Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
1 3 4 8 13 15 21
1 3 4 8 13 15 21
1 3 4 8 13 15 21 n0
1 2 4 5 11 19 20 X=n
22 X=n
3 5 6 7 12 17 20 combinaciones
............... 7 Propiedad sin memoria de la distribucin geomtrica
4 6 8 9 16 21 22 P ( X = n, X > n0 ) P ( X = n) q n 1 p
P ( X = n / X > n0 ) = = =
=
P ( X > n0 ) P ( X > n0 )
Aplicacin: Proceso de Bernoulli como modelo q
k = n0 +1
k 1
p
de flujo ATM
q n 1 q n 1
=
= n0
= q n n0 1 p = P ( X = n n0 )
1 1 q
q i
1 q 1 q
5 48 i = n0
48
53 bytes
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas
1 CC = 2.83 uSec @ 149.76 Mbps
3
Variables Binomial y de Poisson
Variable Binomial: La probabilidad de que el evento Variable de Poisson: Si p<<1, np=a, y k del orden de np
A, cuya probabilidad es P(A) = p, ocurra k veces en n
pn (k + 1) p nk a 1 k / n a
pruebas es = = n
pn (k ) 1 p k +1 1 a / n k +1 k +1
n n n!
pn (k ) = p k (1 p) nk , = a
k k k!(n k )! pn (k + 1) = pn ( k )
k +1
p(0) = lim pn (0) = lim (1 p) n = lim (1 a / n) n = e a
n n n
n=22, k=7 p(1) = ae a
a a2
1 3 4 8 13 15 21
p ( 2) = p(1) = e a
2 2
1 3 4 8 13 15 21 L
1 2 4 5 11 19 20 22
3 5 6 7 12 17 20 combinaciones a k a
7 p(k ) = e
............... k!
4 6 8 9 16 21 22
t 2 t1 t T
P(1 punto en [t1 , t 2 ]) = p = =
T T
n
pn (k puntos en [t1 , t 2 ]) = p k (1 p) nk
k Densidad de puntos
= n /T
p(1) = t e t t (1 t ) t
t 0
n , T , = cte., p = t / T 0
a = np = n t / T = t (t ) k t (t ) k (t ) k
p(k ) = e (1 t )
t 0
k! k! k!
(t ) k t
pn (k puntos en [t1 , t 2 ]) n e = p(k ) P (1 punto en [t, t + t ])
,T
k! = lim
t 0 t
X x0
t t+x X
t
Separacin entre puntos: sea X = distancia desde Propiedad sin memoria de la distribucin
t al primer punto a la derecha de t. exponencial
FX ( x) = P( X x) = 1 P( X > x) =
P( X x, X x0 )
x FX ( x / X x0 ) = P( X x / X x0 ) = =
= 1 P (0 puntos en [t , t + x]) = 1 e x0 P( X x0 )
f X ( x) = e x u ( x) P( x 0 X x) FX ( x) FX ( x0 )
= = = 1 e ( x x0 )
1 1 P( X x0 ) 1 FX ( x0 )
E ( X ) = x e x dx = , var( X ) = 2
0
f X ( x / X x0 ) = e ( x x0 ) u ( x x0 ) = f X ( x x0 )
Los tiempos entre arribos son independientes y Lo que ocurre despus de t0 es independiente de lo
distribudos exponencialmente con parmetro que ocurri antes de t0..
servidor
tiempo
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 8
Ejemplo: Modelo de Trfico Telefnico
fTh(t) Th: duracin de la comunicacin
X (holding time)
t t+x
fTh (t ) = e t u (t )
f X ( x) = e x u ( x)
Fdp experimental
x 1 1
E ( X ) = x e dx = , var( X ) = 2
0
L 2
: tasa de arribos (llamadas/seg) i
1/: duracin media de la llamada (seg) T
a = (1/ ) Trfico (Erlang) N i 1 Ni 1 Ni
ai = i E (Thi ) = tki = tki Tiempo medio de ocupacin
T N i k =1 T k =1 de una lnea
1 L
a = ai = jtj
Promedio de lneas ocupadas
simultneamente
i T j =0
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas Tiempo total en el que 9
Nmero de ocupaciones simultneas exactamente j lneas estn ocupadas
Procesos de Markov
Cadena de Markov: Proceso de Markov en tiempo
Proceso de Markov: Es un proceso estocstico cuyo discreto con un conjunto numerable de estados ai.
