Diaposit Poisson PDF

Cadenas de Markov y
Teora de Colas
Carlos F. Belaustegui Goitia
Procesos y Cadenas de Markov
Variables binomial, geomtrica y de Poisson.

Procesos puntuales.
Procesos de Markov.
Cadenas de Markov. Clasificacin de estados, clases de cadenas, estado
estacionario. Teorema de Perron-Frobenius.
Cadenas de Markov en tiempo continuo. Ecuaciones de balance global.
Aplicaciones.
09/11/2003
C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
Variables Binomial y Geomtrica

Variable Binomial: La probabilidad de que el evento
A, cuya probabilidad es P(A) = p, ocurra k veces en n
pruebas es
n
pn (k ) = p k (1 p) nk ,
k
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
Separacin entre eventos: sea X= nmero de pruebas

hasta el primer xito
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
Propiedad sin memoria de la distribucin geomtrica

P ( X = n / X > n0 ) =
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
Aplicacin: Proceso de Bernoulli como modelo

de flujo ATM
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
Variables Binomial y de Poisson

Variable Binomial: La probabilidad de que el evento
A, cuya probabilidad es P(A) = p, ocurra k veces en n
pruebas es
n
pn (k ) = p k (1 p) nk ,
k
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
Variable de Poisson: Si p<<1, np=a, y k del orden de np
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
Puntos de Poisson: Se colocan al azar n puntos en el

intervalo real [0, T)
t 2 t1 t
=
T
T
n
pn (k puntos en [t1 , t 2 ]) = p k (1 p) nk
k
3 2
t1
(t ) k t
pn (k puntos en [t1 , t 2 ]) n
= p(k )
e
,T
k!
09/11/2003
t2
P(1 punto en [t1 , t 2 ]) = p =
= 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
Separacin entre puntos: sea X = distancia desde

t al primer punto a la derecha de t.
FX ( x) = P( X x) = 1 P( X > x) =
= 1 P (0 puntos en [t , t + x]) = 1 e
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
Propiedad sin memoria de la distribucin

exponencial
FX ( x / X x0 ) = P( X x / X x0 ) =
=
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..
Relacin entre procesos de

Bernoulli y Poisson
Tiempo continuo
Tiempo discreto
Proceso de Bernoulli
Proceso de Poisson
Distribucin entre arribos:
Distribucin entre arribos:
Geomtrica
Exponencial
09/11/2003
Ejemplo: Arribos Aleatorios

servidor
09/11/2003
arribos
tiempo
El proceso de arribos es Poisson.

Los tiempos entre arribos son
independientes y distribuidos
exponencialmente con parmetro
.
Ejemplo: Modelo de Trfico Telefnico

fTh(t)
X
Th: duracin de la comunicacin

(holding time)
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/
Separacin entre arribos exponencial
tk
1
2
: tasa de arribos (llamadas/seg)

1/: duracin media de la llamada (seg)
a = (1/ )
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
Nmero de ocupaciones simultneas
Tiempo medio de ocupacin

de una lnea
Promedio de lneas ocupadas
simultneamente
Tiempo total en el que

exactamente j lneas estn ocupadas
Procesos de Markov
Proceso de Markov: Es un proceso estocstico cuyo
pasado no tiene influencia sobre el futuro si el presente
est especificado.
Cadena de Markov: Proceso de Markov en tiempo

discreto con un conjunto numerable de estados ai.
Especificado en trminos de:
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
P[X (t n ) xn / X (t n 1 ),L, X (t1 )] = P[X (t n ) xn / X (t n 1 )]
Sistemas
dinmicos
Prob. transicin
Propiedades:
j
t1 < t 2 < L < t n
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)
Ecuacin de
Chapman-Kolmogorov
10
Propiedades de las Cadenas de Markov

