t , t ) = y (t )x = pi (t ) xi2 = E ( X 2 (t )) = m X2 (t )
T
m X (t ) = E ( X (t )) = xi pi (t ) =pT (t )x = pT (0) (t )x
i
m X = lim m X (t ) = pT x = y T 1
t
R( ) = y T ( ) x y T 1pT x = m X2
k
C ( ) = R ( ) m = y T ( ) 1pT x
2
X
09/11/2003
34
ij (t ) = P[ X (t ) = j / X (0) = i ] =
= P[ j i puntos en [0, t ]] =
et
0
=
0
t e t
e t
0
L
0
& (0 + ) =
=
0
(t ) 2 e t / 2!
L
t e t
(t )2 e t / 2!
t e t
e t
L
L
0
0
L L
ii ( ) = P[ X ( ) = i / X (0) = i ] =
= P[T1 > ] = 1 P[T1 ] =
(t ) j i t
e
( j i)!
L
L
L
L
ii = &ii (0) =
i ,i +1 = &i ,i +1 (0) =
= 1 FT1 ( ) = e
i ,i +1 ( ) = P[ X ( ) = i + 1 / X (0) = i] =
= P[T1 ] = FT1 ( ) = 1 e
Solucin de p& (t ) = p(t )
p (0) = [1 0 0 L]
Condicin
inicial
p& 0 (t ) = p0 (t ) p0 (t ) = e t
p&1 (t ) = p0 (t ) p1 (t ) = e t p1 (t ) p1 (t ) = t e t
L
(t ) n t
p& n (t ) = pn1 (t ) pn (t ) pn (t ) =
e
n!
09/11/2003
35
-b
1 e a
e b
a a
& (0) =
=
b b
b + a e ( a+b)t
a+b
e t =
b
1 e ( a + b )t
a + b
09/11/2003
b
p=
a + b
a
a + b
a
a + b
a
E ( X (t )) = pT x =
a+b
y = 0
a
1 e ( a+b)t
a+b
a + b e ( a +b )t
a+b
b
ap0 = bp1 p0 = a + b
p T = 0
pT 1 = 1
p0 + p1 = 1 p1 = a
a+b
x = [0 1]
Puntos de Poisson
ab
a
R( ) = y e x =
e ( a +b )
+
2
a + b (a + b )
T
= m X2 + X2 e ( a +b )
C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
36
j , j +1 ( ) = P( X ( ) = j + 1/ X (0) = j ) =
= P(1 arribo en [0, ]) = ( ) e + o( )
j , j + 2 ( ) = P( X ( ) = j + 2 / X (0) = j ) =
2
/ 2! o( )
&
= (0) =
0
( + )
( + )
L
L
p
=0
p0 + p1 = 0
p j 1 ( + ) p j + p j +1 = 0
p1 = p0
p j 1 + p j +1 = ( + ) p j
j=0
j = 1,2,...
j=0
j = 1,2,...
= e e + e e 1 ( + ) + o( )
Flujo entrante
09/11/2003
Flujo saliente
37
L
L
00
11
p1 = p0
p j 1 + p j +1 = ( + ) p j
22
j=0
j = 1,2,...
jj
j+1
j+1
p0 p1 = 0
p j 1 p j = p j p j +1 = cte.
