Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parte II - D y E de Redes Borrador
Parte II - D y E de Redes Borrador
Cola DL/DS/S/C/P
donde:
Las redes de comunicación son diseñadas por ciertos profesionales y hay otros que son responsables
de su funcionamiento. Es necesario que los profesionales involucrados en las redes de comunicación
tengan una comprensión completa de la conducta de las redes.
Las redes de comunicación tienen básicamente tres componentes que las caracterizan:
o Los nodos son las entidades de hardware que mantienen las funciones de
comunicación de datos.
o Los protocolos son un conjunto de reglas y acuerdos entre las partes de comunicación
que determinan la actuación de los nodos.
o El canal es el medio físico por donde viajan los datos, desde un nodo a otro.
El sistema consiste de un nodo que recibe y transmite paquetes. El nodo tiene un búfer para
almacenar a los paquetes que recibe. Además, se asume que los paquetes tienen una longitud
constante en bits y que el búfer tiene capacidad para almacenar K paquetes.
Los paquetes que llegan al nodo para que los transmita, van formando una cola de espera en el búfer.
.
Donde K, es la cantidad máxima de clientes que pueden ponerse en cola para recibir el
servicio.
La capacidad de transmisión C
Es la cantidad máxima de dientes que en promedio puede transmitir el nodo en la
unidad de tiempo: C = 𝜇
𝑥̅ es el tiempo medio para transmitir un diente: 𝑥̅ = 1/C = 1/ 𝜇
Por lo tanto, el factor de utilización es la tasa de clientes que llegan al nodo por el
tiempo en que se transmite un cliente, en relación a la cantidad de servidores
disponibles.
si 𝜆 > 𝜇 el estado del sistema crece sin límite, y la condición de estabilidad para la cola
no se cumple.
Se requiere que 𝜌 ∈ [0,1) para que el sistema de cola sea estable. La estabilidad
asegure que los límites de las variables aleatorias existan, y que todos los clientes
eventualmente sean atendidos.
𝜆
(tasa de llegada)(tiempo de transmisión) = = 𝑚𝜌 ∶ 𝜆≤𝜇
𝑈={ 𝜇
1 ∶ 𝜆>𝜇
Así, la intensidad del tráfico es la tasa con la cual entra el trabajo al sistema y se la mide
en Erlangs.
El retraso en la cola Tc, que sufre un paquete que llega al nodo, es el tiempo medio que
permanece en la cola. Es decir, el tiempo que espera, para que sea transmitido.
Tc es el tiempo gastado en la cola por el paquete
Ts es el tiempo que dura la atención del paquete , para ser procesado por el servidor del
nodo
El retraso total T, que sufre un cliente que llega al nodo, es su retraso en la cola más su
tiempo de transmisión
=> T=TC + TS
La probabilidad de pérdida L
La probabilidad de pérdida, es la probabilidad de perder al menos un cliente.
Si el búfer tiene capacidad para almacenará clientes, todo cliente que llegue al nodo y
encuentre al búfer con K clientes se pierde.
Así, la probabilidad de pérdida es la probabilidad que el cliente que llegue al nodo se
rechace por encontrarse el búfer lleno
El Throughput Th
El Throughput es el porcentaje de clientes que llegaron al sistema y que se transmitieron
con éxito.
Si el canal de comunicación está libre de errores, toda la carga ofrecida se transmite con
éxito. Como en general no ocurre, el Throughput es menor a la carga ofrecida.
o El espacio de estados,
o El índice t,
o La dependencia estadística entre las variables aleatorias X{t) para valores
diferentes de t.
El espacio de estados E
Es el conjunto de posibles valores (estados) que puede tomar X(t)
El índice t
o Si los tiempos permitidos para tener cambios de estado son finitos o contables, el
proceso es de tiempo discreto. Se nota Xn en lugar de X(t)
A Xn, se denomina secuencia aleatoria.
∀𝑛 ∈ ℕ. ∀𝒆 = (𝑒1, 𝑒2, … , 𝑒𝑛), ∀𝒕 = (𝑡1, 𝑡2, … , 𝑡𝑛) ∶ 𝐹𝑥(𝒆; 𝒕) = 𝑃[𝑋(𝑡1) ≤ 𝑒1, … , 𝑋(𝑡𝑛) ≤ 𝑒𝑛]
La función de distribución FX describe la dependencia entre las variables aleatorias del proceso
estocástico.
Proceso estacionario
El proceso estocástico X(t) es estacionario si FX, es invariante a cambios en el tiempo:
Procesos independientes
Una secuencia aleatoria {Xn} forma un conjunto de variables aleatorias independientes si
sus pdf, cumplen:
𝑓𝑥 (𝒆; 𝒕) = 𝑓𝑥1 … 𝑋𝑛(𝑒1, … , 𝑒𝑛; 𝑡1, … , 𝑡𝑛) = 𝑓𝑥1(𝑒1; 𝑡1) … 𝑓𝑥𝑛(𝑒𝑛; 𝑡𝑛)
Procesos de Markov
El proceso aleatorio X(t), forma una cadena de Markov si, su espacio de estados es
discreto y posee la propiedad de sin memoria.