Propiedades generales de los procesos de Markov
P[ X (t n ) xn / X (t n 1 ),L, X (t1 )] = P[ X (t n ) xn / X (t n 1 )]
f ( xn / xn 1 , L, x1 ) = f ( xn / xn 1 )
E ( X n / X n 1 ,L , X 1 ) =
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
Propiedades de las cadenas de Markov
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
Un proceso de Markov tambin

es de Markov si el tiempo se invierte.
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 )
=
Si el presente est especificado,

el pasado es independiente del
futuro.
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)
C.F. Belaustegui Goitia - Cadenas de Markov y Teora

l de Colas
11
Evolucin de una Cadena de Markov

Cadenas homogneas: Las probabilidades de
transicin ij(m,n) slo dependen de la diferencia
k=n-m.
Ecuacin de Chapman-Kolmogorov:
ij (k , n) = il (k , m) lj (m, n)
Evolucin del sistema
(2) = (1) (1) = 2

L
(n + 1) = (n)
( n) = n
p(n) = [ p1 (n) L p N ( n)]T

p T ( n) = p T ( k ) ( k , n) =
= pT (k ) (n k ) =
= pT (k ) n k =
= pT (0) 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 )
Matriz de probabilidades de transicin a n pasos.

El elemento i,j de n es la probabilidad de llegar
de i a j en exactamente n pasos.
Si existe el estado estacionario, el vector de probabilidad de estados

p de una cadena de Markov, es un autovector izquierdo de su
matriz de transicin con autovalor 1.
Existe
Existeun
unestado
estado
estacionario?
Si p(1) p, el proceso no es estacionario.
estacionario?
Si n tiende a un lmite para n , el proceso es asintticamente
estacionario.
09/11/2003
12
Ejemplo: Cadena de 2 estados

Aplicacin: Es un modelo para voz en paquetes.
1-a
00
11
1-b
Matriz de transicin
Solucin en estado estacionario
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
Estado 0: inactivo (silencio). La probabilidad de que la prxima TS sea

activa es a, y la probabilidad de que permanezca en el estado
inactivo es 1-a.
Estado 1: activo (habla). La probabilidad de que la prxima TS sea
inactiva es b, y la probabilidad de que permanezca en el estado
activo es 1-b. En el estado activo, una TS contiene una celda
con probabilidad p, y se tiene un proceso de Bernoulli.
p = p
[ p0
p1 ] = [ p0
a p0 = b
1 a
p1 ]
a+b

b
b
1
a
p0 + p1 = 1 p1 =
a+b
13
Ejemplo: Proceso de cuenta binomial

Ejemplo: Proceso de cuenta binomial.
1-p
Es una secuencia de variables aleatorias de Bernoulli independientes.

Sn es el proceso de suma o cuenta que da el nmero de xitos en las
primeras n pruebas.
En cada paso, Sn puede incrementarse en 1 con probabilidad p o quedar
igual con probabilidad 1-p.
1
Ik =
0
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
Propiedades Generales de la Matriz de Transicin

Radio espectral
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
El radio espectral es menor o igual

que cualquier norma
( ) = 1
El radio espectral es unitario
Norma infinito: mxima suma de valores absolutos de

cada fila = 1
09/11/2003
15
Clasificacin de Estados
Accesible: j es accesible desde i si hay alguna secuencia de

transiciones de i a j con probabilidad no nula: n>0/ ij(n)>0.
Comunicantes: los estados i y j comunican si son accesibles entre

s. Se escribe ij. La comunicacin es una relacin de equivalencia:
ij, jk ik.
Absorbente: Si es imposible abandonarlo: ii=1.
Recurrente: El estado i es recurrente si la probabilidad de regresar

alguna vez a l es 1.
Peridico: Un estado es peridico con perodo d si slo se puede

regresar a l despus de d, 2d, ..., nd pasos.
Aperidico o Ergdico: Peridico con perodo d=1. Se puede

regresar a l en cualquier momento.
Transitorio: La probabilidad de regresar al estado alguna vez es

menor que 1.
09/11/2003
Recurrente
f i = ii (n) = 1
n =1
Transitorio
f i = ii (n) < 1
n =1
16
Clases de Estados
Cerrada: Si desde un estado interior no se puede

alcanzar ningn estado exterior a la clase. Un
estado absorbente es una clase cerrada con un
nico estado.
Irreducible: Clase cerrada tal que ningn
subclase propia es cerrada. En otros trminos, la
nica clase cerrada es la de todos los estados.
Dos estados pertenecen a un mismo conjunto si se
comunican.
Dos clases distintas deben ser disjuntas, pues si
existe algn elemento comn, los estados de una
clase se pueden comunicar con los de la otra, y as
resultan ser de la misma clase.
09/11/2003
Clase reducible
Clase cerrada
Estados absorbentes
Clase irreducible
17
Clases de Cadenas
Irreducible. Definiciones equivalentes:
La que consiste en una nica clase de equivalencia.
El nico conjunto cerrado es el de todos los estados.
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.
Tiene uno o ms estados absorbentes.
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.
Aperidica: Todos sus estados son peridicos con perodo 1.
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
Ergdica: Irreducible, aperidica, recurrente positiva.
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
19
Cadenas Reducibles e Irreducibles