cte. = 0 p j p j +1
j 1
p j = ( / ) p j 1 = p j 1
p0 p j = (1 )
j
1 = p j = p0 =
1
j =0
j =0
p j = n p0
09/11/2003
= / <1 <
38
1 p1 = 0 p0
j 1 p j 1 + j +1 p j +1 = ( j + j ) p j
j=0
j = 1,2,..., N - 1
N 1 p N 1 = N p N
j=N
1
11
2
22
jj
3
N-1
j-1
j+1
j+1
j+1
N
N
N
1 p1 0 p0 = 0
j 1 p j 1 + j +1 p j +1 ( j + j ) p j = cte. = 0
N 1 p N 1 N p N = 0
j=0
j = 1,2,..., N - 1
j=N
i 1
pi = i 1 pi 1 =
i
i =0
i
p0
i
i =1
09/11/2003
39
00
11
22
jj
11 habla
i 1
pi =
V paquetes/seg
i 1
pi 1 =
i
i=0
i
p0
i
i =1
p0
p0 + p1 = 1
p1 = p0 p1 =
09/11/2003
N
N
N
00
j+1
j+1
(j+1)
silencio
(j)
(1)
= 0.6
+
p1 =
= 0.4
+
p0 =
i = ( N i ) , i = i
N
i=0
=1
N
pi = 1 +
i
E (i ) = N
+
var(i ) = N
( + )2
=
i +
Nmero medio de
fuentes activas
40
N i
N fuentes
de voz
MUX
Estadstico
pi =
i +
p0 =
= 0.6,
+
E (i ) = Np1
N i
N
= p1i p0N i
i
+
p1 =
= 0.4
+
var(i ) = Np0 p1
Promedio de trfico recortado
Promedio de trfico total
N
n
Promedio de trfico recortado = r (k ) p k (1 p ) N k
k =0
k
F ( N , C , p1 ) =
k C
r (k ) =
0
F ( N , C , p1 ) =
09/11/2003
k >C
k C
n
1 N
(k C ) p k (1 p ) N k
Np1 k = 0
k
41
F ( N , C , p1 ) =
n
1
(k C ) p k (1 p ) N k
Np1 k =0
k
N
25
MUX
Estadstico
N fuentes
de voz
20
15
0.1 %
0.5 %
1.0 %
5.0 %
10.0 %
10
0
0
10
20
30
40
50
60
09/11/2003
42
1
1
rm = r (t )dt = rp tONi = rp P (ON )
T 0
T i
P(ON ) = p1 = rm / rp
b = rp / rm = 1 / p1
Probabilidad de actividad
de la fuente
Burstiness
G = N / C
G = Nrp / rc = N > 1
C = rc / rp
rp
rc
rm
Ganancia de
multiplexado estadstico
S=
MUX
Estadstico
N fuentes
Entradas
09/11/2003
43
pi =
i
+
+
, p1 =
p0 =
+
+
E (i) = Np1
N i
N
= p1i p0N i Probabilidad que i fuentes entre N
estn activas
i
pi
Np1 (1 p1 )
Np1 C
var(i) = Np1 (1 p1 )
PL = Q ( )
Probabilidad de prdida
C Np1 + Np1 (1 p1 )
C = 1/
0 = Np1 + 1 p1 Np1 1 /
Np1 =
1 p1 1
2 (1 p1 ) + 4 /
2
2
09/11/2003
Throughput
normalizado
2 (1 p1 ) + 4 / 1 p1
4 p1
(Grc / rp )rm Grm
Nr
S= m =
=
= Gp1
rc
rc
rp
G = N =
44
Ganancia
10.00
8.00
6.00
Throughput
12.00
b=2
b=4
b=8
b=12
b=16
b=20
0.90
0.80
b=2
b=4
b=6
b=8
b=10
b=12
b=14
b=16
b=18
b=20
16.00
14.00
Throughput Normalizado
4.00
2.00
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0.00
0
0.05
0.1
0.15
0.2
0.25
0.3
G = N =
09/11/2003
4 p1
[ (1 p ) + 4 /
2
0.05
0.1
0.15
0.2
0.25
0.3
1 p1
S=
45
Ganancia
N=30
25.00
b=32
25
20.00
0.00
4 p1
G = N
G=
[ (1 p ) + 4 /
2
15
16
10.00
5.00
20
24
15.00
10
12
6
2
0.2
0.4
0.6
0.8
46
1 p1
09/11/2003
47
Teora de Colas
Teorema de Little
Cola M/M/1
Cola M/M/1/K
Cola M/M/c. Frmula Erlang-C
Cola M/M/c/c. Frmula Erlang-B
Cola M/M/N/N/N
09/11/2003
48
Introduccin
Teora de Colas: Tipos de problemas y soluciones.
Introduccin a las colas de espera.
Fundamentos: Probabilidad, estadstica, procesos
aleatorios.
09/11/2003
49
09/11/2003
50
Cola
Lnea de espera
Servidor
Cabeza de lnea
Flujo saliente
Clientes atendidos
Bloqueo,
prdida o desborde
Concepto bsico:
Los clientes llegan para ser atendidos. Si todos los servidores estn ocupados, el cliente
espera en la cola y es atendido despus.
Parmetros: tasa de arribos, velocidad de atencin, nmero de servidores, capacidad de la
cola...
Medidas: tiempo de espera, utilizacin de los servidores, tamao de la cola, probabilidad de
rechazo...
09/11/2003
51
Ejemplos
Sistema
Clientes
Servidor
Procesador
Programas o procesos
MUX estadstico
Paquetes o celdas
Enlace de comunicaciones
Conmutador de circuitos
Llamadas
Canales
Paquetes o tramas
Servicios Web
Requerimientos de cliente
Web server
09/11/2003
52
Objetivos y mtodos
Objetivos
Mtodo
Simulacin.