Un proceso de Markov es una cadena de Markov.
Propiedad de sin memoria o Propiedad de Markov
Es la probabilidad que el siguiente estado en+1 dependa únicamente del estado actual en y
no de otros estados previos:
Es decir, la manera como todo el pasado histórico afecta al futuro del proceso se totaliza
completamente en el valor actual del proceso. Esta cualidad hace que el tiempo de
permanencia en un estado se distribuya exponencialmente.
o En una cadena de Markov con tiempo discreto, los instantes en que ocurren los
cambios de estado se ordenan como enteros 0,1,2, 3, …, n, … aquí, el proceso
puede permanecer en un cierto estado, por un tiempo que se distribuye
geométricamente.
o En una cadena de Markov con tiempo continuo, las transiciones entre estados
pueden tomar lugar en cualquier instante en el tiempo.
El resultado de Little
Resultado de Little: N = T𝜆
Observación:
Sea Tc el tiempo gastado en la cola
Nc el número medio de clientes en la cola Sea
Ts el tiempo gastado en el servicio
Ns el número medio de clientes en servicio
T=TC + TS
N= Nc+Ns
𝑵𝒄 = 𝑻𝒄 𝝀
𝑵 = 𝑻𝒄 𝝀 + 𝑻𝒔 𝝀 ⇒ { 1
𝑁𝑠 = 𝑻𝒔 𝝀 = 𝜆
𝜇
Observación:
El resultado de Little, permite calcular el número medio de clientes en el sistema, una vez
que se hayan calculado los tiempos medios en el sistema o viceversa:
Para después de un tiempo t suficientemente grande:
o Sea pk la probabilidad que en el sistema haya k clientes
o p0 es la probabilidad que el sistema esté ocioso
o 1 -p0, es la probabilidad que en el sistema haya al menos un cliente.
De esta manera el factor de utilización del sistema es: U = 1 - p0
Justificación:
p es la fracción de tiempo que el servicio está ocupado:
p0 = P [0 clientes en servicio]
1- p0 = P [1 o más clientes en servicio] es la probabilidad que el sistema esté ocupado.
Cuando el tiempo es muy grande, por la ley de los grandes números, existe un valor X tal
que: 𝜆 = (1 -p0)μ
1 𝜆
∴ 𝜆 = 1 − 𝑝0 , 𝑐𝑜𝑚𝑜 𝑝 = ⇒ 𝑝 = 1 − 𝑝0
𝜇 𝜇
𝜆
Conocido p, como 𝑝 = 𝜇 ⇒ 𝜆 = 𝑝𝜇
El proceso de llegada
La cantidad de clientes en la cola afecta al tiempo para trasmitirlos, y esta cantidad depende de
la manera como llegan los clientes.
Los clientes pueden llegar de manera constante o de manera aleatoria.
𝝀 𝑼=𝟏 𝑼=𝟏
𝑼=
𝝁
𝟏 𝑲
𝑻𝒄 = (𝐩𝐚𝐪𝐮𝐞𝐭𝐞𝐬 𝐞𝐧 𝐜𝐨𝐥𝐚) 𝑻𝒄 =
𝑻𝒄 = 𝟎 𝝁 𝝁
𝟏 𝟏 𝟏
𝑻= 𝑻 = (𝐩𝐚𝐪𝐮𝐞𝐭𝐞𝐬 𝐞𝐧 𝐜𝐨𝐥𝐚 + 𝟏) 𝑻 = (𝑲 + 𝟏)
𝝁 𝝁 𝝁
Justificación:
Dado que 𝜆 es constante, en todo momento, es factible solamente uno de los tres casos
siguientes:
Al considerar que los clientes llegan al nodo de manera aleatoria, se establece que X es una
tasa promedio de llegada y se debe añadir otros conceptos:
El proceso de llegada
La distribución del tiempo entre llegadas provee un mecanismo para modelar la llegada
de una entidad que se transfiere de una localidad a otra.
Como la tasa media de llegada es constante, el tiempo entre llegadas está distribuido
exponencialmente, la cantidad de clientes que llegan al sistema en un intervalo de tiempo
de longitud t aleatorio tiene una distribución de Poisson y que los clientes llegan al
sistema provenientes de un proceso de Poisson.
Justificación:
Sea N: cantidad de clientes que llegan en un intervalo de tiempo (0, t)
Como N tiene una distribución de Poisson, la probabilidad de tener n clientes en (0, t) es:
(𝜆𝑡)𝑛 −𝜆𝑡
𝑃[𝑁 = 𝑛 𝑒𝑛 (0, 𝑡)] = 𝑒
𝑛!
La probabilidad de no tener clientes en (0,í) es:
El Burstiness, B
El Burstiness, es una propiedad para el tráfico de redes determinada por el proceso de
llegada. A la medida del burstiness se la nota B
UE[X]
B = 1−
Cresta de la tasa de llegada
B es pequeño, cuando la cresta de la tasa de llegada se aproxima a la media.
Cresta
El tamaño máximo del lote que se estructura para transmitir, en el peor caso.
Distribución geométrica:
Un nodo colecciona unidades de datos que provienen de varias fuentes y los agrupa en
lotes para sacarlos a un canal de comunicación.