Matriz Reducible
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
Matriz de valores absolutos

Matriz positiva
(I
+ A)
N 1
>0
Permutacin de estados en una cadena de Markov
Permuta las filas y columnas de A
P T = P 1
A es una matriz reducible (irreducible) si (si no) existe alguna matriz de

permutacin P tal que:
' = PT P
Permutar filas y columnas de equivale a renombrar los

estados de la cadena
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
Cadenas de Markov y Grafos

Grafo de una cadena
El grafo G(
) de es el grfico orientado sobre n nodos {N1, N2,..., Nn}
en el cual hay un arco orientado de Ni a Nj si y slo si ij0
Clase irreducible
Cambio de nombre de los nodos

Si P es una matriz de permutacin,
G (PT P ) = G ( )
Grafo fuertemente conexo

Para
Paracada
cadapar
parde
denodos
nodos(N
(Ni,i,NNj )j )existe
existeuna
unasecuencia
secuenciade
dearcos
arcos
a
N
.
orientados
que
conduce
de
N
i
j
orientados que conduce de N a N .
i
esesirreducible
irreducible
Todos
Todoslos
losestados
estadoscomunican.
comunican.La
Lacadena
cadenaconsiste
consisteenenuna
unanica
nicaclase
clase
dedeequivalencia.
equivalencia.
09/11/2003
21
Descomposicin Espectral de una Matriz

A
nn es diagonalizable cuando tiene un conjunto completo
de autovectores linealmente independientes.
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
Avi = i v i uTj Avi = i uTj v i

T
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
izquierdo son biortogonales
Normalizacin
V = [v1 L v n ], U = [u1 Lu n ] Conjunto completo de autovectores

l.i. A es diagonalizable
= 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.
No existen otros autovectores no negativos aparte de x: Vector de Perron

y T A = (A)y T
El vector izquierdo de Perron tiene la misma propiedad.
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
Matrices primitivas e imprimitivas

Si A0 es irreducible y primitiva, entonces tiene un
nico autovalor r = (A) sobre el crculo espectral.
Si A0 es irreducible e imprimitiva de ndice h, entonces

tiene h autovalores sobre el crculo espectral.
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
Teorema: Los h autovalores de A sobre el crculo

espectral, son las races de orden h de (A)
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
En este caso, A/r no es convergente, pero es sumable Cesro:
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
Cadenas irreducibles y aperidicas

Propiedades generales de la matriz de
probabilidades de transicin
n 0 n 1
( ) = 1
1 = 1
(1, 1) es un par propio de
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
Radio espectral unitario
pT = p
Matriz irreducible y primitiva
i < 1 i > 1
Por ser primitiva, 1 es el nico autovalor sobre el

crculo espectral
lim k = 1pT
Todas las filas son iguales. Todas las columnas

tienen iguales elementos
lim pT (k ) = lim pT (0) k = pT (0)1pT = pT

k
La distribucin de probabilidades estacionaria es el vector izquierdo

de Perron.
La cadena es aperidica.
pT 1 = 1
09/11/2003
25
Cadenas irreducibles y peridicas

Forma cannica de Frobenius para matrices
imprimitivas
Matriz irreducible e imprimitiva

I + + L k 1
= 1pT
k
k
pT (0) + pT (1) + L + pT (k 1)
= pT (0)1pT = pT
lim
k
k
lim
Si es imprimitiva de orden h>1, entonces existe una

permutacin tal que
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
: nmero de visitas al estado j antes del tiempo k .
/ k : fraccin de veces que el estado j es visitado antes del tiempo k .
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
La cadena es peridica de perodo h.
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
( )
La fraccin de tiempo a largo plazo que la cadena pasa en j es pj :

componente j del vector de Perron pT. La interpretacin vale tambin
cuando la matriz es primitiva y existe un estado estacionario.
09/11/2003
26
Cadenas reducibles (1)