pasado no tiene influencia sobre el futuro si el presente Especificado en trminos de:
est especificado. pi (n) = P( X n = ai ) Prob. estado
t n 1 < t n Propiedades:
P[X (t n ) xn / X (t ) t t n 1 ] = P[X (t n ) xn / X (t n 1 )]
i2
ij ( n, m ) = 1 i1
Tiempo discreto: j
ai
t1 < t 2 < L < t n (n, m)1 = 1 Matriz estocstica ik
P[X (t n ) xn / X (t n 1 ),L, X (t1 )] = P[X (t n ) xn / X (t n 1 )]
p1
p j (n) = pi (k ) ij (k , n) 1j
p2
continuo
Sistemas
i
aj 2j
estado
dinmicos p T ( n ) = p T ( k ) ( k , n)
ij p
i
discreto
Cadenas de Procesos
Markov puntuales-
Colas
ij (k , n) = il (k , m) lj (m, n)
discreto continuo l
tiempo Ecuacin de
(k , n) = (k , m) (m, n) Chapman-Kolmogorov
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 10
Propiedades de las Cadenas de Markov
Propiedades generales de los procesos de Markov Propiedades de las cadenas de Markov
P[ X (t n ) xn / X (t n 1 ),L, X (t1 )] = P[ X (t n ) xn / X (t n 1 )] j
ij (n, m) = P( X m = a j / X n = ai ) =
j
f ( xn / xn 1 , L, x1 ) = f ( xn / xn 1 ) P( X m = a j , X n = ai ) P( X n = ai )
= = =1
j P( X n = ai ) P( X n = ai )
E ( X n / X n 1 ,L , X 1 ) = x f (x / x n 1 ,L , x1 ) dx =
p (k )
i
i ij (k , n) = P( X k = ai ) P( X n = a j / X k = ai ) =
i
= x f ( x / xn1 ) dx =E ( X n / X n1 )
= P( X k = ai , X n = a j ) =P( X n = a j ) = p j (n)
i
k < m < n:
f ( xn / xn +1 ,L , xn + k ) = f ( xn / xn +1 ) Un proceso de Markov tambin
es de Markov si el tiempo se invierte. ij ( k , n) = P ( X n = a j / X k = ai ) = P ( X n = a j , X m = al / X k = ai ) =
l
P ( X n = a j , X m = a l , X k = ai )
k < m < n: = =
Si el presente est especificado, l P ( X k = ai )
f ( xn , x m , xk )
f ( xn , xk / x m ) = = el pasado es independiente del P ( X n = a j / X m = a l , X k = ai ) P ( X m = al , X k = a i )
f ( xm ) futuro. = =
l P ( X k = ai )
f ( xn / xm ) f ( xm / xk ) f ( xk )
= = f ( xn / xm ) f ( xk / xm ) = P ( X n = a j / X m = a l , X k = a i ) P ( X m = a l / X k = ai ) =
f ( xm )
l
= P ( X n = a j / X m = a l ) P ( X m = al / X k = a i ) =
l
= il ( k , m) lj ( m, n)
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora
l de Colas 11
Evolucin de una Cadena de Markov
Cadenas homogneas: Las probabilidades de Evolucin del sistema
transicin ij(m,n) slo dependen de la diferencia p(n) = [ p1 (n) L p N ( n)]T
k=n-m.
(2) = (1) (1) = 2
L p T ( n) = p T ( k ) ( k , n) =
(n + 1) = (n) = pT (k ) (n k ) =
Ecuacin de Chapman-Kolmogorov:
( n) = n = pT (k ) n k =
ij (k , n) = il (k , m) lj (m, n) = pT (0) n
l Estado estacionario
(k , n) = (k , m) (m, n) p ( n) = p Matriz de probabilidades de transicin a n pasos.
El elemento i,j de n es la probabilidad de llegar
pT = pT de i a j en exactamente n pasos.