El lote incrementa su longitud según llegan las unidades de datos hasta que se dé un
fracaso.
El proceso genera una variable aleatoria distribuida geométricamente.
La cresta de la tasa de llegada es 1, ya que puede fracasar la llegada de la segunda
unidad de dato.
Distribución binomial:
Se construye el lote como secuencia de k datos provenientes de n fuentes.
La cresta de la tasa de llegada es n, ya que el lote queda determinado al finalizar la n
llegada.
Por ejemplo, considere un multiplexor que está conectado a n fuentes de datos. Cada
fuente puede generar un paquete con probabilidad p. En un momento dado se generan k
paquetes y el lote se construye colocando en cadena a ios paquetes.
Distribución de Poisson:
Se construye el lote como secuencia de datos provenientes de infinidad de fuentes. Esto
modela mensajes para los cuales no hay un límite conocido para su longitud.
Considerando la distribución binomial. Incrementando sin límite a n, y manteniendo la
longitud del lote constante en np, se obliga a que p tienda a cero.
Así tenemos la distribución de Poisson con parámetro np.
La cresta de la tasa de llegada es la constante np, es decir, la cresta se aproxima a la
media.
El proceso de servicio
Se asume que se suministra el servicio bajo la modalidad primero en llegar y primero en ser
atendido. Así la atención depende de la disponibilidad del servidor, y del número de servidores.
Los servidores no siempre están disponibles, ya que cuando todos los servidores están
ocupados atendiendo, los clientes que llegan están obligados a esperar. Aceptando que el
tiempo de servicio por cliente es completamente aleatorio, se puede modelar el tiempo de
servicio usando una distribución de probabilidades. .
Considere un nodo que tiene uso exclusivo de un canal cuya capacidad nunca se excede.
Cuando ocurre una llegada al nodo, inmediatamente se inicia el servicio que ofrece. El tiempo
de servicio lo determina el patrón de llegada, el cual es proporcional al tamaño del mensaje o
paquete. Por lo tanto, si está especificado el proceso de llegada se puede determinar el tiempo
de servicio.
En una red más compleja, la distribución del tiempo de servicio depende de la actividad de
varias colas y sus interacciones con el mecanismo de acceso al servicio.
• Si el mecanismo de servicio, atiende a los clientes en una sola fase, a una tasa media 𝜇 se
tiene, que la distribución del tiempo de servicio es exponencial.
• Si el mecanismo de servicio, atiende a los clientes en r fases, de manera que un cliente
entra a una fase luego que ha dejado la fase previa. Solamente cuando el cliente ha
pasado por todas las fases, abandona el sistema y se permite el ingreso a otro cliente.
Así en todo momento únicamente un cliente se permite en el servicio.
Mecanismo de servicio
Por ejemplo, en una red telefónica, el servicio es el paso de la llamada de un teléfono a otro.
Aceptando que el tiempo de servicio por llamada es completamente aleatorio.
Si el servicio de llamada se realiza en una sola fase, se tiene que la distribución del tiempo de
servicio es exponencial.
Si el servicio se realiza en r fases, la distribución del tiempo de servicio en este caso está dada
por la distribución de Erlang para r fases.
Ya que las tasas de nacimiento y muerte dependen del estado y no del tiempo, la cadena
de markov es homogénea
La diferencia entre la tasa de flujo que entra y el flujo que sale de en al tiempo t, es
igual a la tasa de cambio de ese estado.
𝑑𝑃𝑛 (𝑡)
= −(𝜆𝑛 + 𝜇𝑛)𝑃𝑛 (𝑡) + 𝜆𝑛−1 𝑃𝑛−1 (𝑡) + 𝜇𝑛+1 𝑃𝑛+1 (𝑡)
𝑑𝑡
𝜆𝑛−1
0 = −(𝜆𝑛 + 𝜇𝑛)𝑝𝑛 (𝑡) + 𝜆𝑛−1 𝑝𝑛−1 (𝑡) + 𝜇𝑛+1 𝑝𝑛+1 (𝑡) ⇔ 𝑝𝑛 = 𝑝
𝜇𝑛 𝑛−1
∞
∑ 𝑝𝑛 = 1
𝑛=0
Donde: 𝑙𝑖𝑚 𝑃𝑛 = 𝑝𝑛
𝑛→∞
𝜆0 𝜆1 𝜆2 … 𝜆𝑘−1 1
𝑝𝑘 = 𝑝 ∶∷ 𝑘 ≥ 1 𝑝0 =
𝜇1 𝜇2 𝜇3 … 𝜇𝑘 0 ∞
𝜆0 𝜆1 𝜆2 … 𝜆𝑘−1
1+∑
𝑘=0 𝜇1 𝜇2 𝜇3 … 𝜇𝑘
Ejemplo:
Búfer de un nodo con un proceso nacimiento y muerte no homogéneo
𝜆 1 𝑛 −𝑝
𝑝= ∶ 0<𝑝<1 𝑝𝑛 = 𝑝 𝑒 ∶ 𝑛 = 0, 1, 2, …
𝜇 𝑛!
p = ρpn ∶ n = 0, 1, 2, …
Ecuación de equilibrio: { n+1
p0
La utilización del canal está dada por el número medio de clientes en servicio, que por el
resultado de Little es 𝜌 = 𝜆/𝜇
𝜌 es la probabilidad que es sistema tenga al menos un paquete, es decir, que el sistema esté
ocupado.