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
X Y
' = PT P =
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
Cada Xii es irreducible o [0]1x1.
09/11/2003
12
22
M
0
0
0
M
0
Cada ii es irreducible o [0]1x1

i-sima clase transitoria: cuando se la abandona,
no se regresa a ella
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
Forma cannica para

matrices reducibles
Cada r+j,r+j es irreducible.

j-sima clase ergdica. Cada clase
ergdica es una cadena irreducible en s
misma
27

n
= 11
Cada ii es irreducible o [0]1x1

i-sima clase transitoria: cuando se la abandona, no se regresa a ella
( ii ) = 1 ii 1 = 1, pero
( ii ) < 1
ii 1 1 porque hay bloques ij , j i, no nulos
(11 ) < 1 lim

k
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
Sii todas las

submatrices de 22
son primitivas
pTj jj = pTj , j = r + 1,K , m

1pTr+1
+L+
=
O M =L
k
1pTm
lim 22 = L si todas las submatrices de 22 son primitivas

I + 22
j-sima clase ergdica. Cada clase ergdica es una cadena irreducible en s misma
lim
k
Los autovalores unitarios de cada r+j,r+j son simples y son races de la unidad.
Los autovalores unitarios de son el conjunto de los autovalores unitarios de las submatrices r+j,r+j .
k
Pueden estar repetidos por aparecer en ms e una submatriz r+j,r+j .
k 1
22
09/11/2003
28

11
0
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

j-sima clase ergdica. Cada clase ergdica es una cadena irreducible en s misma.
Toda cadena reducible eventualmente queda absorbida en una clase ergdica.
Si r+j,r+j es primitiva, la cadena llega a un estado estacionario determinado por el
vector izquierdo de Perron de r+j,r+j .
Si r+j,r+j es imprimitiva, la cadena oscila en la clase ergdica para siempre.
09/11/2003
29
Valor medio y autocorrelacin en la cadena de Markov (t. discreto)

R(n, n + k ) = E ( X n X n + k ) = xi x j P ( X n+ k = j, X n = i ) =
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 ]
y (n) = [x1 p1 (n) x2 p2 (n) L x N p N (n)]
m X ( n) = E ( X n ) = xi pi (n) =pT ( n)x = pT (0) n x

i
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 (n, n) = y T (n)x = pi (n) xi2 = E ( X n2 ) = m X2 (n)

i
R( k ) = y T k x y T 1pT x = m X2
k
C ( k ) = R (k ) m X2 = y T ( k 1pT )x
C (0) = y T (I 1pT )x = y T x y T 1pT x = E ( X 2 ) m X2 = X2
09/11/2003
30
Cadenas de Markov en Tiempo Continuo

Cadenas homogneas
ij(t1, t2)
t2 t1 = ,
ai
( + ) = ( ) ( )
aj
t1
Ecuaciones de Kolmogorov
t2
Puntos de Poisson
Cadena de Markov en tiempo continuo: Los cambios de

estado ocurren en los puntos aleatorios Tn.
(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
Ecuaciones de Balance Global

Solucin en estado estacionario
kk
p(t ) = p = cte. p& (t ) = 0

T
p =0
Sistema de ecuaciones homogneas
pT 1 = 1
Condicin adicional
ij
ii
ji
Ecuaciones de balance global
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
Evolucin de la cadena en tiempo continuo

(t ) = e
vi = i vi
p(t ) = p(0) (t ) = p(0) e t

(t )1 = 1
& (t )1 = 0
1 = 0
pT = 0
uTi = iuTi
uTi v j = ij
U = [u1 LuN ], V = [v1 LvN ]

UT V = I
k = ki viuTi
i
f () = f (i )viuTi
i
1 = 0 > 2 > L> N
et = eit viuTi = 1pT + eit viuTi = 1pT

i
09/11/2003
i>1
33
Valor medio y autocorrelacin en la cadena de Markov (t. continuo)