01 1 a a p = p
= 00 =
10 11 b 1 b 1 a a p0 = b
[ p0 p1 ] = [ p0 p1 ] a+b
n 1 b a (1 a b) n a a b 1 b a
( n) = = +
a + b b a a + b b b p0 + p1 = 1 p1 =
a+b
1 ( ) 1 ( )
n
0
( ) = 1
Matriz Estocstica () ( ) = 1
1 = 1 (1,1) es un par propio de El radio espectral es menor o igual El radio espectral es unitario
que cualquier norma
1 = 1 max x = max ij = 1
x =1 i
i
0 I r
t r
Todos
Todoslos
losestados
estadoscomunican.
comunican.La
Lacadena
cadenaconsiste
consisteenenuna
unanica
nicaclase
clase
dedeequivalencia.
equivalencia.
(
det(A I ) = det AT I ) A y AT tienen iguales
autovalores
Avi = i v i uTj Avi = i uTj v i
j v i = 0 si i j
T
u
u j A = j u j u j Avi = j u j v i Autovectores derecho e
T T T T
AV = V V 1AV = T 1 T
U =V U V=I
U A = U U A(U ) =
T T T T 1
n
A = VV = VU = i v i uTi
1 T
Descomposicin espectral
i =1
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.
2
n 2 n+ 2
Test de Wielandt: A0 nxn es primitiva sii A >0
Z
n =0
n : nmero de visitas al estado j antes del tiempo k .
La cadena es peridica de perodo h.
k 1
Z
n =0
n / k : fraccin de veces que el estado j es visitado antes del tiempo k .
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 j
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.
I + + L + k 1 0 (I 11 ) 12 L
1
0 0 L rr r ,r +1 r ,r + 2 L rm 11 12
lim = Siempre
0 0 0 22 k 0 L
k
0 L 0 r +1,r +1 0 L
0 (I 11 ) 12 L
1
i R( k ) = y T k x y T 1pT x = m X2
k
m X = lim m X (n) = pT x = y T 1
n 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
aj
Ecuaciones de Kolmogorov
t1 t2 & ( ) =
= lim & (0 + )
(t + ) = (t ) ( )
0 +
d (t + ) d ( ) & (t ) = (t )
Puntos de Poisson = (t )
d d
& (t + ) = (t )
& ( ) pT (t ) = pT (0) (t )
& (t ) = (t )
& (0) p& T (t ) = pT (0)
& (t ) = pT (0) (t ) = pT (t )
Cadena de Markov en tiempo continuo: Los cambios de
estado ocurren en los puntos aleatorios Tn.
Solucin
(t1 , t 2 )1 = 1 1 0 L 0
(t ) = e t 0 1 L 0
pT (t 2 ) = pT (t 2 ) (t1 , t 2 ) Propiedades bsicas
p T (t ) = pT (0) (t ) = pT (0) e t (0) = I =
(t1 , t3 ) = (t1 , t 2 ) (t 2 , t3 ) L L L L
0 0 L 1
Condicin inicial
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 31
Ecuaciones de Balance Global
Solucin en estado estacionario kk
p(t ) = p = cte. p& (t ) = 0
T
ij
p =0 Sistema de ecuaciones homogneas
p ii
pT 1 = 1 Condicin adicional jj
ji
Ecuaciones de balance global
piij = 0 pi ij = p j jj
i i j p j ji = piij ll
ji = 1 ji = 0 jj = ji i j i j
i i i j
Flujo
Flujo de
de velocidad
velocidad de
de probabilidad
probabilidad Flujo
Flujo de
de velocidad
velocidad de
de probabilidad
probabilidad
saliente de j
saliente de j entrante a
entrante a jj
& (t )1 = 0
UT V = I
1 = 0
k = ki viuTi
pT = 0 i
f () = f (i )viuTi
i
= xi x j ij (t1 , t 2 ) pi (t1 ) =
t
lim (t ) = 1pT i j
t
x = [x1 x2 L x N ]
T R(t , ) = xi x j ij ( ) pi (t ) =
i j
y (t ) = [x1 p1 (t ) x2 p2 (t ) L xN p N (t )]
T
= y T (t ) ( )x y T ( )x = y T e x = R ( )
n
lim y (t ) = y
t 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
i R( ) = y T ( ) x y T 1pT x = m X2
k
m X = lim m X (t ) = pT x = y T 1
t 2
X (
C ( ) = R ( ) m = y T ( ) 1pT x )
( )
C (0) = y T I 1pT x = y T x y T 1pT x = E ( X 2 ) m X2 = X2
a
-a 0 1 -b
b
x = [0 1]
T
Puntos de Poisson
T
01 ( ) = P[X ( ) = 1 / X (0) = 0] = P[1 punto en `[0, ]] = 1 e a b a
p=
10 ( ) = P[X ( ) = 0 / X (0) = 1] = P[1 punto en `[0, ]] = 1 e b a + b a + b
e a 1 e a
( ) = a
1 e
b
e b y = 0
a a
a + b
= & (0) =
b b a
E ( X (t )) = pT x =
b + a e ( a+b)ta
1 e ( a+b)t
[ ] a+b
a+b a+b 2
e t = a ab
a + b e ( a +b )t
b
[ ]
1 e ( a + b )t R( ) = y e x =
T t
+ e ( a +b )
a + b (a + b )
a + b 2
a+b
b
p T = 0 ap0 = bp1 p0 = a + b = m X2 + X2 e ( a +b )
pT 1 = 1 p0 + p1 = 1 p1 = a
a+b
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 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 0 L
( + ) L
parmetro .