𝑝𝑛 = 𝜌𝑛 𝑝0 ∶ 𝑛 = 0, 1, 2, … 𝑝𝑛 = 𝜌𝑛 𝑝0 ∶ 𝑛 = 0, 1, 2, … 𝐾
𝑝0 = 1 − 𝜌 1−𝜌
𝑝0 =
1 − 𝜌𝐾+1
∞
∑ 𝑝𝑛 = 𝜌 ∞
1−𝜌 𝐾
𝑘=0 ∑ 𝑝𝑛 = 𝜌 1−𝜌𝐾+1 (*)
𝑘=0
𝜌
𝐸 [𝑁 ] =
1−𝜌 𝜌[𝐾𝜌𝐾+1 − (𝐾 + 1)𝜌𝐾 + 1]
𝐸 [𝑁 ] =
(1 − 𝜌𝐾+1 )(1 − 𝜌)
1
𝑇𝑠 =
𝜇 1
𝑇𝑠 =
𝜇
1 1
𝑇𝑐 = 𝐸 [𝑁] = 𝑁𝑐
𝜇 𝜆 1
𝑇𝑐 = 𝐸 [𝑁]
𝜇
Justificación:
𝐾→∞
T = Tc + Ts =>
1 1 1 1 1
𝑇𝑐 = − =[ − 1]
1−𝜌𝜇 𝜇 1−𝜌 𝜇
𝜌 1 𝐸[𝑁]
= =
1−𝜌𝜇 𝜇
0 < 𝐾 < ∞
𝐿 = 𝑃[𝑁 ≥ 𝐾 + 1] = 𝜌𝐾+1
Observaciones:
• Cola M/M/1
Se considera que el espacio para que hagan cola los paquetes que van llegando al nodo hasta
que sean transmitidos, es muy grande.
1
Como el tiempo que se gasta en el sistema está distribuido exponencialmente, con medía 𝜇−𝜆,
la fdp del retraso en el sistema es(𝜇 − 𝜆)𝑒 −(𝜇−𝜆)𝑡 .
• Cola M/M/1/K
Se asume que el tamaño del búfer es K, es decir, el sistema puede contener un máximo de K
clientes.
Cuando el búfer se llena, todos los clientes que lleguen se rechazan porque no hay lugar para
almacenarlos.
pk es la probabilidad de rechazo de clientes o la probabilidad que el sistema esté lleno:
1−𝜌
𝑝𝑘 = 𝜌𝐾
1 − 𝜌𝐾+1
5𝜌5+1 − (5 + 1)𝜌5+1 + 𝜌 1
𝑐) 𝑇 = [ + 1]
(1 − 𝜌)(1 − 𝜌 5+1 ) 12
1
𝜌 → 0 => 𝑇 →
12
𝜌→1⇒ 𝑎) 𝑇→∞ 𝑐) 𝑇→5 𝑐) 𝑇 → 0.3
M/M/m K → ∞
1
𝑇 = (𝐸[𝑁𝑐 ] + 1)
𝜇
𝜆𝑘 = 𝜆 ∶ 𝑘 = 0, 1, 2, …
𝜇𝑘 = min[𝑘𝜇, 𝑚𝜇] =
𝑘𝜇 ∶ 𝑘 = 0, 1, 2, … , 𝑚
={
𝑚𝜇 ∶ 𝑘 = 𝑚, 𝑚 + 1, 𝑚 + 2
𝜆
𝜌= ∶0<𝜌<1
𝑚𝜇
1
Tiempo medio entre llegadas:
𝜆
1
Tiempo medio de servicio:
𝜇
(𝑚𝜌)𝑛
𝑃0 ∶ 𝑛 = 0, 1, 2, … , 𝑚
𝑃𝑛 = { 𝑛!
𝜌 𝑛 𝑚𝑚
𝑃0 ∶ 𝑛 = 𝑚, 𝑚 + 1, 𝑚 + 2
𝑚!
𝑚−1 −1
(𝑚𝜌)𝑛 (𝑚𝜌)𝑚 1
𝑃𝑛 = [ ∑ + ]
𝑛! 𝑚! 1 − 𝜌
𝑛=0
1 1
𝑃[ir a cola] = 𝑃0 (𝑚𝜌)𝑚
𝑚! 1−𝜌
(𝜌𝑚)𝑚 𝜌
𝐸[𝑁𝑐 ] = 𝑃0
𝑚! (1 − 𝜌)2
𝐸[𝑁] = 𝐸[𝑁𝑐 ] + 𝑚𝜌
1
𝑇𝑐 = 𝐸[𝑁𝑐 ]
𝜇
∞ ∞ ∞ ′
𝑚𝑚 (𝜌𝑚)𝑚 (𝜌𝑚)𝑚
= 𝑃0 ∑ 𝑘𝜌 𝑘+𝑚 = 𝑃0 ∑ 𝑘𝜌 𝑘 = 𝑃0 𝜌 [∑ 𝜌 𝑘 ] =
𝑚! 𝑚! 𝑚!