R (t1 , t 2 ) = E ( X (t1 ) X (t 2 )) = xi x j P ( X (t 2 ) = j , X (t1 ) = i ) =
(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
C (0) = y T I 1pT x = y T x y T 1pT x = E ( X 2 ) m X2 = X2
09/11/2003
34
Ejemplo : Proceso de Poisson

Otra forma de obtener la matriz :
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
Ejemplo : Seal binaria aleatoria

a
-a
-b
01 ( ) = P[X ( ) = 1 / X (0) = 0] = P[1 punto en `[0, ]] = 1 e a
10 ( ) = P[X ( ) = 0 / X (0) = 1] = P[1 punto en `[0, ]] = 1 e b

e a
( ) =
b
1 e
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 )
36
Ejemplo: Cola M/M/1 (1)

Clientes atendidos de a uno por vez en orden de llegada
Tiempo entre arribos distribuido exponencialmente con parmetro .
Tiempo de servicio de un cliente distribuido exponencialmente con
parmetro .
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
= P(2 arribo en [0, ]) = ( ) e

j , j 1 ( ) = P( X ( ) = j 1/ X (0) = j ) =
/ 2! o( )
&
= (0) =
0
( + )
( + )
L
L
p
=0
p0 + p1 = 0
p j 1 ( + ) p j + p j +1 = 0
= P(1 partida en[0, ]) = ( ) e + o( )

jj ( ) = P( X ( ) = j / X (0) = j ) =
= P(0 arribo y 0 partida en [0, ]) + P (1 arribo y 1 partida en [0, ]) + L =
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
Ejemplo: Cola M/M/1 (2)
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 <
La tasa de arribos debe ser menor

que la velocidad de servicio; de
otro modo, la cola crece sin lmite.
38
Ejemplo: Proceso de Nacimiento y Muerte General

Transiciones limitadas a estados adyacentes.
Los arribos ocurren como un proceso de Poisson de tasa
. Los tiempos entre arribos son vv.aa. exponenciales iid
con media 1/ .
El tiempo entre desapariciones est distribuido
exponencialmente con media 1/ .
Ecuaciones de balance global
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
Solucin de las ecuaciones de balance global

0
00
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
Ejemplo: Proceso de Poisson Modulado por Markov (MMPP)

Modelo para voz en paquetes.
Duracin del intervalo de silencio: fdp
exponencial, 1/ = 600 mseg.
Duracin del intervalo de habla: fdp exponencial,
1/ = 400 mseg.
Modelo para N fuentes
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
Probabilidad que i fuentes

entre N estn activas
00
j+1
j+1
(j+1)
Modelo para una fuente nica
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
Ejemplo : Modelo MMPP del multiplexado estadstico de voz (1)

Aplicacin: Multiplexado Estadstico de Voz
Describe el comportamiento de multiplicadores de
tramas (DCME).
Prxima generacin de DCME soportada por AAL2.
Duracin del intervalo de silencio: fdp exponencial,
1/ = 600 mseg.
Duracin del intervalo de habla: fdp exponencial,
1/ = 400 mseg.
N fuentes
de voz
MUX
Estadstico
Capacidad del canal:

C canales de voz
equivalentes
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
Ejemplo : Modelo MMPP del multiplexado estadstico de voz (2)

Freeze Out Fraction
30
Freeze Out Fraction
F ( N , C , p1 ) =
n
1
(k C ) p k (1 p ) N k
Np1 k =0
k
N
25
Capacidad del Canal (C)
MUX
Estadstico
N fuentes
de voz

C canales de voz
equivalentes
20
15
0.1 %
0.5 %
1.0 %
5.0 %
10.0 %
10
0
0
10
20
30
40
50
60
Nmero de Fuentes de Voz (N)
09/11/2003
42
Ejemplo : Modelo MMPP del multiplexado estadstico de datos (1)

Aplicacin: Multiplexado Estadstico de Datos
Caracterizacin de una fuente
Duracin del intervalo OFF: fdp exponencial, 1/ = tOFF.
Duracin del intervalo ON: fdp exponencial, 1/ = tON.
Burstiness: vel. pico/vel. promedio.
T
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
Rfaga perdida o retrasada
rp
rc
rm
Ganancia de
multiplexado estadstico
Se debe cumplir la condicin de estabilidad:
S=

C canales
Velocidad del canal: rC
MUX
Estadstico
N fuentes
Entradas
Narribos L Nrm Nrp pON Nrp