09/11/2003
53
Factores
Bsicos
Tasa de arribos.
Tiempo de servicio.
Nmero de servidores.
Longitud mxima de la cola (tamao del buffer).
Otros
Tamao de la poblacin.
Disciplina de servicio (FCFS, LCFS, prioridades, vacaciones).
Modelo de carga de trabajo (trfico).
Comportamiento del cliente: Desistir, abandonar, ...
09/11/2003
54
Modelos de trfico
Voz
Video CBR
Dependencia
de corto alcance
Poisson
Modelos de regresin
Datos en paquetes
Imgenes
Modelos
de trfico
Dependencia
de largo alcance
Video VBR
F-ARIMA (Fractional
AutoRegressive Integrated
Moving Average)
FBM (Fractional Brownian
Motion)
...
09/11/2003
55
Port
Port
Router / Switch
Router / Switch
Tasa de arribos
Paquetes/seg
09/11/2003
B paquetes
L bytes/paquete
Tasa de servicio
Velocidad de Transmisin
R bits/seg
= R/8L
Paquetes/seg
56
Procesamiento:
Cola:
Transmisin:
Propagacin:
Tiempo entre la
transmisin del
primer bit y el
ltimo bit del
paquete.
09/11/2003
57
Tipos de Colas
Notacin de Kendall
A/S/M/K/N/Q
Distribucin del tiempo entre arribos:
M: exponencial (Markov)
D: determinstica (constante)
G: General
Distribucin del tiempo de servicio:
M: exponencial (Markov)
D: determinstica (constante)
G: General
Nmero de servidores
09/11/2003
Disciplina de servicio:
FIFO, LIFO, prioridad,...
Tamao de la poblacin.
Puede ser finito o infinito.
58
Teora de Colas
Teorema de Little
Cola M/M/1
Cola M/M/1/K
Cola M/M/c. Frmula Erlang-C
Cola M/M/c/c. Frmula Erlang-B
Cola M/M/N/N/N
09/11/2003
59
Teorema de Little
Tk
k =1
N (t )
D(t): partidas
T1
A (T )
N (t )dt =
A(t): arribos
T2
Tk
1T
1
= N (t )dt =
T0
T
A (T )
A(T ) 1 A(T )
A(T )
Tk = T A(T ) Tk = T Tk
k =1
k =1
A(T )
= T
T
N (t )
09/11/2003
= T Tk
E ( N ) = E (T )
Tasa de
arribos
Tiempo medio de
permanencia en el
sistema
60
Cola
T =W + S
E (T ) = E (W ) + 1/
E( N ) = E( Nq ) + / =
= E( Nq ) +
++
E(W)
09/11/2003
Nq
clientes en la cola
Tiempo de espera
en la cola
Tiempo de
servicio
N
E(T)
E ( N q ) = E (W )
Tiempo medio de servicio:
E ( N ) = E (T )
E(S) = 1/ seg/cliente
Little means a lot!
clientes/seg
1/
1
E (T ) =
=
1
Flujo saliente
Lnea de espera
E (W ) = E ( N )(1 / ) = E (T ) / = E (T )
E (T ) = E (W ) + 1 / = E (T ) + 1 /
1/
Servidor
clientes en el sistema
T
Tiempo en el sistema
o retardo
61
Tipos de Colas
Notacin de Kendall
A/S/M/K/N/Q
Distribucin del tiempo entre arribos:
M: exponencial (Markov)
D: determinstica (constante)
G: General
Distribucin del tiempo de servicio:
M: exponencial (Markov)
D: determinstica (constante)
G: General
Nmero de servidores
09/11/2003
Disciplina de servicio:
FIFO, LIFO, prioridad,...
Tamao de la poblacin.
Puede ser finito o infinito.
62
= / <1
p j = (1 ) j = P[ N (t ) = j ]
, var( N ) = N2 =
1
(1 ) 2
1/ E ( S )
1
E( N ) 1
E (T ) = T =
=
=
=
=
1 1 1
E(N ) = N =
E (W ) = W = T S =
00
11
22
jj
j+1
j+1
S
S =
S
1
1
2
E ( N q ) = N q = W =
S=
1
1
E ( N s ) = N s = S = (1/ ) =
P(servidor ocupado) = 1 p0
p1 = p0
p j 1 + p j +1 = ( + ) p j
09/11/2003
j=0
j = 1,2,...