𝑘=0 𝑘=0 𝑘=0
(𝜌𝑚)𝑚 1 ′ (𝜌𝑚)𝑚 𝜌
= 𝑃0 𝜌[ ] = 𝑃0
𝑚! 1−𝜌 𝑚! (1 − 𝜌)2
1
𝑇 = 𝑇𝑐 + 𝑇𝑠 = (𝐸[𝑁𝑐 ] + 1)
𝜇
Ejercicio:
2−𝑈
𝑃0 = 𝑃[ir a cola]
2+𝑈
𝑃1 = 𝑈𝑃0
𝑈𝑛
𝑃𝑛 = 𝑛−1 𝑃0 ∶ 𝑛 ≥ 2
2
𝑈2
𝑃[ir a cola] = 𝑃0
2−𝑈
𝑈3
𝐸[𝑁𝑐 ] =
4 − 𝑈2
4𝑈
𝐸[𝑛] =
4 − 𝑈2
4𝑈 1
𝑇𝑐 =
4 − 𝑈2 𝜇
4𝑈 1
𝑇=[ 2 + 1]
4−𝑈 𝜇
1 1 4𝑈 1
𝑎) 1 𝑐𝑎𝑛𝑎𝑙 ∶ 𝑇 = 𝑏) 2 𝑐𝑎𝑛𝑎𝑙𝑒𝑠 ∶ 𝑇 = [ 2 + 1]
1 − 𝑈 12 4−𝑈 12
𝑛𝜇 ∶ 𝑛 = 1, 2, … , 𝑚
𝜆𝑛 = 𝜆 ∶ 𝑛 = 0,1, … , 𝐾 − 1 𝜇𝑛 {
𝑚𝜇 ∶ 𝑛 = 𝑚, 𝑚 + 1, … , 𝐾
𝜆
𝜌= ∶0<𝜌<1
𝑚𝜇
(𝑚𝜌)𝑛 𝑚−1 −1
𝑃0 ∶ 𝑛 = 0, 1, 2, … , 𝑚 ( 𝑚𝜌 ) 𝑛
( 𝑚𝜌) 𝑚
1 − 𝜌𝐾−𝑚+1
𝑝𝑛 = { 𝑛! 𝑃0 = [∑ + ]
𝜌 𝑛 𝑚𝑚 𝑛! 𝑚! 1−𝜌
𝑃0 ∶ 𝑛 = 𝑚, 𝑚 + 1, … , 𝐾 𝑛=0
𝑚!
Justificación:
m < k, sea k = l + m y usando pn de cola M/M/m tenemos:
1 1
𝑃0 = = 1 1
𝜌𝑘
1 + ∑𝑘𝑘=1 1 + ∑𝑚−1
𝑘=0 𝑘! (𝑚𝜌) + ∑𝑘=𝑚 𝑚! 𝑚 𝜌
𝑘 𝑘 𝑚 𝑘
𝑃0
Donde:
𝑘 𝐾−𝑚 𝑘 𝐾−𝑚
1 𝑚 𝑘 1 𝑚 𝑘 1 𝑚 𝑙+𝑚 1
∑ 𝑚 𝜌 = ∑ 𝑚 𝜌 +∑ 𝑚 𝜌 = (𝑚𝜌)𝑚 ∑ 𝜌 𝑙
𝑚! 𝑚! 𝑚! 𝑚!
𝑘=𝑚 𝑘=0 𝑘=𝑚 𝑘=0
1 1 − 𝜌 𝐾−𝑚+1
= (𝑚𝜌)𝑚
𝑚! 1−𝜌
En este sistema cada cliente que llega recibe su servicio privado, sin embargo, si llega un
cliente cuando todos los servicios están ocupados, ese diente se pierde.
𝜆: 𝑘 = 0,1,2,3 … , 𝑚 − 1 𝜆
𝝀𝒌 { 𝜇𝑘 = 𝑘𝜇 ∶ 𝑘 = 1,2, … , 𝑚 𝜌 = :0 < 𝜌 ≤ 1
0: 𝑘 ≥ 𝑚 𝑚𝜇
La distribución de probabilidades:
𝑚 −1
(𝑚𝑝)𝑘 (𝑚𝑝)𝑘
𝑝𝒌 {𝑝0 𝑘!
: 𝑘 = 1,2 … , 𝑚 𝜌0 = [∑ ]
𝑘!
0: 𝑘 > 𝑚 𝑘=0
Formula B de Erlang:
(𝑚𝑝)𝑚 𝑝0
𝐵 (𝑚, 𝜌) = 𝑝𝑚 =
𝑚!
Este sistema tiene s fuentes que proveen de clientes al sistema. Así, se dispone de una
población de s fuentes de clientes.
Ap li ca ci ó n pa r a l a col a M/M/m/K/s
La cola se puede usar para modelar un nodo de comunicaciones simple con 5 líneas
entrantes, el tamaño del búfer K, y una línea de salida con m canales TDM
La cadena de Markov, es un proceso estocásisco con la propiedad de sin memoria, que permite
transiciones de estados no solo entre los vecinos más cercanos.