=
=
=
<1
rc
rc
rc
brc
09/11/2003
43

i
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
Aproximacin gaussiana a la distribucin binomial
var(i) = Np1 (1 p1 )
PL = Q ( )
Probabilidad de prdida
C Np1 + Np1 (1 p1 )
Nmero de canales para la

prob. de prdida PL
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 de Multiplexado Estadstico
Ganancia
10.00
8.00
6.00
Throughput
Prob. prdida = 10-6
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
Relacin vel. pico/vel. enlace
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=
Nrm (Grc / rp )rm Grm

=
=
= Gp1
rc
rc
rp
45

Ganancia de Multiplexado Estadstico
30.00
Ganancia
N=30
Prob. prdida 10-2
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
Solucin simultnea de las

ecuaciones
10
12
6
2
0.2
0.4
0.6
0.8

09/11/2003
46
1 p1
Utilidad de los modelos de Markov
El modelo de Poisson es apropiado si

hay un gran nmero de usuarios
similares e independientes.
Si se combinan n procesos de arribos
iid, no necesariamente Poisson de tasa
/n,
La tasa de arribos del agregado es .

El proceso agregado se aproxima a un
proceso de Poisson de tasa cuando
n en condiciones bastante amplias.
PASTA: Poisson Arrivals See Time

Averages
09/11/2003
La distribucin exponencial no tiene

memoria.
Lo que ocurre despus del tiempo t es

independiente de lo que ocurri antes
de t.
El conocimiento del pasado no sirve
para predecir el futuro.
Para los tiempos de servicio:

P(s>r+t / s>t) = P(s>r)
El tiempo adicional necesario para
completar el servicio del cliente que
est siendo atendido, es independiente
de cundo comenz el servicio.
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
Tipos de problemas y soluciones (1)

Usuario
Usuario11
Recursos
Recursoscompartidos
compartidos
Usuario
UsuarioNN
El modelo de una cola de espera generalmente se

usa para representar un sistema de recursos
compartidos.
09/11/2003
50
Tipos de problemas y soluciones (2)

Flujo entrante
Clientes que arriban
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
CPU, disco, dispositivos

I/O, bus...
MUX estadstico
Paquetes o celdas
Enlace de comunicaciones
Conmutador de circuitos
Llamadas
Canales
Red de acceso mltiple

(LAN, LAN inalmbrica)
Paquetes o tramas
Medio (FO, UTP, RF)
Servicios Web
Requerimientos de cliente
Web server
09/11/2003
52
Objetivos y mtodos
Objetivos
Mtodo
Predecir la performance del

sistema.
Determinar cmo
9 Dimensionar el sistema (ancho de
banda)
9 Controlar la entrada
Anlisis de un modelo matemtico.
Simulacin.
Medicin de sistemas reales.
para obtener la performance

requerida, en trminos de:
9 Grado de servicio (GoS)
9 Retardo
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)
...
Dificultad del modelo
09/11/2003
55
Modelo de switch o de router

Link
Port
Port
Router / Switch
Router / Switch
Tasa de arribos
Paquetes/seg
09/11/2003
Tamao del Buffer
B paquetes
L bytes/paquete
Tasa de servicio
Velocidad de Transmisin
R bits/seg
= R/8L
Paquetes/seg
56
Componentes del Retardo
Procesamiento:
Cola:
Transmisin:
Propagacin:
Tiempo desde que el

paquete es recibido hasta
que se le asigna un enlace
de salida.
Tiempo desde que al paquete

se le asigna un enlace de salida
hasta que comienza la
transmisin (tiempo de espera).
Tiempo entre la
transmisin del
primer bit y el
ltimo bit del
paquete.
Tiempo desde que el ltimo

bit es transmitido por la
fuente hasta que el ltimo bit
es recibido por el receptor.
Dependen de la carga de trfico

y el tamao de los paquetes
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:
G: General
Nmero de servidores
09/11/2003
Disciplina de servicio:
FIFO, LIFO, prioridad,...
Puede ser finito o infinito.
Tamao mximo de la cola,

longitud del buffer o
capacidad de almacenamiento.
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
N(t)=A(t)-D(t): nmero de clientes en el sistema
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 )
Nmero medio de clientes

en el sistema
09/11/2003
= T Tk
E ( N ) = E (T )
Tasa de
arribos
Tiempo medio de
permanencia en el
sistema
60
Teorema de Little: Aplicacin