= (0) =
&
0 ( + ) L
j , j +1 ( ) = P( X ( ) = j + 1/ X (0) = j ) =
L L L L
= P(1 arribo en [0, ]) = ( ) e + o( ) =0
p
j , j + 2 ( ) = P( X ( ) = j + 2 / X (0) = j ) = p0 + p1 = 0 j=0
2
= P(2 arribo en [0, ]) = ( ) e / 2! o( ) p j 1 ( + ) p j + p j +1 = 0 j = 1,2,...
j , j 1 ( ) = P( X ( ) = j 1/ X (0) = j ) =
= P(1 partida en[0, ]) = ( ) e + o( )
p1 = p0 j=0
jj ( ) = P( X ( ) = j / X (0) = j ) =
p j 1 + p j +1 = ( + ) p j j = 1,2,...
= P(0 arribo y 0 partida en [0, ]) + P (1 arribo y 1 partida en [0, ]) + L =
= e e + e e 1 ( + ) + o( )
00 11 22 jj j+1
j+1
p1 = p0 j=0 p0 p1 = 0
p j 1 + p j +1 = ( + ) p j j = 1,2,... cte. = 0 p j p j +1
p j 1 p j = p j p j +1 = cte. j 1
p j = ( / ) p j 1 = p j 1
p j = n p0
j La tasa de arribos debe ser menor
p0 p j = (1 ) = / <1 <
1 = p j = p0 =j que la velocidad de servicio; de
j =0 j =0 1 otro modo, la cola crece sin lmite.
i 1
i
pi = i 1 pi 1 = i =0
i
p0
i
i =1
i
i 1 i
i
N
pi = 1 +
N
N
=
i
N i
V paquetes/seg pi = pi 1 = i=0
p0
i i
i i + +
i
i =1
E (i ) = N Nmero medio de
i = ( N i ) , i = i +
fuentes activas
p0 = = 0.6 N
var(i ) = N
p1 = p0 p1 =
p0 + p
i=0
i =1
( + )2
p0 + p1 = 1 p1 = = 0.4
+
30
MUX Capacidad del canal:
N fuentes
Estadstico C canales de voz
de voz 25
equivalentes
15
0.1 %
0.5 %
Freeze Out Fraction 10 1.0 %
5.0 %
1 N
n
F ( N , C , p1 ) = (k C ) p k (1 p ) N k 5
10.0 %
Np1 k =0 k
0
0 10 20 30 40 50 60
Nmero de Fuentes de Voz (N)
T
1 1 Rfaga perdida o retrasada
rm = r (t )dt = rp tONi = rp P (ON )
T 0 T i rp rc
P(ON ) = p1 = rm / rp Probabilidad de actividad
de la fuente rm
b = rp / rm = 1 / p1 Burstiness
G = N / C
G = Nrp / rc = N > 1 Ganancia de
C = rc / rp multiplexado estadstico
pi
i N i
N N Np1 (1 p1 )
pi = = p1i p0N i Probabilidad que i fuentes entre N
i
+ + i estn activas
p0 = , p1 = i
+ + Np1 C
Aproximacin gaussiana a la distribucin binomial
E (i) = Np1
var(i) = Np1 (1 p1 )
PL = Q ( ) Probabilidad de prdida
C Np1 + Np1 (1 p1 )
C = 1/
Nmero de canales para la
prob. de prdida PL
G = N =
4 p1
[
2 (1 p1 ) + 4 / 1 p1 ]
2
Throughput
b=12 0.60
Ganancia
10.00 b=16
b=14 0.50
8.00 b=16 b=20
b=18 0.40
6.00 b=20
0.30
4.00 0.20
2.00 0.10
0.00 0.00
0 0.05 0.1 0.15 0.2 0.25 0.3 0 0.05 0.1 0.15 0.2 0.25 0.3
Relacin vel. pico/vel. enlace Relacin vel. pico/vel. enlace
G = N =
4 p1
[ (1 p ) + 4 /
2
1 1 p1 ]
2
S=
Nrm (Grc / rp )rm Grm
rc
=
rc
=
rp
= Gp1
20.00
Ganancia
20 G = N
24
15.00 15
16
10.00 10
12
5.00 6
2
0.00
0 0.2 0.4 0.6 0.8 1
Relacin vel. pico/vel. enlace
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
Usuario
Usuario11
Recursos
Recursoscompartidos
compartidos
Usuario
UsuarioNN
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...