Las colas de Markov se usan para modelar procesos de llegada y salida por lotes.
La longitud de un lote se establece por la cantidad de paquetes que lo conforman.
Ya que los clientes son los lotes, en este modelo se interpreta al cliente como la longitud del lote.
El método de fases permite estudiar sistemas de cola más generales que los de nacimiento y
muerte. Erlang estructura la distribución del tiempo en una secuencia de distribuciones
exponenciales. De manera que, haya una distribución exponencial común para cada fase, y
que mantenga el tiempo medio que le toma a un cliente pasar sobre las fases
Debe tomarse en cuenta, que un cliente que ingresa a la estructura de fases, debe pasar por
todas las fases en secuencia. En la estructura no se permita más de un cliente. Al salir un
cliente de la estructura, se permite el ingreso de otro cliente. Si la estructura tiene r fases, y hay
un diente en ella, se tienen r - 1 fases libres.
Sea X la variable aleatoria del tiempo total gastado sin considerar las fases.
• Cuando la estructura de fases, se refiere a las etapas por las que deben pasar
los dientes para solicitar el servicio, el estado está determinado por el total de
fases que cumplieron los dientes que ya están solicitando el servicio, más las
fases por las que ya ha pasado el cliente que está entrando al servicio.
Si el cliente está en la fase i, significa que ha recibido la atención de las i -1 fases previas y que
incluyendo a la fase actual, le falta recibir la atención de las r - i +1 fases restantes. Por cada
cliente que ingrese a la cola, interpretado en término de fases, el sistema adquiere r fases
pendientes. Si en la cola hay k -1 dientes, el total de fases pendientes del sistema 𝑗 = 𝑟 − 1 +
1 + (𝑘 − 1)𝑟 = 𝑘𝑟 − 𝑖 + 1 a j se conoce como el descriptor de estados.
Sea Tel tiempo de entre llegadas de un diente al sistema: a(t) = 𝝺e-𝝺f : t > 0
El nodo requiere que los clientes que solicitan su servicio, pasen por una entrada de r fases de
control.
Cada vez que un cliente pasa de una fase a otra, el estado avanza en una posición.
Al abandonar un cliente el sistema, el estado retrocede en r posiciones.
Si k clientes ya llegaron a la cola por el servicio, y el que está llegando, está en la fase i, el
descriptor de estados está dado por: j = kr + i – 1
La cola M/Er/1, es un modelo conveniente para representar a un búfer que acepta los datos
como mensajes que consisten en r paquetes de longitud variable que llegan al azar y los
sueltan a una tasa de transmisión fija. Así, los clientes que llegan y salen del sistema, son los
mensajes.
Por ejemplo, si un mensaje tiene una longitud media de 5000 bits, y el mensaje se
constituye de 4 paquetes ( r = 4), la longitud media del paquete será
de 1250 bits.
La cola Er/M/1 es un modelo conveniente para analizar los sistemas que esperan hasta que un
cierto tamaño de mensaje se alcance antes de soltar los datos para su transmisión. Así, el
proceso de llegada describe una fuente de mensajes con tamaño de longitud fija a ser
generado de manera completamente aleatoria La cola Er /M/1 permite modelar un búfer con el
servicio por lotes
El servicio de un mensaje particular no inicia hasta que todas sus partes constitutivas
hayan llegado o generado, y en todo momento se atienden a mensajes completos
• En el sistema M/Er/1 cada cliente pasa por r fases de servicio para completar su
servicio total.
• En el sistema M/M/1 se puede considerar que cada llegada se constituye de un grupo
de r clientes. Cada uno de esos r clientes requieren únicamente un servicio de una
sola fase, eso es, la distribución del tiempo de servicio es exponencial. Así se tiene un
sistema M/M/1 con llegada de grupos de tamaño r .
Aquí se va a considerar sistema de llegadas por grupos de diferente tamaño, con la distribución
de llegadas de Poisson. El tamaño del grupo en cada instante de llegada tendrá un tamaño
aleatorio. En algunas comunicaciones el tamaño de los mensajes no es constante. Por
ejemplo, la conversación digital, tiene diálogos de diferente tamaño e incluyen periodos de
silencio de tamaño aleatorio. Así, la conversación digitalizada consiste de un número variable
de bits.
En este modelo, se puede ingresar al estado en desde cualquier estado inferior, ya que
se permite la llegada de lotes de cualquier tamaño; similarmente podemos
movemos del estado e n a todo estado superior.
Nota:
• Todos los sistemas de cola discutidos en este capítulo son pertinentes para el análisis
de nodos individuales.
Por ejemplo, los multiplexores de TDM.
Se usará la cadena de Markov de tiempo discreto para desarrollar un método general para el
análisis de los sistemas de red.
Además se dará soluciones para calcular los indicadores de actuación más útiles.
Definiciones:
•
= [𝜋0 , 𝜋1 , 𝜋2 , … ] Vector de probabilidades de equilibrio
Π
La probabilidad límite Π¡ se denomina probabilidad de equilibrio, en el sentido que el efecto de
(0)
la distribución de estado inicial ΠJ ha desaparecido.