Flujo entrante
Cola
Clientes que arriban
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
Cabeza de lnea Clientes atendidos
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:
G: General
Distribucin del tiempo de servicio:
G: General
Nmero de servidores
09/11/2003
Disciplina de servicio:
FIFO, LIFO, prioridad,...
Puede ser finito o infinito.
Tamao mximo de la cola,

longitud del buffer o
capacidad de almacenamiento.
62
Cola M/M/1 (1)

Sistema de un nico servidor.
Clientes atendidos de a uno por vez en orden de llegada.
Los clientes arriban como un proceso de Poisson de tasa
. Los tiempos entre arribos son vv.aa. exponenciales iid
con media 1/ .
Tiempo de servicio de un cliente distribuido
exponencialmente con media 1/ .
El sistema puede acomodar un nmero ilimitado de
clientes.
Solucin de las ecuaciones de balance global
= / <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
Cola M/M/1 (2)
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
Aplicacin: Multiplexado de trfico

Capacidad de transmisin del canal: C bit/seg.
M flujos de trfico de Poisson de tasa /M comparten el canal.
Longitud de paquetes distribuida exponencialmente con media L.
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
Retardo de transmisin del canal
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
L
T =
1

65
Cola M/M/1/K (1)

Cola M/M/1 con capacidad finita. El sistema puede
contener hasta K clientes. Los que llegan cuando el
sistema est lleno, son devueltos.
pj
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
Cola M/M/1/K (2)

1
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
Ejemplo: Dimensionamiento de un buffer

Capacidad del buffer requerida
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
Tamao del buffer
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
Cola M/M/c (1)

El nmero de servidores es c. La tasa de partidas es k cuando
k servidores estn ocupados, pues:
k servidores ocupados tiempo hasta la prxima partida T = min(T1,LTk )
P(T > t ) = P[min(T1,L, Tk ) > t ] =
aj
p0
j!
c
j c a
pj =
p0
c!
= P(T1 > t )L P(Tk > t ) =

=e
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
Cola M/M/c (2)
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
Probabilidad de encontrar todos los c servidores ocupados y tener que

esperar en la cola: frmula Erlang C.
Nmero medio de clientes en la cola.
Tiempo medio de espera en la cola.

Tiempo medio total en el sistema (retardo).
Nmero medio de clientes en el sistema.
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
Probabilidad de encontrar todos los c servidores ocupados y tener que

esperar en la cola: frmula Erlang C.
71
Frmula Erlang-C: Tiempo de espera
E (W ) =
09/11/2003
E(Nq )
C ( c , a ) C ( c, a )
=
c (c a)
72
Ejemplo: Call Center

Ejemplo
Un call center recibe 600 llamadas por hora, con una duracin media
de 3. El operador trabaja durante 20 despus de cada llamada. Se
quiere que el tiempo medio de espera sea 20. Obtener el nmero
de operadores necesario.
a = (600/3600) (360+20) = 33.33 Erlang
E(W) = 20/(360) = 0.111 (Tiempo de espera normalizado)
E(W) =C(c,a)/(c-a)
0.111 = C(c,33.33)/(c-33.33)
c = 36 operadores.
09/11/2003
73
Ejemplo: Retardo en acceso DVB-RCS

Internet access (browsing)
Assumptions:
Users:
Internet usage/month/user
Day-to month ratio
BH-to-day ratio
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.
Peak dnstream thput in BH/user

Peak upstream thput in BH/user
Session duration
Mean thput/user
Mean upstream thput in BH
Mean dnstream thput in BH
Upstream packets in BH
Dnstream packets in BH
DVB-S BASIC ACCESS PROFILE BA1
Forward max (Kbps)

Forward min (Kbps)
Return max (Kbps)
Return min (Kbps)
Unav/month (%)
Activity MBH (%)
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
Trfico elstico NRT - transferencia de archivos.