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, ...
Voz
Port Port
A/S/M/K/N/Q
Distribucin del tiempo entre arribos: Disciplina de servicio:
M: exponencial (Markov) FIFO, LIFO, prioridad,...
D: determinstica (constante)
G: General
Tamao de la poblacin.
Distribucin del tiempo de servicio: Puede ser finito o infinito.
M: exponencial (Markov)
D: determinstica (constante)
G: General Tamao mximo de la cola,
longitud del buffer o
Nmero de servidores capacidad de almacenamiento.
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
t
T E ( N ) = E (T )
Tiempo medio de
Nmero medio de clientes Tasa de permanencia en el
en el sistema arribos sistema
E (W ) = E ( N )(1 / ) = E (T ) / = E (T ) Nq
clientes en la cola
E (T ) = E (W ) + 1 / = E (T ) + 1 /
W S
1/ 1 Tiempo de espera Tiempo de
E (T ) = = en la cola servicio
1
N
clientes en el sistema
1/ ++ E(T)
T
E(W) Tiempo en el sistema
o retardo
A/S/M/K/N/Q
Distribucin del tiempo entre arribos: Disciplina de servicio:
M: exponencial (Markov) FIFO, LIFO, prioridad,...
D: determinstica (constante)
G: General
Tamao de la poblacin.
Distribucin del tiempo de servicio: Puede ser finito o infinito.
M: exponencial (Markov)
D: determinstica (constante)
G: General Tamao mximo de la cola,
longitud del buffer o
Nmero de servidores capacidad de almacenamiento.
15 15
10 10
E(N) E(T)
5 5
0 0
0 0,2 0,4 0,6 0,8 1 0 0,2 0,4 0,6 0,8 1
E (S ) 1/
E (N ) = E (T ) = =
1 1 1
/M C/M /M
/M
/M C/M C
/M C/M /M
C/M Un C
i = = Unpaquete
paquetetarda
tardaMMveces
vecesms
msenenlalacola
colayyenenser
serservido
servidoenenTDM
TDMooFDM,
FDM,que queenen =
L M multiplexado estadstico. L
multiplexado estadstico.
Sin
1 M Sinembargo,
embargo,lavarianza
lavarianzadeldelretardo
retardoesesmenor
menorenenTDM
TDMooFDM.FDM. 1
T = = TDM T =
TDM y FDM malgastan capacidad del canal cuando un flujononotiene
y FDM malgastan capacidad del canal cuando un flujo
/M /M 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.