(0)
ΠJ Probabilidad de encontrar al cliente en el estado j, al tiempo n
Por lo tanto, a partir del estado actual, la probabilidad de alcanzar cierto estado luego de m
pasos al futuro, depende únicamente de m y no del tiempo actual.
Dado el estado j :
(𝑛)
Sea 𝑓𝑗 = 𝑃[𝑝𝑟𝑖𝑚𝑒𝑟 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑎 𝑗, 𝑜𝑐𝑢𝑟𝑟𝑎 𝑛 𝑝𝑎𝑠𝑜𝑠 𝑑𝑒𝑠𝑝𝑢é𝑠 𝑑𝑒 𝑎𝑏𝑎𝑛𝑑𝑜𝑛𝑎𝑟 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑗]
(𝑛) (𝑛)
Sea 𝑓𝑗 = 𝑃[𝑠𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑎 𝑎𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑗] = ∑∞
𝑛=1 𝑓𝑗
(𝑛)
El tiempo medio de recurrencia de 𝑗, es: 𝑀𝑗 = ∑∞
𝑛=1 𝑛𝑓𝑗
𝜋=𝜋𝑃 𝐼𝑚 − 𝑃 1𝑚 −1
• ∑𝑘 𝜋𝑘 =1} ⟺ (𝜋, 0) = (0𝑇𝑚 , 1) ( )
1𝑇𝑚 1
𝐼𝑚 − 𝑃 1𝑚 −1 𝐼𝑚 1𝑚 𝑃 0𝑚 −1
Además: ( 𝑇 ) = [( 𝑇 )−( 𝑇 )]
1𝑚 1 1𝑚 1 0𝑚 0
Justificación:
• ∑𝑗 𝑝𝑖𝑗 = ∑𝑗<𝑖−1 𝑝𝑖𝑗 + 𝑝𝑖,𝑖−1 + 𝑝𝑖𝑖 + 𝑝𝑖,𝑖+1 + ∑𝑗>𝑖+1 𝑝𝑖𝑗 = {0} + {𝑃𝑎 [1, 𝑖] ∙ 𝑃𝑝 [0, 𝑖]} +
{(1 − 𝑃𝑎 [1, 𝑖]) ∙ 𝑃𝑝 [0, 𝑖] + 𝑃𝑎 [0, 𝑖] ∙ 𝑃𝑝 [1, 𝑖]} + {(1 − 𝑃𝑎 [0, 𝑖]) ∙ 𝑃𝑝 [1, 𝑖])} + {∑𝑗>𝑖+1 𝑃𝑝 [𝑗 −
𝑖, 𝑖]} = {𝑃𝑎 [1, 𝑖] + (1 − 𝑃𝑎 [1, 𝑖])}𝑃𝑝 [0, 𝑖] + {𝑃𝑎 [0, 𝑖](1 − 𝑃𝑎 [0, 𝑖])}𝑃𝑝 [1, 𝑖] + {∑𝑗−𝑖=2 𝑃𝑝 [𝑗 −
𝑖, 𝑖]} = 𝑃𝑝 [0, 𝑖] + 𝑃𝑝 [1, 𝑖] + ∑𝑘=2 𝑃𝑝 [𝑘, 𝑖] = ∑𝑘=0 𝑃𝑝 [𝑘, 𝑖] = 1
• 𝜋 = 𝜋𝑃 ⟺ 𝜋 − 𝜋𝑃 = 0 ⟺ 𝜋(𝐼𝑚 − 𝑃) = 0 ⟺ (𝐼𝑚 − 𝑃)𝑇 𝜋 𝑇 = 0
Sea 𝑥 ∈ 𝐾𝑒𝑟((𝐼𝑚 − 𝑃)𝑇 ) ⇒ (𝐼𝑚 − 𝑃)𝑇 𝑥 = 0
Como (𝐼𝑚 − 𝑃)𝑇 𝜋 𝑇 = 0, ∃𝛼 ∈ ℝ ∶ 𝜋 𝑇 = 𝛼𝑥
1
𝜋 𝑇 ∙ 1𝑚 = 1 ⇒ 𝛼𝑥 ∙ 1𝑚 = 1 ⇒ 𝛼 =
𝑥 ∙ 1𝑚
1 1
∴ 𝜋 = 𝛼𝑥 𝑇 = 𝑥𝑇 = (𝑥 , 𝑥 , … , 𝑥𝑚 )
𝑥 ∙ 1𝑚 ∑𝑘 𝑥𝑘 1 2
𝐼 − 𝑃 1𝑚 −1 𝐼𝑚 − 𝑃 1𝑚
• (𝜋, 0) = (0𝑇𝑚 , 1) ( 𝑚 𝑇 ) ⟺ (𝜋, 0) ( 𝑇 ) = (0𝑇𝑚 , 1) ⟺
1𝑚 1 1𝑚 1
𝜋 − 𝜋𝑃 = 0𝑇𝑚
[𝜋(𝐼𝑚 − 𝑃) 𝜋1𝑚 ] = (0𝑇𝑚 , 1) ⟺ [𝜋 − 𝜋𝑃 𝜋1𝑚 ] = (0𝑇𝑚 , 1) ⟺ { ⟺
𝜋1𝑚 = 1
𝜋 = 𝜋𝑃
{∑
𝑘 𝜋𝑘 = 1
Cola M/G/1
Aspectos de la Teoría de Renovación
Sea {𝜏𝑘 } una secuencia creciente de instantes que se van fijando según se obtiene resultados
de un proceso que se desarrolla en el tiempo (proceso estoástico de renovación), de manera
que las longitudes de los intervalos marcados 𝜏𝑘+1 − 𝜏𝑘 sean variables aleatorias distribuidas
idénticamente e independientes por la variable aleatoria 𝑋 con la distribución dada por 𝐹(𝑥)
𝐹(𝑥) = 𝑃[𝜏𝑘+1 − 𝜏𝑘 ≤ 𝑥]
La secuencia de puntos de llegada {𝜏𝑘 } forma un proceso de renovación. La teoría de
renovación discute el reemplazo instantáneo de componentes. En este caso, {𝜏𝑘 } forma una
secuencia de instantes cuando la componente vieja cae y es reemplazada por una nueva
componente.