Ecuaciones de
balance global
P(servidor ocupado) = N s
= 1 p0
63
E(N)
20
20
15
15
10
E(T)
0
0
0,2
0,4
E (N ) =
09/11/2003
10
0,6
0,8
0,2
0,4
0,6
0,8
E (T ) =
E (S ) 1/
=
1 1
64
FDM, TDM
Se crean M canales separados, cada uno de capacidad C/M.
En FDM, el retardo de transmisin es ML/C.
En TDM, el retardo de transmisin es ML/C si el paquete es mucho
ms largo que 1 TS. Si L = 1 TS, el retardo de transmisin es L/C,
pero debe esperar (M-1) tiempos de TS entre transmisiones.
09/11/2003
Estadstico
Los paquetes de cada flujo se combinan en una sola cola y se
transmiten con un ordenamiento FCFS.
/M
C/M
/M
/M
C/M
/M
/M
C/M
/M
C/M
=
L
M
M
1
=
T =
/M /M
i =
1 L
=
C
Un
Unpaquete
paquetetarda
tardaMMveces
vecesms
msenenlalacola
colayyenenser
serservido
servidoenenTDM
TDMooFDM,
FDM,que
queenen
multiplexado
estadstico.
multiplexado estadstico.
Sin
Sinembargo,
embargo,lavarianza
lavarianzadel
delretardo
retardoesesmenor
menorenenTDM
TDMooFDM.
FDM.
TDM
y
FDM
malgastan
capacidad
del
canal
cuando
un
flujo
TDM y FDM malgastan capacidad del canal cuando un flujononotiene
tienetrfico,
trfico,pero
pero
eliminan
la
necesidad
de
identificar
a
qu
flujo
pertenece
cada
paquete.
eliminan la necesidad de identificar a qu flujo pertenece cada paquete.
C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
C
L
T =
1
65
00
11
22
p0 = p1
p j 1 + p j +1 = ( + ) p j
pK 1 = pK
K-1
K-1
0
K
K
j =0
j = 1,2,L.K 1
j=K
p j = p j 1 = p0
1
K
j
1 K +1 p j =
K +1
1 = p j = p0
1
1
j =0
j
09/11/2003
j = 0,L, K
<1
K
=1
pj
pj
0
>1
( K + 1) K +1
1
1 K +1
1
Probabilidad de bloqueo
PB = P( N = K ) = pK =
K
K +1
1
B = PB
Tasa de rechazos
Tasa efectiva de arribos
A = B = (1 PB )
Carga ofrecida
E ( N ) = E ( S ) =
E(N ) =
1
1 K
E ( N A ) = A E ( S ) = (1 pK ) =
1 K +1
Carga satisfecha
E(N )
E(N )
1 1
( K + 1) K 1 K +1
E (T ) =
=
=
A
(1 PB ) 1 1 K +1 1 K
66
10
K=10
K=10
0,8
K=2
A/
0,6
E(T)
0,4
0,2
K=2
0
0,5
1,5
A =
09/11/2003
0,5
1,5
1
1
=
K +1
1
1 K +1
E ( N A ) = A /
1 1
( K + 1) K 1 K +1
E (T ) =
1 1 K +1 1 K
67
1,00E+00
200
1,00E-01
180
1,00E-02
160
1,00E-03
140
1,00E-04
= 0.9
1,00E-05
0.5
0.7
1,00E-06
0.8
0.8
0.9
1,00E-07
0.7
1,00E-08
120
100
80
60
40
0.5
1,00E-09
Capacidad
P(overflow)
Probabilidad de "overflow"
20
1,00E-10
0
0
20
40
60
80
100
120
140
160
180
200
0,0
0,1
0,2
0,3
PB = P( N = K ) = pK =
0,4
0,5
0,6
Carga ofrecida
0,7
0,8
0,9
1
K
K +1
1
B = PB
A = B = (1 PB )
09/11/2003
68
1,0
aj
p0
j!
c
j c a
pj =
p0
c!
Le
=e
pj =
k t
k
k servidores ocupados tasa de partidas =
c
00
11
09/11/2003
22
p0 = p1
p j 1 + ( j + 1) p j +1 = ( + j ) p j
p j 1 + cp j +1 = ( + c ) p j
k <c
k c
c-1
c-1
3 (c-1)
c+1
c+1
j = 0,L , c
j c +1
1
cc
j=0
j = 1,L, c
j c +1
c 1 a j a c 1
p0 = +
j
!
c
!