Proceso de arribo de archivos: Poisson con tasa .(archivos/seg)
Tamao medio de archivo: L (bits)
Max. Bitrate de una terminal: rb (bit/seg)
Ancho de banda (capacidad total) disponible: C (bit/seg).
Objetivo: Garantizar un tiempo medio de transferencia E(T), o bien un determinado throughput promedio L/E(T) para
todas las transacciones.
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)
BA2 BA3 BA4 BA5 BA6 BA7

256 256 512 1024 2048 4096
16
32
64 128 256 512
32
64 128 256 512 1028
4
8
16
32
64 128
0.1
0.1
0.1
0.1
0.1
0.1
20
20
25
25
25
30
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
Para mantener acotado el retardo, se necesitan

4256 = 1024 Kbit/s downstream
432 = 128 Kbit/s upstream.
Comparar con los valores de throughput medio:
645.2 Kbit/s downstream
92.2 Kbit/s upstream
.
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
Probabilidad de que los c servidores estn ocupados =

ac
a c / c!
P ( N = c ) = pc =
= B(c, a) = PB probabilidad de bloqueo: Frmula Erlang B
p0 =
c!
1 + a + a 2 / 2!+ L + a c / c!
Tasa efectiva de arribos
A = pc = [1 B(c, a)]
A
= a[1 B (c, a )]
A a[1 B(c, a)]

=
= [1 B (c, a)] = [1 B (c, a)]
c
c
c
E ( N ) = A E ( S ) = [1 B (c, a)]
09/11/2003
Carga soportada por cada servidor = utilizacin
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
Trfico total ofrecido (Erlang)
20,0
25,0
30,0
35,0
40,0
45,0
Trfico total ofrecido (Erlang)
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)

i 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

Diaposit Poisson PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Diaposit Poisson PDF

Transféré par

Droits d'auteur :

Formats disponibles

Cadenas de Markov y

Procesos y Cadenas de Markov

Variables binomial, geomtrica y de Poisson.

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Variables Binomial y Geomtrica

Separacin entre eventos: sea X= nmero de pruebas

Propiedad sin memoria de la distribucin geomtrica

Aplicacin: Proceso de Bernoulli como modelo

Variables Binomial y de Poisson

Variable de Poisson: Si p<<1, np=a, y k del orden de np

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Puntos de Poisson: Se colocan al azar n puntos en el

P(1 punto en [t1 , t 2 ]) = p =

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Separacin entre puntos: sea X = distancia desde

Propiedad sin memoria de la distribucin

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Relacin entre procesos de

Distribucin entre arribos:

Distribucin entre arribos:

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Ejemplo: Arribos Aleatorios

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

El proceso de arribos es Poisson.

Ejemplo: Modelo de Trfico Telefnico

Th: duracin de la comunicacin

Separacin entre arribos exponencial

: tasa de arribos (llamadas/seg)

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Nmero de ocupaciones simultneas

Tiempo medio de ocupacin

Tiempo total en el que

Cadena de Markov: Proceso de Markov en tiempo

P[X (t n ) xn / X (t n 1 ),L, X (t1 )] = P[X (t n ) xn / X (t n 1 )]

t1 < t 2 < L < t n

Propiedades de las Cadenas de Markov

Propiedades de las cadenas de Markov

Un proceso de Markov tambin

Si el presente est especificado,

C.F. Belaustegui Goitia - Cadenas de Markov y Teora

Evolucin de una Cadena de Markov

Evolucin del sistema

(2) = (1) (1) = 2

p(n) = [ p1 (n) L p N ( n)]T

Matriz de probabilidades de transicin a n pasos.

Si existe el estado estacionario, el vector de probabilidad de estados

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Ejemplo: Cadena de 2 estados

Solucin en estado estacionario

Estado 0: inactivo (silencio). La probabilidad de que la prxima TS sea

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Ejemplo: Proceso de cuenta binomial

Es una secuencia de variables aleatorias de Bernoulli independientes.

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Propiedades Generales de la Matriz de Transicin

El radio espectral es menor o igual

Norma infinito: mxima suma de valores absolutos de

C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas

Accesible: j es accesible desde i si hay alguna secuencia de

Comunicantes: los estados i y j comunican si son accesibles entre

Absorbente: Si es imposible abandonarlo: ii=1.

Recurrente: El estado i es recurrente si la probabilidad de regresar

Peridico: Un estado es peridico con perodo d si slo se puede