Dado un tiempo aleatorio 𝑡, mientras el proceso avanza, sea 𝜏𝑛−1 la última marca antes de 𝑡 y
𝜏𝑛 será la primera marca después de 𝑡.
𝑚3 𝐸[𝑋3 ]
𝑟2 = 𝐸[𝑌 2 ] = =
3𝑚1 3𝐸[𝑋]
𝑉(𝑋) = 𝑚2 − 𝑚12
Nota:
1
Asumiendo llegadas de Poisson con parámetro 𝜆, 𝑟1 = = 𝑚1 .
𝜆
En la teoría de renovación, la tasa del fracaso dependiente de la edad, 𝑟(𝑥) se define como la
tasa instantánea a la cual una componente fallará sabiendo que ha alcanzado la edad x. Esta
densidad condicional es:
𝑓(𝑥)
𝑟(𝑥) =
1 − 𝐹(𝑥)
Donde 𝑓(𝑥) y 𝐹(𝑥) se refieren a la distribución común del tiempo de vida de la componente.
La distribución de renovación, 𝐻(𝑥) es:
𝐻(𝑥) =
𝐸[𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑛𝑜𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑥]
Teorema:
Sea la densidad de renovación ℎ(𝑥)
1
lim ℎ(𝑥) =
𝑥→∞ 𝑚1
Cola M/G/1
La cola M/G/1 es un sistema de un solo servidor con llegadas de Poisson con parámetro 𝜆 y en
donde la variable aleatoria 𝑋, es el servicio dado a los clientes, tiene una distribución arbitraria
del tiempo de servicio 𝐵(𝑥) con su 𝑝𝑑𝑓 𝑏(𝑥).
𝜆 clientes/seg es la tasa media de llegada de clientes al sistema.
1 1
El tiempo medio entre llegadas es seg, y una varianza 𝑉(𝑡) =
𝜆 𝜆2
No se necesita especificar cuánto tiempo ha pasado desde la última llegada al sistema, ya que
el proceso de llegada es del tipo sin memoria
La distribución del tiempo de servicio 𝐵(𝑥) no es necesariamente del tipo de sin memoria. Se
debe especificar 𝑋0 (𝑡), el tiempo de servicio que ha recibido el cliente en servicio al momento
𝑡. 𝑋0 (𝑡) es una variable continua.
Sea 𝑁(𝑡) el número de clientes presentes al momento 𝑡.
Si en algún momento 𝑡 se va a resumir toda la historia pasada del sistema, se debe especificar
𝑁(𝑡) y 𝑋0 (𝑡).
Se ve que el proceso aleatorio 𝑁(𝑡) es un proceso no Markoviano. Sin embargo, el vector
[𝑁(𝑡), 𝑋0 (𝑡)] es un proceso de Markov, y es un vector de estado apropiado para el sistema
M/G/1, ya que resume completamente todo el pasado histórico relevante para el desarrollo
futuro del sistema.
El descriptor de estados [𝑁(𝑡), 𝑋0 (𝑡)] es continuo.
(1 − 𝜌)(1 − 𝑧)
𝑄(𝑧) = 𝐵∗ (𝜆 − 𝜆𝑧)
𝐵∗ (𝜆 − 𝜆𝑧) − 𝑧
𝜆2 𝐸[𝑥̃ 2 ]
𝐸[𝑥̃] = 𝜌 +
2(1 − 𝜌)
(1 − 𝜌)𝑠
𝑊 ∗ (𝑠) =
𝑠 − 𝜆 + 𝜆𝐵∗ (𝑠)
𝜆𝐸[𝑥̃ 2 ]
̃] =
𝐸[𝑊
2(1 − 𝜌)
(1 − 𝜌)𝑠
𝐷 ∗ (𝑠) = 𝐵 ∗ (𝑠)
𝑠 − 𝜆 + 𝜆𝐵 ∗ (𝑠)
𝜆𝐸[𝑥̃ 2 ]
̃ ] = 𝐸[𝑥̃] + 𝐸[𝑊
𝐸[𝐷 ̃ ] = 𝐸[𝑥̃] +
2(1 − 𝜌)