1
j =0
a=/
Nmero medio de servidores ocupados
= / c = a / c < 1
Ocupacin de 1 servidor
69
P(W > 0) = P( N c) = j c pc =
j =c
pc
= C (c, a )
1
1 a c c 1 a j a c 1
C (c, a ) =
+
1 c! j =0 j! c! 1
E ( N q ) = ( j c) p j = ( j c) j c pc =
j =c
E( Nq )
j =c
C ( c, a ) C ( c , a )
=
c (c a)
C (c, a ) 1
E (T ) = E (W ) + E ( S ) =
+
(c a )
E ( N ) = E (T ) = E (W ) + = E ( N q ) + a
E (W ) =
09/11/2003
C ( c, a )
1
70
Frmula Erlang-C
1 a c c 1 a j a c 1
+
C ( c, a ) =
1 c! j =0 j! c! 1
09/11/2003
71
E (W ) =
09/11/2003
E(Nq )
C ( c , a ) C ( c, a )
=
c (c a)
72
09/11/2003
73
1000
20 h
1/20
1/10
Pages/session
36
Page size
50 Kbyte
Page delivery time
2 sec
Page view time
60 sec
Mean upstream packet length
80 Byte
Mean downstream packet length
560 Byte
Simultaneous session in BH
100 i.e. 10 % users
Protocol: TCP/IP with 560 bytes/OB packet and 80 bytes/IB packet.
09/11/2003
256
8
16
2
0.1
20
Qty.
200.0
28.6
37.2
6.5
92.2
645.2
147.5
147.5
Unit
Kbit/s
Kbit/s
sec
Kbit/s
Kbit/s
Kbit/s
C (c , a ) 1 1 C (c , a )
+ = 1 +
ca
(c a )
= rb / L, c = C / rb , a = L / rb
E (T ) = E (W ) + E ( S ) =
Downstream :
Pag/session *(2+60)/60
PageSize*8/(2+60)
Mean dnstream thput*80/560
MeanThput/user*10 users
(50*1024/560)*10/(4+60)
E (T ) =
Byte
bits
rb Kbit/s
paq/s
paq/s
a Erlang
Downstream
560.0
4,480.0
256.0
57.1
147.5
2.6
Upstream
80.0
640.0
32.0
50.0
147.5
2.9
Upstream :
E (T ) =
BA8
4096
1024
1028
256
0.1
30
1 C (c,2.6)
C (c,2.6)
< 16.1 c = 4
< 0.3
1 +
57.1
c 2.6
c 2.6
1 C (c,2.9)
C (c,2.9)
< 15.0 c = 4
1 +
< 0.3
50.0
c 2.9
c 2.9
74
Cola M/M/c/c
La capacidad de la cola es igual al nmero total de servidores.
Los clientes que arriban cuando todos los servidores estn
ocupados, son devueltos.
a =/
Carga ofrecida
pj =
a
p0
j!
00
11
22
c-1
c-1
3 (c-1)
cc
c
j = 0,L, c
c aj
1 = p j p0 =
j =0
j =0 j!
c
A
= a[1 B (c, a )]
E ( N ) = A E ( S ) = [1 B (c, a)]
09/11/2003
75
Frmula Erlang-B
Frmula Erlang-B
Frmula Erlang-B
20
50
0.1%
18
45
0.5%
16
5.0%
35
Nmero de circuitos
14
Nmero de circuitos
40
1.0%
10.0%
12
20.0%
10
8
0.5%
25
1.0%
5.0%
20
15
10
0.1%
30
10.0%
20.0%
0
0,0
1,0
2,0
3,0
4,0
5,0
6,0
7,0
8,0
9,0
10,0
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
40,0
45,0
a c / c!
a c / c!
=
P ( N = c) = B (c, a) = PB =
1 + a + a 2 / 2!+ L + a c / c! c k
a / k!
k =0
B (c + 1, a) =
09/11/2003
aB(c, a)
c + 1 + aB(c, a )
76
50,0
Cola M/M/N/N/N
El nmero de servidores es N. La tasa de partidas es k
cuando k servidores estn ocupados.
La cantidad de fuentes (o tamao de la poblacin) es
N. La tasa de arribos es (N-i) cuando hay i fuentes
activas.
Es un modelo idntico al MMPP.
00
11
(j)
(1)
22
jj
j+1
j+1
N
N
(j+1)
pi =
i 1
pi 1 =
i
i=0
i
p0
i
i =1
i = ( N i ) , i = i
N
i=0
09/11/2003
=1
N
pi = 1 +
i
E (i ) = N
+
var(i ) = N
( + )2
=
i +
Nmero medio de
fuentes activas
77
N i