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 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. =1
<1 >1
pj pj pj
0 K 0 K 0 K
00 11 22 K-1
K-1 K
K ( K + 1) K +1
E(N ) =
1 1 K +1
1
PB = P( N = K ) = pK = K +1
K Probabilidad de bloqueo
1
p0 = p1 j =0 B = PB Tasa de rechazos
p j 1 + p j +1 = ( + ) p j j = 1,2,L.K 1 A = B = (1 PB ) Tasa efectiva de arribos
pK 1 = pK j=K E ( N ) = E ( S ) = Carga ofrecida
p j = p j 1 = p0
j 1 1 K
E ( N A ) = A E ( S ) = (1 pK ) = Carga satisfecha
1 1 K +1
K
1 K +1 p j = j j = 0,L, K
1 = p j = p0 1 K +1
j =0 1 E (T ) =
E(N )
=
E(N ) 1 1
=
( K + 1) K 1 K +1
A (1 PB ) 1 1 K +1 1 K
K=10 K=10
0,8 8
K=2
0,6
A/
6
E(T)
0,4 4
0,2 2
K=2
0 0
1,00E+00 200
1,00E-01 180
1,00E-02 160
1,00E-03 140
1,00E-04 120
Capacidad
P(overflow)
= 0.9 0.5
1,00E-05 100
0.7
1,00E-06 0.8 80
0.8
0.9
1,00E-07 60
1,00E-08
0.7
40
1,00E-09 0.5 20
1,00E-10 0
0 20 40 60 80 100 120 140 160 180 200 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
Tamao del buffer Carga ofrecida
1
PB = P( N = K ) = pK = K +1
K
1
B = PB
A = B = (1 PB )
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 68
Cola M/M/c (1)
El nmero de servidores es c. La tasa de partidas es k cuando p0 = p1 j=0
k servidores estn ocupados, pues: p j 1 + ( j + 1) p j +1 = ( + j ) p j j = 1,L, c
p j 1 + cp j +1 = ( + c ) p j j c +1
k servidores ocupados tiempo hasta la prxima partida T = min(T1,LTk )
P(T > t ) = P[min(T1,L, Tk ) > t ] =
= P(T1 > t )L P(Tk > t ) = aj
pj = p0 j = 0,L , c
=e t
Le t
=e k t j!
c
j c a
k k <c pj = p0 j c +1
k servidores ocupados tasa de partidas = c!
c k c 1
c 1 a j a c 1
p0 = +
j =0 j! c ! 1
a=/ Nmero medio de servidores ocupados
00 11 22 c-1
c-1 cc c+1
c+1 = / c = a / c < 1 Ocupacin de 1 servidor
2 3 (c-1) c c c
1
1 a c c 1 a j a c 1 Probabilidad de encontrar todos los c servidores ocupados y tener que
C ( c, a ) = +
1 c! j =0 j! c! 1 esperar en la cola: frmula Erlang C.
E(Nq ) C ( c , a ) C ( c, a )
E (W ) = = =
c (c a)
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.
DVB-S BASIC ACCESS PROFILE BA1 BA2 BA3 BA4 BA5 BA6 BA7 BA8 Para mantener acotado el retardo, se necesitan
Forward max (Kbps) 256 256 256 512 1024 2048 4096 4096 4256 = 1024 Kbit/s downstream
Forward min (Kbps) 8 16 32 64 128 256 512 1024 432 = 128 Kbit/s upstream.
Return max (Kbps) 16 32 64 128 256 512 1028 1028 Comparar con los valores de throughput medio:
Return min (Kbps) 2 4 8 16 32 64 128 256 645.2 Kbit/s downstream
Unav/month (%) 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 92.2 Kbit/s upstream
Activity MBH (%) 20 20 20 25 25 25 30 30 .
20 50
18 0.1% 45
0.5%
16 40
1.0%
14 5.0% 35
Nmero de circuitos
Nmero de circuitos
10.0%
12 30 0.1%
20.0%
0.5%
10 25
1.0%
8 20 5.0%
10.0%
6 15
20.0%
4 10
2 5
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 50,0
Trfico total ofrecido (Erlang) 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
aB(c, a)
B (c + 1, a) =
c + 1 + aB(c, a )
09/11/2003 C.F. Belaustegui Goitia - Cadenas de Markov y Teora de Colas 76
Cola M/M/N/N/N
El nmero de servidores es N. La tasa de partidas es k
cuando k servidores estn ocupados.
(1) (j)
La cantidad de fuentes (o tamao de la poblacin) es
N. La tasa de arribos es (N-i) cuando hay i fuentes 00 11 22 jj j+1
j+1 N
N
activas.
2 (j+1) N
Es un modelo idntico al MMPP.
i 1 i
i
N
N
N
i
N i
pi = pi 1 = i=0
p0 pi = 1 + =
i i
i i + +
i
i =1
E (i ) = N Nmero medio de
i = ( N i ) , i = i +
fuentes activas
N
var(i ) = N
p
i=0
i =1
( + )2